多源信息融合技术的猪肉新鲜度检测方法研究摘要:随着猪肉产量的提高和人们对食品安全的重视,快速准确地检测肉新鲜度越来越有着重要的现实意义｡针对猪肉腐败过程中气味与颜色的变化,本文设计了猪肉图像采集装置和气体采集装置,对10个不同时间段采集到的各240份猪里脊肉样品图像信息和气体信息进行特征层的融合,基于最小二乘支持向量机方法(LS-SVM)建立多源信息融合的猪肉新鲜度评价模型,结合二步格点搜索法(Grid Searching Technique)和交叉验证方法(Cross Validation),对该模型参数γ和σ2进行选择和优化,分析比较了机器视觉系统､电子鼻系统及其两者融合系统所建立的猪肉新鲜度评价模型,3个模型对猪肉新鲜度的识别率分别为达到77.33%､91.67%和97.33%｡结果表明,基于机器视觉和电子鼻多源信息融合系统可显著提高猪肉新鲜度的识别率｡关键词:信息融合;猪肉新鲜度;计算机视觉;电子鼻;最小二乘支持向量机Measurement of Pork Freshness Based on Multi-sensor Information Integration TechnologyAbstract: It is important to develop a fast and precise method for detection of meat freshness with the annually increasing output of meat and concerns on food safety. In the light of color and odour change during meat taint, a meat freshness test system device for image acquisition and odour collection was designed, and the evaluation models were developed with 240 pork samples data fusion of color and odour characteristic parameters at feature level based on least-square support vector machine. To enhance the performance of least squares support vector machines (LS-SVM), two parameters (γ and σ2) of the least squares support vector machine model were optimized by combination of two-step Grid Searching Technique and Cross-Validation. Then, the different models were established to assess pork freshness based on machine vision, electronic nose and combination of the two, giving recognition rates of 77.33%, 91.67% and 97.33%, respectively. The results showed that multi-source information fusion system based on machine vision and electronic nose could significantly improve the recognition rate of pork freshness.Key words: multi-sensor information integration; pork freshness; computer vision; electronic nose; LS-SVM新鲜度是猪肉及其制品质量的重要指标,随着我国猪肉产量的提高和人们食用安全意识的增强,传统的猪肉新鲜度检测方法如感官评定法和生化指标的实验室测定方法,均难以满足当前社会的需要,开发快速准确的检测肉类新鲜度方法越来越具有重要的现实意义｡针对猪肉在腐败过程中的变化特性,通过测定某一相关指标实现猪肉内部品质检测或外部品质检测,分析方法包括:近红外漫反射[1]､电子舌[2]､电子鼻[3]以及机器视觉[4]等,然而猪肉的腐败变质是一个复杂的过程,受多种因素的影响,单靠某一种手段或某一指标的测定很难从整体上实现猪肉新鲜度的准确评价｡