排序方式: 共有8条查询结果,搜索用时 0 毫秒
1
1.
基于离散元法的牛肉咀嚼破碎模型构建 总被引:3,自引:3,他引:0
为了实现准确、便捷、客观地牛肉嫩度分级检测。该文利用离散单元法构建牛肉块在口腔中咀嚼破碎模型,并进行仿真模拟。研究中选取50头牛的眼肉作为试验样品,30头牛用于构建模型,20头牛用于验证仿真模型的准确性。试验牛样品在75~80℃的恒温水浴中加热至样品内部温度达到70℃时取出,冷却至室温(20℃)。利用质构仪测得牛肉样品的剪切模量、法向刚度等参数,同时测得密度、碰撞恢复系数、摩擦系数等构建离散元模型需要的相关参数。利用测得的参数构建牛肉咀嚼破碎的离散元仿真模型。将咀嚼破碎的牛肉微颗粒作为离散单元模拟仿真中的最小单位,利用Hertz-Mindlin with bonding模型中的颗粒体积力将牛肉块替换为微颗粒黏结的颗粒簇。在咀嚼作用下,当任意2个微颗粒之间的法向应力和切向应力超过最大极限值时,颗粒簇就开始破碎,仿真牛肉的咀嚼破碎过程。研究中利用离散元模拟仿真4个咀嚼周期并记录力和牛肉颗粒的变化。采用感官评定法和剪切力测定分别验证仿真的准确性,准确率都达到90%。研究表明,利用离散元模拟仿真能有效地实现牛肉嫩度等级的预测评定,为牛肉嫩度品质检测提供新方法。 相似文献
2.
利用传感器阵列对玉米饮料滋味在模糊信息层面上实现自动化鉴评.针对玉米饮料滋味感官鉴评的不同剖面引入权值概念,利用云模型实现定性定量信息的转换和完成综合云模型基于权值差异的调整.分析传感器对玉米饮料滋味感官鉴评甜味、酸甜味、人口风味3个剖面的敏感度差异.在构建的模糊神经网络中,将针对特定剖面敏感的传感器阵列采集信息作为输入,感官鉴评云模型转化的信息作为输出,训练模糊神经网络,以得到的模糊化层中心值、模糊化层节点宽度值和模糊决策层调节参数来确定网络结构.预测分析结果表明,该系统在玉米饮料滋味模糊信息的鉴评过程中,误差率在0.002 43~0.091 77之间,效果良好. 相似文献
3.
4.
5.
基于颜色传感器和遗传算法的牛肉系水力快速检测 总被引:1,自引:0,他引:1
为了实现快速检测牛肉系水力,解决肉制品系水力检测不便的问题,该文研究了基于颜色传感器和遗传算法的牛肉系水力快速检测方法。优化了变色试纸与牛肉样品的最佳贴附时间,使用Arduino控制器操控颜色传感器采集试纸颜色参数;将80组牛肉样品分成60个训练组和20个验证组,应用遗传算法优化BP神经网络模型。研究结果表明:在系水力试纸的尺寸为5 cm×2 cm、氯化钴浸泡液浓度为3 g/mL的条件下,得到试纸最佳贴附时间为20 s;经遗传算法优化BP神经网络后,最佳线性回归方程的斜率为0.96,相关系数R~2为0.987,优化后的神经网络模型对系水力等级的预测准确率从90%提高到95%;将检测时间降低到1 min之内,实现了对牛肉系水力等级的快速检测。该研究为进一步开发智能化的肉制品系水力快速检测设备提供了理论依据。 相似文献
6.
7.
为了实现对牛肉嫩度品质的快速无损检测和评价。该文选取60头牛的眼肌部位作为试验样本,经在75~80℃的水浴中加热并煮至肉的内部温度达到70℃后取出,冷却至室温(20℃)。利用质构仪测得牛肉黏力、黏性、弹力、弹性长度、内聚性、弹性、胶着性和咀嚼性等质构特性参数,并分析各参数与牛肉嫩度等级之间的相关性,黏力和黏性与牛肉嫩度的相关性较低,相关系数为0.246和0.096;弹力、弹性长度、内聚性、弹性、胶着性和咀嚼性与牛肉嫩度相关性较大,且成负相关,说明上述流变学参数值会随着牛肉嫩度等级的增大而下降,相关系数为-0.92、-0.939、-0.771、-0.776、-0.815、-0.882。结合感官评定法构建BP网络模型、RBF网络模型和自组织竞争神经网络模型,用其预测牛肉嫩度等级,3种模型训练误差均为1×10-6。另选取20头牛的背最长肌中间部位作为测试样本,对3种网络模型进行比较分析。研究结果证明,自组织竞争神经网络预测模型较为准确,预测牛肉嫩度等级的准确率达到90%,说明此方法能够准确地对牛肉嫩度等级进行评定,研究结果为未来牛肉嫩度评定方法提供参考。 相似文献
8.
为了快速辨识不同味觉品质的牛肉汁,对牛肉味觉品质等级进行划分,构建了由12个离子电极与1个参比电极组成的味觉传感器阵列,将该阵列应用于牛肉汁的等级辨识中,评价30组牛肉汁样品味觉品质等级。采用基于欧氏距离的聚类分析方法划分牛肉味觉品质等级。针对牛肉汁味觉品质评价自动化关键技术问题,对用于牛肉汁等级评价的传感器阵列进行了筛选优化。采用单因素方差分析对各离子电极响应信号之间的内在关联进行了研究,根据优化结果选择S1、S2、S5、S7、P2、P3离子电极构建新的传感器阵列,并对30组牛肉汁进行评价。试验结果表明:优化后的传感器阵列对牛肉汁的等级评定正确率为93.33%,高于未经优化的传感器阵列的等级评定正确率(80.00%)。 相似文献
1