CN108444798A - 一种基于生物散斑和惯性矩谱分析的牛肉掺假检测方法 - Google Patents

一种基于生物散斑和惯性矩谱分析的牛肉掺假检测方法 Download PDF

Info

Publication number
CN108444798A
CN108444798A CN201810083265.0A CN201810083265A CN108444798A CN 108444798 A CN108444798 A CN 108444798A CN 201810083265 A CN201810083265 A CN 201810083265A CN 108444798 A CN108444798 A CN 108444798A
Authority
CN
China
Prior art keywords
beef
biospeckles
row
sample
inertia
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
Application number
CN201810083265.0A
Other languages
English (en)
Inventor
冯耀泽
陈伟
赵海涛
温鹏
顾鹏
朱乐
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 CN201810083265.0A priority Critical patent/CN108444798A/zh
Publication of CN108444798A publication Critical patent/CN108444798A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N1/00—Sampling; Preparing specimens for investigation
    • G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
    • G01N1/38—Diluting, dispersing or mixing samples
    • 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
    • G01N21/47—Scattering, i.e. diffuse reflection
    • G01N21/49—Scattering, i.e. diffuse reflection within a body or fluid

Landscapes

  • Physics & Mathematics (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

本发明公开了一种基于生物散斑和惯性矩谱分析的牛肉掺假检测方法，它包括以下步骤：(1)利用He‑Ne激光器和CCD相机采集牛肉样本的生物散斑图像；(2)构建生物散斑图像的惯性矩谱；(3)建立牛肉掺假检测模型。本发明首次使用生物散斑对牛肉掺假进行检测，该检测准确度高，费用低、耗时短且对实验设备和实验人员要求低，是一种快速、简易和灵敏的牛肉掺假检测方法。

