技术领域
本发明属于肉类品质无损检测技术领域,具体涉及一种将热像图与深度学习相结合进而利用优化后的卷积神经网络判别模型进行羊肉掺假识别的方法。
背景技术
羊肉营养丰富,风味独特,是一种广受人们喜爱的肉类。近年来,世界各地的羊肉产量和消费量也在逐步增加。但与此同时,高额的利润也导致了羊肉供应链中掺假问题的发生。掺假羊肉是指羊肉中掺有其他价值较低的肉类,掺假羊肉不仅严重侵害了消费者的经济利益、破坏市场秩序,也会引起消费者健康问题和食品安全问题。目前,中国专利已公开的项目中掺假羊肉检测技术主要包括三个种类:DNA技术、光谱技术、电子舌技术,该三种检测技术存在样品前处理复杂,仪器昂贵,需要专业操作人员、难以推广应用等缺点。由于不同肉类在加热过程中表面温度分布存在差异的原理,本发明尝试将热成像技术与卷积神经网络相结合用于掺假羊肉的定性判别,另外卷积神经网络作为一种深度学习算法,相比现有传统分析方法,卷积神经网络可以自动提取图像特征,具有准确度高、鲁棒性强等特点,是一种有效的图像统计及分析方法,同时,将热成像技术与深度学习相结合用于羊肉掺假识别的相关方法还未见诸报道。
发明内容
本发明目的在于提供一种基于温度分布差异的羊肉掺假定性判别方法,基于不同肉类持续加热过程中表面温度分布差异的原理,通过采集连续加热过程中不同样品的红外热像视频,并将卷积神经网络用于掺假羊肉热像图的判别分析,旨在解决现有羊肉掺假检测技术操作复杂、仪器昂贵以及传统识别模型预处理复杂、准确率较低等问题。
本发明采用的技术方案如下:
一种基于温度分布差异的羊肉掺假定性判别方法,其特征在于:先建立羊肉掺假定性判别模型,再利用该模型对掺入不同肉类的掺假羊肉进行识别;
所述建立羊肉掺假定性判别模型的具体步骤如下:
步骤一:样品制备,选取羊肉和其他种类常见掺假肉并去除脂肪、筋膜和表皮,按照不同掺假比称取相应重量的羊肉和掺假肉,混合后用绞肉机制成颗粒度均匀的掺假羊肉肉糜,并制备纯羊肉糜和其他肉类的纯肉糜,然后将其放入表面平整的样品皿中制成密度均匀的建模样品;
步骤二、将放入建模样品的样品皿置入加热单元进行加热,通过红外热像采集系统采集样品在持续加热过程中的温度演化视频;
步骤三、选定最能反映样品表面温度分布差异的热像视频,并从中提取样品表面温度分布差异较大的热像图,经优选每个样品共提取200~300张具有代表性的热像图;
步骤四、采用阈值分割法去除样品图像背景,并提取样品图像的形心,然后以此为中心选取一个感兴趣区域;
步骤五:将样品感兴趣区域下热像图数据划分为建模集和检验集;
步骤六:利用训练集样品数据集对模型进行训练,训练过程中,分别建立不同网络构架、学习率和Mini-batch下的卷积神经网络判别模型,并使用样品验证集数据进行验证,通过对比模型的准确率、敏感性和特异性等评价指标进行参数优选,然后基于优选参数建立最佳卷积神经网络判别模型,若其模型效果满足要求则代表模型可行;否则,通过扩充样品集和优化模型并重复步骤一至六,直至满足要求;
所述的利用判别模型进行掺假羊肉定性识别的具体步骤如下:
步骤A、样品制备,首先,去除待测肉样的脂肪、筋膜和表皮,用绞肉机将其制成颗粒度均匀的肉糜,然后放入表面平整的样品皿中制成密度均匀的待测样品;
步骤B、将放有待测样品的样品皿置入加热单元进行加热,通过红外热像采集系统采集样品在持续加热过程中的温度演化视频;
步骤C、选定最能反映样品表面温度分布差异的热像视频,并从中提取样品的热像图,每个样品提取单张或多张具有代表性的热像图;
步骤D、采用阈值分割法去除样品图像背景,并提取样品图像的形心,然后以此为中心选取一个感兴趣区域;
步骤E、将感兴趣区域下样品的一张或多张热像图数据输入已建立并经过优选的判别模型,通过对单张热像图进行直接判别或多张热像图进行综合判别确定样品类别。
上述步骤一和步骤A中,样品制备时,选取的掺假肉为猪肉和鸭肉,掺假配比为能够覆盖常见掺假比的比例范围,为了制成颗粒度均匀的肉糜将样品放入绞肉机搅拌30
上述步骤二和步骤B中,加热方式优选加热温度较为稳定的恒温水浴加热;红外辐射探测镜头的光谱范围为7.5~14
上述步骤三和步骤C中,从热像视频中提取温度分布差异较为明显的样品热像图时,有四种可选提取方法,分别为:等时间间隔、等温度间隔、某一温度范围等时间间隔和某一时间段等温度间隔,本发明优选第三种方法,样品表面温度分布差异较大阶段为样品平均温度处于20
