基于高光谱的裹粉牡蛎裹粉增重率与粉层厚度无损预测的方法与系统
本发明属于水产品加工,具体涉及一种基于高光谱的裹粉牡蛎裹粉增重率与粉层厚度无损预测的方法与系统。
背景技术:
1、裹粉牡蛎是牡蛎经浸浆、裹粉等工序加工而成的半成品食品,其裹粉状态直接影响产品外观、口感及后续加工品质。实际生产中,受牡蛎个体形态不规则、含水率差异大等原料特性影响,同时受浸浆量、裹粉量以及输送过程振动等工艺因素影响,裹粉牡蛎易出现粉层厚薄不均、局部裸露、粉层堆积以及裹粉不均匀等问题。目前,裹粉状态的检测多依赖人工观察、称重计算或抽样测量等传统方式,缺乏客观、有效且适应连续化生产在线检测需求的方法。因此,亟需开发一种无损、快速、客观的检测技术,以推动水产品加工向标准化、规模化、智能化方向转型。
技术实现思路
1、为解决现有技术的缺陷,本发明通过裹粉牡蛎的高光谱数据,并结合裹粉牡蛎裹粉增重率与粉层厚度预测模型,能够在不破坏样品结构的情况下,实现对裹粉牡蛎裹粉状态的快速检测与定量预测,能够有效表征裹粉层的厚薄变化和裹粉均匀性,从而提高裹粉牡蛎生产过程中的质量检测效率,及时识别裹粉不足、裹粉过厚或裹粉不均匀的样品,进而提升生产效率和产品一致性。
2、本发明的技术方案为,基于高光谱的裹粉牡蛎裹粉增重率与粉层厚度无损预测的方法,步骤包括:
3、s101,获取裹粉牡蛎样本的高光谱图像数据,及对应样本的增重率数据、裹粉层厚度等级数据;
4、s102,采用双阈值分割辅以形态学处理从裹粉牡蛎样本的高光谱图像中提取裹粉区域及所述裹粉区域的图像数据,所述图像数据包括图像色彩数据和图像纹理数据;
5、s103,从裹粉牡蛎样本的所述裹粉区域内提取有效像素在各波段上的平均光谱值,生成裹粉牡蛎样本的高光谱数据;按照特征重要性从所述裹粉牡蛎样本的高光谱数据中分别进行同增重率和裹粉层厚度相关的特征波段筛选,对筛选得到的特征波段进行特征波段融合、特征重要性的二次筛选获得最终建模特征集,利用最终建模特征集构建并训练预测模型输出增重率预测回归模型和裹粉层厚度分类模型;其中,
6、所述特征波段筛选包括:采用特征重要性筛选方法从裹粉牡蛎样本的高光谱数据中分别筛选同增重率和裹粉层厚度等级相关的特征波段;同时,
7、通过分析裹粉牡蛎样本的图像数据与裹粉牡蛎样本的高光谱数据之间的相关分数筛选同图像数据相关的特征波段;
8、所述特征波段融合、特征重要性的二次筛选包括:将同图像数据相关的特征波段与同增重率相关的特征波段进行合并去重后,经过特征重要性的二次筛选,生成同增重率相关的最终建模特征集,最终建模特征集含有同增重率相关的特征波段及其所对应的光谱特征值,具体地,特征波段所对应的光谱特征值为光谱值;同时,
9、将同图像数据相关的特征波段与同裹粉层厚度等级相关的特征波段进行合并去重后,经过特征重要性的二次筛选,生成同裹粉层厚度等级相关的最终建模特征集,最终建模特征集含有同裹粉层厚度等级相关的特征波段及其所对应的光谱特征值,具体地,特征波段所对应的光谱特征值为光谱值;
10、所述构建并训练预测模型包括:以同增重率相关的最终建模特征集中特征波段所对应的光谱特征值作为输入、以裹粉牡蛎样本的增重率作为输出,通过机器学习构建增重率预测回归模型;同时,
11、以同裹粉层厚度等级相关的最终建模特征集中特征波段所对应的光谱特征值作为输入、以裹粉层厚度等级作为输出,通过机器学习构建裹粉层厚度分类预测模型;
