基于多特征融合的肉類新鮮度高光譜圖像可視化檢測(cè)的制作方法
【專利摘要】本發(fā)明公開(kāi)了一種基于多特征融合的肉類新鮮度高光譜圖像可視化無(wú)損檢測(cè)方法，克服了傳統(tǒng)無(wú)損檢測(cè)方法存在的檢測(cè)精度穩(wěn)定性和可靠性差的缺點(diǎn)。該方法的技術(shù)方案為：a、采集肉類樣本的高光譜反射圖像；b、提取高光譜反射圖像在不同波段下的光強(qiáng)均值、圖像熵、能量均值特征；c、分別建立三種特征和儀器破壞性檢測(cè)獲得的TVB-N的偏最小二乘預(yù)測(cè)模型，并獲得關(guān)于TVB-N的無(wú)權(quán)重融合預(yù)估模型；e、采集待測(cè)肉樣的高光譜圖像，輸入到建立好的無(wú)權(quán)重融合模型得到各像素的TVB-N預(yù)測(cè)結(jié)果，實(shí)現(xiàn)肉樣腐敗程度和區(qū)域的可視化檢測(cè)。該方法能夠在多數(shù)肉樣無(wú)損的情況下，實(shí)現(xiàn)肉類新鮮度的快速可視化檢測(cè)，具有簡(jiǎn)單快速度、預(yù)測(cè)精度高、魯棒性好的優(yōu)點(diǎn)。
【專利說(shuō)明】基于多特征融合的肉類新鮮度高光譜圖像可視化檢測(cè)
【技術(shù)領(lǐng)域】
[0001]本方法涉及肉類新鮮度的無(wú)損檢測(cè)方法，尤其涉及一種利用高光譜圖像技術(shù)，并結(jié)合多特征融合方法進(jìn)行肉類新鮮度可視化無(wú)損檢測(cè)的方法。
【背景技術(shù)】
[0002]肉類含有豐富的蛋白質(zhì)、脂肪、礦物質(zhì)等，可提供給人體豐富的營(yíng)業(yè)物質(zhì)，是人類膳食結(jié)構(gòu)的重要組成部分。
[0003]肉類在儲(chǔ)藏、運(yùn)輸、加工過(guò)程中易收到酶、微生物等作用，產(chǎn)生腐敗變質(zhì)。腐敗變質(zhì)的肉不僅營(yíng)業(yè)價(jià)值和口感發(fā)生變化，甚至?xí)a(chǎn)生有毒物質(zhì)，危害身體健康，引起安全事故。近年來(lái)，我國(guó)肉類產(chǎn)品的流通量和流通距離呈不斷增長(zhǎng)的態(tài)勢(shì)；隨之而來(lái)的是不斷增大的肉類腐敗變質(zhì)風(fēng)險(xiǎn)，以及由此產(chǎn)生的食品安全事故，因此迫切需要解決肉類新鮮度的快速檢測(cè)問(wèn)題。
[0004]根據(jù)國(guó)家鮮、凍畜禽肉的衛(wèi)生標(biāo)準(zhǔn)，對(duì)肉類新鮮度的評(píng)定主要采用感官指標(biāo)和理化指標(biāo)相結(jié)合的檢驗(yàn)方法。感官檢測(cè)方法主要是人工對(duì)肉類的色澤、彈性、粘度、氣味等進(jìn)行評(píng)價(jià)，存在著過(guò)度依賴檢驗(yàn)人員經(jīng)驗(yàn)，具有主觀性和片面性、結(jié)果不易量化的缺點(diǎn)。理化指標(biāo)檢測(cè)主要是通過(guò)各類物理化學(xué)方法，對(duì)TVB-N(揮發(fā)性鹽基氮)、PH值、三甲胺等化學(xué)指標(biāo)進(jìn)行測(cè)定，存在著操作步驟繁瑣、測(cè)定速度慢、破壞檢測(cè)樣品等缺點(diǎn)，無(wú)法滿足肉類新鮮度快速、無(wú)損檢測(cè)要求。
[0005]為了滿足肉類新鮮度的快速無(wú)損檢測(cè)要求，多種技術(shù)被引入到肉類新鮮度的無(wú)損檢測(cè)中。如我國(guó)專利申請(qǐng)?zhí)朇N200710068733，名稱為《多光譜肉類新鮮度人工智能測(cè)量方法及系統(tǒng)》提出了一種利用3CXD多光譜相機(jī)采集肉類樣本在550nm、650nm和800nm三個(gè)波段通道的單色圖像，并提取其平均亮度、亮度方差、亮度級(jí)差作為特征向量，進(jìn)行肉類新鮮度檢測(cè)的方法。由于該方法僅利用了 3個(gè)波段通道的圖像信息，存在著分類識(shí)別信息缺乏的缺點(diǎn)，導(dǎo)致檢測(cè)精度收到肉的品種、部位、屠宰方式等因素的較大干擾。為了獲得更多的肉類新鮮度檢測(cè)識(shí)別信息，我國(guó)專利號(hào)CN200610127321，名稱為《豬肉新鮮度智能檢測(cè)裝置》提出了一種利用光學(xué)測(cè)試和氣體傳感技術(shù)相結(jié)合的肉類新鮮度檢測(cè)方法。該方法在利用光學(xué)CCD獲取肉類在可見(jiàn)光波段下的灰度特征信息同時(shí)，利用氣體傳感器獲取肉類的氣味信號(hào)，并最終完成豬肉新鮮度的識(shí)別。但是該方法提取的圖像特征有限，且氣味傳感器存在著交叉敏感性的問(wèn)題，導(dǎo)致評(píng)價(jià)精度仍然難以滿足實(shí)際應(yīng)用需要。
[0006]高光譜圖像技術(shù)集光譜技術(shù)與圖像技術(shù)的優(yōu)點(diǎn)于一體，高光譜圖像不僅包含了待測(cè)對(duì)象豐富的光譜信息，還涵蓋了待測(cè)對(duì)象的圖像信息。這些豐富的光譜信息和圖像信息能夠?qū)⒋郎y(cè)對(duì)象的外部特征、內(nèi)部物理結(jié)構(gòu)以及化學(xué)成分充分展現(xiàn)出來(lái)。因其具有簡(jiǎn)便、快速、低成本及非損傷性的特點(diǎn)在近年來(lái)備受關(guān)注，其已經(jīng)廣泛應(yīng)用于多個(gè)領(lǐng)域，尤其是無(wú)損檢測(cè)領(lǐng)域。
[0007]與傳統(tǒng)的圖像相比，高光譜圖像具有豐富的圖像信息個(gè)光譜信息，但巨大的數(shù)據(jù)量給數(shù)據(jù)處理帶來(lái)了一定的困難，如何挖掘一些有用的信息、并充分利用這些信息一直是個(gè)難題。傳統(tǒng)的高光譜圖像無(wú)損檢測(cè)方法一般只提取單一特征信息來(lái)構(gòu)建無(wú)損檢測(cè)模型，這樣不僅大大浪費(fèi)了高光譜圖像帶來(lái)的豐富信息，而且單一的特征往往受外界影響大，不能充分地反映被測(cè)物質(zhì)的特性，導(dǎo)致檢測(cè)模型的精度和魯棒性有限。

【發(fā)明內(nèi)容】

[0008]本發(fā)明的目的在于，針對(duì)現(xiàn)有肉類新鮮度無(wú)損檢測(cè)方法的不足，提出了多特征融合的肉類新鮮度高光譜圖像處可視化檢測(cè)方法；其具有檢測(cè)模型的精度高、穩(wěn)健性好的優(yōu)點(diǎn)，可實(shí)現(xiàn)肉類新鮮度的快速無(wú)損可視化檢測(cè)。
[0009]為了實(shí)現(xiàn)上述目的，本發(fā)明的技術(shù)方案，基于多特征融合的肉類新鮮度高光譜圖像可視化檢測(cè)方法，具體步驟包括:
a、共選取S個(gè)肉類樣本，利用高光譜反射圖像采集系統(tǒng)采集每個(gè)樣本在共P個(gè)波段下的高光譜反射圖像；
b、分別提取這S個(gè)樣本在P個(gè)波段下的的高光譜反射圖像的光強(qiáng)均值、圖像熵、及能量均值特征；
C、將采集好高光譜圖像的S個(gè)肉類樣本做破壞性試驗(yàn)，用半微量凱氏定氮法(GB/T5009.44-2003)測(cè)定樣本的TVB-N(揮發(fā)性鹽基氮)含量，得到肉樣的新鮮度分類結(jié)果；
d、利用S個(gè)肉樣高光譜圖像的光強(qiáng)均值、圖像熵、及能量均值特征構(gòu)建對(duì)樣本的TVB-N值的融合預(yù)估模型；
e、利用高光譜反射圖像采集系統(tǒng)采集待測(cè)樣本的高光譜反射圖像，并按照步驟(b)獲得高光譜圖像的特征參數(shù)，輸入到步驟(d)建立的融合預(yù)估模型，最終獲得待測(cè)樣本的TVB-N預(yù)測(cè)值；
f、根據(jù)步驟(d)建立的融合預(yù)估模型，獲得TVB-N值在肉類表面的分布情況，實(shí)現(xiàn)對(duì)待測(cè)豬肉樣本的新鮮度的可視化檢測(cè)。
[0010]在步驟(b)中，高光譜反射圖像的光強(qiáng)均值、圖像熵、及能量均值由下述步驟獲得:
S1、利用標(biāo)準(zhǔn)白板對(duì)第s(s ( S)個(gè)肉類樣本的高光譜圖像進(jìn)行校準(zhǔn)，從而得到其在第t(t^P)個(gè)波段下肉類高光譜反射圖像的相對(duì)光強(qiáng)值A(chǔ)s“ ；
【權(quán)利要求】
1.基于多特征融合的肉類新鮮度高光譜圖像可視化檢測(cè)方法，其特征在于，所述檢測(cè)方法包括如下步驟: a、共選取S個(gè)肉類樣本，利用高光譜反射圖像采集系統(tǒng)采集每個(gè)樣本在共P個(gè)波段下的高光譜反射圖像； b、分別提取這S個(gè)樣本在P個(gè)波段下的的高光譜反射圖像的光強(qiáng)均值、圖像熵、及能量均值特征； C、將采集好高光譜圖像的S個(gè)肉類樣本做破壞性試驗(yàn)，用半微量凱氏定氮法(GB/T5009.44-2003)測(cè)定樣本的TVB-N(揮發(fā)性鹽基氮)含量，得到肉樣的新鮮度分類結(jié)果； d、利用S個(gè)肉樣高光譜圖像的光強(qiáng)均值、圖像熵、及能量均值特征構(gòu)建對(duì)樣本的TVB-N值的融合預(yù)估模型； e、利用高光譜反射圖像采集系統(tǒng)采集待測(cè)樣本的高光譜反射圖像，并按照步驟(b)獲得高光譜圖像的特征參數(shù)，輸入到步驟(d)建立的融合預(yù)估模型，最終獲得待測(cè)樣本的TVB-N預(yù)測(cè)值； f、根據(jù)步驟(d)建立的融合預(yù)估模型，獲得TVB-N在肉類表面的分布情況，實(shí)現(xiàn)對(duì)待測(cè)豬肉樣本的新鮮度的可視化檢測(cè)。
2.根據(jù)權(quán)利要求1所述的基于多特征融合的肉類新鮮度高光譜圖像可視化檢測(cè)方法，本發(fā)明的特征之一在于步驟(b)所描述的多特征提取，具體包括: s1、利用標(biāo)準(zhǔn)白板對(duì)第s(s ≤ S)個(gè)肉類樣本的高光譜圖像進(jìn)行校準(zhǔn)，從而得到其在第t(t^P)個(gè)波段下肉類高光譜反射圖像的相對(duì)光強(qiáng)值A(chǔ)s,t ；
3.根據(jù)權(quán)利要求1所述基于多特征融合的肉類新鮮度高光譜圖像可視化檢測(cè)方法，其特征在于，步驟(d)中利用肉樣高光譜圖像的光強(qiáng)均值、圖像熵及能量均值特征構(gòu)建對(duì)肉樣TVB-N值的融合預(yù)估模型的方法，具體包括: S1、對(duì)于S個(gè)肉類樣本，分別利用光強(qiáng)均值、圖像熵、能量均值特征，建立其與對(duì)應(yīng)樣本的TVB-N含量的偏最小二乘預(yù)估子模型； s2、對(duì)各偏最小二乘預(yù)估子模型的預(yù)測(cè)輸出進(jìn)行無(wú)權(quán)重平均，獲得最終的TVB-N預(yù)估值。
4.根據(jù)權(quán)利要求1所述基于多特征融合的肉類新鮮度高光譜圖像可視化檢測(cè)方法，其特征在于步驟(f)所描述的待測(cè)肉類樣本新鮮度的可視化方法。具體步驟包括: S1、獲取待測(cè)肉類樣本的高光譜反射圖像并進(jìn)行白板校正； s2、計(jì)算校正后的待測(cè)肉類樣本在第t個(gè)波段下高光譜圖像矩陣第i行第j列像素的相對(duì)光強(qiáng)W 、和熵?力能量C〔，y)特征； S3、將獲取的三種像素特征帶入權(quán)利要求1中步驟(e)所建立的融合預(yù)估模型，得到每一個(gè)像素點(diǎn)的TVB-N含量預(yù)估值； s4、將每個(gè)像素的TVB-N含量預(yù)估值轉(zhuǎn)換為灰度或者偽彩色圖像，從而得到得到一幅由TVB-N含量值所構(gòu)成的圖像，即可直觀地體現(xiàn)出樣本每個(gè)像素點(diǎn)的腐敗程度，實(shí)現(xiàn)可視化檢測(cè)。
【文檔編號(hào)】G01N21/25GK103900972SQ201410136071
【公開(kāi)日】2014年7月2日 申請(qǐng)日期:2014年4月4日 優(yōu)先權(quán)日:2014年4月4日
【發(fā)明者】朱啟兵, 肖盼, 尹克, 黃敏 申請(qǐng)人:江南大學(xué), 杭州電子科技大學(xué)