外文摘要：
NOVELTY - The method involves determining (S101) target microorganism groups, target microorganisms and non-target organisms in a sample to be tested. The target microorganism, the reference microorganism, and the non-target organism, the characteristic region image information of the target microorganism group and the characteristic region of the target microorganism are obtained (S102). The result of comparison between the classification accuracy rate obtained in the n tests of the round and the classification accuracy rate of the previous n rounds of tests is judged whether or not to stop.
USE - Method for qualitative and quantitative detection of food microorganisms.
ADVANTAGE - The method solves the problem that the reliability of the qualitative and quantitative determination of the microorganism cannot be calculated.
主权项：
1.一种食品微生物定性与定量的检测方法，其特征在于，所述食品微生物定性与定量 的检测方法，包括：
确定待测样品中的目标微生物类群、目标微生物和非目标生物、以及不存在于所述待 测样品中的参考微生物图像信息，所述待测样品为食品；
根据所述目标微生物类群、所述目标微生物、所述参考微生物和所述非目标生物的参 考基因组序列，通过图像处理单元获得所述目标微生物类群的特征区域图像信息、所述目 标微生物的特征区域图像信息和所述参考微生物的特征区域图像信息；对所述目标微生物 类群和所述目标微生物进行定性和定量分析；
所述图像处理单元包括：X射线源、X射线探测器、CCD相机、自动旋转台、待成像测样品 搁置箱、窄带滤波片及控制单元；
所述窄带滤波片置于CCD相机的镜头前；所述窄带滤波片、CCD相机均位于X射线源、待 成像活体动物模型搁置箱和X射线探测器连线的垂直方向；所述待成像测样品搁置箱安置 在自动旋转台上，所述待成像测样品搁置箱、自动旋转台均位于X射线源与X射线探测器之 间；所述X射线源、X射线探测器、CCD相机、自动旋转台均通过导线连接控制单元；
所述X射线探测器用与接收并探测X射线源发射的X射线；
所述CCD相机，用来接收短波红外光；
所述自动旋转台，用与固定待成像测样品搁置箱并进行旋转以采集多个角度下的X射 线投影数据和光学投影数据；
所述窄带滤波片，用来滤除标示带宽之外波长的光；
所述控制单元用于控制X射线源、X射线探测器、CCD相机、自动旋转台的运行以及参数 设置；还用于控制光学数据和X射线投影数据的采集和重建，融合双模态的成像；
所述控制单元还包括控制模块、数据采集模块、处理器模块、目标图像获取模块、非负 图像获取模块、分解模块、稀疏化处理模块、重建模块；所述控制模块通过导线分别连接控 制X射线源、X射线探测器、CCD相机、自动旋转台；
所述数据采集模块，用于获取X射线探测器的投影数据；
所述处理器模块，用于对所述数据采集模块获取的投影数据进行处理；
所述目标图像获取模块，用于根据所述处理的投影数据进行迭代处理，以获取目标图 像；
所述非负图像获取模块，用于对所述目标图像进行非负处理，获取所述目标图像的非 负图像；
所述分解模块，用于对所述非负图像进行非线性分解，获取第一非负图像和第二非负 图像；
所述稀疏化处理模块，用于对所述第一非负图像和第二非负图像进行稀疏化处理，获 取满足预定条件的最优化稀疏解；
所述重建模块，用于根据所述最优化稀疏解获取重建图像；
所述目标图像获取模块根据所述处理的投影数据进行迭代处理，以获取目标图像中， 迭代处理模型的公式表示为：
X i = X i - 1 + ( G i - 1 - M i - 1 · M i - 1 ) · M i - 1 T · λ ( M i - 1 · M i - 1 )
其中，X为所述目标图像，M为系统矩阵，G为所述投影数据，i表示迭代次数，Xi表示第i 次迭代后得到的迭代结果；λ表示收敛系数，且λ∈(0,1)，MT表示对矩阵M的转置；
具体包括：
设置所述目标图像的初始值，并根据预先设置的迭代次数利用所述迭代处理模型对所 述目标图像中的每个像素点进行迭代更新，获取所述目标图像，所述迭代处理模型中的像 素点的当前灰度值与前次迭代的灰度值一致逼近；
所述非负图像获取模块对所述目标图像进行非负处理中，将所述目标图像中灰度值小 于0的像素点置零；
所述数据采集模块获取X射线探测器的投影数据之前，需先获取X射线探测器的投影图 像序列集，对所述投影图像序列集进行预处理后获取所述投影数据；
所述融合双模态的成像中，采用多变量分析方法融合最终得到双模态的图像；所述多 变量分析方法包括：
用n表示重建图像的个体总数，而各个体都有m个特征量，将得到的重建图像分为两组， 一组是测试集，包含一个个体，一组是训练集，包括除测试集中所含个体外的图像，共n-1个 个体；
用所述训练集训练所述线性支持向量机，得出训练后支持向量机：根据以下公式计算 得到权值向量w，w为一个m维列向量，其中的每个元素对应一个特征量；
m i n 1 2 w T w + γ Σ i = 1 n ξ i
y i(w Tx i+b)-1+ξ i≥0
s.t.ξ i≥0；
其中，γ是惩罚参数，用来实现算法复杂度和错分样本数的折中；ξ i测量错分程度；y i为 每个人的类属性；x i为每个个体的特征向量；b为常数；
用已知类属性的所述测试集来评估所述训练后支持向量机的性能：用所述训练后支持 向量机来判断所述测试集的类属性，所述训练后支持向量机会给出属性标签1或-1，其中1 为待测食品微生物含量超标图像，-1为正常图像，通过所述训练后支持向量机得出的判断 结果与所述测试集的实际类属性相比较，两者若一致，则所述训练后支持向量机分类正确， 否则，则分类错误；
重新将n个个体分为测试集和训练集，所述测试集包含一个个体，且该个体与前一次测 试的测试集中的个体不相同，余下的所有个体作为训练集，然后训练所述线性支持向量机， 得出训练后支持向量机，然后再评估得出的所述训练后支持向量机的性能；重复训练n-1次 后停止；
将每个特征的n次权值求平均权值，并依据平均权值将特征由大到小进行排序，去除排 序最低的特征量；
所得出的该轮n次测试中的分类正确率和上一轮n次测试的分类正确率比较的结果判 断是否停止。
2.如权利要求1所述食品微生物定性与定量的检测方法，其特征在于，所述处理器模块 对所述数据采集模块获取的投影数据的处理方法包括：
1)利用含有M个阵元的阵列天线接收来自数据采集模块获取的投影数据的跳频信号， 对每一路接收信号进行采样，得到采样后的M路离散时域混合信号
2)对M路离散时域混合信号进行重叠加窗短时傅里叶变换，得到M个混合信号的时频域 矩阵 其中P表示总的窗 数，N fft表示FFT变换长度；(p，q)表示时频索引，具体的时频值为 这里N fft 表示FFT变换的长度，p表示加窗次数，T s表示采样间隔，f s表示采样频率，C为整数，表示短时 傅里叶变换加窗间隔的采样点数，C＜N fft，且K c＝N fft/C为整数。
3.如权利要求2所述食品微生物定性与定量的检测方法，其特征在于，所述处理器模块 对所述数据采集模块获取的投影数据的处理方法还包括：
对得到的跳频混合信号时频域矩阵 进行预处理；包括：
第一步，对 进行去低能量预处理，即在每一采样时刻p，将 幅值小于门限ε的值置0，得到 门 限ε的设定根据接收信号的平均能量来确定；
第二步，找出p时刻(p＝0,1,2,…P-1)非零的时频域数据，用 表示，其中 表示p时刻时频响应 非0时对应的频率索引，对 这些非零数据归一化预处理，得到预处理后的向量b(p,q)＝[b 1(p,q),b 2(p,q),…,b M(p, q)] T，其中
4.如权利要求2所述食品微生物定性与定量的检测方法，其特征在于，所述处理器模块 对所述数据采集模块获取的投影数据的处理方法还包括：
利用聚类算法估计每一跳的跳变时刻以及各跳对应的归一化的混合矩阵列向量、跳频 频率；在p(p＝0，1，2，…P-1)时刻，对 表示的频率值进行聚类，得到的聚类中心个数 表 示p时刻存在的载频个数， 个聚类中心则表示载频的大小，分别用 表 示；对每一采样时刻p(p＝0，1，2，…P-1)，利用聚类算法对 进行聚类，同样可得到 个聚类中心，用 表示；对所有 求均值并取整，得到源信号个数的估计 即：
N ^ = r o u n d ( 1 p Σ p = 0 P - 1 N ^ p ) ;
找出 的时刻，用p h表示，对每一段连续取值的p h求中值，用 表示第l 段相连p h的中值，则 表示第l个频率跳变时刻的估计；根据估计得到的 以及第四步中估计得到的频率跳变时刻估计出每一跳对应的 个 混合矩阵列向量 具体公式为：
a ^ n ( l ) = 1 p ‾ h ( 1 ) · Σ p = 1 , p ≠ p h p ‾ h ( 1 ) b n , p 0 l = 1 , 1 p ‾ h ( l ) - p ‾ h ( l - 1 ) · Σ p = p ‾ h ( l - 1 ) + 1 , p ≠ p h p ‾ h ( l ) b n , p 0 l > 1 , , n = 1 , 2 , ... , N ^
这里 表示第l跳对应的 个混合矩阵 列向量估计值；估计每一跳对应的载频频率，用 表示第l跳对应的 个频率估计值，计算公式如下：
f ^ c , n ( l ) = 1 p ‾ h ( 1 ) · Σ p = 1 , p ≠ p h p ‾ h ( 1 ) f o n ( p ) l = 1 , 1 p ‾ h ( l ) - p ‾ h ( l - 1 ) · Σ p = p ‾ h ( l - 1 ) + 1 , p ≠ p h p ‾ h ( l ) f o n ( p ) l > 1 , , n = 1 , 2 , ... , N ^ .
5.如权利要求2所述食品微生物定性与定量的检测方法，其特征在于，所述处理器模块 对所述数据采集模块获取的投影数据的处理方法还包括：根据估计得到的归一化混合矩阵 列向量估计时频域跳频源信号。
6.如权利要求2所述食品微生物定性与定量的检测方法，其特征在于，所述处理器模块 对所述数据采集模块获取的投影数据的处理方法还包括：对不同跳频点之间的时频域跳频 源信号进行拼接；估计第l跳对应的 个入射角度，用 表示第l跳第n个源信号对应的入 射角度， 的计算公式如下：
θ ^ n ( l ) = 1 M - 1 Σ m = 2 M sin - 1 [ a n g l e ( a ^ n , m ( l ) / a ^ n , m - 1 ( l ) ) * c 2 π f ^ c , n ( l ) d ] , n = 1 , 2 , ... , N ^
表示第l跳估计得到的第n个混合矩阵列向量 的第m个元素，c表示光速，即v c ＝3×10 8米/秒；判断第l(l＝2，3，…)跳估计的源信号与第一跳估计的源信号之间的对应 关系，判断公式如下：
m n ( l ) = argmin m | θ ^ m ( l ) - θ ^ n ( 1 ) | , n = 1 , 2 , ... , N ^ ;
其中m n (l)表示第l跳估计的第m n (l)个信号与第一跳估计的第n个信号属于同一个源信 号；将不同跳频点估计到的属于同一个源信号的信号拼接在一起，作为最终的时频域源信 号估计，用Y n(p,q)表示第n个源信号在时频点(p,q)上的时频域估计值，p＝0,1,2,....,P， q＝0,1,2,...,N fft-1，即：
根据源信号时频域估计值，恢复时域跳频源信号；对每一采样时刻p(p＝0，1，2，…)的 频域数据Y n(p,q),q＝0,1,2,…,N fft-1做N fft点的IFFT变换，得到p采样时刻对应的时域跳 频源信号，用y n(p,q t)(q t＝0,1,2,…,N fft-1)表示；对上述所有时刻得到的时域跳频源信号 y n(p,q t)进行合并处理，得到最终的时域跳频源信号估计，具体公式如下：
s n [ k C : ( k + 1 ) C - 1 ] = Σ m = 0 k y n [ m , ( k - m ) C : ( k - m + 1 ) C - 1 ] k < K c Σ m = k - K c + 1 k y n [ m , ( k - m ) C : ( k - m + 1 ) C - 1 ] k ≥ K c , k = 0 , 1 , 2 , ...
这里K c＝N fft/C，C为短时傅里叶变换加窗间隔的采样点数，N fft为FFT变换的长度。
申请号： CN201710947919.5
公开/公告号： CN107860781A
申请日：2017-10-12
公开/公告日：2018-03-30
申请/专利权人：兰州职业技术学院
发明/设计人： 贾国军;赵凤舞;马振贵;王剑虹;王春霖;杨玲
分类号： G01N23/02 G01N21/84
主分类号： G01N23/02
法律状态：审中-公开发明
点击下载：一种食品微生物定性与定量的检测方法