申请/专利权人：中国农业大学

申请日：2023-08-04

公开（公告）日：2024-04-05

公开（公告）号：CN117825292A

主分类号：G01N21/25

分类号：G01N21/25;G01N21/27;G06F18/27;G06N3/0464;G06N3/09

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.23#实质审查的生效;2024.04.05#公开

摘要：本发明公开了一种基于高光谱和多标签回归的生鸡肉成分检测方法，涉及肉类品质与无损检测技术领域。该方法包括：获取生鸡肉样本高光谱图像；测定鸡肉的多种成分含量；高光谱图像数据校正；校正后高光谱数据采集；高光谱数据预处理；多标签监督式的特征光谱提取；建立基于高光谱的多标签回归预测模型；验证多标签回归模型并进行结果分析；生鸡肉成分高光谱预测模型高通量应用。本发明基于高光谱技术构建多标签回归模型对生鸡肉的不同成分进行快速检测，操作简单快速、安全、高效、花费及耗时少；适应产业化生产需要和消费者对生鸡肉产品质量的要求，满足在实际生产加工过程中进行生鸡肉品质评价的需。

主权项：1.一种基于高光谱和多标签回归的生鸡肉成分检测方法，其特征在于，包括下列步骤：1获取生鸡肉样本高光谱图像；2测定生鸡肉样本切片理化成分真实值，粗脂肪含量、粗蛋白含量、氨基酸含量、pH值、肉色值；3对步骤1获得的生鸡肉样本高光谱图像进行校正；4采集步骤3校正后的生鸡肉样本高光谱图像数据；5对步骤4获取的生鸡肉样本高光谱图像数据进行预处理，获得生鸡肉样本高光谱预处理数据；去除步骤4采集的高光谱图像数据的噪声，进行波长校正、光谱平滑；6提取步骤5获得的生鸡肉样本高光谱预处理数据的多标签监督式特征光谱数据；6.1构建包含步骤5获得的的生鸡肉样本高光谱预处理数据和多个成分含量数据标签的数据集；6.2设定光谱波段的统计量、分析成分、光谱指数，对步骤5获得的生鸡肉样本高光谱预处理数据进行特征提取，计算筛选获得的每个光谱特征的重要性得分；6.3剔除相关性得分低于60％的冗余波段，筛选多标签监督式的生鸡肉样本高精度特征光谱数据，获得生鸡肉样本多标签高光谱特征数据集；7建立预测生鸡肉样本理化成分含量的多标签回归模型；7.1将步骤6获得的生鸡肉样本多标签高精度特征光谱数据作为输入，将该数据划分为训练集数据和验证集数据；7.2基于步骤6获得的生鸡肉样本多标签高精度特征光谱数据建立基于卷积神经网络的生鸡肉样本理化成分含量预测的多标签回归模型，建立生鸡肉样本理化成分含量特征光谱数据与理化成分含量之间的关系，获得生鸡肉样本理化成分含量的预测值；7.3利用训练集数据对建立的多标签回归模型进行训练，将生鸡肉样本成分光谱特征数据作为输入，将对应的生鸡肉样本成分含量预测值作为输出，通过多标签回归模型学习输入与输出之间的关系，调整和优化多标签回归模型的权重参数；8多标签回归模型评估验证，检测多标签回归模型的准确度和稳定性；计算生鸡肉样本成分含量通过步骤7获得的预测值与步骤2获得真实值之间的相关系数，衡量步骤7建立的多标签回归模型的拟合程度，计算验证集数据的平均绝对值误差，评估步骤7建立的多标签回归模型的稳定性和预测误差大小；9强相关生鸡肉样本成分含量高通量预测应用；将新的生鸡肉样本的光谱特征多标签回归模型，针对强相关生鸡肉样本成分成分，采用多标签回归模型进行生鸡肉样本成分含量高通量的预测应用。

全文数据：

权利要求：

百度查询： 中国农业大学 一种基于高光谱和多标签回归的生鸡肉成分检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD