1.一种基于高光谱技术实现猪五花瘦肉率检测的方法，其特征在于，包括以下步骤：

步骤1：猪五花样品的制备；

步骤2：高光谱数据采集；

将步骤1获得的猪五花样块置于高光谱成像仪的传送台上，送至光谱采集区，卤素灯位于猪五花样块两侧，高度距猪五花样品上方20厘米处，与水平方向呈45°角，通过光谱相机进行原始高光谱图像采集；

步骤3：对步骤2获得的原始高光谱图像进行黑白校正；

步骤4：设计猪五花降维和图像重构模块，利用其完成猪五花高光谱数据的降维以及猪五花检测模型数据集的构建；

设计猪五花降维和图像重构模块，对改进的海洋捕食者算法后串联Robust PCA算法实现多阶段降维，即利用改进的海洋捕食者算法实现第一阶段降维后，Robust PCA算法在此基础上进行第二阶段降维并重构猪五花图像；

改进的海洋捕食者算法是在海洋捕食者算法的初始化阶段引入Logistics混沌映射初始化种群；初始阶段后，在海洋捕食者算法更新迭代的前、中、后期引入黄金正弦策略来协调算法的局部搜索和全局搜索；通过上述步骤获得波段组合后，通过在最优解位置引入高斯变异进行扰动变异产生新解，得到最终的有益波段；以最终的有益波段作为Robust PCA算法的输入，实现第二阶段的降维，将输出波段数设置为三个，提取这三个输出波段的主成分图像，利用这三张主成分图像重构猪五花图像，即第一主成分的灰度图像赋值给重构猪五花图像的R通道，第二主成分的灰度图像赋值给重构猪五花图像的G通道，第三主成分的灰度图像赋值给重构猪五花图像的B通道，得到包含猪五花肉区域的重构图像，以此来构建猪五花检测模型数据集；

步骤5：设计猪五花瘦肉融合分割网络模块，利用其进行猪五花重构图像中瘦肉的分割；

设计猪五花瘦肉融合分割网络模块，主要由融合分割网络子模块、混合注意力子模块和深度可分离残差卷积子模块构成，以融合分割网络子模块为核心架构，该架构由U‑Net编码网络和PSPNet网络的金字塔池化模块横向连接而成，然后将深度可分离残差卷积子模块和混合注意力子模块顺序串联集成进融合割网络子模块的U‑Net编码网络中；

步骤5‑1：构建融合分割网络子模块，在U‑Net网络的跳跃连接位置将其切分为编码网络和解码网络，丢弃原有解码网络，用U‑Net编码网络替换PSPNet网络中的骨干网络Resnet50；构建并行执行最大池化、全局平均池化、空洞卷积池化操作的混合尺度池化层，将其放入PSPNet网络的金字塔池化模块中，即在原来的四个不同尺度对应的全局平均池化层上分别替换为混合尺度池化层，对于每个尺度，混合尺度池化层并行执行最大池化、全局平均池化、空洞卷积池化三个不同的池化操作；

步骤5‑2：设计混合注意力子模块，基于空间注意力SA模块与高效通道注意力ECA模块设计混合注意力子模块，空间注意力SA模块和高效通道注意力ECA模块为并联连接，在融合分割网络模块中，猪五花检测模型数据集中的猪五花重构图像首先输入到深度可分离残差卷积子模块中，经过卷积、池化操作得到的特征图再分别输入到空间注意力SA模块和高效通道注意力ECA模块，空间注意力SA模块对输入的特征图分别采取最大、全局平均池化融合得到一个H×W×2的向量，H、W分别为输入特征图的宽和高，然后进行卷积操作，并使用Sigmoid函数计算空间权重系数，最后空间权重系数与输入的猪五花重构图像逐点相乘得到加权后的特征图；高效通道注意力ECA模块对输入的特征图采取全局平均池化对空间信息压缩得到1×1×C的向量，C为输入特征图的通道数；特征图的各通道与k个相邻通道之间采用自适应一维卷积，避免多通道降维，k代表的是交叉通道的覆盖率，定义k＝3，只留下通道注意力信息；然后使用Sigmoid函数计算通道权重系数，最后通道权重系数与输入的猪五花重构图像逐点相乘得到加权后的特征图；将输出的两个加权后的特征图进行元素级别的乘积融合，得到具有空间和通道注意力的特征图；

步骤5‑3：构建深度可分离残差卷积子模块，首先用3×3的深度可分离卷积层取代U‑Net编码网络中原有的3×3卷积层，然后在特征图输入位置与卷积后的输出特征图之间加入残差连接，据此构建的深度可分离残差卷积子模块包括两个3×3的深度可分离卷积层、两个非线性ReLU层、两个2×2的最大池化层，最后残差连接的输出特征图和主路径的输出特征图进行元素级的相加操作，得到最终的特征图；

步骤6：将步骤4中创建的重构猪五花图像输入步骤5的猪五花瘦肉融合分割网络模块中进行模型训练，输出为分割后的猪五花瘦肉区域图像；

步骤7：利用平滑填孔模块，对步骤6分割出的图像进行平滑、填孔处理；

基于改进的洪水填充算法和边界平滑技术构建平滑填孔模块，先利用扫描线填充快速填充待填充区域，然后用递归填充精确填充待填充区域的不规则边界，具体填充步骤如下：首先将掩模图像阈值处理为二值图像，其中背景和待填充区域的像素值为0，已识别的瘦肉区域的像素值为255，接着利用yolov5模型识别出二值图像中的待填充区域，并对待填充区域的像素坐标求平均计算出每个待填充区域的几何中心点，这些几何中心点将作为改进的洪水填充算法的种子点，将算法的填充像素设置为255，终止条件设置为255，即当遇到像素值为255的边界时停止填充；对所有待填充区域先使用扫描线填充，每个种子点向左右扩展，遇到像素值为255的边界即终止，将扩展过程中遇到的所有0像素填充为255，对当前行填充完成后，移动到上下两行，对于每个新行，重复上述左右扩展和填充过程；然后选取一个靠近边界但仍在待填充区域内的点作为新的种子点继续进行递归填充，检查种子点上下左右四个方向的像素，如果相邻像素的值不为255，则将该像素填充为255，并将该点作为新的种子点继续递归填充，重复以上过程，直到所有待填充区域的像素被填充为255；在孔洞填充完成后，采用高斯滤波器对填充后的边界像素进行平滑处理，使得填充边界与原始猪五花瘦肉区域图像边界过渡更加自然，最后输出经过改进的洪水填充算法和边界平滑技术处理后的猪五花瘦肉区域图像；

步骤8：遍历整幅图像，计算步骤4和步骤7中获得的五花肉区域、瘦肉区域的像素点个数，瘦肉率即为二者之比。

2.根据权利要求1所述的基于高光谱技术实现猪五花瘦肉率检测的方法，其特征在于，猪五花样品为大小为50mm×50mm×40mm的样块，重量范围为125g‑132g。

3.根据权利要求1所述的基于高光谱技术实现猪五花瘦肉率检测的方法，其特征在于，所述的高光谱成像仪参数设置为：波段范围380.2‑1020.2nm，光谱分辨率2.8nm，曝光时间

10ms，增益为1，物距500mm、图像分辨率900*1400，移动载物台移动速度为2cm/s。

4.根据权利要求1所述的基于高光谱技术实现猪五花瘦肉率检测的方法，其特征在于，黑白校正运算公式如下：

式中，R为校准后的高光谱图像数据；I为采集到的原始高光谱图像数据；W为标准白色校准板的数据；B为黑色背景数据。

5.根据权利要求1所述的基于高光谱技术实现猪五花瘦肉率检测的方法，其特征在于，使用步骤4制作的猪五花检测模型数据集对猪五花瘦肉融合分割网络模型进行训练，保存训练集准确率最高的模型为最优网络模型，使用最优网络模型实现对猪五花的瘦肉识别与分割，得到猪五花瘦肉掩膜图像。