CN110243805B - 基于拉曼高光谱成像技术的鱼刺检测方法 - Google Patents

基于拉曼高光谱成像技术的鱼刺检测方法 Download PDF

Info

Publication number
CN110243805B
CN110243805B CN201910694235.8A CN201910694235A CN110243805B CN 110243805 B CN110243805 B CN 110243805B CN 201910694235 A CN201910694235 A CN 201910694235A CN 110243805 B CN110243805 B CN 110243805B
Authority
CN
China
Prior art keywords
fish
sample
optimal
bands
pixel point
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
CN201910694235.8A
Other languages
English (en)
Other versions
CN110243805A (zh
Inventor
黄敏
宋苏悦
朱启兵
郭亚
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.)
Jiangnan University
Original Assignee
Jiangnan 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 Jiangnan University filed Critical Jiangnan University
Priority to CN201910694235.8A priority Critical patent/CN110243805B/zh
Publication of CN110243805A publication Critical patent/CN110243805A/zh
Application granted granted Critical
Publication of CN110243805B publication Critical patent/CN110243805B/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
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/65—Raman scattering

Landscapes

  • Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Physics & Mathematics (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, Analyzing Materials By Fluorescence Or Luminescence (AREA)

Abstract

本发明公开了一种基于拉曼高光谱成像技术的鱼刺检测方法，涉及食品安全检测技术领域，该方法首先利用鱼刺与鱼肉的拉曼光谱差异特性选择用于区分鱼肉和鱼刺的主要波段特征，利用主要波段的光谱特征估算可检测到的鱼刺深度来确定可检测的最佳鱼片厚度，基于最佳鱼片厚度构建了样本集，然后对样本集的主要波段再次进行波段选择，利用选择出的最优波段的光谱特征来构建基于SVDD的分类模型，最终利用分类模型对待测鱼片样本的每个像素点进行分类，以实现对鱼刺位置的精确定位，最终实现对鱼刺的自动化检测，该方法具有可实现无损检测、准确性好、可靠性高等优点，对今后鱼刺等其他异物的自动检测具有重要意义。

Description

基于拉曼高光谱成像技术的鱼刺检测方法
技术领域
本发明涉及食品安全检测技术领域，尤其是一种基于拉曼高光谱成像技术的鱼刺检测方法。
背景技术
鱼刺是一种经常出现在鱼类加工产品中的异杂物，其个体较小，颜色与鱼肉纹理相似，是一种重要的食品危害因子，如不慎摄入会导致消化道黏膜受损，肠道穿孔以及甲状腺肿大等并发症。随着人们生活水平的提高和对健康饮食的追求，鱼类产品正在受到越来越多消费者的欢迎，这也使得因误食鱼刺而造成身体疾病的可能性不断増加，因此鱼刺己经成为了水产品中必须严格控制的危害因子。目前，国内多数水产加工企业主要靠日光灯下人工初次摸刺、二次摸刺、残留复检等步骤去除鱼肉中的鱼刺，劳动强度大且效率低，很难准确、高效、全面地实现对这一危害因子的监控和去除。因此开发效率更优、智能化程度更高的创新型鱼刺检测方法势在必行。
到目前为止，对鱼刺实现自动化检测的方法非常有限，且现有的方法存在明显的缺点：X射线技术不能完全区分鱼刺和鱼肉纹理，容易出现假阳性问题，且对操作人员有辐射，有损人体健康。紫外荧光检测技术检出率较低且只能检测出存在于鱼肉表面的鱼刺，并不能检测鱼肉内部的鱼刺。
发明内容
本发明人针对上述问题及技术需求，提出了一种基于拉曼高光谱成像技术的鱼刺检测方法，本发明的技术方案如下：
一种基于拉曼高光谱成像技术的鱼刺检测方法，该鱼刺检测方法包括：
将鱼刺表面覆盖不同厚度的鱼薄片以获取鱼刺在不同深度下的M个分层样本，所覆盖的鱼薄片为不含鱼刺的鱼肉，M≥2；
采集并获取各个分层样本的拉曼高光谱图像，根据鱼肉和不同深度下鱼刺的拉曼光谱确定区分鱼肉和鱼刺的P个主要波段，P为整数；
使用P个主要波段的光谱特征建立基于距离的可分性测度，根据可分性测度的结果确定鱼刺检测的最佳鱼片厚度；
确定正样本集并根据最佳鱼片厚度确定负样本集，正样本集包括鱼肉像素点的光谱特征，负样本集包括M个分层样本中鱼刺表面所覆盖的鱼薄片的厚度不超过最佳鱼片厚度的各个分层样本的拉曼高光谱图像中的鱼刺像素点的光谱特征；
基于FRSTCA算法对正样本集和负样本集的P个主要波段再次进行波段选择确定Q个最优波段，Q为整数且Q＜P；
将正样本集和负样本集中的Q个最优波段的光谱特征作为模型输入建立基于SVDD的分类模型；
获取厚度为最佳鱼片厚度的待测鱼片样本，获取待测鱼片样本的拉曼高光谱图像，从拉曼高光谱图像中提取各个像素点的Q个最优波段的光谱特征；
将各个像素点的Q个最优波段的光谱特征输入分类模型，分类模型判断各个像素点属于鱼刺像素点或鱼肉像素点，检测出待测鱼片样本中的鱼刺。
其进一步的技术方案为，使用P个主要波段的光谱特征建立基于距离的可分性测度，根据可分性测度的结果确定鱼刺检测的最佳鱼片厚度，包括：
对于每个分层样本中的鱼刺的深度，使用P个主要波段的光谱特征计算各个深度下的鱼刺与鱼肉的类内散度矩阵和类间散度矩阵；
根据类内散度矩阵和类间散度矩阵建立基于距离的可分性测度为
Figure BDA0002148847130000021
其中，Sb表示类间散度矩阵，Sw表示类内散度矩阵；
当可分性测度J的值小于预定阈值时，确定对应的鱼肉的厚度为最佳鱼片厚度。
其进一步的技术方案为，基于FRSTCA算法对正样本集和负样本集的P个主要波段进行波段再次选择确定Q个最优波段，包括：
(1)设U＝[u1,…ui,…ut,…uN]T∈RN×S为正样本集和负样本集中的共N个样本在共S个波段下组成的特征属性集合，其中ui＝[ui1,…uij,…uis]为第i个样本的特征向量，i为参数；
(2)设di为第i个样本的决策属性值，当di＝1为鱼刺像素点，di＝0为鱼肉像素点，设D＝[d1,…di,…dt,…dN]T∈RN×1为N个样本的决策属性集；
(3)第j个波段下，计算第i个样本和第t个样本的特征属性关系矩阵
Figure BDA0002148847130000022
和决策属性相关矩阵
Figure BDA0002148847130000023
j为参数：
Figure BDA0002148847130000024
Figure BDA0002148847130000031
Figure BDA0002148847130000032
Figure BDA0002148847130000033
其中δ是一个初值为正的邻域半径，
