CN103278464B - 鱼肉检测方法和装置 - Google Patents
鱼肉检测方法和装置 Download PDFInfo
- Publication number
- CN103278464B CN103278464B CN201310136293.1A CN201310136293A CN103278464B CN 103278464 B CN103278464 B CN 103278464B CN 201310136293 A CN201310136293 A CN 201310136293A CN 103278464 B CN103278464 B CN 103278464B
- Authority
- CN
- China
- Prior art keywords
- fish
- flesh
- spectrum image
- spectroscopic data
- sample
- 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.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
- G01N2201/1296—Using chemometrical methods using neural networks
Abstract
本发明涉及一种鱼肉检测方法和装置,该方法包括:获取鱼肉样品的高光谱图像,所述高光谱图像中具有多个波段的光谱数据;在所述高光谱图像中提取N个特征波段的光谱数据,N为大于1的整数;将提取的特征波段的光谱数据作为学习向量量化模型的输入值,并根据所述学习向量量化模型的输出值鉴别所述鱼肉样品属于海水鱼还是淡水鱼。本发明可快速、准确地鉴别海水鱼和淡水鱼并且快速、准确检测鱼肉中的汞含量。
Description
技术领域
本发明涉及食品检测技术,尤其是一种鱼肉检测方法和装置。
背景技术
“民以食为天”,饮食是人类社会生存和发展的第一要素。“病从口入”,指的就是饮食不卫生、不安全,是百病的源泉。近年来,随着畜禽肉及其制品的食用量的迅猛增长,人们对于肉品的质量同时也提出了较高的要求。
鱼肉产品是人体所需蛋白质、氨基酸、脂肪等营养物质的重要来源,是人们膳食的重要组成部分。鱼肉组织柔软,易于被人体消化吸收,鱼体中营养成分含量非常丰富,深受人们的喜爱,因而对鱼肉品质的研究成为人们关注的热点。由于鱼肉营养丰富,极易腐败,鱼死后,受不同的生物因素和加工因素影响,鱼肉在物理、化学、微生物方面发生变化,从而决定了最终产品的品质。
鱼肉的品质由水环境、品种,养殖方法及养殖时间等多种因素决定。而随着城市化进程的加快和工农业的迅猛发展,重金属排放造成的环境污染问题不断凸显。进入水体中的重金属可最终通过鱼类等水产品的消费进入人体,在对鱼类产生毒性作用的同时,也对人类健康构成严重威胁。例如,汞中毒将引起神经系统受损,铅中毒将损害人的肠胃、肾脏和生殖系统,还将引起贫血、高血压、智力下降等诸多健康问题。因此,开展鱼类重金属污染研究和检测显得尤为重要。
淡水鱼和海鱼混淆销售以及含有重金属污染的鱼肉对人类身体健康的危害不仅易使有些病人误食鱼肉导致病情更加严重,而且它还很容易使重金属元素在人体内长期积累导致重金属中毒。所以,对肉品进行淡水鱼与海鱼及是否含重金属污染的检测研究有着重要的现实意义。目前,在鱼肉检测方面主要有一下几种方法:
感官检测方法,虽然感官检测方法具有检测快速、方便、操作方法简单等优点,但是,此种方法在很大程度上取决于人的主观评价性,准确性较低。
理化检测方法,传统的理化检测方法虽然准确性很高,但需要专业的检测人员对肉品样品进行化学检测,不仅需要化学试剂和检测设备,而且检测过程非常耗时。例如,对于鱼肉重金属含量的测量需要3-4个小时的时间才能检测出其中的汞含量。因此,这类检测方法虽然准确性高,但是不能满足实际市场中对鱼肉进行快速鉴别、检测的需求。
人工嗅觉和人工味觉检测技术,人工嗅觉与人工味觉检测技术是近些年发展起来的一种比较新颖的通过模拟人类及动物的嗅觉和味觉的功能来进行相关检测的技术。它们又被称为电子鼻和电子舌,可用于识别食品的气味、真伪鉴别、控制生产过程的工艺,从而达到保证产品质量的目的。
结合人工嗅觉和人工味觉的检测方法虽然可以进一步提高对食品的检测和识别能力,但相关方面的研究依然处于初级阶段。
因此,如何实现快速、准确地鉴别海水鱼和淡水鱼,以及如何快速、准确地检测鱼肉中的汞含量是本领域需要解决的问题。
发明内容
在下文中给出关于本发明的简要概述,以便提供关于本发明的某些方面的基本理解。应当理解,这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分,也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念,以此作为稍后论述的更详细描述的前序。
本发明提供一种鱼肉检测方法和装置,能够快速、准确地鉴别鱼肉种类。
一方面,本发明提供了一种鱼肉检测方法,包括:
高光谱图像获取步骤:获取鱼肉样品的高光谱图像,所述高光谱图像中具有多个波段的光谱数据;
特征提取步骤:在所述高光谱图像中提取N个特征波段的光谱数据,N为大于1的整数;
鉴别步骤:将提取的特征波段的光谱数据作为学习向量量化模型的输入值,并根据所述学习向量量化模型的输出值鉴别所述鱼肉样品属于海水鱼还是淡水鱼。
另一方面,本发明提供了一种鱼肉检测装置,包括:
高光谱图像获取模块,用于获取鱼肉样品的高光谱图像,所述高光谱图像中具有多个波段的光谱数据;
特征提取模块,用于在所述高光谱图像中提取N个特征波段的光谱数据,N为大于1的整数;
鉴别模块,用于将提取的特征波段的光谱数据作为学习向量量化模型的输入值,并根据所述学习向量量化模型的输出值鉴别所述鱼肉样品属于海水鱼还是淡水鱼。
本发明基于对高光谱图像的特征提取,无需对样本进行任何的预处理即可进行高光谱的数据采集,相较现有的鉴别手段,可鉴别精度高、速度快,采用学习向量量化模型可进一步提升鉴别准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种实施例提供的鱼肉检测方法的流程图;
图2示出了本发明高光谱图像的示意图;
图3示出了本发明采用的学习向量量化模型的结构示意图;
图4为本发明另一实施例提供的鱼肉检测装置的框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。在本发明的一个附图或一种实施方式中描述的元素和特征可以与一个或更多个其它附图或实施方式中示出的元素和特征相结合。应当注意,为了清楚的目的,附图和说明中省略了与本发明无关的、本领域普通技术人员已知的部件和处理的表示和描述。基于本发明中的实施例,本领域普通技术人员在没有付出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例一提供的鱼肉检测方法的流程图。如图1所示,该方法包括:
高光谱图像获取步骤S11:获取鱼肉样品的高光谱图像,所述高光谱图像中具有多个波段的光谱数据;
特征提取步骤S15:在所述高光谱图像中提取N个特征波段的光谱数据,N为大于1的整数;
鉴别步骤S17:将提取的特征波段的光谱数据作为学习向量量化模型的输入值,并根据所述学习向量量化模型的输出值鉴别所述鱼肉样品属于海水鱼还是淡水鱼。
上述方案的主要目的是获取鱼肉的高光谱图像,并根据获取的高光谱图像鉴别鱼肉样品的种类,具体分析如下:
本发明是基于高光谱图像来对鱼肉进行检测,可以通过以下两种方法实
第一种是基于光谱空间的检测方法,如光谱匹配、混合光谱分解等。此方法需预先知道检测样品品质指标实际的光谱参数,然后和高光谱图像信息中提取出的光谱参数进行匹配,再通过模式识别技术来得到检测和识别样品的品质。
