CN107064021B - 一种基于光谱幅值空间转换的血斑蛋在线无损检测方法 - Google Patents

一种基于光谱幅值空间转换的血斑蛋在线无损检测方法 Download PDF

Info

Publication number
CN107064021B
CN107064021B CN201710245494.3A CN201710245494A CN107064021B CN 107064021 B CN107064021 B CN 107064021B CN 201710245494 A CN201710245494 A CN 201710245494A CN 107064021 B CN107064021 B CN 107064021B
Authority
CN
China
Prior art keywords
egg
blood cake
data
model
signal
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.)
Active
Application number
CN201710245494.3A
Other languages
English (en)
Other versions
CN107064021A (zh
Inventor
祝志慧
汤勇
向英杰
马美湖
王巧华
王树才
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huazhong Agricultural University
Original Assignee
Huazhong Agricultural University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huazhong Agricultural University filed Critical Huazhong Agricultural University
Priority to CN201710245494.3A priority Critical patent/CN107064021B/zh
Publication of CN107064021A publication Critical patent/CN107064021A/zh
Application granted granted Critical
Publication of CN107064021B publication Critical patent/CN107064021B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
    • 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
    • G01N21/84—Systems specially adapted for particular applications
    • 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
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • 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
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
    • G01N21/892—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles characterised by the flaw, defect or object feature examined
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G01N21/84—Systems specially adapted for particular applications
    • G01N2021/8411—Application to online plant, process monitoring
    • 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
    • G01N21/84—Systems specially adapted for particular applications
    • G01N2021/845—Objects on a conveyor
    • 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
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8874—Taking dimensions of defect into account
    • 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
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
    • G01N21/892—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles characterised by the flaw, defect or object feature examined
    • G01N2021/8925—Inclusions
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Textile Engineering (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明涉及鸡蛋品质动态检测技术领域，尤其涉及一种基于光谱幅值空间转换的血斑蛋在线无损检测方法。主要包含以下步骤：通过血斑蛋在线检测系统采集每个鸡蛋样品的光谱透射率获取光谱数据；将光谱数据进行预处理后；为了减少实验过程中速度、批次、仪器和环境的干扰，将预处理后的数据利用LM算法将光谱信号转换至人为指定的幅值空间中，得到转换后的处理数据；建立血斑蛋BP神经网络在线判别模型；检验模型。本发明提供了一种智能化的无损检测方法，提高模型的精度和适用性。整个检测过程是高度自动化和智能化，具有很广阔的市场前景。

