一種基于高光譜成像技術的冷鮮肉品質無損檢測方法技術

本發明專利技術公開了一種基于高光譜成像技術的冷鮮肉品質無損檢測方法，首先采集并制備大量的冷鮮肉樣本，采用高光譜成像系統采集各個冷鮮肉樣本的高光譜數據；然后，根據國標要求采用物理化學方法測得各個冷鮮肉樣本被測品質指標的物理化學參照值；最后結合機器學習和化學計量學等數據處理方法采用得到的冷鮮肉高光譜數據和物理化學參照值數據建立冷鮮肉被測品質指標的高光譜預測模型。采用本發明專利技術方法檢測牛肉TVB?N含量時，用MCS法剔除冷鮮牛肉異常樣本后，采用CG算法劃分冷鮮牛肉樣本集，采用CARS算法優選冷鮮牛肉TVB?N含量特征波段建立PLSR模型，模型達到很好的預測性能。

【技術實現步驟摘要】

本專利技術屬于冷鮮肉品質檢測
，尤其涉及一種基于高光譜成像技術的冷鮮肉品質無損檢測方法。
技術介紹
長期以來，冷鮮肉因含有人體所需的脂肪，蛋白質，維生素等營養物質而在中國居民的膳食消費結構中占據著重要地位。因此，冷鮮肉的品質安全是關系國計民生的大事，做好冷鮮肉的品質檢測對于保障居民的食肉安全有著重要的意義。然而，目前冷鮮肉的品質檢測主要停留在感官評價和理化分析階段，而感官評判的結果主觀性強，易受到個人經驗、性別、精神狀態、身體狀況、地域環境等因素的干擾，一致性差；理化分析方法雖然檢測精度高、結果客觀可信，但是會破壞被測樣本、步驟繁瑣、檢測時間長、費用高。因此，感官評價和理化分析方法均不利于冷鮮肉產品的無損快速檢測。綜上所述，目前冷鮮肉的品質檢測存在一致性差，步驟繁瑣，檢測時間長，費用高等問題。
技術實現思路
本專利技術的目的在于提供一種基于高光譜成像技術的冷鮮肉品質無損檢測方法，旨在解決目前冷鮮肉的品質檢測存在一致性差，步驟繁瑣，檢測時間長，費用高等問題。本專利技術是這樣實現的，一種基于高光譜成像技術的冷鮮肉品質無損檢測方法，所述基于高光譜成像技術的冷鮮肉品質無損檢測方法包括以下步驟：首先采集并制備大量的冷鮮肉樣本，采用高光譜成像系統采集各個冷鮮肉樣本的高光譜數據；然后，根據國標要求采用物理化學方法測得各個冷鮮肉樣本被測品質指標的物理化學參照值；最后結合機器學習和化學計量學數據處理方法采用得到的冷鮮肉高光譜數據和物理化學參照值數據建立冷鮮肉被測品質指標的高光譜預測模型。進一步，所述高光譜預測模型為采用偏最小二乘回歸法建立的偏最小二乘回歸模型；該偏最小二乘回歸建模和預測方法包括：1)對光譜吸光度矩陣X和理化參照值矩陣Y進行特征分解：所述光譜吸光度矩陣X和理化參照值矩陣Y分別為：X＝TP+E，Y＝UQ+F；其中，T為X的特征因子矩陣(又叫得分矩陣)，U為Y的特征因子矩陣；P為X載荷矩陣，Q為Y載荷矩陣；E為X的殘差矩陣，F為Y的殘差矩陣；2)建立特征因子矩陣T和U的多元線性回歸模型，如式(1)所示；U＝TB+Ed(1)；其中，Ed為誤差矩陣，B為回歸系數矩陣，B的求解如式(2)所示；B＝(T'T)-1T'U(2)；3)對未知樣本的預測公式如式(3)所示；y＝x(U'X)'BQ(3)；其中，x為未知樣本的光譜，y為未知樣本的濃度預測值。進一步，高光譜成像系統采集黑白圖像以對采集到的樣本高光譜圖像做黑白校正，黑白校正公式為:其中，I為黑白校正后的圖像，I0為原始圖像，Iw為白板圖像，Ib為黑板圖像。進一步，基于高光譜成像技術的冷鮮肉品質無損檢測方法進一步包括：光譜維數據提取，異常樣本檢測與剔除，樣本集劃分，光譜預處理，建模方法，特征波段提取；在從高光譜數據中提取樣本的光譜維數據時，先選擇一個感興趣區域，區域大小為5000像素，計算感興趣區域內各像素點光譜的平均值，把該平均值看作該樣本的光譜維數據；按照同樣的方式，提取出各樣本的光譜維數據存放在矩陣X中；矩陣X的每一列代表一個波長點處的反射光譜值，每一行代表一個樣本；采用蒙特卡洛異常樣本檢測方法檢測冷鮮肉的異常樣本；校正集和測試集的選擇；光譜預處理方法去除光譜信號中的噪聲信號；采用競爭性自適應重加權算法提取特征波段建模。進一步，采用蒙特卡洛異常樣本檢測方法檢測冷鮮肉的異常樣本具體步驟包括：a)將樣本集總體作為校正集，建立偏最小二乘回歸模型或主成分回歸模型，依據RMSECV最小的原則確定建模回歸模型的最佳主成分數；b)樣本集劃分，采用蒙特卡洛方法，從樣本集總體中隨機選取70％～90％的樣本作為校正集，剩余的樣本作為測試集；c)采用步驟b)所得校正集樣本，結合步驟a)所得的最佳主成分數，建立回歸模型；d)采用步驟c)所得模型對步驟b)樣本劃分所得測試集進行預測，進而求得測試集中各個樣本的預測誤差；e)重復執行步驟b)～d)n次；n足夠大，使每個樣本都能被多次選中作為預測集樣本；n取值越大，該方法所得檢測結果越穩定可靠；f)經過n次隨機過程，得到每個樣本的若干個預測誤差值，進而得各樣本預測誤差的統計特征參數；所述統計特征參數包括樣本的均值和樣本的標準差；若第j個樣本的均值用m(j)表示，樣本的標準差用s(j)表示，則有其中，k表示第j個樣本被選作測試集的次數，error(i)表示第j個樣本第i次被選作測試集時所得預測誤差；g)依據各樣本的統計特征參數確定各樣本是否為異常樣本；首先以樣本的均值為橫坐標，以樣本的標準差為縱坐標，繪制各樣本的統計特征參數散點圖；然后根據實際情況選擇樣本合適的均值和標準差的界限值，均值或標準差大于界限值的樣本被判為異常樣本。進一步，所述校正集和測試集的選擇采用KS法或SPXY法或Duplex法或濃度梯度CG法選擇校正集和測試集；所述KS法為：KS樣本集劃分過程是一個從樣本池中不斷挑選有代表性樣本的過程；KS算法遵循一個循序漸進的過程，每次選擇過程都是從剩余樣本池中挑選一個與已經被選中的樣本歐氏距離最遠的樣本；使樣本集劃分結果在光譜數據(光譜矩陣用X表示)空間均勻分布；KS算法樣本選擇過程具體包括：A)計算樣本池(樣本集總體)中所有樣本光譜兩兩之間的歐氏距離，并從中選擇距離最遠的兩個樣本；B)分別計算樣本池中剩余樣本與已選擇的樣本之間的歐氏距離，將與已選樣本距離最近的樣本存儲在其距離列表中；C)從所有的最短距離列表中選擇最大距離所對應的樣本作為新的樣本；D)重復執行第B)～C)步，直到所選樣本個數等于事先確定的校正集樣本數目為止；KS算法中樣本光譜歐氏距離計算公式如下式(4)所示；其中，n為樣本集總個數，p和q為樣本集中某兩個樣本的序號，dx(p,q)表示樣本p和樣本q之間的歐氏距離，m為樣本的光譜波長總數，xp(j)和xq(j)分別表示樣本p和q在第j個波長處的光譜反射率；所述SPXY法為：SPXY算法原理和樣本逐步選擇過程與KS算法相似，計算距離的公式不同；SPXY算法的距離公式如下式(5)所示；其中，dx(p,q)和dy(p,q)分別依照公式(4)和(6)計算；式(5)中，dxy(p,q)表示同時考慮了樣本光譜變量和理化參照值變量作用的樣本p和樣本q之間的距離，dy(p,q)表示樣本p和q在y空間的歐氏距離，maxpq∈[1,n]dx(p,q)表示樣本x空間兩兩之間歐氏距離的最大值，maxpq∈[1,n]dy(p,q)表示樣本y空間兩兩之間歐氏距離的最大值。式(6)中，yp和yq分別表示樣本p和樣本q的理化參照值。采用SPXY算法選擇樣本的具體過程參照KS算法，只是在計算樣本p和q的距離時，需要用dxy(p,q)代替dx(p,q)。所述Duplex法為雙向法，即Duplex法；其思想也主要來源于KS樣本集劃分方法。Duplex法主要依據樣本的光譜距離劃分校正集和測試集，其挑選樣本的過程和距離計算公式與KS算法一樣，與KS算法不同的地方在于：KS算法挑選出的樣本都作為校正集，挑選結束時剩下的樣本都作為測試集；而Duplex法則是在挑選校正集樣本的同時挑選測試集樣本，其劃分校正集和測試集的具體流程如下：Duplex首先選出樣本集總體中距離最遠的兩個樣本，將其放入樣本集Xcal中，接著在剩下樣本池中選出距離最遠的兩個樣本，將其放入樣本集X本文檔來自技高網...

【技術保護點】
一種基于高光譜成像技術的冷鮮肉品質無損檢測方法，其特征在于，所述基于高光譜成像技術的冷鮮肉品質無損檢測方法包括以下步驟：首先采集并制備大量的冷鮮肉樣本，采用高光譜成像系統采集各個冷鮮肉樣本的高光譜數據；然后，根據國標要求采用物理化學方法測得各個冷鮮肉樣本被測品質指標的物理化學參照值；最后結合機器學習和化學計量學數據處理方法采用得到的冷鮮肉高光譜數據和物理化學參照值數據建立冷鮮肉被測品質指標的高光譜預測模型。

【技術特征摘要】
1.一種基于高光譜成像技術的冷鮮肉品質無損檢測方法，其特征在于，所述基于高光譜成像技術的冷鮮肉品質無損檢測方法包括以下步驟：首先采集并制備大量的冷鮮肉樣本，采用高光譜成像系統采集各個冷鮮肉樣本的高光譜數據；然后，根據國標要求采用物理化學方法測得各個冷鮮肉樣本被測品質指標的物理化學參照值；最后結合機器學習和化學計量學數據處理方法采用得到的冷鮮肉高光譜數據和物理化學參照值數據建立冷鮮肉被測品質指標的高光譜預測模型。2.如權利要求1所述的基于高光譜成像技術的冷鮮肉品質無損檢測方法，其特征在于，所述高光譜預測模型為采用偏最小二乘回歸法建立的偏最小二乘回歸模型；該偏最小二乘回歸建模和預測方法包括：1)對光譜吸光度矩陣X和理化參照值矩陣Y進行特征分解：所述光譜吸光度矩陣X和理化參照值矩陣Y分別為：X＝TP+E，Y＝UQ+F；其中，T為X的特征因子矩陣，U為Y的特征因子矩陣；P為X載荷矩陣，Q為Y載荷矩陣；E為X的殘差矩陣，F為Y的殘差矩陣；2)建立特征因子矩陣T和U的多元線性回歸模型，如式(1)所示；U＝TB+Ed(1)；其中，Ed為誤差矩陣，B為回歸系數矩陣，B的求解如式(2)所示；B＝(T'T)-1T'U(2)；3)對未知樣本的預測公式如式(3)所示；y＝x(U'X)'BQ(3)；其中，x為未知樣本的光譜，y為未知樣本的濃度預測值。3.如權利要求1所述的基于高光譜成像技術的冷鮮肉品質無損檢測方法，其特征在于，高光譜成像系統采集黑白圖像以對采集到的樣本高光譜圖像做黑白校正，黑白校正公式為:I=I0-IbIw-Ib;]]>其中，I為黑白校正后的圖像，I0為原始圖像，Iw為白板圖像，Ib為黑板圖像。