基于高光譜成像技術(shù)的豬肉嫩度檢測(cè)研究

1、第30卷 第9期光 學(xué) 學(xué) 報(bào)V ol. 30, N o. 92010年9月September, 2010文章編號(hào):0253 2239(2010 09 2602 06基于高光譜成像技術(shù)的豬肉嫩度檢測(cè)研究陳全勝 張燕華 萬(wàn)新民 蔡健榮 趙杰文(江蘇大學(xué)食品與生物工程學(xué)院, 江蘇鎮(zhèn)江212013摘要 提出了基于高光譜成像技術(shù)的豬肉嫩度檢測(cè)方法。利用高光譜成像系統(tǒng)獲取78個(gè)豬肉樣本在4001100nm 范圍的高光譜圖像數(shù)據(jù); 通過(guò)主成分分析高光譜數(shù)據(jù)進(jìn)行降維, 從中優(yōu)選出3幅特征圖像, 并從每幅特征圖像中分別提取對(duì)比度、相關(guān)性、角二階矩和一致性等4個(gè)基于灰度共生矩陣的紋理特征變量, 這樣每個(gè)樣本共有

2、12個(gè)特征變量, 再通過(guò)主成分分析提取6個(gè)主成分變量, 并參照剪切力方法測(cè)得的樣本嫩度等級(jí)結(jié)果, 利用神經(jīng)網(wǎng)絡(luò)方法構(gòu)建豬肉嫩度等級(jí)判別模型。模型對(duì)校正集樣本的回判率為96. 15%, 預(yù)測(cè)集樣本的判別率為80. 77%。研究表明高光譜圖像技術(shù)可以用于豬肉嫩度等級(jí)水平的檢測(cè)。關(guān)鍵詞 光譜學(xué); 高光譜成像; 檢測(cè); 嫩度中圖分類(lèi)號(hào) T P391. 41 文獻(xiàn)標(biāo)識(shí)碼 A doi :10. 3788/AOS 20103009. 2602Study on Detection of Pork Tende rness Using Hyperspe ctralImaging TechniqueChen Qua

3、nsheng Zhang Yanhua Wan Xinmin Cai Jianro ng Zhao Jiewen(School of Food a nd Biologica l En gin eer in g , Jia ngsu Un iver sit y , Z hen jian g , Jia ngsu 212013, Chin a Abstract Detection of pork tenderness by hyperspectral im aging technique was proposed. First, hyperspectral images of 78pork sam

4、ples were ca ptured by hyperspectral im aging system, and the spectral region is from 400to 1100nm. Dimension reduction was implemented on hyperspectral data by principal component analysis (PCA to select 3c haracteristic images. Next, 4cha racteristic variables were extrac ted by texture analysis b

5、ased on gray level c o occurrence matrix (G L CM , and they are contra st, c orrelation, angula r sec ond moment, and homogeneity, respec tively, thus 12characteristic variables in t otal for 3c haracteristic images. PCA was conduc ted on 12c haracteristic variables, and 6principal component variabl

6、es were extracted as the input of the disc rimination model. The detection model of pork tenderness was constructed by artificial neural network (ANN , acc ording to the reference results of pork tenderness by Warner Bratzler method. Detection results of ANN model are 96. 15%and 80. 77%in calibratio

7、n and prediction sets, respectively. This work shows that it is feasible to detect pork tenderness by hyperspectral imaging technique.Key wo rds spectroscopy; hyperspectral im aing; detection; tenderness收稿日期:2009 12 27; 收到修改稿日期:2010 01 27基金項(xiàng)目:江蘇省自然科學(xué)基金(BK 2009216 和江蘇大學(xué)高級(jí)人才啟動(dòng)基金(08JDG 007 資助課題。作者簡(jiǎn)介:陳全

8、勝(1973 , 男, 博士, 副研究生, 主要從事光譜及光譜圖像處理方面的研究。E mail:chenjiang 0518yahoo. com. cn1 引 言中國(guó)是豬肉生產(chǎn)和消費(fèi)大國(guó), 豬肉嫩度是評(píng)價(jià)其品質(zhì)質(zhì)量的重要標(biāo)準(zhǔn), 它直接影響著肉的食用價(jià)值和商品價(jià)值。目前, 對(duì)肉嫩度的評(píng)價(jià)方法主要有人工感官評(píng)定和理化檢測(cè)兩種方法1。人工感官評(píng)定由于存在主觀因素的干擾, 往往誤差較大; 理化檢測(cè)方法目前主要依據(jù)國(guó)標(biāo)NY/T 1180 2006 肉嫩度的測(cè)定剪切力測(cè)定法 來(lái)評(píng)定肉嫩度大小, 但該方法樣本前期處理過(guò)程繁瑣、測(cè)定時(shí)間長(zhǎng), 屬于破損檢測(cè)。因此, 尋求一種快速檢測(cè)豬肉嫩度的方法, 在豬肉制品的

9、品質(zhì)檢測(cè)、工藝控制上具有重要意義。近紅外光譜和計(jì)算機(jī)視覺(jué)技術(shù)是肉嫩度檢測(cè)最常用的兩種無(wú)損檢測(cè)技術(shù)。趙杰文等1利用近紅外光譜技術(shù)對(duì)牛肉嫩度進(jìn)行了檢測(cè), 分別建立了偏最小9期陳全勝等: 基于高光譜成像技術(shù)的豬肉嫩度檢測(cè)研究二乘和多元線(xiàn)性回歸的定量模型; 孫永海等2利用計(jì)算機(jī)視覺(jué)技術(shù)對(duì)冷卻牛肉嫩度進(jìn)行了研究, 并用線(xiàn)性回歸方法分別建立了牛肉紋理特征量與肉嫩度等級(jí)間的數(shù)量關(guān)系。Bow ling 3和Xia 4利用近紅外光譜對(duì)牛肉嫩度進(jìn)行了預(yù)測(cè); Zheng 等5利用計(jì)算機(jī)視覺(jué)技術(shù)結(jié)合紋理特征對(duì)牛肉嫩度進(jìn)行了分類(lèi)。 研究都是基于單一技術(shù)手段下完成的, 由于豬肉的嫩度與其肌肉結(jié)構(gòu)(結(jié)締組織 和生物化學(xué)組成

10、(肌原纖維的蛋白水解作用和細(xì)胞骨架蛋白 密切相關(guān)6 。傳統(tǒng)的計(jì)算機(jī)視覺(jué)技術(shù)能夠檢測(cè)得到描述肌肉結(jié)構(gòu)的外部紋理特征信息, 但無(wú)法獲取豬肉樣本中內(nèi)部特征信息; 反之, 近紅外光譜技術(shù)能夠提供反映豬肉內(nèi)部生物化學(xué)組成信息, 但無(wú)法獲取樣本的外部特征信息。因此, 單一的檢測(cè)手段一般不足以全面地描述豬肉嫩度品質(zhì)。高光譜圖像集光譜信息和圖像信息于一身, 高光譜成像技術(shù)是光譜分析和圖像處理在技術(shù)層面上的融合技術(shù), 兼有這兩種技術(shù)的優(yōu)勢(shì), 在農(nóng)產(chǎn)品檢測(cè)中已有許多應(yīng)用710。目的就是嘗試?yán)酶吖庾V圖像技術(shù)評(píng)判豬肉的嫩度等級(jí)。2 試驗(yàn)材料與方法2. 1 試驗(yàn)材料試驗(yàn)所用豬肉為當(dāng)天屠宰的取自不同豬身上的冷鮮梅花肉,

