本發(fā)明屬于肉制品高光譜圖像無損檢測技術領域，尤其涉及一種充分利用高光譜圖像信息優(yōu)選獲取多條建模光譜進而改善羊肉品質指標檢測效果的方法，該方法可用于改善畜產(chǎn)品高光譜圖像的定性和定量分析建模效果和檢測結果。

背景技術：

高光譜圖像檢測技術能夠同時獲得牛羊肉樣品某波長點的二維圖像信息和樣品各點處的光譜信息，可以實現(xiàn)牛羊肉樣品內外部品質同時檢測，且具有非破壞性、快速、無污染、圖譜合一等特點，近年來在農(nóng)畜產(chǎn)品檢測方面得到快速發(fā)展和廣泛應用。利用高光譜圖像進行羊肉品質指標的定量和定性檢測首先需建立其預測模型，而預測模型的建立需準確獲取樣品的檢測指標理化信息，但由于理化值測定一般操作比較繁瑣、耗時費力，導致用于檢測的樣品量有限，而通過測試獲得大量樣品的理化值進而擴大樣品量極為不易。為了解決小樣本數(shù)據(jù)分析的不足，已有研究者采用自助抽樣（bootstrapping）的方法來擴充建模樣本數(shù)據(jù)，但當樣本量很少不足以提供總體分布信息時，容易產(chǎn)生覆蓋和沖突。牛羊肉樣品高光譜圖像是由數(shù)百個連續(xù)波段的圖像按波段順序疊合而成的三維數(shù)據(jù)立方體，信息量豐富，一般包含20萬以上像素點。在已有的文獻報道中，對牛羊肉品質指標進行高光譜圖像建模首先要獲取其感興趣區(qū)域，通常為在肉品中心區(qū)域選取50x50或100x100大小的矩形區(qū)域，或是肉品純肌肉區(qū)域，然后對此感興趣區(qū)域提取一條平均光譜用于建模和檢測，由于樣品量有限導致模型檢測精度較低。從線掃描高光譜圖像的獲取過程發(fā)現(xiàn)，隨著線掃描的進行，高光譜圖像的采集是一個動態(tài)連續(xù)的過程，導致獲得的圖像在垂直于線掃描方向上的像素點存在一定的差異，另外羊肉樣品本身品質指標的在空間中的含量分布也有差異，因此可以嘗試利用兩種差異來改善建模和檢測效果。

技術實現(xiàn)要素：

本發(fā)明的目的在于提供一種羊肉品質指標的高光譜圖像檢測方法，將羊肉樣品高光譜圖像的空間信息與品質指標分布特性有機結合起來獲取優(yōu)選光譜從而提高建模效果與檢測結果，旨在解決當前高光譜圖像建模過程中樣品數(shù)量有限、模型預測能力不強、檢測效果差、提取的特征波長不穩(wěn)定等問題。

本發(fā)明采用的技術方案如下：

一種羊肉品質指標的高光譜圖像檢測方法，先建立預測模型，再利用模型檢測羊肉品質指標，其特征在于：先建立羊肉高光譜圖像品質指標的預測模型，再利用預測模型進行羊肉品質指標檢測；

所述建立羊肉高光譜圖像品質指標的預測模型的具體步驟如下：

步驟一：樣品制備，對宰后的肉樣去除四周筋膜和結締組織，樣品采用切片或制成肉糜后混勻兩種方式制備樣品；對于檢測指標為新鮮度等級、揮發(fā)性鹽基氮等時采用切片方式制樣，對于肉品摻假檢測，將肉品制成肉糜后混勻置于表面皿內制樣；樣品制備時需考慮檢測指標分布的代表性；

步驟二：將制備的樣品放在相位平移臺上，通過平移臺的移動和線掃描相機獲得羊肉樣品高光譜圖像三維數(shù)據(jù)塊；

步驟三：獲得羊肉樣品品質指標理化值，包括新鮮度等級、揮發(fā)性鹽基氮含量或摻假量比例；

步驟四：獲取與檢測指標相關的羊肉樣品高光譜圖像的感興趣區(qū)域；

步驟五：根據(jù)檢測指標在樣品感興趣區(qū)域的分布特性對樣品高光譜圖像的感興趣區(qū)域的各像素點進行重構，依序提取有差異的多條光譜；

步驟六：對所提取的羊肉樣品光譜數(shù)據(jù)進行異常光譜的剔除；

步驟七：將剔除異常光譜后剩余的光譜數(shù)據(jù)與新鮮度等級、揮發(fā)性鹽基氮、摻假量比例等檢測指標一一對應，按照3:1的比例劃分校正集和驗證集；

步驟八：針對不同的檢測指標，利用校正集光譜數(shù)據(jù)優(yōu)選預處理方法，并采用相同的預處理方法對驗證集光譜進行處理，使用預處理后的數(shù)據(jù)進行分析；

