一种基于高光谱特征加权的新鲜和冻融牛肉鉴别方法技术

本发明专利技术公开了一种基于高光谱特征加权的新鲜和冻融牛肉鉴别方法。对高光谱图像进行黑白板校正，提取平均光谱，利用方差过滤法、肯德尔相关系数法和随机森林法分别计算平均光谱每个波长的方差值、肯德尔相关系数和信息熵；分别提取方差值、肯德尔相关系数和信息熵从大到小排序前N个波长，即可总共获取N*3个波长，并且分别计算前N个波长方差值的归一化值、前N个波长肯德尔相关系数的归一化值和前N个波长信息熵的归一化值；将N*3个波长的归一化值混合并从大到小排序，取前N个波长作为最终的特征波长带入卷积神经网络进行二次特征提取，并建立能够准确鉴别新鲜和冻融牛肉的分类模型。建立能够准确鉴别新鲜和冻融牛肉的分类模型。建立能够准确鉴别新鲜和冻融牛肉的分类模型。

【技术实现步骤摘要】
一种基于高光谱特征加权的新鲜和冻融牛肉鉴别方法


[0001]本专利技术涉及牛肉状态鉴别
，具体涉及一种基于高光谱特征加权的新鲜和冻融牛肉鉴别方法。

技术介绍

[0002]牛肉因为营养价值高，尤其是蛋白质含量高，受到大多数消费者的欢迎。冷冻/解冻方法被用作保存牛肉中营养成分的有效手段，但在此过程中形成的冰晶会从物理和化学上破坏肉类，会导致部分的营养物质的损失。新鲜牛肉和冻融的牛肉的标签错误可能有意或无意地发生，导致生产者、零售商和消费者的经济收益或损失。因此，实现对新鲜和冻融的牛肉的准确、非破坏性和快速鉴别非常重要。
[0003]目前对于新鲜的牛肉和冻融的牛肉的鉴别方法大多数是光谱技术。光谱技术相比于很多传统的检测方法具有准确、快速和无损等优势，光谱数据也有了较为成熟的处理流程。由于光谱的波长过多，会含有较多的冗余信息，人们往往会利用特征选择的手段对光谱数据进行降维处理以实现更高的建模效果。目前光谱领域较为常用的特征选择方法较多且取得了一定的效果，但是利用单一的特征选择方法对光谱波段进行特征波长的提取具有片面性，并且不同的特征提取方法基于的原理都不相同，因此基于不同原理的特征选择方法综合评价方法更加具有优势。
[0004]方差过滤法作为一种仅仅基于特征的特征选择方法，通过删除低方差特征进而排除无显著性差异的特征实现特征的选择，并未考虑与目标值之间的关系；肯德尔相关系数法作为一种一个无参数假设检验，使用计算而得的相关系数去检验两个随机变量的统计依赖性，通过删除与目标标签之间的相关性小的特征实现特征选择；随机森林法作为一种基于模型的特征选择方法，主要通过计算各个特征的信息熵，删除信息熵较小的特征进而实现特征的选择。往往仅仅使用某一种方法提取的特征具有片面性，将多种特征选择综合评价得出的特征更具有代表性。虽然也有研究报道利用多种特征选择方法对光谱进行特征提取，但是其往往是顺序进行的，靠前的特征选择方法往往会占据一定的主导地位，具有一定的主观性，并没有真正意义上实现多种特征选择方式的融合。

技术实现思路

[0005]本专利技术的目的是为了解决现有技术中的上述缺陷，提供一种基于高光谱特征加权的新鲜和冻融牛肉鉴别方法。本专利技术通过加权方式将不同的特征选择方法同时运用，全面地选出了最佳的特征波长子集，并结合卷积神将网络进行二次特征提取实现了新鲜和冻融牛肉的准确识别。
[0006]本专利技术的目的可以通过采取如下技术方案达到：
[0007]一种基于高光谱特征加权的新鲜和冻融牛肉鉴别方法，所述鉴别方法包括如下步骤：
[0008]S1、分别采集新鲜牛肉和冻融牛肉的高光谱图像，对高光谱图像进行黑白板校正，
提取平均光谱；
[0009]S2、分别利用方差过滤法、肯德尔相关系数法和随机森林法对同一批样本的平均光谱进行特征选择，分别获得方差值、肯德尔相关系数和信息熵由大到小排序前N个波长，即可总共获得N*3个波长，其中，N取值区间为[15,25]；
[0010]S3、分别计算前N个波长方差值的归一化值、前N个波长肯德尔相关系数的归一化值和前N个波长信息熵的归一化值；
[0011]S4、将获得的N*3个波长的归一化值混合并从大到小重新排序，取前N个波长作为最优的特征波长；
[0012]S5、将步骤S4中的前N个特征波长代入卷积神经网络CNN中进行二次特征提取，实现新鲜和冻融牛肉的鉴别。
[0013]进一步地，所述冻融牛肉包括一次冻融牛肉和/或二次冻融牛肉。包括一次冻融和两次冻融的冻融牛肉既符合实际生活情况，也丰富了数据集，可以使得建立的模型具有更强的普适性。
[0014]进一步地，所述步骤S1中黑白板校正的公式如下：
[0015][0016]式中，R为经黑白板校正的高光谱图像，I为原始的高光谱图像，B为黑板的高光谱图像，W为白板的高光谱图像。黑白板校正可以有效地减小光照不均和暗电流等客观因素的影响。
[0017]进一步地，所述步骤S2中方差值S2的计算公式如下：
[0018][0019]式中，S2为某一个波长的方差值，n为光谱样本个数，i为光谱样本编号，xi为相应样本编号的光谱反射率，为某一个波长下的光谱平均反射率；
[0020]所述步骤S2中肯德尔相关系数τ的计算公式如下：
[0021][0022]式中，τ表示某一个波长的肯德尔相关系数，n表示光谱样本个数，N
C
表示拥有一致性的元素对数，N
D
表示拥有不一致性的元素对数；
[0023]所述步骤S2中信息熵H的计算公式如下：
[0024][0025]式中，H表示某一个波长的信息熵，m为牛肉类别编号，m＝1表示新鲜牛肉，m＝2表示一次冻融牛肉，m＝3表示二次冻融牛肉，p
m
为相应牛肉类别编号的概率。
[0026]为了选择更加有代表性的特征，分别选择非监督的方差过滤法、监督的线性的肯
德尔相关系数法和监督的非线性的随机森林法。
[0027]进一步地，所述步骤S3中归一化值W
j
的计算公式如下：
[0028][0029]式中，W
j
表示某一特征选择方法前N个波长的归一化值，j＝1，2，3，j的不同取值对应不同的特征选择方法，j＝1对应方差过滤法，j＝2对应肯德尔相关系数法，j＝3对应随机森林法，N为波长个数，t为波长的编号，t＝1，2，3，
…
，N，为j对应的特征选择方法相应第t个波长的归一化值。
[0030]分别对前N个波长的方差值、肯德尔相关系数和信息熵归一化处理去除量纲的影响，即可将前N个波长方差值的归一化值、前N个波长肯德尔相关系数的归一化值和前N个波长信息熵的归一化值混合排序。
[0031]进一步地，所述步骤S4中前N个最优的特征波长的选择方法，如下所示：
[0032]Band＝Max
1～N
(W1,W2,W3)
[0033]式中，Max
1～N
为由大到小排序取前N个归一化值，W1，W2，W3分别为前N个波长方差值的归一化值、前N个波长肯德尔相关系数的归一化值和前N个波长信息熵的归一化值。
[0034]将前N个波长方差值的归一化值、前N个波长肯德尔相关系数的归一化值和前N个波长信息熵的归一化值混合排序，取前N个特征波长作为最后的特征波长，真正意义上实现了多种原理特征选择方法的综合使用。
[0035]进一步地，所述步骤S5中卷积神经网络CNN的主干网络具体结构如下：
[0036]从输入层至输出层依次连接为：卷积层conv1、Relu层conv1_relu、池化层max_pooling1、卷积层conv2、Relu层conv2_relu、池化层max_pooling2、展平层Flatten、全连接层dense1、Relu层dense1_relu、Dropout层dense1_dropout、全连接层dense2、Relu层dense2_relu本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于高光谱特征加权的新鲜和冻融牛肉鉴别方法，其特征在于，所述鉴别方法包括如下步骤：S1、分别采集新鲜牛肉和冻融牛肉的高光谱图像，对高光谱图像进行黑白板校正，提取平均光谱；S2、分别利用方差过滤法、肯德尔相关系数法和随机森林法对同一批样本的平均光谱进行特征选择，分别获得方差值、肯德尔相关系数和信息熵由大到小排序前N个波长，即可总共获得N*3个波长，其中，N取值区间为[15,25]；S3、分别计算前N个波长方差值的归一化值、前N个波长肯德尔相关系数的归一化值和前N个波长信息熵的归一化值；S4、将获得的N*3个波长的归一化值混合并从大到小重新排序，取前N个波长作为最优的特征波长；S5、将步骤S4中的前N个特征波长代入卷积神经网络CNN中进行二次特征提取，实现新鲜和冻融牛肉的鉴别。2.根据权利要求1所述的一种基于高光谱特征加权的新鲜和冻融牛肉鉴别方法，其特征在于，所述冻融牛肉包括一次冻融牛肉和/或二次冻融牛肉。3.根据权利要求1所述的一种基于高光谱特征加权的新鲜和冻融牛肉鉴别方法，其特征在于，所述步骤S1中黑白板校正的公式如下：式中，R为经黑白板校正的高光谱图像，I为原始的高光谱图像，B为黑板的高光谱图像，W为白板的高光谱图像。4.根据权利要求1所述的一种基于高光谱特征加权的新鲜和冻融牛肉鉴别方法，其特征在于，所述步骤S2中方差值S2的计算公式如下：式中，S2为某一个波长的方差值，n为光谱样本个数，i为光谱样本编号，x
i
为相应样本编号的光谱反射率，为某一个波长下的光谱平均反射率；所述步骤S2中肯德尔相关系数τ的计算公式如下：式中，τ表示某一个波长的肯德尔相关系数，n表示光谱样本个数，N
C
表示拥有一致性的元素对数，N
D
表示拥有不一致性的元素对数；所述步骤S2中信息熵H的计算公式如下：
式中，H表示某...

【专利技术属性】
技术研发人员：蒲洪彬，余静孝，韦庆益，孙大文，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：