CN117591905B - 基于高光谱特征的猪肉安全性检测方法 - Google Patents

基于高光谱特征的猪肉安全性检测方法 Download PDF

Info

Publication number
CN117591905B
CN117591905B CN202410077653.3A CN202410077653A CN117591905B CN 117591905 B CN117591905 B CN 117591905B CN 202410077653 A CN202410077653 A CN 202410077653A CN 117591905 B CN117591905 B CN 117591905B
Authority
CN
China
Prior art keywords
score
abnormal
anomaly
scores
pork
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202410077653.3A
Other languages
English (en)
Other versions
CN117591905A (zh
Inventor
张朕鹏
韩希玉
张朕雨
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.)
Shandong Lugangfuyou Medical Co ltd
Original Assignee
Shandong Lugangfuyou Medical Co ltd
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 Shandong Lugangfuyou Medical Co ltd filed Critical Shandong Lugangfuyou Medical Co ltd
Priority to CN202410077653.3A priority Critical patent/CN117591905B/zh
Publication of CN117591905A publication Critical patent/CN117591905A/zh
Application granted granted Critical
Publication of CN117591905B publication Critical patent/CN117591905B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Complex Calculations (AREA)

Abstract

本发明涉及光谱检测技术领域，具体涉及基于高光谱特征的猪肉安全性检测方法，获取猪肉的高光谱数据；根据高光谱数据各像元在波段的反射率得到波段的异常得分；根据各波段的异常得分数量及其分布情况得到异常得分的密度聚集指数；根据各波段的异常得分及异常得分的密度聚集指数得到异常得分的密度分布距离分量；根据异常得分的密度分布距离分量以及差分序列得到异常得分的密度分布距离；将异常得分的密度分布距离作为邻域半径、异常得分的密度聚集指数作为最小数据、各波段的异常得分作为输入改进DBSCAN算法，得到各聚类簇；根据各聚类簇对猪肉安全性进行检测。本发明可以将有效波段提取出来，对猪肉安全性检测过程更加可靠。

Description

基于高光谱特征的猪肉安全性检测方法
技术领域
本申请涉及光谱检测技术领域，具体涉及基于高光谱特征的猪肉安全性检测方法。
背景技术
高光谱技术通过使用不同波长的光照射物体，利用物体对不同波长上的反射特性，从而提供更为详细的物体特性信息。近年来，高光谱技术得到了快速发展，并广泛应用于各个领域。通过高光谱技术可以对食品成分检测等的精准分析和监测。
猪肉是日常生活中最为常见的肉类食品之一，猪肉安全性检测是确保人们食用猪肉时的健康和安全的重要环节。高光谱技术的快速发展为猪肉安全性检测提供了新的手段，而且高光谱技术具有高精度、非破坏性、快速等优势，可以提高猪肉安全性检测的准确性和效率，这些特点使得它在猪肉安全性检测中具有广泛应用的潜力。
对于猪肉的高光谱数据，由于其数据量较大，在使用传统的DBSCAN算法无法直接将疑似兽药反射率的波段进行划分出来；且DBSCAN算法还高度依赖实施人员的工作经验与专业背景。
发明内容
为了解决上述技术问题，本发明提供基于高光谱特征的猪肉安全性检测方法，以解决现有的问题。
本发明的基于高光谱特征的猪肉安全性检测方法采用如下技术方案：
本发明一个实施例提供了基于高光谱特征的猪肉安全性检测方法，该方法包括以下步骤：
获取猪肉的高光谱数据；
对于高光谱数据各波段，根据各像元在波段的反射率得到波段的异常得分；根据各波段的异常得分构建二维点图，将二维点图划分各区域；将各区域的异常得分数量组成区域集合中的各元素；根据区域集合中各区域的异常得分数量及其分布情况得到异常得分的密度聚集指数；
根据各波段的异常得分及异常得分的密度聚集指数构建各异常得分集合；根据各异常得分集合的分布得到异常得分的密度分布距离分量；根据各波段的异常得分构建差分序列；根据异常得分的密度分布距离分量以及差分序列得到异常得分的密度分布距离；
将异常得分的密度分布距离作为邻域半径、异常得分的密度聚集指数作为最小数据、各波段的异常得分作为输入改进DBSCAN算法，得到各聚类簇；根据各聚类簇对猪肉安全性进行检测。
优选的，所述根据各像元在波段的反射率得到波段的异常得分，包括：
获取各像元的反射率在波段出现的概率；获取所有像元在波段下的反射率标准差；将所有像元在波段出现的概率和值与反射率标准差的比值作为波段的异常得分。
优选的，所述根据各波段的异常得分构建二维点图，包括：
将各波段的异常得分中不同的异常得分分别构建一个二元数组；
二元数组的第一个数据为异常得分，二元数组的第二个数据为该异常得分在所有波段中出现的数量；将各二元数组的第一个数据作为横坐标值，第二个数据作为纵坐标值；将所有的二元数组组成二维点图。
优选的，所述将二维点图划分各区域，包括：
将二维点图中的所有点通过拟合得到一条曲线；
采用二阶差分法获取曲线的极小值点，根据极小值点将曲线划分成各区域。
优选的，所述根据区域集合中各区域的异常得分数量及其分布情况得到异常得分的密度聚集指数，包括：
对于区域集合各区域，计算区域的异常得分数量与区域的异常得分概率的乘积，获取区域的最大异常得分和最小异常得分，计算区域的最大异常得分与最小异常得分的差值；
将所有区域的所述乘积与所述差值的比值的均值的取整值作为异常得分的密度聚集指数。
优选的，所述根据各波段的异常得分及异常得分的密度聚集指数构建各异常得分集合，包括：
将各波段的异常得分按照从小到大的顺序排序得到异常得分序列；
对于异常得分序列中各异常得分，获取异常得分与剩余各异常得分之间的欧式距离，将所有欧式距离从小到大进行排序，将前C个欧氏距离所属的异常得分数据作为异常得分的异常得分集合，其中，C为异常得分的密度聚集指数。
优选的，所述根据各异常得分集合的分布得到异常得分的密度分布距离分量，包括：
对于各异常得分集合，计算异常得分集合中的最大值与最小值的差值；获取所述差值在所有异常得分集合中的所有差值中出现的概率；
计算所述差值与所述概率的乘积，将所有异常得分集合的所述乘积与异常得分集合中的元素数量的比值的均值作为异常得分的密度分布距离分量。
优选的，所述根据各波段的异常得分构建差分序列，包括：
将所有波段中不同的异常得分出现的数量按照异常得分的数值从小到大的顺序排序组成第一序列，获取第一序列的差分序列。
优选的，所述根据异常得分的密度分布距离分量以及差分序列得到异常得分的密度分布距离，包括：
对于差分序列中各元素，统计元素在差分序列中出现的次数，计算差分序列中所有元素的次数归一化值与元素值的乘积的均值；
将所述均值与异常得分的密度分布距离向量的乘积作为异常得分的密度分布距离。
优选的，所述根据各聚类簇对猪肉安全性进行检测，包括：
计算各聚类簇的平均异常得分，将平均异常得分最大的簇作为匹配簇，获取匹配簇中所有元素的对应波段，将匹配簇中所有对应波段的反射率均值作为匹配对象；
获取实验室中所有兽药的高光谱数据组成兽药数据集合；将兽药数据集合中与匹配簇的所有对应波段的反射率均值筛选出来，将兽药数据集合中各兽药的所有反射率均值拟合成一条曲线作为各兽药的反射率曲线；
采用光谱角匹配算法，将各兽药的反射率曲线与匹配对象计算角度，当角度小于角度阈值时，说明猪肉中存在该兽药的残留，猪肉存在安全问题；反之，则说明猪肉中不存在该兽药的残留，猪肉的安全性可靠。
本发明至少具有如下有益效果：
本发明通过获取高光谱数据中各波段的异常得分，异常得分能够反映出各波段所代表的物质成分，即不同波段对应着不同的化学成分，异常得分越高越有可能是由兽药形成的；通过分析异常得分的分布情况，可以计算得到异常得分的密度聚集指数，该指数反映出了异常得分所呈现的聚集情况，密度聚集指数越大，异常得分越聚集；
利用密度聚集指数对异常得分构建集合，利用集合构建异常得分的密度分布距离分量，从而更好地表现出不同异常得分在空间上的分布情况；利用不同异常得分的分布与密度分布距离分量计算异常得分的密度分布距离，有效的表现了异常得分的密度距离，使用密度分布距离对DBSCAN进行改进，改进后的DBSCAN可以将有效的异常得分所在波段进行提取，使得对猪肉安全性检测的过程更加可靠。
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和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，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的前提下，还可以根据这些附图获得其它附图。
图1为本发明提供的基于高光谱特征的猪肉安全性检测方法的流程图；
图2为二维点图中曲线划分的各区域示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于高光谱特征的猪肉安全性检测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于高光谱特征的猪肉安全性检测方法的具体方案。
本发明一个实施例提供的基于高光谱特征的猪肉安全性检测方法。
具体的，提供了如下的基于高光谱特征的猪肉安全性检测方法，请参阅图1，该方法包括以下步骤：
步骤S001，获取猪肉的高光谱数据，并对高光谱数据进行预处理。
本发明采用高光谱的设备是美国Spectral Evolution公司生产的SR3500地物光谱仪，能以1nm的谱段间隔，在350-2500nm的光谱范围内获取猪肉连续密集反射率信息，共有N个波段，光谱准确性和测量信噪比高。
由于高光谱数据是通过猪肉对不同波段的反射率生成的，因此很容易受到环境等因素的影响，在此采用多元散射校正（MSC）算法对获取猪肉的高光谱数据进行矫正，由于多元散射校正算法是运用于光谱数据矫正的算法，具体计算过程为公众技术，在此不再赘述。
步骤S002，对高光谱数据各波段的反射率分布进行特征分析，得到异常得分的密度分布距离。
对于猪肉的安全性检测来说，主要的方向放在了兽药的残留上。因为在猪只的生长过程中，为了保障猪只的健康，需要对猪只进行一些兽药的使用，而对于售卖的猪肉要保障猪肉无存在兽药的残留。其中，兽药会普遍存在于猪只身体的所有部位。
如果猪肉存在兽药的残留，那么获取的所有的高光谱序列在某些波段的值应该是相同的，因为兽药的残留物可能会对猪肉的光谱特征产生干扰，使得在受到干扰的波段上的数值趋于一致。而正常的猪肉高光谱序列通常由猪肉的不同成分组成。这些不同成分的组成可能会导致相同波段上的高光谱数据存在较大的差异。这是因为不同成分的组织结构、化学成分和水分含量等因素都会对高光谱数据产生影响，从而导致在相同波长上的数值有所不同。
故对于高光谱数据来说，可以通过计算每个波段上的异常得分来评估该波段是否可能受到兽药残留的影响。异常得分越高，代表该波段越有可能是由兽药形成的高光谱数据。将高光谱数据中的各个反射率记为，/>表示第i个像元第j个波段的反射率，由此，根据各波段下像元的分布情况得到各波段的异常得分。
式中，表示第j个波段的异常得分；/>表示高光谱数据序列中的像元数量；/>表示第i个像元在第j个波段的反射率；/>表示/>在第j个波段中出现的概率；/>表示第j个波段的所有像元的反射率标准差；/>表示以自然常数e为底的指数函数；/>表示归一化函数；/>表示高光谱数据的波段数量。
当反射率值在第j个波段中出现概率/>的值越大，越是说明/>出现的次数越多，以此当概率累加和/>的越大，说明在第j个波段下反射率不同的数量越少。不同波段反射率的数量越少，且波段的标准差/>越小，故这一个波段越有可能是兽药干扰形成的，那么反射率的值越趋于同一个值，得到波长的异常得分/>越大。
统计各波段的异常得分，根据不同的异常得分分别构建一个二元数组，其中，二元数组的第一个数据表示异常得分，第二个数据表示该异常得分在所有波段中出现的数量。将所有的二元数组组成一个二维点图，将二元数组的第一个数据作为横坐标、第二个数据作为纵坐标，将这些点通过多项式拟合形成一条曲线。
通过二阶差分法计算曲线的极小值点，通过极小值点将二维点图中的曲线划分成各区域，其中，极小值点归属于其左侧区域，具体的二维点图中曲线划分的各区域如图2所示。其中，多项式拟合、二阶差分法均为公知技术，本实施例不再赘述。
计算每个区域的异常得分数量，将所有区域的异常得分数量组成区域集合，其中，/>表示划分的区域数量，/>表示第a个区域的异常得分数量。
对于各波段的异常得分来讲，其在二维点图中的分布存在一定的聚集点，聚集点的数量及大小体现了异常得分的分布规律，通过分析异常得分的聚集情况，可以得到异常得分的密度聚集指数：
式中，表示异常得分的密度聚集指数；/>表示四舍五入的取整函数；/>表示划分的区域数量；/>表示第L个区域的异常得分数量；/>表示第L个区域的异常得分概率；/>与/>表示分别取区域集合B中异常得分的最大值和最小值。
当的值越大，说明波段的异常得分分布越是集中在第L个区域内，则间接说明集中的区域数量/>越少，区域的异常得分数量与区域的异常得分概率的乘积/>越大，同时该区域中的异常得分的最大值减去最小值的差/>越小，得到异常得分的密度聚集指数C越大，说明数据分布的越集中，则对后续评价各波段的异常得分的分布密度取其越大范围的异常得分进行分析，使得对异常得分分析过程考虑越全面。
异常得分的分布密度对于异常得分划分区域的数量具有决定性影响，因此，异常得分的密度聚集指数可以用来表征异常得分的分布密度。
通过分析所有波段之间的异常得分的分布密度，可以得到异常得分在整个波段范围内的变化趋势和分布情况。
将N个波段的异常得分按从小到大的规则进行排序，得到异常得分序列，对与异常得分序列中的每个异常得分，以第I个波段的异常得分数据为例，寻找到与第I个异常得分数据之间的欧式距离邻近的个点，将该波段的异常得分与寻找到的C个点共同构建该异常得分的异常得分集合/>，/>。N个波段的异常得分一共得到N个异常得分集合，将每个集合中异常分数的最大值减去最小值的差记为/>。
通过上述得到的各异常得分集合的分布构建异常得分的密度分布距离分量。
式中，表示异常得分的密度分布距离分量；/>表示波段数量；/>表示第I个异常得分集合中的最大值减最小值的差值；/>表示集合/>中元素的数量；/>表示值为/>在所有异常得分集合中出现的概率；/>表示以自然常数e为底数的指数函数。
当第I个异常得分集合中的最大值减去最小值的差越小，说明该异常得分周围的密度更大；且其在整体的异常得分集合中出现的概率/>越大，说明该异常得分的数量越多，则异常得分集合I所附带的权重/>值越大，异常得分的密度分布距离分量/>越大，即得到数据之间的局部分布距离。
数据之间的距离在很大程度上反映了它们之间的密度差异。不同数值的数据对于数据密度距离的计算起着决定性的作用。相同数值的数据具有相同的属性，而不同数值的数据则体现了距离的差异性，其距离值反映了它们之间的差异程度。通过计算数据之间的距离，可以揭示数据的分布情况和相似性，在聚类时会有更好的结果。
对图1的分析可以得到各波段不同的异常得分构成的第一序列F={}，其中b表示所有波段中不同异常得分的数量，/>表示第b个异常得分的数量，根据第一序列构建差分序列/>。根据差分序列以及异常得分的密度分布距离分量构建波长异常得分的密度分布距离：
式中，表示异常得分的密度分布距离；/>表示异常得分的密度分布距离分量；b表示所有波段中不同异常得分的数量；/>表示差分序列中第I个值；/>表示/>在差分序列中出现的次数；/>表示归一化函数。
当的值越大，说明数据/>在差分序列中出现的次数越多，异常得分之间的距离为/>的越多，在计算密度分布距离/>时，为了拉大不同数据之间的重要性，采用归一化的方式计算值为/>所带的权重，当差分序列/>中数据分布的越是集中于/>，/>越大，则/>所带的权重值/>越大，异常得分的密度分布距离/>越靠近于/>，则聚类过程中的邻域半径更加符合该场景。
步骤S003，根据异常得分的密度分布距离与密度聚集指数改进DBSCAN算法，同时结合实验室中所有兽药的高光谱数据进行分析，完成猪肉安全性检测。
使用猪肉高光谱数据获取的异常得分的密度分布距离替换DBSCAN算法中的邻域半径，将异常得分的密度聚集指数C作为DBSCAN算法中的最小数目，将各波段的异常得分作为DBSCAN算法的输入，输出结果为各聚类簇。改进后的DBSCAN算法可以有效对异常得分进行分类。其中，DBSCAN算法为公知技术，本实施例不再赘述。
选取聚类簇中所有元素的平均异常得分，挑选除其中最大的平均异常得分作为匹配簇Q，获取匹配簇中所有元素的对应波段，将匹配簇中所有对应波段的反射率均值作为匹配对象。
通过实验室获取所有兽药的高光谱数据，将所有兽药的高光谱数据组成兽药数据集合。将兽药数据集合中与匹配簇的所有对应波段的反射率均值筛选出来，将兽药数据集合中各兽药的所有反射率均值进行曲线拟合，得到各兽药的反射率曲线。其中，曲线拟合算法本实施例选择多项式拟合算法，多项式拟合算法为公知技术本实施例不再赘述，实施者可以自行选择曲线拟合算法。
设置角度阈值T，本实施例取经验值，实施者可自行设定。采用光谱角匹配算法计算各兽药的反射率曲线与匹配对象之间的角度，当集合中存在兽药计算的角度小于角度阈值T时，说明猪肉中存在该兽药的残留，猪肉存在安全性问题；反之，则说明猪肉中不存在该兽药的残留，猪肉的安全性可靠。其中，光谱角匹配算法为公知技术，本实施例不再赘述。
至此，可通过上述方法完成猪肉安全性检测。
本发明实施例通过获取高光谱数据中各波段的异常得分，异常得分能够反映出各波段所代表的物质成分，即不同波段对应着不同的化学成分，异常得分越高越有可能是由兽药形成的；通过分析异常得分的分布情况，可以计算得到异常得分的密度聚集指数，该指数反映出了异常得分所呈现的聚集情况，密度聚集指数越大，异常得分越聚集；
利用密度聚集指数对异常得分构建集合，利用集合构建异常得分的密度分布距离分量，从而更好地表现出不同异常得分在空间上的分布情况；利用不同异常得分的分布与密度分布距离分量计算异常得分的密度分布距离，有效的表现了异常得分的密度距离，使用密度分布距离对DBSCAN进行改进，改进后的DBSCAN可以将有效的异常得分所在波段进行提取，使得对猪肉安全性检测的过程更加可靠。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。

Claims (10)

1.基于高光谱特征的猪肉安全性检测方法，其特征在于，该方法包括以下步骤：
获取猪肉的高光谱数据；
对于高光谱数据各波段，根据各像元在波段的反射率得到波段的异常得分；根据各波段的异常得分构建二维点图，将二维点图划分各区域；将各区域的异常得分数量组成区域集合中的各元素；根据区域集合中各区域的异常得分数量及其分布情况得到异常得分的密度聚集指数；
根据各波段的异常得分及异常得分的密度聚集指数构建各异常得分集合；根据各异常得分集合的分布得到异常得分的密度分布距离分量；根据各波段的异常得分构建差分序列；根据异常得分的密度分布距离分量以及差分序列得到异常得分的密度分布距离；
将异常得分的密度分布距离作为邻域半径、异常得分的密度聚集指数作为最小数据、各波段的异常得分作为输入改进DBSCAN算法，得到各聚类簇；根据各聚类簇对猪肉安全性进行检测。
2.如权利要求1所述的基于高光谱特征的猪肉安全性检测方法，其特征在于，所述根据各像元在波段的反射率得到波段的异常得分，包括：
获取各像元的反射率在波段出现的概率；获取所有像元在波段下的反射率标准差；将所有像元在波段出现的概率和值与反射率标准差的比值作为波段的异常得分。
3.如权利要求2所述的基于高光谱特征的猪肉安全性检测方法，其特征在于，所述根据各波段的异常得分构建二维点图，包括：
将各波段的异常得分中不同的异常得分分别构建一个二元数组；
二元数组的第一个数据为异常得分，二元数组的第二个数据为该异常得分在所有波段中出现的数量；将各二元数组的第一个数据作为横坐标值，第二个数据作为纵坐标值；将所有的二元数组组成二维点图。
4.如权利要求3所述的基于高光谱特征的猪肉安全性检测方法，其特征在于，所述将二维点图划分各区域，包括：
将二维点图中的所有点通过拟合得到一条曲线；
采用二阶差分法获取曲线的极小值点，根据极小值点将曲线划分成各区域。
5.如权利要求1所述的基于高光谱特征的猪肉安全性检测方法，其特征在于，所述根据区域集合中各区域的异常得分数量及其分布情况得到异常得分的密度聚集指数，包括：
对于区域集合各区域，计算区域的异常得分数量与区域的异常得分概率的乘积，获取区域的最大异常得分和最小异常得分，计算区域的最大异常得分与最小异常得分的差值；
将所有区域的所述乘积与所述差值的比值的均值的取整值作为异常得分的密度聚集指数。
6.如权利要求1所述的基于高光谱特征的猪肉安全性检测方法，其特征在于，所述根据各波段的异常得分及异常得分的密度聚集指数构建各异常得分集合，包括：
将各波段的异常得分按照从小到大的顺序排序得到异常得分序列；
对于异常得分序列中各异常得分，获取异常得分与剩余各异常得分之间的欧式距离，将所有欧式距离从小到大进行排序，将前C个欧氏距离所属的异常得分数据作为异常得分的异常得分集合，其中，C为异常得分的密度聚集指数。
7.如权利要求6所述的基于高光谱特征的猪肉安全性检测方法，其特征在于，所述根据各异常得分集合的分布得到异常得分的密度分布距离分量，包括：
对于各异常得分集合，计算异常得分集合中的最大值与最小值的差值；获取所述差值在所有异常得分集合中的所有差值中出现的概率；
计算所述差值与所述概率的乘积，将所有异常得分集合的所述乘积与异常得分集合中的元素数量的比值的均值作为异常得分的密度分布距离分量。
8.如权利要求1所述的基于高光谱特征的猪肉安全性检测方法，其特征在于，所述根据各波段的异常得分构建差分序列，包括：
将所有波段中不同的异常得分出现的数量按照异常得分的数值从小到大的顺序排序组成第一序列，获取第一序列的差分序列。
9.如权利要求1所述的基于高光谱特征的猪肉安全性检测方法，其特征在于，所述根据异常得分的密度分布距离分量以及差分序列得到异常得分的密度分布距离，包括：
对于差分序列中各元素，统计元素在差分序列中出现的次数，计算差分序列中所有元素的次数归一化值与元素值的乘积的均值；
将所述均值与异常得分的密度分布距离向量的乘积作为异常得分的密度分布距离。
10.如权利要求1所述的基于高光谱特征的猪肉安全性检测方法，其特征在于，所述根据各聚类簇对猪肉安全性进行检测，包括：
计算各聚类簇的平均异常得分，将平均异常得分最大的簇作为匹配簇，获取匹配簇中所有元素的对应波段，将匹配簇中所有对应波段的反射率均值作为匹配对象；
获取实验室中所有兽药的高光谱数据组成兽药数据集合；将兽药数据集合中与匹配簇的所有对应波段的反射率均值筛选出来，将兽药数据集合中各兽药的所有反射率均值拟合成一条曲线作为各兽药的反射率曲线；
采用光谱角匹配算法，将各兽药的反射率曲线与匹配对象计算角度，当角度小于角度阈值时，说明猪肉中存在该兽药的残留，猪肉存在安全问题；反之，则说明猪肉中不存在该兽药的残留，猪肉的安全性可靠。
CN202410077653.3A 2024-01-19 2024-01-19 基于高光谱特征的猪肉安全性检测方法 Active CN117591905B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410077653.3A CN117591905B (zh) 2024-01-19 2024-01-19 基于高光谱特征的猪肉安全性检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410077653.3A CN117591905B (zh) 2024-01-19 2024-01-19 基于高光谱特征的猪肉安全性检测方法

Publications (2)

Publication Number Publication Date
CN117591905A CN117591905A (zh) 2024-02-23
CN117591905B true CN117591905B (zh) 2024-04-02

Family

ID=89918838

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410077653.3A Active CN117591905B (zh) 2024-01-19 2024-01-19 基于高光谱特征的猪肉安全性检测方法

Country Status (1)

Country Link
CN (1) CN117591905B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
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
CN110987866A (zh) * 2019-12-19 2020-04-10 汉谷云智(武汉)科技有限公司 一种汽油性质评价方法及装置
CN115205699A (zh) * 2022-06-29 2022-10-18 中国测绘科学研究院 一种基于cfsfdp改进算法的地图图斑聚类融合处理方法
KR102495175B1 (ko) * 2022-04-27 2023-02-06 한국해양과학기술원 웹 기반의 사용자 연동을 통한 초분광 영상 기반 해상객체 인식에 사용되는 학습 데이터셋 구축 장치 및 방법
CN117132778A (zh) * 2023-10-27 2023-11-28 昆山尚瑞智能科技有限公司 一种光谱测量校正计算方法及系统
CN117173640A (zh) * 2023-11-02 2023-12-05 南通双和食品有限公司 一种肉牛温度异常检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
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
CN110987866A (zh) * 2019-12-19 2020-04-10 汉谷云智(武汉)科技有限公司 一种汽油性质评价方法及装置
KR102495175B1 (ko) * 2022-04-27 2023-02-06 한국해양과학기술원 웹 기반의 사용자 연동을 통한 초분광 영상 기반 해상객체 인식에 사용되는 학습 데이터셋 구축 장치 및 방법
CN115205699A (zh) * 2022-06-29 2022-10-18 中国测绘科学研究院 一种基于cfsfdp改进算法的地图图斑聚类融合处理方法
CN117132778A (zh) * 2023-10-27 2023-11-28 昆山尚瑞智能科技有限公司 一种光谱测量校正计算方法及系统
CN117173640A (zh) * 2023-11-02 2023-12-05 南通双和食品有限公司 一种肉牛温度异常检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
NIR hyperspectral imaging spectroscopy and chemometrics for the detection of undesirable substances in food and feed;J.A. Fernandez Pierna et al.;Chemometrics and Intelligent Laboratory Systems;20120217;全文 *
基于光谱空间重构的非监督最邻近规则子空间的高光谱异常检测;王志威;谭琨;王雪;丁建伟;陈宇;;光子学报;20200310(06);全文 *
高光谱图像技术在肉品检测中的研究进展;郑素罗 等;肉类工业;20220930(第9期);全文 *

Also Published As

Publication number Publication date
CN117591905A (zh) 2024-02-23

Similar Documents

Publication Publication Date Title
Fan et al. Detection of blueberry internal bruising over time using NIR hyperspectral reflectance imaging with optimum wavelengths
Abdullah et al. Discrimination and classification of fresh-cut starfruits (Averrhoa carambola L.) using automated machine vision system
Xing et al. Combination of chemometric tools and image processing for bruise detection on apples
CN109100323B (zh) 一种苹果水心病的透射光谱无损定量评价方法
CN107103306B (zh) 基于小波分析与支持向量机的冬小麦白粉病遥感监测方法
Dai et al. Recent advances in data mining techniques and their applications in hyperspectral image processing for the food industry
Liu et al. Neighborhood mutual information and its application on hyperspectral band selection for classification
CN108760655B (zh) 一种苹果味觉图谱信息可视化方法
Fang et al. Hyperspectral wavelength selection and integration for bruise detection of korla pears
Jiang et al. Identification of tomato maturity based on multinomial logistic regression with kernel clustering by integrating color moments and physicochemical indices
Pang et al. Detection of early bruises on apples using hyperspectral imaging combining with YOLOv3 deep learning algorithm
Yang et al. Detection of the freshness state of cooked beef during storage using hyperspectral imaging
Liu et al. Maximum relevance, minimum redundancy band selection based on neighborhood rough set for hyperspectral data classification
Wang et al. Soluble Solids Content prediction for Korla fragrant pears using hyperspectral imaging and GsMIA
Mohamadzadeh Moghadam et al. Nondestructive classification of saffron using color and textural analysis
Omidi et al. Ensemble hyperspectral band selection for detecting nitrogen status in grape leaves
CN117591905B (zh) 基于高光谱特征的猪肉安全性检测方法
CN110188821B (zh) 多参数边缘保持滤波和多特征学习的高光谱图像分类方法
CN111751295A (zh) 一种基于成像高光谱数据的小麦白粉病严重程度检测模型的建模方法及应用
Thipsrirach et al. Classification of durian maturity using a convolutional neural network.
Zhu et al. Detection of fungal infection in apple using hyperspectral transformation of RGB images with kernel regression
Mohammad et al. An image processing approach for grading of mangoes based on maturity
CN111242156B (zh) 一种用于微血管瘤病历图像的超平面近邻分类方法
Nasr-Esfahani et al. Detection of Pits in Olive Using Hyperspectral Imaging Data
CN114093521A (zh) 基于随机森林的均匀化样本重构血糖估计方法及系统

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