为了避免单一测量手段的局限性,应用多信息融合技术将有效提升农产品品质评测的效果｡例如:陈全胜等人[5]融合近红外光谱和机器视觉技术对茶叶品质进行评价,其结果的准确性和稳定性都优于单个信息模型｡但是,目前多传感器技术用于肉类新鲜度检测上的报道比较少,虽然曲世海等构建了一套基于电子信息技术与光电检测技术多信息融合的肉类新鲜度检测系统,其报道的检测精度优于单一传感器[6],然而多传感器信息融合问题至今没有形成基本理论框架和有效的广义融合模型,对特定研究领域多传感器特征量的选择,融合模型､融合层次和融合算法有所不同,进而导致评价结果的识别精度和识别率也有较大差异｡本试验针对猪肉在腐败过程中的色泽和气味为特征指标,构建机器视觉与电子鼻融合系统,通过对融合模型特征量的选择,特征的提取,以及融合算法的研究,以期获得更高的识别率,同时也为多源信息融合模型在猪肉新鲜度检测上的开发和应用提供理论依据｡1材料与方法1.1试验材料试验样品为湖北白猪的里脊肉,样品大小长×宽×厚约为4 cm × 4 cm × 2 cm,样品平均重量约为50 g,另取同一部位猪里脊肉50 g用于化学检测试验｡1.2试验装置1.2.1计算机视觉图像采集系统图像采集系统主要由摄像头､光源､采集箱､图像采集卡和计算机等几部分构成,包括:Scout系列的scA 1390-17fc CCD摄像头(德国BASLER公司);Meteor2/1394数字图像采集卡(加拿大Matrox公司);国产普通LED环形光源,图像采集装置如图1(a)所示｡1.2.2电子鼻气体采集系统猪肉在腐败过程中主要产生含硫产物､胺､氨和醇类等物质,根据这些特征,本实验选择电子鼻传感器包括:TGS825硫化氢型传感器(日本FIGARO公司)､TGS826氨气及胺类型传感器(日本FIGARO公司)､TGS822乙醇类及有机溶剂气体型传感器(日本FIGARO公司)等3类传感器作为猪肉新鲜度测量的电子鼻气体阵列,采用Labview虚拟仪器软件(美国国家仪器公司)开发猪肉新鲜度电子鼻测量系统｡3类传感器信号通过NI PCI6024E采集卡(美国国家仪器公司)传送至计算机｡目前电子鼻测量系统中气体的采样方式有静态和动态的顶空生成法,传统的顶空生成法需要添加比较复杂的吸气和清洗装置,并且这种方法受容器中的气压影响较大,因此试验采用简单的自由扩散法(静态顶空生成法)｡由于电子鼻的响应信号受样品的挥发速率､容器内压强和挥发性气体浓度的影响比较大,较小的容器易造成信号波动,因此根据前期的试验结果确定采用500 mL的玻璃容器作为猪肉电子鼻的气体收集装置[7],电子鼻采集装置如图1(b)所示｡1.3不同新鲜度样品的制备和评价取24份里脊肉,置于培养皿中,分别用食品保鲜膜封装存于4 ℃的人工气候箱中｡每隔12 h对猪里脊肉样品采集一次图像,图像采集之后立即进行气体采集,5 d 内总共进行10次图像与气体采集,各建立24×10个猪里脊肉图像样品集与气体样品集｡试验按照国家标准(GB 9959.1-2001)选取挥发性盐基氮(Total V olatile basic nitrogen,TVB-N)作为肉类鲜度评价指标｡使用半微量凯氏定氮法测量贮存过程中的猪里脊肉的TVB-N含量｡猪肉新鲜度标准(GB 9959.1-2001)规定,猪肉样品中TVB-N含量大于20 mg/100 g 为腐败类猪肉,在20 mg/100 g与15 mg/100 g之间为次新鲜类猪肉,小于15 mg/100 g为新鲜类猪肉｡化学试验与图像采集试验和气体采集试验同时进行｡1.4基于多源信息融合的猪肉新鲜度识别多传感器信息融合又称多传感器数据融合,是对不同知识源和多个传感器所获得的信息进行综合处理,消除多传感器信息之间可能存在的冗余和矛盾,利用信息互补,降低不确定性和提高系统的决策判断能力｡该试验通过自行设计的图像采集装置和气体采集装置,对猪肉的颜色信息和气体信息进行采集,对采集的数字信号进行预处理,以滤除数据采集过程中现场环境下的干扰和噪声｡将处理后的目标信号作特征提取,根据所提取的特征信号,进行数据融合计算,最终输出结果,融合过程如图2所示｡在该融合系统中,由于机器视觉和电子鼻系统为两种不同类型的传感器,它们的特性不一致,使得它们获取信息的模式不同,在融合层次上宜选择特征层融合,即先分别提取机器视觉图像特征信息和电子鼻气体的特征信息,然后按特征信息对数据进行分类､综合和分析｡1.4.1图像特征参p为了区分不同的颜色空间对猪肉新鲜度评价效果的影响,取24个猪肉样本,利用设计的图像采集装置每隔12 h采集一次图像,5 d内进行10次图像采集,共采集240幅图像｡在rgb､L*a*b*和YCbCr 3个颜色空间对采集的图像进行颜色特征参数的提取,分别利用这3组样本数据进行PCA主成分分析｡