CN107907500A - 一种羊肉产地的检测方法 - Google Patents
一种羊肉产地的检测方法 Download PDFInfo
- Publication number
- CN107907500A CN107907500A CN201710977247.2A CN201710977247A CN107907500A CN 107907500 A CN107907500 A CN 107907500A CN 201710977247 A CN201710977247 A CN 201710977247A CN 107907500 A CN107907500 A CN 107907500A
- Authority
- CN
- China
- Prior art keywords
- mutton
- place
- spectroscopic data
- model
- checked
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 35
- 238000001514 detection method Methods 0.000 title claims abstract description 15
- 238000001228 spectrum Methods 0.000 claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 55
- 238000004458 analytical method Methods 0.000 claims abstract description 35
- 238000004611 spectroscopical analysis Methods 0.000 claims abstract description 21
- 235000013372 meat Nutrition 0.000 claims abstract description 9
- 238000005516 engineering process Methods 0.000 claims abstract description 6
- 239000000284 extract Substances 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims abstract description 5
- 241001269238 Data Species 0.000 claims abstract description 3
- 238000010606 normalization Methods 0.000 claims description 11
- 241001494479 Pecora Species 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 7
- 230000003595 spectral effect Effects 0.000 claims description 7
- 210000003205 muscle Anatomy 0.000 claims description 5
- 238000006073 displacement reaction Methods 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 4
- 229910052736 halogen Inorganic materials 0.000 claims description 3
- 150000002367 halogens Chemical class 0.000 claims description 3
- 210000003141 lower extremity Anatomy 0.000 claims description 3
- 150000003839 salts Chemical class 0.000 claims description 3
- WFKWXMTUELFFGS-UHFFFAOYSA-N tungsten Chemical compound [W] WFKWXMTUELFFGS-UHFFFAOYSA-N 0.000 claims description 3
- 229910052721 tungsten Inorganic materials 0.000 claims description 3
- 239000010937 tungsten Substances 0.000 claims description 3
- 238000010239 partial least squares discriminant analysis Methods 0.000 abstract 1
- 230000003044 adaptive effect Effects 0.000 description 16
- 230000002860 competitive effect Effects 0.000 description 11
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 description 10
- 238000012360 testing method Methods 0.000 description 8
