CN111915564A - 联合机器视觉与oct技术的冷冻肉制品光学特性检测方法 - Google Patents

联合机器视觉与oct技术的冷冻肉制品光学特性检测方法 Download PDF

Info

Publication number
CN111915564A
CN111915564A CN202010628682.6A CN202010628682A CN111915564A CN 111915564 A CN111915564 A CN 111915564A CN 202010628682 A CN202010628682 A CN 202010628682A CN 111915564 A CN111915564 A CN 111915564A
Authority
CN
China
Prior art keywords
oct
frozen meat
meat product
points
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010628682.6A
Other languages
English (en)
Other versions
CN111915564B (zh
Inventor
张璐
沈筱榕
赵宏
李珂嘉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202010628682.6A priority Critical patent/CN111915564B/zh
Publication of CN111915564A publication Critical patent/CN111915564A/zh
Application granted granted Critical
Publication of CN111915564B publication Critical patent/CN111915564B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10101—Optical tomography; Optical coherence tomography [OCT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30128—Food products

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种联合机器视觉与OCT技术的冷冻肉制品光学特性检测方法，采用机器视觉方法获取冷冻肉制品肉样本的RGB图像，同时采用OCT技术获取其二维低相干图像；对采集到的RGB图像进行二值化处理；在待测量的感兴趣区域选取若干点记录其像素坐标；根据记录的纵坐标，找到对应的OCT二维横截面图；根据记录的横坐标，在OCT二维横截面图上找到对应的灰度随深度变化信号并提取；然后对提取出的所有灰度随深度变化信号求取均值，求取光衰减系数。本发明有效避开冷冻肉制品的非感兴趣区域，计算出的光衰减系数更接近感兴趣区域的光学参数真实值；可半定量判断冷冻肉制品的储藏时间，光衰减系数越小，冷冻肉制品储藏时间越长。