步驟九：對于不同的光譜提取條數(shù)根據(jù)檢測指標分別建立偏最小二乘定量模型或偏最小二乘定性判別模型，并使用驗證集樣品進行驗證，根據(jù)模型效果優(yōu)選光譜提取條數(shù)，確定優(yōu)選的全波段預測模型，其建模效果滿足要求則代表模型可行；否則，重復步驟五至九，至滿足要求；

步驟十：分別利用競爭性自適應重加權算法、逐步回歸算法和連續(xù)投影算法及其組合方式對羊肉品質指標提取特征波長；

步驟十一：利用提取的特征波長作為輸入變量，分別建立各品質指標基于特征波長的優(yōu)選預測模型，并與步驟九獲得的全波段優(yōu)選預測模型進行比較，確定最終的預測模型；

所述的利用預測模型進行羊肉品質指標檢測的具體步驟如下：

步驟a：制備待檢測羊肉樣品；

步驟b：獲得待檢測羊肉樣品的高光譜圖像三維數(shù)據(jù)塊；

步驟c：獲取與檢測指標相關的羊肉樣品高光譜圖像感興趣區(qū)域；

步驟d：對樣品高光譜圖像感興趣區(qū)域的各像素點提取一條平均光譜用于檢測，若進行可視化分析，則提取各個像素點的光譜信息用于檢測；

步驟e：將光譜信息代入所建的品質指標預測模型，獲得待檢測羊肉的品質指標預測值，直至所有羊肉檢測樣品檢測完畢。

上述步驟一中，采用切片方式制備的牛羊肉樣品大小約4cm×4cm×1.5cm，用于摻假含量檢測的樣品首先制成約2~3毫米粒徑的肉糜，按照不同比例配制混勻后平鋪于表面皿中，所用表面皿一般規(guī)格直徑小于10cm，底面積約50cm²，根據(jù)上述制樣過程，得到的樣品形狀特征有矩形或近矩形、圓形或近圓形，矩形或近矩形為一般切片方式制樣，圓形或近圓形為肉糜混勻方式制樣。

上述步驟三中，羊肉樣品的品質定量指標為揮發(fā)性鹽基氮和摻假肉的摻假量比例，也可以為細菌總數(shù)、嫩度、ph值等；品質定性指標為根據(jù)新鮮度綜合評價獲得的新鮮度等級級別，也可以為摻假類別、嫩度等級等。

上述步驟四中，感興趣區(qū)域的獲取分兩步進行；一方面，運用波段減法、二值化運算得到樣品的二值化圖像，然后對高光譜圖像進行掩膜，去除高光譜圖像的背景和陰影部分，另一方面，運用波段加法運算和二值化、掩膜處理去除樣品的脂肪、亮點部位，獲取能夠反應檢測指標性質，具有一定差異的樣本感興趣區(qū)域，一般包含12~15萬像素點。

上述步驟五中，檢測指標分布有近似均勻分布和從中心向四周發(fā)散分布，如當樣品為混勻的摻假樣品時，其各部位檢測指標值差異不顯著為近似均勻分布；當肉品評價指標為揮發(fā)性鹽基氮時，由于樣品的腐敗過程一般從四周開始向中心逐漸發(fā)展，其檢測指標呈從中心向四周發(fā)散分布；對感興趣區(qū)域空間中的各像素點以與線掃描方向相垂直或平行的方向按掃描先后順序重組為一列，對所有像素點根據(jù)需提取的光譜條數(shù)進行均分提取，也可通過選定樣品空間中心點，選擇一起始分割線位置，對所有像素點根據(jù)需提取的光譜條數(shù)按360°區(qū)域進行均分提取；提取的光譜條數(shù)與每條光譜所包含的像素點數(shù)有關，為總像素點數(shù)與光譜條數(shù)的比值，為了使提取的光譜具有代表性，要求每條光譜所包含的像素點大于2500個，可以提取滿足上述像素點要求的不同光譜條數(shù)以及多條光譜的組合光譜進行分析，為了便于操作，作為本發(fā)明的進一步優(yōu)選方案，提取8、4、2、1條光譜進行比較。

上述步驟六中，由于儀器、環(huán)境、樣品厚度等因素影響，建模過程中會存在一些異常光譜，從而影響模型精度，需采用q殘差界限結合霍特林t²界限剔除這些異常光譜。

上述步驟八中，各樣品優(yōu)選提取8條光譜情況下，對于新鮮度分級，各樣品集優(yōu)選光譜的預處理方法為一階導數(shù)、15點s-g平滑、變量標準化、中心化處理相結合的方法；對于揮發(fā)性鹽基氮指標預測，各樣品集優(yōu)選光譜的預處理方法為二階導數(shù)、23點s-g平滑、中心化處理相結合的方法；對于摻假量比例預測各樣品集優(yōu)選光譜的預處理方法為17點s-g平滑、中心化相結合的預處理方法。