上述步骤六和步骤E中,所建立优选的判别模型为卷积神经网络(CNN),其构架包括1个输入层、3个卷积层、3个池化层和1个全连接层;输入层的数据归一化方法包括极值法、正则化和标准化,本发明优选标准化方法进行输入层数据归一化;模型卷积核的尺寸设置为5*5,卷积步长为1,填充尺寸为0;激活函数为ReLU;池化层的池化函数包括均值池化(Mean-Pooling)和最大值池化(Max-Pooling),本发明优选均值池化(Mean-Pooling),池化窗的尺寸设置为2*2,池化步长为2,填充尺寸为0;最优卷积神经网络(CNN)判别模型为学习率和Mini-batch分别设置为0.001和128时的模型。
上述步骤二和步骤B中,所应用的检测系统包括恒温加热单元、热像视频采集单元、暗箱和数据显示、分析单元;所述的恒温加热单元为温度可调的恒温水浴加热,位于暗箱内部,用于给样品提供稳定的热源;所述的热像视频采集单元包括红外辐射探测镜头、支架和通讯模块,通讯模块采用网络通讯,用于将采集的热像视频实时地传输至PC端;所述暗箱由铝型材支架以及覆盖黑色密织厚布组成,为封闭式不透光箱体,防止外界光线干扰;所述数据显示和分析单元包括PC机和软件界面,其中软件界面可以实现热像视频的实时显示、保存以及判别分析等功能。
本发明与现有技术相比优势在于:
第一、本发明判别方法具有操作简便、经济实惠、易于推广等优点。
第二、本发明判别方法可以自动提取图像特征,具有准确度高、鲁棒性强等优点,能够有效地对热像图进行统计及分析。
第三、本发明为羊肉掺假以及其他肉类掺假的识别提供了技术支持和参考,同时也为热成像技术在食品检测领域提供了新的思路和方法。
附图说明
图1为本发明实施例1和实施例2涉及的羊肉掺假检测系统示意图
图2为本发明实施例2涉及的热像图感兴趣区域提取过程图
图3为本发明实施例2涉及的纯羊肉、纯猪肉、纯鸭肉、掺入鸭肉的掺假羊肉和掺入猪肉的掺假羊肉和样品感兴趣区域在不同温度下的热像图
图4为本发明实施例2涉及的卷积神经网络定性判别模型架构图
图5为本发明实施例2涉及的不同学习率下的卷积神经网络模型训练过程图
图6为本发明实施例2涉及的不同Mini-batch下的卷积神经网络模型训练过程图
附图中各标记说明如下:1:暗箱;2:支架;3:红外辐射探测镜头;4:网络通讯线;5:计算机;6:载物台;7:恒温水浴装置。
具体实施方式
为了使本发明目的、优点更加清楚明了,下面结合具体实施例对本发明内容做进一步阐述。
实施例1:一种基于温度分布差异的羊肉掺假定性判别方法的检测系统结构及其使用
a部分:一种基于温度分布差异的羊肉掺假定性判别方法的检测系统结构
羊肉掺假检测系统包括恒温加热单元、热像视频采集单元、暗箱和数据显示和分析单元;所述的恒温加热单元为一台温度可调的恒温水浴锅,位于暗箱内部,用于给样品提供稳定的加热环境;所述的热像视频采集单元包括红外辐射探测镜头、支架和通讯模块,通讯模块采用网络通讯,用于将采集的热像视频实时地传输至PC端;所述暗箱由铝型材支架以及覆盖黑色密织厚布组成,为封闭式不透光箱体,防止外界光线干扰;所述数据显示和分析单元包括PC机和软件界面,其中软件界面可以实现热像视频的实时显示、保存以及分析判别等功能。
b部分:一种基于温度分布差异的羊肉掺假定性判别方法的检测系统使用方法
b1、首先向预先准备好的恒温水浴锅注满水,放入暗箱中,然后打开恒温加热水浴锅,并将其加热温度设置为70
b2、通过螺栓将红外辐射探测镜头固定在支架顶部的连接件上,并将镜头调节至与地面垂直。
b3、将支架连同红外探测镜头一同放入暗箱,并移动支架,使镜头垂直悬空于水浴锅上的样品检测区。
b4、打开计算机,将热像视频在线采集软件打开,连接红外辐射探测镜头与计算机,通过软件界面识别镜头与计算机是否连接成功。
b5、通过调节支架高度使红外辐射探测镜头与样品培养皿上表面的高度为50
b6、待恒温水浴锅的温度达到70
b7、取下镜头盖,微调镜头,使样品能够清晰完整的显示在软件界面的实时采集窗口。
b8、点击开始采集按钮,软件界面能够实时显示采集的热像视频,并进行保存。
实施例2:一种基于温度分布差异的羊肉掺假定性判别方法的羊肉掺假判别方法
c部分:建立判别掺假羊肉的卷积神经网络混合模型
c1、样品制备
实验材料以羊肉、猪肉和鸭肉为对象,去除其脂肪、筋膜和表皮,按照掺假羊肉样品的常见掺假配比(10%、20%、30%、40%、50%),使用电子秤称取相应质量的羊肉、猪肉和鸭肉,混合后放入绞肉机搅拌30
c2、样品的热像视频采集
检测系统由恒温加热水浴锅、支架、红外辐射探测镜头、暗箱、计算机和数据显示和分析软件等组成。
热像视频采集前提前将恒温水浴锅打开,并将其温度设置为70
将样品放置在恒温水浴锅上的样品检测区,通过红外辐射探测镜头采集连续加热10
c3、样品热像图感兴趣区域的获取
本发明中,样品数据为时长为10
c4、样本数据划分
样品集共130个样品,包含了32500张热像图。首先将样品划分为五类标签:纯羊肉样品、纯猪肉样品、纯鸭肉样品、掺入猪肉的掺假羊肉样品和掺入鸭肉的掺假羊肉样品。然后将样品数据集按照7:3划分为建模集和检验集,再将建模集按照4:1划分为训练集和验证集。
c5、模型参数优化及最终判别模型确定
实验基于Softmax建立卷积神经网络定性判别模型,优选确定模型的架构如图4所示,并对学习率和Mini-batch进行参数优化。首先对模型的学习率进行优化,不同学习率下卷积神经网络判别模型准确率如表1所示,优化学习率的模型训练过程如图5所示;然后对模型的Mini-batch进行优化,不同Mini-batch下卷积神经网络判别模型准确率如表2所示,优化Mini-batch的模型训练过程如图6所示。
表1 不同学习率的模型判别结果
表2 不同Mini-batch的模型判别结果
根据优化结果可知,在将模型学习率和Mini-batch分别设置为0.001、128时,模型的训练集和验证集都取得了较高的准确率,因此,最优卷积神经网络判别模型为学习率和Mini-batch设置为0.001、128时的判别模型。
d部分、利用定性判别模型进行羊肉中不同掺假肉类检测
利用优化后建立的卷积神经网络判别模型对掺假羊肉中掺假肉类的检测过程按照步骤A-E的顺序进行,获取检验集样品的热像图并提取其感兴趣区域,将获取的感兴趣区域热像图输入优化后的卷积神经网络判别模型获得不同掺假羊肉的分类结果。通过比较实际掺假类别与预测类别的准确率、灵敏性和特异性,对模型的判别效果进行评价。热像视频采集,热像图的选取以及感兴趣区域的提取参照本实施例c2和c3操作过程进行。
检验集共39个样品,包含9750张热像图用于模型检测。利用优化后的卷积神经网络判别模型对不同掺假羊肉和纯肉进行分类判别,并输出判别结果,模型判别准确率99.28%,其敏感性和特异性如表3所示。
表3 利用卷积神经网络模型的不同掺假羊肉分类结果
本发明通过两个实施例,分别从检测系统的结构和使用方法,卷积神经网络判别模型建立、参数优化和模型判别效果的测试等角度阐述了一种基于温度分布差异的羊肉掺假定性判别方法的操作流程,从应用模型进行检测的结果可以看出,本发明通过充分利用不同肉类在加热过程中表面温度差异的原理,并优化和建立卷积神经网络判别模型,实现了掺假羊肉中不同掺假肉类的分类判别,为羊肉掺假以及其他肉类掺假的识别提供了技术支持和参考。
基于热成像技术对其他肉类掺假和品质指标的检测,可参考本发明所提出的检测方法和检测流程进行操作。
以上实施方式仅用于说明本发明,并不用以限制本发明,凡是本发明的精神和原则之内,在本发明技术实质基础上所做的任何修改、等同替换、改进,均应包含在本发明的范围之内,本发明的专利保护范围由权利要求限定。
机译: 基于二维凝胶电泳中基于热稳定性变化的荧光差异的靶蛋白识别方法
机译: 基于直流电源系统仿真的稳定性判别方法及装置
机译: 用于压缩和解压缩彩色数字视频数据的视频电信系统和方法技术领域本发明涉及一种用于压缩电信系统视频中数字彩色视频数据的方法,该方法具有用于生成视频信号的装置,该装置是用于生成视频信号的装置。将视频信号转换为多个彩色视频帧速率,每个帧图像由多个扫描线组成,扫描线由多个像素组成,图像中的每个像素由彩色数字分量组成(该方法包括确定功能的步骤);基于彩色数字(b)的三个分量中的至少一个的亮度像素,基于两个像素之间的亮度差异,针对当前图像表的扫描线中的至少大部分像素,确定至少一个参数决策。与每条扫描线中至少一个像素相距预定距离的像素,以及至少(c)比较决策参数与