CN103940751B - 一种基于图像处理技术的冷鲜肉品质的测评方法 - Google Patents
一种基于图像处理技术的冷鲜肉品质的测评方法 Download PDFInfo
- Publication number
- CN103940751B CN103940751B CN201410165482.6A CN201410165482A CN103940751B CN 103940751 B CN103940751 B CN 103940751B CN 201410165482 A CN201410165482 A CN 201410165482A CN 103940751 B CN103940751 B CN 103940751B
- Authority
- CN
- China
- Prior art keywords
- meat
- image
- cold fresh
- value
- sample
- 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.)
- Active
Links
Landscapes
- Image Analysis (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于图像处理技术的冷鲜肉品质的测评方法，该方法通过图像采集装置，可获得标准色板和肉的数字图像，再对标准色板和肉的数字图像进行特征分析，并将标准色板的数字图像特征与肉的等级拟合，建立了肉的等级与其图像特征的数学关系，利用该数学关系可以对冷鲜肉在保藏期间的等级变化进行实时、无损、快速评价，该方法可使冷鲜肉的感官评价值更准确、更客观，对冷鲜肉在保藏期间的品质控制及评价具有重要意义。
Description
技术领域
本发明涉及一种基于图像处理技术的冷鲜肉品质的测评方法，属于肉与肉制品品质分析及控制领域。
背景技术
冷鲜肉是以完善的冷链系统为基础、严格执行检疫制度、对屠宰后的畜胴体迅速降温至0～4℃、并在后续的分割加工、流通和销售的过程中始终处于此温度段且不超过4℃的冷却链控制下的生鲜肉。冷鲜肉具有柔嫩多汁、口感细腻、营养价值高以及消费方便等优点。目前冷鲜肉正逐渐取代传统的冷冻肉和热鲜肉，是未来畜肉生产和消费的发展方向之一。
由于我国冷鲜肉的成套加工技术、冷链系统以及设备与国际先进水平尚有一定的差距，而且加工的水平也差次不齐，加之冷鲜肉加工企业数量少，规模小，冷鲜肉的品质控制方法缺乏，导致产品的质量难以得到有效保障。最重要的是冷鲜肉在分割、屠宰、销售等处理过程中极易受到微生物的污染，虽然低温贮藏，冷鲜肉中的腐败微生物的活性会受到一定的抑制，但不能完全抑制其生长和繁殖。特别是冷鲜肉在储运和销售这些环节中，波动的贮藏温度、售前处理方式等均对冷鲜肉中微生物的菌落总数影响很大，如果这些问题不能及时解决，那么冷鲜猪肉的质量与安全将得不到保证。因此，实时、快速、无损地获得冷鲜肉的品质变化显得尤为重要。
目前肉类加工业通常将肉的颜色作为其品质评价的直观指标，根据肉的颜色不同，将肉分为6个等级(如标准色板所示)。国内外对肉颜色的变 化主要通过肉眼来进行判断，这种判断方法误差大，而且不易察觉肉颜色的细微变化，因而容易导致误判，将低品质肉误认为是高品质肉。因此有必要研发一种较精确的冷鲜肉品质的测评方法。
发明内容
本发明的目的在于提供一种快速且测评结果精确的基于图像处理技术的冷鲜肉品质的测评方法。
为达到上述目的，本发明提供的基于图像处理技术的冷鲜肉品质的测评方法包括如下步骤：
(1)肉等级标准色板图像采集：将肉等级标准色板置于图像采集装置中，所述图像采集装置四周遮光，其顶部设有多个发光二极管，顶部的中央安装有CCD摄像头，肉等级标准色板位于图像采集装置底部的样品台上，正对摄像头，带图像捕捉软件的摄像头与计算机相连，将获取的肉等级标准色板的数字图像传输给计算机；
(2)肉等级标准色板图像特征参数的提取及等级计算公式的建立：采用MATLAB软件编写的程序对肉等级标准色板的图像进行分析，得到图像中红、绿、蓝三基色的特征值，即R、G、B值，计算R、G、B值的平均值，并将R、G、B值的平均值与肉等级就相关性和显著性进行多维逐级回归，得到由R、G、B值或其中任意两个值表述的肉的等级计算公式；
(3)冷鲜肉样品的准备：选取不同部位的冷鲜肉作为取样点，将肉样品切成薄片；
(4)肉样品图像的采集：将片状冷鲜肉样品置于步骤(1)中的图像采集装置中的样品台上，正对摄像头，获得冷鲜肉样品的数字图像；
(5)肉样品图像特征参数的提取：采用MATLAB软件编写的程序对肉样品的图像进行分析，得到图像中红、绿、蓝三基色的特征值，即R、G、B值；
(6)冷鲜肉等级的计算：将冷鲜肉样品的R、G、B值代入步骤(2)所得的公式中，即得到冷鲜肉的等级；
上述步骤(2)中等级计算公式在第一次推导出后，以后测评时只要步骤(1)的条件没有改变，则可省略步骤(1)、(2)。
进一步地，步骤(1)和步骤(4)中发光二极管为60～80个，标准色板和冷鲜肉样品距摄像头15～20cm；步骤(2)和步骤(5)中先将标准色板的数字图像或冷鲜肉的数字图像处理为长和宽均为10个像素的图片，再用MATLAB软件编写的对标准色板或冷鲜肉的图像进行分析计算；步骤(2)中所得到的等级计算公式为：等级＝c-a×R+b×B，式中a的取值范围为3350～3400，b的取值范围为3010～3230，c的取值范围为7～9。
