技术摘要：
本发明公开了一种基于BSA‑IA‑BP的菌落总数预测方法，包括以下步骤：步骤1：对样本进行预处理；步骤2：采集样本的高光谱图像及菌落总数；步骤3：提取样本高光谱图像中的高光谱信息，并将样本划分为预测集和校正集；步骤4：对高光谱信息预处理及选择特征波段；步骤5：  全部
背景技术：
调理肉制品又称预制肉制品，是以畜禽肉为主要原料，添加适量的调味料或辅料， 经适当加工，以包装或散装形式在冷冻或冷藏或常温条件下贮存、运输、销售，可直接食用 或经简单加工、处理即可食用的肉制品。由于调理肉制品生产工艺较为复杂，加工过程中极 容易感染微生物，即使在低温冷链储运过程中，部分微生物如嗜冷杆菌、假单胞菌等也会生 长繁殖。微生物的大量滋生会导致调理肉制品腐败变质，一方面影响肉品本身的营养价值， 另一方面给消费者的健康带来极大安全隐患。为了降低微生物腐败造成的经济损失，提高 调理肉制品的质量和安全监控，实现调理肉制品快速、准确、经济、无损检测显得及其重要。 目前肉品中菌落总数的测定主要采用平板计数法，该方法测量准确度高，但存在 检测周期长、样品破坏大等问题。随着技术的进步，产生了一批新兴技术如ATP生物发光技 术、酶联免疫法、多聚酶链式反应等。与传统平板计数相比，这些新技术检测效率虽有明显 提高，但仍对样品具有破坏性，无法满足肉类行业大批量、实时、在线检测的要求。高光谱成 像作为一种快速无损的检测技术，融合了传统的成像技术和光谱技术，具有超多波段、光谱 高分辨率和图谱合一的特点，可以获得不同波长下的光谱和图像信息。光谱信息可以反映 样品内部的物理结构、化学成分的差异，而图像信息可以反映样本的大小、形状、缺陷等外 部特征。因此，利用高光谱成像技术可以获取调理肉制品光谱信息，建立肉品菌落总数的预 测模型，实现调理肉制品中菌落总数的无损检测。 由于调理肉制品在贮藏期间菌落总数受到外界环境因素影响和测量中的噪声干 扰，表现出非线性特征，而反向传播(back  propagation，BP)神经网络泛化能力强，善于映 射各种复杂非线性关系的建模方法，相比一般的线性建模方法，有较强的适应能力。然而BP 神经网络在应用中也存在一些不足，如收敛速度慢、容易陷入局部极小值和过拟合等。 为了解决这些问题，本发明采用BP神经网络对菌落总数进行建模，设计了一种利 用鸟群算法(Bird  Swarm  Algorithm，BSA)和免疫算法(Immune  Algorithm，IA)共同优化BP 初始权重和阈值的方法，对建立泛化能力强、预测准确性高的菌落总数预测模型具有重要 的意义。
技术实现要素：
本发明的目的在于克服现有技术中传统菌落总数检测方法中存在检测效率低、检 测成本高、产品破坏大的不足，提供一种基于BSA-IA-BP的调理鸡肉菌落总数预测方法，技 术方案如下： 基于BSA-IA-BP方法的菌落总数预测方法，包括以下步骤： 步骤1：对样本进行预处理； 5 CN 111597878 A 说　明　书 2/7 页 步骤2：采集样本的高光谱图像及菌落总数； 步骤3：提取样本高光谱图像中的高光谱信息，并将样本划分为预测集和校正集； 步骤4：对高光谱信息预处理及选择特征波段； 步骤5：输入校正集样本高光谱信息和菌落总数对BP神经网络进行训练，并利用鸟 群算法和免疫算法优化BP初始权重和阈值，建立菌落总数的预测模型 步骤6：利用预测集样本对预测模型进行评价。 进一步地，还包括采用CARS算法挑选步骤2中高光谱信息中的特征波长。 进一步地，步骤4中对高光谱信息预处理的方法为标准正态变量变换、多元散射校 正、一阶导数、二阶导数中的一种。 与现有技术相比，本发明所达到的有益效果： 本发明克服了以往的预测方法中BP网络收敛速度慢、寻优精度低、且容易陷入局 部极小值等导致预测精度低、稳定性差的问题，提升了模型预测精度和稳定性，使得食品中 微生物的无损检测更为精确、高效，是一种快速、准确、经济、无损的预测方法。 附图说明 图1为本发明的流程示意图； 图2为本发明实施例中CARS算法变量筛选流程示意图，(a)波长变量数随采样次数 变化趋势，(b)RMSECV随采样次数变化趋势，(c)回归系统轨迹图； 图3为本发明实施例中调理鸡肉平均反射光谱曲线； 图4为本发明实施例中BSA-IA-BP模型适应度函数变化曲线。