一种检测肉品新鲜度的高光谱解混方法

本发明涉及深度学习，具体涉及一种检测肉品新鲜度的高光谱解混方法。

背景技术：

1、肉品是日常膳食中的主要蛋白质来源之一，新鲜度直接关系到食品安全、营养品质和商品价值。在贮藏、运输和销售过程中，温度、湿度、包装方式以及微生物活动都会影响肉品品质，使其逐渐出现蛋白质分解、脂质氧化、水分迁移和微生物增殖等现象。上述变化通常伴随色泽、气味和质构劣变，严重时会带来食品安全风险。传统肉品新鲜度检测方法主要包括菌落总数、挥发性盐基氮、ph、色差、质构和感官评价等。这些方法能够从不同角度反映肉品品质变化，但通常需要取样、前处理和实验室检测，存在检测时间较长、样品破坏和难以实现逐件检测等问题。随着智能检测和食品工业在线监测需求提升，基于机器视觉和光谱技术的无损检测方法逐渐受到关注。高光谱成像把图像空间信息和连续光谱信息结合起来，可以在不破坏样品的条件下获得像素级光谱响应。肉品腐败过程中产生的化学成分和组织结构变化会在近红外波段中留下反射率差异，因此该技术适合用于新鲜度评价。需要注意的是，肉品表面往往同时包含肌肉、脂肪、筋膜、背景和腐败相关区域，多个组分在像素层面叠加形成混合光谱，给新鲜度表征和腐败区域识别带来困难。

技术实现思路

1、本发明的目的是解决传统检测肉品方法检测时间较长、样品破坏和难以实现逐件检测，以及肉品高光谱图像中肌肉、脂肪、背景及腐败相关区域相互混合、样本新鲜度难以稳定表征的问题。

2、为了解决上述问题本发明提出一种检测肉品新鲜度的高光谱解混方法，包括：

3、步骤1：数据划分；获得19组.mat格式的三维高光谱立方体数据，按csv文件划分为训练集、测试集，测试集为第10、11、12、13组数据，剩余的为训练集，

4、步骤2：对训练集的三维高光谱立方体文件进行数据预处理，获得一维光谱向量；

5、步骤3：transformer编码器特征提取；

6、将一维光谱向量作为输入，包含：b个波段反射标量，取第个波段对应的原始反射标量，通过线性投影公式将原始反射标量映射为一维波段隐向量，公式为：

7、

8、式中，为第个波段经线性投影后得到的一维波段隐向量；为波段投影共享权重矩阵；为投影层全局共享偏置项，全部波段的一维波段隐向量拼接得到波段原始特征序列，，为隐向量维度大小；

9、引入正弦位置编码，设p为波段序号，p=1，2...b，s为隐维度索引，偶数维度位置编码公式：

10、

11、式中，为第p个波段、偶数维度的位置编码数值；奇数维度位置编码公式：

12、

13、式中，为第p个波段、奇数维度的位置编码数值；

14、根据逐位置填充规则，对第p个波段、偶数列索引，带入公式填入矩阵对应位置，对第p个波段、奇数列索引，代入公式填入矩阵对应位置；完整遍历全部、，逐行逐列填充全部单元格数值后，得到完整位置编码矩阵pe；

15、位置编码矩阵pe尺寸与原始特征序列h完全一致，维度为，将位置编码矩阵pe与原始特征序列h逐元素相加，对应位置数值直接求和，得到携带位置信息的初始特征矩阵，公式为：

16、

17、多头自注意力计算，公式为：

18、

19、第层输入为上一层输出特征矩阵；

20、

21、式中，为查询特征矩阵，为键特征矩阵，为值特征矩阵，分别为查询、键、值分支的可学习权重矩阵， ，为单头注意力维度；为多头注意力头数量，输出三组特征矩阵，查询特征矩阵q的第i行记为单波段查询向量；

22、缩放点积注意力，公式为:

23、

24、式中，为多头注意力融合输出特征，为指数归一化激活函数；为查询特征矩阵与键特征矩阵的内积运算；

25、查询特征矩阵q的第i行记为单波段查询向量，求和遍历阶段第t个波段对应的键向量，遍历全部b个光谱波段，为第j波段键向量，用于计算基准波段i与配对波段j的相关性得分；输入为、、，公式为：

26、

27、式中，为第i波段与第j波段的关联注意力权重；为自然指数运算；输出全部波段两两之间的关联权重矩阵，将权重矩阵a与值特征矩阵v相乘，得到单头注意力输出，再对8组单头特征拼接多头输出到多头特征，公式为：

28、

29、本层原始输入特征矩阵为，第一层输入为，第2、3、4层输入为；

30、第一层公式为：

31、

32、第2、3、4层公式为：

33、

34、式中，为残差融合后的注意力特征；通过两层学习权重矩阵完成非线性特征映射，公式为：

35、

36、式中，为前馈网络输出非线性特征；分别为前馈网络两层可学习权重矩阵；为前馈网络对应层全局共享偏置项；为 relu 激活函数；ffn隐层维度设置为；

37、将前馈网络输出非线性特征以及残差融合后的注意力特征相加，得到复合特征矩阵；将复合特征矩阵执行层归一化标准化操作，公式为：

38、

39、式中，为归一化后特征矩阵；u为复合特征矩阵，为复合特征矩阵u内第g个隐向量维度对应的标量特征数值；为可学习缩放，为平移参数；为特征均值，为特征方差；为极小常数取，防止分母为0；为哈达玛逐元素相乘；

40、单层编码器计算，公式为：

41、

42、式中，为第l层transformer编码器最终输出特征矩阵；为归一化后特征矩阵；循环执行4层，四层全部运算完成后，输出全局上下文特征矩阵；

43、步骤4：根据全局上下文特征矩阵进行丰度计算、光谱重建与新鲜度指标求解；

44、步骤5：采用均方误差 mse 作为模型训练损失函数，公式如下：

45、

46、式中，为单批次均方误差损失；n 为单批次参与计算的像素总数量；通过反向传播最小化，完成seahuformer网络全部可学习权重更新。

47、优选方式下，步骤2包括：三维高光谱立方体数据，立方体维度为，h为图像高度，w为图像宽度，b为有效光谱波段数；

48、空间维度展平处理，将三维高光谱立方体数据的空间维度进行展开，消除图像二维空间结构，生成二维光谱矩阵，每行表示单个像素完整一维光谱向量；

49、遍历训练集全部像素，对每个波段计算各波段分布参数，包括：波段均值，波段标准差，波段最小值，波段最大值；

50、将训练集输入到seahuformer模型训练，模型输出一维光谱向量，其中，当小于，令等于；大于，令等于。

51、优选方式下，步骤4包括：自适应全局平均池化，公式为：

52、

53、式中，为池化压缩后固定维度全局一维特征向量；为全局自适应平均池化运算；

54、丰度估计头运算，公式为：

55、

56、式中，为5维丰度向量，天然满足约束、；m为端元类别；为丰度估计头两层可学习权重矩阵；为对应层全局共享偏置项；为随机失活运算；

57、端元线性光谱重建，公式为：

58、

59、式中，为模型重建的单像素光谱向量；为 5 类物质端元矩阵；为第m类端元对应的丰度向量；为第m类端元完整波段光谱向量；

60、新鲜度指标计算，包括：输入为5维丰度向量a；端元分类规则：端元 0 为背景类，端元 1、3 为腐败类组分，端元 2、4 为新鲜类组分；

61、新鲜度指数：剔除背景类端元后，新鲜类端元加权求和，数值随肉品贮藏变质持续降低；

62、腐败比例：剔除背景类端元后，腐败类端元加权求和，数值随肉品贮藏变质持续升高。

63、本发明的有益效果如下：本发明提出端元感知的transformer高光谱解混网络seahu。将先验光谱端元嵌入解码层，在确保丰度物理可解释性的同时实现了高精度的光谱重建。发现并验证了高光谱解混中的"最优重构不等于最优解混"现象。实验表明，端元数量从 5 增至 7 时 mse 仍然下降，但新鲜度相关性由1.0骤降至-0.4—单纯降低重建误差并不能保证丰度的物理语义正确。构建了光谱-语义联合的多维解混评价体系。在传统 mse/sam/sid 基础上引入新鲜度指数、腐败比例等可解释指标，将评价维度从光谱准不准扩展至趋势对不对。