CN109883966A - 一种基于多光谱图像技术检测中华绒螯蟹熟化程度的方法 - Google Patents

Abstract

本发明属于无损检测技术领域，具体涉及一种基于多光谱图像技术检测中华绒螯蟹熟化程度的方法；具体步骤为：采集中华绒螯蟹在蒸制过程中的全波段光谱信息，筛选表征蛋白质和脂质熟化程度的特征波长，和多光谱相机组构建多光谱信息采集系统和熟化程度在线监测系统；采集中华绒螯蟹在蒸制过程中特征波长下的光谱图像，并进行校正，进一步划分感兴趣区域；然后提取感兴趣区域的光谱图像数据和颜色信息；融合步骤四中提取的光谱图像数据和颜色信息，建立判别模型；本发明使用光谱图像对中华绒螯蟹的熟化程度进行判断，利用光谱数据与图像数据代替传统的人眼观察，具有准确、高效、无损、实时的优点；解决了人工判断主观性强、准确性差的缺陷。

Description

一种基于多光谱图像技术检测中华绒螯蟹熟化程度的方法

技术领域：

本发明属于水产品加工过程中的无损检测技术领域，具体涉及一种基于多光谱图像技术检测中华绒螯蟹熟化程度的方法。

背景技术

中华绒螯蟹是我国重要的名贵水产品，不仅味道鲜美，而且还含有丰富的蛋白质、维生素及钙、磷、铁等微量元素，具有较高的营养价值。但是，中华绒螯蟹一般以动物尸体或腐殖质为食，体表、鳃及胃肠道中布满了各类细菌和污泥，尤其是肺吸虫的囊拗和副溶血性弧菌，侵入人体会发生感染性中毒，表现出肠道发炎、水肿及充血等症状。在中华绒螯蟹加工过程中，高温蒸煮能够杀死寄生在螃蟹体内的各种细菌及致病菌，同时可以使蛋白质变性，更利于人体消化吸收，但如果蒸煮过程较短，内部未完全熟化或致病菌未完全失活就会给人体健康带来严重危害。因此，精准地判断中华绒螯蟹加工过程中的熟化程度对于蟹肉食用过程关键品质控制和保障蟹产品食用安全具有重要现实意义。

当前，在中华绒螯蟹的加工过程中，熟化程度的检测并没有统一的标准，主要根据人工观测螃蟹蒸煮过程中蟹壳颜色变化与蒸煮时间去判断螃蟹是否加工成熟。但是，蟹壳中的颜色变化并不能完全表示螃蟹熟化情况，其原因在于蟹壳颜色变化主要是其甲壳下面真皮层中的色素细胞在起作用，在螃蟹尚未熟化时，色素细胞已经被高温完全破坏，其显色提前于蟹肉的成熟。对于蒸煮时间而言，主要根据自身经验为准，随意制定，其人为原因可能会导致螃蟹蒸煮时间不足，细菌未杀灭完全；或加热时间过长，螃蟹内蛋白质变性严重，致使蟹肉失去鲜嫩的口感，影响螃蟹的品鉴。

中华绒螯蟹蟹壳中粗蛋白和脂肪含量约30％，甲壳质含量约20％，这些成分对于可见-近红外区域的光波具有很好的透过性，且这一部分光谱能准确地反映出在加热过程中蟹体内蛋白质、脂质的结构变化，在特定波长下产生不同的反射比或吸收度，所以使用光谱分析技术检测中华绒螯蟹加工过程中的熟化程度具有可行性。

多光谱图像技术集光谱分析技术和计算机视觉于一体，既含光谱分析技术的快速、无损、多组分检测等优点，又集计算机视觉技术的可视化、直观等优点。多光谱相机工作时，光源照射到加工过程中螃蟹的表面，随着蟹体内蛋白质、脂质结构的变化，多光谱相机接收到不同的光谱信号。光谱仪将检测到被测中华绒螯蟹的反射或吸收光分成单色光进入图像传感器，最终获得中华绒螯蟹特定波长的图像。通过设置校正集与预测集，将样品的光谱信号与熟化程度构建定性模型，便可在加工过程中通过该模型对中华绒螯蟹的熟化程度进行准确地预测。

发明内容

为了弥补在中华绒螯蟹加工过程中对熟化程度监测的空白，同时改正加工过程中人工判断熟化度主观性强、恒定时间加热准确度差的问题和不足，本发明采用多光谱图像技术采集蒸制过程中中华绒螯蟹的光谱图像，提取并筛选特征波长，再融合蟹壳加热过程中颜色变化信息，建立高精度判别模型，监测中华绒螯蟹蒸制过程中熟化程度，可以满足在线检测的需要。

一种基于多光谱图像技术检测中华绒螯蟹熟化程度的方法，具体步骤如下：

步骤一：采集中华绒螯蟹在蒸制过程中的全波段光谱信息，筛选表征蛋白质和脂质熟化程度的特征波长，根据特征波长和多光谱相机组建成多光谱信息采集系统；然后以多光谱信息采集系统进一步构建熟化程度在线监测系统；

步骤二：利用步骤一构建的多光谱信息采集系统采集中华绒螯蟹在蒸制过程中特征波长下的光谱图像，并对采集的光谱图像进行校正；

步骤三：对步骤二中校正后的光谱图像进一步划分感兴趣区域；

步骤四：提取步骤三划分的感兴趣区域的光谱图像数据和颜色信息；

步骤五：融合步骤四中提取的光谱图像数据和颜色信息，建立判别模型。

步骤一所述筛选表征蛋白质和脂质熟化程度的特征波长的方法包括遗传算法和蚁群优化算法。

步骤一所述构建熟化程度在线监测系统的具体方法为：将多光谱信息采集系统组建于蒸锅内侧，多光谱信息采集系统外部加装玻璃挡板，接入冷风系统，去除玻璃挡板上的雾气，同时使用暗通道去雾算法，进行算法去雾，保障图像成像质量，构建熟化程度在线监测系统。

步骤一所述特征波长为：490nm、606nm、646nm、730nm、763nm、780nm、827nm、935nm和990nm。

步骤二所述校正的方法是通过采集白板标定图像进行图像校正。

步骤三所述划分感兴趣区域的具体步骤为：使用自动阈值分割实现对中华绒螯蟹的光谱图像与背景分离，再获取中华绒螯蟹壳区域中心坐标和中华绒螯蟹图像的中轴线，以中心坐标为中心，中轴线为对称轴生成100×100至300×300像素大小的矩形为感兴趣区域。

步骤四所述提取光谱图像数据的方法为：使用ENVI(The Environment forVisualizing Images)软件，提取检测时感兴趣区域中每个像素点在步骤一筛选的特征波长下的反射强度，将同一波长感兴趣区域中的反射强度平均值作为一个输入变量，根据步骤一筛选的特征波长的数量，共得到9个光谱数据的输入变量；

步骤四所述提取颜色信息的方法为：利用开源计算机视觉库(Open SourceComputer Vision Library)opencv中cvAvg函数，提取蒸制过程中感兴趣区域L、a、b的平均值，设置蒸制前感兴趣区域L、a、b的平均值为L₀、a₀、b₀，检测时感兴趣区域L、a、b的平均值为L₁、a₁、b₁，将色差值ΔL、Δa、Δb作为颜色信息的输入值。

步骤五所述的融合方法，具体是指将步骤四中得到的9个光谱图像数据的输入变量与3个颜色信息通过归一化方法融合为一个数值矩阵；所述归一化方法为min-max标准化方法，归一化处理后特征向量的值分布在区间[0，1]内，处于相同的维度，便于将数据进行数学建模处理。

步骤五所述建立判别模型是利用光谱图像数据和颜色信息融合与归一化后的数据，分别代入偏最小二乘法判别分析(Partial least squares discriminationanalysis，PLS-DA)、K-近邻算法(KNN)、随机森林算法(Random Forest，RF)、人工神经网络模型(Artificial Neural Network，BP-ANN)数学模型中，得到基于融合特征光谱图像数据与颜色信息的PLS-DA、KNN、RF、BP-ANN分类模型。

本发明的有益效果在于：

(1)本发明使用光谱图像对中华绒螯蟹的熟化程度进行判断，利用光谱数据与图像数据代替传统的人眼观察，具有准确、高效、无损、实时的优点；解决了人工判断主观性强、准确性差的缺陷。

(2)本发明优选与化学指标对应的特征光谱建立分级模型，减少冗余信息和降低信息维度，极大的提高了识别模型的精度和运行速度。

(3)本发明利用信息融合技术，使中华绒螯蟹加热过程中蟹壳颜色色差变化和光谱图像数据进行结合，优化算法实现基于融合信息的中华绒螯蟹熟化程度的在线判别，填补了在线监测熟化程度的空白，能更全面的反应样本的熟化程度，识别精度明显提升。