- 238000012795 verification Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000012216 screening Methods 0.000 description 6
- 238000002790 cross-validation Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 102000004169 proteins and genes Human genes 0.000 description 4
- 108090000623 proteins and genes Proteins 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000000985 reflectance spectrum Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 235000015277 pork Nutrition 0.000 description 2
- 238000002203 pretreatment Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 241000894007 species Species 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 101100545096 Bacillus subtilis (strain 168) yxiE gene Proteins 0.000 description 1
- 102220609776 Nuclear protein MDM1_N17E_mutation Human genes 0.000 description 1
- 235000015278 beef Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000001256 tonic effect Effects 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
- 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
- G01N21/3554—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for determining moisture content
-
- 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
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种羊肉产地的检测方法，涉及肉类检测技术领域。本发明方法包括：采用高光谱成像技术采集待检羊肉的原始光谱图像，提取原始光谱图像的光谱数据，对所述光谱数据进行处理得到处理后的光谱数据；利用处理后的光谱数据建立偏最小二乘‑判别分析(PLS‑DA)模型，根据模型对所述待检羊肉的高光谱数据进行预测分析；所述高光谱数据包含羊肉蛋白质含量信息、脂肪含量信息及水分含量信息；将不同产地羊肉具有的不同高光谱数据作为参照高光谱数据，对比所述待检羊肉的处理后的光谱数据与所述参照高光谱数据，得到所述待检羊肉的产地信息。本发明方法在鉴定羊肉产地时准确率高且具有科学依据，具有一定经济价值。
Description
技术领域
本发明涉及肉类检测领域，尤其涉及一种羊肉产地的检测方法。
背景技术
羊肉营养丰富，肉质鲜美，为全世界普遍食用的肉品之一。在中国更受欢迎，羊肉较猪肉的肉质要嫩，较猪肉和牛肉的脂肪、胆固醇含量少。它既能御风寒，又可补身体，最适宜于冬季食用，常被称为冬令补品，深受人们欢迎。
不同类型的羊肉中蛋白质、脂肪及水分等具有一定差异。羊肉的质地与其生长环境如气候、土壤和水质等密切相关，会导致羊肉的化学成分(蛋白质、脂肪及水分)的结构和含量存在一定差异，这种差异从外观上很难辨别。因此，消费者无法从外观判断羊肉质地，甚至质检人员也较难鉴定出羊肉的质地与产地，消费者对羊肉的实际肉质和口感同样有不同的需求，这些原因导致市场上不同产地的羊肉价格千差万别。现行方法主要通过从业人员的经验判断羊肉质地与产地，但这种方法仅是主观经验，缺乏科学依据和准确性。
因此，在羊肉行业需要寻找一种可科学且准确鉴定羊肉产地的方法，以便用于冷却羊肉产地溯源和质检部门对羊肉的产地鉴定。
发明内容
有鉴于此，本发明实施例提供了一种羊肉产地的检测方法，主要目的是解决不能准确科学鉴定羊肉产地的问题。
为达到上述目的，本发明主要提供了如下技术方案：
一方面，本发明实施例提供了一种羊肉产地的检测方法，所述方法包括以下步骤：
采用高光谱成像技术采集待检羊肉的原始光谱图像，提取原始光谱图像的光谱数据，对所述光谱数据进行处理得到处理后的光谱数据；
利用处理后的光谱数据建立偏最小二乘-判别分析(PLS-DA)模型，根据模型对所述待检羊肉的高光谱数据进行预测分析；所述高光谱数据包含羊肉蛋白质含量信息、脂肪含量信息及水分含量信息；
将不同产地羊肉具有的不同高光谱数据作为参照高光谱数据，对比所述待检羊肉的处理后的光谱数据与所述参照高光谱数据，得到所述待检羊肉的产地信息。
作为优选，所述不同产地为宁夏盐池、银川或固原。
作为优选，所述待检羊肉的获取方法：羊被屠宰后，取羊后腿肌肉并去除肌肉表面脂肪和肌膜。
作为优选，所述对所述原始光谱图像进行处理的具体过程为：
