基于光谱和高光谱成像技术的海水鱼品质快速无损检测

摘要

鱼肉历来作为易消化、营养价值高的食物广泛受到人们的青睐，但鱼肉水分含量较高，肉质细嫩，容易在酶和微生物的综合作用下发生腐败变质，因此其品质和安全的检测很重要。传统的物理化学测量分析方法耗时、繁琐、有损，且污染环境，已经不能满足现代数字渔业快速、无损、实时的发展要求。本文以海水鱼为研究对象，应用光谱和高光谱成像技术，并结合多种化学计量学方法、图像处理算法、数据挖掘技术，研究了新鲜与冷冻-解冻大菱鲆鱼肉的鉴别，大菱鲆冷藏存储时间的快速准确预测和分布可视化，大菱鲆质构参数和系水力的快速检测，大西洋鲑脂肪和水分含量的快速预测及空间分布可视化，为鱼肉的精细生产和数字化管理提供理论和技术支撑。研究主要内容和成果有: (1)采用可见/短波近红外高光谱成像鉴别新鲜与冷冻-解冻的大菱鲆鱼肉。冷冻处理分为不同的冷冻温度（快速冷冻-70℃、慢速冷冻-20℃）以及不同的解冻次数（冷冻-解冻1次、2次）。提取高光谱图像的平均光谱并进行预处理，应用新型的竞争性自适应重加权算法(CARS)提取能表征鱼肉鲜度和冷冻状态的特征波长，同时对高光谱图像进行主成分分析(PCA)并提取主成分图像的纹理变量，最后分别基于光谱特征波长、纹理变量、特征波长+纹理变量建立线性(PLSDA)和非线性(BP-ANN、LS-SVM)的鉴别模型。对于新鲜、快速冷冻-解冻、慢速冷冻-解冻鱼肉的鉴别，最佳总体正确判别率为94.44％;对于新鲜、冷冻-解冻1次、冷冻-解冻2次鱼肉的鉴别，最佳总体正确判别率为100％。 (2)应用可见/短波近红外高光谱成像实现了大菱鲆冷藏存储时间的快速准确预测和可视化。提取高光谱图像的平均光谱并建立PLSR、BP-ANN和LS-SVM的冷藏时间检测模型。线性PLSR模型精度较高，预测集Rp为0.9849，RMSEP为0.6799。采用PLSR对预测集样本图像上每个像素点的冷藏时间进行预测，结合IDL软件的图像编程技术将不同的时间用不同的颜色表示，以伪彩图的形式实现了冷藏时间的可视化，形象、直观地展示出鱼肉的新鲜度状态和分布情况。 (3)应用可见/短波近红外光谱快速检测大菱鲆的质构参数和系水力。质构参数的检测与冷藏相结合，选取粘性、弹性和内聚性三个参数;系水力的检测与冷冻相结合，采用滴水损失描述。优选最佳光谱预处理方法，采用新型的Random frog算法提取光谱特征波长，并建立PLSR、BP-ANN和LS-SVM参数检测模型。粘性、弹性、内聚性、滴水损失最优预测Rp分别为0.9094、0.8754、0.8462、0.8678。 (4)采用长波近红外高光谱成像实现了大西洋鲑脂肪和水分含量的快速无损检测及其分布可视化。对提取的平均光谱和脂肪、水分含量建立PLSR、BP-ANN和LS-SVM校正模型，线性PLSR模型精度较高，脂肪预测集Rp为0.9263，RMSEP为1.2405;水分预测集Rp为0.9366，RMSEP为1.0579。再将PLSR模型应用于预测集样本图像上的所有像素点，最终以伪彩图的形式展示脂肪和水分在大西洋鲑鱼片的含量分布。此外，还探索了该技术用于整鱼片成分含量成图的可行性。

目录

声明

论文说明

致谢

摘要

图目录

表目录

1 绪论

1．1 研究背景

1．2 鱼种概况

1．3 鱼肉品质的常规检测方法

1．3．1 感官评价

1．3．2 物理评价

1．3．3 化学评价

1．4 鱼肉品质的光谱检测

1．4．1 可见／近红外光谱技术

1．4．2 可见／近红外光谱技术在鱼肉品质检测中的应用

1．5 图像处理和光谱成像技术在鱼肉品质检测中的应用

1．5．1 图像处理技术及其在鱼肉品质检测中的应用

1．5．2 多光谱成像技术及其在鱼肉品质检测中的应用

1．5．3 高光谱成像技术及其在鱼肉品质检测中的应用

1．6 国内外研究存在的主要问题

1．7 研究目的与内容

2 试验材料与方法

2．1 试验设备

2．1．1 可见／短波近红外高光谱成像仪

2．1．2 长波近红外高光谱成像仪

2．1．3 便携式可见／短波近红外光谱仪

2．1．4 食品质构分析仪

2．1．5 索氏脂肪提取仪

2．2 试验材料及物理和化学值测定

2．3 高光谱图像数据分析技术路线

2．4 光谱数据处理技术

2．4．1 光谱预处理方法

2．4．2 光谱特征波长提取算法

2．5 图像数据处理技术

2．5．1 图像处理方法

2．5．2 图像纹理特征提取方法

2．6 化学计量学建模方法

2．6．1 偏最小二乘法

2．6．2 人工神经网络

2．6．3 最小二乘支持向量机

2．7 定量和定性模型评价标准

2．7．1 定量模型评价标准

2．7．2 定性模型评价标准

2．8 算法实现软件

2．9 本章小结

3 新鲜与冷冻-解冻大菱鲆鱼肉的鉴别研究

3．1 引言

3．2 鱼肉样本的冷冻处理和高光谱图像采集

3．2．1 鱼肉样本的冷冻处理

3．2．2 可见／短波近红外高光谱图像采集

3．3 数据分析流程

3．3．1 图像的降噪和平均光谱的提取

3．3．2 光谱数据的预处理

3．3．3 图像纹理变量的提取

3．3．4 基于特征波长和纹理变量的新鲜与冷冻-解冻鱼肉的鉴别

3．4 新鲜与不同存储温度的冷冻-解冻大菱鲆鱼肉的鉴别

3．4．1 鱼肉光谱特性

3．4．2 偏最小二乘鉴别模型比较

3．4．3 图像纹理变量的提取

3．4．4 新鲜与冷冻-解冻鱼肉鉴别的特征波长

3．4．5 基于特征波长和纹理变量的新鲜与冷冻-解冻鱼肉的鉴别

3．4．6 新鲜、快速冷冻-解冻、慢速冷冻-解冻鱼肉鉴别的特征波长

3．4．7 基于特征波长和纹理变量的新鲜、快速冷冻-解冻、慢速冷冻-解冻鱼肉的鉴别

3．5 新鲜与不同解冻次数的冷冻-解冻大菱鲆鱼肉的鉴别

3．5．1 鱼肉光谱特性

3．5．2 偏最小二乘鉴别模型比较

3．5．3 图像纹理变量的提取

3．5．4 新鲜与冷冻-解冻鱼肉鉴别的特征波长

3．5．5 基于特征波长和纹理变量的新鲜与冷冻-解冻鱼肉的鉴别

3．5．6 新鲜、冷冻-解冻1次、冷冻-解冻2次鱼肉鉴别的特征波长

3．4．7 基于特征波长和纹理变量的新鲜、冷冻-解冻1次、冷冻-解冻2次鱼肉的鉴别

3．6 本章小结

4 大菱鲆鱼肉冷藏时间的可视化研究

4．1 引言

4．2 鱼肉样本的冷藏处理和高光谱图像采集

4．2．1 鱼肉样本的冷藏处理

4．2．2 可见／短波近红外高光谱图像采集

4．3 不同冷藏时间的鱼肉的可见／短波近红外光谱

4．4 鱼肉冷藏时间的预测

4．5 鱼肉冷藏时间的可视化

4．6 本章小结

5 大菱鲆鱼肉质构参数和系水力的检测研究

5．1 引言

5．2 鱼肉样本光谱数据和物理参数的获取

5．2．1 鱼肉样本处理

5．2．2 光谱数据的获取

5．2．3 质构参数的获取

5．2．4 滴水损失的获取

5．3 大菱鲆鱼肉质构参数的检测

5．3．1 鱼肉的质构参数

5．3．2 鱼肉光谱特性

5．3．3 偏最小二乘回归模型比较

5．3．4 提取的质构参数特征波长

5．3．5 基于特征波长的质构参数检测

5．4 大菱鲆鱼肉滴水损失的检测

5．4．1 鱼肉的滴水损失

5．4．2 鱼肉光谱特性

5．4．3 偏最小二乘回归模型比较

5．4．4 提取的滴水损失特征波长

5．4．5 基于特征波长的滴水损失检测

5．5 本章小结

6 大西洋鲑脂肪和水分含量的分布检测研究

6．1 引言

6．2 鱼肉样本高光谱图像及化学指标(脂肪和水分)的获取

6．2．1 鱼肉样本购买和处理

6．2．2 长波近红外高光谱图像采集

6．2．3 脂肪和水分含量测定

6．3 鱼肉的脂肪和水分化学值

6．4 鱼肉的长波近红外光谱

6．5 鱼肉脂肪和水分含量的预测

6．6 鱼肉样本脂肪和水分含量的分布可视化

6．7 整鱼片脂肪和水分含量分布可视化的探索

6．8 本章小结

7 结论与展望

7．1 结论

7．2 主要创新点

7．3 展望

参考文献

作者简介