高含量乳清粉的仔猪配合饲料热特性及调质温度控制

为探究热敏性饲料原料乳清粉及不同含量乳清粉的仔猪配合饲料的热物理特性,该文以仔猪料配方中的4种主要饲料原料玉米、豆粕、乳清粉和鱼粉为研究对象,采用混料设计的方法得到33种不同含量(0～30％)乳清粉的仔猪配合饲料,并利用差示扫描量热法(differential scanning calorimetry,DSC)测定了4种单一原料在25～120℃范围内以及33种仔猪配合饲料在25～110℃范围内的比热,分析了乳清粉及高含量乳清粉(质量分数≥14.548％)的仔猪配合饲料的热变性过程.结果显示:玉米、豆粕和鱼粉的比热分别与温度(25～120℃)呈线性、对数和二次关系,而乳清粉的比热与温度(25～110℃)遵循三次多项式的关系;当配合饲料中含有≥6.25％的乳清粉时,其比热与温度遵循三次多项式的关系;配合饲料的比热显著受温度、原料配比以及二者交互作用的影响(P＜0.001),其中,温度的影响最为显著,而乳清粉含量的影响次之.DSC热焓曲线上,乳清粉在109.79℃会出现吸热峰,为乳清蛋白的热变性导致;而随着温度由20℃升高到110℃,乳清粉颗粒由存在许多凸起与微孔的粗糙表面结构逐渐过渡为光滑、粘结的状态.与乳清粉相似,高含量乳清粉的配合饲料也会在77.95～87.69℃出现吸热峰.在仔猪配合颗粒饲料的加工过程中,为降低乳清蛋白的变性程度、减少环模制粒机的堵机现象,应将调质温度降低至70℃以下为宜.研究结果为高含量乳清粉的仔猪配合饲料的调质、制粒等热处理过程的工艺优化提供理论指导.     

基于可见/近红外光谱生鲜肉多品质参数检测装置研发

为了解决生鲜肉多个品质参数快速、无损、同时检测的问题,该文利用双波段(350~1 100 nm和1 000~2 500 nm)可见/近红外光谱技术,结合硬件单元和编写的软件控制程序,研发了多品质参数同时检测装置,实现对双波段光谱信息的同时采集、实时处理、显示以及保存。基于该检测装置,采集覆盖生鲜肉多个品质参数的可见/近红外光谱信息(350~2 500 nm),经过平滑和标准正态变量变换(standard normal variate,SNV)预处理后,分别基于单波段和双波段光谱数据,与国家标准方法测定的猪肉颜色(L*、a*、b*)、p H值、挥发性盐基氮(total volatile basic nitrogen,TVB-N)、含水率、蒸煮损失和嫩度建立偏最小二乘(partial least square,PLS)预测模型。在此基础上,利用竞争性自适应加权算法(competitive adaptive reweighted sampling,CARS)筛选特征变量,建立简化的PLS模型,对各个品质参数的预测集相关系数分别为0.962 5、0.933 6、0.938 9、0.941 5、0.936 3、0.912 3、0.920 0和0.901 9,预测误差为0.628 7、0.757 6、0.547 1、0.078 2、2.835 4 mg/(100 g)、0.380 9%、2.560 0%和6.896 7 N。结果表明,该装置可以实现生鲜肉多个品质参数的同时检测,研究结果可为实时获取肉品品质信息,实现肉品评定和分级提供参考。     

利用近红外光谱与PCA-SVM识别热损伤番茄种子

为了研究近红外光谱技术用于热损伤种子快速无损识别的可行性,该文以120粒番茄种子为研究对象,其中60粒番茄种子通过高温加热处理的方式成为热损伤种子组,其他60粒番茄种子为正常种子组,利用实验室自主搭建的近红外光谱检测系统获取单粒番茄种子在980~1 700 nm范围内的光谱,分别采用偏最小二乘判别法(partial least squares discriminant analysis,PLS-DA)和支持向量机(support vector machines,SVM)建立了番茄种子热损伤的定性分析模型。试验结果表明:2种判别模型的验证集总正确率均大于96%,均可用于热损伤种子的判别。其中,基于主成分分析(principal component analysis,PCA)预处理的光谱数据构建的支持向量机模型的判别效果最好,其校正集和验证集的判别正确率均为100%,更适用于种子热损伤识别。因此,应用近红外光谱技术可快速无损识别热损伤番茄种子,为种子检验提供了一种新的方法。     

