CN104655586A - 基于高光谱数据融合快速非接触监控鱼肉脂肪氧化的方法 - Google Patents
基于高光谱数据融合快速非接触监控鱼肉脂肪氧化的方法 Download PDFInfo
- Publication number
- CN104655586A CN104655586A CN201510091861.XA CN201510091861A CN104655586A CN 104655586 A CN104655586 A CN 104655586A CN 201510091861 A CN201510091861 A CN 201510091861A CN 104655586 A CN104655586 A CN 104655586A
- Authority
- CN
- China
- Prior art keywords
- flesh
- fish
- sample
- fish sample
- 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.)
- Pending
Links
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了基于高光谱数据融合快速非接触监控鱼肉脂肪氧化的方法,首先按传统国标方法测定冷藏不同天数的鱼肉样本的硫代巴比妥酸值,然后利用可见近红外高光谱成像系统扫描鱼肉样本,得到相应的高光谱图像,并对高光谱图像进行预处理,利用竞争性自适应重加权算法提取特最优特征波长,利用纹理提取算法提取图像纹理信息,融合特征波长信息和图像纹理信息,结合所测得的硫代巴比妥酸值,建立监控鱼肉脂肪氧化的预测模型,并对未知样品进行预测。本发明融合了图像信息和特征光谱信息,明显提高了预测精度,降低了传统方法所需时间,增强了检测效率,可以有效实现快速、非接触在线检测的目的。
Description
技术领域
本发明涉及食品品质安全检测领域,特别涉及基于高光谱数据融合快速非接触监控鱼肉脂肪氧化的方法。
背景技术
鱼类是我国重要的水产资源,是水产品的重要组成部分。鱼肉味道鲜美,富含动物蛋白及特殊脂肪酸,深受广大消费者青睐。新鲜度是鱼肉及鱼肉加工产品品质安全的一个重要衡量指标,直接关系到人类的饮食安全与健康。鱼死后,在内源酶与微生物作用下,鱼体会发生一系列的物理和化学变化,导致鱼肉腐败变质失去食用价值。其中,脂肪氧化是很重要的一个方面。脂肪氧化易引起鱼肉的酸价、羰基价和硫代巴比妥酸(TBARS)值升高而产生酸、醛、酮类以及各种氧化物导致鱼肉酸败,不但改变了肉品的感官性质,而且对机体产生不良影响,其高度氧化易产生致癌物质。因此,快速、准确监控鱼肉的脂肪氧化,关系着人们的饮食安全,也对鱼肉及其相关产品的加工与储藏过程有着重要的科学意义和应用价值。
传统测定脂肪氧化的方法大多基于过氧化物值(POV)、酸价(AV)、羰基值(CV)和生成的丙二醛的含量(TBARS)多少来评价脂肪氧化的程度。但是利用高光谱成像技术监控鱼肉脂肪氧化的研究未见报道。中国专利申请号为201110326420.5、名称为“一种动物组织脂肪氧化酶活性的定量检测方法”,中国专利申请号为201410107936.4、名称为“脂肪氧化酶酶活性的准确定量检测方法”和中国专利申请号为201410177638.2、名称为“一种腌腊肉制品氧化变质的检测方法”,这些专利所涉及的方法都是在传统测定方法的基础上进行了改良,如利用顶空固相微萃取-气质联用技术虽然可以实现快速准确测量,但操作费时耗力,步骤繁琐,属于破坏性检测,不能适用于大规模的样品,而且不能实现实时在线检测。
发明内容
为了克服现有技术的上述缺点与不足,本发明的目的在于提供基于高光谱数据融合快速非接触监控鱼肉脂肪氧化的方法,在不破坏鱼肉样品的前提下,实现鱼肉品质安全的快速无损检测。
本发明的目的通过以下技术方案实现:
基于高光谱数据融合快速非接触监控鱼肉脂肪氧化的方法,包括以下步骤:
(1)制备鱼肉样本并冷藏,获取冷藏天数不同的N个鱼肉样本;将鱼肉样本随机分为校正鱼肉样本和预测鱼肉样本;N为正整数;
(2)利用GB/T5009.181-2003提供的方法测定N个鱼肉样本的脂肪氧化情况,用硫代巴比妥酸值表示;
(3)利用可见近红外高光谱成像系统对不同储藏天数的鱼肉样本进行扫描,共得到N个鱼肉样本的高光谱图像;
(4)对鱼肉样本的高光谱图像进行分析:
对获取的全波段光谱信息,利用竞争性自适应重加权算法(CARS)提取最能反映鱼肉样本在储藏过程中脂肪氧化的最优特征波长,并提取最优波长下的图像纹理特征参数:粗糙度、对比度、方向度、线像度、规整度和粗略度;
(5)对步骤(4)得到的预测鱼肉样本的高光谱图像的最优波长及图像纹理特征参数进行数据融合,结合步骤(2)得到的硫代巴比妥酸值,利用加权最小二乘支持向量机,建立预测模型;
(6)利用校正样本对预测模型进行校正,得到校正模型;
(7)利用可见近红外高光谱成像系统对待测鱼肉样品进行扫描,对得到的高光谱图像提取最优特征波长及最优特征波长下的图像纹理特征参数,利用步骤(5)得到的预测模型进行预测,利用步骤(6)得到的校正模型进行校正,得到待测鱼肉样品的硫代巴比妥酸值。
