基于近紅外光譜分析技術和計算機視覺技術的豬肉品質(zhì)檢測的研究.pdf

1、我國是世界豬肉生產(chǎn)和消費第一大國，隨著人民生活水平的提高，對豬肉品質(zhì)的要求也越來越高。目前，國內(nèi)豬肉品質(zhì)的檢測基本上都采用感官評定法和標準的理化方法，這些方法存在著主觀性強、檢測時間長或檢測費用高等缺點。本課題開展了利用近紅外光譜技術和計算機視覺技術檢測豬肉品質(zhì)的研究。論文的主要研究內(nèi)容如下：
　　 1.利用近紅外光譜技術定量分析豬肉品質(zhì)指標。首先將原始近紅外光譜經(jīng)預處理后，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，其模型交互驗證均方根誤差(RMSECV)和校正集相關系數(shù)R(c)分別為5.01和0.6758，1.97和0.7187;預測均方根誤差(RMSEP)和預測集相關系數(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)指標含量無關的光譜變量，這些冗余信息的存在，一定程度上降低了模型的預測性能。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)化中的應用，并分析比較了各模型的預測能力。試驗結果表明：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，其模型交互驗證均方根誤差(RMSECV)和校正集相關系數(shù)R(c)分別為3.75和0.8332；其模型預測均方根誤差(RMSEP)和預測集相關系數(shù)R(p)分別為4.17和0.8238。
　

4、　 2.基于計算機視覺技術的豬肉新鮮度分級識別。試驗以在4℃冰箱存放不同天數(shù)的豬肉后腿肉為研究對象，利用CCD攝像頭獲取不同天數(shù)的豬肉圖像，通過合適的圖像預處理后分別提取RGB和HIS顏色空間顏色分量的均值與方差等12個顏色特征變量。對這12個特征變量進行主成分分析，提取相應的主成分得分向量構成模式識別的輸入。在識別模型的建立過程中，運用了線性判別分析(LDA)的模式識別方法。在主成分因子數(shù)等于10時，所建立的LDA判別模型最佳，模型

5、對訓練集中樣本的識別率達到86.54％，對預測集中樣本的識別率達到84.62％。試驗結果表明，利用計算機視覺技術，提取適合的特征參數(shù)，基本可以將不同新鮮度等級的豬肉識別出來。
　　 3.基于計算機視覺技術的豬肉嫩度的分級識別。首先利用CCD攝像頭獲取不同嫩度的豬肉圖像，通過測定最大剪切力值并結合人工感官評定方法得到嫩度等級，分別是嫩，較嫩和老三個等級。研究中選用了能量、均勻性、慣性和熵等這四個基于灰度共生矩陣的特征參數(shù)來描述紋理

6、特征，步長d默認為1.在δ分別為0°，45°，90°，135°四個方向，分別提取這四個特征參數(shù)，一共得到16個變量。對這16個特征變量進行主成分分析，提取相應的主成分得分向量構成模式識別的輸入。在識別模型的建立過程中，運用了K最近鄰法(K-nearestneighbors，KNN)模式識別方法。在主成分因子數(shù)等于9時，所建立的KNN判別模型最佳，模型對訓練集中樣本的識別率達到89.13％，對預測集中樣本的識別率達到86.96％。試驗結果

7、表明，通過計算機視覺技術提取適合的特征參數(shù)可以將不同嫩度等級的豬肉識別出來。
　　 4.利用近紅外光譜和計算機視覺兩種傳感信息融合的方法來評判豬肉新鮮度品質(zhì)。BP神經(jīng)網(wǎng)絡方法用于建立基于近紅外光譜和計算機視覺的融合識別模型，在光譜信息主成分數(shù)為8和圖像信息主成分數(shù)為12時，建立的融合模型識別率最高：校正集達到100％，預測集達到97.22％。結果表明，基于近紅外光譜和計算視覺技術兩信息融合評判豬肉新鮮度品質(zhì)的方法是可行的，評判的

8、準確性和穩(wěn)定性都較單個信息模型有所提高。
　　 5.高光譜圖像技術在豬肉嫩度品質(zhì)評判中的應用。首先用實驗室高光譜檢測設備采集了豬肉在408-1117nm范圍的高光譜圖像數(shù)據(jù)；然后用沃-布剪切儀測得豬肉樣本的最大剪切力值并進行主觀嫩度等級評價。通過主成分分析優(yōu)選出三個特征波長下的圖像，并從每個特征圖像中分別提取對比度、相關性、能量和一致性等4個基于灰度共生矩陣的紋理特征參量，每個樣本共有12個特征變量，再通過主成分分析對這12個特