一体化肉品多指标快速无损检测系统的制作方法

1.本发明涉及肉品多指标检测技术领域。更具体地说，本发明涉及一种一体化肉品多指标快速无损检测系统。


背景技术：

2.肉品品质主要包括食用品质、加工品质、营养品质和安全品质。目前肉品品质评价方法大多还是以理化检测、感官评价方法为主，感官评价的判别结果不够客观，而理化检测主要采用物理或化学的分析方法对肉的指标进行检测，该法检测精准度高、结果客观可信，但是检测前处理繁琐、且会对样品造成破坏，难以满足实际生产中大批量样品短时间检测的需求，其中，用于评价食用品质的指标主要包括肉色、嫩度等；用于评价加工品质的指标主要包括系水力、ph等；用于评价营养品质的指标主要包括蛋白质含量、脂肪含量、水分、ufa（不饱和脂肪酸）、必需氨基酸总量等；用于评价安全品质的指标主要包括菌落总数、挥发性盐基氮、生物胺等。
3.近年来，近红外光谱技术已经成功用于肉品的品质评价，例如，名称为生鲜牛肉多指标的快速无损检测方法，申请号为201510965311.6的专利中公开了通过多指标预测模型的构建，以同步对生鲜牛肉的胆固醇、水分、脂肪和蛋白质含量及剪切力、持水力6项指标进行检测。首先，由于多指标检测，会导致光谱仪的检测其元件个数较多，造成增大设备体积，进而增大设备成本的问题，如何在满足多指标检测的基础上，降低设备体积进而降低设备成本是目前急需解决的问题；其次，其利用校正集的光谱数据与待测样品的参比值应用最小二乘法简历对应的指标预测模型，存在光谱数据容量大，在构建指标预测模型过程中计算效率低的问题，特别是对于肉品多指标预测过程中，该问题更显凸出。


技术实现要素：

4.本发明的一个目的是解决至少上述问题，并提供至少后面将说明的优点。
5.本发明还有一个目的是提供一种一体化肉品多指标快速无损检测系统，其能够实现多维指标无损预测，同时降低成本、优化检测系统体积的有益效果。
6.为了实现根据本发明的这些目的和其它优点，提供了一种一体化肉品多指标快速无损检测系统，包括：光谱仪，其用于获取待测样品的近红外光谱数据；工业平板，其包括：模型嵌入模块，用于存储多个指标预测模型；模型确定模块，其与所述模型嵌入模块连接，用于调用至少一个指标预测模型；指标预测模块，其与所述光谱仪和模型确定模块连接，用于接收待测样品的近红外光谱数据，并结合调用的预测模型，预测待测样品的指标数据；其中，所述光谱仪的检测器元件的个数依据最终极小分辨率确定，且待测样品的近红外光谱数据采集过程中控制分辨率为最终极小分辨率，确定最终极小分辨率包括以下
步骤：s1、基于不同的分辨率采集样品集中每个样品的光谱波长数据；s2、依据模型嵌入模块存储的多个指标预测模型确定多项预测指标，对于任一预测指标，在不同分辨率下，根据该分辨率下的光谱波长数据、与该预测指标对应的参比值，应用化学计量学的方法建立该预测指标在该分辨率下的指标预测模型，并确定指标预测模型的预测相关系数；s3、确定任一预测指标在不同分辨率下的预测相关系数对于分辨率的拐点，确定该拐点对应的分辨率为该预测指标的极小分辨率；s4、确定全部预测指标的极小分辨率中的最大值为最终极小分辨率。
7.优选的是，依据多个指标预测模型确定多项预测指标为肉色、嫩度、系水力、ph、蛋白质含量、脂肪含量、水分、菌落总数、挥发性盐基氮、ufa、必需氨基酸总量、生物胺中的至少3种；其中，当预测指标为肉色、系水力、水分时，采集波段为400-1050nm；当预测指标为嫩度、ph、蛋白质含量、脂肪含量时，采集波段为900-1700nm；当预测指标为菌落总数、挥发性盐基氮、ufa、必需氨基酸总量、生物胺时，采集波段为400-1050nm、900-1700nm；当多项预测指标对应的采集波段同时包括400-1050nm、900-1700nm，将多项预测指标分为采集波段包括400-1050nm的a组和采集波段包括900-1700nm的b组，分别确定a组对应的全部预测指标在400-1050nm采集波段的最终极小分辨率、b组对应的全部预测指标在900-1700nm采集波段的最终极小分辨率。
8.优选的是，a组的预测指标的不同的分辨率范围为0.4-8nm，b组的预测指标的不同的分辨率范围为15-45nm。
9.优选的是，每个指标预测模型构建的方法包括以下步骤：确定样本集，测定样品集中每个样品对应每项预测指标的参比值，其中，所述样本集中样本的属性与待测样品的属性相同；依据多项预测指标确定采集波段，采集样品集中每个样品在对应采集波段的近红外光谱数据，其中，当预测指标为菌落总数、挥发性盐基氮、ufa、必需氨基酸总量、或生物胺时，将400-1050nm、900-1700nm的近红外光谱数据进行光谱融合，得到覆盖波长为400-1700nm的近红外光谱数据；每个近红外光谱数据按照波长由小至大计算相邻波峰和波谷之间的反射率差值并依次排序，构建以排序数为横坐标，反射率差值为纵坐标的特征提取光谱；对于任一项预测指标，根据特征提取光谱、与该预测指标对应的参比值，应用化学计量学的方法建立与该预测指标对应的指标预测模型；其中，所述工业平板还包括光谱处理模块，其与光谱仪连接，用于将获取的近红外光谱数据转换为特征提取光谱，而后指标预测模块接收待测样品的特征提取光谱，并结合调用的预测模型，预测待测样品的指标数据。
10.优选的是，所述样本集的样品和待测样品为同属样品，所述样本集的样品的品种包括至少3个，每个品种的样品至少包括5种月龄，每种月龄的样品至少包括5个部位，每个部位的样品至少包括宰后45min、24h、72h、120h时间点。
11.优选的是，所述工业平板还包括：校正参考模块，其内存储与待测样品同属的样品的平均光谱x、光谱阈值，其中，基于至少1000条与待测样品同属的样品的近红外光谱数据计算平均光谱x、极低反射率光谱m和极高反射率光谱m，由平均光谱x、极低反射率光谱m、极高反射率光谱m确定光谱阈值；黑白校正模块，其与所述校正参考模块和光谱仪连接，用于当光谱仪连续获取待测样品的近红外光谱数据至设定次数n后，获取第n 1号近红外光谱数据，将第n 1号近红外光谱数据与平均光谱x比较，计算马氏距离，判断马氏距离是否位于光谱阈值内，若是，确定第n 1号近红外光谱数据正常，若否，进行校正后重新测定第n 1号近红外光谱数据。
12.优选的是，还包括：检测暗箱，其顶端设置检测窗口，所述光谱仪设于所述检测暗箱内，所述检测暗箱内位于所述检测窗口下方由上至下依次设置聚光透镜、光源；黑白校正组件，其包括旋转设于所述检测暗箱内且位于所述检测窗口下方的圆盘、用于驱动所述圆盘转动的电机，所述圆盘上设有白板、黑板、贯穿设有通孔，其中，所述电机与所述黑白校正模块连接，用于控制电机旋转所述圆盘，以使所述白板、黑板、通孔选择性与检测窗口同轴设置。
13.优选的是，光源包括对称设置于检测窗口下方15-25mm位置的2只卤素铝制反射灯杯，每只反射灯杯中轴线与检测窗口中轴线呈55
°‑
65
°
。
14.优选的是，还包括：结果显示模块，其与指标预测模块连接，用于接收并显示预测结果。
15.优选的是，还包括：数据传输模块，其与指标预测模块连接，用于接收并将预测的指标数据传输至用户端。
16.本发明至少包括以下有益效果：第一、通过多维指标预测模型嵌入实现多维指标无损预测，系统设置黑白校正组件，并配套设置黑白校正模块，用于实现系统初始或检测中间阶段黑白校正，其中，检测中间的黑白校正依据平均光谱x和光谱阈值判断是否进行，满足校正需求的同时，避免过度校正费时费力；第二、对于获取的近红外光谱数据，利用一定区域近红外光谱波峰和波谷的反射率强度，提取光谱跳跃特征，保持模型建立的稳定性的同时提高模型建立的效率，同时提高后期检测待测样品配合预测的效率；第三、基于单个预测指标确定极小分辨率，综合多个指标确定光谱仪的最终极小分辨率，作为光谱适宜分辨率，以达到降低成本、优化检测仪器（光谱仪）体积的目的，同时在不降低检测准确率的条件下，简化检测操作条件的控制，特别是对于大批量样品多指标检测的情况下。
17.本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
18.图1为本发明的其中一种技术方案所述一体化肉品多指标快速无损检测系统的流程框图；
图2为本发明的其中一种技术方案所述一体化肉品多指标快速无损检测系统的流程框图；图3为本发明的其中一种技术方案所述一体化肉品多指标快速无损检测系统的结构示意图；图4为本发明的其中一种技术方案所述近红外光谱；图5为本发明的其中一种技术方案所述特征提取光谱。
19.附图标记为：1-检测窗口；2-圆盘；20-黑板；21-白板；22-通孔；3-聚光透镜；4-光源；5-光谱仪；6-工业平板；7-检测暗箱。
具体实施方式
20.下面结合实施例对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
21.如图1、3所示，本发明提供一种一体化肉品多指标快速无损检测系统，包括：光谱仪5，其用于获取待测样品的近红外光谱数据（近红外光谱）；工业平板6，其包括：模型嵌入模块，用于存储多个指标预测模型；模型确定模块，其与所述模型嵌入模块连接，用于在对待测样品检测应用时，根据待测样品的检测需求（需要确定的至少一个指标类型，其中，需要确定的至少一个指标类型包含于多个指标预测模型对应的多个预测指标涵盖范围内），用于调用至少一个指标预测模型，调用的至少一个指标预测模型与待测样品的检测需求匹配；指标预测模块，其与所述光谱仪5和模型确定模块连接，用于从光谱仪5接收待测样品的近红外光谱数据，并结合调用的至少一个预测模型，预测待测样品的指标数据；其中，所述光谱仪5的检测器元件的个数依据最终极小分辨率确定，且待测样品的近红外光谱数据采集过程中控制分辨率为最终极小分辨率，确定最终极小分辨率包括以下步骤：s1、基于不同的分辨率采集样品集中每个样品的光谱波长数据；s2、依据模型嵌入模块存储的多个指标预测模型确定多项预测指标，对于任一预测指标，在不同分辨率下，根据该分辨率下的光谱波长数据、与该预测指标对应的参比值，应用化学计量学的方法建立该预测指标在该分辨率下的指标预测模型，并确定指标预测模型的预测相关系数；s3、确定任一预测指标在不同分辨率下的预测相关系数对于分辨率的拐点，确定该拐点对应的分辨率为该预测指标的极小分辨率；s4、确定全部预测指标的极小分辨率中的最大值为最终极小分辨率。
22.在上述技术方案中，一体化肉品多指标快速无损检测系统可以安装在冷链车上、冷库内、超市内，其内存储的指标预测模型，可根据实际应用场景配套设置，满足对应应用场景的检测需求即可，且在装配完成后，也可根据后期检测需求在满足最终极小分辨率检测需求的基础上，进行新的指标预测模型的嵌入，光谱仪5的响应范围为400-1000nm和/或900-1700 nm，主要依据储存储的多个指标预测模型对应的预测指标确定，且若含900-1700nm光谱仪5，系统将配备tec制冷及风扇散热；所述光谱仪5的检测器元件的个数依据最
终极小分辨率确定，具体的例如若确定900-1700 nm波段的极小分辨率为32nm，则光谱仪5检测器的元件个数可以缩减至25个，即当预测指标确定，可依据最终极小分辨率确定最优的光谱仪5检测器的元件个数；其中，化学计量学的方法具体可为最小二乘回归或支持向量机回归算法中的一种；采用这种技术方案，通过多维指标预测模型嵌入实现多维指标无损预测，且基于单个预测指标确定极小分辨率，综合多个指标确定光谱仪5的最终极小分辨率，作为光谱适宜分辨率，以达到降低成本、优化检测仪器体积的目的，同时在不降低检测准确率的条件下，简化检测操作条件的控制，特别是对于大批量样品多指标检测的情况下。
23.在另一种技术方案中，依据多个指标预测模型确定多项预测指标为肉色、嫩度、系水力、ph、蛋白质含量、脂肪含量、水分、菌落总数、挥发性盐基氮、ufa、必需氨基酸总量、生物胺中的至少3种，即一体化肉品多指标快速无损检测系统存储的指标预测模型至少满足对3种指标的测定，实现多指标快速无损检测；其中，当预测指标为肉色、系水力、水分时，采集波段为400-1050nm；当预测指标为嫩度、ph、蛋白质含量、脂肪含量时，采集波段为900-1700nm；当预测指标为菌落总数、挥发性盐基氮、ufa、必需氨基酸总量、生物胺时，采集波段为400-1050nm、900-1700nm；当多项预测指标对应的采集波段同时包括400-1050nm、900-1700nm，将多项预测指标分为采集波段包括400-1050nm的a组和采集波段包括900-1700nm的b组，分别确定a组对应的全部预测指标在400-1050nm采集波段的最终极小分辨率、b组对应的全部预测指标在900-1700nm采集波段的最终极小分辨率。在上述技术方案中，光谱仪5的配置依据为：（1）单检测器d1，响应范围（采集波段）：400-1050nm；可预测指标包括肉色、系水力、水分；（2）单检测器d2，响应范围（采集波段）：900-1700nm；可预测指标包括嫩度、ph值、蛋白质含量、脂肪含量；（3）双检测器，其为单检测器d1和单检测器d2的集合，可预测指标包括肉色、系水力、水分、嫩度、ph值、蛋白质含量、脂肪含量、菌落总数、挥发性盐基氮、ufa、必需氨基酸总量、生物胺；采用这种方案，用于确定光谱仪5的配置。
24.在另一种技术方案中，再对a组和b组的预测指标对应的最终极小分辨率进行测定的过程中，对于a组：a1、在0.4-8nm的分辨率范围内，间隔设置不同的分辨率；a2、确定a组的预测指标是否包括菌落总数、挥发性盐基氮、ufa、必需氨基酸总量、生物胺中的一种；a3、若否，基于不同的分辨率采集样品集中每个样品的光谱波长数据（采集波段为400-1050nm），对于任一预测指标，在不同分辨率下，根据该分辨率下的光谱波长数据、与该预测指标对应的参比值，应用化学计量学的方法建立该预测指标在该分辨率下的指标预测模型，并确定指标预测模型的预测相关系数，确定任一预测指标在不同分辨率下的预测相关系数对于分辨率的拐点，确定该拐点对应的分辨率为该预测指标的极小分辨率；a4、若是，对于采集波段为400-1050nm的预测指标同上（a3）确定极小分辨率，对于菌落总数、挥发性盐基氮、ufa、必需氨基酸总量、生物胺中的任一种，确定极小分辨率的方法包括：
a4a、基于不同的分辨率采集样品集中每个样品的光谱波长数据（采集波段为400-1050nm），同步在设定分辨率下采集波段范围为900-1700nm，设定分辨率为根据预测指标和本领域技术人员的经验设定，可多次测试确定；a4b、将400-1050nm、900-1700nm的近红外光谱数据进行光谱融合，得到覆盖波长为400-1700nm的近红外光谱数据，并确定指标预测模型的预测相关系数；a4c、确定对应预测指标在不同分辨率下的预测相关系数对于分辨率的拐点，确定该拐点对应的分辨率为该预测指标的极小分辨率；对于b组：b1、在15-45nm的分辨率范围内，间隔设置不同的分辨率；b2、确定b组的预测指标是否包括菌落总数、挥发性盐基氮、ufa、必需氨基酸总量、生物胺中的一种；b3、若否，基于不同的分辨率采集样品集中每个样品的光谱波长数据（采集波段为900-1700nm），对于任一预测指标，在不同分辨率下，根据该分辨率下的光谱波长数据、与该预测指标对应的参比值，应用化学计量学的方法建立该预测指标在该分辨率下的指标预测模型，并确定指标预测模型的预测相关系数，确定任一预测指标在不同分辨率下的预测相关系数对于分辨率的拐点，确定该拐点对应的分辨率为该预测指标的极小分辨率；b4、若是，对于采集波段为900-1700nm的预测指标同上确定极小分辨率，对于菌落总数、挥发性盐基氮、ufa、必需氨基酸总量、生物胺中的任一种，确定极小分辨率的方法包括：b4a、基于不同的分辨率采集样品集中每个样品的光谱波长数据（采集波段为900-1700nm），同步在设定分辨率下采集波段范围为400-1050nm，设定分辨率为根据预测指标和本领域技术人员的经验设定，可多次测试确定；b4b、将400-1050nm、900-1700nm的近红外光谱数据进行光谱融合，得到覆盖波长为400-1700nm的近红外光谱数据，并确定指标预测模型的预测相关系数；b4c、确定对应预测指标在不同分辨率下的预测相关系数对于分辨率的拐点，确定该拐点对应的分辨率为该预测指标的极小分辨率。采用这种方案，针对不同的采集波段，确定不同的分辨率范围，在该分辨率范围内，确定该采集波段对应的预测指标的极小分辨率，其中对于覆盖波长为400-1700nm进行分段确定，提高整个装置测定的准确性，避免不相关采集波段对检测结果准确率的影响。
25.在另一种技术方案中，每个指标预测模型构建的方法包括以下步骤：确定样本集，测定样品集中每个样品对应每项预测指标的参比值，其中，所述样本集中样本的属性与待测样品的属性相同，具体的：牛肉样品的属性为牛属，猪肉样品的属性为猪属，羊肉样品的属性为羊属等，即依据属性划分肉品可分为猪、牛、羊、鸡、鸭、鹅、等，对于每项预测指标参比值确定的方法具体参考下表1记载：表1 肉品指标参比值测定方法汇总
依据多项预测指标确定采集波段，采集样品集中每个样品在对应采集波段的近红外光谱数据，其中，当预测指标包括菌落总数、挥发性盐基氮、ufa、必需氨基酸总量、生物胺中的至少一种时，对于对应的预测指标，将400-1050nm、900-1700nm的近红外光谱数据进行光谱融合，得到覆盖波长为400-1700nm的近红外光谱数据；每个近红外光谱数据按照波长由小至大计算相邻波峰和波谷之间的反射率差值并依次排序，构建以排序数为横坐标，反射率差值为纵坐标的特征提取光谱；对于任一项预测指标，根据特征提取光谱、与该预测指标对应的参比值，应用化学计量学的方法建立与该预测指标对应的指标预测模型；其中，所述工业平板6还包括光谱处理模块，其与光谱仪5连接，用于将获取的近红外光谱数据转换为特征提取光谱；指标预测模块，其与光谱处理模块和模型确定模块连接，用于接收待测样品的特征提取光谱，并结合调用的预测模型，预测待测样品的指标数据。在上述技术方案中，以确定要调用的预测模型包括与蛋白质含量对应的预测模型、与脂肪含量对应的预测模型、与菌落总数对应的预测模型为例；预测指标的预测方法包括两种，具体如下：第一种，当调用的预测模型构建过程中使用的是近红外光谱数据时；当预测指标为蛋白质含量，用900-1700mm范围内的近红外光谱数据，并结合调用的与蛋白质含量对应的预测模型，预测待测样品的蛋白质含量；当预测指标为脂肪含量，用900-1700mm范围内的近红外光谱数据，并结合调用的与脂肪含量对应的预测模型，预测待测样品的脂肪含量；当预测指标为菌落总数，将400-1050nm、900-1700nm的近红外光谱数据进行光谱融合，得到覆盖波长为400-1700nm的近红外光谱数据，并结合调用的与菌落总数对应的预测模型，预测待测样品的脂肪含量；
第二种，当调用的预测模型构建过程中使用的是特征提取光谱时；当预测指标为蛋白质含量，用900-1700mm范围内的特征提取光谱，并结合调用的与蛋白质含量对应的预测模型，预测待测样品的蛋白质含量；当预测指标为脂肪含量，用900-1700mm范围内的特征提取光谱，并结合调用的与脂肪含量对应的预测模型，预测待测样品的脂肪含量；当预测指标为菌落总数，将400-1050nm、900-1700nm的近红外光谱数据进行光谱融合，得到覆盖波长为400-1700nm的近红外光谱数据，而后依据覆盖波长为400-1700nm的近红外光谱数据获取对应的特征提取光谱，并结合调用的与菌落总数对应的预测模型，预测待测样品的脂肪含量。采用这种方案，第二种相对于第一种，对于获取的近红外光谱数据，利用一定区域近红外光谱波峰和波谷的反射率强度，提取光谱跳跃特征，保持模型建立的稳定性的同时提高模型建立的效率，同时提高后期检测待测样品配合预测的效率。
26.在另一种技术方案中，所述样本集的样品和待测样品为同属样品，所述样本集的样品的品种包括至少3个，每个品种的样品至少包括5种月龄，每种月龄的样品至少包括5个部位，每个部位的样品至少包括宰后45min、24h、72h、120h时间点。在上述技术方案中，所述样本集的样品的品种包括至少3个，每个品种的样品至少包括5种月龄，每个品种对应的每种月龄的样品至少包括5个部位，每个品种、每种月龄对应的每个部位的样品至少包括宰后45min、24h、72h、120h时间点，采用这种方案，解决传统多数肉品质预测模型仅是基于某一批同质化程度较高的样品集构建，即基于单一品种、单一月龄、单一部位肉、单一时间取样构建的样品集，使得构建的预测模型的适用性和鲁棒性都有一定的限制，在一定程度上限制了近红外光谱技术在肉品品质预测领域的应用，也限制了肉品质无损检测系统的在线化和实用性，相反，在样本集确认过程中，确定样本集的全面，提高肉品质无损检测系统的实用性。
27.在另一种技术方案中，所述工业平板6还包括：校正参考模块，其内存储与待测样品同属的样品的平均光谱x、光谱阈值，其中，基于至少1000条与待测样品同属的样品的近红外光谱数据（标准的近红外标准数据，具体为未产生便宜）计算平均光谱x、极低反射率光谱m和极高反射率光谱m，由平均光谱x、极低反射率光谱m、极高反射率光谱m确定光谱阈值；黑白校正模块，其与所述校正参考模块和光谱仪5连接，用于当光谱仪5连续获取待测样品的近红外光谱数据至设定次数n后，获取第n 1号近红外光谱数据，将第n 1号近红外光谱数据与平均光谱x比较，计算马氏距离，判断马氏距离是否位于光谱阈值内，若是，确定第n 1号近红外光谱数据正常，光谱仪5以n 1号为第1号，继续连续获取待测样品的近红外光谱数据至设定次数n后，在判断；若否，进行校正后重新测定第n 1号近红外光谱数据。在上述技术方案中，黑白校正模块还用于初始校正，n优选为45-55，进一步优选为50，采用这种方案，系统设置黑白校正组件，并配套设置黑白校正模块，用于实现系统初始或检测中间阶段黑白校正，其中，检测中间的黑白校正依据平均光谱x和光谱阈值判断是否进行，满足校正需求的同时，避免过度校正费时费力。
28.在另一种技术方案中，如图2-3所述的一体化肉品多指标快速无损检测系统，还包括：检测暗箱7，所述光谱仪5设于所述检测暗箱7内；
检测窗口1，其为设于所述检测暗箱7的顶端；光源4，其以一定角度呈对称状态置于检测窗口1下方；聚光透镜3，其设于光源4与检测窗口1之间；黑白校正组件，其包括旋转设于所述检测暗箱7内且位于所述检测窗口1下方的圆盘2、用于驱动所述圆盘2转动的电机，所述圆盘2上设有白板21、黑板20、贯穿设有通孔22；其中，所述电机与所述黑白校正模块连接，用于控制电机旋转所述圆盘2，以使所述白板21、黑板20、通孔22选择性与检测窗口1同轴设置。在上述技术方案中，所述检测暗箱7优选为立方体形，所述检测窗口1为直径约为40mm圆形，检测窗口1材质为石英玻璃片，与设备外壳平齐，检测窗口1包含两个作用：既是待测样品放置的平台，也是待测样品光谱信息采集窗口，光源4以一定的角度照射在样品上，并通过聚光透镜3将漫反射光收集在一起，传送给光谱仪5，黑白校正组件用于配合黑白校正模块连接实现系统初始黑白校正和中间黑白校正，所述通孔22半径大于检测窗口1半径，当进行待测样品近红外光谱数据采集的过程中，电机带动所述圆盘2转动是通孔22与所述检测窗口1同轴设置，当进行白板21校正的过程中，电机带动所述圆盘2转动是白板21与所述检测窗口1同轴设置，当进行白板21校正的过程中，电机带动所述圆盘2转动是黑板20与所述检测窗口1同轴设置；聚光透镜3设于光源4与检测窗口1之间，用于将待测样品反射或反射回来的光谱汇聚、准直后，使得待测样品反射光谱信息尽可能的被放射进入光谱仪5的狭缝中，起到提高信噪比、减少光谱仪5工作时曝光时间的作用；使用过程中，包括以下步骤：（1）接通系统电源；（2）将待测样品置于检测窗口1上；（3）在工业平板6的操作屏上操作开始检测，具体包括以下步骤：打开工业平板6上的检测软件，自动检测各个硬件及各个模块的连接情况，正常后，选择待测样品的属性，预测指标；系统根据设定的待测样品的属性、预测指标的指标数量及范围确定要选用单检测器d1、单检测器d2、双检测器（单检测器d1和单检测器d2），其中，若预测指标包括肉色、系水力、水分中的一种，选用单检测器d1；若预测指标包括嫩度、ph值、蛋白质含量、脂肪含量中的一种，选用单检测器d2；若预测指标包括菌落总数、挥发性盐基氮、ufa、必需氨基酸总量、生物胺，选用双检测器，且对于该类型指标确定要选择调用光谱融合算法进行光谱融合；如下以预测指标包括蛋白质含量、脂肪含量、菌落总数为例，选用双检测器；根据确定的检测样品及预测指标，确定要调用的预测模型（与蛋白质含量对应的预测模型、与脂肪含量对应的预测模型、与菌落总数对应的预测模型），启动模型嵌入模块将相关预测模型的数据掉入缓存中；首次开始时，点击“开始检测”按键，进行初始黑白校正，调用黑白校正模块进行初始化的黑白参考校正；利用检测器d1获取待测样品在采集波段为的400-1050mm范围内的近红外光谱数据，其中，采集过程中，检测器d1的分辨率为采集波段400-1050nm的最终极小分辨率；利用检测器d2获取待测样品在采集波段为的900-1700mm范围内的近红外光谱数据其中，采集过程中，检测器d2的分辨率为采集波段900-1700mm的最终极小分辨率；依据待测样品的近红外光谱数据，并结合调用的至少一个预测模型，预测待测样
拐点32nm32nm 预测指标菌落总数挥发性盐基氮生物胺拐点26nm32nm40nm步骤二，基于极小分辨率确定光谱仪的检测器元件的个数，构建一体化肉品多指标快速无损检测系统，其中，系统的工业平板中的模型嵌入模块中存储与肉色、系水力、蛋白质含量、脂肪含量、水分、菌落总数、挥发性盐基氮、生物胺一一对应的指标预测模型，其中，对于任一预测指标，其指标预测模型构建的方法为：2.1、样本的选取选取3个品种的羊，分别随机选取不同月龄的羊各5只，屠宰后的羊胴体分别采集宰后45min、24h、72h、120h时间点的羊牡蛎、米龙、霖肉、外脊、腹腩肉部位肉样品，作为样本集；2.2、以对应的最终极小分辨率为采集分辨率，分别获取每个样本在400-1050nm、900-1700nm采集波段的近红外光谱数据，并依据在400-1050nm、900-1700nm采集波段的近红外光谱数据融合获得样本在400-1700nm波长范围内的近红外光谱数据；2.3、测定每个样品与多维指标对应的参比值，具体每个样品获得的参比值包括：肉色、系水力（蒸煮损失）、蛋白质含量、脂肪含量、水分、菌落总数、挥发性盐基氮含量、生物胺含量；2.4、对于每个样品对应近红外光谱数据，每个近红外光谱数据按照波长由小至大计算相邻波峰和波谷之间的反射率差值并依次排序，构建以排序数为横坐标，反射率差值为纵坐标的特征提取光谱，如图4-5所示，以400-1050nm采集波段的近红外光谱数据为例，相邻波峰和波谷构成峰谷对，如下表4所示：表4 特征提取光谱相关数据在上述表4中，反射率差值范围为在对应的峰谷对条件下，全部近红外光谱数据对应改的反射率差值的范围；2.5、对于任一项预测指标，根据特征提取光谱、与该预测指标对应的参比值，应用化学计量学的方法建立与该预测指标对应的指标预测模型；2.6、将构建指标预测模型嵌入到一体化肉品质检测系统的模型嵌入模块中；2.6；对于待测样品，其中，待测样品为2个，分别为样品1（宁夏滩羊、8月龄、宰后45 min、外脊部位肉）；样品2（宁夏滩羊、8月龄、宰后45 min、米龙部位肉）；当预测指标为肉色、系水力、水分时，用400-1050mm范围内的特征提取光谱，并结合调用的与肉色、系水力、水分对应的预测模型，预测待测样品的肉色、系水力、水分；
当预测指标为蛋白质含量、脂肪含量时，用900-1700mm范围内的特征提取光谱，并结合调用的与蛋白质含量、脂肪含量对应的预测模型，预测待测样品的蛋白质含量、脂肪含量；当预测指标为菌落总数、挥发性盐基氮、生物胺，用400-1700nm范围内的特征提取光谱，并结合调用的与菌落总数、挥发性盐基氮、生物胺对应的预测模型，预测待测样品的菌落总数、挥发性盐基氮、生物胺；基于光谱特征，利用化学计量学技术，构建羊肉样品蛋白质含量无损定量预测模型。
33.待检测羊肉样品，获取其近红外光谱数据，利用羊肉样品蛋白质含量无损定量预测模型确定其蛋白含量，具体如下表5所示：表5 采用实施例1的方法对样品1和样品2的指标预测值与参比值的比较《对比例1》肉品多指标快速无损检测方法，包括以下步骤：步骤一、确定极小光谱分辨率，同实施例1的步骤一；步骤二，基于极小分辨率确定光谱仪的检测器元件的个数，构建一体化肉品多指标快速无损检测系统，其中，系统的工业平板中的模型嵌入模块中存储与肉色、系水力、蛋白质含量、脂肪含量、水分、菌落总数、挥发性盐基氮、生物胺一一对应的指标预测模型，其中，对于任一预测指标，其指标预测模型构建的方法为：2.1、样本的选取，同《实施例1》的2.1；2.2、同《实施例1》的2.2；2.3、同《实施例1》的2.3；不进行《实施例1》的步骤2.4；2.5、对于任一项预测指标，根据近红外光谱数据、与该预测指标对应的参比值，应用化学计量学的方法建立与该预测指标对应的指标预测模型；2.6、将构建指标预测模型嵌入到一体化肉品质检测系统的模型嵌入模块中；2.6；对于待测样品当预测指标为肉色、系水力、水分时，用400-1050mm范围内的近红外光谱数据，并结合调用的与肉色、系水力、水分对应的预测模型，预测待测样品的肉色、系水力、水分；当预测指标为蛋白质含量、脂肪含量时，用900-1700mm范围内的近红外光谱数据，
并结合调用的与蛋白质含量、脂肪含量对应的预测模型，预测待测样品的蛋白质含量、脂肪含量；当预测指标为菌落总数、挥发性盐基氮、生物胺，用400-1700nm范围内的近红外光谱数据，并结合调用的与菌落总数、挥发性盐基氮、生物胺对应的预测模型，预测待测样品的菌落总数、挥发性盐基氮、生物胺；具体如下表6所示：表6 采用对比例1的方法对样品1和样品2的指标预测值与参比值的比较根据表5和表6记载可知，采用实施例1方法预测样品指标数据与采用对比例1的方法预测，结果相当。
34.尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。