11、 購(gòu)于雨潤(rùn)肉制品賣(mài)場(chǎng)。試驗(yàn)前根據(jù)標(biāo)準(zhǔn)NY/T 1180 2006對(duì)測(cè)試樣本的要求共采集得樣本78個(gè)。2. 2 高光譜采集方法高光譜圖像數(shù)據(jù)是基于光譜儀的高光譜圖像系統(tǒng)采集得到的, 該系統(tǒng)裝置如圖1所示, 主要包括基于圖像光譜儀的高光譜攝像機(jī)(ImSpecto r, V 10E, Specim, 芬蘭 , 150W 光纖鹵素?zé)?Fiber Lite DC950Illum inator, Do lanJenner Industries Inc, MA, 美國(guó) , 移動(dòng)平臺(tái)輸送裝置(Zo lix , SC30021A, 北京 和計(jì)算機(jī)等部件組成。將豬肉樣本平鋪在底板的移動(dòng)平臺(tái)上進(jìn)行數(shù)據(jù)采集。設(shè)定高光

12、譜系統(tǒng)攝相機(jī)曝光時(shí)間為50m s, 輸送裝置的速度為1. 25mm /s 。數(shù)據(jù)采集時(shí), 線(xiàn)陣的探測(cè)器在光學(xué)焦面的垂直方向作橫向掃描, 獲取條狀空間中每個(gè)像素在各個(gè)波長(zhǎng)處的光譜信息; 隨著樣本的縱向前進(jìn), 線(xiàn)陣探測(cè)器就完成了整個(gè)樣本數(shù)據(jù)的采集。采用的高光譜攝像頭的圖像分辨率為450pixel 1280pixel, 光譜范圍是4081117nm, 光譜采樣間隔為0. 69nm, 采集得到1024個(gè)波長(zhǎng)下的圖像, 最終得到一個(gè)大小為450pixel 1280pixel 1024pixel 的高光譜圖像數(shù)據(jù)塊, 如圖2所示。圖1基于圖像光譜儀的高光譜圖像采集系統(tǒng)示意圖F ig. 1H yperspe

13、ctr al imaging system based onspectrometer圖2高光譜圖像數(shù)據(jù)塊示意圖Fig. 2H y per spectral imag e datacube2. 3 豬肉剪切力的測(cè)定及其嫩度劃分標(biāo)準(zhǔn)在高光譜圖像采集后, 按照NY/T 1180 2006標(biāo)準(zhǔn), 利用TA X12i 型質(zhì)構(gòu)儀(Stable M icr o System s Co. , 英國(guó) 測(cè)定豬肉樣本的剪切力大小, 利用Warner Bratzler 刀具沿著垂直于樣本中肌纖維方向進(jìn)行剪切, 測(cè)得刀具切割這一用力過(guò)程中的最大剪切力(峰值 作為該樣本剪切力的測(cè)定值。樣品測(cè)試完后選取其中的52個(gè)豬肉樣本

14、作為校正集建立模型, 其余的26個(gè)作為預(yù)測(cè)集來(lái)驗(yàn)證模型的穩(wěn)定性。表1列出了豬肉剪切力實(shí)測(cè)值的變化范圍、平均值和標(biāo)準(zhǔn)偏差。表1校正集和預(yù)測(cè)集中豬肉剪切力實(shí)測(cè)值的范圍、平均值和標(biāo)準(zhǔn)偏差T able 1R efer ence measur ements by W arner Bratzler metho d in t he calibratio n and pr ediction set sSubsetsSample numberRang e /(9. 8N M ean /(9. 8N Standard dev iation /(9. 8N Calibr atio n set 522. 576310

