CN104297136A - 一种基于高光谱图像对铜绿假单胞杆菌生长预测的方法 - Google Patents
一种基于高光谱图像对铜绿假单胞杆菌生长预测的方法 Download PDFInfo
- Publication number
- CN104297136A CN104297136A CN201410603319.3A CN201410603319A CN104297136A CN 104297136 A CN104297136 A CN 104297136A CN 201410603319 A CN201410603319 A CN 201410603319A CN 104297136 A CN104297136 A CN 104297136A
- Authority
- CN
- China
- Prior art keywords
- pseudomonas aeruginosa
- image
- growth
- value
- hour
- 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.)
- Granted
Links
Landscapes
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种基于高光谱图像对肉类典型腐败菌铜绿假单胞杆菌生长阶段的预测方法,属于食品质量安全快速检测和监测的无损技术。通过高光谱成像仪,获取两种浓度的铜绿假单胞杆菌在玻璃平板培养基上48小时的光谱和图像信息,提取光谱和图像特征,构建了铜绿假单胞杆菌的生长模型,与传统的微生物生长检测手段得到的生长情况相比较,相关系数在0.92-0.99。本发明为微生物的生长检测提供了新思路和新技术,能够用于肉品质量和安全的检测、监测和控制。
Description
技术领域
本发明是一种高光谱图像技术对铜绿假单胞杆菌生长预测的方法,属于食品质量安全快速无损检测、监测和控制的技术领域。
背景技术
肉和肉制品是人类重要的营养来源,但其在屠宰、加工、贮藏和销售过程中,极易受微生物的污染,包括腐败菌和致病菌的危害。对肉品中腐败和致病微生物的生长检测,能够为预防和控制这些微生物病害提供新的思路和解决途径。传统的微生物生长模型的建立主要是依据主要表达微生物量(或测定一起的响应值,例如浊度)与时间的函数关系。模型的微生物定量为每毫升菌落形成量(CFU/mL),毒素的形成、底物水平、代谢产物等。利用该方法建立的模型比较经典、预测性较好,得到了广泛应用。但是了利用该方法建立预测模型的过程中,需要投入化学品、也无法实现快速、无损、实时获取腐败和致病微生物的信息,是一个耗时耗力的过程。高光谱图像是新一代光电检测技术,集成了光谱检测和图像检测的优点,具有超多波段、光谱高分辨率和图谱合一的特点,可以获得系列波长下的光谱和图像信息。光谱技术可以检测产品的物理结构和化学成分等指标,如蛋白质、脂肪、水分、糖酸度、内部缺陷等品质信息;图像技术能全面反映产品的外部品质信息如表面缺陷、几何形状、纹理,缺陷、损伤、外部污染等。二者结合能够全面获得待测物的综合品质信息。铜绿假单胞杆菌是造成肉腐败变质的主要微生物之一,高光谱图像作为一种对各种食品无损、快速的质量与安全分析和评估方法,较之感官评价、显微技术、微生物理化指标等其他传统方法对肉腐败变质微生物的检测具有明显的优势。经检索,2013年申请的发明专利“畜肉细菌总数检测系统及方法(CN103257109A)”,公开了利用高光谱图像对生鲜畜肉细菌总数的自动检测装置系统和方法,但并不涉及对肉中特定腐败菌的生长预测。因此,亟需开发一种利用高光谱图像实现肉中主要腐败微生物或者致病微生物生长预测的方法,为肉品质量和安全的监测和控制提供支持。
发明内容
技术问题
鉴于上述的技术发展现状,本发明的目的主要针对现有技术实现肉品中主要腐败微生物和致病微生物的生长预测模型构建费时费力的问题,开发高光谱图像检测的快速无损检测方法,满足食品质量与安全控制的迫切需求。通过利用高光谱成像技术,获取微生物生长过程中的高光谱图像信息,提取响应的特征参数,构建基于光谱图像信息的微生物生长预测模型。本发明的方法也可以用于其他类微生物的生长预测模型构建的应用中。
技术方案
1.一种基于高光谱图像对铜绿假单胞杆菌生长预测的方法,其装置构成特征在于,
1)系统组成包括高光谱成像单元、移动平台、光源、计算机和图像采集软件组成,整个装置放置在密闭黑箱中。其中,高光谱成像单元由相机(Imperx,ICL-B1620,波段范围为400~1000nm,光谱分辨率为2.8nm)、光谱仪(Specim,ImSpector,V10E)和焦距可变镜头组成,可调光源为150W的卤素钨灯,由1个线性光纤导管完成传输,电脑型号为CPU E5800,3.2GHz,内存2G,显卡256M GeForce GT240;图像采集软件为自主开发的Spectral Image软件;
2)信号采集为反射模式,透镜离样本距离为30cm,光源离样本的距离为20.5cm,光源照射的强度为67.5W,照射角度为45°,采集曝光时间4ms,采集速度2.5mm/s,图像分辨率804×440像素;
2.所述的基于高光谱图像对铜绿假单胞杆菌生长预测的方法,其检测步骤在于,
1)将处于温度为37℃、相对湿度为85%条件下培养一段时间的培养基平板取出,放置于如权利要求1所述的高光谱图像检测系统中,获取高光谱图像;
2)利用下述公式对获得的图像进行校正,获得校正后的高光谱图像:
其中,式(1)中,Rc为校正后的高光谱透射图像,R0为原始高光谱透射图像,W为将反射率为99.99%的标准白色校正板,放置在光源正上方,扫描透射白板得到全白的标定图像,D为将镜头盖上镜头盖,采集全黑的标定图像;
3)提取校正后的高光谱图像特征,构建铜绿假单胞杆菌的生长模型。
3.构建的铜绿假单胞杆菌生长模型之一,其特征在于,
1)在第0小时,铜绿假单胞杆菌浓度若为102CFU/mL,提取菌落生长部分500个像素点在920-960nm波段内的光谱值并求平均,获取该平均值取以10为底的对数值,根据培养时间与对数值的关系构建的铜绿假单胞杆菌的生长模型为:
其中,式(2)中,y为光谱均值,t为培养时间(小时)。
2)在第0小时,铜绿假单胞杆菌浓度若为104CFU/mL,提取菌落生长部分500个像素点在910-960nm波段内的光谱值并求平均,获取该平均值取以10为底的对数值,根据培养时间与对数值的关系构建的铜绿假单胞杆菌的生长模型为:
其中,式(3)中,y为光谱均值,t为培养时间(小时)。
4.构建的铜绿假单胞杆菌生长模型之二,其特征在于,
1)在第0小时,铜绿假单胞杆菌浓度若为102CFU/mL,提取菌落生长部分500个像素点在910-960nm波段内的光谱值,求该波段范围内第一主成分得分值,根据培养时间与主成分得分值的关系构建的铜绿假单胞杆菌的生长模型为:
其中,式(4)中,y为第一主成分得分值,t为培养时间(小时)。
2)在第0小时,铜绿假单胞杆菌浓度若为104CFU/mL,提取菌落生长部分500个像素点在910-960nm波段内的光谱值,求该波段范围内第一主成分得分值,根据培养时间与主成分得分值关系构建的铜绿假单胞杆菌的生长模型为:
其中,式(5)中,y为第一主成分得分值,t为培养时间(小时)。
5.构建的铜绿假单胞杆菌生长模型之三,其特征在于,
1)选择培养皿区域创建感兴趣区域(ROI),进行正向主成分分析,选择第一主成分图像进行掩膜,将掩膜得到图像与样本高光谱图像比较,根据光谱值改变,调整掩膜得到图像,以整个培养基图像像素作为基数,掩膜后的图像像素数除以基数,转换为菌落占培养皿的比例值;
2)在第0小时,铜绿假单胞杆菌浓度若为102CFU/mL,根据培养时间与比例值关系构建的铜绿假单胞杆菌的生长模型为:
其中,式(6)中,y为比例值,t为培养时间(小时)。
3)在第0小时,铜绿假单胞杆菌浓度若为104CFU/mL,根据培养时间与比例值关系构建的铜绿假单胞杆菌的生长模型为:
其中,式(7)中,y为比例值,t为培养时间(小时)。
6.所述的培养基平板,其特征在于,培养基构成为牛肉膏3g、蛋白胨10g、NaCl5g、琼脂15-20g、水1000mL、pH7.4-7.6;每个培养皿含有的培养基体积为18±2mL,培养基厚度为2.5±0.5mm。
有益效果
本发明利用高光谱图像信息对微生物的响应,能够不破坏微生物或者检测样本的情况下,通过微生物在不同生长阶段的高光谱图像响应特性,在微生物生长期间的情况进行无损快速预测,能够为生产、加工、贮运、消费等各个环节提供微生物的生长信息,为食品质量和安全的及时检测、监测和控制提供技术支持。相对于传统的破坏性方法预测微生物的生长,该发明不仅节省时间,减少劳力,而且避免了化学试剂的使用。该技术和方法新颖,研究成果不仅可以用于实验室的快速分析和检测,而且可以通过开发在线检测设备和便携式仪器,用于工业自动化生产中的肉品微生物生长情况预测和监测,也为其他类食品腐败微生物和致病微生物的生长预测提供有益的借鉴。
四、附图说明
图1:高光谱图像检测系统
图2:浓度为102的铜绿假单胞杆菌12h的样本掩膜过程实例
图3:不同浓度的铜绿假单胞杆菌的光谱曲线(a:浓度为102;b:浓度为104)
图4:浓度为102、104的铜绿假单胞杆菌12h,24h,36h,48h的掩膜结果
五、具体实施方式
一种高光谱图像技术对铜绿假单胞杆菌生长预测的方法,具体实施方式如下:
1 材料与方法
铜绿假单胞杆菌(Pseudomonas aeruginosa),由南京农业大学食品科技学院实验室提供。
使用的培养基为牛肉膏蛋白胨培养基,具体组成为:牛肉膏3g、蛋白胨10g、NaCl5g、琼脂15-20g、水1000mL、pH 7.4-7.6(1mol/L NaOH,1mol/L HCl)
菌种培养方法为:制备10个灭菌的培养基,进行平面划线接种铜绿假单胞杆菌,进行培养,培养条件为恒温箱37℃,相对湿度85%。培养菌种2天后,进行再次分离培养到10个新的培养基进行培养。
对二次培养的菌种进行无菌水冲洗3-5次,制的10mL细菌悬浮液,将一滴菌液滴到血球计数板上,在显微镜下计数。根据计数,进行换算得出菌液浓度,并稀释至浓度为102CFU/mL、104CFU/mL的铜绿假单胞杆菌的菌液,然后进行样本制备。考虑样本培养基的一致性,倾倒培养基量定为18±2mL,培养基厚度为2.5±0.5mm。准备300个培养基,100个培养基样本做空白对照,记作CK;浓度为102、104的铜绿假单胞杆菌的培养基样本各100个,分别记作A组、B组。300个样本同时培养两天,每12小时(0h、12h、24h、36h、48h)进行生长情况记录和菌落单位数计算。
2.高光谱数据采集
试验采用高光谱图像检测系统的反射模式进行对铜绿假单胞杆菌的检测。该系统主要包括高光谱成像单元、功率可调卤钨灯(0-150W),移动平台,图像采集软件和计算机(图1)。高光谱图像单元包括一个CCD摄像机,一个成像光谱仪(分辨率2.8nm),有效波长范围为400-1000nm。实验参数为:相机镜头和线光源距离样本分别为30cm和20.5cm,光照强度为67.5W、以45°对准样本,曝光时间为4ms、输送速度为2.5mm/sec。
将准备好的菌种和空白,平均在两天内,每12小时的生长阶段(0h、12h、24h、36h、48h)检测HIS,每次检测样本20个,当次检测完后,将用过的样本丢弃。将培养基放置于移动平台上,运行高光谱图像系统采集样本的高光谱图像信息,分别采集到的是400-1000nm之间共440个波长下的图像。
实验共获得300个样本的高光谱图像数据。由于在相机的暗电流的存在和外界因素的影响,图像含有一定噪声,需要对高光谱图像进行白色和黑色的校正来采集实际的图像。用覆盖相机镜头的不透明盖完全可以得到黑色的反射图像,聚四氟乙烯白板(反射率99%)得到白色反射图像。最后根据式(1)计算出校正后的相对图像Rc。校正后的图像被用来提取光谱信息,选择有效的波段,建立最佳的校正模型和区分细菌的不同生长阶段。
其中,(1)式中,R0为原始高光谱透射图像;D为全黑的标定图像;W为全白的标定图像;Rc为标定后高光谱透射图像。
3.数据处理
将获取的高光谱图像信息利用ENVI 4.8系统软件、MATLAB7.1统计工具箱和SPSS 18.0软件处理,用于分析高光谱图像对铜绿假单胞杆菌的生长预测情况。利用ENVI软件创建的感兴趣区域(ROI)。在处理过程中,选择培养基中细菌的菌落生长的地方500像素的区域做为ROI,在早期阶段没有细菌的菌落时选取培养基中间部分。然后计算高光谱图像ROI区域平均光谱值。光谱值有440条波段和光谱范围从400到1000nm。最后从300培养基的ROI获取300个光谱值,每个时间点(0h、12h、24h、36h、48h)60个光谱值数据,每组20个数据用于求平均,共得到5个数据,以波长作为X轴,光谱值为Y轴,制作铜绿假单胞杆菌的反射光谱图。根据图谱信息,进行高光谱数据的波段选择。选择最佳波段的反射光谱值作为分析与建模的数据,再进行求平均,将复杂的多数据转变为单一的数据。共有300个基准数据被收集,每个时间点(60个基准数据,其中15个数据用于求平均分析和5个数据被用来验证。因此,每个时间点都有一个平均反射光谱值,共得到5个数据,通过MATLAB7.1统计工具箱中CurveFitting Tool将这5个数据建立铜绿假单胞杆菌随光谱值变化的生长曲线。然后根据所得到的模型,利用验证组进行验证。同时,将所得不同时间段菌的数量与模型值之间建立相关性分析。
利用ENVI软件进行掩膜图形处理。在处理过程中,创建的感兴趣区域(ROI)选择培养基中细菌菌落生长的全部地方作为ROI;再进行正向主成分分析,选择第一主成分图像进行掩膜;将掩膜得到图形与样本高光谱图像比较,根据光谱值改变,调整掩膜得到图形,以确保准确性(图2)。对于CK组和A组、B组的0h共100个样本没有菌落,选择其中一个对整个培养基进行掩膜分析,得到整个培养基的图形。最后300个样本得到200个掩膜图形,通过MATLAB7.1统计工具箱编程计算出200个图形的光谱点数。以整个培养基图形作为基数,将200个菌落光谱点数除以基数,转换为菌落占培养皿的比例,用于了解菌的生长情况。在这项研究中,除去整个培养皿的数据,有100个基准数据为0和200个基准数据收集,每个时间点60个基准数据,其中15个数据用于求平均分析和5个数据被用来验证。因此,每个时间点都有一个平均菌落所占培养皿比例,共得到5个数据,通过MATLAB7.1统计工具箱中Curve Fitting Tool将这5个数据建立铜绿假单胞杆菌随菌落所占培养皿比例的生长曲线。同时,将所得不同时间段菌的数量与模型值之间建立相关性分析。
试验中,利用SPSS18.0软件对全波长进行PCA。PCA的结果被用来建立不同生长阶段的细菌的识别模型。根据波长分析中光谱曲线选取的最佳波长范围进行高光谱图像主成分分析,从得出的结果中选择主成分贡献率高的为代表,进行生长模型拟合。在分析过程中,每个时间点(0h、12h、24h、36h、48h)各提供一个样本数据,共20组,每组进行前5个主成分分析,得到20组基准数据,其中15组数据进行求平均分析和5组数据被用来验证。因此,每个时间点都有一个平均主成分值,共得到5个数据,通过MATLAB7.1统计工具箱中CurveFitting Tool将这5个数据建立铜绿假单胞杆菌随主成分变化的生长拟合模型。同时,将所得不同时间段菌的数量与模型值之间建立相关性分析。在此分析中为区分不同浓度的铜绿假单胞杆菌,选取波长分析中得到的最佳波段范围,对CK、A组、B组的0h、12h、24h、36h、48h依次对应的20个样本的反射光谱值进行主成分分析,得出主成分值并制作主成分分析图,以便区分。
4.光谱信息分析
4.1 不同生长阶段铜绿假单胞杆菌的光谱曲线
采用铜绿假单胞杆菌的两种浓度进行分析,从铜绿假单胞杆菌随波长(400-1000nm)变化的光谱曲线(图3a)可知,在400-480nm波段范围内噪音对光谱值影响较大,不能用于数据分析;在500-900nm波段范围内光谱值随铜绿假单胞杆菌生长没有规律性,不能明显区分。而在曲线最高波峰到拐点处可看出铜绿假单胞杆菌随着生长阶段延长,光谱响应值有差异,并进行规律性变化,所以A组选取920-960nm波段内的反射光谱值求平均值并建立模型。同理,如图3b可知,B组选取910-960nm波段内的反射光谱值求平均值并建立模型。
4.2 基于光谱值拟合铜绿假单胞杆菌的生长模型
A组得到的5个平均光谱值依次对应0h、12h、24h、36h、48h分别为929.688、990.158、1066.04、1081.587、1119.373,再依次取以10为底的对数得:2.96、2.99、3.02、3.03、3.04,根据对数值拟合的模型结果为 是指数模型,R2=0.99,误差平方和(SSE)为2.9e-005,模型结果说明所得光谱值模型对浓度为102CFU/mL的铜绿假单胞杆菌的生长拟合的很好。将得到的模型采用验证组数据进行验证,发现R2=0.95,说明浓度为102的铜绿假单胞杆菌的生长拟合模型准确率高,误差很小。与之对比的A组的菌落单位数量依次为102、3.6×105、3.2×106、6×105、5.4×107,再依次取以10为底的对数得:2、5.55、6.50、6.77、7.73,根据对数值拟合的模型结果为 是指数模型,R2=0.98,SSE=0.4379,模型结果说明所得菌落生长模型对浓度为102CFU/mL的铜绿假单胞杆菌的实际生长情况拟合很好。将所得的两种模型值之间建立相关性分析可知,R=0.99,说明高光谱图像对浓度为102CFU/mL的铜绿假单胞杆菌的生长拟合与浓度为102的铜绿假单胞杆菌的真实生长情况很接近,准确率高。
B组得到的5个平均光谱值依次对应0h、12h、24h、36h、48h为931.16、1055.985、1120.925、1164.549、1205.373,再依次取以10为底的对数得:2.96、3.02、3.04、3.06、3.08,根据对数值拟合的模型结果为 是指数模型,R2=0.98,SSE=0.00018,模型结果说明所得光谱值模型对浓度为104CFU/mL的铜绿假单胞杆菌的生长拟合的很好。将得到的模型采用验证组进行验证,发现R2=0.97,说明浓度为104CFU/mL的铜绿假单胞杆菌的生长拟合模型准确率高,误差很小。与之对比的B组的菌落单位数量依次为104、2×106、7.2×106、3.2×107、6×107,再依次取以10为底的对数得:4、6.30、6.85、7.50、7.77,根据对数值拟合的模型结果为 是指数模型,R2=0.99,SSE=0.1303,模型结果说明所得菌落生长模型对浓度为104CFU/mL的铜绿假单胞杆菌的生长实际情况拟合的很好。将所得的两种模型值之间建立相关性分析可知,R=0.95,说明高光谱图像对浓度为104CFU/mL的铜绿假单胞杆菌的生长拟合与浓度为104的铜绿假单胞杆菌的真实生长情况很接近,准确率高。
4.3 基于主成分分析拟合铜绿假单胞杆菌的生长模型
A组根据光谱曲线选取的最佳波长范围920-960nm进行高光谱图像主成分分析,得出第一主成分贡献率达95%以上,第二主成分贡献率达1%-5%,第三、四主成分贡献率仅为0-1%,第五贡献率为0。从结果值知,应选择第一主成分和第二主成分进行铜绿假单胞杆菌的生长拟合。A组得到的5个平均第一主成分值依次对应0h、12h、24h、36h、48h为-1.286、-0.505、0.220、0.422、1.149;B组平均第一主成分平均值依次-1.401、0.00514、0.253、0.461、0.682。根据A组第一主成分平均值建立拟合模型结果为 是指数模型,R2=0.97,SSE=0.1097;将得到的模型采用验证组数据进行验证,发现R2=0.92,说明浓度为102CFU/mL的铜绿假单胞杆菌的生长拟合模型准确率高。根据B组第一主成分建立拟合模型结果为 是指数模型,R2=0.98,SSE=0.05216;将得到的模型采用验证组数据进行验证,发现R2=0.94,说明浓度为104CFU/mL的铜绿假单胞杆菌的生长拟合模型准确率高。两组模型结果说明A、B组的菌落生长模型拟合的准确率高,误差小。与通过菌的实际生长模型比较并进行相关分析,R分别得0.96、0.94,结果说明根据菌落所占培养皿比例拟合的A、B组的生长模型与真实的生长模型相近,准确率高。基于第二主成分拟合的浓度为102CFU/mL、104CFU/mL的铜绿假单胞杆菌的生长模型的R2达到0.81、0.88,较之第一主成分拟合的生长模型差,因此以第一主成分进行拟合铜绿假单胞杆菌的生长。
5.图像信息分析
5.1 图像参数获取
利用ENVI 4.8系统软件对0h、12h、24h、36h、48h的铜绿假单胞杆菌的300个样本进行掩膜,将菌落生长部分进行图像分割,通过MATLAB7.1统计工具箱计算得出菌落生长的像素个数(图4)。从图4可以看出,随着培养时间的增长,浓度为102CFU/mL和104CFU/mL铜绿假单胞杆菌的菌落生长的像素个数随之增加且浓度为104铜绿假单胞杆菌菌落像素个数明显比浓度为102CFU/mL铜绿假单胞杆菌的多。因此可以根据菌落像素个数进行铜绿假单胞杆菌的生长拟合。
由于CK和0h菌落未生长记为0,得到的整个培养皿的图像像素为94315个,其他以0h为基准得出相应菌落占培养皿的比例,同时预测铜绿假单胞杆菌的生长趋势。再对0h、12h、24h、36h、48h的A组和B组的菌落所占培养皿比例求平均值(表1)进行相关分析。由表1可看出A组的0h、12h、24h、36h、48h菌生长呈递增状态;B组的0h、12h、24h、36h、48h菌生长也是呈递增状态,但36h和48h的菌落所占比例接近,不易分开。而浓度为102和104铜绿假单胞杆菌的0h、12h、24h、36h、48h菌落所占比例差异大,可看出浓度为104的铜绿假单胞杆菌生长速度快。因此可对铜绿假单胞杆菌进行生长拟合。
表1 铜绿假单胞杆菌0h-48h的菌落面积占培养皿比例
5.2 基于图像参数拟合铜绿假单胞杆菌的生长模型
A组菌落所占培养皿比例平均值依次为0,0.31、0.52、0.76、0.90;B组菌落所占培养皿比例平均值依次0,0.56、0.77、0.89、0.98。根据A组菌落所占培养皿比例平均值建立拟合模型结果为 是指数模型,R2=0.97,SSE=0.0111;将得到的模型采用验证组数据进行验证,发现R2=0.92,说明浓度为102CFU/mL的铜绿假单胞杆菌的生长拟合模型准确率高,误差很小。根据B组菌落所占培养皿比例建立拟合模型结果为 是指数模型,R2=0.98,SSE=0.0063;将得到的模型采用验证组数据进行验证,发现R2=0.95,说明浓度为104CFU/mL的铜绿假单胞杆菌的生长拟合模型准确率高,误差很小。两组模型结果说明A、B组的菌落生长模型拟合的准确率高,误差小。与菌的实际生长的模型比较并进行相关分析,R分别得0.92、0.96,结果说明根据菌落所占培养皿比例拟合的A、B组的生长模型与真实的生长模型相近,准确率高。
Claims (5)
1.一种基于高光谱图像对铜绿假单胞杆菌生长预测的方法,其装置构成特征在于,
1)系统组成包括由相机、光谱仪和焦距可变镜头组成的高光谱成像单元、移动平台、光源、计算机和图像采集软件,整个装置放置在密闭黑箱中,其中,相机为ImperxICL-B1620,波段范围为400~1000nm,光谱分辨率为2.8nm;光谱仪为ImSpectorV10E;可调光源为150W的卤素钨灯,由1个线性光纤导管完成传输;电脑型号为CPU E5800,3.2GHz,内存2G,显卡256M GeForce GT240;图像采集软件为自主开发的Spectral Image软件;信号采集为反射模式,透镜离样本距离为30cm,光源离样本的距离为20.5cm,光源照射的强度为67.5W,照射角度为45°,采集曝光时间4ms,采集速度2.5mm/s,图像分辨率804×440像素;
2)其检测步骤为:将处于温度为37℃、相对湿度为85%条件下培养一段时间的培养基平板取出,放置于如权利要求1所述的高光谱图像检测系统中,获取高光谱图像;利用下述公式对获得的图像进行校正,获得校正后的高光谱图像:
其中,式(1)中,Rc为校正后的高光谱透射图像,R0为原始高光谱透射图像,W为将反射率为99.99%的标准白色校正板,放置在光源正上方,扫描透射白板得到全白的标定图像,D为将镜头盖上镜头盖,采集全黑的标定图像;提取校正后的高光谱图像特征,构建铜绿假单胞杆菌的生长模型。
2.如权利要求1所述的构建铜绿假单胞杆菌的生长模型之一,其特征在于,
1)在第0小时,铜绿假单胞杆菌浓度若为102CFU/mL,提取菌落生长部分500个像素点在920-960nm波段内的光谱值并求平均,获取该平均值取以10为底的对数值,根据培养时间与对数值的关系构建的铜绿假单胞杆菌的生长模型为:
其中,式(2)中,y为光谱均值,t为培养时间,单位为小时。
2)在第0小时,铜绿假单胞杆菌浓度若为104CFU/mL,提取菌落生长部分500个像素点在910-960nm波段内的光谱值并求平均,获取该平均值取以10为底的对数值,根据培养时间与对数值的关系构建的铜绿假单胞杆菌的生长模型为:
其中,式(3)中,y为光谱均值,t为培养时间,单位为小时。
3.如权利要求1所述的构建铜绿假单胞杆菌的生长模型之二,其特征在于,
1)在第0小时,铜绿假单胞杆菌浓度若为102CFU/mL,提取菌落生长部分500个像素点在910-960nm波段内的光谱值,求该波段范围内第一主成分得分值,根据培养时间与主成分得分值的关系构建的铜绿假单胞杆菌的生长模型为:
其中,式(4)中,y为第一主成分得分值,t为培养时间,单位为小时。
2)在第0小时,铜绿假单胞杆菌浓度若为104CFU/mL,提取菌落生长部分500个像素点在910-960nm波段内的光谱值,求该波段范围内第一主成分得分值,根据培养时间与主成分得分值关系构建的铜绿假单胞杆菌的生长模型为:
其中,式(5)中,y为第一主成分得分值,t为培养时间,单位为小时。
4.如权利要求1所述的构建铜绿假单胞杆菌的生长模型之三,其特征在于,
1)选择培养皿区域创建感兴趣区域,进行正向主成分分析,选择第一主成分图像进行掩膜,将掩膜得到图像与样本高光谱图像比较,根据光谱值改变,调整掩膜得到图像,以整个培养基图像像素作为基数,掩膜后的图像像素数除以基数,转换为菌落占培养皿的比例值;
2)在第0小时,铜绿假单胞杆菌浓度若为102CFU/mL,根据培养时间与比例值关系构建的铜绿假单胞杆菌的生长模型为:
其中,式(6)中,y为比例值,t为培养时间,单位为小时。
3)在第0小时,铜绿假单胞杆菌浓度若为104CFU/mL,根据培养时间与比例值关系构建的铜绿假单胞杆菌的生长模型为:
其中,式(7)中,y为比例值,t为培养时间,单位为小时。
5.如权利要求1所述的培养基平板,其特征在于,培养基构成为牛肉膏3g、蛋白胨10g、NaCl5g、琼脂15-20g、水1000mL、pH7.4-7.6;每个培养皿含有的培养基体积为18±2mL,培养基厚度为2.5±0.5mm。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410603319.3A CN104297136B (zh) | 2014-10-28 | 2014-10-28 | 一种基于高光谱图像对铜绿假单胞杆菌生长预测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410603319.3A CN104297136B (zh) | 2014-10-28 | 2014-10-28 | 一种基于高光谱图像对铜绿假单胞杆菌生长预测的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104297136A true CN104297136A (zh) | 2015-01-21 |
CN104297136B CN104297136B (zh) | 2018-01-30 |
Family
ID=52316960
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410603319.3A Expired - Fee Related CN104297136B (zh) | 2014-10-28 | 2014-10-28 | 一种基于高光谱图像对铜绿假单胞杆菌生长预测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104297136B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105203467A (zh) * | 2015-09-17 | 2015-12-30 | 南京农业大学 | 一种通用无损的真菌的生长拟合方法 |
CN105403520A (zh) * | 2016-02-04 | 2016-03-16 | 广东医学院 | 多类型高光谱成像集成装置及系统 |
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 |
CN108593565A (zh) * | 2018-03-19 | 2018-09-28 | 河南科技学院 | 在线快速检测鸡肉假单胞菌含量的方法 |
CN111968174A (zh) * | 2020-09-03 | 2020-11-20 | 山东省蚕业研究所 | 一种菌落面积的测量方法及其应用 |
Citations (5)
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 |
CN102269710A (zh) * | 2011-06-17 | 2011-12-07 | 中国农业大学 | 基于多光谱成像的生鲜猪肉有效期的快速无损预测装置 |
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 |
CN103257109A (zh) * | 2013-04-09 | 2013-08-21 | 中国农业大学 | 畜肉细菌总数检测系统及方法 |
-
2014
- 2014-10-28 CN CN201410603319.3A patent/CN104297136B/zh not_active Expired - Fee Related
Patent Citations (5)
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 |
CN102269710A (zh) * | 2011-06-17 | 2011-12-07 | 中国农业大学 | 基于多光谱成像的生鲜猪肉有效期的快速无损预测装置 |
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 |
CN103257109A (zh) * | 2013-04-09 | 2013-08-21 | 中国农业大学 | 畜肉细菌总数检测系统及方法 |
Non-Patent Citations (2)
Title |
---|
胡洁云 等.: "《气调包装冷却牛肉特定腐败菌生长模型的建立》", 《食品科学》 * |
郑彩英: "《基于高光谱成像技术的冷却羊肉表面微生物活细胞数量无损检测方法研究》", 《中国优秀硕士学位论文全文数据库 工程科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105203467A (zh) * | 2015-09-17 | 2015-12-30 | 南京农业大学 | 一种通用无损的真菌的生长拟合方法 |
CN105403520A (zh) * | 2016-02-04 | 2016-03-16 | 广东医学院 | 多类型高光谱成像集成装置及系统 |
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 |
CN108593565A (zh) * | 2018-03-19 | 2018-09-28 | 河南科技学院 | 在线快速检测鸡肉假单胞菌含量的方法 |
CN111968174A (zh) * | 2020-09-03 | 2020-11-20 | 山东省蚕业研究所 | 一种菌落面积的测量方法及其应用 |
Also Published As
Publication number | Publication date |
---|---|
CN104297136B (zh) | 2018-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104297165B (zh) | 一种基于高光谱图像对腐败真菌生长预测的方法 | |
Qin et al. | Line-scan hyperspectral imaging techniques for food safety and quality applications | |
Sendin et al. | Near infrared hyperspectral imaging in quality and safety evaluation of cereals | |
Huang et al. | Recent developments in hyperspectral imaging for assessment of food quality and safety | |
CN108663339B (zh) | 基于光谱和图像信息融合的霉变玉米在线检测方法 | |
CN105158186B (zh) | 一种基于高光谱图像对白萝卜黑心检测的方法 | |
Sun et al. | Detecting decayed peach using a rotating hyperspectral imaging testbed | |
CN104297136A (zh) | 一种基于高光谱图像对铜绿假单胞杆菌生长预测的方法 | |
CN101806703B (zh) | 一种畜肉细菌总数无损检测方法 | |
CN101776597A (zh) | 一种畜肉细菌总数无损检测方法 | |
CN104280349A (zh) | 一种基于高光谱图像对白萝卜糠心鉴定的方法 | |
Liu et al. | Quantitative visualization of fungal contamination in peach fruit using hyperspectral imaging | |
CN105651679A (zh) | 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 | |
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 | |
CN105203467B (zh) | 一种通用无损的真菌的生长拟合方法 | |
Xu et al. | A novel hyperspectral microscopic imaging system for evaluating fresh degree of pork | |
CN102181514A (zh) | 快速无损伤检测冷却肉菌落总数的方法 | |
JP7271561B2 (ja) | 分光学的手法を用いて微生物を識別する方法 | |
Lin et al. | Outdoor detection of the pollution degree of insulating materials based on hyperspectral model transfer | |
CN109668857A (zh) | 基于近红外高光谱图像技术的茶叶菌落总数检测装置及方法 | |
CN106018292A (zh) | 蛋清中蛋白质构象的无损检测装置及其方法 | |
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 | |
CN102788796B (zh) | 基于高光谱图像及荧光图像多信息融合的作物氮营养诊断装置及方法 | |
CN105803070B (zh) | 一种小麦叶片内条锈病菌dna相对含量测量方法 | |
Zhou et al. | Hyperspectral imaging technology for detection of moisture content of tomato leaves |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
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: 20180130 Termination date: 20211028 |