CN112697718A - 一种基于高光谱成像技术结合波长选择算法串联策略的调理牛排新鲜度快速检测的方法 - Google Patents
一种基于高光谱成像技术结合波长选择算法串联策略的调理牛排新鲜度快速检测的方法 Download PDFInfo
- Publication number
- CN112697718A CN112697718A CN202110053710.0A CN202110053710A CN112697718A CN 112697718 A CN112697718 A CN 112697718A CN 202110053710 A CN202110053710 A CN 202110053710A CN 112697718 A CN112697718 A CN 112697718A
- Authority
- CN
- China
- Prior art keywords
- steak
- freshness
- spectral
- conditioned
- hyperspectral imaging
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000000701 chemical imaging Methods 0.000 title claims abstract description 36
- 235000004348 Perilla frutescens Nutrition 0.000 title claims abstract description 33
- 244000124853 Perilla frutescens Species 0.000 title claims abstract description 33
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 22
- 238000005516 engineering process Methods 0.000 title claims abstract description 19
- 230000003595 spectral effect Effects 0.000 claims abstract description 64
- 238000001228 spectrum Methods 0.000 claims abstract description 39
- 230000001143 conditioned effect Effects 0.000 claims abstract description 31
- 230000008569 process Effects 0.000 claims abstract description 16
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 238000002310 reflectometry Methods 0.000 claims abstract description 9
- 238000003860 storage Methods 0.000 claims abstract description 9
- 235000013372 meat Nutrition 0.000 claims abstract description 7
- 235000013622 meat product Nutrition 0.000 claims abstract description 6
- 238000010561 standard procedure Methods 0.000 claims abstract description 6
- 238000010187 selection method Methods 0.000 claims description 30
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 14
- 239000007788 liquid Substances 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 10
- 238000013519 translation Methods 0.000 claims description 10
- 238000010521 absorption reaction Methods 0.000 claims description 9
- 230000003750 conditioning effect Effects 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 8
- 229910052757 nitrogen Inorganic materials 0.000 claims description 8
- 238000005554 pickling Methods 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 7
- 235000015278 beef Nutrition 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 238000005096 rolling process Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 230000002860 competitive effect Effects 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- QJGQUHMNIGDVPM-UHFFFAOYSA-N nitrogen group Chemical group [N] QJGQUHMNIGDVPM-UHFFFAOYSA-N 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 235000020995 raw meat Nutrition 0.000 claims description 3
- 238000007789 sealing Methods 0.000 claims description 3
- 238000003756 stirring Methods 0.000 claims description 3
- 238000009966 trimming Methods 0.000 claims description 3
- 239000002253 acid Substances 0.000 claims description 2
- 239000012670 alkaline solution Substances 0.000 claims description 2
- 238000001704 evaporation Methods 0.000 claims description 2
- 230000036961 partial effect Effects 0.000 claims description 2
- 238000005057 refrigeration Methods 0.000 claims description 2
- 238000012512 characterization method Methods 0.000 abstract 1
- 239000000523 sample Substances 0.000 description 42
- 230000000694 effects Effects 0.000 description 14
- VEXZGXHMUGYJMC-UHFFFAOYSA-N Hydrochloric acid Chemical compound Cl VEXZGXHMUGYJMC-UHFFFAOYSA-N 0.000 description 10
- 239000012086 standard solution Substances 0.000 description 5
- 239000003153 chemical reaction reagent Substances 0.000 description 3
- 235000011194 food seasoning agent Nutrition 0.000 description 3
- 238000002203 pretreatment Methods 0.000 description 3
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000706 filtrate Substances 0.000 description 2
- 229910052736 halogen Inorganic materials 0.000 description 2
- 150000002367 halogens Chemical class 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 150000001412 amines Chemical class 0.000 description 1
- 229910021529 ammonia Inorganic materials 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012569 chemometric method Methods 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000004821 distillation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 235000013373 food additive Nutrition 0.000 description 1
- 239000002778 food additive Substances 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000004898 kneading Methods 0.000 description 1
- 239000000395 magnesium oxide Substances 0.000 description 1
- CPLXHLVBOLITMK-UHFFFAOYSA-N magnesium oxide Inorganic materials [Mg]=O CPLXHLVBOLITMK-UHFFFAOYSA-N 0.000 description 1
- AXZKOIWUVFPNLO-UHFFFAOYSA-N magnesium;oxygen(2-) Chemical compound [O-2].[Mg+2] AXZKOIWUVFPNLO-UHFFFAOYSA-N 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 239000012488 sample solution Substances 0.000 description 1
