基于多特征融合的肉類新鮮度高光譜圖像可視化檢測的制作方法
【專利摘要】本發(fā)明公開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損檢測方法，克服了傳統(tǒng)無損檢測方法存在的檢測精度穩(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獲得的TVB-N的偏最小二乘預(yù)測模型，并獲得關(guān)于TVB-N的無權(quán)重融合預(yù)估模型；e、采集待測肉樣的高光譜圖像，輸入到建立好的無權(quán)重融合模型得到各像素的TVB-N預(yù)測結(jié)果，實(shí)現(xiàn)肉樣腐敗程度和區(qū)域的可視化檢測。該方法能夠在多數(shù)肉樣無損的情況下，實(shí)現(xiàn)肉類新鮮度的快速可視化檢測，具有簡單快速度、預(yù)測精度高、魯棒性好的優(yōu)點(diǎn)。
【專利說明】基于多特征融合的肉類新鮮度高光譜圖像可視化檢測
【技術(shù)領(lǐng)域】
[0001]本方法涉及肉類新鮮度的無損檢測方法，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損檢測的方法。
【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]肉類在儲藏、運(yùn)輸、加工過程中易收到酶、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，我國肉類產(chǎn)品的流通量和流通距離呈不斷增長的態(tài)勢；隨之而來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問題。
[0004]根據(jù)國家鮮、凍畜禽肉的衛(wèi)生標(biāo)準(zhǔn)，對肉類新鮮度的評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。感官檢測方法主要是人工對肉類的色澤、彈性、粘度、氣味等進(jìn)行評價(jià)，存在著過度依賴檢驗(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)檢測主要是通過各類物理化學(xué)方法，對TVB-N(揮發(fā)性鹽基氮)、PH值、三甲胺等化學(xué)指標(biāo)進(jìn)行測定，存在著操作步驟繁瑣、測定速度慢、破壞檢測樣品等缺點(diǎn)，無法滿足肉類新鮮度快速、無損檢測要求。
[0005]為了滿足肉類新鮮度的快速無損檢測要求，多種技術(shù)被引入到肉類新鮮度的無損檢測中。如我國專利申請?zhí)朇N200710068733，名稱為《多光譜肉類新鮮度人工智能測量方法及系統(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、亮度級差作為特征向量，進(jìn)行肉類新鮮度檢測的方法。由于該方法僅利用了 3個(gè)波段通道的圖像信息，存在著分類識別信息缺乏的缺點(diǎn)，導(dǎo)致檢測精度收到肉的品種、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識別信息，我國專利號CN200610127321，名稱為《豬肉新鮮度智能檢測裝置》提出了一種利用光學(xué)測試和氣體傳感技術(shù)相結(jié)合的肉類新鮮度檢測方法。該方法在利用光學(xué)CCD獲取肉類在可見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，并最終完成豬肉新鮮度的識別。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題，導(dǎo)致評價(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對象豐富的光譜信息，還涵蓋了待測對象的圖像信息。這些豐富的光譜信息和圖像信息能夠?qū)⒋郎y對象的外部特征、內(nèi)部物理結(jié)構(gòu)以及化學(xué)成分充分展現(xiàn)出來。因其具有簡便、快速、低成本及非損傷性的特點(diǎn)在近年來備受關(guān)注，其已經(jīng)廣泛應(yīng)用于多個(gè)領(lǐng)域，尤其是無損檢測領(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)的高光譜圖像無損檢測方法一般只提取單一特征信息來構(gòu)建無損檢測模型，這樣不僅大大浪費(fèi)了高光譜圖像帶來的豐富信息，而且單一的特征往往受外界影響大，不能充分地反映被測物質(zhì)的特性，導(dǎo)致檢測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，針對現(xiàn)有肉類新鮮度無損檢測方法的不足，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方法；其具有檢測模型的精度高、穩(wěn)健性好的優(yōu)點(diǎn)，可實(shí)現(xiàn)肉類新鮮度的快速無損可視化檢測。
[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，最終獲得待測樣本的TVB-N預(yù)測值；
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)對待測豬肉樣本的新鮮度的可視化檢測。
[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方法，其特征在于，所述檢測方法包括如下步驟: 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，最終獲得待測樣本的TVB-N預(yù)測值； 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)對待測豬肉樣本的新鮮度的可視化檢測。
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)建對肉樣TVB-N值的融合預(yù)估模型的方法，具體包括: S1、對于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，建立其與對應(yīng)樣本的TVB-N含量的偏最小二乘預(yù)估子模型； s2、對各偏最小二乘預(yù)估子模型的預(yù)測輸出進(jìn)行無權(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方法，其特征在于步驟(f)所描述的待測肉類樣本新鮮度的可視化方法。具體步驟包括: S1、獲取待測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。
【文檔編號】G01N21/25GK103900972SQ201410136071
【公開日】2014年7月2日 申請日期: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 申請人:江南大學(xué), 杭州電子科技大學(xué)