CN104568824B - 基于可见/近红外光谱的虾类新鲜度等级检测方法及装置 - Google Patents
基于可见/近红外光谱的虾类新鲜度等级检测方法及装置 Download PDFInfo
- Publication number
- CN104568824B CN104568824B CN201510019754.6A CN201510019754A CN104568824B CN 104568824 B CN104568824 B CN 104568824B CN 201510019754 A CN201510019754 A CN 201510019754A CN 104568824 B CN104568824 B CN 104568824B
- Authority
- CN
- China
- Prior art keywords
- sample
- data information
- freshness
- spectral data
- samples
- 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
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及检测方法技术领域，尤其涉及一种基于可见/近红外光谱的虾类新鲜度等级检测方法及装置，根据虾类产品的光谱特征，有机结合稀疏表示分类方法，实现虾类产品新鲜度等级的快速无损检测，本发明用于虾类产品新鲜度检测，具有速度快，成本低，操作简单、便捷，不需要检测人员具备专业知识背景，不需要对检测样本进行物理或化学方法预处理或破坏的优势，可替代专业感官检测人员与传统实验室理化分析检测方法，提高检测效率，降低虾类产品品质检测与质量控制的工作量。
Description
技术领域
本发明涉及检测方法技术领域，尤其涉及一种基于可见/近红外光谱的虾类新鲜度等级检测方法及装置。
背景技术
新鲜度是虾类水产品质量最重要的指标之一。虾类肌肉中含水率高、组织脆弱、天然免疫物质少，比一般的动物肉组织容易腐败，不易贮藏，新鲜度难以保证。而变质腐败的虾类产品营养价值、适口性发生改变，甚至会产生有毒物质，对食用者造成危害。如何快速准确地对新鲜度变化进行检测，已成为提升虾类水产品品质、加强食品安全性的重要基础。
虾类产品中的挥发性盐基氮的含量是确定虾肉新鲜度的重要指标。挥发性盐基氮(TVB-N)是指动物性食品由于酶和细菌的作用，在腐败过程中，使蛋白质分解而产生氨以及胺类等碱性含氮物质，其含量越高，表明氨基酸被破坏的越多，因此营养价值大受影响。现有技术检测虾类产品的挥发性盐基氮含量主要通过实验室理化分析检测方法来测定，这样不但测定速度慢，而且需破坏样本，无法实现虾类新鲜度的快速无损准确检测。因此，随着国内外市场对水产类食品鲜度要求的不断提高，以及生鲜水产品流通量变大和流通距离变长，迫切需要解决虾类新鲜度的快速无损准确检测问题，这是实现贮藏、流通过程中虾类新鲜度动态评估、等级标注、实时监控及保障虾类水产品消费安全的基础。
发明内容
本发明所要解决的技术问题是：提供一种能快速无损的检测虾类产品新鲜度等级的基于可见/近红外光谱的虾类新鲜度等级检测方法及装置。
本发明所采用的技术方案是：一种基于可见/近红外光谱的虾类新鲜度等级检测方法，它包括以下步骤：
(1)、采集大量的不同存储时间、不同存储温度的虾类样本，对采集到的样本进行可见/近红外光谱数据信息采集；按照国家标准SC/T 3032-2007规定的标准理化实验方法检测每个样本的挥发性盐基氮标准值；再按照国家标准GB2741-1994规定，根据检测到的挥发性盐基氮含量对样本的新鲜度等级进行划分标注；
(2)、对步骤(1)所采集到的样本的光谱数据信息进行预处理和降维，得到样本光谱数据信息特征值，把所有样本相对应的光谱数据信息特征值分为训练集和测试集；
(3)、把步骤(2)中所述的训练集中的光谱数据信息特征值作为稀疏表示分类方法的训练样本矩阵，构建新鲜度等级的稀疏表示分类模型；
(4)、分别将步骤(2)中所述的测试集中各样本相对应的光谱数据信息特征值作为稀疏表示分类模型的输入值，计算得到测试集中各样本的新鲜度等级；比较稀疏表示分类模型计算得到的新鲜度等级和步骤(1)标注的样本新鲜度等级，计算稀疏表示分类模型对新鲜度等级预测的准确率；再重复进行步骤(2)-(4)的操作，调整并确定步骤(2)中对样本光谱数据信息的最佳预处理方法和降维方法，直到稀疏表示分类模型的分类准确率达到设定要求；
(5)、利用步骤(4)所确定的光谱数据信息的最佳预处理和降维方法及步骤(3)建立的稀疏表示分类模型，来测试未知待测样本的新鲜度等级。
步骤(3)所述的构建新鲜度等级的稀疏表示分类模型的具体过程为：
设训练集中的样本的新鲜度等级种类为K类；每一类的训练样本数分别为N1,N2,...Ni,...Nk；每个训练样本的光谱数据信息降维后的特征值维数为m维，用列向量f来表示，f∈Rm；同一类训练样本的光谱数据信息特征值位于一个线性子空间中，所以新测试样本的光谱数据信息特征值可看成是同一类训练样本的光谱数据信息特征值的线性组合；给定充足的训练样本给第i个类，现将第i类中的Ni个训练样本的光谱数据信息特征值组成矩阵Ai的列，具体表示为：
