【技术实现步骤摘要】
基于深度学习多源光谱融合鸡肉品质检测方法及分拣设备
[0001]本公开涉及鸡肉检测
，具体地，涉及一种基于深度学习多源光谱融合鸡肉品质检测方法及分拣设备。
技术介绍
[0002]鸡肉因其丰富的蛋白质含量和较好的口感被称为最受欢迎的肉类之一。然而，由于鸡肉中的水分含量较高，因此容易出现变质的问题。
[0003]相关技术中，通常基于物理和化学的方法来检测鸡肉中的挥发性盐基氮含量和菌落总数，进而根据挥发性盐基氮含量和菌落总数来判断鸡肉的新鲜程度或鸡肉是否变质。上述检测方法不仅需要高度的专业知识，还会破坏样品的完整性，因此不利于对大规模的鸡肉样品进行检测。
技术实现思路
[0004]本公开的目的是提供一种基于深度学习多源光谱融合鸡肉品质检测方法及分拣设备，以解决上述技术问题。
[0005]为了实现上述目的，本公开第一方面提供一种基于深度学习多源光谱融合鸡肉品质检测方法，所述方法包括：
[0006]获取待检测鸡肉的近红外高光谱图像和可见光
‑
近红外高光谱图像；
[...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习多源光谱融合鸡肉品质检测方法，其特征在于，所述方法包括：获取待检测鸡肉的近红外高光谱图像和可见光
‑
近红外高光谱图像；将所述近红外高光谱图像和所述可见光
‑
近红外高光谱图像输入鸡肉品质检测模型中，得到所述待检测鸡肉的挥发性盐基氮含量和菌落总数；根据所述挥发性盐基氮含量和所述菌落总数确定所述待检测鸡肉的品质；其中，所述鸡肉品质检测模型用于通过如下操作得到所述挥发性盐基氮含量和所述菌落总数：提取并融合所述近红外高光谱图像和所述可见光
‑
近红外高光谱图像的特征，得到菌落融合特征图，根据所述菌落融合特征图，得到所述待检测鸡肉的菌落总数；提取并融合所述近红外高光谱图像和所述可见光
‑
近红外高光谱图像的特征，得到挥发性盐基氮融合特征图，根据所述挥发性盐基氮融合特征图，得到所述待检测鸡肉的挥发性盐基氮含量。2.根据权利要求1所述的方法，其特征在于，所述提取并融合所述近红外高光谱图像和所述可见光
‑
近红外高光谱图像的特征，得到菌落融合特征图，包括：对所述近红外高光谱图像进行至少一次特征提取和至少一次维度变换，得到第一近红外高光谱特征图，并对所述第一近红外高光谱特征图进行特征校正，得到第一近红外高光谱通道注意力特征图，以及对所述第一近红外高光谱通道注意力特征图进行特征提取，得到第二近红外高光谱通道注意力特征图；对所述可见光
‑
近红外高光谱图像进行至少一次特征提取和至少一次维度变换，得到第一可见光
‑
近红外高光谱特征图，并对所述第一可见光
‑
近红外高光谱特征图进行特征校正，得到第一可见光
‑
近红外高光谱通道注意力特征图，以及对所述第一可见光
‑
近红外高光谱通道注意力特征图进行特征提取，得到第二可见光
‑
近红外高光谱通道注意力特征图；对所述第二近红外高光谱通道注意力特征图和所述第二可见光
‑
近红外高光谱通道注意力特征图进行融合，得到所述菌落融合特征图。3.根据权利要求2所述的方法，其特征在于，所述对所述第一近红外高光谱特征图进行特征校正，得到第一近红外高光谱通道注意力特征图，包括：对所述第一近红外高光谱特征图进行变形，得到第二近红外高光谱特征图，以及对所述第一近红外高光谱特征图进行注意力权重提取，得到通道注意力权重矩阵；计算所述第二近红外高光谱特征图、所述通道注意力权重矩阵与第一预设通道系数的乘积，并将所述乘积与所述第一近红外高光谱特征图相加，得到所述第一近红外高光谱通道注意力特征图。4.根据权利要求2所述的方法，其特征在于，所述对所述近红外高光谱图像进行至少一次特征提取和至少一次维度变换，得到第一近红外高光谱特征图，包括：对所述近红外高光谱图像进行至少一次特征提取，得到第一特征图；对所述第一特征图依次进行维度变换、特征提取以及维度变换，得到所述第一近红外高光谱特征图；其中，所述对所述近红外高光谱图像进行至少一次特征提取，得到第一特征图，包括：对所述近红外高光谱图像依次进行至少4次特征提取，得到第一卷积特征图，对所述第一卷积特征图并行进行四次特征提取，得到第二卷积特征图、第三卷积特征图、第四卷积特
征图以及第五卷积特征图；对所述第三卷积特征图、所述第四卷积特征图以及所述第五卷积特征图进行特征提取，得到第六卷积特征图、第七卷积特征图以及第八卷积特征图；对所述第二卷积特征图、所述第六卷积特征图、所述第七卷积特征图以及所述第八卷积特征图进行图像拼接，得到所述第一特征图。5.根据权利要求2所述的方法，其特征在于，所述对所述第二近红外高光谱通道注意力特征图和所述第...
【专利技术属性】
技术研发人员：韩宇星，蔡明睿，李晓欣，谭欣婕，殷成铖，廖明，张建民，
申请(专利权)人：华南农业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。