CN105866063A - 香肠品质等级检测方法 - Google Patents
香肠品质等级检测方法 Download PDFInfo
- Publication number
- CN105866063A CN105866063A CN201610217719.XA CN201610217719A CN105866063A CN 105866063 A CN105866063 A CN 105866063A CN 201610217719 A CN201610217719 A CN 201610217719A CN 105866063 A CN105866063 A CN 105866063A
- Authority
- CN
- China
- Prior art keywords
- sausage
- hyperion
- quality
- information
- detection method
- 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
- 235000013580 sausages Nutrition 0.000 title claims abstract description 100
- 238000001514 detection method Methods 0.000 title claims abstract description 35
- 230000003595 spectral effect Effects 0.000 claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 26
- 239000002245 particle Substances 0.000 claims abstract description 17
- 238000002790 cross-validation Methods 0.000 claims abstract description 8
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 24
- 238000001228 spectrum Methods 0.000 claims description 14
- 229910052757 nitrogen Inorganic materials 0.000 claims description 12
- 239000002253 acid Substances 0.000 claims description 11
- 150000002978 peroxides Chemical class 0.000 claims description 10
- 230000010354 integration Effects 0.000 claims description 8
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 abstract description 6
- 238000012706 support-vector machine Methods 0.000 abstract description 6
- 235000013372 meat Nutrition 0.000 description 16
- 241000894006 Bacteria Species 0.000 description 12
- 230000008859 change Effects 0.000 description 11
- 238000012360 testing method Methods 0.000 description 10
- 238000000926 separation method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 239000000126 substance Substances 0.000 description 5
- 239000000284 extract Substances 0.000 description 4
- 230000000813 microbial effect Effects 0.000 description 4
- GETQZCLCWQTVFV-UHFFFAOYSA-N trimethylamine Chemical compound CN(C)C GETQZCLCWQTVFV-UHFFFAOYSA-N 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 235000013305 food Nutrition 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 244000005700 microbiome Species 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000001953 sensory effect Effects 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 2
- SIKJAQJRHWYJAI-UHFFFAOYSA-N Indole Chemical compound C1=CC=C2NC=CC2=C1 SIKJAQJRHWYJAI-UHFFFAOYSA-N 0.000 description 2
- 230000001580 bacterial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 102000004169 proteins and genes Human genes 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 238000005033 Fourier transform infrared spectroscopy Methods 0.000 description 1
- 238000004497 NIR spectroscopy Methods 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000002835 absorbance Methods 0.000 description 1
- 150000001412 amines Chemical class 0.000 description 1
- 229910021529 ammonia Inorganic materials 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000000844 anti-bacterial effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010876 biochemical test Methods 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009415 formwork Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- PZOUSPYUWWUPPK-UHFFFAOYSA-N indole Natural products CC1=CC=CC2=C1C=CN2 PZOUSPYUWWUPPK-UHFFFAOYSA-N 0.000 description 1
- RKJUIXBNRJVNHR-UHFFFAOYSA-N indolenine Natural products C1=CC=C2CC=NC2=C1 RKJUIXBNRJVNHR-UHFFFAOYSA-N 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 230000000968 intestinal effect Effects 0.000 description 1
- 239000002932 luster Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007483 microbial process Effects 0.000 description 1
- 238000012009 microbiological test Methods 0.000 description 1
- 238000000386 microscopy Methods 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000002304 perfume Substances 0.000 description 1
- 235000013594 poultry meat Nutrition 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 235000020995 raw meat Nutrition 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 235000019615 sensations Nutrition 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000004659 sterilization and disinfection Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
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
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N2021/3595—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using FTIR
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30128—Food products
