一种基于高光谱成像技术的冷鲜肉品质无损检测方法技术

本发明专利技术公开了一种基于高光谱成像技术的冷鲜肉品质无损检测方法，首先采集并制备大量的冷鲜肉样本，采用高光谱成像系统采集各个冷鲜肉样本的高光谱数据；然后，根据国标要求采用物理化学方法测得各个冷鲜肉样本被测品质指标的物理化学参照值；最后结合机器学习和化学计量学等数据处理方法采用得到的冷鲜肉高光谱数据和物理化学参照值数据建立冷鲜肉被测品质指标的高光谱预测模型。采用本发明专利技术方法检测牛肉TVB‑N含量时，用MCS法剔除冷鲜牛肉异常样本后，采用CG算法划分冷鲜牛肉样本集，采用CARS算法优选冷鲜牛肉TVB‑N含量特征波段建立PLSR模型，模型达到很好的预测性能。

【技术实现步骤摘要】

本专利技术属于冷鲜肉品质检测
，尤其涉及一种基于高光谱成像技术的冷鲜肉品质无损检测方法。
技术介绍
长期以来，冷鲜肉因含有人体所需的脂肪，蛋白质，维生素等营养物质而在中国居民的膳食消费结构中占据着重要地位。因此，冷鲜肉的品质安全是关系国计民生的大事，做好冷鲜肉的品质检测对于保障居民的食肉安全有着重要的意义。然而，目前冷鲜肉的品质检测主要停留在感官评价和理化分析阶段，而感官评判的结果主观性强，易受到个人经验、性别、精神状态、身体状况、地域环境等因素的干扰，一致性差；理化分析方法虽然检测精度高、结果客观可信，但是会破坏被测样本、步骤繁琐、检测时间长、费用高。因此，感官评价和理化分析方法均不利于冷鲜肉产品的无损快速检测。综上所述，目前冷鲜肉的品质检测存在一致性差，步骤繁琐，检测时间长，费用高等问题。
技术实现思路
本专利技术的目的在于提供一种基于高光谱成像技术的冷鲜肉品质无损检测方法，旨在解决目前冷鲜肉的品质检测存在一致性差，步骤繁琐，检测时间长，费用高等问题。本专利技术是这样实现的，一种基于高光谱成像技术的冷鲜肉品质无损检测方法，所述基于高光谱成像技术的冷鲜肉品质无损检测方法包括以下步骤：首先采集并制备大量的冷鲜肉样本，采用高光谱成像系统采集各个冷鲜肉样本的高光谱数据；然后，根据国标要求采用物理化学方法测得各个冷鲜肉样本被测品质指标的物理化学参照值；最后结合机器学习和化学计量学数据处理方法采用得到的冷鲜肉高光谱数据和物理化学参照值数据建立冷鲜肉被测品质指标的高光谱预测模型。进一步，所述高光谱预测模型为采用偏最小二乘回归法建立的偏最小二乘回归模型；该偏最小二乘回归建模和预测方法包括：1)对光谱吸光度矩阵X和理化参照值矩阵Y进行特征分解：所述光谱吸光度矩阵X和理化参照值矩阵Y分别为：X＝TP+E，Y＝UQ+F；其中，T为X的特征因子矩阵(又叫得分矩阵)，U为Y的特征因子矩阵；P为X载荷矩阵，Q为Y载荷矩阵；E为X的残差矩阵，F为Y的残差矩阵；2)建立特征因子矩阵T和U的多元线性回归模型，如式(1)所示；U＝TB+Ed(1)；其中，Ed为误差矩阵，B为回归系数矩阵，B的求解如式(2)所示；B＝(T'T)-1T'U(2)；3)对未知样本的预测公式如式(3)所示；y＝x(U'X)'BQ(3)；其中，x为未知样本的光谱，y为未知样本的浓度预测值。进一步，高光谱成像系统采集黑白图像以对采集到的样本高光谱图像做黑白校正，黑白校正公式为:其中，I为黑白校正后的图像，I0为原始图像，Iw为白板图像，Ib为黑板图像。