适于餐厅与家庭的叶菜外部品质在线检测与分级系统

该研究从中式菜肴原料的品质控制需求出发,针对叶菜变黄、腐烂、虫害危害消费者健康、人工挑选费时费力的技术难点,开发了基于机器视觉的叶菜外部品质在线检测与分级系统,以实现在中小型餐厅和家庭场合对黄化叶、腐烂叶以及虫眼叶的快速检测判别与分级。该系统硬件部分主要包括基于负压吸气式的样品分离单元、基于LED光源照明系统的样品检测单元以及基于气吹式分选单元等。利用Open Cv和Visual C++编写了叶菜外部品质无损快速检测软件,实现样品信息的自动采集、数据分析和结果显示。最后结合对应的特征信息提取方法,利用320个菠菜样品对装置性能进行试验验证,其中黄化叶、虫眼叶、腐烂叶以及正常叶数目各为91、75、91、63。针对黄化叶与腐烂叶,利用RGB到HSV的颜色空间变换方法分别设定分量值H∈(60?,130?)、S∈(0,0.17)和V∈(0,0.23)提取菠菜黄化叶与腐烂叶的特征信息,实现菠菜黄叶与腐烂叶的判别;针对虫眼叶,在RGB颜色空间中调节2G-R-B的阈值对虫眼叶菜进行灰度化、二值化及形态学消噪提取虫眼叶轮廓特征信息,实现虫眼叶判别及虫眼面积的计算。试验结果表明,利用该装置并结合各自的特征信息提取算法,能够实现对菠菜外部品质的判别,与人工判别相比,黄化叶、腐烂叶以及虫眼叶的判别正确率分别为96.70%、92.59%、84.62%,整体判别正确率为94.69%,1个叶菜样品的分选时间为0.84 s。     

苹果内外品质在线无损检测分级系统设计与试验

目前苹果品质检测分级机械存在结构复杂、价格昂贵以及不能兼顾内外品质的缺点。苹果的内部品质和外部品质都是决定苹果价值的关键因素,故该研究根据静态条件下的试验分析,设计了苹果内外品质在线无损检测分级系统。该系统主要由哑铃式滚子、机器视觉外观品质检测系统模块、近红外内部品质检测系统模块、分级模块以及控制系统组成。在机器视觉外部品质检测模块设计中,为了增大苹果有碰伤部位和无碰伤部位之间的对比度,通过采集有碰伤部位和无碰伤部位的反射率光谱,确定在730 nm处两者的反射率差异最大,并以此选用波长为730 nm的红色LED光源作为机器视觉模块的光源。为获得苹果整个表面信息,苹果在向前运动的过程中完成自转,并利用算法将单个苹果3个运动状态下的图像进行提取和合成,随后对图像进行高斯滤波,大津法二值化以及轮廓提取处理,当该苹果判断为有碰伤时,直接发送剔除指令,当判断为无碰伤,对轮廓提取后图像进行圆拟合处理,并利用拟合圆直径得到该苹果的大小。近红外内部品质检测系统模块设计中,对比2种近红外检测结构,并以试验确定了将探头和光源布置在下的设计方式。最终,通过试验验证得到了系统的在线检测性能,系统对于苹果有无碰伤检测总体正确率为94%,大小检测的相关系数为0.964 6,均方根误差为2.28 1 mm,苹果内部可溶性固形物含量所建立模型的校正集相关系数为0.950 8,校正集均方根误差为0.342 6%,预测集相关系数为0.949 2,预测集均方根误差为0.448 7%。单个苹果的检测时间为0.71 s。整机具有体积小、结构简单、成本较低的优点,适用于农户和中小型企业。     

基于可见/近红外光谱的牛肉品质无损检测系统改进

含水率、颜色和pH值是牛肉的重要品质指标,近年来可见/近红外光谱因其成本低、快速无损等特点被广泛应用于肉品检测中。针对现有探头采集样品面积过小、代表性差等问题,利用高效的环形光源对双通道可见/近红外光谱系统进行改进,建立了一种高效、稳定的双通道可见近红外光谱系统。首先,基于多次采集生鲜牛肉样品获得400~2450nm波段的有效光谱数据,对改进前反射探头和环形探头的性能进行了对比分析,发现环形探头的稳定性更有优势,在整个波段的变异系数均小于10%。然后利用改进后探头组成的系统采集了61块生鲜牛肉样品的可见/近红外光谱数据。采用了无处理、SG平滑、哈尔变换、一阶导数、二阶导数、标准正态变换、多元散射校正、去趋势化以及各方法组合等方法对光谱数据进行预处理。利用第1波段数据建立颜色参数L*、 a* 、b*的偏最小二乘模型,分别利用第1波段数据、第2波段数据和双波段数据（双波段简单拼接）建立含水率和pH值的PLSR模型并进行了对比。结果发现：第1波段的数据无需经过预处理,即可对颜色参数L*、 a* 、b*取得较好的预测结果,其PLSR模型验证集相关系数和标准误差分别为0.9603、0.9616、0.9367和1.3332、1.1844、0.6553;对于含水率和pH值,无论光谱数据是否经过预处理,第1波段数据的建模效果要好于第2波段数据,但是经过预处理的双波段数据（400~2450nm波段）能够取得更好的预测结果,其PLSR模型验证集相关系数和标准误差分别为0.9541、0.8716和0.5475、0.1272。结果证明,基于高效环形探头的双通道可见近红外光谱系统建立的牛肉多品质参数预测模型,可实现准确、无损、快速检测,获得比较稳定的检测结果。     

