基于近红外和拉曼融合的鸡蛋蛋壳强度无损检测方法

摘要: 本发明属于农产品质量检测领域,涉及一种基于近红外和拉曼融合的鸡蛋蛋壳强度无损检测方法。背景技术:1、2、鸡蛋中含有丰富的营养物质,其蛋白质中含有人体所必须的氨基...
基于近红外和拉曼融合的鸡蛋蛋壳强度无损检测方法

本发明属于农产品质量检测领域,涉及一种基于近红外和拉曼融合的鸡蛋蛋壳强度无损检测方法。

背景技术:

1、

2、鸡蛋中含有丰富的营养物质,其蛋白质中含有人体所必须的氨基酸。此外,鸡蛋中还含有胆碱、维生素和卵磷等活性成分,具有提高免疫力、降血压和预防癌症等作用。蛋壳强度是评估鸡蛋品质、商品化等级及抗外力破坏能力的核心物理指标。在鸡蛋的自动化采收、分选、清洗、包装以及长途运输等工业化流通环节中,鸡蛋不可避免地会承受挤压、碰撞等机械应力。若蛋壳强度不足,极易产生隐裂甚至破损。据统计,全球鸡蛋产业在产蛋、集蛋和运输过程中的综合破损率通常高达6%~10%,造成的直接经济损失极其巨大。因此,准确评估并监控蛋壳强度,对降低商业流通损耗、提高鸡蛋分级附加值以及优化种禽养殖选育具有极高的现实必要性。除了防机械损伤外,蛋壳还承担着保护蛋内部营养物质的重要生物屏障功能。坚固的蛋壳结构能够有效阻隔外界致病微生物(如沙门氏菌、霉菌等)的侵入,并延缓蛋内水分与二氧化碳的散失速度。蛋壳强度不足不仅会导致鸡蛋内部品质(如哈夫单位、蛋黄指数)加速劣变,缩短贮藏保质期,更大幅增加了病原菌通过微裂纹污染蛋液的风险,直接威胁消费者的食品安全。因此,对蛋壳强度进行精准检测,是保障鸡蛋货架期质量与食安底线的重要环节。然而,传统的蛋壳强度检测多依赖破坏性试验,不仅造成样品损耗,且无法实现生产线上样品的逐一评估。为此,引入无损检测技术具有不可替代的现实意义:无损检测能在完全不破坏蛋壳物理结构与生物屏障的前提下,快速、精准地获取强度信息,从而满足自动化分选线对每个鸡蛋进行检测与实时分级的需求,既避免了检测造成的损耗,又保障了高品质鸡蛋的安全高效流通。

3、传统的鸡蛋蛋壳强度检测方法主要是通过力学测试检测,依靠强度测试仪、质构分析仪等仪器,通过对鸡蛋表面施加压力,记录该过程中鸡蛋表面的反作用力随时间的变化曲线及使蛋壳破裂所需的最大压力,最大压力值大小即为鸡蛋蛋壳强度大小。传统检测方法虽然检测结果准确,但检测过程需要破坏鸡蛋蛋壳,无法实现鸡蛋蛋壳强度无损检测,且耗费时间和人力,不利于生产线的大规模批量检测。

4、近红外光谱技术主要基于分子振动的非谐振性,测定分子在近红外波段的倍频与合频吸收,对含氢基团极为敏感。拉曼光谱技术主要基于光子的非弹性散射,检测分子振动过程中分子振动诱发的电子云极化率变异程度,对非极性键、化学骨架以及无机矿物结晶等敏感。当近红外光照射到蛋壳表面并深入其内部时,光子会在由碳酸钙晶体,和有机质基质构成的复杂微观结构中发生频繁的多重散射。蛋壳越厚,光子在蛋壳内部穿透和漫反射的路径就越长。此外,蛋壳内部交织着由蛋白质和多糖组成的有机基质网以及微量的结合水/自由水,蛋壳越厚,光线穿过的有机基质和水分子总量就越多,其特征波段的吸收峰面积与峰高就会相应增加。因此,近红外光谱与蛋壳的物理厚度存在对应关系,可以实现对蛋壳厚度的预测。蛋壳的抗压强度不仅取决于蛋壳厚度,更取决于蛋壳中方解石晶体的排列规整度与微观结晶质量。鸡蛋蛋壳晶体排列越高度垂直有序,在相同蛋壳厚度下其蛋壳强度就越大,其在平行与垂直偏振下的拉曼散射强度比值就越大;反之,若晶体排列杂乱或存在微观缺陷,蛋壳强度则越小,其散射强度比值则显著减弱。此外,蛋壳微观结构中的残余应力和晶格形变会导致拉曼特征峰位发生微小偏移,而晶体缺陷与结晶度高低则直接反映在特征峰的半高全宽上。通过上述特征分析,拉曼光谱能够解析蛋壳中方解石晶体的排列规整度与微观结晶质量。因此,通过将近红外与拉曼光谱技术融合的方法将能打破单一光谱对物理-化学多维信息表达不足的瓶颈,从而实现鸡蛋蛋壳强度的快速无损检测。