- 238000002791 soaking Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
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
- G01N21/17—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (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)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明属于肉制品质量检测技术领域,涉及一种基于高光谱成像技术结合波长选择算法串联策略的调理牛排新鲜度快速检测的方法;首先准备n个调理牛排样本并编号,使用高光谱成像采集系统对的调理牛排样本进行光谱图像采集;再使用国标法测定已采集过高光谱数据的调理牛排样本代表肉品新鲜度指标;然后采用ENVI 4.5软件提取调理牛排样本中心感兴趣区域的光谱值,计算光谱平均反射率作为光谱数据,并进行预处理;提取预处理后光谱信息中的特征波长,建立调理牛排新鲜度预测模型;实现对生鲜调理牛排贮藏过程中TVB‑N含量进行快速预测;本发明的表征方法所需时间短,对样品无破坏,设备操作简便,适合进行大批量的快速检测。
Description
技术领域
本发明属于肉制品质量检测技术领域,具体涉及一种基于高光谱成像技术结合波长选择算法串联策略的调理牛排新鲜度快速检测的方法。
背景技术
调理牛排是以牛排为原料,加入适量调味料和食品添加剂,经过切分、滚揉腌制等过程加工而成的肉制品,因其滋味鲜美、食用方便等特点而深受消费者喜爱。为了使牛排能够较好的保留原有的滋味和营养通常选用冷藏的储运方式,但在该方式下保存的牛排货架期较短、价格也较高。并且由于调理牛排中加入了调味料进行腌制,当牛排超过货架期变质时,散发的腐败气味易被调料气味掩蔽,使得消费者难以分辨其新鲜度。目前市场上存在售卖超过货架期的调理牛排的现象,食用将损害人体健康损,这一问题在冷鲜调理牛排的销售中更为突出。
挥发性盐基氮(Total volatile basic nitrogen,TVB-N)是由于微生物分解蛋白质产生的具有挥发性的氨和胺类等碱性含氮物质的总称,可以有效地表征肉品新鲜度。但测定TVB-N含量的化学方法操作繁琐耗时,且对检测样本有破坏性,因此研究快速检测调理牛排新鲜度方法以确保食品安全具有重要意义。
近年来,高光谱成像技术因其获得信息全面,快速无损等优点,已广泛应用于肉品品质检测。由于肉品发生腐败时产生的TVB-N将会引起一定波长下光谱吸收强度的变化,所以通过吸收强度的大小结合化学计量学方法可以定量分析TVB-N含量。但是高光谱数据包含的信息量巨大且冗杂,因此可以将波长选择方法串联使用以筛选特征波长、去除无效信息从而提升模型效率和精度,获得更佳的建模效果。波长选择方法可以分为波长区间选择和波长点选择。波长区间选择方法以一组连续波长为基本单位进行波长筛选,最终选择的变量为几组连续的波长区间组合,所建立的模型有很好的解释性。波长点选择方法以单个波长为基本单位,最终选择的变量呈离散分布,具有选择变量少、建模预测效果好等优点。不同的波长选择方法各有其优缺点和适应性,将这些波长选择方法联用,可以结合它们的优势进行互补,达到更优的效果。因此本方法以调理牛排作为研究对象,采用高光谱成像技术结合波长选择算法串联策略对调理牛排新鲜度指标TVB-N含量进行了快速预测研究。
发明内容
本发明旨在克服现有技术中存在的缺陷,如:传统检测肉制品中TVB-N含量的方法会对样品造成不可逆的破坏,并且操作过程烦琐、分析时间长、耗费大量的试剂等,不适用于大规模的市场检测。本发明提供了基于高光谱成像技术结合波长选择算法串联策略快速检测调理牛排新鲜度的方法,利用高光谱成像技术对调理牛排冷藏过程中部分新鲜度指标含量进行预测,并分析不同贮藏时间的光谱吸收差异对应的生物学意义。采用波长点选择方法和波长区间选择方法并将它们联合进行特征波长筛选,比较不同波长选择方法下的模型预测效果得出最佳处理方法。
具体的,本发明通过以下技术方案实现:
(1)准备n个调理牛排样本并编号,n为正整数;
(2)使用高光谱成像采集系统对步骤(1)中的调理牛排样本进行光谱图像采集;
(3)使用国标法测定步骤(2)中已采集过高光谱数据的调理牛排样本,代表肉品新鲜度指标;
(4)采用ENVI 4.5软件提取调理牛排样本中心感兴趣区域的光谱值,计算光谱平均反射率作为光谱数据;
(5)采用不同的预处理方法对步骤(4)中的光谱数据进行预处理;
(6)采用不同的变量筛选方法提取步骤(5)中预处理后光谱数据中的特征波长;
(7)采用步骤(6)中提取的特征波长建立调理牛排新鲜度预测模型;
(8)利用步骤(7)中建立的预测模型,实现对生鲜调理牛排贮藏过程中TVB-N含量进行快速预测。
其中上述步骤(1)中,所述调理牛排样本的制作工艺流程为:原料肉修整→切片→配制腌制液→滚揉腌制→托盘密封包装;原料牛肉为西冷部位,全程冷链运输,并置于4℃的冰箱内冷藏。
其中上述步骤(2)中使用高光谱成像系统采集的具体方法为:取牛排样本分别为冷藏后第0、2、4、6和8天的样本进行光谱图像数据信息采集,每次取出n/5个牛排样本,n为正整数;在光谱图像信息采集过程中,CCD摄像机曝光时间为45ms,光谱范围为431~962nm,光谱波长间隔为0.858nm,图像分辨率为618×1628pixel,电控平移台移动速度为0.9mm/s,快进位移量为180mm。
其中上述步骤(3)中所述的国标法测定肉品新鲜度指标具体为:使用半微量定氮法,将牛排样品除去脂肪,切碎搅匀后,加水制备成吸收液,使吸收液中碱性含氮物质在碱性溶液蒸出后,用标准酸滴定至蓝紫色,计算得到TVB-N含量。
其中上述步骤(4)中采用ENVI 4.5软件提取样本中心感兴趣区域的光谱值具体为:使用ENVI 4.5打开调理牛排样本高光谱图像,然后利用矩形工具选取样品中心附近200pixel×200pixel的范围作为感兴趣区域(ROI),提取ROI内所有像素点的光谱反射率作为此样本的光谱数据;n个样本共得到n条平均光谱,最终得到n×618的光谱数据集。
其中上述步骤(5)中所述预处理方法为一阶导数(First derivative,1st Der)、二阶导数(Second derivative,2ndDer)、均值中心化(Mean centering,MC)、多元散射校正(Multiplicative scatter correction,MSC)、卷积平滑(Savitzky-Golay,SG)、标准正态变量变换(Standard normal variate transformation,SNVT)。
其中上述步骤(6)中所述变量筛选方法为波长区间选择方法和波长点选择方法联用,波长区间选择方法采用间隔随机蛙跳(iRF),波长点选择方法采用竞争性自适应重加权算法(CARS)和变量组合集群分析法(VCPA)两种。
其中上述步骤(7)建立调理牛排新鲜度预测模型具体方法为:采用高光谱成像系统采集待测调理牛排样本的光谱图像信息,然后以经过预处理和变量筛选过的光谱信息作为自变量,以半微量定氮法测得的TVB-N值作为因变量,建立偏最小二乘(PLS)预测模型。
其中上述步骤(8)对未知待测调理牛肉样本的新鲜度进行快速预测,使用高光谱成像系统对未知待测生鲜调理牛排样本进行光谱图像采集,然后用步骤(4)所述方法提取样本中心感兴趣区域的光谱值,计算光谱平均反射率作为光谱数据;然后将待测牛排样本的光谱数据先经过步骤(5)和(6)处理后代入步骤(7)已建立的快速预测模型中,利用Matlab处理软件完成调理牛排样本中TVB-N含量的快速预测。
本发明的基于高光谱成像技术结合波长选择算法串联策略快速检测调理牛排新鲜度的方法的对象为调理牛排。
与现有技术相比较,本发明的有益效果体现如下:
(1)检测样品不需要进行前处理,并且在高光谱成像系统采集信息期间也不会对样品造成损伤,可同时获取样品的光谱及图像信息,降低检测成本,不会造成环境污染。
(2)高光谱成像采集系统操作简单,采集时将调理牛排样本置于电控平移台上,设置好参数打开平移台装置的同时点击保存按钮采集高光谱图像数据,即可扫描得到样本的三维数据模块,具有自动化的优点。
(3)本发明与现有的技术相比,3min内即可获取所需光谱及图像数据,检测时间短,对检测人员无特殊要求,可达到对调理牛排新鲜度的快速检测。
(4)本发明利用一阶导数、二阶导数、均值中心化、多元散射校正、卷积平滑和标准正态变量变换6种预处理方法对原始光谱数据进行预处理,根据模型识别率高低选择最佳的预处理方法。
(5)本发明利用波长选择算法串联策略,将波长区间选择方法与波长点选择方法联用以筛选特征波长、去除光谱中的无效信息从而提升模型效率和精度,获得更佳的建模效果。其中波长区间选择方法以一组连续波长为基本单位进行波长筛选,最终选择的变量为几组连续的波长区间组合,所建立的模型有很好的解释性。波长点选择方法以单个波长为基本单位,最终选择的变量呈离散分布,具有选择变量少、建模预测效果好等优点。不同的波长选择方法各有其优缺点和适应性,将这些波长选择方法联用,可以结合它们的优势进行互补,达到更优的效果。
附图说明
图1为高光谱成像系统,其中1-步进电机,2-CCD摄像机,3-光源系统,4-光纤卤素灯,5-计算机,6-三轴精密电控平移台,7-载物台,8-样品。
图2六种预处理方法处理过的光谱图。
图3为CARS选择特征波长过程图。
图4为基于VCPA建立模型的RMSECV随EDF运行次数变化趋势图。
图5为iRF选择波长示意图。
具体实施方式
下面通过具体的实施例并结合附图对本发明进一步阐述,但并不限制本发明。
实施例1:
(1)准备调理牛排样本并编号:
采用的原料牛肉为西冷部位,全程冷链运输。
调理牛排样本的制作工艺流程为:原料肉修整→切片→配制腌制液→滚揉腌制→托盘密封包装。共制备了150个样本,分为5个批次,分别为在4℃冰箱内冷藏第0、2、4、6和8天的样本,每一批次为30个牛排样本。
(2)运用高光谱成像系统对调理牛排样本进行光谱图像信息采集:
本发明所采用的高光谱成像系统如图1所示,系统硬件部分主要包括CCD摄像机(ImSpector V10E,Spectral Imaging Ltd.,Finland)、150W光纤卤素灯(Fiber-LiteDC950 Illuminator,Dolan-Jenner Industries Inc,America)、三轴精密电控平移台(SC30021A,Zolix Instruments Ltd,China)和计算机等部件构成。软件部分主要是Spectral Cube(Spectral Imaging Ltd,Finland)。
在采集之前先打开系统预热30min,保证高光谱系统工作的稳定性,减少基线漂移带来的影响。通过光谱采集软件Spectral Cube设置采集参数:CCD摄像机曝光时间为45ms,图像分辨率618×1628;光谱范围为431~962nm,光谱波长间隔为0.858nm。设置步进电机运动参数:电控平移台移动速度为0.9mm/s,快进位移量为180mm。采集时将调理牛排样本置于电控平移台上,打开平移台装置的同时点击保存按钮采集高光谱图像数据,扫描得到样本的三维数据模块。
高光谱数据采集过程易受光强不均匀和暗电流等影响,导致数据中含有较大噪声,因此需要对获取的原始图像进行黑白板校正,校正计算公式如下:
式中,R——校正后高光谱图像对应光谱反射强度;
I——原始高光谱图像对应光谱反射强度;
B——黑板标定图像对应光谱反射强度;
W——白板标定图像对应光谱反射强度。
(3)采用国标法测定调理牛排样本代表肉品新鲜度指标TVB-N含量:
依照GB 5009.228-2016中的半微量定氮法对调理牛排样本中TVB-N含量进行测定,具体方法为:将牛排样品除去脂肪后,切碎搅匀,称取约10.0g,置于锥形瓶中,加100mL水,不时振摇,浸渍30min后过滤,滤液置冰箱备用。测定时预先将盛有10ml吸收液并加有5-6滴混合指示液的锥形瓶置于冷凝管下端,并使其下端插入锥形瓶内吸收的液面下,精密吸取5ml上述样品滤液于蒸馏器反应室内,加5ml 1%氧化镁混悬液,迅速盖塞,并加水以防漏气,通入蒸汽,待蒸汽充满蒸馏器内时即关闭蒸汽出口管,由冷并行管出现第一滴冷凝水开始计时,蒸馏5min即停止,吸收液用0.0100N盐酸标准溶液滴定,终点呈蓝紫色。同时做试剂空白试验。计算公式如下:
式中:X1——样品中挥发性盐基氮的含量,mg/100g;V1——测定用样液消耗盐酸标准溶液体积,ml;V2——试剂空白消耗盐酸标准溶液体积,ml;N1——盐酸标准溶液的摩尔浓度,mol/L;m1——样品质量,g;14——1N盐酸标准溶液1ml相当氮的毫克数。
(4)采用ENVI 4.5软件提取样本中心感兴趣区域的光谱值:
高光谱图像中存在大量背景光谱信息,需要合理地选择有效区域提取样本的光谱信号,这里的有效区域称作感兴趣区域(Region of interest,ROI)。利用ENVI软件打开校正后调理牛排样本高光谱图像,采用矩形工具选取每个样本中心附近200像素×200像素的区域作为ROI,提取ROI内所有像素点的光谱反射率作为此样本的光谱数据。150个样本共得到150条平均光谱,最终得到150×618的光谱数据集。
(5)采用不同的预处理方法对光谱数据进行预处理:
高光谱信息采集过程中易受到环境条件和仪器运行等因素的影响,导致数据中包含无用信息和噪声。为了减少散射光和噪声等影响,需要对光谱数据进行预处理。本发明中采用的预处理方法包括一阶导数(First derivative,1st Der)、二阶导数(Secondderivative,2nd Der)、均值中心化(Mean centering,MC)、多元散射校正(Multiplicativescatter correction,MSC)、卷积平滑(Savitzky-golay,SG)、标准正态变量变换(Standardnormal variate transformation,SNVT)。结果见图2,1st Der可以消除基线平移;2nd Der可以消除基线旋转;MC可以减少光谱中冗余信息、增加样品间差异;MSC主要消除光谱偏移和散射;SG可以平滑信号,改善信噪比;SNVT能够修正表面散射和光程变化引起的光谱误差。通过对比不同预处理方法建立模型的效果,选取最佳预处理方法进行后续数据处理。
将150个样本预处理后的光谱和对应TVB-N含量数据采用随机分组的方式以2:1的比例划分为校正集和预测集。通过主成分分析法(Principle component analysis,PCA)优选预处理后光谱的前十个主成分作为自变量,以TVB-N测量值作为因变量,建立PLS预测模型。模型的预测结果如表1所示,可以看出,光谱经1st Der处理后建立的模型预测效果最好,模型的RC和RP分别为0.919和0.907,RMSECV和RMSEP分别为1.45mg/100g和1.52mg/100g。但全波段光谱数据量大且存在冗余,需要对光谱信息进行特征波长选择以简化模型、提升模型效率。因为最佳预处理方法是1st Der,故对光谱数据进行1st Der处理后进行后续数据处理。
表1不同预处理方法对TVB-N含量(mg/100g)的预测结果
(6)采用不同的变量筛选方法提取光谱信息中的特征波长:
波长选择方法可以分为波长区间选择和波长点选择,本发明采用竞争性自适应重加权算法(CARS)和变量组合集群分析法(VCPA)两种波长点选择方法,并与波长区间选择方法间隔随机蛙跳(iRF)联用,即采用CARS、VCPA、iRF、iRF-CARS、iRF-VCPA这5种方法对预处理后的光谱数据进行波长选择,建立特征波长下的预测模型,充分利用波长区间选择可解释性强和波长点选择变量少、建模效果好的优点。CARS特征波长选择过程见图3,基于VCPA建立模型的RMSECV随EDF运行次数变化趋势见图4,iRF选择波长见图5。
(7)采用提取的特征波长建立调理牛排新鲜度预测模型:
本发明的定量模型选择PLS预测模型。PLS能够充分提取数据的有效信息,解决变量共线性的问题,在光谱数据建模中应用广泛。PLS模型预测效果的评估指标为校正集相关系数(Correlation coefficient of calibration,RC)、预测集相关系数(Correlationcoefficient of prediction,RP)、RMSECV和预测均方根误差(Root mean square errorof prediction,RMSEP)。RC和RP越接近1,RMSECV和RMSEP越接近0时,模型的预测效果越好。
各波长选择方法建立的PLS模型结果见表2,从表中可以看出,相比于全光谱PLS,iRF-PLS模型效果得到提升,但波长变量数仍然过多。iRF-VCPA-PLS模型效果与VCPA-PLS相当,但波长数量减少到了7个。iRF-CARS-PLS模型效果最佳,选择了24个波长,模型的RC和RP分别为0.966和0.938,RMSECV和RMSEP分别为0.91mg/100g和1.22mg/100g。因此本发明将iRF-CARS-PLS模型作为对牛排TVB-N值预测的最优模型。总体来看,串联策略取得较好效果,它充分利用了波长区间选择的强解释性,减少无效波长点对波长精选算法的干扰,帮助波长精选在较小的区间中进行最优选择。
表2不同波长选择方法下TVB-N含量(mg/100g)的预测结果
(8)对未知生鲜调理牛排贮藏过程中TVB-N含量进行快速预测:
使用高光谱成像系统对未知待测生鲜调理牛排样本进行光谱图像信息采集,采用ENVI4.5软件提取样本中心感兴趣区域的光谱值,计算光谱平均反射率作为光谱数据,然后先使用1st Der对未知牛排样本的光谱数据进行光谱预处理,再采用iRF-CARS联用策略提取特征光谱,将其代入已建立的PLS模型中,利用Matlab处理软件完成调理牛排样本中TVB-N含量的快速预测。
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)
1.一种基于高光谱成像技术结合波长选择算法串联策略的调理牛排新鲜度快速检测的方法,其特征在于,包括以下步骤:
(1)准备n个调理牛排样本并编号,n为正整数;
(2)使用高光谱成像采集系统对步骤(1)中的调理牛排样本进行光谱图像采集;
(3)使用国标法测定步骤(2)中已采集过高光谱数据的调理牛排样本,代表肉品新鲜度指标;
(4)采用ENVI 4.5软件提取调理牛排样本中心感兴趣区域的光谱值,计算光谱平均反射率作为光谱数据;
(5)采用不同的预处理方法对步骤(4)中的光谱数据进行预处理;
(6)采用不同的变量筛选方法提取步骤(5)中预处理后光谱数据中的特征波长;
(7)采用步骤(6)中提取的特征波长建立调理牛排新鲜度预测模型;
(8)利用步骤(7)中建立的预测模型,实现对生鲜调理牛排贮藏过程中TVB-N含量进行快速预测。
2.根据权利要求1所述的基于高光谱成像技术结合波长选择算法串联策略的调理牛排新鲜度快速检测的方法,其特征在于,步骤(1)中,所述调理牛排样本的制作工艺流程为:原料肉修整→切片→配制腌制液→滚揉腌制→托盘密封包装;其中原料牛肉为西冷部位,全程冷链运输,并置于4℃的冰箱内冷藏。
3.根据权利要求1所述的基于高光谱成像技术结合波长选择算法串联策略的调理牛排新鲜度快速检测的方法,其特征在于,步骤(2)中,所述使用高光谱成像系统采集的调理牛排样本分别为冷藏后第0、2、4、6和8天取出的样本;总样本数为n,每次取出n/5个牛排样本,n为正整数;所述光谱图像数据采集的具体方法为:通过高光谱成像系统对步骤(1)中的调理牛排进行光谱图像数据的采集。
4.根据权利要求1所述的基于高光谱成像技术结合波长选择算法串联策略的调理牛排新鲜度快速检测的方法,其特征在于,步骤(2)中,所述高光谱成像系统的参数设置为:CCD摄像机曝光时间为45ms,光谱范围为431~962nm,光谱波长间隔为0.858nm,图像分辨率618×1628pixel,设置步进电机运动参数:电控平移台移动速度为0.9mm/s,位移量为180mm。
5.根据权利要求1所述的基于高光谱成像技术结合波长选择算法串联策略的调理牛排新鲜度快速检测的方法,其特征在于,步骤(3)中,所述代表肉品新鲜度的指标为TVB-N;使用国标法测定肉品新鲜度指标具体步骤为:使用半微量定氮法,将牛排样本除去脂肪,切碎搅匀后,加水制备成吸收液,使吸收液中碱性含氮物质在碱性溶液蒸出后,用标准酸滴定至蓝紫色,计算得到TVB-N含量。
6.根据权利要求1所述的基于高光谱成像技术结合波长选择算法串联策略的调理牛排新鲜度快速检测的方法,其特征在于,步骤(4)中,所述ENVI 4.5软件提取调理牛排样本中心感兴趣区域的光谱值具体步骤为:使用ENVI 4.5打开调理牛排样本高光谱图像,然后利用矩形工具选取样品中心附近200pixel×200pixel的范围作为感兴趣区域,记为ROI,提取ROI内所有像素点的光谱反射率作为此样本的光谱数据;n个样本共得到n条平均光谱,最终得到n×618的光谱数据集。
7.根据权利要求1所述的基于高光谱成像技术结合波长选择算法串联策略的调理牛排新鲜度快速检测的方法,其特征在于,步骤(5)中,所述预处理方法为一阶导数、二阶导数、均值中心化、多元散射校正、卷积平滑和标准正态变量变换。
8.根据权利要求1所述的基于高光谱成像技术结合波长选择算法串联策略的调理牛排新鲜度快速检测的方法,其特征在于,步骤(6)中,所述不同的变量筛选方法为波长区间选择方法和波长点选择方法联用,波长区间选择方法采用间隔随机蛙跳;波长点选择方法采用竞争性自适应重加权算法和变量组合集群分析法两种。
9.根据权利要求1所述的基于高光谱成像技术结合波长选择算法串联策略的调理牛排新鲜度快速检测的方法,其特征在于,步骤(7)中,所述建立调理牛排新鲜度预测模型具体方法为:采用高光谱成像系统采集待测调理牛排样本的光谱图像信息,然后以经过预处理和变量筛选过的光谱信息作为自变量,以半微量定氮法测得的TVB-N值作为因变量,建立偏最小二乘预测模型。
10.根据权利要求1所述的基于高光谱成像技术结合波长选择算法串联策略的调理牛排新鲜度快速检测的方法,其特征在于,步骤(8)中,所述对生鲜调理牛排贮藏过程中TVB-N含量进行快速预测具体步骤为:对未知待测生鲜调理牛排样本进行光谱图像采集,用步骤(4)所述方法提取样本中心感兴趣区域的光谱值,计算光谱平均反射率作为光谱数据;然后将待测牛排样本的光谱数据先经过步骤(5)和(6)处理后代入步骤(7)已建立的快速预测模型中,利用Matlab处理软件完成调理牛排样本中TVB-N含量的快速预测。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011060431 | 2020-09-30 | ||
CN2020110604319 | 2020-09-30 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112697718A true CN112697718A (zh) | 2021-04-23 |
Family
ID=75515235
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110053710.0A Pending CN112697718A (zh) | 2020-09-30 | 2021-01-15 | 一种基于高光谱成像技术结合波长选择算法串联策略的调理牛排新鲜度快速检测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112697718A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113588571A (zh) * | 2021-09-29 | 2021-11-02 | 广东省农业科学院动物科学研究所 | 一种基于高光谱成像的水产品的腥味识别方法及系统 |
CN114663821A (zh) * | 2022-05-18 | 2022-06-24 | 武汉大学 | 基于视频高光谱成像技术的产品质量实时无损检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106596416A (zh) * | 2016-11-25 | 2017-04-26 | 华中农业大学 | 一种基于高光谱成像技术的冷鲜肉品质无损检测方法 |
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 |
-
2021
- 2021-01-15 CN CN202110053710.0A patent/CN112697718A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106596416A (zh) * | 2016-11-25 | 2017-04-26 | 华中农业大学 | 一种基于高光谱成像技术的冷鲜肉品质无损检测方法 |
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)
Title |
---|
万国玲 等: "贮藏期内灵武长枣果糖含量的高光谱预测", 《光谱学与光谱分析》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113588571A (zh) * | 2021-09-29 | 2021-11-02 | 广东省农业科学院动物科学研究所 | 一种基于高光谱成像的水产品的腥味识别方法及系统 |
CN113588571B (zh) * | 2021-09-29 | 2021-12-03 | 广东省农业科学院动物科学研究所 | 一种基于高光谱成像的水产品的腥味识别方法及系统 |
CN114663821A (zh) * | 2022-05-18 | 2022-06-24 | 武汉大学 | 基于视频高光谱成像技术的产品质量实时无损检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Su et al. | Evaluation of spectral imaging for inspection of adulterants in terms of common wheat flour, cassava flour and corn flour in organic Avatar wheat (Triticum spp.) flour | |
Feng et al. | Hyperspectral imaging and multispectral imaging as the novel techniques for detecting defects in raw and processed meat products: Current state-of-the-art research advances | |
Cheng et al. | Pork biogenic amine index (BAI) determination based on chemometric analysis of hyperspectral imaging data | |
Pu et al. | Selection of feature wavelengths for developing multispectral imaging systems for quality, safety and authenticity of muscle foods-a review | |
Yang et al. | Development of simplified models for nondestructive hyperspectral imaging monitoring of TVB-N contents in cured meat during drying process | |
Kamruzzaman et al. | Introduction to hyperspectral imaging technology | |
Morsy et al. | Robust linear and non-linear models of NIR spectroscopy for detection and quantification of adulterants in fresh and frozen-thawed minced beef | |
Khaled et al. | Emerging nondestructive approaches for meat quality and safety evaluation—A review | |
Wang et al. | Spectral detection techniques for non-destructively monitoring the quality, safety, and classification of fresh red meat | |
Barbin et al. | Non-destructive determination of chemical composition in intact and minced pork using near-infrared hyperspectral imaging | |
Kamruzzaman et al. | Non-destructive prediction and visualization of chemical composition in lamb meat using NIR hyperspectral imaging and multivariate regression | |
Burger et al. | Hyperspectral NIR imaging for calibration and prediction: a comparison between image and spectrometer data for studying organic and biological samples | |
Su et al. | Comparative assessment of feature-wavelength eligibility for measurement of water binding capacity and specific gravity of tuber using diverse spectral indices stemmed from hyperspectral images | |
He et al. | Rapid determination of reducing sugar content in sweet potatoes using NIR spectra | |
CN112697718A (zh) | 一种基于高光谱成像技术结合波长选择算法串联策略的调理牛排新鲜度快速检测的方法 | |
Duan et al. | Sensitive variables extraction, non-destructive detection and visualization of total viable count (TVC) and pH in vacuum packaged lamb using hyperspectral imaging | |
Wang et al. | Nondestructive prediction and visualization of total flavonoids content in Cerasus Humilis fruit during storage periods based on hyperspectral imaging technique | |
Yu et al. | Rapid and nondestructive freshness determination of tilapia fillets by a portable near-infrared spectrometer combined with chemometrics methods | |
Guo et al. | Method and system for nondestructive detection of freshness in Penaeus vannamei based on hyperspectral technology | |
Wang et al. | Integrated spectral and textural features of hyperspectral imaging for prediction and visualization of stearic acid content in lamb meat | |
Kamruzzaman | Optical sensing as analytical tools for meat tenderness measurements-A review | |
Zhang et al. | A non-destructive determination of protein content in potato flour noodles using near-infrared hyperspectral imaging technology | |
Peng et al. | Application of near-infrared spectroscopy for assessing meat quality and safety | |
Adam | Sensory and Instrumental Methods of Meat Evaluation: A Review | |
Tang et al. | Prediction and evaluation method of TVB-N values distribution in pork by hyperspectral imaging |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210423 |