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
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 高光谱的识别新鲜肉、冷却肉和冷冻肉的方法，克服了传统方法 破坏性大、效率低、操作步骤复杂等缺点，实现了快速、无损检测。
[0050] (3)本发明的基于高光谱的识别新鲜肉、冷却肉和冷冻肉的装置，采用底部成像的 方法，解决了样品上表面不平整，影响图像质量的缺点。
[0051] (4)本发明的基于高光谱的识别新鲜肉、冷却肉和冷冻肉的装置使用伸缩遮光筒， 有效的阻挡了外界光线的干扰，提高了图像的质量。
【附图说明】
[0052]图1为本发明的实施例的基于高光谱的识别新鲜肉、冷却肉和冷冻肉的装置的示 意图。
[0053] 图2为本发明的实施例的基于高光谱的识别新鲜肉、冷却肉和冷冻肉的方法的流 程图。
【具体实施方式】
[0054] 下面结合实施例，对本发明作进一步地详细说明，但本发明的实施方式不限于此。
[0055] 实施例1
[0056] 如图1所示，本实施例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2-1、高光谱图像采集系统、传送装置2-7、载物台2-8和计算机2-10,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。
[0057] 所述高光谱图像采集系统包括高光谱相机2-2、镜头2-3、伸缩遮光筒可调光源 2-4、可调节光源2-5和线光源2-6 ;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，发出的光线与载物台 成30度夹角，发出的光线照射到载物台中的肉品样品2-9上。
[0058] 如图2所示，本实施例的基于高光谱的识别新鲜肉、冷却肉和冷冻肉的方法，具体 如下：
[0059] 从广州番禺食品集团有限公司新造分公司生猪定点屠宰场采购30条未经处理的 猪背最长条肌，用切肉机将其切割成2. 5cm的肉片，再由人工将其切成5cmX5cmX2. 5cm的 长方体，并随机选取105块作为实验原料。将原料随机分成三组，其中第一组选35块不作 处理，作为新鲜肉样品；第二组选35块在4°C环境下冷藏储存12小时作为冷藏肉样品；第 三组选35个在-18°C下冷冻储存12小时作为冷冻肉样品。所有冷处理样品在实验前要取 出并在室温放置4小时。所有猪肉样品都编号。
[0060] 分批采集三组猪肉样品的高光谱图像，并用事先采集的0反射率和全反射率图像 进行校正，去除噪声。将分割阀值设为0. 21，去除背景，得到猪肉的感兴趣区域图像；提取 感兴趣区域图像的平均光谱，并对平均光谱在〇~1的范围内进行归一化处理，用连续投影 法提取3个特征波长，分别为：552nm、583nm、和673nm;用独立主成分分析法计算高光谱图 像的PC图像，得到权重系数最高的PC图像，其权重系数为95. 63% ;使用灰度梯度共生矩 阵模型提取权重系数最高的PC图像的纹理特征，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。
[0061] 采用Fisher判别式的方法建立分类模型，构建模型为输入105个猪肉样品，包括 35个新鲜猪肉样品，70个冷处理的猪肉样品。将552nm、583nm、673nm波长下的光谱值和相 关性、灰度熵、梯度熵的纹理特征值作为猪肉样品的特征变量集，判别结果如表1所示：
[0062] 表1Fisher判别新鲜猪肉与冷处理猪肉模型的判别结果
[0064] 得到的Fisher判别方程式为：
[0065] Y〇=0. 034R552-0. 073R583-〇. 067R673+0. 078Tr0. 105T2+0. 066T3+47. 843
[0066]Y:= 0. 041R552-0. 068R583-〇. 073R673+0. 056Tr0. 131T2+0. 097Ts+35. 764
[0067] 对判定为冷处理肉的样品继续采用Fisher判别式的方法建立分类模型，构建模 型为输入71个猪肉样品，包括36个冷却猪肉样品，35个冷冻猪肉样品。将552nm、583nm、 673nm波长下的光谱值和相关性、灰度熵、梯度熵的纹理特征值作为猪肉样品的特征变量 集，判别结果如表2所示：
[0068] 表2Fisher判别冷却猪肉与冷冻猪肉模型的判别结果
[0070] 得到的Fisher判别方程式为：
[0071] Y〇= 0. 021R552-0. 054R583-0. 023R673+0. 045Tr0. 095T2+0. 044Ts+23. 698
[0072]Y:= 0. 032R552-0. 070R583-0. 016R673+0. 038Tr0. 087T2+0. 052T3+25. 473
[0073] 对新鲜肉、冷却肉和冷冻肉综合判别结果如表3所示：
[0074] 表3 Fisher判别冷却猪肉与冷冻猪肉综合判别结果
[0076] 实施例2
[0077] 本实施例的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：
[0078] (1)对牛肉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；
