本發(fā)明涉及畜產(chǎn)品加工過程中品質(zhì)檢測
技術領域：
，特別涉及一種臘肉腌制過程中色澤及質(zhì)構變化的高光譜檢測方法。
背景技術：
：臘肉又稱腌臘肉，是一種古老的防腐保藏方法，主要是原料肉通過腌制、醬漬、晾曬和烘烤等工藝加工而成的生肉制品。腌制過程是腌臘肉制品加工的一個重要環(huán)節(jié)，既可以提高肉制品耐藏性能，同時也使肉制品的質(zhì)地、色澤得到改善，形成獨特的風味。腌臘肉制品品種多，加工工藝受地域、文化和地方經(jīng)濟限制，各地發(fā)展水平差異較明顯，加上我國傳統(tǒng)腌臘肉多為家庭作坊加工，在用料、加工時間、溫度、濕度等工藝條件上不能保證標準化，過程中易形成有害物質(zhì)，使市場上的腌臘肉制品品質(zhì)良莠不齊，質(zhì)量安全難以控制。臘肉制品在加工制作過程中，其感官品質(zhì)受脂質(zhì)氧化、蛋白降解和含水量減少的影響，也發(fā)生顯著的變化。而感官品質(zhì)往往是消費者對食品的第一印象，對消費者購買產(chǎn)品具有很重要的指導作用，因此在加工過程中除了關注腌制肉內(nèi)部變化，也需要實時掌握其感官特征的變化規(guī)律，指導加工工藝控制和優(yōu)化腌臘肉制品的質(zhì)量。腌臘肉制品加工過程中，感官品質(zhì)變化最明顯的即為色澤和質(zhì)地。一般人工感官評定中，將肉色劃分為不同等級，觀察肉色是否鮮明，肌肉的顏色為明亮鮮紅還是暗紅，脂肪顏色是透明還是呈乳白色。目前腌制過程中對腌臘肉制品的評價主要是依靠感官評定與理化分析相結合的方法。感官評定法具有一定的科學依據(jù)，但是這種方法缺乏統(tǒng)一的標準并受經(jīng)驗的制約，很容易發(fā)生誤判。而理化分析法耗時長，具有破壞性，不能滿足工業(yè)化生產(chǎn)的快速、無損要求。由于對加工過程中質(zhì)量的控制缺乏科學的方法和手段，導致我國傳統(tǒng)腌臘肉制品質(zhì)量不穩(wěn)定，市場競爭力弱。應用無損檢測技術對肉制品加工過程的信息化、智能化檢測是肉制品行業(yè)未來發(fā)展的方向。目前市場上缺乏一種快速檢測肉制品加工過程中品質(zhì)安全的有效方法和系統(tǒng)，因此開發(fā)一種快速、無損的同時檢測臘肉腌制過程中色澤和質(zhì)構的方法，對于腌制臘肉加工過程生產(chǎn)關鍵品質(zhì)控制，合理指導臘肉加工工藝參數(shù)，促進我國肉類加工工業(yè)智能化具有重要意義。技術實現(xiàn)要素：本發(fā)明的目的是提供一種臘肉腌制過程中色澤和質(zhì)構變化的高光譜檢測方法，具有快速無損，在線可視化檢測，檢測精度高的特點。通過高光譜成像系統(tǒng)采集腌制臘肉的外部特征的圖像信息和內(nèi)在特征的光譜信息，建立色澤和質(zhì)構指標的預測模型，實現(xiàn)對腌制臘肉加工過程中品質(zhì)變化的智能監(jiān)測，對肉制品質(zhì)量安全進行精準控制。本發(fā)明的通過以下技術方案實現(xiàn)：一種臘肉腌制過程中色澤和質(zhì)構變化的高光譜檢測方法，按照下述步驟進行：(1)采集腌制加工過程中不同腌制程度的臘肉高光譜圖像并進行校正；(2)應用常規(guī)方法標定腌制臘肉樣本的色澤L*,a*,b*值和腌制臘肉硬度、黏彈性等質(zhì)構參數(shù)。(3)基于高光譜數(shù)據(jù)建立掩膜圖像，應用掩膜裁剪圖像去除背景噪聲并進行線性拉伸，得到了腌制臘肉樣品的感興趣(ROI)區(qū)域作為有效檢測區(qū)域。(4)分別提取腌制臘肉感興趣區(qū)域(ROI)的圖像信息和光譜信息，然后應用紋理分析、遺傳算法等方法進行特征提?。?5)建立腌制臘肉的色澤和質(zhì)構的初步預測模型，對模型進行留一交叉驗證，校正得到優(yōu)化的模型。(6)利用優(yōu)化的模型預測不同腌制階段臘肉的色澤和質(zhì)構指標值，繪制臘肉腌制過程中色澤和質(zhì)構值分布圖。