一种基于高光谱成像技术对大豆蛋白低对比度异物的检测方法

1.本发明属于异物检测领域，具体涉及一种基于人造大豆蛋白反射光谱特征的异物识别方法。


背景技术：

2.蛋白质是人体不可缺少的营养素，随着人口的增加，对动物蛋白的需求持续增长。鉴于动物蛋白生产带来的全球环境问题，公共卫生问题，以及可持续性问题，在环境保护、食品安全和人民追求健康的趋势下，植物替代蛋白产品为消费者对肉类的需求提供了潜在的解决方案，其中大豆蛋白应用最为广泛。
3.大豆蛋白肉是以优质大豆为原料，通过斩拌制糜、挤压成型等工艺过程把大豆蛋白粉制成大小、形状不同的瘦肉片状植物蛋白，其之所以被称为“蛋白肉”，是由于其蛋白质的含量远远高于一般动物肉类，而且食感、结构、色泽、韧性均与动物肉近似，是一种绿色、安全、保健食品。然而，在制作大豆蛋白肉成品的斩拌制糜环节中，由于设备老化等原因产生的金属、包装塑料、硅胶、玻璃等异物很容易混入肉糜之中，严重影响产品品质。因此，如何检测出肉糜中的异物是产品品质保证的关键。
4.现有的检测异物的方法主要有计算机视觉法、x射线法以及超声成像法。计算机视觉法是利用异物与肉糜间的颜色差异，与图像处理程序相结合，实现对异物的检测(如专利一种基于机器视觉的皮蛋内部品质无损检测方法)。然而，计算机视觉对异物的检测高度依赖色度差，对于与肉糜颜色相似的异物很难检测出来。x射线法利用x光的穿透性，根据异物与肉糜间的密度差异，实现异物的检测(如专利一种基于x射线的食品检测装置)。但是，x射线会对食品产生辐射，造成二次污染。发明专利一种三维超声成像系统公开了一种清洁无污染的检测方法——超声成像技术，其根据密度差异，利用超声实现异物的检测。然而，对于塑料、硅胶等与大豆蛋白肉密度较为接近的异物，难以将其检测出来。因此，对于与肉糜颜色相似、密度差异小的异物，开发一种更加准确的检测方法有很大的实际应用价值。


技术实现要素：

5.为了克服现有技术方案的不足，本发明依据高光谱图像信号对化学组分敏感的特性，根据异物与大豆蛋白肉间化学组成成分的不同，提出了一种对大豆蛋白肉低对比度异物的检测方法。
6.本发明的目的在于提供一种基于大豆蛋白肉及其低对比度异物反射特征的鉴别方法，以实现对大豆蛋白肉及其低对比度异物的快速、准确的鉴别；主要包含大豆蛋白肉-异物的反射光谱特征提取、基于大豆蛋白肉-异物反射光特征的鉴别模型构建、待测样品异物鉴别三个步骤，具体操作如下：
7.步骤一，大豆蛋白肉-异物的反射光谱特征提取包含如下过程：
8.过程一，制备样品；
9.取大豆蛋白肉，将其斩拌制糜，均匀平铺，制成(m+1)*n个大豆蛋白肉样品；其中包括n个无异物大豆蛋白肉样品和含有m种异物的m*n个大豆蛋白肉样品；
10.所述含有异物的大豆蛋白肉样品设置有m组，记为大豆蛋白肉-异物样品，简记为y-i-j；大豆蛋白肉样品作为空白对照，记为空白样品，简记为kb-k；其中i∈[1,2,
……
,m-1,m]，j、k∈[1,2,
……
,n-1,n]，m、n为正整数；
[0011]
所述异物包括玻璃、塑料或硅胶；
[0012]
所述大豆蛋白肉-异物样品的制备方法：取异物与大豆蛋白肉样品混合，即可得到含有异物的大豆蛋白肉样品；
[0013]
过程二，对大豆蛋白肉样品采集反射高光谱图像及光谱特征提取；
[0014]
将过程一制备的(m+1)*n个大豆蛋白肉样品按照d：1的比例随机分配训练集和预测集；其中训练集包含m*n*d/(d+1)个大豆蛋白肉-异物样品以及n*d/(d+1)个空白样品；预测集包含m*n*1/(d+1)个大豆蛋白肉-异物样品以及n*1/(d+1)个空白样品；其中d为正整数；
[0015]
将训练集和预测集的样品进行反射高光谱图像采集，从白色光谱面板上获取白色参考图像，完全覆盖相机镜头，以获取黑色参考图像，然后利用白色和黑色参考图像对采集的高光谱图像进行黑白版矫正，得到校正好的高光谱图像；
[0016]
利用校正好的高光谱图像，使用envi软件中的矩形选择工具创建异物以及大豆蛋白肉样品的感兴趣区域(roi)，提取roi区域全光谱(432-963nm)信息，再对其平均化处理，得到原始光谱数据集为((m+1)*n)
×
618，记为g，包括训练数据集和预测数据集，其中训练数据集为((m+1)*n*d/(d+1))
×
618，记为g-cal；预测数据集为((m+1)*n*1/(d+1))
×
618，记为g-pre；
[0017]
对g进行预处理后提取大豆蛋白肉-异物的反射光谱特征数据集为((m+1)*n)
×
r，记为g1；包括训练数据集和预测数据集，其中训练数据集为((m+1)*n*d/(d+1))
×
r，记为g1-cal；预测数据集为((m+1)*n*1/(d+1))
×
r，记为g1-pre；r为大豆蛋白肉-异物的反射光谱特征变量个数；
[0018]
步骤二，所述基于大豆蛋白肉-异物反射光特征的鉴别模型构建包括如下过程：
[0019]
过程一，利用步骤一得到的训练数据集g1-cal和预测数据集g1-pre作为模型输入变量x，以是否有异物作为输出变量y，其中以参考值0代表大豆蛋白肉，参考值1代表异物，结合化学计量法建立异物鉴别模型y＝f(x)；
[0020]
过程二，使用训练数据集g1-cal的光谱数据对模型参数进行优化调节，并使用测试数据集g1-pre对训练模型进行验证，通过正确分类样品的准确率来评估模型对异物的判别能力；
[0021]
步骤三，所述待测样品异物鉴别包括如下过程：
[0022]
过程一，取大豆蛋白肉，将其斩拌制糜，均匀平铺，制成待测样品，在高光谱检测仪下获得待测样品逐像素的光谱反射数据；
[0023]
过程二，利用获得的光谱数据根据步骤一过程二中图像采集方法获得待测样品的光谱特征数据，遍历高光谱图像中每一像素点的光谱特征数据作为自变量x，代入异物鉴别模型y＝f(x)，如果该像素点被判断有异物，则设置像素灰度值输出为1，如果判断为无异物则设置像素灰度值输出为0；最终生成二值化图像，其中0灰度级区域代表大豆蛋白肉区域，
1灰度级区域代表异物区域，从而实现大豆蛋白肉中低对比度异物的可视化检测。
[0024]
优选的，步骤一的过程一中所述大豆蛋白肉样品平铺的厚度为1cm，大小为5cm*5cm。
[0025]
优选的，步骤一的过程一中所述异物的尺寸为1cm*1cm*0.5mm。
[0026]
优选的，步骤一的过程二中所述黑白版矫正公式如下：
[0027][0028]
其中，i
λ
是原始图像的反射强度；b
λ
是黑色参考图像的反射强度；w
λ
是白色参考图像的反射强度；r
λ
是校正之后图像的反射强度。
[0029]
优选的，步骤二的过程一中所述化学计量法包括k最近邻法(k-nearest neighbors，knn)、偏最小二乘法(partial least squares，pls)。
[0030]
优选的，步骤二的过程二中所述准确率的要求不低于85％。
[0031]
本发明的有益效果：
[0032]
本发明利用可见/近红外光谱信号对大豆蛋白肉组分变化的敏感性，以及光谱扫描技术可以在空间维度连续获取样品光学信号的优势，从空间维度表征大豆蛋白肉样品内部特征组分的变化规律，并进一步依据高光谱图像中感兴趣区域的组分光谱差异，实现对大豆蛋白肉糜中的异物(如塑料、玻璃)的鉴别。因此，即使大豆蛋白肉糜中的异物与肉糜的颜色相近，本发明提供的技术方案仍能够根据大豆蛋白肉与低对比度异物的特征组分差异进行有效区分。
附图说明
[0033]
图1为异物以及人造大豆蛋白肉样品的的感兴趣区域平均光谱(原始光谱数据集g)；
[0034]
图2为原始光谱数据集g平滑处理后的光谱数据；
[0035]
图3为平滑处理后又标准正态变换后的光谱数据；
[0036]
图4为主成分分析(pca)聚类结果；
[0037]
图5为knn算法预测处理结果；
[0038]
图6中(a)为偏最小二乘法(pls)预测结果，图(b)为偏最小二乘法测试集预测结果，图(c)为偏最小二乘法校正集预测结果，图(d)为偏最小二乘法联合区间预测结果。
具体实施方式
[0039]
下面结合一些具体实施例为本发明进一步详细说明，但本发明的保护范围不仅限于这些
[0040]
实施例1：
[0041]
一种基于可见/近红外光的反射特征的大豆蛋白肉及其低对比度异物的鉴别方法，其步骤分为大豆蛋白肉-异物的反射光谱特征提取、基于大豆蛋白肉-异物反射光特征的鉴别模型构建、待测样品异物鉴别三个步骤。
[0042]
步骤一，所述大豆蛋白肉-异物的反射光谱特征提取包含如下过程：
[0043]
过程一，制备样品；取m＝3、n＝30，取大豆蛋白肉将其斩拌制糜，均匀平铺，制成
120个大豆蛋白肉样品，大豆蛋白肉样品厚度为1cm，面积大小为5cm*5cm；其中包括30个无异物大豆蛋白肉样品，记为空白样品，简记为kb-k，30个含有玻璃异物的大豆蛋白肉样品，记为大豆蛋白肉-玻璃样品，简记为y-1-j，30个含有塑料异物的大豆蛋白肉样品，记为大豆蛋白肉-塑料样品，简记为y-2-j，30个含有硅胶异物的大豆蛋白肉样品，记为大豆蛋白肉-硅胶样品，简记为y-3-j，j、k∈[1,2,
……
,29,30]；
[0044]
其中异物选择为玻璃、塑料和硅胶，尺寸均为1cm*1cm*0.5mm；
[0045]
所述含有异物的大豆蛋白肉样品的制备方法：取异物放于大豆蛋白肉样品表面，即可得到含有异物的大豆蛋白肉样品；
[0046]
过程二，对大豆蛋白肉样品采集反射高光谱图像及光谱特征提取；
[0047]
取d＝2，将过程一制备的120个样品按照2：1的比例随机分配训练集(包含20个空白样品(kb-k)，20个大豆蛋白肉-玻璃样品(y-1-j)，20个大豆蛋白肉-塑料样品(y-2-j)，20个大豆蛋白肉-硅胶样品(y-3-j))和预测集(包含10个空白样品(kb-k)，10个大豆蛋白肉-玻璃样品(y-1-j)，10个大豆蛋白肉-塑料样品(y-2-j)，10个大豆蛋白肉-硅胶样品(y-3-j))；
[0048]
将训练集和预测集的样品进行反射高光谱图像采集，从白色光谱面板上获取白色参考图像，完全覆盖相机镜头，以获取黑色参考图像，然后利用白色和黑色参考图像对采集的高光谱图像进行黑白版矫正，得到校正好的高光谱图像；
[0049]
所述高光谱图像进行黑白版矫正公式如下：
[0050][0051]
其中，i
λ
是原始图像的反射强度；b
λ
是黑色参考图像的反射强度；w
λ
是白色参考图像的反射强度；r
λ
是校正之后图像的反射强度。利用校正好的高光谱图像，使用envi软件中的矩形选择工具创建异物以及大豆蛋白肉样品的感兴趣区域(roi)，提取roi区域全光谱(432-963nm)信息，再对其平均化处理，得到原始光谱数据集120
×
618，记为g，如附图1所示，包括训练数据集和预测数据集，其中训练数据集为80
×
618，记为g-cal和预测数据集为40
×
618，记为g-pre；利用卷积平滑(如图2所示)以及标准正态变化(如图3所示)两种方法对原始光谱数据集g进行预处理，可以看见经过预处理后的光谱数据，其特征峰更为明显。
[0052]
使用主成分分析法(pca)对预处理后的g-cal中的光谱数据进行数据降维(如图4所示)，结果显示大豆蛋白肉自身具有很好的聚类趋势，并且能和其他异物分开来。
[0053]
因此，对原始光谱集g进行卷积平滑、标准正态处理，再通过pca获得前三个主成分(pc1、pc2、pc3)获得大豆蛋白肉-异物的反射光谱特征数据集为120
×
3，记为g1，包括训练数据集和预测数据集，其中训练数据集为80
×
3，记为g1-cal；预测数据集为40
×
3，记为g1-pre。
[0054]
步骤二，所述基于大豆蛋白肉-异物反射光特征的鉴别模型构建包括如下过程：
[0055]
过程一，利用步骤一得到的训练数据集(g1-cal)和预测数据集(g1-pre)作为模型输入变量x，以是否有异物作为输出变量y(以参考值0代表大豆蛋白肉，参考值1代表异物)，分别结合k最邻近法(k-nearest neighbors，knn)和偏最小二乘法(partial least squares，pls)建立异物鉴别模型y＝f(x)；
[0056]
过程二，结合k最邻近法(k-nearest neighbors，knn)(如图5所示)建立异物鉴别
模型y＝f(x)，以k值为x轴、主成分个数为y轴、准确率为z轴建立坐标，使用训练集g1-cal的光谱数据对模型参数进行不断优化调节，使用测试数据集g1-pre对训练模型进行验证，通过正确分类样品的准确率来评估模型对异物的判别能力，得出准确率最高的时候k值为5，主成分个数为2，且模型准确率达85％以上。
[0057]
结合偏最小二乘法(partial least squares，pls)模型结果(如图6中(a)、(b)、(c)、(d)所示)显示各个类别间有很好的聚类效果，可以将异物与大豆蛋白肉实现准确分离。
[0058]
步骤三，所述待测样品异物鉴别包括如下过程：
[0059]
过程一，按照大豆蛋白肉的生产工艺制作大豆蛋白肉，将其斩拌制糜，均匀平铺，制成待测样品，在高光谱检测仪下获得待测样品逐像素的光谱反射数据；
[0060]
过程二，利用获得的光谱数据根据步骤一过程二中所述图像采集方法获得待测样品的光谱特征数据，遍历高光谱图像中每一像素点的光谱特征数据作为自变量x，代入异物鉴别模型y＝f(x)，如果该像素点被判断有异物，则设置像素灰度值输出为1，如果判断为无异物则设置像素灰度值输出为0；最终生成二值化图像，其中0灰度级区域代表大豆蛋白肉区域，1灰度级区域代表异物区域，从而实现大豆蛋白肉中低对比度异物的可视化检测。
[0061]
说明：以上实施例仅用以说明本发明而并非限制本发明所描述的技术方案；因此，尽管本说明书参照上述的各个实施例对本发明已进行了详细的说明，但是本领域的普通技术人员应当理解，仍然可以对本发明进行修改或等同替换；而一切不脱离本发明的精神和范围的技术方案及其改进，其均应涵盖在本发明的权利要求范围内。