研究结果表明,基于rgb ､L*a*b*和YCbCr三种颜色空间的特征值都能将猪肉分为新鲜､次新鲜和腐败三类,其中基于L*a*b*颜色空间的分类与其他两种颜色空间分类相比,类中样品更紧凑,L*､a*､b*与主成分之间有更高的相关性｡在该试验中选取L*a*b*颜色空间来描述猪肉的颜色,以每幅图像中L*､a*､b*各自的平均值作为猪肉颜色评价的特征向量｡1.4.2气体征值参数提取使用电子鼻系统对24个猪肉样本进行气体采集试验,每隔12 h采集一次,5 d内共采集240组气体样本数据｡电子鼻对腐败猪肉气体的响应信号为一条曲线,需要对响应曲线进行特征信号提取,该试验分别选取气体传感器电压数据稳定值(最后5 s电压平均值)与气体传感器电压数据的最大值作为特征参数,通过PCA主成分分析方法对两种特征参数猪肉新鲜度的识别结果进行分析比较｡研究结果表明,采用电压数据稳定值作为特征参数比最大值作为特征参数能更有效的区分不同新鲜度猪肉,因此,本试验选取电压数据稳定值作为猪肉气体特征参数｡1.4.3挥发性盐基氮(TVB-N)测量的结果依据国标GB/T 5009.44-2003,使用半微量凯氏定氮法测量贮存过程中猪肉的TVB-N含量,并依据国标GB 9959.1-2001对不同新鲜度的猪肉进行分类;TVB-N测量试验与猪肉图像采集试验和猪肉气体采集试验同步进行,测定结果如表1所示｡1.4.4基于最小二乘支持向量机的识别模型的建立支持向量机(Support Vector Machines,SVM)是近几年来应用于建模的一种新的学习方法,与传统的神经网络相比,支持向量机算法最终将转化为一个二次型寻优问题,从理论上可得到全局的最优点,解决了在神经网络中无法避免的局部极小值问题｡随着对支持向量机建模方法的深入研究和广泛应用[8-11],许多学者对支持向量机的算法进行了开发和改进,提出了新的改进支持向量机的算法[12-13]｡最小二乘支持向量机(LS-SVM)是支持向量机的一种改进方法[14],它是将传统支持向量机中的不等式约束改为等式约束,且将误差平方和(Sum Squares Error)损失函数作为训练集的经验损失,这样就把求解二次规划问题转化为求解线性方程组问题,提高了求解问题的速度和收敛精度｡本研究采用最小二乘支持向量机建立猪肉新鲜度评价模型｡最小二乘支持向量机模型(LS-SVM)的建立主要考虑输入层､输出层单元数以及正则化参数､核函数及参数取值等网络特征参数｡在本研究中,LS-SVM模型的输入层单元数为6,包括:机器视觉系统颜色特征参数L*､a*､b*值及电子鼻测量系统的TGS822､TGS825､TGS826特征值;它的输出层单元数为1,即为猪肉新鲜度等级(通过化学检测方法TVB-N的测定的新鲜度等级),选择径向基函数(RBF)作为模型的核函数｡在最小二乘支持向量机方法中,正则化参数γ和RBF核函数参数sig2(σ2)是两个重要参数｡它们的取值将直接决定模型的训练和泛化性能｡γ取值小,则样本数据惩罚就小,训练误差则变大,算法泛化能力增强;γ取值大,算法的泛化能力则减弱｡而σ2取值过大或过小,则会对样本数据造成过学习或欠学习的现象｡本研究采用二步格点搜索法(Grid Searching Technique)和交叉验证方法(Cross Validation)相结合的方法选择参数γ和σ2｡为了在选择中有适当的增量,γ的选择范围定为1~10 000,σ2的选择范围为0.01~100｡在最优参数的选择过程中,以每组γ和σ2组合获得的训练集交叉验证误差均方根(Root Mean Square Error of Cross-validation,RMSECV)的最小值作为指标,寻优过程包括粗选和精选两个步骤,即:粗选格点数10×10,如图3中“·”所示,搜索步长较大,采用误差等高线确立最优参数范围;精选格点数仍为10×10,如图3中“×”所示,在粗选基础上,以较小步长更加细致地搜索,确定最优模型参数｡对γ和σ2作对数处理,γ和σ2的寻优过程如图3所示｡本文采用最小输出编码方式(Minimum Output Coding)对三类数据分类,最后需获得两组最优γ和σ2参数,表2给出了两组参数(γ,σ2)的寻优结果｡2结果与分析本研究对24个猪肉样本各进行10次图像采集和气体采集,获得了的240组颜色特征参数及240组气体特征参数,将各个参数进行特征层的融合,得到240组特征融合数据(每组特征融合数据包括颜色及气体共6个特征参数)｡根据猪肉的TVB-N含量测量结果,对240组猪肉样品特征融合数据进行分类,共获得新鲜类猪肉样品､次新鲜类猪肉样品和腐败类猪肉样品数据的组数分别为144,48和48,对数据进行归一化,用于后续模型建立｡从上述240组猪肉样品融合数据中随机挑选100组新鲜数据,34组次新鲜数据和31组腐败数据作为校正集,剩余75组数据作为测试集｡以颜色特征参数L*､a*､b*值及气体特征参数TGS822､TGS825和TGS826值作为LS-SVM的输入值,以新鲜度类别(新鲜､次新鲜和腐败)作为输出,采用最小二乘支持向量机方法对3类决策模式进行学习,获得最优统计学习决策超平面,建立猪肉新鲜度信息融合识别模型｡本研究在建立机器视觉与电子鼻猪肉新鲜度识别融合模型的同时,也采用p 4)试验比较了机器视觉系统､电子鼻系统及其二者的融合系统在同处理条件下,对猪肉新鲜度的识别率差异,结果表明,3个模型对猪肉新鲜度识别率分别为77.33%､91.67%和97.33%,即基于最小二乘支持向量机方法建立的机器视觉和电子鼻多源信息融合系统可获得比单一传感器系统更高的识别率｡参考文献:[1] 侯瑞峰,黄岚,王忠义,等.用近红外漫反射光谱检测肉品新鲜度的初步研究[J]. 光谱学与光谱学分析,2006,26(12):2193-2196.[2] 韩剑众,黄丽娟,顾振宇,等.基于电子舌的肉品品质及新鲜度评价研究[J]. 中国食品学报,2008,8(3):126-133.[3] 孙钟雷.基于遗传组合网络的猪肉新鲜度人工嗅觉系统[D]. 吉林:吉林大学图书馆,2006.[4] 郭培源,毕松.基于神经网络的猪肉新鲜度检测分级系统[J]. 农机化研究,2010,(06):109-113.[5] 陈全胜,赵杰文,蔡健荣.基于近红外光谱和机器视觉的多信息融合技术评判茶叶品质[J]. 农业工程学报,2008,24(3):5-10.[6] 曲世海,郭培源.基于多信息处理的肉类新鲜度检测方法研究[J]. 北京工商大学学报(自然科学版),2006,24(5):26-31.[7] 张军,李小昱,王为,等.基于虚拟仪器的淡水鱼鲜度电子鼻测量系统[J].农业工程学报,2009,25(3):110-113.[8] M.TUZ-CHAOLIN,M.POA-TAYU. Adaptive two-Pass medina filter based on Support vector machines for image restoration[J]. Neural ComPutation, 2004,16(2):333-354.[9] 田有文,李天来,李成华,等.基于支持向量机的葡萄病害图像识别方法[J].农业工程学报,2007,23(6):175-180.[10] J. H. MIM,Y-C. Lee. Bankruptcy Prediction using support vector machine with optimal choice of kernel function Parameters[J]. Expert Systems with Applications,2005,28(4): 603-614.[11] PAI P F,Hong W C. Support Vector Machines with Simulated Annealing Algorithms in Electricity Load Forecasting[J]. Energy Conversion&Management,2005,46(17):2669-2688.[12] D. ANGUITA, S. RIDELLA, F, RIVIECCIO, et al. Hyper parameter design criteria for support vector classifiers[J].Neurocomputing,2003,55(1):109-134.[13] U.V LUXBURG, O. BOUSQUET, B. SCHOKOPF. A compression approach to support vector model selection[J]. Jouranl of Machine Learning Research,2004(5):293-323.[14] 阎威武,邵惠鹤.支持向量机和最小二乘支持向量机的比较及应用研究[J]. 控制与决策,2003,18(3):358-360.。
![基于多传感器融合技术的猪肉品质综合检测方法[发明专利]](https://img.taocdn.com/s1/m/0caf1310fab069dc512201ae.png)
![用于检测猪肉新鲜程度的特异性引物组合及其检测方法[发明专利]](https://img.taocdn.com/s1/m/0b496f83783e0912a3162a42.png)
