本發明涉及肉品品質無損檢測，具體涉及一種基于高光譜顯微成像技術的白紋木質共生缺陷雞胸肉的判別方法。

背景技術：

1、雞肉蛋白質含量高、脂肪含量低、營養豐富且加工方便，是人類主要的肉類來源之一，占據禽肉市場90％以上的消費份額。隨著生活水平的提高，人們的飲食消費觀念也逐步從對量的要求轉變為對質的追求，對雞肉品質的要求也越來越高。目前大多禽肉產業追求速生養殖，但隨之而來卻出現一系列肌肉缺陷問題，其中較為嚴重的當屬白紋肉(whitestriping,ws)和木質肉(wooden?breast,wb)。白紋肉表面出現大量與肌纖維方向平行的白色條紋，并且多出現在胸肌和腿肌上。木質肉表現為質感堅硬，雞胸肉前部有明顯堅硬部分，尾部有脊狀突起，且比正常雞胸肉厚度大，組織學上表現為纖維硬化，目前只在胸肌上發現。已有研究發現，白紋和木質缺陷常共同發生，食用品質級別極低以至于只能舍棄，給禽肉業造成巨大的經濟損失。目前對白紋和木質的評估多采用目視和觸診的方法，這些方法存在著準確性差、主觀性強和效率低的缺點，因此迫切需要開發一種快速準確的識別方法。

2、高光譜顯微成像(hyperspectral?microscope?imaging,hmi)技術作為一種潛力巨大的新興無損檢測方法，將高光譜成像和顯微成像集成一體，可達到微米級別的空間分辨率。在白紋和木質缺陷的檢測方面，其可以觀察到白紋區域的脂肪特征和木質區域的硬化纖維特征，能夠專注于樣本中的感興趣區域，從而根據其分布區域的特異光譜特征找到特定波長，實現對白紋、木質及共生缺陷的精準分類。此外，可以通過偽彩色圖像顯示光譜特征的微米級空間分布，更加直觀展示出樣本中的白紋、木質及共生區域的分布情況。

技術實現思路

1、本發明所要解決的技術問題是針對上述現有技術的不足提供一種基于高光譜顯微成像技術的白紋木質共生缺陷雞胸肉的判別方法，本基于高光譜顯微成像技術的白紋木質共生缺陷雞胸肉的判別方法與現有的采用目視和觸診的方法相比，準確率高，效率高。

2、為實現上述技術目的，本發明采取的技術方案為：

3、一種基于高光譜顯微成像技術的白紋木質共生缺陷雞胸肉的判別方法，包括以下步驟：

4、步驟1：獲取足夠數量的正常肉、白紋肉、木質肉和白紋木質共生雞胸肉樣本，將樣本切割制成大小均勻的顯微薄片；

5、步驟2：搭建高光譜顯微成像系統，進行顯微光譜數據的采集與校正；

6、步驟3：使用圖像處理算法進行感興趣區域的提取；

7、步驟4：對每個感興趣區域進行缺陷類別和缺陷等級得分的標注；

8、步驟5：對每個感興趣區域的顯微高光譜圖像提取紋理特征；

9、步驟6：對每個感興趣區域內光譜數據進行特征波長的選取；

10、步驟7：將獲取的每個感興趣區域的特征波長下的平均光譜數據融合圖像紋理特征作為transformer多任務學習模型的輸入，對應感興趣區域的缺陷類別和缺陷等級得分作為transformer多任務學習模型的輸出，建立并訓練transformer多任務學習模型；

11、步驟8：采集待測白紋木質共生缺陷雞胸肉的顯微高光譜圖像并提取其特征波長下每個像素點的光譜信息，將特征波長下的每個像素點的光譜信息輸入訓練好的transformer多任務學習模型，模型輸出每個像素點的分類結果，表示該像素點屬于木質肉或白紋肉的缺陷類別和缺陷等級得分。