其中所述步驟(1)中，高光譜圖像采集和校正，按照下述步驟進行：1)在數(shù)據(jù)采集前先對高光譜成像系統(tǒng)進行參數(shù)設置和黑白參考采集2)系統(tǒng)校正達到穩(wěn)定后，對腌制臘肉樣品進行高光譜線掃描圖像的連續(xù)采集與合成，通過圖像采集卡送至計算機，形成一個三維數(shù)據(jù)塊，其x,y軸表示二維圖像的空間信息，z軸則表示波長信息λ。該三維數(shù)據(jù)塊可以同時反映被測對象內(nèi)外部特征信號，提取某些特征波長下圖像可以有效反映樣品紋理結構、理化成分的差異；3)利用黑白參考對合成的高光譜圖像進行校正，主要目的是降低圖像因系統(tǒng)噪聲和暗電流造成的影響，提高高光譜圖像的信噪比，黑白校正的公式如下：每幅圖像都需要進行黑白校正，校正計算公式為式中R為校正后的漫反射光譜圖像，R0樣本原始的漫反射光譜圖像，RW表示白參考的漫反射圖像，Rd為暗圖像。其中所述步驟(4)中，對腌制臘肉感興趣(ROI)區(qū)域的信息特征提取分析,涉及到的數(shù)據(jù)處理方法通過以下步驟來確定：1)提取腌制臘肉樣本ROI區(qū)域內(nèi)各像素點的反射光譜，計算平均反射光譜；2)采用聯(lián)合區(qū)間偏最小二乘法-遺傳算法(GA)選出5個特征波長，分別為530nm、578nm、640nm、693nm、780nm，大幅度降低原始數(shù)據(jù)量和運算量，提高數(shù)據(jù)處理速度。3)從高光譜三維數(shù)據(jù)塊中提取530nm、578nm、640nm、693nm、780nm的波長圖像，計算樣本ROI區(qū)域的灰度共生矩陣(GLCM)，通過灰度共生矩陣進行圖像的二階統(tǒng)計，基于該矩陣提取各種統(tǒng)計參數(shù)來直觀描述圖像紋理特征。主要選取灰度共生矩陣的4個統(tǒng)計特征參數(shù)來表征目標圖像的紋理特征信息，主要包括對比度(contrast)、熵(Entropy)、一致性(Homogeneity)、角二階距(AngularSecondMoment)四個量化的灰度共生矩陣紋理特征變量。其中所述步驟(5)中，建立腌制臘肉的色澤和質(zhì)構的預測模型，其特征在于，將腌制臘肉樣品ROI區(qū)域在波長為530nm、578nm、640nm、693nm、780nm的反射光譜平均值和對比度(contrast)、熵(Entropy)、一致性(Homogeneity)、角二階距(AngularSecondMoment)等4個量化的紋理特征值分別作為自變量，基于偏最小二乘回歸(PLSR)算法建立臘肉樣本色澤L*,a*,b*值和硬度、黏彈性的預測模型。對模型進行留一交叉驗證，校正得到優(yōu)化的模型。所建立的腌制臘肉樣品的色澤L*,a*,b*預測模型如下：YL*、Ya*、Yb*分別為腌制臘肉樣品的色澤L*,a*,b*預測值，則表示在對應特征波長圖像的感興趣區(qū)域中提取的平均光譜反射值。所建立的腌制臘肉樣品的質(zhì)構特性：硬度、粘性、彈性預測模型如下：Yhanrdness、Yadhesiveness、Yresilence分別為腌制臘肉樣品的硬度、粘性、彈性的預測值，則表示在5個特征波長圖像的感興趣區(qū)域中分別提取的對比度(contrast)、熵(Entropy)、一致性(Homogeneity)、角二階距(AngularSecondMoment)等紋理特征平均值。其中所述步驟(6)中，繪制臘肉腌制過程中色澤和質(zhì)構分布圖，所述方法包括：1)提取腌制臘肉樣品ROI區(qū)域在特征波長為530nm、578nm、640nm、693nm、780nm的光譜圖像；2)將特征波長對應的反射光譜值代入偏最小二乘回歸(PLSR)模型，建立色澤L*,a*,b*值的預測模型；3)將特征光譜圖像的紋理特征變量值代入偏最小二乘回歸(PLSR)模型，建立硬度、黏彈性值的預測模型；4)由模型計算得到圖像中每一像素點對應的色澤L*,a*,b*值和硬度、黏彈性的預測值，繪制不同腌制加工階段的臘肉色澤和質(zhì)構分布圖。所建立的腌制臘肉樣品的色澤L*,a*,b*預測模型如下：YL*＝2.14+12.45R530nm-16.89R578nm+1.68R640nm+1.45R693nm+0.62R780nmYa*＝0.35+R530nm-0.9R578nm+0.25R640nm-0.23R693nm+0.1R780nmYb*＝-1.56+0.3R530nm+0.19R578nm+0.69R640nm+1.55R693nm-2.38R780nmYL*、Ya*、Yb*分別為腌制臘肉樣品感興趣區(qū)域中每一像素點對應的L*,a*,b*預測值，R(i)則表示特征波長圖像的感興趣區(qū)域中每一像素點的光譜反射值。所建立的腌制臘肉樣品的質(zhì)構特性：硬度、粘性、彈性預測模型如下：Yhardness＝-768+13133.20T1-1190.83T2+5756.67T3+1442.28T4-8994.70T5-9789.66T6+2896.19T7+3541.80T8+4667.23T9-17332.17T10+1801.64T11+2985.56T12-983.33T13+7728.61T14-11754.00T15+7760.97T16；Yadhesiveness＝-1.15+2.51T1-3.39T2-2.30T3-2.05T4-5.27T5-2.32T6+14.80T7-7.42T8+13.43T9-7.65T10-0.07T11+3.29T12-3.10T13+14.83T14-19.09T15+5.05T16；Yresilence＝0.028+0.36T1+0.03T2+0.17T3+0.01T4-0.21T5-0.28T6-0.07T7+0.15T8+0.05T9-0.40T10+0.05T11+0.02T12-0.01T13+0.08T14-0.08T15+0.16T16；Yhanrdness、Yadhesiveness、Yresilence分別為腌制臘肉樣品感興趣區(qū)域中每一像素點的硬度、粘性、彈性的預測值，T(i)則表示在5個特征波長圖像的感興趣區(qū)域中每一像素點對應的對比度(contrast)、熵(Entropy)、一致性(Homogeneity)、角二階距(AngularSecondMoment)等紋理特征值。本發(fā)明建立了一套快速無損的臘肉腌制過程中色澤和質(zhì)構變化的高光譜檢測方法，可用于腌制臘肉加工過程生產(chǎn)關鍵品質(zhì)控制，合理指導臘肉加工工藝參數(shù)，對開發(fā)高品質(zhì)傳統(tǒng)腌制產(chǎn)品，促進我國肉類加工工業(yè)智能化具有重要意義。附圖說明：圖1是本發(fā)明一種臘肉腌制過程中色澤及質(zhì)構變化的高光譜檢測流程圖；圖2是本發(fā)明實施例1中所述的校正后的腌制臘肉樣本平均反射光譜曲線圖；圖3是本發(fā)明實施例1中所述的腌制1h的臘肉樣本特征光譜圖像的感興趣區(qū)域(RIO)；圖4是本發(fā)明實施例1中所述的腌制1h的臘肉樣本640nm光譜圖像的感興趣區(qū)域(RIO)的紋理特征圖像；圖5是本發(fā)明實施例1中所述的腌制8h的臘肉樣本特征光譜圖像的感興趣區(qū)域(RIO)；圖6是本發(fā)明實施例1中所述的腌制8h的臘肉樣本640nm光譜圖像的感興趣區(qū)域(RIO)的紋理特征圖像；圖7是本發(fā)明實施例1中所述的臘肉腌制過程中色澤L*分布圖。具體實施方式：下面結合附圖和實施例，對本發(fā)明的具體實施方式做進一步詳細的描述。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。圖1是本發(fā)明臘肉腌制過程中色澤及質(zhì)構變化的高光譜檢測方法流程圖。如圖1所示，應用高光譜成像系統(tǒng)檢測腌制過程中臘肉色澤及質(zhì)構的方法，包括以下步驟：1)采集不同腌制程度的豬肉樣本共67個，作為校正集樣本。腌肉樣本取自豬的后腿部位，去除表面筋膜，用無菌刀切割成4cm×3cm×2cm的小塊，并盡可能保持樣品厚度均一；所用腌制鹽為市售食品級食鹽；所用水均為試驗室內(nèi)蒸餾水。腌制工藝采用濕法腌制，將切好的豬肉樣品分別放入不同濃度的鹽水中(濃度分別為5％、10％、15％、20％)進行腌制，并確保鹽水能夠完全浸沒豬肉。于0.5h、1h、2h、4h等不同腌制時長分別取出腌豬肉，并用水輕微沖洗樣品表面除去鹽分，然后用濾紙將樣品擦干。開啟高光譜系統(tǒng)進行預熱，在數(shù)據(jù)采集前對高光譜成像系統(tǒng)設置掃描相關參數(shù)，分別采集黑白參考。系統(tǒng)校正達到穩(wěn)定后，將腌制臘肉樣本放置于載物臺，啟動步進電機，高光譜系統(tǒng)對腌制豬肉樣品進行線掃描圖像的連續(xù)采集。將采集的掃描線圖像合成轉(zhuǎn)化為高光譜立方體圖像塊，同時包含樣品的空間信息和光譜信息；利用黑白參考對合成的高光譜圖像進行校正，去除圖像系統(tǒng)噪聲和暗電流。2)2)對腌制臘肉樣本的品質(zhì)指標進行理化標定，分別應用分光測色儀和質(zhì)構儀采集色澤L*,a*,b*值和腌制臘肉硬度、黏彈性等質(zhì)構參數(shù)。分光測色儀使用前需用黑腔、白板進行黑白校正，以減小實驗誤差。要對樣品進行多次測量，剔除誤差較大的數(shù)據(jù)，用平均值代表測量后的實驗數(shù)據(jù)，顏色標定模式一般采用L*,a*,b*模式。質(zhì)構儀是用來檢測食品物理品質(zhì)特性，所反映的主要是力學特性有關的食品質(zhì)地特性，其結果具有較高的客觀性和靈敏性并可對實驗結果進行準確的數(shù)據(jù)化處理。測量過程：測試前，需要將電腦參數(shù)調(diào)好。探頭由起始點以分析前速度(pre-testspeed)接近待測樣本；當探頭偵測到應力超過啟動力(triggerforce)時，探頭速度立即變?yōu)闇y試速度(testspeed)，儀器并開始記錄應力、距離及時間；之后探頭繼續(xù)以測試速度測試樣品知道分析完成(設定距離、比例及力量)；最后探頭將以測試后速度，返回移動起始點。試驗過程中共測定了67個腌豬肉樣品的色澤L*,a*,b*值和腌制臘肉硬度、黏彈性等質(zhì)構參數(shù)，試驗結果如表1。表1腌制肉樣品色澤與質(zhì)構參數(shù)統(tǒng)計分析結果理化指標平均值最小值最大值標準差變異系數(shù)L*42.2537.8851.323.480.08a*2.180.044.050.840.39b*0.32-2.702.951.454.53硬度9350.334351.0012478.002368.410.25粘性-8.47-17.37-4.983.96-0.47彈性0.740.690.800.040.053)建立掩膜圖像，應用掩膜裁剪圖像去除背景噪聲并進行線性拉伸，得到了腌制臘肉樣品的感興趣(ROI)區(qū)域作為有效檢測區(qū)域。提取腌制臘肉樣本ROI區(qū)域內(nèi)各像素點的反射光譜，計算平均反射光譜。4)采用聯(lián)合區(qū)間偏最小二乘法-遺傳算法(GA)選出5個特征波長，分別為530nm、578nm、640nm、693nm、780nm，大幅度降低原始數(shù)據(jù)量和運算量，提高數(shù)據(jù)處理速度。5)從高光譜三維數(shù)據(jù)塊中提取530nm、640nm、693nm、780nm的波長圖像，計算樣本ROI區(qū)域的灰度共生矩陣(GLCM)，通過灰度共生矩陣進行圖像的二階統(tǒng)計，基于該矩陣提取各種統(tǒng)計參數(shù)來直觀描述圖像紋理特征。主要選取灰度共生矩陣的4個統(tǒng)計特征參數(shù)來表征目標圖像的紋理特征信息，主要包括對比度(contrast)、熵(Entropy)、一致性(Homogeneity)、角二階距(AngularSecondMoment)四個量化的灰度共生矩陣紋理特征變量。6)將腌制臘肉樣品ROI區(qū)域在波長為530nm、578nm、640nm、693nm、780nm的反射光譜平均值和對比度(contrast)、熵(Entropy)、一致性(Homogeneity)、角二階距(AngularSecondMoment)等4個量化的紋理特征值分別作為自變量，基于偏最小二乘回歸(PLSR)算法建立臘肉樣本色澤L*,a*,b*值和硬度、黏彈性的預測模型。對模型進行留一交叉驗證，校正得到優(yōu)化的模型，提高預測模型的穩(wěn)定性。所建立的腌制臘肉樣品的色澤L*,a*,b*預測模型如下：YL*、Ya*、Yb*分別為腌制臘肉樣品的色澤L*,a*,b*預測值，則表示在對應特征波長圖像的感興趣區(qū)域中提取的平均光譜反射值。所建立的腌制臘肉樣品的質(zhì)構特性：硬度、粘性、彈性預測模型如下：Yhanrdness、Yadhesiveness、Yresilence分別為腌制臘肉樣品的硬度、粘性、彈性的預測值，則表示在5個特征波長圖像的感興趣區(qū)域中分別提取的對比度(contrast)、熵(Entropy)、一致性(Homogeneity)、角二階距(AngularSecondMoment)等紋理特征平均值。7)基于以上色澤和質(zhì)構參數(shù)預測模型，可以計算得到圖像中每一像素點對應的色澤和質(zhì)構預測值，繪制臘肉腌制過程中色澤和質(zhì)構多指標分布圖。所建立的腌制臘肉樣品的色澤L*,a*,b*預測模型如下：YL*＝2.14+12.45R530nm-16.89R578nm+1.68R640nm+1.45R693nm+0.62R780nm；Ya*＝0.35+R530nm-0.9R578nm+0.25R640nm-0.23R693nm+0.1R780nm；Yb*＝-1.56+0.3R530nm+0.19R578nm+0.69R640nm+1.55R693nm-2.38R780nm；YL*、Ya*、Yb*分別為腌制臘肉樣品感興趣區(qū)域中每一像素點對應的L*,a*,b*預測值，R(i)則表示特征波長圖像的感興趣區(qū)域中每一像素點的光譜反射值。所建立的腌制臘肉樣品的質(zhì)構特性：硬度、粘性、彈性預測模型如下：Yhardness＝-768+13133.20T1-1190.83T2+5756.67T3+1442.28T4-8994.70T5-9789.66T6+2896.19T7+3541.80T8+4667.23T9-17332.17T10+1801.64T11+2985.56T12-983.33T13+7728.61T14-11754.00T15+7760.97T16；Yadhesiveness＝-1.15+2.51T1-3.39T2-2.30T3-2.05T4-5.27T5-2.32T6+14.80T7-7.42T8+13.43T9-7.65T10-0.07T11+3.29T12-3.10T13+14.83T14-19.09T15+5.05T16；Yresilence＝0.028+0.36T1+0.03T2+0.17T3+0.01T4-0.21T5-0.28T6-0.07T7+0.15T8+0.05T9-0.40T10+0.05T11+0.02T12-0.01T13+0.08T14-0.08T15+0.16T16；Yhanrdness、Yadhesiveness、Yresilence分別為腌制臘肉樣品感興趣區(qū)域中每一像素點的硬度、粘性、彈性的預測值，T(i)則表示在5個特征波長圖像的感興趣區(qū)域中每一像素點對應的對比度(contrast)、熵(Entropy)、一致性(Homogeneity)、角二階距(AngularSecondMoment)等紋理特征值。(8)用優(yōu)化的模型監(jiān)測腌制加工過程中的臘肉色澤與質(zhì)構的動態(tài)變化過程，獲得不同腌制加工階段的色澤與質(zhì)構分布圖。當前第1頁1 2 3