CN114252318A - 一种鸡肉中金黄色葡萄球菌的检测方法及系统 - Google Patents

一种鸡肉中金黄色葡萄球菌的检测方法及系统 Download PDF

Info

Publication number
CN114252318A
CN114252318A CN202111610707.0A CN202111610707A CN114252318A CN 114252318 A CN114252318 A CN 114252318A CN 202111610707 A CN202111610707 A CN 202111610707A CN 114252318 A CN114252318 A CN 114252318A
Authority
CN
China
Prior art keywords
chicken
staphylococcus aureus
sample
hyperspectral
image
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
CN202111610707.0A
Other languages
English (en)
Other versions
CN114252318B (zh
Inventor
仇瑞承
何勇
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202111610707.0A priority Critical patent/CN114252318B/zh
Publication of CN114252318A publication Critical patent/CN114252318A/zh
Priority to US17/889,604 priority patent/US20230204500A1/en
Application granted granted Critical
Publication of CN114252318B publication Critical patent/CN114252318B/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
    • G01N21/17—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
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/314—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry with comparison of measurements at specific and non-specific wavelengths
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N1/00—Sampling; Preparing specimens for investigation
    • G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
    • 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
    • G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
    • 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
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • 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
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/94—Investigating contamination, e.g. dust
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/02—Food
    • G01N33/12—Meat; Fish
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/12—Details of acquisition arrangements; Constructional details thereof
    • G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
    • G06V10/143—Sensing or illuminating at different wavelengths
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/695—Preprocessing, e.g. image segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/698—Matching; Classification
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/129—Using chemometrical 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30128—Food products
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Pathology (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • Biomedical Technology (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Food Science & Technology (AREA)
  • Molecular Biology (AREA)
  • Primary Health Care (AREA)
  • Software Systems (AREA)
  • Biotechnology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioethics (AREA)
  • Artificial Intelligence (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Medicinal Chemistry (AREA)
  • Mathematical Physics (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种鸡肉中金黄色葡萄球菌的检测方法及系统。该方法包括：获取样本高光谱图像；基于样本高光谱图像选择特征波长的光谱图像，并设置灰度阈值，对选择的光谱图像进行分割处理，得到鸡肉样本待测区域和金黄色葡萄球菌待测区域；提取高光谱数据；将鸡肉样本高光谱数据和金黄色葡萄球菌高光谱数据混合后，提取特征波长；选择提取到的特征波长所对应的鸡肉样本高光谱数据对支持向量机模型进行训练，得到金黄色葡萄球菌的检测模型；利用金黄色葡萄球菌的检测模型对鸡肉中的金黄色葡萄球菌进行检测。本发明能够简单、快速、无损检测鸡肉制品中的金黄色葡萄球菌，以满足鸡肉制品加工及销售过程中品质检测的需求。

Description

一种鸡肉中金黄色葡萄球菌的检测方法及系统
技术领域
本发明涉及食品质量安全的无损快速检测技术领域，特别是涉及一种鸡肉中金黄色葡萄球菌的检测方法及系统。
背景技术
家禽肉制品加工过程中易受到各种食源性致病菌的污染，使得家禽肉制品的品质降低，引起食品安全问题。金黄色葡萄球菌是常见的一种致病菌，食用被金黄色葡萄球菌污染的肉制品，易导致呕吐、腹泻等症状。针对食品中金黄色葡萄球菌的检测，通常采用生化鉴定的手段。国家标准《食品微生物学检验-金黄色葡萄球菌检验》(GB4789.10-2016)提供了实验室条件下的检测方法，但该方法操作复杂，对检测人员的专业技能和实验室环境条件要求较高，对样本具有破坏性，且检测耗时较长，难以满足食品检测的需求。实现对家禽肉制品中的金黄色葡萄球菌的快速、无损检测，将有助于对食品品质安全的监管。
目前，已有相关报道采用酶联免疫法、免疫荧光法、聚合酶链反应法等检测食品中的食源性致病菌，但上述方法存在成本高、需要增菌、试验周期长等缺点。许多研究人员开展了基于光谱技术的食品品质检测研究，应用光谱技术实现了肉制品中腐败菌、污染物、致病菌等指标的检测，其中太赫兹和拉曼光谱技术应用较广。但应用太赫兹或拉曼光谱技术检测肉制品中的致病菌，获取的检测信号较弱，通常需设计相关材料的载体与待测样本结合。致病菌会改变肉制品中的组成成分，使得正常样本和染菌样本在可见光和近红外波段的光谱反射情况存在差异。基于高光谱数据的食源性致病菌检测的报道较少，尤其是针对家禽肉制品中金黄色葡萄球菌的检测。
发明内容
针对家禽肉制品中金黄色葡萄球菌检测步骤复杂、效率低、破坏性大等问题，本发明提出了一种鸡肉中金黄色葡萄球菌的检测方法及系统，能够简单、快速、无损检测鸡肉制品中的金黄色葡萄球菌，以满足鸡肉制品加工及销售过程中品质检测的需求。
为实现上述目的，本发明提供了如下方案：
一种鸡肉中金黄色葡萄球菌的检测方法，包括：
获取样本高光谱图像；所述样本高光谱图像包括：鸡肉样本高光谱图像和金黄色葡萄球菌高光谱图像；所述鸡肉样本包括健康鸡肉样本和染菌鸡肉样本；
基于所述样本高光谱图像选择特征波长的光谱图像，并设置灰度阈值，对选择的光谱图像进行分割处理，得到鸡肉样本待测区域和金黄色葡萄球菌待测区域；
分别提取所述鸡肉样本待测区域和所述金黄色葡萄球菌待测区域中各像素点的高光谱数据；
将鸡肉样本高光谱数据和金黄色葡萄球菌高光谱数据混合后，提取特征波长；
选择提取到的特征波长所对应的鸡肉样本高光谱数据对支持向量机模型进行训练，得到金黄色葡萄球菌的检测模型；
利用所述金黄色葡萄球菌的检测模型对鸡肉中的金黄色葡萄球菌进行检测。
可选地，所述获取样本高光谱图像，具体包括：
将金黄色葡萄球菌接种于LB琼脂培养基进行增殖，挑选增殖后的金黄色葡萄球菌典型菌落，与无菌蒸馏水混合，获得金黄色葡萄球菌菌液；
将鸡胸肉切片样本分别进行紫外灯照射灭菌操作和沾染不同浓度的金黄色葡萄球菌菌液操作，得到健康鸡肉样本和染菌鸡肉样本；
利用高光谱成像仪，采用垂直线性扫描方式，获取LB培养基中金黄色葡萄球菌、健康鸡肉样本和染菌鸡肉样本的高光谱图像。
可选地，在基于所述样本高光谱图像选择特征波长的光谱图像之前，还包括：
对所述样本高光谱图像进行黑白矫正。
可选地，所述基于所述样本高光谱图像选择特征波长的光谱图像，并设置灰度阈值，对选择的光谱图像进行分割处理，具体包括：
选择金黄色葡萄球菌在648nm波长的高光谱图像作为金黄色葡萄球菌的灰度图像，设定灰度阈值为0.20，对金黄色葡萄球菌的灰度图像进行分割获得金黄色葡萄球菌二值图像；
选择鸡肉样本在622nm波长的高光谱图像作为鸡肉样本的灰度图像，设定灰度阈值，对鸡肉样本的灰度图像进行分割获得鸡肉样本二值图像；
对所述金黄色葡萄球菌二值图像和所述鸡肉样本二值图像进行去噪处理。
可选地，在将鸡肉样本高光谱数据和金黄色葡萄球菌高光谱数据混合之前，还包括：
采用SNV和SG算法对鸡肉样本高光谱数据和金黄色葡萄球菌高光谱数据进行平滑处理。
可选地，利用CARS和GA算法分别进行特征波长提取。
本发明还提供了一种鸡肉中金黄色葡萄球菌的检测系统，包括：
样本高光谱图像获取模块，用于获取样本高光谱图像；所述样本高光谱图像包括：鸡肉样本高光谱图像和金黄色葡萄球菌高光谱图像；所述鸡肉样本包括健康鸡肉样本和染菌鸡肉样本；
待测区域确定模块，用于基于所述样本高光谱图像选择特征波长的光谱图像，并设置灰度阈值，对选择的光谱图像进行分割处理，得到鸡肉样本待测区域和金黄色葡萄球菌待测区域；
高光谱数据提取模块，用于分别提取所述鸡肉样本待测区域和所述金黄色葡萄球菌待测区域中各像素点的高光谱数据；
特征波长提取模块，用于将鸡肉样本高光谱数据和金黄色葡萄球菌高光谱数据混合后，提取特征波长；
训练模块，用于选择提取到的特征波长所对应的鸡肉样本高光谱数据对支持向量机模型进行训练，得到金黄色葡萄球菌的检测模型；
检测模块，用于利用所述金黄色葡萄球菌的检测模型对鸡肉中的金黄色葡萄球菌进行检测。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明将高光谱成像技术应用于鸡肉中金黄色葡萄球菌的检测中，并结合机器学习识别算法能够实现实时、快速、无损的鸡肉中致病菌的检测，为食品品质监测提供帮助。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例鸡肉中金黄色葡萄球菌的检测方法的流程图；
图2为金黄色葡萄球菌样本在特征波长的灰度图；
图3为鸡肉样本在特征波长的灰度图；
图4为分割得到的金黄色葡萄球菌的二值图像；
图5为分割得到的鸡肉样本的二值图像；
图6为金黄色葡萄球菌、健康鸡肉样本和染菌鸡肉样本的高光谱曲线图；
图7为应用CARS和GA算法对金黄色葡萄球菌、健康鸡肉样本和染菌鸡肉样本的高光谱数据提取获得的特征波长；
图8为应用CARS和GA算法对健康鸡肉样本和染菌鸡肉样本的高光谱数据提取获得的特征波长。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种鸡肉中金黄色葡萄球菌的检测方法及系统，能够简单、快速、无损检测鸡肉制品中的金黄色葡萄球菌，以满足鸡肉制品加工及销售过程中品质检测的需求。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明提供的一种鸡肉中金黄色葡萄球菌的检测方法，包括以下步骤：
步骤101：获取样本高光谱图像；所述样本高光谱图像包括：鸡肉样本高光谱图像和金黄色葡萄球菌高光谱图像；所述鸡肉样本包括健康鸡肉样本和染菌鸡肉样本。
步骤102：基于所述样本高光谱图像选择特征波长的光谱图像，并设置灰度阈值，对选择的光谱图像进行分割处理，得到鸡肉样本待测区域和金黄色葡萄球菌待测区域。
步骤103：分别提取所述鸡肉样本待测区域和所述金黄色葡萄球菌待测区域中各像素点的高光谱数据。
步骤104：将鸡肉样本高光谱数据和金黄色葡萄球菌高光谱数据混合后，提取特征波长。
步骤105：选择提取到的特征波长所对应的鸡肉样本高光谱数据对支持向量机模型进行训练，得到金黄色葡萄球菌的检测模型。
步骤106：利用所述金黄色葡萄球菌的检测模型对鸡肉中的金黄色葡萄球菌进行检测。
其中，步骤101具体包括：
(1)将购买的金黄色葡萄球菌接种于LB(Luria-Bertani)琼脂培养基进行增殖，然后挑选增殖后的金黄色葡萄球菌典型菌落，与无菌蒸馏水混合，获得金黄色葡萄球菌菌液；
(2)选择鸡胸肉为待测样本，分割成厚度为0.5厘米左右的切片，将部分样本放置在紫外灯下照射30分钟进行消毒杀菌处理，获得健康鸡肉样本；剩余样本分别浸泡在金黄色葡萄球菌菌液中，获得染菌鸡肉样本；
(3)利用高光谱成像仪，采用垂直线性扫描方式，获取LB培养基中金黄色葡萄球菌和健康鸡肉样本、染菌鸡肉样本的高光谱图像；
(4)对高光谱图像进行黑白校正处理，并人工设定感兴趣区域，提取获得只包含待测鸡肉样本以及的金黄色葡萄球菌高光谱图像。
采集高光成像仪在白色参考板和黑色参考板下的高光谱图像，利用下列公式对采集的鸡肉样本和金黄色葡萄球菌的高光谱图像进行校正，
Figure BDA0003434811310000061
式中，Hcal为校正后的高光谱图像，Hraw为原始高光谱图像，Hwhite为白色参考板图像，Hdark为黑色参考板图像。
使用ENVI软件人工设置矩形框，提取健康鸡肉样本和染菌鸡肉样本部分区域的高光谱图像。
其中，步骤102具体包括：
选择金黄色葡萄球菌样本在648nm波长的高光谱图像作为金黄色葡萄球菌的灰度图像，设定灰度阈值为0.20，对图像进行分割获得二值图像；
选择鸡肉样本在622nm波长的高光谱图像作为鸡肉样本的灰度图像，人工统计并设定灰度阈值，对图像进行分割获得二值图像；
对获得的二值图像进行去噪操作处理。
其中，步骤103具体包括：
提取获得的像素点处的高光谱数据，采用标准正态变量校正(Standard NormalVariate，SNV)和Savitzky-Golay(SG)算法对高光谱数据进行平滑处理。
其中，步骤104具体包括：
(1)分别从健康鸡肉样本和染菌鸡肉样本中挑选相同数量的样本，然后从每个样本中随机选定一定数量的高光谱数据，并按照1:1的比例随机分配，生成训练集和测试集；
(2)根据训练集的数据大小，随机选择同等数量的金黄色葡萄球菌的高光谱数据，将训练集中的健康鸡肉样本、染菌鸡肉样本及金黄色葡萄球菌的高光谱数据进行分类，设置分类编号，采用CARS和GA算法分别进行特征波长提取操作；
其中，步骤105具体包括：
(1)将训练集中健康鸡肉样本和染菌鸡肉样本在CARS、GA算法提取的特征波长处的高光谱数据作为SVM算法输入，构建金黄色葡萄球菌的检测模型。
(2)将测试集的鸡肉高光谱样本数据输入建立的检测模型，检测结果与实际情况进行对比，按照下列公式计算模型的检测精度，评估模型的检测性能：
Figure BDA0003434811310000071
式中，NT表示被正确分类的样本数，N表示总样本数，Accuracy表示检测精度。
具体实施例如下：
1、应用LB培养基培养金黄色葡萄球菌，挑选增殖后的金黄色葡萄球菌典型菌落，与无菌蒸馏水混合，获得金黄色葡萄球菌菌液，浓度分别为3logCFU/ml、5logCFU/ml和6logCFU/ml；鸡胸肉切片后，部分样本进行紫外灯照射灭菌处理，获得健康鸡肉样本；部分样本浸泡在金黄色葡萄球菌菌液中，获得染菌鸡肉样本。
2、利用高光谱成像仪，采用垂直线性扫描方式，获取LB培养基中金黄色葡萄球菌、健康鸡肉样本和染菌鸡肉样本在379～1023nm波段的原始高光谱反射图像。
3、对获取的高光谱图像进行黑白校正，利用ENVI软件人工选择提取鸡肉样本感兴趣区域的高光谱图像，去除背景的干扰。
4、提取金黄色葡萄球菌在648nm波长的光谱图像，如图2所示。本实施例人工设置预分割阈值为0.20，对图像进行分割处理，生成二值图像，其中白色像素点为金黄色葡萄球菌，灰度值为1，黑色像素点为背景，灰度值为0。
5、提取健康和染菌鸡肉样本在622nm波长的光谱图像，如图3所示。本实施例人工设置预分割阈值为0.55，对图像进行分割处理，生成二值图像，其中黑色像素点为选定的鸡肉待测区域，灰度值为0，白色像素点为鸡肉样本的亮点光斑区域，灰度值为1。
6、本实施例选择像素大小为2像素的正方形结构元素分别对金黄色葡萄球菌二值图像进行腐蚀运算，对鸡肉样本的二值图像进行膨胀运算，消除细小的噪声干扰，结果分别如图4和图5所示，其中图4为去噪后的金黄色葡萄球菌图像，图5为去噪后的鸡肉样本图像。
7、分别提取金黄色葡萄球菌二值图像中灰度值为1、鸡肉样本二值图像中灰度值为0的像素点处的高光谱数据，选用SNV和SG算法对高光谱数据进行平滑处理。本实施例中，SG算法的点的数量设置为15，采用2次多项式拟合；平滑处理后的光谱曲线如图6所示。
8、本实施例随机选择4个健康鸡肉样本和不同浓度(3logCFU/ml、5logCFU/ml和6logCFU/ml)的染菌鸡肉样本各4个，从每个样本中分别随机选择1000个像素点处的高光谱数据，并按1:1的比例分为两组。本实施例中，设定比例为1:1，以上仅仅为一个举例，但并不局限上述一种。将健康鸡肉样本和染菌鸡肉样本的高光谱数据组合，最后生成包含2000个健康鸡肉样本和6000个染菌鸡肉样本高光谱数据的训练集，包含2000个健康鸡肉样本和6000个染菌鸡肉样本高光谱数据的测试集。
9、本实例从获得的金黄色葡萄球菌高光谱数据中随机选择2000个样本，与生成的训练集样本混合，分别对金黄色葡萄球菌、健康鸡肉样本、三个浓度的染菌鸡肉样本数据分类编号为第1类、第2类、第3类、第4类和第5类；然后分别应用CARS和GA算法对数据进行处理，提取特征波长。其中，CARS设置为：蒙特卡洛采样次数为400次，选择均方根误差达到最小时为最优解；GA设置为：群体大小为60，交叉概率为0.7，变异概率为0.01，进化代数为150次，挑选被选次数大于20的波长作为特征波长。特征波长选择结果如图7所示，利用CARS获得41个特征波长，分别为478.95nm、483.81nm、504.55nm、505.78nm、529.12nm、532.82nm、535.29nm、537.76nm、545.18nm、584.99nm、586.24nm、587.49nm、606.29nm、607.54nm、608.80nm、610.06nm、652.96nm、654.22nm、683.43nm、684.70nm、711.49nm、712.76nm、714.04nm、735.80nm,737.08nm,738.56nm,744.77nm、755.03nm、756.32nm、757.60nm、811.65nm、850.37nm、851.66nm、854.24nm、864.57nm、889.13nm、890.42nm、947.26nm、961.46nm、975.65nm和982.10nm；利用GA获得17个特征波长，分别为470.46nm、472.88nm、522.97nm、542.71nm、580.00nm、617.60nm、625.16nm、641.57nm、678.34nm、688.52nm、805.21nm、809.07nm、863.28nm、876.20nm、902.05nm、916.26nm和952.43nm。
为了与本发明的方法进行对比，仅应用生成的训练集样本，分别对健康鸡肉样本和三个浓度的染菌样本数据分类编号为第1类、第2类、第3类和第4类，利用CARS和GA算法对数据进行处理，提取特征波长。CARS和GA算法设置同上，GA算法中挑选被选次数大于30的波长作为特征波长。特征波长选择结果如图8所示，利用CARS获得52个特征波长，分别为447.54nm、500.88nm、524.20nm、552.62nm、567.53nm、568.77nm、603.78nm、605.03nm、606.29nm、607.54nm、608.80nm、610.06nm、611.31nm、633.99nm、635.25nm、654.22nm、655.49nm、656.76nm、712.76nm、714.04nm、715.32nm、716.60nm、717.88nm、733.23nm,734.51nm,735.80nm,742.20nm、744.77nm、746.05nm、747.33nm、756.12nm、757.60nm、758.89nm、812.94nm、814.23nm、847.78nm、849.07nm、855.83nm、859.41nm、860.70nm、864.57nm、880.08nm、882.66nm、886.54nm、890.42nm、893.00nm、911.09nm、912.39nm、947.26nm、961.46nm、975.65nm和982.10nm；利用GA获得22个特征波长，分别为476.52nm、514.36nm、529.12nm、576.25nm、577.50nm、578.75nm、584.99nm、618.86nm、620.12nm、621.38nm、622.64nm、623.90nm、625.16nm、626.42nm、644.10nm、701.27nm、762.74nm、784.60nm、877.49nm、885.25nm、940.81nm和991.12nm。
10、提取训练集样本在图7和图8中提取的特征波长处的高光谱数据，分别输入SVM模型，经过训练分别获得检测金黄色葡萄球菌的检测模型——模型组1和模型组2。本实施例中，SVM相关设置如下：核函数设置为径向基函数，惩罚系数设置为1.2，核函数的gamma函数设置为2.8。将生成的测试集输入获得的金黄色葡萄球菌检测模型中，检测结果与实际值进行对比。模型组1中，基于CARS和SVM的鸡肉中金黄色葡萄球菌检测模型的检测精度为83.48％，基于GA和SVM的鸡肉中金黄色葡萄球菌检测模型的检测精度为77.78％。模型组2中，基于CARS和SVM的鸡肉中金黄色葡萄球菌检测模型的检测精度为84.30％，基于GA和SVM的鸡肉中金黄色葡萄球菌检测模型的检测精度为77.24％。
结果表明，应用金黄色葡萄球菌、健康鸡肉样本和染菌鸡肉样本的高光谱数据提取特征波长，并构建鸡肉中金黄色葡萄球菌的检测模型，可以实现健康鸡肉和不同浓度染菌鸡肉的快速、无损检测。本发明与应用健康鸡肉样本和染菌鸡肉样本的高光谱数据提取特征波长方法相比，可以有效减少特征波长数量，但检测精度基本相同。
本发明还提供了一种鸡肉中金黄色葡萄球菌的检测系统，包括：
样本高光谱图像获取模块，用于获取样本高光谱图像；所述样本高光谱图像包括：鸡肉样本高光谱图像和金黄色葡萄球菌高光谱图像；所述鸡肉样本包括健康鸡肉样本和染菌鸡肉样本；
待测区域确定模块，用于基于所述样本高光谱图像选择特征波长的光谱图像，并设置灰度阈值，对选择的光谱图像进行分割处理，得到鸡肉样本待测区域和金黄色葡萄球菌待测区域；
高光谱数据提取模块，用于分别提取所述鸡肉样本待测区域和所述金黄色葡萄球菌待测区域中各像素点的高光谱数据；
特征波长提取模块，用于将鸡肉样本高光谱数据和金黄色葡萄球菌高光谱数据混合后，提取特征波长；
训练模块，用于选择提取到的特征波长所对应的鸡肉样本高光谱数据对支持向量机模型进行训练，得到金黄色葡萄球菌的检测模型；
检测模块，用于利用所述金黄色葡萄球菌的检测模型对鸡肉中的金黄色葡萄球菌进行检测。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (7)

1.一种鸡肉中金黄色葡萄球菌的检测方法，其特征在于，包括：
获取样本高光谱图像；所述样本高光谱图像包括：鸡肉样本高光谱图像和金黄色葡萄球菌高光谱图像；所述鸡肉样本包括健康鸡肉样本和染菌鸡肉样本；
基于所述样本高光谱图像选择特征波长的光谱图像，并设置灰度阈值，对选择的光谱图像进行分割处理，得到鸡肉样本待测区域和金黄色葡萄球菌待测区域；
分别提取所述鸡肉样本待测区域和所述金黄色葡萄球菌待测区域中各像素点的高光谱数据；
将鸡肉样本高光谱数据和金黄色葡萄球菌高光谱数据混合后，提取特征波长；
选择提取到的特征波长所对应的鸡肉样本高光谱数据对支持向量机模型进行训练，得到金黄色葡萄球菌的检测模型；
利用所述金黄色葡萄球菌的检测模型对鸡肉中的金黄色葡萄球菌进行检测。
2.根据权利要求1所述的鸡肉中金黄色葡萄球菌的检测方法，其特征在于，所述获取样本高光谱图像，具体包括：
将金黄色葡萄球菌接种于LB琼脂培养基进行增殖，挑选增殖后的金黄色葡萄球菌典型菌落，与无菌蒸馏水混合，获得金黄色葡萄球菌菌液；
将鸡胸肉切片样本分别进行紫外灯照射灭菌操作和沾染不同浓度的金黄色葡萄球菌菌液操作，得到健康鸡肉样本和染菌鸡肉样本；
利用高光谱成像仪，采用垂直线性扫描方式，获取LB培养基中金黄色葡萄球菌、健康鸡肉样本和染菌鸡肉样本的高光谱图像。
3.根据权利要求1所述的鸡肉中金黄色葡萄球菌的检测方法，其特征在于，在基于所述样本高光谱图像选择特征波长的光谱图像之前，还包括：
对所述样本高光谱图像进行黑白矫正。
4.根据权利要求1所述的鸡肉中金黄色葡萄球菌的检测方法，其特征在于，所述基于所述样本高光谱图像选择特征波长的光谱图像，并设置灰度阈值，对选择的光谱图像进行分割处理，具体包括：
选择金黄色葡萄球菌在648nm波长的高光谱图像作为金黄色葡萄球菌的灰度图像，设定灰度阈值为0.20，对金黄色葡萄球菌的灰度图像进行分割获得金黄色葡萄球菌二值图像；
选择鸡肉样本在622nm波长的高光谱图像作为鸡肉样本的灰度图像，设定灰度阈值，对鸡肉样本的灰度图像进行分割获得鸡肉样本二值图像；
对所述金黄色葡萄球菌二值图像和所述鸡肉样本二值图像进行去噪处理。
5.根据权利要求1所述的鸡肉中金黄色葡萄球菌的检测方法，其特征在于，在将鸡肉样本高光谱数据和金黄色葡萄球菌高光谱数据混合之前，还包括：
采用SNV和SG算法对鸡肉样本高光谱数据和金黄色葡萄球菌高光谱数据进行平滑处理。
6.根据权利要求1所述的鸡肉中金黄色葡萄球菌的检测方法，其特征在于，利用CARS和GA算法分别进行特征波长提取。
7.一种鸡肉中金黄色葡萄球菌的检测系统，其特征在于，包括：
样本高光谱图像获取模块，用于获取样本高光谱图像；所述样本高光谱图像包括：鸡肉样本高光谱图像和金黄色葡萄球菌高光谱图像；所述鸡肉样本包括健康鸡肉样本和染菌鸡肉样本；
待测区域确定模块，用于基于所述样本高光谱图像选择特征波长的光谱图像，并设置灰度阈值，对选择的光谱图像进行分割处理，得到鸡肉样本待测区域和金黄色葡萄球菌待测区域；
高光谱数据提取模块，用于分别提取所述鸡肉样本待测区域和所述金黄色葡萄球菌待测区域中各像素点的高光谱数据；
特征波长提取模块，用于将鸡肉样本高光谱数据和金黄色葡萄球菌高光谱数据混合后，提取特征波长；
训练模块，用于选择提取到的特征波长所对应的鸡肉样本高光谱数据对支持向量机模型进行训练，得到金黄色葡萄球菌的检测模型；
检测模块，用于利用所述金黄色葡萄球菌的检测模型对鸡肉中的金黄色葡萄球菌进行检测。
CN202111610707.0A 2021-12-27 2021-12-27 一种鸡肉中金黄色葡萄球菌的检测方法及系统 Active CN114252318B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111610707.0A CN114252318B (zh) 2021-12-27 2021-12-27 一种鸡肉中金黄色葡萄球菌的检测方法及系统
US17/889,604 US20230204500A1 (en) 2021-12-27 2022-08-17 Method and system for detecting staphylococcus aureus in chicken

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111610707.0A CN114252318B (zh) 2021-12-27 2021-12-27 一种鸡肉中金黄色葡萄球菌的检测方法及系统

Publications (2)

Publication Number Publication Date
CN114252318A true CN114252318A (zh) 2022-03-29
CN114252318B CN114252318B (zh) 2023-11-17

Family

ID=80798012

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111610707.0A Active CN114252318B (zh) 2021-12-27 2021-12-27 一种鸡肉中金黄色葡萄球菌的检测方法及系统

Country Status (2)

Country Link
US (1) US20230204500A1 (zh)
CN (1) CN114252318B (zh)

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120307056A1 (en) * 2011-06-01 2012-12-06 Zuzak Karel J System and method for hyperspectral imaging
CN103398994A (zh) * 2013-07-22 2013-11-20 华南理工大学 一种基于高光谱的食源性致病菌检测系统及方法
CN105424645A (zh) * 2015-10-29 2016-03-23 福州大学 基于主成分分析与Fish判别法快速鉴别临床致病菌的方法
CN105548029A (zh) * 2015-12-14 2016-05-04 北京农业质量标准与检测技术研究中心 基于光谱成像技术的肉制品新鲜度检测方法
CN105651679A (zh) * 2016-02-04 2016-06-08 华中农业大学 一种基于高光谱成像技术对培养基上的细菌菌落进行快速分类的方法
CN106018357A (zh) * 2016-05-04 2016-10-12 江苏大学 一种基于纳米荧光显微高光谱成像技术的食源性微生物可视化分析方法
CN108627475A (zh) * 2018-03-19 2018-10-09 河南科技学院 高光谱成像技术在线检测鸡肉微生物含量中的应用
CN108645798A (zh) * 2018-03-19 2018-10-12 河南科技学院 在线快速检测鸡肉乳酸菌含量的方法
CN108801971A (zh) * 2018-04-08 2018-11-13 浙江大学 基于高光谱成像技术的霉菌侵染板栗的检测方法
CN109668857A (zh) * 2019-01-25 2019-04-23 江苏大学 基于近红外高光谱图像技术的茶叶菌落总数检测装置及方法
CN110251698A (zh) * 2018-12-27 2019-09-20 合刃科技（深圳）有限公司 基于深度学习的高光谱室内监控方法、装置及设备
US20190323948A1 (en) * 2016-06-16 2019-10-24 bioMérieux Process and system for identifying the gram type of a bacterium
CN111523542A (zh) * 2020-04-21 2020-08-11 中国农业大学 一种菌落总数回归预测模型的构建及运用该模型检测鱼肉新鲜度的方法
CN111597878A (zh) * 2020-04-02 2020-08-28 南京农业大学 基于bsa-ia-bp的菌落总数预测方法
CN113237864A (zh) * 2021-03-23 2021-08-10 浙江大学山东工业技术研究院 一种基于光谱成像技术进行油菜叶片菌核病动态发展的快速诊断的方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120307056A1 (en) * 2011-06-01 2012-12-06 Zuzak Karel J System and method for hyperspectral imaging
CN103398994A (zh) * 2013-07-22 2013-11-20 华南理工大学 一种基于高光谱的食源性致病菌检测系统及方法
CN105424645A (zh) * 2015-10-29 2016-03-23 福州大学 基于主成分分析与Fish判别法快速鉴别临床致病菌的方法
CN105548029A (zh) * 2015-12-14 2016-05-04 北京农业质量标准与检测技术研究中心 基于光谱成像技术的肉制品新鲜度检测方法
CN105651679A (zh) * 2016-02-04 2016-06-08 华中农业大学 一种基于高光谱成像技术对培养基上的细菌菌落进行快速分类的方法
CN106018357A (zh) * 2016-05-04 2016-10-12 江苏大学 一种基于纳米荧光显微高光谱成像技术的食源性微生物可视化分析方法
US20190323948A1 (en) * 2016-06-16 2019-10-24 bioMérieux Process and system for identifying the gram type of a bacterium
CN108627475A (zh) * 2018-03-19 2018-10-09 河南科技学院 高光谱成像技术在线检测鸡肉微生物含量中的应用
CN108645798A (zh) * 2018-03-19 2018-10-12 河南科技学院 在线快速检测鸡肉乳酸菌含量的方法
CN108801971A (zh) * 2018-04-08 2018-11-13 浙江大学 基于高光谱成像技术的霉菌侵染板栗的检测方法
CN110251698A (zh) * 2018-12-27 2019-09-20 合刃科技（深圳）有限公司 基于深度学习的高光谱室内监控方法、装置及设备
CN109668857A (zh) * 2019-01-25 2019-04-23 江苏大学 基于近红外高光谱图像技术的茶叶菌落总数检测装置及方法
CN111597878A (zh) * 2020-04-02 2020-08-28 南京农业大学 基于bsa-ia-bp的菌落总数预测方法
CN111523542A (zh) * 2020-04-21 2020-08-11 中国农业大学 一种菌落总数回归预测模型的构建及运用该模型检测鱼肉新鲜度的方法
CN113237864A (zh) * 2021-03-23 2021-08-10 浙江大学山东工业技术研究院 一种基于光谱成像技术进行油菜叶片菌核病动态发展的快速诊断的方法

Also Published As

Publication number Publication date
US20230204500A1 (en) 2023-06-29
CN114252318B (zh) 2023-11-17

Similar Documents

Publication Publication Date Title
Zhao et al. Application of invasive weed optimization and least square support vector machine for prediction of beef adulteration with spoiled beef based on visible near-infrared (Vis-NIR) hyperspectral imaging
Khulal et al. Intelligent evaluation of total volatile basic nitrogen (TVB-N) content in chicken meat by an improved multiple level data fusion model
Sliwinska et al. Food analysis using artificial senses
Liu et al. Application of multispectral imaging to determine quality attributes and ripeness stage in strawberry fruit
Manthou et al. Application of spectroscopic and multispectral imaging technologies on the assessment of ready-to-eat pineapple quality: A performance evaluation study of machine learning models generated from two commercial data analytics tools
Tsakanikas et al. High throughput multispectral image processing with applications in food science
Raj et al. Strawberry water content estimation and ripeness classification using hyperspectral sensing
Fengou et al. Estimation of minced pork microbiological spoilage through Fourier transform infrared and visible spectroscopy and multispectral vision technology
Mo et al. Detection of lettuce discoloration using hyperspectral reflectance imaging
Sun et al. Growth simulation and discrimination of Botrytis Cinerea, Rhizopus Stolonifer and Colletotrichum Acutatum using hyperspectral reflectance imaging
Ye et al. NIR hyperspectral imaging technology combined with multivariate methods to identify shrimp freshness
Zhihui et al. Nondestructive detection of infertile hatching eggs based on spectral and imaging information
Bai et al. Detection of sulfite dioxide residue on the surface of fresh-cut potato slices using near-infrared hyperspectral imaging system and portable near-infrared spectrometer
Qiu et al. Development and comparison of classification models on VIS-NIR hyperspectral imaging spectra for qualitative detection of the Staphylococcus aureus in fresh chicken breast
Zhang et al. Classification detection of saccharin jujube based on hyperspectral imaging technology
Jarolmasjed et al. Hyperspectral imaging and spectrometry-derived spectral features for bitter pit detection in storage apples
Zhang et al. Prediction of TVB-N content in beef with packaging films using visible-near infrared hyperspectral imaging
Han et al. Predicting the ripening time of ‘Hass’ and ‘Shepard’avocado fruit by hyperspectral imaging
Seki et al. Visualization of sugar content distribution of white strawberry by near-infrared hyperspectral imaging
Nirere et al. Nondestructive detection of adulterated wolfberry (Lycium Chinense) fruits based on hyperspectral imaging technology
Moulahoum et al. Navigating the development of silver nanoparticles based food analysis through the power of artificial intelligence
CN114252318B (zh) 一种鸡肉中金黄色葡萄球菌的检测方法及系统
Apostolopoulos et al. A general machine learning model for assessing fruit quality using deep image features
Zou et al. Nondestructive detection of peanuts mildew based on hyperspectral image technology and machine learning algorithm
Marín‐San Román et al. Application of near‐infrared spectroscopy for the estimation of volatile compounds in Tempranillo Blanco grape berries during ripening

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