更进一步地，等级计算公式中a的取值范围为3353～3391，b的取值范围为3010～3120。
本发明弥补了目前国内对冷鲜肉等级实时评价方法的空缺，创造性的将数字图像技术应用于冷鲜肉的等级评定中，从而能实时、快速、无损地获得冷鲜肉在冷藏期间的品质变化，所得感官评价值可精确至千分位。同时，本发明方法操作简便、成本低，易于生产企业应用。
附图说明
图1为图像采集装置的结构示意图。
图2为计算机执行等级计算公式推导的流程图。
图2中：精度转换是指将图像数据转换为双精度浮点类型；标准化计算是指对R值、G值、B值分别采用公式R/256,G/256和B/256进行标准化计算；R值、G值、B值的平均值计算是指每个样品取3张图像，先将每张图像的每个像素点的R值、G值、B值分列，再对该张图片上的所有像素点的R值、G值、B值分别取平均值，然后对这3张图片的像素点的R值平均值、G值平均值、B值平均值取平均值。
具体实施方式
为了更好地理解本发明，下面结合具体实施例对本发明作进一步描述，但本发明的保护范围不限于此。
实施例1 冷鲜猪肉等级的测评
(1)肉等级标准色板图像采集：将肉等级标准色板置于图像采集装置中，所述图像采集装置的结构如图1所示，用木质材料制成，四周用黑布遮光，其顶部设有65个发光二极管1，顶部的中央安装有CCD摄像头2，带图像软件的摄像头2与计算机3相连；肉等级标准色板位于样品台4上，保持肉等级标准色板与摄像头的距离为16cm，用摄像头自带图像捕捉软件获取肉等级标准色板的数字图像，并将其传输至计算机；
(2)肉等级标准色板图像特征参数的提取及等级计算公式的建立：先将标准色板的数字图像剪裁为长和宽均为10个像素大小的图片，再用MATLAB软件编写的程序输入图像，并对数字图像进行分析计算，具体流程如图2所示，图像信息读取→精度转换→标准化计算→分列R值、G值、B值→计算R值、G值、B值的平均值→对R值、G值、B值的平均值和等级间就相关性和显著性进行多维逐级回归→回归系数，所获得的标准色板图像的R值、G值、B值的平均值如下表：
| 肉等级 | 1 | 2 | 3 | 4 | 5 | 6 |
| R值的平均值 | 0.002733 | 0.0030647 | 0.00325 | 0.003088 | 0.00256 | 0.002176 |
| G值的平均值 | 0.001661 | 0.0021467 | 0.002284 | 0.002332 | 0.002291 | 0.002011 |
| B值的平均值 | 0.000912 | 0.0017787 | 0.002049 | 0.002161 | 0.002167 | 0.001846 |
获得的等级计算公式为：等级＝7.3-3353×R+3010×B，将上述标准色板图像的R值、B值代入公式计算得下表(计算值和回归值之间存在一定的误差，这在回归分析中是允许的)：
| 肉等级 | 1 | 2 | 3 | 4 | 5 | 6 |
| 计算等级 | 0.881371 | 2.377948 | 2.57024 | 3.450546 | 5.23899 | 5.560332 |
(3)冷鲜肉样品的准备：选取冷鲜猪肉胴体不同部位的红色肉部分作为取样点，将肉样品切成0.5mm的薄片；
(4)肉样品图像的采集：将表面平整的片状冷鲜肉样品置于步骤(1)中的图像采集装置中的样品台上，保持肉样品与摄像头的距离为16cm，获得冷鲜猪肉样品的数字图像；
(5)肉样品图像特征参数的提取：将冷鲜肉样品的数字图像剪裁为长和宽均为10个像素大小的图片，再用MATLAB软件编写的程序输入图像，并对数字图像进行分析计算，获得图像的R值和B值的平均值分别为0.0028和0.0012；
(6)冷鲜猪肉等级的获得：将冷鲜肉样品的R、B值代入步骤(2)所得的公式：等级＝7.3-3353×R+3010×B中，计算出冷鲜猪肉的等级值为1.5236，从而可知该冷鲜猪肉处于1级和2级之间，肉色品质良好；
需要说明的是，等级公式在第一次测评时推导出后，以后测评时如果图像采集装置没变，则可省略步骤(1)、(2)。
实施例2 冷鲜牛肉等级的测评
(1)肉等级标准色板图像采集：将肉等级标准色板置于图像采集装置中，所述图像采集装置的结构如图1所示，用木质材料制成，四周用黑布遮光，其顶部设有70个发光二极管1，顶部的中央安装有CCD摄像头2，带图像软件的摄像头2与计算机3相连；肉等级标准色板位于样品台4上，保持肉等级标准色板与摄像头的距离为18cm，用摄像头自带的图像捕捉软件获取肉等级标准色板的数字图像，并将其传输至计算机；
(2)肉等级标准色板图像特征参数的提取及等级计算公式的建立：先将标准色板的数字图像剪裁为长和宽均为10个像素大小的图片，再用 MATLAB软件编写的程序输入图像，并对数字图像进行分析计算，具体流程如图2所示，图像信息读取→精度转换→标准化计算→分列R值、G值、B值→计算R值、G值、B值的平均值→对R值、G值、B值的平均值和等级间就相关性和显著性进行多维逐级回归→回归系数，所获得的标准色板图像的R值、G值、B值的平均值如下表：
| 肉等级 | 1 | 2 | 3 | 4 | 5 | 6 |
| R值的平均值 | 0.002713 | 0.0030621 | 0.003211 | 0.003074 | 0.002544 | 0.002162 |
| G值的平均值 | 0.001622 | 0.0021427 | 0.002276 | 0.002321 | 0.002282 | 0.002003 |
| B值的平均值 | 0.000901 | 0.0017746 | 0.002035 | 0.002146 | 0.002153 | 0.001821 |
获得的等级计算公式为：等级＝7.3-3391×R+3120×B，将上述标准色板图像的R值、B值代入公式计算得下表(计算值和回归值之间存在一定的误差，这在回归分析中是允许的)：
| 肉等级 | 1 | 2 | 3 | 4 | 5 | 6 |
| 计算等级 | 0.911337 | 2.453171 | 2.760699 | 3.571586 | 5.390656 | 5.650178 |
(3)冷鲜肉样品的准备：选取冷鲜牛肉胴体不同部位的红色肉部分作为取样点，将肉样品切成0.5mm的薄片；
(4)肉样品图像的采集：将表面平整的片状冷鲜肉样品置于步骤(1)中的图像采集装置中的样品台上，保持肉样品与摄像头的距离为18cm，获得冷鲜牛肉样品的数字图像；
(5)肉样品图像特征参数的提取：将冷鲜肉样品的数字图像剪裁为长和宽均为10个像素大小的图片，再用MATLAB软件编写的程序输入图像，并对数字图像进行分析计算，获得图像的R值和B值的平均值分别为0.00315和0.001835；
(6)冷鲜牛肉等级的获得：将冷鲜肉样品的R、B值代入步骤(2)所得的公式等级＝7.3-3391×R+3120×B中，计算出冷鲜牛肉的等级值为2.3436，从而可知该冷鲜牛肉处于2级和3级之间，肉色品质良好，
需要说明的是，等级公式在第一次测评时推导出后，以后测评时如果图像采集装置没变，则可省略步骤(1)、(2)。
Claims (3)
1.一种基于图像处理技术的冷鲜肉品质的测评方法，其特征在于包括如下步骤：
(1)肉等级标准色板图像采集：将肉等级标准色板置于图像采集装置中，所述图像采集装置四周用黑布遮光，其顶部设有多个发光二极管，顶部的中央安装有CCD摄像头，肉等级标准色板位于图像采集装置底部的样品台上，正对摄像头，带图像捕捉软件的摄像头与计算机相连，将获取的肉等级标准色板的数字图像传输给计算机；
(2)肉等级标准色板图像特征参数的提取及等级计算公式的建立：采用MATLAB软件编写的程序对肉等级标准色板的图像进行分析，得到图像中红、绿、蓝三基色的特征值，即R、G、B值，计算R、G、B值的平均值，并将R、G、B值的平均值与肉等级就相关性和显著性进行多维逐级回归，得到由R、B值表述的肉的等级计算公式；
(3)冷鲜肉样品的准备：选取不同部位的冷鲜肉作为取样点，将肉样品切成薄片；
(4)肉样品图像的采集：将片状冷鲜肉样品置于步骤(1)中的图像采集装置中的样品台上，正对摄像头，获得冷鲜肉样品的数字图像；
(5)肉样品图像特征参数的提取：采用MATLAB软件编写的程序对肉样品的图像进行分析，得到图像中红、绿、蓝三基色的特征值，即R、G、B值；
(6)冷鲜肉等级的计算：将冷鲜肉样品的R、B值代入步骤(2)所得的公式中，即得到冷鲜肉的等级；
上述步骤(2)中等级计算公式在第一次推导出后，以后测评时只要步骤(1)的条件没有改变，则可省略步骤(1)、(2)。
2.根据权利要求1所述的一种基于图像处理技术的冷鲜肉品质的测评方法，其特征在于：
所述步骤(1)和步骤(4)中发光二极管为60～80个，标准色板或冷鲜肉样品距摄像头15～20cm；
所述步骤(2)和步骤(5)中采用先将标准色板的数字图像或冷鲜肉的数字图像处理为长和宽均为10个像素的图片，再用MATLAB软件编写的程序对标准色板或冷鲜肉的图像进行分析计算；
所述步骤(2)中所得到的等级计算公式为：等级＝c-a×R+b×B，式中a的取值范围为3350～3400，b的取值范围为3010～3230，c的取值范围为7～9。
3.根据权利要求2所述的一种基于图像处理技术的冷鲜肉品质的测评方法，其特征在于：等级计算公式中a的取值范围为3353～3391，b的取值范围为3010～3120。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410165482.6A CN103940751B (zh) | 2014-04-23 | 2014-04-23 | 一种基于图像处理技术的冷鲜肉品质的测评方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410165482.6A CN103940751B (zh) | 2014-04-23 | 2014-04-23 | 一种基于图像处理技术的冷鲜肉品质的测评方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103940751A CN103940751A (zh) | 2014-07-23 |
| CN103940751B true CN103940751B (zh) | 2016-11-09 |
Family