第二种检测方法是通过提取同一检测样品上不同的品质指标所呈现出的不同分布特性,从而实现检测样品的品质检测和识别。此类方法首先需分析检测样品的不同品质指标所表现出的特征及其与背景特征之间的差异,然后再通过相应的特征提取方法来突出图像中的样品成分,最后通过具体算法提取检测样品的品质指标。
第二种检测方法的检测方案主要有两种,方案一是直接在原始的特征空间上进行检测,方案二是基于特征提取与选择来进行检测的,方案二中,高光谱图像检测技术的关键主要取决于特征提取或选择算法和检测与分类算法两方面。
高光谱图像数据组成及表达方式
高光谱图像数据组成
图2示出了本发明高光谱图像的示意图。如图2所示,高光谱图像是在特定波长范围内由一系列波长处的光学图像组成的三维图像块,。其中,x、y为二维平面坐标表示的图像像素的坐标信息,λ表示波长信息。由此说明,高光谱图像既具有在某个特定波长下的图像信息,又具有在不同波长下的光谱信息。
高光谱图像数据表达方式
本发明主要从以下三个方面获得高光谱图像:首先,图像空间维上,高光谱图像与一般的图像类似,这也就是意味着可使用一般的图像模式识别方法对高光谱数据进行信息检测;其次,光谱空间维上,采集的高光谱图像的每一个像元都可得到一条连续的光谱曲线,可以实现基于光谱数据库的光谱匹配技术对物体与目标的识别;最后,特征空间维上,高光谱图像能够根据实际样品数据所反映的样本特征分布差异,将其有效的数据通过超维特征空间映射到低维子空间上。
图像空间是将采集到的光谱数据视为一幅立体图像。由于人类的视觉系统是将外界信息输入到人脑中的一个很宽的通道,因此这种直观的自然的表现特征对人类来说是非常有意义的。它是将数据样本按照其空间关系所显示的几何形式,从而为研究人员提供了相关测试样本的图像,其中像素之间的联系是包含了丰富的信息量。在对高光谱数据信息的提取过程中,图像上提供的空间联系可作为光谱联系的一种辅助手段。然而,这种数据的表示方式并不能完全显示高光谱数据所包含的大部分信息,因此一次只能看到某一个波段上的灰度图像或由三个波段所合成的假彩色(RGB)图像,因而波段间的关系很难从高光谱图像中反映出来。因此,图像描述方式仅仅只能反映高光谱数据的较少一部分信息量。
光谱空间的单个像素点处所测得的响应和波长之间的光谱曲线,为研究人员提供了能够直接解释像素点的具体光谱信息。尤其是在光谱分辨率较高的时候,特定的像素点的响应特征可能会与像素点所在区域包含的物质的物理特性有关,对于高分辨率的光谱,可以基于特定的吸收谱带的位置来辨识特定的分子。光谱响应曲线可以为研究人员提供一个像素点与其物理特性间的联系,因而研究人员通常会从光谱空间的角度来考虑和分析高光谱数据。
特征空间中的每个像素点用一个多维矢量表示,包含了该像素点上的所有光谱信息。虽然并不能可视化地显示出该点,但是相比图像而言是可以比较容易地对其进行计算机处理的。这种数据表示的方法优点在于它能够量化地表征单一像素点的数值,以及被测样品关于其中心或均值的变化规律,从而可用于鱼肉品质的辨识。
下面通过实验来对高光谱图像的获取进行进一步描述。
实验系统介绍
高光谱图像检测系统硬件组成
本发明可采用两种高光谱图像系统获取鱼肉样品的高光谱图像:第一种是基于滤波器或滤波片的高光谱图像系统,它通过连续采集鱼肉样品一系列波长下的二维图像获得高光谱图像数据;第二种方法是基于图像光谱仪的高光谱图像系统,它是采用“推扫式”成像的方法来获得高光谱图像数据。高光谱图像检测系统的硬件主要包括光源、CCD摄像头、装备有图像采集卡的计算机和单色仪。光谱范围可以在200-400nm、400-1000nm、900-1700nm、1000-2500nm,本发明具体采用的是可见-近红外光谱范围,即350-1000nm。
高光谱图像检测系统数据获取
高光谱图像检测系统工作时,图像光谱仪将检测对象反射或透射过来的光分成单色光源后进入CCD摄像头。该系统采用“推扫型”成像方法得到高光谱图像:面阵CCD探测器在光学焦面的垂直方向上做横向排列完成横向扫描(X方向),获取的是检测对象在条装空间中每个像素在各波长下的图像信息。同时,在检测系统输送带前进的过程中,排列的探测器扫出一条带状轨迹从而完成纵向扫描(Y方向)。
随着光谱分辨率的提高,高光谱图像能够记录的鱼肉品质信息也越来越丰富,并且能够借助丰富的光谱信息来实现对鱼肉内外品质的全面检测。
下面对采用高光谱图像实现鱼肉样品的分类进行介绍
高光谱图像主要的特点是将传统的空间维与光谱维的信息融合为一体,在获取样品空间图像的同时,还得到了样品的连续光谱,从而可以实现依据样品光谱特征进行反演与样品识别的目的。本发明利用上述特点对鱼肉样品进行分类鉴别,主要通过检测鱼肉样品的高光谱数据进行分析,获得可分性最大的特征,再选择适当的分类系统,将各个像元划分到对应的类别属性中,例如海水鱼类和淡水鱼类。
利用高光谱图像对样品进行分类识别的优点有:1)光谱分辨率高、波段数多、能获取鱼肉样品几乎连续的光谱特征曲线,并可以根据需要提取特定的波段来突出目标样品的特征。2)在同一分辨率条件下,光谱覆盖范围较宽,能够探测出样品更多的特征信息。3)波段多,为波段之间的相互校正提供了便利。困难有:1)数据量大,影响分类精度。2)因数据量巨大而导致的对数据预处理的困难性较大。3)波段多、波段间的相关性高,因此分类所要的训练样本数目大大增加,通常会因为训练样本不足而导致得到的参数不可靠。
高光谱图像分类的流程如下:首先,利用分类器对已知类别及其对应的训练样本进行学习,以获取各图像上各类别像元的分类特征;然后,选择适当的分类判据,根据分类的决策准则进行分类。
一种方案中,可基于光谱特征空间的高光谱图像进行样品分类是,其具体基于图像光谱特征,建立在高光谱图像光谱特征提取和变换的基础上来建立分类模型。另一种方案中,可基于光谱曲线进行分类,主要有光谱特征匹配分类方法,神经网络方法、支持向量机方法等,本发明所采用的定性分类方法是基于光谱特征空间的高光谱图像分类方法中的神经网络分类方法。
本发明采用高光谱图像检测技术和人工神经网络技术建立海水鱼与淡水鱼的鉴别预测模型,并输出最终识别结果。本发明中所使用的人工神经网络模型可为BP(Back Propagation)网络或LVQ(Learning VectorQuantization,学习向量量化),其都属于层次型的前馈网络结构。BP网络结构是建立在监督学习算法基础上的,信号的正向传播和误差的反向传播构成了它的学习过程,通过两个过程的交替出现来完成权值的调整;LVQ网络结构,是将竞争学习(无导师)和监督学习(有导师)算法相结合,在学习训练过程中,将输入成和竞争层间的权值逐渐调整到聚类中心,从而使得整个模型的分类过程更加准确,学习效果较好。
下面对通过实验描述对本发明的可行性进行说明。
实验材料和仪器配置
1.实验环境:室温20°C左右并通风良好的实验室;
2.实验材料如表1所示;
表1不同种类鱼肉的实验材料
3.仪器及参数设置
采用北京卓立汉光仪器有限公司的GaiaSorter高光谱分选仪系统。该系统主要由高光谱成像仪,CCD相机、光源、暗箱、计算机组成。
表2GaiaSorter高光谱分选仪系统参数设置
在进行图像数据采集前,预先根据光源的照度设定好高光谱摄像头曝光时间以保证图像清晰,并调整好输送装置的速度以避免图像空间分辨率失真,为了克服光强分布较弱的波段所存在的图像噪声和暗电流的影响,首先需要扫描标准白板以采集反射率为1的全白标定图像Dw,而后盖上摄像头的盖子以采集反射率为0的全黑标定图像Dd,进行过黑白校正后,再进行样本光谱图像Ds的采集,由此可以根据公式1得到的黑白校正后的相对样品光谱图像的感兴趣像素区域c或波段i处的反射率R:
数据采集时,线阵探测器在光学焦平面的垂直方向做横向扫面,从而获取所扫描空间中每个像素在整个光谱区域的光谱采集,与此同时样本在输送装置的作用下作垂直于摄像机的纵向移动,最终完成整个鱼肉样本图像的采集。所采集到的图像块既包括有特定像素光谱信息也具有特征波段下的图像信息。具体操作步骤如下:
1.将上述中6种不同种类鱼肉的样本称重分为30份试样;
2.打开GaiaSorter系列高光谱分选仪并启动计算机,运行spectraSENS高光谱数据采集软件,在软件界面进行仪器连接检测和预热;
3.并将上述实验样品分别置于载物台上,放入GaiaSorter系列高光谱分选仪的载物台上;
4.设置完测试参数后,点击“开始扫描”,约40s即可采集到一份样品的光谱信息,即样品光谱图,每个样品分别扫描10次取其平均值作为相应样品的光谱反射率值。
5.每个样品光谱数据扫描完成后,将载物台上的残留物质清理干净,以此确保每次扫描得到的光谱准确性。
将采集到的鱼肉样品原始光谱图进行平滑预处理,可以得到光滑的光谱曲线图。从光谱曲线图可以得出,海水鱼和淡水鱼样品的光谱曲线变化趋势相似,但是吸光度却存在着明显的差异。导致这种差异的主要原因是海水鱼和淡水鱼中不饱和脂肪酸的含量变化所引起的。
可选地,本发明的实施例中,高光谱图像获取步骤S11和特征提取步骤之间S15之间还包括:
采用平滑处理算法对高光谱图像中的光谱数据进行去噪;以及
对高光谱图像中的光谱数据进行归一化处理。
高光谱数据预处理
高光谱图像数据的光谱波段为我们提供了极其丰富的光谱信息,有助于我们对检测样本进行分类和识别,然而波段数的增多也势必会导致信息的冗余和数据处理的复杂性增加。而当光谱特征维数的增加,将导致其特征组合成指数方式增加,这个数据量是非常巨大的,会直接导致模型运算效率的下降。高光谱图像检测系统采集到的原始光谱虽然含有丰富的关于样品待测成分的有用信息,但是此光谱信息中也含有一些无用的干扰信息(如光照的影响、样品的漫反射等)。这些无用的干扰信息不仅会对光谱信息产生干扰,而且会导致光谱吸收曲线的基线漂移,从而影响到建立有效的预测模型。所以,需要对高光谱原始光谱数据进行预处理和减少并优化光谱特征空间可准确分析样品主要成分、建立精确预测模型。
本发明采用的平滑预处理算法具体可为Savitzky-Golay卷积平滑法,其主要作用是消除光谱中的噪声,以此来提高光谱的信噪比。
对上述经过平滑处理的光谱曲线进一步进行归一化处理,就是将反射率光谱归一化到0-1之间的值,分离出独立的吸收过程,以方便进行特征波段提取。
高光谱数据特征提取
从原始光谱图中,可以看出淡水鱼和海水鱼两种鱼类的光谱曲线整体趋势相同,但随着波长的增加反射率的变化有所不同,海水鱼的反射率整体高于淡水鱼的反射率,这是由于海水鱼和淡水鱼鱼肉组织中的营养成分(即不饱和脂肪酸含量)不同所致。海水鱼在540-550nm波段范围内反射率变化缓慢;淡水鱼的反射率在550-570nm波段范围内有所下降,表现出光谱吸收特征。从经过连续统去除法处理后的光谱数据图,可以发现两类鱼的特征光谱主要在420-440nm、540-570nm、930-950nm三个波段范围。
海鱼与淡水鱼品质鉴别的定性模型
基于BP网络的海水鱼与淡水鱼鉴别定性模型
本发明中采用的BP神经网络含有输入层、输出层、处于输入输出层之间的中间层(也称隐含层)三部分。基本思想是,学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时,输入的样品数据从输入层到隐含层单元经过一层一层地处理,传向输出层,在此逐层处理过程中,每一层的神经元状态只能对下一层的神经元状态产生影响。若输出层未能得到所期望的输出,则转入误差的反向传播阶段,将输出的误差按某种方式,通过隐含层向输入层逐层返回,并且“分摊”给各层的所有单元,从而获得各层单元的参考误差又称误差信号,以此作为修改各单元权值的依据。而这种信号的正向传播、误差反向传播和各层权重矩阵的修改过程,是周而复始地进行的。权值不断修改的过程,也就是BP网络的学习即训练过程。当此过程进行到网络输出的误差逐渐减少到可接受的程度时或能达能到设定的学习次数时才能终止。
BP网络模型的设计及结果分析
将所采集的海水鱼和淡水鱼共60个样本分为两组,一组48个用于建立模型,一组12个用于检验模型。由于一个3层BP网络可以以任意精度去逼近任意映射关系,因此,本设计使用海鱼和淡水鱼样本的光谱信息建立3层BP网络结构。以上述所提取出的420-440nm、540-570nm、930-950nm三个特征波段的光谱数据信息作为BP网的输入层节点,把三个特征波段信息一致符合的情况作为淡水鱼和海水鱼分辨的判别依据,若是淡水鱼目标输出设为0.01(相当于目标输出逼近于0),若是海水鱼目标输出则逼近于1。从输入层到隐含层、隐含层到输出层的转移函数采用正切S型函数tansig,训练函数为trainlm。经多次调试,根据最优结果将隐含层选为6个神经元,将训练目标误差设为0.0000001,实际训练步数2954,训练好网络后对12个预测样本进行预测。
预测结果显示,被BP神经网络模型对于鲤鱼、草鱼、鲫鱼三种淡水鱼和黄鱼、小鲳鱼两种海鱼的辨识度很高,但是偏口鱼的辨识却出现了偏差。经过分析,导致模型辨识误差的原因主要是因为BP网络其本身的局限性,将采集到的偏口鱼光谱特征错误的归类于淡水鱼。通过光谱数据的贡献率的分析得知,在540-570nm波段范围内,淡水鱼和海水鱼的光谱差异更加明显,基于上述缺陷,本发明提出采用基于胜者为王学习原则的学习矢量化(LVQ)算法,进行模型的建立和改进。
基于LVQ网络的海水鱼与淡水鱼鉴别定性模型
可选地,所述学习向量量化模型包括输入层、竞争层和输出层;所述输入层有N个神经元,分别用于接收所述N个特征波段的光谱数据;所述竞争层有M个神经元,M为大于N的整数,所述输入层的每个神经元与所述竞争层的所有神经元连接,所述竞争层的神经元分为两组;所述输出层包括两个神经元,所述输出层的每个神经元与所述竞争层的一组神经元连接,所述输出层的其中一个神经元的输出值用于表示所述鱼肉样品属于海水鱼,另一个神经元用于表示所述鱼肉样品属于淡水鱼。
如图3所示,本发明采用的LVQ神经网络包括3层神经元,即输入层、竞争层和输出层。输入层有N个神经元接收输入向量,与竞争层之间形成完全连接;竞争层有M个神经元,分为若干个组并且呈一维的线性排列;输出层的每个神经元只与竞争层中的某一组神经元相连接,权值固定为1。在网络的训练过程中,输入层与竞争层之间的连接权重被逐渐调整为聚类中心。它的学习规则结合了竞争学习和有导师学习规则。当某个样本被送至LVQ网络时,竞争层的神经元就通过胜者为王的竞争学习规则来产生获胜的神经元,即对隐含神经元指定的参考矢量最接近输人模式的隐含神经元因获得激发而赢得竞争,因而允许其输出为1,而其他的隐含神经元都被迫输出为0,从而给出了当前输入样本的模式类。产生“1”的输出神经元给出输入模式的分类,每个输出神经元被表示为不同的类。
基于LVQ网络网络模型的设计及结果分析
本示例选用海鱼和淡水鱼样本的高光谱数据作为变量输入LVQ网络结构,对海鱼和淡水鱼进行识别,把三个特征波段信息都符合的情况作为淡水鱼和海水鱼分辨的判别依据。将18个样本的3个高光谱变量作为神经网络的输入向量.输入层含有3个神经元,对应不同的特征谱段;将鱼的类别即以淡水鱼和海水鱼作为网络输出向量。经验上讲,竞争层的神经元数目为输入层神经元数目的2倍左右,因而本研究中竞争层的神经元设定为15。而通过连续统去除法分析出,540-570nm这个特征波段对样品分类的贡献率比较高,所以将其权重调整为最大。学习速率为0.01,训练步数300,利用设定的训练参数,对网络进行训练,网络误差达到要求。也就是说,前述设定的LVQ网络参数符合鱼肉训练集样本的数据特征,实现了对海水鱼和淡水鱼的准确判别。为了验证LVQ网络的普适性,利用6个淡水鱼和6个海水鱼共12个样本作为测试数据集,利用仿真函数Sim得到网络的输出,从而实现对训练后的网络的测试。测试结果见表3,从表3中可以看出,利用LVQ神经网络对海水鱼和淡水鱼进行分类识别分类精度达到100%,获得非常理想的识别结果,优于BP网络模型。