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种香肠品质等级检测方法,包括以下步骤:同时采集香肠的高光谱显微图像信息及高光谱光谱信息;将所述香肠高光谱显微图像信息及高光谱光谱信息输入PSO粒子群算法的支持向量机分类预测模型中;采取交叉验证的方法,获取所述支持向量机分类预测模型的香肠品质输出值;根据所述香肠品质输出值判断香肠品质并进行品质分级预测。采用本发明可快速、准确地检测香肠品质及分级。能够更加便利鉴别香肠可否安全食用。
Description
技术领域
本发明涉及食品检测领域,具体涉及一种香肠品质等级检测方法。
背景技术
作为一项新兴的检测技术,高光谱(Hyper-spectral)检测技术将光电子学、光学、电子信息处理学、计算机科学等领域的先进技术集于一身,并有机地把传统的近红外光谱技术和二维图像技术结合在一起。在可见光和近红外区域,高光谱的传感器有几十到数百个波段,它的光谱分辨率很高,在近红外780-2526nm波长范围内其光谱分辨率一般小于10nm,通常可达到2~3nm。因此,为了提高检测精度,将高光谱检测技术应用于对农产品、畜肉产品、食品的品质与安全性检测具有很大的应用潜力。
与传统一维近红外光谱检测技术相比,集光谱和图像两种技术优点于一身的高光谱检测技术,不仅能够检测出被测物体信息的相关图像信息还包含有丰富的光谱信息。高光谱图像技术之所以能够检测物体内外品质信息,是因为图像检测能够全面反映物体的外在特征,而光谱检测则能够检测物体的内在物理结构和化学成分等信息。所以说,高光谱检测技术是一种易于操作、检测精度高、快速而且无损的新型检测技术。近几年的研究表明,将高光谱检测技术应用于农产品品质等无损检测研究领域中,对于无损检测技术未来的发展提供了一个非常重要的研究手段。高光谱检测技术的突出特点在于:光谱分辨率高,能获得整个波段的多而窄的连续光谱,波段数多至数百个,光谱分辨率能达到纳米级。图谱合一,高光谱图像包含了丰富的空间、辐射和光谱三重信息,光谱波段多,在某一光谱波段范围内可连续成像。高光谱检测所具有的高分辨率特性使得它的图像数据相邻波段间隔较窄,存在波段重叠区域,因此光谱通道不再离散而是连续的,高光谱图像数据每个像元均可提取一条完整的高分辨率光谱曲线,高光谱检测原理如图所示。它的出现解决了传统科学领域“成像无光谱”和“光谱不成像”的历史问题。
现有香肠检测技术采用方法一般分为感官检查、化学检查和微生物检查。感官检查法是最容易的一种方法,它主要是利用人的嗅觉、视觉、触觉和味觉来辨别肉品气味、色泽、粘度及弹性的改变,从而鉴定肉的卫生质量,简便易行。但是,感官检查的结果不易量化,存在主观性和片面性,即使检查人员有足够的经验,很多情况下也很难得出正确的结论,尚需进行实验室检查;物理检查是根据蛋白质分解,低分子物质增多、导电率、粘度、保水量的变化来衡量肉质;化学检查是用定性或定量方法测定蛋白质分解产物,如氨、胺类、TVB-N(挥发性盐基氮)、三甲胺(TMA)、吲哚等,来衡量肉的变质程度。其中TVB-N是我国检测肉类新鲜度的国家标准,TVB-N值能有规律地反映肉品新鲜度变化,新鲜肉、次鲜肉和变质肉之间差异非常显著,并与感官变化一致,是较为客观的指标,但该法所需设备复杂、步骤繁琐、检测周期很长,很难在现场快速检测;微生物学检验是从肉品中微生物数量的角度说明其污染状况及腐败变质程度,常用的方法有细菌总数和大肠菌群近似数的测定,取鲜肉压片镜检,不需增菌和选择培养,操作简单,结果迅速。许多国家从细菌菌落总数的角度制定了肉类新鲜度标准,可以较为准确地检测肉类新鲜度,但结果受采样部位的影响很大,特别是市销肉类在屠宰运输、销售过程中被二次污染情况较为严重,因此取样部位不同结果相差较大。在传统的微生物方法中,由于细菌的分离,培养耗时长(24h)以上,技术要求高,难以在现场检验中推广使用。
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。
本发明实施例的目的是针对上述现有技术的缺陷,提供一种可快速、准确地检测香肠品质及分级的香肠品质等级检测方法。
为了实现上述目的,本发明采取的技术方案是:
一种香肠品质等级检测方法,包括以下步骤:
同时采集香肠的高光谱显微图像信息及高光谱光谱信息;
将所述香肠高光谱显微图像信息及高光谱光谱信息输入PSO粒子群算法的支持向量机分类预测模型中;
采取交叉验证的方法,获取所述支持向量机分类预测模型的香肠品质输出值;
根据所述香肠品质输出值判断香肠品质并进行品质分级预测。
所述高光谱显微图像信息为香肠的微生物菌落总数高光谱显微图像信息。
所述高光谱光谱信息为采集的与所述高光谱显微图像信息同一时刻、同一观测点的香肠酸价、过氧化值、挥发性盐基氮的高光谱光谱信息。
进一步地,通过高光谱显微图像及高光谱光谱信息一体化设备获得香肠的微生物菌落总数显微图像,其中,通过高光谱显微图像及高光谱光谱信息一体化设备中的显微放大1000倍图像采集CCD,Charge Coupled Device电荷藕合器件图像传感器系统来获取微生物菌落总数显微图像,对微生物菌落总数进行计数。
所述高光谱光谱信息与所述高光谱显微图像信息为采集的香肠同一时刻及同一观测点的信息。
所述香肠的品质分级为放心食用、可食用、不建议食用和不可食用。
与现有技术相比,本发明的有益效果是:
采用本发明可快速、准确地检测香肠品质及分级。能够更加便利鉴别香肠可否安全食用。
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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的分类预测模型结构图;
图2为本发明实施例提供的获得第6天香肠样品的微生物菌落原始图像和菌落分隔后图像;
图3为本发明实施例提供的获得第12天香肠样品的微生物菌落原始图像和菌落分隔后图像;
图4为本发明实施例提供的获得第14天香肠样品的微生物菌落原始图像和菌落分隔后图像;
图5为本发明实施例提供的获得第28天香肠样品的微生物菌落原始图像和菌落分隔后图像;
图6为本发明实施例提供的微生物菌落总数变化图;
图7为本发明实施例提供的香肠酸价高光谱信息图;
图8为本发明实施例提供的香肠过氧化值高光谱信息图;
图9为本发明实施例提供的香肠挥发性盐基氮高光谱信息图;
图10为本发明实施例提供的PSO粒子群优化算法计算流程图;
图11为本发明实施例提供的PSO粒子群算法优化支持向量机分类预测结果图。
图7-图9中:横坐标代表波长(单位cm-1);纵坐标代表吸光度(单位lg(I0/I1));
图11中:Test samples表示样本;Category labels表示分类标志;The actul test set classification表示实际测试集分类;The forecasttest set classification表示预测测试集分类。
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。
参见图1,一种香肠品质等级检测方法,包括以下步骤:
S101:选取香肠样本;
S102:采集高光谱显微图像信息;
S103:采集高光谱光谱信息;
同时采集香肠的高光谱显微图像信息及高光谱光谱信息;高光谱显微图像信息为香肠的微生物菌落总数高光谱显微图像信息;高光谱光谱信息为采集的与所述高光谱显微图像信息同一时刻、同一观测点的香肠酸价、过氧化值、挥发性盐基氮的高光谱光谱信息;其中高光谱光谱信息与所述高光谱显微图像信息为采集的香肠同一时刻及同一观测点的信息;
S104:输入PSO粒子群算法的支持向量机分类预测模型中;
将所述香肠高光谱显微图像信息及高光谱光谱信息输入PSO粒子群算法的支持向量机分类预测模型中;
S105:采取交叉验证的方法;
S106:得到香肠品质输出值;
采取交叉验证的方法,获取所述支持向量机分类预测模型的香肠品质输出值;
S107:判断香肠品质;
S108:进行品质分级预测;
根据所述香肠品质输出值判断香肠品质并进行品质分级预测;判断香肠为放心食用、可食用、不建议食用和不可食用中的哪一种。
本发明将高光谱光谱检测到的酸价、过氧化值、挥发性盐基氮数据和显微图像得到的微生物菌落总数作为特征向量,采用PSO粒子群算法的支持向量机进行多数据融合,建立香肠食用度识别模型。对香肠的品质等级进行快速识别。
下面通过具体的实施例对本发明做进一步的说明:
在同一时刻、同一观测点同时采集香肠的微生物菌落总数高光谱显微图像信息及香肠酸价、过氧化值、挥发性盐基氮的高光谱光谱信息;
通过高光谱显微图像及高光谱光谱信息一体化设备获得香肠的微生物菌落总数显微图像及结果如下:
高光谱显微图像及高光谱光谱信息一体化设备仪器重要参数设置如下:
主要由高光谱成像系统、显微放大1000倍图像采集CCD(Charge CoupledDevice电荷藕合器件图像传感器)系统、光源、暗箱、计算机组成,
技术参数:
1.光谱扫描范围:350-1050nm
2.光谱分辨率:2.8nm
3.采样间隔:1.9nm
4.测定速度:每个样品<1分钟
5.CCD:有效像素CCIR:500(H)×582(V);EIA:510(H)×492(V),显微放大1000倍。
主要特点:
1.快速准确;
2.不需要任何化学试剂及特殊的样品准备;
3.生肉及熟肉产品均可检测。
香肠在存放过程中,由于外界微生物的污染,以及肉品自身的分解过程中形成了易于细菌生长的环境,微生物菌落会在香肠中大量的生长聚集。通过1000倍的显微图像提取出香肠微生物菌落总数,作为判定香肠新鲜度的一个重要判定依据。
1.样品的制备。
用经过酒精灯消毒的手术刀在香肠中提取长为2厘米、宽为1厘米、厚为2毫米的样品40个,并将样品放置在25℃恒温环境下。
2.样品显微图像拍摄。
将样品从恒温环境取出裸露放置在载玻片上。将载玻片放在显微镜的载物台上,调整载物台到指定位置。取1000倍的放大倍数,每隔几天对香肠样品的指定位置拍摄显微图像。所拍摄到的显微图像就是生长有微生物菌落的香肠组织图像。
通过高光谱显微图像及高光谱光谱信息一体化设备获得第6、12、14、28天香肠样品的微生物菌落原始图像和菌落分隔后图像。参见图2-图5,图中白色代表菌落,从图2中可以看出第6天和作为发酵剂的微生物所引起的。国标中允许在香肠表面残留一定的微生物,这些作为发酵剂的微生物有利于增加香肠的特有风味,改变微生物环境,延长贮藏时间。参见图4,第14天开始菌落发生变化,这个时间香肠样品的优势菌种已经发生改变。而且此时菌落数量明显增多,从图4和图5可以看出,第28天菌落数量较之第14天增加更多,通过计数得知,此时的菌落总数为32854cuf/g,已经超过了国标中的10000cuf/g的标准。
参见图6,可以明显的看到,在整个过程中香肠微生物菌落总数是随时间的增加而上升的。
通过高光谱显微图像及高光谱光谱信息一体化设备获得香肠酸价、过氧化值、挥发性盐基氮的高光谱光谱信息及结果如下:
1、样品的制备。
与微生物菌落提取同一时刻同时在香肠中用经过酒精灯消毒的手术刀在香肠中提取香肠样品,将其切成片状,片状厚度约为3mm,直径大于6mm(以便能盖满整个容器杯),制作样本40个,并将样品放置在25℃恒温环境下。
2、高光谱光谱信息样品采集
在室温下,将VERTEX 70型傅里叶变换红外光谱仪分辨率设为8cm-1,扫描次数选择32次,在12500~4000cm-1谱区,使用OPUS6.5软件进行近红外光谱采集,操作方法如下:
1.打开VERTEX 70型红外光谱仪预热30分钟,同时启动计算机,运行OPUS软件,进入软件操作界面。
2.置好实验参数,切换到检查信号页面,看到十字型干涉图之后点击保存峰位。保存峰位只需要每次开机或改变试验参数后检查信号时应用。
3.每次测量开始时,点击“高级数据采集”选项,进入测量菜单。
4.返回基本设置页面,点击背景单通道对背景进行测量。在保持实验参数相同、室内温度恒定的的情况下,只需要测一次背景,不必每次都测量背景。
5.带好消毒手套,将切好的香肠肉片平铺在固体测量样本杯中,开启积分球模块固体样本处的电源。进行光谱扫描。
6.每次扫描完后,对固体样品杯进行清洗,对操作手套进行消毒。以保证不影响下一个样品的光谱结果。
通过研制的高光谱显微图像设备获得第6、12、14、28天香肠样品的酸价、过氧化值、挥发性盐基氮光谱信息,如图7-图9所示。
光谱检测结果:酸价(mg/g),波长数61;过氧化值(g/100g),波长数79;挥发性盐基氮(mg/g),波长数88。
将所述香肠高光谱显微图像信息及高光谱光谱信息输入PSO粒子群算法的支持向量机分类预测模型中;
采取交叉验证的方法,获取所述支持向量机分类预测模型的香肠品质输出值;
利用PSO粒子群算法对已建立的支持向量机分类预测模型进行优化,即寻找支持向量机分类预测模型的最佳惩罚参数c和核函数参数g,并利用最佳惩罚参数c和核函数参数g来优化支持向量机分类预测模型,提高其精确性。其中,设置初始惩罚参数c和核函数参数g分别为1、粒子数为30、迭代次数为1000、wstart=0.9、将交互验证集的准确率(Accurancy)作为PSO粒子群算法的适应度函数,寻找已建立模型的惩罚参数c和核函数参数g的最优解。PSO粒子群优化算法的计算流程如图10所示。
将上述算法在(矩阵实验室)Matlab中实现,由图11可以看出,经过PSO粒子群算法优化后的支持向量机分类预测模型Accuracy(精确性)从97.5%提高到100%。即对预测集40个样品的分类预测结果与实际分类一致,同时确定了最佳惩罚参数c和核函数参数g分别为0.70711和1.4142。,即这两个参数选取上述值可以使支持向量机分类预测模型具有最佳的预测性能和泛化能力。所以,采用PSO粒子群优化算法寻找最佳惩罚参数c和核函数参数g,不但可以解决人工选取惩罚参数c和核函数参数g没有相关的理论依据、只能通过人工反复试验选取的问题,而且,还可以优化已建立的支持向量机分类预测模型、提高模型的精确度和泛化能力。
经过PSO粒子群算法优化后的支持向量机分类预测模型计算,根据所述香肠品质输出值判断香肠品质并进行了品质分级预测;可判断香肠为放心食用、可食用、不建议食用和不可食用中的哪一种。如表1所示。
表1对随机抽取的40个样本的预测结果
本发明利用高光谱显微图像及高光谱光谱实验数据,将香肠等级重新划分为4类:可放心食用、可食用、不建议食用和不可食用,这种分类结果既符合国标中对香肠相关指标的界定,也符合日常生活中人们细化品质等级的实际要求。
本发明使用高光谱显微图像及高光谱光谱技术定量分析香肠中的酸价、过氧化值和挥发性盐基氮,使用数字图像处理技术获取微生物菌落总数,将这四种参数作为SVM(PSO粒子群算法优化后的支持向量机分类预测模型)网络的输入信息。这种做法较传统的生化实验,实验操作难度大大降低,试验时间也大大降低。为了增加网络的准确性和计算速度,使用PSO粒子算法进行模型优化,最终达到准确率从97.5%提高到100%,运算时间缩小5.3秒的结果。
本发明具有如下优点:
首次采用高光谱显微图像技术获得香肠微生物菌落总数图像特征信息;首次采用高光谱光谱技术获得香肠内部酸价、过氧化值、挥发性盐基氮光谱特征信息。
首次将获得的香肠微生物菌落总数高光谱显微图像信息,并根据采集同一时刻、同一观测点的香肠高光谱光谱信息作为PSO粒子群算法的支持向量机分类预测模型的输入特征,采取交叉验证(Cross Validation,CV)的方法,获取了支持向量机分类预测香肠品质模型的输出值。
首次将国家香肠品质两个等级标准(超标、未超标)通过支持向量机(Support vector Machine,SVM)智能学习算法,重新细划分为四个等级(放心食用、可食用、不建议食用、不可食用),判断香肠品质并进行品质分级预测。更加便利安全食用。
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。
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。
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,所附的权利要求意思是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 (6)
1.一种香肠品质等级检测方法,其特征在于,包括以下步骤:
同时采集香肠的高光谱显微图像信息及高光谱光谱信息;
将所述香肠高光谱显微图像信息及高光谱光谱信息输入PSO粒子群算法的支持向量机分类预测模型中;
采取交叉验证的方法,获取所述支持向量机分类预测模型的香肠品质输出值;
根据所述香肠品质输出值判断香肠品质并进行品质分级预测。
2.根据权利要求1所述的香肠品质等级检测方法,其特征在于,所述高光谱显微图像信息为香肠的微生物菌落总数高光谱显微图像信息。
3.根据权利要求1所述的香肠品质等级检测方法,其特征在于,通过高光谱显微图像及高光谱光谱信息一体化设备获得香肠的微生物菌落总数显微图像,其中,通过高光谱显微图像及高光谱光谱信息一体化设备中的显微放大1000倍图像采集CCD,Charge Coupled Device电荷藕合器件图像传感器系统来获取微生物菌落总数显微图像,对微生物菌落总数进行计数。
4.根据权利要求1-3任一项所述的香肠品质等级检测方法,其特征在于,所述高光谱光谱信息为采集的与所述高光谱显微图像信息同一时刻、同一观测点的香肠酸价、过氧化值、挥发性盐基氮的高光谱光谱信息。
5.根据权利要求3所述的香肠品质等级检测方法,其特征在于,所述高光谱光谱信息与所述高光谱显微图像信息为采集的香肠同一时刻及同一观测点的信息。
6.根据权利要求4所述的香肠品质等级检测方法,其特征在于,所述香肠的品质分级为放心食用、可食用、不建议食用和不可食用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610217719.XA CN105866063A (zh) | 2016-04-08 | 2016-04-08 | 香肠品质等级检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610217719.XA CN105866063A (zh) | 2016-04-08 | 2016-04-08 | 香肠品质等级检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105866063A true CN105866063A (zh) | 2016-08-17 |
Family
ID=56637337
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610217719.XA Pending CN105866063A (zh) | 2016-04-08 | 2016-04-08 | 香肠品质等级检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105866063A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106198423A (zh) * | 2016-09-12 | 2016-12-07 | 电子科技大学 | 一种基于可见‑近红外光谱分析技术鉴别火腿肠等级的方法 |
CN107403181A (zh) * | 2017-06-01 | 2017-11-28 | 深圳信息职业技术学院 | 基于广式腊肠高光谱图像的瘦肉与肥肉自适应分离的方法 |
CN109295159A (zh) * | 2018-10-26 | 2019-02-01 | 北京工商大学 | 香肠品质智能鉴别方法 |
CN109668859A (zh) * | 2019-03-03 | 2019-04-23 | 西南大学 | 基于svm算法的花椒产地和品种的近红外光谱识别方法 |
CN112285054A (zh) * | 2020-09-08 | 2021-01-29 | 塔里木大学 | 苹果身份识别模型建立方法及系统、身份识别方法及系统 |
Citations (11)
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 |
CN102181514A (zh) * | 2011-03-11 | 2011-09-14 | 中国农业大学 | 快速无损伤检测冷却肉菌落总数的方法 |
CN102323267A (zh) * | 2011-08-10 | 2012-01-18 | 中国农业大学 | 一种快速评价生鲜肉品新鲜度的系统及方法 |
CN102539359A (zh) * | 2011-12-30 | 2012-07-04 | 南京林业大学 | 基于静态高光谱成像系统的肉品品质可视化检测装置 |