进一步，基于高光谱成像技术的冷鲜肉品质无损检测方法进一步包括：光谱维数据提取，异常样本检测与剔除，样本集划分，光谱预处理，建模方法，特征波段提取；在从高光谱数据中提取样本的光谱维数据时，先选择一个感兴趣区域，区域大小为5000像素，计算感兴趣区域内各像素点光谱的平均值，把该平均值看作该样本的光谱维数据；按照同样的方式，提取出各样本的光谱维数据存放在矩阵X中；矩阵X的每一列代表一个波长点处的反射光谱值，每一行代表一个样本；采用蒙特卡洛异常样本检测方法检测冷鲜肉的异常样本；校正集和测试集的选择；光谱预处理方法去除光谱信号中的噪声信号；采用竞争性自适应重加权算法提取特征波段建模。进一步，采用蒙特卡洛异常样本检测方法检测冷鲜肉的异常样本具体步骤包括：a)将样本集总体作为校正集，建立偏最小二乘回归模型或主成分回归模型，依据RMSECV最小的原则确定建模回归模型的最佳主成分数；b)样本集划分，采用蒙特卡洛方法，从样本集总体中随机选取70％～90％的样本作为校正集，剩余的样本作为测试集；c)采用步骤b)所得校正集样本，结合步骤a)所得的最佳主成分数，建立回归模型；d)采用步骤c)所得模型对步骤b)样本划分所得测试集进行预测，进而求得测试集中各个样本的预测误差；e)重复执行步骤b)～d)n次；n足够大，使每个样本都能被多次选中作为预测集样本；n取值越大，该方法所得检测结果越稳定可靠；f)经过n次随机过程，得到每个样本的若干个预测误差值，进而得各样本预测误差的统计特征参数；所述统计特征参数包括样本的均值和样本的标准差；若第j个样本的均值用m(j)表示，样本的标准差用s(j)表示，则有其中，k表示第j个样本被选作测试集的次数，error(i)表示第j个样本第i次被选作测试集时所得预测误差；g)依据各样本的统计特征参数确定各样本是否为异常样本；首先以样本的均值为横坐标，以样本的标准差为纵坐标，绘制各样本的统计特征参数散点图；然后根据实际情况选择样本合适的均值和标准差的界限值，均值或标准差大于界限值的样本被判为异常样本。进一步，所述校正集和测试集的选择采用KS法或SPXY法或Duplex法或浓度梯度CG法选择校正集和测试集；所述KS法为：KS样本集划分过程是一个从样本池中不断挑选有代表性样本的过程；KS算法遵循一个循序渐进的过程，每次选择过程都是从剩余样本池中挑选一个与已经被选中的样本欧氏距离最远的样本；使样本集划分结果在光谱数据(光谱矩阵用X表示)空间均匀分布；KS算法样本选择过程具体包括：A)计算样本池(样本集总体)中所有样本光谱两两之间的欧氏距离，并从中选择距离最远的两个样本；B)分别计算样本池中剩余样本与已选择的样本之间的欧氏距离，将与已选样本距离最近的样本存储在其距离列表中；C)从所有的最短距离列表中选择最大距离所对应的样本作为新的样本；D)重复执行第B)～C)步，直到所选样本个数等于事先确定的校正集样本数目为止；KS算法中样本光谱欧氏距离计算公式如下式(4)所示；其中，n为样本集总个数，p和q为样本集中某两个样本的序号，dx(p,q)表示样本p和样本q之间的欧氏距离，m为样本的光谱波长总数，xp(j)和xq(j)分别表示样本p和q在第j个波长处的光谱反射率；所述SPXY法为：SPXY算法原理和样本逐步选择过程与KS算法相似，计算距离的公式不同；SPXY算法的距离公式如下式(5)所示；其中，dx(p,q)和dy(p,q)分别依照公式(4)和(6)计算；式(5)中，dxy(p,q)表示同时考虑了样本光谱变量和理化参照值变量作用的样本p和样本q之间的距离，dy(p,q)表示样本p和q在y空间的欧氏距离，maxpq∈[1,n]dx(p,q)表示样本x空间两两之间欧氏距离的最大值，maxpq∈[1,n]dy(p,q)表示样本y空间两两之间欧氏距离的最大值。式(6)中，yp和yq分别表示样本p和样本q的理化参照值。采用SPXY算法选择样本的具体过程参照KS算法，只是在计算样本p和q的距离时，需要用dxy(p,q)代替dx(p,q)。所述Duplex法为双向法，即Duplex法；其思想也主要来源于KS样本集划分方法。Duplex法主要依据样本的光谱距离划分校正集和测试集，其挑选样本的过程和距离计算公式与KS算法一样，与KS算法不同的地方在于：KS算法挑选出的样本都作为校正集，挑选结束时剩下的样本都作为测试集；而Duplex法则是在挑选校正集样本的同时挑选测试集样本，其划分校正集和测试集的具体流程如下：Duplex首先选出样本集总体中距离最远的两个样本，将其放入样本集Xcal中，接着在剩下样本池中选出距离最远的两个样本，将其放入样本集X本文档来自技高网...

【技术保护点】
一种基于高光谱成像技术的冷鲜肉品质无损检测方法，其特征在于，所述基于高光谱成像技术的冷鲜肉品质无损检测方法包括以下步骤：首先采集并制备大量的冷鲜肉样本，采用高光谱成像系统采集各个冷鲜肉样本的高光谱数据；然后，根据国标要求采用物理化学方法测得各个冷鲜肉样本被测品质指标的物理化学参照值；最后结合机器学习和化学计量学数据处理方法采用得到的冷鲜肉高光谱数据和物理化学参照值数据建立冷鲜肉被测品质指标的高光谱预测模型。

【技术特征摘要】
1.一种基于高光谱成像技术的冷鲜肉品质无损检测方法，其特征在于，所述基于高光谱成像技术的冷鲜肉品质无损检测方法包括以下步骤：首先采集并制备大量的冷鲜肉样本，采用高光谱成像系统采集各个冷鲜肉样本的高光谱数据；然后，根据国标要求采用物理化学方法测得各个冷鲜肉样本被测品质指标的物理化学参照值；最后结合机器学习和化学计量学数据处理方法采用得到的冷鲜肉高光谱数据和物理化学参照值数据建立冷鲜肉被测品质指标的高光谱预测模型。2.如权利要求1所述的基于高光谱成像技术的冷鲜肉品质无损检测方法，其特征在于，所述高光谱预测模型为采用偏最小二乘回归法建立的偏最小二乘回归模型；该偏最小二乘回归建模和预测方法包括：1)对光谱吸光度矩阵X和理化参照值矩阵Y进行特征分解：所述光谱吸光度矩阵X和理化参照值矩阵Y分别为：X＝TP+E，Y＝UQ+F；其中，T为X的特征因子矩阵，U为Y的特征因子矩阵；P为X载荷矩阵，Q为Y载荷矩阵；E为X的残差矩阵，F为Y的残差矩阵；2)建立特征因子矩阵T和U的多元线性回归模型，如式(1)所示；U＝TB+Ed(1)；其中，Ed为误差矩阵，B为回归系数矩阵，B的求解如式(2)所示；B＝(T'T)-1T'U(2)；3)对未知样本的预测公式如式(3)所示；y＝x(U'X)'BQ(3)；其中，x为未知样本的光谱，y为未知样本的浓度预测值。3.如权利要求1所述的基于高光谱成像技术的冷鲜肉品质无损检测方法，其特征在于，高光谱成像系统采集黑白图像以对采集到的样本高光谱图像做黑白校正，黑白校正公式为:I=I0-IbIw-Ib;]]>其中，I为黑白校正后的图像，I0为原始图像，Iw为白板图像，Ib为黑板图像。