基于高光谱成像技术检测花生中脂肪含量分布的方法
【技术领域】
[0001] 本发明设及一种检测花生中脂肪含量的方法，具体地说，设及基于高光谱成像技 术检测花生中脂肪含量分布的方法。
【背景技术】
[0002] 2013年我国花生产量1697万吨，位居世界第一。花生中含有大量的营养物质，其 中脂肪含量高达38%~60%。我国生产出的花生绝大多数用于加工花生油。因此，花生中 脂肪含量的高低直接农民的收入和企业的效益。传统测定花生中脂肪的方法包括：索式提 取法和酸水解法，但运些方法存在分析速度慢，操作步骤繁琐，成本高破坏性强，使用试剂 污染环境等缺点。因此，急需寻找一种快速，非破坏性的方法为花生脂肪含量的测定提供依 据。
[0003] 高光谱成像技术结合了光谱学和成像技术，是一口新兴的快速，无损检测方法。高 光谱图像是由一系列连续的波段图像组成的=维图像数据块，其具有某个特定波长下的图 像信息，并且针对平面内某个特定像素又具有不同波长下的光谱信息。其原理是利用花生 脂肪中CH、0H等基团在近红外光谱区的光谱吸收特性，确定光谱与脂肪含量之间的定量关 系，从而预测花生中脂肪含量和分布。
[0004] 中国专利CN102621077A公布了高光谱反射图像采集系统及基于该系统的玉米种 子纯度无损检测方法；中国专利CN1995987公布了基于高光谱图像技术的农畜产品无损检 测方法及装置；中国专利CN103636315A公布了一种基于高光谱的种子发芽率在线检测装 置及方法。W上发明采用高光谱图像技术检测产品指标，避免了传统方法的局限性。但研 究主要集中在种子纯度方面，经检索，到目前为止，国内外还没有用高光谱成像技术检测花 生脂肪含量分布的报道。
【发明内容】
[0005] 为了解决现有技术中存在的问题，本发明的目的是提供基于高光谱成像技术检测 花生中脂肪含量分布的方法。
[0006] 为了实现本发明目的，本发明第一方面是提供一种基于高光谱成像技术建立花生 中脂肪含量分布定量模型的方法，该方法包括W下步骤：
[0007] 1. 1收集具有代表性的花生样品，用高光谱仪扫描获得花生样品中每个像素点在 各波长下的图像信息，得到花生样品的原始高光谱=维图像；
[0008] 优选地，所述高光谱仪扫描的波长范围为900-1700nm，扫描方式为线扫描；
[0009] 1. 2对所述花生样品的原始高光谱=维图像进行校正和背景删除后，提取花生样 品图像平均光谱；
[0010] 优选地，所述校正是对所述花生样品的原始高光谱S维图像Ifji行黑白校正，具 体方法为对反射率为99%的标准校正板进行采集，得到全白的标定图像然后关闭镜 头采集，得到全黑标定图像Id。^，根据下述公式计算校正后图像I。。?: CN 1051巧909 A 机>W书 2/8页
[0012] 优选地，所述背景删除具体步骤为：采用主成分分析，确定背景与花生的边界，删 除背景，得到花生样品图像；
[0013] 1. 3对所述花生样品图像平均光谱进行二阶导数结合标准正态变量变换预处理；
[0014] 1. 4采用常规方法检测所述花生样品的脂肪含量，得到花生样品的脂肪含量；
[0015] 优选地，所述检测花生样品的脂肪含量方法为根据GB/T5009. 6-2003进行，进一 步优选为根据GB/T5009. 6-2003中第一法索氏提取法进行；
[0016] 1. 5将所述花生样品随机分为校正集和验证集，W所述校正集花生样品的所述预 处理后的花生样品图像平均光谱为自变量，W所述校正集的花生样品的脂肪含量为因变 量，通过偏最小二乘法建立所述自变量和因变量的偏最小二乘法回归模型；利用所述验证 集对所述偏最小二乘法回归模型进行验证；
[0017] 优选地，所述校正集与验证集花生样品的比例为1:3-1:2;
[0018] 1. 6根据所述偏最小二乘法回归模型的回归系数，选择对所述回归模型贡献率绝 对值最大的波长为特征波长；并通过偏最小二乘法建立花生中脂肪含量分布定量模型；该 定量模型表示所述校正集花生样品的脂肪含量与所述特征波长处的光谱反射值的定量关 系；
[0019] 优选地，选取所述特征波长分别为：931皿、941皿、964皿、1143皿、1157皿、1317皿、 1400皿、1434皿、1658皿、1661皿、1668皿、1678皿；优选地，所建立的花生中脂肪含量分布定 量模型如下：
[0020]Yfat= 48. 003-1. 757R931nm+9. 441R9"nm+16. 766R964nm-19. 164Rii43nm+6. 41Rii57nm-4. 81R 1317?-?. 419Ri4〇〇nm+3. 434Ri434nm-5. 199Ri658nni-15. 〇59Ri66inm+13. 274Ri668nni-5. 〇91Ri678nni
[002"l]其中，Yfat为花生样R口的月日肪旨里，R931nni、R94I?、R964?、Rll43nni、Rll57nni、Rl317nni、Rl400nni、 R1434?、Rl658nm、Rl谢1?、Rl668nm、Rl678nm分别为花生样品在特征波长 93lnm、941nm、964nm、1143皿、 1157nm、1317nm、1400nm、1434nm、1658nm、1661nm、1668nm、1678nm处经过预处理后的光谱反 射值；
[0022] 利用所述验证集对所述花生中脂肪含量分布定量模型进行验证。
[0023] 本发明进行二阶导数处理可W有效地消除基线和其他背景的干扰，分辨重叠峰， 提高分辨率和灵敏度；进行标准正态变量变换可W消除花生颗粒大小、表面扫射W及光程 变化对光谱的影响。
[0024] 特征波长选取过多或过少都不宜；若特征波长选取过多，则增加计算复杂度；若 特征波长选取过少，则会降低检测结果准确度。
[00巧]本发明进行验证的目的是确保所述定量模型准确性和稳定性。一般地，经验证后 若建立的所述定量模型准确、稳定，则可用于检测花生中脂肪含量分布；若建立的所述定量 模型准确度和稳定性不佳，则需要重新按照上述步骤建立所述回归模型或所述定量模型。 [0026] 具体地，通过计算所述校正集的相关系数R。。郝验证集的相关系数RV。山及校正 集的标准偏差SEC和验证集的标准偏差沈P来判断所述回归模型和所述定量模型准确度和 稳定性。一般地，当相关系数巧。。1或Rw) > 0.8,标准偏差（SEC或SE巧《2时，表明所述 回归模型或所述定量模型准确度高、稳定性好。
[0027] 本发明采用下述公式（1)计算相关系数化。1或RyJ;公式似计算标准偏差（SEC或SE巧。
[0029]式（1)中，为第i个样品高光谱方法预测值，X是预测值的平均值；为第i个 样品常规方法的测定值，y是测定值的平均值；n为两个变量的样本值的个数。如果样本为 校正集，则R为氏。1;如果样本为验证集，则R为RW。
[0031] 式（2)中，为校正集第i样品高光谱方法的预测值，y1为校正集第i样品常规 方法的测定值，n为校正集的样品数。如果为验证集第i样品高光谱方法的预测值，n为 验证集的样品数，则公式（2)表示的是SEP。
[0032] 本发明第二方面是提供上述定量模型在检测花生中脂肪含量分布中的应用。
[0033] 本发明第=方面是提供基于高光谱成像技术检测花生中脂肪含量分布的方法，所 述方法包括：
[0034] 1)采集待测花生样品在下列特征波长处的光谱图像：931nm、941nm、964nm、 1143nm、1157nm、1317nm、1400nm、1434nm、1658nm、1661nm、1668nm、1678nm;
[0035] 2)将所述特征波长处经过预处理后的光谱反射值，输入花生中脂肪含量分布定量 模型，得到待测花生样品脂肪含量分布；