專利名稱：一種畜肉細(xì)菌總數(shù)無損檢測方法
技術(shù)領(lǐng)域：
本發(fā)明屬于農(nóng)畜產(chǎn)品無損檢測領(lǐng)域，涉及一種畜肉細(xì)菌總數(shù)無損檢測方法，更具
體地，涉及一種牛肉細(xì)菌總數(shù)無損檢測方法。
背景技術(shù)：
牛肉是主要肉類產(chǎn)品之一，具有高蛋白質(zhì)、低脂肪、維生素及礦物質(zhì)含量豐富、含
有人們所需要的一切必需氨基酸等特點，是一種營養(yǎng)價值較高的保健型肉食品，深受國際
國內(nèi)市場的青睞。隨著人們膳食結(jié)構(gòu)的不斷變化及對健康的日益關(guān)注，牛肉品質(zhì)安全受到
了前所未有的重視，優(yōu)質(zhì)、高檔牛肉供不應(yīng)求。食品衛(wèi)生與人的健康關(guān)系極為密切。食品中
的微生物是人類許多疾病發(fā)生的根源之一。在微生物污染中，細(xì)菌性污染是涉及面最廣、影
響最大、問題最多的一種污染。由此引出了食品微生物的檢測，通過食品微生物的檢測，可
以判斷食品加工環(huán)境及食品衛(wèi)生情況，能夠?qū)κ称繁患?xì)菌污染的程度及腐敗程度做出正確
的評價，為各項管理工作提供科學(xué)依據(jù)，防止人類、動物食品中毒。細(xì)菌總數(shù)是食品檢疫中
最重要的指標(biāo)之一，它能反映肉產(chǎn)品的腐敗程度，作為新鮮度的參考指標(biāo)之一，比揮發(fā)性鹽
基氮可靠性更高，目前傳統(tǒng)的培養(yǎng)計數(shù)法，需要48小時才能得出準(zhǔn)確的結(jié)果，已越來越不
能滿足如今日益快速的生活節(jié)奏。因此，需要建立現(xiàn)代的微生物快速檢測方法。 高光譜圖像能夠同時提供大量不間斷的光頻譜和空間信息，因此可以獲得比傳統(tǒng)
光譜分析技術(shù)更精確的分析結(jié)果。Bosoon Park等人利用高光譜成像技術(shù)成功檢測出家禽
胴體表面排泄物的污染，準(zhǔn)確率可達到96%以上。Peng和Lu基于空間分辨高光譜漫反射
成像技術(shù)對水果和蔬菜的光學(xué)特性進行了研究，證明了該方法是檢測水果和蔬菜的品質(zhì)參
數(shù)的有效工具。喬軍等人利用高光譜成像技術(shù)成功的對牛肉的大理石紋、滴水損失率、顏色
等指標(biāo)進行了預(yù)測，但是，基于高光譜成像的食用肉內(nèi)部品質(zhì)安全的無損檢測研究在我國
尚未開展。

發(fā)明內(nèi)容
( — )要解決的技術(shù)問題 針對背景技術(shù)中所提到的問題，本發(fā)明利用高光譜成像技術(shù)，探求食用肉的光學(xué)特性，以牛肉這一重要食用肉為對象，探索食用肉的可見光和紅外線光(VIS/NIR)的散射和吸收特征參數(shù)；找出牛肉細(xì)菌總數(shù)與光學(xué)信號的特征的內(nèi)在關(guān)聯(lián)并建立預(yù)測評估數(shù)學(xué)模型，以開發(fā)快速、無損的牛肉微生物腐敗的檢測方法。
( 二 )技術(shù)方案 為達到上述目的，本發(fā)明的技術(shù)方案提供一種畜肉細(xì)菌總數(shù)無損檢測方法，其特征在于，包括以下步驟 Sl、獲取待測畜肉樣品的高光譜散射圖像； S2、根據(jù)國標(biāo)GB/T 4789. 2-2003檢測待測畜肉樣品的菌落總數(shù)即為細(xì)菌總數(shù)測量值；
S3、使用洛倫茲分布函數(shù)擬合待測樣品表面高光譜散射圖像在各個波長處的散射 曲線，得到洛倫茲參數(shù)及參數(shù)的乘積值，來表征待測畜肉樣品表面在各個波長處的散射特 征； S4、使用多元線性回歸法求出各波長處待測畜肉樣品特征參數(shù)與細(xì)菌總數(shù)測量值 間的相關(guān)性及預(yù)測誤差； S5、比較分析對應(yīng)于不同波長處的待測畜肉樣品特征參數(shù)與細(xì)菌總數(shù)測量值間的 相關(guān)性，使用逐步回歸方法求出用于預(yù)測待測畜肉樣品細(xì)菌總數(shù)的最佳波長和波長數(shù)；
S6、利用已求出的最佳波長建立待測畜肉樣品細(xì)菌總數(shù)的預(yù)測評估模型，與細(xì)菌 總數(shù)測量值對比來預(yù)測待測畜肉樣品的細(xì)菌總數(shù)。 其中，所述步驟S1中的高光譜散射圖像是通過在待測畜肉樣品表面選取不同位
置的掃描線，對每條掃描線掃描多次，之后對獲取的掃描圖像取平均值獲得。 其中，所述步驟S3中建立的洛倫茲分布函數(shù)為
/ 一 ,.
