一种基于结构光高光谱成像技术的冷鲜猪大排肉中热杀索丝菌含量的检测方法

技术领域

本发明涉及的是高光谱无损检测领域，具体涉及一种基于结构光高光谱成像技术的冷鲜猪大排肉中热杀索丝菌含量的检测方法。

背景技术

我国是肉类食品的消费大国，全球近三分之一的肉类食品皆出自我国，其中猪肉类食品占据了我国肉品领域的半壁江山。冷鲜肉也被称为冷却肉，即指将屠宰后的胴体快速冷却到0-4℃，并在以后的储运中一直在0-4℃下保存的鲜肉，具有易于消化、风味优良、营养丰富等优势，结合我国消费者的饮食习惯，无疑是最具有发展潜力的肉类食品。然而，较短的货架期一直是制约冷鲜猪肉的进一步发展的难题，并且外界微生物的污染是导致其货架期缩短的主要原因。热杀索丝菌是一种能够在0-4℃的低温缺氧条件下快速的生长的革兰氏阳性菌，是导致冷鲜猪肉腐败变质的优势腐败菌，因而通过检测冷鲜猪肉的热杀索丝菌来评价其新鲜程度具有十分重要的意义。

对于冷鲜猪肉微生物指标的检测，最常见的方法为国标规定的平板菌落计数法，能够观测菌落形态且准确有效。近年来，微生物数量的新型检测方法有菌落测试片法、定量PCR法等，即便这些方法能够有效检测细菌总数，但是需要大量的准备工作和专业的操作要求、效率较低，甚至会破坏检测的肉品，并不适合大规模在线检测，无法满足工厂自动化生产以及进出口贸易的检测需要。因而，肉类行业需要一种快速、无损的方法来检测冷鲜猪肉的微生物指标。

高光谱成像技术作为一种新兴的平台技术，同时具备了光谱技术和图像技术的优势，不仅能够检测样品理化指标，还能获取其空间分布信息，从而得到两者相结合的检测结果。已有研究表明普通高光谱成像技术在冷鲜猪肉微生物指标的无损检测方面应用较为广泛，但普通高光谱成像技术分光效率较低，难以完全利用全部入射光的能量，且使用高分辨率传感器不能有效地提高分辨率，因而预测精度会受到一定程度的影响。

结构光是一种新型的光学技术，是一种明暗交替的光照模式，照明光强呈正弦分布，将获取的结构光图像解调便可获取DC图像与AC图像，DC图像相当于均匀光光照模式获取的图像，AC图像增强了空间分辨率和对比度。以结构光作为成像光源的结构光高光谱成像系统兼具结构光技术增强分辨率的特点和高光谱技术‘图谱合一’的优势，对于冷鲜肉品微生物指标的无损检测具有极大的潜力，然而目前尚未有基于结构光高光谱成像技术检测冷鲜肉品微生物指标的研究。

申请号2018102251286，公开了本发明公开了在线快速检测鸡肉热杀索丝菌含量的方法，采集校正集鸡肉样品的高光谱图像，对获取的光谱图进行预处理再进行目标区域的识别以及光谱图平均光谱数据的提取；将提取的光谱数据代入公式即得。本发明从486个全波段内提取23个最优波长时为了剔除大量的冗余信息，提取有用的信息，以降低数据分析的计算量，从而提高偏最小二乘模型的精度，以实现肉品企业大规模的在线生产的需求。与现有技术相比，本发明具有以下有益效果：本发明不需对被测样品进行预处理，仅对样品进行非接触的光谱扫描且没有破坏性；本发明不使用任何化学试剂，即绿色又节约成本；本发明易于操作又节约时间，能实现鸡肉热杀索丝菌含量的大规模在线检测。

该方案是一种基于高光谱图像的无损检测案例，但是普通的高光谱成像技术所使用的均匀光仅能获得样品的一维空间信息，且照射在待测样品上时会产生散射等现象，使得图像对比度恶化、光大量散焦，不利用食品品质检测。而结构光高光谱成像技术使用的结构光能由表及里地深入样品组织内部，获得其二维空间信息，实现光谱图像信息的深度辨析和信号增强，从而提高检测精度。

发明内容

为了解决上述问题，本发明提供了一种基于结构光高光谱成像技术的冷鲜猪大排肉中热杀索丝菌含量的检测方法，可以快速、准确、无损检测冷鲜猪大排肉的热杀索丝菌含量，以满足冷鲜肉品微生物指标的无损检测需求。

为实现上述目的，本发明提供了以下方案：

本发明提出一种基于结构光高光谱成像技术的冷鲜猪大排肉中热杀索丝菌含量的检测方法，包括以下步骤：

步骤一，选取大小相近、厚度均匀的冷鲜猪大排肉；

步骤二，将预灭菌的冷鲜猪大排肉浸泡于热杀索丝菌悬液；

步骤三，采集0-9d冷鲜猪大排肉三个相位的结构光高光谱图像；对采集到的结构光高光谱图像进行校正，得到标准图像；

步骤四，在步骤三完成后，对冷鲜猪大排肉进行热杀索丝菌含量的测定；

步骤五，将校正后的结构光高光谱图像解调，获取AC图像和DC图像；

步骤六，提取结构光高光谱图像的全波段光谱信息，建立基于全波段光谱信息的热杀索丝菌含量预测模型；

步骤七，在步骤六的基础上，进一步筛选特征波长，优化模型，建立基于特征波长的热杀索丝菌含量预测模型；

步骤八，利用建立的预测模型对冷鲜猪大排肉中热杀索丝菌含量进行检测。

冷鲜猪大排肉的直径约为10cm、高度约为1cm。

冷鲜猪大排肉的预灭菌条件为75％的酒精擦拭，紫外灯照射15min；热杀索丝菌菌悬液浓度为10

结构光高光谱成像系统由可见-近红外高光谱成像系统和DLi CEL5500型DMD数字投影仪组合而成，DLi CEL5500型数字投影仪用于生成结构光投影模式，高光谱成像系统用于采集结构光模式下的高光谱图像；该系统的光源设置为250W，投影仪相对于垂直入射角为15°，光源和相机镜头分别距样本12.0cm和24.0cm，相机的曝光时间设置为29ms；因为DLiCEL5500型数字投影仪的最优波段范围是420-700nm，所以结构光高光谱图像所提取的波长范围为420-700nm。

使用的培养基为STAA琼脂培养基。

使用的空间频域为F40：40m

使用ENVI 5.1对冷鲜猪大排肉进行光谱反射率的提取和图像分割，最终以目标区域光谱反射率的平均值作为冷鲜猪大排肉的光谱信息。使用的建模方法有偏最小二乘(Partial least squares,PLS)和支持向量机(Support vector machine,SVM)；使用的预处理方法有标准正态变量法(Standard normal variate,SNV)、多元散射校正(Multiplicative scatter correction,MSC)、正交信号校正法(Orthogonal signalcorrection,OSC)、平滑法(Smoothing)、一阶导数法(First derivative,1st)。

特征波长筛选方法有连续投影算法(Successive projections algorithm,SPA)和竞争性自适应重加权算法(Competitive adaptive reweighted sampling,CARS)。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明将结构光高光谱成像技术应用于冷鲜猪大排肉的热杀索丝菌含量中，能够实现快速、准确、无损的热杀索丝菌含量检测，为冷鲜肉品微生物指标的无损检测提供帮助。

附图说明

图1为一种基于结构光高光谱成像技术的冷鲜猪大排肉中热杀索丝菌含量的检测方法的流程图。

图2为冷鲜猪大排肉样品的DC图像和AC图像。

图3为冷鲜猪大排肉DC反射光谱图(a)和AC反射光谱图(b)。

图4为冷鲜猪大排肉全波段最佳建模结果图。

图5为DC图像420-700nm波段的光谱信息SPA筛选结果。

图6为AC图像420-700nm波段的光谱信息SPA筛选结果。

图7为冷鲜猪大排肉SPA筛选特征波长最佳建模结果图。

图8为DC图像420-700nm波段的光谱信息CARS筛选结果。

图9为AC图像420-700nm波段的光谱信息CARS筛选结果。

图10为冷鲜猪大排肉CARS筛选特征波长最佳建模结果图。

具体实施方式

结合以下具体实例对本发明的技术方案作进一步详细的说明。

本发明的目的是提供一种基于结构光高光谱成像技术的冷鲜猪大排肉中热杀索丝菌含量的检测方法，可以快速、准确、无损检测冷鲜猪大排肉的热杀索丝菌含量，以满足冷鲜肉品微生物指标的无损检测需求。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

如图1所示，本发明提供一种基于结构光高光谱成像技术的冷鲜猪大排肉中热杀索丝菌含量的检测方法，包括以下步骤：

步骤一，选取大小相近、厚度均匀的冷鲜猪大排肉；

步骤二，将预灭菌的冷鲜猪大排肉浸泡于热杀索丝菌悬液；

步骤三，采集0-9d冷鲜猪大排肉三个相位的结构光高光谱图像；对采集到的结构光高光谱图像进行校正，得到标准图像；

步骤四，在步骤三完成后，对冷鲜猪大排肉进行热杀索丝菌含量的测定；

步骤五，将校正后的结构光高光谱图像解调，获取AC图像和DC图像；

步骤六，提取结构光高光谱图像的全波段光谱信息，建立基于全波段光谱信息的热杀索丝菌含量预测模型；

步骤七，在步骤六的基础上，进一步筛选特征波长，优化模型，建立基于特征波长的热杀索丝菌含量预测模型；

步骤八，利用建立的预测模型对冷鲜猪大排肉中热杀索丝菌含量进行检测。

其中，步骤一具体包括：

在无菌超净台中，将冷鲜猪大排肉均匀分割成直径约为10cm、高度约为1cm的圆形肉块。

其中，步骤二具体包括：

(1)将完全活化的热杀索丝菌利用浓度为0.85％的无菌生理盐水稀释，制备成热杀索丝菌悬液，调整菌悬液浓度至10

(2)用75％的酒精擦拭，在紫外灯下灭菌15min。将预灭菌的冷鲜猪大排肉样品浸泡于热杀索丝菌悬液15s，在4℃下贮藏。

其中，步骤三具体包括：

(1)结构光高光谱图像的采集：结构光高光谱成像系统由可见-近红外高光谱成像系统和DLi CEL5500型DMD数字投影仪组合而成，DLi CEL5500型数字投影仪用于生成结构光投影模式，高光谱成像系统用于采集结构光模式下的高光谱图像；该系统的光源设置为250W，投影仪相对于垂直入射角为15°，光源和相机镜头分别距样本12.0cm和24.0cm，相机的曝光时间设置为29ms；因为DLi CEL5500型数字投影仪的最优波段范围是420-700nm，所以结构光高光谱图像所提取的波长范围为420-700nm；

(2)高光谱图像的校正：在采集高光谱图像之前，为减小样品之间厚度的差异性、弱化相机暗电流效应、减小外围环境光线对高光谱图像的影响，需要进行暗校正和白校正。其中，暗校正使用的是对相机镜头反射率非常低的暗帽，白校正使用的是白色聚四氟乙烯板。然后，通过下列公式来计算校正后的反射率图像：

其中R是校正反射率图像，I

其中，步骤四具体包括：

参照GB/T 4789.2-2016《食品安全国家标准食品微生物学检验菌落总数测定》操作，即每隔相应的冷藏时间，在无菌条件下切取10g冷鲜猪大排肉样品，用灭菌后的剪刀将其分解成肉糜状态并放入加有90mL 0.85％生理盐水的无菌均质袋，将其置于振荡培养箱中振荡10min，根据1:9的比例依次稀释多个梯度的稀释肉液。选取3个适宜稀释度的样品匀液，分别取0.1mL置于冷却凝固的STAA琼脂培养基，然后使用涂布棒将菌液在培养基上涂抹均匀，每个稀释度使用一个涂布棒，涂布完成后在30±1℃下培养48h后进行细菌计数。

其中，步骤五具体包括：

使用下列两个公式分别对校正后的结构光高光谱图像解调，得到如图2所示的AC图像和DC图像：

其中，步骤六具体包括：

(1)结构光高光谱图像全波段光谱信息的提取：使用图像处理软件ENVI 5.1对冷鲜猪大排肉样品进行光谱反射率的提取和图像分割。首先打开目标样品校正后的高光谱图像，而后利用ENVI 5.1软件即可选定感兴趣区域并提取目标区域的光谱反射率，最终以目标区域光谱反射率的平均值作为冷鲜猪大排肉样品的光谱信息，提取出的光谱信息如图3所示。

(2)冷鲜猪大排肉的热杀索丝菌含量预测模型：在建模前，将所有样品分为校正集和预测集，每4个样品中选择1个进入预测集，最终校正集和预测集的比例为3:1，同时要注意校正集热杀索丝菌含量的变化范围应当覆盖预测集的变化范围。使用的建模方法有偏最小二乘(Partial least squares,PLS)和支持向量机(Support vector machine,SVM)。使用的预处理方法有标准正态变量法(Standard normal variate,SNV)、多元散射校正(Multiplicative scatter correction,MSC)、正交信号校正法(Orthogonal signalcorrection,OSC)、平滑法(Smoothing)、一阶导数法(First derivative,1st)。结果显示在420-700nm波段范围内，DC分量的SNV-SVM模型和AC分量的1st-PLS模型具有更好的性能，它们各自的预测集决定系数(Determination coefficient ofprediction,R

其中，步骤七具体包括：

(1)基于SPA算法提取特征波长：采用SPA筛选冷鲜猪大排肉样品DC分量420-700nm波段的特征波长，图5为其在利用SPA筛选过程中，均方根误差随特征变量个数的增加而产生的变化以及特征变量的分布。均方根误差的值越小，说明模型的精度越高，由图5(a)可知，特征波长数大于12时，均方根误差的值逐渐趋于平稳，故选取12个特征波长作为输出结果。具体特征变量的分布如图5(b)所示，最终筛选的12个特征波长分别为422、423、461、465、480、498、507、543、557、576、632、692nm。图6为冷鲜猪大排肉样品在利用SPA筛选AC分量420-700nm波段特征波长过程中，均方根误差随特征变量个数的增加而产生的变化以及特征变量的分布。由图6(a)可知，特征波长数大于10时，均方根误差的值逐渐趋于平稳，故同样选取10个特征波长作为输出结果。具体特征变量的分布如图6(b)所示，最终筛选的10个特征波长分别为423、426、428、431、434、439、447、577、642、668nm。最佳建模结果如图7所示。

(2)基于CARS算法提取特征波长：采用CARS筛选冷鲜猪大排肉样品DC分量420-700nm波段的特征波长，图8中的(a)、(b)、(c)依次表示抽样变异数、交叉验证均方根误差以及回归系数路径随采样运行次数的增加而发生的变化。如图8(a)所示，随着采样运行次数的不断增加，抽样变异数表现出不断递减的趋势。图8(b)表明交叉验证均方根误差随着采样运行次数的增加表现出先缓慢减小后快速增大的趋势，说明在整个采样过程中，去除所有无关变量后开始去除有效变量，当交叉验证均方根误差达到最小值时，即为无关变量被全部去除的最佳位置。由图8(c)可知，当采样运行次数达到25时，所保留的21个变量即为筛选的特征波长，分别为428、435、450、454、456、460、473、490、500、511、512、521、532、539、542、543、559、560、606、634、692nm。图9中的(a)、(b)、(c)分别为冷鲜猪大排肉样品在利用CARS筛选AC分量420-700nm波段的特征波长过程中，抽样变异数、交叉验证均方根误差以及回归系数路径随采样运行次数增加而发生的变化。同样的，图9(a)表明随着采样运行次数的不断增加，抽样变异数表现出不断递减的趋势，同时图9(b)根据交叉验证均方根误差的最小值判断出无关变量被全部去除的最佳点。由图9(c)可知，当采样运行次数达到29时，所保留的14个变量为筛选的特征波长，分别为420、431、449、450、454、457、483、523、525、576、577、581、627、675nm。最佳建模结果如图10所示。

(3)采用SPA筛选两种分量的特征波长，各自筛选出12和10个特征波长，其中DC分量的SPA-SNV-SVM模型和AC分量的SPA-SNV-PLS模型对于热杀索丝菌含量具有更好的预测性能，它们各自的R

本发明是一种基于结构光高光谱成像技术的冷鲜猪大排肉中热杀索丝菌含量的检测方法。传统的微生物指标检测方法需要大量的准备工作和专业的操作、效率较低，甚至会破坏检测的肉品，无法满足工厂自动化生产以及进出口贸易的检测需要。普通高光谱成像技术在冷鲜猪肉微生物指标的无损检测方面应用较为广泛，但该技术分光效率较低，难以完全利用全部入射光的能量，且分辨率提升效率低，使预测精度受到一定程度的影响。相比之下，结构光高光谱成像系统兼具结构光技术增强分辨率的特点和高光谱技术‘图谱合一’的优势，对于冷鲜肉品微生物指标的无损检测具有极大的潜力，然而目前尚未有基于结构光高光谱成像技术检测冷鲜肉品微生物指标的研究。因此，本发明将结构光高光谱成像技术应用于冷鲜猪大排肉热杀索丝菌含量的检测，从而为冷鲜肉品微生物指标的无损检测提供技术参考。

以上实施例仅用以说明本发明的技术方案，而非对其进行限制；尽管参照前述实施例对本发明进行了详细的说明，对于本领域的普通技术人员来说，依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明所要求保护的技术方案的精神和范围。