CN108680514A - 一种基于不同形态蛋黄高光谱成像的鸡蛋品质检测方法 - Google Patents

Abstract

本发明公开了一种基于不同形态蛋黄高光谱成像的鸡蛋品质检测方法，利用蛋黄的光谱特性来鉴别鸡蛋新鲜度。在被检测的同批次鸡蛋中任意挑选若干个鸡蛋，并分成两组，一组是为了获得生蛋黄，另一组是为了获得熟蛋黄。用高光谱成像仪分别获取不同形态蛋黄的高光谱图像数据，在获取单个生蛋黄高光谱数据后，把它们进行混合，再获得混合形态的光谱图像数据。然后，分别提取不同形态蛋黄的光谱特性数据，对它们之间的关系进行建模和分析，就可以对鸡蛋品质作出定性描述。通过大量的实测实验，并对获取的数据进行比较分析，获得了好的实验结果，表明本发明提出的方法是可行的、有效的，具有较好的应用前景和推广价值。

Description

一种基于不同形态蛋黄高光谱成像的鸡蛋品质检测方法

技术领域

本发明涉及高光谱成像、光谱特性处理和鸡蛋品质检测的信息获取与处理领域，具体是一种利用高光谱成像技术和不同形态蛋黄光谱特性对鸡蛋品质进行检测的方法。

背景技术

鸡蛋在禽蛋中占有重要位置，是人类重要的营养食品，富含人体所需的蛋白质、脂肪以及多种矿物质和维生素，不仅易于消化，而且吸收率高。同时，鸡蛋又是一种特殊的食品，不但受到蛋鸡喂养食物和饲养环境的影响，还受到运输过程和存储条件的影响。由于鸡蛋品种、饲养环境和存储时间长短不同，会导致鸡蛋的新鲜度、口感和营养等方面有较大的区别，产生了不同的市场价格。一些无良的商贩经常会以次充好，或提供变质鸡蛋，严重损害了老百姓的利益，即使建立了较好蛋源溯源系统的欧盟，2017年也报道多个国家涉及到有毒鸡蛋的销售，所以，加强鸡蛋品质监测和市场管理，以及建立全面有效的溯源系统，是鸡蛋质量保证的重要途径，关键还是鸡蛋品质的检测和监管。

鸡蛋品质检测是鸡蛋质量监控的核心内容。鸡蛋品质检测分为鸡蛋的外部品质检测和内部品质检测。其中，外部品质检测包含蛋形、蛋重、蛋形指数、蛋壳色以及蛋表面破损检测等。内部品质检测包括蛋白高度、蛋黄颜色、血斑、肉斑、蛋白PH值和哈氏单位等的检测。一些学者针对鸡蛋品质检测问题提出了许多可行方法，根据是否使用仪器和是否破坏鸡蛋，这些方法可归纳为三类：人工观测法、无损检测法和有损检测法。

传统的人工观察法主要是通过观色、闻味、称重和光照等物理方法来完成鸡蛋品质的检测。这种方法虽然简单易行，但与检测人的主观因素和经验积累有关。目前，老百姓日常购买鸡蛋时，仍然以观察法为主。

随着科学技术的发展和应用，近年来一些研究人员采用仪器对鸡蛋进行无损检测，典型的方法有：机器视觉法、红外光谱法、图像处理法、介电特性法、电子鼻法、高光谱图像法和其它新的理论。有损检测主要包括生物检测法、PH检测法、哈氏单位检测和化学成分检测等。这些研究方法，都是从某种角度来检测鸡蛋的新鲜度和品质参数，从而对鸡蛋的品质状况进行分析和识别。因此，它们的普适性和实际应用操作性不是很强。现在的发展趋势是把不同的方法或不同的参数特征进行融合，以达到提高鸡蛋品质检测的准确度，或者采用新的仪器设备和方法来实现鸡蛋品种检测。

高光谱成像技术是一种非常重要的信息获取技术和手段，可以同时获取检测物质的光谱和图像信息，实现图谱合一。高光谱成像的典型特点是能获得高分辨率的光谱信息，使许多原来在全色和多光谱图像中无法识别变得极为容易，因此，其已在遥感、考古、农业、食品安全、公共安全和军事等众多领域中得到了广泛的应用。光谱特性反映了物质材质和化学成分特性，不同物质成分具有不同的光谱特性。光谱特性和空间信息结合，使得高光谱成像技术将会成为鸡蛋品质检测和溯源信息获取的有力手段。虽然有学者提出用高光谱检测鸡蛋品质，但是他们的研究主要集中在鸡蛋外壳的检测。