对所述原始光谱图像进行黑白校正得到校正后光谱图像；
采用面积归一化法对所述校正后光谱图像进行预处理得到预处理后光谱图像；
采用最优特征波长与所述预处理后光谱图像建立偏最小二乘-判别分析模型。
作为优选，所述高光谱成像采用近红外高光谱成像系统，所述系统由高光谱成像仪、CCD相机、卤钨灯及电控位移平台组成；
所述近红外高光谱成像系统的光谱波长为900nm-1700nm，光谱分辨率为3nm，波段数为256。
作为优选，所述最优特征波长分别为：924.6，927.5，966.3，984.2，1002，1005，1008，1011，1049.7，1052.7，1055.7，1067.6，1070.6，1079.5，1154.1，1160，1163，1177.9，1183.9，1198.8，1213.7，1216.6，1219.6，1222.6，1225.6，1228.6，1231.5，1288.2，1297.1，1303.1，1312，1315，1320.9，1323.9，1392.5，1401.4，1505.7，1663.7，1675.6，1678.6nm，单位均为nm。
与现有技术相比，本发明的有益效果是：
本发明针对不能准确科学鉴定羊肉产地的技术问题，采用高光谱成像技术对待检测羊肉进行产地鉴别，检测结果准确且科学，具有一定商业价值。
附图说明
图1是本发明实施例提供的原始光谱交叉验证中不同主成分数与错误率的曲线关系图；
图2是本发明实施例提供的连续投影算法(SPA)中不同有效波长数与验证均方根误差(RMSECV)的曲线关系图；
图3是本发明实施例提供的竞争性正自适应加权算法(CARS)中不同有效波长数与验证均方根误差(RMSECV)曲线关系图；
图4是羊肉产地鉴别的竞争性正自适应加权算法(CARS)特征波长筛选过程；(a是变量筛选过程与特征波长数的关系图，b是变量筛选过程与交互验证错误率的关系图，c是筛选过程中波长变量回归系数变化趋势图)
图5是本发明实施例提供的无信息变量消除法(UVE)中偏最小二乘(PLS)主成分数为7时无信息变量消除法(UVE)的稳定性分布曲线图；
图6是本发明实施例提供的全光谱交互验证的错误率与K值大小的分布图。
具体实施方式
为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下以较佳实施例，对依据本发明申请的具体实施方式、技术方案、特征及其功效，详细说明如后。下述说明中的多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
实施例1
材料：实验羊选自宁夏的盐池、银川、固原；羊被屠宰后，取羊后腿肌肉，用手术刀片去除样本表面的脂肪和肌膜，整形切块，肉样大小约为20mm×30mm×10mm，盐池羊肉为1号，银川羊肉为2号，固原羊肉为3号，各取75份作为样本，共225个，用密封袋密封，备用；
仪器：近红外高光谱成像系统(900-1700nm，光谱分辨率3nm，256个波段)，该系统由高光谱成像仪(Imspector N17E)、CCD相机(Zelos-285GV)、卤钨灯(SIA-LS-TDIF)、电控位移平台(PSA200-11-X)组成；
具体操作方法：
调整高光谱仪器最佳参数：为保证采集到的图像清晰不失真，在进行正式采集前先做了预备实验以将成像光谱仪的参数调至最佳条件；其曝光时间设为10ms，物镜高度定为385mm，电控位移平台速度为15mm/s；
采集高光谱图像：利用上述调整好的高光谱成像系统采集225份样品的原始高光谱图像；
由于光源在各波段下强度分布不均匀及箱体中暗电流存在会导致图像光谱中含有较大的噪声；因此要对高光谱图像进行黑白校正，以消除噪声的影响，黑白校正公式为：
其中，I为校正后的漫反射光谱图像；R为样本原始的漫反射光谱图像；D为暗图像；W为白板的漫反射图像；获得样本高光谱图像后，利用ENVI 4.6软件选取整块肉作为感兴趣区域(Region of Interest，ROI)，计算出每张ROI的平均反射光谱，并将其作为该样本的原始反射光谱，即75个1号样本原始反射光谱，75个2号样本原始反射光谱，75个3号样本原始反射光谱。
确定最优预处理方法：常用预处理方法包括SG卷积平滑(SG-smoothing)、面积归一化法(Area-Normalization)、标准正态变换(SNV)和多元散射校正(MSC)，通过建立偏最小二乘-判别分析(PLS-DA)模型以及模型反应的结果筛选最优预处理方法；在建立模型之前，首先需找到最佳主成分数。
最佳主成分数的判断方法：设定最大主成分数20、数据不缩放、交叉验证组数为10，原始反射光谱的交互验证的错误率随主成分数的变化结果如图1所示，根据交叉验证中的错误率对应的主成分数(原始反射光谱中，主成分数为16时，校正模型的错误率最低)确定为最佳；
以上述同样的方法找到其他预处理方法的最佳主成分数，并建立对应的偏最小二乘-判别分析(PLS-DA)模型，根据模型反应的结果确定最优预处理方法，模型统计结果如表1所示。
表1.不同预处理方法下的对羊肉产地鉴别的偏最小二乘-判别分析(PLS-DA)模型
从表1可以看出，将所有羊肉样本当成校正集，经过上述4种预处理方法建立的偏最小二乘-判别分析(PLS-DA)模型校正模型的最小的错误率均低于原始光谱建立的偏最小二乘-判别分析(PLS-DA)模型，说明预处理后所建立的偏最小二乘-判别分析(PLS-DA)模型稳定性较好；但经过SG卷积平滑(SG-smoothing)、标准正态变换(SNV)和多元散射校正(MSC)预处理后建立的偏最小二乘-判别分析(PLS-DA)模型准确率均小于0.93明显低于原始光谱偏最小二乘-判别分析(PLS-DA)模型，然而经过面积归一化法(Area-Normalization)预处理建立的偏最小二乘-判别分析(PLS-DA)模型的准确率为0.9333略小于原始光谱偏最小二乘-判别分析(PLS-DA)模型的0.9378，且经过面积归一化法(Area-Normalization)预处理的偏最小二乘-判别分析(PLS-DA)模型最优主成分数为12低于原始光谱(16)，进一步说明该模型优于原始光谱的偏最小二乘-判别分析(PLS-DA)模型，故选择面积归一化法(Area-Normalization)方法对原始反射光谱数据进行预处理；即最优预处理方法为面积归一法。本发明的光谱预处理是在The Unscrambler X 10.4上实现，其余算法在Matlab R2014a上完成。
羊肉样本划分：采用SPXY(Sample Set Partitioning Based on Joint X-Ydistance)方法对225个样本按照大约3:1的比例划分成样本校正集和样本预测集，用于建立校正模型和验证预测模型，划分结果如表2所示。
表2.羊肉样本划分结果
确定最优特征波长：由于全光谱包含所有光谱信息，数据量大、信息冗余且存在共线性变量，以全光谱建模会增加建模的复杂度，降低计算速度，影响建模效果。
本发明选用连续投影算法(Successive Projection Algorithm，SPA)、竞争性正自适应加权算法(Competitive Adaptive Reweighted Sampling，CARS)和无信息变量消除法(Uninformative Variable Elimination，UVE)选取特征波长。
连续投影算法(SPA)法：先应用连续投影算法(SPA)选取波长数时，设置选取波长数范围是1-25，数据不缩放，计算每个变量数下的验证均方根误差(RMSECV)，根据验证均方根误差(RMSECV)最小确定最佳特征波长数，不同波长数下的验证均方根误差(RMSECV)值如图2所示，可见当波长数为17时，验证均方根误差(RMSECV)最小，故确定经连续投影算法(SPA)提取的特征波长数为17，提取出的特征波长依次为(单位nm)：924.6，927.5，930.5，933.5，936.5，939.5，945.4，951.4，960.3，987.2，996.1，1008.0，1046.8，1124.3，1151.1，1297.1，1675.6nm；
竞争性正自适应加权算法(CARS)：在应用竞争性正自适应加权算法(CARS)提取之前，首先确定偏最小二乘(PLS)模型中最优主成分数，设置最大主成分数20，蒙特卡洛采样次数1000，从总样本中提取3/4作为校正集，得到不同主成分数下的验证均方根误差(RMSECV)值，结果如图3所示；从图中可知，当主成分数为7的时候，验证均方根误差(RMSECV)值最小(0.5447)，故最优主成分数为7；
设定竞争性正自适应加权算法(CARS)参数：蒙特卡洛采样次数为1000，主成分数为7，交叉验证组数为10。对全波段样本光谱进行筛选，羊肉产地鉴别筛选过程见图4-a。结果表明，随着蒙特卡洛次数的增加，被挑选的波长数逐渐下降，下降趋势由快变慢，体现了波长变量筛选的粗选与精选。图4-b为变量筛选过程中交互验证错误率的变化趋势。结果显示，交互验证错误率随着筛选过程的进行先下降后上升，蒙特卡洛(MC)采样次数为36-61时，交互验证错误率均为0.5171且最小，MC采样次数继续增加后，交互验证错误率随挑选变量数减少而增大；再结合筛选过程中波长变量回归系数变化趋势(见图4-c)，“*”所对应的位置为36次蒙特卡洛(MC)采样，所以应用竞争性正自适应加权算法(CARS)方法在蒙特卡洛(MC)采样为36次时，交互验证错误率最小，挑选出40个特征波长(单位nm)，分别为：924.6，927.5，966.3，984.2，1002，1005，1008，1011，1049.7，1052.7，1055.7，1067.6，1070.6，1079.5，1154.1，1160，1163，1177.9，1183.9，1198.8，1213.7，1216.6，1219.6，1222.6，1225.6，1228.6，1231.5，1288.2，1297.1，1303.1，1312，1315，1320.9，1323.9，1392.5，1401.4，1505.7，1663.7，1675.6，1678.6nm。
无信息变量消除法(UVE)：首先根据偏最小二乘(PLS)交互验证模型中验证均方根误差(RMSECV)最小确定偏最小二乘(PLS)的最佳主成分数，本发明中当主成分数为7时，验证均方根误差(RMSECV)最小，因此将主成分确定为7。设定交互验证组数为25，随机波长数为256，运行无信息变量消除法(UVE)计算256个输入变量的稳定性结果如图5所示。图中竖线左侧为256个光谱变量，右边为256个随机变量。两条水平虚线为变量选择阈值(10.20)，阈值的选择标准为随机变量稳定性最大绝对值的99％。两条虚线之间的信息被认定是无用信息，两条虚线外的被认定是有用信息，其对应的波长被挑选出来。最终，应用无信息变量消除法(UVE)共选出121个特征波长，这些波长主要分布在999.1-1401.5nm，1502.8-1562.4nm，1633.9-1678.6nm区间。
根据原始反射光谱数据和上述确定的最优预处理方法标准正态变换(SNV)，分别建立全波段光谱(Full Spectrum，FS)和上述3种方法各提取的多个特征波长，分别建立偏最小二乘-判别分析(PLS-DA)和K-最近邻分类算法(KNN)的羊肉产地鉴别模型。
KNN建模：K-最近邻分类算法(KNN)是通过测量不同特征值之间的距离进行分类，它的思路是：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。K通常是不大于20的整数。K-最近邻分类算法(KNN)算法中，所选择的邻居都是已经正确分类的对象。该方法在定类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。就是在训练集中数据和标签已知的情况下，输入测试数据，将测试数据的特征与训练集中对应的特征进行相互比较，找到训练集中与之最为相似的前K个数据，则该测试数据对应的类别就是K个数据中出现次数最多的那个分类，其算法的描述为：
1)计算测试数据与各个训练数据之间的距离；
2)按照距离的递增关系进行排序；
3)选取距离最小的K个点；
4)确定前K个点所在类别的出现频率；
5)返回前K个点中出现频率最高的类别作为测试数据的预测分类。
KNN建模结果如图6所示，在运行K-最近邻分类算法(KNN)算法时，首先选择合适的K值，K值大小影响模型的稳定性和预测能力。选择交互验证最低错误率对应的K值，由图6可知，选择K＝4建立K-最近邻分类算法(KNN)模型。以同样的方法确定竞争性正自适应加权算法(CARS)、连续投影算法(SPA)、无信息变量消除法(UVE)确定的特征波长的K值分别为5、6、5，分别建立对应的K-最近邻分类算法(KNN)模型，结果统计如表3。
表3.K-最近邻分类算法(KNN)模型结果
从表3可以看出，基于全光谱和特征波长提取方法建立的K-最近邻分类算法(KNN)模型中校正集的正确率均小于80％，预测集正确率均小于70％，说明模型稳定性和预测能力较差。对比全光谱和特征波长建立的K-最近邻分类算法(KNN)模型发现，连续投影-K最近邻分类(SPA-KNN)和无信息变量消除-K最近邻分类(UVE-KNN)的模型效果明显逊于全波段-K最近邻分类(FS-KNN)模型，而竞争性正自适应加权-K最近邻分类(CARS-KNN)模型校正集正确率为0.7083较连续投影-K最近邻分类(SPA-KNN)、无信息变量消除-K最近邻分类(UVE-KNN)模型略小于全波段-K最近邻分类(FS-KNN)模型，且预测集正确率为0.6842大于全波段-K最近邻分类(FS-KNN)模型，说明竞争性正自适应加权-K最近邻分类(CARS-KNN)模型稳定性略差于全波段-K最近邻分类(FS-KNN)模型，但模型预测能力优于全波段-K最近邻分类(FS-KNN)模型。因此，竞争性正自适应加权算法(CARS)特征波长提取方法优于连续投影算法(SPA)和无信息变量消除算法(UVE)，得到的40个特征波长包含了大量的有用信息，可以代替全光谱建模。
偏最小二乘-判别分析(PLS-DA)建模：首先确定最优主成分数，选择验证均方根误差(RMSECV)最小时对应的主成分数确定为最优。本发明建立偏最小二乘-判别分析(PLS-DA)模型时，确定参数：数据不缩放、交叉验证组数为10。应用竞争性正自适应加权(CARS)、连续投影(SPA)、无信息变量消除(UVE)方法挑选特征波长建立偏最小二乘-判别分析(PLS-DA)羊肉产地鉴别模型并与全光谱对比，模型效果统计如表4。
表4.偏最小二乘-判别分析(PLS-DA)模型结果
从表4可以看出，在3种特征波长提取方法中，连续投影(SPA)方法提取的特征波长17个为最少，连续投影-偏最小二乘-判别分析(SPA-PLS-DA)模型主成分数为8低于全波段-偏最小二乘-判别分析(FS-PLS-DA)模型，说明通过连续投影(SPA)方法确实降低了模型的复杂性，但其校正集、预测集准确率分别为0.7798、0.6667，明显低于全波段-偏最小二乘-判别分析(FS-PLS-DA)模型，说明连续投影(SPA)方法剔除了过多变量信息，其中包括部分有用信息；经过无信息变量消除(UVE)提取出121个特征波长，保留的变量较多，无信息变量消除-偏最小二乘-判别分析(UVE-PLS-DA)模型主成分数为12略低于全波段-偏最小二乘-判别分析(FS-PLS-DA)模型，但其校正集、预测集准确率明显低于全波段-偏最小二乘-判别分析(FS-PLS-DA))模型，说明该模型保留了部分无用信息，筛选能力不强；经过竞争性正自适应加权(CARS)方法挑选出40个特征波长，就数量上而言对全光谱起到了降维的作用，虽然竞争性正自适应加权-偏最小二乘-判别分析(CARS-PLS-DA)模型的校正集为0.9048低于全波段-偏最小二乘-判别分析(FS-PLS-DA)模型的0.9405，预测集准确率为0.8421略低于全波段-偏最小二乘-判别分析(FS-PLS-DA)模型的0.8596，说明竞争性正自适应加权-偏最小二乘-判别分析(CARS-PLS-DA)模型的准确性稍差，但是其最佳主成分数为10小于全波段-偏最小二乘-判别分析(FS-PLS-DA)模型(13)，通常情况下模型主成分数越小，模型越稳定，所以综合考虑模型的稳定性和准确性，确定竞争性正自适应加权(CARS)特征波长提取方法较好，提取得到的特征波长能代表全光谱建立偏最小二乘-判别分析(PLS-DA)模型，该结果和采用K-最近邻分类算法(KNN)建模方法得到的最优特征波长结论一致。采用该最优特征波长可达到减少模型的复杂性，提高建模速度的目的。
本发明的最优特征波长分别为：924.6，927.5，966.3，984.2，1002，1005，1008，1011，1049.7，1052.7，1055.7，1067.6，1070.6，1079.5，1154.1，1160，1163，1177.9，1183.9，1198.8，1213.7，1216.6，1219.6，1222.6，1225.6，1228.6，1231.5，1288.2，1297.1，1303.1，1312，1315，1320.9，1323.9，1392.5，1401.4，1505.7，1663.7，1675.6，1678.6nm。
本发明的检测方法采用最优预处理方法(面积归一法)对上述原始反射光谱进行预处理得到预处理后反射光谱数据，以最优特征波长代替全光谱建立偏最小二乘-判别分析(PLS-DA)模型，校正集准确率是在建立鉴别模型时，划分的校正集中正确产地的样本数占总产地样本数的比例为90.48％，表明此鉴别模型可靠，预测正确率是利用模型预测预测集样本时，预测样品正确的产地个数占总预测样品个数的84.21％，说明预测效果较好，可以实现对未知样品的产地预测。
本发明采用高光谱成像技术对待检测羊肉进行产地鉴别，所采集到的高光谱数据包含了羊肉的大量化学信息，例如：蛋白质、脂肪、含水率等，因为不同生长环境的羊肉从外观虽然很难辨别，但其所处的生长环境(气候、土壤、水质)有所不同，会导致主要化学成分(蛋白质、脂肪、水分等)的结构和含量存在一定差异，这种差异都会在高光谱上得到反映；本发明根据高光谱数据的不同可以鉴定未知羊肉的产地，且其检测结果准确科学，具有一定商业价值。
本发明实施例中未尽之处，本领域技术人员均可从现有技术中选用。
以上公开的仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以上述权利要求的保护范围为准。
Claims (6)
1.一种羊肉产地的检测方法，其特征在于，所述方法包括：
采用高光谱成像技术采集待检羊肉的原始光谱图像，提取原始光谱图像的光谱数据，对所述光谱数据进行处理得到处理后的光谱数据；
利用所述处理后的光谱数据建立偏最小二乘-判别分析模型，根据模型对所述待检羊肉的高光谱数据进行预测分析；所述高光谱数据包含羊肉蛋白质含量信息、脂肪含量信息及水分含量信息；
将不同产地羊肉具有的不同高光谱数据作为参照高光谱数据，对比所述待检羊肉的处理后的光谱数据与所述参照高光谱数据，得到所述待检羊肉的产地信息。
2.根据权利要求1所述的一种羊肉产地的检测方法，其特征在于，所述不同产地为宁夏盐池、银川或固原。
3.根据权利要求1所述的一种羊肉产地的检测方法，其特征在于，所述待检羊肉的获取方法：羊被屠宰后，取羊后腿肌肉并去除肌肉表面脂肪和肌膜。
4.根据权利要求1所述的一种羊肉产地的检测方法，其特征在于，所述对所述原始光谱图像进行处理的具体过程为：
对所述原始光谱图像进行黑白校正得到校正后光谱图像；
对校正后光谱图像提取光谱数据；
采用面积归一化法对所述光谱数据进行预处理得到预处理后光谱数据；
采用最优特征波长与所述预处理后光谱数据建立偏最小二乘-判别分析模型。
5.根据权利要求1所述的一种羊肉产地的检测方法，其特征在于，所述高光谱图像采集采用近红外高光谱成像系统，所述系统由高光谱成像仪、CCD相机、卤钨灯及电控位移平台组成；
所述近红外高光谱成像系统的光谱波长为900nm-1700nm，光谱分辨率为3nm，波段数为256。
6.根据权利要求1所述的一种羊肉产地的检测方法，其特征在于，所述最优特征波长分别为：924.6，927.5，966.3，984.2，1002，1005，1008，1011，1049.7，1052.7，1055.7，1067.6，1070.6，1079.5，1154.1，1160，1163，1177.9，1183.9，1198.8，1213.7，1216.6，1219.6，1222.6，1225.6，1228.6，1231.5，1288.2，1297.1，1303.1，1312，1315，1320.9，1323.9，1392.5，1401.4，1505.7，1663.7，1675.6，1678.6nm，单位均为nm。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710977247.2A CN107907500B (zh) | 2017-10-19 | 2017-10-19 | 一种羊肉产地的检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710977247.2A CN107907500B (zh) | 2017-10-19 | 2017-10-19 | 一种羊肉产地的检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107907500A true CN107907500A (zh) | 2018-04-13 |
| CN107907500B CN107907500B (zh) | 2021-07-02 |
Family
ID=61841558
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710977247.2A Active CN107907500B (zh) | 2017-10-19 | 2017-10-19 | 一种羊肉产地的检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107907500B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109460847A (zh) * | 2018-08-30 | 2019-03-12 | 昆明理工大学 | 一种基于最邻近结点算法的风速预测方法 |
| CN109632696A (zh) * | 2018-12-13 | 2019-04-16 | 宜宾学院 | 一种识别药物片剂来源的低成本近红外光谱方法 |
| CN109916990A (zh) * | 2019-04-04 | 2019-06-21 | 宁夏大学 | 一种基于矿物元素指纹鉴别滩羊肉产地的方法 |
| CN110501310A (zh) * | 2019-05-07 | 2019-11-26 | 华南理工大学 | 一种基于非模型光学校正高光谱的食品检测方法 |
| CN110648763A (zh) * | 2019-09-29 | 2020-01-03 | 江苏拉曼医疗设备有限公司 | 利用人工智能进行光谱分析以进行肿瘤评估的方法及设备 |
| CN112215277A (zh) * | 2020-10-09 | 2021-01-12 | 内蒙古农业大学 | 一种牛羊肉物种和饲养模式真实性的判别方法和系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104215584A (zh) * | 2014-08-29 | 2014-12-17 | 华南理工大学 | 一种基于高光谱图像技术区分大米产地的检测方法 |
| CN104359889A (zh) * | 2014-10-27 | 2015-02-18 | 徐敦明 | 一种快速无损的燕窝真伪甄别方法 |
| KR101498096B1 (ko) * | 2013-11-19 | 2015-03-06 | 대한민국 | 초분광 영상을 이용한 농산물의 원산지 판별 장치 및 방법 |
-
2017
- 2017-10-19 CN CN201710977247.2A patent/CN107907500B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101498096B1 (ko) * | 2013-11-19 | 2015-03-06 | 대한민국 | 초분광 영상을 이용한 농산물의 원산지 판별 장치 및 방법 |
| CN104215584A (zh) * | 2014-08-29 | 2014-12-17 | 华南理工大学 | 一种基于高光谱图像技术区分大米产地的检测方法 |
| CN104359889A (zh) * | 2014-10-27 | 2015-02-18 | 徐敦明 | 一种快速无损的燕窝真伪甄别方法 |
Non-Patent Citations (3)
| Title |
|---|
| ABDERRAHMANE AÏT-KADDOUR ET AL.: "Discrimination of beef muscle based on visible-near infrared multi-spectral features: Textural and spectral analysis", 《INTERNATIONAL JOURNAL OF FOOD PROPERTIES》 * |
| MOHAMMED KAMRUZZAMAN ET AL.: "An appraisal of hyperspectral imaging for non-invasive authentication of geographical origin of beef and pork", 《PROCEEDINGS INTERNATIONAL CONFERENCE OF AGRICULTURAL ENGINEERING》 * |
| 孙淑敏等: "近红外光谱指纹分析在羊肉产地溯源中的应用", 《光谱学与光谱分析》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109460847A (zh) * | 2018-08-30 | 2019-03-12 | 昆明理工大学 | 一种基于最邻近结点算法的风速预测方法 |
| CN109632696A (zh) * | 2018-12-13 | 2019-04-16 | 宜宾学院 | 一种识别药物片剂来源的低成本近红外光谱方法 |
| CN109916990A (zh) * | 2019-04-04 | 2019-06-21 | 宁夏大学 | 一种基于矿物元素指纹鉴别滩羊肉产地的方法 |
| CN110501310A (zh) * | 2019-05-07 | 2019-11-26 | 华南理工大学 | 一种基于非模型光学校正高光谱的食品检测方法 |
| CN110501310B (zh) * | 2019-05-07 | 2020-12-22 | 华南理工大学 | 一种基于非模型光学校正高光谱的食品检测方法 |
| CN110648763A (zh) * | 2019-09-29 | 2020-01-03 | 江苏拉曼医疗设备有限公司 | 利用人工智能进行光谱分析以进行肿瘤评估的方法及设备 |
| CN112215277A (zh) * | 2020-10-09 | 2021-01-12 | 内蒙古农业大学 | 一种牛羊肉物种和饲养模式真实性的判别方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107907500B (zh) | 2021-07-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107907500A (zh) | 一种羊肉产地的检测方法 | |
