【技術實現步驟摘要】
本專利技術屬于食品品質檢測，具體涉及一種基于高光譜成像技術的鱈魚魚糜摻假快速檢測方法和裝置。
技術介紹
1、鱈魚作為最初的魚糜原料之一，它是一種冷水域深海魚類，生于深海底層，被污染程度低。它作為高經濟價值和營養價值的海洋魚類，全球年產量約622萬噸，占海洋總漁獲量近8％。然而，過度捕撈、氣候變遷和海洋酸化等正威脅著鱈魚資源的可持續開發，鱈魚市場正面臨嚴峻挑戰。加之鱈魚的需求量日益增大，鱈魚的主要產地開始使用限制捕撈、改善漁業開發養殖等方式進行應對。因此，鱈魚魚糜摻假現象發生的幾率大幅提升，摻雜偽劣、以次充好、錯貼標簽等問題屢見不鮮。因此，進一步探究高效鑒別鱈魚魚糜真偽的方法對其質量安全問題、改善公眾健康至關重要。
2、目前肉類鑒別技術采用的方法大多為環介導等溫擴增、dna條形碼、液相色譜-質譜、酶聯免疫吸附測定、crispr-cas系統、光譜學和電子鼻等技術，其中，最廣泛使用的基于dna的魚類物種鑒定技術，如實時pcr、多重pcr、核dna條形碼和新型環介導等溫擴增。然而，這些基于dna的技術具有破壞性、耗時和專業性，不適合快速、無損的區分不同的魚類。
3、因此，鱈魚魚糜摻假的快速、無損的檢測技術必將具有十分重要的現實意義。
技術實現思路
1、本專利技術提供一種基于高光譜成像技術的鱈魚魚糜摻假快速檢測方法和裝置，采用高光譜成像技術，高光譜圖像具有圖譜合一的優點，結合了傳統的化學計量學和深度學習，具有無損壞、無污染、自動化、快速高效進行鱈魚魚糜摻假的檢測，以解
2、第一方面，本專利技術提出了一種基于高光譜成像技術的鱈魚魚糜摻假快速檢測方法，該方法包括如下步驟：
3、s1、制備含不同成分摻假濃度比例的待檢測鱈魚魚糜樣本，采集待檢測鱈魚魚糜樣本的高光譜圖像信息，并黑白校正處理；
4、s2、提取黑白校正后的高光譜圖像的感興趣區域roi，計算感興趣區roi域中所有像素的光譜反射率的平均值，作為待檢測的一個鱈魚魚糜樣本的平均光譜數據；
5、s3、將得到的所有光譜數據劃分為訓練集和預測集，并構建bp-ann分類模型；
6、s4、對光譜數據集進行預處理，構建pls回歸模型，確定最佳預處理方式；
7、s5、采用自適應重加權算法cars和區間組合優化算法ico兩種變量篩選算法簡化模型，提高模型魯棒性，選擇最佳模型；以及
8、s6、確定最佳模型，對摻假濃度模型進行可視化進行快速檢測是否摻假。
9、優選的，步驟s3將得到的所有光譜數據劃分為訓練集和預測集，包括：
10、將全波長作為bp-ann網絡模型輸入參數，樣本類別作為模型輸出參數，其中，模型中的輸入量為476，輸出量為樣本摻假濃度梯度11，設定bp-ann模型訓練誤差為10-6，網絡訓練次數為1000。
11、進一步優選的，所述構建bp-ann分類模型包括：
12、模型的網絡參數為：隱含層激活函數為tansig，輸出層激活函數為purelin，訓練函數為tansig，第一個隱含層節點數為8，第二個隱含層節點數為88；tansig和purelin函數的計算公式如下：
13、
14、purelin(x)＝x
15、其中，x為神經元的加權輸入，tansig函數是將x轉化為-1到1之間；purelin(x)為該神經元的輸出。
16、優選的，步驟s4對光譜數據集進行預處理包括：
17、對獲得的平均光譜進行使用標準正態變量變換、多元散射校正、一階導數、二階導數的預處理方法，得到去除噪聲后的具有平滑的光譜信息的高光譜數據。
18、優選的，所述構建pls回歸模型，確定最佳預處理方式包括：
19、pls將自變量x和因變量y投影到潛變量空間中來建立線性回歸模型，pls將x和y分解為幾個x分數d，用以下方程構建pls模型：
20、y＝xa+b＝xw*c+b＝dc+b
21、z*＝z(p'z)-1
22、其中，a是pls系數，b是y殘差矩陣，d是x的分數矩陣，z是pls權重，p和c分別是x和y的載荷，z*是回歸系數矩陣。
23、優選的，步驟s5采用自適應重加權算法cars和區間組合優化算法ico兩種變量篩選算法簡化模型，具體包括：
24、cars采用自適應加權抽樣ars策略，將每次采樣的樣本數據保存在pls模型中，并根據回歸系數的絕對值權重進行篩選，選取權值高的樣本作為新的子集，剔除權值低的樣本；
25、其中蒙特卡洛交叉驗證次數設置為1000，每次采集校準樣本比例為0.8，通過5折交互驗證的方法計算每個區間模型的均方根誤差值rmsecv，迭代次數設置為50；以此建立pls模型，進行多次迭代計算，選取pls模型交互驗證均方根誤差rmsecv最小子集中的波段作為特征波段；
26、自適應加權抽樣的權重計算公式如下：
27、
28、其中，bi是第i個變量的回歸系數，m是當前變量集中的變量數，利用該公式將每個變量的回歸系數絕對值歸一化，使其權重之和為1。
29、進一步優選的，區間組合優化算法ico是基于模型集群分析策略mpa框架下的化學建模算法，具體包括：
30、將變量平均分成若干份，每一份為一個區間；再采用加權自舉采樣法生成不同變量區間隨機組成的子集，每個變量初始權重都為1；將這些區間分別建立pls模型，通過5折交互驗證的方法計算每個區間模型的rmsecv值，當rmsecv最小值時為最優模型集；
31、計算每個變量區間在最優模型中出現的頻率，即為下次采樣的權重，同時計算此次采樣最優模型的rmsecv均值；重復多次迭代，直至rmsecv均值高于上一輪；此時rmsecv均值最小的那一組變量區間被視為最終選中的變量區間；計算每個區間采樣權重的公式如下：
32、
33、其中，fa是b個區間的最優區間組合中出現的頻次，kb是提取的最優區間組合的數目。
34、優選的，步驟s1中制備含不同成分摻假濃度比例的待檢測鱈魚魚糜樣本包括：
35、純凈的鱈魚魚糜、油魚和鱈魚按照10％-100％比例摻入制成的摻假樣本，總共包含11種類別，每個類別20個樣本，共220個樣本，并且每個類別設有不同的識別號。
36、優選的，所述采集待檢測鱈魚魚糜樣本的高光譜圖像信息，并黑白校正處理，包括：
37、高光譜圖像信息的采集過程均在暗箱中進行，采集高光譜圖像前的參數設置為：曝光時間43ms，平臺移動時間4.5cm/s，兩盞150w的鎢燈與平臺的夾角為50度；黑白校正處理采用如下黑白校正公式：
38、
39、其中，以相對反射率％為單位表示校正后的反射率高光譜圖i；rb表示原始高光譜圖像；i0為暗圖像，0％反射率；rw為白色參考圖像，100％反射率。
40本文檔來自技高網...
【技術保護點】
1.一種基于高光譜成像技術的鱈魚魚糜摻假快速檢測方法，其特征在于，該方法包括如下步驟：
2.根據權利要求1所述的基于高光譜成像技術的鱈魚魚糜摻假快速檢測方法，其特征在于，步驟S3將得到的所有光譜數據劃分為訓練集和預測集，包括：
3.根據權利要求2所述的基于高光譜成像技術的鱈魚魚糜摻假快速檢測方法，其特征在于，所述構建BP-ANN分類模型包括：
4.根據權利要求1所述的基于高光譜成像技術的鱈魚魚糜摻假快速檢測方法，其特征在于，步驟S4對光譜數據集進行預處理包括：
5.根據權利要求1所述的基于高光譜成像技術的鱈魚魚糜摻假快速檢測方法，其特征在于，所述構建PLS回歸模型，確定最佳預處理方式包括：
6.根據權利要求1所述的基于高光譜成像技術的鱈魚魚糜摻假快速檢測方法，其特征在于，步驟S5采用自適應重加權算法CARS和區間組合優化算法ICO兩種變量篩選算法簡化模型，具體包括：
7.根據權利要求6所述的基于高光譜成像技術的鱈魚魚糜摻假快速檢測方法，其特征在于，區間組合優化算法ICO是基于模型集群分析策略MPA框架下的化學
8.根據權利要求1所述的基于高光譜成像技術的鱈魚魚糜摻假快速檢測方法，其特征在于，步驟S1中制備含不同成分摻假濃度比例的待檢測鱈魚魚糜樣本包括：
9.根據權利要求1所述的基于高光譜成像技術的鱈魚魚糜摻假快速檢測方法，其特征在于，所述采集待檢測鱈魚魚糜樣本的高光譜圖像信息，并黑白校正處理，包括：
10.一種基于高光譜成像技術的鱈魚魚糜摻假快速檢測裝置，其特征在于，包括：
...【技術特征摘要】
1.一種基于高光譜成像技術的鱈魚魚糜摻假快速檢測方法，其特征在于，該方法包括如下步驟：
2.根據權利要求1所述的基于高光譜成像技術的鱈魚魚糜摻假快速檢測方法，其特征在于，步驟s3將得到的所有光譜數據劃分為訓練集和預測集，包括：
3.根據權利要求2所述的基于高光譜成像技術的鱈魚魚糜摻假快速檢測方法，其特征在于，所述構建bp-ann分類模型包括：
4.根據權利要求1所述的基于高光譜成像技術的鱈魚魚糜摻假快速檢測方法，其特征在于，步驟s4對光譜數據集進行預處理包括：
5.根據權利要求1所述的基于高光譜成像技術的鱈魚魚糜摻假快速檢測方法，其特征在于，所述構建pls回歸模型，確定最佳預處理方式包括：
6.根據權利要求1所述的基于高光譜成像技術的鱈魚魚糜摻...
【專利技術屬性】
技術研發人員：陳清敏，肖旭鵬，王藝霖，陳全勝，夏鈺，
申請(專利權)人：集美大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。