Description

联合机器视觉与OCT技术的冷冻肉制品光学特性检测方法
技术领域
本发明涉及机器视觉领域、光学相干层析成像领域与食品快速检测领域，具体地说，涉及一种联合机器视觉与OCT技术的冷冻肉制品光学特性检测方法。
背景技术
在过去的数年里，中国海关陆续发现了“僵尸肉”的进口肉制品。在冷冻保鲜条件下，新鲜肉制品的保质期虽然得到了大幅延长，但随着冷冻时间的增加，由于温度波动及反复冻融等因素的影响，其蛋白质和脂肪内陆续出现腐蚀和刺激性物质，造成肉制品劣化。目前，海关口岸的冷冻肉制品的品质主要依赖于人为主观评判，或者是先将冻肉进行解冻处理，再进行品质指标的理化测定。
食品快速检测，比如肉制品的快速检测，主要依赖于光学检测，其方法主要基于光与物质的相互作用原理。光照射于生物组织，并在其内部传输时，会发生吸收与散射现象。生物组织中的光的吸收主要与组织的化学组成成分有关。在可见-近红外波段，主要对光产生吸收的物质有水分、可溶性固形物等。而生物组织中光的散射则主要于组织的物理特性如质地和硬度等有关。因此，基于光学检测的食品快速检测，可根据光学特性的变化，推断食品品质的变化，如新鲜程度、储藏时长等。光学特性的检测在食品快速检测中具有重要作用。
光学相干层析成像(Optical Coherence Tomography,OCT)，是一种能够对生物组织横断面进行成像的技术。OCT技术的成像分辨率在微米量级，成像深度在毫米量级。其成像特点，受到眼科、皮肤科等领域研究者的青睐。从分析指标来看，OCT技术可以得到生物组织的与光学性能相关的参数，如散射系数、吸收系数、折射率等。通过对OCT图像的分析，从中计算出的生物组织局部光衰减系数能够提供组织特异性信息，其应用有定量辨别不同的生物组织等。
目前，通过OCT对生物组织的光学特性的检测，主要过程为，首先得到生物组织的某一OCT截面图，然后沿着横截面图的某一方向求取平均信号。对得到的信号，根据朗伯-比尔定律(Lambert-Beer Law)或者基于惠更斯-菲涅尔原理(Huygens-FresnelPrinciple)的多次散射模型，求取光衰减系数。
目前，已有对猪肉和牛肉保存时间的检测方法的报道，这些技术方法，如专利CN106153576A，CN105973833A，CN104568796A，CN109142269A等，均使用了近红外光谱(NearInfrared Spectrometry,NIR)的方法。但是这一方法获得的均为样品表面的信息，没有获得肉品内部的信息。而肉的品质变化如脱水等是由外而内的过程，肉品的内部信息具有较大的挖掘价值。
发明内容
本发明的目的是提供一种联合机器视觉与OCT技术的冷冻肉制品光学特性检测方法，瞄准食品安全快速检测中肉制品冻龄测量中，生物组织光衰减特征获取困难的问题，解决现有方法由于求取平均信号时夹杂过多无效信号导致特征信号不显著，且需要人工手动选取截面而导致不能实现批量自动化处理的问题。
本发明的目的是通过以下技术方案实现的：一种联合机器视觉与OCT技术的冷冻肉制品光学特性检测方法，包括以下步骤：
(1)采集冻肉样品的RGB图像，以及冻肉样品的OCT截面图像；
(2)对步骤(1)的RGB图像进行二值化处理；
(3)以(2)中得到的二值化图像为参考，在感兴趣区域选取若干点(>10)并记录坐标；
(4)根据(3)中得到的若干个点(>10)的纵坐标，通过公式
Figure BDA0002567623900000021
(s0为 OCT二维横截面图总数，y为当前点的纵坐标，y0为第(3)步中二值化图像纵向的总像素数，s为若干点的纵坐标对应的OCT二维横截面图序号)，找到对应的OCT二维横截面图序号；
(5)根据(3)中得到的若干个点(>10)的横坐标，通过公式
Figure BDA0002567623900000022
(w0为 OCT二维横截面图像横向的像素总数，x为当前点的横坐标，x0为第(3)步中二值化图像横向的总像素数，w为若干点的横坐标对应的OCT二维横截面图像的横坐标)，在(4)中得到的OCT二维横截面图上，先找到若干点的横坐标对应的OCT二维横截面图像的横坐标，然后提取横坐标下的灰度随深度变化信号；
(6)对(5)中提取出的所有灰度随深度变化信号求取均值，计算出拟合曲线，求取光衰减系数，根据光衰减系数可半定量判断冷冻肉制品的储藏时间，光衰减系数越小，冷冻肉制品储藏时间越长。
步骤(3)中，在选取像素点时，避开第(2)步得到的二值图的白色区域(非感兴趣区域)像素点，仅在黑色区域(感兴趣区域)进行像素点选取；选取点有两种方法，一种是通过程序自动判断该点是否落在黑色区域，若在则可作为备选点进行保存，并确保选出的点的数量大于10个并且小于人工确定的上限数量；另一种是直接由人工通过鼠标手动在第(2)步二值化后的图像上选取大于10个点并保存。
步骤(4)中，OCT二维截面图由OCT成像系统附带软件导出，导出的截面图数量确保大于100张，并以软件所能保存的截面图数量为上限。
步骤(6)中在对灰度随深度变化信号求均值前，将信号的峰值视为空气与冻肉样品的分界面，并将峰值信号统一调整到深度起始位置(即调整到z＝0，z为灰度随深度变化图的横坐标)，确保均值的计算是对冻肉样品表面下同一深度处的信号进行的。
步骤(6)中，在对灰度随深度变化信号求均值前，将信号的峰值视为空气与冻肉样品的分界面，并将峰值信号统一调整到深度起始位置(即调整到z＝0，z为灰度随深度变化图的横坐标)，确保均值的计算是对冻肉样品表面下同一深度处的信号进行的；完成调整操作之后再进行曲线拟合，拟合曲线基于朗伯比尔定律(Lambert-Beer Law)进行，
