[发明专利]基于多特征融合的肉类新鲜度高光谱图像可视化检测

摘要

本发明公开了一种基于多特征融合的肉类新鲜度高光谱图像可视化无损检测方法，克服了传统无损检测方法存在的检测精度稳定性和可靠性差的缺点。该方法的技术方案为a、采集肉类样本的高光谱反射图像；b、提取高光谱反射图像在不同波段下的光强均值、图像熵、能量均值特征；c、分别建立三种特征和仪器破坏性检测获得的TVB‑N的偏最小二乘预测模型，并获得关于TVB‑N的无权重融合预估模型；e、采集待测肉样的高光谱图像，输入到建立好的无权重融合模型得到各像素的TVB‑N预测结果，实现肉样腐败程度和区域的可视化检测。该方法能够在多数肉样无损的情况下，实现肉类新鲜度的快速可视化检测，具有简单快速度、预测精度高、鲁棒性好的优点。

主权项

基于多特征融合的肉类新鲜度高光谱图像可视化检测方法，其特征是，所述检测方法包括如下步骤：a、共选取S个肉类样本，利用高光谱反射图像采集系统采集每个样本在共P个波段下的高光谱反射图像；b、分别提取这S个样本在P个波段下的的高光谱反射图像的光强均值、图像熵、及能量均值特征；c、将采集好高光谱图像的S个肉类样本做破坏性试验，用半微量凯氏定氮法测定样本的挥发性盐基氮TVB‑N含量，得到肉样的新鲜度分类结果；d、利用S个肉样高光谱图像的光强均值、图像熵、及能量均值特征构建对样本的TVB‑N值的融合预估模型；e、利用高光谱反射图像采集系统采集待测样本的高光谱反射图像，并按照步骤(b)获得高光谱图像的特征参数，输入到步骤(d)建立的融合预估模型，最终获得待测样本的TVB‑N预测值；f、根据步骤(d)建立的融合预估模型，获得TVB‑N在肉类表面的分布情况，实现对待测猪肉样本的新鲜度的可视化检测；其中，步骤(b)所描述的多特征提取，具体包括：s1、利用标准白板对第s个肉类样本的高光谱图像进行校准，从而得到其在第t个波段下肉类高光谱反射图像的相对光强值As，t；As,t=Xs,t-RtR‾t-Rt]]>其中，s≤S，t≤P，Xs，t表示第s个肉类样本在第t个波段下的高光谱图像反射光强值；为第t个波段下标准白板高光谱反射图像的光强值，Rt为第t个波段下采集的全黑标定图像光强值；s2、提取第s个样本在第t个波段下的光强均值特征Asums,t=Σi=1msΣj=1nsA(i,j)s,t]]>Ameans,t=Asums,t/(ms·ns)]]>其中表示第s个肉类样本在第t个波段下高光谱图像矩阵第i行第j列像素的相对光强值，ms，ns分别表示第s个样本的高光谱图像矩阵的行数和列数；s3、提取第s个样本在第t个波段下的图像熵特征B(i,j)s,t=-A(i,j)s,tAsums,tlog2A(i,j)s,tAsums,t]]>Bentropys,t=Σi=1msΣj=1nsB(i,j)s,t/(ms·ns)]]>其中表示第s个样本在第t个波段下高光谱图像矩阵第i行第j列像素的熵值；s4、提取第s个样本在第t个波段下的能量均值特征C(i,j)s,t=A(i,j)s,t-A(i0,j0)s,t(i-i0)2+(j-j0)2]]>Cpowers,t=Σi=1msΣj=1nsC(i,j)s,t/(ms·ns)]]>其中表示第s个样本在第t个波段下高光谱图像矩阵第i行第j列像素的能量值；(i0，j0)表示光谱图像质心的坐标，表示光谱图像质心位置对应的相对光强值。