基于高光谱和近红外融合的肉制品品质检测设备与方法
技术领域
本发明属于肉制品图像处理无损检测
技术领域
，具体地，涉及一种基于高光谱和近红外融合的肉制品品质检测设备及其在线无损检测方法。背景技术
随着经济的快速发展，人们的生活水平不断提高，对肉制品的食用量也不断的增长，同时对肉制品的制品品质提出了更高的要求，肉制品生产加工企业为了保障产品的质量，对原材料和半成品进行严格的检测和控制，对肉制品进行按品质分类定价，将企业的利润最大化。
传统肉制品检测通常是从肉色、嫩度等方面来衡量，通过化学、物理以及口感等方式实现检测，但这种检测过程中需要花费大量的时间去训练质检人员，检测结果主观性强，误差偏大，同时检测的过程中还可能对肉制品本身造成破坏。
高光谱图像检测技术可以获取肉制品波长点的二维图像以及各点的光谱图像，可以实现肉制品在无破坏性、无污染、图谱合一的条件下内外部同时检测，在农畜产品中得到充分的应用。
近红外光是指介于可见光和中红外光之间的电磁波，波长范围是700～2500nm，近红外光谱区与有机分子中含氢基团(O-H、N-H、C-H)振动的合频和各级倍频的吸收区一致，通过扫描样品的近红外光谱，可以得到样品中有机分子含氢基团的特征信息，而且利用近红外光谱技术分析样品具有方便、快速、高效、准确和成本较低，不破坏样品，不消耗化学试剂，不污染环境等优点，因此该技术受到越来越多人的青睐。
发明内容
本发明提供一种高光谱与近红外光谱信息融合的数据分析方法提高数据分析精准度的设备，并利用轨道机器人采集高光谱提高效率，依靠大数据平台综合分析数据并可视化，提高整套设备运行的可靠性，以解决目前肉制品检测中存在的光谱采集效率低，数据精准度差等问题。
为实现上述发明目的，本发明的技术方案具体如下：
基于高光谱和近红外融合的肉制品品质检测设备，包括可变速旋转电机、传送带、高清成像光谱仪、近红外光谱仪、可成像光源、图像传感器、温度传感器和控制中心；高清成像光谱仪、近红外光谱仪、可成像光源、图像传感器、温度传感器位于传送带一端上方；待检测样品放置在传送带上，可变速旋转电机带动传送带旋转；图像传感器检测到有样品进入检测区域后，可成像光源开启，高清成像光谱仪、近红外光谱仪对待检测样品进行数据采集并将采集到的数据传送到控制中心进行数据分析。
进一步的，还包括六轴关节机械手臂和高压清洗喷头，六轴关节机械手臂和高压清洗喷头位于传送带另一端上方，六轴关节机械手臂上具有消毒剂喷嘴。
进一步的，传送带上方还具有轨道悬架，轨道悬架上具有轨道机器人，轨道机器人可在轨道悬架上来回滑动，高清成像光谱仪、图像传感器、温度传感器固定在轨道机器人上。
进一步的，好包括升降机构，升降机构上端位于轨道悬架上，轨道机器人固定在升降机构下端，升降机构可在轨道悬架上来回滑动，轨道机器人在升降机构的带动下来回滑动并可随升降机构的伸缩而上升或下降。
进一步的，还包括无线路由，通过无线路由与控制中心进行信号连接。
本发明还提供了基于高光谱和近红外融合的肉制品品质检测方法，包括步骤：
S1：通过轨道机器人的扫描建立肉制品的高光谱图像预测模型，数据采集前打开光谱仪充分预热，采集完高光谱图像进行光谱校正；
S2：采集完肉制品样品高光谱数据后测定挥发性盐基氮TVB-N理化值和细菌总数TVC；
S3：对样品高光谱图像感兴趣区域获取，通过二值化处理得到去除背景、阴影后的样品图像；再采用波段加法运算、去除多余亮点，得到感兴趣区域提取光谱数据，采用Q残差界限结合霍特林T2界限剔除异常光谱；对用于建立预测模型的肉制品高光谱图像样品，依据TVB-N值通过SVM算法将新鲜度分为新鲜，次新鲜，腐败三种。
进一步的，对样品进行近红外光谱扫描，近红外光谱仪的工作波段在1100～2500nm之间，通过近红光谱扫描与温度传感器测量后，采用均值中心化、多元散射校正，MSC可以有效的消除由于散射水平不同带来的光谱差异，从而增强光谱与数据之间的相关性。
进一步的，理想光谱即对所有光谱的数据进行取平均值：
对样本光谱和理想光谱进行一元线性回归处理，通过求解最小二乘法得到样本的平移量和偏移量：
减去求得的平移量后除以偏移量，得到校正后的光谱：
得到所需要的光谱后，使用Savitzky-Golay卷积平滑滤波，提高光谱的平滑性，并降低噪声的干扰，一阶导数对光谱进行基线校正和光谱分辨预处理；通过竞争性自适应重加权算法、遗传算法，GA通过模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程来探索最优光谱特征波长变量，结合连续投影算法进行二次筛选，找出对肉制品新鲜度判别起重要作用的特征波长，提高检测的准确性。
进一步的，对高光谱和近红外光谱进行信息融合处理，综合并合理应用各个传感器读取到的数据，在分析前对其进行归一化处理，将两种光谱检测技术获取的光谱数据值归一化到0-1之间，其中采用的归一化表达式如公式所示：
其中X表示未经归一化的原始数据，Xma表示数据最大化，Xmi表示数据最小化，
Xn表示经归一化处理的数据，Xn的数据值在[0,1]之间。
与现有技术相比，本发明的有益技术效果：
本发明相比于现有技术的优势是：
第一：通过轨道机器人实现肉制品检测过程中的精准、快速、低功耗的快速检测，整个操作过程简单高效，通过PC端3D模拟轨迹图实时反馈检测信息，提高设备内部容错率，通过大数据平台提供装置机器学习数据库，并可由web程序实现数据分析可视化，为后续设备开发奠定基础，提供有效可靠数据。
第二：通过优选多条高光谱提高建模的精确性，优化模型的校正集与验证集的准确性，通过近红外光谱可感知冷藏肉制品内部分子基团动态变化，提高装置分析检测速率，为后续机器的研发奠定基础。
第三：通过对高光谱和近红外光谱信息融合分析，建立特征层融合模型，能够快速区分冷藏和生鲜肉制品，建立的判别模型能够得到明显改善，信息量小、建模效率高且模型性能好，信息融合后可对多源信息进行检测、组合和评估，提高设备对肉制品新鲜度判断的准确性。
附图说明
图1是本发明的作业流程图；
图2是本发明的检测装置的结构示意图；
图3是高光谱检测流程简图；
图4是近红外光谱与高光谱融合流程图；
图中：1-机械手臂；2-高压清洗喷头；3-可变速旋转电机；4-轨道悬架；5-清成像光谱仪；6-近红外光谱仪；7-光源；8-无线路由处理器；9-升降机；10-图像传感器；11-传送带；12-轨道机器人；13-温度传感器。
具体实施方式
：
下面将结合附图和具体实施例，对本发明的技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1：
如图1所示，本发明包括1.六轴关节机械手臂、2.高压清洗喷头、3.可变速旋转电机、4.轨道悬架、5.高清成像光谱仪、6.近红外光谱仪、7.可成像光源、8.无线路由处理器、9.升降机、10.图像传感器、11.传送带、12.轨道机器人、13、温度传感器。设备操作前通过1六轴关节机械手臂对工作环境进行无菌消毒，高清摄像机5固定在轨道机器人的轨道上面，通过升降机9连接，图像传感器10检测到有样品进入装置时，可成像光源7开始工作提供所需要的光源，样品通过3可变速旋转电机控制传送带11进行传输，2是高压清洗喷头，对传送带进行清洗。通过8无线路由处理器将高光谱与近红外光谱仪6检测到的数据传送带控制中心进行数据分析。
为了把本次发明的优点更加清楚的说明白，结合具体实施例对很次发明设计进行进一步的讲述，本次实例采用猪肉胴体为实验对象，检测其新鲜度、PH值、嫩度等。
本实施例的实施过程如下所示：在设备达到无菌环境并通风完毕后，由可成像光源7提供检测光源，高清成像光谱仪挂载到轨道机器人12上面，轨道机器人在设备中的悬挂上可以自由运动，自动检测并导航自身运动轨迹，根据传送进来的样品大小等控制其他设备的运行，通过无线路由与外界控制室相连接，传输所检测内容并记录轨道机器人运行轨迹。通过中控屏显示设备场景模拟出虚拟3D轨迹小地图和实际监控内容，实时显示轨道机器人的位置，如图1所示，3是整个3D虚拟图的显示区域，1是轨道机器人运行模拟轨道，与实际轨道采用同设计不同比例缩放，2是轨道机器人在轨道中运行的实时位置，4是轨道机器人设备状态的显示，包含其运行速度、运行状态控制选项(手动和自动)、自动报警应急启动选项、整个运行轨道的范围，通过3D轨迹小地图对设备进行全局监控，鼠标或物理触碰屏幕可以根据所触位置显示该点的实际运行情况，轨道机器人可以依据自身携带的图像传感器、GPS定位系统进行全自动运行，也可由中控台对轨道机器人行走、停止等一系列人工操作，轨道机器人自身装备自动报警设备，机器出现故障及时反馈控制中心，实现零误差精准定位与采集。
进一步的，通过轨道机器人的扫描建立肉制品的高光谱图像预测模型，数据采集前提前20分钟打开光谱仪充分预热，采集完高光谱图像进行光谱校正。
进一步的，采集完肉制品样品高光谱数据后参照GB/T5009.44测定挥发性盐基氮TVB-N理化值，参照2016年GB4789.2测定细菌总数TVC。
进一步的，对样品高光谱图像感兴趣区域获取，通过二值化处理得到去除背景、阴影后的样品图像。再采用波段加法运算、去除多余亮点，得到感兴趣区域提取光谱数据，在模型预测过程中，异常光点会对检测结果的精确度产生影响，因此，采用Q残差界限结合霍特林T2界限剔除异常光谱。对用于建立预测模型的肉制品高光谱图像样品，依据TVB-N值通过SVM算法将新鲜度分为三类新鲜，次新鲜，腐败三种。通过优选8条光谱建立的最终优选模型，在采用多条光谱建模可以实现对肉新鲜度等级的快速、准确检测。
进一步的，对样品进行近红外光谱扫描，近红外光谱仪的工作波段在1100～2500nm之间，通过近红光谱扫描与温度传感器测量后，采用均值中心化(MC)、多元散射校正(MSC)，MSC可以有效的消除由于散射水平不同带来的光谱差异，从而增强光谱与数据之间的相关性。该方法通过理想光谱修正光谱数据的基线平移和偏移现象。
理想光谱即对所有光谱的数据进行取平均值：
对样本光谱和理想光谱进行一元线性回归处理，通过求解最小二乘法得到样本的平移量和偏移量：
减去求得的平移量后除以偏移量，得到校正后的光谱：
得到所需要的光谱后，使用Savitzky-Golay卷积平滑滤波(S-G)，提高光谱的平滑性，并降低噪声的干扰，一阶导数(1D)对光谱进行基线校正和光谱分辨预处理。通过以上方法对光谱进行预处理方法减少采集系统和外界试验环境影响，提高含氢基团低含量情况下的检测灵敏度；通过竞争性自适应重加权算法(CARS)、遗传算法(GA)，GA通过模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程来探索最优光谱特征波长变量，结合连续投影算法(SPA)进行二次筛选，探寻对肉制品新鲜度判别起重要作用的特征波长，提高检测的准确性。
对高光谱和近红外光谱进行信息融合处理，综合并合理应用各个传感器读取到的数据，考虑到高光谱波段和近红外光谱波段在不同的光谱范围内，在分析前对其进行归一化处理，将两种光谱检测技术获取的光谱数据值归一化到0-1之间，其中采用的归一化表达式如公式所示：
其中X表示未经归一化的原始数据，Xma表示数据最大化，Xmi表示数据最小化，
Xn表示经归一化处理的数据，Xn的数据值在[0,1]之间。
进一步的，轨道机器人将测得数据通过WIFI通信传输到控制中心，通过开源框架flume对每个数据搜集和存储，对无关数据进行剔除，在此基本数据的基础上，定制开发mapredudce程序运行hadoop集群，选择和数据相关的分析算法，对新鲜度数据进行建模，通过KNN算法和SVM算法从数据中分离有价值的数据，对建立好的数据模型进行部署应用到生产流程中，对数据进行深度挖掘，最后通过定制相关web程序对大数据进行可视化呈现。
通过大数据平台对肉类进行分析评估得出此时肉制品的品质，同时可变速传送带3调整自身转速，转速等级1对应新鲜、转速等级2对应次新鲜、转速等级3对应腐败，通过速度传感器检测对应速度，打开不同的传送通道，在整个装置的出口处进行分类传送。
以上只通过个例说明的方式描述了本发明的某些示范性实施例，在不偏离本发明的精神和范围的情况下，可以用各种不同的方式对所描述的实施例进行修正。因此，上述附图和描述在本质上是说明性的，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。
