基于近紅外光譜分析技術(shù)和計(jì)算機(jī)視覺(jué)技術(shù)的豬肉品質(zhì)檢測(cè)的研究.pdf

1、我國(guó)是世界豬肉生產(chǎn)和消費(fèi)第一大國(guó)，隨著人民生活水平的提高，對(duì)豬肉品質(zhì)的要求也越來(lái)越高。目前，國(guó)內(nèi)豬肉品質(zhì)的檢測(cè)基本上都采用感官評(píng)定法和標(biāo)準(zhǔn)的理化方法，這些方法存在著主觀性強(qiáng)、檢測(cè)時(shí)間長(zhǎng)或檢測(cè)費(fèi)用高等缺點(diǎn)。本課題開(kāi)展了利用近紅外光譜技術(shù)和計(jì)算機(jī)視覺(jué)技術(shù)檢測(cè)豬肉品質(zhì)的研究。論文的主要研究?jī)?nèi)容如下：
　　 1.利用近紅外光譜技術(shù)定量分析豬肉品質(zhì)指標(biāo)。首先將原始近紅外光譜經(jīng)預(yù)處理后，用全光譜偏最小二乘(PLS)建立了豬肉新鮮度和嫩度的近

2、紅外光譜模型，其模型交互驗(yàn)證均方根誤差(RMSECV)和校正集相關(guān)系數(shù)R(c)分別為5.01和0.6758，1.97和0.7187;預(yù)測(cè)均方根誤差(RMSEP)和預(yù)測(cè)集相關(guān)系數(shù)R（p）分別為5.76和0.6982，2.54和0.4876。全光譜區(qū)域內(nèi)含有大量與豬肉品質(zhì)指標(biāo)含量無(wú)關(guān)的光譜變量，這些冗余信息的存在，一定程度上降低了模型的預(yù)測(cè)性能。因此又分別嘗試區(qū)間偏最小二乘(iPLS)、向后區(qū)間偏最小二乘(BiPLS)、遺傳偏最小二乘（GA

3、-PLS）和聯(lián)合區(qū)間偏最小二乘(SiPLS)等幾種特征譜區(qū)篩選方法在豬肉新鮮度模型優(yōu)化中的應(yīng)用，并分析比較了各模型的預(yù)測(cè)能力。試驗(yàn)結(jié)果表明：這幾種特征譜區(qū)篩選方法建立的豬肉新鮮度模型精度都明顯好于全光譜偏最小二乘模型，且SiPLS所建模型精度最高，其模型交互驗(yàn)證均方根誤差(RMSECV)和校正集相關(guān)系數(shù)R(c)分別為3.75和0.8332；其模型預(yù)測(cè)均方根誤差(RMSEP)和預(yù)測(cè)集相關(guān)系數(shù)R(p)分別為4.17和0.8238。
　

4、　 2.基于計(jì)算機(jī)視覺(jué)技術(shù)的豬肉新鮮度分級(jí)識(shí)別。試驗(yàn)以在4℃冰箱存放不同天數(shù)的豬肉后腿肉為研究對(duì)象，利用CCD攝像頭獲取不同天數(shù)的豬肉圖像，通過(guò)合適的圖像預(yù)處理后分別提取RGB和HIS顏色空間顏色分量的均值與方差等12個(gè)顏色特征變量。對(duì)這12個(gè)特征變量進(jìn)行主成分分析，提取相應(yīng)的主成分得分向量構(gòu)成模式識(shí)別的輸入。在識(shí)別模型的建立過(guò)程中，運(yùn)用了線性判別分析(LDA)的模式識(shí)別方法。在主成分因子數(shù)等于10時(shí)，所建立的LDA判別模型最佳，模型

5、對(duì)訓(xùn)練集中樣本的識(shí)別率達(dá)到86.54％，對(duì)預(yù)測(cè)集中樣本的識(shí)別率達(dá)到84.62％。試驗(yàn)結(jié)果表明，利用計(jì)算機(jī)視覺(jué)技術(shù)，提取適合的特征參數(shù)，基本可以將不同新鮮度等級(jí)的豬肉識(shí)別出來(lái)。
　　 3.基于計(jì)算機(jī)視覺(jué)技術(shù)的豬肉嫩度的分級(jí)識(shí)別。首先利用CCD攝像頭獲取不同嫩度的豬肉圖像，通過(guò)測(cè)定最大剪切力值并結(jié)合人工感官評(píng)定方法得到嫩度等級(jí)，分別是嫩，較嫩和老三個(gè)等級(jí)。研究中選用了能量、均勻性、慣性和熵等這四個(gè)基于灰度共生矩陣的特征參數(shù)來(lái)描述紋理

6、特征，步長(zhǎng)d默認(rèn)為1.在δ分別為0°，45°，90°，135°四個(gè)方向，分別提取這四個(gè)特征參數(shù)，一共得到16個(gè)變量。對(duì)這16個(gè)特征變量進(jìn)行主成分分析，提取相應(yīng)的主成分得分向量構(gòu)成模式識(shí)別的輸入。在識(shí)別模型的建立過(guò)程中，運(yùn)用了K最近鄰法(K-nearestneighbors，KNN)模式識(shí)別方法。在主成分因子數(shù)等于9時(shí)，所建立的KNN判別模型最佳，模型對(duì)訓(xùn)練集中樣本的識(shí)別率達(dá)到89.13％，對(duì)預(yù)測(cè)集中樣本的識(shí)別率達(dá)到86.96％。試驗(yàn)結(jié)果

7、表明，通過(guò)計(jì)算機(jī)視覺(jué)技術(shù)提取適合的特征參數(shù)可以將不同嫩度等級(jí)的豬肉識(shí)別出來(lái)。
　　 4.利用近紅外光譜和計(jì)算機(jī)視覺(jué)兩種傳感信息融合的方法來(lái)評(píng)判豬肉新鮮度品質(zhì)。BP神經(jīng)網(wǎng)絡(luò)方法用于建立基于近紅外光譜和計(jì)算機(jī)視覺(jué)的融合識(shí)別模型，在光譜信息主成分?jǐn)?shù)為8和圖像信息主成分?jǐn)?shù)為12時(shí)，建立的融合模型識(shí)別率最高：校正集達(dá)到100％，預(yù)測(cè)集達(dá)到97.22％。結(jié)果表明，基于近紅外光譜和計(jì)算視覺(jué)技術(shù)兩信息融合評(píng)判豬肉新鮮度品質(zhì)的方法是可行的，評(píng)判的

8、準(zhǔn)確性和穩(wěn)定性都較單個(gè)信息模型有所提高。
　　 5.高光譜圖像技術(shù)在豬肉嫩度品質(zhì)評(píng)判中的應(yīng)用。首先用實(shí)驗(yàn)室高光譜檢測(cè)設(shè)備采集了豬肉在408-1117nm范圍的高光譜圖像數(shù)據(jù)；然后用沃-布剪切儀測(cè)得豬肉樣本的最大剪切力值并進(jìn)行主觀嫩度等級(jí)評(píng)價(jià)。通過(guò)主成分分析優(yōu)選出三個(gè)特征波長(zhǎng)下的圖像，并從每個(gè)特征圖像中分別提取對(duì)比度、相關(guān)性、能量和一致性等4個(gè)基于灰度共生矩陣的紋理特征參量，每個(gè)樣本共有12個(gè)特征變量，再通過(guò)主成分分析對(duì)這12個(gè)特