CN115575345A - 一种基于高光谱结合数据融合的罗非鱼片新鲜度测定方法 - Google Patents
一种基于高光谱结合数据融合的罗非鱼片新鲜度测定方法 Download PDFInfo
- Publication number
- CN115575345A CN115575345A CN202211240177.XA CN202211240177A CN115575345A CN 115575345 A CN115575345 A CN 115575345A CN 202211240177 A CN202211240177 A CN 202211240177A CN 115575345 A CN115575345 A CN 115575345A
- Authority
- CN
- China
- Prior art keywords
- hyperspectral
- tvb
- tilapia
- data fusion
- freshness
- 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 47
- 230000004927 fusion Effects 0.000 title claims abstract description 42
- 241000276707 Tilapia Species 0.000 title claims description 40
- 230000003595 spectral effect Effects 0.000 claims abstract description 20
- 241000276701 Oreochromis mossambicus Species 0.000 claims abstract description 8
- VEXZGXHMUGYJMC-UHFFFAOYSA-N Hydrochloric acid Chemical compound Cl VEXZGXHMUGYJMC-UHFFFAOYSA-N 0.000 claims description 41
- 238000001228 spectrum Methods 0.000 claims description 36
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 34
- 238000000701 chemical imaging Methods 0.000 claims description 22
- 238000010521 absorption reaction Methods 0.000 claims description 20
- 239000000243 solution Substances 0.000 claims description 18
- 229910052757 nitrogen Inorganic materials 0.000 claims description 17
- 238000004448 titration Methods 0.000 claims description 16
- HEMHJVSKTPXQMS-UHFFFAOYSA-M Sodium hydroxide Chemical compound [OH-].[Na+] HEMHJVSKTPXQMS-UHFFFAOYSA-M 0.000 claims description 12
- 239000012086 standard solution Substances 0.000 claims description 12
- KGBXLFKZBHKPEV-UHFFFAOYSA-N boric acid Chemical compound OB(O)O KGBXLFKZBHKPEV-UHFFFAOYSA-N 0.000 claims description 11
- 239000004327 boric acid Substances 0.000 claims description 11
- 241000251468 Actinopterygii Species 0.000 claims description 10
- 238000013178 mathematical model Methods 0.000 claims description 10
- 238000004821 distillation Methods 0.000 claims description 9
- VLTRZXGMWDSKGL-UHFFFAOYSA-N perchloric acid Chemical compound OCl(=O)(=O)=O VLTRZXGMWDSKGL-UHFFFAOYSA-N 0.000 claims description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 8
- 238000012569 chemometric method Methods 0.000 claims description 7
- 230000029087 digestion Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000007696 Kjeldahl method Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 239000000706 filtrate Substances 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 5
- 239000003513 alkali Substances 0.000 claims description 4
- 239000002518 antifoaming agent Substances 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 239000012153 distilled water Substances 0.000 claims description 4
- 238000011049 filling Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000002386 leaching Methods 0.000 claims description 4
- 239000000395 magnesium oxide Substances 0.000 claims description 4
- CPLXHLVBOLITMK-UHFFFAOYSA-N magnesium oxide Inorganic materials [Mg]=O CPLXHLVBOLITMK-UHFFFAOYSA-N 0.000 claims description 4
- AXZKOIWUVFPNLO-UHFFFAOYSA-N magnesium;oxygen(2-) Chemical compound [O-2].[Mg+2] AXZKOIWUVFPNLO-UHFFFAOYSA-N 0.000 claims description 4
- 125000002496 methyl group Chemical group [H]C([H])([H])* 0.000 claims description 4
- 239000000843 powder Substances 0.000 claims description 4
- 238000007789 sealing Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005119 centrifugation Methods 0.000 claims description 3
- 238000003702 image correction Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 238000005360 mashing Methods 0.000 claims description 3
- 238000002156 mixing Methods 0.000 claims description 3
- 238000003756 stirring Methods 0.000 claims description 3
- 238000005303 weighing Methods 0.000 claims description 3
- 238000001792 White test Methods 0.000 claims description 2
- 238000002329 infrared spectrum Methods 0.000 abstract description 7
- 230000000694 effects Effects 0.000 abstract description 6
- 238000005259 measurement Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 8
- 238000002474 experimental method Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000010187 selection method Methods 0.000 description 4
- 102000001554 Hemoglobins Human genes 0.000 description 3
- 108010054147 Hemoglobins Proteins 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000009659 non-destructive testing Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 102000036675 Myoglobin Human genes 0.000 description 2
- 108010062374 Myoglobin Proteins 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- FDSDTBUPSURDBL-LOFNIBRQSA-N canthaxanthin Chemical compound CC=1C(=O)CCC(C)(C)C=1/C=C/C(/C)=C/C=C/C(/C)=C/C=C/C=C(C)C=CC=C(C)C=CC1=C(C)C(=O)CCC1(C)C FDSDTBUPSURDBL-LOFNIBRQSA-N 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 235000013372 meat Nutrition 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 102000004169 proteins and genes Human genes 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- JEBFVOLFMLUKLF-IFPLVEIFSA-N Astaxanthin Natural products CC(=C/C=C/C(=C/C=C/C1=C(C)C(=O)C(O)CC1(C)C)/C)C=CC=C(/C)C=CC=C(/C)C=CC2=C(C)C(=O)C(O)CC2(C)C JEBFVOLFMLUKLF-IFPLVEIFSA-N 0.000 description 1
- 101100545096 Bacillus subtilis (strain 168) yxiE gene Proteins 0.000 description 1
- 229910000530 Gallium indium arsenide Inorganic materials 0.000 description 1
- 102220609776 Nuclear protein MDM1_N17E_mutation Human genes 0.000 description 1
- OOUTWVMJGMVRQF-DOYZGLONSA-N Phoenicoxanthin Natural products CC(=C/C=C/C=C(C)/C=C/C=C(C)/C=C/C1=C(C)C(=O)C(O)CC1(C)C)C=CC=C(/C)C=CC2=C(C)C(=O)CCC2(C)C OOUTWVMJGMVRQF-DOYZGLONSA-N 0.000 description 1
- 238000002835 absorbance Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 235000013793 astaxanthin Nutrition 0.000 description 1
- 239000001168 astaxanthin Substances 0.000 description 1
- MQZIGYBFDRPAKN-ZWAPEEGVSA-N astaxanthin Chemical compound C([C@H](O)C(=O)C=1C)C(C)(C)C=1/C=C/C(/C)=C/C=C/C(/C)=C/C=C/C=C(C)C=CC=C(C)C=CC1=C(C)C(=O)[C@@H](O)CC1(C)C MQZIGYBFDRPAKN-ZWAPEEGVSA-N 0.000 description 1
- 229940022405 astaxanthin Drugs 0.000 description 1
- 239000002585 base Substances 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 235000012682 canthaxanthin Nutrition 0.000 description 1
- 239000001659 canthaxanthin Substances 0.000 description 1
- 229940008033 canthaxanthin Drugs 0.000 description 1
- 235000021466 carotenoid Nutrition 0.000 description 1
- 150000001747 carotenoids Chemical class 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000013505 freshwater Substances 0.000 description 1
- 229910052736 halogen Inorganic materials 0.000 description 1
- 150000002367 halogens Chemical class 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000007781 pre-processing 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
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- 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
- G01N21/17—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
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N31/00—Investigating or analysing non-biological materials by the use of the chemical methods specified in the subgroup; Apparatus specially adapted for such methods
- G01N31/16—Investigating or analysing non-biological materials by the use of the chemical methods specified in the subgroup; Apparatus specially adapted for such methods using titration
- G01N31/166—Continuous titration of flowing liquids
-
- 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
- G01N2021/1765—Method using an image detector and processing of image signal
-
- 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
Landscapes
- Physics & Mathematics (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)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明属于测量技术领域,公开了一种基于高光谱结合数据融合的罗非鱼片新鲜度测定方法,利用两个不同波长范围的高光谱成像系统(可见近红外,Visible near infrared spectroscopy,Vis‑NIR和近红外,Near infrared spectroscopy,NIR)分别采集罗非鱼片的光谱数据,凯氏定氮法测定挥发性盐基氮(Total volatile base nitrogen,TVB‑N),通过化学计量学方法建立光谱数据和测定的TVB‑N含量之间的数学模型。利用CARS提取通过Vis‑NIR和NIR采集到的高光谱图像的特征波长,结合中水平数据融合对提取的特征进行拼接后建立的模型,其性能要优于其它所有的模型,其R2p和RMSEP分别为0.8813和2.1954。本发明解决了以往近红外光谱采集样品某个点来获取光谱信息,样本表面不均匀会导致获取信息不全面,也会产生散射效应,进而影响光谱信号的问题。
Description
技术领域
本发明属于测量技术领域,尤其涉及一种基于高光谱结合数据融合的罗非鱼片新鲜度测定方法。
背景技术
近红外光谱采集样品某个点来获取光谱信息,样本表面不均匀会导致获取信息不全面,也会产生散射效应,进而影响光谱信号。近年来,可通过面的方式来获取信息的高光谱成像技术得到快速发展。作为一种新兴的快速无损检测技术,不仅拥有传统光谱技术的优点,如近红外光谱技术,而且生成的高光谱图像能同时包含样品的光谱信息和图像信息,能够综合、全面地反映样品内部的结构信息。凭借高光谱图像,我们还能够可视化样品特性,这样就能够直观地看出样品特性分布。
通过上述分析,现有技术存在的问题及缺陷为:(1)近红外光谱采集的样品信息不全面,也会产生散射效应。
(2)传统鱼片新鲜度检测方法在操作过程中需要破坏样品,而且操作繁琐。
解决以上问题及缺陷的难度为:(1)采用传统的化学方法(凯氏定氮法)测定挥发性盐基氮(Total volatile base nitrogen,TVB-N)含量,需要重新探索实验参数。
(2)使用现有高光谱成像系统采集鱼片光谱时,也需要调试实验参数,以获得信噪比更高的光谱。
(3)进行快速无损检测研究,需要了解无损检测的原理以及编程基础知识。
(4)在整个数据处理过程中,都要用到化学计量学方法时,因此需要对涉及到的光谱预处理方法、模型建立方法及变量选择方法有所了解,并能熟练地运用它们。
解决以上问题及缺陷的意义为:本发明使用高光谱成像系统检测鱼片新鲜度,能为以后检测鱼片新鲜度提供一种新的思路,建立完整的罗非鱼片新鲜度检测方法奠定基础,也能为从事快速无损检测研究人员提供参考。
发明内容
针对现有技术存在的问题,本发明提供了一种基于高光谱结合数据融合的罗非鱼片新鲜度测定方法。
本发明是这样实现的,一种基于高光谱结合数据融合的罗非鱼片新鲜度测定方法,利用高光谱成像系统进行光谱采集,凯氏定氮法测定挥发性盐基氮(Total volatilebase nitrogen,TVB-N),通过化学计量学方法建立光谱数据和测定的TVB-N含量之间的数学模型,利用CARS进行变量选择,通过建立的模型预测TVB-N值,并根据TVB-N值的大小评价鱼片新鲜度。
进一步,所述基于高光谱结合数据融合的罗非鱼片新鲜度测定方法包括:
步骤一,将鱼片装入塑料密封袋中,置于4℃下冷藏,在1、4、7、9、11和12天时,随机取若干鱼片用于光谱采集和化学指标测定。
步骤二,进行高光谱成像系统参数设置,将步骤S101冷藏的罗非鱼片放置在移动平台上,移动鱼片进入机视野,以线扫描的方式采集高光谱图像,采集图像后对图像进行处理,包括原始高光谱图像校正和感兴趣区域(ROI)提取。
步骤三,将鱼片样品进行捣碎、搅匀,精确称取鱼片试样5.00g于100ml离心管中,加入45mL、0.6mol/L高氯酸,振摇,离心后过滤;向滤液中加入25mL 30%的NaOH溶液,混匀,倒入消化管中;
步骤四,向消化管中加入3g氧化镁粉末和1.5mL的消泡剂,用半自动凯氏定氮仪进行蒸馏操作,同时做空白对照,用装有30mL、40g/L的硼酸溶液的锥形瓶盛装蒸馏液;
步骤五,蒸馏完毕,向蒸馏液中加入10滴甲基红-溴甲酚绿混合指示剂,用0.01mol/L的盐酸标准溶液进行滴定操作,然后计算鱼片样品中TVB-N的含量;
步骤六,利用CARS提取通过Vis-NIR和NIR采集到的高光谱图像的特征波长,结合中水平数据融合对提取的特征进行拼接;
步骤七,通过化学计量学方法建立光谱数据和测定的TVB-N含量之间的数学模型,通过建立的模型预测TVB-N值,并根据TVB-N值的大小评价鱼片新鲜度。
进一步,步骤二中,所述采集光谱包括:
每次采集光谱前,先用酒精擦拭积分球周围。
在每个样本的正反面分别采集一条光谱,取采集光谱的平均值待用。
进一步,步骤三中,所述离心包括:在3000rpm条件下离心10min。
进一步,步骤四中,所述凯氏定氮仪参数设置:吸收液为30mL,40g/L的硼酸,蒸馏时间为5min,加碱量为0mL,蒸馏水为0mL,淋洗水量10mL。
进一步,步骤四中,所述TVB-N的含量计算公式为:
Vt表示滴定时样品消耗的盐酸的的体积,单位为mL;Vb表示滴定时空白实验消耗的盐酸的体积,单位为mL;c表示盐酸标准溶液的浓度,单位为mol/L;m表示式样质量,单位为g;14表示滴定1mL盐酸标准溶液滴定相当于氮的质量,单位为g/mol;100表示计算换算系数。
进一步,步骤六中,采用CARS方法进行特征变量选择。
本发明的另一目的在于提供一种实施所述基于高光谱结合数据融合的罗非鱼片新鲜度测定方法的高光谱成像系统。
本发明的另一目的在于提供一种接收用户输入程序存储介质,所存储的计算机程序使电子设备执行所述的基于高光谱结合数据融合的罗非鱼片新鲜度测定方法,包括:
利用高光谱成像系统进行光谱采集,凯氏定氮法测定TVB-N,通过化学计量学方法建立光谱数据和测定的TVB-N含量之间的数学模型,利用三步联用策略进行变量选择,通过建立的模型预测TVB-N值,并根据TVB-N值的大小评价鱼片新鲜度。
本发明的另一目的在于提供一种存储在计算机可读介质上的计算机程序产品,包括计算机可读程序,供于电子装置上执行时,提供用户输入接口以实施所述的基于高光谱结合数据融合的罗非鱼片新鲜度测定方法。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:本发明用高光谱成像系统采集鱼片的光谱数据,凯氏定氮法测定罗非鱼的TVB-N含量,化学计量学方法建立光谱数据和测定的TVB-N含量之间的数学模型,通过建立的模型再来预测TVB-N值,从而根据TVB-N值的大小来评价它的新鲜度。本发明解决了以往近红外光谱采集样品某个点来获取光谱信息,样本表面不均匀会导致获取信息不全面,也会产生散射效应,进而影响光谱信号的问题。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于高光谱结合数据融合的罗非鱼片新鲜度测定方法流程图。
图2是本发明实施例提供的基于高光谱结合数据融合的罗非鱼片新鲜度测定方法原理图。
图3是高光谱成像系统原理图。
图4是感兴趣区域提取示意图。
图5是本发明实施例提供的可见近红外(Vis-NIR,400-1000nm,图5a)和近红外(NIR,900-1700nm,图5b)的原始光谱数据示意图。
图6是本发明实施例提供的1-12天的TVB-N值趋势图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本发明的创新理念在于,传统近红外光谱采集样品某个点来获取光谱信息,样本表面不均匀会导致获取信息不全面,也会产生散射效应,进而影响光谱信号,因此提出采用高光谱成像系统进行鱼肉新鲜度的快速无损检测。
针对传统近红外光谱采集样品信息不全面,也会产生散射效应等问题,本发明提供了一种基于高光谱结合数据融合的罗非鱼片新鲜度测定方法,下面结合附图对本发明作详细的描述。
本发明实施例提供的基于高光谱结合数据融合的罗非鱼片新鲜度测定方法利用高光谱成像系统进行光谱采集,凯氏定氮法测定挥发性盐基氮(Total volatile basenitrogen,TVB-N),通过化学计量学方法建立光谱数据和测定的TVB-N含量之间的数学模型,利用CARS方法进行变量选择,通过建立的模型预测TVB-N值,并根据TVB-N值的大小评价鱼片新鲜度。
如图1-图2所示,本发明实施例提供的基于高光谱结合数据融合的罗非鱼片新鲜度测定方法包括:
S101,将鱼片装入塑料密封袋中,置于4℃下冷藏,在1、4、7、9、11和12天时,随机取若干鱼片用于光谱采集和化学指标测定;
S102,进行高光谱成像系统参数设置,将步骤S101冷藏的罗非鱼片放置在移动平台上,移动鱼片进入机视野,以线扫描的方式采集高光谱图像,采集图像后对图像进行处理,包括原始高光谱图像校正和感兴趣区域(ROI)提取;
S103,将鱼片样品进行捣碎、搅匀,精确称取鱼片试样5.00g于100ml离心管中,加入45mL、0.6mol/L高氯酸,振摇,离心后过滤;向滤液中加入25mL30%的NaOH溶液,混匀,倒入消化管中;
S104,向消化管中加入3g氧化镁粉末和1.5mL的消泡剂,用半自动凯氏定氮仪(K9840,海能仪器)进行蒸馏操作,同时做空白对照,用装有30mL、40g/L的硼酸溶液的锥形瓶盛装蒸馏液;
S105,蒸馏完毕,向蒸馏液中加入10滴甲基红-溴甲酚绿混合指示剂,用0.01mol/L的盐酸标准溶液进行滴定操作,然后计算鱼片样品中TVB-N的含量;
S106,利用CARS提取通过Vis-NIR和NIR采集到的高光谱图像的特征波长,结合中水平数据融合对提取的特征进行拼接;
S107,通过化学计量学方法建立光谱数据和测定的TVB-N含量之间的数学模型,通过建立的模型预测TVB-N值,并根据TVB-N值的大小评价鱼片新鲜度。
步骤S102中,本发明实施例提供的采集光谱包括:
每次采集光谱前,先用酒精擦拭积分球周围。
在每个样本的正反面分别采集一条光谱,取采集光谱的平均值待用。
步骤S103中,本发明实施例提供的离心包括:在3000rpm条件下离心10min。
步骤S104中,本发明实施例提供的凯氏定氮仪参数设置:吸收液为30mL,40g/L的硼酸,蒸馏时间为5min,加碱量为0mL,蒸馏水为0mL,淋洗水量10mL。
步骤S104中,本发明实施例提供的TVB-N的含量计算公式为:
Vt表示滴定时样品消耗的盐酸的的体积,单位为mL;Vb表示滴定时空白实验消耗的盐酸的体积,单位为mL;c表示盐酸标准溶液的浓度,单位为mol/L;m表示式样质量,单位为g;14表示滴定1mL盐酸标准溶液滴定相当于氮的质量,单位为g/mol;100表示计算换算系数。
下面结合具体实施例对本发明的技术方案作进一步说明。
实施例1:
本发明提供了一种基于高光谱结合数据融合的罗非鱼片新鲜度测定方法,该方法利用高光谱成像系统进行光谱采集,凯氏定氮法测定挥发性盐基氮,相关的化学计量学方法进行数据处理。整个过程主要包括,实验部分(样品准备,光谱采集,图像处理和挥发性盐基氮(Total volatile basic nitrogen,TVB-N)测定)和数据处理部分(最优波长选择和数据融合),具体步骤如下:
1.实验部分
1)样品准备:将鱼片装入塑料密封袋中,置于4℃下冷藏。在1,4,7,9,11,12天时,各取20个样本进行光谱采集和挥发性盐基氮的测定。
2)光谱采集:Vis-NIR高光谱成像系统包括一个线扫描成像光谱仪(ImSpectorV10,Specim,Finland),其分辨率为4nm,CCD相机,其分辨率为1392×1040和一个相机镜头(HSIA-OL23,Finland)。同样,NIR高光谱成像系统也包括一个成像光谱仪(ImSpectorN17E,Specim,Finland),其分辨率为4nm,一个InGaAs相机,其分辨率为320×256,一个相机镜头(HSIA-OLE22,Finland)。这两个高光谱成像系统共用4个卤素灯(HSIA-T1000-IMS,Sichuan Shuangli Hepu Technology Co.Ltd.,China),一个由步进马达驱动的移动平台(GaiaSorter-Dual,Sichuan Shuangli Hepu Technology Co.Ltd.,China)和一台带有高光谱图像采集软件(SpecVIEW,Sichuan Shuangli Hepu Technology Co.Ltd.,China)的电脑。
为了获取清晰的高光谱图像,将罗非鱼片放置在移动平台上,移动鱼片进入机视野,以线扫描的方式采集高光谱图像。采集参数如下:曝光和调焦时间设置为默认值,镜头高度调整为17cm。最后,两个高光谱系统分别采集到120个原始高光谱图像。
3)图像处理:完成高光谱图像采集后,需要对图像进行处理,包括原始高光谱图像校正和感兴趣区域(Region of interest,ROI)提取。应用黑白对照校正高光谱图像能减少系统中光强度和检测器中暗电流的影响。用盖上镜头盖的方式获得黑色标准图像;另外,用白色标准板获得白色标准图像。基于获得的黑白标准图像,可用以下公式计算得到校正后的高光谱图像。
其中,Rb和Rw分别为对应黑白参考图像。I0为原始高光谱图像,I为校正后的图像。
ROI提取过程见图4,主要包括建立掩膜和应用掩膜两个步骤。建立掩膜是,基于670.08和1102nm波长处的高光谱图像,应用形态学滤波算法分别建立Vis-NIR和NIR的一个二值图像。然后,将建立的掩膜应用到对应的高光谱图像中,从而获得去除背景的罗非鱼片高光谱图像。重复上述步骤,直到将所有的高光谱图像中的罗非鱼片提取出来。进而计算得到每个鱼片的平均光谱用于后续分析,分别获得Vis-NIR和NIR数据各120条光谱。在剔除了噪声波长后,Vis-NIR和NIR光谱的波长范围分别为399.62-969.08nm和976.4-1688.5nm,分别包含118和218个波长点。
4)TVB-N值测定:样品经捣碎、搅匀后,精确称取试样5.00g于100ml离心管中,加入45mL、0.6mol/L高氯酸,振摇,在3000rpm条件下离心10min,离心后过滤,向滤液中加入25mL30%的NaOH溶液,混匀,倒入消化管中,加入3g氧化镁粉末和1.5mL的消泡剂,用半自动凯氏定氮仪进行蒸馏操作,同时做空白对照(除了不加样品,其余条件不变),用装有30mL、40g/L的硼酸溶液的锥形瓶盛装蒸馏液。蒸馏完毕,向蒸馏液中加入10滴甲基红-溴甲酚绿混合指示剂,用0.01mol/L的盐酸标准溶液进行滴定操作,然后根据公式计算式样中TVB-N的含量。凯氏定氮仪参数设置:吸收液为30mL,40g/L的硼酸,蒸馏时间为5min,加碱量为0mL,蒸馏水为0mL,淋洗水量10mL。
Vt是滴定时样品消耗的盐酸的的体积(mL);Vb是滴定时空白实验消耗的盐酸的体积(mL);c是盐酸标准溶液的浓度(mol/L);m是式样质量(g);14是滴定1mL盐酸[c(HCl)=1mol/L]标准溶液滴定相当于氮的质量(g/mol);100是计算换算系数。
2.数据分析部分
2.1最优波长选择
通常采集到的光谱含有成百上千个波长点,这种高维数据有很强的共线性,同时包含许多的冗余和干扰变量,不仅会降低模型的预测性能,还会影响模型的解释性。因此,应用变量选择方法去剔除不重要的变量,减少波长点数,以提高模型的预测性能和解释性很有必要。本研究采用CARS方法提取通过Vis-NIR和NIR采集到的高光谱图像的特征波长。
2.2数据融合
数据融合合并多个来自不同信息源的数据,创建一个综合和详细的数据集。基于不同数据形式的融合水平,可将其分为低水平、中水平和高水平融合。本研究采用中水平融合策略对Vis-NIR和NIR中提取的特征进行拼接。
下面结合具体实验对本发明作进一步说明。
实验:
下面是采用罗非鱼片作为样本进行挥发性盐基氮测定所得到的数据:
表1校正集和预测集的挥发性盐基氮的统计结果
图5为用高光谱成像系统采集到可见近红外(Vis-NIR,400-1000nm,图5a)和近红外(NIR,900-1700nm,图5b)的原始光谱数据。从图5可以看出,所有的光谱有相似的趋势,但在吸收强度方面存在着一些差异。这可能是因为罗非鱼片贮存在4℃条件下使鱼肉中的主要化学成分发生来了变化。在Vis-NIR波长范围399.62到969.08nm,吸收峰主要出现在可见光区域,包括422、500、551、584、651和783nm。在422和551nm周围的吸收峰与包含血红蛋白和肌红蛋白的血红素吸收有关。783nm处的弱吸收峰可能与O-H拉伸三级倍频有关。在500nm左右的吸收峰可能由类胡萝卜素产生,例如角黄素和虾青素。在651nm左右的弱吸收峰与血红蛋白与肌红蛋白的氧化有关。584nm处的吸收峰在此类研究中很少被提到,我们推测是由罗非鱼片降解期间黄色物质积累产生的,因为584nm位于黄色光的吸收波长范围内。另一方面,NIR光谱(976.40-1688.50nm)有三个吸收峰,包括一个强吸收峰(1014nm)和两个弱吸收峰(1236和1472nm)。1014nm附近显著的吸收峰归属于蛋白质N-H拉伸的二级倍频。1472nm附近广泛的吸收区域主要与O-H拉伸一级倍频有关。此外,这个吸收区域也可以归于脂肪中C-H和C-H2一级组合频和蛋白质中N-H拉伸吸收一级倍频。1236nm附近的弱吸收峰归属于脂肪中C-H、C-H2和C-H3拉伸二级倍频。从以上这些不同波长处的吸收峰表明,高光谱成像技术预测贮藏期间罗非鱼片TVB-N含量的可行性。
图6是每天将所有的鱼片进行TVB-N含量测定后,取平均值得到的1-12天的趋势图。从图中可以看出,1-7天变化较稳定,7-12天变化较大。根据国标GB 2733-2015,海水鱼的TVB-N上限是30mg/100g,淡水鱼是20mg/100g。因此,可以知道罗非鱼片在4℃条件下最长的贮存期大概是9天,这意味着鱼片经历了从新鲜到腐败的过程,适用于鱼肉新鲜度变化的研究。
基于中水平融合数据的多元校正:
中水平数据的融合是从多个数据源中提取相应的特征,然后对所提取的特征进行拼接。为了剔除光谱数据中冗余和干扰变量,从而简化模型,采用波长选择提取特征变量。基于波长选择的融合是通过波长选择方法筛选波长,将从Vis-NIR和NIR光谱数据中分别筛选的特征波长进行拼接形成新的数据矩阵。
中水平数据融合结合波长选择方法预测罗非鱼片TVB-N含量的结果,如表2所示。由于采集到的光谱通常带有大量的冗余和噪声变量,它们的存在会降低模型的预测性能和稳健性。为了剔除冗余和噪声变量,增强模型的预测性能,本研究应用CARS方法进行最优波长选择。利用CARS提取通过Vis-NIR和NIR采集到的高光谱图像的特征波长,结合中水平数据融合对提取的特征进行拼接后建立的模型,其性能要优于其它所有的模型,其R2p和RMSEP分别为0.8813和2.1954。
表2数据融合和最优波长选择的结果
在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上;术语“上”、“下”、“左”、“右”、“内”、“外”、“前端”、“后端”、“头部”、“尾部”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”等仅用于描述目的,而不能理解为指示或暗示相对重要性。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于高光谱结合数据融合的罗非鱼片新鲜度测定方法,其特征在于,所述基于高光谱成像系统的鱼片新鲜度检测方法包括:
利用高光谱成像系统进行光谱采集,其中包括两个成像系统,可见近红外(Vis-NIR,400-1000nm)和近红外(NIR,900-1700nm);
凯氏定氮法测定挥发性盐基氮TVB-N;
通过化学计量学方法建立采集的光谱数据和测定的所述挥发性盐基氮TVB-N含量之间的数学模型;
利用CARS进行变量选择,通过建立的数学模型预测所述挥发性盐基氮TVB-N值,并根据所述挥发性盐基氮TVB-N值的大小评价鱼片新鲜度。
2.如权利要求1所述基于高光谱结合数据融合的罗非鱼片新鲜度测定方法,其特征在于,所述基于高光谱结合数据融合的罗非鱼片新鲜度测定方法包括以下步骤:
步骤一,将鱼片装入塑料密封袋中,置于4℃下冷藏,在1、4、7、9、11和12天时,随机取若干鱼片用于光谱采集和化学指标测定。
步骤二,进行高光谱成像系统参数设置,将步骤S101冷藏的罗非鱼片放置在移动平台上,移动鱼片进入机视野,以线扫描的方式采集高光谱图像,采集图像后对图像进行处理,包括原始高光谱图像校正和感兴趣区域(ROI)提取。
步骤三,将鱼片样品进行捣碎、搅匀,精确称取鱼片试样5.00g于100ml离心管中,加入45mL、0.6mol/L高氯酸,振摇,离心后过滤;向滤液中加入25mL 30%的NaOH溶液,混匀,倒入消化管中;
步骤四,向消化管中加入3g氧化镁粉末和1.5mL的消泡剂,用半自动凯氏定氮仪进行蒸馏操作,同时做空白对照,用装有30mL、40g/L的硼酸溶液的锥形瓶盛装蒸馏液;
步骤五,蒸馏完毕,向蒸馏液中加入10滴甲基红-溴甲酚绿混合指示剂,用0.01mol/L的盐酸标准溶液进行滴定操作,然后计算鱼片样品中TVB-N的含量;
步骤六,利用CARS提取通过Vis-NIR和NIR采集到的高光谱图像的特征波长,结合中水平数据融合对提取的特征进行拼接;
步骤七,通过化学计量学方法建立光谱数据和测定的TVB-N含量之间的数学模型,通过建立的模型预测TVB-N值,并根据TVB-N值的大小评价鱼片新鲜度。
3.如权利要求1所述基于高光谱结合数据融合的罗非鱼片新鲜度测定方法,其特征在于,步骤二中,所述采集光谱包括:
每次采集光谱前,先用酒精擦拭积分球周围;
在每个样本的正反面分别采集一条光谱,取采集光谱的平均值待用。
4.如权利要求1所述基于高光谱结合数据融合的罗非鱼片新鲜度测定方法,其特征在于,步骤三中,所述离心在3000rpm条件下离心10min。
5.如权利要求1所述基于高光谱结合数据融合的罗非鱼片新鲜度测定方法,其特征在于,步骤四中,所述凯氏定氮仪参数设置:吸收液为30mL,40g/L的硼酸,蒸馏时间为5min,加碱量为0mL,蒸馏水为0mL,淋洗水量10mL。
7.如权利要求1所述基于高光谱结合数据融合的罗非鱼片新鲜度测定方法,其特征在于,步骤六中,采用CARS方法进行特征变量选择。
8.一种实施权利要求1所述基于高光谱结合数据融合的罗非鱼片新鲜度测定方法的高光谱成像系统。
9.一种接收用户输入程序存储介质,所存储的计算机程序使电子设备执行权利要求1~7任意一项所述的基于高光谱结合数据融合的罗非鱼片新鲜度测定方法,包括:
利用高光谱成像系统进行光谱采集,凯氏定氮法测定TVB-N,通过化学计量学方法建立光谱数据和测定的TVB-N含量之间的数学模型,利用CARS进行变量选择,通过建立的模型预测TVB-N值,并根据TVB-N值的大小评价鱼片新鲜度。
10.一种存储在计算机可读介质上的计算机程序产品,包括计算机可读程序,供于电子装置上执行时,提供用户输入接口以实施权利要求1~7任意一项所述的基于高光谱结合数据融合的罗非鱼片新鲜度测定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211240177.XA CN115575345A (zh) | 2022-10-11 | 2022-10-11 | 一种基于高光谱结合数据融合的罗非鱼片新鲜度测定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211240177.XA CN115575345A (zh) | 2022-10-11 | 2022-10-11 | 一种基于高光谱结合数据融合的罗非鱼片新鲜度测定方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115575345A true CN115575345A (zh) | 2023-01-06 |
Family
ID=84585067
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211240177.XA Pending CN115575345A (zh) | 2022-10-11 | 2022-10-11 | 一种基于高光谱结合数据融合的罗非鱼片新鲜度测定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115575345A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116067931A (zh) * | 2023-02-06 | 2023-05-05 | 大连工业大学 | 一种基于荧光响应图像的冻条罗非鱼tvb-n无损检测方法 |
-
2022
- 2022-10-11 CN CN202211240177.XA patent/CN115575345A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116067931A (zh) * | 2023-02-06 | 2023-05-05 | 大连工业大学 | 一种基于荧光响应图像的冻条罗非鱼tvb-n无损检测方法 |
CN116067931B (zh) * | 2023-02-06 | 2023-09-12 | 大连工业大学 | 一种基于荧光响应图像的冻条罗非鱼tvb-n无损检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN100480680C (zh) | 多光谱肉类新鲜度人工智能测量方法及系统 | |
CN109100323B (zh) | 一种苹果水心病的透射光谱无损定量评价方法 | |
CN107064096A (zh) | 基于高光谱成像的混合物粉末无损定量检测装置及方法 | |
CN103257118A (zh) | 一种基于特征波段的鱼肉嫩度高光谱检测方法 | |
CN109668843A (zh) | 一种基于手机的便携式多光谱成像技术检测腊肉品质的方法 | |
Calvini et al. | Exploring the potential of NIR hyperspectral imaging for automated quantification of rind amount in grated Parmigiano Reggiano cheese | |
Yuan et al. | Non-invasive measurements of ‘Yunhe’pears by vis-NIRS technology coupled with deviation fusion modeling approach | |
CN106596456A (zh) | 基于可变移动窗口选择溶液近红外光谱谱区的方法 | |
CN115575345A (zh) | 一种基于高光谱结合数据融合的罗非鱼片新鲜度测定方法 | |
Tao et al. | Sex determination of silkworm pupae using VIS-NIR hyperspectral imaging combined with chemometrics | |
Yu et al. | Rapid and visual measurement of fat content in peanuts by using the hyperspectral imaging technique with chemometrics | |
Zhao et al. | Hyperspectral imaging coupled with random frog and calibration models for assessment of total soluble solids in mulberries | |
CN114419311B (zh) | 一种基于多源信息的百香果成熟度无损检测方法及装置 | |
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 | |
CN111192260A (zh) | 一种基于高光谱图像深度特征融合的甜瓜品质检测方法 | |
CN107064056B (zh) | 一种水果无损检测的方法及装置 | |
CN108827934A (zh) | 一种基于盲源分离拉曼散射图像的带包装食品品质无损检测方法 | |
CN111521580A (zh) | 一种基于便携式近红外光谱仪的鱼片新鲜度检测方法 | |
Huang et al. | Detection of early bruises in Gongcheng persimmon using hyperspectral imaging | |
CN112014376A (zh) | 一种基于空间偏移拉曼光谱的虾肉新鲜度检测方法 | |
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 | |
US20120242858A1 (en) | Device and method for compensating for relief in hyperspectral images | |
CN109238973A (zh) | 一种检测苹果可溶性固形物含量和含水量的方法 | |
Alcayde et al. | Quality monitoring system for pork meat using computer vision | |
de Andrade et al. | Automated assessment of water holding capacity in digital images |
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 |