基于高光谱的识别新鲜肉、冷却肉和冷冻肉的方法及装置的制造方法
【技术领域】
[0001] 本发明涉及高光谱无损检测领域，特别涉及一种基于高光谱的识别新鲜肉、冷却 肉和冷冻肉的方法及装置。
【背景技术】
[0002] 肉是老百姓日常生活中重要的食材之一，市面上销售的肉大致可分为新鲜肉和冷 处理肉，冷处理肉包括冷却肉和冷冻肉。一般来说新鲜肉和冷却肉的营养价值较高，口感较 好；冷冻肉一般储存时间较长，其失水较多，营养流失严重，口感较差。同时冷冻肉的价钱也 比新鲜肉和冷却肉低很多。通过控制冷冻解冻条件，一些冷冻肉解冻后与冷却肉很难区分， 导致一些不法商贩用冷冻肉以次充好，赚取暴利。对冷冻肉和冷却肉进行正确区分，并贴上 正确的标签进行销售，显得尤为重要。冷却肉和冷冻肉在颜色、气味、弹性、黏度上有细微差 另IJ，很难从外表上区分，只有做成菜后才能明显感觉到不同：冷却肉肉更嫩，熬出的汤更香。 另外，通过检测肉的pH值、系水力、嫩度等指标也可以对冷却肉和冷冻肉进行区分。但是上 述方法具有破坏性大、效率低、操作步骤复杂等缺点，不能有效的对冷却肉和冷冻肉进行快 速的区分。因此，发展一种快速、无损的检测方法来对新鲜肉、冷却肉和冷冻肉进行区分是 十分必要的。
【发明内容】
[0003] 为了克服现有技术的上述缺点与不足，本发明的目的在于提供一种基于高光谱的 识别新鲜肉、冷却肉和冷冻肉的方法，大大提高了分类模型的鲁棒性，使模型分类更加精 准。
[0004] 本发明的另一目的在于提供实现上述基于高光谱的识别新鲜肉、冷却肉和冷冻肉 的方法的装置。
[0005] 本发明的目的通过以下技术方案实现：
[0006] 基于高光谱的识别新鲜肉、冷却肉和冷冻肉的方法，包括以下步骤：
[0007] (1)对肉品样品进行高光谱扫描，获取0反射率高光谱图像和全反射率高光谱图 像，对获取的高光谱图像进行校正；
[0008] (2)在校正后的0反射率高光谱图像和全反射率高光谱图像上选取肉品样品的感 兴趣区域，获取感兴趣区域在特征波长下的光谱反射值；
[0009] 对高光谱图像进行主成分分析得到PC图像，提取权重系数最高的PC图像，并计 算权重系数最高的PC图像的纹理特征；所述纹理特征包括0度角的相关性、灰度熵和梯度 熵；
[0010] 当肉品样品为猪肉样品时，所述特征波长为552nm、583nm、和673nm;
[0011] 当肉品样品为牛肉样品时，所述特征波长为479nm、601nm和776nm;
[0012] 当肉品样品为羊肉样品时，所述特征波长为549nm、638nm和774nm;
[0013] (3)采用基于Fisher判别式的第一判别分析模型进行判别：
[0014] 当肉品样品为猪肉样品时，第一判别分析模型如下：
[0015] Y〇= 0. 034R552-0. 073R583-〇. 067R673+0. 078Tr0. 105T2+0. 066T3+47. 843
[0016]Y:= 0. 041R552-0. 068R583-0. 073R673+0. 056Tr0. 131T2+0. 097Ts+35. 764
[0017]其中，R552、R583、R673分别为特征波长552nm、583nm、和673nm下的光谱反射值；T丨、T2、T3分别为0度角的相关性、灰度熵和梯度熵；
[0018] 当肉品样品为牛肉样品时，第一判别分析模型如下：
[0019] YQ= 0. 048R 479_0. 009R6(ll+0. 058R776+0. 042T「0. 064T2+0. 023T3+12. 831
[0020] Yi= 0. 059R 479_0. 020R6(ll+0. 065R776+0. 058T「0. 076T2+0. 042T3+11. 864
[0021] 其中，R479、R6Q1、R776分别为特征波长479nm、601nm和776nm下的光谱反射值；T^ T2、T3分别为0度角的相关性、灰度熵和梯度熵；
[0022] 当肉品样品为羊肉样品时，第一判别分析模型如下：
[0023] Y0= 0? 026R 549_0. 010R638+0. 021R774+0. 099T「0. 045T2+0. 014T3+39. 232
[0024] Yi= 0? 033R 549-0. 002R638+0. 011R774+0. 083T「0. 048T2+0. 017T3+46. 698
[0025] 其中，R549、R638、1?774分别为特征波长549nm、638nm和774nm下的光谱反射值；T!、 T2、T3分别为0度角的相关性、灰度熵和梯度熵；
[0026] 若Y。大于Yi，则判定肉品样品为新鲜肉；
[0027] 若Y。小于Y丨，则进行步骤⑷；
[0028] (4)采用基于Fisher判别式的第二判别分析模型进行判别：
[0029] 当肉品样品为猪肉样品时，第二判别分析模型如下：
[0030] Y/ = 0. 021R 552-0. 054R583-0. 023R673+0. 045T「0. 095T2+0. 044T3+23. 698
[0031] Y/ = 0. 032R552-0. 070R583-0. 016R673+0. 0381\-0. 087T2+0. 052T3+25. 473
[0032] 其中，R552、R583、R673分别为特征波长552nm、583nm、和673nm下的光谱反射值；T丨、 T2、T3分别为0度角的相关性、灰度熵和梯度熵；
[0033] 当肉品样品为牛肉样品时，第二判别分析模型如下：
[0034] Yf/ = 0. 056R479+0. 032R6(ll+0. 013R776+0. 0931\_0. 088T2+0. 032T3+32. 569
[0035] Y! ' = 0? 052R 479+0. 044R6(ll+0. 041R776+0. 102T「0. 086T2+0. 029T3+33. 875
[0036] 其中，R479、R6Q1、R776分别为特征波长479nm、601nm和776nm下的光谱反射值；T^ T2、T3分别为0度角的相关性、灰度熵和梯度熵；
[0037]当肉品样品为羊肉样品时，第二判别分析模型如下：
[0038] Y。' = _0. 084R 549_0. 031R638+0. 063R774+0. 053T「0. 109T2+0. 073T3+23. 642
[0039] Y/ = -0. 087R 549-0. 028R638+0. 055R774+0. 056T「0. 112T2+0. 068T3+17. 579
[0040] 其中，R549、R638、R774分别为特征波长549nm、638nm和774nm下的光谱反射值；T!、T2、T3分别为0度角的相关性、灰度熵和梯度熵；
[0041] 若￥(/大于Y/，则判定肉品样品为冷却肉，否则为冷冻肉。
[0042] 步骤（2)所述提取纹理特征值，具体为：
[0043] 使用灰度梯度共生矩阵模型，选取步长为1，提取0度角的相关性、灰度熵T2、和 梯度熵T3，并在0~1的范围内进行归一化。
[0044] 实现所述基于高光谱的识别新鲜肉、冷却肉和冷冻肉的方法的基于高光谱的识别 新鲜肉、冷却肉和冷冻肉的装置，包括暗室、高光谱图像采集系统、传送装置、载物台和计算 机，所述高光谱图像采集系统、传送装置、载物台安装在暗室内，与安装在暗室外的计算机 连接；所述载物台固定在传送装置上，所述载物台采用透光PET材料制成；所述高光谱图像 采集系统位于传送装置的下方。
[0045] 所述高光谱图像采集系统包括高光谱相机、镜头、伸缩遮光筒和线光源；所述镜头 安装在高光谱相机的上部；所述伸缩遮光筒安装在镜头的上方并套在镜头的外部；所述线 光源位于载物台的下方，发出的光线照射到载物台中的肉品样品上。
[0046] 所述线光源发出的光线与载物台成30度夹角。
[0047] 与现有技术相比，本发明具有以下优点和有益效果：
[0048] (1)本发明的基于高光谱的识别新鲜肉、冷却肉和冷冻肉的方法，将图像信息和光 谱信息相结合，大大提高了分类模型的鲁棒性，使模型分类更加精准。
[0049] (2)本发明的基于