香肠品质智能鉴别方法技术

本申请公开了一种香肠品质智能鉴别方法，包括以下步骤：对香肠菌落总数光谱数据利用主成分分析法PCA进行光谱特征提取；利用深度学习中的卷积网络CNN和支持向量机SVM相结合自动提取适用于表达香肠菌落总数图像数据深度特征；将香肠菌落总数光谱特征和图像数据深度特征再次融合并输入到粒子群算法PSO改进后的SVM分类模型中，进行香肠新鲜或腐败二分类。本发明专利技术提出了一种利用香肠菌落总数的光谱特征和图像数据的深度特征相结合检测方法，品质检测不仅充分利用了香肠高光谱数据的光谱特征，而且融入了香肠高光谱丰富的图像信息，实现了高光谱数据的“图谱合一”，可以快速对香肠的新鲜和腐败进行识别，并大幅度提高分类的准确度。

Intelligent identification of sausage quality

This application discloses an intelligent identification method for sausage quality, which includes the following steps: extracting the spectral features of the total number of sausage colonies from the spectral data using PCA; automatically extracting the depth features of the image data for expressing the total number of sausage colonies by combining convolution network CNN and support vector machine SVM in depth learning; and extracting the spectral features and images of the total number of sausage colonies. The data depth features are fused again and input into the improved SVM classification model of particle swarm optimization (PSO) algorithm to classify fresh or corrupt sausages. The present invention proposes a detection method which combines the spectral characteristics of the total number of sausage colonies with the depth characteristics of image data. The quality detection not only makes full use of the spectral characteristics of sausage hyperspectral data, but also integrates the rich image information of sausage hyperspectral data, realizes the \map integration\ of hyperspectral data, and can quickly recognize the freshness and corruption of sausage. The accuracy of classification is greatly improved.

【技术实现步骤摘要】
香肠品质智能鉴别方法
本申请涉及食品检测领域，具体涉及一种香肠品质智能鉴别方法。
技术介绍
香肠以其独特的口味和口感，已经成为人们生活中必不可少的美食。但是，由于目前香肠的制作一部分来源于人们的手工制作，其传统的方法在食品安全方面意识淡薄，安全条件未达标。另一部分虽然在工厂生产，但因为其本身制作过程需要在露天环境中，还要经过很多的化学处理过程，导致肉类会有大量的外来菌的污染、微生物和化学微量元素残留，也就无法保证制作的香肠品质完全符合国家食品安全标准。目前对于香肠品质鉴别的检测方法主要是：感官分析法和理化值测定法。前者依靠经验，无法准确地判断食品质量；后者虽然在准确度上会大大提高，但是，这种传统的检测方法，需要专业人士操作，花费时间周期长，也不能被大量的人员掌握，无法满足大众实际生活中的实时需要。
技术实现思路
鉴于现有技术中的上述缺陷或不足，期望提供一种能够快速识别香肠新鲜度的香肠品质智能鉴别方法。为了实现上述目的，本专利技术采取的技术方案是：一种香肠品质智能鉴别方法，包括以下步骤：采集数据：采集香肠样本的菌落总数高光谱中的光谱数据和图像数据；提取光谱特征：对香肠菌落总数光谱数据进行光谱特征提取；提取深度特征：提取香肠菌落总数图像数据的深度特征；特征融合：将香肠菌落总数的光谱特征和图像数据的深度特征再次融合并得到融合特征；分类：将融合特征输入到分类模型中，进行香肠新鲜或腐败二分类。所述提取光谱特征包括：对所述光谱数据利用主成分分析法PrincipalComponentAnalysis，PCA进行光谱特征提取。所述提取深度特征包括：利用深度学习中的卷积网络ConvolutionalNeuralNetwork,CNN和支持向量机SupportVectorMachine,SVM相结合自动提取适用于表达香肠菌落总数图像数据的深度特征。所述主成分分析法为选择累积大于100％的主成分，作为最终的光谱特征。所述分类模型为利用粒子群算法ParticleSwarmOptimization，PSO改进后的支持向量机SupportVectorMachine,SVM分类模型。与现有技术相比，本专利技术的有益效果是：本专利技术提出了一种利用香肠菌落总数的光谱特征和图像数据的深度特征相结合检测方法，品质检测不仅充分利用了香肠高光谱数据的光谱特征，而且融入了香肠高光谱丰富的图像信息，实现了高光谱数据的“图谱合一”，可以快速对香肠的新鲜和腐败进行识别，并大幅度提高分类的准确度。附图说明通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：图1为本专利技术实施例提供的整体线路图。图2为本专利技术实施例提供的样本的感兴趣区域原始光谱图像；图3为本专利技术实施例提供的样本感兴趣区域的平均光谱曲线；图4为本专利技术实施例提供的预处理光谱经过PCA主成分分析后的原始光谱曲线；图5为本专利技术实施例提供的样本的预处理光谱经过PCA主成分分析后的感兴趣区域的平均光谱曲线；图6为本专利技术实施例提供的样本原始高光谱图像；图7为本专利技术实施例提供的样本增广后的高光谱图像；图8为本专利技术实施例提供的CNN特征图可视化图；图9为本专利技术实施例提供的CNN训练损失函数图；图10为本专利技术实施例提供的一种测试样本受试者工作特征曲线(receiveroperatingcharacteristiccurve，ROC曲线)；图11为本专利技术实施例提供的另一种测试样本ROC曲线；图12为本专利技术实施例提供的样本的检索样本和结果图。具体实施方式下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关专利技术，而非对该专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与专利技术相关的部分。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。一种香肠品质智能鉴别方法，包括以下步骤：采集数据：采集香肠样本的菌落总数高光谱中的光谱数据和图像数据；提取光谱特征：对香肠菌落总数光谱数据进行光谱特征提取；提取深度特征：提取香肠菌落总数图像数据的深度特征；特征融合：将香肠菌落总数的光谱特征和图像数据的深度特征再次融合并得到融合特征；分类：将融合特征输入到分类模型中，进行香肠新鲜或腐败二分类。优选地，所述提取光谱特征包括：对所述光谱数据利用主成分分析法PrincipalComponentAnalysis，PCA进行光谱特征提取。主成分分析法为选择累积大于100％的主成分，作为最终的光谱特征。本专利技术首次利用主成分分析法对香肠菌落总数光谱数据进行光谱特征提取，并采用支持向量回归预测模型(SupportVectorRegression,SVR)的超参数进行寻优。本专利技术提取的光谱特征作为高斯核函数的支持向量机回归预测模型的输入数据。SVR有两个重要的参数，C和g。C是惩罚系数，即对误差的宽容度。C越高，说明越不能容忍出现误差,容易过拟合。C越小，容易欠拟合。C过大或过小，泛化能力变差。g是选择高斯核函数的参数，g越大，支持向量越少，g值越小，支持向量越多。支持向量的个数影响训练与预测的速度。因此，C和g参数的寻优尤为重要。优选地，所述提取深度特征包括：利用深度学习中的卷积网络ConvolutionalNeuralNetwork,CNN和支持向量机SupportVectorMachine,SVM相结合自动提取适用于表达香肠菌落总数图像数据的深度特征。本专利技术首次构建针对香肠高光谱图像数据的深度特征学习中的卷积网络和支持向量机相结合自动提取适用于表达香肠菌落总数图像数据深度特征。卷积网络已经成为图像特征提取的重要手段。利用该方法将香肠的高光谱图像特征和光谱特征进行融合，无人工干预自动提取更适用于香肠高光谱图像表达的特征，实现真正的“图谱合一”。优选地，所述分类模型为利用粒子群算法ParticleSwarmOptimization，PSO改进后的支持向量机SupportVectorMachine,SVM分类模型。本专利技术首次融合香肠菌落总数的光谱特征和图像数据的深度特征，输入到粒子群算法(ParticleSwarmOptimization，PSO)超参数优化算法中进行二分类训练，得到分类模型结果，搭建检索系统，实现香肠新鲜度等级快速分类识别。为了实现香肠的快速检测，确定其新鲜度的等级，可以利用训练好的离线模型提取香肠高光谱图像的深层特征，然后融合对应香肠的高光谱特征，采用欧式距离计算测试样本与标准库样本的相似度，从而快速确定测试样本的新鲜度等级。本专利技术充分的利用香肠的内部特征和外部特征，作为改进SVM算法的输入数据，建立和训练分类预测离线模型，进行香肠新鲜度快速识别。参见图1，一种香肠品质智能鉴别方法，包括以下步骤：1、制作香肠样本，并获取香肠的高光谱图像样本，该样本包括香肠的高光谱图像数据和光谱数据，下面分别对光谱数据和图像数据进行处理；2、对香肠的光谱数据进行主成分分析，提取光谱特征；3、提取的光谱特征作为高斯核(RadialBasisFunction,RB)F支持向量的输入数据，并利用遗传算法(GeneticAlgorithm，GA)、网格搜索算法、PSO对C和g参数进行本文档来自技高网...

【技术保护点】
1.一种香肠品质智能鉴别方法，其特征在于，包括以下步骤：采集数据：采集香肠样本的菌落总数高光谱中的光谱数据和图像数据；提取光谱特征：对香肠菌落总数光谱数据进行光谱特征提取；提取深度特征：提取香肠菌落总数图像数据的深度特征；特征融合：将香肠菌落总数的光谱特征和图像数据的深度特征再次融合并得到融合特征；分类：将融合特征输入到分类模型中，进行香肠新鲜或腐败二分类。

【技术特征摘要】
1.一种香肠品质智能鉴别方法，其特征在于，包括以下步骤：采集数据：采集香肠样本的菌落总数高光谱中的光谱数据和图像数据；提取光谱特征：对香肠菌落总数光谱数据进行光谱特征提取；提取深度特征：提取香肠菌落总数图像数据的深度特征；特征融合：将香肠菌落总数的光谱特征和图像数据的深度特征再次融合并得到融合特征；分类：将融合特征输入到分类模型中，进行香肠新鲜或腐败二分类。2.根据权利要求1所述的香肠品质智能鉴别方法，其特征在于，所述提取光谱特征包括：对所述光谱数据利用主成分分析法PrincipalComponentAnalysis，PCA进行光谱特征提取。3.根据权利要求1所述的香肠品质智能鉴别方法...

【专利技术属性】
技术研发人员：郭培源，董小栋，邢素霞，肖洪兵，孙梅，
申请(专利权)人：北京工商大学，
类型：发明
国别省市：北京,11