15、. 84345. 53052. 0543Pr ediction set262. 717810. 77365. 51562. 03772603光 學(xué) 學(xué) 報(bào)30卷 由于目前還沒(méi)有關(guān)于肉嫩度等級(jí)劃分方面的標(biāo)準(zhǔn), 研究擬采用人工感官評(píng)判方法。由10位受過(guò)專(zhuān)門(mén)培訓(xùn)并積累了一定經(jīng)驗(yàn)的評(píng)審人員對(duì)78個(gè)豬肉樣本的柔軟性、易碎性和可咽性進(jìn)行打分, 共110分, 其中分?jǐn)?shù)越低, 表示越柔軟, 越容易嚼碎下咽(咀嚼后剩余的殘?jiān)缴?, 即該樣本越嫩; 反之, 則該豬肉樣本越老。最后取這三項(xiàng)的平均值作為該豬肉的最后評(píng)分。根據(jù)最后的評(píng)分進(jìn)行樣本的嫩度分級(jí), 共分成1#, 2#, 3#三級(jí):1#指嫩豬肉; 2#指較嫩的

16、豬肉; 3#指老豬肉。依據(jù)感官評(píng)判和剪切力豬肉嫩度劃分標(biāo)準(zhǔn)如表2所示。表2豬肉嫩度等級(jí)劃分標(biāo)準(zhǔn)T able 2St andard of por k t enderness g rade T ender ness g rades 1#2#3#Score by human sensor y panel 1457810War ner Br atzler fo rce /(9. 8N <558>82. 4 高光譜圖像標(biāo)定由于光源的強(qiáng)度在各波段下分布不均勻以及攝像頭中暗電流噪音的存在, 造成在光源強(qiáng)度分布較弱的波段下所獲得的圖像含有較大的噪音。因此, 需要對(duì)所獲得的高光譜圖像進(jìn)行黑白標(biāo)定11

17、。在與樣品采集相同的系統(tǒng)條件下, 掃描標(biāo)準(zhǔn)白色校正板得到全白的標(biāo)定圖像W , 關(guān)閉相機(jī)鏡頭進(jìn)行圖像采集得到全黑的標(biāo)定圖像B , 然后按照(1 式對(duì)原始圖像進(jìn)行標(biāo)定:R =W -B.(1所有高光譜圖像數(shù)據(jù)的采集都是基于Spectral Cube (Spectral Im ag ing Ltd. , Finland 軟件平臺(tái); 原始數(shù)據(jù)的處理是基于ENVI V 4. 3(Research System, Inc. , USA 和M atlab V 7. 4(M athw orks Co. , U SA 軟件平臺(tái)。3 結(jié)果與討論3. 1 高光譜圖像區(qū)域的選擇圖3為高光譜圖像不同區(qū)域在4081117n

18、m 范圍內(nèi)的光譜曲線(xiàn), 其中, 曲線(xiàn)A 為豬肉的光譜曲線(xiàn), 曲線(xiàn)B 為圖像背景光譜曲線(xiàn)。可以看出, 在600nm 以下區(qū)域豬肉的光譜曲線(xiàn)與背景的光譜曲線(xiàn)接近, 而800nm 以上, 這些區(qū)域的光譜曲線(xiàn)存在明顯噪音。因此, 在后期的數(shù)據(jù)處理過(guò)程中, 選取600800nm范圍內(nèi)的高光譜圖像數(shù)據(jù)進(jìn)行分析。圖3豬肉高光譜圖像不同區(qū)域的光譜曲線(xiàn)F ig. 3Spect ral pr ofile fro m the differ ent r egionsin hy per spectral imag e of por k3. 2 特征波長(zhǎng)圖像的選取試驗(yàn)通過(guò)ENVI 對(duì)原始高光譜圖像數(shù)據(jù)進(jìn)行重采樣, 截取6

19、00800nm 范圍內(nèi)的高光譜圖像數(shù)據(jù)進(jìn)行分析, 得到一個(gè)550 300 293的三維數(shù)據(jù)塊。該數(shù)據(jù)塊由293張波長(zhǎng)在600800nm 范圍內(nèi)且大小為550pix el 300pixel 的圖像組成, 它包含的數(shù)據(jù)量比二維圖像和一維光譜的數(shù)據(jù)量都要大得多。數(shù)據(jù)量過(guò)大影響后期數(shù)據(jù)處理的速度, 波段相鄰的兩幅圖像之間又具有較強(qiáng)的相關(guān)性, 造成高光譜圖像數(shù)據(jù)中存在大量的冗余信息。因此, 有必要對(duì)高光譜數(shù)據(jù)進(jìn)行降維處理, 以尋找最能表征豬肉樣本嫩度品質(zhì)指標(biāo)的特征圖像, 以提高后期數(shù)據(jù)處理的速度, 并去除數(shù)據(jù)中的冗余信息。主成分分析(PCA 是沿著協(xié)方差最大的方向由高維數(shù)據(jù)空間向低維數(shù)據(jù)空間投影。PCA

20、 得到的各個(gè)主成分向量之間互相獨(dú)立, 既可以實(shí)現(xiàn)降維, 又能消除原始數(shù)據(jù)中的冗余信息。試驗(yàn)通過(guò)PCA 來(lái)優(yōu)選特征波長(zhǎng), 根據(jù)方差貢獻(xiàn)率的大小提取前面幾個(gè)主成分圖像, 從中找到最能表征原始信息的主成分圖像。每個(gè)主成分圖像都是由原始數(shù)據(jù)中的各個(gè)波長(zhǎng)下的圖像經(jīng)過(guò)線(xiàn)性組合而成的, 通過(guò)比較線(xiàn)性組合中的權(quán)重系數(shù), 局部最大權(quán)重系數(shù)所對(duì)應(yīng)波長(zhǎng)下的圖像為特征圖像1012。圖4為經(jīng)過(guò)PCA 后得到的前3個(gè)主成分圖像PC1, PC2和PC3。可以看出第一主成分圖像(PC1 最能表征豬肉圖像的原始信息, 因此, 根據(jù)PC1尋找特征波長(zhǎng)圖像。PC1是由293個(gè)波段下的圖像經(jīng)過(guò)線(xiàn)性組合而成的, 即PC1=293i=1

21、i i=a 1 1+a 2 2+ +a 293 293.(2在該線(xiàn)性組合中, 權(quán)重系數(shù)越大, 所對(duì)應(yīng)波長(zhǎng)下26049期陳全勝等: 基于高光譜成像技術(shù)的豬肉嫩度檢測(cè)研究的圖像對(duì)PC1圖像的貢獻(xiàn)越大, 通過(guò)比較這293個(gè)權(quán)重系數(shù), 搜索到3個(gè)局部最大權(quán)重系數(shù), 它們分別是83, 133和 233, 所對(duì)應(yīng)的波長(zhǎng)分別為656, 690和759nm 。因此, 根據(jù)PCA 優(yōu)選出的3個(gè)特征圖像如圖5所示。 圖4主成分分析得到的前3個(gè)主成分圖像F ig. 4T op three pr incipal component images obtained with pr incipal componentan

22、alysis 圖5豬肉樣本在3個(gè)特征波長(zhǎng)下的圖像F ig. 5P or k images at three character istic wav elengths3. 3 豬肉圖像的紋理特征提取 肌肉和脂肪在豬肉中的分布直接影響豬肉的嫩度, 而該分部狀況可以通過(guò)圖像的紋理特征來(lái)描述。圖像的紋理表現(xiàn)為圖像像素灰度級(jí)或顏色的某種變化, 在圖像分類(lèi)中得到廣泛應(yīng)用1315。豬肉內(nèi)部存在大量肌原纖維蛋白和細(xì)胞骨架蛋白, 這些內(nèi)部化學(xué)組成直接影響豬肉嫩度。由于肌原纖維蛋白和細(xì)胞骨架蛋白中含有大量基團(tuán)(如含氫基團(tuán) , 這些基團(tuán)的伸縮振動(dòng)在可見(jiàn)光的長(zhǎng)波區(qū)域和近紅外區(qū)域都會(huì)產(chǎn)生吸收, 另外光譜范圍在800nm