Figure BDA0002148847130000034
反映了第i个样本ui和第t个样本ut在第j个波段下的邻域关系信息，
Figure BDA0002148847130000035
反映了第i个样本ui和第t个样本ut在决策属性D下的邻域关系信息；
(4)确定特征属性关系矩阵
Figure BDA0002148847130000036
和决策属性相关矩阵
Figure BDA0002148847130000037
的熵分别为：
Figure BDA0002148847130000038
Figure BDA0002148847130000039
(5)计算每个波段的重要性：
Figure BDA00021488471300000310
其中，min()为两个矩阵对应元素的最小值，初始化阈值矩阵B＝1N×N，
Figure BDA00021488471300000311
是第j个波段特征属性的重要性，选择
Figure BDA00021488471300000312
最大的波段，记为j1，令
Figure BDA00021488471300000313
并返回步骤(5)再次对剩余的波段特征进行选择；
(6)设共选择了j1,j2,...jQ-1,jQ共Q个波段，当
Figure BDA00021488471300000314
停止选择，确定选择出的Q个最优波段为j1,j2,...jQ-1,jQ。
其进一步的技术方案为，将正样本集和负样本集中的Q个最优波段的光谱特征作为模型输入建立基于SVDD的分类模型，包括：
以鱼肉像素点的光谱特征为目标样本构建超球体，超球体将目标样本包围在超球体中；
定义超球体求解为：
Figure BDA00021488471300000315
其中，R为超球体的半径，α为超球体的球心，ξh为松弛变量，C为惩罚系数，数据集X＝{xh,h＝1,...ω}为目标样本；
转化为求解拉格朗日极值问题，求得最小值，引入高维核函数计算得到最小的超球体的半径R，高维核函数采用径向基函数K(xh,y)＝exp(-||xh-y||2/s2)，其中，s为控制边界紧密程度的自由参数，参数C和s由交叉验证的网格搜索法确定。
其进一步的技术方案为，分类模型判断各个像素点属于鱼刺像素点或鱼肉像素点，包括：将待测鱼片样本的拉曼高光谱图像的每个像素点作为一个单独的测试样本，分类模型检测测试样本是否在超球体内部，若检测到测试样本在超球体的内部，则确定测试样本对应的像素点属于鱼肉像素点，否则属于鱼刺像素点。
其进一步的技术方案为，确定924-979cm-1共16个波段为区分鱼肉与鱼刺的主要波段。
本发明的有益技术效果是：
本申请公开了一种基于拉曼高光谱成像技术的鱼刺检测方法，该方法首先利用鱼刺与鱼肉的拉曼光谱差异特性选择用于区分鱼肉和鱼刺的主要波段，然后利用主要波段的光谱特征估算可检测到的深度也即最佳鱼片厚度，然后基于最佳鱼片厚度构建了样本集，对样本集的波段再次进行选择，利用选择出的最优波段的光谱特征来构建基于SVDD的分类模型，利用分类模型对待测鱼片样本的像素点进行分类，以实现对鱼刺位置的精确定位，最终实现对鱼刺的自动化检测，该方法具有可实现无损检测、准确性好、可靠性高等优点，以克服传统鱼刺检测方法存在的劳动强度大、检出率低和对操作人员有辐射等问题，对今后鱼刺等其他异物的自动检测具有重要意义。而且本申请所公开的方法通过两次波段选择大大减少了输入到分类模型中的信息，在保证检测准确性的基础上可以节省模型训练时间，满足在线使用要求。
附图说明
图1是本申请公开的基于拉曼高光谱成像技术的鱼刺检测方法的流程图。
图2是鱼肉和鱼刺在不同深度下的拉曼光谱的实测比较示意图。
图3是本申请使用的线扫描拉曼高光谱成像系统的结构图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步说明。
本申请公开了一种基于拉曼高光谱成像技术的鱼刺检测方法，该鱼刺检测方法包括如下步骤，请参考图1：
步骤1、将鱼刺表面覆盖不同厚度的鱼薄片以获取鱼刺在不同深度下的M个分层样本，所覆盖的鱼薄片为不含鱼刺的鱼肉，M≥2。在本申请中，制作5个分层样本，5个分层样本中鱼刺表面所覆盖的鱼薄片的厚度分别为0mm、1mm、2mm、2.5mm和3mm。
步骤2，将分层样本放置在拉曼高光谱成像系统中，采集并获取各个分层样本即鱼刺在不同深度下的拉曼高光谱图像。比较各个拉曼高光谱图像确定不同深度下鱼刺和鱼肉的拉曼光谱差异的波段范围，从而确定鱼肉和鱼刺的P个主要波段，P为整数。比如请参考图2，比较不同深度下鱼刺和鱼肉的拉曼光谱，发现鱼肉和未覆盖鱼肉的鱼刺的拉曼特征峰分别为939cm-1和961cm-1处，随着鱼刺深度的增加，不同深度下鱼刺和鱼肉的拉曼光谱差异主要表现在924-979cm-1范围内，因此924-979cm-1共16个波段被选为区分鱼刺与鱼肉的主要波段，如图2中对920-980cm-1区间的放大部分，从上到下依次对应鱼刺在0、1、2、2.5、3mm深度下的拉曼光谱以及鱼肉的拉曼光谱。
步骤3，使用步骤2所选的P个主要波段的光谱特征建立基于距离的可分性测度，根据可分性测度的结果确定鱼刺检测的最佳鱼片厚度。具体包括：
(1)对于每个分层样本中的鱼刺的深度，使用P个主要波段的光谱特征计算各个深度下的鱼刺与鱼肉的类内散度矩阵Sw和类间散度矩阵Sb。类内散度矩阵Sw和类间散度矩阵Sb的具体计算方式具有其通用定义，本申请不详细示出。
(2)根据计算得到的类内散度矩阵Sw和类间散度矩阵Sb建立基于距离的可分性测度为
Figure BDA0002148847130000051
具体计算方式也具有其通用定义，本申请也不详细示出。J值越大，样本间可分性越强，分类效果越好。
(3)根据J值随鱼刺深度变化的趋势估算鱼刺拉曼信号在鱼肉中的穿透深度，当可分性测度J的值小于预定阈值时，确定对应的鱼肉的厚度为最佳鱼片厚度，厚度不超过该最佳鱼片厚度时可分性较好，厚度超过该最佳鱼片厚度时可分性不高。在实际试验时发现3mm深度下的鱼刺和鱼肉的可分性不高，其余深度下的可分性都较好，实际确定出的最佳鱼片厚度为2.5mm。
步骤4，确定正样本集并根据最佳鱼片厚度确定负样本集，正样本集包括鱼肉像素点的光谱特征，鱼肉像素点指的是鱼肉区域的像素点，负样本集包括M个分层样本中鱼刺表面所覆盖的鱼肉的厚度不超过最佳鱼片厚度的各个分层样本的拉曼高光谱图像中的鱼刺像素点的光谱特征，鱼刺像素点指的是鱼刺区域的像素点。也即在本申请所举的最佳鱼片厚度为2.5mm的例子中，负样本集包括鱼刺表面覆盖0、1、2和2.5mm的厚度的鱼薄片的分层样本的拉曼高光谱图像中的所有鱼刺像素点的光谱特征，每个像素点的光谱特征即为一个单独的样本。
步骤5，基于FRSTCA算法(基于三角模糊理论的熵属性约简算法)对正样本集和负样本集的P个主要波段再次进行波段选择确定Q个最优波段，Q为整数且Q＜P。具体包括：
(1)设U＝[u1,…ui,…ut,…uN]T∈RN×S为正样本集和负样本集中的共N个样本在共S个波段下组成的特征属性集合，N和S的取值根据实际情况确定，实际应用时本申请采集的共1024个波段下的光谱数据，因此S可以写作1024。其中ui＝[ui1,…uij,…uis]为第i个样本的特征向量，i为参数。
(2)设di为第i个样本的决策属性值，当di＝1为鱼刺像素点，di＝0为鱼肉像素点，设D＝[d1,…di,…dt,…dN]T∈RN×1为N个样本的决策属性集。
(3)第j个波段下，计算第i个样本和第t个样本的特征属性关系矩阵
Figure BDA0002148847130000061
和决策属性相关矩阵
Figure BDA0002148847130000062
j为参数：
Figure BDA0002148847130000063
Figure BDA0002148847130000064
Figure BDA0002148847130000065
Figure BDA0002148847130000066
其中δ是一个初值为正的邻域半径，
Figure BDA0002148847130000067
反映了第i个样本ui和第t个样本ut在第j个波段下的邻域关系信息，
Figure BDA0002148847130000068
反映了第i个样本ui和第t个样本ut在决策属性D下的邻域关系信息。
(4)确定特征属性关系矩阵
Figure BDA0002148847130000069
和决策属性相关矩阵
Figure BDA00021488471300000610
的熵分别为：
Figure BDA00021488471300000611
Figure BDA00021488471300000612
(5)计算每个波段的重要性：
Figure BDA00021488471300000613
其中，min()为两个矩阵对应元素的最小值，初始化阈值矩阵B＝1N×N，
Figure BDA00021488471300000614
是第j个波段特征属性的重要性，选择
Figure BDA00021488471300000615
最大的波段，记为j1，令
Figure BDA00021488471300000616
并返回步骤(5)再次对剩余的波段特征进行选择；
(6)设共选择了j1,j2,...jQ-1,jQ共Q个波段，当
Figure BDA0002148847130000071
停止选择，确定选择出的Q个最优波段为j1,j2,...jQ-1,jQ。比如在实际的例子中，可以从16个主要波段选择出2个最优波段，从而可以节省后续的模型训练时间，满足在线使用需要。
步骤6，将正样本集和负样本集中的Q个最优波段的光谱特征作为模型输入建立基于SVDD的分类模型。本申请以鱼肉像素点的光谱特征为目标样本构建超球体，SVDD可以描述为对于给定的目标样本的数据集X＝{xh,h＝1,...ω}，寻找尽可能多的包含目标样本xh的超球体F(R,α)。为增加分类的鲁棒性降低奇异样本的影响，引入惩罚系数C和松弛变量ξh，定义超球体求解为：
Figure BDA0002148847130000072
其中，R为超球体的半径，α为超球体的球心。将上式转化为求解拉格朗日极值问题，求得最小值，引入高维核函数计算得到最小的超球体的半径R，高维核函数采用径向基函数K(xh,y)＝exp(-||xh-y||2/s2)，其中，s为控制边界紧密程度的自由参数，参数C和s由交叉验证的网格搜索法确定。
步骤7，获取厚度为上述确定出的最佳鱼片厚度的待测鱼片样本，待测鱼片样本为自然鱼肉样本，也即待测鱼片样本中可能包含鱼刺也可能不包含鱼刺，鱼刺可能存在于待测鱼片样本的任意深度处。比如当最佳鱼片厚度为2.5mm时，通过将买来的鱼用鱼片机切成2.5mm厚的自然鱼片制备得到待测鱼片样本。将待测鱼片样本放置在拉曼高光谱成像系统中，获取待测鱼片样本的拉曼高光谱图像，从拉曼高光谱图像中提取各个像素点的Q个最优波段的光谱特征，图像中所有像素点的Q个最优波段的光谱特征构成一个测试集，每个像素点作为一个单独的测试样本，将该测试集输入分类模型，分类模型会根据每个像素点的Q个最优波段的光谱特征对像素点进行分类，分类模型会根据像素点的Q个最优波段的光谱特征计算其与超球体F(R,α)的距离是否小于超球体的半径R，若小于，则表示该测试样本在超球体内部，则该测试样本对应的像素点为鱼肉像素点，否则该测试样本对应的像素点为鱼刺像素点，从而可以得出鱼刺在待测鱼片样本中的分布图像，从而检测出待测鱼片样本中的鱼刺，实现对鱼刺的自动化检测以及对鱼刺位置的精确定位。
在本申请中，用于获取拉曼高光谱图像的拉曼高光谱成像系统为线扫描拉曼高光谱成像系统，请参考图3，包括避光机箱1、16位CCD相机2、成像光谱仪3、成像透镜4、分光镜5、高度可调升降台6、785nm激光器7、光斑转换器8、移动轨道9和计算机10。其中，16位CCD相机2、成像光谱仪3、成像透镜4、分光镜5、高度可调升降台6、785nm激光器7、光斑转换器8和移动轨道9均设置在避光机箱1内部，从而避免光谱成像过程中外界光带来的干扰。采集样品的拉曼高光谱图像时，将样品放置于高度可调升降台6上，激光器7发出的光经分光镜5反射到样品的表面，CCD相机2和成像光谱仪3采集对应波数范围内的样本拉曼光谱数据，随着高度可调升降台6沿着移动轨道9水平移动最终系统完成对整个样品的数据采集。CCD相机2的输出端与计算机10相连，用于向计算机10输出采集得到的拉曼高光谱图像。在本申请中，CCD相机2的覆盖波数范围为-820～2847cm-1，光谱仪3的光谱分辨率为0.2nm，样品的表面与成像透镜4之间的距离为27cm。
以上所述的仅是本申请的优选实施方式，本发明不限于以上实施例。可以理解，本领域技术人员在不脱离本发明的精神和构思的前提下直接导出或联想到的其他改进和变化，均应认为包含在本发明的保护范围之内。

Claims (5)

1.一种基于拉曼高光谱成像技术的鱼刺检测方法，其特征在于，所述鱼刺检测方法包括：
将鱼刺表面覆盖不同厚度的鱼薄片以获取鱼刺在不同深度下的M个分层样本，所覆盖的鱼薄片为不含鱼刺的鱼肉，M≥2；
采集并获取各个分层样本的拉曼高光谱图像，根据鱼肉和不同深度下鱼刺的拉曼光谱确定区分鱼肉和鱼刺的P个主要波段，P为整数；
使用所述P个主要波段的光谱特征建立基于距离的可分性测度，根据可分性测度的结果确定鱼刺检测的最佳鱼片厚度；
确定正样本集并根据所述最佳鱼片厚度确定负样本集，所述正样本集包括鱼肉像素点的光谱特征，所述负样本集包括所述M个分层样本中鱼刺表面所覆盖的鱼薄片的厚度不超过所述最佳鱼片厚度的各个分层样本的拉曼高光谱图像中的鱼刺像素点的光谱特征；
基于FRSTCA算法对所述正样本集和负样本集的P个主要波段再次进行波段选择确定Q个最优波段，Q为整数且Q＜P；
将所述正样本集和负样本集中的Q个最优波段的光谱特征作为模型输入建立基于SVDD的分类模型；
获取厚度为所述最佳鱼片厚度的待测鱼片样本，获取所述待测鱼片样本的拉曼高光谱图像，从所述拉曼高光谱图像中提取各个像素点的所述Q个最优波段的光谱特征；
将各个像素点的所述Q个最优波段的光谱特征输入所述分类模型，所述分类模型判断各个像素点属于鱼刺像素点或鱼肉像素点，检测出所述待测鱼片样本中的鱼刺；
其中，所述基于FRSTCA算法对所述正样本集和负样本集的P个主要波段再次进行波段选择确定Q个最优波段，包括：
(1)设U＝[u1,…ui,…ut,…uN]T∈RN×S为所述正样本集和负样本集中的共N个样本在共S个波段下组成的特征属性集合，其中ui＝[ui1,…uij,…uis]为第i个样本的特征向量，i为参数；
(2)设di为第i个样本的决策属性值，当di＝1为鱼刺像素点，di＝0为鱼肉像素点，设D＝[d1,…di,…dt,…dN]T∈RN×1为所述N个样本的决策属性集；
(3)第j个波段下，计算第i个样本和第t个样本的特征属性关系矩阵
Figure FDA0002381293330000021
和决策属性相关矩阵
Figure FDA0002381293330000022
j为参数：
Figure FDA0002381293330000023
Figure FDA0002381293330000024
Figure FDA0002381293330000025
Figure FDA0002381293330000026
其中δ是一个初值为正的邻域半径，
Figure FDA0002381293330000027
反映了第i个样本ui和第t个样本ut在第j个波段下的邻域关系信息，
Figure FDA0002381293330000028
反映了第i个样本ui和第t个样本ut在决策属性D下的邻域关系信息；
(4)确定所述特征属性关系矩阵
Figure FDA0002381293330000029
和所述决策属性相关矩阵
Figure FDA00023812933300000210
的熵分别为：
Figure FDA00023812933300000211
Figure FDA00023812933300000212
(5)计算每个波段的重要性：
Figure FDA00023812933300000213
其中，min( )为两个矩阵对应元素的最小值，初始化阈值矩阵B＝1N×N，
Figure FDA00023812933300000214
是第j个波段特征属性的重要性，选择
Figure FDA00023812933300000215
最大的波段，记为j1，令
Figure FDA00023812933300000216
并返回步骤(5)再次对剩余的波段特征进行选择；
(6)设共选择了j1,j2,...jQ-1,jQ共Q个波段，当
Figure FDA00023812933300000217
停止选择，确定选择出的Q个最优波段为j1,j2,...jQ-1,jQ。
2.根据权利要求1所述的鱼刺检测方法，其特征在于，所述使用所述P个主要波段的光谱特征建立基于距离的可分性测度，根据可分性测度的结果确定鱼刺检测的最佳鱼片厚度，包括：
对于每个分层样本中的鱼刺的深度，使用所述P个主要波段的光谱特征计算各个深度下的鱼刺与鱼肉的类内散度矩阵和类间散度矩阵；
根据所述类内散度矩阵和类间散度矩阵建立基于距离的可分性测度为
Figure FDA0002381293330000031
其中，Sb表示类间散度矩阵，Sw表示类内散度矩阵；
当可分性测度J的值小于预定阈值时，确定对应的鱼肉的厚度为所述最佳鱼片厚度。
3.根据权利要求1所述的鱼刺检测方法，其特征在于，将所述正样本集和负样本集中的Q个最优波段的光谱特征作为模型输入建立基于SVDD的分类模型，包括：
以鱼肉像素点的光谱特征为目标样本构建超球体，所述超球体将所述目标样本包围在所述超球体中；
定义超球体求解为：
Figure FDA0002381293330000032
其中，R为所述超球体的半径，α为超球体的球心，ξh为松弛变量，C为惩罚系数，数据集X＝{xh,h＝1,...ω}为所述目标样本；
转化为求解拉格朗日极值问题，求得最小值，引入高维核函数计算得到最小的超球体的半径R，高维核函数采用径向基函数K(xh,y)＝exp(-||xh-y||2/s2)，其中，s为控制边界紧密程度的自由参数，参数C和s由交叉验证的网格搜索法确定。
4.根据权利要求3所述的鱼刺检测方法，其特征在于，所述分类模型判断各个像素点属于鱼刺像素点或鱼肉像素点，包括：
将所述待测鱼片样本的拉曼高光谱图像的每个像素点作为一个单独的测试样本，所述分类模型检测测试样本是否在所述超球体内部，若检测到测试样本在所述超球体的内部，则确定所述测试样本对应的像素点属于鱼肉像素点，否则属于鱼刺像素点。
5.根据权利要求1-4任一所述的鱼刺检测方法，其特征在于，确定924-979cm-1共16个波段为区分鱼肉与鱼刺的主要波段。
CN201910694235.8A 2019-07-30 2019-07-30 基于拉曼高光谱成像技术的鱼刺检测方法 Active CN110243805B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910694235.8A CN110243805B (zh) 2019-07-30 2019-07-30 基于拉曼高光谱成像技术的鱼刺检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910694235.8A CN110243805B (zh) 2019-07-30 2019-07-30 基于拉曼高光谱成像技术的鱼刺检测方法

Publications (2)

Publication Number Publication Date
CN110243805A CN110243805A (zh) 2019-09-17
CN110243805B true CN110243805B (zh) 2020-05-22

Family

ID=67893774

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910694235.8A Active CN110243805B (zh) 2019-07-30 2019-07-30 基于拉曼高光谱成像技术的鱼刺检测方法

Country Status (1)

Country Link
CN (1) CN110243805B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110687094B (zh) * 2019-09-30 2022-09-09 天津大学 基于蛋白质探针成像技术的非定向乳粉筛查方法
CN112326622A (zh) * 2020-05-30 2021-02-05 北京化工大学 一种基于simca-svdd的细菌拉曼光谱识别分类方法
CN111951233B (zh) * 2020-07-24 2024-05-14 中国农业大学 一种鱼刺残留检测方法及系统
CN112884050B (zh) * 2021-02-26 2024-04-12 江南大学 一种基于无监督主动学习的品质检测方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102609693A (zh) * 2012-02-14 2012-07-25 南昌航空大学 基于模糊二维核主成分分析的人脸识别方法
CN103217409A (zh) * 2013-03-22 2013-07-24 重庆绿色智能技术研究院 一种拉曼光谱预处理方法
CN103278464A (zh) * 2013-04-18 2013-09-04 北京工商大学 鱼肉检测方法和装置
CN103456011A (zh) * 2013-09-02 2013-12-18 杭州电子科技大学 一种利用互补信息的改进型高光谱rx异常检测方法
CN105044054A (zh) * 2015-05-20 2015-11-11 中国石油大学(华东) 一种基于盲源分离的海洋溢油精细化遥测方法
CN105181650A (zh) * 2015-10-08 2015-12-23 滁州职业技术学院 一种使用近红外光谱技术快速鉴别茶叶品种的方法
CN106127179A (zh) * 2016-06-30 2016-11-16 南京理工大学 基于自适应分层多尺度的高光谱遥感图像分类方法
CN106778893A (zh) * 2016-12-28 2017-05-31 东北大学 一种基于降维与聚类的高光谱样本选择方法
CN107003253A (zh) * 2014-07-21 2017-08-01 7386819曼尼托巴有限公司 用于肉类中骨头扫描的方法和装置
CN109342398A (zh) * 2018-11-27 2019-02-15 浙江工业大学 一种鱼肉中痕量环丙沙星的sers检测方法
CN109410209A (zh) * 2018-11-19 2019-03-01 浙江大学 一种基于深度学习分类的坚果外源性异物检测方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040185434A1 (en) * 2003-03-21 2004-09-23 Robey W. Wade Detecting microbial contamination in animal by-products
CN101226146A (zh) * 2008-01-25 2008-07-23 中国农业大学 基于多光谱散射图像的苹果硬度预测方法
CN102693551A (zh) * 2011-03-22 2012-09-26 江苏瑞蚨通软件科技有限公司（中外合资） 多光谱图像融合实现三维重建的方法
GB201113138D0 (en) * 2011-07-29 2011-09-14 Univ East Anglia Method, system and device for detecting insects and other pests
CN104819974A (zh) * 2015-04-23 2015-08-05 天津大学 基于拉曼光谱的肉制品掺杂检测平台
CN104964962B (zh) * 2015-07-14 2017-08-25 华中农业大学 基于拉曼光谱生鲜鱼肉中鲜味物质肌苷酸的快速检测方法
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
CN107543801B (zh) * 2017-08-25 2020-02-14 天津商业大学 基于高光谱的芒果冲击损伤后硬度预测方法
CN107976428B (zh) * 2017-11-17 2020-09-11 中国计量大学 水产品化学污染物的无损实时检测方法与装置

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102609693A (zh) * 2012-02-14 2012-07-25 南昌航空大学 基于模糊二维核主成分分析的人脸识别方法
CN103217409A (zh) * 2013-03-22 2013-07-24 重庆绿色智能技术研究院 一种拉曼光谱预处理方法
CN103278464A (zh) * 2013-04-18 2013-09-04 北京工商大学 鱼肉检测方法和装置
CN103456011A (zh) * 2013-09-02 2013-12-18 杭州电子科技大学 一种利用互补信息的改进型高光谱rx异常检测方法
CN107003253A (zh) * 2014-07-21 2017-08-01 7386819曼尼托巴有限公司 用于肉类中骨头扫描的方法和装置
CN105044054A (zh) * 2015-05-20 2015-11-11 中国石油大学(华东) 一种基于盲源分离的海洋溢油精细化遥测方法
CN105181650A (zh) * 2015-10-08 2015-12-23 滁州职业技术学院 一种使用近红外光谱技术快速鉴别茶叶品种的方法
CN106127179A (zh) * 2016-06-30 2016-11-16 南京理工大学 基于自适应分层多尺度的高光谱遥感图像分类方法
CN106778893A (zh) * 2016-12-28 2017-05-31 东北大学 一种基于降维与聚类的高光谱样本选择方法
CN109410209A (zh) * 2018-11-19 2019-03-01 浙江大学 一种基于深度学习分类的坚果外源性异物检测方法
CN109342398A (zh) * 2018-11-27 2019-02-15 浙江工业大学 一种鱼肉中痕量环丙沙星的sers检测方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Applications of visible and near-infrared hyperspectral imaging for non-destructive detection of the agricultural products;Yinglan Jiang, Ruoyu Zhang, Jie Yu, Wanchao Hu et al;《Advanced Materials Research Vols》;20110816;全文 *
Automatic nematode detection in cod fillets (Gadus morhua L.) by hyperspectral imaging;Agnar Holten Sivertsen, Karsten Heia, Kristian Hindberg;《Journal of Food Engineering》;20120307;全文 *
Automatic threshold method and optimal wavelength selection for insect-damaged vegetable soybean detection using hyperspectral images;Yanan Ma, Min Huang, Bao Yang, Qibing Zhu;《Computers and Electronics in Agriculture》;20140831;全文 *
Recent Developments in Hyperspectral Imaging for Assessment of food quality and safety;Hui Huang, Li Liu， Michael O. Ngadi;《Sensors》;20140422;全文 *
基于拉曼光谱的混合物组分识别方法;刘财政,朱启兵,黄敏,李敏;《激光与光电子学进展》;20190430;全文 *
融合光谱、纹理及形态特征的水稻种子品种高光谱图像单粒鉴别;邓小琴，朱启兵，黄敏;《激光与光电子学进展》;20150106;全文 *

Also Published As

Publication number Publication date
CN110243805A (zh) 2019-09-17

Similar Documents

Publication Publication Date Title
CN110243805B (zh) 基于拉曼高光谱成像技术的鱼刺检测方法
Bhargava et al. Fruits and vegetables quality evaluation using computer vision: A review
Bercovich et al. Development of an automatic cow body condition scoring using body shape signature and Fourier descriptors
Yu et al. Identification of crack features in fresh jujube using Vis/NIR hyperspectral imaging combined with image processing
CN108956604B (zh) 一种基于高光谱图像技术识别中华绒螯蟹品质的方法
Xing et al. Combination of chemometric tools and image processing for bruise detection on apples
Hamdani et al. Detection of oil palm leaf disease based on color histogram and supervised classifier
Donis-González et al. Assessment of chestnut (Castanea spp.) slice quality using color images
Regeling et al. Development of an image pre‐processor for operational hyperspectral laryngeal cancer detection
CN102854148A (zh) 基于多光谱图像技术的生鲜牛肉嫩度检测分级系统
Huang et al. Rapid and non-invasive quantification of intramuscular fat content of intact pork cuts
CN111443043B (zh) 一种基于高光谱图像的核桃仁品质检测方法
Ghazal et al. Automated framework for accurate segmentation of leaf images for plant health assessment
Wang et al. Identification of tomatoes with early decay using visible and near infrared hyperspectral imaging and image‐spectrum merging technique
Xing et al. Stem-end/calyx identification on apples using contour analysis in multispectral images
Sivaraj et al. Detecting anomalous growth of skin lesion using threshold-based segmentation algorithm and Fuzzy K-Nearest Neighbor classifier
Zhihui et al. Nondestructive detection of infertile hatching eggs based on spectral and imaging information
Dong et al. Assessment of hatching properties for identifying multiple duck eggs on the hatching tray using machine vision technique
Cinar et al. Determination of effective and specific physical features of rice varieties by computer vision in exterior quality inspection
Feng et al. Detection of blood spots in eggs by hyperspectral transmittance imaging
JP2019032231A (ja) 琥珀砕片の種別および透明度の推定方法、推定装置、ならびに推定プログラム
Li Hyperspectral imaging technology used in tongue diagnosis
Ding et al. Feature extraction of hyperspectral images for detecting immature green citrus fruit
CN112816487B (zh) 一种基于机器视觉的皮蛋内部品质无损检测方法
Wang et al. Detection of physical descaling damage in carp based on hyperspectral images and dimension reduction of principal component analysis combined with pixel values

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