Description

一种基于生物散斑和惯性矩谱分析的牛肉掺假检测方法
技术领域
本发明属于食品检测领域，涉及牛肉掺假检测方法。
背景技术
牛肉作为一种高蛋白、低脂肪和低胆固醇的食物，是我国的主要肉食之一。然而，不良商贩在经济利益的驱使下对牛肉制品进行掺假，如在牛肉制品中混入鸡肉、猪肉等低值肉。牛肉掺假问题严重危害了消费者的经济利益和健康，且很难被常规方法检测出来。因此，对牛肉掺假进行检测是非常必要的。近年来，色谱法、蛋白质电泳分离，免疫学和DNA技术等检测方法被广泛应用于肉类掺假检测。然而，这些方法虽然检测准确度高，但是价格贵、耗时且对实验设备和实验人员要求高。因此，急需一种快速、简易和灵敏的方法用于牛肉掺假检测。
生物散斑是一种散射现象，当相干光照射到活性材料时，反射光和散射光在接收面形成动态散斑。散斑的变化与样本的活性、体液流速等生物学特性相关。生物散斑技术是一种非侵入性、快速的检测方法，目前被广泛应用于医药和农业领域，如血液流速、精子质量、眼球运动、种子活力、果实成熟期及果实损伤等的检测。在肉类品质检测方面，Amaral等结合生物散斑技术和惯性矩分析方法来表征牛肉老化过程中的生物散斑活性，他们发现生物散斑活性与Warner-Bratzler(W-B)剪切力(R＝0.6146)、老化时间(R＝-0.7973)、色调角(R＝0.7953)、红色分量强度(R＝0.812)和高铁肌红蛋白的含量(R＝0.9119)有较高的相关性。蔡建荣等人基于两种不同波长(465nm和660nm)的激光检测冷鲜猪肉的新鲜度，研究结果表明激光波长为465nm时结果更优，训练集和测试集的识别率分别达到87.65％和89.29％。此外，董庆利等运用生物散斑技术预测了牛肉质构特性，如硬度、咀嚼性及W-B剪切力，其预测决定系数分别为0.83、0.77和0.69。以上研究表明生物散斑技术可以用于肉的品质检测，但尚无用于牛肉掺假检测的报道。
在生物散斑数据分析中，惯性矩(Inertia Moment，IM)是最常用的定量分析方法。传统IM法通过计算样本生物散斑图像某固定列(行)的IM值或所有列(行)IM值中的最大值来衡量样本的生物散斑活性。然而，前一种方法仅提取了样本空间局部信息，结果易受样本的局部差异性(如样本的均匀性、样本表面不规则，以及散斑图像异常点等因素)的影响，不能反映整体的散斑活性。而在求取所有列(行)IM值中的最大值时，散斑图像中异常点会使结果出现偏差，且用IM最大值代表样本生物散斑活性仍缺乏有效的理论支撑。针对传统IM法以上缺点，在本发明中我们提出使用惯性矩谱分析方法结合支持向量回归机(Supportvector regression machine，SVR)对牛肉掺假进行定量检测。
发明内容
本发明的目的是针对现有牛肉掺假检测方法中存在的缺点，提供一种基于生物散斑和惯性矩谱分析的牛肉掺假检测方法。
本发明提供的牛肉掺假检测方法包括以下步骤：
(1)利用He-Ne激光器和CCD相机采集牛肉样本的生物散斑图像；
(2)构建生物散斑图像的惯性矩谱；
(3)建立牛肉掺假检测模型。
优选地，所述He-Ne激光器的功率为10mW、波长为632nm。
优选地，在采集牛肉样本的生物散斑图像时，激光入射角为60°，物距为220mm，CCD相机的分辨率为640×480，帧率为20帧/s，每个样本的采样时间为25s，每个样本采集500张时间序列图片。
优选地，所述生物散斑图像的惯性矩谱构建方法是：首先将样本的生物散斑图像进行灰度化处理；其次依次抽取不同时间图像固定列拼接成时间序列散斑图，且每一列对应一个时间序列散斑图；再次，分别统计各列对应时间序列散斑图中相邻位置像素灰度级i、j出现的次数Nij,并将Nij作为第i行第j列的元素组成共生矩阵；接着，基于共生矩阵计算各列IM值；最后，将各列IM值按列号拼接构建惯性矩谱。
优选地，所述模型为支持向量回归机模型。
本发明的有益效果是：
(1)本发明首次使用生物散斑对牛肉掺假进行检测，该检测准确度高，费用低、耗时短且对实验设备和实验人员要求低，是一种快速、简易和灵敏的牛肉掺假检测方法。
(2)本发明使用惯性矩谱对样本的生物散斑进行分析并结合支持向量机模型对牛肉掺假进行定量检测，该分析和检测结果稳定性好，不受其它因素干扰，而且准确性好，灵敏度高。
附图说明
图1为惯性矩谱计算流程图.
图2为样本生物散斑单一时间序列图。
图3为掺假比例0％，50％和100％样本的平均IM谱。
具体实施方式
以下通过实施例对本发明进行详细地说明。
实施例1
1材料与方法
1.1样本制备