步骤(4)所述对鱼肉样本的高光谱图像进行分析,具体包括以下步骤:
(4-1)对鱼肉样本的高光谱图像进行大小校正、掩膜、平滑滤波处理和二值化处理,得到鱼肉样本的灰度图像;
(4-2)利用边缘图像阈值化和局部区域分水岭分割技术对鱼肉样本的灰度图像进行处理,将背景与鱼肉图像分离,确定鱼片感兴趣区域,提取感兴趣区域的平均光谱反射值;
(4-3)对提取的全波段光谱信息,利用竞争性自适应重加权算法(CARS)筛选出5个特征波长,分别为420nm、550nm、660nm、780nm和970nm;
(4-4)对5个特征波长下的鱼肉样本的灰度图像,利用Tamura纹理特征提取算法提取出反映图像纹理特征变化的参数6个,分别为粗糙度、对比度、方向度、线像度、规整度和粗略度。
步骤(1)所述制备鱼肉样本并冷藏,获取冷藏天数不同的N个鱼肉样本,具体包括以下步骤:
将活鱼致死,去鳞、去内脏、去头、去尾和皮并冲洗干净,沥干表面的水,制备鱼肉样本并于4℃条件下冷藏,得到分别冷藏不同天数的鱼肉样本。
步骤(1)所述将鱼肉样本随机分为校正鱼肉样本和预测鱼肉样本,具体为:在鱼肉样本随机选取1/3鱼肉样本作为预测鱼肉样本,2/3鱼肉样本作为校正鱼肉样本。
步骤(6)所述利用校正样本对预测模型进行校正,具体为:要求所建立的模型精度均方根误差RMSEP<0.15mg/kg,校正决定系数R2>0.91。
与现有技术相比,本发明具有以下优点和有益效果:
本发明在不破坏鱼肉样本的前提下,实现鱼肉品质安全的快速无损检测,融合了图像信息和特征光谱信息,明显提高了预测精度,与中国标准法相比,操作简便、快速、非破坏、非接触、不需要对样品进行前处理,可以实现鱼肉脂肪氧化程度的快速无损在线监控,而且检测结果准确,为提高鱼类水产业智能化检测水平和技术提供理论支撑和保障,为保障鱼肉品质安全,维护消费者健康有着直接的现实意义。
附图说明
图1为本发明的实施例的基于高光谱数据融合快速非接触监控鱼肉脂肪氧化的方法的流程图。
具体实施方式
下面结合实施例,对本发明作进一步地详细说明,但本发明的实施方式不限于此。
实施例1
如图1所示,本实施例的基于高光谱数据融合快速非接触监控鱼肉脂肪氧化的方法,包括以下步骤:
(1)制备草鱼肉样本并冷藏,获得不同冷藏天数的鱼肉样本:将草鱼10条(质量大约2kg)致死,去鳞、去内脏、去头、去尾和皮,然后分割成大小尺寸(3cm×3cm×1cm)类似的鱼肉样本120个,用流动水冲洗干净,用吸水纸吸干鱼肉表面的残水,装入聚乙烯保鲜袋密封并于4℃条件下分别冷藏0、2、4、6天,尽可能保证鱼肉从新鲜到腐败,分成四组,每组随机挑选出30个鱼肉作为鱼片样本;
从每组里面随机挑选出10个鱼肉样本,共40个作为预测鱼肉样本,其余80个作为校正鱼肉样本;
(2)利用GB/T5009.181-2003提供的方法测定所得到的120个鱼肉样本的脂肪氧化情况,用硫代巴比妥酸值表示,区间范围为0.461~1.121mg/kg;
(3)利用可见近红外高光谱成像系统对不同储藏天数的鱼肉样本进行扫描,共得到120个鱼肉样本的高光谱图像;其中,可见近红外高光谱成像仪的高光谱相机分辨率为512×1024像素,光谱范围为400~1000nm,光谱分辨率为2.8nm;
(4)对鱼肉样本的高光谱图像进行分析:
(4-1)对鱼肉样本的高光谱图像进行大小校正、掩膜、平滑滤波处理和二值化处理,得到鱼肉样本的灰度图像;
(4-2)利用边缘图像阈值化和局部区域分水岭分割技术对鱼肉样本的灰度图像进行处理,将背景与鱼肉图像分离,确定鱼片感兴趣区域(ROI),提取感兴趣区域的平均光谱反射值;
(4-3)对提取的全波段光谱信息,利用竞争性自适应重加权算法(CARS)筛选出5个特征波长,分别为420nm、550nm、660nm、780nm和970nm;
(4-4)对5个特征波长下的鱼肉样本的灰度图像,利用Tamura纹理特征提取算法提取出反映图像纹理特征变化的参数6个,分别为粗糙度、对比度、方向度、线像度、规整度和粗略度;
(5)对步骤(4)得到的预测鱼肉样本的高光谱图像的最优波长及图像纹理特征参数进行数据融合,结合步骤(2)得到的硫代巴比妥酸值,利用加权最小二乘支持向量机,建立预测模型;
(6)利用校正样本对预测模型进行校正,得到校正模型;
(7)利用可见近红外高光谱成像系统对待测鱼肉样品进行扫描,对得到的高光谱图像提取最优特征波长及最优特征波长下的图像纹理特征参数,利用步骤(5)得到的预测模型进行预测,利用步骤(6)得到的校正模型进行校正,得到待测鱼肉样品的硫代巴比妥酸值。
本实施例中所建立的预测模型精度中,预测均方根误差RMSEP=0.122mg/kg,预测决定系数R2=0.939。预测得到的冷藏4天的草鱼肉样本的TBARS值为0.898mg/kg,利用传统国标方法测量出的冷藏4天的草鱼肉的TBARS值为0.903mg/kg,相对误差为0.55%,由此可见,两种方法得到的实验数据无差异。
实施例2
本实施例的基于高光谱数据融合快速非接触监控鱼肉脂肪氧化的方法,包括以下步骤:
(1)制备大头鱼肉样本并冷藏,获得不同冷藏天数的鱼肉样本:将大头鱼8条(质量大约2.5kg)致死,去鳞、去内脏、去头、去尾和皮,然后分割成大小尺寸(3cm×3cm×1cm)类似的鱼肉样本100个,用流动水冲洗干净,用吸水纸吸干鱼肉表面的残水,装入聚乙烯保鲜袋密封并于4℃条件下分别冷藏0、1、3、5天,尽可能保证鱼肉从新鲜到腐败,分成四组,每组随机挑选出25个鱼肉作为鱼片样本;
在鱼肉样本随机选取1/3鱼肉样本作为预测鱼肉样本,2/3鱼肉样本作为校正鱼肉样本。
(2)利用GB/T5009.181-2003提供的方法测定所得到的100个鱼肉样本的硫代巴比妥酸值,区间范围为0.457~1.012mg/kg;
(3)利用可见近红外高光谱成像仪对不同储藏天数的鱼肉样本进行扫描,共得到100个鱼肉样本的高光谱图像;其中,可见近红外高光谱成像仪的高光谱相机分辨率为512×1024像素,光谱范围为400~1000nm,光谱分辨率为2.8nm;
(4)对鱼肉样本的高光谱图像进行分析:
(4-1)对鱼肉样本的高光谱图像进行大小校正、掩膜、平滑滤波处理和二值化处理,得到鱼肉样本的灰度图像;
(4-2)利用边缘图像阈值化和局部区域分水岭分割技术对鱼肉样本的灰度图像进行处理,将背景与鱼肉图像分离,确定鱼片感兴趣区域(ROI),提取感兴趣区域的平均光谱反射值;
(4-3)对提取的全波段光谱信息,利用竞争性自适应重加权算法(CARS)筛选出5个特征波长,分别为420nm、550nm、660nm、780nm和970nm;
(4-4)对5个特征波长下的鱼肉样本的灰度图像,利用Tamura纹理特征提取算法提取出反映图像纹理特征变化的参数6个,分别为粗糙度、对比度、方向度、线像度、规整度和粗略度;
(5)对步骤(4)得到的预测鱼肉样本的高光谱图像的最优波长及图像纹理特征参数进行数据融合,结合步骤(2)得到的硫代巴比妥酸值,利用加权最小二乘支持向量机,建立预测模型;
(6)利用校正样本对预测模型进行校正,得到校正模型;
(7)利用可见近红外高光谱成像系统对待测鱼肉样品进行扫描,对得到的高光谱图像提取最优特征波长及最优特征波长下的图像纹理特征参数,利用步骤(5)得到的预测模型进行预测,利用步骤(6)得到的校正模型进行校正,得到待测鱼肉样品的硫代巴比妥酸值。
本实施例中所建立的预测模型精度中,RMSEP=0.108mg/kg,R2=0.952。预测得到的冷藏3天的大头鱼肉样本的TBARS值为0.715mg/kg,利用传统国标方法测量出的冷藏3天的大头鱼肉的TBARS值为0.710mg/kg,相对误差为0.70%,由此可见,两种方法得到的实验数据无差异。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受所述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (5)
1.基于高光谱数据融合快速非接触监控鱼肉脂肪氧化的方法,其特征在于,包括以下步骤:
(1)制备鱼肉样本并冷藏,获取冷藏天数不同的N个鱼肉样本;将鱼肉样本随机分为校正鱼肉样本和预测鱼肉样本;N为正整数;
(2)利用GB/T5009.181-2003提供的方法测定N个鱼肉样本的脂肪氧化情况,用硫代巴比妥酸值表示;
(3)利用可见近红外高光谱成像系统对不同储藏天数的鱼肉样本进行扫描,共得到N个鱼肉样本的高光谱图像;
(4)对鱼肉样本的高光谱图像进行分析:
对获取的全波段光谱信息,利用竞争性自适应重加权算法提取最能反映鱼肉样本在储藏过程中脂肪氧化的最优特征波长,并提取最优波长下的图像纹理特征参数:粗糙度、对比度、方向度、线像度、规整度和粗略度;
(5)对步骤(4)得到的预测鱼肉样本的高光谱图像的最优波长及图像纹理特征参数进行数据融合,结合步骤(2)得到的硫代巴比妥酸值,利用加权最小二乘支持向量机,建立预测模型;
(6)利用校正样本对预测模型进行校正,得到校正模型;
(7)利用可见近红外高光谱成像系统对待测鱼肉样品进行扫描,对得到的高光谱图像提取最优特征波长及最优特征波长下的图像纹理特征参数,利用步骤(5)得到的预测模型进行预测,利用步骤(6)得到的校正模型进行校正,得到待测鱼肉样品的硫代巴比妥酸值。
2.根据权利要求1所述的基于高光谱数据融合快速非接触监控鱼肉脂肪氧化的方法,其特征在于,步骤(4)所述对鱼肉样本的高光谱图像进行分析,具体为:
(4-1)对鱼肉样本的高光谱图像进行大小校正、掩膜、平滑滤波处理和二值化处理,得到鱼肉样本的灰度图像;
(4-2)利用边缘图像阈值化和局部区域分水岭分割技术对鱼肉样本的灰度图像进行处理,将背景与鱼肉图像分离,确定鱼片感兴趣区域,提取感兴趣区域的平均光谱反射值;
(4-3)对提取的全波段光谱信息,利用竞争性自适应重加权算法筛选出5个特征波长,分别为420nm、550nm、660nm、780nm和970nm;
(4-4)对5个特征波长下的鱼肉样本的灰度图像,利用Tamura纹理特征提取算法提取出反映图像纹理特征变化的参数6个,分别为粗糙度、对比度、方向度、线像度、规整度和粗略度。
3.根据权利要求1所述的基于高光谱数据融合快速非接触监控鱼肉脂肪氧化的方法,其特征在于,步骤(1)所述制备鱼肉样本并冷藏,获取冷藏天数不同的N个鱼肉样本,具体为:
