脆性是用来评估食品质量非常重要的一个指标,能够表征其新鲜程度、口感与成熟度等。但目前评估食品脆性常常采用感官评定的方法,具有一定的局限性。而本文利用质构仪压缩食品,采集食品断裂时的声音信号,对采集的信号进行去噪,对有用信号进行时域分析与频域分析,提取特征值,利用BP神经网络构建食品脆性预测模型,并最终开发图形用户界面(GUI)完善、便捷食品脆性预测流程。本研究为食品脆性评价提供了一种客观、快速、便捷、经济的方法。本文主要研究内容及结论如下:1.试验材料方法的选择以及试验参数的优化根据试验目的,选取了样品,设计了食品断裂声音采集系统。通过单因素试验对试验参数进行了优化。试验参数包括声源与传感器的距离、探头、测试模式、测试速度、测试距离、触发点负载、样品预处理方法等。通过试验选取声源与传感器的距离为4cm,探头选取TA7剪切刀片,测试模式选取单次压缩,测试速度选择lmm/s,测试距离6mm,触发点负载为0.1N,样品制备时选取长、宽、高分别为2cm*cm=1*lcm的长方块,使质构仪探头垂直食品纤维组织进行破碎;为了设置脆度梯度,对样品进行烘干处理,设置烘干箱温度为60℃,烘干时间水平为5min和1Omin,最终得到土豆10个水分梯度,地瓜8个水分梯度,胡萝卜7个水分梯度,白萝卜7个水分梯度;对脆性表征参数进行了选择,从力学曲线中提取断裂性(第一个峰的值)、曲线长度、曲线与坐标轴围成面积、最高峰(硬度值)与所有峰平均值的比值为特征值与感官值的相关性进行比较,相关系数分别为:0.97、0.90、0.87和0.83,最终选取断裂性为食品脆度的表征参数。2.食品断裂声音信号的采集与去噪利用质构仪破碎食品,声音传感器连接电脑,根据采集到的声音信号频率特征,采样频率设为44100Hz,选用单声道,采样位数为16bit,用AdobeAuditon3.0软件采集声音信号。分别利用小波去噪和谱减法两种方法对采集到的声音信号进行消噪并比较。小波去噪选用默认阈值消噪法,利用MATLAB的ddencmp函数获得信号默认阈值,选用db2小波基,对原始声音信号进行8层小波分解,最终对信号进行重构;谱减法选取食品断裂声音信号的前20帧为“寂静帧”。将消噪后的声音信号选取SNR和RMSE两个指标对两种方法进行比较,结果表明谱减法优于小波去噪,谱减法消噪后声音信号的SNR最高能达到37.07db,最低为17.14db。3。食品断裂声音信号特征值的提取与分析(1)在时域上,选取信号强度、最大短时帧能量、幅值差、脉冲因子、波形指标和衰减时间6个特征值,其中信号强度、最大短时帧能量、幅值差、波形指标4个特征值与断裂性有较好的相关性。(2)通过傅里叶变换(FFT)对频域特征进行提取。利用Welch法对样品断裂的声音信号进行功率谱密度估计,提取功率谱密度特征、功率谱密度最大峰值、功率谱密度最大峰值所在频率值,与样品断裂性进行相关性分析。分析发现功率谱密度特征和功率谱密度最大峰值与食品脆度均有较好的相关性,四种样品的R2分别为0.91、0.88、0.85、0.98 和 0.89、0.72、0.89、0.93。(3)通过希尔伯特黄变换(HHT)对频域特征进行提取。分析发现,通过经典模态分解(EMD)得到的前8阶固有模态函数(IMF)能量与食品脆性有较好的相关性,能较好描述食品脆性特征。故提取前8阶IMF进行边际谱分析,提取边际谱特征、边际谱最大峰值、边际谱最大峰值所在频率值,与样品断裂性进行相关性分析。结果表明,边际谱特征和边际谱最大峰值与食品脆度有较好的相关性。四种样品的R2分别为0.90、0.84、0.95 和 0.95 和 0.92、0.88、0.89、0.91。4.食品断裂声音特征值的筛选、建模以及脆度的预测。(1)利用系统聚类分别对时域、FFT频域和HHT频域特征值进行了筛选。在综合时域与FFT频域特征值进行筛选时选取特征值为:功率谱密度最大值、幅值差和波形指标;综合时域与HHT频域特征值筛选时发现,选取特征值为:边际谱特征、幅值差和波形指标。(2)利用多元线性回归分别基于时域与FFT频域以及时域与HHT频域特征值进行建模,并对四种蔬菜的脆性进行预测。预测结果表明,四种蔬菜综合预测时效果并不理想,平均相对误差均大于5%;土豆、地瓜、胡萝卜、白萝卜、土豆-地瓜、胡萝卜-白萝卜模型预测效果较为理想,平均误差均在5%以下。多数基于时域与HHT频域特征值预测结果平均误差小于基于时域与FFT频域特征值预测结果。(3)利用BP神经网络分别基于时域与FFT频域以及时域与HHT频域特征值进行建模,对四种蔬菜的脆性进行预测。结果表明,土豆、地瓜、胡萝卜、白萝卜、土豆-地瓜、胡萝卜-白萝卜模型预测效果较为理想,平均误差均在5%以下,四种蔬菜综合预测时效果并不理想,平均相对误差均大于5%,多数基于时域与HHT频域特征值预测结果平均误差小于基于时域与FFT频域特征值预测结果。(4)对FFT频域以及HHT频域两种频域分析方法以及两种建模方法的比较。综合而言,无论单一样品模型还是综合模型,BP神经网络预测结果优于多元线性回归模型预测结果,基于时域-HHT频域预测结果优于基于时域-FFT频域预测结果。当基于时域-HHT频域,利用BP神经网络对单一样品进行建模时,选取阈值5%时,除胡萝卜预测正确率达90%外,其他三种样品均能达100%。故本文选用基于时域-HHT频域特征值的BP神经网络法对四种蔬菜的脆度进行预测。5.利用MATLAB平台,开发了四种蔬菜的脆性检测系统。界面主要分为波形图、信号分析、特征值以及脆性预测四个模块,结合了傅里叶变换、希尔伯特黄变换、BP神经网络等技术,能够实现食品断裂声音信号的读入、预处理、时域分析、频域分析、特征提取,最终对四种蔬菜脆度进行定量检测。