基于高光譜成像技術(shù)檢測花生中脂肪含量分布的方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及一種檢測花生中脂肪含量的方法，具體地說，設(shè)及基于高光譜成像技 術(shù)檢測花生中脂肪含量分布的方法。
【背景技術(shù)】
[0002] 2013年我國花生產(chǎn)量1697萬噸，位居世界第一?；ㄉ泻写罅康臓I養(yǎng)物質(zhì)，其 中脂肪含量高達(dá)38%~60%。我國生產(chǎn)出的花生絕大多數(shù)用于加工花生油。因此，花生中 脂肪含量的高低直接農(nóng)民的收入和企業(yè)的效益。傳統(tǒng)測定花生中脂肪的方法包括：索式提 取法和酸水解法，但運(yùn)些方法存在分析速度慢，操作步驟繁瑣，成本高破壞性強(qiáng)，使用試劑 污染環(huán)境等缺點(diǎn)。因此，急需尋找一種快速，非破壞性的方法為花生脂肪含量的測定提供依 據(jù)。
[0003] 高光譜成像技術(shù)結(jié)合了光譜學(xué)和成像技術(shù)，是一口新興的快速，無損檢測方法。高 光譜圖像是由一系列連續(xù)的波段圖像組成的=維圖像數(shù)據(jù)塊，其具有某個特定波長下的圖 像信息，并且針對平面內(nèi)某個特定像素又具有不同波長下的光譜信息。其原理是利用花生 脂肪中CH、0H等基團(tuán)在近紅外光譜區(qū)的光譜吸收特性，確定光譜與脂肪含量之間的定量關(guān) 系，從而預(yù)測花生中脂肪含量和分布。
[0004] 中國專利CN102621077A公布了高光譜反射圖像采集系統(tǒng)及基于該系統(tǒng)的玉米種 子純度無損檢測方法；中國專利CN1995987公布了基于高光譜圖像技術(shù)的農(nóng)畜產(chǎn)品無損檢 測方法及裝置；中國專利CN103636315A公布了一種基于高光譜的種子發(fā)芽率在線檢測裝 置及方法。W上發(fā)明采用高光譜圖像技術(shù)檢測產(chǎn)品指標(biāo)，避免了傳統(tǒng)方法的局限性。但研 究主要集中在種子純度方面，經(jīng)檢索，到目前為止，國內(nèi)外還沒有用高光譜成像技術(shù)檢測花 生脂肪含量分布的報道。

【發(fā)明內(nèi)容】

[0005] 為了解決現(xiàn)有技術(shù)中存在的問題，本發(fā)明的目的是提供基于高光譜成像技術(shù)檢測 花生中脂肪含量分布的方法。
[0006] 為了實現(xiàn)本發(fā)明目的，本發(fā)明第一方面是提供一種基于高光譜成像技術(shù)建立花生 中脂肪含量分布定量模型的方法，該方法包括W下步驟：
[0007] 1. 1收集具有代表性的花生樣品，用高光譜儀掃描獲得花生樣品中每個像素點(diǎn)在 各波長下的圖像信息，得到花生樣品的原始高光譜=維圖像；
[0008] 優(yōu)選地，所述高光譜儀掃描的波長范圍為900-1700nm，掃描方式為線掃描；
[0009] 1. 2對所述花生樣品的原始高光譜=維圖像進(jìn)行校正和背景刪除后，提取花生樣 品圖像平均光譜；
[0010] 優(yōu)選地，所述校正是對所述花生樣品的原始高光譜S維圖像Ifji行黑白校正，具 體方法為對反射率為99%的標(biāo)準(zhǔn)校正板進(jìn)行采集，得到全白的標(biāo)定圖像然后關(guān)閉鏡 頭采集，得到全黑標(biāo)定圖像Id。^，根據(jù)下述公式計算校正后圖像I。。?: CN 1051巧909 A 機(jī)>W書 2/8頁
[0012] 優(yōu)選地，所述背景刪除具體步驟為：采用主成分分析，確定背景與花生的邊界，刪 除背景，得到花生樣品圖像；
[0013] 1. 3對所述花生樣品圖像平均光譜進(jìn)行二階導(dǎo)數(shù)結(jié)合標(biāo)準(zhǔn)正態(tài)變量變換預(yù)處理；
[0014] 1. 4采用常規(guī)方法檢測所述花生樣品的脂肪含量，得到花生樣品的脂肪含量；
[0015] 優(yōu)選地，所述檢測花生樣品的脂肪含量方法為根據(jù)GB/T5009. 6-2003進(jìn)行，進(jìn)一 步優(yōu)選為根據(jù)GB/T5009. 6-2003中第一法索氏提取法進(jìn)行；
[0016] 1. 5將所述花生樣品隨機(jī)分為校正集和驗證集，W所述校正集花生樣品的所述預(yù) 處理后的花生樣品圖像平均光譜為自變量，W所述校正集的花生樣品的脂肪含量為因變 量，通過偏最小二乘法建立所述自變量和因變量的偏最小二乘法回歸模型；利用所述驗證 集對所述偏最小二乘法回歸模型進(jìn)行驗證；
[0017] 優(yōu)選地，所述校正集與驗證集花生樣品的比例為1:3-1:2;
[0018] 1. 6根據(jù)所述偏最小二乘法回歸模型的回歸系數(shù)，選擇對所述回歸模型貢獻(xiàn)率絕 對值最大的波長為特征波長；并通過偏最小二乘法建立花生中脂肪含量分布定量模型；該 定量模型表示所述校正集花生樣品的脂肪含量與所述特征波長處的光譜反射值的定量關(guān) 系；
[0019] 優(yōu)選地，選取所述特征波長分別為：931皿、941皿、964皿、1143皿、1157皿、1317皿、 1400皿、1434皿、1658皿、1661皿、1668皿、1678皿；優(yōu)選地，所建立的花生中脂肪含量分布定 量模型如下：
[0020]Yfat= 48. 003-1. 757R931nm+9. 441R9"nm+16. 766R964nm-19. 164Rii43nm+6. 41Rii57nm-4. 81R 1317?-?. 419Ri4〇〇nm+3. 434Ri434nm-5. 199Ri658nni-15. 〇59Ri66inm+13. 274Ri668nni-5. 〇91Ri678nni
[002"l]其中，Yfat為花生樣R口的月日肪旨里，R931nni、R94I?、R964?、Rll43nni、Rll57nni、Rl317nni、Rl400nni、 R1434?、Rl658nm、Rl謝1?、Rl668nm、Rl678nm分別為花生樣品在特征波長 93lnm、941nm、964nm、1143皿、 1157nm、1317nm、1400nm、1434nm、1658nm、1661nm、1668nm、1678nm處經(jīng)過預(yù)處理后的光譜反 射值；
[0022] 利用所述驗證集對所述花生中脂肪含量分布定量模型進(jìn)行驗證。
[0023] 本發(fā)明進(jìn)行二階導(dǎo)數(shù)處理可W有效地消除基線和其他背景的干擾，分辨重疊峰， 提高分辨率和靈敏度；進(jìn)行標(biāo)準(zhǔn)正態(tài)變量變換可W消除花生顆粒大小、表面掃射W及光程 變化對光譜的影響。
[0024] 特征波長選取過多或過少都不宜；若特征波長選取過多，則增加計算復(fù)雜度；若 特征波長選取過少，則會降低檢測結(jié)果準(zhǔn)確度。
[00巧]本發(fā)明進(jìn)行驗證的目的是確保所述定量模型準(zhǔn)確性和穩(wěn)定性。一般地，經(jīng)驗證后 若建立的所述定量模型準(zhǔn)確、穩(wěn)定，則可用于檢測花生中脂肪含量分布；若建立的所述定量 模型準(zhǔn)確度和穩(wěn)定性不佳，則需要重新按照上述步驟建立所述回歸模型或所述定量模型。 [0026] 具體地，通過計算所述校正集的相關(guān)系數(shù)R。。郝驗證集的相關(guān)系數(shù)RV。山及校正 集的標(biāo)準(zhǔn)偏差SEC和驗證集的標(biāo)準(zhǔn)偏差沈P來判斷所述回歸模型和所述定量模型準(zhǔn)確度和 穩(wěn)定性。一般地，當(dāng)相關(guān)系數(shù)巧。。1或Rw) > 0.8,標(biāo)準(zhǔn)偏差（SEC或SE巧《2時，表明所述 回歸模型或所述定量模型準(zhǔn)確度高、穩(wěn)定性好。
[0027] 本發(fā)明采用下述公式（1)計算相關(guān)系數(shù)化。1或RyJ;公式似計算標(biāo)準(zhǔn)偏差（SEC或SE巧。
[0029]式（1)中，為第i個樣品高光譜方法預(yù)測值，X是預(yù)測值的平均值；為第i個 樣品常規(guī)方法的測定值，y是測定值的平均值；n為兩個變量的樣本值的個數(shù)。如果樣本為 校正集，則R為氏。1;如果樣本為驗證集，則R為RW。
[0031] 式（2)中，為校正集第i樣品高光譜方法的預(yù)測值，y1為校正集第i樣品常規(guī) 方法的測定值，n為校正集的樣品數(shù)。如果為驗證集第i樣品高光譜方法的預(yù)測值，n為 驗證集的樣品數(shù)，則公式（2)表示的是SEP。
[0032] 本發(fā)明第二方面是提供上述定量模型在檢測花生中脂肪含量分布中的應(yīng)用。
[0033] 本發(fā)明第=方面是提供基于高光譜成像技術(shù)檢測花生中脂肪含量分布的方法，所 述方法包括：
[0034] 1)采集待測花生樣品在下列特征波長處的光譜圖像：931nm、941nm、964nm、 1143nm、1157nm、1317nm、1400nm、1434nm、1658nm、1661nm、1668nm、1678nm;
[0035] 2)將所述特征波長處經(jīng)過預(yù)處理后的光譜反射值，輸入花生中脂肪含量分布定量 模型，得到待測花生樣品脂肪含量分布；