技术实现思路

1、

2、为了解决背景技术中存在的问题,本发明提出了一种基于近红外和拉曼融合的鸡蛋蛋壳强度无损检测方法。该方法首先通过近红外光谱技术建立鸡蛋蛋壳厚度的预测模型,实现鸡蛋蛋壳厚度的快速无损预测;然后将蛋壳厚度的预测值与拉曼数据融合,建立蛋壳强度的预测模型,从而实现鸡蛋蛋壳强度的快速无损预测。

3、本发明解决其技术问题所采用的技术方案是:基于近红外和拉曼融合的鸡蛋蛋壳强度无损检测方法,该方法的步骤如下:

4、步骤1:鸡蛋蛋壳厚度的预测模型建立;

5、步骤1.1:收集外表无污渍、表面无缺陷的鸡蛋样本个;

6、步骤1.2:对每个鸡蛋在赤道部位间隔标记采集点,每个样本标记3处;

7、步骤1.3:对每个鸡蛋样本,在室温条件下分别在3个采集点处以透射方式采集近红外光谱数据,并将光谱数据转化为吸光度光谱,然后取3个标记点采集的吸光度光谱平均值作为每个样本的光谱数据;个完整鸡蛋样本的光谱数据矩阵记为;

8、步骤1.4:对每个鸡蛋样本,打破蛋壳取出鸡蛋内容物,并保证3个采集点位置的蛋壳完整度;

9、步骤1.5:对每个鸡蛋的3个采集点位置的蛋壳样本,在室温条件下分别以透射方式采集蛋壳样本的近红外光谱数据,并将光谱数据转化为吸光度光谱,然后将3个采集点位置的蛋壳样本的光谱取平均作为每个鸡蛋样本的蛋壳光谱;个鸡蛋样本的蛋壳光谱数据矩阵记为;

10、步骤1.6:对每个鸡蛋的3个采集点位置的蛋壳样本,使用高精度螺旋测微器分别测量蛋壳的真实厚度,将3个采集点位置的蛋壳厚度取平均值作为每个鸡蛋样本的蛋壳厚度真实值;个鸡蛋样本的蛋壳真实厚度值记为;

11、步骤1.7:为了减少鸡蛋内容物的光谱信号对蛋壳厚度的预测精度影响,分离鸡蛋内容物的光谱信号;通过利用完整鸡蛋样本的光谱数据矩阵减去蛋壳光谱数据矩阵获取鸡蛋内容物的光谱数据矩阵,即;计算个样本内容物光谱矩阵的平均值,记为,并作为鸡蛋内容物的背景光谱用于后续完整鸡蛋光谱的修正;

12、步骤1.8:由于光谱数据矩阵中掺杂噪声信息与基线漂移,对其进行平滑、基线校正及归一化预处理,预处理后的光谱矩阵记为;

13、步骤1.9:近红外光谱数据中波长变量众多,有很多噪声和冗余信息,需要进行特征波长筛选;首先,计算光谱矩阵中的每一个波长与其蛋壳厚度向量间的相关系数;

14、步骤1.10:对相关系数取绝对值,并将所有波长按照其相关系数绝对值大小从高到低排序,取排序前50%的波长;然后在光谱矩阵中提取前50%波长对应的光谱数据,组成新的光谱矩阵记为;

15、步骤1.11:为综合多个波长变量选择方法的优点,采用三种方法对光谱矩阵进行特征波长筛选,并统计每个波长被选择的频次;首先,采用无信息变量消除方法对光谱矩阵进行50次特征波长筛选;波长变量选择过程中,建立基于10折交叉验证的偏最小二乘回归模型,计算各波长的回归系数稳定性指标,并以噪声变量的最大稳定性作为动态阈值剔除无信息和冗余波长变量;完成50次特征波长筛选后,计算每个波长被选择的频次;其次,采用竞争性自适应重采样算法对光谱矩阵进行50次特征波长筛选;波长变量选择过程中,利用蒙特卡洛采样和指数衰减函数剔除回归系数绝对值权重较小的波长变量,并通过交叉验证选择均方根误差最小的子集作为特征波长;完成50次特征波长筛选后,计算每个波长被选择的频次;再次,采用连续投影算法对光谱矩阵 进行50次特征波长筛选;波长变量选择过程中,基于向量投影分析对波长变量进行循环选择,筛选出共线性最小的波长组合,并结合偏最小二乘回归模型的交叉验证确定最优特征波长子集;完成50次特征波长筛选后,计算每个波长被选择的频次;最终,统计三种变量选择方法共150次特征波长筛选中每个波长被选择的频次,并按照频次大小对每个波长进行排序,保留前30%的波长作为蛋壳厚度预测的特征波长集合,记为;

16、步骤1.12:对于光谱矩阵,提取特特征波长集合对应的光谱数据,其光谱矩阵记为;然后,采用偏最小二乘回归方法将鸡蛋样本的光谱数据矩阵与其蛋壳厚度向量进行关联,建立鸡蛋蛋壳的厚度预测模型,记为;

17、步骤2:鸡蛋蛋壳强度预测模型建立;

18、步骤2.1:收集外表无污渍、表面无缺陷的鸡蛋样本个;

19、步骤2.2:对个鸡蛋样本,按照步骤1.2对鸡蛋样本标记3个采集点;然后,按照步骤1.3进行近红外光谱采集,再转换为吸光度光谱,并对每个样本的3个采集点光谱取平均作为该样本的光谱数据;个鸡蛋样本的近红外光谱数据矩阵记为;

20、步骤2.3:将光谱矩阵中每个鸡蛋样本的光谱均减去鸡蛋内容物的背景光谱,以消除鸡蛋内容物光谱的影响,处理后的光谱矩阵记为;对于光谱矩阵,按照步骤1.8进行预处理,预处理后光谱矩阵记为;

21、步骤2.4:对于光谱矩阵,提取特征波长集的光谱数据,然后将光谱数据输入到蛋壳厚度预测模型,获取个鸡蛋样本的鸡蛋蛋壳厚度预测值,记为;

22、步骤2.5:对鸡蛋样本,在室温条件下分别进行线偏振拉曼测量;首先,785 nm激光器发出的激光经过线偏振片获得偏振光,然后照射到鸡蛋样本上,产生的拉曼散射信息经半波片和线偏振片,再被拉曼光谱仪检测;通过旋转半波片使光路处于平行偏振配置,即检测偏振方向与入射光偏振方向平行,获得鸡蛋样本的平行偏振散射光强度;通过旋转半波片使光路处于垂直偏振配置,即检测偏振方向与入射光偏振方向垂直,获取鸡蛋样本的垂直偏振散射光强度;

23、步骤2.6:按照步骤2.5的方法,对个鸡蛋中的每个鸡蛋样本,分别在3个采集点进行线偏振拉曼测量,获取样本的平行偏振散射光强度和垂直偏振散射光强度,并对3个采集点的数据取平均;完成线偏振拉曼测量后,个鸡蛋样本的平行偏振散射光强度光谱矩阵记为;个鸡蛋样本的垂直偏振散射光强度光谱矩阵记为;将光谱矩阵与光谱矩阵相除,获得个鸡蛋样本的退偏比光谱矩阵,即;

24、步骤2.7:对个鸡蛋样本,使用蛋壳强度测定仪对样本进行强度测定,记录最大屈服力作为鸡蛋蛋壳强度值;个鸡蛋样本的真实蛋壳强度数据矩阵记为;

25、步骤2.8:由于拉曼信号通常较弱,且容易受到背景荧光、光路偏振漂移、检测器暗电流以及蛋壳表面微观粗糙度等因素干扰,需要通过预处理来提取真实的信息;预处理内容包括宇宙射线剔除、荧光背景校正、平滑降噪与归一化,预处理后的光谱矩阵记为;

26、步骤2.9:提取光谱矩阵中,,处的退偏比,分别记为, , ;, , 数据可以反映碳酸钙晶体生长轴沿蛋壳法线方向的排列规整度;

27、步骤2.10:为进一步提取蛋壳中碳酸钙晶体的排列规整度信息,将,, 进行比值和差值处理,构建如下特征量:

28、-,-,-,

29、, ,;

30、步骤2.11:计算特征峰位偏移量,以为标称特征峰位,在光谱矩阵中提取邻域内的实际峰顶所对应的拉曼位移,记为;按照下列公式计算特征峰位偏移量:;拉曼峰向高频或低频的微小偏移,直接映射方解石晶格内部的微观残余压应力或拉应力;

31、步骤2.12:对于光谱矩阵,提取和峰的半峰全宽数据,分别记为和;半峰全宽与晶体结晶度成反比,半峰全宽越窄,说明碳酸钙结晶完整度越高、内部缺陷越少,蛋壳的微观弹性模量与硬度越高;

32、步骤2.13:将步骤2.9-2.12中的数据拼接得到矩阵,

33、,为消除各物理指标量纲差异与数量级悬殊对模型的干扰,对矩阵进行标准化处理,处理后矩阵记为;

34、步骤2.14:采用支持向量机方法对数据矩阵与其蛋壳强度进行关联,建立鸡蛋蛋壳强度的预测模型,模型记为;

35、步骤3:未知鸡蛋样本的蛋壳强度预测;

36、步骤3.1:收集外表无污渍、表面无缺陷的鸡蛋样本个;

37、步骤3.2:对个鸡蛋样本,按照步骤1.2对鸡蛋样本标记3个采集点;然后,按照步骤1.3进行近红外光谱采集,再转换为吸光度光谱,并对每个样本的3个采集点光谱取平均作为该样本的光谱数据;个鸡蛋样本的近红外光谱数据矩阵记为;

38、步骤3.3:将光谱矩阵中每个鸡蛋样本的光谱均减去鸡蛋内容物的背景光谱,以消除鸡蛋内容物光谱的影响,处理后的光谱矩阵记为;对于光谱矩阵,按照步骤1.8进行预处理,预处理后光谱矩阵记为 ;

39、步骤3.4:对于光谱矩阵,提取特征波长集的光谱数据,然后将光谱数据输入到蛋壳厚度预测模型,获取个鸡蛋样本的鸡蛋蛋壳厚度预测值,记为;

40、步骤3.5:按照步骤2.5与2.6的方法,对个鸡蛋中的每个鸡蛋样本,分别在3个采集点进行线偏振拉曼测量,获取样本的平行偏振散射光强度和垂直偏振散射光强度,并对3个采集点的数据取平均;并且经过计算后获得个鸡蛋样本的退偏比光谱矩阵;然后,按照步骤2.8进行预处理,预处理后的光谱矩阵记为;

41、步骤3.6:按照步骤2.9-2.12的方法从光谱矩阵中提取并计算对应的特征向量,与步骤3.4中的拼接成矩阵  ,为消除各物理指标量纲差异与数量级悬殊对模型的干扰,对矩阵进行标准化处理,处理后矩阵记为;

42、步骤3.7:将矩阵中的数据输入到蛋壳强度度预测模型,从而快速无损获得个鸡蛋样本的蛋壳强度预测值。

43、本发明的有益效果是:本发明的基于近红外和拉曼融合的鸡蛋蛋壳强度无损检测方法能够在不破坏蛋壳的情况下实现鸡蛋蛋壳强度的快速无损检测;通过消除鸡蛋内容物的近红外光谱、构建偏振拉曼特征峰的比值、差值及半宽高特征向量,及融合近红外与拉曼光谱信息,有效提高了鸡蛋蛋壳强度的快速无损检测精度。