CN114140422A - 一种荧光与多光谱成像融合的黄曲霉毒素检测建模方法 - Google Patents

一种荧光与多光谱成像融合的黄曲霉毒素检测建模方法 Download PDF

Info

Publication number
CN114140422A
CN114140422A CN202111425547.2A CN202111425547A CN114140422A CN 114140422 A CN114140422 A CN 114140422A CN 202111425547 A CN202111425547 A CN 202111425547A CN 114140422 A CN114140422 A CN 114140422A
Authority
CN
China
Prior art keywords
multispectral
aflatoxin
detection
fluorescence
data
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.)
Granted
Application number
CN202111425547.2A
Other languages
English (en)
Other versions
CN114140422B (zh
Inventor
郑磊
刘长虹
刘伟
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.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
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 Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202111425547.2A priority Critical patent/CN114140422B/zh
Publication of CN114140422A publication Critical patent/CN114140422A/zh
Application granted granted Critical
Publication of CN114140422B publication Critical patent/CN114140422B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • G01N21/64—Fluorescence; Phosphorescence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G01N21/64—Fluorescence; Phosphorescence
    • G01N2021/6417—Spectrofluorimetric devices
    • 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
    • G01N21/64—Fluorescence; Phosphorescence
    • G01N2021/6495—Miscellaneous methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10064—Fluorescence image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Evolutionary Computation (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)

Abstract

本申请公开了一种荧光与多光谱成像融合的黄曲霉毒素检测建模方法。该方法可以包括：获得含有不同浓度黄曲霉毒的粮食样本；通过荧光光谱检测，建立黄曲霉毒素含量与荧光光谱数据的拟合关系；根据拟合关系计算测试样品的黄曲霉毒素含量，提取测试样品的多光谱数据；根据测试样品的黄曲霉毒素含量与多光谱数据进行机器学习，获得基于多光谱数据的黄曲霉毒含量检测模型。本发明通过荧光光谱联合多光谱定标黄曲霉毒素，实现快速无损检测粮油食品中黄曲霉毒素含量的要求。