12、作為本發明進一步改進的技術方案，所述的步驟1具體為：

13、步驟1.1：結合目視和觸診的方式判斷并選取正常肉、白紋肉、木質肉和白紋木質共生雞胸肉樣本，以保證后續切片樣本種類的多樣性。

14、步驟1.2：將雞肉樣本切割為大小均勻的顯微薄片，通過顯微鏡檢查樣本的平整度和完整性，確保無破損或氣泡影響。

15、作為本發明進一步改進的技術方案，所述的步驟2具體為：

16、步驟2.1：搭建高光譜顯微成像系統，系統由一臺便攜式高光譜成像儀(soc710vp)、一臺正置顯微鏡(ne910)和一臺計算機組成。該成像光譜儀搭載兩臺內置ccd相機，分辨率為4.69nm，波段數為256，采用平移推掃的掃描方式；顯微鏡配備75w的可調鹵鎢燈，物鏡倍數為40倍；計算機配備光譜的采集和校正軟件(hyper?scanner_2.0.127和sranal710e)，用于光譜數據的采集校正和存儲。數據采集前，高光譜顯微成像系統預熱20分鐘，以確保數據采集的穩定性和照明的均勻性。

17、步驟2.2：對原始顯微高光譜圖像rraw進行黑白校正，得到校正后的顯微高光譜圖像rfianl，計算公式如(1)。即關閉光源，在顯微視野下采集暗場圖像d，將標準白板放置在顯微系統的焦平面，調整顯微鏡的光源強度和對焦，確保白板完全填充視野后采集白參考圖像w。

18、

19、作為本發明進一步改進的技術方案，所述的步驟3具體為：

20、對所述步驟2.2之后得到的顯微高光譜圖像使用k-means聚類算法將雞胸肉切片分割為多個感興趣區域，k-means聚類算法的核心是通過最小化目標函數，迭代優化每個像素點的類別分配和聚類中心的更新，具體方法如下：

21、根據雞胸肉的不同類別的初步劃分(正常肉、白紋肉和木質肉)，設定聚類數k為3，在數據矩陣v中隨機選取3個樣本點作為初始聚類中心：

22、u1,u2,u3∈rk??(2)；

23、其中，u1,u2,u3為3個初始聚類中心的坐標，rk為一個k維的實數空間。

24、對于每個像素點的光譜向量vi，計算它到每個聚類中心的歐氏距離：

25、dij＝||vi-uj||2,j∈{1，2，3}??(3)；

26、其中，vi為第i個像素點的光譜向量，uj表示第j個聚類中心的光譜向量。

27、將像素點的光譜向量vi歸為最近的聚類中心所屬的類別：

28、

29、其中，ci表示第i個像素點所屬的聚類類別標簽，表示尋找j的值，使得dij最小，就是對于給定的像素點的光譜向量vi，找到一個聚類中心的光譜向量uj，使得樣本vi到uj的歐氏距離dij最小。

30、根據當前分配的類別，計算每個類別的平均光譜向量，更新聚類中心，使得每個聚類中心更好地代表其包含的所有像素點：

31、

32、其中，cj為第j類像素點樣本的合集，nj為合集cj中像素點的數量。

33、如果聚類中心的更新幅度小于閾值e，則認為聚類過程已經收斂，可以停止迭代；否則，返回公式(3)，繼續執行聚類過程：

34、

35、其中，t為迭代次數，uj(t)為第j類像素點樣本合集在t次迭代后的聚類中心，uj(t-1)為j類像素點樣本合集在t-1次迭代后的聚類中心。

36、作為本發明進一步改進的技術方案，所述的步驟4具體為：

37、基于關鍵波段的反射值閾值，判斷某個像素是否為脂肪像素或硬化纖維像素。對于白紋肉而言，以波段為930nm(脂肪敏感波段)下光譜曲線的反射率0.35為閾值，定義反射率大于0.35為脂肪像素，反射率小于等于0.35為非脂肪像素。將步驟3所得每個感興趣區域內脂肪像素數(nz)除以感興趣區域內總像素數(na)得到脂肪占比pz，如公式(7)所示：

