本发明涉及图像处理技术领域,尤其是一种基于证据理论的物体新鲜度无损检测方法。
背景技术:
肉类及其制品是人类获得蛋白质、维生素和矿物质等营养成分的重要来源之一,但在加工及贮藏过程中由于微生物、酶以及自身脂肪氧化等作用,肉类及其制品容易腐败变质,这不仅会降低肉类及其制品的营养价值,还会产生有毒有害物质,影响食品安全,因此,对肉类及其制品的新鲜度的快速检测成为了加工及贮藏过程中的重要环节。
目前对肉类制品新鲜度的评定主要采用感官检测法或理化检测法,感官检测法主要是由检测人员对肉类制品的色泽、弹性、粘度和气味等进行评价,这种方法过度依赖人员经验,且具有主观性和片面性,同时检测结果不易量化;理化检测法主要是通过物理化学方法对肉类制品的各项化学指标进行测定,存在着步骤繁琐、检测周期长以及破坏检测样品等缺点。为了解决感官检测法和理化检测法的缺陷,机器视觉、近红外光谱以及高光谱成像等图像处理方法逐渐被引入到对肉类制品的新鲜度的检测中,这些方法可以实现对肉类制品新鲜度的可视化无损检测,方便快捷,其中,高光谱成像由于结合了机器视觉和近红外光谱的优点,能够同时反映肉类制品的内外部特征,从而被广泛应用于肉类制品的新鲜度检测中,但是传统的高光谱成像进行无损检测时一般是通过建立单一模型来进行检测,检测精度不够,且单一模型会导致模型的泛化能力不强、鲁棒性较差,检测效果不够好。
技术实现要素:
本发明人针对上述问题及技术需求,提出了一种基于证据理论的物体新鲜度无损检测方法,该方法可以提高肉类新鲜度的预测精度,操作简单、快速有效,并具有较高的鲁棒性和模型泛化能力。
本发明的技术方案如下:
选取待检测物体的n个新鲜度不同的检测样本,确定每个检测样本的新鲜度等级,n为正整数;
获取每个检测样本在m个波段下的m个高光谱图像,m为正整数;
对于每个检测样本,通过检测样本对应的m个高光谱图像确定检测样本的特征参数;
采用第一算法对n个检测样本的特征参数进行特征融合,并将融合后的特征输入到最小二乘支持向量机预测模型中得到对样本的新鲜度等级的第一预测模型;
采用第二算法对n个检测样本的特征参数进行特征融合,并将融合后的特征输入到最小二乘支持向量机预测模型中得到对样本的新鲜度等级的第二预测模型;
基于证据理论对第一预测模型和第二预测模型进行融合得到对样本的新鲜度等级的融合预测模型;
使用融合预测模型对待检测物体进行新鲜度检测确定待检测物体的新鲜度等级。
其进一步的技术方案为,基于证据理论对第一预测模型和第二预测模型进行融合得到对样本的新鲜度等级的融合预测模型,包括:
分别确定第一预测模型和第二预测模型的模型权重,并在识别框架上建立基本信度函数分配,识别框架中包括第一预测模型和第二预测模型,第一预测模型对应的基本信度值为第一预测模型的模型权重,第二预测模型对应的基本信度值为第二预测模型的模型权重;
将n个检测样本分为训练样本集和测试样本集,并将训练样本集均分为三个样本集,依次选取其中两个样本集作为训练集进行训练,并将另一个样本集作为验证集进行验证,将每次得到的验证结果作为识别框架中的一条证据并分别确定三条证据对应的基本信度值;
基于证据理论的合成规则对三条证据的基本信度值进行融合得到第一融合基本信度值和第二融合基本信度值;
确定第一融合基本信度值为第一预测模型对应的融合权重,确定第二融合基本信度值为第二预测模型对应的融合权重,将第一预测模型和第二预测模型按照各自对应的融合权重进行融合得到融合预测模型,并利用测试样本集测试融合预测模型的性能。
其进一步的技术方案为,基于证据理论的合成规则对三条证据的基本信度值进行融合得到第一融合基本信度值和第二融合基本信度值,包括:
通过计算如下公式对第一条证据和第二条证据的基本信度值进行融合得到融合结果:
m(p1)=m1(p1)m2(p1)/(1-k)
m(p2)=m1(p2)m2(p2)/(1-k)
k=m1(p1)m2(p2)+m1(p2)m2(p1)
其中,m(p1)和m(p2)是融合结果对应的基本信度值,m1(p1)和m1(p2)是第一条证据对应的基本信度值,m2(p1)和m2(p2)是第二条证据对应的基本信度值;
通过计算如下公式对融合结果和第三条证据的基本信度值进行融合得到第一融合基本信度值和第二融合基本信度值:
mc(p1)=m(p1)m3(p1)/(1-k)
mc(p2)=m(p2)m3(p2)/(1-k)
k=m(p1)m3(p2)+m(p2)m3(p1)
其中,mc(p1)是第一融合基本信度值,mc(p2)是第二融合基本信度值,m3(p1)和m3(p2)是第三条证据对应的基本信度值。
其进一步的技术方案为,分别确定第一预测模型和第二预测模型的模型权重,包括:
确定第一预测模型的预测误差,并根据第一预测模型的预测误差计算第一预测模型的模型权重;
确定第二预测模型的预测误差,并根据第二预测模型的预测误差计算第二预测模型的模型权重;
其中,第一预测模型和第二预测模型的模型权重的计算公式为:
其中,i=1或2,ω1是第一预测模型的模型权重,e1是第一预测模型的预测误差,d(e1)是第一预测模型的预测误差的方差;ω2是第二预测模型的模型权重e2是第二预测模型的预测误差,d(e2)是第二预测模型的预测误差的方差。
其进一步的技术方案为,通过检测样本对应的m个高光谱图像确定检测样本的特征参数,包括:
对高光谱图像进行图像分割获取检测样本的轮廓;
求取轮廓下的检测样本在gabor变换下的j个方向的图像均值特征,j为正整数且j≥2;
将m个波段下m*j个图像均值特征作为检测样本的特征参数。
其进一步的技术方案为,求取轮廓下的检测样本在gabor变换下的j个方向的图像均值特征,包括:
采用gabor滤波器对检测样本的轮廓进行卷积变化,gabor滤波器的表达式为:
其中,xθ=xcos(θ)+ysin(θ),yθ=xsin(θ)+ycos(θ),(x,y)是像素的坐标值,σ是高斯包络的标准偏差,θ是控制gabor滤波器的方向的参数,f是正弦波的频率;
选取j个不同的方向θ的取值,对于每个方向θ的取值,计算
其进一步的技术方案为,j=4,4个不同的方向θ的取值分别为θ=0、θ=π/4、θ=π/2以及θ=3π/4。
其进一步的技术方案为,获取每个检测样本在m个波段下的m个高光谱图像,包括:
分别获取每个检测样本在s个波段下的s个高光谱图像,s>m且s为正整数;
利用最小二乘投影系数法从s个波段中选择m个波段,分别获取每个检测样本在m个波段下的m个高光谱图像。
其进一步的技术方案为,第一算法为二维主成分分析算法,第二算法为稀疏自编码算法。
其进一步的技术方案为,待检测物体为肉类,确定每个检测样本的新鲜度等级,包括:
测定每个检测样本的挥发性盐基总氮tvb-n含量;
根据每个检测样本的tvb-n含量确定检测样本的新鲜度等级。
本发明的有益技术效果是:
本发明公开了一种基于证据理论的物体新鲜度无损检测方法,该方法可以克服单模型泛化能力不高、精度低的缺点,本申请基于证据理论对模型进行融合,能够提高新鲜度的预测精度,操作简单、快速有效,并具有较高的鲁棒性和模型泛化能力。
附图说明
图1是本申请公开的基于证据理论的物体新鲜度无损检测方法的流程图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步说明。
本申请公开了一种基于证据理论的物体新鲜度无损检测方法,该方法可以用于对待检测物体的新鲜度进行可视化的无损检测,在本申请中,待检测物体可以是肉类,请参考图1示出的流程示意图,该方法包括如下几个步骤:
步骤101,选取待检测物体的n个新鲜度不同的检测样本,确定每个检测样本的新鲜度等级,n为正整数,待检测物体不同时,确定新鲜度等级的方法通常不同,在本申请中,当待检测物体是肉类时,可以采用半微量凯氏定氮法测定每个检测样本中的tvb-n(totalvolatilebasicnitrogen,挥发性盐基总氮)的含量,再根据每个检测样本中的tvb-n含量确定检测样本的新鲜度等级,当待检测物体是其他物体时,可以根据实际需要选择合适的现有技术进行新鲜度等级测定。
步骤102,将n个检测样本放置在高光谱图像采集系统中,分别获取每个检测样本在s个波段下的s个高光谱图像,为了减少冗余以及减少计算量,利用最小二乘投影系数法从s个波段中选择m个波段,分别获取每个检测样本在该m个波段下的m个高光谱图像从而得到n个检测样本,s和m均为正整数且s>m。
步骤103,对于每个检测样本,通过检测样本对应的m个高光谱图像确定检测样本的特征参数,该步骤具体为:
s1、对高光谱图像进行图像分割获取检测样本的轮廓。
s2、将二维gabor滤波器应用于检测样本的高光谱图像中,采用gabor滤波器对检测样本的轮廓进行卷积变化,gabor函数的表达式为:
其中,xθ=xcos(θ)+ysin(θ),yθ=xsin(θ)+ycos(θ),(x,y)是像素的坐标值,σ是高斯包络的标准偏差,θ是控制gabor滤波器的方向的参数,f是正弦波的频率。
s3、选取j个不同的方向θ的取值,j为正整数且j≥2,本申请以j=4为例,则选取的4个不同的方向θ的取值分别为θ=0、θ=π/4、θ=π/2以及θ=3π/4。对于每个方向θ的取值,计算
s4、将m个波段下m*j个图像均值特征作为检测样本的特征参数,在本申请j=4的例子中,将4m个图像特征均值作为检测样本的特征参数。
步骤104,采用第一算法对n个检测样本的特征参数进行特征融合,本申请中的第一算法为二维主成分分析算法,实际也可以是其他算法。将融合后的特征输入到最小二乘支持向量机预测模型中得到对样本的新鲜度等级的第一预测模型p1。
步骤105,采用第二算法对n个检测样本的特征参数进行特征融合,本申请中的第二算法为稀疏自编码算法,实际也可以是其他算法。将融合后的特征输入到最小二乘支持向量机预测模型中得到对样本的新鲜度等级的第二预测模型p2。
需要说明的是,步骤104和步骤105没有特定的先后顺序。
步骤106,基于证据理论对第一预测模型p1和第二预测模型p2进行融合得到对样本的新鲜度等级的融合预测模型,该步骤具体为:
s1、确定第一预测模型p1的预测误差e1,并根据第一预测模型p1的预测误差e1计算第一预测模型p1的模型权重ω1;确定第二预测模型p2的预测误差e2,并根据第二预测模型p2的预测误差e2计算第二预测模型p2的模型权重ω2。第一预测模型p1和第二预测模型p2的模型权重的计算公式相同,计算公式如下:
其中,i=1或2,当i=1时,该计算公式用于计算第一预测模型p1的模型权重,ω1是第一预测模型的模型权重,e1是第一预测模型的预测误差,d(e1)是第一预测模型的预测误差的方差。当i=2时,该计算公式用于计算第二预测模型p2的模型权重,ω2是第二预测模型的模型权重,e2是第二预测模型的预测误差,d(e2)是第二预测模型的预测误差的方差。由此已经确定了第一预测模型p1和第二预测模型p2的模型权重。
s2、在识别框架上建立基本信度函数分配,识别框架为θ={p1,p2},包括第一预测模型p1和第二预测模型p2,其对应的基本信度值为m(pi)=ωi,也即第一预测模型p1对应的基本信度值为第一预测模型p1的模型权重ω1,第二预测模型p2对应的基本信度值为第二预测模型p2的模型权重ω2。
s3、将n个检测样本分为训练样本集和测试样本集,然后将训练样本集均分为三个样本集,依次选取其中两个样本集作为训练集进行训练,并将另一个样本集作为验证集进行验证,将每次得到的验证结果作为识别框架θ中的一条证据并分别确定三条证据对应的基本信度值分别为mj(pi)(i=1,2;j=1,2,3),其相应的信度函数为belj。
s4、基于证据理论的合成规则对三条证据的基本信度值进行融合得到第一融合基本信度值mc(p1)和第二融合基本信度值mc(p2):
首先通过计算如下公式对第一条证据和第二条证据的基本信度值进行融合得到融合结果:
m(p1)=m1(p1)m2(p1)/(1-k)
m(p2)=m1(p2)m2(p2)/(1-k)
k=m1(p1)m2(p2)+m1(p2)m2(p1)
其中,m(p1)和m(p2)是融合结果对应的基本信度值,m1(p1)和m1(p2)是第一条证据对应的基本信度值,m2(p1)和m2(p2)是第二条证据对应的基本信度值。
然后通过计算如下公式对融合结果和第三条证据的基本信度值进行融合得到第一融合基本信度值和第二融合基本信度值:
mc(p1)=m(p1)m3(p1)/(1-k)
mc(p2)=m(p2)m3(p2)/(1-k)
k=m(p1)m3(p2)+m(p2)m3(p1)
其中,mc(p1)是第一融合基本信度值,mc(p2)是第二融合基本信度值,m3(p1)和m3(p2)是第三条证据对应的基本信度值。
s5、确定第一融合基本信度值mc(p1)为第一预测模型p1对应的融合权重,确定第二融合基本信度值mc(p2)为第二预测模型p2对应的融合权重,将第一预测模型和第二预测模型按照各自对应的融合权重进行融合得到融合预测模型,也即融合预测模型可以表示为:p=mc(p1)p1+mc(p2)p2。
s6、利用测试样本集对融合预测模型的性能进行测试,测试样本集中的检测样本的预测结果可以表示为:
y=mc(p1)y1+mc(p2)y2
其中y1为检测样本在第一预测模型p1下的预测值,y2为检测样本在第二预测模型p2下的预测值。
步骤107,使用融合预测模型对待检测物体进行新鲜度检测确定待检测物体的新鲜度等级。
以上所述的仅是本申请的优选实施方式,本发明不限于以上实施例。可以理解,本领域技术人员在不脱离本发明的精神和构思的前提下直接导出或联想到的其他改进和变化,均应认为包含在本发明的保护范围之内。