CN102628794A - 一种基于高光谱成像技术的畜肉细菌总数快速测定方法 - Google Patents
一种基于高光谱成像技术的畜肉细菌总数快速测定方法 Download PDFInfo
- Publication number
- CN102628794A CN102628794A CN2012101157612A CN201210115761A CN102628794A CN 102628794 A CN102628794 A CN 102628794A CN 2012101157612 A CN2012101157612 A CN 2012101157612A CN 201210115761 A CN201210115761 A CN 201210115761A CN 102628794 A CN102628794 A CN 102628794A
- Authority
- CN
- China
- Prior art keywords
- meat
- bacteria
- poultry
- sample
- livestock meat
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明涉及一种针对畜肉细菌总数的快速测定方法。利用高光谱成像系统采集畜肉样本的高光谱图像数据,该数据能同时反映畜肉内在特征的光谱信息和反映畜肉外观特征的图像信息。原始数据经黑白标定后,分别提取能表征畜肉内部信息的光谱特征变量和表征畜肉外部信息的颜色、纹理特征变量;然后将这些特征变量融合;再结合国标法测定值建立畜肉细菌总数的非线性预测模型。并运用该模型完成同类未知畜肉样本细菌总数的预测。本发明在不破坏畜肉样本的前提下,实现畜肉细菌总数的快速定量检测。为提高我国畜肉产品的智能化检测管理水平,保障畜肉制品品质安全提供依据。
Description
技术领域
本发明涉及一种针对畜肉细菌总数的快速测定方法,特指基于高光谱成像技术的猪肉细菌总数快速测定方法。
背景技术
中国是猪肉生产和消费大国,猪肉卫生状况和品质安全一直是人们关注的焦点。细菌总数(total viable bacteria count, TVC)是猪肉卫生质量评价的重要指标,它是衡量猪肉加工环境及其受污染程度的定量卫生标准。我国国标规定鲜(冷)猪肉中细菌总数最大不得超过1×106 CFU/g。当肉类细菌数量超标,导致肉品变质将直接危及食用者。对猪肉细菌总数快速准确检测一直是该领域内重要的研究课题。目前,对猪肉细菌总数检测的方法有平板菌落计数法(国标法)、三磷酸腺苷(ATP)生物发光检测法、聚合酶链反应(PCR)法等,这些方法虽然有效,但采样准备和检测时间长、效率低、操作繁琐、费时费力,均属于破坏检测。难以满足当代肉品工业实时快速检测的需求。
随着光谱技术、图像处理技术及计算机的发展,红外光谱技术和机器视觉技术已开始运于食品微生物的检测。Naumann等利用傅立叶变换红外光谱法对微生物进行判别、分类和鉴定;Duboisa等采用近红外化学成像检测食品中自含微生物;金声琅将电荷耦合器件CCD技术应用于细菌总数检测,提出基于机器视觉和神经网络图像识别技术快速检测食品细菌总数新方法;殷涌光等自行研制一套活菌总数计算机视觉系统快速检测食品细菌总数,这些研究都由单一技术完成,难以全面无损地测定样品的细菌含量。
高光谱成像技术可同时获取被测样品的图像信息和光谱信息,在农产品品质检测中已得到越来越广泛的应用,但用于农畜产品细菌总数检测研究鲜见报道。经检索,目前国内外还没有授权的相关专利,公开的相关发明仅有两个:“ 一种畜肉细菌总数无损检测方法,申请号201010034516.x”和“一种畜肉细菌总数无损检测方法,申请号201010033950.6”。从检索结果看,该两项发明只利用高光谱图像的光谱数据建立肉品细菌总数预测模型,其模型检测稳定性和检测范围都有待提高。
畜肉所含细菌总数的不同,其作用会造成畜肉蛋白质、脂肪等内在特征和颜色、纹理等外在特征的明显变化,因此,可以通过检测畜肉内外特征变化间接反映其中的细菌总数。本发明中高光谱成像技术是光谱分析技术和图像处理技术融合。可以对畜肉内外品质进行可视化分析,与单一检测手段相比,高光谱成像技术获得的信息量大,兼顾内外特征信息,如何处理这些信息并建立预测模型将对检测结果产生极大影响。因此,本发明提供的基于高光谱成像技术的畜肉细菌总数快速测定方法,可以实现畜肉细菌总数快速无损地检测。该发明能提高我国畜肉产品智能化检测管理水平,为保障畜肉制品品质安全,维护消费者健康有着直接的现实意义。
发明内容
鉴于上述现有技术发展情况,本发明的目的就是要提供一种基于高光谱成像技术的畜肉细菌总数快速测定方法。
通过高光谱成像系统采集畜肉样本的高光谱数据,该数据能同时反映畜肉内在特征的光谱信息和反映畜肉外观特征的图像信息。原始数据经黑白标定后,分别提取能表征畜肉细菌总数的光谱和图像信息。先利用联合区间偏最小二乘法从光谱信息中提取特征变量;同时利用主成分分析优选特征图像,再从特征图像中提取颜色和纹理特征变量;然后将这些特征变量融合再进行主成分分析;最后结合国标法测定值建立畜肉细菌总数预测模型。对同类待测样本通过相应的数据采集和特征提取,再用建立的相应模型来测定该样本细菌总数。
本发明通过以下方法实现。
首先选取一批畜肉样本于一定温度下贮藏,于不同天数分别取一定数量样本进行高光谱图像采集和细菌总数测定。先通过高光谱成像系统采集样本的高光谱图像数据;从中提取光谱数据进行标准正态变量变换预处理,再用联合区间偏最小二乘法优选猪肉内在信息的特征变量;同时对图像信息进行主成分分析,从中优选出特征图像,并提取每幅特征图像基于灰度共生矩阵纹理特征的特征变量;将光谱和图像数据分别提取的特征变量进行融合,再进行主成分分析提取主成分特征变量。畜肉样本采集高光谱图像后,根据GB/T 4789.2-2010《食品卫生微生物学检验菌落总数测定》平板菌落计数法测定细菌总数。最后将畜肉样本提取的主成分特征变量与国标法实测值相联系,运用神经网络方法构建畜肉细菌总数预测模型。然后利用该模型对同类待测样本细菌总数进行测定。
对所建立的模型观测效果进行评估时,随机选取待测畜肉样本的3/4作为训练组,用于模型的建立,剩余的1/4作为验证组,用于模型预测结果的检验,比较相关性和误差分析,确定出最佳的预测模型,同时将该模型预测值与国标平板菌落计数法实测值进行配对t检验,评价其准确性。
本发明所述的基于高光谱成像技术的畜肉细菌总数快速测定方法,其特征在于,包括以下步骤进行。
(1) 采集试验样本原始高光谱图像。
(2) 根据GB/T 4789.2-2010测定试验样本的细菌总数即为细菌总数实测值。
(3) 原始数据预处理和特征信息提取,首先通过标准白板对原始高光谱图像进行黑白校正;从中提取图像信息和光谱信息;接着从光谱信息中提取能反映畜肉内部指标的特征变量;从图像信息中提取能描述畜肉外部特征的颜色和纹理特征变量。
(4) 特征变量融合和预测模型建立,将提取得到的光谱特征变量和图像特征变量进行融合构建联合特征变量,再将这些特征变量与相应畜肉平板菌落计数法实测值相关联,通过非线性方法构建畜肉细菌总数含量预测模型。
本发明提供的基于高光谱成像技术的畜肉细菌总数快速测定方法,在不破坏畜肉样本的前提下,实现畜肉细菌总数的快速定量检测。本发明与国标平板菌落计数法相比,检测速度快、操作简单方便、无需对样品预处理和破坏;与单一的近红外光谱、计算机视觉技术或仅利用高光谱图像的光谱信息相比,得到的信息更全面,检测结果的准确性和稳定性都有所提高。本发明能提高我国畜肉产品的智能化检测管理水平,为保障畜肉制品品质安全,维护消费者健康有着直接的现实意义。
附图说明
图1 猪肉样本图像数据块结构图。
图2 猪肉细菌总数预测模型构建流程图。
图3 猪肉细菌总数模型预测结果。
具体实施方式
本发明对畜肉细菌总数快速无损检测具有通用性,但由于畜肉种类较多,因此本发明只以猪肉细菌总数检测为实施实例,其它畜肉细菌总数测定可参照该实施实例的方法,具体针对所测畜肉样本,建立一个新的细菌总数预测模型,即可以对该畜肉未知样本细菌总数进行测定。
实例实施步骤结合附图进行详细描述。
选取一批猪肉样本(一般不少于50个)用于构建模型,利用高光谱成像系统采集猪肉样本高光谱图像数据,高光谱像机分辨率为618×1628 pixel,光谱范围是430~960nm,光谱分辨率为2.73nm,光谱采样间隔为0.858nm,采集得到618个波长下的图像,最终得到一个618×1628×618 pixel的高光谱图像数据块如图1所示, x、y轴代表图像空间位置,λ轴代表光谱波长,当λ在430~960nm中取某个值时,可得到该波长的图像数据(图1右下角);当在图像空间任取一个像素点时,可得到该像素点对应的光谱数据曲线(图1左下角)。
采集如图1所示的高光谱图像数据,按照图2所示的流程图构建猪肉细菌总数含量的非线性预测模型。所有猪肉样本高光谱图像(图1)经过标定,从光谱信息中提取能反映畜肉内部指标的特征变量;从图像信息中提取能描述畜肉外部特征的颜色和纹理特征变量。
将上述提取的光谱和图像特征变量融合,与相应畜肉平板菌落计数法实测值相关联,通过非线性方法构建猪肉细菌总数含量预测模型。
接下来对未知样本进行快速预测。按照图2所示流程图将未知猪肉样本同样采集高光谱图像,并对其进行标定,提取光谱特征变量和图像颜色和纹理的特征变量并融合,然后代入预先建立好的预测模型中就可以快速预测待测猪肉样本细菌总数含量。
本实例实施以54个猪肉样本为训练集构建预测模型,以18个为观测集验证模型。采集样本高光谱图像后,提取光谱特征变量100个,图像颜色和纹理特征15个,融合光谱和图像特征变量共得115个,经主成分分析并运用反向传播神经网络(BP-ANN)构建肉样细菌总数非线性预测模型。其训练集和预测集均方根误差分别为0.062和4.66,相关系数分别为0.9857和0.8712(图3)。且该模型预测值与国标平板菌落计数法实测值进行配对t检验,无显著性差异。可见,利用本发明方法可以用于猪肉细菌总数的快速无损检测。
Claims (4)
1.一种基于高光谱成像技术的畜肉细菌总数快速测定方法,按照以下步骤进行:
(1)建立预测模型:选取一批猪肉样本,利用高光谱成像系统采集猪肉样本高光谱图像数据,数据预处理和特征变量提取,然后融合这些特征变量;再结合国标平板菌落计数法测定值建立畜肉细菌总数的非线性预测模型;
(2)样本测试:对于待测畜肉样本,按照步骤(1)中相同的方式获取待测样本高光谱图像数据、数据预处理、特征变量提取和融合,然后将融合的特征变量代入上述建立的畜肉细菌总数含量预测模型,快速得出该待测样本细菌总数含量测定结果,即完成该待测畜肉样本的实时检测。
2.根据权利要求1所述的一种基于高光谱成像技术的畜肉细菌总数快速测定方法,其特征在于,所述高光谱图像数据预处理和特征变量提取,是先通过标准白板对原始高光谱图像进行黑白校正;从中提取图像信息和光谱信息;接着从光谱信息中提取能反映畜肉内部指标的特征变量;从图像信息中提取能描述畜肉外部特征的颜色和纹理特征变量。
3.根据权利要求1所述的一种基于高光谱成像技术的畜肉细菌总数快速测定方法,其特征在于,所述的特征变量融合和预测模型建立,就是将提取得到的光谱特征变量和图像特征变量进行融合得到联合特征变量,再将这些特征变量与相应畜肉平板菌落计数法实测值相关联,通过非线性方法构建畜肉细菌总数含量预测模型。
4.根据权利要求1所述的一种基于高光谱成像技术的畜肉细菌总数快速测定方法,其特征在于,对所建立的模型观测效果进行评估时,随机选取待测畜肉样本的3/4作为训练组,用于模型的建立,剩余的1/4作为验证组,用于模型预测结果的检验,比较相关性和误差分析,确定出最佳的预测模型,同时将该模型预测值与国标平板菌落计数法实测值进行配对t检验,评价其准确性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012101157612A CN102628794A (zh) | 2012-04-19 | 2012-04-19 | 一种基于高光谱成像技术的畜肉细菌总数快速测定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012101157612A CN102628794A (zh) | 2012-04-19 | 2012-04-19 | 一种基于高光谱成像技术的畜肉细菌总数快速测定方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102628794A true CN102628794A (zh) | 2012-08-08 |
Family
ID=46587093
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2012101157612A Pending CN102628794A (zh) | 2012-04-19 | 2012-04-19 | 一种基于高光谱成像技术的畜肉细菌总数快速测定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102628794A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103278464A (zh) * | 2013-04-18 | 2013-09-04 | 北京工商大学 | 鱼肉检测方法和装置 |
CN103472197A (zh) * | 2013-09-10 | 2013-12-25 | 江苏大学 | 一种食品智能化仿生评价中的跨感知信息交互感应融合方法 |
CN103616383A (zh) * | 2013-12-02 | 2014-03-05 | 江苏大学 | 食品批量发酵过程中菌群结构稳定性的定量检测方法 |
CN104297165A (zh) * | 2014-10-28 | 2015-01-21 | 南京农业大学 | 一种基于高光谱图像对腐败真菌生长预测的方法 |
CN104297136A (zh) * | 2014-10-28 | 2015-01-21 | 南京农业大学 | 一种基于高光谱图像对铜绿假单胞杆菌生长预测的方法 |
CN105651679A (zh) * | 2016-02-04 | 2016-06-08 | 华中农业大学 | 一种基于高光谱成像技术对培养基上的细菌菌落进行快速分类的方法 |
CN105866042A (zh) * | 2016-04-27 | 2016-08-17 | 南京林业大学 | 基于像素指标无偏估计法生物品质指标空间分布检测方法 |
CN106383095A (zh) * | 2016-11-03 | 2017-02-08 | 宁夏大学 | 一种冷却羊肉表面细菌总数检测装置及方法 |
CN107509908A (zh) * | 2017-07-26 | 2017-12-26 | 青岛海尔智能技术研发有限公司 | 食品保鲜方法及食品保鲜装置 |
CN108572150A (zh) * | 2018-04-16 | 2018-09-25 | 成都大学 | 一种基于高光谱检测香肠中三磷酸腺苷及细菌数的方法 |
CN111523542A (zh) * | 2020-04-21 | 2020-08-11 | 中国农业大学 | 一种菌落总数回归预测模型的构建及运用该模型检测鱼肉新鲜度的方法 |
CN117037152A (zh) * | 2023-10-10 | 2023-11-10 | 江西农业大学 | 基于机器视觉的灰葡萄孢菌防效分析方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101776597A (zh) * | 2010-01-19 | 2010-07-14 | 中国农业大学 | 一种畜肉细菌总数无损检测方法 |
CN101806703A (zh) * | 2010-01-07 | 2010-08-18 | 中国农业大学 | 一种畜肉细菌总数无损检测方法 |
-
2012
- 2012-04-19 CN CN2012101157612A patent/CN102628794A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101806703A (zh) * | 2010-01-07 | 2010-08-18 | 中国农业大学 | 一种畜肉细菌总数无损检测方法 |
CN101776597A (zh) * | 2010-01-19 | 2010-07-14 | 中国农业大学 | 一种畜肉细菌总数无损检测方法 |
Non-Patent Citations (4)
Title |
---|
A.A.ARGYRI: "Rapid qualitative and quantitative detection of beef fillets spoilage", 《SENSORS AND ACTUATORS B:CHEMICAL》, no. 145, 31 December 2010 (2010-12-31), pages 146 - 154 * |
刘木华等: "农畜产品品质无损检测中高光谱图像技术的应用进展", 《农业机械学报》, vol. 36, no. 9, 30 September 2005 (2005-09-30), pages 139 - 143 * |
刘木华等: "高光谱图像在农畜产品品质与安全性检测中的研究现状与展望", 《粮食与食品工业》, vol. 12, no. 2, 31 December 2004 (2004-12-31), pages 47 - 49 * |
陈全胜等: "基于高光谱成像技术的猪肉嫩度检测研究", 《光学学报》, vol. 30, no. 9, 30 September 2010 (2010-09-30), pages 2602 - 2607 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103278464A (zh) * | 2013-04-18 | 2013-09-04 | 北京工商大学 | 鱼肉检测方法和装置 |
CN103278464B (zh) * | 2013-04-18 | 2015-10-21 | 北京工商大学 | 鱼肉检测方法和装置 |
CN103472197B (zh) * | 2013-09-10 | 2015-03-04 | 江苏大学 | 一种食品智能化仿生评价中的跨感知信息交互感应融合方法 |
CN103472197A (zh) * | 2013-09-10 | 2013-12-25 | 江苏大学 | 一种食品智能化仿生评价中的跨感知信息交互感应融合方法 |
CN103616383B (zh) * | 2013-12-02 | 2017-04-12 | 江苏大学 | 食品批量发酵过程中菌群结构稳定性的定量检测方法 |
CN103616383A (zh) * | 2013-12-02 | 2014-03-05 | 江苏大学 | 食品批量发酵过程中菌群结构稳定性的定量检测方法 |
CN104297165A (zh) * | 2014-10-28 | 2015-01-21 | 南京农业大学 | 一种基于高光谱图像对腐败真菌生长预测的方法 |
CN104297136A (zh) * | 2014-10-28 | 2015-01-21 | 南京农业大学 | 一种基于高光谱图像对铜绿假单胞杆菌生长预测的方法 |
CN104297165B (zh) * | 2014-10-28 | 2017-06-16 | 南京农业大学 | 一种基于高光谱图像对腐败真菌生长预测的方法 |
CN105651679A (zh) * | 2016-02-04 | 2016-06-08 | 华中农业大学 | 一种基于高光谱成像技术对培养基上的细菌菌落进行快速分类的方法 |
CN105866042A (zh) * | 2016-04-27 | 2016-08-17 | 南京林业大学 | 基于像素指标无偏估计法生物品质指标空间分布检测方法 |
CN105866042B (zh) * | 2016-04-27 | 2018-06-01 | 南京林业大学 | 基于像素指标无偏估计法生物品质指标空间分布检测方法 |
CN106383095A (zh) * | 2016-11-03 | 2017-02-08 | 宁夏大学 | 一种冷却羊肉表面细菌总数检测装置及方法 |
CN106383095B (zh) * | 2016-11-03 | 2023-09-08 | 宁夏大学 | 一种冷却羊肉表面细菌总数检测装置及方法 |
CN107509908A (zh) * | 2017-07-26 | 2017-12-26 | 青岛海尔智能技术研发有限公司 | 食品保鲜方法及食品保鲜装置 |
CN107509908B (zh) * | 2017-07-26 | 2024-03-15 | 青岛海尔智能技术研发有限公司 | 食品保鲜方法及食品保鲜装置 |
CN108572150A (zh) * | 2018-04-16 | 2018-09-25 | 成都大学 | 一种基于高光谱检测香肠中三磷酸腺苷及细菌数的方法 |
CN111523542A (zh) * | 2020-04-21 | 2020-08-11 | 中国农业大学 | 一种菌落总数回归预测模型的构建及运用该模型检测鱼肉新鲜度的方法 |
CN117037152A (zh) * | 2023-10-10 | 2023-11-10 | 江西农业大学 | 基于机器视觉的灰葡萄孢菌防效分析方法及装置 |
CN117037152B (zh) * | 2023-10-10 | 2024-01-05 | 江西农业大学 | 基于机器视觉的灰葡萄孢菌防效分析方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102628794A (zh) | 一种基于高光谱成像技术的畜肉细菌总数快速测定方法 | |
Bock et al. | From visual estimates to fully automated sensor-based measurements of plant disease severity: status and challenges for improving accuracy | |
Li et al. | Nondestructive detection of total volatile basic nitrogen (TVB-N) content in pork meat by integrating hyperspectral imaging and colorimetric sensor combined with a nonlinear data fusion | |
He et al. | Hyperspectral imaging technology for rapid detection of various microbial contaminants in agricultural and food products | |
CN101551341B (zh) | 基于图像与光谱信息融合的肉品在线无损检测方法与装置 | |
CN101692037B (zh) | 高光谱图像和独立分量分析植物叶面叶绿素分布的方法 | |
CN103439342B (zh) | 基于热图时序特征的红外无损检测方法 | |
Pan et al. | Eggshell crack detection based on computer vision and acoustic response by means of back-propagation artificial neural network | |
CN102590129B (zh) | 近红外检测花生中氨基酸含量的方法 | |
CN201392319Y (zh) | 一种基于图像与光谱信息融合的肉品在线无损检测装置 | |
CN104048939A (zh) | 生猪血液中血糖含量近红外快速检测方法 | |
CN102323221A (zh) | 烟叶成熟度检测方法及检测装置 | |
CN106290224A (zh) | 腊肉品质的检测方法 | |
CN103900972A (zh) | 基于多特征融合的肉类新鲜度高光谱图像可视化检测 | |
CN102788794A (zh) | 基于多传感信息融合的叶菜类蔬菜叶片农药残留检测装置及方法 | |
CN113948220B (zh) | 一种具有预分析能力的炭疽病病原菌侵染阶段检测方法 | |
Wang et al. | Big data driven outlier detection for soybean straw near infrared spectroscopy | |
CN104237235A (zh) | 基于近红外成像技术的食源性致病菌的快速检测方法 | |
CN112415050B (zh) | 一种基于温度分布差异的羊肉掺假定性判别方法 | |
CN105866063A (zh) | 香肠品质等级检测方法 | |
CN102654494A (zh) | 一种农产品品质识别检测标准的建立方法 | |
WO2011155888A1 (en) | Procedure for hyperspectral image analysis in real time | |
CN109342378A (zh) | 基于多模态成像技术的菌落生长状态检测装置及方法 | |
CN104634780A (zh) | 一种叶片加料均匀性测量和评价方法 | |
CN108398400B (zh) | 利用太赫兹成像无损检测小麦中脂肪酸含量的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20120808 |