探討光學檢測豬肉中揮發性鹽基態氮含量
學生姓名:
張為傑
指導教授:
張正明
學期:
106上
摘 要:
傳統檢測揮發性鹽基態氮 (Total volatile basic nitrogen, TVB-N) 作為肉品新鮮度的指標，一般使用化學分析的方法，但檢測耗時，在快速生產線上，傳統的檢測方法已不適用，故本篇比較各項光學成像系統，以找尋最適用之肉品新鮮度光學檢測法。利用光散射成像技術，從感興趣區域 (Region Of Interest, ROI) 提取特徵變數，接著使用正交線性判別分析 (Algorithm adaptive boosting Orthogonal Linear Discriminant Analysis, AdaBoost–OLDA) 建立模組，與線性判別 (Linear Discriminant Analysis, LDA) 和支持向量機 (Support Vector Machine, SVM) 做比較，結果顯示 AdaBoost–OLDA 達到 100% 校準及預測的分類率，皆優於 LDA和 SVM。 ROI 選定區域後，從高光譜圖像 (Hyperspectral Imaging, HSI) 得到質地分析，再使用最小二乘法預測 TVB-N，並比較二維主成分分析 (2D principal component analysis, 2DPCA)、主成分分析 (principal component analysis, PCA)，結果得到 2DPCA 的預 測相關係數與預測均方根誤差分別為 0.995 與 1.86 23 mg/100g ，相較於 PCA 分析法證明 2DPCA 更能展現非破壞性檢測豬肉 TVB-N 含量。利用近紅外線 (near infrared, NIR) 多光譜成像技術 (multispectral imaging technique, MSI) 在不同波長光源下進行特徵成像，並和人工神經網路 (modeling-back propagation artificial neural network, BP-ANN) 及 AdaBoost 演算法 BP-AdaBoost 並比較。綜上，以光學成像系統搭配不同演算法檢測 TVB-N，相較於傳統的檢測方式更加快速準確，在市場上的使用將更有潛力。
利用光學檢測豬肉中揮發性鹽基態氮.pdf