将活鱼致死,去鳞、去内脏、去头、去尾和皮并冲洗干净,沥干表面的水,制备鱼肉样本并于4℃条件下冷藏,得到分别冷藏不同天数的鱼肉样本。
4.根据权利要求1所述的基于高光谱数据融合快速非接触监控鱼肉脂肪氧化的方法,其特征在于,步骤(1)所述将鱼肉样本随机分为校正鱼肉样本和预测鱼肉样本,具体为:在鱼肉样本随机选取1/3鱼肉样本作为预测鱼肉样本,2/3鱼肉样本作为校正鱼肉样本。
5.根据权利要求1所述的基于高光谱数据融合快速非接触监控鱼肉脂肪氧化的方法,其特征在于,步骤(6)所述利用校正样本对预测模型进行校正,具体为:要求所建立的模型精度均方根误差RMSEP<0.15mg/kg,校正决定系数R2>0.91。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510091861.XA CN104655586A (zh) | 2015-02-28 | 2015-02-28 | 基于高光谱数据融合快速非接触监控鱼肉脂肪氧化的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510091861.XA CN104655586A (zh) | 2015-02-28 | 2015-02-28 | 基于高光谱数据融合快速非接触监控鱼肉脂肪氧化的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104655586A true CN104655586A (zh) | 2015-05-27 |
Family
ID=53246972
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510091861.XA Pending CN104655586A (zh) | 2015-02-28 | 2015-02-28 | 基于高光谱数据融合快速非接触监控鱼肉脂肪氧化的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104655586A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105548029A (zh) * | 2015-12-14 | 2016-05-04 | 北京农业质量标准与检测技术研究中心 | 基于光谱成像技术的肉制品新鲜度检测方法 |
CN105866063A (zh) * | 2016-04-08 | 2016-08-17 | 北京工商大学 | 香肠品质等级检测方法 |
CN106198423A (zh) * | 2016-09-12 | 2016-12-07 | 电子科技大学 | 一种基于可见‑近红外光谱分析技术鉴别火腿肠等级的方法 |
CN107271375A (zh) * | 2017-07-21 | 2017-10-20 | 石河子大学 | 一种羊肉品质指标的高光谱图像检测方法 |
CN109668857A (zh) * | 2019-01-25 | 2019-04-23 | 江苏大学 | 基于近红外高光谱图像技术的茶叶菌落总数检测装置及方法 |
CN109856079A (zh) * | 2018-12-14 | 2019-06-07 | 华南理工大学 | 近红外多光谱成像快速无损评价鱼肉脂肪氧化程度的方法 |
CN110118753A (zh) * | 2019-05-07 | 2019-08-13 | 华南理工大学 | 一种基于散射高光谱光学特性的肉品脂肪含量检测方法 |
CN111272697A (zh) * | 2020-04-27 | 2020-06-12 | 江苏益客食品集团股份有限公司 | 一种基于近红外高光谱的硫代巴比妥酸含量检测方法 |
CN113109291A (zh) * | 2021-05-13 | 2021-07-13 | 大连工业大学 | 一种婴幼儿辅食营养包硫代巴比妥酸值的快速检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103439285A (zh) * | 2013-08-19 | 2013-12-11 | 华南理工大学 | 一种基于高光谱成像的鱼片新鲜度检测方法 |
US20140293277A1 (en) * | 2009-01-10 | 2014-10-02 | Goldfinch Solutions, Llc | System and Method for Analyzing Properties of Meat Using Multispectral Imaging |
-
2015
- 2015-02-28 CN CN201510091861.XA patent/CN104655586A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140293277A1 (en) * | 2009-01-10 | 2014-10-02 | Goldfinch Solutions, Llc | System and Method for Analyzing Properties of Meat Using Multispectral Imaging |