由武汉某食品有限公司提供的来自不同牛的牛后腿肉和牛腩各0.85kg经搅拌机粉碎并混合均匀后，用保鲜膜包装置于28±2℃的环境中保存2d，直至能够观察到明显的变质现象(例如异味、褐变和粘液)。取新鲜牛后腿肉1kg，粉碎并与非新鲜肉按照0％，1％，3％，5-60％(梯度为5％)和100％(w/w)的掺假梯度混合均匀制作掺假样本。除纯新鲜牛肉为2个样本外，其它各梯度均制备4个重复，共得62个掺假牛肉样本，每个样本约重30g。
1.2散斑图像的获取
试验采用生物散斑系统主要由功率为10mW、波长为632nm的He-Ne激光器(R-30992，Newport美国)，CCD相机(U3D500C-J，Sunway台湾)，焦距为30mm的镜头，带有图像处理器的电脑和带有特定样本槽(保证每个样本位置一致性)的载物台组成。
在采集掺假牛肉样本的生物散斑图像时，为避免外界光源的影响，除电脑外，其他设备均处于暗室中。样本放置在载物台的样本槽中，激光入射角为60°，物距为220mm，工业相机的分辨率为640×480，帧率为20帧/s，每个样本的采样时间为25s，每个样本采集500张时间序列图片。
1.3数据处理与建模方法
1.3.1惯性矩谱的构建
本文提出的惯性矩谱(IM谱)是一种以惯性矩为基础的生物散斑图像处理方法，即惯性矩谱由样本生物散斑图像各列(行)对应的IM值组成，本研究基于列IM谱对牛肉掺假进行检测。惯性矩谱扩展了传统方法的空间维度，提取了样本的整体生物散斑信息，具有较好的抗干扰性。其计算流程如图1所示。
首先将样本的生物散斑图像进行灰度化处理；其次依次抽取不同时间图像固定列拼接成时间序列散斑图(temporal history speckles patterns,THSP)，且每一列对应一个THSP；再次，分别统计各列对应THSP中相邻位置像素灰度级i，j(i在j的左侧)出现的次数(Nij),并将Nij作为第i行第j列的元素组成共生矩阵；接着，基于共生矩阵及式1和式2计算各列IM值；最后，将各列IM值按列号拼接构建惯性矩谱。
IM＝∑ijMij(i-j)2 (2)
式中COMij——共生矩阵图第i行第j列像素的灰度值。
1.3.2牛肉掺假检测模型的建立与评价
建模之前对数据进行范围归一化处理。通过X-Y共生距离法(SPXY)将样本集划分成校正集和测试集，其中校正集用于建立牛肉掺假检测模型，测试集用于检测模型性能。本文使用支持向量回归机建立牛肉掺假定量检测模型，模型参数惩罚参数c和核函数参数g应用粒子群算法进行优化。
模型建立之后，以决定系数(R2)和均方根误差(RMSE)为评判标准对模型性能进行评价，其中决定系数越高、均方根误差越低表明模型稳定性越好、预测精度越高。
2结果与分析
2.1生物散斑图
将点激光束以60°的入射角照射样本，并采集样本生物散斑图像。图2为样本生物散斑单一时间序列图。据图易知，距离激光照射点越远的像素点亮度越低，而根据像素点亮度可将生物散斑图划分为S1，S2和S3三个区域。其中区域S1像素点亮度最高，区域S2像素亮度较高，而区域S3像素亮度最低。
2.2IM谱的分析
根据IM谱构建方法计算出每个样本的IM谱。图3是掺假比例为0％，50％和100％样本的平均IM谱图。注意到，总体上样本IM谱均包含一个高平峰区和一个尖峰区，对比IM谱和生物散斑图发现，高峰区对应于散斑图中的S1区，尖峰区对应于散斑图右侧的边缘区域。导致这一现象的原因可能是，区域S1边缘像素点亮度变化非常大，因此这些点所在列即高平峰区范围内的IM值也相应较大。此外，散斑图右侧的边缘区域属于区域S3，其散斑图中各列均只有区域S3的像素点而不含或包含很少区域S2的像素点，因区域S3像素点亮度变化较大，而区域S2像素亮度较稳定，故在散斑图右侧出现尖峰。
特别的，由图3可知不同掺假浓度样本对应三条IM谱高平峰区的右侧结束点基本一致，而相应左侧结束点却有所差别，分别在85列，117列和131列左右。综合激光照射条件和IM谱的特点可知，导致这一现象的原因可能是激光以60°入射角从右测照射样本，大部分光线在样本内向左侧散射。然而，不同掺假浓度样本的理化特性不同，这使得光线散射距离不同从而导致不同掺假浓度样本的生物散斑图像有所差异。随着掺假浓度的上升，样本的自由水增加、高铁肌红蛋白含量减少，光散射系数减小，使得生物散斑图像较亮区域向左侧扩展的范围减少。因此，IM谱高平峰区的左侧结束点随着掺假浓度升高向右侧移动。由此可见，样本理化特性不同造成的生物散斑图像差异会在IM谱上有所表现，且生物散斑图像与IM谱之间有一定的相关性。

Claims (5)

1.一种基于生物散斑和惯性矩谱分析的牛肉掺假检测方法，其特征在于包括以下步骤：
(1)利用He-Ne激光器和CCD相机采集牛肉样本的生物散斑图像；
(2)构建生物散斑图像的惯性矩谱；
(3)建立牛肉掺假检测模型。
2.如权利要求1所述的牛肉掺假检测方法，其特征在于：所述He-Ne激光器的功率为10mW、波长为632nm。
3.如权利要求1所述的牛肉掺假检测方法，其特征在于：在采集牛肉样本的生物散斑图像时，激光入射角为60°，物距为220mm，CCD相机的分辨率为640×480，帧率为20帧/s，每个样本的采样时间为25s，每个样本采集500张时间序列图片。
4.如权利要求1所述的牛肉掺假检测方法，其特征在于：所述生物散斑图像的惯性矩谱构建方法是，首先将样本的生物散斑图像进行灰度化处理；其次依次抽取不同时间图像固定列拼接成时间序列散斑图，且每一列对应一个时间序列散斑图；再次，分别统计各列对应时间序列散斑图中相邻位置像素灰度级i、j出现的次数Nij,并将Nij作为第i行第j列的元素组成共生矩阵；接着，基于共生矩阵计算各列IM值；最后，将各列IM值按列号拼接构建惯性矩谱。
5.如权利要求1所述的牛肉掺假检测方法，其特征在于：所述模型为支持向量回归机模型。
CN201810083265.0A 2018-01-29 2018-01-29 一种基于生物散斑和惯性矩谱分析的牛肉掺假检测方法 Pending CN108444798A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810083265.0A CN108444798A (zh) 2018-01-29 2018-01-29 一种基于生物散斑和惯性矩谱分析的牛肉掺假检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810083265.0A CN108444798A (zh) 2018-01-29 2018-01-29 一种基于生物散斑和惯性矩谱分析的牛肉掺假检测方法

Publications (1)

Publication Number Publication Date
CN108444798A true CN108444798A (zh) 2018-08-24

Family

ID=63191087

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810083265.0A Pending CN108444798A (zh) 2018-01-29 2018-01-29 一种基于生物散斑和惯性矩谱分析的牛肉掺假检测方法

Country Status (1)

Country Link
CN (1) CN108444798A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113030234A (zh) * 2021-03-05 2021-06-25 江南大学 一种基于元素分析的肉掺假定量检测方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101059424A (zh) * 2007-05-22 2007-10-24 浙江大学 多光谱肉类新鲜度人工智能测量方法及系统
CN104132896A (zh) * 2014-07-15 2014-11-05 山东国家农产品现代物流工程技术研究中心 一种快速鉴别掺假肉的方法
CN105092525A (zh) * 2015-08-31 2015-11-25 河南省产品质量监督检验院 一种羊肉中掺杂鸭肉近红外光谱鉴别方法
CN105136881A (zh) * 2015-09-17 2015-12-09 四川旅游学院 一种快速检测掺假腐烂猪肉香肠的方法
CN105567801A (zh) * 2015-11-19 2016-05-11 英格尔检测技术服务（上海）有限公司 牛肉制品中猪肉成分定量检测方法
CN107102080A (zh) * 2017-04-28 2017-08-29 河南出入境检验检疫局检验检疫技术中心 利用蛋白特征多肽鉴定牛肉掺伪方法
CN107219184A (zh) * 2017-04-24 2017-09-29 仲恺农业工程学院 一种应用于产地溯源的肉类鉴别方法及装置
CN107271375A (zh) * 2017-07-21 2017-10-20 石河子大学 一种羊肉品质指标的高光谱图像检测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101059424A (zh) * 2007-05-22 2007-10-24 浙江大学 多光谱肉类新鲜度人工智能测量方法及系统
CN104132896A (zh) * 2014-07-15 2014-11-05 山东国家农产品现代物流工程技术研究中心 一种快速鉴别掺假肉的方法
CN105092525A (zh) * 2015-08-31 2015-11-25 河南省产品质量监督检验院 一种羊肉中掺杂鸭肉近红外光谱鉴别方法
CN105136881A (zh) * 2015-09-17 2015-12-09 四川旅游学院 一种快速检测掺假腐烂猪肉香肠的方法
CN105567801A (zh) * 2015-11-19 2016-05-11 英格尔检测技术服务（上海）有限公司 牛肉制品中猪肉成分定量检测方法
CN107219184A (zh) * 2017-04-24 2017-09-29 仲恺农业工程学院 一种应用于产地溯源的肉类鉴别方法及装置
CN107102080A (zh) * 2017-04-28 2017-08-29 河南出入境检验检疫局检验检疫技术中心 利用蛋白特征多肽鉴定牛肉掺伪方法
CN107271375A (zh) * 2017-07-21 2017-10-20 石河子大学 一种羊肉品质指标的高光谱图像检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
蔡健荣 等: "基于改进惯性矩算法的冷鲜猪肉新鲜度激光散斑图像检测", 《农业工程学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113030234A (zh) * 2021-03-05 2021-06-25 江南大学 一种基于元素分析的肉掺假定量检测方法

Similar Documents

Publication Publication Date Title
Hassoun et al. Food quality 4.0: From traditional approaches to digitalized automated analysis
Li et al. Recent advances in nondestructive analytical techniques for determining the total soluble solids in fruits: a review
Barbin et al. Near-infrared hyperspectral imaging for grading and classification of pork
Wu et al. Application of long-wave near infrared hyperspectral imaging for measurement of color distribution in salmon fillet
ElMasry et al. Chemical-free assessment and mapping of major constituents in beef using hyperspectral imaging
ElMasry et al. High-speed assessment of fat and water content distribution in fish fillets using online imaging spectroscopy
Chen et al. Recent advances for rapid identification of chemical information of muscle foods by hyperspectral imaging analysis
Cluff et al. Optical scattering with hyperspectral imaging to classify longissimus dorsi muscle based on beef tenderness using multivariate modeling
CN103900972B (zh) 基于多特征融合的肉类新鲜度高光谱图像可视化检测
CN107976428A (zh) 水产品化学污染物的无损实时检测方法与装置
US8494226B2 (en) Systems, methods and devices for use in assessing carcass grading
US20160356704A1 (en) Nondestructive meat tenderness assessment
Wang et al. Smartphone imaging spectrometer for egg/meat freshness monitoring
Shafiee et al. Potential application of machine vision to honey characterization
CN108956604A (zh) 一种基于高光谱图像技术识别中华绒螯蟹品质的方法
Khojastehnazhand et al. Comparison of visible–near infrared and short wave infrared hyperspectral imaging for the evaluation of rainbow trout freshness
Nitka et al. Design of an automated rice grain sorting system using a vision system
Park et al. Discriminant analysis of dual-wavelength spectral images for classifying poultry carcasses
CN111713440A (zh) 基于水下成像与高光谱技术的石斑鱼精准投饵及调控方法
Xu et al. Quantitative evaluation of impact damage to apple by hyperspectral imaging and mechanical parameters
CN115908257A (zh) 缺陷识别模型训练方法及果蔬缺陷识别方法
Chen et al. Combining computer vision score and conventional meat quality traits to estimate the intramuscular fat content using machine learning in pigs
Ambarwati et al. Feature selection on magelang duck egg candling image using variance threshold method
Patel et al. Monochrome computer vision for detecting common external defects of mango
Rocculi et al. Freshness assessment of European hake (Merluccius merluccius) through the evaluation of eye chromatic and morphological characteristics

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20180824

RJ01 Rejection of invention patent application after publication