本发明属于牛奶检测技术领域，具体来说涉及一种基于二维相关近红外光谱灰度共生矩阵判别掺杂尿素牛奶的方法。
背景技术：
牛奶被誉为“白色血液”，是最古老的天然饮料，它里面含有大量的蛋白质、脂肪、乳糖、无机盐和钙等，是一种营养价值很高的产品。但是，最近几年发生的“三聚氰胺”、“皮革奶”等事件，使整个乳制品行业的信誉遭受严重危机，国内市场销量急速下跌，成为约束乳制品行业进一步发展的关键问题。
提取牛奶中掺杂物的特征信息后，由于牛奶本身体系的复杂多变性、掺杂物的微量性以及掺杂物和牛奶特有成分的特征峰相互重叠的影响，通过一维近红外光谱很难对其特征峰进行分析。传统的人工比对二维相关光谱技术定性分析牛奶中是否有掺杂也比较困难，存在主观误判和无法实现大量谱图比对的缺点。
技术实现要素：
针对现有技术的不足，本发明的目的在于提供一种基于二维相关近红外光谱灰度共生矩阵判别掺杂尿素牛奶的方法，该方法可对掺杂尿素牛奶和纯牛奶进行区分。
本发明的目的是通过下述技术方案予以实现的。
一种基于二维相关近红外光谱灰度共生矩阵判别掺杂尿素牛奶的方法，包括以下步骤：
1)准备纯牛奶和不同浓度的掺杂尿素牛奶作为训练样本，通过扫描得到所述训练样本的一维近红外光谱，并通过noda理论进行相关谱计算，得到每一个训练样本的二维相关近红外光谱矩阵(详细计算过程见杨仁杰.基于二维相关谱掺杂牛奶检测方法研究[d].天津大学,2013.)，在matlab环境中，将所得到的二维相关近红外光谱矩阵转化成二维相关近红外光谱图；
在上述技术方案中，所述二维相关近红外光谱图为同步-异步二维相关近红外光谱图或同步二维相关近红外光谱图。
在所述步骤1)中，所述二维相关近红外光谱矩阵转化成二维相关近红外光谱图的方法包括：在matlab环境中，将所述二维相关近红外光谱矩阵的数据归一化至0-255之间。
在上述技术方案中，采用离差标准化(min-max标准化)对所述二维相关近红外光谱矩阵的数据进行归一化，离差标准化的转换公式为：
其中，原数据为未归一化的二维相关近红外光谱矩阵的数据，新数据为归一化后的二维相关近红外光谱矩阵的数据。
2)在matlab环境中，将所述二维相关近红外光谱图进行灰度量化，提取水平、对角线、垂直和反对角线方向上的灰度共生矩阵：角二阶矩、熵、主对角线惯性矩和相关系数，计算所述灰度共生矩阵的均值和标准差，并将该均值和标准差作为所述二维相关近红外光谱图的纹理特征参数，将所述纹理特征参数进行归一化处理，得到归一纹理特征参数(高程程，惠晓威.基于灰度共生矩阵的纹理特征提取[j].计算机系统应用，2010，19(6):196-197)；
在所述步骤2)中，所述灰度量化为：采用离差标准化方法将所述二维相关近红外光谱图的灰度等级由256级调整为16-256之间的整数。
在所述步骤2)中，所述纹理特征参数归一化处理的方法为：在matlab环境中，将所述纹理特征参数映射到0～1的范围内。
3)在matlab环境中，建立支持向量机模型，选取径向基函数k(x,xi)＝exp(-λ||x-xi||2)作为该支持向量机模型的核函数，其中，xi为归一纹理特征参数，i＝1、2……8，x为中心向量，λ为径向基函数的中心宽度参数，将每个所述训练样本的8个归一纹理特征参数分别代入所述支持向量机模型中，得到训练好的支持向量机模型；
4)准备待测试样本，将待测试样本的归一纹理特征参数代入步骤3)所得训练好的支持向量机模型，判别待测试样本是否掺杂，其中，在matlab环境中，对待测试样本进行识别。
上述方法在判别纯牛奶和掺杂尿素牛奶中的应用，准确率大于85％。
相比于现有人工识别谱图的主观比对技术，本发明了提出了一种基于二维相关近红外光谱灰度共生矩阵判别掺杂尿素牛奶的方法，本发明的方法判别效率高，可快速、大量的识别掺杂尿素牛奶，该方法首先获得纯牛奶和掺杂尿素牛奶的二维相关近红外光谱，进而应用灰度共生矩阵提取二维相关近红外光谱的纹理特征，再结合支持向量机建立模型，实现自动、客观的判别掺杂尿素牛奶，减少人工直接比对谱图造成的主观误判。
附图说明
图1是本发明的支持向量机模型的体系结构示意图；
图2为实施例1中svm判别训练样本的结果；
图3为实施例1中svm判别待测试样本的结果。
具体实施方式
下面结合具体实施例进一步说明本发明的技术方案。
一种基于二维相关近红外光谱灰度共生矩阵判别掺杂尿素牛奶的方法，包括以下步骤：
1)准备纯牛奶和不同浓度的掺杂尿素牛奶作为训练样本，通过扫描得到训练样本的一维近红外光谱，并通过noda理论进行相关谱计算，得到每一个训练样本的二维相关近红外光谱矩阵(详细计算过程见杨仁杰.基于二维相关谱掺杂牛奶检测方法研究[d].天津大学,2013.)，并将所得到的二维相关近红外光谱矩阵转化成二维相关近红外光谱图：在matlab环境中，将所述二维相关近红外光谱矩阵的数据归一化至0-255之间，通过matlab软件的image命令得到所述二维相关近红外光谱图。
其中，二维相关近红外光谱图为同步-异步二维相关近红外光谱图或同步二维相关近红外光谱图。采用离差标准化(min-max标准化)对二维相关近红外光谱矩阵的数据进行归一化，离差标准化的转换公式为：
原数据为未归一化的二维相关近红外光谱矩阵的数据，新数据为归一化后的二维相关近红外光谱矩阵的数据。
2)在matlab环境中，将二维相关近红外光谱图进行灰度量化，即采用离差标准化方法将所述二维相关近红外光谱图的灰度等级由256级调整为16-256之间适当的整数。提取水平、对角线、垂直和反对角线方向(0°,45°,90°和145°)上的灰度共生矩阵：角二阶矩(asm，又称能量)、熵(ent)、主对角线惯性矩(con，又称对比度)和相关系数(cor)，计算灰度共生矩阵的均值和标准差并将该均值和标准差作为二维相关近红外光谱图的纹理特征参数，纹理特征参数不一样，它的量纲与数量级也会有差异，故不能直接利用这些参数用于支持向量机的模型。因为可能扩大某些数量级大的参数的影响，抑制某些数量级小的参数的影响。所以，为了避免这些偶然原因，也为了数据处理方便，建模前对这些特征参数归一化处理。在本发明的技术方案中，将纹理特征参数进行归一化处理，得到归一纹理特征参数；其中，归一化处理为采用matlab中的归一化函数mapminmax()，将纹理特征参数映射到0～1的范围内(高程程，惠晓威.基于灰度共生矩阵的纹理特征提取[j].计算机系统应用，2010，19(6):196-197)。
在本发明中，角二阶矩又称能量，是灰度共生矩阵各元素值的平方和。它衡量的是图像纹理灰度变化的均一程度。当灰度共生矩阵的所有元素值均相等时，asm小，纹理细腻；否则，则asm大，纹理粗糙。灰度共生矩阵主对角线的惯性矩又称对比度，是图像纹理清晰度和沟纹深浅的度量。纹理的沟纹越深，则其对比度越大，效果越清晰；相反，则沟纹越浅，效果也越模糊。相关系数是度量灰度共生矩阵元素在行或列方向上的相似程度。当矩阵元素值均匀相等时，则相关性越大；否则，则相关性越小。若图像纹理存在方向性时，则在该方向矩阵的相关系数较大。相关性的大小反映了图像中局部灰度相关性。熵是用来衡量图像信息量的参数，表明了能量的分布均匀程度和稳定状态。就图像而言，当共生矩阵中所有值均相等时，图像纹理越细腻，熵值也越大；反之，图像纹理越复杂，熵值也越小。
3)在matlab环境中，建立支持向量机模型(svm模型)，选取径向基函数k(x，xi)＝exp(-λ||x-xi||2)作为该支持向量机模型的核函数，图1所示为支持向量机模型的体系结构示意图，xi为归一纹理特征参数(i＝1、2……8)，x为中心向量，λ为径向基函数的中心宽度参数，输出y为牛奶判别结果。将每个训练样本的8个归一纹理特征参数(xi，i＝1、2……8)分别代入所述支持向量机模型中，在matlab环境中，调用支持向量机的训练函数svmtrain对训练样本进行训练，得到训练好的支持向量机模型。
4)准备待测试样本，将待测试样本的归一纹理特征参数代入步骤3)所得训练好的支持向量机模型，判别待测试样本是否掺杂，其中，在matlab环境中，调用支持向量机的函数svmpredict对待测试样本进行识别。
下面结合具体实施例对本发明的方法进行详细说明。
实施例1
一种基于二维相关近红外光谱灰度共生矩阵判别掺杂尿素牛奶的方法，包括以下步骤：
1)准备40个纯牛奶和40个掺杂不同浓度尿素牛奶的样本，其中选取30个纯牛奶和30个掺杂尿素牛奶作为训练样本，10个纯牛奶和10个掺杂尿素牛奶作为待测试样本。通过扫描得到训练样本的一维近红外光谱，并通过noda理论进行相关谱计算，得到每一个训练样本的二维相关近红外光谱矩阵，并将所得到的二维相关近红外光谱矩阵转化成二维相关近红外光谱图：在matlab环境中，将所述二维相关近红外光谱矩阵的数据归一化至0-255之间，通过matlab软件的image命令得到所述二维相关近红外光谱图。
其中，二维相关近红外光谱图为同步二维相关近红外光谱图。采用离差标准化(min-max标准化)对二维相关近红外光谱矩阵的数据进行归一化，离差标准化的转换公式为：
原数据为未归一化的二维相关近红外光谱矩阵的数据，新数据为归一化后的二维相关近红外光谱矩阵的数据。
2)在matlab环境中，将二维相关近红外光谱图进行灰度量化，采用离差标准化方法将二维相关近红外光谱图的灰度等级由256级调整为16。提取水平、对角线、垂直和反对角线方向(0°,45°,90°和145°)上的灰度共生矩阵：角二阶矩(asm，又称能量)、熵(ent)、主对角线惯性矩(con，又称对比度)和相关系数(cor)，计算灰度共生矩阵的均值和标准差并将该均值和标准差作为二维相关近红外光谱图的纹理特征参数，将(多个)纹理特征参数(分别)进行归一化处理，得到归一纹理特征参数；其中，归一化处理为采用matlab中的归一化函数mapminmax()，将纹理特征参数映射到0～1的范围内。
3)在matlab环境中，建立支持向量机模型，选取径向基函数k(x，xi)＝exp(-λ||x-xi||2)作为该支持向量机模型的核函数，其中，xi为归一纹理特征参数(i＝1、2……8)，x为中心向量，λ为径向基函数的中心宽度参数。将每个训练样本的8个归一纹理特征参数分别代入所述支持向量机模型中，调用支持向量机的训练函数svmtrain对训练样本进行训练，得到训练好的支持向量机模型；惩罚参数c＝32和核函数参数g＝1建立掺杂尿素牛奶与纯牛奶svm判别模型，训练集(支持向量机模型)的自准确率的结果如图2所示。在训练集60个样品中有2个掺杂尿素牛奶被机器误判为纯牛奶，有3个纯牛奶被机器误判为掺杂尿素牛奶，模型训练集分类准确率为91.6667％。
4)将20个作为待测试样本的归一纹理特征参数代入步骤3)所得训练好的支持向量机模型，判别牛奶是否掺杂(尿素)，其中，在matlab环境中，调用支持向量机的函数svmpredict对待测试样本进行识别。利用步骤3)所建立的svm模型对预测集进行预测，预测结果如图3所示，待测试样本的准确率为85％，20个样品中有3个掺杂尿素牛奶被机器错误的判为纯牛奶，纯牛奶识都得到正确判别(准确率100％)。
综上所述，基于二维相关近红外光谱图的归一纹理特征参数对掺杂尿素牛奶有良好辨别性，可以得到很好的检索效果，在图像识别领域有举足轻重的作用。基于svm的模式识别方法有坚实的理论基础，训练时间短、分辨率高，尤适合小样本的学习。本发明的方法不涉及到概率及大数定律等，主要依赖于样本数据。svm训练的结果每次都几乎相近，在少样本的情况下，识别效果也会很好，因此适合在线训练。
以上对本发明做了示例性的描述，应该说明的是，在不脱离本发明的核心的情况下，任何简单的变形、修改或者其他本领域技术人员能够不花费创造性劳动的等同替换均落入本发明的保护范围。