高光谱图像技术定量检测固态发酵指标分布差异的方法
【技术领域】
[0001] 本发明涉及一种基于高光谱图像技术定量检测固态发酵指标分布差异的方法，属 于固态发酵定量检测技术领域。
【背景技术】
[0002] 固态发酵是多数中国传统发酵食品如醋、白酒等的重要生产环节之一，直接决定 着成品的风味和品质。固态发酵过程建立在微生物生长代谢的基础上，因其发酵基质呈固 态形式，微生物往往在环境适宜的局部繁殖，易造成物料局部消耗大、温度高、板结等现象， 进而严重影响菌体自身生长代谢，造成不均匀发酵，最终影响产品的质量。监控固态发酵指 标含量的变化，可实时掌握固态发酵过程，有效调整生产工艺，减免不均匀发酵，对确保发 酵食品的质量与安全具有重要意义。
[0003] 目前多依据人工经验式手触或眼看等传统方法和抽样检测的方法来判断发酵过 程重要理化指标的变化，进而分析发酵状态。传统方法人为误差大，主观性强；抽样检测 的方法虽然能够获得较可靠的测量结果，但是费时费力，消耗的溶剂量大，且需要专用的仪 器，使用较为不便，最终也只能获得指标含量的平均状况。
[0004] 高光谱图像技术可将检测尺度精确至纳米级，是光谱分析技术和图像处理技术在 最低数据级层面的融合技术，兼有这两种技术的优势，既能对研究对象的外部特征进行可 视化分析，也能对内部有效成分进行定量预测。江苏大学在中国专利号为CN101692037A 专利中公开了一种高光谱图像和独立分量分析植物叶面叶绿素分布的方法，利用高光谱图 像技术采集叶片光谱和图像信息，采用独立分量分析法建立模型，计算出叶面各点的叶绿 素含量值，组成叶绿素分布图。浙江大学在中国专利号为CN103630499A专利中公开了一 种基于高光谱成像技术的鱼蛋白质含量分布检测方法，依据单波段光谱图像的灰度值与反 射率的线性关系，计算得到鱼蛋白质含量分布图。该两项发明专利在获得指标含量平均状 况的基础上，均得到指标含量分布图，以便肉眼的判断指标的分布，然而二者均不能依靠数 据定量描述指标含量在不同区域分布的差异。
[0005] 利用高光谱技术检测固态发酵指标的含量能扩大检测点，获得含量分布图像，进 而由点到面可视化地判断发酵程度，但仅依靠肉眼判断图像差异往往存在主观性和不准确 性，不如直观数据可靠。因此，定量检测固态发酵指标含量分布在整个二维面上的差异，对 监控固态发酵工艺更具有实际应用价值。
【发明内容】
[0006] 本发明克服了依靠肉眼判断指标含量分布差异的问题，发明了一种定量分析发酵 基质高光谱图像，在不破坏发酵基质的前提下，以图像均值、标准差和不均匀性为定量指标 精确检测固态发酵指标在发酵基质不同区域的指标含量分布差异。本发明检测面广、精度 较高，也在一定程度上降低了检测成本。
[0007] -种高光谱图像技术定量检测固态发酵指标的分布差异方法，包括以下步骤：
[0008] S1，建立固态发酵指标含量预测模型：采集固态发酵不同时期不同区域发酵基质 的全波段高光谱图像，筛选最优波数段，再采用变量筛选法获得最优特征波数；以测定发酵 基质的表征指标含量为因变量，以特征波数下的光谱反射率矩阵为自变量，建立固态发酵 指标含量预测模型；
[0009] S2,计算高光谱图像每个像素点对应的固态发酵指标含量：将步骤S1中特征波数 下的光谱反射率矩阵转化为一维矩阵获得各像素点对应的光谱反射率；将各像素点对应的 光谱反射率输入步骤S1中的固态发酵指标含量预测模型，获得各像素点对应的固态发酵 指标含量值；
[0010] S3,绘制固态发酵指标含量分布图：根据步骤S2获得的各像素点对应的固态发酵 指标含量值绘制固态发酵指标含量分布图；
[0011] S4,计算目标区域指标含量分布图像的分布差异：计算目标区域所有像素点指标 含量均值Z.、标准差σ、图像的标准差σ和图像均值之的百分比值即NU值，依据均值际 准差σ和NU值定量分析指标含量分布图像的分布差异。
[0012] 所述步骤S1建立固态发酵指标含量预测模型过程如下：
[0013] (1)在固态发酵前期、中期和后期于同一发酵池上层、中层、下层取发酵基质共η 份，并分别置于η个玻璃培养皿中，η大于等于1 ;采集发酵基质的全波段高光谱图像Ipi =1,2,......n，标定后得到图像民，i= 1，2，......η;在R上选取一定大小的像素区域，忽 略图像的空间信息，获得一个二维矩阵X=mXn来表征光谱反射率，其中m为高光谱全波 段的光谱变量个数；
[0014]⑵以X为观测矩阵，采用区间筛选法获得最优波数段λ3~λb、λε~λd、……， 再将获得的最优波段作为观测矩阵，采用变量筛选方法获得最优特征波数λρλ2、…、 λ.,，j大于等于1;在高光谱图像R中提取λi、λ2、…、λ,对应的j个特征波长图像ζ= eXfXj，其中e为图像每一行中像素点个数，f为图像每一列中像素点个数；
[0015] (3)测定η份发酵基质的表征指标（如总酸、pH等）含量为因变量，取步骤（2)中 优选出的特征波长下的光谱反射率矩阵T=mXj为自变量，建立定量分析模型M，该模型可 预测表征指标的含量。
[0016] 所述步骤S2计算高光谱图像每个像素点对应的固态发酵指标含量如下：
[0017] (1)将步骤S1中的j个特征波长图像的光谱矩阵Z=jXeXf转化为一维矩阵F =1Xh，获得各像素点对应的光谱反射率为F，h=jXeXf;
[0018] (2)将F输入步骤SI中的固态发酵指标含量预测模型M，获得向量y为各像素点 对应的固态发酵指标含量值。
[0019] 所述步骤S3绘制固态发酵指标的含量分布图过程如下：将向量y转化矩阵G= eXf，以图像形式显示矩阵G，伪彩色处理后得到发酵基质中指标含量分布图。
[0020] 所述步骤S4计算指标含量分布图像的分布差异过程如下：
[0021] (1)伪彩色图B每个像素点（Xl，yi)对应指标含量Zi，计算目标区域所有像素点指 标含量均值Z计算σ，n代表像素点的个数，共Xxy个 像素点；
[0022] (2)在红外成像技术中，图像的标准差σ和图像均值f的百分比值即公式
被作为图像不均匀性指标，计算NU ;
[0023](3)依据均值f、标准差σ和NU值定量分析指标含量分布图像的分布差异，均值 可与常规理化检测结果比较，分析目标区域指标含量平均水平；标准差能反映选中区域指 标含量的差异，NU值则反映指标含量分布图的不均匀性，在均值反应的目标区域指标含量 平均水平的基础上，再结合标准差和NU值的水平，评价发酵均匀性，二者越大，说明该区域 指标含量的离散程度越大，分布差异越大，固态发酵越不均匀，可能出现物料板结等现象， 需要及时调整发酵工艺；二者越小，说明该区域发酵指标含量彼此越接近，分布均匀，发酵 状况良好，工艺生产持续进行；当二者为零时，固态发酵的发酵程度处于绝对均匀状态。
[0024] 与现有技术相比，本发明具有以下有益的技术效果：
[0025] (1)优选少数特征波长来建立的表征指标含量预测模型，在准确的基础上比全光 谱建模更简便和快速；
[0026] (2)以图像均值、标准差和不均匀性为定量指标精确检测固态发酵指标在不同区 域的含量分布差异，第一次被提出，具有创新性且比肉眼观测图像更精确；
[0027] (3)能够定量分析较大的发酵层面和多个发酵池，相较于普通传感器实现了由点 到面的检测，为数字化地实时在线检测固态发酵均匀性提供技术手段；
[0028] (4)相比理化检测法，本发明避免使用任何化学材料，无需进行理化分析，降低了 检测成本，不污染环境。
【附图说明】
[0029] 图1 :10个最优特征波长下的图像；
[0030] 图2 :香醋醋醅固态发酵指标pH值分布图和目标区域；
【具体实施方式】
[0031] 下面结合实施例来说明本发明所述的高光谱图像技术定量检测固态发酵指标的 分布差异。但实施方式并不限制本发明，本领域的普通技术人员根据本实施方式所做出的 结构、方法、或功能上的变换均包含在本发明的保护范围内。
[0032] 实施例1 :
[0033] 以镇江香醋固态发酵过程中发酵基质（镇江市恒顺香醋股份有限公司的醋醅发 酵车间）的pH值分布差异的定量检测为例，详细阐述本发明的【具体实施方式】。
[0034] 本发明中涉及到的高光谱图像采集系统包括：高光谱摄像机（ImSpector，V10E， 芬兰）、150W光纤卤素灯（Fiber -LiteDC950Illuminator，DolanJennerIndust;ries 1此，獻，美国），精密电控平移台（2〇1丨1，303002认，北京）等。
[0035] -种高光谱图像技术定量检测镇江香醋固态发酵指标pH值的分布差异方法，包 括以下步骤：
[0036] S1，建立固态发酵指标含量预测模型：采集固态发酵不同时期不同区域发酵基质 的全波段高光谱图像，筛选最优波数段，再采用变量筛选法获得最优特征波数；以测定发酵 基质的表征指标含量为因变量，以特征波数下的光谱反射率矩阵为自变量，建立固态发酵 指标含量预测模型；
[0037]S2,计算高光谱图像每个像素点对应的固态发酵指标含量：将步骤S1中特征波数 下的光谱反射率矩阵转化为一维矩阵获得各像素点对应的光谱反射率；将各像素点对应的 光谱反射率输入步骤S1中的固态发酵指标含量预测模型，获得各像素点对应的