王笑丹，武瑞玾，徐麗萍，王 瑩

（1. 吉林大學(xué)食品科學(xué)與工程學(xué)院，長(zhǎng)春 130062；2. 青島農(nóng)業(yè)大學(xué)食品科學(xué)與工程學(xué)院，青島 266109）

0 引 言

牛肉是一種營(yíng)養(yǎng)豐富、口感鮮美的高蛋白優(yōu)質(zhì)紅肉，其品質(zhì)主要從嫩度、新鮮度、系水力、滋味、多汁性、肉色6方面進(jìn)行評(píng)定[1]。系水力也稱保水性，是指肉類產(chǎn)品保持水分的能力[2]，它是衡量牛肉品質(zhì)的重要指標(biāo)，對(duì)肌肉的物理形態(tài)、風(fēng)味、肉色等有重要意義，也影響著肉制品的生產(chǎn)、加工與消費(fèi)[3-6]。影響肉制品系水力的因素有很多，包括肌肉凈電荷含量、肌肉蛋白降解、pH值、基因遺傳以及包裝方式等[7-9]。

目前，國(guó)內(nèi)外使用的系水力檢測(cè)方法按照測(cè)定原理可以分為 2類，包括直接法和間接法，直接法有：壓力法[10]、滴水損失法[11]、拿破率法[12]、離心法[13]等，其中壓力法測(cè)量較為準(zhǔn)確，但消耗的時(shí)間超過3 h，同時(shí)破壞了肉樣，消耗較多資源；間接法有：近紅外光譜法[14]、高光譜成像法[15]、低場(chǎng)核磁共振法[16]等，間接法用時(shí)較短，但檢測(cè)成本較高。近年來(lái)很多學(xué)者針對(duì)系水力的檢測(cè)開展了不同程度的工作研究，胡耀華等[17]利用近紅外光譜技術(shù)驗(yàn)證了系水力快速檢測(cè)的方法的可行性，常規(guī)法與近紅外法預(yù)測(cè)值的相關(guān)系數(shù)為 0.73～0.79，鄭巖[18]利用液位傳感器技術(shù)研究了牛肉系水力檢測(cè)方法，通過分析肉樣受壓后滲出液的液位高度，實(shí)現(xiàn)對(duì)系水力的間接測(cè)量，Goh等[19]研制了一種微波傳感器，利用微波分光光度法研究測(cè)定肉中的系水力；Zhu等[20]以X射線譜作為輸入層，核磁共振值作為輸出層，采用偏最小二乘回歸法建立校準(zhǔn)模型，驗(yàn)證了核磁共振技術(shù)可應(yīng)用于系水力檢測(cè)。

本研究利用顏色傳感器結(jié)合遺傳算法檢測(cè)牛肉系水力。構(gòu)建并調(diào)試顏色傳感器，變色試紙與牛肉樣品表面進(jìn)行貼附，通過顏色傳感器和壓力法分別檢測(cè)試紙的R、G、B值與牛肉的系水力值，建立基于遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，為牛肉系水力提供了一種快速檢測(cè)方法。

1 材料與方法

1.1 材料與試劑

試驗(yàn)牛肉樣品購(gòu)于吉林省長(zhǎng)春市皓月清真肉業(yè)有限公司，試驗(yàn)牛品種均為沃金黑牛，體質(zhì)量為400～550 kg，月齡為30～36個(gè)月，育肥6個(gè)月以上。屠宰前24 h禁食，8 h禁水；按照《牛肉等級(jí)標(biāo)準(zhǔn)》（NY/Y676-2003）要求的操作規(guī)程屠宰，屠宰后冷卻24 h排酸，從宰后成熟胴體中取背最長(zhǎng)肌的一段，除去肌肉表面結(jié)締組織和脂肪。隨機(jī)選取83頭試驗(yàn)牛，其中3頭作為優(yōu)化組用于優(yōu)化試紙貼附時(shí)間，60頭作為訓(xùn)練組用于構(gòu)建和優(yōu)化神經(jīng)網(wǎng)絡(luò)，20頭作為驗(yàn)證組用于驗(yàn)證模型預(yù)測(cè)的準(zhǔn)確性。

氯化鈷為分析純，購(gòu)于天津市光復(fù)精細(xì)化工研究所；中速定性濾紙，購(gòu)于通用電氣生物科技有限公司。

1.2 儀器與設(shè)備

Arduino Uno R3控制器（上海智位機(jī)器人股份有限公司），TCS34725顏色傳感器（上海智位機(jī)器人股份有限公司），電子天平（上海京諾埃爾電子設(shè)備有限公司，A1003-100 g/0.001 g），DH070A干燥箱（上海一恒科學(xué)儀器有限公司）。