CN103439285A (zh) * | 2013-08-19 | 2013-12-11 | 华南理工大学 | 一种基于高光谱成像的鱼片新鲜度检测方法 |
Non-Patent Citations (4)
Title |
---|
DAN LIU ET AL.: "Combination of spectra and texture data of hyperspectral imaging for prediction of pH in salted meat", 《FOOD CHEMISTRY》 * |
DI WU ET AL.: "Novel non-invasive distribution measurement of texture profile analysis (TPA) in salmon fillet by using visible and near infrared hyperspectral imaging", 《FOOD CHEMISTRY》 * |
励建荣 等: "水产品鲜度品质评价方法研究进展", 《北京工商大学学报(自然科学版)》 * |
谢雯雯 等: "基于近红外光谱技术的鱼肉新鲜度评价方法的建立", 《淡水渔业》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105548029A (zh) * | 2015-12-14 | 2016-05-04 | 北京农业质量标准与检测技术研究中心 | 基于光谱成像技术的肉制品新鲜度检测方法 |
CN105866063A (zh) * | 2016-04-08 | 2016-08-17 | 北京工商大学 | 香肠品质等级检测方法 |
CN106198423A (zh) * | 2016-09-12 | 2016-12-07 | 电子科技大学 | 一种基于可见‑近红外光谱分析技术鉴别火腿肠等级的方法 |
CN106198423B (zh) * | 2016-09-12 | 2019-09-27 | 电子科技大学 | 一种基于可见-近红外光谱分析技术鉴别火腿肠等级的方法 |
CN107271375A (zh) * | 2017-07-21 | 2017-10-20 | 石河子大学 | 一种羊肉品质指标的高光谱图像检测方法 |
CN107271375B (zh) * | 2017-07-21 | 2019-10-01 | 石河子大学 | 一种羊肉品质指标的高光谱图像检测方法 |
CN109856079A (zh) * | 2018-12-14 | 2019-06-07 | 华南理工大学 | 近红外多光谱成像快速无损评价鱼肉脂肪氧化程度的方法 |
CN109668857A (zh) * | 2019-01-25 | 2019-04-23 | 江苏大学 | 基于近红外高光谱图像技术的茶叶菌落总数检测装置及方法 |
CN110118753A (zh) * | 2019-05-07 | 2019-08-13 | 华南理工大学 | 一种基于散射高光谱光学特性的肉品脂肪含量检测方法 |
CN111272697A (zh) * | 2020-04-27 | 2020-06-12 | 江苏益客食品集团股份有限公司 | 一种基于近红外高光谱的硫代巴比妥酸含量检测方法 |
CN113109291A (zh) * | 2021-05-13 | 2021-07-13 | 大连工业大学 | 一种婴幼儿辅食营养包硫代巴比妥酸值的快速检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104655586A (zh) | 基于高光谱数据融合快速非接触监控鱼肉脂肪氧化的方法 | |
CN103439285B (zh) | 一种基于高光谱成像的鱼片新鲜度检测方法 | |
Nyalala et al. | Weight and volume estimation of poultry and products based on computer vision systems: a review | |
Liu et al. | Hyperspectral imaging technique for evaluating food quality and safety during various processes: A review of recent applications | |
Dai et al. | Prediction of total volatile basic nitrogen contents using wavelet features from visible/near-infrared hyperspectral images of prawn (Metapenaeus ensis) | |
