[发明专利]一种融合NIRS和CV对冷鲜鸭肉新鲜度进行快速检测的方法

说明书

本发明公开了一种融合NIRS和CV对冷鲜鸭肉新鲜度进行快速检测的方法，属于食品检测技术领域。通过提取不同检测方法的特征变量，将光谱数据降维后与图像变换数据共同构建成冷鲜鸭肉的多维度特征变量，丰富变量的信息，应用KNN(K‑Nearest Neighbor)法即K最邻近法建立冷鲜鸭肉的新鲜度预测模型，多维度特征变量极大提高了建模的准确性，在对样品新鲜度验证时，准确率高达95.24％，效果良好。

技术领域

本发明涉及食品检测技术领域，涉及冷鲜鸭肉新鲜度检测方法，尤其是一种融合光谱技术以及图像技术的冷鲜鸭肉新鲜度快速检测方法。

背景技术

新鲜度是肉类品质安全的重要指标，在肉品变质过程中会产生氨及胺类等含氮物质，传统上通常测定挥发性盐基氮(TVB-N)的含量表达肉品变质程度，该方法需要一定的检测周期和专用的仪器设备，不适合现场检测。

目前，无损检测技术正逐步替代常规检测方法，其中近红外光谱技术(NIRS)应用较为广泛，由于肉品中含有大量蛋白质、碳水化合物等有机化合物，这些含氢基团物质可以引起近红外的合频、倍频吸收，产生吸收光谱，再通过化学计量学建立光谱与检测目标的关系模型，从而实现快速检测，NIRS目前已在肉品掺假、成分预测方面得到应用。此外，计算机视觉技术(computer vision，CV)通过图像传感器采集样品图像信息再转换为数字信号，由计算机进行分析，在肉品的颜色、纹理、明暗度等特征信息方面也有比较广泛的应用。虽然这些无损检测方法具有快速安全，成本低等优点，但是其本质是一种间接的检测方法，准确性一直是制约其进一步普及的重要因素。

近红外光谱技术与计算机视觉技术可以从不同角度评价肉品的品质，应用这两种技术对冷鲜肉品新鲜度进行的检测虽有个别报道，但是准确度仍不高，其原因主要是单一的检测技术只能从某一方面进行测定，对于样品特征信息的表征并不全面。

融合多种检测技术构建样品特征变量是一种丰富样品信息，提高无损检测方法准确率的有效手段，但目前通过融合光谱技术以及图像技术对冷鲜鸭肉新鲜度进行检测的方法还未有报道。

发明内容

本发明针对目前单一检测技术对冷鲜鸭肉的检测准确率不高的问题，通过使用NIRS和CV两种检测技术，并通过特殊的处理对其进行融合，将多维数据整合后构建更准确的预测模型，实现对冷鲜鸭肉新鲜度的快速检测。

为实现上述目的，本发明使用了以下技术手段：

一种融合NIRS和CV对冷鲜鸭肉新鲜度进行快速检测的方法，包括建立KNN模型以及利用该模型对冷鲜鸭肉新鲜度进行检测的步骤，所述KNN模型的建立包括以下步骤：

1)将用于建模的冷鲜鸭肉切块后于4℃冷藏，定期采集样本的近红外光谱数据以及图像数据，其中，近红外光谱数据的采集使用的是光纤探头漫反射模式，波段4,000-10,000cm^-1，以log(1/R)表示光谱的响应值，其中R为反射率；图像数据的采集使用的是分辨率不低于500万像素的高分辨率数码相机；数据采集的频率为每1～3h采集一次，连续采集14天；

2)在采集近红外光谱数据以及图像数据的同时对样本进行理化指标测定，并根据理化指标测定结果对样本新鲜度等级进行评级和标记；

3)利用计算机软件对步骤1)采集到的近红外光谱数据进行主成分分析，将原来的多个主成分降维成仅有一个主成分的数据，此数据用P表示；

4)利用计算机软件获得步骤1)采集到的的图像数据中的颜色值，并计算与初始颜色值之间的色距，此数据用S表示；

5)利用计算机软件对P值和S值进行归一化处理，构建n个样本的特征变量矩阵X如下表示：

6)使用k最近邻算法判断样本新鲜度所属类别，建立特征变量与样品新鲜度等级的KNN模型。