ID=51188513
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410165482.6A Active CN103940751B (zh) | 2014-04-23 | 2014-04-23 | 一种基于图像处理技术的冷鲜肉品质的测评方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103940751B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105447891B (zh) * | 2015-12-02 | 2018-03-30 | 中国肉类食品综合研究中心 | 冷冻肉新鲜程度的评估方法及系统 |
| CN106469347A (zh) * | 2016-08-22 | 2017-03-01 | 内蒙古物通电子商务有限责任公司 | 一种牲畜宰后视检信息采集终端及视检结果辅助判定方法 |
| CN110163277B (zh) * | 2019-05-17 | 2021-03-26 | 成都汇晟连横科技有限公司 | 基于原色分解的图像识别训练方法、图像识别方法及系统 |
| US11497221B2 (en) | 2019-07-19 | 2022-11-15 | Walmart Apollo, Llc | Systems and methods for managing meat cut quality |
| CN111272672A (zh) * | 2020-03-03 | 2020-06-12 | 渤海大学 | 一种基于颜色评估糖熏肉制品新鲜度的方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101251526A (zh) * | 2008-02-26 | 2008-08-27 | 浙江大学 | 食品综合品质无损检测方法与装置 |
| CN102156129A (zh) * | 2009-12-02 | 2011-08-17 | 南京农业大学 | 一种基于机器视觉的牛肉品质智能分级系统及其方法 |
| CN103076288A (zh) * | 2012-12-26 | 2013-05-01 | 中国科学院海洋研究所 | 一种基于计算机视觉的鱼肉自动分级装置和方法 |
-
2014
- 2014-04-23 CN CN201410165482.6A patent/CN103940751B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101251526A (zh) * | 2008-02-26 | 2008-08-27 | 浙江大学 | 食品综合品质无损检测方法与装置 |
| CN102156129A (zh) * | 2009-12-02 | 2011-08-17 | 南京农业大学 | 一种基于机器视觉的牛肉品质智能分级系统及其方法 |
| CN103076288A (zh) * | 2012-12-26 | 2013-05-01 | 中国科学院海洋研究所 | 一种基于计算机视觉的鱼肉自动分级装置和方法 |
Non-Patent Citations (4)
| Title |
|---|
| Improving quality inspection of food products by computer vision––a review;Tadhg Brosnan et.al;《Journal of Food Engineering》;ELSEVIER;20041231;第61卷;第3-16页 * |
| 应用$%&’%( 图像处理技术评判牛肉大理石花纹;任发政等;《肉类研究》;20021231(第4期);14-15 * |
| 数字图像和逐步回归客观评定冷却猪肉颜色;孙京新等;《农业工程学报》;20080930;第24卷(第9期);摘要部分，2 结果与分析部分 * |
| 机器视觉技术在分析牛肉颜色变化特征中的应用;陈坤杰等;《食品科学》;20081231;第29卷(第9期);摘要部分，2结果与分析部分 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103940751A (zh) | 2014-07-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103940751B (zh) | 一种基于图像处理技术的冷鲜肉品质的测评方法 | |
| Goñi et al. | Color measurement: comparison of colorimeter vs. computer vision system | |
| Dissing et al. | Multispectral imaging for determination of astaxanthin concentration in salmonids | |
| Tapp Iii et al. | How is the instrumental color of meat measured? | |
