基于高光谱图像的猪肉品质检测和等级分类理论与技术

Traditionally, the detection of pork quality is implemented by means of artificial sensory evaluation method or the standard physical and chemical method. The sensory evaluation method is labor-intensive and very subjective, while physical and chemical method often involves the destruction of the sample, which takes longer time and is not applicable to large-scale online production testing. The subject we carry out is a study on detecting pork quality using hyperspectral image technique. The technique is carried out through the collection of the image information that reflect the pork external sensory quality (such as pork's color, shape, texture, etc.) and the spectral information that reflect the internal physical and chemical quality (such as pork's PH value, TVB-N, drip loss, fat content, etc.). With the combination of the pork quality's spectroscopy mechanism characteristics, We can make use of the three-dimensional principal component analysis method to remove the redundant information in hyperspectral image data. Then, we explore and extract characteristic band image that most indicate the quality of the pork (such as tenderness, freshness) using supervised local manifold learning method. We establish multiple regression models based on hyperspectral image technique. We fuse the unsupervised FCM algorithm and supervised SVM algorithm to comprehensively evaluate the pork quality with the combination of the specialist knowledge and experiential knowledge from the knowledge base . This subject provides the ideas for rapid non-destructive testing of the pork quality, and the research results are of great significance to improve the quality of our meat products.

传统的猪肉品质检测采用人工感官评定法和标准的理化方法，感官评定法劳动强度大、主观性强，理化方法需要破坏样品，耗时长，不适合大规模的在线生产检测。本课题开展利用高光谱图像技术检测猪肉品质的研究，通过高光谱图像技术采集反应猪肉外部感官品质(颜色、形状、纹理等)的图像信息和反应内部理化品质(PH值、TVB-N、滴水损失、脂肪含量等)的光谱信息，采用三维主成分分析法去除高光谱图像数据中的冗余信息，结合猪肉各项品质（嫩度、新鲜度等）的光谱学机理特征，探讨采用流形学习等方法寻找和提取最能表征猪肉各项品质的特征波段图像及特征，构建猪肉品质高光谱数据库和专家知识库，设计FCM和SVM相结合的挖掘分类算法对其进行知识和规则挖掘，揭示猪肉各项品质及相应的理化指标与其高光谱图像之间的关系，建立猪肉品质理化指标的定量检测模型和品质综合评判模型。本课题为猪肉品质快速无损检测和分级提供了思路，具有重要意义。

传统的猪肉品质检测采用人工感官评定法和标准的理化方法，感官评定法劳动强度大、主观性强，理化方法需要破坏样品，耗时长，不适合大规模的在线生产检测。本课题开展了利用高光谱图像技术检测猪肉品质的研究，具体内容如下：（1）以挥发性盐基氮（TVB-N）的含量为主要依据，结合PH值指标建立了猪肉新鲜度的评价准则。（2）根据人工感官评判、剪切力以及图像纹理等特征建立了猪肉嫩度等级评价模型。采用高阶偏最小二乘法（N-PLS）预测猪肉嫩度, 准确率达81.7%。（3）提取了与猪肉新鲜度相关性强的特征波长，建立了TVB-N和PH值的检测模型，进而建立了猪肉新鲜度的N-PLS的预测模型。对 TVB-N 的预测标准差为8.25。对 PH 值的预测相关系数为 0.88。对猪肉新鲜度进行评定的准确率达 93.2%。（4）将可见光图像（RGB）和特征光谱图像的特征相结合，建立猪肉颜色的评价模型。建立了感兴趣区域颜色特征与TVB-N值及贮藏时间的线性及非线性模型。结果表明，采用人工神经网络模型预测模型，对TVB-N的预测相关系数为0.952；对于贮藏时间预测相关系数高达0.99。（5）分别采用神经网络和高阶偏最小二乘法建立了猪肉脂肪和蛋白质含量的预测模型。结果表明，高阶偏最小二乘法建立的模型预测效果较好，脂肪和蛋白质含量的预测相关系数分别达到了0.96、0.93。（6） 以冷鲜肉、解冻肉和变质肉的分类为研究对象，本课题选出了454.4、477.5、529.3、546.8、568.4、570.8、573.1、580.3、589.9、781.2nm 这10个波长作为反映猪肉品质分类的优选波长。针对特征维数过高的问题，构建了一种基于流形模糊聚类算法的分类模型。通过猪肉品质分类实验得出，二维Gabor小波变换能较好地提取猪肉的纹理特征；基于等距映射降维的模糊C均值聚类算法能较好的解决高维样本聚类问题。本课题构建了猪肉品质高光谱数据库，揭示了猪肉各项品质及相应的理化指标与其高光谱图像之间的关系，建立了猪肉品质理化指标的定量检测模型和品质综合评判模型，为猪肉品质快速无损检测和分级提供了思路，具有重要意义。.