乂W — i , z / L 其中，I:代表反射強度(即CCD灰度值)；X:代表散射曲線離中心點的距離，單位 是mm ;a :代表散射曲線在掃描線中心點的峰值；b :代表a/2位置處散射曲線離中心點的距
離，單位是mm ;Wi :波長范圍在400 1100nm內(nèi)的某一波長，i = 1，2， ，N，N為總的波長數(shù)。 其中，所述步驟S4中建立的多元線性回歸數(shù)學(xué)模型為
F = /。 +》/,J Wi
/ = 1 其中，F(xiàn)是檢測參數(shù)值；f。和&是回歸方程系數(shù)；i = 1，2. . . ， m， m是所建模型中 優(yōu)選波長數(shù)目；X代表洛倫茲分布函數(shù)擬合曲線的a、 b或aXb ;Wi為選擇的優(yōu)化波長。
其中，在建立預(yù)測評估模型時，隨機選取待測畜肉樣品的3/4，用于預(yù)測模型的建 立；剩余的1/4樣品作為驗證組，用于評價模型預(yù)測效果。
(三)有益效果 上述技術(shù)方案具有如下優(yōu)點通過分析待測牛肉樣品的高光譜圖像特征，將洛倫 茲函數(shù)用于擬合牛肉的高光譜散射曲線，利用擬合得到的洛倫茲參數(shù)a、 b和aXb，采用逐 步回歸法選擇最優(yōu)波長組合建立牛肉的特征光譜與細(xì)菌總數(shù)之間的定標(biāo)模型，比較三個參 數(shù)的模型預(yù)測結(jié)果，結(jié)果證實基于參數(shù)aXb的多元線性回歸(MLR)預(yù)測模型效果最好?？?見，利用可見-近紅外光譜波長范圍內(nèi)的光作為點光源照射牛肉樣品，分析其在表面形成 的散射光信息，可以作為畜肉細(xì)菌總數(shù)的無損檢測方法；將本發(fā)明進行必要修正，也可以作 為一種新的方法應(yīng)用于畜肉水分、蛋白質(zhì)、脂肪含量等內(nèi)部成分的無損檢測領(lǐng)域中。


圖1是本發(fā)明畜肉細(xì)菌總數(shù)無損檢測方法中獲取待測牛畜肉樣品表面高光譜圖 像的成像系統(tǒng)結(jié)構(gòu)組成示意圖； 圖2是本發(fā)明畜肉細(xì)菌總數(shù)無損檢測方法中待測牛肉樣品表面高光譜散射圖像；
圖3是本發(fā)明畜肉細(xì)菌總數(shù)無損檢測方法中利用洛倫茲函數(shù)在756nm波長處的曲
4線擬合圖； 圖4是本發(fā)明畜肉細(xì)菌總數(shù)無損檢測方法中洛倫茲參數(shù)a、 b和aXb與牛肉細(xì)菌總數(shù)的相關(guān)系數(shù)分布圖； 圖5a是本發(fā)明畜肉細(xì)菌總數(shù)無損檢測方法中基于洛倫茲參數(shù)a的模型校正結(jié)
果；
果；
果；
果；
果；
圖5b是本發(fā)明畜肉細(xì)菌總數(shù)無損檢測方法中基于洛倫茲參數(shù)a的模型預(yù)測結(jié)圖6a是本發(fā)明畜肉細(xì)菌總數(shù)無損檢測方法中基于洛倫茲參數(shù)b的模型校正結(jié)圖6b是本發(fā)明畜肉細(xì)菌總數(shù)無損檢測方法中基于洛倫茲參數(shù)b的模型預(yù)測結(jié)圖7a是本發(fā)明畜肉細(xì)菌總數(shù)無損檢測方法中基于洛倫茲參數(shù)aXb的模型校正結(jié)圖7b是本發(fā)明畜肉細(xì)菌總數(shù)無損檢測方法中基于洛倫茲參數(shù)aXb的模型預(yù)測結(jié) 其中，1 :光源系統(tǒng)；2 :光纖；3 :第一透鏡；4 :高光譜攝制儀；5 :CCD數(shù)字照相機；6 :相機控制系統(tǒng)；7 :計算機；8 :第二透鏡；9 :待測樣品。