(4)本发明使用去雾算法进行算法去雾、吹气方法进行物理去雾，能适应蒸锅中多水汽环境，可在蒸制过程中对中华绒螯蟹熟化程度进行连续自动测定，具有在线监测的功能。

附图说明

图1为多光谱成像系统硬件图。

图2为中华绒螯蟹样本在多光谱成像系统下的光谱图像。

具体实施方式

下面结合附图和具体实例对本发明作进一步说明。

实施例1：

步骤一：构建蒸制过程中多光谱信息采集系统与熟化程度在线监测系统

(1)中华绒螯蟹蒸制过程中熟化程度分级；

在中华绒螯蟹蒸制过程中，随着加热时间的不断延长，蟹体内部温度逐渐上升；高温会使细菌与寄生虫内部蛋白质变性进而起到杀菌的作用，同时长时间的高温也会使蟹肉蛋白与脂质发生变性，利于人体的消化吸收。在加热过程中，中华绒螯蟹表壳色素细胞被破坏，蟹壳颜色由青绿逐渐转变为橘红。根据这些特征，对蒸制过程中中华绒螯蟹熟化程度进行分级，各级熟化程度的主要界定标准如下：

1、零级熟度：生蟹，完全未经加工的新鲜中华绒螯蟹；

2、一级熟度：100℃下蒸制10min左右时，大部分蛋白质的初始变性时间，也是蟹壳颜色恰好变色的时间；一级熟度的中华绒螯蟹由于加热时间较短，蟹黄、蟹膏还呈现胶状，各项理化指标的变化也均不显著

3、二级熟度：100℃下蒸制20min左右，蛋白质变性剧烈，脂质氧化分解速度也达到最高；相较于生蟹而言，二级熟度的中华绒螯蟹蛋白质与脂质已经完全固化，蟹壳颜色完全变为橘红色。

4、三级熟度：100℃下蒸制30min左右，蛋白质与脂质已经完全成熟，蟹壳颜色较二级熟度也进一步加深，但颜色变化已经趋于平缓；此时的蒸制温度与时间以达到杀菌效果，而且蟹肉完全蒸熟，可以放心食用；

5、四级熟度：100℃下蒸制40min以上，此时蟹壳颜色与三级熟度相比无明显差别，但是蟹肉蛋白已经过度熟化，内部水分散失严重，致使蟹肉失去鲜嫩口感，影响螃蟹品鉴。

(2)中华绒螯蟹蒸制过程中特征波长筛选；

中华绒螯蟹样本采自阳澄湖的中华绒螯蟹养殖基地，采集100只雄蟹和100只雌蟹，共200只鲜活中华绒螯蟹。捕捞出水后清洗干净，随机取10只雄蟹和10只雌蟹分为一组，每组分别放置在蒸锅中进行蒸制；按1、2、3、4、5、6、7、8、9、10组，分别相对应蒸制0min、5min、10min、15min、20min、25min、30min、35min、40min、45min，蒸制完成后采集其全波段光谱信息，按照上述分级标准对其进行熟化程度分级。

全波段光谱数据波长范围广，对其进行定性分析需要的处理时间长，因此需要筛选出具有代表性的特征波长信息。筛选特征波长的过程中，采用遗传算法(geneticalgorithm,GA)、蚁群优化(ant colony optimization,ACO)算法等。GA是一种借鉴自然选择和生物演化的机制，利用选择、交换和突变等进化算子的操作实现目标变量的“优胜劣汰”，最终得到最优结果，经过不断完善后GA算法已经成功应用于各个领域。ACO是模拟真实蚁群觅食行为提出的一种简单、分布式和反馈的群集智能演化算法，已在数据挖掘上获得了广泛应用。

在对全波段光谱数据进行分析后发现：GA算法筛选与中华绒螯蟹熟化程度相关的波长时，被选用频次较多集中在501nm、646nm、730nm、762nm、780nm、934nm附近；使用ACO算法筛选特征波长时，被选中概率大的波长处于487nm、606nm、764nm、827nm、938nm、990nm左右。基于两种方法对中华绒螯蟹所挑选出两组特征波长如表1所示，由表1可看出，通过两种方法对中华绒螯蟹等级进行特征波长选取时，会出现部分重合波长，如在波长490nm、763nm、935nm、左右处，且760nm对应N-H键三倍波的吸收峰，这与蛋白质结构变化密切相关；938nm对应脂质的特征吸收峰，说明这几个波长处的光谱对预测中华绒螯蟹等级起到较为重要的贡献。根据筛选结果，可知中华绒螯蟹特征波长为：490nm、606nm、646nm、730nm、763nm、780nm、827nm、935nm、990nm。

表1 GA和ACO方法对中华绒螯蟹熟化程度筛选的特征波长

(3)中华绒螯蟹熟化程度在线监测系统构建；

多光谱成像系统结构如图1所示。这种成像装置主要由两个小型卤素光源(WelchAllyn，Japan)、多光谱相机(FD-1665-MS，FluxData，USA)组成，小型卤素光源灯头部分没有任何遮挡物，可在270度范围内有效利用灯管发出的光，并且灯头部位装有透射镜，可把强光投射到蟹壳上；FD-1665-MS提供9波长配置，可以根据筛选的最优波长：490nm、606nm、646nm、730nm、763nm、780nm、827nm、935nm、990nm，利用指定滤波器和分束器涂层来调制传感器的光谱响应。多光谱成像系统采用二维视场成像方式，同时进行二维扫描，完成对二维目标空间的成像。工作时，随着中华绒螯蟹熟化程度的加深，内部蛋白质、脂质等结构不断发生变化。在光源的照射下，蟹内部结构的响应以光信号形式辐射出来，镜头捕捉到信号后，通过成像系统生成蟹体在特征波长下的多光谱图像。

为达到实时在线监测的效果，实例中将该系统组建在蒸锅锅盖内侧，系统外部罩有玻璃挡板，以隔绝水蒸气对相机系统的损害。为消除锅内雾气对拍摄精度的影响，在锅盖的光源垂直中心线上通入两个冷风吹入口，同时采用暗通道图像去雾算法进行算法去雾。

步骤二：采集中华绒螯蟹蒸制过程中的光谱图像，并进行图像校正；

(1)多光谱图像采集；

按步骤一中的方法另采集200只雌雄数相同的活蟹，放置于蒸锅中进行蒸制并使用多光谱成像系统中拍摄不同蒸制时间下中华绒螯蟹的光谱图像。采集光谱图像前，预先打开光源并预热半个小时，保证卤素灯光源平稳工作。系统工作时，设置CCD相机(ICX445，Sony，Japan)参数为曝光时间50ms、焦距为23mm、图像分辨率1296pixel×966pixel。

(2)多光谱图像校正；

采集多光谱图像时，由于各波长下光源强度分布不均匀以及传感器中暗电流的存在，造成在光照强度分布较弱的波长下，获得的图像含有较大噪声，而且图像在不同波长下的亮度值差异较大，因此，必须对采集的图像进行标定。首先，采集得到全白的标定图像W(扫描反射率为99％的标准白色校正板)；然后关闭摄像机快门进行图像采集，得到全黑的标定图像B；最后按照式(1)进行图像标定，使采集得到的绝对图像I变成相对图像R。

R＝(I-B)/(W-B) (1)

其中，I为原始多光谱图像；B为全黑的标定图像；W为全白的标定图像；R为标定后的多光谱图像。

步骤三：划分感兴趣区域；

提取蒸制过程中中华绒螯蟹样本图像的光谱和颜色特征之前需要划分感兴趣区域，在Halcon18.0软件中使用自动阈值分割实现蟹壳图像与背景分离，获取蟹壳区域中心坐标和中华绒螯蟹图像的中轴线，以中心坐标为中心，中轴线为对称轴生成100×100至300×300像素大小的矩形感兴趣区域。

步骤四：提取感兴趣区域在特定波长下的光谱图像数据、颜色信息；

(1)提取光谱图像数据和光谱分析；

提取光谱图像数据。首先，使用ENVI软件，提取出200只中华绒螯蟹感兴趣区域中每个像素点在特征波长：490nm、606nm、646nm、730nm、763nm、780nm、827nm、935nm、990nm下的反射强度，计算同一特征波长下感兴趣区域的平均光谱反射值Xi(X1、X2、X3、…、X200)并作为该样本的光谱数据，从而200只样本得到200×9(样本数×波长数)的原始光谱数据；光谱图像数据中的光谱信息主要是中华绒螯蟹内部化学组分含氢基团(如C-H、O-H和N-H等)合频和倍频吸收的呈现，且在不同熟化程度的中华绒螯蟹中，化学组分含量差异越为显著，而这些差异均能引起光谱特定波长吸收峰的变化。为了充分挖掘有效的光谱信息，建立稳定性好、鲁棒性强、精确度高的鉴别模型，有必要对原始光谱信息进行预处理。本实施例采用标准正态变量变换(Standard Normal Variate,SNV)对原始光谱数据进行平滑预处理，预处理的光谱信息被强化并存留了原始光谱的吸收数据，可用于后续数据分析。

(2)提取感兴趣区域的颜色信息；

Lab是一种设备无关的颜色模型，也是一种基于生理特征的颜色模型。Lab颜色模型由三个要素组成，一个要素是亮度(L)，a和b是两个颜色通道。a包括的颜色是从深绿色(低亮度值)到灰色(中亮度值)再到亮粉红色(高亮度值)；b是从亮蓝色(低亮度值)到灰色(中亮度值)再到黄色(高亮度值)。本实例用opencv中的cvAvg函数，分别提取蒸制前与检测时多光谱成像系统拍摄的感兴趣区域中L、a、b的平均值，将蒸制前感兴趣区域颜色的平均值设为L₀、a₀、b₀，检测时感兴趣区域的L、a、b的平均值为L₁、a₁、b₁，取其差值ΔL、Δa、Δb作为颜色信息的输入值。

步骤五：融合蒸制过程中特征光谱数据和颜色信息，建立高精度判别模型。

数据归一化是为了将不同表征的数据规约到相同的尺度内，对于神经网络、支持向量机(SVM)等模型，在数据预处理中使用归一化是必不可少的。在实例中，为了将光谱数据与图像色差数据进行融合，方便后续采用不同的判别模型对中华绒螯蟹熟化程度进行判断，选用min-max标准化对数据进行归一化处理，归一化处理后特征向量的值分布在区间[0，1]内，可以加快分类模型的训练速度和提升识别率准确率。归一化公式(2)：

其中，V表示特征向量，μ_k和σ_k表示第k维向量的最大值和最小值，n为表示n维特征向量，本实例中由于选用9个特征波长与3个颜色色差信息共12维特征向量，因此n＝12。

归一化后，步骤一中划分的10组共200只中华绒螯蟹的光谱数据与颜色信息融合成一个200×12的数值矩阵，随机抽取10组中每组15只共150只中华绒螯蟹组建校正集，抽取每组剩余5只共50只中华绒螯蟹组建预测集，利用步骤一中中华绒螯蟹熟化程度分级方法，对200只中华绒螯蟹熟化程度的进行分级，根据分级结果，建立不同的数学模型。对比不同模型校正集与预测集的准确率，选择合适的数学模型，构建中华绒螯蟹熟化程度的高精度判别模型。

本实例采用偏最小二乘法判别分析(Partial least squares discriminationanalysis，PLS-DA)、K-近邻算法(KNN)、随机森林算法(Random Forest，RF)、人工神经网络模型(Artificial Neural Network，BP-ANN)建立中华绒螯蟹熟化程度的分类模型。PLS-DA算法是在PLS回归算法基础上建立样本分类变量与光谱特征间的回归模型的分类方法；KNN算法是将一个样本在特征空间中的K个最相似或者最邻近的样本进行比较，样本中的大多数属于某一类则将该样本则归结为此类；RF是一个包含多个决策树的分类器，对于很多种资料，它可以产生高准确度的分类器；BP人工神经网络是一种按误差逆传播算法训练的多层前馈网络，无需经验公式与数学模型,在客观定量地寻求变量间复杂的非线性对应关系的同时有较高的准确性。

表2为基于融合信息建立的分类模型结果，由表2可知，四种鉴别模型对蒸制过程中中华绒螯蟹熟化程度都能有效区分，其中RF、BP-ANN模型中校正集与预测集的正确率均大于95％，基于RF分类模型校正集和预测集的识别率最高，分别能达到98.28％和97.36％，已满足在线检测的需要。融合模型具有较高的正确识别率，这是因为融合模型同时结合了中华绒螯蟹外壳颜色变化信息和内部蛋白质、脂质结构变化信息，能全面的解释样本的熟化程度。这也表明利用融合数据建立RF模型后，能准确地根据中华绒螯蟹内部蛋白质与脂质成熟时结构变化与外壳颜色色差变化对熟化程度进行灵敏地判别，证实了光谱图像数据、颜色信息融合后建立的模型在鉴定蒸制过程中中华绒螯蟹的熟化程度上准确性和稳定性。

表2 基于融合信息的中华绒螯蟹熟化程度鉴别模型的识别率

说明：以上实施例仅用以说明本发明而并非限制本发明所描述的技术方案；因此，尽管本说明书参照上述的各个实施例对本发明已进行了详细的说明，但是本领域的普通技术人员应当理解，仍然可以对本发明进行修改或等同替换；而一切不脱离本发明的精神和范围的技术方案及其改进，其均应涵盖在本发明的权利要求范围内。

Claims (10)

1.一种基于多光谱图像技术检测中华绒螯蟹熟化程度的方法，其特征在于，具体步骤如下：

步骤一：采集中华绒螯蟹在蒸制过程中的全波段光谱信息，筛选表征蛋白质和脂质熟化程度的特征波长，根据特征波长和多光谱相机组建成多光谱信息采集系统；然后以多光谱信息采集系统进一步构建熟化程度在线监测系统；

步骤二：利用步骤一构建的多光谱信息采集系统采集中华绒螯蟹在蒸制过程中特征波长下的光谱图像，并对采集的光谱图像进行校正；

步骤三：对步骤二中校正后的光谱图像进一步划分感兴趣区域；

步骤四：提取步骤三划分的感兴趣区域的光谱图像数据和颜色信息；

步骤五：融合步骤四中提取的光谱图像数据和颜色信息，建立判别模型。

2.根据权利要求1所述的基于多光谱图像技术检测中华绒螯蟹熟化程度的方法，其特征在于，步骤一所述筛选表征蛋白质和脂质熟化程度的特征波长的方法包括遗传算法和蚁群优化算法。

3.根据权利要求1所述的基于多光谱图像技术检测中华绒螯蟹熟化程度的方法，其特征在于，步骤一所述构建熟化程度在线监测系统的方法为：将多光谱信息采集系统组建于蒸锅内侧，多光谱信息采集系统外部加装玻璃挡板，接入冷风系统，去除玻璃挡板上的雾气；同时使用暗通道去雾算法，进行算法去雾，保障图像成像质量，构建熟化程度在线监测系统。

4.根据权利要求1所述的基于多光谱图像技术检测中华绒螯蟹熟化程度的方法，其特征在于，步骤一所述特征波长为：490nm、606nm、646nm、730nm、763nm、780nm、827nm、935nm和990nm。

5.根据权利要求1所述的基于多光谱图像技术检测中华绒螯蟹熟化程度的方法，其特征在于，步骤二所述校正的方法是通过采集白板标定图像进行图像校正。

6.根据权利要求1所述的基于多光谱图像技术检测中华绒螯蟹熟化程度的方法，其特征在于，步骤三所述划分感兴趣区域的具体步骤为：使用自动阈值分割实现对中华绒螯蟹的光谱图像与背景分离，再获取中华绒螯蟹壳区域中心坐标和中华绒螯蟹图像的中轴线，以中心坐标为中心，中轴线为对称轴生成100×100至300×300像素大小的矩形为感兴趣区域。

7.根据权利要求1所述的基于多光谱图像技术检测中华绒螯蟹熟化程度的方法，其特征在于，步骤四所述提取光谱图像数据的方法为：提取检测时感兴趣区域中每个像素点在步骤一筛选的特征波长下的反射强度，将同一波长感兴趣区域中的反射强度平均值作为一个输入变量，根据步骤一筛选的特征波长的数量，共得到9个光谱数据的输入变量。

8.根据权利要求1所述的基于多光谱图像技术检测中华绒螯蟹熟化程度的方法，其特征在于，步骤四所述提取颜色信息的方法为：首先提取蒸制过程中感兴趣区域L、a、b的平均值，设置蒸制前感兴趣区域L、a、b的平均值为L₀、a₀、b₀，检测时感兴趣区域L、a、b的平均值为L₁、a₁、b₁，将色差值ΔL、Δa、Δb作为颜色信息的输入值。

9.根据权利要求1所述的基于多光谱图像技术检测中华绒螯蟹熟化程度的方法，其特征在于，步骤五所述的融合方法，具体是指将步骤四中得到的光谱图像数据与颜色信息通过归一化方法融合为一个数值矩阵；所述归一化方法为min-max标准化方法，归一化处理后特征向量的值分布在区间[0，1]内。

10.根据权利要求1所述的基于多光谱图像技术检测中华绒螯蟹熟化程度的方法，其特征在于，步骤五所述建立判别模型是利用光谱图像数据和颜色信息融合与归一化后的数据，分别代入偏最小二乘法判别分析、K-近邻算法、随机森林算法或人工神经网络模型数学模型中，得到基于融合特征光谱图像数据与颜色信息的分类模型。