4.如权利要求1所述的基于高光谱成像技术的冷鲜肉品质无损检测方法，其特征在于，进一步包括：光谱维数据提取，异常样本检测与剔除，样本集划分，光谱预处理，建模方法，特征波段提取；在从高光谱数据中提取样本的光谱维数据时，先选择一个感兴趣区域，区域大小为5000像素，计算感兴趣区域内各像素点光谱的平均值，把该平均值看作该样本的光谱维数据；按照同样的方式，提取出各样本的光谱维数据存放在矩阵X中；矩阵X的每一列代表一个波长点处的反射光谱值，每一行代表一个样本；采用蒙特卡洛异常样本检测方法检测冷鲜肉的异常样本；校正集和测试集的选择；光谱预处理方法去除光谱信号中的噪声信号；采用竞争性自适应重加权算法提取特征波段建模。5.如权利要求4所述的基于高光谱成像技术的冷鲜肉品质无损检测方法，其特征在于，采用蒙特卡洛异常样本检测方法检测冷鲜肉的异常样本具体步骤包括：a)将样本集总体作为校正集，建立偏最小二乘回归模型或主成分回归模型，依据RMSECV最小的原则确定建模回归模型的最佳主成分数；b)样本集划分，采用蒙特卡洛方法，从样本集总体中随机选取70％～90％的样本作为校正集，剩余的样本作为测试集；c)采用步骤b)所得校正集样本，结合步骤a)所得的最佳主成分数，建立回归模型；d)采用步骤c)所得模型对步骤b)样本划分所得测试集进行预测，进而求得测试集中各个样本的预测误差；e)重复执行步骤b)～d)n次；n足够大，使每个样本都能被多次选中作为预测集样本；f)经过n次随机过程，得到每个样本的若干个预测误差值，进而得各样本预测误差的统计特征参数；所述统计特征参数包括样本的均值和样本的标准差；若第j个样本的均值用m(j)表示，样本的标准差用s(j)表示，则有m(j)=1kΣi=1kerror(i),]]>s(j)=1k-1Σi=1k(error(i)-m(j))2;]]>其中，k表示第j个样本被选作测试集的次数，error(i)表示第j个样本第i次被选作测试集时所得预测误差；g)依据各样本的统计特征参数确定各样本是否为异常样本；首先以样本的均值为横坐标，以样本的标准差为纵坐标，绘制各样本的统计特征参数散点图；然后根据实际情况选择样本合适的均值和标准差的界限值，均值或标准差大于界限值的样本被判为异常样本。6.如权利要求4所述的基于高光谱成像技术的冷鲜肉品质无损检测方法，其特征在于，所述校正集和测试集的选择采用KS法或SPXY法或Duplex法或浓度梯度法选择校正集和测试集；所述KS法为：KS算法遵循一个循序渐进的过程，每次选择过程都是从剩余样本池中挑选一个与已经被选中的样本欧氏距离最远的样本；使样本集划分结果在光谱数据空间均匀分布；KS算法样本选择过程具体包括：A)计算样本池中所有样本光谱两两之间的欧氏距离，并从中选择距离最远的两个样本；B)分别计算样本池中剩余样本与已选择的样本之间的欧氏距离，将与已选样本距离最近的样本存储在其距离列表中；C)从所有的最短距离列表中选择最大距离所对应的样本作为新的样本；D)重复执行第B)～C)步，直到所选样本个数等于事先确定的校正集样本数目为止；KS算法中样本光谱欧氏距离计算公式如下式(4)所示；dx(p,q)=Σj=1m[xp(j)-xq(j)]2;p,q∈[1,...

【专利技术属性】
技术研发人员：刘善梅，翟瑞芳，彭辉，
申请(专利权)人：华中农业大学，
类型：发明
国别省市：湖北;42