| Ghasemi-Varnamkhasti et al. | Application of image analysis combined with computational expert approaches for shrimp freshness evaluation | |
| Sedghi et al. | Relationship between color and tannin content in sorghum grain: application of image analysis and artificial neural network | |
| Taheri‐Garavand et al. | A nondestructive intelligent approach to real‐time evaluation of chicken meat freshness based on computer vision technique | |
| Chmiel et al. | Application of a computer vision system to classify beef as normal or dark, firm, and dry | |
| Mendoza et al. | Automated prediction of sensory scores for color and appearance in canned black beans (Phaseolus vulgaris L.) using machine vision | |
| Nunes et al. | Beef quality parameters estimation using ultrasound and color images | |
| Wasnik et al. | Development of mathematical model for prediction of adulteration levels of cow ghee with vegetable fat using image analysis | |
| Asmara et al. | Chicken meat freshness identification using the histogram color feature | |
| Mudalal et al. | Predicting the quality traits of white striped turkey breast by visible/near infra-red spectroscopy and multivariate data analysis | |
| CN111145205A (zh) | 基于红外图像的多猪只场景下猪体温检测方法 | |
| JP6200690B2 (ja) | 肉色の等級決定方法 | |
| Paiva et al. | Genetic evaluation for latent variables derived from factor analysis in broilers | |
| KR102596206B1 (ko) | 영상 분석을 이용한 건해삼 등급 분류 시스템 | |
| CN105447891A (zh) | 冷冻肉新鲜程度的评估方法及系统 | |
| Amirulah et al. | Starfruit color maturity classification using Cr as feature | |
| Castro et al. | Standardization of the LPUE series of the Northern Spanish coastal bottom otter trawl fleet to tune the assessment of the Iberian megrims stocks | |
| Moreira et al. | Improving accuracy, precision and reliability of severity estimates of Glomerella leaf spot on apple leaves using a new standard area diagram set | |
| Irie et al. | Simple spot method of image analysis for evaluation of highly marbled beef | |
| KR102118103B1 (ko) | 한우 등심 영상정보를 이용한 근내지방 섬세도 측정방법 | |
| Manamohana et al. | Applications of colour models in the food processing industry: a systematic review | |
| Udayakumar | Visible light imaging |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant |