基于异形比色皿和近红外图像的牛奶成分快速检测方法技术

本发明专利技术公开了一种基于异形比色皿和近红外图像的牛奶成分快速检测方法，通过异形比色皿将短波近红外光进行色散，并使用摄像头采集散射和色散后的光谱图像。图像的垂直像素代表了不同波长光的光强，通过图像边缘检测提取图像垂直条纹特征作为对应的光谱信息。使用梯度提升决策树算法为每个特征分配决策权重。依据牛奶中的各成分对光的吸收波长不同，通过多个波长的光谱信息来确定各营养成分含量。本发明专利技术提出的方法保证了测量的高准确性和高稳定性，同时大大缩短了测量时间，降低了成本，减少了产品的体积和重量，使用的检测样品极少且不污染样品。染样品。染样品。

【技术实现步骤摘要】
基于异形比色皿和近红外图像的牛奶成分快速检测方法


[0001]本专利技术涉及牛奶成分检测领域，特别是一种基于异形比色皿和近红外图像的牛奶成分快速检测方法。

技术介绍

[0002]目前，牛奶产品的质量主要依靠生产企业自主检测，并且产品质量的监管难度大。快速便携的牛奶分析方法有助于随时随地对生鲜乳进行检测，不仅帮助养殖户对奶牛个体的健康和饮食进行管理，也为牛奶收购商和质检人员提供了快速抽检工具。
[0003]蛋白质和脂肪是乳制品中最重要的营养物质，也是决定乳制品质量的核心指标，直接反映乳制品的质量，这两个成分的检测是乳制品质量检验中首要的工作。凯氏定氮法是通过测定乳制品中氮含量来计算蛋白质含量的方法，是蛋白质检测的常用方法，也是最标准和建立其他检测方法的参照方法。盖勃法是脂肪测定的常用方法，而分析脂肪的参考方法是重量法。这些常用的、传统检测方法需要耗费大量时间，检测一份牛奶样品中的蛋白质和脂肪含量就需要三四个小时甚至几天的时间，不能满足在线、快速和现场等测量的需要。
[0004]在牛奶分析方法的研究中，光谱分析技术一直是科研人员的重点研究方向。现有技术中，包括：利用近红外(NIR)光谱和奶粉物理与功能特性，建立了使用偏最小二乘法(PLS)回归的预测模型，来预测各种奶粉样品的细粒径分数、分散性和体积密度；结合牛奶红外(IR)光谱和奶牛基因型预测乳脂组成；使用中红外(MIR)光谱对八种蛋白质进行了定性表征为产品提供质量保证。以及使用MIR检测奶粉掺假问题，识别奶粉中的少量三聚氰胺，和预测牛乳的详细矿物成分，具体包括：利用荧光光谱和它的寿命来区分羊奶粉与牛奶粉的欺诈行为，分析奶粉及其成分；基于荧光技术研究牛奶随时间的降解，准确地预测牛奶的pH值。还有很多研究致力于激光诱导光谱，电分析方法，以及其他新方法和新传感器。
[0005]一般来说，牛奶分析方法大多基于化学计量学和光谱测量，使用大型仪器，涉及复杂的操作；通常，这些仪器用于实验室分析，不适合快速现场测量。此外，复杂的仪器结构很昂贵，而且某些仪器需要大剂量的样品，增加了样品的损失。因此，这类仪器将牛奶分析限制在实验室中，其使用不利于牛奶质量的监督。而计算机视觉系统可以作为一种低成本、高效率的食品认证和质量评价方法。摄像机在光电测量中的应用，减少了传统仪器中光学系统、信号放大处理电路、光电检测电路、模数转换电路等的设计，并且只需要一个简单的LED光源驱动电路即可完成检测任务。利用计算机视觉测量蛋白质和脂肪含量的研究很少，而且只执行了分类任务或测量误差较大，与传统的测量方法相差甚远，要具体实现视觉测量系统还有很长的路要走。

技术实现思路

[0006]本专利技术的目的是提供一种基于异形比色皿和近红外图像的牛奶成分快速检测方法，以解决上述现有技术存在的问题。
[0007]为实现上述目的，本专利技术提供了如下方案：
[0008]本专利技术提供一种基于异形比色皿和近红外图像的牛奶成分快速检测方法，包括以下步骤：
[0009]采集光谱图像，使用一个异形比色皿进行色散获得短波近红外光谱,使用数字摄像头采集红外光透过异形比色皿中的待测牛奶后的光谱图像；
[0010]划分数据集，对所述光谱图像进行预处理，并将预处理后的所述光谱图像划分为训练集和测试集；
[0011]提取特征，基于图像边缘特征和梯度提升决策树构建IDF
‑
GBDT模型，基于图像边缘检测对所述训练集进行卷积，检测垂直边缘，获得垂直条纹，取条纹像素平均值后获得垂直特征；
[0012]训练模型，将所述训练集中的所述垂直特征作为梯度提升决策树的输入，将牛奶的蛋白质含量和脂肪测量值作为输出，使用重复验证和留一交叉验证法对所述IDF
‑
GBDT模型进行训练；
[0013]预测成分，通过所述IDF
‑
GBDT模型对所述测试集中的所述蛋白质含量和所述脂肪含量进行预测，使用均方根误差、平均绝对误差、平均绝对百分比误差和决定系数作为评估指标对所述IDF
‑
GBDT模型进行评估，多次评估后选择指标最好的一次参数作为最终参数，基于所述最终参数获得训练完成的所述IDF
‑
GBDT模型，并使用训练完成后的所述IDF
‑
GBDT模型进行牛奶成分的检测。
[0014]进一步地，采集所述光谱图像的过程中，所述红外光通过所述待测牛奶和所述异形比色皿后发生散射和色散，所述数字摄像头采集的光谱图像为发生散射和色散后的光谱图像。
[0015]进一步地，所述红外光为短波红外光，所述异形比色皿的形状为三棱柱，所述数字摄像头为宽带近红外数字摄像头。
[0016]进一步地，所述预处理包括：对所述光谱图像进行固定位置的裁剪，将无效像素进行裁剪，保留全部有效像素，所述有效像素为所述光谱图像中完整的明亮区域。
[0017]进一步地，所述提取特征的方法具体为：采用Scharr水平滤波器的正向和负向的内核对所述光谱图像进行卷积，检测垂直边缘；
[0018]卷积完成后分别使用ReLU函数和Max
‑
Pooling函数对所述光谱图像进行激活和采样；
[0019]激活和采样完成后经过全连接层提取所述光谱图像的垂直方向像素的平均值，获得所述垂直特征。
[0020]进一步地，使用所述梯度提升决策树算法对所述IDF
‑
GBDT模型进行训练的过程中，用均方差损失函数的负梯度来拟合本轮损失的近似值，基于本轮损失的所述近似值拟合一个分类与回归树，基于所述分类与回归树优化所述IDF
‑
GBDT模型的参数。
[0021]进一步地，在所述IDF
‑
GBDT模型的训练过程中，采用随机抽样的方式进行验证，取所述训练集的20％的比例作为验证集，每次训练时，验证数据都进行随机抽取，然后网格化搜索调整所述IDF
‑
GBDT模型的参数，在多次试验后选择最佳参数建立所述IDF
‑
GBDT模型。
[0022]进一步地，所述短波近红外光通过宽度红外LED结合恒流电路发出，所述宽度红外LED的型号为欧司朗SFH4737，所述恒流电路提供310mA的稳定工作电流。
[0023]本专利技术公开了以下技术效果：
[0024]本专利技术使用数字摄像头获取经过异形比色皿散射和分散后的短波近红外光谱图像，并通过图像边缘检测结合梯度提升决策树GBDT算法对图像进行学习和训练，其中异形比色皿使光发生色散，当摄像头应用于光电测量时，不再需要像传统仪器那样设计光学系统、信号放大和处理电路、光电检测电路、以及模数转换电路等，只需一个简单的LED光源驱动电路就可以完成检测任务。本专利技术提出的方法保证了测量的高准确性和高稳定性，同时大大缩短了测量时间，降低了成本，减少了产品的体积和重量，使用的样品极少且不污染样品。
附图说明
[0025]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于异形比色皿和近红外图像的牛奶成分快速检测方法，其特征在于：包括以下步骤：采集光谱图像，使用一个异形比色皿进行色散获得短波近红外光谱,使用数字摄像头采集红外光透过异形比色皿中的待测牛奶后的光谱图像；划分数据集，对所述光谱图像进行预处理，并将预处理后的所述光谱图像划分为训练集和测试集；提取特征，基于图像边缘特征和梯度提升决策树构建IDF
‑
GBDT模型，基于图像边缘检测对所述训练集进行卷积，检测垂直边缘，获得垂直条纹，取条纹像素平均值后获得垂直特征；训练模型，将所述训练集中的所述垂直特征作为梯度提升决策树的输入，将牛奶的蛋白质含量和脂肪测量值作为输出，使用重复验证和留一交叉验证法对所述IDF
‑
GBDT模型进行训练；预测成分，通过所述IDF
‑
GBDT模型对所述测试集中的所述蛋白质含量和所述脂肪含量进行预测，使用均方根误差、平均绝对误差、平均绝对百分比误差和决定系数作为评估指标对所述IDF
‑
GBDT模型进行评估，多次评估后选择指标最好的一次参数作为最终参数，基于所述最终参数获得训练完成的所述IDF
‑
GBDT模型，并使用训练完成后的所述IDF
‑
GBDT模型进行牛奶成分的检测。2.根据权利要求1所述的基于异形比色皿和近红外图像的牛奶成分快速检测方法，其特征在于：采集所述光谱图像的过程中，所述红外光通过所述待测牛奶和所述异形比色皿后发生散射和色散，所述数字摄像头采集的光谱图像为发生散射和色散后的光谱图像。3.根据权利要求1所述的基于异形比色皿和近红外图像的牛奶成分快速检测方法，其特征在于：所述红外光为短波红外光，所述异形比色皿的形状为三棱柱，所述数字摄像头为宽带近红外数字摄像头。4.根据权利要求1所述的基于异形比色皿和近...

【专利技术属性】
技术研发人员：刘升，朱远洋，朱怀军，许海杰，盛涛，陈得宝，施圣哲，
申请(专利权)人：淮北师范大学，
类型：发明
国别省市：