Description

一种基于光谱幅值空间转换的血斑蛋在线无损检测方法
技术领域
本发明涉及鸡蛋品质动态检测技术领域，尤其涉及一种基于光谱幅值空间转换的血斑蛋在线无损检测方法。
背景技术
我国是鸡蛋生产消费大国，但是鸡蛋出口率低，分级精度不高，严重影响我国蛋品行业的发展。为了确保进入流通领域的鸡蛋产品质量，迫切要求我们提高鸡蛋分选的技术水平，血斑蛋在线检测是鸡蛋品质分级的必要前提。美国农业部对鸡蛋的质量划分标准中规定鸡蛋中存在血斑且直径不超过0.32厘米(0.13英寸)必须归类为B级。我国关于鸡蛋的分级标准中规定AA级、A级、B级鸡蛋中不能含有血斑，血斑蛋不得进入销售市场。就目前来看，血斑蛋的检测大部分工作都是完全依靠人工完成，检测时间长，效率低下，实现智能化、自动化的鸡蛋内部品质检测仍存在很大困难，因此，研究一种快速的、稳健的在线模型对于实现血斑蛋快速检测以及提高蛋品分级效率具有很大的现实意义和研究价值。
目前，国内外学者利用血值判别法，偏最小二乘,广义马氏距离，最小二乘支持向量机对血斑蛋进行检测，取得一定的研究进展。祝志慧、谢德君等利用多分类器融合的方法提高了血斑蛋检测模型的准确率，但是此方法的实验环境是静态，建立的模型较复杂，不适用于在线检测。此外，关于血斑蛋实时在线检测已鲜有报道。陈猛利用二元逻辑算法取双波段建模实现血斑蛋在线检测，此方法可行，但是试验样本为人工注射血斑蛋，对于天然血斑蛋的检测效果不得而知。李婉清利用CARS算法优选的光谱特征变量建立的贝叶斯判别模型避免了光谱特征变量对模型的影响，但是此方法忽视了光谱信号采集速度与不同批次鸡蛋对模型判别准确率的影响。
因鸡蛋批次和光谱采集速度的不同，存在光谱特征(趋势)相同但图谱幅值不同的情况，影响了算法对样本判断的正确率，为了让算法识别幅值不同但特征(趋势)相同的个体，因此需要提供一种新的检测方法，减少实验过程中速度、批次、仪器和环境的干扰，使模型的适应与推广能力得到加强。
发明内容
本发明的目的是克服国内目前对于血斑蛋在线检测模型通用性低的现状，将原有波段通过移动平均滤波处理去除光谱信号的部分噪声，利用幅值空间转换将不同批次样本与不同速度情况下采集的光谱特征(趋势)相同但图谱幅值不同的光谱信号，线性映射至人为指定的幅值空间中，提高在线检测模型的精度和通用性，提出了一种有效的适用于血斑蛋在线检测的LM算法。
本发明技术方案如下：
一种基于光谱幅值空间转换的血斑蛋在线无损检测方法，主要包含以下步骤：
1)通过血斑蛋在线检测系统采集每个鸡蛋样品的光谱透射率，获取光谱数据；
2)将光谱数据进行滤波处理，将通过滤波处理后的数据按照3:2的原则随机分成训练集和测试集，得到预处理后的数据；
3)将步骤2)预处理后的数据利用LM算法转换空间至人为指定的幅值空间中，得到转换后的处理数据；
4)训练集经步骤3)转换后的处理数据建立血斑蛋BP神经网络在线判别模型；
5)用测试集数据检验步骤4)得到的模型：将测试集的数据选出对应的特征波段代入判别模型中得到预测值，通过与真实值的比较来检验模型的适用性。
优选地，所述步骤1)在线检测系统包括被检测对象鸡蛋，设置有可调光源、玻璃光纤、聚焦透镜、准直透镜、暗箱、光纤光谱仪、光电传感器、计算机、传送带和可编程控制器；
在暗箱内设置传送带，在传送带两托蛋辊中间的上面放置有鸡蛋；
在暗箱的底面中间设置有聚焦透镜，可调光源、玻璃光纤和聚焦透镜依次连接；
在暗箱的顶面中间设置有准直透镜，准直透镜、光纤光谱仪和计算机依次连接；
在传送带中间的侧面设置有光电传感器，光电传感器、可编程控制器和计算机依次连接。
