基于近紅外光譜和機器視覺技術的淡水魚新鮮度檢測方法研究.pdf

1、新鮮度是魚類最重要的品質(zhì)指標，直接關系到食品的質(zhì)量與安全。傳統(tǒng)的方法雖然能在一定程度上檢測出淡水魚的新鮮度，但是存在速度較慢、費時費力、結果不精確等缺點，因此，快速、無損的淡水魚新鮮度檢測方法對于魚類的保鮮，貯藏以及深加工等都有著極其重要的意義。
　　 論文研究了近紅外光譜技術和機器視覺技術檢測淡水整魚新鮮度的方法，通過采集淡水魚魚體胸部、腹部、尾部3個不同部位在有鱗、無鱗兩種狀態(tài)的近紅外光譜，建立了近紅外光譜與揮發(fā)性鹽基氮(T

2、VB-N)以及儲藏時間(Stored Days)之間的偏最小二乘回歸PLSR模型，并通過特征波長提取，進一步對模型進行優(yōu)化。通過構建機器視覺圖像采集系統(tǒng)，采集淡水魚圖像，利用上山法結合區(qū)域生長法的圖像處理方法，從淡水魚機器視覺圖像中分割出魚眼區(qū)域，并提取出該區(qū)域的R、G、B、H、S、I6個顏色分量均值，以建立各顏色分量均值與TVB-N值及貯藏時間的一元線性、多元線性、多元非線性模型，并比較不同模型的差異。同時為了進一步提高TVB-N定量

3、分析模型的精度，研究了建立基于近紅外光譜和機器視覺多源信息融合技術的淡水魚新鮮度檢測模型的方法。
　　 主要研究結果如下:
　　 1.獲取了不同新鮮度等級的淡水魚樣本集，研究KS、RS、SPXY三種樣本劃分方法及FD、DT、MSC、AS多種光譜預處理方法對建模結果的影響，結果表明，SPXY為最優(yōu)的樣本劃分方法，F(xiàn)D+DT（平滑點數(shù)3）為最優(yōu)的光譜預處理方法。
　　 2.研究了魚鱗、光譜采集部位等影響因素對TVB-

4、N值及貯藏時間定量分析模型的影響。結果表明，對于TVB-N值定量分析，有鱗狀態(tài)下的尾部為最佳光譜采集部位，該部位的PLS建模結果為RMSECV=2.341、RMSEP-1.355、Rc=0.893、R(P)=0.837;對于貯藏時間定量分析，有鱗狀態(tài)時的尾部同樣為最佳光譜采集部位，該部位的PLS建模結果為RMSECV=1.267、RMSEP=1.057、Rc=0.939、R(P)=0.918。
　　 3.研究了不同波長變量選擇方

5、法對TVB-N值及貯藏時間定量分析模型的優(yōu)化。對于TVB-N值定量分析模型優(yōu)化，采用CARS、GA、SPA三種波長變量選擇方法對有鱗時尾部的TVB-N值定量分析模型進行了優(yōu)化，結果表明，CARS為較優(yōu)的波長變量選擇方法，CARS選擇的波長變量為23個，通過歸納3種波長變量選擇方法選擇的特征波長的分布區(qū)間，得出TVB-N值定量分析的最優(yōu)波段為800nm～1100nm，采用CARS方法選擇的23個波長建立的PLS模型為TVB-N值定量分析最

6、優(yōu)模型，模型的RMSECV=1.342、RMSEP=0.589、Rc=0.955、R(P)=0.957，利用TVB-N值定量分析最優(yōu)模型對淡水魚進行新鮮度評價，預測集識別準確率為86.67％。對于貯藏時間定量分析模型優(yōu)化，CARS選擇的波長變量為31個，采用CARS方法選擇的31波長變量建立的PLS模型為貯藏時間定量分析最優(yōu)模型，模型的RMSECV=0.540，RMSEP=0.917,Rc=0.987,R(P)=0.983。
　　

7、 4.構建了淡水魚機器視覺圖像采集平臺，采集了淡水魚圖像，提出了一種上山法結合區(qū)域生長法的圖像處理方法，從淡水魚圖像中分割出了魚眼區(qū)域，并提取出了魚眼區(qū)域的R、G、B、H、S、I共6個顏色分量均值。
　　 5.建立了魚眼區(qū)域顏色特征與TVB-N值及貯藏時間的一元線性、多元線性、BP人工神經(jīng)網(wǎng)絡非線性模型。結果表明，R、G、B顏色分量建立的BP人工神經(jīng)網(wǎng)絡模型較優(yōu)，對于TVB-N值預測，預測相關系數(shù)Rp=0.947，對于貯藏時間

8、預測，預測相關系數(shù)Rp=0.992。采用R、G、B顏色分量建立的TVB-N值BP人工神經(jīng)網(wǎng)絡模型對淡水魚進行新鮮度評價，預測集識別準確率為93.33％.
　　 6.研究了近紅外光譜和機器視覺融合技術的新鮮度檢測方法。采用BP人工神經(jīng)網(wǎng)絡將近紅外光譜數(shù)據(jù)與機器視覺圖像數(shù)據(jù)進行特征層融合，建立了BP人工神經(jīng)網(wǎng)絡融合模型，該模型的TVB-N值預測相關系數(shù)Rp=0.986，結果表明，對于淡水魚的TVB-N值檢測，融合模型較單一的近紅外模