买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：江苏源春食品科技发展有限公司;江苏大学

摘要：本发明属于食品检测技术与图像处理交叉领域，具体涉及一种基于UNet神经网络与高光谱成像的肴肉组分含量检测方法。步骤为：使用UNet神经网络建立高光谱图像语义分割模型，获取图像中肴肉位置及轮廓并获取对应目标区域的高光谱数据；根据获取的高光谱数据，在肴肉内部各个点对应获取光谱曲线数据；使用SVM模型对肴肉的脂肪、凝胶、肌肉等含量进行预测，并绘制在图像上观察其分布情况。本发明将高光谱图像提取波段转换为伪彩色图像，使图像分割更加精确，提高了适用范围；并且减少了UNet模型的参数量，加快了模型运算速度，提高实时性，并且可以准确估算肴肉中脂肪、凝胶和肌肉的含量，有助于检测肴肉的食品质量和食品安全。

主权项：1.一种基于UNet神经网络与高光谱成像的肴肉组分含量检测方法，其特征在于，具体步骤如下：步骤一：数据集制作；S1：高光谱图像语义分割数据集制作；首先制备n个肴肉样，然后使用高光谱成像仪对n个肴肉样品进行拍摄，获取430-960nm的三维高光谱图像，每个样品拍摄1张图片，获得图像共n张，记作高光谱原始图像；选取650nm、530nm、440nm波长上的图像合并为三通道伪彩色图像，用于建立数据集；使用语义分割的自动标注软件EIseg对三通道伪彩色图像进行标注，选择肴肉部分作为主体，对应像素点的像素值设置为1，记作真实标记区域，以G表示；其它部分作为背景，对应像素点的像素值设置为0，记作图像标签，将三通道伪彩色图像以及图像标签放缩为224×224像素大小，保存为png格式文件，构成语义分割数据集，数据集中共2n张图像，共n组数据，每组数据由三通道伪彩色图像与其对应的图像标签组成；其中n为不小于200的正整数；S2：肴肉组分含量预测数据集制作；将步骤一中采集图像后的n个肴肉样品根据需求切块，通过称量法计算每一小块肴肉中脂肪、凝胶、肌肉组分的质量分数；提取高光谱原始图像对应区域上的高光谱数据，计算其平均光谱值，获取到一维光谱曲线，构成肴肉组分含量预测数据集，数据集中共n个样本，每条光谱曲线对应脂肪、凝胶、肌肉含量三组数据，光谱曲线记为yi，其中i为1～n的正整数；步骤二：数据处理S1：针对步骤一中高光谱图像语义分割数据集中的图像进行图像增强；所述图像增强处理的方式包括亮度、饱和度变换、空间几何变换和添加噪声处理；S2：针对步骤一所述的肴肉组分含量预测数据集中的一维光谱曲线进行特征提取；所述特征提取使用主成分分析对所述一维光谱曲线进行降维，得到降维处理后的光谱曲线；步骤三：模型构建S1：UNet网络模型训练1使用pytorch包搭建神经网络框架，选择分割网络UNet网络作为主体，搭建UNet网络模型；2将步骤一所述高光谱图像语义分割数据集中的图像对按一定比例分割为训练集和测试集，针对训练集的图像进行图像增强后，输入到步骤1中Unet网络模型中，通过最小化目标函数的值进行反向传播，对参数进行优化；S2：肴肉组分含量预测模型训练将步骤一所述肴肉组分含量预测数据集的数据对按一定比例分割为训练集和测试集，再将训练集输入到SVM模型当中进行训练，模型预测结果记为并且使用测试集对模型效果进行测试，以R2作为模型评估指标，R2的取值在0-1之间，数值越高，预测效果越好；R2计算公式如下： 式中为样本预测值，yi为样本真实值，为样本真实值均值；步骤四：模型应用S1：使用高光谱成像仪对未知肴肉样品进行拍摄，获得一张高光谱原始图像，选取650nm、530nm、440nm波长上的图像合并为三通道伪彩色图像，将所述三通道伪彩色图像放缩为224×224像素大小，并输入到构建的Unet网络模型中，得到预测掩膜；S2：然后对预测掩膜进行处理后，获取肴肉区域的高光谱数据，记作感兴趣区域高光谱数据；S3：将S2得到的感兴趣区域高光谱数据输入所述肴肉组分含量预测模型对所述未知肴肉样品进行预测，预测三通道伪彩色图像各个像素点上三种组分的含量，进而计算出肴肉整体的脂肪、凝胶、肌肉含量，并将各个组分的分布情况绘制在图像上。

全文数据：

权利要求：

百度查询： 江苏源春食品科技发展有限公司 江苏大学 一种基于UNet神经网络与高光谱成像的肴肉组分含量检测方法