23、 以上, 研究中的高光譜攝像機(jī)檢測(cè)得到的數(shù)據(jù)就存在明顯噪音信號(hào), 如圖3所示。研究通過(guò)PCA 方法優(yōu)選出656, 690和759nm 等3個(gè)特征波長(zhǎng), 豬肉內(nèi)部大量肌原纖維蛋白和細(xì)胞骨架蛋白在這三個(gè)波長(zhǎng)下產(chǎn)生一定的吸收, 這樣三個(gè)特征波長(zhǎng)所對(duì)應(yīng)的豬肉圖像有一定的灰度變化。因此, 研究采用基于灰度共生矩陣方法來(lái)提取豬肉圖像的紋理特征, 提取三個(gè)特征波長(zhǎng)下的紋理特征作為特征變量:Y CON =i, ji -j2p (i, j , (3 Y COR =i, j i j,(4 Y A SM = i, jp (i, j 2,(5Y HOM =i, j 1+i -j . (6 在提取灰度共生矩陣前, 首先

24、沿著圖像中心附近截取150pixel 400pixel 的感興趣區(qū)域(ROI 如圖6第一行, 然后按照(3 (6 式分別提取對(duì)比度(contrast 、相關(guān)性(correlation 、角二階矩(angular second moment 和一致性(ho mog eneity 等4個(gè)基于灰度共生矩陣的紋理特征變量?；叶裙采仃嚺c其生成方向 、生成步長(zhǎng)d 和圖像灰度級(jí)g 有關(guān)15。由于256級(jí)灰度能保持圖像最大的信息量, 所以這里沒(méi)有對(duì)圖像的灰度級(jí)進(jìn)行壓縮, 即仍采用256級(jí)灰度, 以提高特征參數(shù)的保真度; 生成步長(zhǎng)d 較大時(shí), 會(huì)有大量像素點(diǎn)不參與灰度共生矩陣的生成, 造成大量信息丟失, 研究

25、選用默認(rèn)值1; 豬肉樣本的圖像紋理并不受方向的影響, 因此研究?jī)H選取 =0計(jì)算灰度共生矩陣, 在三個(gè)特征波長(zhǎng)下分別提取這四個(gè)特征參數(shù), 一共得到12個(gè)紋理變量。試驗(yàn)選取3 3的模板, 每個(gè)樣本生成的12個(gè)紋理特征變量圖像如圖6中所示。圖6豬肉樣本感興趣區(qū)域(RO I 及其四個(gè)灰度共生矩陣圖像Fig. 6Reg ion of inter est (RO I o f po rk sample andfour G LCM images2605光 學(xué) 學(xué) 報(bào)30卷3. 4 模型建立與結(jié)果 試驗(yàn)利用校正集中52個(gè)已知樣本通過(guò)3層的反向傳播人工神經(jīng)網(wǎng)絡(luò)(BP ANN 來(lái)構(gòu)建豬肉嫩度等級(jí)標(biāo)準(zhǔn)判別模型, 模型

26、建立好以后, 再利用預(yù)測(cè)集中26個(gè)樣本來(lái)驗(yàn)證模型的可靠性。模型預(yù)測(cè)結(jié)果與該樣本的嫩度等級(jí)標(biāo)準(zhǔn)值(通過(guò)剪切力方法檢測(cè)的結(jié)果 相比較來(lái)衡量模型的性能。以校正集和預(yù)測(cè)集中模型的識(shí)別率作為指標(biāo)來(lái)優(yōu)化相應(yīng)的模型參數(shù)。在構(gòu)建BP ANN 模型過(guò)程時(shí), 需對(duì)模型中的相關(guān)參數(shù)進(jìn)行優(yōu)化, 研究通過(guò)優(yōu)化得到相關(guān)參數(shù)如下:隱含層神經(jīng)元個(gè)數(shù)為8, 傳遞函數(shù)為雙曲正切函數(shù)(tanh , 學(xué)習(xí)速率為0. 1, 動(dòng)量因子為0. 1, 初始權(quán)重為0. 3, 訓(xùn)練迭代為1000次。每個(gè)樣本有12個(gè)紋理特征變量, 分別從3個(gè)特征波長(zhǎng)圖像中提取的, 它們之間存在一定的相關(guān)性。所以在模型建立之前, 有必要對(duì)它們進(jìn)行主成分分析, 提取

27、主成分因子構(gòu)成BP ANN 模型的輸入。模型在訓(xùn)練過(guò)程中, 主成分因子數(shù)的多少會(huì)影響到模型的精度和穩(wěn)定性, 主成分因子數(shù)過(guò)少, 信息損失過(guò)大, 將會(huì)影響到模型的精度, 但是主成分因子數(shù)過(guò)大, 又會(huì)引入過(guò)多的冗余信息, 勢(shì)必增加模型的復(fù)雜度, 影響模型的穩(wěn)健性。因此, 在模型建立過(guò)程中有必要對(duì)主成分因子數(shù)進(jìn)行優(yōu)化。試驗(yàn)以BP ANN 模型在校正集和預(yù)測(cè)集中的識(shí)別率為指標(biāo)來(lái)優(yōu)化主成分因子數(shù), 優(yōu)化的結(jié)果如圖7所示, 從圖7可看出, 開(kāi)始時(shí)隨著主成分因子數(shù)的增加,校正集和預(yù)測(cè)圖7不同主成分因子數(shù)下的校正和預(yù)測(cè)時(shí)的識(shí)別結(jié)果Fig. 7Reco gnit ion results in the calib

28、r ation and pr edict ion sets w ith differ ent number of PC集中的識(shí)別率總體上呈現(xiàn)上升趨勢(shì), 當(dāng)主成分因子數(shù)達(dá)到6以后, 模型的校正集和預(yù)測(cè)集識(shí)別率都變化不大, 并且有略微下降, 此時(shí), 前6個(gè)主成分的累積方差貢獻(xiàn)率已經(jīng)超過(guò)了99%, 基本上已經(jīng)能全部放映原始數(shù)據(jù)信息。如繼續(xù)增加主成分因子, 帶來(lái)的幾乎都是冗余信息, 增加模型復(fù)雜度, 降低模型穩(wěn)定性, 致使模型的識(shí)別率有略微下降。模型對(duì)校正集和預(yù)測(cè)集中的識(shí)別結(jié)果如表3所示, 從表3中可見(jiàn), 發(fā)生誤判的樣本主要集中在兩個(gè)相鄰的級(jí)別之間, 因?yàn)樵囼?yàn)中樣本嫩度等級(jí)標(biāo)準(zhǔn)是根據(jù)剪切力大小由人工感

29、官評(píng)判來(lái)劃分的, 在兩個(gè)相鄰的等級(jí)之間, 它們的品質(zhì)指標(biāo)往往十分相近。所以這些樣本在識(shí)別過(guò)程中往往會(huì)產(chǎn)生一定的誤差。表3校正集和預(yù)測(cè)集中豬肉嫩度等級(jí)的判別結(jié)果T able 3Recog nitio n r esults o f pork tender ness in the calibrat ion and prediction setsSubsetGr ade Sample number R eco gnition results1#2#3#T otal recog nitio n r atioCalibration set1#P redictio n set1#2#3#7811611161

30、01980. 77%4 結(jié) 論研究嘗試?yán)酶吖庾V成像技術(shù)檢測(cè)豬肉的嫩度等級(jí)。通過(guò)對(duì)豬肉高光譜數(shù)據(jù)進(jìn)行主成分分析優(yōu)選3個(gè)特征波長(zhǎng)圖像, 并從每個(gè)特征波長(zhǎng)圖像中提取4個(gè)基于灰度共生矩陣的紋理特征變量, 共12個(gè)特征變量, 最后再對(duì)這12個(gè)變量進(jìn)行主成分分析, 提取6個(gè)主成分因子數(shù)構(gòu)建基于BP A NN 的豬肉嫩度評(píng)判模型。模型校正和預(yù)測(cè)時(shí)的識(shí)別率分別為96. 15%和80. 77%。研究表明, 利用高光譜成像技術(shù)檢測(cè)豬肉嫩度等級(jí)是可行的。參考文獻(xiàn)1J. W. Zh ao, J. M. Zhai, M. H. Liu e t al. . The determination of b eef tend

31、 erness us ing near infrared spectroscopy J . Sp ectroscop y and S p ectral Analy sis , 26(4 :640642趙杰文, 翟劍妹, 劉木華等. 牛肉嫩度的近紅外光譜法檢測(cè)技術(shù)研究J. 光譜學(xué)與光譜分析, 2006, 26(4 :6406422Y. H. Sun , J. C. Xianyu, J. Shi. An alys is m ethod of26069期 陳全勝等 : 基于高光譜成像技術(shù)的豬肉嫩度檢 測(cè)研究 2607 t endern es s of chill ed b eef bas ed on

32、 comput er vision J . Tr ansact ions of t he Ch inese Soci et y f or A gr icu lt ur al M ac hine ry , 2003, 34( 5 : 102 105 孫永海 , 鮮于建川 , 石 晶 . 基于計(jì)算機(jī)視覺(jué)的冷卻牛 肉嫩度分 析方法 J . 農(nóng)業(yè)機(jī)械學(xué)報(bào) , 2003, 34( 5 : 102 105 3 M . B. Bow ling, D . J . V ot e, K . E. Bel k et al . . U sing r ef lectance s pect ros copy to pre

33、dict beef t en derness J . M eat Sc ienc e , 2009, 82( 1 : 1 5 4 J. J. Xia, E . P. Berg, J. W . Lee et al . . Charact erizin g b eef m uscl es w it h opt ical scat tering and ab sorpt ion coeff ici ent s in V IS N IR r egion J . M eat S ci ence , 2007, 75( 1 : 78 83 5 C. Zheng, D . W. Sun, L. Zheng.

34、 Classif icat ion of t enderness of l arge cook ed b eef joint s us ing w avelet an d G ab or t ext ural f eat ures J . Transact ions of t he A SA E , 2006, 49( 5 : 1447 1454 6 M . K oohmaraie. M uscl e prot einases and meat aging J . M eat Sc ienc e , 1994, 36( 1 2 : 93 104 7 Chen Q uan sheng, Zh a

35、o J iew en , Cai Jianrong et al . . Est im at ion of tea qualit y l evel us ing hypers pectral imaging techn ology J . Ac ta Op t ica S ini ca . 2008, 28( 4 : 669 674 陳全勝 , 趙杰文 , 蔡健榮 等. 利用高光譜圖像技術(shù)評(píng)判茶葉的質(zhì) 量等級(jí) J . 光學(xué)學(xué)報(bào) , 2008, 28( 4 : 669 674 8 J. W. Q in, R. F. Lu . M easurement of t he opti cal p rope

36、rt ies of f ruit s and veget abl es using spat iall y resolved hyperspect ral diff us e r ef lectance imaging t ech nique J . Post har ve st Bi olog y and Te chnolog y , 2008, 49( 3 : 355 365 9 G . El mas ry, N . Wang, A . Elsayed et al . . Hy pers pect ral im aging f or n on dest ru ct ive d et erm

37、 inat ion of some qualit y at t ribut es f or s t raw berry J . Jour nal of Food Eng ine eri ng , 2007, 81( 1 : 98 107 10 J. W . Zhao, J. H . Liu, Q . S . Ch en et al . . D et ecing s ubt le bruis e on f ruit s wit h hyperspect ral imaging J . Tr ansac ti on s of t he Chi nese S oci ety f or A gr ic ul tur al M achi nery , 2008, 39 ( 1 : 106 109 趙杰文, 劉劍華 , 陳全勝