CN104076001A - 基于激光器阵列的检测装置及大黄鱼存储时间检测方法 - Google Patents

Abstract

本发明公开了一种基于激光器阵列的检测装置及大黄鱼存储时间检测方法，本发明首先使激光器阵列发出的激光照射在样品上，光纤探头采集样品反射的光进入光谱仪中，光谱仪得到与n个激光器的波长相对应的n个检测信号，然后，本发明调整各个检测信号的权重，得到符合要求的检测信号x(t)，将x(t)输入预存在计算机中的随机共振系统模型，使随机共振系统模型发生随机共振，计算机计算并得到预测的大黄鱼存储时间Time。本发明具有检测速度快、准确性高、经济性好；消除了无用波段杂光的干扰信息，样品的存储时间得到更好的区分的特点。

Description

基于激光器阵列的检测装置及大黄鱼存储时间检测方法

技术领域

本发明涉及食品品质检测技术领域，尤其是涉及一种检测速度快、准确性高的基于激光器阵列的检测装置及大黄鱼存储时间检测方法。

背景技术

大黄鱼为石首鱼科(Sciaenidae)，又名黄鱼、石首鱼。大黄鱼为暖温性近海集群涸游鱼类，主要活动区域为南海中部以南。由于其含有大量的硒元素，故可以较好地清除自由基，美容养颜。另外，大黄鱼含有非常丰富的蛋白质，肉质较为细腻，可作为人类理想的动物性蛋白源之一。大黄鱼被誉为我国四大主捕经济鱼类，尤其在我国及太平洋西部的海洋渔业发展中具有相当重要的地位，其中闽东地区大黄鱼出口量就可以达到产量的80％，大黄鱼在国内外水产市场中都占有较大的份额，奠定了大黄鱼在海产品产业中的独特性和重要性。

存储时间能表征鱼肉的新鲜度，而新鲜度是鱼类或鱼类制品质量的一个重要指标，对产品最终质量十分重要。现已发展了一系列的指标和方法来评价鱼肉新鲜度，如感官评价方法、微生物学方法、物理及化学方法等，但以上检测方法较难满足准确、快速检测的要求。普遍存在着检测过程繁琐、成本高、耗时长等缺点。

中国专利授权公告号：CN101769889A，授权公告日2010年7月7日，公开了一种农产品品质检测的电子鼻系统，包括一主要完成对低浓度气味收集的气体富集模块，一主要把气味信号转化为电信号的气室气路模块及传感器阵列，一主要对传感器阵列输出信号进行滤波、模数转换、特征提取的传感器调理电路与数据预处理模块，一对信号进行识别和判断、且带有数据存储的嵌入式系统，一显示与结果输出模块；所述的气体富集模块由装填有吸附剂的吸附管、电热丝和温控装置构成。该发明具有功能单一，检测时间长，不能用于对大黄鱼存储时间进行检测的不足。

发明内容

本发明的发明目的是为了克服现有技术中的检测方法过程繁琐、成本高、耗时长的不足，提供了一种检测速度快、准确性高的基于激光器阵列的检测装置及大黄鱼存储时间检测方法。

为了实现上述目的，发明采用以下技术方案：

一种基于激光器阵列的检测装置，包括光谱仪、用于放置待检测样品的底板、设于底板上方的托板；所述托板上设有用于照射待检测样品的激光器阵列和用于检测激光器阵列发出的激光经样品反射后的反射光线的光纤探头；所述激光器阵列包括n个捆绑在一起并且波长依次排列的单波长激光器，所述光纤探头与光谱仪电连接，光谱仪上设有用于与计算机电连接的信号输出端口。

在传统的光谱分析方法中，常采用卤素灯作为光源进行检测，卤素灯光源是一种较宽范围的连续波长光，但是在食品检测中真正负载检测信息的波段光是有限的，大部分光波段对食品样品表征没有作用。因此，本发明采用若干个特定波长的单色激光器组成激光器阵列检测样品，相当于过滤掉无用波段的光，减少了干扰信号，同时增加了若干个选定波长的光强度，提高了检测的准确性。

作为优选，所述n为6，各个单波长激光器的波长分别为405nm、980nm、532nm、808nm、650nm和780nm。

针对大黄鱼肉的理化性质，选择以上6个波长的激光器进行检测，可以更加突出大黄鱼肉的检测特征，提高检测的准确度。

作为优选，所述光纤探头与水平面的夹角为60至75度。

作为优选，所述底板通过若干个立柱与托板相连接。

作为优选，所述光谱仪为可见／近红外光谱仪。

一种大黄鱼的存储时间进行检测的检测方法，包括如下步骤：

(6-1)样品制备：

将大黄鱼洗净，去除内脏、鳞片、头和尾，从鱼体上取出片状肉作为待检测样品；

(6-2)进行检测：将计算机与光谱仪电连接，将样品平放到底板上，使激光器阵列发出的激光照射在样品上，光纤探头采集样品反射的光进入光谱仪中，光谱仪得到与n个激光器的波长相对应的n个检测信号x₁(t)，x₂(t)，…，x_n(t)，并将x₁(t)，x₂(t)，…，x_n(t)输入计算机中；