| Zhang et al. | Nondestructive measurement of soluble solids content in apple using near infrared hyperspectral imaging coupled with wavelength selection algorithm | |
| Guzmán et al. | Determination of the olive maturity index of intact fruits using image analysis | |
| Gomes et al. | Comparison of different approaches for the prediction of sugar content in new vintages of whole Port wine grape berries using hyperspectral imaging | |
| Barbin et al. | Non-destructive determination of chemical composition in intact and minced pork using near-infrared hyperspectral imaging | |
| ElMasry et al. | Chemical-free assessment and mapping of major constituents in beef using hyperspectral imaging | |
| US10896325B2 (en) | Blending of agricultural products via hyperspectral imaging and analysis | |
| Liu et al. | Determination of internal qualities of Newhall navel oranges based on NIR spectroscopy using machine learning | |
| CN109100323B (zh) | 一种苹果水心病的透射光谱无损定量评价方法 | |
| Moscetti et al. | Detection of mold-damaged chestnuts by near-infrared spectroscopy | |
| Wang et al. | Outdoor color rating of sweet cherries using computer vision | |
| Hu et al. | Prediction of mechanical properties of blueberry using hyperspectral interactance imaging | |
| Sun et al. | Detection of internal qualities of hami melons using hyperspectral imaging technology based on variable selection algorithms | |
| CN104990895B (zh) | 一种基于局部区域的近红外光谱信号标准正态校正方法 | |
| Zhang et al. | Rapid identification of lamb freshness grades using visible and near-infrared spectroscopy (Vis-NIR) | |
| Naganathan et al. | Hyperspectral imaging of ribeye muscle on hanging beef carcasses for tenderness assessment | |
| Santos et al. | Predicting aged pork quality using a portable Raman device | |
| Feng et al. | Detection of blood spots in eggs by hyperspectral transmittance imaging | |
| Kucha et al. | Hyperspectral imaging and chemometrics assessment of intramuscular fat in pork Longissimus thoracic et lumborum primal cut | |
| CN114972895B (zh) | 小龙虾品质无损检测方法及装置 | |
| CN113866122A (zh) | 一种鸡品种快速鉴别方法及其应用 | |
| CN113866119A (zh) | 一种注水鸡快速鉴别方法及应用 | |
| Fu et al. | Fast measurement of fatty acid in soybean using reflective hyperspectral imaging | |
| CN117007552B (zh) | 西瓜成熟度检测方法、装置、系统、电子设备及存储介质 | |
| CN110118753B (zh) | 一种基于散射高光谱光学特性的肉品脂肪含量检测方法 |
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 |