12、s104,基于最终建模特征集中同增重率相关的特征波段和/或同裹粉层厚度等级相关的特征波段,读取待测裹粉牡蛎样本中每个有效像素在同增重率相关的特征波段处的光谱特征值形成像素级光谱向量,和/或所有有效像素在同增重率相关和/或同裹粉层厚度等级相关的特征波段处的平均光谱特征值形成样本级平均光谱向量,将所述像素级光谱向量和/或样本级平均光谱向量分别对应输入增重率预测回归模型和裹粉层厚度分类预测模型,获得待测裹粉牡蛎样本每个有效像素的增重率,和/或待测裹粉牡蛎样本的增重率和/或裹粉层厚度分类;进一步地,将待测裹粉牡蛎样本每个有效像素的增重率按照原始空间位置恢复为二维矩阵,生成裹粉状态响应图。
13、具体地,获取待测裹粉牡蛎样本的每个有效像素同增重率相关的最终建模特征集中特征波段所对应的光谱特征值形成像素级光谱向量,获取待测裹粉牡蛎样本的所有有效像素同增重率相关的最终建模特征集中特征波段所对应的平均光谱特征值和/或待测裹粉牡蛎样本的所有有效像素同裹粉层厚度等级相关的最终建模特征集中特征波段所对应的平均光谱特征值形成样本级平均光谱向量,所述像素级光谱向量、样本级平均光谱向量经标准化处理后分别输入增重率预测回归模型和裹粉层厚度分类预测模型,获得待测裹粉牡蛎样本每个有效像素的增重率、和/或整个待测裹粉牡蛎样本的增重率、和/或整个待测裹粉牡蛎样本的裹粉层厚度分类,进一步地,将待测裹粉牡蛎样本每个有效像素的增重率按照原始空间位置恢复为二维矩阵,生成裹粉状态响应图。
14、s101,所述裹粉层厚度等级包括未裹粉、裹粉不均匀、裹粉一次、裹粉二次、裹粉三次等类别。
15、s102,从裹粉牡蛎样本的高光谱图像中提取rgb图像,rgb图像中r通道、g通道、b通道的波段接近650nm、550nm和470nm,将所述rgb图像转换为灰度图像并对灰度图像进行归一化处理,采用双阈值分割提取所述灰度图像中灰度值位于预设下阈值和预设上阈值之间的像素作为目标像素,所述预设下阈值为0.15、上阈值为0.92,生成初始区域,并对初始区域进行连通域分析、去除小连通区域、填补漏洞和保留最大连通区域的形态学处理,生成裹粉牡蛎区域掩膜;将裹粉牡蛎样本的rgb图像与裹粉牡蛎区域掩膜进行按位与抠图,提取裹粉牡蛎样本的裹粉区域;将所述裹粉区域转换至lab颜色空间,获取裹粉区域内l通道、a通道和b通道的颜色统计量作为裹粉区域的图像色彩数据;预设纹理分析波段,所述预设纹理分析波段为450nm,提取该纹理分析波段下裹粉区域的灰度图像,计算灰度统计特征(灰度均值、灰度标准差)、灰度熵特征(灰度熵)、平滑度特征(平滑度)和灰度梯度特征(梯度均值、梯度标准差、梯度最大值),得到裹粉区域的图像纹理数据。
16、s103,读取裹粉牡蛎样本中裹粉区域内经过savitzky-golay平滑处理和多元散射校正处理后的高光谱数据,展开为二维光谱矩阵并剔除无效像素后,计算有效像素在各波段上的平均光谱值,生成裹粉牡蛎样本的高光谱数据。
17、s103,采用随机森林特征重要性方法、变量投影重要性方法及竞争性自适应重加权采样方法等特征重要性筛选方法从裹粉牡蛎样本的高光谱数据中分别筛选同增重率和裹粉层厚度等级相关的特征波段。
18、具体地,采用随机森林特征重要性方法按照下述公式计算裹粉牡蛎样本的高光谱数据中各波段同增重率的重要性分数,波段总数为344个:
19、
20、其中,t表示随机森林中决策树的总棵数,表示第t棵决策树中使用第j个波段作为分裂特征的节点集合,表示节点v在分裂前后的不纯度下降量(如采用均方误差下降量作为回归任务的不纯度度量);
21、按照重要性分数从高到低排序,筛选排序靠前的波段作为同增重率相关的特征波段,如筛选排序靠前的前15个波段作为同增重率相关的特征波段;
22、采用变量投影重要性方法按照下述公式计算裹粉牡蛎样本的高光谱数据中各波段同裹粉层厚度等级的重要性分数:
23、其中,p为输入光谱波段总数(p=344),a为pls模型提取的潜变量数量,表示第j个波段在第a个潜变量上的权重系数,表示第a个潜变量对因变量的解释平方和;
24、按照重要性分数从高到低排序,筛选排序靠前的波段作为同裹粉层厚度等级相关的特征波段,如筛选排序靠前的前15个波段作为同裹粉层厚度等级相关的特征波段。
25、s103,采用皮尔逊相关系数计算裹粉牡蛎样本的每个图像数据与裹粉牡蛎样本的高光谱数据中每个光谱波段之间的相关分数,公式如下:
26、
27、其中,表示第j个光谱波段与第k个图像特征之间的相关系数,表示第i个样本在第j个波段处的平均光谱值,表示第i个样本的第k个图像特征值,i=1,2,…,n,n为样本总数;,分别为第j个波段和第k个图像特征在所有样本中的均值;
28、对相关系数取绝对值后求平均,得到每个光谱波段的图像数据相关分数,公式如下:
29、
30、其中,表示第j个高光谱波段的图像引导相关分数,q表示图像数据数量,图像数据包含图像色彩数据和图像纹理数据,共计q=10个数据;
31、按照从高到低对全部p=344个高光谱波段进行排序,筛选排序靠前的波段作为同图像数据相关的特征波段,如筛选排序靠前的前30个波段作为同图像数据相关的特征波段。
32、s103,将同图像数据相关的特征波段与同增重率相关的特征波段进行合并去重后,采用随机森林特征重要性方法、变量投影重要性方法及竞争性自适应重加权采样方法等特征重要性筛选方法进行特征重要性的二次筛选,生成同增重率相关的最终建模特征集;具体地,采用如上所述的随机森林特征重要性方法进行特征重要性的二次排序,从中筛选排序靠前的前15个光谱波段生成同增重率相关的最终建模特征集;同时,
33、将同图像数据相关的特征波段与同裹粉层厚度等级相关的特征波段进行合并去重后,采用随机森林特征重要性方法、变量投影重要性方法及竞争性自适应重加权采样方法等特征重要性筛选方法进行特征重要性的二次筛选,生成同裹粉层厚度等级相关的最终建模特征集;具体地,采用如上所述的变量投影重要性方法进行特征重要性的二次排序,从中筛选排序靠前的前15个光谱波段生成同裹粉层厚度等级相关的最终建模特征集。
34、s103,以同增重率相关的最终建模特征集中特征波段所对应的光谱特征值作为输入、以裹粉牡蛎样本的增重率作为输出,通过支持向量回归(svr)模型、偏最小二乘回归(plsr)模型或随机森林回归(rf)模型等机器学习构建增重率预测回归模型;具体地,采用基于径向基函数核的支持向量回归模型构建并训练增重率预测回归模型,基于径向基函数核的支持向量回归预测函数表示为:
35、
36、其中,为预测得到的裹粉增重率,n为训练样本数量,和为支持向量回归模型的对偶变量,b为偏置项。所述径向基函数核的定义为:
37、
38、其中,为核函数参数,控制核函数的宽度。zi为训练样本经标准化处理后的特征向量,z为验证样本经标准化处理后的特征向量;同时,
39、以同裹粉层厚度等级相关的最终建模特征集中特征波段所对应的光谱特征值作为输入、以裹粉层厚度等级作为输出,通过支持向量机(svm)模型、偏最小二乘判别分析(plsda)模型或随机森林分类(rf)模型等机器学习构建裹粉层厚度分类预测模型;具体地,采用基于径向基函数核的支持向量机构建并训练裹粉层厚度分类预测模型,设总类别数为m(本步骤中m=5),模型输出的判别函数向量为:
40、
41、则预测类别由判别函数最大值决定:
42、
43、其中,为预测的裹粉层厚度等级标签。
44、s103,在构建并训练增重率预测回归模型过程中,统计训练集全部有效像素的预测响应值,取其最小值和最大值作为归一化参考范围。
45、s104,在待测裹粉牡蛎样本的预测阶段,采用和进行归一化:
46、
47、表示归一化后的增重率响应值,取值范围被映射至 [0,1]区间。
48、对归一化后的二维矩阵进行颜色映射,得到增重率热力图:
49、
50、其中,为颜色映射函数,用于将归一化后的标量值映射为颜色空间中的三通道色值(rgb)。
51、本发明还提供基于高光谱的裹粉牡蛎裹粉增重率与粉层厚度无损预测的系统,包括:
52、数据采集模块,获取裹粉牡蛎样本的高光谱图像数据,及对应样本的增重率数据、裹粉层厚度等级数据;
53、目标区域定位与图像数据提取模块,采用双阈值分割辅以形态学处理从裹粉牡蛎样本的高光谱图像中提取裹粉区域及所述裹粉区域的图像色彩数据和图像纹理数据;
54、预测模型构建模块,从裹粉牡蛎样本的所述裹粉区域内提取有效像素在各波段上的平均光谱值,生成裹粉牡蛎样本的高光谱数据;按照特征重要性从所述裹粉牡蛎样本的高光谱数据中分别进行光谱波段同增重率和裹粉层厚度相关的特征波段筛选,对筛选得到的特征波段进行特征波段融合、特征重要性的二次筛选获得最终建模特征集,利用最终建模特征集构建并训练预测模型输出增重率预测回归模型和裹粉层厚度分类模型;
55、预测输出模块,使用训练完成的增重率预测回归模型和裹粉层厚度分类预测模型对待测裹粉牡蛎样本进行像素级增重率、和/或样本级的增重率和/或裹粉层厚度分类预测,并生成裹粉状态图。
56、本发明还提供基于高光谱的裹粉牡蛎裹粉增重率与粉层厚度无损预测的设备,包含处理器及存储在所述处理器上可被处理器执行的计算机程序,处理器执行所述计算机程序时实现本发明上述提供的基于高光谱的裹粉牡蛎裹粉增重率与粉层厚度无损预测方法。
57、本发明还提供一种存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现本发明上述提供的基于高光谱的裹粉牡蛎裹粉增重率与粉层厚度无损预测方法。
58、与现有技术相比,本发明的有益效果在于:
59、(1)本发明基于高光谱成像技术,首次实现了裹粉牡蛎裹粉增重率的实时定量预测与粉层厚度的同步分类识别。区别于传统人工逐只称重方式仅能获得样品整体重量、无法量化增重率具体数值的局限,本发明可部署于产线实现对每一只裹粉牡蛎的实时监测,帮助企业快速鉴别出裹粉增重率过高、裹粉不足或裹粉不均匀的不合格样本,大幅节省人工称重成本,同时避免因投料过量导致的粉浆、面包糠原料浪费。同时,本发明的裹粉状态空间分布可视化,能够直观反映粉层在样品表面的厚薄变化与裹粉均匀性,可精准定位局部裸露或粉层堆积等问题区域,为裹粉工艺优化和品质追溯提供直观、精细的可视化依据。
60、(2)相比于现有方法(cn120668663a),本发明具有显著优势:其一,无需对牡蛎肉进行预处理,保持了样品的原始状态,更贴合实际生产工艺(现有方法需要对未裹粉牡蛎进行预整形);其二,仅需一次高光谱成像即可完成全部检测,操作简便、检测效率更高(现有方法需要放置两台机械,先扫描未裹粉时的牡蛎形状,在扫描裹粉后的牡蛎形状);其三,本发明输出的是裹粉增重率定量预测值、粉层厚度以及裹粉状态空间分布可视化,能够为品质管控提供更精细的数据支撑(现有方法只能提供合格/不合格)。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com