任意来自于测试集中相同类样本的光谱数据信息特征值y，y∈Rm，则近似满足于以下由训练样本组成的线性组合：
式中均为系数；
为所有类的训练样本集定义一个新的全体训练样本矩阵A，作为所有K类训练样本的集合：
y的线性表示可以根据所有K类训练样本写成另一种形式：
y＝Ax (4)
式中，列向量是一个系数向量,元素ai,j表示y在A中第i类的第j个训练样本上的投影系数。
若y来自第i类样本，则x在其所属类别的Ai上的投影系数不为0，而在其他训练样本类别的Al(l≠i)上的投影系数为0，即y的解是稀疏的；
可通过解决如下的L-1最小化范数问题来求解上式(4)
式中，为x的近似解，||·||1表示向量中各元素的绝对值之和。
理想情况下，的非零系数中最大的系数值如果对应第i个类，且较大的系数基本都同第i个类有关，就可将y归为那个类中；但是，实际应用中噪声等问题可能会导致中有一部分与其他类有关的小的非零系数项；因此，对于每个类i，可定义一个函数δi，用来在稀疏解中选取与第i类有关的系数；是一个新的向量，其中除了与第i类有关的系数外，令其它的系数值都为零；重新生成给定的测试样本的光谱数据信息特征值y的一个近似表示，将其记为：
显然，与y距离越小，则属于第i类的可能性越高；因此可通过计算与y的最小残差值，即求解以下方程：
得到残差最小的i对应的类别，即分类模型计算得到y的类别。
所述步骤(4)得到的最佳的光谱数据信息预处理方法优选为基线校准、多元散射校正、一阶导数、S-G滤波中的一种或几种。
所述步骤(4)得到的最佳的降维方法优选为主成分分析、独立成分分析中的一种。
所述步骤(1)中采集大量的不同存储时间、不同存储温度的虾类样本为同属于一个品种以及同一状态的虾类产品。
一种基于可见/近红外光谱的虾类新鲜度等级检测装置，它包括计算机以及与计算机信号连接的光谱采集装置，所述光谱采集装置包括光源模块、光纤探头、光谱采集板以及光谱仪，所述光谱采集板上设有一个采集口，所述光纤探头密封嵌入采集口下端，所述光谱采集板上还设有用于罩住待测试样本的密封罩，所述光谱仪以及光源模块均与光纤探头连接，所述光谱仪与计算机信号连接。
所述光纤探头包括探头基座、设置在探头基座中心的单孔光谱采集光纤以及均匀设置在探头基座圆周上的六孔光源发射光纤，所述单孔光谱采集光纤与光谱仪连接，所述六孔光源发射光纤与光源模块连接。
所述光源模块包括稳压电源以及卤钨灯，所述稳压电源与卤钨灯电连接。
所述光纤探头上端面与采集口上端面之间的距离为4-6mm。
所述计算机包括依次连接光谱数据信息采集模块、光谱数据信息预处理模块、光谱数据信息降维模块以及新鲜度等级计算输出模块。其中光谱数据信息采集模块嵌入有编写的触发光谱仪进行光谱数据采集和保存的程序，光谱数据信息预处理模块嵌入有编写的实现基线校准、多元散射校正、一阶导数、S-G滤波功能的数据处理算法程序，光谱数据信息降维模块嵌入有编写的实现主成分分析、独立成分分析的数据降维程序，新鲜度等级计算输出模块编写有实现步骤(3)所述新鲜度等级稀疏表示分类模型算法程序。
采用以上方法装置与现有技术相比，本发明具有以下优点：本发明根据虾类产品的光谱特征，有机结合稀疏表示分类方法，实现虾类产品新鲜度等级的快速无损检测，本发明用于虾类产品新鲜度检测，具有速度快，成本低，操作简单、便捷，不需要检测人员具备专业知识背景，不需要对检测样本进行物理或化学方法预处理或破坏的优势，可替代专业感官检测人员与传统实验室理化分析检测方法，提高检测效率，降低虾类产品品质检测与质量控制的工作量。
设置了一个密封罩，这样光谱采集板和密封罩之间会构成一个相对密封的光屏蔽空间，防止外界光源干扰，能提高光谱信号精度，提高分类准确率。
将探头上端面与采集口上端之间的距离设置成4-6mm，保证光照距离固定，采用稳压电源以及卤钨灯，并且通过六孔光源发射光纤进光，能确保照射在待测试样本肉质表面的光质均匀、强度足够，光谱数据采集效果好，进一步提高光谱信号精度，提高分类准确率。
附图说明：
图1为本发明基于可见/近红外光谱的虾类新鲜度等级检测方法流程图。
图2为本发明基于可见/近红外光谱的虾类新鲜度等级检测装置的结构示意图。
图3为本发明基于可见/近红外光谱的虾类新鲜度等级检测装置中光纤探头的俯视图。
图4为本发明基于可见/近红外光谱的虾类新鲜度等级检测装置的连接图。
图5为本发明基于可见/近红外光谱的虾类新鲜度等级检测装置中计算机的模块连接框图。
图6为本发明基于可见/近红外光谱的虾类新鲜度等级检测方法中原始光谱反射率数据特征图。
图7为本发明基于可见/近红外光谱的虾类新鲜度等级检测方法中部分样品的TVB-N含量及新鲜度等级示意图。
图8为稀疏表示分类模型计算某个测试样本投影系数的图示。
图9为稀疏表示分类模型计算某个测试样本残差值的图示。
如图所示：1、光纤探头；2、光谱采集板；3、采集口；4、密封罩；5、探头基座；6、单孔光谱采集光纤；7、六孔光源发射光纤；8、待测试样本。
具体实施方式：
以下结合附图与具体实施方式对本发明做进一步描述，但是本发明不仅限于以下具体实施方式。
以冷藏南美白对虾新鲜度等级检测为例，采用本发明提出的可见/近红外光谱检测装置结构如图2、3、4所示，包括计算机以及通过数据电缆与计算机信号连接的光谱采集装置。光谱采集装置包括光源模块、光纤探头1、光谱采集板2以及光谱仪。光谱仪是可见/近红外光谱仪，波长范围是400nm-1000nm。光源模块包括稳压电源以及卤钨灯，稳压电源与卤钨灯电连接，卤钨灯的规格为360-2000nm、功率6W、电压12V，稳压电源保证电源电压稳定，保证光源质量。光谱采集板2上设有一个采集口3，光纤探头1密封嵌入采集口3下端，并与采集口3上端面之间的距离为4-6mm，当采集口3上端放置南美白对虾待测试样本8时，光纤探头1和待测试样本8之间构成一个相对封闭的光屏蔽空间，保证光质均匀、强度足够、光照距离一致。光谱采集板2上还设有用于罩住待测试样本8的密封罩4，防止外界光源干扰。光纤探头1包含设置在其中心的单孔光谱采集光纤6以及均匀设置在其圆周上的六孔光源发射光纤7，单孔光谱采集光纤6与光谱仪连接，六孔光源发射光纤7与卤钨灯连接。当进行样本光谱数据采集时候，卤钨灯所发光通过六孔光源发射光纤7照射到待测试样本8上，经南美白对虾肌肉吸收反射后由单孔光谱采集光纤6传送到光谱仪检测采集。光谱仪把光谱数据由数据电缆传送到计算机保存。计算机安装有检测分析软件平台，软件平台中嵌入有光谱数据采集模块、光谱数据预处理模块、光谱数据降维模块、新鲜度等级计算输出模块(分析软件平台模块连接图如图5所示)，能够自动采集光谱数据、对光谱进行预处理、降维、计算新鲜度等级，给出检测结果。
采集鲜活南美白对虾样本400只，用碎冰块猝死，统一编号，冷藏于5℃冰箱环境下,用于后续光谱采集和理化试验分析。如图1所示，本实施例对南美白对虾新鲜度等级的检测方法主要包括以下流程步骤：
1、每隔24小时取出一批样本(50个)，依次将单个虾体待测试样本8放置在检测装置采集口3上，利用计算机中的光谱数据采集模块对样本虾体中间部位的可见/近红外光谱(400nm-1000nm)反射率数据采集，之后按照国家标准SC/T 3032-2007规定的标准理化实验方法检测该样本的TVB-N标准值，再按照国家标准GB2733-2005规定，将TVB-N<＝25mg/100g的样本标注为一级鲜度；将TVB-N>25mg/100g的样本标注为二级鲜度。本实施例共测量8天，直至检测完所有样本。所得样本的原始光谱反射率数据特征如图6所示，部分样本的TVB-N含量及新鲜度等级如图7所示。
2、完成所有样本光谱数据采集和TVB-N标准值测定后，随机选取新鲜度等级标注为一级、二级鲜度的样本各160个(共320个)，利用光谱数据预处理模块，选择基线校准、多元散射校正、一阶导数、S-G滤波中的一种或几种方法，对样本的原始可见/近红外光谱反射率数据进行预处理，得到预处理后的光谱数据。
3、在光谱数据降维模块中选择主成分分析和独立成分分析中的一种方法，对上述预处理后光谱数据进行降维，得到前10个主成分值用来代表预处理后的光谱数据信息。
4、在步骤2所述的一级、二级样本中，选120个作为训练样本(共240个，其编号顺序如表1所示)，剩余的40个样本作为测试样本(共80个)。利用训练样本光谱数据降维后的前10个主成分值，构成如下训练样本矩阵：
A＝[A1,A2]＝[f1,1,...f1,120,f2,1,...f2,120]
式中，Ai表示第i类鲜度等级样本的训练样本矩阵，fi,j为第i类鲜度等级样本的第j个训练样本前10个主成分构成的特征向量列(维数d＝10)。矩阵A为两类鲜度等级样本的全体训练样本矩阵，其大小为10×240。
表1 训练样本矩阵A中的样本编号
5、把步骤4得到的训练样本矩阵A作为新鲜度等级计算输出模块中稀疏表示分类模型的训练样本矩阵，并在新鲜度等级计算输出模块中分别计算80个测试样本的新鲜度等级。利用新鲜度等级计算输出模块对某个测试虾类样本进行新鲜度等级计算的具体步骤为：
1)在测试样本中选取某类鲜度等级的测试样本y。y的线性表示可以根据训练样本写成另一种形式：
y＝Ax
式中，列向量是一个系数向量,元素ai,j表示y在A中第i类的第j个训练样本上的投影系数。
若y来自第i类样本，则x在其所属类别的Ai上的投影系数不为0，而在其他训练样本类别的Al(l≠i)上的投影系数为0。
2)通过L-1最小化范数问题来求解上式
式中，为x的近似解，||·||1表示向量中各元素的绝对值之和。
3)对于每个类i，用函数δi在稀疏解中选取与第i类有关的系数；是一个新的向量，其中除了与第i类有关的系数外，令其它的系数值都为零；重新生成给定的测试样本的光谱数据信息特征值y的一个近似表示，将其记为：
4)与y距离越小，则属于第i类的可能性越高；通过计算与y的最小残差值，即求解以下方程：
计算得到残差最小的i对应的类别，即模型计算得到y的类别。
例如在本实施案中，我们随机选择了二级鲜度的一个测试样本作为y。利用新鲜度等级计算输出模块按照上述步骤进行L-1范数最小化求解，计算得到了系数向量如图8所示，横轴为两类训练样本编号，纵轴为基于L-1范数最小化方法得到的测试样本y的投影系数可以看到，y在所属二级鲜度训练样本(编号：121～240)上的投影系数较大，而在其它类上的投影系数比较小或者为0。之后，计算得到各个类的与y的最小残差值，如图9所示，显然，二级鲜度样本的残差值最小，因此可判定测试样本y的识别结果为二级鲜度。
按上述方法完成所有测试样本的计算后，再根据识别准确率计算方法，对80个测试样本的新鲜度等级计算准确率进行统计：
其中，Nright表示被正确分类的样本数，Ntotal表示样本总数。
6、重复步骤2-5，通过调整步骤2中的光谱数据预处理方法和步骤3中的光谱数据降维方法，直至步骤5中计算80个测试样本新鲜度等级的准确率达到设定的要求(本实施例设定准确率为90％)。本实施例最终确定的最佳光谱数据预处理方法为基线校准、多元散射校正、一阶导数，最佳光谱数据降维方法为主成分分析法。
7、通过所述检测方法和装置对未知待测样本进行检测：把待测试样本8放在采集口3上，利用光谱数据采集模块完成原始可见/近红外光谱反射率数据采集，利用步骤6确定的最佳光谱预处理方法和降维方法对原始可见/近红外光谱反射率数据进行预处理和降维，利用步骤5确定的训练样本矩阵，调用新鲜度等级计算输出模块计算未知待测样本的鲜度等级。
Claims (5)
1.一种基于可见/近红外光谱的虾类新鲜度等级检测方法，其特征在于，它包括以下步骤：
(1)、采集大量的不同存储时间、不同存储温度的虾类样本，对采集到的样本进行可见/近红外光谱数据信息采集；按照国家标准SC/T 3032-2007规定的标准理化实验方法检测每个样本的挥发性盐基氮标准值；再按照国家标准GB2741-1994规定，根据检测到的挥发性盐基氮含量对样本的新鲜度等级进行划分标注；
(2)、对步骤(1)所采集到的样本的光谱数据信息进行预处理和降维，得到样本光谱数据信息特征值，把所有样本相对应的光谱数据信息特征值分为训练集和测试集；
(3)、把步骤(2)中所述的训练集中的光谱数据信息特征值作为稀疏表示分类方法的训练样本矩阵，构建新鲜度等级的稀疏表示分类模型；
(4)、分别将步骤(2)中所述的测试集中各样本相对应的光谱数据信息特征值作为稀疏表示分类模型的输入值，计算得到测试集中各样本的新鲜度等级；比较稀疏表示分类模型计算得到的新鲜度等级和步骤(1)标注的样本新鲜度等级，计算稀疏表示分类模型对新鲜度等级预测的准确率；再重复进行步骤(2)-(4)的操作，调整并确定步骤(2)中对样本光谱数据信息的最佳预处理方法和降维方法，直到稀疏表示分类模型的分类准确率达到设定要求；
(5)、利用步骤(4)所确定的光谱数据信息的最佳预处理和降维方法及步骤(3)建立的稀疏表示分类模型，来测试未知待测样本的新鲜度等级。
2.根据权利要求1所述的基于可见/近红外光谱的虾类新鲜度等级检测方法，其特征在于，步骤(3)所述的构建新鲜度等级的稀疏表示分类模型的具体过程为：
假设训练集中的样本的新鲜度等级种类为K类；每一类的训练样本数分别为N1,N2,...Ni,...Nk；每个训练样本的光谱数据信息降维后的特征值维数为m维，用列向量f来表示预处理以及降维后的光谱数据信息特征值，f∈Rm；同一类训练样本的光谱数据信息特征值位于一个线性子空间中，所以新测试样本的光谱数据信息特征值可看成是同一类训练样本的光谱数据信息特征值的线性组合；给定充足的训练样本给第i个类，现将第i类中的Ni个训练样本的光谱数据信息特征值组成矩阵Ai的列，具体表示为：
<mrow>
<msub>
<mi>A</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mo>&lsqb;</mo>
<msub>
<mi>f</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>f</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mn>2</mn>
</mrow>
</msub>
<mo>,</mo>
<mo>...</mo>
<msub>
<mi>f</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<msub>
<mi>N</mi>
<mi>i</mi>
</msub>
</mrow>
</msub>
<mo>&rsqb;</mo>
<mo>&Element;</mo>
<msup>
<mi>R</mi>
<mrow>
<mi>m</mi>
<mo>&times;</mo>
<msub>
<mi>N</mi>
<mi>i</mi>
</msub>
</mrow>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
任意来自于测试集中相同类样本的光谱数据信息特征值y，y∈Rm，则近似满足于以下由训练样本组成的线性组合：
<mrow>
<mi>y</mi>
<mo>=</mo>
<msub>
<mi>a</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mn>1</mn>
</mrow>
</msub>
<msub>
<mi>f</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>a</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mn>2</mn>
</mrow>
</msub>
<msub>
<mi>f</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mn>2</mn>
</mrow>
</msub>
<mo>+</mo>
<mn>...</mn>
<mo>+</mo>
<msub>
<mi>a</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<msub>
<mi>N</mi>
<mi>i</mi>
</msub>
</mrow>
</msub>
<msub>
<mi>f</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<msub>
<mi>N</mi>
<mi>i</mi>
</msub>
</mrow>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
式中均为系数；
随后，为所有类的训练样本集定义一个新的全体训练样本矩阵A，作为所有K类训练样本的集合：
<mrow>
<mi>A</mi>
<mo>=</mo>
<mo>&lsqb;</mo>
<msub>
<mi>A</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>A</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<mn>...</mn>
<msub>
<mi>A</mi>
<mi>k</mi>
</msub>
<mo>&rsqb;</mo>
<mo>=</mo>
<mo>&lsqb;</mo>
<msub>
<mi>f</mi>
<mrow>
<mn>1</mn>
<mo>,</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>f</mi>
<mrow>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
</mrow>
</msub>
<mo>,</mo>
<mn>..</mn>
<msub>
<mi>f</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<msub>
<mi>N</mi>
<mi>k</mi>
</msub>
</mrow>
</msub>
<mo>&rsqb;</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
y的线性表示可以根据所有K类训练样本写成另一种形式：
y＝Ax (4)
式中，列向量是一个系数向量,元素ai,j表示y在A中第i类的第j个训练样本上的投影系数；
若y来自第i类样本，则x在其所属类别的Ai上的投影系数不为0，而在其他训练样本类别的Al(l≠i)上的投影系数为0，即y的解是稀疏的；
可通过解决如下的L-1最小化范数问题来求解上式(4)
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mo>=</mo>
<mi>argmin</mi>
<mo>|</mo>
<mo>|</mo>
<mi>x</mi>
<mo>|</mo>
<msub>
<mo>|</mo>
<mn>1</mn>
</msub>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>s</mi>
<mi>u</mi>
<mi>b</mi>
<mi>j</mi>
<mi>e</mi>
<mi>c</mi>
<mi>t</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>t</mi>
<mi>o</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>A</mi>
<mi>x</mi>
<mo>=</mo>
<mi>y</mi>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
式中，为x的近似解，||·||1表示向量中各元素的绝对值之和；
理想情况下，的非零系数中最大的系数值如果对应第i个类，且较大的系数基本都同第i个类有关，就可将y归为那个类中；但是，实际应用中噪声等问题可能会导致中有一部分与其他类有关的小的非零系数项；因此，对于每个类i，可定义一个函数δi，用来在稀疏解中选取与第i类有关的系数；是一个新的向量，其中除了与第i类有关的系数外，令其它的系数值都为零；重新生成给定的测试样本的光谱数据信息特征值y的一个近似表示，将其记为：
<mrow>
<msub>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<mo>=</mo>
<msub>
<mi>A&delta;</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
显然，与y距离越小，则属于第i类的可能性越高；因此可通过计算与y的最小残差值，即求解以下方程：
<mrow>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mi>i</mi>
</munder>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mi>i</mi>
</munder>
<mo>|</mo>
<mo>|</mo>
<mi>y</mi>
<mo>-</mo>
<msub>
<mi>A&delta;</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mo>)</mo>
</mrow>
<mo>|</mo>
<msub>
<mo>|</mo>
<mn>2</mn>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
得到残差最小的i对应的类别，即模型计算得到y的类别。
3.根据权利要求1所述的基于可见/近红外光谱的虾类新鲜度等级检测方法，其特征在于：所述步骤(4)得到的最佳的光谱数据信息预处理方法优选为基线校准、多元散射校正、一阶导数、S-G滤波中的一种或几种。
4.根据权利要求1所述的基于可见/近红外光谱的虾类新鲜度等级检测方法，其特征在于：所述步骤(4)得到的最佳的降维方法优选为主成分分析、独立成分分析中的一种。
5.根据权利要求1所述的基于可见/近红外光谱的虾类新鲜度等级检测方法，其特征在于：所述步骤(1)中采集大量的不同存储时间、不同存储温度的虾类样本为同属于一个品种以及同一状态的虾类产品。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510019754.6A CN104568824B (zh) | 2015-01-15 | 2015-01-15 | 基于可见/近红外光谱的虾类新鲜度等级检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510019754.6A CN104568824B (zh) | 2015-01-15 | 2015-01-15 | 基于可见/近红外光谱的虾类新鲜度等级检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104568824A CN104568824A (zh) | 2015-04-29 |
| CN104568824B true CN104568824B (zh) | 2018-03-02 |
Family
ID=53085401
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510019754.6A Expired - Fee Related CN104568824B (zh) | 2015-01-15 | 2015-01-15 | 基于可见/近红外光谱的虾类新鲜度等级检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104568824B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9824434B2 (en) | 2015-08-18 | 2017-11-21 | Industrial Technology Research Institute | System and method for object recognition |
| 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 |
| CN109142269A (zh) * | 2018-07-26 | 2019-01-04 | 江苏大学 | 一种冰鲜牛肉不同储存时间的快速鉴别方法 |
| CN110133202A (zh) * | 2019-05-20 | 2019-08-16 | 梁志鹏 | 一种智能厨房的食材监测新鲜度的方法及装置 |
| CN110503314A (zh) * | 2019-08-02 | 2019-11-26 | Oppo广东移动通信有限公司 | 一种新鲜度评估方法及装置、存储介质 |
| CN113408334B (zh) * | 2021-04-30 | 2022-09-09 | 华中农业大学 | 一种小龙虾全链条数据采集与智能检测方法及装置 |
| CN118032701A (zh) * | 2024-04-10 | 2024-05-14 | 北京市农林科学院智能装备技术研究中心 | 一种基于富集增强型光学传感的挥发物测量及食品新鲜度检测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN201555802U (zh) * | 2009-11-19 | 2010-08-18 | 浙江大学 | 基于特征波段的黑木耳蛋白质含量快速检测装置 |
| CN103163084A (zh) * | 2013-03-14 | 2013-06-19 | 广西工学院 | 一种检测虾类产品新鲜度的表征方法 |
| CN103712948A (zh) * | 2013-12-05 | 2014-04-09 | 中国肉类食品综合研究中心 | 生鲜羊肉中挥发性盐基氮含量的快速无损检测方法 |
| CN103728252A (zh) * | 2012-10-11 | 2014-04-16 | 陕西杰创科技有限公司 | 一种测量苹果近红外光谱的系统 |
| CN104237158A (zh) * | 2014-09-04 | 2014-12-24 | 浙江科技学院 | 一种具有普适性的近红外光谱定性分析方法 |
-
2015
- 2015-01-15 CN CN201510019754.6A patent/CN104568824B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN201555802U (zh) * | 2009-11-19 | 2010-08-18 | 浙江大学 | 基于特征波段的黑木耳蛋白质含量快速检测装置 |
| CN103728252A (zh) * | 2012-10-11 | 2014-04-16 | 陕西杰创科技有限公司 | 一种测量苹果近红外光谱的系统 |
| CN103163084A (zh) * | 2013-03-14 | 2013-06-19 | 广西工学院 | 一种检测虾类产品新鲜度的表征方法 |
| CN103712948A (zh) * | 2013-12-05 | 2014-04-09 | 中国肉类食品综合研究中心 | 生鲜羊肉中挥发性盐基氮含量的快速无损检测方法 |
| CN104237158A (zh) * | 2014-09-04 | 2014-12-24 | 浙江科技学院 | 一种具有普适性的近红外光谱定性分析方法 |
Non-Patent Citations (3)
| Title |
|---|
| "冷藏南美白对虾新鲜度的近红外光谱方法研究";任瑞娟 等;《食品与发酵工业》;20131231;第39卷(第6期);第195-198页 * |
| "基于稀疏表示的光谱预处理研究";沐广文 等;《仪器仪表学报》;20120831;第33卷(第8期);第263-266页 * |
| "近红外光谱技术在南美白对虾鲜度判别中的应用";任瑞娟 等;《食品与发酵工业》;20141231;第40卷(第3期);第120-124页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104568824A (zh) | 2015-04-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104568824B (zh) | 基于可见/近红外光谱的虾类新鲜度等级检测方法及装置 | |
| Li et al. | Recent advances in nondestructive analytical techniques for determining the total soluble solids in fruits: a review | |
| Li et al. | Evaluating green tea quality based on multisensor data fusion combining hyperspectral imaging and olfactory visualization systems | |
| Huang et al. | Nondestructive measurement of total volatile basic nitrogen (TVB-N) in pork meat by integrating near infrared spectroscopy, computer vision and electronic nose techniques | |
| 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 | |