1.3 試驗(yàn)方法

1.3.1 樣品制備

每頭試驗(yàn)牛對(duì)應(yīng)1個(gè)試驗(yàn)組，每組肉樣包含3個(gè)平行樣，鮮肉置于4℃的環(huán)境中儲(chǔ)存12 h后，將牛肉樣品垂直于肌纖維方向切成4 cm×1 cm×0.5 cm的試驗(yàn)樣品，試驗(yàn)樣品截面切割平整，不含肌間脂肪和結(jié)締組織，將試驗(yàn)樣品置于培養(yǎng)皿中，用保鮮膜密封口，避免試驗(yàn)樣品在檢測(cè)前受外界環(huán)境的影響。

1.3.2 系水力變色試紙的研制

氯化鈷是一種穩(wěn)定性的無(wú)機(jī)氯化物，在干燥空氣中放出結(jié)晶水呈現(xiàn)天藍(lán)色，當(dāng)與含水物質(zhì)接觸后，變成含有結(jié)晶水的氯化物，根據(jù)氯化鈷所含結(jié)晶水的多少而呈現(xiàn)不同的顏色，其遇水變色的過程為[16]：由天藍(lán)色的CoCl2變?yōu)樗{(lán)紫色的 CoCl2·H2O，接著變?yōu)樽霞t色的CoCl2·2H2O，最終變?yōu)榉奂t色的 CoCl2·6H2O。基于前期試驗(yàn)基礎(chǔ)，選取中速定性濾紙，裁剪成5 cm×2 cm的紙條，將紙條浸泡于3 g/mL氯化鈷溶液中，20 min后用鑷子從氯化鈷溶液中取出紙條，瀝除多余水分，平鋪于玻璃培養(yǎng)皿中，放入75 ℃干燥箱中30 min，即得變色試紙，放入密封袋中隔絕空氣保存，以備試驗(yàn)使用[21-22]。盡管氯化鈷具有微弱的毒性[23]，但檢測(cè)對(duì)象是針對(duì)切取的一小塊牛肉樣品，不會(huì)對(duì)其它未被檢測(cè)部分造成污染。

1.3.3 構(gòu)建顏色傳感裝置

TCS34725顏色傳感器支持紅（R）、綠（G）、藍(lán)（B）三原色和明光感應(yīng)，可以輸出對(duì)應(yīng)的具體數(shù)值，以還原顏色本真。圖1為顏色傳感裝置連接結(jié)構(gòu)示意圖。

圖1 顏色傳感裝置結(jié)構(gòu)示意圖Fig.1 Structure of color sensor device

由圖1可知，顏色傳感器由1個(gè)3×4光電二極管陣列和 4個(gè)模數(shù)轉(zhuǎn)換器組成，光電二極管陣列有紅色濾波管、綠色濾波管、藍(lán)色濾波管和清除管，不同的顏色光波會(huì)改變光電二極管的電流，通過數(shù)模轉(zhuǎn)換器將電流轉(zhuǎn)化為顏色參數(shù)，因而傳感器可以通過光學(xué)感應(yīng)來(lái)識(shí)別物體的表面顏色[24]。顏色傳感器板載自帶 4個(gè)高亮 LED（light- emitting diode），可以讓傳感器在低環(huán)境光的情況下依然能夠正常使用，實(shí)現(xiàn)“補(bǔ)光”的功能。計(jì)算機(jī)與Arduino控制器通過USB（universal serial bus）數(shù)據(jù)線調(diào)試程序，Arduino控制器通過4根杜邦線實(shí)現(xiàn)對(duì)顏色傳感器的操控：VCC（volt current condenser）連接5 V電源正極，GND（ground）連接電源負(fù)極，SDA（serial data）連接模擬輸入接口A4實(shí)現(xiàn)數(shù)據(jù)信號(hào)的傳遞，SCL（serial clock）連接模擬輸入接口A5實(shí)現(xiàn)時(shí)鐘信號(hào)的傳遞[25]。

1.3.4 調(diào)試顏色傳感器

顏色傳感器與Arduino控制器連接完成后，將程序上傳至Arduino控制器，實(shí)現(xiàn)顏色傳感器的檢測(cè)功能，并進(jìn)行檢測(cè)實(shí)時(shí)數(shù)據(jù)的串口通信。由于顏色傳感器測(cè)量的準(zhǔn)確度受到測(cè)量距離的影響[26]，為保證測(cè)量距離的一致性，在顏色傳感器上安裝2根長(zhǎng)度為0.5 cm的六角柱，使顏色傳感器與被測(cè)試紙之間的測(cè)定距離始終為 0.5 cm。在每次檢測(cè)開始之前，都需要對(duì)顏色進(jìn)行白平衡調(diào)整[27-28]：將顏色傳感器放在白色卡片0.5 cm處，在自帶LED燈的照射下進(jìn)行數(shù)據(jù)采集，根據(jù)采集的數(shù)據(jù)值，基于map函數(shù)修改Arduino代碼系數(shù)，使檢測(cè)的白色物體的顏色參數(shù)為R=255、G=255、B=255；再使顏色傳感器對(duì)準(zhǔn)黑色卡片，調(diào)整相應(yīng)代碼，使檢測(cè)黑色物體的顏色參數(shù)為R=0、G=0、B=0。

為避免肉樣中血液顏色對(duì)變色試紙的影響，將中速定性濾紙裁剪成與變色試紙同樣尺寸的空白試紙，對(duì)試驗(yàn)肉樣進(jìn)行貼附，用顏色傳感器采集顏色參數(shù) R0、G0、B0，空白試紙的顏色變化為 ΔR=255–R0，ΔG=255–G0，ΔB=255–B0。貼附過試驗(yàn)樣品的變色試紙，其顏色參數(shù)為R、G、B，通過R–ΔR、G–ΔG、B–ΔB即可消除血液顏色對(duì)變色試紙的影響。

1.3.5 優(yōu)化試紙貼附方式

如果將試紙附于肉樣，在不施加外力的條件下，試紙不能與肉樣表面平整地貼附，會(huì)導(dǎo)致試紙顏色變化不均勻，影響檢測(cè)的準(zhǔn)確性。本研究選擇將一個(gè)玻璃塊（76 mm×26 mm×6 mm）作為試紙擠壓工具，在試紙與試驗(yàn)樣品接觸時(shí)，將玻璃塊平放于試紙之上，在重力作用下使試紙與試驗(yàn)樣品表面貼附更加平整。

1.3.6 優(yōu)化試紙貼附時(shí)間

系水力變色試紙與試驗(yàn)肉樣表面接觸會(huì)立即發(fā)生顏色反應(yīng)，但貼附時(shí)間的長(zhǎng)短會(huì)之間影響試紙的變色效果。貼附時(shí)間過短，由于受到肉樣紋路影響，顏色變化不均勻；貼附時(shí)間過長(zhǎng)，會(huì)影響檢測(cè)速度。為此需要對(duì)試紙貼附時(shí)間進(jìn)行優(yōu)化：選擇優(yōu)化組中的 3頭試驗(yàn)牛作為試驗(yàn)樣品，選取相同部位的肌肉，每頭試驗(yàn)牛按樣品制備中的方法切成尺寸相同的樣品進(jìn)行試驗(yàn)，變色試紙?jiān)诓ＡK的作用下與試驗(yàn)樣品進(jìn)行貼附，每個(gè)樣品在貼附時(shí)長(zhǎng)分別10、20、30、40、50 s的條件下進(jìn)行單因素試驗(yàn)，揭下變色試紙，用顏色傳感器測(cè)定每張?jiān)嚰?0個(gè)點(diǎn)的顏色參數(shù)，用變異系數(shù)（coefficient of variation，CV）判斷顏色參數(shù)R、G、B的離散程度，取3組試驗(yàn)樣品變異系數(shù)的平均值，選擇離散程度低且耗時(shí)短的水平作為最佳貼附時(shí)間。

系水力變色試紙與試驗(yàn)樣品貼附后，迅速用鑷子從樣品表面揭下，平鋪于潔凈工作臺(tái)，將調(diào)試好的顏色傳感器正對(duì)試紙表面，選取10個(gè)測(cè)量位點(diǎn)進(jìn)行檢測(cè)，計(jì)算顏色參數(shù)R、G、B的平均值。

1.3.7 牛肉系水力的壓力法檢測(cè)

本文參考國(guó)家農(nóng)業(yè)行業(yè)標(biāo)準(zhǔn)NY/T1333-2007，選擇壓力法測(cè)量系水力。首先稱量試驗(yàn)樣品的質(zhì)量，再將試驗(yàn)樣品置于2層紗布之間，紗布上下兩面各墊18層濾紙，濾紙外層各放1塊硬塑料墊板，加壓至350 N，保持300 s，撤除壓力后立即從紗布中剝出肉樣，稱其質(zhì)量；將擠壓過的肉樣置于恒溫干燥箱中，在 100～105℃下烘干 3 h后取出，放入干燥箱中冷卻0.5 h后稱其質(zhì)量；重復(fù)以上操作，直至前后2次質(zhì)量相差不超過2 mg[10]。

按式（1）計(jì)算系水力（water-holding capacity，WHC）。

式中FM為壓前樣品質(zhì)量，g；PM為壓后樣品質(zhì)量，g；DM為烘干后式樣品質(zhì)量，g。

1.3.8 系水力等級(jí)評(píng)定

為驗(yàn)證顏色傳感器檢測(cè)牛肉系水力等級(jí)的準(zhǔn)確性，以壓力法作為牛肉系水力等級(jí)的評(píng)定的驗(yàn)證標(biāo)準(zhǔn)。根據(jù)國(guó)標(biāo)規(guī)定與國(guó)內(nèi)外研究設(shè)計(jì)系水力等級(jí)評(píng)定表[29]，如表1所示。

表1 系水力等級(jí)評(píng)定Table 1 Ranks of water-holding capacity（WHC）

系水力等級(jí)與試紙顏色具有一一對(duì)應(yīng)關(guān)系，試驗(yàn)肉樣的系水力越小，其表面保持水分的能力越弱，試紙變色的程度越大，系水力等級(jí)為 1級(jí)的試驗(yàn)樣品，試紙變紅的程度最大，說(shuō)明此時(shí)試驗(yàn)樣品維持水分的能力最低，系水力最??；隨著系水力等級(jí)提高，試紙變紅的程度逐漸越低，說(shuō)明肉樣維持水分的能力逐漸增強(qiáng)，5級(jí)代表著系水力的最高等級(jí)。顏色傳感器可以靈敏地捕捉到試紙微小的顏色變化，將可見光譜數(shù)據(jù)化為顏色參數(shù)，為牛肉系水力等級(jí)的評(píng)定提供了依據(jù)。

1.4 構(gòu)建預(yù)測(cè)模型

以60組試驗(yàn)樣品的試紙顏色參數(shù)與系水力值作為訓(xùn)練樣本，選擇3個(gè)顏色參數(shù)R、G、B值作為輸入集，將壓力法測(cè)得的牛肉系水力作為輸出值，構(gòu)建Back Propagation（BP）神經(jīng)網(wǎng)絡(luò)模型，使用遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行優(yōu)化，另取20組試驗(yàn)肉樣作為預(yù)測(cè)樣本對(duì)系水力等級(jí)進(jìn)行評(píng)定。

1.4.1 構(gòu)建BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種按照誤差逆向傳播算法訓(xùn)練的多層前饋網(wǎng)絡(luò)，是應(yīng)用最廣泛的人工神經(jīng)網(wǎng)絡(luò)之一[30]，本研究首先使用BP神經(jīng)網(wǎng)絡(luò)建立預(yù)測(cè)模型，基于前期試驗(yàn)基礎(chǔ)設(shè)置相關(guān)參數(shù)：輸入神經(jīng)元個(gè)數(shù)設(shè)為3，輸出神經(jīng)元個(gè)數(shù)設(shè)為1，隱藏神經(jīng)元個(gè)數(shù)設(shè)為10，學(xué)習(xí)率設(shè)為0.1，最大訓(xùn)練次數(shù)設(shè)為1×103，最小均方差設(shè)為1×10–6。但是 BP神經(jīng)網(wǎng)絡(luò)存在網(wǎng)絡(luò)全局研究能力不足、收斂速度慢，局部最優(yōu)迭代不足等缺陷。本研究選擇用遺傳算法來(lái)優(yōu)化神經(jīng)網(wǎng)絡(luò)，遺傳算法（genetic algorithm，GA）是模擬達(dá)爾文的遺傳選擇和自然淘汰的生物進(jìn)化過程的計(jì)算模型，具有很強(qiáng)的全局優(yōu)化性和全局搜索能力，用遺傳算法優(yōu)化 BP神經(jīng)網(wǎng)絡(luò)，不僅可以提升網(wǎng)絡(luò)模型預(yù)測(cè)的準(zhǔn)確性，還能加快收斂速度[31]。

1.4.2 優(yōu)化神經(jīng)網(wǎng)絡(luò)

本研究利用遺傳算法來(lái)優(yōu)化 BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，其流程圖如圖2所示。

圖2 遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)流程圖Fig.2 Flow diagram of neural network optimized by genetic algorithm

為確定神經(jīng)網(wǎng)絡(luò)權(quán)值的個(gè)數(shù)，對(duì)個(gè)體進(jìn)行編碼，編碼長(zhǎng)度S算法如式（2）。

式中m為隱含層節(jié)點(diǎn)數(shù)；n為輸入層節(jié)點(diǎn)數(shù)；l為輸出層節(jié)點(diǎn)數(shù)。

本研究將適應(yīng)度函數(shù) f設(shè)定為神經(jīng)網(wǎng)絡(luò)誤差平方和的倒數(shù)如式（3）。

式中SE為神經(jīng)網(wǎng)絡(luò)期望輸出與預(yù)測(cè)輸出的誤差平方和。神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)誤差越小，適應(yīng)性越好。

本研究依據(jù)概率值Pi公式對(duì)個(gè)體進(jìn)行選擇如式（4）。

式中fi為個(gè)體的適應(yīng)度值，k為種群個(gè)體數(shù)目。

對(duì)于最優(yōu)個(gè)體直接復(fù)制到下一代，對(duì)于非最優(yōu)個(gè)體需要進(jìn)行交叉操作和變異操作。本研究設(shè)置交叉概率pc=0.4，變異概率pm=0.09，種群大小設(shè)置為50，進(jìn)化迭代數(shù)為100。

2 結(jié)果與分析

2.1 最優(yōu)試紙貼附時(shí)間

基于顏色參數(shù)的變異系數(shù)判斷最優(yōu)試紙貼附時(shí)間，R、G、B的變異系數(shù)越小代表顏色參數(shù)的離散程度越低。如圖 3所示，總體來(lái)看，顏色參數(shù)的變異系數(shù)隨時(shí)間的延長(zhǎng)而降低，這說(shuō)明接觸時(shí)間越長(zhǎng)，試紙顏色參數(shù)的離散程度越來(lái)越小。在10 s時(shí)顏色參數(shù)的變異系數(shù)R、G、B分別為17.07%、5.76%、3.69%，在20 s時(shí)迅速降低至5.72%、3.77%、2.35%，之后雖然變異系數(shù)隨著接觸時(shí)間的延長(zhǎng)也在降低，但降低的速度較為平緩。為提高檢測(cè)效率，在變異系數(shù)相差不大的條件下選擇時(shí)間較短的水平，因此將20 s作為試紙貼附的最優(yōu)時(shí)間。

圖3 RGB變異系數(shù)趨勢(shì)Fig.3 Trend of RGB variable coefficient

2.2 基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)

本研究選擇神經(jīng)網(wǎng)絡(luò)誤差平方和的倒數(shù)作為遺傳算法的適應(yīng)度函數(shù)[31]，經(jīng)過 100次迭代，得到最佳適應(yīng)度函數(shù)，如圖4所示，在進(jìn)化迭代到20代之后適應(yīng)度函數(shù)值基本趨向于穩(wěn)定，這說(shuō)明遺傳算法在改善BP神經(jīng)網(wǎng)絡(luò)的誤差和收斂速度方面起到突出的作用。

圖4 適度函數(shù)進(jìn)化曲線Fig.4 Curve of fitness function evolution

將遺傳算法優(yōu)化后的權(quán)值和閾值帶入BP神經(jīng)網(wǎng)絡(luò)，用60個(gè)訓(xùn)練組試驗(yàn)樣品進(jìn)行重新訓(xùn)練，20組驗(yàn)證組試驗(yàn)樣品的系水力進(jìn)行預(yù)測(cè)。如圖 5所示，橫坐標(biāo)為試驗(yàn)樣品牛肉系水力的測(cè)量值；縱坐標(biāo)為遺傳算法優(yōu)化后的模型對(duì)牛肉系水力的預(yù)測(cè)值?；貧w方程的相關(guān)系數(shù) R2是0.987，最佳線性回歸方程的斜率是 0.96，這表明經(jīng)遺傳算法優(yōu)化后的 BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)值與實(shí)際測(cè)量值偏差極小，優(yōu)化后的模型符合試驗(yàn)需求。

圖5 訓(xùn)練樣本輸出回歸線Fig.5 Regression line of network output for training samples

基于遺傳算法優(yōu)化后的神經(jīng)網(wǎng)絡(luò)模型，對(duì)20個(gè)驗(yàn)證組試驗(yàn)樣品的系水力等級(jí)進(jìn)行預(yù)測(cè)。如表 2所示，顏色參數(shù)R、G、B為試紙顏色測(cè)量值，系水力為壓力法對(duì)樣品的測(cè)量值，將顏色參數(shù)分別代入優(yōu)化前后的神經(jīng)網(wǎng)絡(luò)模型中得到系水力預(yù)測(cè)值。在置信區(qū)間百分比為 95%的條件下進(jìn)行配對(duì)樣本t檢驗(yàn)，系水力測(cè)量值與優(yōu)化后預(yù)測(cè)值無(wú)顯著性差異（P＞0.05）。將系水力的預(yù)測(cè)值等級(jí)與測(cè)量值對(duì)比判斷，可知在優(yōu)化前的神經(jīng)網(wǎng)絡(luò)模型中，20個(gè)驗(yàn)證組的樣品中有18個(gè)預(yù)測(cè)準(zhǔn)確，2個(gè)預(yù)測(cè)錯(cuò)誤；BP神經(jīng)網(wǎng)絡(luò)模型經(jīng)遺傳算法優(yōu)化后，20個(gè)驗(yàn)證組的樣品中有19個(gè)預(yù)測(cè)準(zhǔn)確，1個(gè)預(yù)測(cè)錯(cuò)誤，對(duì)牛肉系水力等級(jí)的預(yù)測(cè)準(zhǔn)確率從90%提高到95%。

表2 系水力等級(jí)評(píng)定Table 2 Prediction result of model

使用顏色傳感器檢測(cè)1個(gè)樣品的時(shí)間約為1 min，與使用壓力法[10]至少需要4 h相比，此方法不僅大大縮短了檢測(cè)時(shí)間，而且減少了檢測(cè)過程中資源的浪費(fèi)；與近紅外光譜法[14]、高光譜成像法[15]、低場(chǎng)核磁共振法[16]等間接檢測(cè)方法相比，使用顏色傳感器作為檢測(cè)設(shè)備成本更低，因此本檢測(cè)方法具有快速、準(zhǔn)確、低成本的特點(diǎn)。

3 結(jié) 論

本研究采用顏色識(shí)別和遺傳算法優(yōu)化技術(shù)，針對(duì)牛肉系水力的快速檢測(cè)問題，建立了系水力快速檢測(cè)模型，研究表明：

1）利用顏色傳感器獲取顏色參數(shù)R、G、B，研究了不同時(shí)間下顏色參數(shù)的變異系數(shù)，得到了最優(yōu)試紙貼附時(shí)間為20 s，檢測(cè)系水力的時(shí)間降低到1 min之內(nèi)，實(shí)現(xiàn)了對(duì)牛肉系水力等級(jí)的快速檢測(cè)。

2）顏色傳感器可以靈敏地捕捉到微小的顏色變化，將可見光譜轉(zhuǎn)化為顏色參數(shù)，為牛肉系水力等級(jí)的評(píng)定提供了依據(jù)。顏色參數(shù)的變色程度越低，所代表的牛肉系水力等級(jí)越高，減小了人工判斷所產(chǎn)生的誤差。

3）基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型具有更好的擬合效果，模型預(yù)測(cè)值與實(shí)際檢測(cè)值的回歸直線相關(guān)系數(shù)R2為0.987，系水力等級(jí)的預(yù)測(cè)準(zhǔn)確率從90%提高到95%，具有良好的檢測(cè)準(zhǔn)確性，為今后肉制品系水力智能檢測(cè)設(shè)備的開發(fā)奠定了基礎(chǔ)。

[1] Harris J J, Miller R K, Savell J W, et al. Evaluation of the tenderness of beef top sirlon steaks[J]. Journal of Food Science, 2010, 57(1): 6－9.

[2] 李春，張錄達(dá)，任發(fā)政，等. 利用低場(chǎng)核磁共振研究冷卻條件對(duì)豬肉保水性的影響[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2012，28(23)：243－249.Li Chun, Zhang Luda, Ren Fazheng, et al. Study on different chilling factors influencing water-holding capacity of pork based on low-field nuclear magnetic resonance (LF-NMR)[J].Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2012, 28(23): 243－249. (in Chinese with English abstract)

[3] 左惠心，殷元虎，韓玲，等. 宰后牦牛肉保水性變化與差異蛋白的生物信息學(xué)分析[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2017，48(7)：325－331.Zuo Huixin, Yin Yuanhu, Han Ling, et al. Changes of postmortem water-holding capacity in yak muscle and bioinformatic analysis of differentially abundant proteins[J].Transactions of the Chinese Society for Agricultural Machinery,2017, 48(7): 325－331. (in Chinese with English abstract)

[4] Hughes J M, Oiseth S K, Purslow P P, et al. A structural approach to understanding the interactions between colour,water-holding capacity and tenderness[J]. Meat Science,2014, 98(3): 520－532.

[5] Sun D W. Factors Affecting the water holding capacity of red meat products: A review of recent research advances[J].Critical Reviews in Food Science & Nutrition, 2008, 48(2):137－159.

[6] Huff-Lonergan E, Lonergan S M. Mechanisms of waterholding capacity of meat: The role of postmortem biochemical and structural changes[J]. Meat Science, 2005, 71(1): 194－204.

[7] 張玉偉，羅海玲，賈慧娜，等. 肌肉系水力的影響因素及其可能機(jī)制[J]. 動(dòng)物營(yíng)養(yǎng)學(xué)報(bào)，2012，24(8)：1389－1396.Zhang Yuwei, Luo Hailing, Jia Huina, et al. Effect factors of water holding capacity of meats and its potential mechanism[J].Chinese Journal of Animal Nutrition, 2012, 24 (8): 1389－1396. (in Chinese with English abstract)

[8] 李俠，李銀，張春暉，等. 高氧氣調(diào)包裝對(duì)不同品種冷卻豬肉貯藏品質(zhì)及持水性的影響[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2016，32(2)：236－243.Li Xia, Li Yin, Zhang Chunhui, et al. Influence of high oxygen modified atmosphere packaging on different breeds of chilled pork meat quality and water holding capacity during storage[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016,32(2): 236－243. (in Chinese with English abstract)

[9] Yin Y, Zhang W G, Zhou G H, et al. Comparison of protein degradation, protein oxidation, and μ-calpain activation between pale, soft, and exudative and red, firm, and nonexudative pork during postmortem aging[J]. Journal of Animal Science, 2014, 92(8): 3745－3752.

[10] 劉立意，劉影，劉冬梅，等. 鮮豬肉系水力與應(yīng)力松弛特性相關(guān)性的試驗(yàn)研究[J]. 東北農(nóng)業(yè)大學(xué)學(xué)報(bào)，2015，46(8)：88－93.Liu Liyi, Liu Ying, Liu Dongmei, et al. Study on relationship between stress relaxation and the water holding capacity of fresh pork[J]. Journal of Northeast Agricultural University,2015, 46(8): 88－93. (in Chinese with English abstract)

[11] Forrest J C, Morgan M T, Borggaard C, et al. Development of technology for the early post mortem prediction of water holding capacity and drip loss in fresh pork[J]. Meat Science,2000, 55(1): 115－122.

[12] Bertram H C, Andersen H J, Karlsson A H, et al. Prediction of technological quality (cooking loss and napole yield) of pork based on fresh meat characteristics[J]. Meat Science,2003, 65(2): 707－712.

[13] Zhang M, Mittal G S, Barbut S. Effects of test conditions on the water holding capacity of meat by a centrifugal method[J]. LWT - Food Science and Technology, 1995, 28(1):50－55.

[14] 鄭曉春，李永玉，彭彥昆，等. 基于可見/近紅外光譜的牛肉品質(zhì)無(wú)損檢測(cè)系統(tǒng)改進(jìn)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2016，47(增刊 1)：332－339.Zheng Xiaochun, Li Yongyu, Peng Yankun, et al. Improvement of nondestructive detection system of beef quality based on visible/near infrared spectroscopy[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(supp.1):332－339. (in Chinese with English abstract)

[15] Kamruzzaman M, Makino Y, Oshita S. Hyperspectral imaging for real-time monitoring of water holding capacity in red meat[J]. LWT-Food Science and Technology, 2016, 66:685－691.

[16] Li C, Liu D, Zhou G, et al. Meat quality and cooking attributes of thawed pork with different low field NMR T(21)[J]. Meat Science, 2012, 92(2): 79－83.

