基于光纤光谱的土鸡蛋或洋鸡蛋品种检测装置及其方法与流程

本发明涉及农产品无损检测领域，尤其涉及一种基于光纤光谱的土鸡蛋或洋鸡蛋品种检测装置及其方法。

背景技术：

随着我国鸡蛋产业的快速发展，市场中乱标土洋鸡蛋品种的现象严重，不仅影响市场的健康发展，也侵犯了消费者与生产者的权益。鸡蛋品种及产地的检测在加工、贮藏和销售等方面都非常重要。为保证市场的公平，需要建立一种快速、精确的土鸡蛋或洋鸡蛋品种鉴别技术。

市面上的鸡蛋大致分为两类：自然放养的土鸡产蛋(土鸡蛋)和人工饲养的饲料鸡产蛋(洋鸡蛋)。土鸡蛋品质安全健康，口感好，营养价值高，价格一般也较高。目前市场上主要靠人工感官鉴别鸡蛋种类，可靠性低。左瑞华等对土鸡蛋和洋鸡蛋内脂肪、蛋白质和胆固醇等化学指标作了对比研究，结果表明土鸡蛋比洋鸡蛋营养价值高。然而，上述理化方法都存在着方法复杂、检测周期长和破坏性等不足，因此，迫切需要一种准确快速的无损检测技术【左瑞华，胡恒龙，雷翠萍等.六安市售种类鸡蛋与土鸡蛋营养成分的比较分析[j].皖西学院学报，2007，23(5)】。

由于鸡蛋成分复杂，对于产地鉴别不适合采用传统的感官以及化学测量方法。近红外光是介于可见光和中红外光之间的电磁波，这一区域内，一般有机物的近红外光谱吸收主要是含氢基团x—h(主要有o—h，c—h，n—h和s—h)等的伸缩、振动、弯曲等引起的倍频和合频的吸收。可见/近红外光谱分析技术是一种快速简便无损的分析方法，且能够用于在线检测分级，被广泛应用于食品、化工、医药等行业。汤丹明等用近红外光谱技术结合主成分分析、支持向量机用于鸡蛋种类鉴别，训练集正确识别率为100％，预测集正确识别率为97.44％。此模型单一，鲁棒性差，不利于推广【汤丹明，孙斌，刘辉军.近红外漫反射光谱鉴别鸡蛋种类[j].光谱实验室，2012，29(5)】；孙俊，刘彬等利用介电特性对鸡蛋品种进行无损检测，识别不同产地鸡蛋的准确率为97.5％，识别不同品种鸡蛋的准确率为100％。但是搭建介电特性检测平台较为麻烦，且给鸡蛋通电可能会损害鸡蛋内部物质，破坏其营养价值【孙俊，刘彬，毛罕平，武小红，杨宁，马长华.基于介电特性的鸡蛋品种无损检测研究[j].食品科学，2016，17(2)】。

技术实现要素：

本发明的目的就在于克服现有技术存在的缺点和不足，提供一种基于光纤光谱的土鸡蛋或洋鸡蛋品种检测装置及其方法。

本发明的目的是这样实现的：

本发明利用高可靠、可扩展等优点，设计了一个基于光纤光谱的土鸡蛋或洋鸡蛋品种检测装置。通过光纤光谱仪获取鸡蛋的光谱信息，并将光谱信息导入已建立的模型来检测出鸡蛋的品种。具有能够实现随时随地的对土洋鸡蛋品种检测的能力，并且有检测速度快、准确率高、适用环境、无损等优点，有着重要的现实价值。现有市场上还未出现土洋鸡蛋品种检测分析装置，本发明将有利于填补此方面的空白。

本发明主要针对单个鸡蛋的品种检测。与其他类似研究不同的是，本发明设计了一个基于光纤光谱的土鸡蛋或洋鸡蛋品种检测装置，可实现快速检测得到品种结果。本发明主要完成以下几项工作：

1、设计和搭建信息采集装置，采集鸡蛋的光谱信息。

2、采用直接正交信号校正(directorthogonalsignalcorrection，dosc)预处理算法处理采集的光谱信息；对预处理后的光谱数据进行t分布式随机邻域嵌入(t-distributedstochasticneighborembedding，t-sne)降维处理，提取光谱信息；采用极限学习机(extremelearningmachine，elm)算法利用训练集样本建立预测模型，并用预测集样品验证模型预测的准确性。

具体工作主要有：第一，开启计算机后打开光谱采集软件；第二，将鸡蛋放置在光谱检测装置上，利用光纤光谱仪采集光谱数据并传送到采集软件；第三，运用计算机上的检测软件获取采集的光谱信息；第四，选择预测模型；第五，计算得出结果并显示。

本发明的重难点在于：第一，如何利用光谱技术实现土洋鸡蛋品种的无损检测；第二，如何建立高效、稳定、推广性强的模型，运用于土洋鸡蛋品种检测。

具体地说，本发明的技术方案如下：

一、基于光纤光谱的土鸡蛋或洋鸡蛋品种检测装置(简称装置)

本装置包括检测对象——鸡蛋；

设置有外壳、光谱仪、数据线、光纤探测仪、可调光源、鸡蛋放置平台和计算机；

其位置和连接关系是：

在外壳的上方设置有圆孔放置光纤探测仪，在外壳的中部设置有鸡蛋放置平台，在鸡蛋放置平台的上、下面分别放置有鸡蛋、可调光源，光纤探测仪、光谱仪和计算机通过数据线依次连接。

二、基于光纤光谱的土鸡蛋或洋鸡蛋品种检测方法(简称方法)

本方法包括下列步骤：

①调节检测装置参数，包括设置光谱波段范围、积分时间、平均扫描次数和平滑宽度；

②将不同品种的鸡蛋按顺序编号，并依次采集每枚鸡蛋的光谱数据；

③对采集的鸡蛋光谱数据进行直接正交信号校正(dosc)预处理；

④对预处理后的鸡蛋光谱信息运用t分布式随机邻域嵌入(t-sne)方法进行降维处理；

⑤对降维后的数据处理带人极限学习机(elm)中进行建模，设定1代表土鸡蛋，2代表洋鸡蛋。

本发明的工作原理：

开启计算机，打开采集软件；将待检测鸡蛋放在鸡蛋放置平台上，光纤探测仪接收鸡蛋光信号，通过光谱仪将光信号转化为电信号，传送给计算机上的采集软件；采集软件将数据传输给检测软件；在检测软件上选择预测模型进行预测，最后将结果显示，从而实现土洋鸡蛋品种的无损检测。

本发明具有下列优点和积极效果：

①利用光谱透射技术，实现了对土洋鸡蛋的无损检测，解决了仅用简单的宏观理化指标来鉴别鸡蛋品种的弊端；

②无需打破鸡蛋，检测模型准确率高。

附图说明

图1是本装置的结构示意图；

图2是软件工作流程图。

图中：

0—鸡蛋；

1—外壳；

2—光谱仪；

3—数据线；

4—光纤探测仪；

5—可调光源；

6—鸡蛋放置平台；

7—计算机。

具体实施方式

下面结合附图和实例详细说明：

一、装置

1、总体

如图1，本装置包括检测对象——鸡蛋0；

设置有外壳1、光谱仪2、数据线3、光纤探测仪4、可调光源5、鸡蛋放置平台6和计算机7；

其位置和连接关系是：

在外壳1的上方设置有圆孔放置光纤探测仪4，在外壳1的中部设置有鸡蛋放置平台6，在鸡蛋放置平台6的上、下面分别放置有鸡蛋0、可调光源5，光纤探测仪4、光谱仪2和计算机7通过数据线3依次连接。

2、功能部件

0)鸡蛋0

鸡蛋0是本装置的检测对象，分为土鸡蛋或洋鸡蛋。

1)外壳1

外壳1是本装置的支撑体，塑料材质，整体大小为长×宽×高＝20cm×20cm×50cm，其上方设置有圆孔放置光纤探测仪4。。

2)光谱仪2

一种通用外购件，选用美国oceanoptics公司usb2000+的微型光纤光谱仪。

3)数据线3

一种通用外购件。

4)光纤探测仪4

一种通用外购件。

4)可调光源5

一种通用外购件，选用广州标旗的ls-3000高功率卤素灯光源。

5)计算机7

计算机7的硬件配置是cpu、intercorei5-3210、2.50ghz处理器、ram(8g)、windows64位系统；

(1)软件构建

基于java编写的检测软件，开发工具为谷歌定制eclipse；软件设计主要包括界面ui设计和数据处理以及定义实体按键的功能，并导入建立的预测模型。

如图2，软件工作流程：

a、采集鸡蛋光谱信息—101

利用采集软件获得采集到的光谱信息，并进行校正去除干扰；

b、确定训练集和预测集—102

将采集的所有鸡蛋光谱按照2：1的比例随机划分为训练集和预测集，训练集用来建立预测模型，预测集用来检验所建立模型的准确性；

c、光谱处理：

a、提取光谱数据—103

提取校正后的光谱数据；

b、对训练集光谱进行预处理—104

对训练集的光谱数据进行直接正交信号校正(dosc)预处理，去除鸡蛋光谱数据的高频随机噪音和基线漂移；

c、预处理后光谱数据降维—105

利用t分布式随机邻域嵌入(t-sne)对500～900nm波长进行降维处理，获取有效特征光谱信息，去除无信息含量及信息含量少的波长点，提升运算速度；

d、建立训练集预测模型—106

对获取有效特征光谱信息运用极限学习机(elm)算法，建立预测模型；

e、用预测集数据检验模型的准确性—107

将预测集数据导入到所建立的模型中，依据预测集的预测值与真实值之间的差异，判断所建立的模型的准确性。

二、检测实施例

试验样品分别选取华中地区有代表性的2个地区：武汉、孝感的土洋鸡蛋；华东地区有代表性的1个地区：盐城的土鸡蛋，挑选生产日期相近的5种新鲜粉壳鸡蛋各20枚(共100个样本)。均采购于武汉市马房山中百仓储超市。

1、方法

具体地：

①调节检测装置参数，包括设置光谱波段范围500nm-900nm、积分时间60毫秒、平均扫描次数5和平滑宽度3；

②将不同品种的鸡蛋按顺序编号，并依次采集每枚鸡蛋的光谱数据；

然后将所有实验样本进行编号，已经记录相应的标签。

③对采集的鸡蛋光谱数据进行直接正交信号校正(dosc)预处理；

在试验的过程中不可避免会伴有高频随机噪音、基线漂移等其他影响，为了消除这些影响，需对原始光谱数据进行预处理。比较中心化(centralization)、归一化(normalization)、标准正态变量(standardizednormalvariate，snv)、直接dosc、savitzky-golay平滑滤波(savitzky-golaysmoothingfilter，sg)方法处理后的光谱数据进行gs-svm建模分析，发现dosc取得最优效果。

④对预处理后的鸡蛋光谱信息运用t分布式随机邻域嵌入(t-sne)方法进行降维处理；

经过直接正交信号校正处理后的光谱数据得到了优化，但光谱数据是庞大的高维空间数据，所以直接用光谱数据建立模型容易导致模型不易收敛且耗时长，不利于模型的推广。通过数据降维能够大大提升运算速度，获取有效特征光谱信息。

⑤对降维后的数据处理带人极限学习机(elm)中进行建模，设定1代表土鸡蛋，2代表洋鸡蛋。

elm算法由huang等提出，它是一种新型单隐层前馈神经网络，已经证明了elm具有与神经网络相同的全局逼近能力。其网络结构分为三层：输入层、单个隐藏层和输出层，其中的网络输入权重和隐偏倚随机生成，且一旦生成不需要调节，输出权重值直接由最小二乘估计方法计算得出。elm不仅具有良好的泛化能力，而且由于不需要迭代调节网络权重值，避免了梯度下降算法产生的局部极值、学习时间长以及学习率的影响等问题，极大地提高了训练和测试速度。

将降维后的数据输入建立的elm模型中，得到的结果如下表。

2、结果

通过上述的基于光纤光谱的土鸡蛋或洋鸡蛋品种检测装置及其方法进行检测，准确率可达到99％。提出的基于可见/近红外光谱技术的鸡蛋土洋品种鉴别方法的预测精度高，说明利用该技术用于鸡蛋土洋品种的鉴别是一种快速可行的方法。