本研究應用了400-1000nm的高光譜相機，可采用杭州彩譜科技有限公司產品FS13進行相關研究。光譜范圍在400-1000nm，波長分辨率優于2.5nm，可達1200個光譜通道。采集速度全譜段可達128FPS，波段選擇后最高3300Hz（支持多區域波段選擇）。
在肉類工業中，肉品的品質鑒別或分類是質量控制的一個至關重要的階段。然而，在肉類工業中，品質分類和控制主要采用人工辨別，這種主觀方法需要大量勞動力、成本高。因此，現代肉品工業需要尋求快速準確和無損的方法用于肉品品質的快速鑒別。高光譜成像技術是一種新興、無損、可靠的技術，它結合了計算機視覺與傳統光譜技術的優點。因此，應用高光譜成像技術進行肉類品質分級引起了科研人員的重視。
雞肉能提供豐富的蛋白質、脂類和微量元素，是人們日常生活中一種非常重要的肉類食品。雞肉的品質優劣受到諸多因素的影響，如品種、性別、飼養方式和飼養水平。又根據養殖方式和飼養水平，雞的種類可以分為放養土雞和普通肉雞。放養土雞是指那些放養在山林或果園中，養殖周期在6個月以上的雞品種99。相反，普通肉雞，又稱為商品雞，是指進行大規模工業化養殖且養殖周期較短(一般只有3個月)的雞品種1991。與普通肉雞對比，放養土雞有其特殊優勢，比如具有較強的環境適應能力、較高的疾病抵抗力和較好的繁殖能力。此外，在肉質上，放養土雞的肉質更美味、更富有營養，因而市場售價也往往更高。由于放養土雞對消費者來說價值更高，因此快速準確的鑒別放養土雞與普通肉雞對肉類工業進行雞肉定價、身份驗證和種類區分有著重要意義。然而，目前還沒有相關文獻報道將高光譜成像技術應用于區分放養土雞與普通肉雞。因此，本研究的目的是融合高光譜圖像的特征光譜數據與紋理數據實現放養土雞與普通肉雞的快速鑒別。
試驗材料購買與處理
本試驗材料為四種不同類型的雞胴體(清遠土雞、湛江土雞、普通清遠雞和普通湛江雞),每只全量約為1.5kg,均購于廣州市番禺區新造鎮菜市場，每種類型雞胴體數量
為4。為了更清晰地進行闡述，將這四種類型的雞胴體分別命名為土雞1號，土雞2號，普通肉雞1號和普通肉雞2號。在屠宰后，所有新鮮雞胴體需立即進行打包、貼上標簽、運往實驗室。采用手術刀將新鮮雞胸脯肉從胴體中剔除出來并切成厚度為1厘米的肉片。
結果，一種獲得了120個肉片樣本，然后進行高光譜圖像的獲取。在進行數據分析前，試驗樣本需劃分為兩個子集：校正集和預測集。采用隨機采樣的原則隨機選取三分之一(40個)樣本作為預測集，剩余的80個樣本作為校正集。校正集是用于建立一個校正模型而預測集是用于驗證所建模型的穩健性。
土雞與普通肉雞的光譜特征曲線
圖展示不同類型土雞與普通肉雞在400-1000 nm范圍內的MSC平均光譜曲線。從圖可以看出四種雞肉光譜曲線的大致趨勢是相似的。然而，光譜吸光度值的變化程度是有些不同的，一方面也許是因為肉片厚度不均勻或者表面不均勻變化引起的光散射，另一方面也可能與肌肉的生物化學特性和質構特性有關。如圖所示，6個主要的吸收波段主要出現在430nm,510nm,550nm,620nm,730nm和970nm附近。具體地，970nm左右的吸收波段主要是水分子中O-H鍵的二級倍頻吸收帶,而730 nm左右的弱吸收波段主要與水分子中O-H鍵的三級倍頻吸收帶有關。此外，550 nm左右的吸收波段主要與肌紅蛋白和血紅蛋白中血紅素吸收有關,而510nm和620 nm附近吸收波段則與高鐵肌紅蛋白和高鐵血紅蛋白中氧化血紅素吸收有關。
本章節探究了基于高光譜圖像的特征光譜信息與紋理信息在快速鑒別土雞與普通肉雞上的可能性。首先，從獲取的高光譜圖像中提出了平均光譜并進行MSC光譜預處理，并用SPA提取特征波長。然后，通過PCA篩選高光譜圖像的特征灰度圖像，并采用灰度梯度共生矩陣提取前兩張灰度圖像的紋理變量。最后，基于全波長光譜、特征波長光譜、紋理變量、特征波長光譜和紋理變量的融合數據分別建立LS-SVM和ANN鑒別模型?；谌诤蠑祿⒌腖S-SVM和ANN的CCR分別為95%和92.5%,均高于基于特征波長光譜/紋理變量所建LS-SVM和ANN。試驗結果表明基于融合數據建立的鑒別模型均優于僅依靠特征波長或紋理變量所建的鑒別模型，證明了高光譜成像技術的特征光譜與圖像紋理數據的融合可實現土雞與普通肉雞的快速鑒別。
本研究應用了400-1000nm的高光譜相機，可采用杭州彩譜科技有限公司產品FS13進行相關研究。光譜范圍在400-1000nm，波長分辨率優于2.5nm，可達1200個光譜通道。采集速度全譜段可達128FPS，波段選擇后最高3300Hz（支持多區域波段選擇）。
在肉類工業中，肉品的品質鑒別或分類是質量控制的一個至關重要的階段。然而，在肉類工業中，品質分類和控制主要采用人工辨別，這種主觀方法需要大量勞動力、成本高。因此，現代肉品工業需要尋求快速準確和無損的方法用于肉品品質的快速鑒別。高光譜成像技術是一種新興、無損、可靠的技術，它結合了計算機視覺與傳統光譜技術的優點。因此，應用高光譜成像技術進行肉類品質分級引起了科研人員的重視。
本章節探究了基于高光譜圖像的特征光譜信息與紋理信息在快速鑒別土雞與普通肉雞上的可能性。首先，從獲取的高光譜圖像中提出了平均光譜并進行MSC光譜預處理，并用SPA提取特征波長。然后，通過PCA篩選高光譜圖像的特征灰度圖像，并采用灰度梯度共生矩陣提取前兩張灰度圖像的紋理變量。最后，基于全波長光譜、特征波長光譜、紋理變量、特征波長光譜和紋理變量的融合數據分別建立LS-SVM和ANN鑒別模型?；谌诤蠑祿⒌腖S-SVM和ANN的CCR分別為95%和92.5%,均高于基于特征波長光譜/紋理變量所建LS-SVM和ANN。試驗結果表明基于融合數據建立的鑒別模型均優于僅依靠特征波長或紋理變量所建的鑒別模型，證明了高光譜成像技術的特征光譜與圖像紋理數據的融合可實現土雞與普通肉雞的快速鑒別。