锤片式粉碎机风网系统对其工作性能的影响研究

提高粉碎效率一直是饲料粉碎工段的研究热点，但基于实际生产场景下的粉碎机风网系统对其工作性能的影响却少有论及。文章基于实际生产场景下的锤片式粉碎机风网系统进行三维建模，利用计算流体力学软件Fluent对粉碎机粉碎腔内气流场进行数值模拟，得出不同风量下粉碎机粉碎腔气流场的负压特性分布规律及运动特性，通过调节进风口和风机开度验证了合适的风量可以有效改善粉碎系统工作性能。数值模拟和试验结果表明，锤片式粉碎机粉碎腔内气流场的压差和风速随风量的增大而增大，风网系统风量越大其粉碎系统产能越高，但能耗和水分损耗也会随之增加。综上所述，在粉碎过程中风网系统风量并非越大越好，应根据实际的粉碎系统工况和粉碎原料，选择恰当的风量粉碎系统，整体工作性能才能达到最佳状态。     

掌上式生鲜猪肉新鲜度无损智能检测分级装置

为实现储运过程中生鲜猪肉新鲜度实时检测，该研究基于可见/近红外光谱技术开发了掌上式生鲜猪肉新鲜度无损智能检测装置。检测装置以可见\近红外光谱采集单元为核心，搭建了硬件系统，开发了生鲜猪肉新鲜度多指标同时检测和新鲜度分级软件系统。通过研发的检测装置采集了不同部位猪肉的650～1 100 nm波长范围的漫反射光谱，经过标准正态变量变换（standard normal variable transformation，SNV）预处理后，对比连续投影算法（successive projections algorithm, SPA）和竞争性自适应加权抽样算法（competitive adaptive reweighted sampling, CARS）算法优选了猪肉新鲜度特征光谱，分别建立了不同部位猪肉新鲜度指标通用预测模型，并根据挥发性盐基氮（total volatile basic nitrogen，TVB-N）含量和pH值预测值，将猪肉分为新鲜、次新鲜和变质3个等级。试验结果表明，通过 SNV预处理和CARS算法筛选特征波长后建立的PLS预测模型（下文简称“SNV-CARS-PLS”）具有更好的性能， TVB-N含量、pH值、亮度L*、红度a*和黄度b*通用预测模型的预测集相关系数分别为0.942、0.945、0.940、0.933和0.833，预测均方根误差分别为1.131 mg/100 g、0.136、1.706、1.217和0.717。将通用检测模型导入检测装置进行了试验验证，对不同部位猪肉样本试验结果表明，TVB-N含量、pH值、亮度L*、红度a*和黄度b*的预测结果与理化值的均方根误差分别为1.109 mg/100 g、0.134、1.140、1.094和0.636；新鲜度的分级正确率为92.86%；单个样品检测时间约为1 s。该检测装置可满足不同部位猪肉新鲜度多指标现场快速检测和分级的需求，为及时掌握储运过程中生鲜猪肉新鲜度情况、辅助决策储运和销售方案、保障生鲜猪肉品质安全具有重要作用。     

便携式双档位柑橘多品质无损检测装置设计与试验

为了解决普通检测装置难以覆盖不同果径（25～95mm）柑橘的检测需求问题，研发了覆盖多果径柑橘的便携式双档位多品质无损检测装置。以砂糖橘（果径25.35～48.61mm）和武鸣沃柑（果径53.24～94.71mm）为研究对象，基于研发的双档位探头，在赤道部位每隔120°采集一次光谱，平均光谱作为该柑橘的原始光谱。经标准正态变量变换（standard normal variable Transformation，SNV）、多元散射校正（multiplicative scatter correction，MSC）预处理，再利用竞争性自适应加权抽样算法（competitive adaptive reweighted sampling, CARS）筛选特征波长，分别建立了沃柑和砂糖橘的可溶性固形物含量（soluble solids content，SSC）和水分的偏最小二乘预测模型。沃柑的SSC和水分预测模型验证集相关系数分别为0.937、0.951，均方根误差分别为0.382%、0.005%；砂糖橘的SSC和水分预测模型验证集相关系数分别为0.921、0.935，均方根误差分别为0.460%、0.007%。为了评估检测装置的准确性和稳定性，使用平均变异系数分析了沃柑和砂糖橘的SSC含量和水分测定结果，并通过预测结果与标准理化值进行残差分析。结果表明，研制的便携式双档位柑橘多品质光谱检测装置对不同果径柑橘内部品质检测稳定性与精度均满足现场实时检测需求。