进一步优选地，所述在线检测系统中光谱软件的参数设置如下：积分时间设置为40ms，平均次数设置为3次，平滑宽度设置为3，采集波长300～1000nm，传送机构运行速度在0～10000枚/小时。
优选地，所述步骤2)滤波处理采用移动平均滤波算法对其进行滤波，滤波的目的是降低异常点与随机干扰的影响，减小光谱的波动程度，滤波公式如下：
Figure BDA0001270528670000031
其中S为滤波后的信号，S'为采集的信号，i、j是信号的维度，n为滤波后的阶数；将通过滤波处理后的
数据按照3:2的原则随机分成训练集和测试集。
进一步优选地，所述步骤3)LM算法光谱信号转换空间具体方法如下：
经步骤2)滤波处理后信号为S，变换后为S*，指定特征空间为R，线性变换系数为α与β：
S*＝α·S+β [2]:
衡量变换后的信号S*与指定特征空间的位置相邻程度，引入误差函数
f(α，β)＝S*-R＝α·S+β-R [3]；
衡量误差函数的性能，即最终S*与R的相邻程度的表达式用C表示，引入均方误差函数
Figure BDA0001270528670000032
其中C的值越小，证明S*与R越接近；
求得不同样本的光谱信号S对应的α与β，将光谱信号转换至R附近，得到S*。
更进一步优选地，所述的步骤4)建立血斑蛋BP神经网络在线判别模型方法为：利用全波段500-599nm的100个特征光谱作为特征向量，建立BP神经网络模型，神经网络分类采用具有1个隐含层的3层BP神经网络，输入层神经元用100个特征光谱构成特征向量，输出层采用2个节点，用0、1来分别表示正常蛋和血斑蛋，隐含层节点数为11个，隐含层神经元的激活函数选用tansig()函数，输出层的激活函数选pureline()函数，神经网络的系统参数设置：训练迭代次数为1000，每隔10步显示1次，网络训练的目标值为0.01，学习率为0.1，使用LM算法训练网络，利用上述建立的神经网络进行识别，实现血斑蛋在线无损检测。
优选地，所述步骤5)将不同批次的训练集、检测集和测试集进行比较来检验模型的稳健性和适用性。
本发明有益效果如下：
1、本发明利用光纤光谱技术，通过对传送过程中的鸡蛋样品的光谱透射率数据进行滤波处理，将光谱特征(趋势)相同但图谱幅值不同的光谱信号线性映射至人为指定的幅值空间中，提取全波段中的100个波段点作为输入特征量，从而建立判别模型，实现血斑蛋的在线检测。
2、本发明主要利用海洋光学微型光纤光谱仪，利用在线采集软件实时采集鸡蛋的光谱数据，通过移动平均滤波处理后，利用Levenberg-Marquardt(LM)算法转换光谱透射率幅值空间，将光谱信号线性映射至人为指定的空间中，利用BP神经网络建立了血斑蛋在线判别模型，为鸡蛋品质(血斑)的自动检测分级提供了一种智能化的无损检测方法。整个检测过程是高度自动化和智能化，具有很广阔的市场前景。
3、本方法经移动平均滤波算法滤波处理后，减少了实验过程中因为环境噪声，仪器震动等非人为因素的影响，降低异常点与随机干扰的影响，减小光谱的波动程度。
4、LM空间转换算法能够将光谱特征(趋势)相同但幅值不同的光谱转换至人为指定的幅值空间中，克服不同批次与不同采样速度所造成的光谱透射率的幅值不等问题，提高模型的精度和适用性。
5、利用光学技术，实现了对血斑蛋快速无损鉴别，解决了实际生产中血斑蛋难检测的弊端，提高了蛋品企业的检测效率和质量。
附图说明
图1是血斑蛋在线检测系统示意图；
图2是BP神经网络结构图；
图3血斑蛋在线检测流程图；
图4是正常蛋平均光谱使用LM变换前的图像；
图5是正常蛋平均光谱使用LM变换后的图像；
图6是血斑蛋平均光谱使用LM变换前的图像；
图7是血斑蛋平均光谱使用LM变换后的图像；
图8是随机抽取的一个正常蛋与血斑蛋样本LM变换前的图像；
图9是随机抽取的一个正常蛋与血斑蛋样本LM变换后的图像；
图10是正常蛋出现一个异常值图像；
图11是随机抽取的一个正常蛋极差归一、LM变换后的对比图像；
图12是随机抽取的一个正常蛋最速下降法、LM变换的对比；
图中：0鸡蛋；1可调光源；2玻璃光纤；3聚焦透镜；4准直透镜；5暗箱；6光纤光谱仪；7光电传感器；8计算机；9传送带；10可编程控制器。
具体实施方式
下面结合实施例来进一步说明本发明，但本发明要求保护的范围并不局限于实施例表述的范围。
实施例1
血斑蛋在线检测系统包括被检测对象鸡蛋0，设置有可调光源1、玻璃光纤2、聚焦透镜3、准直透镜4、暗箱5、光纤光谱仪6、光电传感器7、计算机8、传送带9和可编程控制器10；
在暗箱5内设置传送带9，在传送带9两托蛋辊中间的上面放置有鸡蛋0；
在暗箱5的底面中间设置有聚焦透镜3，可调光源1、玻璃光纤2和聚焦透镜3依次连接；
在暗箱5的顶面中间设置有准直透镜4，准直透镜4、光纤光谱仪6和计算机8依次连接；
在传送带9中间的侧面设置有光电传感器7，光电传感器7、可编程控制器10和计算机8依次连接。
可调光源选用的是功率为100W的LS-3000型卤素灯(广州标旗电子有限公司)，其发出的光通过玻璃光纤后，经过聚焦透镜的聚焦，照射至暗箱中的鸡蛋，透射后的光被位于鸡蛋上方的84UV准直镜收集，传输至微型光纤光谱仪USB2000+(美国海洋光学公司)，最后再通过USB数据线连接电脑，获得每个鸡蛋的光谱曲线。采集的数据可利用配套的光谱软件BiaoQiSpecsuite进行存储和处理。其中光谱软件的参数设置如下：积分时间设置为40ms，平均次数设置为3次，平滑宽度设置为3，采集波长300～1000nm，传送机构运行速度在0～10000枚/小时之间可调。
一、结合图3血斑蛋在线检测流程：
1.初始化101
在线采集软件的参数与传送带的参数复位，初始化置零。
2.采集光谱数据102
设置传送带运行速度分别为0、1500、2500枚/小时，通过光谱在线采集软件采集三个批次鸡蛋的透射光谱数据。
3.移动平均滤波103
将全波段(500-599nm)的光谱透射率进行滤波处理，滤波采用的是移动平均滤波算法，滤波的目的是降低异常点与随机干扰的影响，减小光谱的波动程度，滤波公式如下：
Figure BDA0001270528670000061
其中S为滤波后的信号，S'为采集的信号，n为滤波后的阶数，n的值越大，滤波后的图像越光滑。将通过滤波处理后的数据按照3:2的原则随机分成训练集和测试集。
4.LM算法转换空间104
滤波后的光谱透射率由于不同批次与不同采集速度的影响，存在光谱特征(趋势)相同而幅值不同的情况，利用LM算法转换至人为指定的幅值空间中，不同批次与不同采集速度的光谱数据被转换到了一个指定的空间中，保留了正常蛋与血斑蛋的光谱特征，识别幅值不同但特征(趋势)相同的个体。
LM算法光谱信号转换空间具体方法如下：
滤波处理后信号为S，变换后为S*，指定特征空间为R，线性变换系数为α与β：
S*＝α·S+β [2]:
衡量变换后的信号S*与指定特征空间的位置相邻程度，引入误差函数
f(α，β)＝S*-R＝α·S+β-R [3]；
衡量误差函数的性能，即最终S*与R的相邻程度的表达式用C表示，引入均方误差函数
Figure BDA0001270528670000062
其中C的值越小，证明S*与R越接近；
求得不同样本的光谱信号S对应的α与β，将光谱信号转换至R附近，得到S*。
5.建立BP神经网络判别模型105
(1)神经网络结构设计，图3。多层网络在处理模式识别领域的问题时的优点是较容易完成学习目标，更能适应平移、旋转或其他变换的不变性。缺点是：存在着较多的神经元节点和连接权值，因而需要更多的调整与运算，计算量较大，易于陷入局部极小值中。血斑蛋在线检测的主要任务是根据光谱特征区分正常蛋和血斑蛋，属于小分类问题，因而采用具有1个隐含层的3层BP神经网络。
(2)输入层神经元的个数的确定。本研究中，从全波段中选取100个光谱特征点构成输入特征向量。输出层采用2个节点，用0、1来分别表示正常蛋和血斑蛋。
(3)BP网络隐含层节点数的选择是设计的主要问题,节点数过少,不能概括和体现训练集中的样本规律；节点数过多,会出现“过拟合”现象,导致降低网络的泛化能力,同时增加训练时间。根据经验公式：
Figure BDA0001270528670000071
其中m为隐含层节点数，n为输入节点数,l为输出节点数，α为1～10之间的常数。可以确定隐含层节点数的参考值，取m＝11。
(4)激活函数的选择。S型函数是激活函数φ(·)的最佳选择。如logsig()函数，tansig()函数。S型函数一般具有光滑、可微、非线性和饱和等特性，而且导函数φ(·)容易用φ(·)本身来表达，计算简单。本研究中，隐含层神经元的激活函数选用tansig()函数，输出层的激活函数选pureline()函数。
(5)神经网络的参数设置。训练迭代次数为1000，每隔10步显示1次，网络训练的目标值为0.01，学习率为0.1，使用LM算法训练网络。
6.检验模型106
采集的样本有三个批次，分别利用三个批次的样本作为训练样本，另外两个批次的样本作为测试样本，同时，在每个批次的每种类型样本中按照3:2的比例使用满足均匀分布的随机数随机抽取，合并为总训练集，最终使得每个样本的每种类型都以一定的比例混入总训练集中，剩下的样本作为测试样本。表1、表2分别表示利用LM空间转换前后判别模型的准确率。
表1分别使用三个批次样本作为训练样本的模型判别正确率(LM空间转换前)
Figure BDA0001270528670000072
表2分别使用三个批次样本作为训练样本的模型判别正确率(LM空间转换后)
Figure BDA0001270528670000081
对比表1与表2的结果，反映出经过LM算法的转换后，模型在各种样本划分情况下的预测正确率得到了不同程度的提高。尤其是在单独使用一个批次的样本进行训练时，对其他两批样本的预测正确率有了很明显的提高，并且接近了使用所有批次数据进行训练时的判断正确率，说明模型能从一个批次的数据中提取到判别所需要的关键特征，在一定程度上抵抗不同批次本身所造成的影响，证明了模型具有一定的适用性和很强的稳健性。
LM算法变换效果比较：
将每一个光谱信号都变换至同一个指定的特征空间附近，就可以增加模型的辨识能力。线性变换只改变了信号在特征空间中的位置，不会改变信号的趋势。
设信号为S，变换后为S*，指定特征空间为R，线性变换系数为α与β
可得
Figure BDA0001270528670000082
现需要衡量变换后的信号S*与指定特征空间的位置相邻程度
引入误差函数S*＝α·S+β
现需要衡量误差函数的性能，即最终S*与R的相邻程度的表达式用C表示
引入均方误差函数
C的值越小，证明S*与R越接近。
其中n为光谱的长度，此处为100，即波长500-599nm。这里n的值也可以为2，这样求导自然消去常数，方便计算。取哪个值都不影响模型的特性与求解结果。
将均方差函数改进后得到
Figure BDA0001270528670000091
函数C中包含了一个光谱中所有信号点与指定空间R对应点之间的差异程度，因此可以一定程度上消除光谱信号中异常值的干扰。图4、5为正常蛋平均光谱使用LM变换前后的图像。图6、7为血斑蛋平均光谱使用LM变换前后的图像。由4-7可以看出，消除了不同批次样本间的差异，并且一定程度上突出了正常蛋与血斑蛋之间的区别，从图像上看，570-590nm之间是正常蛋与血斑蛋光谱差异较大的地方，这与文献相吻合。
现随机抽取一个正常蛋与血斑蛋样本作为例子，如图8：
正常样本求得：α＝0.1271，β＝-0.4590；血斑样本求得：α＝0.0598，β＝-0.5927；
取两端端点做例子；
正常蛋左端点值为1.7289，变换：1.7289*0.1271-0.4590＝-0.2393，
从图8看出，正常蛋的左端点值就在-0.2393处；
正常蛋右端点值为7.0250，变换：7.0250*0.1271-0.4590＝+0.4339
从图8看出，正常蛋的右端点值就在+0.4339处；
同理血斑蛋左右端点取值分别为4.2161、18.7150
4.2161*0.0598-0.5927＝-0.3406
18.7150*0.0598-0.5927＝+0.5265
观察图9可知，结果一致。中间的信号点变换同理。因中间信号点不好观察，故只取端点进行分析。
此处的α与β仅仅是针对该例子样本而言，不同的样本的光谱信号不同，所以对应的α与β也都不同，但目标都是将光谱信号转换至R附近。
可以消除局部异常点的影响，下面给出证明：
相对于极差归一化这种方法而言，其公式为：
Figure BDA0001270528670000092
与我们的方法一定程度上类似，该方法将信号转换到0-1区间之内，减去0.5即和我们指定的空间相近了。但若光谱信号中存在异常值，不论其成为了最大还是最小值，都会使信号所处的位置受到偏移、压缩、扩大甚至是远离指定的特征空间。
例子如下，还是刚才的样本(正常蛋)：
图10可以看到，存在一个异常值，在540nm附近。使用极差归一化和我们的方法对比如图11：可以看出，虽然存在异常值，但是LM变换后的曲线与没有异常值时的曲线非常接近，而使用极差归一之后的曲线有了明显的偏移，说明我们的变换模型适应性优于传统的方法。
同时我们的模型完全不受影响，依旧将光谱信号转换到了指定的空间，刚才的转换参数为α＝0.1271，β＝-0.4590；
添加异常点之后的转换参数为α＝0.1226，β＝-0.4394；可以看出，参数只有轻微的改变，在小数点两位之后。反观极差归一化，样本信号未能正确的转换至-0.5至0.5的区间之内，完全的偏离了指定的特征空间。
这说明，我们的方法可以消除不同时间、环境、速度所造成的影响，还可以抵抗光谱信号中的异常值的干扰。
通过这个对比，可以看到，线性变换不会改变光谱信号的趋势。不论何种方法，只要是线性变换，都只是改变信号在特征空间中的位置。
选用LM算法的理由，经过试验，LM算法为变换结果最好的一种算法，并且求解速度快，基本上只需要迭代一次即可得出变换参数，反观最速下降法则需要十几次的迭代。并且求解效果不理想。
图12可以看出，最速下降法对该模型进行求解，得到的是一个局部极值解。即它只将样本变换到了指定区间，却没让代价函数C的值趋近于0。可以明显的看出只需要将信号上下翻转即为合理的变换，但是最速下降法无法越过函数位于该处的局部极值，只能得到一个近似解。故求解我们的线性转换模型使用LM算法，既能够满足速度的需求，也能够满足解的精度需求。
对于本发明的限制，本申请中的实施例及实施例中的特征在不冲突的情况下，可以相互任意组合。本发明的保护范围应以权利要求记载的技术方案，包括权利要求记载的技术方案中技术特征的等同替换方案为保护范围。即在此范围内的等同替换改进，也在本发明的保护范围之内。

Claims (5)

1.一种基于光谱幅值空间转换的血斑蛋在线无损检测方法，其特在在于：主要包含以下步骤：
1)通过血斑蛋在线检测系统采集每个鸡蛋样品的光谱透射率，获取光谱数据；
2)将光谱数据进行滤波处理，将通过滤波处理后的数据按照3:2的原则随机分成训练集和测试集，得到预处理后的数据；
3)将步骤2)预处理后的数据利用LM算法转换空间至人为指定的幅值空间中，得到转换后的处理数据；
4)训练集经步骤3)转换后的处理数据建立血斑蛋BP神经网络在线判别模型；
5)用测试集数据检验步骤4)得到的模型：将测试集的数据选出对应的特征波段代入判别模型中得到预测值，通过与真实值的比较来检验模型的适用性；
所述步骤2)滤波处理采用移动平均滤波算法对其进行滤波，滤波公式如下：
其中S为滤波后的信号，S′为采集的信号，i、j是信号的维度，n为滤波后的阶数；将通过滤波处理后的数据按照3:2的原则随机分成训练集和测试集；
所述步骤3)LM算法光谱信号转换空间具体方法如下：
经步骤2)滤波处理后信号为S，变换后为S*，指定特征空间为R，线性变换系数为α与β：
S*＝α·S+β [2]；
衡量变换后的信号S*与指定特征空间的位置相邻程度，引入误差函数
f(α，β)＝S*-R＝α·S+β-R [3]；
衡量误差函数的性能，即最终S*与R的相邻程度的表达式用C表示，引入均方误差函数
Figure FDA0002166942740000012
其中C的值越小，证明S*与R越接近；
求得不同样本的光谱信号S对应的α与β，将光谱信号转换至R附近，得到S*。
2.根据权利要求1所述方法，其特征在于：所述步骤1)在线检测系统包括被检测对象鸡蛋(0)，设置有可调光源(1)、玻璃光纤(2)、聚焦透镜(3)、准直透镜(4)、暗箱(5)、光纤光谱仪(6)、光电传感器(7)、计算机(8)、传送带(9)和可编程控制器(10)；
在暗箱(5)内设置传送带(9)，在传送带(9)两托蛋辊中间的上面放置有鸡蛋(0)；
在暗箱(5)的底面中间设置有聚焦透镜(3)，可调光源(1)、玻璃光纤(2)和聚焦透镜(3)依次连接；
在暗箱(5)的顶面中间设置有准直透镜(4)，准直透镜(4)、光纤光谱仪(6)和计算机(8)依次连接；
在传送带(9)中间的侧面设置有光电传感器(7)，光电传感器(7)、可编程控制器(10)和计算机(8)依次连接。
3.根据权利要求2所述方法，其特征在于，所述在线检测系统中光谱软件的参数设置如下：积分时间设置为40ms，平均次数设置为3次，平滑宽度设置为3，采集波长300～1000nm，传送机构运行速度在0～10000枚/小时。
4.根据权利要求1所述方法，其特征在于，所述的步骤4)建立血斑蛋BP神经网络在线判别模型方法为：利用全波段500-599nm的100个特征光谱作为特征向量，建立BP神经网络模型，神经网络分类采用具有1个隐含层的3层BP神经网络，输入层神经元用100个特征光谱构成特征向量，输出层采用2个节点，用0、1来分别表示正常蛋和血斑蛋，隐含层节点数为11个，隐含层神经元的激活函数选用tansig()函数，输出层的激活函数选pureline()函数，神经网络的系统参数设置：训练迭代次数为1000，每隔10步显示1次，网络训练的目标值为0.01，学习率为0.1，使用LM算法训练网络，利用上述建立的神经网络进行识别，实现血斑蛋在线无损检测。
5.按权利要求1所述方法，其特征在于：所述步骤5)将不同批次的训练集、检测集和测试集进行比较来检验模型的稳健性和适用性。
CN201710245494.3A 2017-04-14 2017-04-14 一种基于光谱幅值空间转换的血斑蛋在线无损检测方法 Active CN107064021B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710245494.3A CN107064021B (zh) 2017-04-14 2017-04-14 一种基于光谱幅值空间转换的血斑蛋在线无损检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710245494.3A CN107064021B (zh) 2017-04-14 2017-04-14 一种基于光谱幅值空间转换的血斑蛋在线无损检测方法

