基于可见-近红外高光谱技术的脆肉皖脆度预测方法技术

基于可见

【技术实现步骤摘要】
基于可见
‑
近红外高光谱技术的脆肉皖脆度预测方法


[0001]本专利技术涉及水产养殖品检测方法，尤其涉及一种基于可见
‑
近红外高光谱技术的脆肉皖脆度预测方法。

技术介绍

[0002]脆肉皖因其肉质鲜嫩爽脆广受到消费者的欢迎，且发现在生长过程中投喂了一定量蚕豆的脆肉皖的肉质更佳，究其原因在于蚕豆的营养成分有别于普通饲料，可不同程度地改变脆肉皖的肌肉结构和营养成分，肌肉硬度和韧性变大，口感好，导致其鱼肉品质提高，销售价格上涨。但在脆肉皖的养殖过程中，确定辨别其是否收获期，使得养殖户可准确起网，从而在保证鱼肉品质的同时取得较好的养殖效益是一大难题，较多研究也由此展开。
[0003]一些学者研究了脆肉皖生长过程中的各种生长指标的变化过程：肌纤维直径减小、密度增大，粗脂肪含量的变化，体重变化，失水率变化，钙含量增加，胶原蛋白含量的增加，氨基酸成分和含量发生变化等等。有学者采用感官评价和采用质构剖面分析法(Texture profile analysis，TPA)对脆肉皖脆性评价和质构参数特性进行研究。但是这些研究大部分对于脆肉皖测脆性检测是基于机理研究层面，而且对脆肉皖脆性指标的评定采用的方法相对传统，比如感官评价主要依靠嗅觉、视觉和触觉，根据个人的心理、生理因素进行主观性判定，存在诸多缺陷，如需要参与人群庞大，参加评定的人员需要具备完善的嗅觉、味觉等健康指标要求以及测试样品必须是蒸煮到可以入食的程度；质构检测相对感官评价是有所改善，但存在测试过程繁琐、对样品破坏性大、样品自身差异大造成测试数据不稳定等问题，而且相对于硬度值，脆度值的测量难度大。
[0004]随着科技进步，鱼肉品质检测测定方法不断改善，检测方法也越来越趋向于安全快速的无损检测，其中光谱学技术在食品品质检测领域中不断普及，特别是在食品成分(如水分、脂肪、蛋白质、氨基酸等)的定量检测领域光谱学技术日渐成熟，主要应用于食物新鲜度的检测、食品伪造掺假检测等方面，虽然也有采用无损的光谱学技术对鱼肉的品质质量进行检测，但通过光谱学技术对脆肉皖的脆度进行检测则鲜有报道。

技术实现思路

[0005]本专利技术的目的是克服上述现有技术的缺点，提供一种利用光谱学技术结合化学计量学方法以及计算机编程技术，建立表征脆肉鲩鱼肉脆度的高光谱成像检测方法，从而进行脆肉皖脆度的预测方法。
[0006]本专利技术是通过以下技术方案来实现的：
[0007]基于可见
‑
近红外高光谱技术的脆肉皖脆度预测方法，包括如下步骤：
[0008]S1、取新鲜的脆肉皖肉，削除肌肉表面的红肉，切割成块，得到待测样品；将待测样品放置在高光谱成像摄像机的载物平台上，调整样品和镜头的距离，调整焦距，拍摄得到样品的近红外光谱图像，由采集的近红外光谱图像得到样品的原始近红外光谱图；
[0009]S2、对原始近红外光谱图进行黑白校正处理后，再进行标准正则变换预处理，然后
通过随机森林算法对脆肉鲩近红外光谱图进行特征提取，得到影响脆肉皖脆度的特征光谱波长，由所述特征光谱波长得到各样品的高光谱特征值；
[0010]S3、通过质构仪检测得到样品的硬度值，换算成样品的脆度值，得到包含有各样品的高光谱特征值和脆度值的数据集；
[0011]S4、由数据集建立脆肉皖脆度值与高光谱特征值的BP
‑
NN预测模型；
[0012]S5、按照S1、S2中的方法采集得到待测脆肉皖样品的高光谱特征值，将所述高光谱特征值输入建立的BP
‑
NN预测模型中，即得到待测脆肉皖的脆度。
[0013]进一步地，S4步骤中建立BP
‑
NN模型时采用Sigmoid核函数，网络结构设置为三层，训练系数可设置为800次，采用K折交叉验证法进行验证集的验证，K可为10。进一步地，通过随机森林算法对脆肉鲩近红外光谱图进行特征提取，得到影响脆肉皖脆度的特征光谱波长的方法为：
[0014]S2
‑
1、采用bootstrap采样方法，从含有4N个样本的样本集中选取200个样本作为一个训练集，4N个样本为脆化时间分别为0天、40天、80天和120天的各N个样本；
[0015]S2
‑
2、用步骤S2
‑
1抽样得到的训练集生成一棵决策树，步骤为：随机不重复地选择20个特征，利用这20个特征分别对训练集进行划分，采用基尼指数作为评价指标，找到最佳的划分特征；
[0016]S2
‑
3、重复上述步骤S2
‑
1、S2
‑
2共M次，得到M棵决策树，组成随机森林，M即为随机森林中决策树的个数；
[0017]S2
‑
4、用步骤S2
‑
3得到的随机森林对测试样本进行预测，用票选法决定预测的结果。M、N的大小可根据收集的样本数来决定，样本数一般来说是越多越好。
[0018]进一步地，S2步骤中所述影响脆肉皖硬度的特征光谱波长包含有四个光谱波长，分别为450nm、599nm、602nm和745nm，将样品在这四个波长的光谱数据作为样品的高光谱特征值。
[0019]进一步地，S1步骤中所述高光谱成像摄像机的波数范围为400
‑
1100nm，拍摄的方法为：调整样品和镜头的距离52cm，调整焦距，设置所述载物平台的移动速度为0.08mm/s，曝光时间为9.98秒。
[0020]进一步地，S1步骤中由采集的近红外光谱图像得到样品的原始近红外光谱图的方法为：将近红外光谱图像导入ENVI 5.3软件中，利用软件自带的感兴趣区提取光谱工具，提取脆肉皖的鱼肉图像，提取区域主要为脆肉皖鱼肉中部的均匀平滑部位，面积约为1.5cm*1cm，取该区域的平均值作为样品的原始近红外光谱图。
[0021]进一步地，S3步骤中通过质构仪检测得到样品的硬度值的方法：采用FTC质构仪，选择力量感应元为500N，直径为6mm圆柱形不锈钢探头，设置触发力为0.75N，测试速度为30mm/min，形变率为35％，采用TPA模式检测，每个样品采集三个位点，每个位点测试两次，最后取三个位点的平均值进行分析，硬度值由质构仪配套的TMS
‑
Pro物性分析系统读取和计算。
[0022]进一步地，S2步骤中对原始近红外光谱图进行黑白校正处理是基于Matlab2016b软件平台，标准正则变换预处理是基于Unscrambler X 10.2软件。
[0023]进一步地，S1步骤中所述新鲜的脆肉皖取自于平行于胸鳍外侧及中线以上的两侧背肌，切割成的块长宽厚约为2cm*1.5cm*2cm。
[0024]脆肉皖在养殖过程中营养成分和肌肉结构会发生不同程度的变化，导致不同的口感体验，可用脆肉皖脆度来有效代表这些变化，传统的方法检测脆肉皖脆度过程繁琐。本申请针对经济价值较高的脆肉皖，采用质构仪和可见
‑
近红外高光谱成像系统(400本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于可见
‑
近红外光谱技术的脆肉皖脆度预测方法，其特征在于，包括如下步骤：S1、取新鲜的脆肉皖肉，削除肌肉表面的红肉，切割成块，得到待测样品；将待测样品放置在近红外光谱成像摄像机的载物平台上，调整样品和镜头的距离，调整焦距，拍摄得到样品的近红外光谱图像，由采集的近红外光谱图像得到样品的原始近红外光谱图；S2、对原始近红外光谱图进行黑白校正处理后，再进行标准正则变换预处理，然后通过随机森林算法对脆肉鲩近红外光谱图进行特征提取，得到影响脆肉皖脆度的特征光谱波长，由所述特征光谱波长得到各样品的高光谱特征值；S3、通过质构仪检测得到样品的硬度值，换算成样品的脆度值，得到包含有各样品的高光谱特征值和脆度值的数据集；S4、由数据集建立脆肉皖脆度值与高光谱特征值的BP
‑
NN预测模型；S5、按照S1、S2中的方法采集得到待测脆肉皖样品的高光谱特征值，将所述高光谱特征值输入建立的BP
‑
NN预测模型中，即得到待测脆肉皖的脆度。2.根据权利要求1所述的基于可见
‑
近红外高光谱技术的脆肉皖脆度预测方法，其特征在于，S4步骤中建立BP
‑
NN模型时采用Sigmoid核函数，网络结构设置为三层，训练系数设置为800次，采用K折交叉验证法进行验证集的验证，K为10。3.根据权利要求1所述的基于可见
‑
近红外高光谱技术的脆肉皖脆度预测方法，其特征在于，通过随机森林算法对脆肉鲩近红外光谱图进行特征提取，得到影响脆肉皖脆度的特征光谱波长的方法为：S2
‑
1、采用bootstrap采样方法，从含有4N个样本的样本集中选取N个样本作为一个训练集，4N个样本包括脆化时间分别为0天、40天、80天和120天的各N个样本；S2
‑
2、用步骤S2
‑
1抽样得到的训练集生成一棵决策树，步骤为：随机不重复地选择20个特征，利用这20个特征分别对训练集进行划分，采用基尼指数作为评价指标，找到最佳的划分特征；S2
‑
3、重复上述步骤S2
‑
1、S2
‑
2共M次，得到M棵决策树，组成随机森林，M即为随机森林中决策树的个数；S2
‑
4、用步骤S2
...

【专利技术属性】
技术研发人员：杨灵，王青秀，邹娟，吴霆，苏立恒，林蠡，
申请(专利权)人：仲恺农业工程学院，
类型：发明
国别省市：