利用高光谱成像技术检测即食海参新鲜度等级的方法与流程

本发明涉及一种利用高光谱成像技术检测即食海参新鲜度等级的方法。

背景技术：

海参中富含氨基酸、酸性黏多糖、胶原蛋白、海参皂苷以及维生素、矿物质等，具有特殊的营养价值和保健功能。由于以鲜活海参通过高压、短时加热等工艺制成的即食海参制品水分和蛋白含量较高，在加工、包装、贮藏、运输、售卖等环节易受酶和微生物的作用腐败变质；目前，即食海参新鲜度检测主要有感官评定、微生物和理化测定等方法，感官评定直观、简便，易受主观因素影响，无法给出定量结论、存在潜在危险，微生物检测主要通过致腐菌的数量和致病菌存在与否等方式判别；理化检测主要包括测定挥发性盐基氮（TVB-N）、三甲胺、PH值和K值等，微生物和理化分析能够客观、准确反应即食海参新鲜程度，但步骤繁琐、耗时长，很难将上述方法应用于加工过程的线上检测，如能寻求一种快速、无损的即食海参新鲜度检测方法，在其自动化加工、贮藏品质检验、货架期预测等方面具有重要意义。

技术实现要素：

本发明的目的是提供一种可以快速准确检测即食海参的新鲜度的利用高光谱成像技术检测即食海参新鲜度等级的方法。

本发明为实现上述目的所采用的技术方案是：一种利用高光谱成像技术检测即食海参新鲜度等级的方法，包括以下步骤：

A、样品采集：采集不同产地、不同大小及不同季节的具有代表性的即食海参样品；

B、样品测量：对采集的不同新鲜度的即食海参样品进行测量，获得挥发性盐基氮的数据；

C、进行样品高光谱光谱分析：对即食海参样品进行高光谱仪器采集分析，选取海参感兴趣区域得到全波段平均光谱曲线，利用全波段平均光谱曲线的谷点进行数据降维减少波段，通过主成分图像选取最佳特征波段，选择特征波段下的最佳主成分图得到权重系数图，其图中的拐点为最佳波长，同时得到最佳波长对应的特征波长图像，并将特征波长图像做波段比；

D、进行样品高光谱图像分析：对特征波长波段比图像进行去除阴影，去除背景得到海参整体作为感兴趣区，通过灰度共生矩阵、灰度梯度共生矩阵、改进的局部模式纹理描述子提取纹理特征；

E、建立模型：将提取的纹理特征作为输入参数，建立与即食海参新鲜度不同新鲜度等级的的网络模型；

F、评价模型：根据网络模型，对待测定样品的预测新鲜度等级值与真实新鲜度等级值的正确率对所述模型进行评估。

所述步骤（B）中挥发性盐基氮含量测量采用半微量凯氏定氮法。

所述步骤（C）中高光谱仪器采集采用的参数为光谱分辨率设置为2.8nm，曝光时间设置为15ms，物距设置为140mm，光谱采样点设置为0.65nm，载物台移动速度设置为6mm/s。

所述步骤（C）中数据降维采用主成分分析法，权重系数图采用线性组合回归算法。

所述步骤（D）中去阴影采用波段比算法，去背景采用自适应大津法阈值分割掩膜算法。

所述步骤（E）中网络模型为粒子群优化神经网络。

本发明一种利用高光谱成像技术检测即食海参新鲜度等级的方法，待测样品无需前处理，重复性好，分析时间短，对即食海参无破坏，在建立好用于预测的网络模型之后对所有其他待测即食海参样品仅需要测量纹理特征即可通过网络模型预测新鲜度等级，为非侵入式测量方法，检测的数值准确、稳定，提高了测量效率，可以满足生产现场对样品的快速分析需求。

附图说明

图1是本发明一种利用高光谱成像技术检测即食海参新鲜度等级的方法采集的不同新鲜度等级下即食海参感兴趣的平均光谱曲线图。

图2是本发明一种利用高光谱成像技术检测即食海参新鲜度等级的方法的即食海参全波段和5个子波段下特征值大于1的主成分图。

图3是本发明一种利用高光谱成像技术检测即食海参新鲜度等级的方法的即食海参最佳波段下的最佳主成分图对应的权重系数图。

图4是本发明一种利用高光谱成像技术检测即食海参新鲜度等级的方法的即食海参686nm与985nm波段比运算后的图。

图5是本发明一种利用高光谱成像技术检测即食海参新鲜度等级的方法的即食海参波段比图像进行掩膜去背景后的图。

图6是本发明一种利用高光谱成像技术检测即食海参新鲜度等级的方法的即食海参不同纹理特征参数下的网络模型适应度曲线图。

具体实施方式

如图1至图6所示，利用高光谱成像技术检测即食海参新鲜度等级的方法，具体实施步骤如下：A、样品采集，分不同批次采集不同产地，不同大小，不同季节的即食海参20只，这样样品具有一定代表性和普遍性；B、样品测量，挥发性盐基氮含量的测定方法，温度（25±3℃）下将20只即食海参样品作为实验样本，放入保鲜袋中进行编号，置于25℃培养箱中保存、待测，每隔6h取样本利用半微量凯氏定氮法(GB/T5009.44—2003)测定样本的TVB-N含量，每个样本连续测量4次，测量结果如表1所示；C、样品高光谱光谱分析，对所述即食海参样品进行高光谱仪器采集分析，高光谱成像系统主要由Image-λ-V10E-LU增强型可见-近红外高光谱相机、光谱仪、卤素灯、电控移动平台构成，采集采用的参数为光谱分辨率设置为2.8nm，曝光时间设置为15ms，物距设置为140mm，光谱采样点设置为0.65nm，为避免图像中即食海参形状失真，载物台移动速度设置为6mm/s ，如图1所示，选取海参感兴趣区域得到全波段平均光谱曲线（400-1000nm），利用全波段平均光谱曲线的谷点进行数据降维得到主成分图像，表2显示了各个波段前6主成分贡献率，选择特征值大于1的主成分图像，如图2所示，根据主成分图像效果选择最佳波段为686-985nm代替全波段，减少运算量，提高效率，如图3所示，特征波段下的主成分图得到的权重系数图，其图中的拐点为最佳波长，本实施例中所用的软件为Spectral Image 软件（Isuzu Optics Corp, Taiwan）和ENVI 5.3（Research System Inc, USA）；D、样品高光谱图像分析，表3显示了特征波长之间的相关性大小，如图4所示，相关性最小的两个特征波长做波段比运算得到的图像，同时去除了阴影，如图4所示，对波段比图像进行自适应大津法阈值分割做掩膜运算得到的去背景图像，将去除背景得到即食海参整体作为感兴趣区，通过灰度共生矩阵、灰度梯度共生矩阵、改进的局部模式纹理描述子提取纹理特征，选择最佳特征波长的相关性依据如表3所示；E、建立模型，在所述三种不同方法提取的纹理特征通过粒子群优化BP神经网络建立与不同新鲜度等级的网络模型，本实施例中所用的软件为Matlab 2012b（The MathWorksInc, USA），需要说明的是，所述软件可以为任何粒子群优化BP神经网络建立模型的软件，不限于本实施例的举例；F、评价模型，表4显示了不同模型下的参数设置和即食海参新鲜度等级的预测结果，从表中可以看到灰度梯度共生矩阵纹理网络模型的正确率为95%，灰度共生矩阵纹理网络模型的正确率为90%，改进的局部模式纹理网络模型的正确率为80%，说明高光谱成像技术结合纹理特征建立的网络模型可以准确地预测即食海参的新鲜度等级。

综上，本发明利用高光谱成像技术检测即食海参新鲜度等级的方法，通过对回归模型的验证，可以看出采用本发明的方法建立的用于预测即食海参新鲜度等级的网络模型，无论是灰度共生矩阵还是灰度梯度共生矩阵和改进的局部模式纹理进行预测，都可以准确地用于预测即食海参新鲜度等级，对待测即食海参样品无破坏，操作简便，可提高检测速度。

1号即食海参TVB-N值

表1

前六个主成分累计方差贡献率

表2

波段相关性

表3

不同模型判别结果

表4