[发明专利]一种基于高光谱成像技术对大豆蛋白低对比度异物的检测方法

权利要求书

1.一种基于高光谱成像技术对大豆蛋白低对比度异物的检测方法，其特征在于，按照下述步骤进行：

步骤一，大豆蛋白肉-异物的反射光谱特征提取包含如下过程：

过程一，制备样品；

取大豆蛋白肉，将其斩拌制糜，均匀平铺，制成(M+1)*N个大豆蛋白肉样品；其中包括N个无异物大豆蛋白肉样品和含有M种异物的M*N个大豆蛋白肉样品；

所述含有异物的大豆蛋白肉样品设置有M组，记为大豆蛋白肉-异物样品，简记为Y-i-j；大豆蛋白肉样品作为空白对照，记为空白样品，简记为KB-k；其中i∈[1,2,……,M-1,M]，j、k∈[1,2,……,N-1,N]，M、N为正整数；

所述异物包括玻璃、塑料或硅胶；所述大豆蛋白肉-异物样品的制备方法：取异物与大豆蛋白肉样品混合，即可得到含有异物的大豆蛋白肉样品；

过程二，对大豆蛋白肉样品采集反射高光谱图像及光谱特征提取；

将过程一制备的(M+1)*N个大豆蛋白肉样品按照d：1的比例随机分配训练集和预测集；其中训练集包含M*N*d/(d+1)个大豆蛋白肉-异物样品以及N*d/(d+1)个空白样品；预测集包含M*N*1/(d+1)个大豆蛋白肉-异物样品以及N*1/(d+1)个空白样品；其中d为正整数；

将训练集和预测集的样品进行反射高光谱图像采集，从白色光谱面板上获取白色参考图像，完全覆盖相机镜头，以获取黑色参考图像，然后利用白色和黑色参考图像对采集的高光谱图像进行黑白版矫正，得到校正好的高光谱图像；

利用校正好的高光谱图像，使用ENVI软件中的矩形选择工具创建异物以及大豆蛋白肉样品的感兴趣区域，提取感兴趣区域全光谱信息，再对其平均化处理，得到原始光谱数据集为((M+1)*N)×618，记为G，包括训练数据集和预测数据集，其中训练数据集为((M+1)*N*d/(d+1))×618，记为G-cal；预测数据集为((M+1)*N*1/(d+1))×618，记为G-pre；

对G进行预处理后提取大豆蛋白肉-异物的反射光谱特征数据集为((M+1)*N)×r，记为G1；包括训练数据集和预测数据集，其中训练数据集为((M+1)*N*d/(d+1))×r，记为G1-cal；预测数据集为((M+1)*N*1/(d+1))×r，记为G1-pre；r为大豆蛋白肉-异物的反射光谱特征变量个数；

步骤二，所述基于大豆蛋白肉-异物反射光特征的鉴别模型构建包括如下过程：

过程一，利用步骤一得到的训练数据集G1-cal和预测数据集G1-pre作为模型输入变量X，以是否有异物作为输出变量Y，其中以参考值0代表大豆蛋白肉，参考值1代表异物，结合化学计量法建立异物鉴别模型Y＝F(X)；

过程二，使用训练数据集G1-cal的光谱数据对模型参数进行优化调节，并使用测试数据集G1-pre对训练模型进行验证，通过正确分类样品的准确率来评估模型对异物的判别能力；

步骤三，所述待测样品异物鉴别包括如下过程：

过程一，取大豆蛋白肉，将其斩拌制糜，均匀平铺，制成待测样品，在高光谱检测仪下获得待测样品逐像素的光谱反射数据；

过程二，利用获得的光谱数据根据步骤一过程二中图像采集方法获得待测样品的光谱特征数据，遍历高光谱图像中每一像素点的光谱特征数据作为自变量X，代入异物鉴别模型Y＝F(X)，如果该像素点被判断有异物，则设置像素灰度值输出为1，如果判断为无异物则设置像素灰度值输出为0；最终生成二值化图像，其中0灰度级区域代表大豆蛋白肉区域，1灰度级区域代表异物区域，从而实现大豆蛋白肉中低对比度异物的可视化检测。

2.根据权利要求1所述的一种基于高光谱成像技术对大豆蛋白低对比度异物的检测方法，其特征在于，步骤一的过程一中所述大豆蛋白肉样品平铺的厚度为1cm，大小为5cm*5cm。

3.根据权利要求1所述的一种基于高光谱成像技术对大豆蛋白低对比度异物的检测方法，其特征在于，步骤一的过程一中所述异物的尺寸为1cm*1cm*0.5mm。