基于特征融合的猪肉新鲜度高光谱图像检测-食品与生物技术学报.doc

基于特征融合的猪肉新鲜度高光谱图像检测 朱启兵1，肖盼2，黄敏3，尹克4 （1.江南大学，轻工过程先进控制教育部重点实验室，无锡，214122； 2. 杭州电子科技大学，电子信息学院，杭州，310018） 摘 要：肉类新鲜度的快速无损检测对于保证肉类产品质量，降低食品安全事故风险具有重要的意义。本文利用高光谱反射图像技术研究了猪肉新鲜度的无损检测。采集了180个猪肉样本在400-1000nm范围内的高光谱反射图像，提取了高光谱图像的光谱均值和熵两类特征；分别利用连续投影算法、主成份分析、以及连续投影算法结合主成份分析三种特征降维方法提取了反映肉类新鲜度信息的重要特征变量；并建立了这些特征变量与挥发性盐基氮（TVB-N）的最小二乘支持向量机( Least Squares Support Vector Machine，LSSVM )预测模型；在此基础上提出了猪肉TVB-N含量的可视化检测方法。研究结果表明：相比于单一特征模型，利用光谱均值和熵融合特征的LSSVM模型可显著提高模型的准确度；连续投影算法结合主成份分析的特征降维方法可显著降低模型的复杂度，提高模型准确度。利用光谱均值和熵两类特征，通过连续投影算法和主成份分析相结合的特征降维方法所建立的LSSVM预测模型可取得最佳的预测准确度，其预测集的均方根误差RMSEP为1.96，相关系数(RP)为0.948，剩余预测偏差（Residual Prediction Deviation, RPD）为3.12，可满足实际检测需要。建立在此基础上的可视化方法可直观显示肉类的腐败区域和程度。 关键词：猪肉；高光谱图像；挥发性盐基氮；特征融合；特征降维；可视化检测 中图分类号：R155.5 文献标识码：A 文章编号： 0 引 言 analysis, PCA）等方法对波段（特征）信息进行降维处理，降低了特征信息的冗余复杂度。研究结果表明：相比于光谱、熵等单一特征，基于多特征融合的光谱图像检测方法可显著提高肉类新鲜度的检测准确度。 1 材料与方法 1.1 实验材料和高光谱图像采集 实验猪肉购自无锡天鹏食品城，将10条新鲜屠宰猪的里脊部位切割制作为186个长宽高为5cm×4cm×2.5cm的样本，每个样本约50g重。用保鲜袋将样本密封放置恒温为4°C的冰箱内保存。分别在第1－14和第17－20天每天取出10个样本进行实验；其余为第21天完成，需要说明的是：由于第11-14天的TVB-N值变化非常小，并且考虑到建模需要足够多的腐败样本，因此第15、16天没有进行实验。实验前，根据参考文献[10]，去掉样本外包装，在空气中暴露30 min，使表面水分蒸发后，开始采集高光谱图像。 猪肉样本的高光谱图像采集采用参考文献[12]所示的高光谱图像采集系统采集。相关实验参量设置为：物距25cm，空间分辨率为0.15mm，光谱像素进行倍数为10的合并操作（即实际的高光谱波段间隔为6.4nm），曝光时间180ms，运动平台步长为80um。 对采集好高光谱图像的猪肉样本立即通过半微量凯氏定氮法（GB/T5009 . 44－2003）测定其挥发性盐基氮含量[13]，作为衡量肉类新鲜度的标准。 1.2 数据处理 1.2.1高光谱图像预处理 为降低外界环境以及仪器噪音等带来的影响，每采集5幅图像做一次校正，即试验前先采标准白板和全黑背景图像，利用公式（1）进行校正： （1） 其中，、和分别表示第个波段下样品的高光谱反射图像，标准白板图像和全黑背景图像。 1.2.2 特征提取 对校正后的高光谱图像进行图像中值滤波、增强处理；基于波长600nm处的图像非常清晰，使用自动阈值分割方法在该波长下对每个猪肉样本提取轮廓；在相应猪肉样本的轮廓内对每个波长下的图像提取熵和光谱特征。光谱的均值特征能可以反应出肉样的内部化学成分变化信息；而熵特征主要反映出纹理结构、组织成分变化范围及程度的均匀性。 光谱均值特征和熵的计算公式为： （2） （3） （4） 其中表示第个样本在第个波段下高光谱图像图像矩阵第行第列的相对光强值，表示第个样本所提取轮廓内高光谱图像中像素点的个数。 为了进一步的去除噪音，将提取特征后的光谱均值特征及熵特征数据进行5点平滑处理；并通过对均值特征和熵特征数据的综合分析剔除了6个奇异样本，共保留180个样本进行分析。 1.2.3 特征建模 高光谱图像特征与TVB-N之间存在着某种程度的非线性关系，本文采用最小二乘支持向量机( Least Squares Support Vector Machine，LSSVM )作为建模工具，具体建模