[發(fā)明專(zhuān)利]一種基于高光譜成像技術(shù)的冷鮮肉品質(zhì)無(wú)損檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201611058742.5
• 申請(qǐng)日: 2016-11-25
• 公開(kāi)（公告）號(hào): CN106596416A
• 公開(kāi)（公告）日: 2017-04-26
• 發(fā)明（設(shè)計(jì)）人: 劉善梅;翟瑞芳;彭輝
• 申請(qǐng)（專(zhuān)利權(quán)）人: 華中農(nóng)業(yè)大學(xué)
• 主分類(lèi)號(hào): G01N21/25
• 分類(lèi)號(hào): G01N21/25
• 代理公司: 北京方圓嘉禾知識(shí)產(chǎn)權(quán)代理有限公司11385
• 代理人: 董芙蓉

技術(shù)領(lǐng)域

本發(fā)明屬于冷鮮肉品質(zhì)檢測(cè)技術(shù)領(lǐng)域，尤其涉及一種基于高光譜成像技術(shù)的冷鮮肉品質(zhì)無(wú)損檢測(cè)方法。

背景技術(shù)

長(zhǎng)期以來(lái)，冷鮮肉因含有人體所需的脂肪，蛋白質(zhì)，維生素等營(yíng)養(yǎng)物質(zhì)而在中國(guó)居民的膳食消費(fèi)結(jié)構(gòu)中占據(jù)著重要地位。因此，冷鮮肉的品質(zhì)安全是關(guān)系國(guó)計(jì)民生的大事，做好冷鮮肉的品質(zhì)檢測(cè)對(duì)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(zhì)檢測(cè)主要停留在感官評(píng)價(jià)和理化分析階段，而感官評(píng)判的結(jié)果主觀性強(qiáng)，易受到個(gè)人經(jīng)驗(yàn)、性別、精神狀態(tài)、身體狀況、地域環(huán)境等因素的干擾，一致性差；理化分析方法雖然檢測(cè)精度高、結(jié)果客觀可信，但是會(huì)破壞被測(cè)樣本、步驟繁瑣、檢測(cè)時(shí)間長(zhǎng)、費(fèi)用高。因此，感官評(píng)價(jià)和理化分析方法均不利于冷鮮肉產(chǎn)品的無(wú)損快速檢測(cè)。

綜上所述，目前冷鮮肉的品質(zhì)檢測(cè)存在一致性差，步驟繁瑣，檢測(cè)時(shí)間長(zhǎng)，費(fèi)用高等問(wèn)題。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種基于高光譜成像技術(shù)的冷鮮肉品質(zhì)無(wú)損檢測(cè)方法，旨在解決目前冷鮮肉的品質(zhì)檢測(cè)存在一致性差，步驟繁瑣，檢測(cè)時(shí)間長(zhǎng)，費(fèi)用高等問(wèn)題。

本發(fā)明是這樣實(shí)現(xiàn)的，

一種基于高光譜成像技術(shù)的冷鮮肉品質(zhì)無(wú)損檢測(cè)方法，所述基于高光譜成像技術(shù)的冷鮮肉品質(zhì)無(wú)損檢測(cè)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(tǒng)采集各個(gè)冷鮮肉樣本的高光譜數(shù)據(jù)；

然后，根據(jù)國(guó)標(biāo)要求采用物理化學(xué)方法測(cè)得各個(gè)冷鮮肉樣本被測(cè)品質(zhì)指標(biāo)的物理化學(xué)參照值；

最后結(jié)合機(jī)器學(xué)習(xí)和化學(xué)計(jì)量學(xué)數(shù)據(jù)處理方法采用得到的冷鮮肉高光譜數(shù)據(jù)和物理化學(xué)參照值數(shù)據(jù)建立冷鮮肉被測(cè)品質(zhì)指標(biāo)的高光譜預(yù)測(cè)模型。

進(jìn)一步，所述高光譜預(yù)測(cè)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(yù)測(cè)方法包括：

1)對(duì)光譜吸光度矩陣X和理化參照值矩陣Y進(jìn)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(xiàn)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+E_d(1)；

其中，E_d為誤差矩陣，B為回歸系數(shù)矩陣，B的求解如式(2)所示；

B＝(T'T)^-1T'U (2)；

3)對(duì)未知樣本的預(yù)測(cè)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(yù)測(cè)值。

進(jìn)一步，高光譜成像系統(tǒng)采集黑白圖像以對(duì)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，I_w為白板圖像，I_b為黑板圖像。

進(jìn)一步，基于高光譜成像技術(shù)的冷鮮肉品質(zhì)無(wú)損檢測(cè)方法進(jìn)一步包括：光譜維數(shù)據(jù)提取，異常樣本檢測(cè)與剔除，樣本集劃分，光譜預(yù)處理，建模方法，特征波段提??；

在從高光譜數(shù)據(jù)中提取樣本的光譜維數(shù)據(jù)時(shí)，先選擇一個(gè)感興趣區(qū)域，區(qū)域大小為5000像素，計(jì)算感興趣區(qū)域內(nèi)各像素點(diǎn)光譜的平均值，把該平均值看作該樣本的光譜維數(shù)據(jù)；按照同樣的方式，提取出各樣本的光譜維數(shù)據(jù)存放在矩陣X中；矩陣X的每一列代表一個(gè)波長(zhǎng)點(diǎn)處的反射光譜值，每一行代表一個(gè)樣本；

采用蒙特卡洛異常樣本檢測(cè)方法檢測(cè)冷鮮肉的異常樣本；

校正集和測(cè)試集的選擇；

光譜預(yù)處理方法去除光譜信號(hào)中的噪聲信號(hào)；

采用競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法提取特征波段建模。

進(jìn)一步，采用蒙特卡洛異常樣本檢測(cè)方法檢測(cè)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(jù)RMSECV最小的原則確定建?；貧w模型的最佳主成分?jǐn)?shù)；

b)樣本集劃分，采用蒙特卡洛方法，從樣本集總體中隨機(jī)選取70％～90％的樣本作為校正集，剩余的樣本作為測(cè)試集；

c)采用步驟b)所得校正集樣本，結(jié)合步驟a)所得的最佳主成分?jǐn)?shù)，建立回歸模型；

d)采用步驟c)所得模型對(duì)步驟b)樣本劃分所得測(cè)試集進(jìn)行預(yù)測(cè)，進(jìn)而求得測(cè)試集中各個(gè)樣本的預(yù)測(cè)誤差；