[发明专利]一种基于高光谱成像技术的冷鲜肉品质无损检测方法

说明书

技术领域

本发明属于冷鲜肉品质检测技术领域，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。

背景技术

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。

发明内容

本发明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。

本发明是这样实现的，

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+E_d(1)；

其中，E_d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，I_w为白板图像，I_b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；