基于特征波段的血斑蛋在線檢測方法
【專利摘要】本發(fā)明公開了一種基于特征波段的血斑蛋在線檢測方法，涉及雞蛋內(nèi)部缺陷動態(tài)檢測技術(shù)領(lǐng)域。本方法是①搭建血斑蛋在線檢測平臺；②設置在線試驗參數(shù)；③采集光譜數(shù)據(jù)；④光譜數(shù)據(jù)預處理；⑤特征波段篩選；⑥建立血斑蛋在線判別模型；⑦檢驗模型。本方法經(jīng)過自適應重加權(quán)采樣算法后，又經(jīng)過逐步篩選最后確定模型的最終變量，此過程相當于二次篩選變量，將原有波段大幅度簡化；篩選出的最終進入判別函數(shù)的變量只有5個，大幅度減小模型運算復雜度，提高了血斑蛋在線檢測的速度；利用光學技術(shù)，實現(xiàn)了對血斑蛋快速無損鑒別，解決了實際生產(chǎn)中血斑蛋難鑒別、難檢測的弊端，提高了蛋品企業(yè)檢測效率和質(zhì)量。
【專利說明】
基于特征波段的血斑蛋在線檢測方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及雞蛋內(nèi)部缺陷動態(tài)檢測技術(shù)領(lǐng)域，尤其涉及一種基于特征波段的血斑 蛋在線檢測方法。
【背景技術(shù)】
[0002] 我國是雞蛋生產(chǎn)消費大國，但雞蛋的出口率很低，原因是雞蛋的內(nèi)部品質(zhì)分選精 度不高，很多存在內(nèi)部缺陷的雞蛋不能及時檢測出來，造成雞蛋整體品質(zhì)質(zhì)量不高。血斑蛋 是雞蛋中含有少量血液，一般血斑呈現(xiàn)在蛋黃上，雞蛋中含有血斑無論是國內(nèi)還是國外都 被認定為是一種質(zhì)量缺陷【United States Department of Agriculture Egg-Grading Manual[S]，2012:28-29;SB/T 10638-2011鮮雞蛋咸鴨蛋分級[S].中國質(zhì)檢出版社，2011】。
[0003] 目前對于血斑蛋的檢測大部分是基于靜態(tài)試驗平臺。徐惠榮等人融合蛋殼顏色信 息，將500-700nm波段建立最小二乘支持向量機判別模型，血斑蛋準確率為91.7 %【徐惠榮， 徐文豪，陳華瑞，等.基于光譜技術(shù)的褐殼血斑蛋鑒別方法研究[J].農(nóng)業(yè)機械學報，2014，45 (2): 194-198】。祝志慧等利用光纖光譜技術(shù)靜態(tài)檢測血斑蛋，通過多分類器融合建立判別 模型，最后血斑蛋檢測正確率分別為92.86%【祝志慧、謝德君、李婉清、王巧華、馬美湖，基 于光譜技術(shù)和多分類器融合的異物蛋檢測，農(nóng)業(yè)工程學報[?1]，2015,31(02)】。對于血斑蛋 在線檢測的探索，專利CN103109754A發(fā)明一種血斑蛋在線無損檢測分選方法，利用ARM系統(tǒng) 將563.449nm-576.509nm的透過率共18個波長變量進行分析，根據(jù)設置的閾值來判別樣本 的歸屬類別，此方法的變量個數(shù)對于在線來說較多且閥值的設置沒有具體依據(jù)。專利 CN103698285A發(fā)明一種基于雙波段的血斑蛋在線檢測方法，利用580±10nm和600±10nm兩 個波段建立logistic判別模型，此方法血斑蛋檢測達到96.9%，此方法可行，但是波長變量 較多，影響實際在線運行效率，且他的實驗樣品為人工注射血斑蛋，對于是否適合天然血斑 蛋的判別還需要考證。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的就在于克服目前對于血斑蛋在線檢測效率低和精度低的現(xiàn)狀，提供 一種基于特征波段的血斑蛋在線檢測方法。
[0005] 本發(fā)明的目的是這樣實現(xiàn)的：
[0006] 利用海陽光學微型光纖光譜儀采集雞蛋的光譜數(shù)據(jù)，通過特定的數(shù)據(jù)處理和波段 篩選方法，建立血斑蛋在線判別模型，將原有波段經(jīng)過層層篩選，提取出有效的5個特征波 段，大幅度簡化數(shù)據(jù)維數(shù)，提高在線檢測模型的效率和精度。
[0007] 實現(xiàn)過程如下：
[0008] 利用光纖光譜技術(shù)，通過特定的算法對傳送過程中的雞蛋樣品的透過率光譜數(shù)據(jù) 進行處理，提取全波段中有效的特征波段，將特征波段中選擇其判別能力最顯著的變量進 入判別函數(shù)，得到最后的判別模型，實現(xiàn)血斑蛋的在線判別。
[0009] 完成以下幾項工作：
[0010] 1、搭建血斑蛋在線檢測平臺，采集每個樣品的在線光譜數(shù)據(jù)，此過程包括光強大 小，光源位置，暗電流，參考電流的設置，準直透鏡距離待測樣本的高度以及傳送帶的運行 速度。
[0011] 2、采用特定的預處理和光譜波段提取方法，得到血斑蛋檢測的特征波段。這部分 去除了實驗過程中因為環(huán)境噪聲，儀器震動等非人為因素的影響，減小光譜的散射產(chǎn)生的 差異，將原始波段進行第一步的簡化，消除了多維變量的共線性問題，提高了模型的穩(wěn)健 性。
[0012] 3、通過逐步篩選，根據(jù)檢驗標準得到最后進入模型的變量，這一過程在特征波段 的基礎上得到了最后的決定性變量，相當于第二次簡化，經(jīng)過二次篩選變量，大幅度簡化變 量維數(shù)，在整個模型中具有至關(guān)重要的作用。
[0013] 具體地說，本方法包括以下步驟：
[0014] ①搭建血斑蛋在線檢測平臺；
[0015] ②設置在線試驗參數(shù)
[0016] 在線試驗參數(shù)包括光強大小、積分時間、暗電流、參考電流以及傳送帶的運行速 度；
[0017] ③采集光譜數(shù)據(jù)
[0018]雞蛋隨著傳送帶的運行陸續(xù)進入暗箱，光電傳感器被雞蛋觸發(fā)后將信號傳至可編 程控制器直至計算機；
[0019] 透過雞蛋的光通過準直透鏡接收后，再由光纖光譜儀采集每個雞蛋的光譜數(shù)據(jù)；
[0020] ④光譜數(shù)據(jù)預處理
[0021] 將所有采集到的光譜數(shù)據(jù)進行標準正態(tài)變換(SNV)預處理，標準正態(tài)變換預處理 公式為：
[0023] 其中：
[0024] X1>k為需要變換的光譜矩陣，Z,為第i個光譜的平均值，m為波長的點數(shù)，將通過標 準正態(tài)變換預處理后的數(shù)據(jù)按照2:1的原則隨機分成訓練集和預測集；
[0025]⑤特征波段篩選
[0026]采用競爭性自適應重加權(quán)采樣算法(CARS)，篩選出偏最小二乘(PLS)回歸模型中 回歸系數(shù)絕對值大的波長點，去掉權(quán)重小的波長點，利用交叉驗證選出均方根誤差值最低 的子集為篩選出的最優(yōu)變量；
[0027]⑥建立血斑蛋在線判別模型
[0028]將篩選出的特征波段建立逐步貝葉斯判別模型，將競爭性自適應重加權(quán)采樣算法 (CARS)得到的特征波段通過逐步貝葉斯判別分析中"有進有出"的方式，逐步將最重要的判 別變量進入判別函數(shù)，通過特定的W檢驗標準，最終確定進入模型的變量，得到最終的判別 模型；
[0029] ⑦檢驗模型
[0030] 將預測集的數(shù)據(jù)選出對應的特征波段代入判別模型中得到預測值，通過與真實值 的比較來檢驗模型的適用性。
[0031] 本發(fā)明具有以下幾點優(yōu)點和積極效果：
[0032] ①本方法經(jīng)過自適應重加權(quán)算法后，又經(jīng)過逐步篩選最后確定模型的最終變量， 此過程相當于二次篩選變量，將原有波段大幅度簡化；
[0033] ②篩選出的最終進入判別函數(shù)的變量只有5個，大幅度減小模型運算復雜度，提高 了血斑蛋在線檢測的速度；
[0034] ③利用光學技術(shù)，實現(xiàn)了對血斑蛋快速無損鑒別，解決了實際生產(chǎn)中血斑蛋難鑒 另IJ、難檢測的弊端，提高了蛋品企業(yè)檢測效率和質(zhì)量。
【附圖說明】
[0035]圖1是血斑蛋在線檢測平臺，圖中：
[0036] 0-雞蛋；1 一可調(diào)光源;2-光纖;3-聚焦透鏡;4 一準直透鏡;5-暗箱;6-光纖光 譜儀;7-光電傳感器;8-計算機;9 一傳送帶；10-可編程控制器。
[0037] 圖2是血斑蛋在線檢測方法流程圖；
[0038] 圖3是競爭性自適應重加權(quán)采樣算法流程圖。
【具體實施方式】：
[0039] 下面結(jié)合附圖和實施例進一步說明：
[0040] 一、平臺
[0041] 如圖1，本平臺包括檢測對象雞蛋0,設置有可調(diào)光源1、光纖2、聚焦透鏡3、準直透 鏡4、暗箱5、光纖光譜儀6、光電傳感器7、計算機8、傳送帶9和可編程控制器10;
[0042] 在暗箱5內(nèi)設置傳送帶9,在傳送帶9中間的上面放置有雞蛋0;
[0043] 在暗箱5的底面中間設置有聚焦透鏡3,可調(diào)光源1、光纖2和聚焦透鏡3依次連接；
[0044] 在暗箱5的頂面中間設置有準直透鏡4，準直透鏡4、光纖光譜儀6和計算機8依次連 接；
[0045] 在傳送帶9中間的側(cè)面設置有光電傳感器7,光電傳感器7、可編程控制器10和計算 機8依次連接。
[0046] 二、方法
[0047] 如圖2,血斑蛋在線檢測方法的流程是：
[0048]①搭建血斑蛋動態(tài)檢測平臺-101
[0049] 可調(diào)光源1發(fā)出的光通過光纖2傳播，又通過聚焦透鏡3聚焦照射到待檢雞蛋0的下 方，雞蛋〇橫放在傳送帶9上，透過雞蛋的光束通過準直透鏡4接收然后傳至光纖光譜儀6，光 電傳感器7放置在與傳送帶9平行的側(cè)面，準直透鏡4距離雞蛋2.5cm，雞蛋0的樣品為不限品 種的白色、粉色和介于白色粉色之間殼色的血斑蛋和正常蛋樣品，將所有樣品進行清洗和 編號，并按編號順序依次放入傳送帶9上。
[0050] ②設置在線試驗參數(shù)-102
[0051]在線試驗參數(shù)包括積分時間為100ms，平均次數(shù)為10,平滑寬度為5nm，傳送帶運行 速度4800枚/小時。
[0052]③采集光譜數(shù)據(jù)-103
[0053]將所有雞蛋0的樣品按編號順序依次放置在運動的傳送帶9上，當雞蛋0路過暗箱5 中，光電傳感器7被觸發(fā)，將信號傳至可編程控制器10直至計算機8;
[0054]透過雞蛋0的光通過準直透鏡4接收再由光纖光譜儀6采集每個雞蛋0樣品的透過 率。
[0055]④將采集的光譜數(shù)據(jù)進行預處理-104
[0056]將全部樣品500-600nm的范圍內(nèi)的光譜數(shù)據(jù)進行標準正態(tài)變換，得到預處理后的 光譜數(shù)據(jù)，此過程減少了試驗環(huán)境的噪聲和儀器震動等隨機因素的影響，減小了由于雞蛋0 內(nèi)部液體的晃動產(chǎn)生的光譜差異影響，SNV預處理公式為：
[0058]其中:Xi,k為需要變換的光譜矩陣，為第i個光譜的平均值，m是波長的點數(shù)；
[0059]通過預處理后的數(shù)據(jù)根據(jù)訓練集與預測集比例為2:1原則，分別隨機選出血斑蛋 和正常蛋樣本中的三分之二建立訓練集，用于建立模型，剩余的組成預測集，用于驗證模 型；
[0060] ⑤特征波段的篩選-105
[0061] 波段篩選采用的競爭性自適應重加權(quán)算法(CARS)，篩選出偏最小二乘(PLS)模型 中回歸系數(shù)絕對值大的波長點，去掉權(quán)重小的波長點，利用交叉驗證選出均方根誤差值最 低的子集為篩選出的最優(yōu)變量；
[0062]如圖3,采用競爭性自適應性重加權(quán)采樣算法將全波段500nm-600nm的數(shù)據(jù)篩選出 特征波段，具體步驟為：
[0063] A、將標準正態(tài)變換后建立好的訓練集采用競爭性自適應重加權(quán)采樣算法分析- 201；
[0064] B、采用蒙特卡羅(MCS)采樣50次，將訓練集中80%樣本作為校正集-202;
[0065] C、建立偏最小二乘回歸模型-203;
[0066]用指數(shù)衰減函數(shù)去掉權(quán)重值相對較小的波長點，權(quán)重為：
[0068] | Bi |表示第i個波長對類別變量的貢獻值，其值越大表示該變量越重要-204;
[0069] E、通過50次自適應重加權(quán)采樣技術(shù)(CARS)選出偏最小二乘回歸模型中回歸系數(shù) 絕對值大的波長點，選出每次新變量所建模型中交叉驗證均方根誤差值最小模型所對應的 變量子集即為特征波段_205。
[0070] ⑥判別模型的建立-106
[0071 ]將篩選出的特征波段建立逐步貝葉斯判別模型；
[0072]具體步驟:將競爭性自適應重加權(quán)采樣算法(CARS)得到的特征波段通過逐步貝葉 斯判別分析中"有進有出"的方式，逐步將最重要的判別變量進入判別函數(shù)，通過W檢驗結(jié)果 選出最終進入模型的變量，計算各變量的均值和均值向量以及各變量的總均值和均值變 量，計算類內(nèi)協(xié)方差矩陣和逆矩陣，最后計算判別函數(shù)中的各變量的系數(shù)和常數(shù)項值，血斑 蛋和正常蛋每組的先驗概率均設置為0.5,表1是5個變量的顯著性檢驗結(jié)果，sig值均遠遠 小于0.001，說明這5個變量對于模型的貢獻都是顯著的，所以最終將這5個變量進入模型， 建立判別函數(shù)。
[0073]表1最終變量的顯著性分析
[0075]得到兩個判別模型：
[0076] 血斑蛋：Y1 = 87 ? 136 X X1-250 ? 597 X X2+48 ? 701 X X3+97 ? 284 X X4+146 ? 398 X X5-285.268
[0077] 正常蛋：Y2 = 50 ? 842 X X1-192 ? 88 X X2+22 ? 686 X X3+84 ? 808 X X4+129 ? 239 X X5-235.646
[0078] 其中父1、父2、父3、父4、父5為50911111、51111111、52611111、57111111、59911111對應的5附預處理后的 變量。
[0079] ⑦檢驗模型-107
[0080]用預測集數(shù)據(jù)檢驗得到的模型，將預測集數(shù)據(jù)代入模型中，若Y1>Y2,則被判別為 血斑蛋;若Y2>Y1，則被判別為正常蛋;若Y1=Y2,則不能判別。表2是判別函數(shù)的W檢驗結(jié)果 分析，Sig值遠遠小于0.01，說明判別函數(shù)在統(tǒng)計學上具有顯著性，判別函數(shù)的判別能力是 顯著的。
[0081 ]表2檢驗的結(jié)果
[0083] 三、檢測結(jié)果
[0084]本實驗的試驗樣品是購買于湖北神丹公司檢測出的天然血斑蛋和正常蛋，殼色為 白色，粉色和介于白色和粉色之間的殼色，血斑蛋共計117枚，正常蛋118枚，得到血斑蛋在 線判別模型，其中血斑蛋檢測準確率為92.3%，正常蛋檢測準確率為98.3%，可投入于實際 生產(chǎn)，具有可觀的前景。
【主權(quán)項】
1. 一種基于特征波段的血斑蛋在線檢測方法，其特征在于包括W下步驟： ① 搭建血斑蛋在線檢測平臺； ② 設置在線試驗參數(shù) 在線試驗參數(shù)包括光強大小、積分時間、暗電流、參考電流W及傳送帶的運行速度； ③ 采集光譜數(shù)據(jù) 雞蛋隨著傳送帶的運行陸續(xù)進入暗箱，光電傳感器被雞蛋觸發(fā)后將信號傳至可編程控 制器直至計算機； 透過雞蛋的光通過準直透鏡接收后，再由光纖光譜儀采集每個雞蛋的光譜數(shù)據(jù)； ④ 光譜數(shù)據(jù)預處理 將所有采集到的光譜數(shù)據(jù)進行標準正態(tài)變換預處理，標準正態(tài)變換預處理公式為： 其中：Xi,k為需要變換的光譜矩陣，為第i個光譜的平均值，m為波長的點數(shù)，將通過標準正 態(tài)變換預處理后的數(shù)據(jù)按照2:1的原則隨機分成訓練集和預測集； ⑤ 特征波段篩選 采用競爭性自適應重加權(quán)采樣算法，篩選出偏最小二乘回歸模型中回歸系數(shù)絕對值大 的波長點，去掉權(quán)重小的波長點，利用交叉驗證選出均方根誤差值最低的子集為篩選出的 最優(yōu)變量； ⑥ 建立血斑蛋在線判別模型 將篩選出的特征波段建立逐步貝葉斯判別模型，將競爭性自適應重加權(quán)采樣算法 (CARS)得到的特征波段通過逐步貝葉斯判別分析中巧進有出"的方式，逐步將最重要的判 別變量進入判別函數(shù)，通過特定的W檢驗標準，最終確定進入模型的變量，得到最終的判別 模型； ⑦ 檢驗模型 將預測集的數(shù)據(jù)選出對應的特征波段代入判別模型中得到預測值，通過與真實值的比 較來檢驗模型的適用性。2. 按權(quán)利要求1所述的血斑蛋在線檢測方法，其特征在于： 所述的血斑蛋在線檢測平臺包括被檢測對象雞蛋(O)，設置有可調(diào)光源（1)、光纖（2)、 聚焦透鏡(3)、準直透鏡(4)、暗箱(5)、光纖光譜儀(6)、光電傳感器(7)、計算機(8)、傳送帶 (9)和可編程控制器(10); 在暗箱巧）內(nèi)設置傳送帶(9)，在傳送帶(9)中間的上面放置有雞蛋(0); 在暗箱巧）的底面中間設置有聚焦透鏡(3)，可調(diào)光源（1)、光纖(2)和聚焦透鏡(3)依次 連接； 在暗箱巧）的頂面中間設置有準直透鏡(4)，準直透鏡(4)、光纖光譜儀(6)和計算機(8) 依次連接； 在傳送帶(9)中間的側(cè)面設置有光電傳感器(7)，光電傳感器(7)、可編程控制器（10)和 計算機(8)依次連接。3.按權(quán)利要求1所述的血斑蛋在線檢測方法，其特征在于所述的競爭性自適應重加權(quán) 采樣算法是： A、 將標準正態(tài)變換后建立好的訓練集采用競爭性自適應重加權(quán)采樣算法分析(201); B、 采用蒙特卡羅采樣50次，將訓練集中80%樣本作為校正集(202); C、 建立偏最小二乘回歸模型(203); D、 用指數(shù)衰減函數(shù)去掉權(quán)重值相對較小的波長點，權(quán)重為：Bi I表示第i個波長對類別變量的貢獻值，其值越大表示該變量越重要(204); E、 通過50次自適應重加權(quán)采樣算法選出偏最小二乘回歸模型中回歸系數(shù)絕對值大的 波長點，選出每次新變量所建模型中交叉驗證均方根誤差值最小模型所對應的變量子集即 為特征波段(205)。
【文檔編號】G01N21/27GK105911000SQ201610234435
【公開日】2016年8月31日
【申請日】2016年4月15日
【發(fā)明人】祝志慧, 李婉清, 王巧華, 馬美湖, 曹凡龍
【申請人】華中農(nóng)業(yè)大學