| Wang et al. | Spectral detection techniques for non-destructively monitoring the quality, safety, and classification of fresh red meat | |
| Huang et al. | Non-destructively sensing pork’s freshness indicator using near infrared multispectral imaging technique | |
| Moscetti et al. | Detection of mold-damaged chestnuts by near-infrared spectroscopy | |
| CN106596416A (zh) | 一种基于高光谱成像技术的冷鲜肉品质无损检测方法 | |
| CN110132856B (zh) | 小麦赤霉病染病籽粒识别的光谱病害指数构建及应用 | |
| CN102507459A (zh) | 一种生鲜牛肉新鲜度快速无损评价方法及系统 | |
| Moscetti et al. | Near infrared spectroscopy is suitable for the classification of hazelnuts according to Protected Designation of Origin | |
| CN111157511B (zh) | 一种基于拉曼光谱技术的鸡蛋新鲜度无损检测方法 | |
| US20150039265A1 (en) | Method And Apparatus For Characterising Samples By Measuring Light Scattering and Fluorescence | |
| CN109470648A (zh) | 一种单籽粒作物不完善粒快速无损判定方法 | |
| Xu et al. | Factors influencing near infrared spectroscopy analysis of agro-products: a review | |
| Xiao et al. | Discrimination of organic and conventional rice by chemometric analysis of NIR spectra: a pilot study | |
| Yan et al. | Recognition of different Longjing fresh tea varieties using hyperspectral imaging technology and chemometrics | |
| CN104965973A (zh) | 一种苹果霉心病多因子无损检测判别模型及其建立方法 | |
| CN104359855B (zh) | 一种基于近红外光谱的注水肉检测方法 | |
| CN110749565A (zh) | 一种快速鉴别普洱茶存储年份的方法 | |
| Mikola et al. | Quantitative determination of macro components and classification of some cultivated mushrooms using near‐infrared spectroscopy | |
| Lu et al. | Fluorescence hyperspectral image technique coupled with HSI method to predict solanine content of potatoes | |
| Zhang et al. | Rapid recognition of marine fish surimi by one-step discriminant analysis based on near-infrared diffuse reflectance spectroscopy | |
| Tian et al. | Research on apple origin classification based on variable iterative space shrinkage approach with stepwise regression–support vector machine algorithm and visible‐near infrared hyperspectral imaging |
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 |
Granted publication date: 20180302 Termination date: 20210115 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |