来源：期刊VIP网 时间：
作者：谢安国;纪思媛;李月玲;王满生;张玉;
单位：南阳理工学院张仲景国医国药学院;中国农业科学院麻类研究所;南阳理工学院智能制造学院;
摘要：为系统评估基于深度学习的智能辅助高光谱成像系统在猪肉新鲜度指标检测中的效果，采集了猪肉在4℃冷藏12 d中挥发性盐基氮（volatile basic nitrogen,TVB-N）、菌落总数（total viable count,TVC）以及900～2500 nm近红外光谱数据。基于Python的TensorFlow和Keras平台，对高光谱数据进行处理，建立了深度神经网络的定量检测模型。并利用遗传算法（GA）选择与猪肉新鲜度相关的特征光谱波段。结果表明，遗传算法选取波段对光谱模型的性能有明显提升。当光谱波段数达到35和50时，GA+ANN模型预测精度高于全波段的线性回归模型。TVC为预测指标的预测性能优于TVB-N,TVC测试集最佳Rp2为0.877,RMSEP为0.575；预测TVB-N的最佳R_p~2为0.826,RMSEP为1.01。此外，通过研究还发现，遗传算法优选的近红外光谱波段与肉品的O-H,N-H,C=O等分子振动吸收带有较高的吻合度。本研究为处理近红外和高光谱数据提供了新的方法，也为猪肉及其他肉品新鲜度快速无损检测提供了技术参考。
关键词：猪肉品质;;新鲜度;;高光谱成像(HSI);;近红外光谱(NIR);;TensorFlow;;遗传算法;;神经网络
基金资助：河南省自然科学基金（202300410131）;; 中国农业科学院科技创新工程（CAAS-ASTIP-IBFC）;; 南阳理工学院科研启动经费（510171）
