一种基于高光谱图像技术识别中华绒螯蟹品质的方法与流程

本发明属于水产品无损检测技术领域，具体涉及一种基于高光谱图像技术的中华绒螯蟹品质快速无损检测方法。

背景技术

中华绒螯蟹是我国重要的名贵水产品，不仅味道鲜美，而且还含有丰富的蛋白质、维生素及钙、磷、铁等微量元素，具有较高的营养价值。随着人们生活质量的不断提高，中华绒螯蟹的需求量也逐年增加，作为水产业中的佼佼者，年产量已达数万吨。为了满足市场日渐增长的需求，中华绒螯蟹的养殖产量也在逐年增长；现市场上90％以上的中华绒螯蟹通过鲜活的原料形式进行销售，价格，浮动空间较大；目前中华绒螯蟹分级指标主要为重量、雌雄和成熟度指标，以人工挑拣、称重的分级为主，其人为因素对中华绒螯蟹分级影响较大，且具有劳动强度大，人工成本高，生产规模小等诸多缺点；效率低下的人工分级已经无法满足商品蟹季节的需求性和保鲜性。

按感官评定法从中华绒螯蟹的外部形态特征、生物学特征和生物学指数可以评定中华绒螯蟹的品质等级。中华绒螯蟹在养殖条件下，大眼幼体及豆蟹经过3-5个月时间的生长，至每年秋冬季节性腺发育成熟，成熟的中华绒螯蟹全身甲壳硬实、绒毛浓密，雌蟹腹脐浑圆、厚实，雄蟹鳌足发达，交接器骨至化。雌蟹未成熟的显著特征是脐的最末一节呈等腰(或等边)三角形，而成熟蟹的脐最末一节均呈扇形。中华绒螯蟹未成熟个体背部及步足上的黑色斑点分布不均匀，而呈现出不规则的斑纹，而且从腹甲的第一、二节体表可看见黄色的肝胰腺。成熟雄蟹点分布均匀，没有明显的花纹，而且从腹甲的第一节和第二节看不见黄色的肝胰腺。

高光谱成像技术集光谱分析技术和计算机视觉于一体，既含光谱分析技术的快速、无损、多组分检测等优点，又集计算机视觉技术的可视化、直观等优点。因其独特的优势，近年来在食品、农产品领域逐渐被研究和应用。高光谱系统工作时，光源照射到被测样品表面，因内部化学成分、组织结构等差异，在特定波段下产生不同的反射比或吸收度；光谱仪将检测到被测中华绒螯蟹的反射或吸收光后分成单色光进入图像传感器，最终获得中华绒螯蟹的高光谱图像。高光谱图像是个三维数据块，包括中华绒螯蟹在每个波段下的图像信息和图像上各像素点连续的光谱信息，图像信息反映中华绒螯蟹形状、纹理、颜色等外部品质特征，光谱信息反映中华绒螯蟹内部化学成分和物理结构等信息；通过高光谱图像技术能反映中华绒螯蟹肝胰腺成分含量、物理等特性并实现对其品质的鉴定区分。

技术实现要素：

针对上述人工分级中华绒螯蟹的问题和不足，本发明采用高光谱成像系统实现对中华绒螯蟹品质的准确预测，结合化学计量学算法，建立数学模型实现中华绒螯蟹品质的快速、准确地检测。

基于高光谱图像技术识别中华绒螯蟹品质的建模过程具体方法分为以下几个步骤：

步骤一：中华绒螯蟹样本采集，中华绒螯蟹样本采自阳澄湖的中华绒螯蟹养殖基地，采集60只雄蟹和60只雌蟹，共120只鲜活中华绒螯蟹蟹。捕捞出水后立即用麻绳扎紧，放置入底部铺冰的泡沫箱内迅速带回实验室，利用自来水将蟹洗净，高光谱图像采集前，需用吸水纸擦去中华绒螯蟹样本表面的多余水分；

步骤二：获取中华绒螯蟹品质，参照农业标准ny-5064-2001中华绒螯蟹感官指标鉴别120只中华绒螯蟹的品质，将样本分为四组，分别为雄性优级、雄性次级、雌雄优级、雌雄次级；

步骤三：采集高光谱图像，采用高光谱图像数据采集系统对中华绒螯蟹样本进行信息采集，设置光谱仪工作参数扫描波长范围为430nm～965nm，分辨率为2.8nm，含618个波段，线性光源入射角45°；设置ccd相机的成像分辨率为775pixel×1628pixel，焦距为23mm，曝光时间为0.045s；移动平台速度为1.45mm/s。然后将中华绒螯蟹样本放置在电控载物台上采用线性扫描方式获得大小为775×1628×618三维高光谱图像数据块；采集的高光谱图像进行标定和去除背景处理；

步骤四：获取感兴趣区域的光谱信息，用envi软件提取高光谱图像的光谱信息。首先，选取每个样本腹部肝胰腺部位300像素×300像素大小的感兴趣区域(roi)，然后计算该区域所有像素点的平均光谱反射值xi(x1、x2、x3、…、x120)并作为该样本的光谱数据，从而120只样本得到120×618(样本数×波长数)的原始光谱数据；采用基于光谱导数分析的卷积平滑处理方法对原始光谱数据进行预处理；

步骤五：提取腹部光谱特征变量和背部图像特征变量，对获取的蟹壳面高光谱图像和腹部面光谱信息进行pca分析，以获得能够表征样本原始信息的前3个主成分背部图像纹理特征信息和腹部光谱信息。在pca获得主成分图像纹理信息的基础上，通过灰度共生矩阵获取蟹壳高光谱图像中相关性、逆差矩、熵、角二阶矩、对比度5个纹理特征信息，作为后续鉴别模型的输入变量。

步骤六：构建鉴别模型，首先将腹部特征光谱数据和蟹壳图像纹理数据进行标准化处理，然后使用k-s(kennard-stone)方法按2:1的比例将光谱数据分成校正集和预测集。将特征变量带入ls-svm模型识别中华中绒螯蟹的品质，建模采用径向基函数作为核函数，建模效果并采用交互验证均方根误差和预测均方根误差进行评价。

上述步骤三中去除背景处理，具体采用固定阈值分割法，设定阈值为40，去除蟹壳面图像的背景；设定阈值为160，去除腹部面图像的背景。

上述步骤四中基于光谱导数分析的卷积平滑处理方法，具体采用5点宽度平滑窗口进行平滑处理。

本发明的有益效果在于：

本发明公开的基于高光谱图像技术识别中华绒螯蟹品质的方法，利用优选的特征光谱信息改善所建模型的识别速度和识别精度，不仅克服了人工感官评定法鉴别中华绒螯蟹品质速度慢、受主观意识影响的缺点，而且提高中华绒螯蟹以及其他水产品智能化检测水平和技术提供理论支撑和技术支持，对于保障水产品品质安全具有直接的现实意义。

附图说明

图1为高光谱成像系统结构图；

图2为采集的中华绒螯蟹高光谱图像；

图3为提取的中华绒螯蟹光谱信息；

图4为中华绒螯蟹品质pca判别结果；

图5为ls-svm分类结果图。

具体实施方式

下面结合附图对本发明作进一步说明。

基于图像光谱仪的高光谱成像系统结构如图1所示。该成像装置主要由光源、ccd摄像头和图像光谱仪组成。ccd摄像头采用线列探测器作为敏感元件。工作时，图像光谱仪将检测对象反射或透射来的光分成单色光源后进入ccd相机。该系统采用扫描成像方法得到高光谱图像。线列探测器在光学焦面的垂直方向作横向排列以完成横向扫描(x轴方向)，可以获取对象在条状空间中每个像素在各个波长下的图像信息ki(i＝1，2，3，…，n；其中n为正整数)；同时，在输送带前进过程中，排列的探测器就扫描出一条带状轨迹从而完成纵向扫描(y轴方向)，综合横纵扫描信息和波长信息就可得到中华绒螯蟹的三维高光谱图像数据(x，y，k)。

1.中华绒螯蟹样本采集

中华绒螯蟹样本采自阳澄湖的中华绒螯蟹养殖基地，120只雌雄数相同的活蟹捕捞出水后立即用麻绳扎紧，放置入底部铺冰的泡沫箱内迅速带回实验室，利用自来水将蟹洗净，高光谱图像采集前，需用吸水纸擦去中华绒螯蟹样本表面的多余水分。参照农业标准ny-5064-2001中华绒螯蟹感官指标鉴别120只中华绒螯蟹的品质，优质的中华绒螯蟹具有明显的“青壳、白肚、黄毛、金爪”的外部特征，样本分为四组，分别为雄性优级、雄性次级、雌雄优级、雌雄次级。具体的中华绒螯蟹感官指标见表1。

表1中华绒螯蟹感官指标

2.高光谱图像采集和校正

采用高光谱图像数据采集系统对中华绒螯蟹样本进行信息采集，设置光谱仪工作参数扫描波长范围为430nm～965nm，分辨率为2.8nm，含618个波段，线性光源入射角45°；设置ccd相机的成像分辨率为775pixel×1628pixel，焦距为23mm，曝光时间为0.045s；移动平台速度为1.45mm/s。然后将中华绒螯蟹样本放置在电控载物台上采用线性扫描方式获得大小为775×1628×618三维高光谱图像数据块。

针对各波段下光源强度分布不均匀以及传感器中暗电流的存在，造成在光照强度分布较弱的波段下，获得的图像含有较大噪声，而且图像在不同波长下的亮度值差异较大等问题，本发明对采集的图像进行标定。首先，采集得到全白的标定图像w(扫描反射率为99％的标准白色校正板)；然后关闭摄像机快门进行图像采集，得到全黑的标定图像b；最后按照式(1)进行图像标定，使采集得到的绝对图像i变成相对图像r，标定后的图像如图2所示。

其中，i为原始高光谱图像；b为全黑的标定图像；w为全白的标定图像；r为标定后的高光谱图像。

为提高建模精度，本发明用阈值分割法对高光谱图像进行背景去除。本实施例选用固定阈值的方法设置阈值。设定阈值为40，去除标定后中华绒螯蟹蟹壳面图像的背景；设定阈值为160，去除标定后中华绒螯蟹蟹腹部面图像的背景，将得到的二值图像存储为mask图像，如果mask图像上像素值为0的背景图像，对应高光谱图像上的像素不参与处理，像素值1为的中华绒螯蟹图像参与后续处理中。

3.提取光谱特征变量和图像特征变量

用envi软件提取高光谱图像的光谱信息。首先，选取每个样本腹部肝胰腺部位300像素×300像素大小的感兴趣区域(roi)，然后计算该区域所有像素点的平均光谱反射值xi(x1、x2、x3、…、x120)并作为该样本的光谱数据，从而120只样本得到120×618(样本数×波长数)的原始光谱数据；图像数据中的光谱信息主要是中华绒螯蟹内部化学组分含氢基团(如c-h、o-h和n-h等)合频和倍频吸收的呈现，且在不同品质的中华绒螯蟹中，化学组分含量也有所差异，利用这些差异引起光谱特定波段吸收峰的变化。

高光谱相机在该光谱区间内的信噪比校正后容易将噪声放大，因此要去除光谱中的噪声。本发明采用了一种基于光谱导数分析的卷积平滑处理方法dsgf(derivativebasedsavitzky-golay)对原始光谱平滑滤波。本实施例采用5点宽度平滑窗口进行平滑，滤波结果如图3所示，预处理的光谱信息在一定程度上去除了噪声，而且被强化并存留了原始光谱的吸收峰，可用于后续数据分析。

本实施例对获取的蟹壳面高光谱图像和腹部面光谱信息进行pca分析，以获得能够表征样本原始信息的前3个主成分背部图像纹理特征信息和腹部光谱信息。每个波长下的图像组成一个二维矩阵,经过主成分处理之后,再把得到的结果按原来的规则还原成图像。如此处理后得到的主成分图像突出了图像内各像素的对比,能够较好地进行定性分类。

本实施例采用基于统计方法中的二阶统计矩对采集的高光谱图像进行纹理特征提取。灰度共生矩阵为基于图像灰度的联合概率矩阵，通过计算图像邻近像元灰度级之间的二阶联合条件概率密度来表示纹理，用函数p(i，j，d，θ)来表示在给定的空间距离d和方向θ上相邻的灰度级象素对f(i,j)出现概率。获取纹理特征的具体流程如下：先利用pca获得3个主成分图像特征信息，提取3个主成分下的纹理特征值，通过灰度共生矩阵(graylevelco-occurrencemartrix，glcm)获取每个主成分下蟹壳高光谱图像中相关性、逆差矩、熵、角二阶矩、对比度5个纹理特征信息，每个样本中共获得15个图像纹理特征变量用作鉴别模型的输入变量。

经pca处理后，取光谱信息中前3个主成分因子得分向量作图，如图4所示。其中第一主成分、第二主成分和第三主成分的方差贡献率分别为89.26％，4.35％，2.29％，积累方差贡献率为95.90％，代表样本高光谱图像的所有信息。优级的雄蟹和雌蟹能明显的聚为相同类，且次级的雄蟹和雌蟹也能明显的聚为相同类，两类数据在图中能清晰的区分开来，说明本实施例中的高光谱数据有很好的聚类趋势，高光谱图像技术能有效区分出中华绒螯蟹的品质差异。

4.构建鉴别模型

首先将腹部面特征光谱数据和蟹壳面图像纹理数据进行标准化处理，具体计算公式如下：

其中xn,i为样本i的标准化数据，xi为样本i的原始数据，为所有数据的均值。

然后120条光谱数据经过dsgf预处理和pca特征提取后，为了减少样本分组对模型结果造成影响，本实施例使用k-s(kennard-stone)方法按2:1的比例将光谱数据分成校正集和预测集：

(1)根据中华绒螯蟹的感官评定，对60只雄蟹和60只雌蟹进行排序；

(2)分别选择雌雄螃蟹品质差距最大的两对样品；

(3)然后分别计算剩余的样本与已选择的两对样本之间的品质差距；

(4)对于每个剩余样本而言，其与已选样品之间的品质差距最短被选择，然后选择这些最接近品质中相对最长差距所对应的样本，作为第三个样品；

(5)重复步骤(3)，直至所选的样品的个数为80，将选出的80个样本作为校正集样本。剩余的作为预测集。

校正集用来建立表征光谱反射值和中华绒螯蟹成熟度的对应关系，预测集用来检测对应关系式预测成熟度的效果。

然后基于光谱特征构建中华绒螯蟹品质鉴定ls-svm模型，建模采用径向基函数(rbf)作为核函数。并采用交互验证均方根误差(rmsecv)和预测均方根误差(rmsep)对模型的效果进行评价，rmsecv主要用于评价建模方法的可行性及所建模型的预测能力，rmsep是模型对预测集样本的预测均方根误差，主要用于评价所建模型对外部样本的预测能力。

将特征值带入ls-svm模型得到的ls-svm分类结果图，如图5所示。预测集和校正集的识别率随着主成分数的增大而增大；当主成分数为8识别率达到最大，校正集识别率到达99％，预测集识别率为97.85％。当到达最大值后，预测集识别率又有所下降。因此，当主成分数为8，校正集的识别率为99％，预测集识别率为97.85％，可以有效的区分中华中绒螯蟹的品质。而且，其校正集的交互验证均方根误差为2.31，预测集的预测均方根误差为2.30，说明本预测模型估计很好的可行性和预测能力。

上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。