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技术

本发明专利技术涉及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，菌落总数回归预测模型的构建方法包括对鱼肉样本进行高光谱图像检测，高光谱图像的预处理，获取训练样本和建立菌落总数回归预测模型。在构建得到菌落总数回归预测模型后，通过高光谱分选仪采集待测鱼肉样品的高光谱图像后即可预测待测鱼肉样品的菌落总数，从而判断其新鲜度。本发明专利技术利用差分进化算法优化核极限学习机，进一步建立鱼肉菌落总数回归模型，根据该模型可以对不同冷藏天数的鱼肉菌落总数含量进行无损检测，操作步骤简单，检测成本低，降低了传统方法所需的时间，提高了检测效率，为鱼肉的新鲜度快速无损检测提供了一种经济环保的理论支持和解决途径。

【技术实现步骤摘要】
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
本专利技术涉及食品检测
，尤其涉及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。
技术介绍
鱼是一种重要的水产品，鱼也是适宜进补的优质水产食品，不仅味道鲜美，而且营养价值极高，其蛋白质含量为猪肉的两倍，且属于优质蛋白，人体吸收率高，鱼还富含丰富的硫胺素、核黄素、尼克酸、维生素D和一定的钙、磷、铁等矿物质，鱼肉中脂肪含量虽低，但其中的脂肪酸被证实有降糖、护心和防癌的作用，鱼肉中的维生素D、钙、磷等能有效地预防骨质疏松症。但是由于鱼类产品普遍水分含量较高，在冷藏运输的过程中，蛋白质和脂肪在酶和微生物的作用下极易腐败变质。因此，快速、准确的预测和判别鱼类的新鲜度显得尤为重要。评价鱼肉新鲜度的方法有很多，一种是感官评价，通过观测鱼眼泛白程度，鱼身完整程度，鱼鳃是否鲜红等，具有很大的主观判别因素，不能及时、准确地反映鱼肉品质。另一种是化学指标评价，其中K值、pH值、挥发性盐基氮(TVB-N)、硫代巴比妥酸(TBA)值、三甲胺(TMA)、吲哚、组胺含量水平等均能反映鱼的新鲜度，尽管化学方法稳定可靠，但是操作过程使用化学试剂，是一种破坏性实验，操作繁琐，检测时间较长不能保证实时性。高光谱成像技术作为一种无损检测技术，相比较于传统检测方法，具有快速、成本低和预测准确的特点，但用于检测鱼类新鲜度指标菌落总数含量方面没有报道，中国专利申请号201910547473.6、名称为“一种三磷酸腺苷荧光检测水产品新鲜度的方法”用化学方法检测水产品ATP含量，检测时间较长，操作繁琐。中国专利申请号201910777923.0、名称为“基于计算机视觉的鱼体新鲜度快速无损检测方法及其装置”采集鱼眼图像进行处理，虽然可以实现快速无损地检测新鲜度，但是稳定性较差，新鲜度准确率较低。
技术实现思路
本专利技术的目的是提供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，以解决现有鱼肉新鲜度检测稳定性较差，准确率较低的问题。第一方面，本专利技术提供一种菌落总数回归预测模型的构建方法，包括：鱼肉样本的高光谱成像检测，高光谱图像的预处理，获取训练样本和建立菌落总数回归预测模型；所述建立菌落总数回归预测模型为根据所述训练样本的平均光谱数据和对应的实际菌落总数，经由核极限学习机建模得到；所述核极限学习机经过差分进化算法优化。进一步地，所述差分进化算法用于确定所述核极限学习机模型的最优的惩罚系数C和核参数σ。进一步地，所述差分进化算法的具体优化步骤为：(1)种群初始化在解空间内随机均匀产生L个个体，每个个体是一个n维向量：Xa(0)＝Xa,1(0)+Xa,2(0)+…+Xa,n(0)，a＝1,2,3,…,M，Xa(0)表示第0代的第a个个体，Xa,b(0)表示第0代第a个个体的第b个基因；(2)变异操作通过差分策略实现个体变异，在第e次迭代中，对于个体Xa(e)＝Xa,1(e)+Xa,2(e)+…+Xa,n(e)生成一个1号中间向量Za(e)，从种群中随机选择3个个体：且d1≠d2≠d3，则有：是差分向量，F是缩放引子；(3)在第e次迭代中，每个个体和它所生成的1号中间向量进行交叉来生成2号中间向量Va(e)，Va(e)每一个分量计算为：Pcr为交叉概率；(4)根据适应度函数的值从第e次迭代中，每个个体的2号中间向量Va(e)和原向量Xa(e)中选择出适应度更高的下一代：进一步地，所述建立菌落总数回归预测模型包括：通过所述差分化进化算法得到最优的惩罚系数C和核参数σ后，进行如下步骤：(1)对于一个训练样本，(xi,yi)，i＝1,…,M，xi,yi∈RM，xi是输入数据，yi为目标输出，可知具有N个隐含层神经元的单隐层前馈神经网络输出表达式为：(2)将步骤(1)得到隐层前馈神经网络输出表达式简化为：Hα＝Y，αj表示的是第j个隐含层输入神经元和输出神经元之间的连接权值，其表达式为：式中，C是惩罚系数，Y＝[y1,…,yM]T为输入样本目标值向量；(3)根据Mercer条件，定义一个满足该函数的核函数：K(x1,xi)为核函数；可以得到：得到核极限学习机的模型输出为：选择径向基函数作为核函数得到菌落总数训练模型，其表达式为：K(x,x1)＝k(||x-xc||)＝exp{-||x-xc||2/(2×σ)2}。进一步地，在构建得到所述菌落总数训练模型后，运用所述平均光谱数据和对应的实际菌落总数对所述菌落总数训练模型的识别率进行检测，当所述识别率达到95％以上时，以所述菌落总数训练模型作为所述菌落总数回归预测模型；当所述识别率未达到95％时，返回所述获取训练样本步骤。进一步地，所述获取训练样本的步骤包括：将预处理后得到的平均光谱数据通过随机法分为建模集和预测集，对所述建模集进行降维处理得到所述训练样本。所述随机法按照3:1将所述平均光谱数据分为建模集和预测集。更进一步，所述降维处理为通过核主成分分析法对所述建模集进行降维处理，取方差累积贡献率超过85％的主成分作为所述训练样本。进一步地，所述高光谱图像的预处理包括黑白校正和通过最小噪声分离变换去除噪声。更进一步，所述黑白校正的具体步骤包括：其中IJ是校正后的图像，IY是原始高光谱图像，IH是黑板图像，其反射率为0％，IB是白板图像，其反射率为99.9％；所述最小噪声分离变换具体步骤包括：(1)利用高通滤波器对原始高光谱图像进行滤波处理，得到噪声协方差矩阵NX,将其对角化为矩阵DX：DX＝VTNXV，式中，DX为NX的特征值按照降序排列的对角矩阵；V是由特征向量组成的正交矩阵，进一步变换公式可得：I＝CTNXC，式中，I为单位矩阵，C为变换矩阵；(2)对噪声数据进行标准主成分变换：NP＝CTAXC，式中，AX为平均光谱数据的协方差矩阵，NP为经过C变换后的矩阵，进一步将其对角化为矩阵DP：DP＝FTNPF，式中，DP为NP的特征值按照降序排列的对角矩阵，F是由特征向量组成的正交矩阵；(3)得到最小噪声分离变换的变换矩阵：M＝CF，式中，M为最小噪声分离变换的变换矩阵。第二方面，本专利技术提供一种菌落总数回归预测模型，所述菌落总数回归预测模型通过如下方式得到：(1)取多个不同冷藏天数鱼肉样本进行高光谱检测得到每个鱼肉样本对应的高光谱图像以及实际菌落总数；(2)对所述每个鱼肉样本对应的高光谱图像进行预处理，将预处理后的高光谱图像提取感兴趣区域，获取每个鱼肉样本对应的感兴趣区域的平均光谱数据，将所有鱼肉样本对应的平均光谱数据分为建模集和预测集；所述预处理为黑白校正和最小噪声分离变换本文档来自技高网...

【技术保护点】
1.一种菌落总数回归预测模型的构建方法，其特征在于，包括：/n鱼肉的高光谱图像检测，高光谱图像的预处理，训练样本的获取和建立菌落总数回归预测模型；/n所述建立菌落总数回归预测模型为根据所述训练样本的平均光谱数据和对应的实际菌落总数，经由核极限学习机建模得到；所述核极限学习机经过差分进化算法优化。/n

【技术特征摘要】
1.一种菌落总数回归预测模型的构建方法，其特征在于，包括：
鱼肉的高光谱图像检测，高光谱图像的预处理，训练样本的获取和建立菌落总数回归预测模型；
所述建立菌落总数回归预测模型为根据所述训练样本的平均光谱数据和对应的实际菌落总数，经由核极限学习机建模得到；所述核极限学习机经过差分进化算法优化。


2.根据权利要求1所述的构建方法，其特征在于，所述差分进化算法用于确定所述核极限学习机模型的最优的惩罚系数C和核参数σ，所述差分进化算法优化的步骤包括：
(1)种群初始化在解空间内随机均匀产生L个个体，每个个体是一个n维向量：
Xa(0)＝Xa,1(0)+Xa,2(0)+…+Xa,n(0)，a＝1,2,3,…,M，
Xa(0)表示第0代的第a个个体，Xa,b(0)表示第0代第a个个体的第b个基因；
(2)变异操作通过差分策略实现个体变异，在第e次迭代中，对于个体Xa(e)＝Xa,1(e)+Xa,2(e)+…+Xa,n(e)生成一个1号中间向量Za(e)，从种群中随机选择3个个体：且d1≠d2≠d3，则有：




是差分向量，F是缩放引子；
(3)在第e次迭代中，每个个体和它所生成的1号中间向量进行交叉来生成2号中间向量Va(e)，Va(e)的每一个分量按如下公式计算：

Pcr为交叉概率；
(4)根据适应度函数的值从第e次迭代中，每个个体的2号中间向量Va(e)和原向量Xa(e)中选择出适应度更高的下一代：





3.根据权利要求1或2所述的构建方法，其特征在于，所述建立菌落总数回归预测模型包括：
通过所述差分化进化算法得到最优的惩罚系数C和核参数σ后，进行如下步骤：
(1)对于一个训练样本(xi,yi)，i＝1,…,M，xi,yi∈RM，xi是输入数据，yi为目标输出，可知具有N个隐含层神经元的单隐层前馈神经网络输出表达式为：



(2)将步骤(1)得到的隐层前馈神经网络输出表达式简化为：Hα＝Y，αj表示的是第j个隐含层输入神经元和输出神经元之间的连接权值，其表达式为：



式中，C是惩罚系数，Y＝[y1,…,yM]T为输入样本目标值向量；
(3)根据Mercer条件，定义一个满足该函数的核函数：



K(x1,xi)为核函数；
可以得到：得到核极限学习机的模型输出为：



选择径向基函数作为核函数得到菌落总数训练模型，其表达式为：
K(x,x1)＝k(||x-xc||)＝exp{-||x-xc||2/(2×σ)2}。


4.根据权利要求3所述的构建方法，其特征在于，在构建得到所述菌落总数训练模型后，运用所述平均光谱数据和对应的实际菌落总数对所述菌落总数训练模型的识别率进行检测，当所述识别率达到95％以上时，以所述菌落总数训练模型作为所述菌落总数回归预测模型；当所述识别率未达到95％时，返回所述获...

【专利技术属性】
技术研发人员：刘春红，叶荣珂，郭昱辰，李道亮，位耀光，段青玲，
申请(专利权)人：中国农业大学，
类型：发明
国别省市：北京;11