上述步驟九中，利用劃分的各樣品集提取的多條光譜分別建立全波段新鮮度等級pls-da定性模型或揮發(fā)性鹽基氮、羊肉摻假的pls定量模型，根據(jù)模型效果優(yōu)選光譜提取條數(shù)和優(yōu)選預測模型，pls定量模型根據(jù)校正集、交互驗證集、驗證集的均方根誤差和相關系數(shù)綜合評價優(yōu)選光譜及其預測模型，pls-da定性模型根據(jù)校正集、交互驗證集和驗證集準確率綜合評價優(yōu)選光譜及其預測模型。

上述步驟十中，作為本發(fā)明的進一步優(yōu)選方案，對新鮮度等級提取的特征波長有11個，分別為530、558、634、668、753、765、776、785、833、859、957nm；對tvb-n指標提取的特征波長有12個，分別為527、571、605、637、649、753、770、799、809、838、848、969nm；對摻假量比例提取的特征波長有8個，分別為472、552、573、767、772、945、963、975nm。

上述步驟十一中，利用提取的特征波長信息建立各品質指標的優(yōu)選預測模型為支持向量機svm模型，其評價指標與步驟九相同。

本發(fā)明與現(xiàn)有技術相比優(yōu)勢在于：

第一、通過充分利用高光譜圖像信息對每個樣品提取多條光譜可以成倍地擴大建模樣品量，克服了因樣品化學值測量困難導致建模樣品量有限的問題。

第二、利用優(yōu)選的光譜可以改善所建模型的建模效果。優(yōu)選提取多條光譜建模相比提取一條平均光譜建模代表性更強，且模型的校正集和驗證集精度更高。

第三、提取多條光譜建模不僅改善了全波段模型的建模效果，且在優(yōu)選多條光譜基礎上進行特征波長提取，其結果也是穩(wěn)定收斂的，并優(yōu)于單條光譜的建模效果，可為后續(xù)的多光譜檢測儀器開發(fā)奠定基礎。

第四、利用最終確定的預測模型對品質指標檢測，可以提高檢測精度，改善檢測效果。

第五、本發(fā)明可為提高羊肉以及其他肉制品智能化檢測水平和技術提供理論支撐和技術支持，對于保障肉制品品質安全，維護消費者健康具有直接的現(xiàn)實意義。

附圖說明

圖1是本發(fā)明中樣品感興趣區(qū)域各像素點按垂直于線掃描方向重組均分提取光譜的示意圖；

圖2是本發(fā)明中樣品感興趣區(qū)域各像素點按平行于線掃描方向重組均分提取光譜的示意圖；

圖3是本發(fā)明中樣品感興趣區(qū)域各像素點按從中心到四周均分提取光譜的示意圖；

圖4是本發(fā)明實施例1涉及的優(yōu)選光譜提取條數(shù)下的羊肉樣品原始光譜圖；

圖5是本發(fā)明實施例1涉及的異常光譜剔除圖；

圖6是本發(fā)明實施例1涉及的優(yōu)選光譜提取條數(shù)下的特征變量分布圖；

圖7是本發(fā)明實施例1涉及的最終優(yōu)選模型新鮮度等級檢測結果圖；

圖8是本發(fā)明實施例2涉及的優(yōu)選光譜提取條數(shù)下的羊肉樣品原始光譜圖；

圖9是本發(fā)明實施例2涉及的優(yōu)選光譜提取條數(shù)下的特征變量分布圖；

圖10是本發(fā)明實施例2涉及的最終優(yōu)選模型tvb-n指標檢測結果圖；

圖11是本發(fā)明實施例3涉及的優(yōu)選光譜提取條數(shù)下的摻假羊肉樣品原始光譜圖；

圖12是本發(fā)明實施例3涉及的優(yōu)選光譜提取條數(shù)下的特征變量分布圖；

圖13是本發(fā)明實施例3涉及的最終優(yōu)選模型狐貍肉摻假量比例檢測結果圖。

具體實施方式

為了使本發(fā)明的目的、優(yōu)點更加清楚明白，下面結合具體實施例對本發(fā)明內容作進一步闡述。

實施例1：一種羊肉新鮮度等級的高光譜圖像檢測方法

a部分：建立羊肉新鮮度等級的高光譜圖像預測模型

a1、樣品制備

實驗材料為羊胴體外脊肉，購于石河子市農(nóng)貿市場。將肉樣去皮去筋后切片獲得了60個約4cm×4cm×1.5cm的小塊，重約25g，用密封袋包裝編號后存放于4℃恒溫箱內1~14天，其新鮮度分布呈新鮮、次鮮、腐敗分布，具有代表性。

a2、線掃描高光譜圖像采集

線掃描高光譜圖像采集系統(tǒng)由成像光譜儀（imspectorv10e，finland）、線陣ccd相機（hamamastsu）、150w光纖鹵素燈白光光源（schottdcriii，china）、電控平移臺和計算機等組成。

數(shù)據(jù)采集前提前30分鐘打開高光譜成像系統(tǒng)使其充分預熱。采集羊肉樣品高光譜數(shù)據(jù)時參數(shù)為：相機曝光時間10ms，電控平移臺移動速度1.25mm/s，光譜采集范圍為400~1000nm，光譜分辨率0.63nm，共包含948個光譜數(shù)據(jù)點，采集完高光譜圖像后進行光譜校正。

a3、新鮮度等級劃分

采集完羊肉樣品高光譜數(shù)據(jù)后參照2003年gb/t5009.44測定揮發(fā)性鹽基氮tvb-n理化值，參照2016年gb4789.2測定細菌總數(shù)tvc。根據(jù)tvb-n、tvc綜合評價確定羊肉新鮮度等級，其中tvb-n<15mg/100g、tvc<5.7logcfu的為新鮮，15<tvb-n<25mg/100g、5.7<tvc<6.7logcfu為次新鮮，tvb-n>25mg/100g、tvc>6.7logcfu為腐敗。

a4、樣品高光譜圖像感興趣區(qū)域的獲取

本發(fā)明中，發(fā)現(xiàn)光譜在400~460nm區(qū)間噪聲較大，故選擇460~1000nm的波譜作為后續(xù)分析。另外樣品在波長544.15nm和818.98nm下灰度值相差較大，而背景、陰影部分灰度值相差較小，采用波段減法使背景、陰影趨于全黑。隨后通過二值化處理和掩膜法得到去除背景、陰影后的樣品圖像。再采用波段加法運算、掩膜法去除脂肪與亮點，得到純肌肉部分作為感興趣區(qū)域提取光譜數(shù)據(jù)。

a5、樣品感興趣區(qū)域多條光譜的提取

由于觀察到樣品的肌肉圖像信息存在一定差異，對每個樣品純肌肉區(qū)域按照線掃描的垂直方向提取各像素點光譜數(shù)據(jù)后排成一列并重組，分別提取1、2、4、8條光譜。數(shù)據(jù)提取過程見圖1。其中總像素點數(shù)為n，n為n/1、n/2、n/4、n/8，即每n/1、n/2、n/4、n/8條像素點光譜取平均即可分別提取1、2、4、8條光譜。若總像素點數(shù)不是提取光譜條數(shù)的整數(shù)倍，則對n進行取整。光譜提取條數(shù)為8時各樣品的高光譜圖像原始光譜曲線如圖4所示。

a6、異常光譜剔除

異常光譜會改變樣本集的總體分布特性，進而影響模型預測精度。試驗中，采用q殘差界限結合霍特林t²界限剔除異常光譜。提取8、4、2條光譜的樣品集分別剔除了13、12、3條光譜。其中提取8條光譜的異常數(shù)據(jù)剔除如圖5所示。

a7、不同光譜提取條數(shù)的建模樣本集統(tǒng)計與分析

對用于建立預測模型的60個羊肉高光譜圖像樣品，依據(jù)tvb-n值將新鮮度分為三類:新鮮16個、次鮮24個、腐敗20個。采用隔三選一的方式劃分為45個校正樣品、15個驗證樣品。表1為不同光譜提取條數(shù)下剔除異常光譜后的建模樣品集統(tǒng)計結果。

表1不同光譜提取條數(shù)的建模樣品集統(tǒng)計結果

各羊肉高光譜圖像提取8條光譜時，校正樣品集由45個樣品的350條光譜組成，驗證集由15個樣品的117條光譜組成?？梢钥闯?，相比提取1條光譜，提取多條光譜后建模樣品集數(shù)量也擴大了約相應倍數(shù)。

a8、建模樣本集光譜數(shù)據(jù)處理

本實施例通過建立pls-da模型結合10折交叉驗證確定最優(yōu)預處理方法。其中提取8條光譜的優(yōu)選預處理方法為一階導數(shù)、15點s-g平滑、變量標準化、中心化處理相結合的方法，提取1條光譜的優(yōu)選預處理方法為一階導數(shù)、11點s-g平滑、變量標準化、中心化處理相結合的方法。

a9、優(yōu)選光譜提取條數(shù)的確定及全波段優(yōu)選預測模型的建立

對各樣品高光譜圖像提取不同光譜條數(shù)建立的pls-da新鮮度分級結果如表2所示?？梢钥闯?，各樣品提取1條平均光譜建立的模型分級準確率最低，其校正集、交互驗證集、驗證集準確率分別為84.44%、81.25%、73.33%。提取8條光譜建立的pls-da模型效果最優(yōu)，校正集、交互驗證集、驗證集判別準確率分別為94.29%、91.51%、93.16%。相比提取1條平均光譜而言，提取2條、4條光譜建立的pls-da模型效果均得到了改善。依據(jù)各光譜提取條數(shù)的模型結果可以得出提取8條光譜建立的pls-da模型為優(yōu)選模型，其很好地改善了平均光譜建模的羊肉新鮮度分級結果。

表2不同光譜提取條數(shù)的pls-da羊肉新鮮度分級結果

a10、特征波長提取及最終優(yōu)選預測模型確定

采用競爭性自適應重加權cars算法分別對各樣品高光譜圖像提取的8條光譜和平均光譜提取特征波段，對各樣品的8條光譜提取得到11個特征波長:530、558、634、668、753、765、776、785、833、859、957nm，其變量分布如圖6所示。對樣品平均光譜提取得到8個特征波長為：672、688、778、788、837、880、927、992nm。

表3為利用優(yōu)選提取的8條光譜以及平均光譜的特征波長信息建立的羊肉新鮮度svm分級結果，其中參數(shù)c為懲罰因子，g為rbf核參數(shù)。可以看出，提取8條光譜建立的cars-pso-svm模型校正集準確率達96.57%，交互驗證集和驗證集準確率分別為94.58%、95.73%。采用樣品平均光譜建立的cars-pso-svm模型交互驗證集準確率僅為84.92%，模型效果較差。試驗表明利用優(yōu)選的8條光譜提取特征信息建模各個樣品集分類精度更高，穩(wěn)定性更好。

表3不同光譜提取條數(shù)的羊肉新鮮度svm模型分級結果

比較各樣品高光譜圖像提取8條光譜建立的全波段pls-da預測模型和基于cars特征波長提取建立的svm模型，svm模型新鮮度分級準確率優(yōu)于pls-da模型，為最終的優(yōu)選預測模型用于后續(xù)檢測。

b部分：利用預測模型進行羊肉新鮮度等級檢測

利用最終的優(yōu)選預測模型對樣品新鮮度分級的檢測過程按照步驟a~e順序進行，首先制備待測樣品，然后獲取樣品高光譜圖像感興趣區(qū)域并提取平均光譜，代入最終預測模型進行新鮮度分級。待測樣品的制備、高光譜圖像采集、新鮮度等級的劃分、感興趣區(qū)域的獲取參照本實施例a1~a4操作過程進行。同時，為了比較模型的檢測效果，在采集完樣品高光譜圖像后還獲取了待測樣品的新鮮度等級信息，基于樣品新鮮度分級結果對模型的檢測效果進行評價。

實驗共制備了22個樣品用于模型檢測，包括7個新鮮樣品、7個次鮮樣品和8個腐敗樣品，新鮮度檢測結果如表4所示。利用提取的優(yōu)選光譜和平均光譜所建特征波長下的svm模型對22個檢測樣品進行新鮮度判定，總體準確率分別為95.45%和81.82%，提取8條光譜建立的最終優(yōu)選模型僅有1個檢測錯誤，檢測效果對比如圖7所示。結果表明利用優(yōu)選的8條光譜建立的羊肉新鮮度分級模型穩(wěn)定性更好，檢測精度更高，有效改善了羊肉新鮮度分級的檢測效果。

表4利用svm預測模型的新鮮度檢測結果

新鮮度分級試驗表明，相比提取樣品平均光譜，提取多條光譜擴大了建模樣品量，基于優(yōu)選8條光譜建立的最終優(yōu)選模型極大的優(yōu)于1條平均光譜建模的檢測效果，優(yōu)選多條光譜建?？梢詫崿F(xiàn)對羊肉新鮮度等級的快速、準確檢測。

實施例2：一種羊肉揮發(fā)性鹽基氮的高光譜圖像檢測方法

c部分：建立羊肉揮發(fā)性鹽基氮的高光譜圖像預測模型

c1、樣品制備

實驗所需羊肉樣品取自12只新鮮屠宰的薩?？搜虻谋臣共课?，購于新疆石河子市農(nóng)貿市場。肉品采用保鮮箱運至畜產(chǎn)實驗室，去除羊背脊肉的脂肪及結締組織，切割成約40mm×40mm×20mm的樣品，共計57個樣品。將樣品包裝標號后置于4℃的恒溫冰箱中放置2~14d。

c2、線掃描高光譜圖像采集

線掃描高光譜成像系統(tǒng)主要包括成像光譜儀（imspectorv10e，finland）、cmos相機（mv-1024e，china）、光源（3900，illumination科技）、樣品運輸設備（dp23000y）、外部遮光黑箱等組成。光譜采集范圍為400~1000nm。

采集前先打開高光譜儀進行預熱，取出樣品于室溫下靜置30分鐘后再采集樣品高光譜圖像信息。數(shù)據(jù)采集前系統(tǒng)設置：曝光時間10ms，載物臺移動速度0.85mm/s，物距為38cm。且在采集高光譜圖像前需進行黑白校正。

c3、揮發(fā)性鹽基氮理化值測定

tvb-n理化值測定實驗依據(jù)2003年gb/t5009.44采用半微量定氮法測定。各樣品測定兩次，取平均值作為該樣品的tvb-n值，并確保誤差低于平均值的10%。

c4、樣品高光譜圖像感興趣區(qū)域的獲取

與a4所述相同，提取純肌肉部分作為樣品高光譜圖像感興趣區(qū)域。首先，運用波段減法運算、二值化以及掩膜方法去除高光譜圖像中的背景和陰影部分；其次，運用波段加法運算和掩膜方法去除脂肪、亮點等。

c5、樣品感興趣區(qū)域多條光譜的提取

采集的羊肉樣品高光譜圖像在400~460nm波長范圍內具有較低的光譜響應值和噪聲，因此選取460~1000nm的光譜信息用于建模分析。本實施例中對每個樣品純肌肉區(qū)域按照線掃描的平行方向提取各像素點光譜數(shù)據(jù)后排成一行，分別重組為1、2、4、8行后提取各行平均光譜。數(shù)據(jù)提取過程如圖2所示。其中總像素點數(shù)為n，n為n/1、n/2、n/4、n/8，即每n/1、n/2、n/4、n/8條像素點光譜取平均即可分別提取1、2、4、8條光譜。若總像素點數(shù)不是提取光譜條數(shù)的整數(shù)倍，則對n進行取整。圖8為光譜提取條數(shù)為8的原始光譜曲線。

c6、異常光譜剔除

采用q殘差界限結合霍特林t²界限剔除異常光譜。經(jīng)異常光譜剔除后，提取8條光譜中，建模樣品集包括42個樣品的331條光譜，驗證集為15個樣品的118條光譜。

c7、不同光譜提取條數(shù)的建模樣本集統(tǒng)計與分析

表5為不同光譜提取條數(shù)的各樣品集tvb-n測定值統(tǒng)計結果，包括平均值、標準差及最大值和最小值。所有樣品的揮發(fā)性鹽基氮含量范圍為10.43~40.90mg/100g。

表5羊肉tvb-n含量測定結果

c8、建模樣本集光譜數(shù)據(jù)處理

本實施例中使用預處理組合方法建立羊肉檢測指標tvb-n的pls定量模型比較研究，結合留一交互驗證法確定最優(yōu)預處理方法。其中提取1條平均光譜的優(yōu)選預處理方法為二階導數(shù)、13點s-g平滑、中心化處理相結合的方法，提取8條光譜的優(yōu)選預處理方法為二階導數(shù)、23點s-g平滑、中心化處理相結合的方法。

c9、優(yōu)選光譜提取條數(shù)的確定及全波段優(yōu)選預測模型的建立

對各樣品高光譜圖像提取不同光譜條數(shù)建立的的pls模型tvb-n預測結果如表6所示。結果顯示，利用全波段光譜建立的pls模型中，提取各樣品1條平均光譜的模型效果最差，rmsec、rmsecv和rmsep分別為4.52、4.71和4.87，rc、rcv和rp分別為0.84、0.82和0.79。提取8條光譜建立的pls模型效果最優(yōu)，rmsec、rmsecv和rmsep分別為2.83、3.37和3.24，rc、rcv和rp分別為0.96、0.92和0.92。對比提取樣品單條平均光譜建模，提取2條、4條光譜建模預測效果較優(yōu)，交互驗證效果也得到改善。依據(jù)各光譜提取條數(shù)的pls預測模型結果可以得出優(yōu)選的光譜提取條數(shù)為8，建立的優(yōu)選模型穩(wěn)定且交互驗證效果較好，優(yōu)于提取樣品單條光譜。

表6不同光譜提取條數(shù)的pls模型tvb-n指標建模結果

c10、特征波長提取及最終優(yōu)選預測模型確定

結合cars算法和逐步回歸sr算法分別對各樣品高光譜圖像提取的單條平均光譜和優(yōu)選提取的8條光譜進行光譜特征變量篩選，對優(yōu)選提取的8條光譜選取得到12個變量：527、571、605、637、649、753、770、799、809、838、848和969nm，變量分布如圖9所示。對樣品平均光譜提取得到15個變量：508、516、533、539、545、556、572、578、600、650、753、760、835、911、983nm。

表7為利用各樣品高光譜圖像優(yōu)選提取的8條光譜和平均光譜篩選得到的特征波長信息建立的羊肉tvb-n指標的svm模型預測結果。從表7可以看出，提取的8條光譜建立的cars-svm模型檢測效果明顯優(yōu)于1條平均光譜建模，校正集rc和rmsec分別為0.96和2.60。交互驗證集的rcv和rmsecv分別為0.93和3.27，驗證集的rp和rmsep分別為0.93和3.04。采用樣品平均光譜建立的cars-svm模型rcv、rp、rv僅0.80左右，對品質指標tvb-n預測的rmse均在4.5mg/100mg以上，預測效果較差。

表7不同光譜提取條數(shù)的svm模型tvb-n建模結果

比較各樣品高光譜圖像提取8條光譜建立的全波段pls預測模型和基于cars特征波長提取建立的svm模型，svm模型tvb-n指標預測效果優(yōu)于全波段pls模型，為最終的優(yōu)選預測模型用于后續(xù)檢測。

d部分：利用預測模型進行羊肉揮發(fā)性鹽基氮檢測

利用最終的優(yōu)選預測模型對tvb-n指標的定量分析過程按照步驟a~e順序進行，首先制備待測樣品，然后獲取樣品高光譜圖像感興趣區(qū)域并提取平均光譜，代入最終優(yōu)選預測模型獲得tvb-n檢測值。同時，為了比較模型的檢測效果，在采集完樣品高光譜圖像后進行了相應實驗，獲取了待測羊肉樣品的tvb-n實測值，通過比較實測值與檢測值的相關性，對模型的檢測效果進行評價。待測樣品的制備、高光譜圖像采集、tvb-n指標的測定、感興趣區(qū)域的獲取參照本實施例c1~c4操作過程進行。

實驗共制備了14個樣品用于模型檢測，表8為待測樣品的tvb-n指標檢測結果。利用分別提取1條平均光譜和優(yōu)選8條光譜的svm預測模型對樣品tvb-n值進行檢測，均方根誤差rmsev分別為4.75和3.33，相關系數(shù)rv分別為0.80和0.92。圖10為待測樣品的tvb-n指標檢測值與實測值分布圖。結果表明利用優(yōu)選的8條光譜建立的優(yōu)選svm預測模型穩(wěn)定性更好，預測能力更強，有效改善了羊肉tvb-n指標的定量檢測結果。

表8利用svm預測模型的tvb-n值檢測結果

實施例3：一種羊肉中狐貍肉摻假量比例的高光譜圖像檢測方法

e部分：建立羊肉中狐貍肉摻假量比例的高光譜圖像預測模型

e1、樣品制備

用于羊肉摻假檢測的實驗材料包括羊肉和狐貍肉。其中羊肉取自羊的后腿部位，狐貍肉取自3只冷凍的狐貍肉樣品。肉品運至實驗室后去除脂肪和結締組織，切塊并充分絞碎成肉糜，按照實際摻假量比例為5%、10%、15%、20%、25%、30%、35%、40%、45%、50%共10個梯度摻入狐貍肉于表面皿內混勻制樣，每個樣品質量均為20g，共制得80個摻假羊肉樣品。將實驗樣品裝入真空袋密封包裝標號后于0℃冰柜內存放待測。表9為狐貍肉摻假量的對比結果。

表9狐貍肉摻假量對比結果

e2、線掃描高光譜圖像采集

高光譜成像系統(tǒng)主要包括成像光譜儀（imspectorv10e-qe，finland）、線陣ccd相機（hamamastsu）、光源（150w光纖鹵素燈，china）、脈沖輸送裝置（zolix，sc300-1a，北京）、暗箱等。光譜采集范圍為408~1013nm，光譜分辨率0.61nm。

高光譜圖像采集前，打開光源和相機預熱半小時，在掃樣前將樣品取出放置5分鐘，使得顏色等理化性質得到恢復。高光譜圖像采集系統(tǒng)參數(shù)設置：曝光時間設為16ms，物距為33.5cm，圖像采集速度1.35mm/s，進行黑白校正后再進行高光譜圖像采集。

e3、樣品高光譜圖像感興趣區(qū)域的獲取

與a4所述相同，首先，運用波段減法運算、二值化以及掩膜方法去除高光譜圖像中的背景和陰影部分；其次，運用波段加法運算和掩膜方法去除亮點等。剩余部分作為樣品高光譜圖像感興趣區(qū)域。

e4、樣品感興趣區(qū)域多條光譜的提取

本實施例中選取摻假羊肉樣品的460~1013nm的光譜信息進行檢測分析。提取多條光譜時，對每個摻假羊肉樣品以樣品中心為圓心，分割同等大小的扇形區(qū)域對像素點按照需提取的光譜條數(shù)進行均分提取，對各摻假樣品分別提取了1、2、4、8條光譜，數(shù)據(jù)提取過程如圖3所示，圖11為提取8條光譜的原始光譜圖。

e5、異常光譜剔除

采用q殘差界限結合霍特林t²界限剔除異常光譜。對提取1、2、4、8條光譜數(shù)據(jù)分別剔除了2、5、8、13條異常光譜。

e6、不同光譜提取條數(shù)的建模樣本集統(tǒng)計與分析

制備的80個摻假羊肉樣品各梯度均包含8個樣品，從各梯度中隨機選取5個作為校正集樣品，剩余3個作為驗證集樣品。表10為剔除異常光譜后不同光譜提取條數(shù)的樣本集劃分結果。

表10不同光譜提取條數(shù)的摻假羊肉樣品集統(tǒng)計結果

e7、摻假樣本集光譜數(shù)據(jù)處理

本實施例通過建立pls定量檢測模型對摻入不同比例狐貍肉的摻假羊肉進行檢測。建模過程中，采用留一交互驗證優(yōu)選光譜預處理方法，對于提取1條平均光譜的優(yōu)選預處理方法為13點s-g平滑、中心化相結合的預處理方法，提取8條光譜的優(yōu)選預處理方法為17點s-g平滑、中心化相結合的預處理方法。

e8、優(yōu)選光譜提取條數(shù)的確定及全波段優(yōu)選預測模型的建立

對摻假羊肉樣品高光譜圖像提取1、2、4、8條光譜建立的的pls模型摻假量比例建模結果如表11所示。由表中可以看出，各提取條數(shù)建模均取得了不錯的建模結果，且各評價指標有一些差別，建模樣品集與驗證樣品集相關系數(shù)均達0.9以上。提取8條光譜建模效果最優(yōu)，其rc、rcv和rp分別為0.99、0.97和0.96。rmsec、rmsecv和rmsep分別為1.17、2.27和2.83，對比提取1、2、4條光譜，建模效果得到了一定改善。因此，各樣品提取8條光譜建立的pls模型為全波段下優(yōu)選預測模型。

表11不同光譜提取條數(shù)的pls模型摻假量比例建模結果

e9、特征波長提取及最終優(yōu)選預測模型確定

結合cars算法和sr算法對優(yōu)選提取的8條光譜提取特征波長得到8個變量：472、552、573、767、772、945、963、975nm，變量分布如圖12所示，對樣品平均光譜提取得到11個變量為：472、560、579、592、646、764、769、834、953、972、991nm。

表12為根據(jù)特征波長信息建立的狐貍肉摻假量比例svm模型預測結果?？梢钥闯觯瑑?yōu)選的8條光譜建模結果均優(yōu)于1條平均光譜建模，校正集rc和rmsec分別為0.99和1.92，交互驗證集的rcv和rmsecv分別為0.97和2.07，驗證集的rp和rmsep分別為0.97和2.36。

表12不同光譜提取條數(shù)的svm模型摻假量比例預測結果

比較各樣品高光譜圖像提取8條光譜建立的全波段pls預測模型和基于cars-sr特征波長提取建立的svm模型，svm模型效果優(yōu)于pls-da模型，為最終的優(yōu)選預測模型用于后續(xù)檢測。

f部分：利用預測模型進行羊肉中狐貍肉摻假量比例檢測

利用最終優(yōu)選預測模型對摻假羊肉樣品中狐貍肉摻假量比例的檢測過程按照步驟a~e順序進行，首先制備待測摻假樣品，然后獲取樣品高光譜圖像感興趣區(qū)域并提取平均光譜，代入最終優(yōu)選預測模型獲得摻假量比例檢測值。通過比較實際摻假量比例與檢測值的相關性，對模型的檢測效果進行評價。摻假樣品的制備、高光譜圖像采集以及感興趣區(qū)域的獲取參照本實施例e1~e3操作過程進行。

實驗共制備了30個摻假樣品用于模型檢測。提取樣品平均光譜后，利用優(yōu)選的8條光譜和提取平均光譜所建svm預測模型對樣品狐貍肉摻假量比例進行檢測，檢測樣品均方根誤差rmsev分別為2.83和3.98，相關系數(shù)rv分別為0.95和0.91。模型檢測結果如表13和圖13所示。結果表明利用最終優(yōu)選的svm模型檢測精度更高，改善了羊肉摻假的檢測效果。

表13利用svm預測模型的摻假量比例檢測結果

本發(fā)明通過三個實施例從不同角度闡述了充分利用羊肉高光譜圖像信息來改善羊肉品質指標的檢測效果，從模型建立和應用模型進行檢測的結果可以看出，無論是對于羊肉新鮮度等級的定性判別，還是對于羊肉揮發(fā)性鹽基氮指標的定量檢測，亦或是對于摻假羊肉的摻假量比例定量檢測，提取多條光譜成倍地擴大了建模樣品量，且經(jīng)過特征提取后預測模型效果也有了進一步提高，最終所建預測模型進行羊肉品質指標檢測的效果均得到了較好改善。檢測結果表明，本發(fā)明通過充分利用高光譜圖像信息優(yōu)選提取多條光譜，進而建立預測模型，實現(xiàn)了羊肉品質指標的準確檢測。

基于高光譜圖像技術對羊肉的其他品質指標，以及對于其他肉類的品質指標進行無損檢測時，可參照本文所提出的檢測方法和檢測流程進行操作。

以上所述僅為本發(fā)明的三個實施例，并不用以限制本發(fā)明，凡是在本發(fā)明的精神和原則之內，在本發(fā)明技術實質的基礎上所作的任何修改、等同替換、改進，均應包含在本發(fā)明的范圍之內。