Publications (2)

Publication Number Publication Date
CN107064021A CN107064021A (zh) 2017-08-18
CN107064021B true CN107064021B (zh) 2019-10-15

Family

ID=59599529

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710245494.3A Active CN107064021B (zh) 2017-04-14 2017-04-14 一种基于光谱幅值空间转换的血斑蛋在线无损检测方法

Country Status (1)

Country Link
CN (1) CN107064021B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020148620A (ja) * 2019-03-13 2020-09-17 株式会社ナベル 卵分類装置、卵分類方法及びコンピュータプログラム
JP7193847B2 (ja) * 2019-03-13 2022-12-21 株式会社ナベル 卵分類装置、卵分類方法及びコンピュータプログラム
CN111802281B (zh) * 2020-07-21 2022-03-11 华中农业大学 孵前种鸭蛋中受精蛋的光纤光谱分级检测装置及其方法
CN118032711A (zh) * 2024-04-12 2024-05-14 华夏天信传感科技(大连)有限公司 一种激光气体传感器的信号控制方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101413928A (zh) * 2008-11-14 2009-04-22 江苏大学 基于声学特性的禽蛋裂纹快速在线无损检测装置及方法
CN103489038A (zh) * 2013-09-09 2014-01-01 国家电网公司 基于lm-bp神经网络的光伏超短期功率预测方法
CN103792246A (zh) * 2014-02-20 2014-05-14 北京农业质量标准与检测技术研究中心 一种基于lm-bp神经网络的x射线荧光光谱定量分析方法
CN105023043A (zh) * 2015-07-23 2015-11-04 杭州师范大学 一种基于aod的杭州地区pm2.5反演模型
CN105093207A (zh) * 2015-07-10 2015-11-25 南京大学 基于优化lm算法的激光雷达波形分解的方法
CN105911000A (zh) * 2016-04-15 2016-08-31 华中农业大学 基于特征波段的血斑蛋在线检测方法
CN106500671A (zh) * 2016-09-22 2017-03-15 天津大学 一种基于lm算法分解激光雷达波形确定海水深度的方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101413928A (zh) * 2008-11-14 2009-04-22 江苏大学 基于声学特性的禽蛋裂纹快速在线无损检测装置及方法
CN103489038A (zh) * 2013-09-09 2014-01-01 国家电网公司 基于lm-bp神经网络的光伏超短期功率预测方法
CN103792246A (zh) * 2014-02-20 2014-05-14 北京农业质量标准与检测技术研究中心 一种基于lm-bp神经网络的x射线荧光光谱定量分析方法
CN105093207A (zh) * 2015-07-10 2015-11-25 南京大学 基于优化lm算法的激光雷达波形分解的方法
CN105023043A (zh) * 2015-07-23 2015-11-04 杭州师范大学 一种基于aod的杭州地区pm2.5反演模型
CN105911000A (zh) * 2016-04-15 2016-08-31 华中农业大学 基于特征波段的血斑蛋在线检测方法
CN106500671A (zh) * 2016-09-22 2017-03-15 天津大学 一种基于lm算法分解激光雷达波形确定海水深度的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于列文伯格-马夸尔特-反向传播人工神经网络的X射线荧光光谱定量分析方法;李芳 等;《食品安全质量检测学报》;20160331;第7卷(第3期);第1152-1157页 *

Also Published As

Publication number Publication date
CN107064021A (zh) 2017-08-18

Similar Documents

Publication Publication Date Title
CN107064021B (zh) 一种基于光谱幅值空间转换的血斑蛋在线无损检测方法
Makky et al. Development of an automatic grading machine for oil palm fresh fruits bunches (FFBs) based on machine vision
Zhao et al. Identification of egg’s freshness using NIR and support vector data description
Lorente et al. Selection of optimal wavelength features for decay detection in citrus fruit using the ROC curve and neural networks
Zhang et al. Applications of computer vision techniques to cotton foreign matter inspection: A review
CN1995987B (zh) 基于高光谱图像技术的农畜产品无损检测方法
CN104280349A (zh) 一种基于高光谱图像对白萝卜糠心鉴定的方法
CN113310936A (zh) 四种高温灭菌商品牛奶的快速鉴定方法
CN105092579A (zh) 一种芒果品质无损检测设备
Rafiq et al. Application of computer vision system in food processing
Chen et al. Transportable spectrophotometer system for on-line classification of poultry carcasses
CN110826552A (zh) 基于深度学习的葡萄无损自动检测装置及其方法
Chao et al. Color image classification systems for poultry viscera inspection
Xu et al. Nondestructive detection of total soluble solids in grapes using VMD‐RC and hyperspectral imaging
CN105911000B (zh) 基于特征波段的血斑蛋在线检测方法
Calixto et al. Development of a computer vision approach as a useful tool to assist producers in harvesting yellow melon in northeastern Brazil
CN113310937A (zh) 高温灭菌牛奶、巴氏杀菌奶牛鲜奶及奶粉复原牛奶的快速鉴定方法
Park et al. Intensified multispectral imaging system for poultry carcass inspection
Kavdır et al. Classification of olives using FT-NIR spectroscopy, neural networks and statistical classifiers
García-Allende et al. New raw material discrimination system based on a spatial optical spectroscopy technique
Chao et al. Analysis of Vis/NIR spectral variations of wholesome, septicemia, and cadaver chicken samples
Sun et al. A novel method for multi-feature grading of mango using machine vision
Chao et al. A spectroscopic system for high-speed inspection of poultry carcasses
Lv et al. Identification of less-ripen, ripen, and over-ripen grapes during harvest time based on visible and near-infrared (Vis-NIR) spectroscopy
Finney et al. Inspection of ceramic tableware for quality control using a neural network vision system

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant