基于智能手机的中华绒螯蟹内部食用品质无损检测方法与流程

文档序号:18753354发布日期:2019-09-24 21:29阅读:360来源:国知局
基于智能手机的中华绒螯蟹内部食用品质无损检测方法与流程

本发明属于水产品无损检测技术领域,具体涉及一种基于智能手机的中华绒螯蟹内部食用品质无损检测方法。



背景技术:

中华绒螯蟹,又名大闸蟹,是我国重要的名贵水产品,味道鲜美,营养丰富,富含大量的蛋白质、维生素和多种微量元素,深受广大消费者的喜爱。大闸蟹的可食用部分为蟹肉、肝胰腺和性腺,相比于商品蟹的重量和大小,消费者更注重其可食用部位的成熟度和风味。因此,蟹肉风味、肝胰腺成熟度和性腺成熟度是决定中华绒螯蟹内部食用品质的关键因素。传统商品蟹分级主要依靠重量、感官指标等外部品质指标实现,无法精准识别商品蟹的内部食用品质,再加上行业等级标准缺失,导致消费市场以假乱真,以次充好等问题日益突出。

近年来,基于中华绒螯蟹快速无损分级的技术层出不穷,如发明专利cn201810531595公开了一种基于高光谱图像技术快速无损识别中华绒螯蟹品质的方法;cn201820322697专利公开了一种螃蟹多指标分级装置,可实现双面区分雌雄,并且能够实现商品蟹的多指标自动分级。然而,以上中华绒螯蟹分级技术都依靠于重量,感官指标等外部品质,仅仅可以实现中华绒螯蟹基于重量和外观品质的快速分级,始终无法保证中华绒螯蟹的可食用部位的成熟度和内部食用品质。

目前,中华绒螯蟹内部食用品质分级主要依赖于传统的抽样理化检测,理化检测虽然精度较高,结果准确,但是需要专业人士操作,费时耗力、成本高,且抽样检测随机性大,无法实现商品蟹的实时检测。因此,亟待开发一种快速无损的中华绒螯蟹内部食用品质检测方法,实现中华绒螯蟹内部食用品质的快速检测,以便对市售中华绒螯蟹内部食用品质进行监管。



技术实现要素:

为了克服传统商品蟹分级方法无法实现其内部食用品质快速无损检测的不足,本发明提供了一种基于智能手机的便携式近红外光谱技术检测中华绒螯蟹内部食用品质的方法,实现商品蟹内部食用品质的快速无损识别。

为实现上述发明目的,一种基于智能手机的便携式近红外光谱技术的中华绒螯蟹内部食用品质的快速无损检测方法,其特征在于样品蟹的采集、样本近红外光谱数据采集、样品蟹内部食用品质分级、光谱特征变量提取、中华绒螯蟹内部食用品质预测模型建立和内部食用品质预测模型验证六个步骤:

步骤一:样品蟹的采集:采集不同成熟期的中华绒螯蟹作为样本,清洗备用;

步骤二:样本近红外光谱数据采集:利用基于智能手机的光谱数据采集系统采集步骤一样本的光谱数据;首先设置近红外光谱仪工作参数,然后选取步骤一中样本的蟹肉、肝胰腺、雌蟹性腺、雄蟹性腺所对应部位的感兴趣区域(regionofinterest,roi);将近红外光谱仪置于感兴趣区域正上方一定距离处分别进行扫描,得到蟹肉、肝胰腺、雌蟹性腺、雄蟹性腺分别对应的原始光谱数据,并对光谱数据进行预处理;

步骤三:样品蟹内部食用品质分级:对步骤二采集光谱数据后样本的蟹肉、肝胰腺、雌蟹性腺、雄蟹性腺,再分别测定其特征化学物质的含量,按照样本的成熟度结合蟹肉、肝胰腺、雌蟹性腺、雄蟹性的特征化学物质含量制定中华绒螯蟹内部食用品质分级指标;

步骤四:光谱特征变量提取:将步骤二预处理后获得的蟹肉、肝胰腺、雌蟹性腺、雄蟹性腺光谱数据与步骤三获得的蟹肉、肝胰腺、雌蟹性腺、雄蟹性腺的特征化学物质含量数据一一对应,采用联合区间偏最小二乘法获得蟹肉、肝胰腺、雌蟹性腺、雄蟹性腺对应的最优波段;然后,采用模拟退火算法获得蟹肉、肝胰腺、雌蟹性腺、雄蟹性腺对应的特征波长;

步骤五:中华绒螯蟹内部食用品质预测模型建立:运用k-s(kennard-stone)算法分别将步骤四中蟹肉、肝胰腺、雌蟹性腺、雄蟹性腺的特征波长数据按2:1的比例分成校正集和预测集;最后,以校正集的特征波长数据和步骤三中制定的中华绒螯蟹内部食用品质分级指标,通过算法构建蟹肉、肝胰腺、雌蟹性腺、雄蟹性腺品质等级的预测模型;

步骤六:内部食用品质预测模型验证:采集重量在130~170g的10~20只中华绒螯蟹样品(各样本间重量差≤10g),按照步骤二分别采集蟹肉、肝胰腺、雌蟹性腺、雄蟹性腺对应部位的近红外光谱数据,带入步骤五构建的预测模型得到预测中华绒螯蟹样品的蟹肉、肝胰腺、雌蟹性腺、雄蟹性腺的成熟度,实现对中华绒螯蟹样品的内部食用品质无损检测。

优选的,步骤一中所述不同成熟期的中华绒螯蟹样本是指同一批幼蟹在生长后采集农历六月、八月、十月和十二月生长的中华绒螯蟹。

优选的,步骤二中所述近红外光谱仪工作参数包括:波长为700nm~1100nm,分辨率为1nm,共含400个波段;所述一定距离为0.5~2cm;所述扫描的次数为3~8次。

优选的,步骤二中所述基于智能手机的光谱数据采集系统具体为将智能手机与ias-5000便携式近红外光谱分析仪连接,实现光谱扫描、光谱数据预处理、筛选特征变量及模型预测功能;所述连接包括电连接和无线蓝牙连接。

优选的,步骤二中所述蟹肉、肝胰腺、雌蟹性腺、雄蟹性腺感兴趣区域的划分具体如下:

其中蟹肉感兴趣区域,以蟹腿近蟹壳处一节中心坐标为中心,划分50×50至300×300像素大小的矩形为感兴趣区域;

其中肝胰腺感兴趣区域,以螃蟹头胸甲背肝区中心点为中心坐标,划分50×50至300×300像素大小的矩形为感兴趣区域;

其中雌蟹性腺感兴趣区域,以雌蟹腹部中心坐标为中心,中轴线为对称轴生成50×50至300×300像素大小的矩形为感兴趣区域;

其中雄蟹性腺感兴趣区域,以雄蟹腹部中心坐标为中心,中轴线为对称轴生成50×50至300×300像素大小的矩形为感兴趣区域。

优选的,步骤二中所述对光谱数据进行预处理为sg平滑滤波(savitzky-golayfilter)预处理。

优选的,步骤三中蟹肉、肝胰腺、雌蟹性腺、雄蟹性腺的特征化学物质包括丙氨酸、油酸和饱和脂肪酸。

优选的,步骤三中所述内部食用品质的成熟度由高到低分别划分为一级、二级、三级;

其中蟹肉中丙酸含量(mg/g):一级≥4.31,二级4.31~3.52,三级≤3.52;

其中肝胰腺中油酸含量(%):一级≥35.21,二级35.21~32.20,三级≤32.20;

其中雌蟹性腺中饱和脂肪酸含量(%):一级≥31.54,二级31.54~28.50,三级≤28.50;

其中雄蟹性腺中饱和脂肪酸含量(%):一级≥25.79,二级25.97~23.20,三级≤23.20。

优选的,步骤四中所述蟹肉对应的特征波长分别为720、756、789、852、741、769、890、569、1001和965;

所述肝胰腺对应的特征波长分别为820、864、793、786、982、1059、1089、924、813和712;

所述雌蟹性腺对应的特征波长分别为905、842、863、914、714、729、785、1052、754和746;

所述雄蟹性腺对应的特征波长分别为850、969、738、952、734、852、941、1068、1054和846。

优选的,步骤五所述构建蟹肉、肝胰腺、雌蟹性腺、雄蟹性腺品质等级预测模型的算法包括:偏最小二乘(partialleastsquaremethod,pls)、区间偏最小二乘(intervalpartialleastsquaremethod,ipls)、最小二乘支持向量机(leastsquaresupportvectormachine,ls-svm)或人工神经网络(backpropagationartificialneuralnetwork,bp-ann)。

本发明的有益效果

(1)本发明首次提出以中华绒螯蟹内部食用品质指标(蟹肉、肝胰腺、性腺的成熟度)作为分级指标,并制定了等级标准,相比于以外部品质指标(体色、肥满度、肝胰腺指数)作为分级指标,具有更科学、更准确等优点,改善中华绒螯蟹内部食用品质的智能化检测水平,弥补了商品蟹内部食用品质分级标准的空缺。

(2)本方法能全面预测中华绒螯蟹的内部食用品质,不仅能对蟹肉、肝胰腺的品质进行预测,而且能对雌蟹的蟹黄和雄蟹的蟹膏品质进行预测。

(3)本发明采用基于智能手机的近红外光谱仪对中华绒螯蟹内部食用品质分级,具有准确、高效、无损、实时的优点,解决了人工判断主观性强、准确性差的缺陷,提高了采集样本信息的便捷性。

(4)本发明优选与特征化学指标对应的特征波长建立简化分级模型,减少冗余信息和降低信息维度,极大的提高了模型运行效率。

附图说明

图1为螃蟹近红外信息采集部位图;其中a为蟹肉采集区、b为肝胰腺采集区、c-x为雄蟹性腺采集区、c-c为雌蟹性腺采集区。

图2为基于智能手机的近红外光谱仪系统界面图。

图3为中华绒螯蟹内部食用品质检测app部分界面图。

图4为基于丙氨酸含量预测值和实测值蟹肉风味分级图。

图5为基于油酸含量预测值和实测值肝胰腺成熟度分级图。

图6为基于饱和脂肪酸含量预测值和实测值雌蟹性腺成熟度分级图。

图7为基于饱和脂肪酸含量预测值和实测值雄蟹性腺成熟度分级图。

具体实施方式

以下结合具体的实例来详细说明本发明。但实施方式不限制本发明,本领域的普通技术人员根据这些实施方式所做出的方法、功能上的变换均在本发明的保护范围内。

实施例1:

中华绒螯蟹雌雄内部食用品质检测具体按照以下几个步骤进行:

(1)中华绒螯蟹样本采集;

中华绒螯蟹样本采自阳澄湖中华绒螯蟹养殖基地,分别采集农历六月、八月、十月、十二月四个不同成熟度的大闸蟹,各成熟度分别采集15只雄蟹和15只雌蟹,共120只不同成熟度的鲜活中华绒螯蟹;捕捞出水后立即用麻绳扎紧,自来水将螃蟹冲洗干净。

(2)样本近红外光谱数据采集;

基于智能手机的光谱数据采集系统具体为将智能手机与ias-5000便携式近红外光谱分析仪进行蓝牙连接,实现光谱扫描、光谱数据预处理、筛选特征变量及模型预测功能;

利用基于智能手机的近红外光谱仪对120只中华绒螯蟹样本进行光谱数据采集,如图3(a)所示,点击“寻址”-“连接”即可完成自动寻址、匹配并建立与近红外光谱仪的连接;点击“光谱扫描”转到如图3(b)所示的界面,在该界面可实现“扫描参数设置”、“光谱采集”、“数据处理与分析”、“提取特征变量”和“保存数据”功能;

首先设置微型光谱仪工作参数,选择扫描波长范围为700nm~1100nm,分辨率为1.0nm,共含400个波段;选取120只样本蟹肉、肝胰腺、雌蟹性腺、雄蟹性腺所对应部位的感兴趣区域如附图1所示,将光谱仪对准感兴趣区域并距离其正上方1.0cm处,点击“光谱采集”开始扫描,分别扫描5次,从而得到蟹肉、肝胰腺、雌蟹性腺、雄蟹性腺分别对应的原始光谱数据;

其中蟹肉感兴趣区域,以蟹腿近蟹壳处一节中心坐标为中心,划分200×200像素大小的矩形为感兴趣区域;

其中肝胰腺感兴趣区域,以螃蟹头胸甲背肝区中心点为中心坐标,划分200×200像素大小的矩形为感兴趣区域;

其中雌蟹性腺感兴趣区域,以雌蟹腹部中心坐标为中心,中轴线为对称轴生成200×200像素大小的矩形为感兴趣区域;

其中雄蟹性腺5感兴趣区域,以雄蟹腹部中心坐标为中心,中轴线为对称轴生成200×200像素大小的矩形为感兴趣区域;

点击“数据处理与分析”对原始光谱数据进行sg平滑滤波预处理。

(3)样品蟹内部食用品质分级;

中华绒螯蟹的可食用部位包括:蟹肉、肝胰腺和性腺,其体型和肥满度会影响可食用部分的比值;传统的商品蟹分级主要以体重和可食用比值为分级依据,然而商品蟹的成熟度对其可食用部位的品质有较大的影响,其可食用部位的成熟度从根本上决定了商品蟹的内部食用品质;不同成熟度的蟹肉、肝胰腺和性腺中的化学物质含量存在差异;

采用国标法对120只不同成熟度的样品蟹的蟹肉、肝胰腺、性腺中特征化学物质含量进行测定,将成熟度结合特征化学物质含量制定内部食用品质分级指标,中华绒螯蟹内部食用品质分级标准如表1所示;

其中蟹肉风味的品质分级,研究表明,丙氨酸是蟹肉中的主要呈味物质,随着蟹肉的不断成熟度丙氨酸含量不断增加,因此以丙氨酸含量作为蟹肉成熟度分级的特征指标。取蟹肉,根据gb5009.124-2016测定不同成熟度中华绒螯蟹对应丙氨酸含量,并根据丙氨酸含量划分中华绒螯蟹蟹肉风味等级;

其中肝胰腺成熟度的品质分级,研究表明,肝胰腺中含有22中脂肪酸,不同生理阶段的中华绒螯蟹的肝胰腺中脂肪酸的含量差异差异,油酸是肝胰腺中的主要脂肪酸,随着肝胰腺的不断成熟度油酸含量不断增加,因此以油酸含量作为肝胰腺成熟度分级的特征指标。取肝胰腺,根据gb5009.6-2016测定不同成熟度中华绒螯蟹对应的油酸含量,并根据油酸含量划分中华绒螯蟹肝胰腺成熟度等级;

其中性腺成熟度的品质分级,雌蟹的性腺为蟹黄,雄蟹的性腺为蟹膏,蟹黄蟹膏都具有较好的香气品质。研究表明,脂质是香气物质的主要来源,随着性腺的不断成熟度总饱和脂肪酸的含量不断增加,因此以饱和脂肪酸含量作为性腺成熟度分级的特征指标。取性腺(雌蟹取卵巢、雄蟹取精巢),根据gb5009.6-2016测定不同成熟度中华绒螯蟹对应的饱和脂肪酸含量,并根据饱和脂肪酸含量划分中华绒螯蟹性腺成熟度等级。

表1中华绒螯蟹内部食用品质分级标准

(4)光谱特征变量提取;

点击图3(b)中的“提取特征变量”,选择预处理数据,并设置特征变量个数10,分别提取中华绒螯蟹蟹肉风味、肝胰腺成熟度、雌蟹性腺成熟度、雄蟹性腺成熟度的特征光谱变量。采用联合区间偏最小二乘法分布获得最优波段,然后采用模拟退火算法获得蟹肉风味、肝胰腺成熟度、雌蟹性腺成熟度、雄蟹性腺成熟度相对应的特征波长分别为720、756、789、852、741、769、890、569、1001、965;820、864、793、786、982、1059、1089、924、813、712;905、842、863、914、714、729、785、1052、754、746和850、969、738、952、734、852、941、1068、1054、846;以获得的特征波长对应的光谱数据作为后续鉴7别模型的输入变量。

(5)中华绒螯蟹内部食用品质预测模型建立;

首先使用k-s(kennard-stone)算法分别将雌雄螃蟹所对应的光谱数据按2:1的比例分成校正集和预测集;校正集用来建立光谱数据和中华绒螯蟹内部食用品质的对应关系,预测集用来检测对应关系式预测内部食用品质的效果;

本实施例利用偏最小二乘(partialleastsquaremethod,pls)、最小二乘支持向量机(leastsquaresupportvectormachine,ls-svm)和人工神经网络(backpropagationartificialneuralnetwork,bp-ann)分别构建中华绒螯蟹内部食用品质(蟹肉风味、肝胰腺成熟度、雄蟹性腺成熟度、雌蟹性腺成熟度)的预测模型,并比较各模型的预测性能;以校正集和预测集样本实测值和预测值之间的校正集相关系数(correlationcoefficientofcalibration,rc)、预测集相关系数(correlationcoefficientofprediction,rp)和交叉验证均方根误差(rootmeansquareerrorofcrossvalidation,rmsecv)、预测均方根误差(rootmeansquareerrorofcrossprediction,rmsep)为评价模型好坏的依据;rc和rp值越接近1,模型预测性能越好,rmsecv和rmsep值越小且差异越小模型的预测性能越好,得到ls-svm对中华绒螯蟹内部食用品质(蟹肉风味、肝胰腺成熟度、雄蟹性腺成熟度、雌蟹性腺成熟度)的预测结果最好,结果如表1所示。

表2中华绒螯蟹内部食用品质预测模型的结果

同时以上结果说明本发明利用基于智能手机的近红外光谱技术成功实现了中华绒螯蟹内部食用品质的检测,达到了预期目的。

(6)内部食用品质预测模型验证;采集10只重量在150g左右的中华绒螯蟹样本(各样本间重量差≤10g),按照步骤二分别采集蟹肉、肝胰腺、雌蟹性腺、雄蟹性腺对应部位的近红外光谱数据,带入步骤五得到的相应的最优模型中。得到预测蟹肉、肝胰腺、雌蟹性腺、雄蟹性腺的成熟度级别;

然后按照步骤三所述,10只中华绒螯蟹的蟹肉、肝胰腺、雌蟹性腺和雄蟹性腺的分别进行成熟度预测,并与近红外预测的蟹肉、肝胰腺、雌蟹性腺、雄蟹性腺的成熟度级别进行比较;如图4-7所示,得到蟹肉风味、肝胰腺成熟度、雌蟹性腺成熟度、雄蟹性腺成熟度的的样本分级正确率分别为:90%、90%、80%和90%。表明本发明提出的基于ls-svm的预测模型对中华绒螯蟹的内部食用品质等级有较好的预测能力。

说明:以上实施例仅用以说明本发明而并非限制本发明所描述的技术方案;因此,尽管本说明书参照上述的各个实施例对本发明已进行了详细的说明,但是本领域的普通技术人员应当理解,仍然可以对本发明进行修改或等同替换;而一切不脱离本发明的精神和范围的技术方案及其改进,其均应涵盖在本发明的权利要求范围内。

当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1