发明内容

本发明解决的问题在于提供一种基于不同形态蛋黄高光谱成像的鸡蛋品质检测方法，主要是利用蛋黄不同形态的光谱特性来检测鸡蛋品质，该方法能对鸡蛋的品质进行有效鉴别，为鸡蛋品质检测提供有益的参考手段，为鸡蛋质量溯源数据采集提供技术支持。

本发明是采用以下技术方案来实现：

一种基于不同形态蛋黄高光谱成像的鸡蛋品质检测方法，包括以下操作：

1)从待检测的批次的鸡蛋中取出若干个，将取出的鸡蛋分为生鸡蛋组和熟鸡蛋组；

2)将熟鸡蛋组的鸡蛋煮熟后分离取出熟蛋黄，利用高光谱成像仪对熟蛋黄逐个进行400nm～1000nm的扫描采集其高光谱图像数据，然后从高光谱图像数据中提取熟蛋黄的光谱特性曲线数据；

对获得的光谱数据进行滤波降噪和归一化处理之后，再进行均值处理，得到该批次鸡蛋的熟蛋黄光谱特性曲线数据；

3)将生鸡蛋组的鸡蛋打开并分离获取完整的生蛋黄，利用高光谱成像仪对生蛋黄逐个进行400nm～1000nm的扫描采集其高光谱图像数据，然后从高光谱图像数据中提取生蛋黄的光谱特性曲线数据；

对获得的光谱数据进行滤波降噪和归一化处理之后，再进行均值处理，得到该批次鸡蛋的生蛋黄光谱特性曲线数据；

4)将生鸡蛋组所分离的所有生蛋黄混合并搅拌，得到混合蛋黄，利用高光谱成像仪对混合蛋黄进行400nm～1000nm的扫描采集其高光谱图像数据，然后从高光谱图像数据中提取混合蛋黄的光谱特性曲线数据；

对获得的光谱数据进行滤波降噪和归一化处理之后，得到该批次鸡蛋的混合蛋黄光谱特性曲线数据；

5)将熟蛋黄光谱特性曲线、生蛋黄光谱特性曲线、混合蛋黄光谱特性曲线在同一坐标下进行比较分析；

对于新鲜度好的鸡蛋，三个形态的蛋黄光谱特性曲线自上到下的排列为：熟蛋黄光谱特性曲线、混合蛋黄光谱特性曲线、生蛋黄光谱特性曲线，且光谱特性曲线相似，光谱特性曲线越相似其鸡蛋品质、新鲜度越好；

若三个形态的蛋黄光谱特性曲线不相似，或者曲线排列错乱，出现错乱交叉，则表明该批次鸡蛋的品质不是很好，或存储的时间比较长；

根据光谱特性曲线相似度定性分析得到鸡蛋品质、新鲜度描述结果。

还进行光谱特性曲线相似度定量分析：

利用光谱角θ来比较熟蛋黄、生蛋黄和混合蛋黄的光谱特性曲线的相似性，光谱角θ越小，表明它们之间约相似性越靠近，说明鸡蛋品质越好，新鲜度越高；

式中的T和R表示光谱特性矢量；

将光谱特性矢量用反余弦来表示，则为：

其中，t_i和r_i分别表示第i波段的光谱特性值，L表示波段的个数；

计算时两个光谱矢量的维数要相同，如不相同时要进行重采样以达到维数相同。

进一步，在式(2)的两边取对数，即对数光谱角来表示，如式(3)所示：

θ值越小，则高光谱特性的相似性越大。

或者利用欧氏距离比较熟蛋黄、生蛋黄和混合蛋黄的光谱特性曲线的相似性：

其中，r_ki和r_kj分别表示第k波段i和j光谱特性点的光谱反射值，D_ij表示i和j之间的欧氏距离，L表示波段的个数；

欧氏距离D_ij值越大则鸡蛋的品质、新鲜度越差；欧氏距离值越小则鸡蛋的品质越好，新鲜度越高。

所述熟蛋黄光谱特性数据或生蛋黄光谱特性数据的提取方法为：

打开熟蛋黄或生蛋黄的高光谱图像数据，定位到蛋黄区域，选定某个点熟蛋黄的光谱特性曲线图，把光谱数据进行存储，并转换成Excel文件；

在每个熟蛋黄或生蛋黄样品上采集n个点的光谱特性数据，n≥10；

取所述n个光谱特性数据的平均值作为相应单个蛋黄样品的光谱特性数据；

对每个熟蛋黄或生蛋黄样品的光谱特性数据进行滤波和归一化处理后，取所有熟蛋黄或生蛋黄样品的光谱特性数据的平均值作为熟蛋黄或生蛋黄样品的光谱特性数据。

本发明提供的基于不同形态蛋黄高光谱成像的鸡蛋品质检测方法，是一种基于不同形态蛋黄高光谱图像数据的鸡蛋品质检测方法，对于鸡蛋品质的检测采用了是新仪器、新技术、新思路的方法，与现有技术相比本发明具有以下有益的技术效果：

(1)方法设计的优点

本发明提出利用生蛋黄和熟蛋黄的光谱特性来检测鸡蛋的内部品质及其新鲜程度，从而实现对鸡蛋品质进行有效鉴别；而以往的光谱特性检测是从蛋壳的角度进行检测，很少涉及到蛋黄的光谱特性检测；

本发明利用高光谱成像仪来获取蛋黄的高光谱图像数据，再从高光谱图像数据中提取光谱特性，而以往的是用光谱仪来获取数据，获取的是点的数据，而高光谱成像仪获取的是面的数据，使结果更加具有普遍性和准确性；

本发明提出利用三种形态(状态)的蛋黄的高光谱特性比较性、相似性来检测鸡蛋的品质；对于新鲜度较高的鸡蛋，则其生蛋黄、混合蛋黄和熟蛋黄的光谱特性曲线是相似的，相应的参数指标，例如光谱角和欧式距离等是非常相似的，也就是它们之间的差异比较小，而且有相应的分布规律

(2)数据处理的优点

对鸡蛋蛋黄光谱数据进行采集时，由于在短波红外波段，不仅没有差异，而且包含大量的噪声，所以，选择400nm～1000nm的波段包括了可见光和近红外波段的光谱数据，使数据量少，同时又能说明问题；在处理的过程中，特别是光谱数据的采集，进行的是多个点的采集，获得的光谱特性更具有广泛性和准确性；对数据进行了两次滤波处理(高光谱图像数据滤波和光谱特性数据滤波)，以及均值处理和归一化处理，使实验结果的精度得到提高，增加了其可靠性。

(3)实验结果的优点

用本方法虽然是一种破坏性检测方法，但是对于大批量养殖场鸡蛋的检测具有显著的优势，特别对其可溯源数据的获取(例如养鸡场出厂时采集溯源数据)，采用图表的方式和不同参数的结合，可保证检测效果的可靠性。

附图说明

图1为本发明所述检测方法的流程图；

图2为新鲜度较好的鸡蛋的光谱特性曲线；

图3为新鲜度较差的鸡蛋的光谱特性曲线。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面本发明中的技术方案进行清楚、完整地描述，所述是对本发明的解释而不是限定。

鸡蛋品质包括内部品质和外部品质，如果只检测外部品质，则很难对鸡蛋品质做出正确的判断。因为仅从外部检测，往往发现鸡蛋完整无损，得出结论是具有较高的新鲜度和良好品质。可是，实际上并非这样。因为外部检测，在目前技术条件下，很难对内部品质进行准确的判断。本发明提出的基于不同形态蛋黄高光谱成像的鸡蛋品质检测方法，利用高光谱成像探测技术对鸡蛋内部品质进行识别，从而准备判别鸡蛋的品质。

本发明通过获取同类型鸡蛋不同蛋黄的高光谱图像数据，再获取不同形态蛋黄的光谱特性，通过对不同形态蛋黄光谱特性的匹配和比较分析，对鸡蛋品质或新鲜度进行鉴别。本发明就是利用蛋黄的光谱特性来鉴别鸡蛋新鲜度。如果一批同类型鸡蛋是在相近或相同的时间内产的蛋，它们的新鲜度应该几乎是相同的，那么无论什么形态的蛋黄，它们的光谱特性曲线是相似，所以通过比较不同形态蛋黄的光谱特性的差异，即可对这批同类型鸡蛋的新鲜度进行较准确的判别和描述。

本发明首先在被检测的同批次鸡蛋中任意挑选若干个鸡蛋，并分成两组。一组是为了获得生蛋黄，另一组是为了获得熟蛋黄。用高光谱成像仪分别获取三种形态(熟蛋黄、生蛋黄、混合蛋黄)蛋黄的高光谱图像数据，在获取单个生蛋黄高光谱数据后，把它们进行混合，再获得混合形态的光谱图像数据。此时用计算机视觉无法对它们进行识别。然后，分别提取不同形态的蛋黄的光谱特性曲线，对它们进行匹配和分析，就可以获得鸡蛋新鲜度描述。

下面给出本发明提供的基于不同形态蛋黄高光谱成像的鸡蛋品质检测方法，包括以下操作：

1)从待检测的批次的鸡蛋中取出若干个，将取出的鸡蛋分为生鸡蛋组和熟鸡蛋组；

2)将熟鸡蛋组的鸡蛋煮熟后分离取出熟蛋黄，利用高光谱成像仪对熟蛋黄逐个进行400nm～1000nm的扫描采集其高光谱图像数据，然后从高光谱图像数据中提取熟蛋黄的光谱特性曲线数据；

对获得的光谱数据进行滤波降噪和归一化处理之后，再进行均值处理，得到该批次鸡蛋的熟蛋黄光谱特性曲线数据；

3)将生鸡蛋组的鸡蛋打开并分离获取完整的生蛋黄，利用高光谱成像仪对生蛋黄逐个进行400nm～1000nm的扫描采集其高光谱图像数据，然后从高光谱图像数据中提取生蛋黄的光谱特性曲线数据；

对获得的光谱数据进行滤波降噪和归一化处理之后，再进行均值处理，得到该批次鸡蛋的生蛋黄光谱特性曲线数据；

4)将生鸡蛋组所分离的所有生蛋黄混合并搅拌，得到混合蛋黄，利用高光谱成像仪对混合蛋黄进行400nm～1000nm的扫描采集其高光谱图像数据，然后从高光谱图像数据中提取混合蛋黄的光谱特性曲线数据；

对获得的光谱数据进行滤波降噪和归一化处理之后，得到该批次鸡蛋的混合蛋黄光谱特性曲线数据；

5)将熟蛋黄光谱特性曲线、生蛋黄光谱特性曲线、混合蛋黄光谱特性曲线在同一坐标下进行比较分析；

对于新鲜度好的鸡蛋，三个形态的蛋黄光谱特性曲线自上到下的排列为：熟蛋黄光谱特性曲线、混合蛋黄光谱特性曲线、生蛋黄光谱特性曲线，且光谱特性曲线相似，光谱特性曲线越相似其鸡蛋品质、新鲜度越好；

若三个形态的蛋黄光谱特性曲线不相似，或者曲线排列错乱，出现错乱交叉，则表明该批次鸡蛋的品质不是很好，或存储的时间比较长；

根据光谱特性曲线相似度定性分析得到鸡蛋品质、新鲜度描述结果。

进一步的还对光谱特性曲线相似度进行定量分析：

利用光谱角θ来比较熟蛋黄、生蛋黄和混合蛋黄的光谱特性曲线的相似性，光谱角θ越小，表明它们之间约相似性越靠近，说明鸡蛋品质越好，新鲜度越高；

式中的T和R表示光谱特性矢量；

将光谱特性矢量用反余弦来表示，则为：

其中，t_i和r_i分别表示第i波段的光谱特性值，L表示波段的个数；

计算时两个光谱矢量的维数要相同，如不相同时要进行重采样以达到维数相同。

或者，利用欧氏距离比较熟蛋黄、生蛋黄和混合蛋黄的光谱特性曲线的相似性：

其中，r_ki和r_kj分别表示第k波段i和j光谱特性点的光谱反射值，D_ij表示i和j之间的欧氏距离，L表示波段的个数；

欧氏距离D_ij值越大则鸡蛋的品质、新鲜度越差；欧氏距离值越小则鸡蛋的品质越好，新鲜度越高。

下面给出具体的实施例。

参见图1，本发明提出本发明提出的基于不同形态蛋黄高光谱成像的鸡蛋品质检测方法，主要包括以下步骤：

步骤1：准备实验鸡蛋；

步骤2：对鸡蛋进行分组；

步骤3：对熟鸡蛋组进行预处理；

步骤4：把熟鸡蛋组的生鸡蛋煮成熟鸡蛋；

步骤5：获取熟鸡蛋的蛋黄；

步骤6：高光谱成像仪准备；

步骤7：对熟蛋黄进行高光谱成像处理并获得相应高光谱图像数据；

步骤8：从熟蛋黄的高光谱图像数据中提取其光谱特性数据；

步骤9：对生蛋黄组的鸡蛋进行预处理；

步骤10：获得生蛋黄组的单个蛋黄；

步骤11：对单个生蛋黄进行光谱成像处理并获取相应的高光谱图像数据；

步骤12：从生蛋黄的高光谱图像数据中提取其光谱特性数据；

步骤13：把生蛋黄进行混合搅拌，形成混合蛋黄；

步骤14：对混合蛋黄进行高光谱成像处理并获得其相应的高光谱图像数据；

步骤15：从混合蛋黄的高光谱图像数据中提取其相应的光谱特性数据；

步骤16：三种不同形态蛋黄的高光谱特性进行比较分析；

步骤17：输出最终的结果。

进一步的详细步骤为：

步骤1中所述的准备实验鸡蛋的具体步骤为：

步骤1.1：由于是对某类鸡蛋的新鲜度品质进行鉴别，所以首先需要对被检测的鸡蛋类型和生产时间进行确定，即同类型同批次的鸡蛋。

步骤1.2：确定被检测的鸡蛋数目，在本发明的实验中，选择每类鸡蛋的数目为20个。

步骤2中所述的对鸡蛋进行分组的具体步骤为；

步骤2.1：把要测试的鸡蛋分成两组，分别进行标记，一组称为生鸡蛋组，另一组称为熟鸡蛋组，每组鸡蛋数目为10个。

步骤3中所述的对熟鸡蛋组进行预处理的具体步骤为；

步骤3.1：把熟鸡蛋组的鸡蛋放入清水中洗净，注意不要破损鸡蛋。

步骤4中所述的把熟鸡蛋组的鸡蛋煮成熟鸡蛋的具体步骤为；

步骤4.1：准备一个锅，放入一定量的清水，注意水的量一定要盖过鸡蛋。

步骤4.2：对锅加热，使水沸腾，大约煮沸15-20分钟，把鸡蛋拿出来，再放入凉水中冷却3-5分钟。

步骤5中所述的获取熟鸡蛋的蛋黄蛋的具体步骤为；

步骤5.1：把鸡蛋从锅中拿出来，把水擦干净。

步骤5.2：把鸡蛋壳和蛋白去除，即获得了熟的蛋黄。

步骤5.3：对熟蛋黄进行标记编号。

步骤6中所述的高光谱成像仪准备的具体步骤为；

步骤6.1：选择高光谱成像系统，具体选择的是地面高光谱成像仪MShyperSIS系统。

步骤6.2：高光谱成像系统镜头的选择，目前的高光谱成像系统一般包括两个镜头才能覆盖全波段范围，即[400nm～2500nm]。在可见光和近红外波段中，常用的镜头范围有[400nm～700nm]、[400nm～900nm]、[400nm～1000nm]和[400nm～1100nm]，在短波红外波段有[900nm～1700nm]和[1000nm～2500nm]等。在短波红外波段，由于对不同类型鸡蛋以及不同批次鸡蛋所获取的高光谱特性差异不大，同时还存在大量的热噪声，所以选择可见光和近红外波段，即400nm～1000nm。在此波段之间，光谱分辨率是2.8nm，获取的图像的空间大小为1344×1024。

步骤6.3：把高光谱成像仪架好，连接好电脑和电源，启动高光谱成像仪和相应的采集软件，设置好成像采集参数，并进行白校正和黒校正处理。

步骤7中所述的对熟蛋黄进行高光谱图像数据采集的具体步骤为：

步骤7.1：采集高光谱图像数据，首先让高光谱成像仪的镜头对准蛋黄的被测区域，使镜头跟检测平台之间成一个下视状态，找好零点位置。

步骤7.2：对测试的蛋黄区域进行高光谱成像仪扫描成像，并依据鸡蛋的编号，保存相应蛋黄的高光谱图像数据。

步骤8中所述的从熟蛋黄高光谱图像数据中提取光谱特性数据的具体步骤为：

步骤8.1：用ENVI软件打开熟蛋黄的高光谱图像数据，定位到蛋黄区域，然后点击光谱特性，就可以看到其光谱特性曲线图，把光谱数据进行存储，注意这里存储的是txt文件，需把它转换成Excel文件，便于后续处理。

步骤8.2：按上述方法，采集若干个点的光谱数据，一般选十个点以上，选择的点越多越好，本发明的验证实验中设计了15个不同的采样点，把不同点的光谱数据进行平均处理，其值作为某个鸡蛋蛋黄的光谱数据。

步骤8.3：重复上述方法，直到每个鸡蛋蛋黄的光谱数据采集完毕。

步骤8.4：对获取的蛋黄光谱数据进行处理，把获得的光谱数据进行滤波和归一化处理，采用均值滤波的方法完成噪声的去除，滤波窗口的大小设为10。

步骤8.5：把所有鸡蛋蛋黄的光谱特性数据进行均值处理，可以近似地作为该类鸡蛋熟蛋黄的光谱特性数据。

步骤9中所述的对生蛋黄组的鸡蛋进行预处理的具体步骤为：

步骤9.1：对鸡蛋进行清洗干净，然后把水擦干，注意不要损伤鸡蛋。

步骤10中所述的获得生蛋黄组的单个蛋黄的具体步骤为：

步骤10.1：敲开鸡蛋壳，把鸡蛋清和鸡蛋黄放入分离器中，把它们进行分离，以获得蛋黄，注意不要使蛋黄进行散蛋，尽量使鸡蛋保持完整的蛋黄。

步骤11中所述的获取生蛋黄的高光谱图像数据的具体步骤为：

步骤11.1：按照步骤6准备好高光谱成像仪，连接好仪器，启动测试软件并进行参数设置，进行白校正和黒校正。

步骤11.2：采集高光谱图像数据，首先让高光谱成像仪的镜头对准被测区域，使镜头跟检测平台之间成一个下视状态，找好零点位置。

步骤11.3：对测试的蛋黄区域进行高光谱成像仪扫描成像，并依据鸡蛋的编号，保存相应蛋黄的高光谱图像数据。

步骤12中所述的从生蛋黄的高光谱图像数据中获取光谱特性数据的具体步骤为：

步骤12.1：用ENVI软件打开生蛋黄的高光谱图像数据，定位到蛋黄区域，任意选择某个点，然后点击光谱特性，就可以看到其光谱特性曲线图，把光谱数据进行存储，注意这里存储的是txt文件，需把它转换成Excel文件，便于后续处理。

步骤12.2：按上述方法，采集若干个点的光谱数据，一般选十个点以上，选择的点越多越好，本发明的验证实验中设计了15个不同的采样点，把不同点的光谱数据进行平均处理，其值作为某个鸡蛋蛋黄的光谱数据。

步骤12.3：重复上述方法，直到每个生鸡蛋蛋黄的光谱数据采集完毕。

步骤12.4：对获取的生蛋黄光谱数据进行处理，把获得的光谱数据进行滤波和归一化处理，采用均值滤波的方法完成噪声的去除，滤波窗口的大小设为10。

步骤12.5：把所有鸡蛋蛋黄的光谱特性数据进行均值处理，可以近似地作为该类鸡蛋生蛋黄的光谱特性数据。

步骤13中所述的把单个生蛋黄进行混合搅拌形成混合蛋黄的具体步骤为：

步骤13.1：把所有生蛋黄放入一个仪器或杯子中进行搅拌，这样就获得了该类鸡蛋的混合蛋黄。

步骤14中所述的对混合蛋黄进行高光谱成像处理并获得其相应的高光谱图像数据的具体步骤为：

步骤14.1：按前面所述的方法进行高光谱成像处理，就可以获得混合蛋黄的高光谱图像数据，并保存结果。

步骤15中所述的从混合蛋黄的高光谱图像数据中提取其相应的光谱特性数据的具体步骤为：

步骤15.1：按前面所述的方法提取混合蛋黄的光谱特性数据，并保存结果。

步骤16中所述的三种不同形态蛋黄的高光谱特性进行比较分析的具体步骤为：

步骤16.1：把不同形态蛋黄的光谱数据放在一起(如图2所示)，进行比较分析，如果不论那种形式，它们的光谱特性曲线很相似，说明该鸡蛋的新鲜度比较好。从图2中可以看出，对于熟蛋黄，由于其含水量少，因此其反射率要高一些；而生蛋黄含水量高，因此其反射值会低一些；混合蛋黄的光谱特性值处于中间。如果不同形态蛋黄的光谱特性曲线不相似，或者是它们出现了交叉的现象，如图3所示，表明该类鸡蛋的新鲜度不太好。

步骤16.2：用参数光谱角来鉴别鸡蛋品质及新鲜度。光谱角反映了两条波谱曲线之间的相似程度，光谱角值越小，表明它们之间约相似性越靠近，说明蛋黄或鸡蛋品质越好，新鲜度越高。光谱角表示的是两个光谱特性矢量之间的夹角，用θ表示，其计算公式如式(1)所示，即

式中的T和R表示光谱特性矢量。夹角θ值的大小表征两光谱特性曲线之间的匹配程度。夹角越小，表明它们之间的相似性越高。两矢量广义夹角通常用反余弦来表示，即

其中，t_i和r_i分别表示第i波段的光谱特性值，L表示波段的个数。当θ值越小时，表示T和R之间的相似性越大。注意，计算时两个光谱矢量的维数要相同，如不相同时，要进行重采样，达到维数相同。在实际应用中，通常在式(2)的两边取对数，即对数光谱角，如式(3)所示。

按式(3)计算图2所示的蛋黄光谱特性的对数光谱角，得到生蛋黄与混合蛋黄的光谱角值为3.25，混合蛋黄和熟蛋黄的光谱角值为9.54，生蛋黄和熟蛋黄的光谱角值为11.35，说明符合正常规律，表明该批鸡蛋是正常的，具有好的品质和高的新鲜度。

同理，计算图3所示鸡蛋的蛋黄的光谱角参数值，得到生蛋黄与混合蛋黄的光谱角值为12.37，混合蛋黄和熟蛋黄的光谱角值为9.73，生蛋黄和熟蛋黄的光谱角值为15.54，表明此批鸡蛋不正常，具有较差的品质和低的新鲜度。

步骤16.3：用参数欧氏距离来鉴别鸡蛋品质及新鲜度。欧式距离反映的是两条波谱曲线在光谱反射值方面的差距，如果距离值越大，表明它们的光谱反射值差距越大，发生的变化越大，说明鸡蛋的质量和品质及新鲜度越差，其值越小，表明两者的关系越紧密。这里用欧式距离来表征两个光谱特性矢量之间反射值的差距，具体的计算公式如下。

其中，k表示某个波段，L表示全部波段个数，i和j分别表示不同的光谱特性点，D_ij表示i和j之间的欧氏距离，r表示光谱反射值。

按式(4)获得图2所示蛋黄光谱特性的欧氏距离参数值，其中生蛋黄与混合蛋黄的值为20.65，混合蛋黄和熟蛋黄的值为47.23，生蛋黄和熟蛋黄的值为67.88，符合正常规律，这同样表明此批蛋的品质较好。但是，对于图3，获得的相应结果为：79.76，25.99，53.77，不符合正常规律(尤其是720nm的波谷值显著偏高导致出现曲线交叉)，充分表明这批鸡蛋的品质较差。

通过大量的实际测量实验，并对获取的数据进行比较分析，获得了好的实验结果，表明本发明提出的方法是可行的、有效的，具有较好的应用前景和推广价值。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

1.一种基于不同形态蛋黄高光谱成像的鸡蛋品质检测方法，其特征在于，包括以下操作：

1)从待检测的批次的鸡蛋中取出若干个，将取出的鸡蛋分为生鸡蛋组和熟鸡蛋组；

2)将熟鸡蛋组的鸡蛋煮熟后分离取出熟蛋黄，利用高光谱成像仪对熟蛋黄逐个进行400nm～1000nm的扫描采集其高光谱图像数据，然后从高光谱图像数据中提取熟蛋黄的光谱特性曲线数据；

对获得的光谱数据进行滤波降噪和归一化处理之后，再进行均值处理，得到该批次鸡蛋的熟蛋黄光谱特性曲线数据；

3)将生鸡蛋组的鸡蛋打开并分离获取完整的生蛋黄，利用高光谱成像仪对生蛋黄逐个进行400nm～1000nm的扫描采集其高光谱图像数据，然后从高光谱图像数据中提取生蛋黄的光谱特性曲线数据；

对获得的光谱数据进行滤波降噪和归一化处理之后，再进行均值处理，得到该批次鸡蛋的生蛋黄光谱特性曲线数据；

4)将生鸡蛋组所分离的所有生蛋黄混合并搅拌，得到混合蛋黄，利用高光谱成像仪对混合蛋黄进行400nm～1000nm的扫描采集其高光谱图像数据，然后从高光谱图像数据中提取混合蛋黄的光谱特性曲线数据；

对获得的光谱数据进行滤波降噪和归一化处理之后，得到该批次鸡蛋的混合蛋黄光谱特性曲线数据；

5)将熟蛋黄光谱特性曲线、生蛋黄光谱特性曲线和混合蛋黄光谱特性曲线放在同一坐标下进行建模和比较分析；

对于新鲜度好的鸡蛋，三个形态的蛋黄光谱特性曲线自上到下的排列为：熟蛋黄光谱特性曲线、混合蛋黄光谱特性曲线、生蛋黄光谱特性曲线，且光谱特性曲线相似，光谱特性曲线越相似其鸡蛋品质、新鲜度越好；

若三个形态的蛋黄光谱特性曲线不相似，或者曲线排列错乱，出现错乱交叉，则表明该批次鸡蛋的品质不是很好，或者是存储的时间比较长；

同时，通过对不同形态根据鸡蛋黄光谱特性曲线相似性参数的估计，进一步对度定性分析得到鸡蛋品质或其新鲜度进行描述。

2.如权利要求1所述的基于不同形态蛋黄高光谱成像的鸡蛋品质检测方法，其特征在于，还利用特征参数光谱角θ来比较熟蛋黄、生蛋黄和混合蛋黄的光谱特性曲线的相似性，光谱角θ越小，表明它们之间约相似性越靠近，说明鸡蛋品质越好，新鲜度越高；

式中的T和R表示光谱特性矢量；

将光谱特性矢量用反余弦来表示，则为：

其中，t_i和r_i分别表示第i波段的光谱特性值，L表示波段的个数；

计算时两个光谱矢量的维数要求相同，如不相同时必须进行重采样以达到维数相同的条件。

3.如权利要求2所述的基于不同形态蛋黄高光谱成像的鸡蛋品质检测方法，其特征在于，在式(2)的两边取对数，即对数光谱角来表示，如式(3)所示：

θ值越小，则高光谱特性的相似性越大。

4.如权利要求1或2所述的基于不同形态蛋黄高光谱成像的鸡蛋品质检测方法，其特征在于，还利用欧氏距离比较熟蛋黄、生蛋黄和混合蛋黄的光谱特性曲线的相似性：

其中，r_ki和r_kj分别表示第k波段i和j光谱特性点的光谱反射值，D_ij表示i和j之间的欧氏距离，L表示波段的个数；

欧氏距离D_ij值越大则鸡蛋的品质、新鲜度越差；欧氏距离值越小则鸡蛋的品质越好，新鲜度越高。

5.如权利要求1所述的基于不同形态蛋黄高光谱成像的鸡蛋品质检测方法，其特征在于，所述熟蛋黄光谱特性数据或生蛋黄光谱特性数据的提取方法为：

用高光谱成像相关处理软件打开熟蛋黄或生蛋黄的高光谱图像数据，定位到蛋黄区域，选定蛋黄区域的某个点并显示其光谱特性曲线图，把光谱数据进行存储，并转换成Excel文件；

在每个熟蛋黄或生蛋黄样品上采集n个点的光谱特性数据，n≥10；

取所述n个光谱特性数据的平均值作为相应单个蛋黄样品的光谱特性数据；

对每个熟蛋黄或生蛋黄样品的光谱特性数据进行滤波和归一化处理后，取所有熟蛋黄或生蛋黄样品的光谱特性数据的平均值作为熟蛋黄或生蛋黄样品的光谱特性数据。

6.如权利要求1或5所述的基于不同形态蛋黄高光谱成像的鸡蛋品质检测方法，其特征在于，采用均值滤波降噪的方法完成噪声的去除，滤波窗口的大小设为10。

7.如权利要求1或5所述的基于不同形态蛋黄高光谱成像的鸡蛋品质检测方法，其特征在于，在利用高光谱成像仪扫描时，选择的高光谱成像系统为MShyperSIS系统，此时的光谱分辨率是2.8nm，获取的图像的空间大小为1344×1024。