[17] 胡耀華，郭康權(quán)，野口剛，等. 基于近紅外光譜檢測(cè)豬肉系水力的研究[J]. 光譜學(xué)與光譜分析，2009，29(12)：3259－3262.Hu Yaohua, Guo Kangquan, Noguchi Gou, et al. Prediction of water-holding capacity of fresh pork using infrared spectroscopy[J]. Spectroscopy and Spectral Analysis. 2009,29(12): 3259－3262. (in Chinese with English abstract)

[18] 鄭巖. 基于液位傳感器的牛肉系水力檢測(cè)方法研究[D].長(zhǎng)春：吉林大學(xué)，2009.Zheng Yan. Study on Detection Method of Water-holding Capacity of Beef Based on Liquid Level Sensor[D].Changchun: Jilin University, 2009. (in Chinese with English abstract)

[19] Goh J H, Korostynska O, Mason A, et al. Investigating water holding capacity (WHC) of meat using microwave spectroscopy[C]// Sixth International Conference on Sensing Technology. IEEE, 2013: 243－247.

[20] Zhu H, O'Farrell M, Bouquet G, et al. Evaluating nuclear magnetic resonance (NMR) as a robust reference method for online spectroscopic measurement of water holding capacity(WHC)[J]. Journal of Food Engineering, 2016, 175(175):51－57.

[21] Masai H, Okano Y, Fujii M, et al. The simple measuring method of water evaporation rate from the skin using anhydrous cobalt chloride paper[J]. 2010, 20(3): 206－209.

[22] Moser J, Kriehuber E, Trautinger F. A simple and rapid quantitative sweat test based on cobalt chloride color change[J]. Skin Pharmacol Physiol, 2012, 25(3): 150－154.

[23] Speijers G J, Krajnc E I, Berkvens J M, et al. Acute oral toxicity of inorganic cobalt compounds in rats[J]. Food &Chemical Toxicology, 1982, 20(3): 311－314.

[24] 程楠，何景，董凱，等. 試紙法在食品安全快速檢測(cè)中的研究進(jìn)展[J]. 食品科學(xué)，2015，36(1)：256－261.Cheng Nan, He Jing, Dong Kai, et al. A review on research progress of test strips for rapid food safety detection[J]. Food Science, 2015, 36(1): 256－261. (in Chinese with English abstract)

[25] Fisher D K. Rapid deployment of internet-connected environmental monitoring devices[J]. Advances in Internet of Things, 2014, 4(4): 46－54.

[26] D'Ausilio A. Arduino: A low-cost multipurpose lab equipment[J].Behavior Research Methods, 2012, 44(2): 305－313.

[27] 盧川英，于浩成，孫敬輝，等. 基于TCS230傳感器的顏色檢測(cè)系統(tǒng)[J]. 吉林大學(xué)學(xué)報(bào)(信息科學(xué)版)，2008，26(6)：621－626.Lu Chuanying, Yu Haocheng, Sun Jinghui, et al. Colorimeter system based on TCS230 sensors[J]. Journal of Jilin University(Information Science Edition), 2008, 26 (6): 621－626. (in Chinese with English abstract)

[28] 彭波，李旭宇. TCS230顏色傳感器結(jié)合BP神經(jīng)網(wǎng)絡(luò)在顏色識(shí)別系統(tǒng)上的研究[J]. 食品與機(jī)械，2010，26(3)：108－112.Peng Bo, Li Xuyu. Research on color identification by TCS230 color sensor combined BP neural network[J]. Food and Machinery, 2010, 26 (3): 108－112. (in Chinese with English abstract)

[29] Br?ndum J, Munck L, Henckel P, et al. Prediction of water-holding capacity and composition of porcine meat by comparative spectroscopy[J]. Meat Science, 2000, 55(2):177－85.

[30] 賈淵，姬長(zhǎng)英，羅霞，等. 用基于遺傳算法的 BP神經(jīng)網(wǎng)絡(luò)識(shí)別牛肉肌肉與脂肪[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2007，23(11)：216－219.Jia Yuan, Ji Changying, Luo Xia, et al. Classifying beef muscle and fat pixels using BP-GA neural network[J].Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2007, 23(11):216－219. (in Chinese with English abstract)

[31] 張宏，馬巖，李勇，等. 基于遺傳 BP神經(jīng)網(wǎng)絡(luò)的核桃破裂功預(yù)測(cè)模型[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2014，30(18)：78－84.Zhang Hong, Ma Yan, Li Yong, et al. Rupture energy prediction model for walnut shell breaking based on genetic BP neural network[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014,30(18): 78－84. (in Chinese with English abstract)