本发明属于食品检测领域，涉及牛肉掺假检测方法。
背景技术：
牛肉作为一种高蛋白、低脂肪和低胆固醇的食物，是我国的主要肉食之一。然而，不良商贩在经济利益的驱使下对牛肉制品进行掺假，如在牛肉制品中混入鸡肉、猪肉等低值肉。牛肉掺假问题严重危害了消费者的经济利益和健康，且很难被常规方法检测出来。因此，对牛肉掺假进行检测是非常必要的。近年来，色谱法、蛋白质电泳分离，免疫学和dna技术等检测方法被广泛应用于肉类掺假检测。然而，这些方法虽然检测准确度高，但是价格贵、耗时且对实验设备和实验人员要求高。因此，急需一种快速、简易和灵敏的方法用于牛肉掺假检测。
生物散斑是一种散射现象，当相干光照射到活性材料时，反射光和散射光在接收面形成动态散斑。散斑的变化与样本的活性、体液流速等生物学特性相关。生物散斑技术是一种非侵入性、快速的检测方法，目前被广泛应用于医药和农业领域，如血液流速、精子质量、眼球运动、种子活力、果实成熟期及果实损伤等的检测。在肉类品质检测方面，amaral等结合生物散斑技术和惯性矩分析方法来表征牛肉老化过程中的生物散斑活性，他们发现生物散斑活性与warner-bratzler(w-b)剪切力(r＝0.6146)、老化时间(r＝-0.7973)、色调角(r＝0.7953)、红色分量强度(r＝0.812)和高铁肌红蛋白的含量(r＝0.9119)有较高的相关性。蔡建荣等人基于两种不同波长(465nm和660nm)的激光检测冷鲜猪肉的新鲜度，研究结果表明激光波长为465nm时结果更优，训练集和测试集的识别率分别达到87.65％和89.29％。此外，董庆利等运用生物散斑技术预测了牛肉质构特性，如硬度、咀嚼性及w-b剪切力，其预测决定系数分别为0.83、0.77和0.69。以上研究表明生物散斑技术可以用于肉的品质检测，但尚无用于牛肉掺假检测的报道。
在生物散斑数据分析中，惯性矩(inertiamoment，im)是最常用的定量分析方法。传统im法通过计算样本生物散斑图像某固定列(行)的im值或所有列(行)im值中的最大值来衡量样本的生物散斑活性。然而，前一种方法仅提取了样本空间局部信息，结果易受样本的局部差异性(如样本的均匀性、样本表面不规则，以及散斑图像异常点等因素)的影响，不能反映整体的散斑活性。而在求取所有列(行)im值中的最大值时，散斑图像中异常点会使结果出现偏差，且用im最大值代表样本生物散斑活性仍缺乏有效的理论支撑。针对传统im法以上缺点，在本发明中我们提出使用惯性矩谱分析方法结合支持向量回归机(supportvectorregressionmachine，svr)对牛肉掺假进行定量检测。
技术实现要素：
本发明的目的是针对现有牛肉掺假检测方法中存在的缺点，提供一种基于生物散斑和惯性矩谱分析的牛肉掺假检测方法。
本发明提供的牛肉掺假检测方法包括以下步骤：
(1)利用he-ne激光器和ccd相机采集牛肉样本的生物散斑图像；
(2)构建生物散斑图像的惯性矩谱；
(3)建立牛肉掺假检测模型。
优选地，所述he-ne激光器的功率为10mw、波长为632nm。
优选地，在采集牛肉样本的生物散斑图像时，激光入射角为60°，物距为220mm，ccd相机的分辨率为640×480，帧率为20帧/s，每个样本的采样时间为25s，每个样本采集500张时间序列图片。
优选地，所述生物散斑图像的惯性矩谱构建方法是：首先将样本的生物散斑图像进行灰度化处理；其次依次抽取不同时间图像固定列拼接成时间序列散斑图，且每一列对应一个时间序列散斑图；再次，分别统计各列对应时间序列散斑图中相邻位置像素灰度级i、j出现的次数nij,并将nij作为第i行第j列的元素组成共生矩阵；接着，基于共生矩阵计算各列im值；最后，将各列im值按列号拼接构建惯性矩谱。
优选地，所述模型为支持向量回归机模型。
本发明的有益效果是：
(1)本发明首次使用生物散斑对牛肉掺假进行检测，该检测准确度高，费用低、耗时短且对实验设备和实验人员要求低，是一种快速、简易和灵敏的牛肉掺假检测方法。
(2)本发明使用惯性矩谱对样本的生物散斑进行分析并结合支持向量机模型对牛肉掺假进行定量检测，该分析和检测结果稳定性好，不受其它因素干扰，而且准确性好，灵敏度高。
附图说明
图1为惯性矩谱计算流程图.
图2为样本生物散斑单一时间序列图。
图3为掺假比例0％，50％和100％样本的平均im谱。
具体实施方式
以下通过实施例对本发明进行详细地说明。
实施例1
1材料与方法
1.1样本制备
由武汉某食品有限公司提供的来自不同牛的牛后腿肉和牛腩各0.85kg经搅拌机粉碎并混合均匀后，用保鲜膜包装置于28±2℃的环境中保存2d，直至能够观察到明显的变质现象(例如异味、褐变和粘液)。取新鲜牛后腿肉1kg，粉碎并与非新鲜肉按照0％，1％，3％，5-60％(梯度为5％)和100％(w/w)的掺假梯度混合均匀制作掺假样本。除纯新鲜牛肉为2个样本外，其它各梯度均制备4个重复，共得62个掺假牛肉样本，每个样本约重30g。
1.2散斑图像的获取
试验采用生物散斑系统主要由功率为10mw、波长为632nm的he-ne激光器(r-30992，newport美国)，ccd相机(u3d500c-j，sunway台湾)，焦距为30mm的镜头，带有图像处理器的电脑和带有特定样本槽(保证每个样本位置一致性)的载物台组成。
在采集掺假牛肉样本的生物散斑图像时，为避免外界光源的影响，除电脑外，其他设备均处于暗室中。样本放置在载物台的样本槽中，激光入射角为60°，物距为220mm，工业相机的分辨率为640×480，帧率为20帧/s，每个样本的采样时间为25s，每个样本采集500张时间序列图片。
1.3数据处理与建模方法
1.3.1惯性矩谱的构建
本文提出的惯性矩谱(im谱)是一种以惯性矩为基础的生物散斑图像处理方法，即惯性矩谱由样本生物散斑图像各列(行)对应的im值组成，本研究基于列im谱对牛肉掺假进行检测。惯性矩谱扩展了传统方法的空间维度，提取了样本的整体生物散斑信息，具有较好的抗干扰性。其计算流程如图1所示。
首先将样本的生物散斑图像进行灰度化处理；其次依次抽取不同时间图像固定列拼接成时间序列散斑图(temporalhistoryspecklespatterns,thsp)，且每一列对应一个thsp；再次，分别统计各列对应thsp中相邻位置像素灰度级i，j(i在j的左侧)出现的次数(nij),并将nij作为第i行第j列的元素组成共生矩阵；接着，基于共生矩阵及式1和式2计算各列im值；最后，将各列im值按列号拼接构建惯性矩谱。
im＝∑ijmij(i-j)2(2)
式中comij——共生矩阵图第i行第j列像素的灰度值。
1.3.2牛肉掺假检测模型的建立与评价
建模之前对数据进行范围归一化处理。通过x-y共生距离法(spxy)将样本集划分成校正集和测试集，其中校正集用于建立牛肉掺假检测模型，测试集用于检测模型性能。本文使用支持向量回归机建立牛肉掺假定量检测模型，模型参数惩罚参数c和核函数参数g应用粒子群算法进行优化。
模型建立之后，以决定系数(r2)和均方根误差(rmse)为评判标准对模型性能进行评价，其中决定系数越高、均方根误差越低表明模型稳定性越好、预测精度越高。
2结果与分析
2.1生物散斑图
将点激光束以60°的入射角照射样本，并采集样本生物散斑图像。图2为样本生物散斑单一时间序列图。据图易知，距离激光照射点越远的像素点亮度越低，而根据像素点亮度可将生物散斑图划分为s1，s2和s3三个区域。其中区域s1像素点亮度最高，区域s2像素亮度较高，而区域s3像素亮度最低。
2.2im谱的分析
根据im谱构建方法计算出每个样本的im谱。图3是掺假比例为0％，50％和100％样本的平均im谱图。注意到，总体上样本im谱均包含一个高平峰区和一个尖峰区，对比im谱和生物散斑图发现，高峰区对应于散斑图中的s1区，尖峰区对应于散斑图右侧的边缘区域。导致这一现象的原因可能是，区域s1边缘像素点亮度变化非常大，因此这些点所在列即高平峰区范围内的im值也相应较大。此外，散斑图右侧的边缘区域属于区域s3，其散斑图中各列均只有区域s3的像素点而不含或包含很少区域s2的像素点，因区域s3像素点亮度变化较大，而区域s2像素亮度较稳定，故在散斑图右侧出现尖峰。
特别的，由图3可知不同掺假浓度样本对应三条im谱高平峰区的右侧结束点基本一致，而相应左侧结束点却有所差别，分别在85列，117列和131列左右。综合激光照射条件和im谱的特点可知，导致这一现象的原因可能是激光以60°入射角从右测照射样本，大部分光线在样本内向左侧散射。然而，不同掺假浓度样本的理化特性不同，这使得光线散射距离不同从而导致不同掺假浓度样本的生物散斑图像有所差异。随着掺假浓度的上升，样本的自由水增加、高铁肌红蛋白含量减少，光散射系数减小，使得生物散斑图像较亮区域向左侧扩展的范围减少。因此，im谱高平峰区的左侧结束点随着掺假浓度升高向右侧移动。由此可见，样本理化特性不同造成的生物散斑图像差异会在im谱上有所表现，且生物散斑图像与im谱之间有一定的相关性。