一种基于高光谱成像技术检测鸡胸肉木质化等级的方法技术

一种基于高光谱成像技术检测鸡胸肉木质化等级的方法，属于农产品无损检测领域，包括由触诊将鸡胸肉分为正常、轻微、中度和严重木质化四个等级，采集不同等级木质化鸡胸肉在400～1000nm和1000～2000nm波段的高光谱图像，通过感兴趣区域提取反射率信息，利用Autoscale、SNV、OSC、Smoothing、1

【技术实现步骤摘要】
一种基于高光谱成像技术检测鸡胸肉木质化等级的方法


[0001]本专利技术属于农产品无损检测领域，尤其涉及一种基于高光谱成像技术检测鸡胸肉木质化等级的方法。

技术介绍

[0002]鸡胸肉是一种深受广大消费者喜爱的肉类产品，它具有“一高三低”的营养特点，具体表现为蛋白质含量高，脂肪、热量、胆固醇的含量低。随着消费结构升级，鸡肉的消费量也在不断提升。为提高鸡胸肉品质、满足不断增长的消费需求，育种科学家积极培育优良品种，在此过程中肉鸡肌肉快速生长，由于肌肉缺氧以及代谢异常等，产生木质化鸡胸肉(WB)等一系列禽类胸肌疾病。虽然食用木质化鸡胸肉对人体没有损害作用，但在木质化鸡胸肉表现口感较正常鸡胸肉的口感差。此外，WB蛋白质含量下降，脂肪含量增加。营养价值的降低和口感的可接受度下降影响了消费者的购买，给肉鸡行业带来了严重的损失。因此，提高鸡肉木质化的检测效率，集成开发鸡肉木质化程度与品质检测技术，对于提升鸡肉品质安全保障有着重要的现实意义和实际需求。
[0003]目前，WB的检测主要采用触诊方法，依靠个人主观感受，而且易受到温度、湿度、光线等环境因素的影响，不能做到准确分类。因此，需要开发快速、准确和可靠的方法来检测鸡胸肉木质化的等级，以满足农业和食品工业的需求。
[0004]已有研究表明光谱技术可用于木质化鸡胸肉的检测，但这些技术并未做到对木质化程度的精细分类，针对鸡胸肉木质化程度的进一步分类检测还存在较大的发展空间。高光谱成像技术(HSI)结合了图像和数据，可同时获取样本的光谱信息和图像信息，实现图谱合一。因此，高光谱成像技术既可以通过图像信息检测样本的外部特征，又可以利用光谱信息获取样本的内部信息,但目前尚未有研究使用不同波段高光谱融合策略检测鸡胸肉木质化等级。

技术实现思路

[0005]针对
技术介绍
提出的问题，本专利技术研究设计了一种基于高光谱成像技术检测鸡胸肉木质化等级的方法，其目的在于：提供一种检测速度快、判别正确率达百分之百的基于高光谱成像技术检测鸡胸肉木质化等级的方法。
[0006]本专利技术的技术解决方案：
[0007]一种基于高光谱成像技术检测鸡胸肉木质化等级的方法，包括以下步骤：
[0008]S1、准备样本：通过肉眼检查和触诊划分选取鸡胸肉样本，采样并剔除表面肌膜后，储存在4℃下。
[0009]S2、高光谱图像采集及校正：分别采用可见
‑
近红外高光谱成像系统、短波红外高光谱成像系统进行400～1000nm可见
‑
近红外、1000～2000nm短波红外两个波段范围的样本高光谱图像采集，对采集的高光谱图像进行黑白校正以消除冗余的信息，白校正采用反射率为99.99％的白色聚四氟乙烯板，黑校正是通过盖上机盖使镜头全部被覆盖，最终高光谱
校正图像通过以下公式获得：
[0010][0011]其中：R为高光谱校正图像，R0是原始高光谱图像，B为标准黑校正图像，W为标准白校正图像。
[0012]S3、光谱信息提取：使用图像分割法来提取鸡胸肉样本的典型光谱数据，选取鸡胸肉的头部位置作为感兴趣区域，每个区域的大小为900(30
×
30)像素，使用Matlab软件(MATLAB R2016a，美国Mathworks公司)进行ROI的识别和ROI内光谱数据的提取，对ROI中包含的每个像素点的所有光谱进行平均，以平均值作为每个鸡胸肉样本的光谱。
[0013]S4、光谱预处理方法及特征变量选择：采用的预处理方法主要有Autoscale(自动标准化)、SNV(标准正态变量法)、OSC(正交信号校正法)、Smoothing(平滑法)、1
‑
st(一阶导数法)等，使用不同预处理方法处理光谱数据后，采用连续投影算法SPA(连续投影算法)、CARS(竞争性自适应重加权算法)以及UVE(无信息变量消除法)三种方法挑选特征波长，分别建立基于全波长以及特征波长的PLS
‑
DA和SVM判别模型，比较不同模型的稳定性和精确度，筛选有效特征波长。
[0014]S5、光谱数据融合策略：针对上述使用UVE在可见
‑
近红外波段的43个特征波长：412.07、416.11、433.69、437.77、451.41、492.78、505.3、509.49、510.89、516.48、519.28、526.29、527.7、529.1、530.51、533.32、534.73、581.47、582.89、584.32、585.75、587.17、588.6、590.03、591.46、605.76、641.7、708.39、739.02、740.48、741.94、743.4、747.79、750.71、760.94、765.33、837.12、850.31、860.57、886.93、897.17、951.18、990.40nm以及使用SPA在短波红外波段下得到的11个特征波长：994.80、1013.63、1032.69、1104.47、1158.33、1427.91、1670.41、1830.30、1866.00、1894.34、1984.74nm，将两波段下的特征波长光谱数据融合。在进行数据融合时将经过预处理、特征波长筛选后的光谱数据拼接成一个矩阵，从特征融合层次来建立鸡胸肉木质化程度分级的SVM融合判别模型。
[0015]S6、建立判别模型：基于全光谱、特征波段以及光谱数据融合的判别模型建立方法一致，将所有鸡胸肉样本按照比例划分，建立模型，并通过建模集和预测集的判别正确率对模型的性能进行评估。
[0016]优选地，所述S1中鸡胸肉按照触摸时鸡胸肉表现出坚硬程度的差异分为正常鸡胸肉(鸡胸肉整体十分柔软，外表平滑、细腻，掂在手中胸肉两端自然下垂)、轻微木质化鸡胸肉(硬度主要集中在顶端区域，掂在手中底部仍有一定的下垂感)、中度木质化鸡胸肉(硬度主要集中在顶端和中部区域，底部较顶端柔软，底部隐约可见凸起状)和严重木质化鸡胸肉(整体触感坚硬，无下垂感，底部可明显看见凸起部位)四类。
[0017]优选地，所述S1中正常(WB)鸡胸肉、轻微(MILD)木质化鸡胸肉、中度(MOD)木质化鸡胸肉和严重(SEV)木质化鸡胸肉样本为各60个。
[0018]优选地，所述S2中，在样本高光谱图像采集前，提前30分钟打开高光谱成像系统进行预热，在光源稳定后进行扫描测试，擦拭干净鸡胸肉表面的水分后，将其放在移动平台上进行图像采集。
[0019]优选地，所述S2中可见
‑
近红外高光谱成像系统包括计算机、相机、成像光谱仪、卤素光源、移动平台，所述相机为单波长图像像素为804
×
534的高分辨率CCD相机，成像光谱
仪光谱分辨率为2.8nm，用来获取鸡胸肉样本的图像信息和光谱信息，所述卤素光源为两个，卤素光源在距离移动平台上的样本30cm处以45
°
的投射角度固定于相机两侧，相机镜头与移动平台上的样本之间的距离为26cm，卤素光本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于高光谱成像技术检测鸡胸肉木质化等级的方法，其特征在于：包括以下步骤：S1、准备样本：通过肉眼检查和触诊划分选取鸡胸肉样本，采样并剔除表面肌膜后，储存在4℃下。S2、高光谱图像采集及校正：分别采用可见
‑
近红外高光谱成像系统、短波红外高光谱成像系统进行400～1000nm可见
‑
近红外、1000～2000nm短波红外两个波段范围的样本高光谱图像采集，对采集的高光谱图像进行黑白校正以消除冗余的信息，白校正采用反射率为99.99％的白色聚四氟乙烯板，黑校正是通过盖上机盖使镜头全部被覆盖，最终高光谱校正图像通过以下公式获得：其中：R为高光谱校正图像，R0是原始高光谱图像，B为标准黑校正图像，W为标准白校正图像。S3、光谱信息提取：使用图像分割法来提取鸡胸肉样本的典型光谱数据，选取鸡胸肉的头部位置作为感兴趣区域，每个区域的大小为900像素，使用Matlab软件进行ROI的识别和ROI内光谱数据的提取，对ROI中包含的每个像素点的所有光谱进行平均，以平均值作为每个鸡胸肉样本的光谱。S4、光谱预处理方法及特征变量选择：采用的预处理方法主要有Autoscale、SNV、OSC、Smoothing、1
‑
st，使用不同预处理方法处理光谱数据后，采用连续投影算法SPA、CARS以及UVE三种方法挑选特征波长，分别建立基于全波长以及特征波长的PLS
‑
DA和SVM判别模型，比较不同模型的稳定性和精确度，筛选有效特征波长。S5、光谱数据融合策略：针对上述使用UVE在可见
‑
近红外波段的43个特征波长：412.07、416.11、433.69、437.77、451.41、492.78、505.3、509.49、510.89、516.48、519.28、526.29、527.7、529.1、530.51、533.32、534.73、581.47、582.89、584.32、585.75、587.17、588.6、590.03、591.46、605.76、641.7、708.39、739.02、740.48、741.94、743.4、747.79、750.71、760.94、765.33、837.12、850.31、860.57、886.93、897.17、951.18、990.40nm以及使用SPA在短波红外波段下得到的11个特征波长：994.80、1013.63、1032.69、1104.47、1158.33、1427.91、1670.41、1830.30、1866.00、1894.34、1984.74nm，将两波段下的特征波长光谱数据融合。在进行数据融合时将经过预处理、特征波长筛选后的光谱数据拼接成一个矩阵，从特征融合层次来建立鸡胸肉木质化程度分级的SVM融合判别模型。S6、建立判别模型：基于全光谱、特征波段以及光谱数据融合的判别模型建立方法一致，将所有鸡胸肉样本按照比例划分，建立模型，并通过建模集和预测集的判别正确率...

【专利技术属性】
技术研发人员：潘磊庆，张娜，田立余，屠康，赵干，兰维杰，
申请(专利权)人：南京农业大学，
类型：发明
国别省市：