4.如權利要求1所述的基于高光譜成像技術的冷鮮肉品質無損檢測方法，其特征在于，進一步包括：光譜維數據提取，異常樣本檢測與剔除，樣本集劃分，光譜預處理，建模方法，特征波段提取；在從高光譜數據中提取樣本的光譜維數據時，先選擇一個感興趣區域，區域大小為5000像素，計算感興趣區域內各像素點光譜的平均值，把該平均值看作該樣本的光譜維數據；按照同樣的方式，提取出各樣本的光譜維數據存放在矩陣X中；矩陣X的每一列代表一個波長點處的反射光譜值，每一行代表一個樣本；采用蒙特卡洛異常樣本檢測方法檢測冷鮮肉的異常樣本；校正集和測試集的選擇；光譜預處理方法去除光譜信號中的噪聲信號；采用競爭性自適應重加權算法提取特征波段建模。5.如權利要求4所述的基于高光譜成像技術的冷鮮肉品質無損檢測方法，其特征在于，采用蒙特卡洛異常樣本檢測方法檢測冷鮮肉的異常樣本具體步驟包括：a)將樣本集總體作為校正集，建立偏最小二乘回歸模型或主成分回歸模型，依據RMSECV最小的原則確定建模回歸模型的最佳主成分數；b)樣本集劃分，采用蒙特卡洛方法，從樣本集總體中隨機選取70％～90％的樣本作為校正集，剩余的樣本作為測試集；c)采用步驟b)所得校正集樣本，結合步驟a)所得的最佳主成分數，建立回歸模型；d)采用步驟c)所得模型對步驟b)樣本劃分所得測試集進行預測，進而求得測試集中各個樣本的預測誤差；e)重復執行步驟b)～d)n次；n足夠大，使每個樣本都能被多次選中作為預測集樣本；f)經過n次隨機過程，得到每個樣本的若干個預測誤差值，進而得各樣本預測誤差的統計特征參數；所述統計特征參數包括樣本的均值和樣本的標準差；若第j個樣本的均值用m(j)表示，樣本的標準差用s(j)表示，則有m(j)=1kΣi=1kerror(i),]]>s(j)=1k-1Σi=1k(error(i)-m(j))2;]]>其中，k表示第j個樣本被選作測試集的次數，error(i)表示第j個樣本第i次被選作測試集時所得預測誤差；g)依據各樣本的統計特征參數確定各樣本是否為異常樣本；首先以樣本的均值為橫坐標，以樣本的標準差為縱坐標，繪制各樣本的統計特征參數散點圖；然后根據實際情況選擇樣本合適的均值和標準差的界限值，均值或標準差大于界限值的樣本被判為異常樣本。6.如權利要求4所述的基于高光譜成像技術的冷鮮肉品質無損檢測方法，其特征在于，所述校正集和測試集的選擇采用KS法或SPXY法或Duplex法或濃度梯度法選擇校正集和測試集；所述KS法為：KS算法遵循一個循序漸進的過程，每次選擇過程都是從剩余樣本池中挑選一個與已經被選中的樣本歐氏距離最遠的樣本；使樣本集劃分結果在光譜數據空間均勻分布；KS算法樣本選擇過程具體包括：A)計算樣本池中所有樣本光譜兩兩之間的歐氏距離，并從中選擇距離最遠的兩個樣本；B)分別計算樣本池中剩余樣本與已選擇的樣本之間的歐氏距離，將與已選樣本距離最近的樣本存儲在其距離列表中；C)從所有的最短距離列表中選擇最大距離所對應的樣本作為新的樣本；D)重復執行第B)～C)步，直到所選樣本個數等于事先確定的校正集樣本數目為止；KS算法中樣本光譜歐氏距離計算公式如下式(4)所示；dx(p,q)=Σj=1m[xp(j)-xq(j)]2;p,q∈[1,...

【專利技術屬性】
技術研發人員：劉善梅，翟瑞芳，彭輝，
申請(專利權)人：華中農業大學，
類型：發明
國別省市：湖北;42