基于广式腊肠高光谱图像的瘦肉与肥肉自适应分离的方法

摘要

基于广式腊肠高光谱图像的瘦肉与肥肉自适应分离的方法，本发明涉及腊肠品质无损检测技术领域，本发明提供了一种基于腊肠近红外高光谱图像的瘦肉与肥肉分布检测方法，解决了对于腊肉中肥肉与瘦肉混合后、无法简单有效的区分两者、难以计算腊肠中瘦肉和肥肉各自所占的比例的问题。通过高光谱图像进行腊肠检测能快速有效的获取样本信息，做到实时检测判断。与现有技术相比，本发明的有益效果为：本发明实现了基于广式腊肠高光谱图像的瘦肉与肥肉自适应分离的方法，不需要通过化学方法进行测定，大大简化了操作步骤，缩短了检测时间，同时K‑means自适应的分割也避免了由于人工主观因素带来的测量结果不准确等后果。

说明书

技术领域

本发明涉及腊肠品质无损检测技术领域，尤其涉及一种基于腊肠近红外高光谱图像的瘦肉与肥肉分布检测方法。

背景技术

腊肠(Sausage)俗称香肠，是指以肉类为原料，切绞成丁，配以辅料，灌入动物肠衣经发酵、成熟干制成的中国特色肉制品，是中国肉类制品中品种最多的一大类产品。

按2005年10月1日起实施新的《腌腊肉制品卫生标准》，将广式腊肠分为优级、一级和二级。目前，广式腊肠的品质鉴定和分级主要采用经验性感官评价方法为主，即采用取样方法，由有经验的腊肠技师用肉眼直接观察肠体色泽及形态，样品蒸10-15分钟，品尝风味进行鉴别，感官评价的弊端是鉴别结果很大程度上受鉴定技师的经验、身体状况、嗅觉灵敏度等人为因素的影响，客观性不够，何况香味和口感只是广式腊肠品质的两个方面。香肠品质检测与分级应该是一个多指标综合评价的过程，应综合腊肠的形状、色泽、味道以及腊肠的内部营养成份等各项指标。显然，传统的以感官评价为主的分级方法不能适应香肠品质检测的要求。实验室仪器分析方法具有检测精度高、可靠性好等特点，但检测速度慢、操作复杂、检测成本高，难以在生产现场进行实时检测。以电子鼻、光谱和机器视觉为代表的检测技术具有快速、无损、低成本等优点，在农产品食品品质检测上具有很好的应用前景。

高光谱成像技术融合了传统的成像技术和光谱技术的优点，获取的高光谱图像具有“图谱合一”的特点，即同时含有图像信息和光谱信息。图像信息可以用来检测外部品质，而光谱信息则可以用来检测内部品质和安全性。高光谱图像是一系列光波波长处的光学图像，比多光谱图像的光谱分辨率更高，通常可达2—3nm，其测量光谱范围可在紫外、可见光和近红外区域。高光谱数据是三维图像块，其中二维代表的是图像像素信息(以坐标X和Y表示)，第三维是波长信息(以表示)，分辨率为X×Y像素的图像检测器阵列在n个波长处获得的样品图像块是X×Y×n的三维阵列。

发明内容

本发明提供了一种基于腊肠近红外高光谱图像的瘦肉与肥肉分布检测方法，解决了对于腊肉中肥肉与瘦肉混合后、无法简单有效的区分两者、难以计算腊肠中瘦肉和肥肉各自所占的比例的问题。通过高光谱图像进行腊肠检测能快速有效的获取样本信息，做到实时检测判断。

一种基于广式腊肠高光谱图像的瘦肉与肥肉自适应分离的方法，其特征在于，包括以下步骤：

(1)采用高光谱仪，获取广式腊肠样本在肠衣包裹下无损条件的近红外波段高光谱原始信息；

(2)对步骤(1)中获得的高光谱原始信息进行高斯平滑预处理得到预处理mapping图，腊肠与棕色背景间通过阈值分割得到初步的腊肠ROI(region of interest)区域；

(3)以步骤(2)中的包含了腊肠样本的ROI区域的每个样本点作为判断单位，以各点的近红外高光谱值作为特征，采用K-means聚类算法，距离选用欧氏距离，聚类数为二分类，建立广式腊肠基于高光谱特征的瘦肉肥肉判别模型；

(4)通过步骤(2)和步骤(3)的处理将整个腊肠区域根据高光谱信息一分为二，所划分样本点数量多的一类是腊肠的瘦肉部分，反之是肥肉部分，且通过K-means算法得到了两类各自的聚类中心。根据特征空间中样本点到两聚类中心的距离只比确定到各自类别的隶属度。

(5)将步骤(4)得到的各样本点的隶属度按原始图像进行可视化显示，得到原始腊肠的瘦肉肥肉分布图。

进一步，在步骤(2)中，将置于棕色背景上的腊肠的近红外高光谱图像通过最大类间方差进行阈值分割提取出腊肠轮廓。

进一步，在步骤(3)中，采用K-means算法进行二聚类分类，选用欧氏距离作为距离的度量标准。

进一步，在步骤(3)中，选用近红外874.11nm～1730.52nm共256个波段的反射光作为样本点的特征向量。

进一步，在步骤(4)中，将隶属于瘦肉、肥肉的样本点各自计算样本空间中的欧氏距离的中心点坐标，作为瘦肉与肥肉各自的聚类中心。

进一步，在步骤(4)中，引入引力模型，将样本点到瘦肉类中心距离倒数的平方作为瘦肉类对该样本点的引力，同理有肥肉对该样本点的引力，将瘦肉类的引力与引力和之比作为对瘦肉的隶属度，同理可得该样本点对肥肉的隶属度。

进一步，在步骤(5)中，根据原始高光谱mapping图像，进行伪彩色显示隶属度信息，方便直观观察瘦肉与肥肉分布信息。

与现有技术相比，本发明的有益效果为：本发明实现了基于广式腊肠高光谱图像的瘦肉与肥肉自适应分离的方法，不需要通过化学方法进行测定，大大简化了操作步骤，缩短了检测时间，同时K-means自适应的分割也避免了由于人工主观因素带来的测量结果不准确等后果。

附图说明

图1为腊肠样本在近红外下的高光谱图像。

图2为经阈值分割后的腊肠图像，红色部分为选定的腊肠区域。

图3为经K-means聚类后的二分类高光谱图像，红色部分为瘦肉，蓝色部分为肥肉。

图4为5个样本原始近红外高光谱图像与肥瘦分离后图像对比。

具体实施方式

下面结合图1-图4进一步阐释本发明。

本发明中，所述的广式腊肠采购自皇上皇和喜上喜两个品牌，包含二级腊肠、一级腊肠、特级腊肠共81个样本，冷冻存储，实验前在无菌通风橱中解冻4h至常温。

首先，取腊肠，解冻，为了防止腊肠变质，同时经通风橱解冻无水汽干扰。

其次，取解冻后的无损腊肠样本，每3个腊肠样本为1组，采用高光谱成像仪V10E-QE(Specim,Finland)，获取广式腊肠的高光谱原始信息。高光谱成像仪采用近红外摄像头，曝光时间3ms，镜头到样本距离31.2cm，样本移动方向与腊肠轴向一致，样本随平台移动速度为26.4mm/s，纵向扫过腊肠整体。整个实验过程都是在恒温(约16℃)条件下进行的。如图1，为腊肠样本在近红外下的高光谱图像。

再次，高光谱数据经黑白板矫正后通过软件ENVI 5.2打开处理，经3*3模板的高斯低通滤波，去掉噪声以及平滑个别过曝点，得到预处理mapping图，再对预处理得到的高光谱图像采用最大类间方差法进行阈值分割，将腊肠从背景中分离出来，得到对应腊肠的ROI区域。图2为经阈值分割后的腊肠图像，其中红色部分为选定的腊肠区域。第四步，对上一步得到的ROI区域采用K-means聚类算法进行自适应的二分类，软件采用matlab 2015b实现。K-means算法是一种自适应聚类算法，根据高光谱特征将每个ROI中的点对应于特征空间中，通过质心法确定初始点(2个)作为聚类的核，每次循环样本点寻找距离最近的核作为样本点的新类别，再将每个类别的样本点取均值得到新的核，迭代直至核的位置不在移动，以此得到每个样本点的类别。同时两个核作为各自类别的中心。请参照图3，为经K-means聚类后的二分类高光谱图像，其中红色部分为瘦肉，蓝色部分为肥肉。

第五步，由于腊肠中瘦肉和脂肪经常会融合在一起，往往一处既包含了瘦肉又带有脂肪，采用二分法会丢失掉这部分信息。因此这里引入隶属度评价每个样本点属于瘦肉会脂肪的比例。参考引力模型，将1/r²(r为到某类核的距离)作为样本点受到该核的作用力，因此有

(L_瘦肉样本点的瘦肉隶属度)

(L_脂肪样本点的脂肪隶属度)

其中图4为5个样本原始近红外高光谱图像与肥瘦分离后图像对比。

对整根腊肠中的每个腊肠点根据瘦肉隶属度加权平均得到整根对应于瘦肉的高光谱信息。