一种肉类无损检测方法及系统

本发明涉及肉类检测，具体涉及一种肉类无损检测方法及系统。

背景技术：

1、目前我国冷冻行业对冷冻食品的品质没有具体要求，例如，gb31646-2018《食品安全国家标准 速冻食品生产和经营卫生规范》中也只有“附录a 速冻熟制食品加工过程微生物监控要求”，对速冻食品生产过程只进行了卫生规范（包括应该符合gb14881-2013里的相关规定），没有给出冷冻食品的质量标准，更没有提出针对冷冻食品的新鲜度进行判断的可靠方法。

2、但是，随着冷链物流（cold chain logistics）的逐步发展，对冷链物流中冷冻食品的安全质量监控也变得至关重要。以牛肉为例，牛肉的冷冻加工包括直接冷冻牛肉，经过冷链运输后冷冻牛肉在冷冻条件下直接销售，也可以将冷冻牛肉速冻后冷链运输到目的地解冻后当生鲜牛肉销售，这个过程叫牛肉的冻转鲜。但是，由于冷冻工艺或存储时间等原因，可能导致解冻的牛肉存在着营养流失严重、口感较差等问题。

3、目前，现有技术中尝试通过高光谱图对肉的新鲜程度进行评估：

4、例如，专利申请cn202411775351 .x公开了一种基于深度学习的猪里脊肉新鲜度多模态融合检测方法，其包括步骤：制作猪里脊肉新鲜度分类模型的样品，采集猪里脊肉贮藏过程的hsi数据、紫外荧光图像数据、电子鼻数据和lf-nmr数据，并对数据预处理；对紫外荧光图像数据和hsi数据分别设计特征提取模块；基于变分自编码器设计数据增强模块以增强样品新鲜度各类别边界识别能力；设计改进的蜣螂优化算法以增强模型超参数寻优能力；在bilstm网络结构中引入uv-cnn模块、hsi-cnn模块、aavae模块和edbo优化算法，构建猪里脊肉新鲜度cnn-aavae-edbo-bilstm分类模型；对猪里脊肉分类模型准确性进行测试和评估。

5、又例如，专利申请cn202011064908 .0公开了一种基于高光谱成像技术对三文鱼鲜味强度快速表征的方法，；首先准备三文鱼样本，使用高光谱成像采集系统进行高光谱图像采集；采集后使用国标法测定样本的鲜味强度指标；再采用envi4 .5软件提取样本中心感兴趣区域的光谱值，并对光谱值进行预处理；然后使用不同的变量筛选方法提取经过预处理后的光谱值中的特征变量，以提取的特征变量组合成的样本作为新样本；采用样本集划分方法对新样本进行样本划分，得到重新划分后的样本集；以划分的样本集建立三文鱼鲜味强度指标预测模型，进而实现鲜味强度指标的分布可视化。

6、但是，申请人注意到，现有的新鲜度预测方法难以对肉类的新鲜程度或品质进行精细化的评估，因此其难以满足当前的冷链物流的检测应用需求。

技术实现思路

1、本发明的目的在于提供一种无损检测方法，部分地解决或缓解现有技术中的上述不足，能够实现对肉类的新鲜程度的无损检测。

2、为了解决上述所提到的技术问题，本发明具体采用以下技术方案：

3、本发明的第一方面，在于提供了一种肉类无损检测方法，包括：

4、s201，获取肉类的无损检测模型，其中，所述无损检测模型采用以下步骤训练得到：

5、s2011，获取多份样品肉的多张高光谱图样本以生成高光谱图集合，所述高光谱图样本上设置有第一标签和第二标签，所述第一标签用于标记挥发性盐基氮信息，所述第二标签用于标记至少一项辅助理化指标；

6、s2012，获取一类辅助样本，所述一类辅助样本包括至少一份所述样品肉的以下至少一类辅助数据：滴水损失率、蒸煮损失率、剪切力、咀嚼性；

7、s2013，对所述多份样品肉进行食品加工以获取到肉制品；

8、s2014，记录下品鉴人员对所述肉制品给出的至少一项感官评分；

9、s2015，生成训练集，所述训练集包括多个训练样本组，所述训练样本组包括：高光谱图样本，且所述高光谱图样本分别关联有一类辅助样本信息与感官评分；

10、s2016，将所述训练集输入至多模态融合模型进行模型训练，待训练过程收敛之后则得到对应的肉类无损检测模型；

11、s202，获取待测肉的至少一张待测高光谱图，将至少一张所述待测高光谱图输入至所述肉类无损检测模型，所述肉类无损检测模型输出得到对应的预测感官评分。

12、在一些实施例中，s2016包括步骤：

13、s20161，获取到所述高光谱图样本；

14、s20162，从所述高光谱图样本中筛选到至少一个辅助理化指标组；

15、s20163，从所述一类辅助样本中筛选至少一个辅助数据组；

16、s20164，根据所述挥发性盐基氮信息、至少一个辅助理化指标组合、至少一个辅助数据组合生成多个条件组合；

17、s20165，采用所述多模态融合模型利用多个条件组合对所述训练集进行学习，对应获取到多个肉类无损检测模型。

18、在一些实施例中，s20165包括步骤：

19、从所述训练集中选取出第一训练子集和第二训练子集，用所述多模态融合模型分别以至少两个组合条件对所述第一训练子集进行训练，对应获取到多个第一模型；

20、计算所述至少两个第一模型的至少两个第一预测准确度；

21、从多个第一模型中选取满足第一筛选规则的第二模型，所述第一筛选规则要求所述第二模型的第一预测准确性大于第一准确度阈值；

22、采用所述第二训练子集对所述第二模型进行优化；

23、计算所述至少两个第二模型的至少两个第二预测准确度；

24、当所述第二预测准确度高于第二准确度阈值时，将对应的至少一个所述第二模型作为所述肉类无损检测模型进行输出。

25、在一些实施例中，s202包括：

26、将多张待测高光谱图输入到至少两个肉类无损检测模型，对应获取到至少两组无损检测结果，其中，所述待测高光谱图标记有类别信息，所述类别信息包括：肉类品种，和/或食品加工方式；

27、计算至少两组无损检测结果的第三预测准确度；

28、当其中两个所述第三预测准确度之间的差值大于第三准确度阈值时，将所述第三预测准确度更高的所述高光谱图的类别信息识别为更新信息；其中，所述肉类无损检测模型记录有至少一个权重等级，且所述权重等级关联有类别信息；

29、利用所述更新信息对所述无损检测模型进行推荐权重更新；

30、其中，对所述推荐权重更新的步骤包括：

31、获取与所述更新信息相对应的权重等级的设定值；

32、按照设定规则增大所述设定值。

33、在一些实施例中，至少一张待测高光谱图包括：

34、至少一张覆盖所述待测肉的第一面积区域的第一待测高光谱图，至少一张覆盖所述待测肉的第二面积区域的第二待测高光谱图；其中，所述第一面积区域大于第二面积区域。

35、在一些实施例中，s202包括：

36、获取至少一张覆盖所述待测肉的第一面积区域的第一待测高光谱图；

37、识别所述第一待测高光谱图中至少三个待测子区域的光谱反射率数据；

38、根据光谱反射率数据分别绘制对应的用于反射率随波长变化的至少三个目标曲线；

39、计算至少三个目标曲线中的任意两个目标曲线之间的相似性指标；

40、当其中一个目标曲线与至少两个其他目标曲线之间的相似性指标均小于第一相似阈值时，将对应所述目标曲线所对应的待测子区域识别为关注区域；

41、针对所述关注区域获取新的第二待测高光谱图；

42、将所述第一待测高光谱图和第二待测高光谱图共同输入所述肉类无损检测模型。

43、在一些实施例中，所述样品肉包括：进行冷冻处理的第一样品肉，未进行冷冻处理的第二样品肉。

44、在一些实施例中，所述无损检测模型还用于输出冻鲜值，所述冻鲜值为所述样品肉在冷冻处理之前的感官评分与冷冻处理之后的感官评分的比值。

45、本发明还提供了一种肉类无损检测系统，包括：

46、模型模块，用于获取肉类的无损检测模型，其中，肉类无损检测模型采用模型创建模块创建得到，所述模型创建模块包括：

47、第一样本获取单元，用于获取多份样品肉的多张高光谱图样本以生成高光谱图集合，所述高光谱图样本上设置有第一标签和第二标签，所述第一标签用于标记挥发性盐基氮信息，所述第二标签用于标记至少一项辅助理化指标；

48、第二样本获取单元，用于获取一类辅助样本，所述一类辅助样本包括至少一份所述样品肉的以下至少一类辅助数据：滴水损失率、蒸煮损失率、剪切力、咀嚼性；

49、评分记录单元，用于对所述多份样品肉进行食品加工以获取到肉制品，记录下品鉴人员对所述肉制品给出的至少一项感官评分；

50、训练集生成单元，用于生成训练集，所述训练集包括多个训练样本组，所述训练样本组包括：高光谱图样本，且所述高光谱图样本分别关联有一类辅助样本信息与感官评分；

51、训练单元，用于将所述训练集输入至多模态融合模型进行模型训练，待训练过程收敛之后则得到对应的肉类无损检测模型；

52、输出模块，用于获取待测肉的至少一张待测高光谱图，将至少一张所述待测高光谱图输入至所述肉类无损检测模型，所述肉类无损检测模型输出得到对应的预测感官评分。

53、在一些实施例中，所述样品肉包括：进行冷冻处理的第一样品肉，未进行冷冻处理的第二样品肉。