CN106383095B - 一种冷却羊肉表面细菌总数检测装置及方法 - Google Patents
一种冷却羊肉表面细菌总数检测装置及方法 Download PDFInfo
- Publication number
- CN106383095B CN106383095B CN201610957154.9A CN201610957154A CN106383095B CN 106383095 B CN106383095 B CN 106383095B CN 201610957154 A CN201610957154 A CN 201610957154A CN 106383095 B CN106383095 B CN 106383095B
- Authority
- CN
- China
- Prior art keywords
- mutton
- module
- hyperspectral
- detection
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 241000894006 Bacteria Species 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000001514 detection method Methods 0.000 claims abstract description 65
- 238000000701 chemical imaging Methods 0.000 claims abstract description 39
- 238000006073 displacement reaction Methods 0.000 claims abstract description 17
- 229910052736 halogen Inorganic materials 0.000 claims abstract description 10
- 229910052721 tungsten Inorganic materials 0.000 claims abstract description 10
- 239000010937 tungsten Substances 0.000 claims abstract description 10
- -1 tungsten halogen Chemical class 0.000 claims abstract description 8
- 239000013307 optical fiber Substances 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 33
- 238000007781 pre-processing Methods 0.000 claims description 26
- 238000004458 analytical method Methods 0.000 claims description 20
- 230000003595 spectral effect Effects 0.000 claims description 14
- 238000013145 classification model Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 9
- 239000002245 particle Substances 0.000 claims description 9
- 230000008676 import Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 230000001580 bacterial effect Effects 0.000 claims description 6
- 238000001816 cooling Methods 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 241000254158 Lampyridae Species 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 4
- 230000002068 genetic effect Effects 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000000739 chaotic effect Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 150000002367 halogens Chemical class 0.000 claims 2
- 238000000513 principal component analysis Methods 0.000 claims 2
- WFKWXMTUELFFGS-UHFFFAOYSA-N tungsten Chemical compound [W] WFKWXMTUELFFGS-UHFFFAOYSA-N 0.000 claims 2
- 230000001066 destructive effect Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 3
- 235000013372 meat Nutrition 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 238000012847 principal component analysis method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 241000287828 Gallus gallus Species 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 235000021120 animal protein Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 235000004213 low-fat Nutrition 0.000 description 1
- 235000013622 meat product Nutrition 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 239000002366 mineral element Substances 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 235000015277 pork Nutrition 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 238000003307 slaughter Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Biochemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
- Apparatus Associated With Microorganisms And Enzymes (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种冷却羊肉表面细菌总数检测装置及方法，该装置包括光源、高光谱成像系统和控制计算机，所述光源和高光谱成像系统之间通过光纤连接，所述高光谱成像系统包括：高光谱成像光谱仪、CCD相机、镜头、卤钨灯、电控位移平台，所述电控位移平台上放置样本，所述镜头位于电控位移平台上方，所述高光谱成像光谱仪与镜头连接，所述CCD相机位于高光谱成像光谱仪上方，所述CCD相机和控制计算机连接。本发明具有检测方便、快速、无损的特点，适合推广应用。
Description
技术领域
本发明属于食品检测技术领域，涉及一种冷却羊肉表面细菌总数检测装置及方法，具体地说，涉及一种基于高光谱和极限学习机的冷却羊肉表面细菌总数检测装置及方法。
背景技术
羊肉的脂肪含量低，蛋白质含量高，相对于猪肉、鸡肉等肉类，其所含的各种矿物质元素如钙、磷、铁等矿物质显著提高，是绿色的动物蛋白质的理想来源。随着人们生活水平的逐步提高，人们对健康和安全等问题愈加重视，冷却肉的需求量日益增长，代表了未来肉类产品的主流方向。然而，在羊肉屠宰期间以及运输过程中的污染，不可避免的导致冷却羊肉表面细菌的大量繁殖。细菌的数量是影响食品安全的最主要的因素，在对肉类的质量安全调控越来越严格的大环境下，快速、无损的检测技术必将具有十分重要的现实意义。现有技术中急需一种冷却羊肉表面细菌总数检测装置及方法。
发明内容
本发明的目的在于克服已有传统技术存在的缺陷，提供一种冷却羊肉表面细菌总数检测装置及方法，具有检测方便、快速、无损的特点，适合推广应用。
其具体技术方案为：
一种冷却羊肉表面细菌总数检测装置，包括光源1、高光谱成像系统2和控制计算机3，所述光源1和高光谱成像系统2之间通过光纤4连接，所述高光谱成像系统2包括：高光谱成像光谱仪5、CCD相机6、镜头7、卤钨灯8、电控位移平台9，所述电控位移平台9上放置样本10，所述镜头7位于电控位移平台9上方，所述高光谱成像光谱仪5与镜头7连接，所述CCD相机6位于高光谱成像光谱仪5上方，所述CCD相机6和控制计算机3连接。
进一步，所述高光谱成像系统为400-1100nm可见近红外高光谱成像系统。
进一步，所述高光谱成像光谱仪5的光谱分辨率为2-3nm。
进一步，所述CCD相机6的像素尺寸为8.0um。
进一步，所述光源1为线光源，90-254VAC,47-63Hz。
进一步，所述卤钨灯8为250W。
进一步，所述卤钨灯和电控位移平台9之间的角度为45。。
待测样本10在电控位移平台9带动下相对于CCD相机6做平行、上下移动，通过线扫描方式得到光谱图像。工作过程：光源1发出的可见近红外光经过样品10反射，通过高光谱成像光谱仪5的镜头7聚焦形成光谱，这些光谱信号可以通过CCD相机6探测到，控制计算机3把CCD相机6探测到的高光谱信号存储，并通过ENVI软件获取相关数据以txt文件保存下来，最终整理成光谱数据。
一种冷却羊肉表面细菌总数检测方法，包括以下步骤：
步骤1:高光谱数据采集及细菌总数标准值的测定
通过波长范围为400～1100nm的高光谱成像系统，采集冷却羊肉样本的高光谱图像信息，运用ENVI4.8软件提取图像的原始高光谱数据，共125个波段的光谱值；
步骤2:原始高光谱数据预处理及数据降维
分别采用高光谱预处理方法对原始高光谱数据进行光谱校正和去噪，建立全波段BP神经网络模型，采用主成分分析法PCA对数据进行降维；
步骤3:根据高光谱数据和测定的样本细菌总数理化值，建立冷却羊肉表面细菌总数预测模型，包括：
①采用一种新的神经网络算法——极限学习机ELM以及基于核函数的极限学习机KELM建立预测模型。
②对核极限学习机进行优化，分别利用粒子群算法PSO和遗传算法GA优化核极限学习机建立预测模型。
以训练样本和预测样本的相关系数R和均方根误差RMSE为评价指标，对各模型的性能进行对比和评价，选出性能最优的模型。
步骤4：以细菌总数为评价指标，建立冷却羊肉新鲜度分类模型，实现“新鲜”、“次新鲜”、“腐败”三种程度的分类。包括：
①分别采用粒子群优化支持向量机PSO-SVM和极限学习机ELM建立新鲜度分类模型。
②采用混沌粒子群优化支持向量机CPSO-SVM，萤火虫算法FA优化极限学习机FA-ELM建立分类模型。
以分类准确率为评价指标，对各模型的性能进行对比和评价，选出分类准确率最高的模型。
步骤5：完成“冷鲜羊肉表面细菌总数检测平台”的设计，该检测平台可实现对冷却羊肉表面细菌总数和新鲜度品质的快速、无损检测和分析。
进一步，步骤5中所述检测平台包括一个主界面和一个子界面，主界面是用户要访问检测平台首先打开的界面，相当于向导，要包括标题、登录框、帮助、退出、作者几部分，用户通过主界面的相关信息和按钮能够清楚地了解检测平台的作用，基本功能解释以及设计者的基本信息。
子界面是整个平台的核心界面，主要的操作和相关数据分析功能都在该界面上体现，所有检测功能也集中在该子界面上，该界面主要包括了4个模块，分别是细菌总数(TVC)检测模块，新鲜度识别模块，高光谱预处理模块和检测结果分析模块；
①TVC检测模块
TVC检测模块主要实现了对冷却羊肉样本表面细菌总数预测的建模工作，若要实现对未知样本进行TVC检测的功能，首先通过该模块进行网络训练，再通过结果分析模块对未知样本进行分析。
②新鲜度识别模块
该模块的功能和TVC检测模块相同，是对冷却羊肉新鲜度分类进行建模。
③高光谱预处理模块
预处理模块的功能是对未知样本的高光谱数据进行预处理，通过选择不同的预处理算法，平台中的坐标图将显示不同方法进行预处理后的仿真图。
④检测结果分析模块
该模块为子界面中最重要的一个模块，其功能是对未知样本的TVC和新鲜度进行检测和分析，当TVC检测模块和新鲜度识别模块网络学习完成，即可执行该模块的功能。点击“数据导入”，通过选择路径来导入未知样本高光谱数据，坐标图中显示出各样本的分析结果，横坐标表示样本序列号，纵坐标表示样本的TVC检测值，不同的形状和颜色代表了样本不同的新鲜程度。
与现有技术相比，本发明的有益效果为：
本发明采用高光谱技术结合数学建模的方法，通过高光谱成像系统采集波长范围为400～1100nm的冷却羊肉样本高光谱信息，并采用基于极限学习机ELM及其改进算法建立冷却羊肉表面细菌总数预测模型，分别实现了基本的极限学习机ELM、核极限学习机KELM以及遗传算法优化核极限学习机GA-KELM三种建模方法。通过实验验证，三种模建模方法中，GA-KELM模型预测效果最佳，其训练集样本和预测样本的相关系数分别为Rc＝0.9837，Rp＝0.9306，均方根误差为RMSEc＝0.0016，RMSEp＝0.0016，该方法可以高效地检测冷却羊肉表面细菌总数。另外，利用萤火虫算法FA优化极限学习机FA-ELM建立冷却羊肉新鲜度分类模型。最后利用该方法设计实现了一款冷却羊肉表面细菌总数检测平台，包括TVC检测、新鲜度识别、高光谱数据预处理、检测结果分析等功能模块。该方法和软件实现了冷却羊肉表面细菌总数和新鲜度品质的快速、无损及智能化检测分析。
附图说明
图1为本发明冷却羊肉表面细菌总数检测装置的结构示意图；
图2为冷却羊肉表面细菌总数检测方法流程图；
图3为检测平台的主界面结构图；
图4为检测平台的子界面结构图。
具体实施方式
下面结合附图和具体实施例对本发明的技术方案作进一步详细地说明。
如图1所示，包括光源1、高光谱成像系统2和控制计算机3，所述光源1和高光谱成像系统2之间通过光纤4连接，所述高光谱成像系统2包括：高光谱成像光谱仪5、CCD相机6、镜头7、卤钨灯8、电控位移平台9，所述电控位移平台9上放置样本10，所述镜头7位于电控位移平台9上方，所述高光谱成像光谱仪5与镜头7连接，所述CCD相机6位于高光谱成像光谱仪5上方，所述CCD相机6和控制计算机3连接。
进一步，所述高光谱成像系统为400-1100nm可见近红外高光谱成像系统。
进一步，所述高光谱成像光谱仪5的光谱分辨率为2-3nm。
进一步，所述CCD相机6的像素尺寸为8.0um。
进一步，所述光源1为线光源，90-254VAC,47-63Hz。
进一步，所述卤钨灯8为250W。
进一步，所述卤钨灯和电控位移平台9之间的角度为45。。
待测样本10在电控位移平台9带动下相对于CCD相机6做平行、上下移动，通过线扫描方式得到光谱图像。工作过程：光源1发出的可见近红外光经过样品10反射，通过高光谱成像光谱仪5的镜头7聚焦形成光谱，这些光谱信号可以通过CCD相机6探测到，控制计算机3把CCD相机6探测到的高光谱信号存储，并通过ENVI软件获取相关数据以txt文件保存下来，最终整理成光谱数据。
如图2所示，一种冷却羊肉表面细菌总数检测方法，包括以下步骤：
步骤1:高光谱数据采集及细菌总数标准值的测定
通过波长范围为400～1100nm的高光谱成像系统，采集冷却羊肉样本的高光谱图像信息，运用ENVI4.8软件提取图像的原始高光谱数据，共125个波段的光谱值；
步骤2:原始高光谱数据预处理及数据降维
分别采用高光谱预处理方法对原始高光谱数据进行光谱校正和去噪，建立全波段BP神经网络模型，采用主成分分析法PCA对数据进行降维；
步骤3:根据高光谱数据和测定的样本细菌总数理化值，建立冷却羊肉表面细菌总数预测模型，包括：
①采用一种新的神经网络算法——极限学习机ELM以及基于核函数的极限学习机(KELM)建立预测模型。
②对核极限学习机进行优化，分别利用粒子群算法PSO和遗传算法GA优化核极限学习机建立预测模型。
以训练样本和预测样本的相关系数R和均方根误差RMSE为评价指标，对各模型的性能进行对比和评价，选出性能最优的模型。
步骤4：以细菌总数为评价指标，建立冷却羊肉新鲜度分类模型，实现“新鲜”、“次新鲜”、“腐败”三种程度的分类。包括：
①分别采用粒子群优化支持向量机PSO-SVM和极限学习机ELM建立新鲜度分类模型。
②采用混沌粒子群优化支持向量机CPSO-SVM，萤火虫算法FA优化极限学习机FA-ELM建立分类模型。
以分类准确率为评价指标，对各模型的性能进行对比和评价，选出分类准确率最高的模型。
步骤5：完成“冷鲜羊肉表面细菌总数检测平台”的设计，该检测平台可实现对冷却羊肉表面细菌总数和新鲜度品质的快速、无损检测和分析。
进一步，步骤5中所述检测平台包括一个主界面和一个子界面，主界面是用户要访问检测平台首先打开的界面，相当于向导，要包括标题、登录框、帮助、退出、作者几部分，用户通过主界面的相关信息和按钮能够清楚地了解检测平台的作用，基本功能解释以及设计者的基本信息。
子界面是整个平台的核心界面，主要的操作和相关数据分析功能都在该界面上体现，所有检测功能也集中在该子界面上，该界面主要包括了4个模块，分别是细菌总数(TVC)检测模块，新鲜度识别模块，高光谱预处理模块和检测结果分析模块；
①TVC检测模块
TVC检测模块主要实现了对冷却羊肉样本表面细菌总数预测的建模工作，若要实现对未知样本进行TVC检测的功能，首先通过该模块进行网络训练，再通过结果分析模块对未知样本进行分析。
②新鲜度识别模块
该模块的功能和TVC检测模块相同，是对冷却羊肉新鲜度分类进行建模。
③高光谱预处理模块
预处理模块的功能是对未知样本的高光谱数据进行预处理，通过选择不同的预处理算法，平台中的坐标图将显示不同方法进行预处理后的仿真图。
④检测结果分析模块
该模块为子界面中最重要的一个模块，其功能是对未知样本的TVC和新鲜度进行检测和分析，当TVC检测模块和新鲜度识别模块网络学习完成，即可执行该模块的功能。点击“数据导入”，通过选择路径来导入未知样本高光谱数据，坐标图中显示出各样本的分析结果，横坐标表示样本序列号，纵坐标表示样本的TVC检测值，不同的形状和颜色代表了样本不同的新鲜程度。
如图3、4所示，本检测平台包括一个主界面和一个子界面，主界面是用户要访问检测平台首先打开的界面，相当于向导，如图3所示，主要包括标题、登录框、帮助、退出、作者几部分，用户通过主界面的相关信息和按钮能够清楚地了解检测平台的作用，基本功能解释以及设计者的基本信息。
子界面是整个平台的核心界面，主要的操作和相关数据分析功能都在该界面上体现，该界面主要包括了4个模块，分别是TVC检测模块，新鲜度识别模块，高光谱预处理模块和检测结果分析模块，如图4所示。
①TVC检测模块
TVC检测模块主要实现了对冷却羊肉样本表面细菌总数预测的建模工作。
②新鲜度识别模块
该模块的功能和TVC检测模块相同，是对冷却羊肉新鲜度分类进行建模。
③高光谱预处理模块
预处理模块的功能是对未知样本的高光谱数据进行预处理，通过选择不同的预处理算法，平台中的坐标图将显示不同方法进行预处理后的仿真结果。
④检测结果分析模块
该模块功能是对未知样本的TVC和新鲜度进行检测和分析，当TVC检测模块和新鲜度识别模块网络学习完成，即可执行该模块的功能。点击“数据导入”，通过选择路径来导入未知样本高光谱数据，坐标图中显示出各样本的分析结果，横坐标表示样本序列号，纵坐标表示样本的TVC检测值，不同的形状和颜色代表了样本不同的新鲜程度。
以上所述，仅为本发明较佳的具体实施方式，本发明的保护范围不限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可显而易见地得到的技术方案的简单变化或等效替换均落入本发明的保护范围内。
Claims (9)
1.一种冷却羊肉表面细菌总数检测方法，其特征在于，包括以下步骤：
步骤1:高光谱数据采集及细菌总数标准值的测定
通过波长范围为400～1100nm的高光谱成像系统，采集冷却羊肉样本的高光谱图像信息，运用ENVI4.8软件提取图像的原始高光谱数据，共125个波段的光谱值；
步骤2:原始高光谱数据预处理及数据降维
分别采用高光谱预处理方法对原始高光谱数据进行光谱校正和去噪，建立全波段BP神经网络模型，采用主成分分析法PCA对数据进行降维；
步骤3:根据高光谱数据和测定的样本细菌总数理化值，建立冷却羊肉表面细菌总数预测模型，包括：
①采用一种新的神经网络算法——极限学习机ELM以及基于核函数的极限学习机(KELM)建立预测模型；
②对核极限学习机进行优化，分别利用粒子群算法PSO和遗传算法GA优化核极限学习机建立预测模型；
以训练样本和预测样本的相关系数R和均方根误差RMSE为评价指标，对各模型的性能进行对比和评价，选出性能最优的模型；
步骤4：以细菌总数为评价指标，建立冷却羊肉新鲜度分类模型，实现“新鲜”、“次新鲜”、“腐败”三种程度的分类；包括：
①分别采用粒子群优化支持向量机PSO-SVM和极限学习机ELM建立新鲜度分类模型；
②采用混沌粒子群优化支持向量机CPSO-SVM，萤火虫算法FA优化极限学习机FA-ELM建立分类模型；
以分类准确率为评价指标，对各模型的性能进行对比和评价，选出分类准确率最高的模型；
步骤5：完成“冷鲜羊肉表面细菌总数检测平台”的设计，该检测平台能实现对冷却羊肉表面细菌总数和新鲜度品质的快速、无损检测和分析。
2.根据权利要求1所述的冷却羊肉表面细菌总数检测方法，其特征在于，步骤5中所述检测平台包括一个主界面和一个子界面，主界面是用户要访问检测平台首先打开的界面，相当于向导，要包括标题、登录框、帮助、退出、作者部分，用户通过主界面的相关信息和按钮能够清楚地了解检测平台的作用，基本功能解释以及设计者的基本信息；
子界面是整个平台的核心界面，主要的操作和相关数据分析功能都在该界面上体现，所有检测功能也集中在该子界面上，该界面主要包括了4个模块，分别是TVC检测模块，新鲜度识别模块，高光谱预处理模块和检测结果分析模块；
①TVC检测模块
TVC检测模块主要实现了对冷却羊肉样本表面细菌总数预测的建模工作，若要实现对未知样本进行TVC检测的功能，首先通过该模块进行网络训练，再通过结果分析模块对未知样本进行分析；
②新鲜度识别模块
该模块的功能和TVC检测模块相同，是对冷却羊肉新鲜度分类进行建模；
③高光谱预处理模块
预处理模块的功能是对未知样本的高光谱数据进行预处理，通过选择不同的预处理算法，平台中的坐标图将显示不同方法进行预处理后的仿真图；
④检测结果分析模块
该模块为子界面中最重要的一个模块，其功能是对未知样本的TVC和新鲜度进行检测和分析，当TVC检测模块和新鲜度识别模块网络学习完成，即执行该模块的功能；点击“数据导入”，通过选择路径来导入未知样本高光谱数据，坐标图中显示出各样本的分析结果，横坐标表示样本序列号，纵坐标表示样本的TVC检测值，不同的形状和颜色代表了样本不同的新鲜程度。
3.根据权利要求1所述冷却羊肉表面细菌总数检测方法的冷却羊肉表面细菌总数检测装置，其特征在于，包括光源(1)、高光谱成像系统(2)和控制计算机(3)，所述光源(1)和高光谱成像系统(2)之间通过光纤(4)连接，所述高光谱成像系统(2)包括：高光谱成像光谱仪(5)、CCD相机(6)、镜头(7)、卤钨灯(8)、电控位移平台(9)，所述电控位移平台(9)上放置样本(10)，所述镜头(7)位于电控位移平台(9)上方，所述高光谱成像光谱仪(5)与镜头(7)连接，所述CCD相机(6)位于高光谱成像光谱仪(5)上方，所述CCD相机(6)和控制计算机(3)连接。
4.根据权利要求3所述的冷却羊肉表面细菌总数检测装置，其特征在于，所述高光谱成像系统为400-1100nm可见近红外高光谱成像系统。
5.根据权利要求3所述的冷却羊肉表面细菌总数检测装置，其特征在于，所述高光谱成像光谱仪(5)的光谱分辨率为2-3nm。
6.根据权利要求3所述的冷却羊肉表面细菌总数检测装置，其特征在于，所述CCD相机(6)的像素尺寸为8.0um。
7.根据权利要求3所述的冷却羊肉表面细菌总数检测装置，其特征在于，所述光源(1)为线光源，90-254VAC,47-63Hz。
8.根据权利要求3所述的冷却羊肉表面细菌总数检测装置，其特征在于，所述卤钨灯(8)为250W。
9.根据权利要求3所述的冷却羊肉表面细菌总数检测装置，其特征在于，所述卤钨灯和电控位移平台(9)之间的角度为45°。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311327258.8A CN117169150A (zh) | 2016-11-03 | 2016-11-03 | 一种冷却羊肉表面细菌总数检测方法 |
| CN201610957154.9A CN106383095B (zh) | 2016-11-03 | 2016-11-03 | 一种冷却羊肉表面细菌总数检测装置及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610957154.9A CN106383095B (zh) | 2016-11-03 | 2016-11-03 | 一种冷却羊肉表面细菌总数检测装置及方法 |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311327258.8A Division CN117169150A (zh) | 2016-11-03 | 2016-11-03 | 一种冷却羊肉表面细菌总数检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106383095A CN106383095A (zh) | 2017-02-08 |
| CN106383095B true CN106383095B (zh) | 2023-09-08 |
Family
ID=57957176
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311327258.8A Pending CN117169150A (zh) | 2016-11-03 | 2016-11-03 | 一种冷却羊肉表面细菌总数检测方法 |
| CN201610957154.9A Active CN106383095B (zh) | 2016-11-03 | 2016-11-03 | 一种冷却羊肉表面细菌总数检测装置及方法 |
Family Applications Before (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311327258.8A Pending CN117169150A (zh) | 2016-11-03 | 2016-11-03 | 一种冷却羊肉表面细菌总数检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (2) | CN117169150A (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107345908B (zh) * | 2017-06-26 | 2020-04-14 | 浙江大学 | 一种获取果实多面漫反射信息的散射系统 |
| CN107219189A (zh) * | 2017-07-10 | 2017-09-29 | 天津工业大学 | 一种用于复杂样品光谱的波长选择方法 |
| CN108090500B (zh) * | 2017-11-22 | 2021-01-15 | 江苏大学 | 食用菌发酵生产过程关键参量的软测量方法 |
| CN108593565A (zh) * | 2018-03-19 | 2018-09-28 | 河南科技学院 | 在线快速检测鸡肉假单胞菌含量的方法 |
| CN109142248B (zh) * | 2018-08-27 | 2020-08-04 | 华中农业大学 | 早期鸡胚雌雄识别的方法 |
| CN109001150A (zh) * | 2018-09-11 | 2018-12-14 | 西北农林科技大学 | 一种基于近红外图像技术实现菌落计数的方法和装置 |
| CN109668857A (zh) * | 2019-01-25 | 2019-04-23 | 江苏大学 | 基于近红外高光谱图像技术的茶叶菌落总数检测装置及方法 |
| CN111523542A (zh) * | 2020-04-21 | 2020-08-11 | 中国农业大学 | 一种菌落总数回归预测模型的构建及运用该模型检测鱼肉新鲜度的方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101806703A (zh) * | 2010-01-07 | 2010-08-18 | 中国农业大学 | 一种畜肉细菌总数无损检测方法 |
| CN102323267A (zh) * | 2011-08-10 | 2012-01-18 | 中国农业大学 | 一种快速评价生鲜肉品新鲜度的系统及方法 |
| CN102628794A (zh) * | 2012-04-19 | 2012-08-08 | 江苏大学 | 一种基于高光谱成像技术的畜肉细菌总数快速测定方法 |
| CN104182622A (zh) * | 2014-08-12 | 2014-12-03 | 大连海事大学 | 基于极限学习机的隧道施工中的反馈分析方法及其装置 |
| CN104200268A (zh) * | 2014-09-03 | 2014-12-10 | 辽宁大学 | 一种基于粒子群优化极限学习机的带钢出口厚度预测方法 |
| CN104317195A (zh) * | 2014-09-28 | 2015-01-28 | 重庆邮电大学 | 一种基于改进极限学习机的非线性逆模型控制方法 |
| CN104949931A (zh) * | 2015-06-11 | 2015-09-30 | 南阳师范学院 | 一种生鲜猪肉货架期快速无损评价方法及检测系统 |
| CN206192877U (zh) * | 2016-11-03 | 2017-05-24 | 宁夏大学 | 一种冷却羊肉表面细菌总数检测装置 |
-
2016
- 2016-11-03 CN CN202311327258.8A patent/CN117169150A/zh active Pending
- 2016-11-03 CN CN201610957154.9A patent/CN106383095B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101806703A (zh) * | 2010-01-07 | 2010-08-18 | 中国农业大学 | 一种畜肉细菌总数无损检测方法 |
| CN102323267A (zh) * | 2011-08-10 | 2012-01-18 | 中国农业大学 | 一种快速评价生鲜肉品新鲜度的系统及方法 |
| CN102628794A (zh) * | 2012-04-19 | 2012-08-08 | 江苏大学 | 一种基于高光谱成像技术的畜肉细菌总数快速测定方法 |
| CN104182622A (zh) * | 2014-08-12 | 2014-12-03 | 大连海事大学 | 基于极限学习机的隧道施工中的反馈分析方法及其装置 |
| CN104200268A (zh) * | 2014-09-03 | 2014-12-10 | 辽宁大学 | 一种基于粒子群优化极限学习机的带钢出口厚度预测方法 |
| CN104317195A (zh) * | 2014-09-28 | 2015-01-28 | 重庆邮电大学 | 一种基于改进极限学习机的非线性逆模型控制方法 |
| CN104949931A (zh) * | 2015-06-11 | 2015-09-30 | 南阳师范学院 | 一种生鲜猪肉货架期快速无损评价方法及检测系统 |
| CN206192877U (zh) * | 2016-11-03 | 2017-05-24 | 宁夏大学 | 一种冷却羊肉表面细菌总数检测装置 |
Non-Patent Citations (1)
| Title |
|---|
| 基于高光谱和极限学习机的冷鲜羊肉颜色无损检测;梁晓燕;郭中华;线文瑶;魏菁;;食品工业科技(24);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106383095A (zh) | 2017-02-08 |
| CN117169150A (zh) | 2023-12-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106383095B (zh) | 一种冷却羊肉表面细菌总数检测装置及方法 | |
| CN103278464B (zh) | 鱼肉检测方法和装置 | |
| CN102879353B (zh) | 近红外检测花生中蛋白质组分含量的方法 | |
| CN104614321B (zh) | 一种基于光谱图像的作物长势实时监测方法 | |
| CN101692052B (zh) | 基于超光谱图像技术的名优茶真伪鉴别方法及装置 | |
| CN106841103A (zh) | 近红外光谱检测水果内部品质方法及专用检测系统 | |
| CN106338517A (zh) | 基于视觉和嗅觉信息协同的水果新鲜度智能化评判方法 | |
| CN103645155B (zh) | 生鲜羊肉嫩度的快速无损检测方法 | |
| Naganathan et al. | Three dimensional chemometric analyses of hyperspectral images for beef tenderness forecasting | |
| CN101059424A (zh) | 多光谱肉类新鲜度人工智能测量方法及系统 | |
| CN103257118A (zh) | 一种基于特征波段的鱼肉嫩度高光谱检测方法 | |
| CN106841083A (zh) | 基于近红外光谱技术的芝麻油品质检测方法 | |
| CN111443043A (zh) | 一种基于高光谱图像的核桃仁品质检测方法 | |
| CN106841052A (zh) | 一种快速检测食用肉类新鲜度的方法和系统 | |
| Tu et al. | AIseed: An automated image analysis software for high-throughput phenotyping and quality non-destructive testing of individual plant seeds | |
| CN1603794A (zh) | 近红外技术快速检测牛肉嫩度的方法和装置 | |
| CN103278467A (zh) | 一种植物叶片氮素丰缺快速无损高准确率的鉴别方法 | |
| CN104297136B (zh) | 一种基于高光谱图像对铜绿假单胞杆菌生长预测的方法 | |
| CN108827925A (zh) | 基于光纤式荧光光谱技术的食用植物油真伪快速检测方法和检测装置 | |
| CN117309776A (zh) | 一种基于高光谱和单标签回归的生鸡肉成分检测方法 | |
| CN108535214A (zh) | 一种基于高光谱技术鉴定木霉菌的方法 | |
| CN116399838A (zh) | 基于荧光-高光谱成像技术快速检测鸡肉中微生物污染的方法 | |
| CN105115909A (zh) | 基于高光谱成像技术检测花生中脂肪含量分布的方法 | |
| Oury et al. | Earbox, an open tool for high-throughput measurement of the spatial organization of maize ears and inference of novel traits | |
| CN113945539B (zh) | 基于gwas筛选后近红外光谱特征波段预测品质的方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |