本發(fā)明涉及一種利用高光譜成像技術檢測即食海參新鮮度等級的方法。

背景技術：

海參中富含氨基酸、酸性黏多糖、膠原蛋白、海參皂苷以及維生素、礦物質(zhì)等，具有特殊的營養(yǎng)價值和保健功能。由于以鮮活海參通過高壓、短時加熱等工藝制成的即食海參制品水分和蛋白含量較高，在加工、包裝、貯藏、運輸、售賣等環(huán)節(jié)易受酶和微生物的作用腐敗變質(zhì)；目前，即食海參新鮮度檢測主要有感官評定、微生物和理化測定等方法，感官評定直觀、簡便，易受主觀因素影響，無法給出定量結(jié)論、存在潛在危險，微生物檢測主要通過致腐菌的數(shù)量和致病菌存在與否等方式判別；理化檢測主要包括測定揮發(fā)性鹽基氮（TVB-N）、三甲胺、PH值和K值等，微生物和理化分析能夠客觀、準確反應即食海參新鮮程度，但步驟繁瑣、耗時長，很難將上述方法應用于加工過程的線上檢測，如能尋求一種快速、無損的即食海參新鮮度檢測方法，在其自動化加工、貯藏品質(zhì)檢驗、貨架期預測等方面具有重要意義。

技術實現(xiàn)要素：

本發(fā)明的目的是提供一種可以快速準確檢測即食海參的新鮮度的利用高光譜成像技術檢測即食海參新鮮度等級的方法。

本發(fā)明為實現(xiàn)上述目的所采用的技術方案是：一種利用高光譜成像技術檢測即食海參新鮮度等級的方法，包括以下步驟：

A、樣品采集：采集不同產(chǎn)地、不同大小及不同季節(jié)的具有代表性的即食海參樣品；

B、樣品測量：對采集的不同新鮮度的即食海參樣品進行測量，獲得揮發(fā)性鹽基氮的數(shù)據(jù)；

C、進行樣品高光譜光譜分析：對即食海參樣品進行高光譜儀器采集分析，選取海參感興趣區(qū)域得到全波段平均光譜曲線，利用全波段平均光譜曲線的谷點進行數(shù)據(jù)降維減少波段，通過主成分圖像選取最佳特征波段，選擇特征波段下的最佳主成分圖得到權(quán)重系數(shù)圖，其圖中的拐點為最佳波長，同時得到最佳波長對應的特征波長圖像，并將特征波長圖像做波段比；

D、進行樣品高光譜圖像分析：對特征波長波段比圖像進行去除陰影，去除背景得到海參整體作為感興趣區(qū)，通過灰度共生矩陣、灰度梯度共生矩陣、改進的局部模式紋理描述子提取紋理特征；

E、建立模型：將提取的紋理特征作為輸入?yún)?shù)，建立與即食海參新鮮度不同新鮮度等級的的網(wǎng)絡模型；

F、評價模型：根據(jù)網(wǎng)絡模型，對待測定樣品的預測新鮮度等級值與真實新鮮度等級值的正確率對所述模型進行評估。

所述步驟（B）中揮發(fā)性鹽基氮含量測量采用半微量凱氏定氮法。

所述步驟（C）中高光譜儀器采集采用的參數(shù)為光譜分辨率設置為2.8nm，曝光時間設置為15ms，物距設置為140mm，光譜采樣點設置為0.65nm，載物臺移動速度設置為6mm/s。

所述步驟（C）中數(shù)據(jù)降維采用主成分分析法，權(quán)重系數(shù)圖采用線性組合回歸算法。

所述步驟（D）中去陰影采用波段比算法，去背景采用自適應大津法閾值分割掩膜算法。

所述步驟（E）中網(wǎng)絡模型為粒子群優(yōu)化神經(jīng)網(wǎng)絡。

本發(fā)明一種利用高光譜成像技術檢測即食海參新鮮度等級的方法，待測樣品無需前處理，重復性好，分析時間短，對即食海參無破壞，在建立好用于預測的網(wǎng)絡模型之后對所有其他待測即食海參樣品僅需要測量紋理特征即可通過網(wǎng)絡模型預測新鮮度等級，為非侵入式測量方法，檢測的數(shù)值準確、穩(wěn)定，提高了測量效率，可以滿足生產(chǎn)現(xiàn)場對樣品的快速分析需求。

附圖說明

圖1是本發(fā)明一種利用高光譜成像技術檢測即食海參新鮮度等級的方法采集的不同新鮮度等級下即食海參感興趣的平均光譜曲線圖。

圖2是本發(fā)明一種利用高光譜成像技術檢測即食海參新鮮度等級的方法的即食海參全波段和5個子波段下特征值大于1的主成分圖。

圖3是本發(fā)明一種利用高光譜成像技術檢測即食海參新鮮度等級的方法的即食海參最佳波段下的最佳主成分圖對應的權(quán)重系數(shù)圖。

圖4是本發(fā)明一種利用高光譜成像技術檢測即食海參新鮮度等級的方法的即食海參686nm與985nm波段比運算后的圖。

圖5是本發(fā)明一種利用高光譜成像技術檢測即食海參新鮮度等級的方法的即食海參波段比圖像進行掩膜去背景后的圖。

圖6是本發(fā)明一種利用高光譜成像技術檢測即食海參新鮮度等級的方法的即食海參不同紋理特征參數(shù)下的網(wǎng)絡模型適應度曲線圖。

具體實施方式

如圖1至圖6所示，利用高光譜成像技術檢測即食海參新鮮度等級的方法，具體實施步驟如下：A、樣品采集，分不同批次采集不同產(chǎn)地，不同大小，不同季節(jié)的即食海參20只，這樣樣品具有一定代表性和普遍性；B、樣品測量，揮發(fā)性鹽基氮含量的測定方法，溫度（25±3℃）下將20只即食海參樣品作為實驗樣本，放入保鮮袋中進行編號，置于25℃培養(yǎng)箱中保存、待測，每隔6h取樣本利用半微量凱氏定氮法(GB/T5009.44—2003)測定樣本的TVB-N含量，每個樣本連續(xù)測量4次，測量結(jié)果如表1所示；C、樣品高光譜光譜分析，對所述即食海參樣品進行高光譜儀器采集分析，高光譜成像系統(tǒng)主要由Image-λ-V10E-LU增強型可見-近紅外高光譜相機、光譜儀、鹵素燈、電控移動平臺構(gòu)成，采集采用的參數(shù)為光譜分辨率設置為2.8nm，曝光時間設置為15ms，物距設置為140mm，光譜采樣點設置為0.65nm，為避免圖像中即食海參形狀失真，載物臺移動速度設置為6mm/s ，如圖1所示，選取海參感興趣區(qū)域得到全波段平均光譜曲線（400-1000nm），利用全波段平均光譜曲線的谷點進行數(shù)據(jù)降維得到主成分圖像，表2顯示了各個波段前6主成分貢獻率，選擇特征值大于1的主成分圖像，如圖2所示，根據(jù)主成分圖像效果選擇最佳波段為686-985nm代替全波段，減少運算量，提高效率，如圖3所示，特征波段下的主成分圖得到的權(quán)重系數(shù)圖，其圖中的拐點為最佳波長，本實施例中所用的軟件為Spectral Image 軟件（Isuzu Optics Corp, Taiwan）和ENVI 5.3（Research System Inc, USA）；D、樣品高光譜圖像分析，表3顯示了特征波長之間的相關性大小，如圖4所示，相關性最小的兩個特征波長做波段比運算得到的圖像，同時去除了陰影，如圖4所示，對波段比圖像進行自適應大津法閾值分割做掩膜運算得到的去背景圖像，將去除背景得到即食海參整體作為感興趣區(qū)，通過灰度共生矩陣、灰度梯度共生矩陣、改進的局部模式紋理描述子提取紋理特征，選擇最佳特征波長的相關性依據(jù)如表3所示；E、建立模型，在所述三種不同方法提取的紋理特征通過粒子群優(yōu)化BP神經(jīng)網(wǎng)絡建立與不同新鮮度等級的網(wǎng)絡模型，本實施例中所用的軟件為Matlab 2012b（The MathWorksInc, USA），需要說明的是，所述軟件可以為任何粒子群優(yōu)化BP神經(jīng)網(wǎng)絡建立模型的軟件，不限于本實施例的舉例；F、評價模型，表4顯示了不同模型下的參數(shù)設置和即食海參新鮮度等級的預測結(jié)果，從表中可以看到灰度梯度共生矩陣紋理網(wǎng)絡模型的正確率為95%，灰度共生矩陣紋理網(wǎng)絡模型的正確率為90%，改進的局部模式紋理網(wǎng)絡模型的正確率為80%，說明高光譜成像技術結(jié)合紋理特征建立的網(wǎng)絡模型可以準確地預測即食海參的新鮮度等級。

綜上，本發(fā)明利用高光譜成像技術檢測即食海參新鮮度等級的方法，通過對回歸模型的驗證，可以看出采用本發(fā)明的方法建立的用于預測即食海參新鮮度等級的網(wǎng)絡模型，無論是灰度共生矩陣還是灰度梯度共生矩陣和改進的局部模式紋理進行預測，都可以準確地用于預測即食海參新鮮度等級，對待測即食海參樣品無破壞，操作簡便，可提高檢測速度。

1號即食海參TVB-N值

表1

前六個主成分累計方差貢獻率

表2

波段相關性

表3

不同模型判別結(jié)果

表4