[發(fā)明專利]基于多特征融合的肉類新鮮度高光譜圖像可視化檢測

有效

• 申請(qǐng)?zhí)枺?/td>: 201410136071.4
• 申請(qǐng)日: 2014-04-04
• 公開（公告）號(hào): CN103900972B
• 公開（公告）日: 2017-01-18
• 發(fā)明（設(shè)計(jì)）人: 朱啟兵;肖盼;尹克;黃敏
• 申請(qǐng)（專利權(quán)）人: 江南大學(xué);杭州電子科技大學(xué)
• 主分類號(hào): G01N21/25
• 分類號(hào): G01N21/25
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.基于多特征融合的肉類新鮮度高光譜圖像可視化檢測方法，其特征在于，所述檢測方法包括如下步驟：

a、共選取S個(gè)肉類樣本，利用高光譜反射圖像采集系統(tǒng)采集每個(gè)樣本在共P個(gè)波段下的高光譜反射圖像；

b、分別提取這S個(gè)樣本在P個(gè)波段下的的高光譜反射圖像的光強(qiáng)均值、圖像熵、及能量均值特征；

c、將采集好高光譜圖像的S個(gè)肉類樣本做破壞性試驗(yàn)，用半微量凱氏定氮法(GB/T5009.44-2003)測定樣本的TVB-N(揮發(fā)性鹽基氮)含量，得到肉樣的新鮮度分類結(jié)果；

d、利用S個(gè)肉樣高光譜圖像的光強(qiáng)均值、圖像熵、及能量均值特征構(gòu)建對(duì)樣本的TVB-N值的融合預(yù)估模型；

e、利用高光譜反射圖像采集系統(tǒng)采集待測樣本的高光譜反射圖像，并按照步驟(b)獲得高光譜圖像的特征參數(shù)，輸入到步驟(d)建立的融合預(yù)估模型，最終獲得待測樣本的TVB-N預(yù)測值；

f、根據(jù)步驟(d)建立的融合預(yù)估模型，獲得TVB-N在肉類表面的分布情況，實(shí)現(xiàn)對(duì)待測豬肉樣本的新鮮度的可視化檢測。

2.根據(jù)權(quán)利要求1所述的基于多特征融合的肉類新鮮度高光譜圖像可視化檢測方法，本發(fā)明的特征之一在于步驟(b)所描述的多特征提取，具體包括：

s1、利用標(biāo)準(zhǔn)白板對(duì)第s(s≤S)個(gè)肉類樣本的高光譜圖像進(jìn)行校準(zhǔn)，從而得到其在第t(t≤P)個(gè)波段下肉類高光譜反射圖像的相對(duì)光強(qiáng)值A(chǔ)^s，t；

As,t=Xs,t-RtR‾t-Rt]]>

其中，X^s，t表示第s個(gè)肉類樣本在第t個(gè)波段下的高光譜圖像反射光強(qiáng)值；為第t個(gè)波段下標(biāo)準(zhǔn)白板高光譜反射圖像的光強(qiáng)值。R^t為第t個(gè)波段下采集的全黑標(biāo)定圖像光強(qiáng)值；

s2、提取第s個(gè)樣本在第t個(gè)波段下的光強(qiáng)均值特征

Asums,t=Σi=1msΣj=1nsA(i,j)s,t]]>

Ameans,t=Asums,t/(ms·ns)]]>

其中表示第s個(gè)肉類樣本在第t個(gè)波段下高光譜圖像矩陣第i行第j列像素的相對(duì)光強(qiáng)值，m_s，n_s分別表示第s個(gè)樣本的高光譜圖像矩陣的行數(shù)和列數(shù)；

s3、提取第s個(gè)樣本在第t個(gè)波段下的圖像熵特征

B(i,j)s,t=-A(i,j)s,tAsums,tlog2A(i,j)s,tAsums,t]]>

Bentropys,t=Σi=1msΣj=1nsB(i,j)s,t/(ms·ns)]]>

其中表示第s個(gè)樣本在第t個(gè)波段下高光譜圖像矩陣第i行第j列像素的熵值；

s4、提取第s個(gè)樣本在第t個(gè)波段下的能量均值特征

C(i,j)s,t=A(i,j)s,t-A(i0,j0)s,t(i-i0)2+(j-j0)2]]>

Cpowers,t=Σi=1msΣj=1nsC(i,j)s,t/(ms·ns)]]>

其中表示第s個(gè)樣本在第t個(gè)波段下高光譜圖像矩陣第i行第j列像素的能量值；(i₀，j₀)表示光譜圖像質(zhì)心的坐標(biāo)，表示光譜圖像質(zhì)心位置對(duì)應(yīng)的相對(duì)光強(qiáng)值。