本發(fā)明涉及一種利用高光譜成像技術(shù)檢測(cè)即食海參新鮮度等級(jí)的方法。

背景技術(shù)：

海參中富含氨基酸、酸性黏多糖、膠原蛋白、海參皂苷以及維生素、礦物質(zhì)等，具有特殊的營(yíng)養(yǎng)價(jià)值和保健功能。由于以鮮活海參通過(guò)高壓、短時(shí)加熱等工藝制成的即食海參制品水分和蛋白含量較高，在加工、包裝、貯藏、運(yùn)輸、售賣等環(huán)節(jié)易受酶和微生物的作用腐敗變質(zhì)；目前，即食海參新鮮度檢測(cè)主要有感官評(píng)定、微生物和理化測(cè)定等方法，感官評(píng)定直觀、簡(jiǎn)便，易受主觀因素影響，無(wú)法給出定量結(jié)論、存在潛在危險(xiǎn)，微生物檢測(cè)主要通過(guò)致腐菌的數(shù)量和致病菌存在與否等方式判別；理化檢測(cè)主要包括測(cè)定揮發(fā)性鹽基氮（TVB-N）、三甲胺、PH值和K值等，微生物和理化分析能夠客觀、準(zhǔn)確反應(yīng)即食海參新鮮程度，但步驟繁瑣、耗時(shí)長(zhǎng)，很難將上述方法應(yīng)用于加工過(guò)程的線上檢測(cè)，如能尋求一種快速、無(wú)損的即食海參新鮮度檢測(cè)方法，在其自動(dòng)化加工、貯藏品質(zhì)檢驗(yàn)、貨架期預(yù)測(cè)等方面具有重要意義。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是提供一種可以快速準(zhǔn)確檢測(cè)即食海參的新鮮度的利用高光譜成像技術(shù)檢測(cè)即食海參新鮮度等級(jí)的方法。

本發(fā)明為實(shí)現(xiàn)上述目的所采用的技術(shù)方案是：一種利用高光譜成像技術(shù)檢測(cè)即食海參新鮮度等級(jí)的方法，包括以下步驟：

A、樣品采集：采集不同產(chǎn)地、不同大小及不同季節(jié)的具有代表性的即食海參樣品；

B、樣品測(cè)量：對(duì)采集的不同新鮮度的即食海參樣品進(jìn)行測(cè)量，獲得揮發(fā)性鹽基氮的數(shù)據(jù)；

C、進(jìn)行樣品高光譜光譜分析：對(duì)即食海參樣品進(jìn)行高光譜儀器采集分析，選取海參感興趣區(qū)域得到全波段平均光譜曲線，利用全波段平均光譜曲線的谷點(diǎn)進(jìn)行數(shù)據(jù)降維減少波段，通過(guò)主成分圖像選取最佳特征波段，選擇特征波段下的最佳主成分圖得到權(quán)重系數(shù)圖，其圖中的拐點(diǎn)為最佳波長(zhǎng)，同時(shí)得到最佳波長(zhǎng)對(duì)應(yīng)的特征波長(zhǎng)圖像，并將特征波長(zhǎng)圖像做波段比；

D、進(jìn)行樣品高光譜圖像分析：對(duì)特征波長(zhǎng)波段比圖像進(jìn)行去除陰影，去除背景得到海參整體作為感興趣區(qū)，通過(guò)灰度共生矩陣、灰度梯度共生矩陣、改進(jìn)的局部模式紋理描述子提取紋理特征；

E、建立模型：將提取的紋理特征作為輸入?yún)?shù)，建立與即食海參新鮮度不同新鮮度等級(jí)的的網(wǎng)絡(luò)模型；

F、評(píng)價(jià)模型：根據(jù)網(wǎng)絡(luò)模型，對(duì)待測(cè)定樣品的預(yù)測(cè)新鮮度等級(jí)值與真實(shí)新鮮度等級(jí)值的正確率對(duì)所述模型進(jìn)行評(píng)估。

所述步驟（B）中揮發(fā)性鹽基氮含量測(cè)量采用半微量凱氏定氮法。

所述步驟（C）中高光譜儀器采集采用的參數(shù)為光譜分辨率設(shè)置為2.8nm，曝光時(shí)間設(shè)置為15ms，物距設(shè)置為140mm，光譜采樣點(diǎn)設(shè)置為0.65nm，載物臺(tái)移動(dòng)速度設(shè)置為6mm/s。

所述步驟（C）中數(shù)據(jù)降維采用主成分分析法，權(quán)重系數(shù)圖采用線性組合回歸算法。

所述步驟（D）中去陰影采用波段比算法，去背景采用自適應(yīng)大津法閾值分割掩膜算法。

所述步驟（E）中網(wǎng)絡(luò)模型為粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)。

本發(fā)明一種利用高光譜成像技術(shù)檢測(cè)即食海參新鮮度等級(jí)的方法，待測(cè)樣品無(wú)需前處理，重復(fù)性好，分析時(shí)間短，對(duì)即食海參無(wú)破壞，在建立好用于預(yù)測(cè)的網(wǎng)絡(luò)模型之后對(duì)所有其他待測(cè)即食海參樣品僅需要測(cè)量紋理特征即可通過(guò)網(wǎng)絡(luò)模型預(yù)測(cè)新鮮度等級(jí)，為非侵入式測(cè)量方法，檢測(cè)的數(shù)值準(zhǔn)確、穩(wěn)定，提高了測(cè)量效率，可以滿足生產(chǎn)現(xiàn)場(chǎng)對(duì)樣品的快速分析需求。

附圖說(shuō)明

圖1是本發(fā)明一種利用高光譜成像技術(shù)檢測(cè)即食海參新鮮度等級(jí)的方法采集的不同新鮮度等級(jí)下即食海參感興趣的平均光譜曲線圖。

圖2是本發(fā)明一種利用高光譜成像技術(shù)檢測(cè)即食海參新鮮度等級(jí)的方法的即食海參全波段和5個(gè)子波段下特征值大于1的主成分圖。

圖3是本發(fā)明一種利用高光譜成像技術(shù)檢測(cè)即食海參新鮮度等級(jí)的方法的即食海參最佳波段下的最佳主成分圖對(duì)應(yīng)的權(quán)重系數(shù)圖。

圖4是本發(fā)明一種利用高光譜成像技術(shù)檢測(cè)即食海參新鮮度等級(jí)的方法的即食海參686nm與985nm波段比運(yùn)算后的圖。

圖5是本發(fā)明一種利用高光譜成像技術(shù)檢測(cè)即食海參新鮮度等級(jí)的方法的即食海參波段比圖像進(jìn)行掩膜去背景后的圖。

圖6是本發(fā)明一種利用高光譜成像技術(shù)檢測(cè)即食海參新鮮度等級(jí)的方法的即食海參不同紋理特征參數(shù)下的網(wǎng)絡(luò)模型適應(yīng)度曲線圖。

具體實(shí)施方式

如圖1至圖6所示，利用高光譜成像技術(shù)檢測(cè)即食海參新鮮度等級(jí)的方法，具體實(shí)施步驟如下：A、樣品采集，分不同批次采集不同產(chǎn)地，不同大小，不同季節(jié)的即食海參20只，這樣樣品具有一定代表性和普遍性；B、樣品測(cè)量，揮發(fā)性鹽基氮含量的測(cè)定方法，溫度（25±3℃）下將20只即食海參樣品作為實(shí)驗(yàn)樣本，放入保鮮袋中進(jìn)行編號(hào)，置于25℃培養(yǎng)箱中保存、待測(cè)，每隔6h取樣本利用半微量凱氏定氮法(GB/T5009.44—2003)測(cè)定樣本的TVB-N含量，每個(gè)樣本連續(xù)測(cè)量4次，測(cè)量結(jié)果如表1所示；C、樣品高光譜光譜分析，對(duì)所述即食海參樣品進(jìn)行高光譜儀器采集分析，高光譜成像系統(tǒng)主要由Image-λ-V10E-LU增強(qiáng)型可見-近紅外高光譜相機(jī)、光譜儀、鹵素?zé)簟㈦娍匾苿?dòng)平臺(tái)構(gòu)成，采集采用的參數(shù)為光譜分辨率設(shè)置為2.8nm，曝光時(shí)間設(shè)置為15ms，物距設(shè)置為140mm，光譜采樣點(diǎn)設(shè)置為0.65nm，為避免圖像中即食海參形狀失真，載物臺(tái)移動(dòng)速度設(shè)置為6mm/s ，如圖1所示，選取海參感興趣區(qū)域得到全波段平均光譜曲線（400-1000nm），利用全波段平均光譜曲線的谷點(diǎn)進(jìn)行數(shù)據(jù)降維得到主成分圖像，表2顯示了各個(gè)波段前6主成分貢獻(xiàn)率，選擇特征值大于1的主成分圖像，如圖2所示，根據(jù)主成分圖像效果選擇最佳波段為686-985nm代替全波段，減少運(yùn)算量，提高效率，如圖3所示，特征波段下的主成分圖得到的權(quán)重系數(shù)圖，其圖中的拐點(diǎn)為最佳波長(zhǎng)，本實(shí)施例中所用的軟件為Spectral Image 軟件（Isuzu Optics Corp, Taiwan）和ENVI 5.3（Research System Inc, USA）；D、樣品高光譜圖像分析，表3顯示了特征波長(zhǎng)之間的相關(guān)性大小，如圖4所示，相關(guān)性最小的兩個(gè)特征波長(zhǎng)做波段比運(yùn)算得到的圖像，同時(shí)去除了陰影，如圖4所示，對(duì)波段比圖像進(jìn)行自適應(yīng)大津法閾值分割做掩膜運(yùn)算得到的去背景圖像，將去除背景得到即食海參整體作為感興趣區(qū)，通過(guò)灰度共生矩陣、灰度梯度共生矩陣、改進(jìn)的局部模式紋理描述子提取紋理特征，選擇最佳特征波長(zhǎng)的相關(guān)性依據(jù)如表3所示；E、建立模型，在所述三種不同方法提取的紋理特征通過(guò)粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)建立與不同新鮮度等級(jí)的網(wǎng)絡(luò)模型，本實(shí)施例中所用的軟件為Matlab 2012b（The MathWorksInc, USA），需要說(shuō)明的是，所述軟件可以為任何粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)建立模型的軟件，不限于本實(shí)施例的舉例；F、評(píng)價(jià)模型，表4顯示了不同模型下的參數(shù)設(shè)置和即食海參新鮮度等級(jí)的預(yù)測(cè)結(jié)果，從表中可以看到灰度梯度共生矩陣紋理網(wǎng)絡(luò)模型的正確率為95%，灰度共生矩陣紋理網(wǎng)絡(luò)模型的正確率為90%，改進(jìn)的局部模式紋理網(wǎng)絡(luò)模型的正確率為80%，說(shuō)明高光譜成像技術(shù)結(jié)合紋理特征建立的網(wǎng)絡(luò)模型可以準(zhǔn)確地預(yù)測(cè)即食海參的新鮮度等級(jí)。

綜上，本發(fā)明利用高光譜成像技術(shù)檢測(cè)即食海參新鮮度等級(jí)的方法，通過(guò)對(duì)回歸模型的驗(yàn)證，可以看出采用本發(fā)明的方法建立的用于預(yù)測(cè)即食海參新鮮度等級(jí)的網(wǎng)絡(luò)模型，無(wú)論是灰度共生矩陣還是灰度梯度共生矩陣和改進(jìn)的局部模式紋理進(jìn)行預(yù)測(cè)，都可以準(zhǔn)確地用于預(yù)測(cè)即食海參新鮮度等級(jí)，對(duì)待測(cè)即食海參樣品無(wú)破壞，操作簡(jiǎn)便，可提高檢測(cè)速度。

1號(hào)即食海參TVB-N值

表1

前六個(gè)主成分累計(jì)方差貢獻(xiàn)率

表2

波段相關(guān)性

表3

不同模型判別結(jié)果

表4