US8280144B2 (en) * | 2007-02-21 | 2012-10-02 | Goldfinch Solutions, Llc | System and method for analyzing material properties using hyperspectral imaging |
CN103235095A (zh) * | 2013-04-18 | 2013-08-07 | 北京工商大学 | 注水肉检测方法和装置 |
CN103278464A (zh) * | 2013-04-18 | 2013-09-04 | 北京工商大学 | 鱼肉检测方法和装置 |
CN103776775A (zh) * | 2014-01-27 | 2014-05-07 | 华南理工大学 | 一种安装于冷库中的肉品品质检测装置 |
CN104655586A (zh) * | 2015-02-28 | 2015-05-27 | 华南理工大学 | 基于高光谱数据融合快速非接触监控鱼肉脂肪氧化的方法 |
CN104880427A (zh) * | 2015-05-29 | 2015-09-02 | 华南理工大学 | 一种猪肉产品快速水分检测方法 |
CN105300896A (zh) * | 2015-11-10 | 2016-02-03 | 广东省昆虫研究所 | 一种地沟油高光谱透射快速检测方法 |
-
2016
- 2016-04-08 CN CN201610217719.XA patent/CN105866063A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8280144B2 (en) * | 2007-02-21 | 2012-10-02 | Goldfinch Solutions, Llc | System and method for analyzing material properties using hyperspectral imaging |
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 |
CN102181514A (zh) * | 2011-03-11 | 2011-09-14 | 中国农业大学 | 快速无损伤检测冷却肉菌落总数的方法 |
CN102323267A (zh) * | 2011-08-10 | 2012-01-18 | 中国农业大学 | 一种快速评价生鲜肉品新鲜度的系统及方法 |
CN102539359A (zh) * | 2011-12-30 | 2012-07-04 | 南京林业大学 | 基于静态高光谱成像系统的肉品品质可视化检测装置 |
CN103235095A (zh) * | 2013-04-18 | 2013-08-07 | 北京工商大学 | 注水肉检测方法和装置 |
CN103278464A (zh) * | 2013-04-18 | 2013-09-04 | 北京工商大学 | 鱼肉检测方法和装置 |
CN103776775A (zh) * | 2014-01-27 | 2014-05-07 | 华南理工大学 | 一种安装于冷库中的肉品品质检测装置 |
CN104655586A (zh) * | 2015-02-28 | 2015-05-27 | 华南理工大学 | 基于高光谱数据融合快速非接触监控鱼肉脂肪氧化的方法 |
CN104880427A (zh) * | 2015-05-29 | 2015-09-02 | 华南理工大学 | 一种猪肉产品快速水分检测方法 |
CN105300896A (zh) * | 2015-11-10 | 2016-02-03 | 广东省昆虫研究所 | 一种地沟油高光谱透射快速检测方法 |
Non-Patent Citations (5)
Title |
---|
刘静等: "基于PSO结合SVM的肉品新鲜度判别方法", 《江苏大学学报(自然科学版)》 * |
周令国等: "近红外光谱技术快速检测腊肉酸价和过氧化值", 《肉类研究》 * |
王伟等: "基于高光谱成像的生鲜猪肉细菌总数预测建模方法研究", 《光谱学与光谱分析》 * |
蔡健荣等: "近红外光谱法快速检测猪肉中挥发性盐基氮的含量", 《光学学报》 * |
陶斐斐等: "基于光学技术快速无损伤综合评价猪肉新鲜度的研究", 《农产品质量安全与现代农业发展专家论坛论文集》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106198423A (zh) * | 2016-09-12 | 2016-12-07 | 电子科技大学 | 一种基于可见‑近红外光谱分析技术鉴别火腿肠等级的方法 |
CN106198423B (zh) * | 2016-09-12 | 2019-09-27 | 电子科技大学 | 一种基于可见-近红外光谱分析技术鉴别火腿肠等级的方法 |
CN107403181A (zh) * | 2017-06-01 | 2017-11-28 | 深圳信息职业技术学院 | 基于广式腊肠高光谱图像的瘦肉与肥肉自适应分离的方法 |
CN107403181B (zh) * | 2017-06-01 | 2020-05-12 | 深圳信息职业技术学院 | 基于广式腊肠高光谱图像的瘦肉与肥肉自适应分离的方法 |
CN109295159A (zh) * | 2018-10-26 | 2019-02-01 | 北京工商大学 | 香肠品质智能鉴别方法 |
CN109668859A (zh) * | 2019-03-03 | 2019-04-23 | 西南大学 | 基于svm算法的花椒产地和品种的近红外光谱识别方法 |
CN112285054A (zh) * | 2020-09-08 | 2021-01-29 | 塔里木大学 | 苹果身份识别模型建立方法及系统、身份识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105866063A (zh) | 香肠品质等级检测方法 | |
CN104931470B (zh) | 一种基于荧光高光谱技术的农药残留检测装置及检测方法 | |
CN101881726B (zh) | 植物幼苗综合性状活体无损检测方法 | |
CN103278464B (zh) | 鱼肉检测方法和装置 | |
Shi et al. | Wavelet-based rust spectral feature set (WRSFs): A novel spectral feature set based on continuous wavelet transformation for tracking progressive host–pathogen interaction of yellow rust on wheat | |
CN105181912B (zh) | 一种大米储藏过程中的新鲜度检测方法 | |
CN101806703B (zh) | 一种畜肉细菌总数无损检测方法 | |
CN110082298B (zh) | 一种基于高光谱图像的小麦品种赤霉病综合抗性鉴定方法 | |
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 | |
CN106706546A (zh) | 一种基于红外和拉曼光谱数据的人工智能学习物质分析方法 | |
Mortensen et al. | The use of multispectral imaging and single seed and bulk near-infrared spectroscopy to characterize seed covering structures: Methods and applications in seed testing and research | |
CN104036257A (zh) | 基于d-s理论的多源数据融合柑橘黄龙病检测分类方法 | |
Chen et al. | Fast detection of cumin and fennel using NIR spectroscopy combined with deep learning algorithms | |
CN109765194A (zh) | 基于高光谱成像技术的枸杞子产地识别方法 | |
Sun et al. | Research of moldy tea identification based on RF-RFE-Softmax model and hyperspectra | |
CN104297136B (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 | |
CN105203467B (zh) | 一种通用无损的真菌的生长拟合方法 | |
Zhang et al. | Non-destructive testing of alfalfa seed vigor based on multispectral imaging technology | |
Wang et al. | Colorimetric grading scale can promote the standardization of experiential and sensory evaluation in quality control of traditional Chinese medicines | |
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 | |
CN112700059B (zh) | 一种中药丹参品质评价方法及其应用 | |
Zhang et al. | Identification of jujube trees diseases using neural network | |
CN102042984A (zh) | 药材等级评价方法及系统 | |
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 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160817 |