表3LVQ神经网络测试结果的误差矩阵(n=12)
本发明基于对高光谱图像的特征提取,无需对样本进行任何的预处理即可进行高光谱的数据采集,因而实现鱼肉高精度和快速检测,采用LVQ网络,利用其胜者为王的原理,可设置权重,实际建出的模型明显优于BP网络模型,具有鉴别准确度高的优点。
可选地,在特征提取步骤S15之后还包括:
汞含量检测步骤S18:将提取的特征波段的光谱数据作为学多元逐步回归模型或偏最小二乘模型的输入值,并根据所述多元逐步回归模型或偏最小二乘模型的输出值检测所述鱼肉样品中的汞含量。
可选地,在高光谱图像获取步骤S11和特征提取步骤S15之间还包括:对高光谱图像中的光谱数据进行一阶微分处理和/或多元散射处理。具体可分别将提取的特征波段的光谱数据和一阶微分处理后获得的光谱数据作为自变量,将汞含量作为因变量,进行多元逐步回归分析或者最小二乘法分析。
一般鱼肉中的重金属含量比较低,且对鱼肉光谱曲线的影响较弱,甚至没有任何影响,因此,通过直接分析重金属汞元素的特征光谱带估算其含量较为困难,因此,本发明提出了将基于高光谱图像技术结合多元逐步回归法和偏最小二乘(PLS)法进行鱼肉重金属汞含量的定量检测技术。
采用高光谱分析定量分析的基本流程如下:
采集具有代表性的待测量样品并建立样品集,可分为预测集和检验集;
采集样品集的高光谱图像;
将采集到的样品集的高光谱图像进行预处理及特征提取;
通过样品中待测成分的化学值,建立校正集样品待测成分的预测模型;
将验证集样本作为预测模型的输入验证所建立的预测模型的精确性,并依据模型评价指标对模型进行评价;
使用良好精确性的预测模型预测未知样品的待测成分。
高光谱定量分析预测模型的评价指标
对于高光谱定量分析的预测模型的预测结果进行评价是应用和优化模型的基础,评价指标主要包含:预测值与实际值的相关系数R、校正均方根误差RMSEC、交叉验证均方根误差RMSEVC以及预测均方根误差RMSEP。
相关系数R
用来计算所测样本的预测值与实际值的相关程度,它的值越接近于1表明样本的预测值与实际值相关程度越好,所建模型的有效性越高。
其计算公式如下:
其中:
yi为样品集中第i个样品待测成分的实际值;
为样品集中第i个样品待测成分的预测值;
为样品集所有样品的待测成分的实际值的平均值。
交叉验证均方根误差RMSEVC
交叉验证均方根误差是预测模型时对交互验证集中样品的预测均方根误差,适用于评价预测模型的预测能力以及其相应建模方法的可行性,其计算公式如下:
其中:
yc为样品交互验证集中第c个样品待测成分的实际值;
为样品交互验证集中第c个样品待测成分的预测值;
n为交互验证集的样品数。
预测均方根误差RMSEP
预测均方根误差为预测模型对验证集样品的预测均方根误差,是用于评价预测模型对未知样品的预测能力,它的值越小则说明模型对未知样品的预测能力越好。
其计算公式如下:
其中:
yp为样品验证集中第p个样品待测成分的实际值;
为样品验证集中第p个样品待测成分的预测值;
m为验证集的样品个数。
校正均方根误差RMSEC
校正均方根误差是在预测模型时对校正集中样品的预测均方根误差,用于评价预测模型的拟合精度情况,其值越小则说明模型的拟合精度越高。
其计算公式如下:
式中:
yt为样品校正集中第t个样品待测成分的实际值;
为样品校正集中第t个样品待测成分的预测值;
n为验证集的样品个数。
对于已建立的预测模型,希望其有较高的R值、较小的RMSEC值、RMSEP值及RMSECV值,并且RMSEC和RMSEP的值越接近则说明模型的稳定性越好。
根据上述高光谱成像技术定量分析基本流程建立基于高光谱的鱼肉重金属含量的预测模型,首先要进行实验检测样品的准备工作,建立相应的样品集,然后采集鱼肉的待测成分(即鱼肉中含重金属汞的含量)对应的光谱数据。
鱼肉重金属汞污染样本的实验准备
表4重金属汞溶液的样本浓度
实验样品采用在生鲜市场和超市中的新鲜黄花鱼(湿样),将购买样品分为正常肉样品和被重金属汞污染的样品,分别用移液枪添加每种浓度的重金属汞溶液样本到购买的新鲜黄鱼腹部肌肉组织中,按汞单一污染不同浓度梯度进行处理,放置8小时后进行数据采集。
随机选取1号、2号、4号、5号、6号、7号、9号、10号、11号、12号、13号、14号、17号、18号、19号、20号、21号、22号、24号、25号、27号、28号、29号、30号作为建模样本集,3号、8号、15号、16号、23号、26号作为预测集。
鱼肉重金属汞含量的高光谱数据采集
一、仪器参数设置
在室温20°C左右且通风良好的实验室中,将上述含不同浓度重金属汞污染的鱼肉实验样品分别置于北京卓立汉光仪器有限公司的GaiaSorter高光谱分选仪的载物台上,设置相关参数,采样间隔为1.9nm,光谱分辨率为2.8nm。
二、样品预处理及高光谱采集方法
将样品按不同浓度分别摆放好,在350-1000nm波长范围内对含重金属汞污染的鱼肉样品进行连续光谱数据采集。
将采集到的鱼肉样品原始光谱图进行平滑预处理,得到含重金属污染的样本和不含样本的光谱曲线对比图。从对比结果可以看出,不含重金属污染的鱼肉样本和含重金属污染的鱼肉样本的光谱图变化趋势大致相似,但是吸光度存在明显的差异。这种差异主要是因为金属汞含量的变化所引起的。
高光谱数据预处理与特征提取
光谱测量过程中,难免会产生误差,此时可以利用数学预处理的方法来消减光谱中受随机因素影响所产生的误差部分,对光谱数据的数学预处理是光谱分析测试过程中非常重要的一环。光谱数据预处理的目的,主要是针对特定的样本体系,剔除异常样本,消除光谱噪声,筛选数据变量,优化光谱范围,净化图谱信息,减弱以至于消除各种非目标因素对光谱的影响。
通过对光谱数据进行预处理,第一可溶剔除异常样品,所谓的异常样品就是指浓度标准值或是光谱数据存在较大误差的样品;第二可消除光谱噪声及其他谱图不规则因素的影响,如消除样品背景干扰、随机因素干扰、测量器件所引起的光谱差异、光程变化等因素对测量结果所产生的影响;第三可优化光谱范围及净化图谱信息,即对反映样品信息的特征光谱区域进行挑选,选出有效的特征光谱区域,提高数据运算效率。
高光谱数据重采样
由于高光谱图像检测仪在不同的波段对能量响应的差异性,原始光谱曲线上有许多的“毛刺”噪声,原始光谱曲线不太平滑,而且GaiaSorter高光谱分选仪在350-1000nm(可见-近红外)光谱范围采样间隔是2nm,使得原始光谱曲线的相邻波段间存在着信息重合,导致了整个光谱数据的信息冗余。在350-1000nm波段范围内共有520个波段,存在变量多而样本少的问题,这也就必然给分析和处理光谱数据带来了很大的困难性,从而影响到了处理数据的效率和结果。因此,高光谱图像技术带来了丰富信息的同时,也带来了对光谱信息分析处理的一系列问题。
因此,为了满足研究需要,尽可能多的保留光谱信息,并在维持光谱的原有基本特征前提下,尽可能的减少数据量,特别是去除冗余的信息。因此,本发明中对光谱数据以10nm为间隔进行算术平均运算,经处理过的光谱曲线比原始光谱更加平滑的同时依然维持了其原有光谱的主要特征。
高光谱数据一阶微分
光谱测量易受照度、观测的角度、样品的表面粗糙程度等因素的影响,使光谱数据的信噪比很低。然而一阶微分光谱不仅可以消除基线漂移或样品背景干扰的影响,且可以提供比原始光谱更清晰的光谱轮廓变换和更高的光谱分辨率,本发明采用光谱的差分作为一阶微分的有限近似,它的计算方法如下:
其中,λi+1、λi、λi-1分别为相邻的波长,R′(λi)为波长λi的一阶微分光谱。
连续统去除法
连续统去除,是指用直线对凸出的“峰”值点(即极大值点)进行逐点连接,使得折线段在极值点处的外角大于180度。由于连续统代表背景过程所产生的吸收,可以通过去除连续统分离出的独立的吸收过程以便用于定量分析。连续统去除的特点就是将反射率光谱归一化到0-1之间的值,并在此基础上提取相应的光谱特征吸收波段以进行进一步的分析工作。本发明使用的连续统法的计算方法如下:
R′(λ)=R(λ)/Rd(λ) (7)
其中,R′(λ)为连续统去除后的反射率,R(λ)为某波段的反射率值,Rd(λ)为该波段处的连续统上的反射率值。
光谱波段的深度的计算方法下:
R′h(λ)=1-R(λ)/Rd(λ) (8)
其中R′h(λ)为光谱波段的深度,R(λ)为某波段的反射率值,Rd(λ)为该波段处的连续统上的反射率值。
单相关性分析
相关性分析,是利用各类单波段和双波段组合的光谱变量和待测成分的含量之间进行相关性分析,其相关系数r的计算方法如下:
式中:
x为所测的特征光谱变量值;
y为所对应的重金属汞的含量;
n为相关数据个数。
为了辨识鱼肉光谱与重金属汞含量之间的关系,对特征波段的两种光谱变量(原始光谱、光谱一阶微分)与重金属汞含量进行相关性分析。以含重金属汞污染的黄花鱼为例,对所鱼肉样品光谱与鱼肉含重金属汞做了两种单相关性分析:1.与光谱反射率的相关分析;2.与光谱反射率一阶微分的相关分析,结果如表5所示。
与原始光谱变量有显著相关性的特征波段是在555nm、842nm、928nm附近处,呈一定的负相关的关系。而做了一阶微分后,使部分重金属汞的含量与光谱特征变量的相关系数得到了提高。
表5鱼肉中重金属汞含量与光谱特征值的相关系数
特征波nm | 反射率 | 一阶导数 |
418 | 0.129 | 0.744 |
555 | 0.974** | 1.000* |
725 | -0.518 | 0.962* |
842 | -0.925* | 0.075 |
928 | -0.982** | 0.581 |
4.4.1多元逐步回归法
本发明基于多元回归分析方法采用的思路为,分析方程中的全部变量的方差贡献值的大小,然后分别按照它们的重要性逐步选入进行回归方程的建立。在这个过程中,对于前面己经选入的变量,由于新变量的引入而误差较大时,则要把这个已选入的变量从回归模型中去除;然后再把先前被剔除的变量,又由新的变量的引入后相对变得显著时,然后再把它重新选入,直至没有变量再可以剔除和引入时整个计算才结束。
多元线性回归的数学模型是:
设依变量y与自变量x1、x2、…、xm共有n组实际观测数据,如表6所示。
表6依变量与自变量的实际观测数据
假定依变量y与自变量x1、x2、…、xm间存在线性关系,其数学模型为:
yj=β0+β1x1j+β2x2j+...+βmxmj+εj (j=1,2,…,n) (10)
式中,x1、x2、…、xm为可以观测的一般变量(或为可以观测的随机变量);y为可以观测的随机变量,随x1、x2、…、xm而变,受试验误差影响;εj为相互独立且都服从N(0,σ2)的随机变量。我们可以根据实际观测值对β0、β1、β2、...、βm以及方差σ2作出估计。
鱼肉重金属汞含量的多元逐步回归模型
根据鱼肉光谱的特征波段,利用多元逐步回归方法,对重金属汞含量与其特征波段的光谱变量进行回归分析。例如,将31个样本数据分为两组,第一组样本用于进行多元逐步回归分析,建立回归模型,第二组样本用于模型的精度检验。同时,将鱼肉样本分别按照重金属汞污染的浓度从小到大依次排序,每隔3个抽取一个用于模型检验,因此,构建的模型的样本数为21个,检验模型的样本数为10个。分别将原始光谱、一阶导数的光谱信息作为自变量,鱼肉重金属含量的实测值作为因变量,进行多元逐步回归分析,利用Matlab软件进行回归分析,建立鱼肉重金属汞含量的高光谱反演模型如下:
(1)反射率模型表达式:
Y=32.6435b555-9.2941b842-21.1719b928 (10)
其中:b555、b842、b928分别为555nm、842nm和928nm处的反射率的平均值;
(2)一阶微分模型表达式:
Y=0.2397b555-0.4316b725 (11)
其中:b555、b725分别为555nm、725nm处的光谱一阶微分平均值。
鱼肉重金属汞模型的结果分析与对比
针对鱼肉含重金属汞污染,对两种不同的数据预处理方法采用多元线性逐步回归进行了模型的建立,得到了模型参数,包含相关系数R,预测均方根误差RMSEP、统计量F和系统检验性,具体见表7所示。
表7肉品重金属汞逐步回归光谱模型参数
根据回归系数R最高、预测均方根误差最小原则,从表7中可以看出,不同的光谱数据预处理方法所建立的模型中,利用一阶微分光谱变量所建立的模型相对优于基于反射率变量所建立的模型。选择鱼肉重金属的高光谱检测方法的最佳回归模型,结果表明根据一阶微分光谱变量建立的逐步回归模型预测结果最佳,主要是因为一阶微分能够消除一定的基线变动及平缓背景干扰的影响,提供了更高的分辨率光谱和更为清晰的光谱轮廓,从而提高了鱼肉重金属的光谱信息。
实验的结果表明,一阶微分回归模型预测结果的平均相对误差为21.50%,精度能够达到78.5%,而反射率模型的平均相对误差别为34.71%,精度只有65.29%。总体上来说,预测精度还有待进一步提高,但是一阶微分法建立的模型的预测精度明显要高于反射率的预测精度,已经具有了较好的应用潜力。
偏最小二乘法(PLS)
本发明采用的偏最小二乘法主要是通过最小化误差的平方和来找到一组数据的最佳函数匹配,然后用最简的方法求得一些绝对不可知的真值,而令误差平方之和为最小。偏最小二乘法主要是通过主成分分析法将多为空间数据的曲线压缩到较低维的空间数据上,使其原曲线分解为多种主成分分析曲线,而不同的曲线的主成分分别代表不同的主分和因素间对曲线的贡献率,选取贡献率较大的主成分,去除有干扰组分和干扰因素的主成分,仅仅将贡献率较高的主成分与质量参数进行回归。
因此,与传统多元线性回归模型相比,采用偏最小二乘法建立的模型主要有一下几个特点:
1.能够在自变量存在严重多重相关性的条件下进行回归建模;
2.允许在样本点个数少于变量个数的条件下进行回归建模;
3.偏最小二乘回归在最终模型中将包含原有的所有自变量;
4.偏最小二乘回归模型更易于辨识系统信息与噪声;
5.在偏最小二乘回归模型中,每一个自变量的回归系数将更容易解释。
相较采用无预处理的原始光谱数据所建立的预测模型性,对前述含重金属污染的鱼肉样品的高光谱数据进行一阶导数+MSC(多元散射)和一阶导数+矢量归一化处理后的预测模型的相关系数有了非常明显的提高,RMSEVC值和RMSEP值均有所降低,这主要是因为经过MSC处理后消除了样品的散射差异;经过一阶倒数处理后的模型的性能有所提高,是因为其可以消除由于样品厚度的不一致所引起的光谱变化。采用一阶导数+MSC的预处理方法所建立的偏最小二乘算法模型预测效果较好,校正集的相关系数是0.9702,验证集的相关系数是0.9751,而RMSEVC值和RMSEP值分别为0.493、0.582,由此可知经过此方法预处理后的光谱数据,去除部分信息干扰,使模型预测精度更加准确。
本发明克服了传统的实验室化学定量分析方法的费时费力、并且对样品具有破坏性的缺憾,能够实现对鱼肉样品的品质及含重金属汞污染的非破坏、快速检测,利用高光谱图像检测技术,不光具有高的光谱分辨率,还集成了传统的图像和光谱技术,可同时获得所测样品的空间和光谱信息,从而克服了传统多光谱检测技术不能同时兼顾信息充分获取和共线性消除的矛盾。
本发明通过分析高光谱图像数据不同于其他光谱数据的特性,给出了便于对高光谱数据进行分析的表示方法,即提取特征空间法。
采用高光谱图像检测技术测量不同种类的鱼肉样品,对所测的光谱数据进行预处理和特征波段提取,选择了420-440nm、540-570nm、930-950nm三个特征波段,建立了基于人工神经网络的海水鱼和淡水鱼的光谱预测模型,其中BP网络模型的预测精度是83.3%,效果并不理想,为了进一步的提高预测定性分析的精度,根据特征波段中540-570nm的贡献率最大为原则,建立了LVQ网络,分类精度达到了100%,基本实现了海水鱼和淡水鱼品质的定性识别。
通过对含重金属汞污染的鱼肉样本采用多元线性逐步回归方法,通过连续统去除法分析得出的原始光谱及一阶微分光谱变量的特征波段与重金属汞含量进行单相关性分析,建立预测模型,利用一阶微分光谱变量所建立的模型效果较好。虽然总体上来说,预测精度还有待进一步提高,但是一阶微分法建立的模型的预测精度明显要高于反射率的预测精度,已经具有了较好的应用潜力。
3.采用一阶导数(17点平滑)+MSC预处理方法,并结合偏最小二乘法(PLS)对模型进行优化处理,提高了预测精度。
构建了基于高光谱图像的海水鱼和淡水鱼定性识别及是否含重金属汞超标的模型建立,实现了对不同种类鱼肉样品及是否含重金属汞的快速、准确识别。该模型不仅可以用于对海水鱼和淡水鱼及是否含重金属汞污染的识别检测当中,还可以扩展到其他农产品的检测中,具有一定的实用价值。
图4为本发明另一实施例提供的一种鱼肉检测装置。如图4所示,该装置包括:
高光谱图像获取模块41,用于获取鱼肉样品的高光谱图像,所述高光谱图像中具有多个波段的光谱数据;
特征提取模块45,用于在所述高光谱图像中提取N个特征波段的光谱数据,N为大于1的整数;
鉴别模块47,用于将提取的特征波段的光谱数据作为学习向量量化模型的输入值,并根据所述学习向量量化模型的输出值鉴别所述鱼肉样品属于海水鱼还是淡水鱼。
可选地,该装置还包括:
平滑处理模块,用于对高光谱图像中的光谱数据进行去噪;
归一化处理模块,用于对高光谱图像中的光谱数据进行归一化处理。该平滑处理模块和归一化处理模块可与高光谱图像获取模块41和特征提取模块45相连。
可选地,该装置还包括:汞含量检测模块48,用于将提取的特征波段的光谱数据作为学多元逐步回归模型或偏最小二乘模型的输入值,并根据所述多元逐步回归模型或偏最小二乘模型的输出值检测所述鱼肉样品中的汞含量。该汞含量检测模块48可与特征提取模块45连接。
可选地,该装置还包括:预处理模块,用于对所述高光谱图像中的光谱数据进行一阶微分处理和多元散射处理。该汞含量检测模块48可将一阶微分处理和多元散射处理后的光谱数据作为多元逐步回归模型或偏最小二乘模型的输入值,进行汞含量的检测。该预处理模块可与高光谱图像获取模块41和特征提取模块45连接。
本发明提供的鱼肉检测装置可用于执行上述鱼肉检测方法,其工作原理和上述对鱼肉检测方法的描述一致,不再赘述。
在本发明上述各实施例中,实施例的序号仅仅便于描述,不代表实施例的优劣。对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明的装置和方法等实施例中,显然,各部件或各步骤是可以分解、组合和/或分解后重新组合的。这些分解和/或重新组合应视为本发明的等效方案。同时,在上面对本发明具体实施例的描述中,针对一种实施方式描述和/或示出的特征可以以相同或类似的方式在一个或更多个其它实施方式中使用,与其它实施方式中的特征相组合,或替代其它实施方式中的特征。
应该强调,术语“包括/包含”在本文使用时指特征、要素、步骤或组件的存在,但并不排除一个或更多个其它特征、要素、步骤或组件的存在或附加。
最后应说明的是:虽然以上已经详细说明了本发明及其优点,但是应当理解在不超出由所附的权利要求所限定的本发明的精神和范围的情况下可以进行各种改变、替代和变换。而且,本发明的范围不仅限于说明书所描述的过程、设备、手段、方法和步骤的具体实施例。本领域内的普通技术人员从本发明的公开内容将容易理解,根据本发明可以使用执行与在此所述的相应实施例基本相同的功能或者获得与其基本相同的结果的、现有和将来要被开发的过程、设备、手段、方法或者步骤。因此,所附的权利要求旨在在它们的范围内包括这样的过程、设备、手段、方法或者步骤。
Claims (8)
1.一种鱼肉检测方法,其特征在于,包括:
高光谱图像获取步骤:获取鱼肉样品的高光谱图像,所述高光谱图像中具有多个波段的光谱数据;所述高光谱图像是在特定波长范围内由一系列波长处的光学图像组成的三维图像块;
特征提取步骤:在所述高光谱图像中提取N个特征波段的光谱数据,N为大于1的整数;
鉴别步骤:将提取的特征波段的光谱数据作为学习向量量化模型的输入值,并根据所述学习向量量化模型的输出值鉴别所述鱼肉样品属于海水鱼还是淡水鱼;
所述特征提取步骤之后还包括:
汞含量检测步骤:将提取的特征波段的光谱数据作为学多元逐步回归模型或偏最小二乘模型的输入值,并根据所述多元逐步回归模型或偏最小二乘模型的输出值检测所述鱼肉样品中的汞含量。
2.根据权利要求1所述的鱼肉检测方法,其特征在于,
所述学习向量量化模型包括输入层、竞争层和输出层;
所述输入层有N个神经元,分别用于接收所述N个特征波段的光谱数据;
所述竞争层有M个神经元,M为大于N的整数,所述输入层的每个神经元与所述竞争层的所有神经元连接,所述竞争层的神经元分为两组;
所述输出层包括两个神经元,所述输出层的每个神经元与所述竞争层的一组神经元连接,所述输出层的其中一个神经元的输出值用于表示所述鱼肉样品属于海水鱼,另一个神经元用于表示所述鱼肉样品属于淡水鱼。
3.根据权利要求1所述的鱼肉检测方法,其特征在于,所述高光谱图像获取步骤和特征提取步骤之间还包括:
采用平滑处理算法对高光谱图像中的光谱数据进行去噪;
对高光谱图像中的光谱数据进行归一化处理。
4.根据权利要求1所述的鱼肉检测方法,其特征在于,在所述高光谱图像获取步骤和特征提取步骤之间还包括:对所述高光谱图像中的光谱数据进行一阶微分处理和多元散射处理。
5.一种鱼肉检测装置,其特征在于,包括:
高光谱图像获取模块,用于获取鱼肉样品的高光谱图像,所述高光谱图像中具有多个波段的光谱数据;所述高光谱图像是在特定波长范围内由一系列波长处的光学图像组成的三维图像块;
特征提取模块,用于在所述高光谱图像中提取N个特征波段的光谱数据,N为大于1的整数;
鉴别模块,用于将提取的特征波段的光谱数据作为学习向量量化模型的输入值,并根据所述学习向量量化模型的输出值鉴别所述鱼肉样品属于海水鱼还是淡水鱼;
汞含量检测模块,用于将提取的特征波段的光谱数据作为学多元逐步回归模型或偏最小二乘模型的输入值,并根据所述多元逐步回归模型或偏最小二乘模型的输出值检测所述鱼肉样品中的汞含量。
6.根据权利要求5所述的鱼肉检测装置,其特征在于,
所述学习向量量化模型包括输入层、竞争层和输出层;
所述输入层有N个神经元,分别用于接收所述N个特征波段的光谱数据;
所述竞争层有M个神经元,M为大于N的整数,所述输入层的每个神经元与所述竞争层的所有神经元连接,所述竞争层的神经元分为两组;
所述输出层包括两个神经元,所述输出层的每个神经元与所述竞争层的一组神经元连接,所述输出层的其中一个神经元的输出值用于表示所述鱼肉样品属于海水鱼,另一个神经元用于表示所述鱼肉样品属于淡水鱼。
7.根据权利要求5所述的鱼肉检测装置,其特征在于,还包括:
平滑处理模块,用于对高光谱图像中的光谱数据进行去噪;
归一化处理模块,用于对高光谱图像中的光谱数据进行归一化处理。
8.根据权利要求7所述的鱼肉检测装置,其特征在于,还包括:
预处理模块,用于对所述高光谱图像中的光谱数据进行一阶微分处理和多元散射处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310136293.1A CN103278464B (zh) | 2013-04-18 | 2013-04-18 | 鱼肉检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310136293.1A CN103278464B (zh) | 2013-04-18 | 2013-04-18 | 鱼肉检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103278464A CN103278464A (zh) | 2013-09-04 |
CN103278464B true CN103278464B (zh) | 2015-10-21 |
Family
ID=49061047
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310136293.1A Expired - Fee Related CN103278464B (zh) | 2013-04-18 | 2013-04-18 | 鱼肉检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103278464B (zh) |
Families Citing this family (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103487383A (zh) * | 2013-09-27 | 2014-01-01 | 浙江工商大学 | 利用色差仪测量金枪鱼鱼肉色泽的方法 |
CN103674864B (zh) * | 2013-11-12 | 2016-04-13 | 浙江大学 | 一种基于高光谱成像技术的鱼水分含量分布检测方法 |
CN103630499B (zh) * | 2013-11-12 | 2016-04-13 | 浙江大学 | 一种基于高光谱成像技术的鱼蛋白质含量分布检测方法 |
CN105891229A (zh) * | 2014-09-05 | 2016-08-24 | 熊菊莲 | 确定水果外表进行光谱图像分析检测所用特征波长的方法 |
CN105067531A (zh) * | 2014-12-31 | 2015-11-18 | 广西师范学院 | 一种芒果品质无损检测方法及装置 |
CN104990877A (zh) * | 2015-07-31 | 2015-10-21 | 合肥工业大学 | 一种基于多光谱成像技术的虾贝类去壳水产品辐照剂量的检测方法 |
CN105866063A (zh) * | 2016-04-08 | 2016-08-17 | 北京工商大学 | 香肠品质等级检测方法 |
CN106570855A (zh) * | 2016-07-22 | 2017-04-19 | 北京农业信息技术研究中心 | 猪肉新鲜度快速判定的方法及系统 |
CN106556602A (zh) * | 2016-12-05 | 2017-04-05 | 湖南理工学院 | 一种鱼体新鲜度的检测方法及其装置 |
CN108663333A (zh) * | 2017-03-27 | 2018-10-16 | 青岛海尔智能技术研发有限公司 | 用于检测冰箱内食物的高光谱成像组件与冰箱 |
CN108663332A (zh) * | 2017-03-27 | 2018-10-16 | 青岛海尔智能技术研发有限公司 | 用于检测冰箱内食物的高光谱成像组件与冰箱 |
CN107330452B (zh) * | 2017-06-16 | 2021-07-02 | 悦享趋势科技(北京)有限责任公司 | 聚类方法和装置 |
CN107525772A (zh) * | 2017-06-28 | 2017-12-29 | 温州大学 | 一种海带质量检测的方法及系统 |
CN109668842A (zh) * | 2019-02-21 | 2019-04-23 | 岭南师范学院 | 一种贝类重金属污染快速检测方法 |
CN109900645A (zh) * | 2019-04-17 | 2019-06-18 | 岭南师范学院 | 一种基于高光谱图像技术的牡蛎重金属含量测定方法 |
CN110210680A (zh) * | 2019-06-11 | 2019-09-06 | 北京农业信息技术研究中心 | 一种基于温度变化的鱼体新鲜度检测方法和装置 |
CN110243805B (zh) * | 2019-07-30 | 2020-05-22 | 江南大学 | 基于拉曼高光谱成像技术的鱼刺检测方法 |
CN110675400B (zh) * | 2019-11-15 | 2023-08-01 | 石河子大学 | 一种基于手机app的羊肉品质指标快速智能检测方法 |
CN111398199A (zh) * | 2020-04-29 | 2020-07-10 | 中国农业大学 | 一种基于高光谱成像的小麦面粉微量元素快速检测方法 |
CN112741138A (zh) * | 2020-12-12 | 2021-05-04 | 深圳市菜篮食品有限公司 | 一种具有重金属检测功能的卤肉制品加工设备及其方法 |
CN112652366B (zh) * | 2020-12-14 | 2022-10-25 | 宜宾五粮液股份有限公司 | 大曲品质检测嵌入式高光谱智慧型测控系统 |
CN112378866A (zh) * | 2021-01-18 | 2021-02-19 | 航天宏图信息技术股份有限公司 | 水质参数反演模型的训练方法、水质监测方法及装置 |
FR3127805A1 (fr) * | 2021-10-01 | 2023-04-07 | Plas'tri | Procédé d'identification d'un type de matériau dans un matériau cible |
CN114414551B (zh) * | 2022-01-21 | 2023-09-01 | 中国海洋大学 | 基于libs-raman光谱技术的鱼肉鉴别方法 |
CN117011505B (zh) * | 2023-10-07 | 2024-03-15 | 深圳市中达瑞和科技有限公司 | 基于光谱数据的识别方法、系统及相关设备 |
CN117233114B (zh) * | 2023-11-07 | 2024-01-30 | 吉林大学 | 一种基于多源数据融合的土壤养分自动检测装置及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102033043A (zh) * | 2010-10-19 | 2011-04-27 | 浙江大学 | 基于高光谱图像技术的粮粒含水率检测方法 |
CN102385694A (zh) * | 2010-09-06 | 2012-03-21 | 邬明权 | 一种基于地块的作物品种高光谱识别方法 |
CN102628794A (zh) * | 2012-04-19 | 2012-08-08 | 江苏大学 | 一种基于高光谱成像技术的畜肉细菌总数快速测定方法 |
-
2013
- 2013-04-18 CN CN201310136293.1A patent/CN103278464B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102385694A (zh) * | 2010-09-06 | 2012-03-21 | 邬明权 | 一种基于地块的作物品种高光谱识别方法 |
CN102033043A (zh) * | 2010-10-19 | 2011-04-27 | 浙江大学 | 基于高光谱图像技术的粮粒含水率检测方法 |
CN102628794A (zh) * | 2012-04-19 | 2012-08-08 | 江苏大学 | 一种基于高光谱成像技术的畜肉细菌总数快速测定方法 |
Non-Patent Citations (4)
Title |
---|
利用高光谱透射图像检测鸡种蛋早期孵化;张伟等;《农业工程学报》;20121130;第28卷(第21期);149-155 * |
基于学习矢量量化神经网络的水稻白穗和正常穗的高光谱识别;刘占宇等;《中国水稻科学》;20071130;第21卷(第6期);第665页左栏第5段至第666页右栏第3段 * |
肉品品质检测技术综述;付妍等;《北京工商大学学报(自然科学版)》;20120131;第30卷(第1期);69-72 * |
近红外光谱技术在鱼糜定性和定量上的应用;陆烨等;《水产学报》;20110831;第35卷(第8期);1273-1279 * |
Also Published As
Publication number | Publication date |
---|---|
CN103278464A (zh) | 2013-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103278464B (zh) | 鱼肉检测方法和装置 | |
Barbedo | Plant disease identification from individual lesions and spots using deep learning | |
Weng et al. | Rapid detection of adulteration of minced beef using Vis/NIR reflectance spectroscopy with multivariate methods | |
Xing et al. | Combination of chemometric tools and image processing for bruise detection on apples | |
CN109493287A (zh) | 一种基于深度学习的定量光谱数据分析处理方法 | |
Naganathan et al. | Three dimensional chemometric analyses of hyperspectral images for beef tenderness forecasting | |
Zhang et al. | Identification of corn seeds with different freezing damage degree based on hyperspectral reflectance imaging and deep learning method | |
CN106290224A (zh) | 腊肉品质的检测方法 | |
Iraji | Comparison between soft computing methods for tomato quality grading using machine vision | |
Qi et al. | Moldy peanut kernel identification using wavelet spectral features extracted from hyperspectral images | |
WO2021033033A1 (en) | Determining physicochemical properties of a sample | |
Liu et al. | Rapid identification of chrysanthemum teas by computer vision and deep learning | |
Chen et al. | Hyperspectral imaging and chemometrics for nondestructive quantification of total volatile basic nitrogen in pacific oysters (Crassostrea gigas) | |
Zhu et al. | Identification of slightly sprouted wheat kernels using hyperspectral imaging technology and different deep convolutional neural networks | |
Rafiq et al. | Application of computer vision system in food processing | |
Xu et al. | A novel hyperspectral microscopic imaging system for evaluating fresh degree of pork | |
Almoujahed et al. | Detection of fusarium head blight in wheat under field conditions using a hyperspectral camera and machine learning | |
Tao et al. | Simultaneous species and sex identification of silkworm pupae using hyperspectral imaging technology | |
Yin et al. | Non-destructive detection of foreign contaminants in toast bread with near infrared spectroscopy and computer vision techniques | |
Mukherjee et al. | Freshness assessment of Indian gooseberry (Phyllanthus emblica) using probabilistic neural network | |
Varrà et al. | Country of origin label monitoring of musky and common octopuses (Eledone spp. and Octopus vulgaris) by means of a portable near-infrared spectroscopic device | |
Hu et al. | Detecting different pesticide residues on Hami melon surface using hyperspectral imaging combined with 1D-CNN and information fusion | |
Sun et al. | Nondestructive identification of soybean protein in minced chicken meat based on hyperspectral imaging and VGG16-SVM | |
CN114445817A (zh) | 基于增强拉曼光谱和图像辅助的柑橘缺素症状识别方法 | |
Wang et al. | The qualitative and quantitative analysis of industrial paraffin contamination levels in rice using spectral pretreatment combined with machine learning models |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20151021 Termination date: 20200418 |