Description

一种荧光与多光谱成像融合的黄曲霉毒素检测建模方法
技术领域
本发明涉及快速分析检测领域，更具体地，涉及一种荧光与多光谱成像融合的黄曲霉毒素检测建模方法、系统、电子设备及介质。
背景技术
黄曲霉毒素是由黄曲霉菌和其他寄生曲霉产生的一种次生代谢产物。黄曲霉毒素可以通过粮油食品进入人体体内，比如大米，小麦，糙米，花生，燕麦，玉米等，当其进入人或者动物体内时，具有很强的致畸致癌致突变的作用。1993年被世界卫生组织划分为一类天然的致癌物。在粮食的储藏过程中，极易被黄曲霉菌和其他霉菌所污染产生对人体有害的黄曲霉毒素，所以检测农产品中的黄曲霉毒素就显得至关重要。而目前检测粮食中的黄曲霉毒素大多数采用薄层层析，高效液相色谱，微柱法，酶联免疫吸附法等，这些大多操作复杂，耗时长，成本高，对样品的破坏大且需要专业的操作人员等缺点。
因此，有必要开发一种荧光与多光谱成像融合的黄曲霉毒素检测建模方法、系统、电子设备及介质。
公开于本发明背景技术部分的信息仅仅旨在加深对本发明的一般背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
发明内容
本发明提出了一种荧光与多光谱成像融合的黄曲霉毒素检测建模方法、系统、电子设备及介质，其能够通过荧光光谱联合多光谱定标黄曲霉毒素，实现快速无损检测粮油食品中黄曲霉毒素含量的要求。
第一方面，本公开实施例提供了一种荧光与多光谱成像融合的黄曲霉毒素检测建模方法，包括：
获得含有不同浓度黄曲霉毒的粮食样本；
通过荧光光谱检测，建立所述黄曲霉毒素含量与荧光光谱数据的拟合关系；
根据所述拟合关系计算测试样品的黄曲霉毒素含量，提取所述测试样品的多光谱数据；
根据所述测试样品的黄曲霉毒素含量与多光谱数据进行机器学习，获得基于多光谱数据的黄曲霉毒含量检测模型。
优选地，所述荧光光谱数据为不同黄曲霉浓度对应的不同波长的荧光强度值。
优选地，通过多光谱成像系统获取所述测试样品的多光谱图像，进而提取所述多光谱数据。
优选地，提取多光谱数据包括：
通过典型判别分析与二值化方法对所述多光谱图像进行分割，获取检测目标区域；
对所述检测目标区域进行灰度化处理，计算所述检测目标区域的光谱反射率，即为所述多光谱数据。
优选地，通过公式(1)计算所述检测目标区域的光谱反射率：
Figure BDA0003378240620000021
其中，Sk为该粒大米样品在第k个波段下的光谱反射率，k＝1,2,……,19，I(i,j)是多光谱图像灰度化之后第(i,j)像素的灰度值，m，n分别为图像的行数和列数。
优选地，根据所述测试样品的黄曲霉毒素含量与多光谱数据进行机器学习，获得基于多光谱数据的黄曲霉毒含量检测模型包括：
输入所述测试样品的黄曲霉毒素含量与多光谱数据，进行模型训练学习，实现训练学习网络参数的自动优化；
根据输出模型的相关系数与均方根误差，获得最优的模型为所述基于多光谱数据的黄曲霉毒含量检测模型。
优选地，还包括：
获得实验样品的多光谱数据，将所述多光谱数据带入所述基于多光谱数据的黄曲霉毒含量检测模型，确定所述实验样品的黄曲霉毒素含量。
作为本公开实施例的一种具体实现方式，
第二方面，本公开实施例还提供了一种荧光与多光谱成像融合的黄曲霉毒素检测建模系统，包括：
样本模块，获得含有不同浓度黄曲霉毒的粮食样本；
荧光光谱拟合模块，通过荧光光谱检测，建立所述黄曲霉毒素含量与荧光光谱数据的拟合关系；
多光谱检测模块，根据所述拟合关系计算测试样品的黄曲霉毒素含量，提取所述测试样品的多光谱数据；
学习模块，根据所述测试样品的黄曲霉毒素含量与多光谱数据进行机器学习，获得基于多光谱数据的黄曲霉毒含量检测模型。
优选地，所述荧光光谱数据为不同黄曲霉浓度对应的不同波长的荧光强度值。
优选地，通过多光谱成像系统获取所述测试样品的多光谱图像，进而提取所述多光谱数据。
优选地，提取多光谱数据包括：
通过典型判别分析与二值化方法对所述多光谱图像进行分割，获取检测目标区域；
对所述检测目标区域进行灰度化处理，计算所述检测目标区域的光谱反射率，即为所述多光谱数据。
优选地，通过公式(1)计算所述检测目标区域的光谱反射率：
Figure BDA0003378240620000041
其中，Sk为该粒大米样品在第k个波段下的光谱反射率，k＝1,2,……,19，I(i,j)是多光谱图像灰度化之后第(i,j)像素的灰度值，m，n分别为图像的行数和列数。
优选地，根据所述测试样品的黄曲霉毒素含量与多光谱数据进行机器学习，获得基于多光谱数据的黄曲霉毒含量检测模型包括：
输入所述测试样品的黄曲霉毒素含量与多光谱数据，进行模型训练学习，实现训练学习网络参数的自动优化；
根据输出模型的相关系数与均方根误差，获得最优的模型为所述黄曲霉毒含量的检测模型。
优选地，还包括：
获得实验样品的多光谱数据，将所述多光谱数据带入所述黄曲霉毒含量的检测模型，确定所述实验样品的黄曲霉毒素含量。
第三方面，本公开实施例还提供了一种电子设备，该电子设备包括：
存储器，存储有可执行指令；
处理器，所述处理器运行所述存储器中的所述可执行指令，以实现所述的荧光与多光谱成像融合的黄曲霉毒素检测建模方法。
第四方面，本公开实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现所述的荧光与多光谱成像融合的黄曲霉毒素检测建模方法。
本发明的方法和系统具有其它的特性和优点，这些特性和优点从并入本文中的附图和随后的具体实施方式中将是显而易见的，或者将在并入本文中的附图和随后的具体实施方式中进行详细陈述，这些附图和具体实施方式共同用于解释本发明的特定原理。
附图说明
通过结合附图对本发明示例性实施例进行更详细的描述，本发明的上述以及其它目的、特征和优势将变得更加明显，其中，在本发明示例性实施例中，相同的参考标号通常代表相同部件。
图1示出了根据本发明的一个实施例的荧光与多光谱成像融合的黄曲霉毒素检测建模方法的步骤的流程图。
图2示出了根据本发明的一个实施例的不同浓度黄曲霉毒的粮食样本的荧光光谱曲线的示意图。
图3示出了根据本发明的一个实施例的一种荧光与多光谱成像融合的黄曲霉毒素检测建模系统的框图。
附图标记说明：
201、样本模块；202、荧光光谱拟合模块；203、多光谱检测模块；204、学习模块。
具体实施方式
下面将更详细地描述本发明的优选实施方式。虽然以下描述了本发明的优选实施方式，然而应该理解，可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。
本发明提供一种荧光与多光谱成像融合的黄曲霉毒素检测建模方法，包括：
获得含有不同浓度黄曲霉毒的粮食样本；
通过荧光光谱检测，建立黄曲霉毒素含量与荧光光谱数据的拟合关系；
根据拟合关系计算测试样品的黄曲霉毒素含量，提取测试样品的多光谱数据；
根据测试样品的黄曲霉毒素含量与多光谱数据进行机器学习，获得基于多光谱数据的黄曲霉毒含量检测模型。
在一个示例中，荧光光谱数据为不同黄曲霉浓度对应的不同波长的荧光强度值。
在一个示例中，通过多光谱成像系统获取测试样品的多光谱图像，进而提取多光谱数据。
在一个示例中，提取多光谱数据包括：
通过典型判别分析与二值化方法对多光谱图像进行分割，获取检测目标区域；
对检测目标区域进行灰度化处理，计算检测目标区域的光谱反射率，即为多光谱数据。
在一个示例中，通过公式(1)计算检测目标区域的光谱反射率：
Figure BDA0003378240620000061
其中，Sk为该粒大米样品在第k个波段下的光谱反射率，k＝1,2,……,19，I(i,j)是多光谱图像灰度化之后第(i,j)像素的灰度值，m，n分别为图像的行数和列数。
在一个示例中，根据测试样品的黄曲霉毒素含量与多光谱数据进行机器学习，获得基于多光谱数据的黄曲霉毒含量检测模型包括：
输入测试样品的黄曲霉毒素含量与多光谱数据，进行模型训练学习，实现训练学习网络参数的自动优化；
根据输出模型的相关系数与均方根误差，获得最优的模型为黄曲霉毒含量的检测模型。
在一个示例中，还包括：
获得实验样品的多光谱数据，将多光谱数据带入黄曲霉毒含量的检测模型，确定实验样品的黄曲霉毒素含量。
具体地，制备获得含有不同浓度黄曲霉毒的粮食样本，通过荧光光谱检测，确定不同黄曲霉毒素含量的粮食样本的荧光光谱数据，即为不同黄曲霉浓度对应的不同波长的荧光强度值，建立黄曲霉毒素含量与荧光光谱数据的拟合关系。
根据拟合关系计算测试样品的黄曲霉毒素含量，通过多光谱成像系统分别获取测试样品的多光谱图像，通过典型判别分析与二值化方法对多光谱图像进行分割，获取检测目标区域；对检测目标区域进行灰度化处理，通过公式(1)计算检测目标区域的光谱反射率，即为多光谱数据。
输入测试样品的黄曲霉毒素含量与多光谱数据，进行模型训练学习，随着测试样品数量的增加，实现训练学习网络参数的自动优化；根据输出模型的相关系数与均方根误差，获得最优的模型为黄曲霉毒含量的检测模型。
获得实验样品的多光谱数据，将多光谱数据带入黄曲霉毒含量的检测模型，计算实验样品的黄曲霉毒素含量。
上述检测方法不仅仅限于某一种特定粮食的检测，对于不同农作物的检测只需重新构建深度学习算法与光谱信息之间的模型，即可应用于其他农产品中黄曲霉毒素含量的检测。
本方法通过发出紫外荧光照射待测样品并分析获得待测样品中黄曲霉毒素的含量；多光谱系统产生可见至近红外波段光源并照射待测样品；接收待测样品反射的多光谱信号并成像；采集和处理待测样品的光谱图像，提取相应的光谱特征；基于光谱图像特征和黄曲霉毒素的标定值，采用机器学习算法构建待测样品重金属含量检测模型。利用荧光光谱快速检测农产品黄曲霉毒素的优势，为多光谱检测粮食黄曲霉毒素含量提供标定值，基于深度学习算法自动构建黄曲霉毒素含量的检测模型，解决了荧光光谱只能做单点检测、检测毒素单一，无法获取样品图像特征，多光谱检测建模时样本无法获得海量样品标定值的问题。
本发明还提供一种荧光与多光谱成像融合的黄曲霉毒素检测建模系统，包括：
样本模块，获得含有不同浓度黄曲霉毒的粮食样本；
荧光光谱拟合模块，通过荧光光谱检测，建立黄曲霉毒素含量与荧光光谱数据的拟合关系；
多光谱检测模块，根据拟合关系计算测试样品的黄曲霉毒素含量，提取测试样品的多光谱数据；
学习模块，根据测试样品的黄曲霉毒素含量与多光谱数据进行机器学习，获得基于多光谱数据的黄曲霉毒含量检测模型。
在一个示例中，荧光光谱数据为不同黄曲霉浓度对应的不同波长的荧光强度值。
在一个示例中，通过多光谱成像系统获取测试样品的多光谱图像，进而提取多光谱数据。
在一个示例中，提取多光谱数据包括：
通过典型判别分析与二值化方法对多光谱图像进行分割，获取检测目标区域；
对检测目标区域进行灰度化处理，计算检测目标区域的光谱反射率，即为多光谱数据。
在一个示例中，通过公式(1)计算检测目标区域的光谱反射率：
Figure BDA0003378240620000091
其中，Sk为该粒大米样品在第k个波段下的光谱反射率，k＝1,2,……,19，I(i,j)是多光谱图像灰度化之后第(i,j)像素的灰度值，m，n分别为图像的行数和列数。
在一个示例中，根据测试样品的黄曲霉毒素含量与多光谱数据进行机器学习，获得基于多光谱数据的黄曲霉毒含量检测模型包括：
输入测试样品的黄曲霉毒素含量与多光谱数据，进行模型训练学习，实现训练学习网络参数的自动优化；
根据输出模型的相关系数与均方根误差，获得最优的模型为黄曲霉毒含量的检测模型。
在一个示例中，还包括：
获得实验样品的多光谱数据，将多光谱数据带入黄曲霉毒含量的检测模型，确定实验样品的黄曲霉毒素含量。
具体地，制备获得含有不同浓度黄曲霉毒的粮食样本，通过荧光光谱检测，确定不同黄曲霉毒素含量的粮食样本的荧光光谱数据，即为不同黄曲霉浓度对应的不同波长的荧光强度值，建立黄曲霉毒素含量与荧光光谱数据的拟合关系。
根据拟合关系计算测试样品的黄曲霉毒素含量，通过多光谱成像系统分别获取测试样品的多光谱图像，通过典型判别分析与二值化方法对多光谱图像进行分割，获取检测目标区域；对检测目标区域进行灰度化处理，通过公式(1)计算检测目标区域的光谱反射率，即为多光谱数据。
输入测试样品的黄曲霉毒素含量与多光谱数据，进行模型训练学习，随着测试样品数量的增加，实现训练学习网络参数的自动优化；根据输出模型的相关系数与均方根误差，获得最优的模型为黄曲霉毒含量的检测模型。
获得实验样品的多光谱数据，将多光谱数据带入黄曲霉毒含量的检测模型，计算实验样品的黄曲霉毒素含量。
本发明还提供一种电子设备，电子设备包括：存储器，存储有可执行指令；处理器，处理器运行存储器中的可执行指令，以实现上述的荧光与多光谱成像融合的黄曲霉毒素检测建模方法。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述的荧光与多光谱成像融合的黄曲霉毒素检测建模方法。
为便于理解本发明实施例的方案及其效果，以下给出四个具体应用示例。本领域技术人员应理解，该示例仅为了便于理解本发明，其任何具体细节并非意在以任何方式限制本发明。
实施例1
图1示出了根据本发明的一个实施例的荧光与多光谱成像融合的黄曲霉毒素检测建模方法的步骤的流程图。
如图1所示，该荧光与多光谱成像融合的黄曲霉毒素检测建模方法包括：步骤101，获得含有不同浓度黄曲霉毒的粮食样本；步骤102，通过荧光光谱检测，建立黄曲霉毒素含量与荧光光谱数据的拟合关系；步骤103，根据拟合关系计算测试样品的黄曲霉毒素含量，提取测试样品的多光谱数据；步骤104，根据测试样品的黄曲霉毒素含量与多光谱数据进行机器学习，获得基于多光谱数据的黄曲霉毒含量检测模型。
将糙米用1％的次氯酸钠消毒3分钟，然后在鼓风干燥箱中烘干，以去除糙米表面的其他的干扰物质。将0.64mg样品溶于200mL乙腈和800mL水中制得640μg/kg黄曲霉毒素标准溶液，然后稀释得到320μg/kg、160μg/kg、80μg/kg、40μg/kg、20μg/kg、10μg/kg、5μg/kg的黄曲霉毒素标准溶液。将糙米分别在320μg/kg、160μg/kg、80μg/kg、40μg/kg、20μg/kg、10μg/kg、5μg/kg的黄曲霉毒素标准溶液浸泡1h，并用超纯水浸泡糙米样品制备0μg/kg样本。
将粮食样本放置在荧光光谱分析仪的载物台上，先进行仪器的校准，校准完毕后设置好各项参数，其中波长范围从320nm到880nm之间，粮食样本的整个扫描过程不超过5s。获得的荧光光谱曲线如图2所示，将获得的荧光光谱曲线与黄曲霉毒素含量的实际值拟合，确定不同黄曲霉毒素含量的粮食样本的荧光光谱数据，进而建立黄曲霉毒素含量与荧光光谱数据的拟合关系。
将粮食样本用多光谱成像系统拍照。打开多光谱系统工作站，点击系统进行初始化，完成后，系统需约30min自检和预热。将背景消除盘(蓝盘)置于样品池中进行仪器校准，然后放置糙米进行样品校准；观察软件及光谱模块各项示数稳定后方可进行多光谱图像和数据的采集，其采集的多光谱波段范围为405-970nm，图像分辨率为2056×2056，在此波段内会产生19个间隔不规则的波长，即405、435、450、470、505、525、570、590、630、645、660、700、780、850、870、890、910、940和970nm。最后将粮食样本置于样品池的光盘上，按按采集键即可获取粮食样本的多光谱图像。
根据拟合关系计算测试样品的黄曲霉毒素含量，通过多光谱成像系统分别获取测试样品的多光谱图像，通过典型判别分析与二值化方法对多光谱图像进行分割，获取检测目标区域；对检测目标区域进行灰度化处理，通过公式(1)计算检测目标区域的光谱反射率，即为多光谱数据。
输入测试样品的黄曲霉毒素含量与多光谱数据，进行模型训练学习，随着测试样品数量的增加，实现训练学习网络参数的自动优化；根据输出模型的相关系数与均方根误差，获得最优的模型为黄曲霉毒含量的检测模型。
获得实验样品的多光谱数据，将多光谱数据带入黄曲霉毒含量的检测模型，计算实验样品的黄曲霉毒素含量。
实施例2
图3示出了根据本发明的一个实施例的一种荧光与多光谱成像融合的黄曲霉毒素检测建模系统的框图。
如图3所示，该荧光与多光谱成像融合的黄曲霉毒素检测建模系统，包括：
样本模块201，获得含有不同浓度黄曲霉毒的粮食样本；
荧光光谱拟合模块202，通过荧光光谱检测，建立黄曲霉毒素含量与荧光光谱数据的拟合关系；
多光谱检测模块203，根据拟合关系计算测试样品的黄曲霉毒素含量，提取测试样品的多光谱数据；
学习模块204，根据测试样品的黄曲霉毒素含量与多光谱数据进行机器学习，获得基于多光谱数据的黄曲霉毒含量检测模型。
作为可选方案，荧光光谱数据为不同黄曲霉浓度对应的不同波长的荧光强度值。
作为可选方案，通过多光谱成像系统获取测试样品的多光谱图像，进而提取多光谱数据。
作为可选方案，提取多光谱数据包括：
通过典型判别分析与二值化方法对多光谱图像进行分割，获取检测目标区域；
对检测目标区域进行灰度化处理，计算检测目标区域的光谱反射率，即为多光谱数据。
作为可选方案，通过公式(1)计算检测目标区域的光谱反射率：
Figure BDA0003378240620000131
其中，Sk为该粒大米样品在第k个波段下的光谱反射率，k＝1,2,……,19，I(i,j)是多光谱图像灰度化之后第(i,j)像素的灰度值，m，n分别为图像的行数和列数。
作为可选方案，根据测试样品的黄曲霉毒素含量与多光谱数据进行机器学习，获得基于多光谱数据的黄曲霉毒含量检测模型包括：
输入测试样品的黄曲霉毒素含量与多光谱数据，进行模型训练学习，实现训练学习网络参数的自动优化；
根据输出模型的相关系数与均方根误差，获得最优的模型为黄曲霉毒含量的检测模型。
作为可选方案，还包括：
获得实验样品的多光谱数据，将多光谱数据带入黄曲霉毒含量的检测模型，确定实验样品的黄曲霉毒素含量。
实施例3
本公开提供一种电子设备包括，该电子设备包括：存储器，存储有可执行指令；处理器，处理器运行存储器中的可执行指令，以实现上述荧光与多光谱成像融合的黄曲霉毒素检测建模方法。
根据本公开实施例的电子设备包括存储器和处理器。
该存储器用于存储非暂时性计算机可读指令。具体地，存储器可以包括一个或多个计算机程序产品，该计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。该易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。该非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。
该处理器可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元，并且可以控制电子设备中的其它组件以执行期望的功能。在本公开的一个实施例中，该处理器用于运行该存储器中存储的该计算机可读指令。
本领域技术人员应能理解，为了解决如何获得良好用户体验效果的技术问题，本实施例中也可以包括诸如通信总线、接口等公知的结构，这些公知的结构也应包含在本公开的保护范围之内。
有关本实施例的详细说明可以参考前述各实施例中的相应说明，在此不再赘述。
实施例4
本公开实施例提供一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现所述的荧光与多光谱成像融合的黄曲霉毒素检测建模方法。
根据本公开实施例的计算机可读存储介质，其上存储有非暂时性计算机可读指令。当该非暂时性计算机可读指令由处理器运行时，执行前述的本公开各实施例方法的全部或部分步骤。
上述计算机可读存储介质包括但不限于：光存储介质(例如：CD－ROM和DVD)、磁光存储介质(例如：MO)、磁存储介质(例如：磁带或移动硬盘)、具有内置的可重写非易失性存储器的媒体(例如：存储卡)和具有内置ROM的媒体(例如：ROM盒)。
本领域技术人员应理解，上面对本发明的实施例的描述的目的仅为了示例性地说明本发明的实施例的有益效果，并不意在将本发明的实施例限制于所给出的任何示例。
以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。

Claims (10)

1.一种荧光与多光谱成像融合的黄曲霉毒素检测建模方法，其特征在于，包括：
获得含有不同浓度黄曲霉毒的粮食样本；
通过荧光光谱检测，建立所述黄曲霉毒素含量与荧光光谱数据的拟合关系；
根据所述拟合关系计算测试样品的黄曲霉毒素含量，提取所述测试样品的多光谱数据；
根据所述测试样品的黄曲霉毒素含量与多光谱数据进行机器学习，获得基于多光谱数据的黄曲霉毒含量检测模型。
2.根据权利要求1所述的荧光与多光谱成像融合的黄曲霉毒素检测建模方法，其中，所述荧光光谱数据为不同黄曲霉浓度对应的不同波长的荧光强度值。
3.根据权利要求1所述的荧光与多光谱成像融合的黄曲霉毒素检测建模方法，其中，通过多光谱成像系统获取所述测试样品的多光谱图像，进而提取所述多光谱数据。
4.根据权利要求3所述的荧光与多光谱成像融合的黄曲霉毒素检测建模方法，其中，提取多光谱数据包括：
通过典型判别分析与二值化方法对所述多光谱图像进行分割，获取检测目标区域；
对所述检测目标区域进行灰度化处理，计算所述检测目标区域的光谱反射率，即为所述多光谱数据。
5.根据权利要求4所述的荧光与多光谱成像融合的黄曲霉毒素检测建模方法，其中，通过公式(1)计算所述检测目标区域的光谱反射率：
Figure FDA0003378240610000021
其中，Sk为该粒大米样品在第k个波段下的光谱反射率，k＝1,2,……,19，I(i,j)是多光谱图像灰度化之后第(i,j)像素的灰度值，m，n分别为图像的行数和列数。
6.根据权利要求1所述的荧光与多光谱成像融合的黄曲霉毒素检测建模方法，其中，根据所述测试样品的黄曲霉毒素含量与多光谱数据进行机器学习，获得基于多光谱数据的黄曲霉毒含量检测模型包括：
输入所述测试样品的黄曲霉毒素含量与多光谱数据，进行模型训练学习，实现训练学习网络参数的自动优化；
根据输出模型的相关系数与均方根误差，获得最优的模型为所述基于多光谱数据的黄曲霉毒含量检测模型。
7.根据权利要求1所述的荧光与多光谱成像融合的黄曲霉毒素检测建模方法，其中，还包括：
获得实验样品的多光谱数据，将所述多光谱数据带入所述基于多光谱数据的黄曲霉毒含量检测模型，确定所述实验样品的黄曲霉毒素含量。
8.一种荧光与多光谱成像融合的黄曲霉毒素检测建模系统，其特征在于，包括：
样本模块，获得含有不同浓度黄曲霉毒的粮食样本；
荧光光谱拟合模块，通过荧光光谱检测，建立所述黄曲霉毒素含量与荧光光谱数据的拟合关系；
多光谱检测模块，根据所述拟合关系计算测试样品的黄曲霉毒素含量，提取所述测试样品的多光谱数据；
学习模块，根据所述测试样品的黄曲霉毒素含量与多光谱数据进行机器学习，获得基于多光谱数据的黄曲霉毒含量检测模型。
9.一种电子设备，其特征在于，所述电子设备包括：
存储器，存储有可执行指令；
处理器，所述处理器运行所述存储器中的所述可执行指令，以实现权利要求1-7中任一项所述的荧光与多光谱成像融合的黄曲霉毒素检测建模方法。
10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现权利要求1-7中任一项所述的荧光与多光谱成像融合的黄曲霉毒素检测建模方法。
CN202111425547.2A 2021-11-26 2021-11-26 一种荧光与多光谱成像融合的黄曲霉毒素检测建模方法 Active CN114140422B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111425547.2A CN114140422B (zh) 2021-11-26 2021-11-26 一种荧光与多光谱成像融合的黄曲霉毒素检测建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111425547.2A CN114140422B (zh) 2021-11-26 2021-11-26 一种荧光与多光谱成像融合的黄曲霉毒素检测建模方法

Publications (2)

Publication Number Publication Date
CN114140422A true CN114140422A (zh) 2022-03-04
CN114140422B CN114140422B (zh) 2024-08-20

Family

ID=80388858

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111425547.2A Active CN114140422B (zh) 2021-11-26 2021-11-26 一种荧光与多光谱成像融合的黄曲霉毒素检测建模方法

Country Status (1)

Country Link
CN (1) CN114140422B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116593548A (zh) * 2023-05-18 2023-08-15 深圳市法莱茵科技有限公司 一种柴油机械硫化物检测方法及系统
CN118392801A (zh) * 2024-06-27 2024-07-26 合肥工业大学 农产品光谱无损检测自动建模的方法、设备、介质及产品

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1527942A (zh) * 2001-07-13 2004-09-08 ���Ǿ� 基于荧光偏振的黄曲霉素均相检测法
US20110125477A1 (en) * 2009-05-14 2011-05-26 Lightner Jonathan E Inverse Modeling for Characteristic Prediction from Multi-Spectral and Hyper-Spectral Remote Sensed Datasets
US20120061586A1 (en) * 2010-09-10 2012-03-15 Haibo Yao Method and detection system for detection of aflatoxin in corn with fluorescence spectra
CN106383088A (zh) * 2016-08-19 2017-02-08 合肥工业大学 一种基于多光谱成像技术的种子纯度快速无损检测方法
CN106404678A (zh) * 2016-09-06 2017-02-15 合肥工业大学 基于多光谱成像技术的番茄酱中非法添加物快速检测方法
CN112229808A (zh) * 2020-09-21 2021-01-15 佛山国防科技工业技术成果产业化应用推广中心 一种基于多光谱技术的食品微生物检测装置及检测方法
CN113504185A (zh) * 2021-03-29 2021-10-15 合肥工业大学 结合libs定标的多光谱农产品重金属含量检测建模系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1527942A (zh) * 2001-07-13 2004-09-08 ���Ǿ� 基于荧光偏振的黄曲霉素均相检测法
US20110125477A1 (en) * 2009-05-14 2011-05-26 Lightner Jonathan E Inverse Modeling for Characteristic Prediction from Multi-Spectral and Hyper-Spectral Remote Sensed Datasets
US20120061586A1 (en) * 2010-09-10 2012-03-15 Haibo Yao Method and detection system for detection of aflatoxin in corn with fluorescence spectra
CN106383088A (zh) * 2016-08-19 2017-02-08 合肥工业大学 一种基于多光谱成像技术的种子纯度快速无损检测方法
CN106404678A (zh) * 2016-09-06 2017-02-15 合肥工业大学 基于多光谱成像技术的番茄酱中非法添加物快速检测方法
CN112229808A (zh) * 2020-09-21 2021-01-15 佛山国防科技工业技术成果产业化应用推广中心 一种基于多光谱技术的食品微生物检测装置及检测方法
CN113504185A (zh) * 2021-03-29 2021-10-15 合肥工业大学 结合libs定标的多光谱农产品重金属含量检测建模系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
YULE SHI ET AL: "Rapid and nondestructive determination of deoxynivalenol (DON) content in wheat using multispectral imaging (MSI) technology with chemometric methods", ANALYTICAL METHODS, vol. 12, pages 3390 - 3396 *
周瑶;李柏承;赵曼彤;王琦;张大伟;: "高光谱无损检测辣椒粉中苏丹红浓度", 光电工程, no. 05 *
李天华;唐国风;: "基于光电二极管的黄曲霉素含量检测器的研究", 中国农机化, no. 06 *
殷金坚: "基于诱导荧光的黄曲霉素光谱检测系统的研制", 硕士电子期刊, pages 69 - 77 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116593548A (zh) * 2023-05-18 2023-08-15 深圳市法莱茵科技有限公司 一种柴油机械硫化物检测方法及系统
CN118392801A (zh) * 2024-06-27 2024-07-26 合肥工业大学 农产品光谱无损检测自动建模的方法、设备、介质及产品
CN118392801B (zh) * 2024-06-27 2024-09-20 合肥工业大学 农产品光谱无损检测自动建模的方法、设备、介质及产品

Also Published As

Publication number Publication date
CN114140422B (zh) 2024-08-20

Similar Documents

Publication Publication Date Title
Femenias et al. Use of hyperspectral imaging as a tool for Fusarium and deoxynivalenol risk management in cereals: A review
Bauriegel et al. Early detection of Fusarium infection in wheat using hyper-spectral imaging
Zhang et al. Moisture content detection of maize seed based on visible/near‐infrared and near‐infrared hyperspectral imaging technology
Sun et al. A method for rapid identification of rice origin by hyperspectral imaging technology
Bock et al. Plant disease severity estimated visually, by digital photography and image analysis, and by hyperspectral imaging
Kimuli et al. Application of SWIR hyperspectral imaging and chemometrics for identification of aflatoxin B1 contaminated maize kernels
CN114140422B (zh) 一种荧光与多光谱成像融合的黄曲霉毒素检测建模方法
Wang et al. Identification of aflatoxin B1 on maize kernel surfaces using hyperspectral imaging
CN110763698B (zh) 一种基于特征波长的高光谱柑橘叶片病害识别方法
Kalinowska et al. Smartphones as tools for equitable food quality assessment
Barbedo et al. Deoxynivalenol screening in wheat kernels using hyperspectral imaging
Wang et al. Feasibility of detecting aflatoxin B1 on inoculated maize kernels surface using Vis/NIR hyperspectral imaging
US20150289557A1 (en) Blending of agricultural products via hyperspectral imaging and analysis
Mendoza et al. Prediction of canned black bean texture (Phaseolus vulgaris L.) from intact dry seeds using visible/near infrared spectroscopy and hyperspectral imaging data
Jin et al. Rapid and non-destructive determination of oil content of peanut (Arachis hypogaea L.) using hyperspectral imaging analysis
Wang et al. Study on starch content detection and visualization of potato based on hyperspectral imaging
Sun et al. Detection of moisture content in peanut kernels using hyperspectral imaging technology coupled with chemometrics
Yu et al. Rapid and visual measurement of fat content in peanuts by using the hyperspectral imaging technique with chemometrics
CN114778484B (zh) 茶叶品质等级分类方法及装置、设备、存储介质
Qi et al. Moldy peanut kernel identification using wavelet spectral features extracted from hyperspectral images
Lu et al. Fluorescence hyperspectral image technique coupled with HSI method to predict solanine content of potatoes
CN118169068B (zh) 糙米食味值检测方法、装置、介质及设备
Tian et al. Research on apple origin classification based on variable iterative space shrinkage approach with stepwise regression–support vector machine algorithm and visible‐near infrared hyperspectral imaging
Aredo et al. Predicting of the Quality Attributes of Orange Fruit Using Hyperspec-tral Images
Gao et al. Mass detection of walnut based on X‐ray imaging technology

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