Figure BDA0002567623900000031
其中，i为信号值，z为深度，ut为光衰减系数。
本发明在感兴趣区域随机选取点时，确保了选取的随机性，提高了所提取出信息的可靠性。本发明相对于原先的对OCT某一截面整体计算平均信号的方法，提出的区域分割的方法有效的避开了非感兴趣区域，由此计算出的光衰减系数更接近感兴趣区域的光学参数真实值。本发明提出的获取冷冻肉制品的光学特性的方法，对冷冻肉制品的快速检测如品质检测、冻龄检测等，在参数获取方面具有指导意义。根据获取的光衰减系数参数，可半定量比较冷冻肉制品的储存时间，通过比较大小，光衰减系数越小，冷冻时间越长。
附图说明
图1为联合机器视觉与OCT技术的冷冻肉制品光学特性检测方法流程图。
图2为将RGB图像转化为二值图像并选取点示意图，右侧为该操作在三维空间上的示意图。
图3为提取出的并进行了平均的灰度随深度变化曲线图。
表1为冷冻储存了不同时间的冷冻猪肉样品的光衰减系数表。
Figure DEST_PATH_HDA0002567623910000022
具体实施方式
以下将结合附图及实施例来详细说明本发明的实施方式。在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明的实施方式不限于此。
如图1所示，本实施例的联合机器视觉与OCT技术的冷冻肉制品光学特性检测方法，过程如下：
(1)准备猪肉样品。选取新鲜猪肉样本并切成3cm×3cm×0.5cm尺寸的样品50块，在-20℃冷冻温度下冷冻并储藏。分别在储藏了1个月和3个月时取出冷冻猪肉，并利用 OCT系统采集数据。
(2)运用OCT技术对冻肉样品进行光学图像采集。采集两种图像：表面RGB图像和三维OCT图像。其中，表面彩色图像，利用了OCT系统自带的相机，拍摄猪肉的俯视图像，成像范围12mm x 9mm。而OCT三维图像，最多可保存为200张截面图。获取图像时，OCT 图像信噪比调至最宽范围，OCT光源中心波长1300nm。
图2的左侧图像展示了将RGB图像转为二值图像并选取若干感兴趣区域的点的过程，图2的右侧图像将这一过程在三维空间上进行了直观展示。图2在以下的步骤(3)-(6)中有详细体现。
(3)对采集到的RGB图像，进行图像二值化处理，处理时使用Otsu方法，该方法以最小化阈值黑白像素的类内方差为目标选取阈值。
(4)以得到的二值化图像为参考，在肌肉区域选取若干点并记录坐标。在上一步得到二值化图像后，因为脂肪区域或冰晶区域在图像上表现为亮度偏高，所以可大致认为二值化后的白色区域主要分布着脂肪或冰晶，黑色区域为肌肉区域。在黑色区域通过鼠标选点，本实例中，选取了10个点，并且在选取点时尽量远离白色区域。在选取好点之后对点坐标进行存储，以备后续使用。
(5)对取得的若干个点的纵坐标，通过计算，找到对应的OCT二维横截面图。OCT 成像系统自带的软件，能够观测冻肉样品的三维OCT图像，但是在存储图像时只能存为若干个二维截面图。本实例在存储横截面图像时，对一个冻肉样品的OCT三维图像，存储了 200个横截面图像。上一步选取的若干个点的纵坐标可以与横截面图像编号建立对应关系。由于表面RGB图像的纵向像素数量超过OCT横截面图像数量，所以在建立对应关系时需要作近似处理。具体来说，需要将纵向的若干个像素点均视为落在某一个横截面图像上。
(6)对取得的若干个点的横坐标，通过计算，在OCT二维横截面图上找到对应的轴向信号并提取。具体方法与上一步相似。需要指出的是，在第(5)步和第(6)步中的计算都采用了近似处理。理论上讲，为了近似更为准确，第(5)步中，横截面数量越多越好；而在第(6)步中，二值化图像的横向像素数量与横截面图像的横向像素数越接近越好。本实例中提取了感兴趣区域(猪肉冻肉样品肌肉区域)的10个轴向信号，计算平均信号并绘制为灰度随深度变化曲线。因冻肉样品表面不平整，在计算平均信号前还需进行以下操作：需要从信号中识别出空气与冻肉样品的分界面，本实例中将轴向信号的峰值处视为分界面；在将分界面统一到0起始点后，计算了10个轴向信号的平均信号。。
图3示出了经过步骤(6)后，提取出的冷冻肉制品的轴向信号，即灰度随深度变化曲线。纵坐标为归一化后的灰度值，可反映在样品深度方向探测到的光的强度，横坐标为深度方向的图像的像素点数。
(7)对上一步中计算出的灰度随深度变化曲线，进行曲线拟合以计算光衰减系数。光衰减系数依据朗伯-比尔定律(Lambert-Beer Law)计算得出。具体的，在计算时使用公式
Figure BDA0002567623900000051
(其中i为信号值，z为深度，μt为光衰减系数)进行曲线拟合。
表1示出了对冷冻了不同时长的样品的OCT轴向信号，根据步骤(7)中公式进行曲线拟合后，得到的光衰减系数。其曲线拟合过程基于最小二乘法进行。由表中数据可推断，光衰减系数越小，冷冻肉制品储藏时间越长。
此实施例在感兴趣区域随机选取点时，确保了选取的随机性，提高了所提取出信息的可靠性。相对于原先的对OCT某一截面整体计算平均信号的方法，此实施例使用的区域分割的方法有效的避开了非感兴趣区域，由此计算出的光衰减系数更接近感兴趣区域的光学参数真实值。此实施例使用的获取冷冻肉制品的光学特性的方法，对冷冻肉制品的快速检测如品质检测、冻龄检测等，在参数获取方面具有指导意义。根据获取的光衰减系数参数，可半定量比较冷冻肉制品的储存时间，通过比较大小，光衰减系数越小，冷冻时间越长。

Claims (4)

1.一种联合机器视觉与OCT技术的冷冻肉制品光学特性检测方法，其特征在于，包括以下步骤：
(1)采集冻肉样品的RGB图像，以及冻肉样品的OCT截面图像；
(2)对步骤(1)的RGB图像进行二值化处理；
(3)以(2)中得到的二值化图像为参考，在感兴趣区域选取若干点(>10)并记录坐标；
(4)根据(3)中得到的若干个点(>10)的纵坐标，通过公式
Figure FDA0002567623890000011
s0为OCT二维横截面图总数，y为当前点的纵坐标，y0为第(3)步中二值化图像纵向的总像素数，s为若干点的纵坐标对应的OCT二维横截面图序号，找到对应的OCT二维横截面图序号；
(5)根据(3)中得到的若干个点(>10)的横坐标，通过公式
Figure FDA0002567623890000012
w0为OCT二维横截面图像横向的像素总数，x为当前点的横坐标，x0为第(3)步中二值化图像横向的总像素数，w为若干点的横坐标对应的OCT二维横截面图像的横坐标，在(4)中得到的OCT二维横截面图上，先找到若干点的横坐标对应的OCT二维横截面图像的横坐标，然后提取横坐标下的灰度随深度变化信号；
(6)对(5)中提取出的所有灰度随深度变化信号求取均值，计算出拟合曲线，求取光衰减系数，根据光衰减系数可半定量判断冷冻肉制品的储藏时间，光衰减系数越小，冷冻肉制品储藏时间越长。
2.根据权利要求1所述的一种联合机器视觉与OCT技术的冷冻肉制品光学特性检测方法，其特征在于，步骤(2)中，图像的二值化，根据Otsu阈值确定方法进行；在完成二值化后，通过人工判断选取的感兴趣区域是否略小于实际的感兴趣区域，若大于，则对阈值进行手动调整，直到满足该要求。
3.根据权利要求1所述的一种联合机器视觉与OCT技术的冷冻肉制品光学特性检测方法，其特征在于，步骤(3)中，在选取像素点时，避开第(2)步得到的二值图的白色区域即非感兴趣区域像素点，仅在黑色区域即感兴趣区域进行像素点选取；选取点有两种方法，一种是通过程序自动判断该点是否落在黑色区域，若在则可作为备选点进行保存，并确保选出的点的数量大于10个并且小于人工确定的上限数量；另一种是直接由人工通过鼠标手动在第(2)步二值化后的图像上选取大于10个点并保存。
4.根据权利要求1所述的一种联合机器视觉与OCT技术的冷冻肉制品光学特性检测方法，其特征在于，步骤(6)中，在对灰度随深度变化信号求均值前，将信号的峰值视为空气与冻肉样品的分界面，并将峰值信号统一调整到深度起始位置，即调整到z＝0，z为灰度随深度变化图的横坐标，确保均值的计算是对冻肉样品表面下同一深度处的信号进行的；完成调整操作之后再进行曲线拟合，拟合曲线基于朗伯比尔定律Lambert-Beer Law进行，
Figure FDA0002567623890000021
其中，i为信号值，z为深度，ut为衰减系数。
CN202010628682.6A 2020-07-02 2020-07-02 联合机器视觉与oct技术的冷冻肉制品光学特性检测方法 Active CN111915564B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010628682.6A CN111915564B (zh) 2020-07-02 2020-07-02 联合机器视觉与oct技术的冷冻肉制品光学特性检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010628682.6A CN111915564B (zh) 2020-07-02 2020-07-02 联合机器视觉与oct技术的冷冻肉制品光学特性检测方法

Publications (2)

Publication Number Publication Date
CN111915564A true CN111915564A (zh) 2020-11-10
CN111915564B CN111915564B (zh) 2022-04-22

Family

ID=73227271

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010628682.6A Active CN111915564B (zh) 2020-07-02 2020-07-02 联合机器视觉与oct技术的冷冻肉制品光学特性检测方法

Country Status (1)

Country Link
CN (1) CN111915564B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113469875A (zh) * 2021-07-13 2021-10-01 中国人民解放军总医院 光衰图像合成方法、装置、终端设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102046071A (zh) * 2008-06-02 2011-05-04 光学实验室成像公司 用于从光学相干断层扫描图像获得组织特性的定量方法
US20160000368A1 (en) * 2014-07-01 2016-01-07 University Of Washington Systems and methods for in vivo visualization of lymphatic vessels with optical coherence tomography
CN105592829A (zh) * 2013-07-29 2016-05-18 拜尔普泰戈恩公司 用于外科手术的手术性光学相干断层成像术(oct)及其相关系统和方法
CN105996999A (zh) * 2016-05-19 2016-10-12 南京航空航天大学 基于oct测量样品深度分辨衰减系数的方法和系统
CN109685046A (zh) * 2019-02-28 2019-04-26 福建工程学院 一种基于图像灰度的皮肤光透明程度分析方法及其装置
CN110693457A (zh) * 2019-10-14 2020-01-17 浙江大学 一种基于光学相干技术的组织活性检测的方法与系统
US20200027227A1 (en) * 2016-04-20 2020-01-23 Michelson Diagnostics Ltd. Compensating optical coherence tomography scans

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102046071A (zh) * 2008-06-02 2011-05-04 光学实验室成像公司 用于从光学相干断层扫描图像获得组织特性的定量方法
CN105592829A (zh) * 2013-07-29 2016-05-18 拜尔普泰戈恩公司 用于外科手术的手术性光学相干断层成像术(oct)及其相关系统和方法
US20160000368A1 (en) * 2014-07-01 2016-01-07 University Of Washington Systems and methods for in vivo visualization of lymphatic vessels with optical coherence tomography
US20200027227A1 (en) * 2016-04-20 2020-01-23 Michelson Diagnostics Ltd. Compensating optical coherence tomography scans
CN105996999A (zh) * 2016-05-19 2016-10-12 南京航空航天大学 基于oct测量样品深度分辨衰减系数的方法和系统
CN109685046A (zh) * 2019-02-28 2019-04-26 福建工程学院 一种基于图像灰度的皮肤光透明程度分析方法及其装置
CN110693457A (zh) * 2019-10-14 2020-01-17 浙江大学 一种基于光学相干技术的组织活性检测的方法与系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
XIANGQUN XU等: ""Optical clearing effect on gastric tissues immersed with biocompatible chemical agents investigated by near infrared reflectance spectroscopy"", 《JOURNAL OF PHYSICS D: APPLIED PHYSICS》 *
朱良慧等: ""基于OCT图像的组织散射系数提取方法及其应用"", 《华南师范大学学报(自然科学版)》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113469875A (zh) * 2021-07-13 2021-10-01 中国人民解放军总医院 光衰图像合成方法、装置、终端设备及存储介质
CN113469875B (zh) * 2021-07-13 2023-07-14 中国人民解放军总医院 光衰图像合成方法、装置、终端设备及存储介质

Also Published As

Publication number Publication date
CN111915564B (zh) 2022-04-22

Similar Documents

Publication Publication Date Title
ElMasry et al. Quality classification of cooked, sliced turkey hams using NIR hyperspectral imaging system
Kamruzzaman et al. Non-destructive prediction and visualization of chemical composition in lamb meat using NIR hyperspectral imaging and multivariate regression
Cheng et al. Marbling analysis for evaluating meat quality: Methods and techniques
Huang et al. A data fusion detection method for fish freshness based on computer vision and near-infrared spectroscopy
Barbin et al. Near-infrared hyperspectral imaging for grading and classification of pork
Cheng et al. Data fusion and hyperspectral imaging in tandem with least squares-support vector machine for prediction of sensory quality index scores of fish fillet
Naganathan et al. Visible/near-infrared hyperspectral imaging for beef tenderness prediction
Wold et al. Near-infrared spectroscopy detects woody breast syndrome in chicken fillets by the markers protein content and degree of water binding
CN108956604B (zh) 一种基于高光谱图像技术识别中华绒螯蟹品质的方法
CN104897581B (zh) 基于高光谱的识别新鲜肉、冷却肉和冷冻肉的方法及装置
Xiong et al. Potential of hyperspectral imaging for rapid prediction of hydroxyproline content in chicken meat
Jiang et al. Integration of spectral and textural features of visible and near-infrared hyperspectral imaging for differentiating between normal and white striping broiler breast meat
Zhang et al. Non-destructive determination of fat and moisture contents in Salmon (Salmo salar) fillets using near-infrared hyperspectral imaging coupled with spectral and textural features
Cluff et al. Optical scattering with hyperspectral imaging to classify longissimus dorsi muscle based on beef tenderness using multivariate modeling
Khoshnoudi-Nia et al. Determination of total viable count in rainbow-trout fish fillets based on hyperspectral imaging system and different variable selection and extraction of reference data methods
US20110128373A1 (en) Determining Meat Tenderness
US20110007151A1 (en) Imaging Method For Determining Meat Tenderness
EP3417276B1 (en) Method, apparatus and computer program for estimating a property of an optically diffuse medium
CN111915564B (zh) 联合机器视觉与oct技术的冷冻肉制品光学特性检测方法
Valous et al. Emerging non-contact imaging, spectroscopic and colorimetric technologies for quality evaluation and control of hams: a review
Thampi et al. Towards real time assessment of intramuscular fat content in meat using optical fiber-based optical coherence tomography
Zhao et al. Distribution of beef tenderness grading based on texture features by hyperspectral image analysis
Valous et al. Quality evaluation of meat cuts
Zhu et al. Determination and visualization of fat contents in salmon fillets based on visible and near-infrared hyperspectral imagery
CN111562273A (zh) 基于高光谱的鱼水射流除鳞轻微损伤可视化方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant