一种鱼粉中掺假动物源蛋白粉鉴别和含量检测方法及系统

1.本发明涉及饲料品质智能检测技术领域，特别是涉及一种鱼粉中掺假动物源蛋白粉鉴别和含量检测方法及系统。


背景技术：

2.鱼粉(pfm)是一种优质的动物源性蛋白质原料，富含蛋白质、矿物质、必需氨基酸、微量元素和维生素等营养物质，并且含有生长因子。由于其出色的营养成分、适口性和消化率，被广泛应用于畜禽水产饲料中。近年来，随着饲料行业的迅速发展，市场上对鱼粉的需求量日益增大。鱼粉的价格较高，又因为鱼粉价格与蛋白质含量呈正相关，所以利润驱使国内许多非法鱼粉生产商和分销商在纯鱼粉中掺入一些廉价的动物蛋白粉，对养殖动物的健康构成严重危害，从而对人类食品安全构成威胁。
3.羽毛粉(ftm)通常由鸡毛(家禽生产的废料)在高压煮熟、水解、干燥和研磨后制成。羽毛粉含有超过80％的粗蛋白，但其中大部分是不能被蛋白水解酶很好消化的角蛋白。相关研究发现，羽毛粉作为中国常见的低价高产的加工动物蛋白，由于其低蛋白质消化率和不平衡氨基酸谱，饲喂含有高水平羽毛粉的饮食可能导致许多鱼类的生长显著下降。鱼排粉(fbp)通常是由鱼类加工的副产品，特别是罗非鱼、巴沙鲶鱼、鳕鱼、西班牙鲭鱼等生产的副产品，通常由鱼头、内脏、骨骼、鳞片和皮肤组成。与纯鱼粉相比，鱼排粉的蛋白质、必需氨基酸和二十二碳六烯酸和二十碳五烯酸在总脂肪酸含量中的比例较低，灰分含量较高，因此营养价值较低。目前，羽毛粉和鱼排粉作为常见的低价高产的加工动物蛋白，与纯鱼粉具有很高的物理相似性(如形状、颜色、质地等)。因此，一些不法商家通常把动物源蛋白(如羽毛粉或鱼排粉)混入纯鱼粉中进行销售，以谋取暴利。并且，通过感官很难将掺入羽毛粉或者鱼排粉的鱼粉与纯鱼粉进行区分。因此，如何快速、简便、准确地判断鱼粉中是否掺入动物源蛋白粉以及掺假含量的含量检测，已成为鱼粉饲料品控的重要环节之一，也是中国绝大多数饲料厂面临的挑战。
4.广东联鲲集团有限公司发明了一种快速检测鱼粉掺假的方法(专利号：cn 108802023 a)，采用热水除杂以及热碱液除去蛋白质和脂肪，除杂简便高效，采用酸检测以及酸性条件下滴加钼酸铵生产的黄色沉淀以及在显微镜下观察鱼粉的相关参数，判断结果准确，现象直观。但是此方法依然属于化学处理过程，操作步骤繁琐，要求检测人员具有较高的专业技能，不适用于普通用户，除此之外，此方法还不能满足简便、实时、快速的鱼粉掺假检测要求。


技术实现要素：

5.本发明的目的是提供一种鱼粉中掺假动物源蛋白粉鉴别和含量检测方法及系统，以实现实时、快速、简便地检测出掺假的含量。
6.为实现上述目的，本发明提供了一种鱼粉中掺假动物源蛋白粉鉴别和含量检测方法，所述方法包括：
7.步骤s1：利用高光谱成像仪获取第一设定光谱范围三种样品对应的高光谱图像；所述三种样品包括纯样品、掺假样品以及待测样品；
8.步骤s2：对三种样品对应的高光谱图像分别进行预处理，获得光谱校正数据集；所述光谱校正数据集包括三种样品各自对应的光谱校正数据；
9.步骤s3：利用所述光谱校正数据集中的纯样品对应的光谱校正数据和掺假样品对应的光谱校正数据，并采用机器学习识别算法构建动物源蛋白粉分类模型；
10.步骤s4：将待测样品对应的光谱校正数据输入动物源蛋白粉分类模型进行分类，获得分类结果；所述分类结果为鱼粉、羽毛粉、羽毛粉
‑
鱼粉混合物、鱼排粉或鱼排粉
‑
鱼粉混合物；
11.步骤s5：利用所述光谱校正数据集中的掺假样品对应的光谱校正数据，并采用机器学习识别算法构建掺假含量检测模型；
12.步骤s6：当分类结果为羽毛粉
‑
鱼粉混合物或鱼排粉
‑
鱼粉混合物时，将待测样品对应的光谱校正数据输入至掺假含量检测模型进行含量检测，获得羽毛粉掺假预测值或鱼排粉掺假预测值。
13.可选地，所述对三种样品对应的高光谱图像分别进行预处理，获得光谱校正数据集，具体包括：
14.步骤s21：对三种样品对应的高光谱图像分别进行背景去除处理，获得纯样品对应的感兴趣区域、掺假样品对应的感兴趣区域以及待测样品对应的感兴趣区域；
15.步骤s22：分别去除三种样品对应的感兴趣区域内每个像素对应的光谱数据的光谱噪声，获得样本数据集；所述样本数据集包括纯样品对应的样品光谱数据、掺假样品对应的样品光谱数据以及待测样品对应的样品光谱数据；
16.步骤s23：采用基线偏移量校正方法对所述样本数据集进行校正，获得光谱校正数据集。
17.可选地，所述对三种样品对应的高光谱图像分别进行背景去除处理，获得纯样品对应的感兴趣区域、掺假样品对应的感兴趣区域以及待测样品对应的感兴趣区域，具体包括：
18.步骤s211：选取纯样品对应的1325nm下高光谱图像作为纯样品对应的灰度图像，选取掺假样品对应的1325nm下高光谱图像作为掺假样品对应的灰度图像，选取待测样品对应的1325nm下高光谱图像作为待测样品对应的灰度图像；
19.步骤s212：利用纯样品对应的灰度图像构建纯样品对应的掩模图像，利用掺假样品对应的灰度图像构建掺假样品对应的掩模图像，利用待测样品对应的灰度图像构建待测样品对应的掩模图像；
20.步骤s213：利用纯样品对应的所述掩模图像对纯样品对应的高光谱图像进行二值化图像分割，获得纯样品对应的分割区域，利用掺假样品对应的所述掩模图像对掺假样品对应的高光谱图像进行二值化图像分割，获得掺假样品对应的分割区域，利用待测样品对应的所述掩模图像对待测样品对应的高光谱图像进行二值化图像分割，获得待测样品对应的分割区域；
21.步骤s214：采用形态学处理方法中的腐蚀操作对三种样品对应的分割区域分别进行腐蚀处理，获得纯样品对应的感兴趣区域、掺假样品对应的感兴趣区域以及待测样品对
应的感兴趣区域。
22.可选地，所述分别去除三种样品对应的感兴趣区域内每个像素对应的光谱数据的光谱噪声，获得样本数据集，具体包括：
23.步骤s221：分别对三种样品对应的感兴趣区域内每个像素对应的光谱数据进行小波变换；
24.步骤s222：分别选取待选区域内第二设定光谱范围中所有像素对应的光谱数据相加求平均，构成样本数据集；所述待选区域为小波变换后各样品对应的感兴趣区域。
25.可选地，所述利用所述光谱校正数据集中的纯样品对应的光谱校正数据和掺假样品对应的光谱校正数据，并采用机器学习识别算法构建动物源蛋白粉分类模型，具体包括：
26.步骤s31：从所述光谱校正数据集中选取纯样品对应的光谱校正数据和掺假样品对应的光谱校正数据，同时获取纯样品以及掺假样品的实际分类，并按照第一设定比例进行划分，获得第一训练集；
27.步骤s32：采用连续投影算法对纯样品以及掺假样品分别进行特征波长筛选；
28.步骤s33：从所述第一训练集中选取并利用所述特征波长对应的光谱校正数据以及各光谱校正数据对应的样品实际分类，并采用机器学习识别算法进行三分类建模，获得动物源蛋白粉分类模型。
29.可选地，当掺假样品为羽毛粉时，所述动物源蛋白粉分类模型选为羽毛粉分类模型，建立羽毛粉分类模型时，惩罚因子c取1
×
104、径向基函数rbf的超参数γ取10，交叉验证的分割数目n取值为10；当掺假物为鱼排粉时，所述动物源蛋白粉分类模型选为鱼排粉分类模型，建鱼排粉分类模型时，惩罚因子c取1
×
105、径向基函数rbf的超参数γ取10，交叉验证的分割数目n取值为10。
30.可选地，当掺假物为羽毛粉时，所述掺假含量检测模型选为羽毛粉含量检测模型，建立羽毛粉含量检测模型时惩罚因子c取1000、rbf的超参数γ取0.005和超参数ε取0.1；当掺假物为鱼排粉时，所述掺假含量检测模型选为鱼排粉含量检测模型，建立鱼排粉含量检测模型时惩罚因子c取5600、rbf的超参数γ取0.01和超参数ε取0.1。
31.本发明还提供一种鱼粉中掺假动物源蛋白粉鉴别和含量检测系统，所述系统包括：
32.高光谱图像获取模块，用于利用高光谱成像仪获取第一设定光谱范围三种样品对应的高光谱图像；所述三种样品包括纯样品、掺假样品以及待测样品；
33.预处理模块，用于对三种样品对应的高光谱图像分别进行预处理，获得光谱校正数据集；所述光谱校正数据集包括三种样品各自对应的光谱校正数据；
34.动物源蛋白粉分类模型构建模块，用于利用所述光谱校正数据集中的纯样品对应的光谱校正数据和掺假样品对应的光谱校正数据，并采用机器学习识别算法构建动物源蛋白粉分类模型；
35.分类模块，用于将待测样品对应的光谱校正数据输入动物源蛋白粉分类模型进行分类，获得分类结果；所述分类结果为鱼粉、羽毛粉、羽毛粉
‑
鱼粉混合物、鱼排粉或鱼排粉
‑
鱼粉混合物；
36.掺假含量检测模型构建模块，用于利用所述光谱校正数据集中的掺假样品对应的光谱校正数据，并采用机器学习识别算法构建掺假含量检测模型；
37.含量检测模块，用于当分类结果为羽毛粉
‑
鱼粉混合物或鱼排粉
‑
鱼粉混合物时，将待测样品对应的光谱校正数据输入至掺假含量检测模型进行含量检测，获得羽毛粉掺假预测值或鱼排粉掺假预测值。
38.可选地，当掺假样品为羽毛粉时，所述动物源蛋白粉分类模型选为羽毛粉分类模型，建立羽毛粉分类模型时，惩罚因子c取1
×
104、径向基函数rbf的超参数γ取10，交叉验证的分割数目n取值为10；当掺假物为鱼排粉时，所述动物源蛋白粉分类模型选为鱼排粉分类模型，建鱼排粉分类模型时，惩罚因子c取1
×
105、径向基函数rbf的超参数γ取10，交叉验证的分割数目n取值为10。
39.可选地，当掺假物为羽毛粉时，所述掺假含量检测模型选为羽毛粉含量检测模型，建立羽毛粉含量检测模型时惩罚因子c取1000、rbf的超参数γ取0.005和超参数ε取0.1；当掺假物为鱼排粉时，所述掺假含量检测模型选为鱼排粉含量检测模型，建立鱼排粉含量检测模型时惩罚因子c取5600、rbf的超参数γ取0.01和超参数ε取0.1。
40.根据本发明提供的具体实施例，本发明公开了以下技术效果：
41.本发明首次将近红外高光谱成像技术(nir
‑
hsi)应用于鱼粉中掺假动物源蛋白粉的检测中，并结合机器学习识别算法实现实时、快速、准确鉴别鱼粉中是否掺假以及检测其掺假量。
附图说明
42.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
43.图1为实施例1鱼粉中掺假动物源蛋白粉鉴别和含量检测方法流程图；
44.图2为实施例2鱼粉中掺假动物源蛋白粉鉴别和含量检测系统结构图；
45.图3为实施例3中掺假样品对应的近红外高光谱原始图像；
46.图4为实施例3中掺假样品对应的掩膜图像；
47.图5为实施例3中4个不同厂家鱼粉、2个不同厂家羽毛粉像元平均光谱曲线；
48.图6为实施例3中10种浓度羽毛粉掺入鱼粉后获取的像元平均光谱曲线；
49.图7为实施例3中pfm、ftm以及ftm
‑
pfm的三分类建模结果；
50.图8为实施例3中鱼粉中掺入羽毛粉含量预测建模结果；
51.图9为实施例3中鱼粉中掺入羽毛粉含量的预测值与实际值对比图；
52.图10为实施例4中掺假样品对应的近红外高光谱原始图像；
53.图11为实施例4中掺假样品对应的掩膜图像；
54.图12为实施例4的4个不同厂家鱼粉、2个不同厂家鱼排粉像元平均光谱曲线；
55.图13为实施例4的10种浓度鱼排粉掺入鱼粉后获取的像元平均光谱曲线；
56.图14为实施例4中pfm、fbp以及fbp
‑
pfm的三分类建模结果；
57.图15为实施例4的鱼粉中掺入鱼排粉含量预测建模结果；
58.图16为实施例4中鱼粉中掺入鱼排粉含量的预测值与实际值对比图。
具体实施方式
59.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
60.本发明的目的是提供一种鱼粉中掺假动物源蛋白粉鉴别和含量检测方法及系统，以实现实时、快速、简便地检测出掺假的含量。
61.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
62.实施例1
63.虽然近红外光谱技术能够利用检测物的光谱反射特性进行分析研究，但是高光谱成像技术与之比较而言具有更高的分辨率，并且能够在获取样品图像信息的同时还能获取图像中每个像素点的光谱数据，是一种将图像特征和光谱特征有效融合的检测分析技术，可以克服单纯依靠光谱特征的不足，有效提高图像信息检测的准确率。本发明首次将近红外高光谱成像技术(nir
‑
hsi)应用于鱼粉中掺假动物源蛋白粉的检测中，并结合快速、准确的机器学习识别算法，能够实现对鱼粉中是否掺假动物源蛋白粉进行快速鉴别以及对其掺假量进行快速含量检测。
64.如图1所示，本发明公开一种鱼粉中掺假动物源蛋白粉鉴别和含量检测方法，所述方法包括：
65.步骤s1：利用高光谱成像仪获取第一设定光谱范围三种样品对应的高光谱图像；所述三种样品包括纯样品、掺假样品以及待测样品。
66.步骤s2：对三种样品对应的高光谱图像分别进行预处理，获得光谱校正数据集；所述光谱校正数据集包括三种样品各自对应的光谱校正数据。
67.步骤s3：利用所述光谱校正数据集中的纯样品对应的光谱校正数据和掺假样品对应的光谱校正数据，并采用机器学习识别算法构建动物源蛋白粉分类模型。
68.步骤s4：将待测样品对应的光谱校正数据输入动物源蛋白粉分类模型进行分类，获得分类结果；所述分类结果为鱼粉、羽毛粉、羽毛粉
‑
鱼粉混合物、鱼排粉或鱼排粉
‑
鱼粉混合物。
69.步骤s5：利用所述光谱校正数据集中的掺假样品对应的光谱校正数据，并采用机器学习识别算法构建掺假含量检测模型。
70.步骤s6：当分类结果为羽毛粉
‑
鱼粉混合物或鱼排粉
‑
鱼粉混合物时，将待测样品对应的光谱校正数据输入至掺假含量检测模型进行含量检测，获得羽毛粉掺假预测值或鱼排粉掺假预测值。
71.下面对各个步骤进行详细论述：
72.在收集高光谱图像之前，对采用近红外高光谱成像技术构建的高光谱成像仪进行校正，获得校正后的高光谱图像具体公式为：
[0073][0074]
其中，i
cor
为校正后的高光谱图像，i
raw
为原始的高光谱图像，i
dark
和i
white
分别为白
色参考图像和黑色参考图像。
[0075]
所述黑色参考图像为关闭光源时用黑色盖住高光谱成像仪镜头获取的，所述白色参考图像从反射率接近100％的白色特氟隆瓷砖上收集的。
[0076]
步骤s1：利用高光谱成像仪获取第一设定光谱范围内纯样品对应的高光谱图像、掺假样品对应的高光谱图像以及待测样品对应的高光谱图像。所述纯样品为鱼粉或羽毛粉或鱼排粉，所述掺假样品为羽毛粉
‑
鱼粉混合物或鱼排粉
‑
鱼粉混合物。
[0077]
在获取待测样品之前还包括：将待测鱼粉称重约4g，缓慢倒入直径30mm、高10mm的黑色圆柱形铝盒中，使用盒盖轻轻压实样品表面，获得待测样品，每个待测样品准备多个，便于重复获取待测样品的光谱图像。
[0078]
本发明使用近红外高光谱成像系统中的高光谱成像仪、移动平台以及灯进行红外高光谱实验，在整个实验过程中保持灯相对于高光谱成像仪的位置和照明条件，以获得稳定和可比较的图像。
[0079]
本实施例中，第一设定光谱范围为874
‑
1734nm，也就是说，本发明获取纯样品和掺假样品在874
‑
1734nm光谱范围内的光谱数据。为了获得饲料样品清晰无失真的图像，移动平台的速度和高光谱成像仪的曝光时间分别调整为22mm/s和3000μs，并保持高光谱成像仪的镜头与两种样品表面的距离为24.5cm。
[0080]
步骤s2：对三种样品对应的高光谱图像进行预处理，获得光谱校正数据集，所述光谱校正数据集包括纯样品对应的光谱校正数据、掺假样品对应的光谱校正数据以及待测样品对应的光谱校正数据。
[0081]
每个高光谱图像都是一个维度为x
×
y
×
λ的三维数据立方体(x和y是空间维度；λ是波长数)。为了提取每个样本的每个像元的光谱数据，应该将作为感兴趣区域(roi)与背景图像分开。样品和背景之间反射值具有较大差异，所以使用灰度图像构建掩模图像，对所有高光谱图像进行二值化以进行图像分割。将形态学处理方法中的腐蚀操作应用于每个分割区域，以去除铝盒的边缘区域，获得roi，具体总结步骤如下：
[0082]
步骤s21：对三种样品对应的高光谱图像分别进行背景去除处理，获得纯样品对应的感兴趣区域、掺假样品对应的感兴趣区域以及待测样品对应的感兴趣区域，具体包括：
[0083]
步骤s211：选取纯样品对应的1325nm下高光谱图像作为纯样品对应的灰度图像，选取掺假样品对应的1325nm下高光谱图像作为掺假样品对应的灰度图像，选取待测样品对应的1325nm下高光谱图像作为待测样品对应的灰度图像。
[0084]
步骤s212：利用纯样品对应的灰度图像构建纯样品对应的掩模图像，利用掺假样品对应的灰度图像构建掺假样品对应的掩模图像，利用待测样品对应的灰度图像构建待测样品对应的掩模图像。
[0085]
步骤s213：利用纯样品对应的所述掩模图像对纯样品对应的高光谱图像进行二值化图像分割，获得纯样品对应的分割区域，利用掺假样品对应的所述掩模图像对掺假样品对应的高光谱图像进行二值化图像分割，获得掺假样品对应的分割区域，利用待测样品对应的所述掩模图像对待测样品对应的高光谱图像进行二值化图像分割，获得待测样品对应的分割区域。
[0086]
步骤s214：采用形态学处理方法中的腐蚀操作对三种样品对应的分割区域分别进行腐蚀处理，获得纯样品对应的感兴趣区域、掺假样品对应的感兴趣区域以及待测样品对
应的感兴趣区域。
[0087]
步骤s22：分别去除三种样品对应的感兴趣区域内每个像素对应的光谱数据的光谱噪声，获得样本数据集，具体包括：
[0088]
步骤s221：分别对三种样品对应的感兴趣区域内每个像素对应的光谱数据进行小波变换；本发明是以daubechies 8为小波基函数，以3为小波分解层进行小波变换的，对感兴趣区域内的每个像素对应的光谱数据进行小波变换的目的是为了降低随机噪声。
[0089]
步骤s222：分别选取待选区域内第二设定光谱范围中所有像素对应的光谱数据相加求平均，构成样本数据集；所述待选区域为小波变换后各样品对应的感兴趣区域；所述第二设定光谱范围一定在所述第一设定光谱范围内，通过实验总结得出，所述第二设定光谱范围为975nm和1619nm之间，因为在975nm之前和1619nm之后的区域呈现更高的噪声水平，因此去除光谱数据的前30个波长和后34个波长，以提高数据的信噪比。最后，将小波变换后的感兴趣区域roi内975nm到1619nm范围内的所有像素对应的光谱数据相加求平均获得样品光谱数据。所述样本数据集包括纯样品对应的样品光谱数据、掺假样品对应的样品光谱数据以及待测样品对应的样品光谱数据。
[0090]
步骤s23：采用基线偏移量校正方法对所述样本数据集进行校正，获得光谱校正数据集，所述光谱校正数据集包括纯样品对应的光谱校正数据、掺假样品对应的光谱校正数据以及待测样品对应的光谱校正数据。
[0091]
由于探测器的漂移、环境的变化、设备的修理等会造成光谱的基线不能保证完全不变。通过基线校正，可以使测量结果在同一个标准上进行比较。本发明中所使用的基线偏移量校正(baseline offset,bo)被广泛应用于光谱预处理中，用于调整光谱偏移量以反映样品间真实的光谱差异，即从所有变量中减去光谱最低点的值，获得光谱校正数据的具体公式为：
[0092]
f(x)＝x
‑
minx；
[0093]
其中，f(x)为光谱校正数据，x为样品光谱曲线中最小的样品光谱数据，x为样品光谱曲线。
[0094]
步骤s3：利用所述光谱校正数据集中的纯样品对应的光谱校正数据和掺假样品对应的光谱校正数据，并采用机器学习识别算法构建动物源蛋白粉分类模型，具体包括：
[0095]
步骤s31：从所述光谱校正数据集中选取纯样品对应的光谱校正数据和掺假样品对应的光谱校正数据，同时获取纯样品以及掺假样品的实际分类，并按照第一设定比例进行划分，获得第一训练集和第一测试集。本实施例中，第一设定比例为7:3，以上仅仅为一个举例，但并不局限上述一种，另外，在步骤s5之前，还包括剔除异常数据，此处提及到的异常数据为超出正常设定范围的数据，此处提及的正常设定范围是根据实际需求进行确定的。
[0096]
步骤s32：采用连续投影算法对纯样品以及掺假样品分别进行特征波长筛选。
[0097]
本发明采集的光谱数据可能包含了大量的冗余、共线性及重叠的信息，会对构建的模型产生干扰，影响模型的效果。特征波段选择旨在从原始光谱中选择一些对判别鱼粉类别贡献最大的波长。筛选出有效的波长可以减少变量的数量以及建模计算的复杂性，这将有助于模型获得更准确的结果和更好的鲁棒性能。连续投影算法spa是通过将一个波长投影到其他波长上进行向量投影分析，并选择具有最大投影向量的候选波长，spa得到的变量子集包含较少的冗余信息和共线性。因此，本发明利用连续投影算法来筛选纯样品以及
掺假样品对应的特征波长。
[0098]
步骤s33：从所述第一训练集中选取并利用所述特征波长对应的光谱校正数据以及各光谱校正数据对应的样品实际分类，并采用机器学习识别算法进行三分类建模，获得动物源蛋白粉分类模型。
[0099]
所述的svm是一种基于统计学习的分类方法，为了解决线性函数无法模拟复杂分离的问题，支持向量机利用核函数从原始空间映射到特征空间。核函数可以是多种类型，以提供处理非线性分类情况的能力。支持向量机的核可以看作是非线性数据到高维特征空间的映射，同时通过允许线性算法处理高维特征空间来降低计算复杂度。当一些类是不均匀的和部分重叠的时候，svm建模会有很好的性能，与其他非线性分类方法相比，支持向量机的过拟合倾向较小。因此本发明选择支持向量机svm作为分类模型，具体的选择c
‑
svc作为svm分类类型，选择径向基函数rbf作为核函数，并进行交叉验证。并设定交叉验证数据集分割数目n，以及设定建模过程中惩罚因子c和rbf的超参数γ。
[0100]
具体的，当掺假样品为羽毛粉时，所述动物源蛋白粉分类模型选为羽毛粉分类模型，建立羽毛粉分类模型时，惩罚因子c取1
×
104、径向基函数rbf的超参数γ取10，交叉验证的分割数目n取值为10；当掺假物为鱼排粉时，所述动物源蛋白粉分类模型选为鱼排粉分类模型；建鱼排粉分类模型时，惩罚因子c取1
×
105、径向基函数rbf的超参数γ取10，交叉验证的分割数目n取值为10。
[0101]
本发明还将第一测试集输入至所述动物源蛋白粉分类模型进行分类，并计算正确分类的样本数；基于正确分类的样本数与总样本数的比值计算准确率，因为准确率是评价模型好坏的重要指标，准确率越高，则说明建模效果越好，因此具体计算准确率的公式为：
[0102][0103]
式中，tp(真阳性)表示被正确分类的样本数，n表示总样本数，n表示类的数量，accuracy表示准确率。
[0104]
步骤s4：将待测样品对应的光谱校正数据输入动物源蛋白粉分类模型进行分类，获得分类结果；当掺假样品为羽毛粉时，利用羽毛粉分类模型进行分类检测，获得的分类结果包括鱼粉(pfm)、羽毛粉(ftm)、羽毛粉
‑
鱼粉混合物(ftm
‑
pfm)；当掺假物为鱼排粉时，利用鱼排粉分类模型进行分类检测，获得的分类结果包括鱼粉(pfm)、鱼排粉(fbp)、鱼排粉
‑
鱼粉混合物(fbp
‑
pfm)。
[0105]
步骤s5：利用所述光谱校正数据集中的掺假样品对应的光谱校正数据，并采用机器学习识别算法构建掺假含量检测模型，具体包括：
[0106]
步骤s51：从所述光谱校正数据集中选取掺假样品对应的光谱校正数据，同时获取掺假样品的实际含量，并按照第二设定比例将进行划分，获得第二训练集和第二测试集。本实施例中，第二设定比例为3:1，以上仅仅为一个举例，但并不局限上述一种，另外，在此步骤之前，还包括剔除异常数据，此处提及到的异常数据为超出正常设定范围的数据，此处提及的正常设定范围根据实际需求进行确定的。
[0107]
步骤s52：采用机器学习识别算法，利用第二训练集构建掺假含量检测模型。
[0108]
本发明选择支持向量机回归(svmr)模型进行建立掺假含量检测模型，并且选择
epsilon
‑
svr作为支持向量机的分类类型，选择径向基函数(rbf)作为核函数，并进行交叉验证。并设定交叉验证数据集分割数目n，以及设定建模过程中惩罚因子c和rbf的超参数γ以及ε。具体的，当掺假物为羽毛粉时，所述掺假含量检测模型选为羽毛粉含量检测模型，建立羽毛粉含量检测模型时惩罚因子c取1000、rbf的超参数γ取0.005和超参数ε取0.1；当掺假物为鱼排粉时，所述掺假含量检测模型选为鱼排粉含量检测模型，建立鱼排粉含量检测模型时惩罚因子c取5600、rbf的超参数γ取0.01和超参数ε取0.1。
[0109]
步骤s6：当分类结果为羽毛粉
‑
鱼粉混合物或鱼排粉
‑
鱼粉混合物时，将待测样品对应的光谱校正数据输入至掺假含量检测模型进行含量检测，获得羽毛粉掺假预测值或鱼排粉掺假预测值。具体的，当分类结果为羽毛粉
‑
鱼粉混合物时，将待测样品对应的光谱校正数据输入至羽毛粉含量检测模型进行含量检测，获得羽毛粉掺假预测值。当分类结果为鱼排粉
‑
鱼粉混合物时，将待测样品对应的光谱校正数据输入至鱼排粉含量检测模型进行含量检测，获得鱼排粉掺假预测值。
[0110]
利用第二测试集对掺假含量检测模型进行含量检测，获得掺假量预测值，同时利用pearson相关性分析计算鱼粉中掺假量真实值与掺假量预测值的相关系数r。其中，r越接近1，说明模型的预测效果越好。
[0111]
实施例2
[0112]
如图2所示，本发明还公开一种鱼粉中掺假动物源蛋白粉鉴别和含量检测系统，所述系统包括：
[0113]
高光谱图像获取模块201，用于利用高光谱成像仪获取第一设定光谱范围三种样品对应的高光谱图像；所述三种样品包括纯样品、掺假样品以及待测样品。
[0114]
预处理模块202，用于对三种样品对应的高光谱图像分别进行预处理，获得光谱校正数据集；所述光谱校正数据集包括三种样品各自对应的光谱校正数据。
[0115]
动物源蛋白粉分类模型构建模块203，用于利用所述光谱校正数据集中的纯样品对应的光谱校正数据和掺假样品对应的光谱校正数据，并采用机器学习识别算法构建动物源蛋白粉分类模型。
[0116]
分类模块204，用于将待测样品对应的光谱校正数据输入动物源蛋白粉分类模型进行分类，获得分类结果；所述分类结果为鱼粉、羽毛粉、羽毛粉
‑
鱼粉混合物、鱼排粉或鱼排粉
‑
鱼粉混合物。
[0117]
掺假含量检测模型构建模块205，用于利用所述光谱校正数据集中的掺假样品对应的光谱校正数据，并采用机器学习识别算法构建掺假含量检测模型。
[0118]
含量检测模块206，用于当分类结果为羽毛粉
‑
鱼粉混合物或鱼排粉
‑
鱼粉混合物时，将待测样品对应的光谱校正数据输入至掺假含量检测模型进行含量检测，获得羽毛粉掺假预测值或鱼排粉掺假预测值。
[0119]
与实施例1相同的内容在此不再一一赘述，具体详见实施例1。
[0120]
实施例3
[0121]
本实施例为鱼粉中掺假鱼排粉的鉴别及掺假含量检测方法，包括以下步骤：
[0122]
样品准备：挑选了来自4个不同地区的4个不同厂家的鱼粉样品(分别标记为：pfm1、pfm2、pfm3、pfm4)和2个不同地区的2个不同厂家的羽毛粉样品(分别记为：ftm1、ftm2)。所有鱼粉样品均由各饲料加工厂质量安全检测中心进行评估，以确认样品的真实
性。将不同厂家的鱼粉与10个浓度梯度下的羽毛粉(5％，10％，15％，20％，25％，30％，35％，40％，45％，50％)进行混合生成掺假的鱼粉样品，结果获得了80个羽毛粉掺假鱼粉(ftm
‑
pfm)。每个样品称重约4g，缓慢倒入直径30mm、高10mm的黑色圆柱形铝盒中，使用盒盖轻轻压实样品表面，每个样品准备4个重复用于高光谱图像收集。
[0123]
高光谱图像获取：使用近红外高光谱成像(nir
‑
hsi)系统获取所有纯样品和掺假样品的高光谱图像，该系统的光谱分辨率为5nm，扫描874
‑
1734nm光谱范围内的样品共获得总共256个波段。将样品盒成直线放置在移动平台上，并传送到高光谱成像仪的视野进行线扫描。为了获得饲料样品清晰无失真的图像，移动平台的速度和高光谱成像仪的曝光时间分别调整为22mm/s和3000μs，并保持高光谱成像仪的镜头与样品表面的距离为24.5cm。在整个实验过程中保持灯相对于高光谱成像仪的位置和照明条件，以获得稳定和可比较的图像，因此获取的部分高光谱图像如图3所示。
[0124]
在收集图像之前，需要进行对高光谱成像仪进行图像校正。
[0125]
样品图像背景去除：使用1325nm的灰度图像构建掩模图像，对校正后的高光谱图像进行二值化以进行图像分割。将形态学处理方法中的腐蚀操作应用于每个分割区域以去除铝盒的边缘区域，获得部分样品感兴趣区域roi如图4所示。
[0126]
光谱噪声去除：对感兴趣区域的每个像素谱进行小波变换，以daubechies8为小波基函数，以3为小波分解层，降低随机噪声。此外，975nm之前和1619nm之后的区域呈现更高的噪声水平，因此去除数据的前30个波长和后34个波长以提高数据的信噪比。最后，将roi内975到1619nm(包含192个波段)范围内所有像素对应的光谱数据平均为样品光谱数据。图5显示了4种pfm与2种ftm的样品平均光谱曲线，图6显示了pfm1与10个不同浓度下的ftm1掺杂后的样品平均获得的样品光谱数据构成的样品光谱曲线。
[0127]
光谱校正：本发明中使用基线偏移量校正(baseline offset,bo)对光谱数据进行校正，用于调整光谱偏移量以反映样品间真实的光谱差异，获得光谱校正数据。
[0128]
分类样本集划分：本发明中共有三类样本，分别是：鱼粉(pfm)、羽毛粉(ftm)、羽毛粉
‑
鱼粉混合物(ftm
‑
pfm)。采用将每类样本的光谱校正数据以及纯样品以及掺假样品的实际分类按7:3的比例划分第一训练集与第一测试集。对异常光谱数据进行剔除，最终得到394条样本光谱用于模型的训练(143 for pfm,27 for ftm,and 224 for ftm
‑
pfm)，169条样本光谱用于模型的预测(61 for pfm,12 for ftm,and 96 for ftm
‑
pfm)。
[0129]
特征波段选取：本发明中高光谱采集了连续192个波段内的光谱数据，使用连续投影算法(spa)进行特征波长的筛选，最终共筛选出30个特征波长，分别为：{1002nm、1029nm、1042nm、1046nm、1052nm、1059nm、1079nm、1093nm、1106nm、1123nm、1140nm、1160nm、1264nm、1284nm、1294nm、1318nm、1335nm、1369nm、1389nm、1402nm、1426nm、1436nm、1450nm、1467nm、1483nm、1561nm、1575nm、1592nm、1609nm、1615nm}。
[0130]
三分类模型建立：利用第一训练集中特征波长对应的光谱校正数据以及各光谱校正数据对应的样品实际分类，并采用机器学习识别算法进行三分类建模，获得羽毛粉分类模型，本发明选择支持向量机(svm)作为分类模型，选择c
‑
svc作为支持向量机的分类类型，选择径向基函数(rbf)作为核函数，并进行交叉验证，分类数目设为10。通过探究发现，在建模过程中惩罚因子c取1
×
104、rbf的超参数γ取10时，得到的交叉验证训练集与验证集的准确率最高，分别为100％与99.75％，如图7所示。
[0131]
分类模型评估：使用羽毛粉分类模型对第一测试集数据进行样本分类，并对其准确率进行计算，最终得到所建模型的分类准确率为100％。
[0132]
样本集划分：两个不同厂家的羽毛粉(ftm1、ftm2)分别在10个浓度梯度下掺入四个不同厂家的鱼粉中(pfm1、pfm2、pfm3、pfm4)，将得到的掺假样品的光谱校正数据按3:1的比例划分第二训练集与第二测试集，最终得到240条样本光谱用于模型的训练，80条样本光谱用于模型的预测。
[0133]
羽毛粉含量检测模型建立：利用第二训练集构建羽毛粉含量检测模型。本发明选择支持向量机回归(svmr)模型进行建模，并且选择epsilon
‑
svr作为支持向量机的分类类型，选择径向基函数(rbf)作为核函数，并进行交叉验证，分类数目设为10。通过探究发现，在建模过程中惩罚因子c取1000、rbf的超参数γ取0.005和ε取0.1时，得到的交叉验证训练集与验证集的准确率最高，分别为99.22％与99.03％，如图8所示。
[0134]
羽毛粉含量检测模型评估：通过图9可以发现，羽毛粉掺假量真实值与预测值具有很高的相关性，通过pearson相关性分析得到相关系数r＝0.992。并且可以发现，散点图中的点均匀的分布在y＝x函数直线附近，说明预测的准确度较高。
[0135]
实施例4
[0136]
本实施例为鱼粉中掺假鱼排粉的鉴别及掺假含量检测方法，包括以下步骤：
[0137]
样品准备：挑选了来自4个不同地区的4个不同厂家的鱼粉样品(分别标记为：pfm1、pfm2、pfm3、pfm4)和2个不同地区的2个不同厂家的鱼排粉样品(分别记为：fbp1、fbp2)。所有鱼粉样品均由各饲料加工厂质量安全检测中心进行评估，以确认样品的真实性。将不同厂家的鱼粉与10个浓度梯度下的鱼排粉(5％，10％，15％，20％，25％，30％，35％，40％，45％，50％)进行混合生成掺假的鱼粉样品，结果获得了80个鱼排粉掺假鱼粉(fbp
‑
pfm)样品。每个样品称重约4g，缓慢倒入直径30mm、高10mm的黑色圆柱形铝盒中，使用盒盖轻轻压实样品表面，每个样品准备4个重复用于高光谱图像收集。
[0138]
高光谱图像获取：使用近红外高光谱成像(nir
‑
hsi)系统获取所有纯样品和掺假样品的高光谱图像，该系统的光谱分辨率为5nm，扫描874
‑
1734nm光谱范围内的样品共获得总共256个波段。将样品盒成直线放置在移动平台上，并传送到高光谱成像仪的视野进行线扫描。为了获得饲料样品清晰无失真的图像，移动平台的速度和高光谱成像仪的曝光时间分别调整为22mm/s和3000μs，并保持高光谱成像仪的镜头与样品表面的距离为24.5cm。在整个实验过程中保持灯相对于高光谱成像仪的位置和照明条件，以获得稳定和可比较的图像。获取的部分高光谱图像如图10所示。
[0139]
在收集图像之前，需要进行对高光谱成像仪进行图像校正。
[0140]
样品图像背景去除：使用1325nm的灰度图像构建掩模图像，对校正后的高光谱图像进行二值化以进行图像分割。将形态学处理方法中的腐蚀操作应用于每个分割区域以去除铝盒的边缘区域，获得部分样品roi如图11所示。
[0141]
光谱噪声去除：对感兴趣区域的每个像素谱进行小波变换，以daubechies8为小波基函数，以3为小波分解层，降低随机噪声。此外，975nm之前和1619nm之后的区域呈现更高的噪声水平，因此去除数据的前30个波长和后34个波长以提高数据的信噪比。最后，将roi内975到1619nm(包含192个波段)范围内所有像素对应的光谱数据平均为样品光谱。图12显示了4种pfm与2种fbp的样品平均光谱曲线，图13显示了pfm1与10个不同浓度下的fbp1掺杂
后的样品平均光谱曲线。
[0142]
光谱校正：本发明中使用基线偏移量校正(baseline offset,bo)对光谱数据进行校正，用于调整光谱偏移量以反映样品间真实的光谱差异，获得光谱校正数据。
[0143]
分类样本集划分：本发明中共有三类样本，分别是：鱼粉(pfm)、鱼排粉(fbp)、鱼排粉
‑
鱼粉混合物(fbp
‑
pfm)。采用将每类样本的光谱校正数据以及纯样品以及掺假样品的实际分类按7:3的比例划分第一训练集与第一测试集。对异常光谱数据进行剔除，最终得到408条样本光谱用于模型的训练(143forpfm,42forfbp,and 223forfbp
‑
pfm)，169条样本光谱用于模型的预测(60forpfm,14forfbp,and 95forfbp
‑
pfm)。
[0144]
特征波段选取：本发明中高光谱采集了连续192个波段内的光谱数据，使用连续投影算法(spa)进行特征波长的筛选，最终共筛选出34个特征波长：{978nm、982nm、985nm、995nm、999nm、1002nm、1009nm、1022nm、1025nm、1029nm、1032nm、1049nm、1059nm、1079nm、1130nm、1140nm、1160nm、1187nm、1193nm、1214nm、1237nm、1375nm、1386nm、1399nm、1426nm、1433nm、1477nm、1517nm、1538nm、1561nm、1585nm、1609nm、1619nm}。
[0145]
鱼排粉分类模型建立：利用第一训练集中特征波长对应的光谱校正数据以及各光谱校正数据对应的样品实际分类，并采用机器学习识别算法进行三分类建模，获得鱼排粉分类模型，本发明选择支持向量机(svm)作为分类模型，选择c
‑
svc作为支持向量机的分类类型，选择径向基函数(rbf)作为核函数，并进行交叉验证，分类数目设为10。通过探究发现，在建模过程中惩罚因子c取1
×
105、rbf的超参数γ取10时，得到的交叉验证训练集与验证集的准确率最高，分别为99.76％与99.02％，如图14所示。
[0146]
分类模型评估：使用鱼排粉分类模型对第一测试集数据进行样本分类，并对其准确率进行计算，最终得到所建模型的分类准确率为100％。
[0147]
样本集划分：两个不同厂家的鱼排粉(fbp1、fbp2)分别在10个浓度梯度下掺入四个不同厂家的鱼粉中(pfm1、pfm2、pfm3、pfm4)，采用将得到的掺假样品的光谱校正数据按3:1的比例划分第二训练集与第二测试集，最终240条样本光谱用于模型的训练，80条样本光谱用于模型的预测。
[0148]
鱼排粉含量检测模型建立：利用第二训练集构建鱼排粉含量检测模型。本发明选择支持向量机回归(svmr)模型进行建模，并且选择epsilon
‑
svr作为支持向量机的分类类型，选择径向基函数(rbf)作为核函数，并进行交叉验证，分类数目设为10。通过探究发现，在建模过程中惩罚因子c取5600、rbf的超参数γ取0.01和ε取0.1时，得到的交叉验证训练集与验证集的准确率最高，分别为98.17％与97.82％，如图15所示。
[0149]
鱼排粉含量检测模型评估：通过图16可以发现，鱼排粉掺假量真实值与预测值具有很高的相关性，通过pearson相关性分析得到相关系数r＝0.992。并且可以发现，散点图中的点均匀的分布在y＝x函数直线附近，说明预测的准确度较高。
[0150]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0151]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据
本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。