CN101178356A - 肉制品嫩度无损检测的超光谱成像系统及检测方法 - Google Patents

Abstract

本发明公开了一种肉制品嫩度无损检测的超光谱成像系统及检测方法，属于食品无损检测技术领域。所述超光谱成像系统包括由红外线CCD数字照相机、超光谱摄制仪和第二透镜组成图像采集装置、超光谱摄制仪、光源供给系统和计算机等组成。检测方法是将整个系统安置在封闭的光屏蔽舱内，以防外部光干扰。图像采集装置采集超光谱图像数据，计算机使用原创的图像处理手法及数学算法，从超光谱图像中抽取图像特征并建立数学模型，用交叉回归验证法进一步建立被测值的预测评估模型。通过分析被测肉质的超光谱图像特征，获知超光谱成像系统对不同肉类的测试性能和规律，以非接触方式实现以往人工所不能及的肉食品内部的质量和安全评估，快捷、方便，又安全。

Description

肉制品嫩度无损检测的超光谱成像系统及检测方法

技术领域

本发明属于食品无损检测技术领域，特别涉及一种肉制品嫩度无损检测的超光谱成像系统及检测方法。

背景技术

肉类是人们饮食中的重要食品。随着我国短缺经济的结束和加入WTO，其质量及安全日益受到重视。现有管理制度不健全、缺乏高效、快速的检测手段等问题日益突出。特别是近年来，农药、兽药、饲料、饲料添加剂、动植物激素等的广泛应用，在促进农畜产品产量大幅度增长的同时，也带来了农畜产品质量安全的隐患。加之工业废物和城市生活垃圾对农业生产环境的污染，农药残留、兽药残留和其他有毒有害物质超标导致的农畜产品污染和肉食品中毒事件在国内外屡次发生，严重威胁了消费者的身体健康和生命安全，因而，肉食品的品质及安全已成为社会广泛关注的焦点问题。

我国是世界上第三大牛肉生产国，2004年肉制品总产量占世界肉制品总产量的27.3％。在国际市场中，我国生产的肉类产品有廉价优势，是传统的出口创汇产品。但是，由于国内不能有效地检测及把握质量安全状况，到达贸易国口岸被对方查出问题，不但使出口企业蒙受损失，也使贸易国对我国肉食品质量安全水平产生怀疑，导致我国肉食品出口屡屡受阻；而国外肉食品进入我国时，许多有毒有害物质检测不出，不能有效地实施技术壁垒，保护我国食品安全。因此，提高、改善农畜产品质量安全检验检测水平和手段，已成为在国际化市场中扩大肉食品出口和抵御不良肉食品进口的当务之急。因此，为了使我国肉类生产向优质化、标准化、安全化和产业化方向健康发展，研究能够对肉类产品质量进行快速、可靠地非破坏性检测方法，开发有效的、功能齐全的自动化全程质量检测技术，进而实现对大量的多种类的肉类产品质量进行快速地非破坏性地检测评估，以取代传统的监管和取样检查方法势在必行。

本专利旨在利用超光谱成像这一新技术，探求食用肉的光学机理，以牛肉这一重要食用品为对象，探索食用肉的可见光和红外线光(VIS/NIR)的扩散和吸收特征参数；最终研发超越传统的人工化学检测的非接触式、快速的肉品质光学预测手法，从而为食品安全监管部门提供安全评判的依据，确保对消费者提供优质安全的肉食品，提高我国肉产品在国际市场中的品质形象，进一步扩大销路、提高经济效益。