38、

39、分別以0.2、0.4、0.6為閾值進行缺陷等級的得分評估，pz在0-0.2之間的為正常肉(得分為0)，pz在0.2-0.4之間的為輕度白紋肉(得分為1)，pz在0.4-0.6之間的為中度白紋肉(得分為2)，pz在0.6-1之間的為重度白紋肉(得分為3)。

40、對于木質肉而言，以波段為850nm(硬化纖維敏感波段)下光譜曲線的反射率0.48為閾值，定義反射率大于0.48為硬化纖維像素，反射率小于等于0.48為非硬化纖維像素。將步驟3所得每個感興趣區域內硬化纖維像素數(nx)除以感興趣區域內總像素數(na)得到硬化纖維占比px，如公式(8)所示：

41、

42、分別以0.2、0.4、0.6為閾值進行缺陷等級的得分評估，px在0-0.2之間的為正常肉(得分為0)，px在0.2-0.4之間的為輕度木質肉(得分為1)，px在0.4-0.6之間的為中度木質肉(得分為2)，px在0.6-1之間的為重度木質肉(得分為3)。

43、作為本發明進一步改進的技術方案，所述的步驟5具體為：

44、對步驟4所得感興趣區域使用灰度差分矩陣(gray?level?difference?matrix，gldm)提取平均灰度差值、灰度差分方差、灰度對比度、灰度差分熵和能量等紋理信息特征。

45、作為本發明進一步改進的技術方案，所述的步驟6具體為：

46、對步驟4所得感興趣區域使用競爭性自適應重加權采樣法(competitiveadaptive?reweighted?sampling，cars)進行特征波長的篩選。具體方法如下：

47、首先初始化：初始波長集合記為s0，目的：從整個光譜數據矩陣x中選擇對樣本標簽y預測最具影響力的波長集合s0，作為后續迭代的起點；

48、

49、x0＝x[:,s0](10)；

50、其中，x[:,s0]指選擇所有樣本內的所有感興趣區域組成的原始光譜矩陣x中所有樣本行和波長集合s0中波長對應的所有列，即x0是一個包括原始光譜矩陣x所有樣本行，初始選擇的波長集合s0中m個波長對應的列。x是所有樣本的原始光譜矩陣(假設尺寸為n×p)。y是感興趣區域類別得分(假設尺寸為n×1)。其中n是所有樣本內的所有感興趣區域的總數，根據這一公式可以求得回歸系數向量w0；

51、設定初始保存的波長集合s0里有m個波長，那么找到回歸系數向量w0內回歸系數絕對值從大到小排列的前m個值對應的波長組成波長集合s0；

52、評估每個波長在當前向量w0中的相對重要性，以確定其在模型中的貢獻：

53、

54、w0,j是向量w0中第j個波長的回歸系數，p0,j是第j個波長在0次迭代中的重要性權重。

55、通過指數衰減函數，計算出當前需要保留的波長數量r0。這些波長數量會隨著迭代的增加而逐漸減少，以便逐步淘汰影響較小的波長：

56、r0＝round(m·exp(-λ·0))(12)；

57、其中，m是初始保留的波長數量，λ是指數衰減系數，用于控制隨著迭代的進行，保留波長數的衰減速率，0是0次迭代，exp為指數衰減函數，用于根據迭代次數0和衰減系數λ來計算波長數的衰減率，round為四舍五入函數，將經過衰減計算后的結果轉換為整數，確保保留的波長數是整數形式。

58、按權重p0,j降序排列，保留前r0個波長，其余波長被淘汰；

59、sk＝top-r0(p0,j)，k＝1(13)；

60、其中，sk(k＝0)是0次迭代后保留下來的波長集合，包含了最重要的r0個波長的索引，top-r0(p0,j)指從p0,j中選擇r0個最重要波長。

61、開始迭代：

62、xk＝x[:,sk],k≥2(14)；

63、

64、構建光譜子矩陣xk，x[：，sk]指選擇所有樣本內的所有感興趣區域組成的原始光譜矩陣x中所有樣本行和sk波長集合中波長對應的所有列；

65、評估每個波長在當前向量wk中的相對重要性，以確定其在模型中的貢獻：

66、

67、wk,j是回歸系數向量wk中第j個波長的回歸系數，pk,j是第j個波長在第k次迭代中的重要性權重；

68、通過指數衰減函數，計算出當前迭代k中需要保留的波長數量rk。這些波長數量會隨著迭代的增加而逐漸減少，以便逐步淘汰影響較小的波長：

69、rk＝round(m·exp(-λ·k))(17)；

70、其中，m是初始保留的波長數，λ是指數衰減系數，用于控制隨著迭代的進行，保留波長數的衰減速率，k是當前的迭代次數，exp為指數衰減函數，用于根據迭代次數k和衰減系數λ來計算波長數的衰減率，round為四舍五入函數，將經過衰減計算后的結果轉換為整數，確保保留的波長數是整數形式；

71、將向量wk中的波長按照權重pk,j降序排列，保留前rk個波長，其余波長被淘汰：

72、sk+1＝top-rk(pk,j)??(18)；

73、其中，sk+1是當前迭代k操作后保留下來的波長集合，包含了最重要的rk個波長的索引，top-rk(pk,j)指按照權重pk,j降序排列，保留前rk個波長。

74、按照開始迭代內的操作方法進行依次迭代，直到達到預設迭代次數g。

75、在所有迭代k＝1,2,3……g中，選擇使交叉驗證誤差rmsecv最小的一組波長集合：

76、

77、

78、其中soptimal是最終選擇的最優波長集合，k*是使得交叉驗證誤差最小的迭代次數，指的是迭代次數為k時的交叉驗證的均方根誤差。

79、作為本發明進一步改進的技術方案，所述的步驟7具體為：

80、將經過cars特征篩選的感興趣區域的特征波長下的平均光譜數據融合圖像紋理特征，建立簡化transformer多任務分類模型，該模型包括白紋肉分類任務和木質肉分類任務。transformer多任務分類模型的架構基于自注意力機制，通過共享特征提取層對白紋肉和木質肉的光譜數據進行聯合學習，從而提高模型的分類性能與泛化能力。整個模型由輸入層、transformer編碼器模塊、任務分支網絡和輸出層組成，用于分別預測白紋肉和木質肉的分類得分和共生缺陷雞胸肉的判別。

81、本發明的有益效果為：

82、1.本發明通過高光譜顯微成像技術結合深度學習算法，對雞胸肉中的白紋和木質肉組織進行無損檢測與精確分類，彌補了傳統方法主觀性強、準確度低的缺陷。利用高光譜顯微成像技術提供的精確光譜信息，實現了組織分類的高分辨率和高精度，顯著提升檢測效率和準確性。

83、2.高光譜顯微成像技術不僅可以檢測白紋和木質肉的存在，還能生成其在肌肉組織中的高分辨率可視化分布圖。通過光譜分離與分類模型的結合，本發明首次實現了對白紋和木質肉共生組織的聯合檢測，直觀展示兩類缺陷組織的共生狀態，為進一步分析其共性分布規律及形成機理提供了全新的解析手段和理論依據。

84、3.本發明通過對白紋和木質肉組織的精準鑒別，為控制關鍵共性分布點提供了科學支持，同時反向指導雞肉生產中的遺傳選擇優化和營養調控策略，推動肉質改善和質量提升。此外，提取的光譜特征波長有助于開發便攜化、高通量的檢測設備，為雞肉質量的精準分選和實時監測提供了重要技術支持。