本发明涉及畜产品加工过程中品质检测
技术领域：
，特别涉及一种腊肉腌制过程中色泽及质构变化的高光谱检测方法。
背景技术：
：腊肉又称腌腊肉，是一种古老的防腐保藏方法，主要是原料肉通过腌制、酱渍、晾晒和烘烤等工艺加工而成的生肉制品。腌制过程是腌腊肉制品加工的一个重要环节，既可以提高肉制品耐藏性能，同时也使肉制品的质地、色泽得到改善，形成独特的风味。腌腊肉制品品种多，加工工艺受地域、文化和地方经济限制，各地发展水平差异较明显，加上我国传统腌腊肉多为家庭作坊加工，在用料、加工时间、温度、湿度等工艺条件上不能保证标准化，过程中易形成有害物质，使市场上的腌腊肉制品品质良莠不齐，质量安全难以控制。腊肉制品在加工制作过程中，其感官品质受脂质氧化、蛋白降解和含水量减少的影响，也发生显著的变化。而感官品质往往是消费者对食品的第一印象，对消费者购买产品具有很重要的指导作用，因此在加工过程中除了关注腌制肉内部变化，也需要实时掌握其感官特征的变化规律，指导加工工艺控制和优化腌腊肉制品的质量。腌腊肉制品加工过程中，感官品质变化最明显的即为色泽和质地。一般人工感官评定中，将肉色划分为不同等级，观察肉色是否鲜明，肌肉的颜色为明亮鲜红还是暗红，脂肪颜色是透明还是呈乳白色。目前腌制过程中对腌腊肉制品的评价主要是依靠感官评定与理化分析相结合的方法。感官评定法具有一定的科学依据，但是这种方法缺乏统一的标准并受经验的制约，很容易发生误判。而理化分析法耗时长，具有破坏性，不能满足工业化生产的快速、无损要求。由于对加工过程中质量的控制缺乏科学的方法和手段，导致我国传统腌腊肉制品质量不稳定，市场竞争力弱。应用无损检测技术对肉制品加工过程的信息化、智能化检测是肉制品行业未来发展的方向。目前市场上缺乏一种快速检测肉制品加工过程中品质安全的有效方法和系统，因此开发一种快速、无损的同时检测腊肉腌制过程中色泽和质构的方法，对于腌制腊肉加工过程生产关键品质控制，合理指导腊肉加工工艺参数，促进我国肉类加工工业智能化具有重要意义。技术实现要素：本发明的目的是提供一种腊肉腌制过程中色泽和质构变化的高光谱检测方法，具有快速无损，在线可视化检测，检测精度高的特点。通过高光谱成像系统采集腌制腊肉的外部特征的图像信息和内在特征的光谱信息，建立色泽和质构指标的预测模型，实现对腌制腊肉加工过程中品质变化的智能监测，对肉制品质量安全进行精准控制。本发明的通过以下技术方案实现：一种腊肉腌制过程中色泽和质构变化的高光谱检测方法，按照下述步骤进行：(1)采集腌制加工过程中不同腌制程度的腊肉高光谱图像并进行校正；(2)应用常规方法标定腌制腊肉样本的色泽L*,a*,b*值和腌制腊肉硬度、黏弹性等质构参数。(3)基于高光谱数据建立掩膜图像，应用掩膜裁剪图像去除背景噪声并进行线性拉伸，得到了腌制腊肉样品的感兴趣(ROI)区域作为有效检测区域。(4)分别提取腌制腊肉感兴趣区域(ROI)的图像信息和光谱信息，然后应用纹理分析、遗传算法等方法进行特征提取；(5)建立腌制腊肉的色泽和质构的初步预测模型，对模型进行留一交叉验证，校正得到优化的模型。(6)利用优化的模型预测不同腌制阶段腊肉的色泽和质构指标值，绘制腊肉腌制过程中色泽和质构值分布图。其中所述步骤(1)中，高光谱图像采集和校正，按照下述步骤进行：1)在数据采集前先对高光谱成像系统进行参数设置和黑白参考采集2)系统校正达到稳定后，对腌制腊肉样品进行高光谱线扫描图像的连续采集与合成，通过图像采集卡送至计算机，形成一个三维数据块，其x,y轴表示二维图像的空间信息，z轴则表示波长信息λ。该三维数据块可以同时反映被测对象内外部特征信号，提取某些特征波长下图像可以有效反映样品纹理结构、理化成分的差异；3)利用黑白参考对合成的高光谱图像进行校正，主要目的是降低图像因系统噪声和暗电流造成的影响，提高高光谱图像的信噪比，黑白校正的公式如下：每幅图像都需要进行黑白校正，校正计算公式为式中R为校正后的漫反射光谱图像，R0样本原始的漫反射光谱图像，RW表示白参考的漫反射图像，Rd为暗图像。其中所述步骤(4)中，对腌制腊肉感兴趣(ROI)区域的信息特征提取分析,涉及到的数据处理方法通过以下步骤来确定：1)提取腌制腊肉样本ROI区域内各像素点的反射光谱，计算平均反射光谱；2)采用联合区间偏最小二乘法-遗传算法(GA)选出5个特征波长，分别为530nm、578nm、640nm、693nm、780nm，大幅度降低原始数据量和运算量，提高数据处理速度。3)从高光谱三维数据块中提取530nm、578nm、640nm、693nm、780nm的波长图像，计算样本ROI区域的灰度共生矩阵(GLCM)，通过灰度共生矩阵进行图像的二阶统计，基于该矩阵提取各种统计参数来直观描述图像纹理特征。主要选取灰度共生矩阵的4个统计特征参数来表征目标图像的纹理特征信息，主要包括对比度(contrast)、熵(Entropy)、一致性(Homogeneity)、角二阶距(AngularSecondMoment)四个量化的灰度共生矩阵纹理特征变量。其中所述步骤(5)中，建立腌制腊肉的色泽和质构的预测模型，其特征在于，将腌制腊肉样品ROI区域在波长为530nm、578nm、640nm、693nm、780nm的反射光谱平均值和对比度(contrast)、熵(Entropy)、一致性(Homogeneity)、角二阶距(AngularSecondMoment)等4个量化的纹理特征值分别作为自变量，基于偏最小二乘回归(PLSR)算法建立腊肉样本色泽L*,a*,b*值和硬度、黏弹性的预测模型。对模型进行留一交叉验证，校正得到优化的模型。所建立的腌制腊肉样品的色泽L*,a*,b*预测模型如下：YL*、Ya*、Yb*分别为腌制腊肉样品的色泽L*,a*,b*预测值，则表示在对应特征波长图像的感兴趣区域中提取的平均光谱反射值。所建立的腌制腊肉样品的质构特性：硬度、粘性、弹性预测模型如下：Yhanrdness、Yadhesiveness、Yresilence分别为腌制腊肉样品的硬度、粘性、弹性的预测值，则表示在5个特征波长图像的感兴趣区域中分别提取的对比度(contrast)、熵(Entropy)、一致性(Homogeneity)、角二阶距(AngularSecondMoment)等纹理特征平均值。其中所述步骤(6)中，绘制腊肉腌制过程中色泽和质构分布图，所述方法包括：1)提取腌制腊肉样品ROI区域在特征波长为530nm、578nm、640nm、693nm、780nm的光谱图像；2)将特征波长对应的反射光谱值代入偏最小二乘回归(PLSR)模型，建立色泽L*,a*,b*值的预测模型；3)将特征光谱图像的纹理特征变量值代入偏最小二乘回归(PLSR)模型，建立硬度、黏弹性值的预测模型；4)由模型计算得到图像中每一像素点对应的色泽L*,a*,b*值和硬度、黏弹性的预测值，绘制不同腌制加工阶段的腊肉色泽和质构分布图。所建立的腌制腊肉样品的色泽L*,a*,b*预测模型如下：YL*＝2.14+12.45R530nm-16.89R578nm+1.68R640nm+1.45R693nm+0.62R780nmYa*＝0.35+R530nm-0.9R578nm+0.25R640nm-0.23R693nm+0.1R780nmYb*＝-1.56+0.3R530nm+0.19R578nm+0.69R640nm+1.55R693nm-2.38R780nmYL*、Ya*、Yb*分别为腌制腊肉样品感兴趣区域中每一像素点对应的L*,a*,b*预测值，R(i)则表示特征波长图像的感兴趣区域中每一像素点的光谱反射值。所建立的腌制腊肉样品的质构特性：硬度、粘性、弹性预测模型如下：Yhardness＝-768+13133.20T1-1190.83T2+5756.67T3+1442.28T4-8994.70T5-9789.66T6+2896.19T7+3541.80T8+4667.23T9-17332.17T10+1801.64T11+2985.56T12-983.33T13+7728.61T14-11754.00T15+7760.97T16；Yadhesiveness＝-1.15+2.51T1-3.39T2-2.30T3-2.05T4-5.27T5-2.32T6+14.80T7-7.42T8+13.43T9-7.65T10-0.07T11+3.29T12-3.10T13+14.83T14-19.09T15+5.05T16；Yresilence＝0.028+0.36T1+0.03T2+0.17T3+0.01T4-0.21T5-0.28T6-0.07T7+0.15T8+0.05T9-0.40T10+0.05T11+0.02T12-0.01T13+0.08T14-0.08T15+0.16T16；Yhanrdness、Yadhesiveness、Yresilence分别为腌制腊肉样品感兴趣区域中每一像素点的硬度、粘性、弹性的预测值，T(i)则表示在5个特征波长图像的感兴趣区域中每一像素点对应的对比度(contrast)、熵(Entropy)、一致性(Homogeneity)、角二阶距(AngularSecondMoment)等纹理特征值。本发明建立了一套快速无损的腊肉腌制过程中色泽和质构变化的高光谱检测方法，可用于腌制腊肉加工过程生产关键品质控制，合理指导腊肉加工工艺参数，对开发高品质传统腌制产品，促进我国肉类加工工业智能化具有重要意义。附图说明：图1是本发明一种腊肉腌制过程中色泽及质构变化的高光谱检测流程图；图2是本发明实施例1中所述的校正后的腌制腊肉样本平均反射光谱曲线图；图3是本发明实施例1中所述的腌制1h的腊肉样本特征光谱图像的感兴趣区域(RIO)；图4是本发明实施例1中所述的腌制1h的腊肉样本640nm光谱图像的感兴趣区域(RIO)的纹理特征图像；图5是本发明实施例1中所述的腌制8h的腊肉样本特征光谱图像的感兴趣区域(RIO)；图6是本发明实施例1中所述的腌制8h的腊肉样本640nm光谱图像的感兴趣区域(RIO)的纹理特征图像；图7是本发明实施例1中所述的腊肉腌制过程中色泽L*分布图。具体实施方式：下面结合附图和实施例，对本发明的具体实施方式做进一步详细的描述。以下实施例用于说明本发明，但不用来限制本发明的范围。图1是本发明腊肉腌制过程中色泽及质构变化的高光谱检测方法流程图。如图1所示，应用高光谱成像系统检测腌制过程中腊肉色泽及质构的方法，包括以下步骤：1)采集不同腌制程度的猪肉样本共67个，作为校正集样本。腌肉样本取自猪的后腿部位，去除表面筋膜，用无菌刀切割成4cm×3cm×2cm的小块，并尽可能保持样品厚度均一；所用腌制盐为市售食品级食盐；所用水均为试验室内蒸馏水。腌制工艺采用湿法腌制，将切好的猪肉样品分别放入不同浓度的盐水中(浓度分别为5％、10％、15％、20％)进行腌制，并确保盐水能够完全浸没猪肉。于0.5h、1h、2h、4h等不同腌制时长分别取出腌猪肉，并用水轻微冲洗样品表面除去盐分，然后用滤纸将样品擦干。开启高光谱系统进行预热，在数据采集前对高光谱成像系统设置扫描相关参数，分别采集黑白参考。系统校正达到稳定后，将腌制腊肉样本放置于载物台，启动步进电机，高光谱系统对腌制猪肉样品进行线扫描图像的连续采集。将采集的扫描线图像合成转化为高光谱立方体图像块，同时包含样品的空间信息和光谱信息；利用黑白参考对合成的高光谱图像进行校正，去除图像系统噪声和暗电流。2)2)对腌制腊肉样本的品质指标进行理化标定，分别应用分光测色仪和质构仪采集色泽L*,a*,b*值和腌制腊肉硬度、黏弹性等质构参数。分光测色仪使用前需用黑腔、白板进行黑白校正，以减小实验误差。要对样品进行多次测量，剔除误差较大的数据，用平均值代表测量后的实验数据，颜色标定模式一般采用L*,a*,b*模式。质构仪是用来检测食品物理品质特性，所反映的主要是力学特性有关的食品质地特性，其结果具有较高的客观性和灵敏性并可对实验结果进行准确的数据化处理。测量过程：测试前，需要将电脑参数调好。探头由起始点以分析前速度(pre-testspeed)接近待测样本；当探头侦测到应力超过启动力(triggerforce)时，探头速度立即变为测试速度(testspeed)，仪器并开始记录应力、距离及时间；之后探头继续以测试速度测试样品知道分析完成(设定距离、比例及力量)；最后探头将以测试后速度，返回移动起始点。试验过程中共测定了67个腌猪肉样品的色泽L*,a*,b*值和腌制腊肉硬度、黏弹性等质构参数，试验结果如表1。表1腌制肉样品色泽与质构参数统计分析结果理化指标平均值最小值最大值标准差变异系数L*42.2537.8851.323.480.08a*2.180.044.050.840.39b*0.32-2.702.951.454.53硬度9350.334351.0012478.002368.410.25粘性-8.47-17.37-4.983.96-0.47弹性0.740.690.800.040.053)建立掩膜图像，应用掩膜裁剪图像去除背景噪声并进行线性拉伸，得到了腌制腊肉样品的感兴趣(ROI)区域作为有效检测区域。提取腌制腊肉样本ROI区域内各像素点的反射光谱，计算平均反射光谱。4)采用联合区间偏最小二乘法-遗传算法(GA)选出5个特征波长，分别为530nm、578nm、640nm、693nm、780nm，大幅度降低原始数据量和运算量，提高数据处理速度。5)从高光谱三维数据块中提取530nm、640nm、693nm、780nm的波长图像，计算样本ROI区域的灰度共生矩阵(GLCM)，通过灰度共生矩阵进行图像的二阶统计，基于该矩阵提取各种统计参数来直观描述图像纹理特征。主要选取灰度共生矩阵的4个统计特征参数来表征目标图像的纹理特征信息，主要包括对比度(contrast)、熵(Entropy)、一致性(Homogeneity)、角二阶距(AngularSecondMoment)四个量化的灰度共生矩阵纹理特征变量。6)将腌制腊肉样品ROI区域在波长为530nm、578nm、640nm、693nm、780nm的反射光谱平均值和对比度(contrast)、熵(Entropy)、一致性(Homogeneity)、角二阶距(AngularSecondMoment)等4个量化的纹理特征值分别作为自变量，基于偏最小二乘回归(PLSR)算法建立腊肉样本色泽L*,a*,b*值和硬度、黏弹性的预测模型。对模型进行留一交叉验证，校正得到优化的模型，提高预测模型的稳定性。所建立的腌制腊肉样品的色泽L*,a*,b*预测模型如下：YL*、Ya*、Yb*分别为腌制腊肉样品的色泽L*,a*,b*预测值，则表示在对应特征波长图像的感兴趣区域中提取的平均光谱反射值。所建立的腌制腊肉样品的质构特性：硬度、粘性、弹性预测模型如下：Yhanrdness、Yadhesiveness、Yresilence分别为腌制腊肉样品的硬度、粘性、弹性的预测值，则表示在5个特征波长图像的感兴趣区域中分别提取的对比度(contrast)、熵(Entropy)、一致性(Homogeneity)、角二阶距(AngularSecondMoment)等纹理特征平均值。7)基于以上色泽和质构参数预测模型，可以计算得到图像中每一像素点对应的色泽和质构预测值，绘制腊肉腌制过程中色泽和质构多指标分布图。所建立的腌制腊肉样品的色泽L*,a*,b*预测模型如下：YL*＝2.14+12.45R530nm-16.89R578nm+1.68R640nm+1.45R693nm+0.62R780nm；Ya*＝0.35+R530nm-0.9R578nm+0.25R640nm-0.23R693nm+0.1R780nm；Yb*＝-1.56+0.3R530nm+0.19R578nm+0.69R640nm+1.55R693nm-2.38R780nm；YL*、Ya*、Yb*分别为腌制腊肉样品感兴趣区域中每一像素点对应的L*,a*,b*预测值，R(i)则表示特征波长图像的感兴趣区域中每一像素点的光谱反射值。所建立的腌制腊肉样品的质构特性：硬度、粘性、弹性预测模型如下：Yhardness＝-768+13133.20T1-1190.83T2+5756.67T3+1442.28T4-8994.70T5-9789.66T6+2896.19T7+3541.80T8+4667.23T9-17332.17T10+1801.64T11+2985.56T12-983.33T13+7728.61T14-11754.00T15+7760.97T16；Yadhesiveness＝-1.15+2.51T1-3.39T2-2.30T3-2.05T4-5.27T5-2.32T6+14.80T7-7.42T8+13.43T9-7.65T10-0.07T11+3.29T12-3.10T13+14.83T14-19.09T15+5.05T16；Yresilence＝0.028+0.36T1+0.03T2+0.17T3+0.01T4-0.21T5-0.28T6-0.07T7+0.15T8+0.05T9-0.40T10+0.05T11+0.02T12-0.01T13+0.08T14-0.08T15+0.16T16；Yhanrdness、Yadhesiveness、Yresilence分别为腌制腊肉样品感兴趣区域中每一像素点的硬度、粘性、弹性的预测值，T(i)则表示在5个特征波长图像的感兴趣区域中每一像素点对应的对比度(contrast)、熵(Entropy)、一致性(Homogeneity)、角二阶距(AngularSecondMoment)等纹理特征值。(8)用优化的模型监测腌制加工过程中的腊肉色泽与质构的动态变化过程，获得不同腌制加工阶段的色泽与质构分布图。当前第1页1 2 3