具體實施例方式
下面結(jié)合附圖和實施例，對本發(fā)明的具體實施方式
作進一步詳細(xì)描述。以下實施例用于說明本發(fā)明，但不用來限制本發(fā)明的范圍。 本發(fā)明畜肉細(xì)菌總數(shù)無損檢測方法中，使用高光譜成像系統(tǒng)來獲取待測牛肉樣品表面的高光譜圖像，所述高光譜成像系統(tǒng)包括
—個高性能的背后照明式CCD數(shù)字照相機； 高光譜攝制儀(其覆蓋波長為400 1100nm，光譜分辨率為2. 8nm)，用于攝制光譜圖像； 第一透鏡，用于將光源系統(tǒng)發(fā)出的光線準(zhǔn)直；
第二透鏡，用于會聚待測畜肉樣品表面反射的光線； 200W鹵鎢燈及帶有反饋控制器的光源供給系統(tǒng)，為圖像采集裝置提供足夠的光照強度； 樣本載物臺及其調(diào)節(jié)機構(gòu)； 計算機，用于圖像數(shù)據(jù)顯示及處理。 在使用高光譜成像系統(tǒng)獲取待測牛肉樣品表面的高光譜圖像，并檢測其細(xì)菌總數(shù)時，需要進行如下操作 1)試驗開始前，選取合適的牛肉樣品，用無菌刀切割成8cmX4cmX3. 5cm的小塊，
隨后用保鮮袋密封貯藏于冰箱中，貯藏溫度為8°C ; 2)將整個高光譜成像系統(tǒng)安置在一個封閉的光屏蔽艙內(nèi)，以防外部光干擾；
3)將待測牛肉樣品置于光屏蔽艙內(nèi)圖像采集裝置的下方； 4)調(diào)制光源供給系統(tǒng)，使在圖像采集裝置的正下方的待測樣品上形成足夠的光照強度的區(qū)域； 5)開啟高光譜攝制儀和CCD相機，采集待測牛肉樣品的圖像數(shù)據(jù)，為提高圖像的 信噪比，對原始圖像1040 X 1376作2 X 2binning處理，處理后圖像降為520 X 688像素，每 個樣本表面平行選取4個不同位置的掃描線，每個掃描線掃描四次，每次獲取一張圖像，每 個樣本共掃描16次，獲取16個掃描圖像，然后取16個圖像的平均圖像作為該樣本的最終 圖像，相機控制器將圖像數(shù)據(jù)傳輸給計算機，利用Matlab軟件處理圖像數(shù)據(jù)；
6)牛肉樣品在采集完光譜圖像后立即根據(jù)國標(biāo)GB/T4789. 2-2003檢測得到的菌 落總數(shù)即為細(xì)菌總數(shù)測量值； 7)使用洛倫茲函數(shù)(Lorentzian distribution function)，從高光譜圖像中抽取 圖像特征并建立牛肉散射曲線的數(shù)學(xué)模型，每一條散射曲線包含了該波長的光對被測物的 反映，即被測物組織成分的光學(xué)特性，描述樣品間組織成分差異的特征參數(shù)，用多元線性回 歸法求出各波長特征參數(shù)與被測值間的相關(guān)性及預(yù)測誤差； 8)比較分析對應(yīng)于不同波長的相關(guān)性，用逐步回歸法求出用于預(yù)測被測值的最佳 波長和波長數(shù)，利用已求出的波長可進一步建立被測值的預(yù)測評估模型，然后與細(xì)菌總數(shù) 測量值的標(biāo)準(zhǔn)參照值對比來預(yù)測牛肉的細(xì)菌總數(shù)。 本發(fā)明提供的牛肉細(xì)菌總數(shù)無損檢測的高光譜成像系統(tǒng)及檢測方法，采用洛倫茲 參數(shù)作為光譜數(shù)據(jù)建立多元線性回歸模型。下面結(jié)合附圖予以說明。 圖1所示為獲取待測牛畜肉樣品表面高光譜圖像的成像系統(tǒng)結(jié)構(gòu)組成示意圖。圖 中CCD數(shù)字照相機5、高光譜攝制儀4和第二透鏡8組成圖像采集裝置、200W鎢鹵素?zé)艏皫?有反饋控制器的光源供給系統(tǒng)1、光纖2和第一透鏡3組成光照裝置，提供滿足圖像所需光 照強度，使在圖像采集裝置的正下方的待測牛肉樣品9上形成足夠的光照強度的區(qū)域；相 機控制系統(tǒng)6連接在CCD數(shù)字照相機5和計算機7之間。整個系統(tǒng)安置在一個封閉的光屏 蔽艙內(nèi)，以防外部光干擾。軟件用Matlab設(shè)計。 圖2是使用圖l所示系統(tǒng)從某一牛肉樣品采集的高光譜圖像。圖中縱軸為光譜軸， 橫軸是空間軸，圖像的灰度值代表反射強度。每個高光譜圖像包含大量牛肉品質(zhì)相關(guān)信息。 圖像垂直線代表掃描線上對應(yīng)點的光譜反射圖像。使用原創(chuàng)的圖像處理方法及數(shù)學(xué)算法， 從高光譜圖像中抽取圖像特征并建立數(shù)學(xué)模型，來預(yù)測牛肉的個質(zhì)量安全參數(shù)。使用洛倫 茲函數(shù)來計算每一個散射圖像的輪廓參數(shù) Aw = ， ， z 、2 其中，I代表反射強度(CCD灰度值)；x代表散射曲線離中心點的距離，單位是mm; a代表散射曲線在掃描線中心點的峰值；b代表a/2位置處散射曲線離中心點的距離，單位 是mm ;下標(biāo)Wi代表波長，范圍是400-1100nm， i = 1， 2， 3， . . . ， N， N為總的波長數(shù)。
牛肉樣本在每個波長上均有一條散射曲線，利用洛倫茲函數(shù)對該曲線進行擬合， 則每條曲線均可得到2個洛倫茲參數(shù)，即a和b。通過擬合得到的a和b，以及該參數(shù)的乘 積aXb作為每個樣本的光譜參數(shù)，參與牛肉細(xì)菌總數(shù)的預(yù)測。圖3為一個牛肉樣本在波長 756nm處擬合得到的洛倫茲曲線與原散射曲線圖，從圖中可以看出，兩參數(shù)洛倫茲函數(shù)能夠 很好的擬合出牛肉樣本的空間散射曲線。 高光譜圖像表征投向牛肉的光子被牛肉吸收、散射后剩余的部分，在牛肉內(nèi)部漫散射后通過樣品表面向外部反射的強度和分布狀態(tài)。從高光譜圖像中抽取圖像特征并建立牛肉散射曲線的數(shù)學(xué)模型，每一條散射曲線包含了該波長的光對被測物的反映，即被測物組織成分的光學(xué)特性，描述樣品間組織成分差異的特征參數(shù)，用多元線性回歸法求出各波長特征參數(shù)與被測值間的相關(guān)性及預(yù)測誤差；比較分析對應(yīng)于不同波長的相關(guān)性，用逐步回歸法求出用于預(yù)測被測值的最佳波長和波長數(shù)，利用已求出的波長可進一步建立被測值的預(yù)測評估模型。 牛肉質(zhì)量和安全指標(biāo)的預(yù)測，依據(jù)從各樣品的高光譜圖像求取的光學(xué)散射和吸收的特征參數(shù)，利用逐步回歸法和多元線性回歸建立線性預(yù)測模型；關(guān)于建模過程，共29個牛肉樣品，首先使用隨機選取的3/4的樣品(即21個)作為校正集建立校正模型，然后再用剩余的1/4的樣品(即8個)作為檢驗集去驗證模型的預(yù)測精度，通過相關(guān)性和誤差分析，確定最佳的模型用于描述肉質(zhì)特性與高光譜圖像特征的關(guān)系。 通過所建立的高光譜成像系統(tǒng)，可以獲得牛肉的高光譜圖像，如圖2、圖3所示，采用洛倫茲參數(shù)擬合得到的洛倫茲參數(shù)a和b，以及該參數(shù)的乘積aXb作為光譜數(shù)據(jù)，利用逐步回歸法選取最佳波長組合，建立多元線性預(yù)測模型，用檢驗集樣本去驗證模型效果，即可對牛肉的品質(zhì)做出判斷。 圖4為參數(shù)a、b和aXb與牛肉細(xì)菌總數(shù)之間的簡單相關(guān)分析圖，即分析每一波長處a、 b和aXb與細(xì)菌總數(shù)的相關(guān)性。從圖中可以看出，在560-980nm范圍內(nèi)，光譜反射與牛肉細(xì)菌總數(shù)的相關(guān)性有較大的變化。在560-800nm范圍內(nèi)，光譜反射與牛肉細(xì)菌總數(shù)正相關(guān)，而在820-980nm范圍內(nèi)，反射強度與細(xì)菌總數(shù)負(fù)相關(guān)，a和aXb與細(xì)菌總數(shù)的相關(guān)性優(yōu)于b與細(xì)菌總數(shù)的相關(guān)性。 對560-980nm范圍內(nèi)的洛倫茲參數(shù)a、 b和aXb，用逐步回歸法選擇最優(yōu)波長，用于建立多元線性回歸模型。對于參數(shù)a選出的最佳波長組合為592， 596， 602， 659， 803和825nm，模型的校正和預(yù)測結(jié)果分別如圖5a和圖5b所示；對于參數(shù)b選出的最佳波長組合為596， 838， 905和913nm，模型的校正和預(yù)測結(jié)果分別如圖6a和圖6b所示；對于參數(shù)aXb選出的最佳波長組合為596，822，838，841，889和900nm，模型的校正和預(yù)測結(jié)果分別如圖7a和圖7b所示； 研究結(jié)果表明，將洛倫茲函數(shù)用于擬合牛肉的高光譜散射曲線，利用擬合得到的洛倫茲參數(shù)a、b和aXb建立定標(biāo)模型。選用可見-近紅外區(qū)(560-980nm)作為建模譜區(qū)，分別采用逐步回歸和多元線性回歸法(MLR)建立牛肉的特征光譜與細(xì)菌總數(shù)之間的定標(biāo)模型。基于洛倫茲參數(shù)a、b和aXb的MLR預(yù)測模型的相關(guān)系數(shù)r2分別為0. 91、0. 69、0. 96，其中基于參數(shù)aXb的預(yù)測模型效果最好，可見，利用可見_近紅外光譜波長范圍內(nèi)的光作為點光源照射牛肉樣品，分析其在表面形成的散射光信息，可以作為畜肉細(xì)菌總數(shù)的無損檢測方法；將本發(fā)明進行必要修正，也可以作為一種新的方法應(yīng)用于畜肉水分、蛋白質(zhì)、脂肪含量等內(nèi)部成分的無損檢測領(lǐng)域中。 以上所述僅是本發(fā)明的優(yōu)選實施方式，應(yīng)當(dāng)指出，對于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明技術(shù)原理的前提下，還可以做出若干改進和替換，這些改進和替換也應(yīng)視為本發(fā)明的保護范圍。
權(quán)利要求
一種畜肉細(xì)菌總數(shù)無損檢測方法，其特征在于，包括以下步驟S1、獲取待測畜肉樣品的高光譜散射圖像；S2、根據(jù)國標(biāo)GB/T 4789.2-2003檢測待測畜肉樣品的菌落總數(shù)即為細(xì)菌總數(shù)測量值；S3、使用洛倫茲分布函數(shù)擬合待測樣品表面高光譜散射圖像在各個波長處的散射曲線，得到洛倫茲參數(shù)及參數(shù)的乘積值，來表征待測畜肉樣品表面在各個波長處的散射特征；S4、使用多元線性回歸法求出各波長處待測畜肉樣品特征參數(shù)與細(xì)菌總數(shù)測量值間的相關(guān)性及預(yù)測誤差；S5、比較分析對應(yīng)于不同波長處的待測畜肉樣品特征參數(shù)與細(xì)菌總數(shù)測量值間的相關(guān)性，使用逐步回歸方法求出用于預(yù)測待測畜肉樣品細(xì)菌總數(shù)的最佳波長和波長數(shù)；S6、利用已求出的最佳波長建立待測畜肉樣品細(xì)菌總數(shù)的預(yù)測評估模型，與細(xì)菌總數(shù)測量值對比來預(yù)測待測畜肉樣品的細(xì)菌總數(shù)。
2. 如權(quán)利要求1所述的畜肉細(xì)菌總數(shù)無損檢測方法，其特征在于，所述步驟S1中的 高光譜散射圖像是通過在待測畜肉樣品表面選取不同位置的掃描線，對每條掃描線掃描多 次，之后對獲取的掃描圖像取平均值獲得。
3. 如權(quán)利要求1所述的畜肉細(xì)菌總數(shù)無損檢測方法，其特征在于，所述步驟S3中建立 的洛倫茲分布函數(shù)為其中，I :代表反射強度(即CCD灰度值)；X:代表散射曲線離中心點的距離，單位是mm; a:代表散射曲線在掃描線中心點的峰值；b :代表a/2位置處散射曲線離中心點的距離，單 位是mm;Wi :波長范圍在400 1100nm內(nèi)的某一波長，i = 1，2， . . . ，N， N為總的波長數(shù)。
4. 如權(quán)利要求1所述的畜肉細(xì)菌總數(shù)無損檢測方法，其特征在于，所述步驟S4中建立 的多元線性回歸數(shù)學(xué)模型為 <formula>formula see original document page 2</formula>其中，F(xiàn)是檢測參數(shù)值；f。和fi是回歸方程系數(shù)；i = 1，2... ， m， m是所建模型中優(yōu)選 波長數(shù)目；X代表洛倫茲分布函數(shù)擬合曲線的a、b或aXb值；Wi為選擇的優(yōu)化波長。
5. 如權(quán)利要求1所述的畜肉細(xì)菌總數(shù)無損檢測方法，其特征在于，在建立預(yù)測評估模 型時，隨機選取待測畜肉樣品的3/4作為校正組，用于模型的建立，剩余的1/4作為驗證組， 用于模型預(yù)測結(jié)果的檢驗，比較相關(guān)性和誤差分析，確定出最佳的預(yù)測評估模型。
全文摘要
本發(fā)明公開了一種畜肉細(xì)菌總數(shù)無損檢測方法，利用高光譜成像系統(tǒng)獲取待測畜肉樣品的高光譜散射圖像，采用洛倫茲函數(shù)擬合散射特征得到洛倫茲參數(shù)以及該參數(shù)的乘積作為光譜數(shù)據(jù)，利用逐步回歸法選取最佳波長組合，使用最佳波長處的洛倫茲參數(shù)建立多元線性預(yù)測模型，使用預(yù)測模型可對畜肉細(xì)菌總數(shù)做出判斷。本發(fā)明快速、無損，利用可見-近紅外光譜波長范圍內(nèi)(400～1100nm)的光作為點光源照射畜肉樣品，分析其表面的散射光譜信息，可以作為畜肉細(xì)菌總數(shù)的無損檢測方法；將本發(fā)明進行必要修正，也可以作為一種新的方法應(yīng)用于畜肉水分、蛋白質(zhì)、脂肪含量等內(nèi)部成分的無損檢測領(lǐng)域中。
文檔編號G01N21/35GK101776597SQ20101003451
公開日2010年7月14日 申請日期2010年1月19日 優(yōu)先權(quán)日2010年1月19日
發(fā)明者吳建虎, 張靜, 彭彥昆, 王偉, 黃慧 申請人:中國農(nóng)業(yè)大學(xué)