Cheng et al. | Marbling analysis for evaluating meat quality: Methods and techniques | |
Dai et al. | Potential of visible/near-infrared hyperspectral imaging for rapid detection of freshness in unfrozen and frozen prawns | |
Huang et al. | A data fusion detection method for fish freshness based on computer vision and near-infrared spectroscopy | |
He et al. | Potential of hyperspectral imaging combined with chemometric analysis for assessing and visualising tenderness distribution in raw farmed salmon fillets | |
Talens et al. | Prediction of water and protein contents and quality classification of Spanish cooked ham using NIR hyperspectral imaging | |
Mladenov et al. | Complex assessment of food products quality using analysis of visual images, spectrophotometric and hyperspectral characteristics | |
Hosseinpour et al. | An intelligent machine vision-based smartphone app for beef quality evaluation | |
Ghasemi-Varnamkhasti et al. | Application of image analysis combined with computational expert approaches for shrimp freshness evaluation | |
CN104655761A (zh) | 一种基于多光谱成像在线测定鱼肉新鲜度指标k值的方法 | |
Stewart et al. | Objective grading of eye muscle area, intramuscular fat and marbling in Australian beef and lamb | |
Modzelewska-Kapituła et al. | The application of computer vision systems in meat science and industry–A review | |
CN109856079B (zh) | 近红外多光谱成像快速无损评价鱼肉脂肪氧化程度的方法 | |
CN104089925A (zh) | 一种基于高光谱成像检测虾仁品质的目标区域提取方法 | |
Zhang et al. | Detection of adulteration in mutton using digital images in time domain combined with deep learning algorithm | |
Gu et al. | A new detection method for fish freshness | |
Xu | Electronic eye for food sensory evaluation | |
Xing et al. | Application of computer vision technology in agricultural products and food inspection | |
NL2029012B1 (en) | Method for quickly identification of cow milk and goat milk | |
Prema et al. | An improved non-destructive shrimp freshness detection method based on hybrid CNN and SVM with GAN augmentation | |
CN109856080B (zh) | 近红外多光谱成像多指标协同的鱼片新鲜度无损评价方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150527 |
|
RJ01 | Rejection of invention patent application after publication |