发明内容

本发明的目的是提供一种肉制品嫩度无损检测的超光谱成像系统及检测方法。所述超光谱成像系统，包括

红外线CCD数字照相机，覆盖波长为400-1100nm，与超光谱摄制仪组成图像采集装置；

超光谱摄制仪，用于摄制光谱图像；

200W钨卤素灯及带有反馈控制器的光源供给系统，为图像采集装置提供足够的光照强度；

计算机，用于图像数据处理及显示。

所述肉制品无损检测的超光谱成像检测方法，具体步骤如下：

1)将整个系统安置在一个封闭的光屏蔽舱内，以防外部光干扰；

2)将待测肉制品置于光屏蔽舱内图像采集装置的下方；

3)调整光源供给系统，使在图像采集装置的正下方的待测肉制品上形成足够的光照强度的区域；

4)启动超光谱摄制仪和CCD相机，采集待测肉制品的图像数据；

5)相机控制器将图像数据传输给计算机；

6)计算机根据采集的图像数据，软件用VC++设计；

7)使用修正的洛伦兹分布函数，从超光谱图像中抽取图像特征并建立超光谱图像的三维表达形式的数学模型，

8)利用图像处理技术将超光谱图像数据量化成对应于不同光波长的数据矩阵模块，用多元线性回归法求出各波长特征参数与被测值间的相关性及预估误差；

肉食品质量的预测，依据从各试样的超光谱图像求取的光学扩散和吸收的特征参数，利用改进的多元线性回归和交叉验证法建立线性预测模型；关于建模过程，首先使用随机选取的3/4的试样建立训练模型，然后再用独立的1/4的试样去验证其模型。通过相关性和误差分析，确定最佳的模型用于描述肉质特性与超光谱图像特征的关系。

所述超光谱图像表征投向试样的光子被试样吸收后剩余的部分，在试样内部漫散射后通过试样表面向外部反射的强度和分布状态，以超光谱图像的三维表达形式表达，使用修正的洛伦兹分布函数来计算每一个散射图像的轮廓参数

$R=a_1+\frac{a_2}{1+{\left(\frac{\left|z\right|}{a_3}\right)}^{a_4}}$

其中，R是以CCD灰度数表示的光密度；z是散射距离；a₁为光密度渐近率，a₂为散射轮廓峰值；a₃为半最大峰值对应的散射宽度(FWHM)；a₄为散射斜率。

本发明的有益效果是：

①通过分析被测肉质的超光谱图像特征，将超光谱红外线图像特征与肉食品质量参数指标有机地结合起来，找出它们之间的内在对应关系，对预测评估模型进行校正，进而扩展检测系统使其适用于不同品种牛肉的肉质评估。从而确立新的肉类食品自动检测技术。

②利用计算机和光学传感器快速、准确的测出肉食品物理和化学特性，能解决传统的人工检测方法中测试时间长、人为影响精度等问题。

③以非接触方式实现以往人工所不能及的肉食品内部的质量和安全评估，快捷、方便，又安全。

附图说明

图1为超光谱成像系统结构示意图。

图2为牛肉试样采集的超光谱图像。

图3为图2超光谱图像的三维表达形式。

具体实施方式

本发明提供一种肉制品嫩度无损检测的超光谱成像系统及检测方法。下面结合附图予以说明。

图1所示为超光谱成像系统结构示意图。图中红外线CCD数字照相机5(覆盖波长约为400-1100nm)、超光谱摄制仪4和透镜8组成图像采集装置、200W钨卤素灯及带有反馈控制器的光源供给系统1、光纤2和第一透镜3组成光照装置，提供满足图像采集所需光照强度，使在图像采集装置的正下方的待测肉制品9上形成足够的光照强度的区域；相机控制器6连接在红外线CCD数字照相机5和计算机7之间。图1给出了超光谱成像系统的基本构成中略去了测定位置自动识别部分。整个系统安置在一个封闭的光屏蔽舱内，以防外部光干扰。软件用VC++设计。

图2是使用图1所示系统从某一牛肉试样采集的超光谱图像。图像的纵向提供了不间断的光频谱信息，横向表现了光的空间扩散信息，图3为该超光谱图像的三维表达形式。使用原创的图像处理手法及数学算法，从超光谱图像中抽取图像特征并建立数学模型，来预测肉食品的各质量安全参数。使用修正的洛伦兹分布函数来计算每一个散射图像的轮廓参数

$R=a_1+\frac{a_2}{1+{\left(\frac{\left|z\right|}{a_3}\right)}^{a_4}}$

其中，R是以CCD灰度数表示的光密度；z是散射距离；a₁为光密度渐近率，a₂为散射轮廓峰值；a₃为半最大峰值对应的散射宽度(FWHM)；a₄为散射斜率。

超光谱图像表征投向试样的光子被试样吸收后剩余的部分，在试样内部漫散射后通过试样表面向外部反射的强度和分布状态。利用图像处理技术将超光谱图像数据量化成对应于不同光波长的数据矩阵模块。每一个矩阵模块包容了该波长的光对被测物的反映，即被测物组织成分的光学特性。用多元线性回归法求出各波长特征参数与被测值(如嫩度)间的相关性及预估误差。综合比较对应于不同波长的相关性，用交叉回归验证法求出用于预测被测值的最佳波长和波长数。利用已求出的波长可进一步建立被测值的预测评估模型。

对于肉食品质量和安全指标的预测，依据从各试样的超光谱图像求取的光学扩散和吸收的特征参数，利用改进的多元线性回归和交叉验证法建立线性预测模型。关于建模过程，首先应用以上4种方法使用随机选取的3/4的试样建立训练模型，然后再用独立的1/4的试样去验证其模型。通过相关性和误差分析，确定最佳的模型用于描述肉质特性与超光谱图像特征的关系。

通过所建立的超光谱成像系统，可以获得肉制品的超光谱图像，如图2、图3所示，根据超光谱图像可以得到被检测样品的光密度R(以CCD灰度数表示)、散射距离z、光密度不对称值a1、散射轮廓峰值a2、半最大峰值对应的满散射宽度(FWHM)a3以及FWHM周围的散射斜坡a4参数值，将这些数值代入修正的洛伦兹分布函数(MLD)，即可对肉制品的品质做出判断。

Claims (4)

1.一种肉制品嫩度无损检测的超光谱成像系统，其特征在于，

所述超光谱成像系统，包括

红外线CCD数字照相机，覆盖波长为400-1100nm，与超光谱摄制仪和透镜组成图像采集装置；

超光谱摄制仪，用于摄制光谱图像；

200W钨卤素灯及带有反馈控制器的光源供给系统，为图像采集装置提供足够的光照强度；

计算机，用于图像数据处理及显示。

2.一种肉制品嫩度无损检测的超光谱成像检测方法，其特征在于：

1)将整个系统安置在一个封闭的光屏蔽舱内，以防外部光干扰；

2)将待测肉制品置于光屏蔽舱内图像采集装置的下方；

3)调整光源供给系统，使在图像采集装置的正下方的待测肉制品上形成足够的光照强度的区域；

4)启动超光谱摄制仪和CCD相机，采集待测肉制品的图像数据；

5)相机控制器将图像数据传输给计算机；

6)计算机根据采集的图像数据，软件用VC++设计；

7)使用修正的洛伦兹分布函数，从超光谱图像中抽取图像特征并建立超光谱图像的三维表达形式的数学模型；

8)利用图像处理技术将超光谱图像数据量化成对应于不同光波长的数据矩阵模块，每一个矩阵模块包容了该波长的光对被测物的反映，即被测物组织成分的光学特性，描述试样间组织成分差异的特征参数，用多元线性回归法求出各波长特征参数与被测值间的相关性及预估误差；

9)综合比较对应于不同波长的相关性，用交叉回归验证法求出用于预测被测值的最佳波长和波长数，利用已求出的波长可进一步建立被测值的预测评估模型，然后与被测指标的标准参照值对比来预测肉食品的各质量安全参数。

3.根据权利要求2所述肉制品嫩度无损检测的超光谱成像检测方法，其特征在于，所述肉食品质量和安全指标的预测，依据从各试样的超光谱图像求取的光学扩散和吸收的特征参数，利用改进的多元线性回归和交叉验证法建立线性预测模型；关于建模过程，首先使用随机选取的3/4的试样建立训练模型，然后再用独立的1/4的试样去验证其模型，通过相关性和误差分析，确定最佳的模型用于描述肉质特性与超光谱图像特征的关系。

4.根据权利要求2所述肉制品嫩度无损检测的超光谱成像检测方法，其特征在于，所述超光谱图像表征投向试样的光子被试样吸收后剩余的部分，在试样内部漫散射后通过试样表面向外部反射的强度和分布状态，以超光谱图像的三维表达形式表达，使用修正的洛伦兹分布函数(MLD)来计算每一个散射图像的轮廓参数

$R=a_1+\frac{a_2}{1+{\left(\frac{\left|z\right|}{a_3}\right)}^{a_4}}$

其中，R是以CCD灰度数表示的光密度；z是散射距离；a₁为光密度渐近率，a₂为散射轮廓峰值；a₃为半最大峰值对应的散射宽度(FWHM)；a₄为散射斜率。

Images