一种融合NIRS和CV对冷鲜鸭肉新鲜度进行快速检测的方法与流程

一种融合nirs和cv对冷鲜鸭肉新鲜度进行快速检测的方法
技术领域
1.本发明涉及食品检测技术领域，涉及冷鲜鸭肉新鲜度检测方法，尤其是一种融合光谱技术以及图像技术的冷鲜鸭肉新鲜度快速检测方法。


背景技术：

2.新鲜度是肉类品质安全的重要指标，在肉品变质过程中会产生氨及胺类等含氮物质，传统上通常测定挥发性盐基氮(tvb
‑
n)的含量表达肉品变质程度，该方法需要一定的检测周期和专用的仪器设备，不适合现场检测。
3.目前，无损检测技术正逐步替代常规检测方法，其中近红外光谱技术(nirs)应用较为广泛，由于肉品中含有大量蛋白质、碳水化合物等有机化合物，这些含氢基团物质可以引起近红外的合频、倍频吸收，产生吸收光谱，再通过化学计量学建立光谱与检测目标的关系模型，从而实现快速检测，nirs目前已在肉品掺假、成分预测方面得到应用。此外，计算机视觉技术(computer vision，cv)通过图像传感器采集样品图像信息再转换为数字信号，由计算机进行分析，在肉品的颜色、纹理、明暗度等特征信息方面也有比较广泛的应用。虽然这些无损检测方法具有快速安全，成本低等优点，但是其本质是一种间接的检测方法，准确性一直是制约其进一步普及的重要因素。
4.近红外光谱技术与计算机视觉技术可以从不同角度评价肉品的品质，应用这两种技术对冷鲜肉品新鲜度进行的检测虽有个别报道，但是准确度仍不高，其原因主要是单一的检测技术只能从某一方面进行测定，对于样品特征信息的表征并不全面。
5.融合多种检测技术构建样品特征变量是一种丰富样品信息，提高无损检测方法准确率的有效手段，但目前通过融合光谱技术以及图像技术对冷鲜鸭肉新鲜度进行检测的方法还未有报道。


技术实现要素：

6.本发明针对目前单一检测技术对冷鲜鸭肉的检测准确率不高的问题，通过使用nirs和cv两种检测技术，并通过特殊的处理对其进行融合，将多维数据整合后构建更准确的预测模型，实现对冷鲜鸭肉新鲜度的快速检测。
7.为实现上述目的，本发明使用了以下技术手段：
8.一种融合nirs和cv对冷鲜鸭肉新鲜度进行快速检测的方法，包括建立knn模型以及利用该模型对冷鲜鸭肉新鲜度进行检测的步骤，所述knn模型的建立包括以下步骤：
9.1)将用于建模的冷鲜鸭肉切块后于4℃冷藏，定期采集样本的近红外光谱数据以及图像数据，其中，近红外光谱数据的采集使用的是光纤探头漫反射模式，波段4,000
‑
10,000cm
‑1，以log(1/r)表示光谱的响应值，其中r为反射率；图像数据的采集使用的是分辨率不低于500万像素的高分辨率数码相机；数据采集的频率为每1～3h采集一次，连续采集14天；
10.2)在采集近红外光谱数据以及图像数据的同时对样本进行理化指标测定，并根据
理化指标测定结果对样本新鲜度等级进行评级和标记；
11.3)利用计算机软件对步骤1)采集到的近红外光谱数据进行主成分分析，将原来的多个主成分降维成仅有一个主成分的数据，此数据用p表示；
12.4)利用计算机软件获得步骤1)采集到的的图像数据中的颜色值，并计算与初始颜色值之间的色距，此数据用s表示；
13.5)利用计算机软件对p值和s值进行归一化处理，构建n个样本的特征变量矩阵x如下表示：
[0014][0015]
6)使用k最近邻算法判断样本新鲜度所属类别，建立特征变量与样品新鲜度等级的knn模型。
[0016]
其中，步骤2)中所述的理化指标测定为ph测定和tvb
‑
n值测定。
[0017]
其中，在根据理化指标测定结果对样本新鲜度等级进行评级时，将ph＝5.8～6.2、tvb
‑
n<15mg/100g的评为新鲜肉；将ph＝6.3～6.6、tvb
‑
n＝15～25mg/100g的评为次新鲜肉：将ph>6.7，tvb
‑
n>25mg/100g的评为腐败肉，如果样本tvb
‑
n值与ph值不在同一个新鲜度等级时，那么依据从低原则将其归为低新鲜度等级的一类。
[0018]
其中，步骤3)中所述的近红外光谱数据为5500
‑
6500、7500
‑
10000cm
‑1两个波段范围内的数据。
[0019]
其中，步骤4)中所述的颜色值包括红色值、绿色值和蓝色值，分别用r、g、b表示。
[0020]
其中，所述色距s
n
的计算公式为：
[0021][0022]
r0、g0、b0代表初始时的颜色值，r
n
、g
n
、b
n
代表样本实际检测的颜色值。
[0023]
其中，在使用k最近邻算法判断样本新鲜度所属类别时，k值取1、2、3时的准确度最高，任选其中一个即可。
[0024]
本发明的有益效果是：
[0025]
本发明融合光谱和图像构建样品特征变量的检测模型，可以满足在线的连续检测，且检测准确率比单一的近红外法或者计算机视觉更高，在生产加工智能化、数字化方面有极大的应用潜力。
附图说明
[0026]
图1不同冷藏时间下鸭肉的近红外光谱。
[0027]
图2不同冷藏时间下鸭肉的图像。
[0028]
图3不同冷藏时间下鸭肉的理化指标。
[0029]
图4是不同k值下模型的准确度分布。
[0030]
图5是最优knn模型对测试集新鲜度的预测。
具体实施方式
[0031]
下面结合具体实施例对本发明作进一步阐述，但本发明并不限于以下实施例。
[0032]
实施例1
[0033]
(1)鸭肉样品制备
[0034]
超市购买新鲜屠宰后的冷鲜鸭肉，选取鸭胸肉，将其切片并修整为形状约为10cm
×
10cm，厚2cm的正方块，共14块，置于4℃冷藏条件下储存。
[0035]
(2)样品光谱及图像数据采集
[0036]
样品冷藏放置0～14天，每隔1～3h(随机时间点，随机样品块)进行样品的近红外光谱采集以及图像数据采集。
[0037]
近红外光谱采集使用的仪器是antarisii傅立叶变换近红外分析仪，以log(1/r)表示为光谱的响应值，其中r为反射率。采集参数如表1所示。
[0038]
表1 近红外光谱采集参数
[0039][0040][0041]
近红外光谱数据是样本在不同波数下的响应值，波数间隔与近红外仪器的分辨率有关系，间隔越短，波数越多，意味着分辨率越高，变量数也就越多，可以反应更全面的光谱信息。当然，巨大的变量数为建模会带来不便，耗时的同时还会有一些不关区间信息的干扰，影响模型的准确性。
[0042]
图像数据采用索尼imx219相机，可连续拍摄800万像素的高清图片，通过usb连接电脑。
[0043]
图1和图2分别为随机一个样本在1天、6天、12天时被采集到的原始光谱及图像。
[0044]
图1的光谱数据显示，在波数区间5500
‑
6500、7500
‑
10000cm
‑1对不同冷藏时间鸭肉的表现出明显差异性，说明近红外光谱可以对不同冷藏时间的鸭肉得到有区别性的光谱数据，这为建立近红外光谱与鸭肉新鲜度之间的相关模型提供了基础；同时，在后期对光谱数据进行处理时，为减少数据量可重点考察5500
‑
6500、7500
‑
10000cm
‑1两个波段范围内的数据。
[0045]
图2的图像数据显示，鸭肉在冷藏第1天时，颜色鲜艳，有光泽，第6天时颜色变暗，无光泽，在12天的时候，颜色变深，肉质变干，且出现肉眼可见的染菌情况。该结果表明不同时间点的图像数据也具有差异，该差异与冷鲜鸭肉的品质存在一定关联。
[0046]
(3)理化指标测定及分析
[0047]
样品ph测定参考gb 5009.237
‑
2016中肉制品ph测定方法，tvb
‑
n值参考gb 5009.228
‑
2016中的半微量定氮法进行测定。在每次光谱、图像数据采集后，切取部分样品用于理化指标测定，剩余部分样品继续冷鲜保藏。
[0048]
图3为随机一个样本的理化指标变化情况，结果表明，随着储存时间的延长，冷鲜鸭肉的tvb
‑
n值和ph值均有上升趋势。根据国家对肉制品新鲜度等级评价，新鲜肉：ph＝5.8～6.2，tvb
‑
n<15mg/100g，次新鲜肉：ph＝6.3～6.6，tvb
‑
n＝15～25mg/100g，腐败肉：ph>6.7，tvb
‑
n>25mg/100g。在此基础上本研究规定，如果样本tvb
‑
n值与ph值范围不在同一个新鲜度等级时，那么应该将其归为低新鲜度等级的一类(从低原则)。通过分析理化值发现：0～4天为新鲜肉类，4～8天为次新鲜类，8～14天为腐败肉类，依据聚类分析结果对168个样品新鲜度进行标记。
[0049]
(4)光谱、图像数据处理及构建特征变量
[0050]
为了构建特征变量，需要分别对光谱、图像数据进行处理。将光谱数据进行主成分分析(matlab软件中的princomp函数实现)，得到将主成分(变量)为1的情况下，贡献率达到97.2％，故将光谱数据通过主成分分析将原来的1557个主成分(由仪器的分辨率决定)降维成仅有一个主成分的数据，此变量用p表示。通过主成分分析将多变量数据进行降维，保留大部分原始光谱数据特征情况下数据变量大大降低。
[0051]
图像数据的处理通过颜色距离s
n
表示，首先获得的图像颜色由r(红色)、g(绿色)、b(蓝色)三个数值构成，颜色距离可通过如下公式得到：
[0052][0053]
其中，初始(0h)时的颜色为(r0、g0、b0)，目标样品的颜色值为(r
n
、g
n
、b
n
)。
[0054]
光谱、图像数据的数值量级并不相同，故构建特征变量需要对数据进行归一化处理，归一化可以有多种方法，本文采用将图像数据归一化(matlab软件中的mapminmax函数实现)到光谱数据，将降维后的光谱数据与颜色距离数据再进行矩阵合并，构成一个多行2列的矩阵，第一列表示光谱数据，第二列表示图像数据，每一行代表一个样本。最终构建的168个样本特征变量矩阵x如下表示：
[0055][0056]
(5)鸭肉新鲜度knn模型的建立
[0057]
knn(k
‑
nearest neighbor)法即k最邻近法通过计算未知样本与训练样本之间的距离，并按距离远近排序，找出其中排在最近的k个样本，最后根据这k个样本的类别来判断待分类鸭肉样本新鲜度所属的类别，该方法来自python第三方包scikit
‑
learn中的neighbors分类方法。不同k值会影响模型的准确度，将融合后的特征矩阵和实测值进行训练得到knn最优模型，k值与模型的准确度如图4所示。
[0058]
由图4可知k值取1、2、3时的准确度最高，任选其中一个即可。
[0059]
(6)鸭肉新鲜度最优knn模型评价
[0060]
模型建立时，168个样本的训练集与预测集的比例按照3:1随机分配，126用于步骤(5)中模型的训练，42个作为外部验证集用于模型的评价。
[0061]
图5显示了knn最优模型对鸭肉新鲜度的预测结果，显示预测集的42个样本中，仅有2个原本次新鲜的鸭肉识别成一个新鲜、一个腐败，识别正确率达95.24％，预测效果较好。
[0062]
实施例2
[0063]
以实施例1中检测鸭肉新鲜度为基础，同时对比非融合的检测方法，对预测集新鲜度的预测结果如表2所示。
[0064]
表2 不同鸭肉新鲜度的检测方法比较
[0065][0066]
由表2可知，传统的新鲜度检测方法如半微量定氮法、微生物计数法准确率达100％，但是整个检测过程耗时长，操作复杂，仅可作为建模时的标准方法，无法满足实际生产过程中对于快速检测新鲜度的需求，近红外、计算机视觉技术可以满足快速检测的需求，电子舌和电子鼻，可以进行快速检测，但是检测完一批样品后需要进行换样操作，且存在一定耗时，无法满足连续在线检测的要求，新鲜度指示卡可以进行实时的新鲜度检测，但是指示卡往往是一次性的且必须是接触式的检测，且准确定有待进一步提高，本发明融合光谱和图像构建样品特征变量，可以满足在线的连续检测，且检测准确率比单一的近红外法或者计算机视觉更高，在生产加工智能化、数字化方面有极大的应用潜力。