本发明涉及及食品质量与安全检测领域，具体涉及在线快速检测鸡肉硬度的方法。
背景技术：
鸡肉作为我国主要的食用家禽肉，因其高蛋白、低脂肪、低热量、低胆固醇的特点，而深受广大消费者的青睐。随着人民生活水平的提高，消费者在购买鸡肉的过程中更加注重其外观特征、食用适口性以及营养价值等品质特征，其中能反映鸡肉质构特性的硬度指标，则对消费者的购买起着决定性的作用。而鸡肉的硬度与肌肉的组织结构、化学成分有着密切的联系，因为它决定了鸡肉食用口感的好坏。
目前对于鸡肉硬度的测定主要依靠质构仪对其进行检测，但质构仪对样品具有破坏性且对样品的大小要求较高，还存在人为因素大以及检测效率低等缺点，最主要使用质构仪对鸡肉硬度进行检测的方法远远满足不了肉品企业大规模的在线检测要求。随着经济的快速发展，目前肉品企业急需一种快速无损技术以实现鸡肉品质的在线实时监测。
技术实现要素：
为了解决现有技术的不足，本发明提供了在线快速检测鸡肉硬度的方法。
本发明的技术方案是：在线快速检测鸡肉硬度的方法，采集校正集鸡肉样品的高光谱图像，对获取的光谱图进行预处理再进行目标区域的识别以及光谱图平均光谱数据的提取；将提取的光谱数据代入下式即得yhardness＝-77.060+1870x902.198nm-1210x912.081nm+460.313x915.375nm-1360x928.551nm+504.77x949.957nm+583.747x958.189nm-565.739x1010.859nm+557.25x1066.801nm-451.631x1130.956nm+555.352x1162.211nm-383.19x1257.634nm+429.022x1443.761nm-383.584x1564.287nm-266.841x1648.682nm-603.601x1698.415nm,其中yhardness为鸡胸肉样品的硬度值，x902.198nm、x912.081nm、x915.375nm、x928.551nm、x949.957nm、x958.189nm、x1010.859nm、x1066.801nm、x1130.956nm、x1162.211nm、x1257.634nm、x1443.761nm、x1564.287nm、x1648.682nm、x1698.415nm，分别为波长在902.198nm、912.081nm、915.375nm、928.551nm、949.957nm、958.189nm、1010.859nm、1066.801nm、1130.956nm、1162.211nm、1257.634nm、1443.761nm、1564.287nm、1648.682nm、1698.415nm处的光谱反射率值；上式相关系数为r＝0.951，均方根误差rmse＝10.961。
本发明的进一步改进包括：
对获取的光谱图进行预处理即黑白板校正按照以下公式进行：
其中n为校正后的图像，r为原始光谱图像；d为黑板图像，其反射率为0％，w为白板图像，其反射率为99.9％。
本发明提供了一种高分辨率、快速、无损、无需对样品进行预处理等优点的高光谱成像技术来检测鸡肉中的硬度，以弥补现有技术在的不足，从而实现鸡肉硬度大规模的在线检测。
本发明从486个全波段内提取13个最优波长时为了剔除大量的冗余信息，提取有用的信息，以降低数据分析的计算量，从而提高偏最小二乘模型的精度，以实现肉品企业大规模的在线生产的需求。与现有技术相比，本发明具有以下有益效果：本发明在对不破坏样品的情况下，只需对样品进行非接触的光谱扫描即可获得样品的硬度值；试验过程中降低了由于人为操作而导致的偶然误差；本发明可以实现鸡胸肉硬度的大规模在线检测。
附图说明
图1是111个校正集样品的光谱特征图。
图2是回归系数法对校正集样品最优波长的提取。
图3是鸡胸肉硬度预测值与实测值之间的相关性。
具体实施方式
下面结合实施例对本发明做详细说明。
实施例
本实施例的一种快速无损在线检测鸡肉硬度的方法步骤如下：
(1)将购买的整块新鲜鸡胸肉在实验室分割成3cm*3cm*1cm的小样品，共获得111个小样品称为校正集，再将其平均分成7份，分别放进带有盖子的一次性塑料盒里，最后放在4℃的冰箱内进行冷藏，在0、1、2、3、4、5、6天各取出一份进行试验；
(2)在试验之前，提前30min打开高光谱成像系统预热，同时鸡肉样本也提前30min从冰箱内取出待其恢复至室温后用吸水纸将其表面的水分擦干，将成像系统的状态调至最佳即光谱图像采集速度为6.54mm/s，曝光时间为4.65ms时，接着进行黑板和白板图像的保存，最后进行样品图像的采集；
(3)对采集过光谱图像的样品要立即采用质构仪对其硬度的检测，并记录硬度值，即111个样品的硬度值按照从小到大的顺序排列，其数据统计如表1：
表1111个校正集样品的硬度参考值
(4)对获得光谱图像按照以下公式进行黑白板校正；
其中n为校正后的图像，r为原始光谱图像；d为黑板图像，其反射率为0％，w为白板图像，其反射率为99.9％。
对原始光谱图进行校正后，首先识别图像中的感兴趣区域并对光谱数据进行提取，提取的光谱数据为光谱反射率值，即获得的111个校正集样品的光谱特征如图1：
(5)使用偏最小二乘法(plsr)来关联步骤(4)的光谱数据与步骤(3)的硬度值之间的定量关系，以获取全波段(486个波长)内的plsr模型；使用相关系数r、均方根误差rmse以及交叉验证集的相关系数和均方根误差来对所建模型的精度和稳定性进行评价，当r越接近于1且rmse越小时，则模型的精度和稳定性越好。结果如表2：
表2全波段内校正集的plsr预测模型
从表2中可以得出校正集的plsr模型的相关系数r高达0.969，均方根误差为9.730，其中交叉验证集的模型相关系数r接近于校正集的，且两者的均方根误差也很接近，故校正集的plsr模型精度即高又稳定。
(6)对步骤(5)中所建模型的全波段(900-1700nm)下的光谱数据共有486个波长，息量如此之大不能很好地满足在线生产的需要，其中必然存在大量的冗余信息，通过回归系数法去除无关信息，提取有用的信息，以降低数据分析的计算量，从而提高偏最小二乘模型的精度。结果如图2。
从图2中可以得出使用回归系数法从全波段内提取了15个最优波长，分别为902.198nm、912.081nm、915.375nm、928.551nm、949.957nm、958.189nm、1010.859nm、1066.801nm、1130.956nm、1162.211nm、1257.634nm、1443.761nm、1564.287nm、1648.682nm、1698.415nm。
(7)再次采用偏最小二乘法来关联步骤(6)所获得的最优波长和步骤(3)的硬度值之间的定量关系，获得优化后的偏最小二乘(plsr)预测模型，其结果如表3：
表3最优波长的校正集plsr预测模型
从表中可得，使用15个最优波长所建立的plsr模型的相关系数和均方根误差与交叉验证集的很接近，且与全波段模型的相关系数和均方根误差差距极小，故使用15个最优波长所建立的plsr模型的精度很高又稳定，故使用最优波长所所建立的plsr模型相当理想。
(8)获得的最优波长的plsr模型公式如下：
yhardness＝-77.060+1870x902.198nm-1210x912.081nm+460.313x915.375nm-1360x928.551nm+504.77x949.957nm+583.747x958.189nm-565.739x1010.859nm+557.25x1066.801nm-451.631x1130.956nm+555.352x1162.211nm-383.19x1257.634nm+429.022x1443.761nm-383.584x1564.287nm-266.841x1648.682nm-603.601x1698.415nm,其中yhardness为鸡胸肉样品的硬度值，x902.198nm、x912.081nm、x915.375nm、x928.551nm、x949.957nm、x958.189nm、x1010.859nm、x1066.801nm、x1130.956nm、x1162.211nm、x1257.634nm、x1443.761nm、x1564.287nm、x1648.682nm、x1698.415nm，分别为波长在902.198nm、912.081nm、915.375nm、928.551nm、949.957nm、958.189nm、1010.859nm、1066.801nm、1130.956nm、1162.211nm、1257.634nm、1443.761nm、1564.287nm、1648.682nm、1698.415nm处的光谱反射率值。
(9)测试
①采集36个待测鸡胸肉样品的高光谱图像，波长范围为900-1700nm；
②对获取的光谱图像进行黑白板校正，并提取感兴趣区域的光谱数据，得到的是待测样品的光谱反射率；
③把提取的光谱反射率值带入到步骤(8)所获得的最优波长的plsr模型中，最后便可获得36个待测鸡胸肉的硬度预测值；
④将鸡胸肉硬度的预测值与使用质构仪所测得的值进行线性拟合，其相关系数高达0.951，其真实值与预测值之间的相关很好，表明所建最优波长的偏最小二乘模型的预测能力较好，结果如图3。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。