本发明涉及涉及高光谱图像检测领域，尤其涉及一种利用高光谱图像技术检测三文鱼中注水量的方法。
背景技术：
现有技术中，三文鱼也叫撒蒙鱼或萨门鱼，是西餐中较常用的鱼类原料之一，在不同国家的消费市场三文鱼涵盖不同的种类，挪威三文鱼主要为大西洋鲑，芬兰三文鱼主要是养殖的大规格红肉虹鳟，美国的三文鱼主要是阿拉斯加鲑鱼，大马哈鱼一般指鲑形目鲑科太平洋鲑属的鱼类，有很多种，如我国东北产大马哈鱼和驼背大马哈鱼等，三文鱼具有很高的营养价值，鱼肉中含有的丰富的不饱和脂肪酸可以降低胆固醇和血脂，能有效地降低心血管疾病的发病率，随着全球经济的发展和人民生活水平的不断提高，世界市场对三文鱼的需求日益旺盛 ，而不断扩大的需求所带来的经济利益促使各国政府和渔民不断扩大生产规模，然而在三文鱼产业快速发展的同时，三文鱼的造假问题也变得日益严重，一部分商家用别的鱼肉代替三文鱼欺骗消费者，还有商家在三文鱼鱼肉中注水提高净重来进行牟利，注水后的鱼肉口感下降，注水鱼肉中的微生物含量严重超标，水中的化学物质会对人体造成很大伤害。
当前，测量是否注水的方法主要是感官分析法，通过人眼的观察及手的触摸进行判断，感光分析法简便易行，但是容易受到人主观因素的影响，并且无法对是否注水做出准确的判断，由于上述原因，探索一种快速无损、即时检测三文鱼是否注水的方法是非常必要的，试纸法可以快速有效的检测三文鱼是否注水，但是无法对注水量做出准确判断。
技术实现要素：
本发明的目的是提供一种利用高光谱图像技术检测三文鱼中注水量的方法。
本发明为实现上述目的所采用的技术方案是：一种利用高光谱图像技术检测三文鱼中注水量的方法，包括以下步骤：
A：样品采集：采集三文鱼样品；
B、样品处理:对三文鱼样品进行切片，切成小块，并依次注入不同量的水；
C、样品高光谱波段筛选：对不同注水量的三文鱼块进行光谱数据的采集，选取区域的到全光谱特征波段曲线，利用主成分分析法进行数据降维，选取特征波段并由其主成分图像得到权重系数图；
D、样品高光谱特征提取：对选取的主成分图像进行颜色矩的提取，并用灰度共生矩阵提取图像的纹理特征；
E、建立模型：将得到的颜色特征和纹理特征与注水量输入到数据模型当中，进行注水量模型的建立；
F、模型评估：利用已建立的模型，输入样本的颜色特征与纹理特征得到注水量鉴别，根据模型得到准确率，对网络模型进行评估。
所述步骤A中三文鱼样品采用市场上较为常见的易出现造假的样品。
所述步骤B中将三文鱼样品切成大小均为1cmⅹ1cmⅹ1cm小块，共60块。
所述步骤B中对三文鱼进行切块并注水，经测试三文鱼鱼肉注水超过0.6g会有水溢出，对三文鱼鱼肉在0-0.6g随机注射。
所述步骤C中光谱数据采集的参数设置为物距为 50cm，曝光时间为 9ms，波长范围为 379nm-1038nm，光谱间距为 1.34nm，传送带速度为 5mm/s。
所述步骤E中模型建立采用自组织映射算法。
本发明一种利用高光谱图像技术检测三文鱼中注水量的方法，检测方法操作过程无需对样品进行预处理，操作简单，重复性好，分析时间短，分析过程需对三文鱼切块并注水，在建立用于检测的网络模型后，对待测样品只需在光谱下进行扫描得到所需特征数据即可通过网络模型检测三文鱼注水量，为非侵入式测量方法，检测结果快速准确，并且十分稳定，有效的提高了检测效率，可以满足生产现场对样品快速检测的需求。
附图说明
图1是本发明一种利用高光谱图像技术检测三文鱼中注水量的方法采集的不同注水量的三文鱼样品感兴趣区域的平均光谱曲线图。
图2是本发明一种利用高光谱图像技术检测三文鱼中注水量的方法采集的不同注水量的三文鱼样品的主要成分PC1图像。
图3是本发明一种利用高光谱图像技术检测三文鱼中注水量的方法采集的不同注水量的三文鱼样品的主要成分PC2图像。
图4是本发明一种利用高光谱图像技术检测三文鱼中注水量的方法采集的不同注水量的三文鱼样品的主要成分PC3图像。
图5是本发明一种利用高光谱图像技术检测三文鱼中注水量的方法采集的不同注水量的三文鱼样品的主要成分PC4图像。
图6是本发明一种利用高光谱图像技术检测三文鱼中注水量的方法采集的不同注水量的三文鱼样品的主要成分PC5图像。
图7是本发明一种利用高光谱图像技术检测三文鱼中注水量的方法采集的不同注水量的三文鱼样品的主要成分PC6图像。
图8是本发明一种利用高光谱图像技术检测三文鱼中注水量的方法通过特征波段下的主成分图像的灰度值得到的无注水图像。
图9是本发明一种利用高光谱图像技术检测三文鱼中注水量的方法通过特征波段下的主成分图像的灰度值得到的注水量在0g-0.2g的图像。
图10是本发明一种利用高光谱图像技术检测三文鱼中注水量的方法通过特征波段下的主成分图像的灰度值得到的注水量在0.2-0.4g的图像。
图11是本发明一种利用高光谱图像技术检测三文鱼中注水量的方法通过特征波段下的主成分图像的灰度值得到的注水量在0.4-0.6g的图像。
图12是本发明一种利用高光谱图像技术检测三文鱼中注水量的方法通过自组织映射算法，建立的网络模型1的分类结果图。
图13是本发明一种利用高光谱图像技术检测三文鱼中注水量的方法通过自组织映射算法，建立的网络模型2的分类结果图。
图14是本发明一种利用高光谱图像技术检测三文鱼中注水量的方法通过自组织映射算法，建立的网络模型3的分类结果图。
图15是本发明一种利用高光谱图像技术检测三文鱼中注水量的方法的前六个主成分累积方差贡献率表。
图16是本发明一种利用高光谱图像技术检测三文鱼中注水量的方法的模型准确率表。
具体实施方式
如图1至图14所示，利用高光谱图像技术检测三文鱼中注水量的方法，具体包括以下步骤，样品采集：分批次购买三文鱼样品并进行切块，鱼块大小均为1cmⅹ1cmⅹ1cm,共60块；样品测量：样品注水量测定，分批次对60个样品随机注入0-0.6g的水，每次注水后放到天平上进行称重，结果精确到小数点后两位（单位g）；高光谱图像数据的获取：将80个三文鱼样品放到高光谱图像采集系统下采集光谱数据，每次注水后采集光谱数据，该高光谱图像采集系统主要包括高光谱成像单元、光源、电控移动平台和装有控制系统的计算机组成，其中高光谱成像单元包括CCD摄像机和图像光谱仪两部分，光源由150W卤素灯提供，为了得到最佳的光谱图像，反复调试之后的系统参数如下：曝光时间 10ms，物距 50cm，平台移动速度 5mm/s，波长范围379nm-1038nm，如图1所示选取采集三文鱼样品的感兴趣区域得到全波段下的平均光谱曲线图，利用主成分分析法对光谱数据进行降维，得到的六个主成分图像如图2至图7所示，图15表可知前六个主成分贡献率，选择特征值大于1的主成分图像进行分析，因为前两个的主成分的累计贡献率已经能够达到90%以上，对比PC1图像和PC2图像，PC1图像亮度过高，注水特征反映不明显，而PC2图像能够很好的反映样品的注水特征，通过对样品的PC2图像进行伪彩变换如图8至图11，可以看出不同注水量的PC2图像有明显变化，所以选择PC2图像进行处理，过程所用软件为ENVI 5.0（Research System Inc, USA）；建立模型：利用灰度共生矩阵提取样品主成分分析下的PC2图像的对比度、相关性、均值、方差作为纹理特征，提取样品主成分分析下PC2图像的颜色的一阶矩、二阶矩作为颜色特征，模型神经元输出根据注水量的不同共分为0、1、2、3四类，0表示无注水，1表示注水量在0g-0.2g之间，2表示注水量在0.2g-0.4g之间，3表示注水量在0.4g-0.6g之间，根据输入参数的不同，建立了三组网络模型：模型一，将三文鱼样品的纹理特征作为输入参数，建立基于自组织映射（SOM）的三文鱼注水量检测模型；模型二，将三文鱼样品的颜色特征作为输入参数，建立基于自组织映射（SOM）的三文鱼注水量检测模型；模型三，融合三文鱼样品的纹理特征和颜色特征作为输入参数，建立基于自组织映射（SOM）的三文鱼注水量检测模型，通过检测结果的对比，计算模型检测的准确率，确定最优的检测网络模型，该过程所用软件为Matlab 2014b（The MathWorksInc, USA），将60个样品平均分为4组，注水量分布为0, 0-0.2g, 0.2-0.4g, 0.4-0.6g，以此样品纹理特征为输入构建模型一，样品在四个神经元的分布如图12所示，检测结果四个神经元对应的数目与实际数目（每组15个）进行比较可以计算该模型的检测准确率，得到所建立网络模型的检测准确率为75.36%，同理，以 4组样品的颜色特征为输入构建模型二，得到检测样品在4个神经元的分布如图13所示，计算出所建立网络模型的检测准确率为90.83%，能较为准确的检测样品的注水量，以4组样品纹理与颜色融合特征为输入构建模型三，得到检测样品在4个神经元的分布如图14所示，计算出所建立网络模型的检测准确率为96.67%；模型的评价：通过图16表的直观对比可知，通过主成分图像的纹理特征建立的SOM网络模型一准确率为75.36%，准确率相对较低，根据图像的颜色特征建立的网络模型二准确率达到90.83%，可以较准确的检测三文鱼鱼肉的注水量，通过纹理颜色特征融合建立的模型三检测准确率达到96.67%，可以十分准确的检测三文鱼样品的注水情况，因此，选用模型3建立三文鱼鱼肉注水检测模型，本发明通过对网络模型的验证，可以得到采用本发明的方法所建立的检测三文鱼注水的网络模型，通过纹理特征和颜色特征的建模结果比较，主成分图像的颜色特征所得到的网络模型可以很好的对待测三文鱼样品进行鉴别，检测过程只需对样品进行高光谱图像扫描，整个操作过程不会对待测样品进行破坏，操作简单，可以有效提高检测速度。