【技术实现步骤摘要】
本专利技术涉及食品安全检测的，尤其是指一种鸡肉新鲜度无损检测方法。
技术介绍
1、随着食品安全意识的提高，消费者对鸡肉的质量和安全的要求也变得越来越高，由于鸡肉在生产运输的过程中容易产生腐败以及变质等问题，其新鲜度也直接影响着大众对于鸡肉食用质量和食品安全的要求。目前传统的鸡肉新鲜度检测方法主要有感官评价、理化分析等,这些方法存在耗时长、破坏样品以及结果的主观性较强等问题，因此，为实现快速、高效且无损的鸡肉新鲜度检测,开发一种新型的鸡肉新鲜度检测技术迫在眉睫。
技术实现思路
1、本专利技术的目的在于克服现有技术的不足与缺点，提供了一种鸡肉新鲜度无损检测方法，能够实现快速且无损的检测，提高鸡肉新鲜度检测的效率和准确性。
2、为实现上述目的，本专利技术所提供的技术方案为：一种鸡肉新鲜度无损检测方法，包括以下步骤：
3、s1：采集待测鸡肉样本的高光谱图像数据，所述高光谱图像数据涵盖可见光高光谱数据和短波近红外光谱数据；
4、s2：对采集到的高光谱图像数据进行均值归一化预处理形成可见光高光谱数据集和短波近红外光谱数据集，这两个数据集共同构成预处理后的高光谱图像数据，其中均值归一化预处理是通过将每个特征值减去特征的平均值并使整体数据分布以零为中心，消除不同量纲和数值范围带来的影响；
5、s3：利用竞争自适应重加权采样算法对预处理后的高光谱图像数据进行特征波长的提取，用于筛选出与鸡肉新鲜度密切相关的特征波段，并通过选择出的特征波段和对应波段的高光
6、s4：对预处理后的可见光高光谱数据集和短波近红外光谱数据集进行数据融合，形成一个数据融合数据集；
7、s5：将预处理后的可见光高光谱数据集、短波近红外光谱数据集、特征波段数据集和数据融合数据集，输入到一个已训练好的鸡肉新鲜度分类模型，该鸡肉新鲜度分类模型为改进残差网络，该改进残差网络的输出包括上述数据集在测试集上建模的准确率与模型建立所需时间，通过比较准确率和时间这两个指标，选取在测试集上具有最高准确率和模型建立时间最短的结果，作为鸡肉新鲜度的无损分类结果；其中，该改进残差网络为高光谱图像数据处理引入一维卷积层，并对残差块进行设计优化，使残差块包含用于调整通道数和步长的1×1卷积层，同时，残差块还包含批量归一化和relu激活函数，增强网络处理高光谱图像数据的能力，并提高网络在深层结构中的信息流通性和学习效率。
8、进一步，步骤s1的具体操作步骤如下：
9、s11：在进行高光谱图像数据采集前，将可见光高光谱仪和短波近红外光谱仪启动预热30分钟；
10、s12：使用光谱分辨率为5.5nm、光谱波长范围在397-1003nm的可见光高光谱仪采集可见光高光谱图像；
11、s13：使用光谱分辨率为8nm、波长范围935-1720nm的短波近红外光谱仪采集短波近红外光谱图像；
12、s14：选择可见光高光谱图像和短波近红外光谱图像的感兴趣区域，获取可见光高光谱数据和短波近红外光谱数据，将所有可见光高光谱数据合并形成一个可见光高光谱数据集，将所有短波近红外光谱数据合并形成一个短波近红外光谱数据集，可见光高光谱数据集和短波近红外光谱数据集共同构成所需的高光谱图像数据。
13、进一步，在步骤s2，均值归一化预处理具体包括：
14、s21：对于高光谱图像数据的每个波段，计算所有样本的均值，设x为一个m×n的数据矩阵，其中m代表样本数，n代表波段数，对于第j个波段，计算所有样本的均值：
15、
16、式中，xij是第i个样本在第j个波段的值，是第j个样本的均值；
17、s22：将每个样本在各波段的值减去相应波段的平均值，即可得到均值归一化后的值：
18、
19、式中，xnorm.ij是第i个样本在第j个波段均值归一化后的值。
20、进一步，在步骤s3，采用竞争自适应重加权采样算法进行特征波长提取，具体包括：
21、s31：采取蒙特卡罗模型采样，随机分割数据集，分割比例为75％-85％，并建立偏最小二乘法模型，使用回归系数的绝对值百分比作为变量的重要性指标；
22、s32：采用指数衰减函数：
23、rs＝ae-ks
24、确定每次迭代中保留的变量个数，a和k是指数衰减函数的参数，rs是第s次迭代时确定的变量个数；其中，a和k通过以下约束条件确定：
25、r1＝p
26、
27、式中，r1是初始迭代中确定的变量个数，用p代表，rn是第n次迭代时确定的变量个数，n是n次迭代过程，进而能根据下面的式子求得a和k：
28、
29、
30、s33：根据步骤s32中迭代确定的变量个数进行变量的剔除，变量出现的频率用权重表示，再建立基于筛选变量的分析预测模型，并计算其交叉验证的均方根误差；
31、s34：设置循环迭代的次数，根据迭代过程中最小的均方根误差确定最佳的变量集合，即为所求的特征波段；
32、在选择特征波段后，从预处理后的高光谱图像数据中提取出所述特征波段及其包含的数据，形成特征波段数据集，用于后续的建模以及分析。
33、进一步，在步骤s4，数据融合的具体操作如下：
34、将可见光高光谱数据集和短波近红外光谱数据集通过软件算法进行拼接，形成一个多特征的数据融合数据集，该数据融合数据集能够提供比单独光谱部分更丰富的信息；
35、可见光高光谱数据集为一维数组，表示为：v＝[v1,v2,...,vo]，短波近红外光谱数据集为一维数组，表示为：nir＝[nir1,nir2,...,nirq]，其中o和q分别表示可见光高光谱和短波近红外光谱中的波段数量，vo表示可见光高光谱中某个波段的可见光高光谱数据，nirq表示短波近红外光谱中某个波段的短波近红外光谱数据；
36、数据融合表示为两个数组的连接，它将两个光谱区域的数据放在一个新的连续的数组f中：
37、f＝[v1,v2,...,vo,nir1,nir2,...,nirq]
38、将经过数据融合后的数组即数据融合数据集用于后续的鸡肉新鲜度分类建模。
39、进一步，所述改进残差网络，包括：
40、输入层：将高光谱图像数据输入到网络中，这些数据由可见光高光谱仪和短波近红外光谱仪采集并经过预处理，用于代表鸡肉样本的光谱特征；
41、初始卷积层：输入的高光谱图像数据首先流经一个具有64个过滤器的卷积层，其中每个过滤器大小为5×5，步长设置为2，使用填充值为2，这个卷积层的目的是提取鸡肉样本的初级特征，并同时减少数据的维度；
42、批量归一化层与relu激活函数：在初始卷积层之后，设置了批量归一化层，用于调整激活值的分布，从而减少内部协变量偏移的影响，接着是relu激活函数本文档来自技高网...
【技术保护点】
1.一种鸡肉新鲜度无损检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种鸡肉新鲜度无损检测方法，其特征在于，步骤S1的具体操作步骤如下：
3.根据权利要求2所述的一种鸡肉新鲜度无损检测方法，其特征在于，在步骤S2，均值归一化预处理具体包括：
4.根据权利要求3所述的一种鸡肉新鲜度无损检测方法，其特征在于，在步骤S3，采用竞争自适应重加权采样算法进行特征波长提取，具体包括：
5.根据权利要求4所述的一种鸡肉新鲜度无损检测方法，其特征在于，在步骤S4，数据融合的具体操作如下：
6.根据权利要求5所述的一种鸡肉新鲜度无损检测方法，其特征在于，所述改进残差网络，包括：
7.根据权利要求6所述的一种鸡肉新鲜度无损检测方法，其特征在于，所述残差网络的具体改进，包括：
8.根据权利要求7所述的一种鸡肉新鲜度无损检测方法，其特征在于，在步骤S5，新鲜度建模分析具体步骤如下：
【技术特征摘要】
1.一种鸡肉新鲜度无损检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种鸡肉新鲜度无损检测方法，其特征在于，步骤s1的具体操作步骤如下：
3.根据权利要求2所述的一种鸡肉新鲜度无损检测方法，其特征在于，在步骤s2，均值归一化预处理具体包括：
4.根据权利要求3所述的一种鸡肉新鲜度无损检测方法，其特征在于，在步骤s3，采用竞争自适应重加权采样算法进行特征波长提取，具体包括：
...
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。