一种基于证据理论的物体新鲜度无损检测方法技术

本发明专利技术公开了一种基于证据理论的物体新鲜度无损检测方法，涉及图像处理技术领域，该方法包括：选取待检测物体的N个新鲜度不同的检测样本，对于每个检测样本，确定新鲜度等级并获取高光谱图像，通过高光谱图像确定特征参数，采用至少两种不同的算法对N个检测样本的特征参数进行特征融合从而得到至少两个预测模型，基于证据理论对至少两个预测模型进行融合得到对样本的新鲜度等级的融合预测模型，利用融合预测模型对待检测物体进行新鲜度无损检测；该方法可以克服单模型泛化能力不高、精度低的缺点，可以提高物体新鲜度的预测精度，操作简单、快速有效，并具有较高的鲁棒性和模型泛化能力。

【技术实现步骤摘要】
一种基于证据理论的物体新鲜度无损检测方法
本专利技术涉及图像处理
，尤其是一种基于证据理论的物体新鲜度无损检测方法。
技术介绍
肉类及其制品是人类获得蛋白质、维生素和矿物质等营养成分的重要来源之一，但在加工及贮藏过程中由于微生物、酶以及自身脂肪氧化等作用，肉类及其制品容易腐败变质，这不仅会降低肉类及其制品的营养价值，还会产生有毒有害物质，影响食品安全，因此，对肉类及其制品的新鲜度的快速检测成为了加工及贮藏过程中的重要环节。目前对肉类制品新鲜度的评定主要采用感官检测法或理化检测法，感官检测法主要是由检测人员对肉类制品的色泽、弹性、粘度和气味等进行评价，这种方法过度依赖人员经验，且具有主观性和片面性，同时检测结果不易量化；理化检测法主要是通过物理化学方法对肉类制品的各项化学指标进行测定，存在着步骤繁琐、检测周期长以及破坏检测样品等缺点。为了解决感官检测法和理化检测法的缺陷，机器视觉、近红外光谱以及高光谱成像等图像处理方法逐渐被引入到对肉类制品的新鲜度的检测中，这些方法可以实现对肉类制品新鲜度的可视化无损检测，方便快捷，其中，高光谱成像由于结合了机器视觉和近红外光谱的优点，能够同时反映肉类制品的内外部特征，从而被广泛应用于肉类制品的新鲜度检测中，但是传统的高光谱成像进行无损检测时一般是通过建立单一模型来进行检测，检测精度不够，且单一模型会导致模型的泛化能力不强、鲁棒性较差，检测效果不够好。
技术实现思路
本专利技术人针对上述问题及技术需求，提出了一种基于证据理论的物体新鲜度无损检测方法，该方法可以提高肉类新鲜度的预测精度，操作简单、快速有效，并具有较高的鲁棒性和模型泛化能力。本专利技术的技术方案如下：选取待检测物体的N个新鲜度不同的检测样本，确定每个检测样本的新鲜度等级，N为正整数；获取每个检测样本在M个波段下的M个高光谱图像，M为正整数；对于每个检测样本，通过检测样本对应的M个高光谱图像确定检测样本的特征参数；采用第一算法对N个检测样本的特征参数进行特征融合，并将融合后的特征输入到最小二乘支持向量机预测模型中得到对样本的新鲜度等级的第一预测模型；采用第二算法对N个检测样本的特征参数进行特征融合，并将融合后的特征输入到最小二乘支持向量机预测模型中得到对样本的新鲜度等级的第二预测模型；基于证据理论对第一预测模型和第二预测模型进行融合得到对样本的新鲜度等级的融合预测模型；使用融合预测模型对待检测物体进行新鲜度检测确定待检测物体的新鲜度等级。其进一步的技术方案为，基于证据理论对第一预测模型和第二预测模型进行融合得到对样本的新鲜度等级的融合预测模型，包括：分别确定第一预测模型和第二预测模型的模型权重，并在识别框架上建立基本信度函数分配，识别框架中包括第一预测模型和第二预测模型，第一预测模型对应的基本信度值为第一预测模型的模型权重，第二预测模型对应的基本信度值为第二预测模型的模型权重；将N个检测样本分为训练样本集和测试样本集，并将训练样本集均分为三个样本集，依次选取其中两个样本集作为训练集进行训练，并将另一个样本集作为验证集进行验证，将每次得到的验证结果作为识别框架中的一条证据并分别确定三条证据对应的基本信度值；基于证据理论的合成规则对三条证据的基本信度值进行融合得到第一融合基本信度值和第二融合基本信度值；确定第一融合基本信度值为第一预测模型对应的融合权重，确定第二融合基本信度值为第二预测模型对应的融合权重，将第一预测模型和第二预测模型按照各自对应的融合权重进行融合得到融合预测模型，并利用测试样本集测试融合预测模型的性能。其进一步的技术方案为，基于证据理论的合成规则对三条证据的基本信度值进行融合得到第一融合基本信度值和第二融合基本信度值，包括：通过计算如下公式对第一条证据和第二条证据的基本信度值进行融合得到融合结果：m(P1)＝m1(P1)m2(P1)/(1-K)m(P2)＝m1(P2)m2(P2)/(1-K)K＝m1(P1)m2(P2)+m1(P2)m2(P1)其中，m(P1)和m(P2)是融合结果对应的基本信度值，m1(P1)和m1(P2)是第一条证据对应的基本信度值，m2(P1)和m2(P2)是第二条证据对应的基本信度值；通过计算如下公式对融合结果和第三条证据的基本信度值进行融合得到第一融合基本信度值和第二融合基本信度值：mc(P1)＝m(P1)m3(P1)/(1-K)mc(P2)＝m(P2)m3(P2)/(1-K)K＝m(P1)m3(P2)+m(P2)m3(P1)其中，mC(P1)是第一融合基本信度值，mC(P2)是第二融合基本信度值，m3(P1)和m3(P2)是第三条证据对应的基本信度值。其进一步的技术方案为，分别确定第一预测模型和第二预测模型的模型权重，包括：确定第一预测模型的预测误差，并根据第一预测模型的预测误差计算第一预测模型的模型权重；确定第二预测模型的预测误差，并根据第二预测模型的预测误差计算第二预测模型的模型权重；其中，第一预测模型和第二预测模型的模型权重的计算公式为：其中，i＝1或2，ω1是第一预测模型的模型权重，e1是第一预测模型的预测误差，D(e1)是第一预测模型的预测误差的方差；ω2是第二预测模型的模型权重e2是第二预测模型的预测误差，D(e2)是第二预测模型的预测误差的方差。其进一步的技术方案为，通过检测样本对应的M个高光谱图像确定检测样本的特征参数，包括：对高光谱图像进行图像分割获取检测样本的轮廓；求取轮廓下的检测样本在Gabor变换下的J个方向的图像均值特征，J为正整数且J≥2；将M个波段下M*J个图像均值特征作为检测样本的特征参数。其进一步的技术方案为，求取轮廓下的检测样本在Gabor变换下的J个方向的图像均值特征，包括：采用Gabor滤波器对检测样本的轮廓进行卷积变化，Gabor滤波器的表达式为：其中，xθ＝xcos(θ)+ysin(θ)，yθ＝xsin(θ)+ycos(θ)，(x,y)是像素的坐标值，σ是高斯包络的标准偏差，θ是控制Gabor滤波器的方向的参数，f是正弦波的频率；选取J个不同的方向θ的取值，对于每个方向θ的取值，计算H为轮廓下的检测样本在方向θ的Gabor变换下的图像均值特征，f(e)是检测样本的轮廓采用方向θ的Gabor滤波器进行卷积变化后的图像直方图的统计值。其进一步的技术方案为，J＝4，4个不同的方向θ的取值分别为θ＝0、θ＝π/4、θ＝π/2以及θ＝3π/4。其进一步的技术方案为，获取每个检测样本在M个波段下的M个高光谱图像，包括：分别获取每个检测样本在S个波段下的S个高光谱图像，S＞M且S为正整数；利用最小二乘投影系数法从S个波段中选择M个波段，分别获取每个检测样本在M个波段下的M个高光谱图像。其进一步的技术方案为，第一算法为二维主成分分析算法，第二算法为稀疏自编码算法。其进一步的技术方案为，待检测物体为肉类，确定每个检测样本的新鲜度等级，包括：测定每个检测样本的挥发性盐基总氮TVB-N含量；根据每个检测样本的TVB-N含量确定检测样本的新鲜度等级。本专利技术的有益技术效果是：本专利技术公开了一种基于证据理论的物体新鲜度无损检测方法，该方法可以克服单模型泛化能力不高、精度低的缺点，本申请基于证据理论对模型进行融合，能够提高新鲜度的预测精度，操作简单、快速本文档来自技高网...

【技术保护点】
1.一种基于证据理论的物体新鲜度无损检测方法，其特征在于，所述方法包括：选取待检测物体的N个新鲜度不同的检测样本，确定每个所述检测样本的新鲜度等级，N为正整数；获取每个所述检测样本在M个波段下的M个高光谱图像，M为正整数；对于每个检测样本，通过所述检测样本对应的M个高光谱图像确定所述检测样本的特征参数；采用第一算法对所述N个检测样本的特征参数进行特征融合，并将融合后的特征输入到最小二乘支持向量机预测模型中得到对样本的新鲜度等级的第一预测模型；采用第二算法对所述N个检测样本的特征参数进行特征融合，并将融合后的特征输入到最小二乘支持向量机预测模型中得到对样本的新鲜度等级的第二预测模型；基于证据理论对所述第一预测模型和所述第二预测模型进行融合得到对样本的新鲜度等级的融合预测模型；使用所述融合预测模型对所述待检测物体进行新鲜度检测确定所述待检测物体的新鲜度等级。

【技术特征摘要】
1.一种基于证据理论的物体新鲜度无损检测方法，其特征在于，所述方法包括：选取待检测物体的N个新鲜度不同的检测样本，确定每个所述检测样本的新鲜度等级，N为正整数；获取每个所述检测样本在M个波段下的M个高光谱图像，M为正整数；对于每个检测样本，通过所述检测样本对应的M个高光谱图像确定所述检测样本的特征参数；采用第一算法对所述N个检测样本的特征参数进行特征融合，并将融合后的特征输入到最小二乘支持向量机预测模型中得到对样本的新鲜度等级的第一预测模型；采用第二算法对所述N个检测样本的特征参数进行特征融合，并将融合后的特征输入到最小二乘支持向量机预测模型中得到对样本的新鲜度等级的第二预测模型；基于证据理论对所述第一预测模型和所述第二预测模型进行融合得到对样本的新鲜度等级的融合预测模型；使用所述融合预测模型对所述待检测物体进行新鲜度检测确定所述待检测物体的新鲜度等级。2.根据权利要求1所述的方法，其特征在于，所述基于证据理论对所述第一预测模型和所述第二预测模型进行融合得到对样本的新鲜度等级的融合预测模型，包括：分别确定所述第一预测模型和所述第二预测模型的模型权重，并在识别框架上建立基本信度函数分配，所述识别框架中包括所述第一预测模型和所述第二预测模型，所述第一预测模型对应的基本信度值为所述第一预测模型的模型权重，所述第二预测模型对应的基本信度值为所述第二预测模型的模型权重；将所述N个检测样本分为训练样本集和测试样本集，并将所述训练样本集均分为三个样本集，依次选取其中两个样本集作为训练集进行训练，并将另一个样本集作为验证集进行验证，将每次得到的验证结果作为所述识别框架中的一条证据并分别确定三条证据对应的基本信度值；基于证据理论的合成规则对三条证据的基本信度值进行融合得到第一融合基本信度值和第二融合基本信度值；确定所述第一融合基本信度值为所述第一预测模型对应的融合权重，确定所述第二融合基本信度值为所述第二预测模型对应的融合权重，将所述第一预测模型和所述第二预测模型按照各自对应的融合权重进行融合得到所述融合预测模型，并利用所述测试样本集测试所述融合预测模型的性能。3.根据权利要求2所述的方法，其特征在于，所述基于证据理论的合成规则对三条证据的基本信度值进行融合得到第一融合基本信度值和第二融合基本信度值，包括：通过计算如下公式对第一条证据和第二条证据的基本信度值进行融合得到融合结果：m(P1)＝m1(P1)m2(P1)/(1-K)m(P2)＝m1(P2)m2(P2)/(1-K)K＝m1(P1)m2(P2)+m1(P2)m2(P1)其中，m(P1)和m(P2)是融合结果对应的基本信度值，m1(P1)和m1(P2)是所述第一条证据对应的基本信度值，m2(P1)和m2(P2)是所述第二条证据对应的基本信度值；通过计算如下公式对所述融合结果和第三条证据的基本信度值进行融合得到所述第一融合基本信度值和第二融合基本信度值：mc(P1)＝m(P1)m3(P1)/(1-K)mc(P2)＝m(P2)...

【专利技术属性】
技术研发人员：黄敏，郭腾飞，朱启兵，郭亚，
申请(专利权)人：江南大学，
类型：发明
国别省市：江苏,32