(6-3)数据处理：

(6-3-1)在计算机中设定与各个检测信号一一对应的一组权重w₁，w₂，…，w_n，并且使

(6-3-2)利用公式计算得到检测信号x(t)，并计算总均方差 $E{\left[\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_i(x\left(t\right)-x_i\left(t\right))\right]}^2;$

当 $0.4<E{\left[\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{w}_i(x\left(t\right)-x_i\left(t\right))\right]}^2<0.9,$ 转入步骤(6-3-3)；

当 $E{\left[\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{w}_i(x\left(t\right)-x_i\left(t\right))\right]}^2\&le;0.4$ 或 $E{\left[\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{w}_i(x\left(t\right)-x_i\left(t\right))\right]}^2\&GreaterEqual;0.9,$ 则转入步骤(6-3-1)；

当 $E{\left[\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{w}_i(x\left(t\right)-x_i\left(t\right))\right]}^2\&le;0.4$ 或 $E{\left[\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{w}_i(x\left(t\right)-x_i\left(t\right))\right]}^2\&GreaterEqual;0.9,$ 说明此时选取的各个信号的权重不合理，转入步骤(6-3-1)重新选择一组权重，直至得到权重合理的检测信号为止，从而确保检测信号能够准确的将大黄鱼的存储时间信息表征出来。

(6-3-3)将x(t)输入预存在计算机中的随机共振系统模型 $\frac{\mathrm{ds}}{\mathrm{dt}}=\mathrm{as}-{\mathrm{bs}}^3+A\sin (2\mathrm{\&pi;}{f}_{0}t+\mathrm{\&psi;})+\sqrt{2a}\mathrm{\&xi;}\left(t\right)+x\left(t\right)$ 中，使随机共振系统模型发生随机共振，其中，V(s)为对称双势阱模型；ξ(t)为自相关函数E[ξ(t)ξ(0)]＝2αδ(t)的Gaussian噪声，其强度为α；A为信号sin(2πf₀t+ψ)的强度；f₀为信号的频率；α、b均为设定的实参数，s为布朗粒子的运动轨迹，t为运动时间，ψ是相位；

(6-3-4)计算机利用信噪比计算公式计算随机共振系统模型的输出信噪比SNR；

(6-3-5)计算机画出随机共振系统模型的输出信噪比曲线，得到信噪比曲线的信噪比最大值，并将信噪比最大值的绝对值作为信噪比特征值K；

(6-4)存储时间预测：

将K代入存储于计算机中的存储时间预测模型中，计算机计算并得到预测的大黄鱼存储时间Time。

本发明首先使激光器阵列发出的激光照射在样品上，光纤探头采集样品反射的光进入光谱仪中，光谱仪得到与n个激光器的波长相对应的n个检测信号，然后，本发明调整各个检测信号的权重，得到符合要求的检测信号x(t)，将x(t)输入预存在计算机中的随机共振系统模型，使随机共振系统模型发生随机共振，计算机画出随机共振系统模型的输出信噪比曲线，得到信噪比曲线的信噪比最大值，并将信噪比最大值的绝对值作为信噪比特征值K，并将K代入存储于计算机中的存储时间预测模型中，计算机计算并得到预测的大黄鱼存储时间Time。

因此，本发明具有检测速度快、准确性高和经济性好的特点。

作为优选，所述信噪比计算公式为 $\mathrm{SNR}=2\left[\underset{\mathrm{\&Delta;\&omega;}\&RightArrow;0}{\lim }\underset{\mathrm{\&Omega;}-\mathrm{\&Delta;\&omega;}}{\overset{\mathrm{\&Omega;}+\mathrm{\&Delta;\&omega;}}{\&Integral;}}S\left(\mathrm{\&omega;}\right)\mathrm{d\&omega;}\right]/S_N\left(\mathrm{\&Omega;}\right),$

其中，ω是信号频率，Ω为角频率，S(ω)是信号频谱密度，S_N(Ω)是信号频率范围内的噪声强度。

作为优选，步骤(6-2)中的检测时长为50至70秒。

作为优选，样品的厚度大于5毫米。

因此，发明具有如下有益效果：(1)检测速度快、准确性高、经济性好；(2)消除了无用波段杂光的干扰信息，样品的存储时间得到更好的区分。

附图说明

图1是发明的一种结构示意图；

图2是发明的实施例的一种流程图；

图3是本发明的实施例的可见／近红外漫反射光谱；

图4是本发明的实施例的主成分分析结果；

图5是本发明的存储时间预测模型拟合曲线。

图中：底板1、托板2、激光器阵列3、光纤探头4、立柱7、样品8。

具体实施方式

下面结合附图和具体实施方式对发明做进一步的描述。

如图1所示的实施例是一种基于激光器阵列的检测装置，包括光谱仪、用于放置待检测样品的底板1、设于底板上方的托板2；托板上设有用于照射待检测样品的激光器阵列3和用于检测激光器阵列发出的激光经样品反射后的反射光线的光纤探头4；激光器阵列包括6个捆绑在一起的单波长激光器，光纤探头与光谱仪电连接，光谱仪上设有用于与计算机电连接的信号输出端口。

各个单波长激光器的波长分别为405nm、980nm、532nm、808nm、650nm、和780nm。

光纤探头与水平面的夹角为75度。底板通过4个立柱7与托板相连接。光谱仪为可见／近红外光谱仪。

如图2所示，一种大黄鱼存储时间的检测方法，包括如下步骤：

步骤100，样品制备：

将从冰箱中取出的大黄鱼洗净，去除内脏、鳞片、头和尾，从鱼体上取出30克、厚度为6毫米的片状肉作为待检测样品8；

步骤200，进行检测：将计算机与光谱仪电连接，将样品平放到底板上，使激光器阵列发出的激光照射在样品上，光纤探头采集样品反射的光进入光谱仪中，得到如图3所示的光谱图，光谱仪从光谱图中提取与6个激光器的波长相对应的6个检测信号x₁(t)，x₂(t)，…，x₆(t)，并将x₁(t)，x₂(t)，…，x₆(t)输入计算机中；本实施例中的检测时长为60秒；

步骤300，数据处理：

步骤310，在计算机中设定与各个检测信号一一对应的一组权重w₁，w₂，…，w₆，并且使

步骤320，利用公式计算得到检测信号x(t)，并计算总均方差 $E{\left[\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{w}_i(x\left(t\right)-x_i\left(t\right))\right]}^2;$

当 $0.4<E{\left[\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{w}_i(x\left(t\right)-x_i\left(t\right))\right]}^2<0.9,$ 转入步骤330；

当 $E{\left[\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{w}_i(x\left(t\right)-x_i\left(t\right))\right]}^2\&le;0.4$ 或 $E{\left[\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{w}_i(x\left(t\right)-x_i\left(t\right))\right]}^2\&GreaterEqual;0.9,$ 则转入步骤310；

步骤330将x(t)输入预存在计算机中的随机共振系统模型 $\frac{\mathrm{ds}}{\mathrm{dt}}=\mathrm{as}-{\mathrm{bs}}^3+A\sin (2\mathrm{\&pi;}{f}_{0}t+\mathrm{\&psi;})+\sqrt{2a}\mathrm{\&xi;}\left(t\right)+x\left(t\right)$ 中，使随机共振系统模型发生随机共振，其中，V(s)为对称双势阱模型；ξ(t)为自相关函数E[ξ(t)ξ(0)]＝2αδ(t)的Gaussian噪声，其强度为α；A为信号sin(2πf₀t+ψ)的强度；f₀为信号的频率；α、b均为实参数，s为布朗粒子的运动轨迹，t为运动时间，ψ是相位；

步骤340，计算机利用信噪比计算公式计算随机共振系统模型的输出信噪比SNR；

步骤350，计算机画出随机共振系统模型的输出信噪比曲线，得到信噪比曲线的信噪比最大值，并将信噪比最大值的绝对值作为信噪比特征值K；本实施例中K=18.5dB。

步骤400，存储时间预测：

将K代入存储于计算机中的存储时间预测模型中，计算机计算并得到预测的大黄鱼存储时间Time。

本实施例中，Time＝1.71天；通过实验室中的检测试验证明，本发明的预测精度R为0.94078。

存储时间预测模型是通过重复步骤100至300，对新鲜的大黄样品及在277K的冰箱中储存了1天至5天的大黄样品进行检测，得到与各个检测时间对应的K值，并将各个K值及与其对应的存储时间分别组成6个点，将6个点连接起来，构成了如图5所示的存储时间预测模型拟合曲线，存储时间预测模型为拟合曲线的公式。

如图4所示的0至5天的检测信号x(t)归一化后的主成分分析结果，从图4中可以看出，两个主成分的累计方差贡献率之和为84.40％，在二维空间中各个储存时间的大黄鱼样品可以得到较好的区分，而且各组分分布相对较密集。图4从另外一个侧面说明了检测信号x(t)可以反映出存储时间长度的变化，本发明的存储时间的预测方法是可行的。