[0079] (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牛肉样品的感 兴趣区域，获取感兴趣区域在特征波长（479nm、601nm和776nm)下的光谱反射值；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，使用灰度梯度共生矩阵模 型，选取步长为1，提取〇度角的相关性、灰度熵1~2、和梯度熵T3，并在0~1的范围内进 行归一化；
[0080] (3)采用基于Fisher判别式的第一判别分析模型进行判别：
[0081] YQ= 0. 048R479_0. 009R6Q1+0. 058R776+0. 0421^-0. 064T2+0. 023T3+12. 831
[0082] Yj= 0. 059R 479-0. 020R6Q1+0. 065R776+0. 058TJ-0. 076T2+0. 042T3+11. 864
[0083] 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；
[0084]若Y。大于Yi，则判定牛肉肉品样品为新鲜肉；
[0085] 若Y。小于Y:，则进行步骤⑷；
[0086] (4)采用基于Fisher判别式的第二判别分析模型进行判别：
[0087] Y。' = 0? 056R 479+0. 032R6(ll+0. 013R776+0. 093T「0. 088T2+0. 032T3+32. 569
[0088] Yj; = 0. 052R 479+0. 044R601+0. 041R776+0. 102TJ-0. 086T2+0. 029Ts+33. 875
[0089] 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；
[0090]若￥(/大于Y/，则判定肉品样品为冷却肉，否则为冷冻肉。
[0091] 实施例3
[0092] 本实施例的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：
[0093] (1)对羊肉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；
[0094] (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羊肉样品的感 兴趣区域，获取感兴趣区域在特征波长（549nm、638nm和774nm)下的光谱反射值；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，使用灰度梯度共生矩阵模 型，选取步长为1，提取〇度角的相关性、灰度熵1~2、和梯度熵T3，并在0~1的范围内进 行归一化；
[0095] (3)采用基于Fisher判别式的第一判别分析模型进行判别：
[0096] 第一判别分析模型如下：
[0097] Y〇= 0? 026R 549-0. 010R638+0. 021R774+0. 099T「0. 045T2+0. 014T3+39. 232
[0098] Yi= 0? 033R 549_0. 002R638+0. 011R774+0. 083T「0. 048T2+0. 017T3+46. 698
[0099] 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；
[0100] 若Y。大于Yi，则判定肉品样品为新鲜肉；
[0101] 若Y。小于Yp则进行步骤（4);
[0102] (4)采用基于Fisher判别式的第二判别分析模型进行判别：
[0103] 第二判别分析模型如下：
[0104] Yq' = -0. 084R 549-〇. 031R638+0. 063R774+0. 053Tr0. 109T2+0. 073Ts+23. 642
[0105] Y/ = -0? 087R 549-0. 028R638+0. 055R774+0. 056T「0. 112T2+0. 068T3+17. 579
[0106] 其中，R549、R638、心4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；
[0107]若￥(/大于Y/，则判定肉品样品为冷却肉，否则为冷冻肉。
[0108] 上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受所述实施例的 限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化， 均应为等效的置换方式，都包含在本发明的保护范围之内。
【主权项】
1.基于高光谱的识别新鲜肉、冷却肉和冷冻肉的方法，其特征在于，包括以下步骤： (1) 对肉品样品进行高光谱扫描，获取O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； (2) 在校正后的O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； 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O度角的相关性、灰度熵和梯度熵； 当肉品样品为猪肉样品时，所述特征波长为552nm、583nm、和673nm; 当肉品样品为牛肉样品时，所述特征波长为479nm、601nm和776nm; 当肉品样品为羊肉样品时，所述特征波长为549nm、638nm和774nm; (3) 采用基于Fisher判别式的第一判别分析模型进行判别： 当肉品样品为猪肉样品时，第一判别分析模型如下： Y0= 0. 034R552-0. 073R583-0. 067R673+0. 0781^0. 105T2+0. 066T3+47. 843 Y1= 0. 041R552-0. 068R583-0. 073R673+0. 0561\-0. 131T2+0. 097T3+35. 764 其中，R552、R583、R673分别为特征波长552nm、583nm、和673nm下的光谱反射值；TpT2、T3 分别为〇度角的相关性、灰度熵和梯度熵； 当肉品样品为牛肉样品时，第一判别分析模型如下： Y0= 0. 048R479-0. 009Reol+0. 058R776+0. 0421^0. 064T2+0. 023TS+12. 831 Y1= 0. 059R479-0. 020Reol+0. 065R776+0. 0581^0. 076T2+0. 042T3+11. 864 其中，R479、R6Q1、R776分别为特征波长479nm、601nm和776nm下的光谱反射值；T丨、T2、T3 分别为〇度角的相关性、灰度熵和梯度熵； 当肉品样品为羊肉样品时，第一判别分析模型如下： Yq= 0. 026R549_0. 010R638+0. 021R774+0. 0991\_0. 045T2+0. 014T3+39. 232 Y1= 0? 033R549-0. 002R638+0. 011R774+0. 0831\-0. 048T2+0. 017T3+46. 698 其中，R549、R638、R774分别为特征波长549nm、638nm和774nm下的光谱反射值；Ti、T2、T3 分别为〇度角的相关性、灰度熵和梯度熵； 若Ytl大于Yi，则判定肉品样品为新鲜肉； 若Ytl小于Y1，则进行步骤（4); (4) 采用基于Fisher判别式的第二判别分析模型进行判别： 当肉品样品为猪肉样品时，第二判别分析模型如下： Y0' =0. 02IR552-0. 054R583-0. 023R673+0. 0451^0. 095T2+0. 044Ts+23. 698 Y1' = 0. 032R552-0. 070R583-0. 016R673+0. 0381^0. 087T2+0. 052T3+25. 473 其中，R552、R583、R673分别为特征波长552nm、583nm、和673nm下的光谱反射值；TpT2、T3 分别为〇度角的相关性、灰度熵和梯度熵； 当肉品样品为牛肉样品时，第二判别分析模型如下： Yc/ = 0. 056R479+0. 032R6(ll+0. 013R776+0. 0931\_0. 088T2+0. 032T3+32. 569 Y1' = 0. 052R479+0. 044Reol+0. 041R776+0. 1021^0. 086T2+0. 029Ts+33. 875 其中，R479、R6Q1、R776分别为特征波长479nm、601nm和776nm下的光谱反射值；T丨、T2、T3 分别为〇度角的相关性、灰度熵和梯度熵； 当肉品样品为羊肉样品时，第二判别分析模型如下： Y0' = -0. 084R549-0. 031R638+0. 063R774+0. 0531^0. 109T2+0. 073Ts+23. 642 Y1' = -0. 087R549-0. 028R638+0. 055R774+0. 0561^0. 112T2+0. 068T3+17. 579 其中，R549、R638、R774分别为特征波长549nm、638nm和774nm下的光谱反射值；TpT2、T3 分别为〇度角的相关性、灰度熵和梯度熵； 若Yc/大于Y/，则判定肉品样品为冷却肉，否则为冷冻肉。2. 根据权利要求1所述的基于高光谱的识别新鲜肉、冷却肉和冷冻肉的方法，其特征 在于，步骤（2)所述提取纹理特征值，具体为： 使用灰度梯度共生矩阵模型，选取步长为1，提取〇度角的相关性T1、灰度熵T2、和梯度 熵T3，并在0~1的范围内进行归一化。3. 实现权利要求1~2任一项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，其特征在于，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。4. 根据权利要求1所述的基于高光谱的识别新鲜肉、冷却肉和冷冻肉的装置，其特征 在于，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。5. 根据权利要求3所述的基于高光谱的识别新鲜肉、冷却肉和冷冻肉的装置，其特征 在于，所述线光源发出的光线与载物台成30度夹角。
【专利摘要】本发明公开了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：(1)获取肉品样品的0反射率高光谱图像和全反射率高光谱图像，(2)在校正后的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；提取高光谱图像的权重系数最高的PC图像，并计算其纹理特征；(3)采用基于Fisher判别式的第一判别分析模型进行判别；(4)采用基于Fisher判别式的第二判别分析模型进行判别。本发明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。本发明还公开了基于高光谱的识别新鲜肉、冷却肉和冷冻肉的装置，提高了高光谱图像的质量。
【IPC分类】G01N21/25
【公开号】CN104897581
【申请号】CN201510288555
【发明人】孙大文, 马骥, 蒲洪彬, 曾新安, 高文宏, 曲佳欢
【申请人】华南理工大学
【公开日】2015年9月9日
【申请日】2015年5月29日
【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 高光谱的识别新鲜肉、冷却肉和冷冻肉的方法，克服了传统方法 破坏性大、效率低、操作步骤复杂等缺点，实现了快速、无损检测。
[0050] (3)本发明的基于高光谱的识别新鲜肉、冷却肉和冷冻肉的装置，采用底部成像的 方法，解决了样品上表面不平整，影响图像质量的缺点。
[0051] (4)本发明的基于高光谱的识别新鲜肉、冷却肉和冷冻肉的装置使用伸缩遮光筒， 有效的阻挡了外界光线的干扰，提高了图像的质量。
【附图说明】
[0052]图1为本发明的实施例的基于高光谱的识别新鲜肉、冷却肉和冷冻肉的装置的示 意图。
[0053] 图2为本发明的实施例的基于高光谱的识别新鲜肉、冷却肉和冷冻肉的方法的流 程图。
【具体实施方式】
[0054] 下面结合实施例，对本发明作进一步地详细说明，但本发明的实施方式不限于此。
[0055] 实施例1
[0056] 如图1所示，本实施例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2-1、高光谱图像采集系统、传送装置2-7、载物台2-8和计算机2-10,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。
[0057] 所述高光谱图像采集系统包括高光谱相机2-2、镜头2-3、伸缩遮光筒可调光源 2-4、可调节光源2-5和线光源2-6 ;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，发出的光线与载物台 成30度夹角，发出的光线照射到载物台中的肉品样品2-9上。
[0058] 如图2所示，本实施例的基于高光谱的识别新鲜肉、冷却肉和冷冻肉的方法，具体 如下：
[0059] 从广州番禺食品集团有限公司新造分公司生猪定点屠宰场采购30条未经处理的 猪背最长条肌，用切肉机将其切割成2. 5cm的肉片，再由人工将其切成5cmX5cmX2. 5cm的 长方体，并随机选取105块作为实验原料。将原料随机分成三组，其中第一组选35块不作 处理，作为新鲜肉样品；第二组选35块在4°C环境下冷藏储存12小时作为冷藏肉样品；第 三组选35个在-18°C下冷冻储存12小时作为冷冻肉样品。所有冷处理样品在实验前要取 出并在室温放置4小时。所有猪肉样品都编号。
[0060] 分批采集三组猪肉样品的高光谱图像，并用事先采集的0反射率和全反射率图像 进行校正，去除噪声。将分割阀值设为0. 21，去除背景，得到猪肉的感兴趣区域图像；提取 感兴趣区域图像的平均光谱，并对平均光谱在〇~1的范围内进行归一化处理，用连续投影 法提取3个特征波长，分别为：552nm、583nm、和673nm;用独立主成分分析法计算高光谱图 像的PC图像，得到权重系数最高的PC图像，其权重系数为95. 63% ;使用灰度梯度共生矩 阵模型提取权重系数最高的PC图像的纹理特征，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。
[0061] 采用Fisher判别式的方法建立分类模型，构建模型为输入105个猪肉样品，包括 35个新鲜猪肉样品，70个冷处理的猪肉样品。将552nm、583nm、673nm波长下的光谱值和相 关性、灰度熵、梯度熵的纹理特征值作为猪肉样品的特征变量集，判别结果如表1所示：
[0062] 表1Fisher判别新鲜猪肉与冷处理猪肉模型的判别结果
[0064] 得到的Fisher判别方程式为：
[0065] Y〇=0. 034R552-0. 073R583-〇. 067R673+0. 078Tr0. 105T2+0. 066T3+47. 843
[0066]Y:= 0. 041R552-0. 068R583-〇. 073R673+0. 056Tr0. 131T2+0. 097Ts+35. 764
[0067] 对判定为冷处理肉的样品继续采用Fisher判别式的方法建立分类模型，构建模 型为输入71个猪肉样品，包括36个冷却猪肉样品，35个冷冻猪肉样品。将552nm、583nm、 673nm波长下的光谱值和相关性、灰度熵、梯度熵的纹理特征值作为猪肉样品的特征变量 集，判别结果如表2所示：
[0068] 表2Fisher判别冷却猪肉与冷冻猪肉模型的判别结果
[0070] 得到的Fisher判别方程式为：
[0071] Y〇= 0. 021R552-0. 054R583-0. 023R673+0. 045Tr0. 095T2+0. 044Ts+23. 698
[0072]Y:= 0. 032R552-0. 070R583-0. 016R673+0. 038Tr0. 087T2+0. 052T3+25. 473
[0073] 对新鲜肉、冷却肉和冷冻肉综合判别结果如表3所示：
[0074] 表3 Fisher判别冷却猪肉与冷冻猪肉综合判别结果
[0076] 实施例2
[0077] 本实施例的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：
[0078] (1)对牛肉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；
[0079] (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牛肉样品的感 兴趣区域，获取感兴趣区域在特征波长（479nm、601nm和776nm)下的光谱反射值；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，使用灰度梯度共生矩阵模 型，选取步长为1，提取〇度角的相关性、灰度熵1~2、和梯度熵T3，并在0~1的范围内进 行归一化；
[0080] (3)采用基于Fisher判别式的第一判别分析模型进行判别：
[0081] YQ= 0. 048R479_0. 009R6Q1+0. 058R776+0. 0421^-0. 064T2+0. 023T3+12. 831
[0082] Yj= 0. 059R 479-0. 020R6Q1+0. 065R776+0. 058TJ-0. 076T2+0. 042T3+11. 864
[0083] 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；
[0084]若Y。大于Yi，则判定牛肉肉品样品为新鲜肉；
[0085] 若Y。小于Y:，则进行步骤⑷；
[0086] (4)采用基于Fisher判别式的第二判别分析模型进行判别：
[0087] Y。' = 0? 056R 479+0. 032R6(ll+0. 013R776+0. 093T「0. 088T2+0. 032T3+32. 569
[0088] Yj; = 0. 052R 479+0. 044R601+0. 041R776+0. 102TJ-0. 086T2+0. 029Ts+33. 875
[0089] 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；
[0090]若￥(/大于Y/，则判定肉品样品为冷却肉，否则为冷冻肉。
[0091] 实施例3
[0092] 本实施例的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：
[0093] (1)对羊肉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；
[0094] (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羊肉样品的感 兴趣区域，获取感兴趣区域在特征波长（549nm、638nm和774nm)下的光谱反射值；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，使用灰度梯度共生矩阵模 型，选取步长为1，提取〇度角的相关性、灰度熵1~2、和梯度熵T3，并在0~1的范围内进 行归一化；
[0095] (3)采用基于Fisher判别式的第一判别分析模型进行判别：
[0096] 第一判别分析模型如下：
[0097] Y〇= 0? 026R 549-0. 010R638+0. 021R774+0. 099T「0. 045T2+0. 014T3+39. 232
[0098] Yi= 0? 033R 549_0. 002R638+0. 011R774+0. 083T「0. 048T2+0. 017T3+46. 698
[0099] 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；
[0100] 若Y。大于Yi，则判定肉品样品为新鲜肉；
[0101] 若Y。小于Yp则进行步骤（4);
[0102] (4)采用基于Fisher判别式的第二判别分析模型进行判别：
[0103] 第二判别分析模型如下：
[0104] Yq' = -0. 084R 549-〇. 031R638+0. 063R774+0. 053Tr0. 109T2+0. 073Ts+23. 642
[0105] Y/ = -0? 087R 549-0. 028R638+0. 055R774+0. 056T「0. 112T2+0. 068T3+17. 579
[0106] 其中，R549、R638、心4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；
[0107]若￥(/大于Y/，则判定肉品样品为冷却肉，否则为冷冻肉。
[0108] 上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受所述实施例的 限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化， 均应为等效的置换方式，都包含在本发明的保护范围之内。
【主权项】
1.基于高光谱的识别新鲜肉、冷却肉和冷冻肉的方法，其特征在于，包括以下步骤： (1) 对肉品样品进行高光谱扫描，获取O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； (2) 在校正后的O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； 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O度角的相关性、灰度熵和梯度熵； 当肉品样品为猪肉样品时，所述特征波长为552nm、583nm、和673nm; 当肉品样品为牛肉样品时，所述特征波长为479nm、601nm和776nm; 当肉品样品为羊肉样品时，所述特征波长为549nm、638nm和774nm; (3) 采用基于Fisher判别式的第一判别分析模型进行判别： 当肉品样品为猪肉样品时，第一判别分析模型如下： Y0= 0. 034R552-0. 073R583-0. 067R673+0. 0781^0. 105T2+0. 066T3+47. 843 Y1= 0. 041R552-0. 068R583-0. 073R673+0. 0561\-0. 131T2+0. 097T3+35. 764 其中，R552、R583、R673分别为特征波长552nm、583nm、和673nm下的光谱反射值；TpT2、T3 分别为〇度角的相关性、灰度熵和梯度熵； 当肉品样品为牛肉样品时，第一判别分析模型如下： Y0= 0. 048R479-0. 009Reol+0. 058R776+0. 0421^0. 064T2+0. 023TS+12. 831 Y1= 0. 059R479-0. 020Reol+0. 065R776+0. 0581^0. 076T2+0. 042T3+11. 864 其中，R479、R6Q1、R776分别为特征波长479nm、601nm和776nm下的光谱反射值；T丨、T2、T3 分别为〇度角的相关性、灰度熵和梯度熵； 当肉品样品为羊肉样品时，第一判别分析模型如下： Yq= 0. 026R549_0. 010R638+0. 021R774+0. 0991\_0. 045T2+0. 014T3+39. 232 Y1= 0? 033R549-0. 002R638+0. 011R774+0. 0831\-0. 048T2+0. 017T3+46. 698 其中，R549、R638、R774分别为特征波长549nm、638nm和774nm下的光谱反射值；Ti、T2、T3 分别为〇度角的相关性、灰度熵和梯度熵； 若Ytl大于Yi，则判定肉品样品为新鲜肉； 若Ytl小于Y1，则进行步骤（4); (4) 采用基于Fisher判别式的第二判别分析模型进行判别： 当肉品样品为猪肉样品时，第二判别分析模型如下： Y0' =0. 02IR552-0. 054R583-0. 023R673+0. 0451^0. 095T2+0. 044Ts+23. 698 Y1' = 0. 032R552-0. 070R583-0. 016R673+0. 0381^0. 087T2+0. 052T3+25. 473 其中，R552、R583、R673分别为特征波长552nm、583nm、和673nm下的光谱反射值；TpT2、T3 分别为〇度角的相关性、灰度熵和梯度熵； 当肉品样品为牛肉样品时，第二判别分析模型如下： Yc/ = 0. 056R479+0. 032R6(ll+0. 013R776+0. 0931\_0. 088T2+0. 032T3+32. 569 Y1' = 0. 052R479+0. 044Reol+0. 041R776+0. 1021^0. 086T2+0. 029Ts+33. 875 其中，R479、R6Q1、R776分别为特征波长479nm、601nm和776nm下的光谱反射值；T丨、T2、T3 分别为〇度角的相关性、灰度熵和梯度熵； 当肉品样品为羊肉样品时，第二判别分析模型如下： Y0' = -0. 084R549-0. 031R638+0. 063R774+0. 0531^0. 109T2+0. 073Ts+23. 642 Y1' = -0. 087R549-0. 028R638+0. 055R774+0. 0561^0. 112T2+0. 068T3+17. 579 其中，R549、R638、R774分别为特征波长549nm、638nm和774nm下的光谱反射值；TpT2、T3 分别为〇度角的相关性、灰度熵和梯度熵； 若Yc/大于Y/，则判定肉品样品为冷却肉，否则为冷冻肉。2. 根据权利要求1所述的基于高光谱的识别新鲜肉、冷却肉和冷冻肉的方法，其特征 在于，步骤（2)所述提取纹理特征值，具体为： 使用灰度梯度共生矩阵模型，选取步长为1，提取〇度角的相关性T1、灰度熵T2、和梯度 熵T3，并在0~1的范围内进行归一化。3. 实现权利要求1~2任一项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，其特征在于，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。4. 根据权利要求1所述的基于高光谱的识别新鲜肉、冷却肉和冷冻肉的装置，其特征 在于，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。5. 根据权利要求3所述的基于高光谱的识别新鲜肉、冷却肉和冷冻肉的装置，其特征 在于，所述线光源发出的光线与载物台成30度夹角。
【专利摘要】本发明公开了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：(1)获取肉品样品的0反射率高光谱图像和全反射率高光谱图像，(2)在校正后的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；提取高光谱图像的权重系数最高的PC图像，并计算其纹理特征；(3)采用基于Fisher判别式的第一判别分析模型进行判别；(4)采用基于Fisher判别式的第二判别分析模型进行判别。本发明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。本发明还公开了基于高光谱的识别新鲜肉、冷却肉和冷冻肉的装置，提高了高光谱图像的质量。
【IPC分类】G01N21/25
【公开号】CN104897581
【申请号】CN201510288555
【发明人】孙大文, 马骥, 蒲洪彬, 曾新安, 高文宏, 曲佳欢
【申请人】华南理工大学
【公开日】2015年9月9日
【申请日】2015年5月29日
最新回复(0)