应理解，本实施例仅用于说明发明而不用于限制发明的范围。此外应理解，在阅读了发明讲授的内容之后，本领域技术人员可以对发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

Claims (9)

1.一种基于激光器阵列的检测装置，其特征是，包括光谱仪、用于放置待检测样品的底板(1)、设于底板上方的托板(2)；所述托板上设有用于照射待检测样品的激光器阵列(3)和用于检测激光器阵列发出的激光经样品反射后的反射光线的光纤探头(4)；所述激光器阵列包括n个捆绑在一起并且波长依次排列的单波长激光器，所述光纤探头与光谱仪电连接，光谱仪上设有用于与计算机电连接的信号输出端口。

2.根据权利要求1所述的基于激光器阵列的检测装置，其特征是，所述n为6，各个单波长激光器的波长分别为405nm、980nm、532nm、808nm、650nm和780nm。

3.根据权利要求1所述的基于激光器阵列的检测装置，其特征是，所述光纤探头与水平面的夹角为60至75度。

4.根据权利要求1所述的基于激光器阵列的检测装置，其特征是，所述底板通过若干个立柱(7)与托板相连接。

5.根据权利要求1所述的基于激光器阵列的检测装置，其特征是，所述光谱仪为可见／近红外光谱仪。

6.一种利用权利要求1所述的基于激光器阵列的检测装置对大黄鱼的存储时间进行检测的检测方法，其特征是，包括如下步骤：

(6-1)样品制备：

将大黄鱼洗净，去除内脏、鳞片、头和尾，从鱼体上取出片状肉作为待检测样品(8)；

(6-2)进行检测：将计算机与光谱仪电连接，将样品平放到底板上，使激光器阵列发出的激光照射在样品上，光纤探头采集样品反射的光进入光谱仪中，光谱仪得到与n个激光器的波长相对应的n个检测信号x₁(t)，x₂(t)，…，x_n(t)，并将x₁(t)，x₂(t)，…，x_n(t)输入计算机中；

(6-3)数据处理：

(6-3-1)在计算机中设定与各个检测信号一一对应的一组权重w₁，w₂，…，w_n，并且使

(6-3-2)利用公式计算得到检测信号x(t)，并计算总均方差 $E{\left[\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{w}_i(x\left(t\right)-x_i\left(t\right))\right]}^2;$

当 $0.4<E{\left[\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{w}_i(x\left(t\right)-x_i\left(t\right))\right]}^2<0.9,$ 转入步骤(6-3-3)；

当 $E{\left[\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{w}_i(x\left(t\right)-x_i\left(t\right))\right]}^2\&le;0.4$ 或 $E{\left[\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{w}_i(x\left(t\right)-x_i\left(t\right))\right]}^2\&GreaterEqual;0.9,$ 则转入步骤(6-3-1)；

(6-3-3)将x(t)输入预存在计算机中的随机共振系统模型 $\frac{\mathrm{ds}}{\mathrm{dt}}=\mathrm{as}-{\mathrm{bs}}^3+A\sin (2\mathrm{\&pi;}{f}_{0}t+\mathrm{\&psi;})+\sqrt{2a}\mathrm{\&xi;}\left(t\right)+x\left(t\right)$ 中，使随机共振系统模型发生随机共振，其中，V(s)为对称双势阱模型；ξ(t)为自相关函数E[ξ(t)ξ(0)]＝2αδ(t)的Gaussian噪声，其强度为α；A为信号sin(2πf₀t+ψ)的强度；f₀为信号的频率；α、b均为设定的实参数，s为布朗粒子的运动轨迹，t为运动时间，ψ是相位；

(6-3-4)计算机利用信噪比计算公式计算随机共振系统模型的输出信噪比SNR；

(6-3-5)计算机画出随机共振系统模型的输出信噪比曲线，得到信噪比曲线的信噪比最大值，并将信噪比最大值的绝对值作为信噪比特征值K；

(6-4)存储时间预测：

将K代入存储于计算机中的存储时间预测模型中，计算机计算并得到预测的大黄鱼存储时间Time。

7.根据权利要求6所述的检测方法，其特征是，所述信噪比计算公式为其中，ω是信号频率，Ω为角频率，S(ω)是信号频谱密度，S_N(Ω)是信号频率范围内的噪声强度。

8.根据权利要求6或7所述的检测方法，其特征是，步骤(6-2)中的检测时长为50至70秒。

9.根据权利要求6或7所述的检测方法，其特征是，样品的厚度大于5毫米。