CN104897581A - 基于高光谱的识别新鲜肉、冷却肉和冷冻肉的方法及装置 - Google Patents
基于高光谱的识别新鲜肉、冷却肉和冷冻肉的方法及装置 Download PDFInfo
- Publication number
- CN104897581A CN104897581A CN201510288555.5A CN201510288555A CN104897581A CN 104897581 A CN104897581 A CN 104897581A CN 201510288555 A CN201510288555 A CN 201510288555A CN 104897581 A CN104897581 A CN 104897581A
- Authority
- CN
- China
- Prior art keywords
- meat
- chilled
- sample
- entropy
- hyperion
- 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
Links
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了基于高光谱的识别新鲜肉、冷却肉和冷冻肉的方法,包括以下步骤:(1)获取肉品样品的0反射率高光谱图像和全反射率高光谱图像,(2)在校正后的高光谱图像上选取肉品样品的感兴趣区域,获取感兴趣区域在特征波长下的光谱反射值;提取高光谱图像的权重系数最高的PC图像,并计算其纹理特征;(3)采用基于Fisher判别式的第一判别分析模型进行判别;(4)采用基于Fisher判别式的第二判别分析模型进行判别。本发明的方法大大提高了分类模型的鲁棒性,使模型分类更加精准。本发明还公开了基于高光谱的识别新鲜肉、冷却肉和冷冻肉的装置,提高了高光谱图像的质量。
Description
技术领域
本发明涉及高光谱无损检测领域,特别涉及一种基于高光谱的识别新鲜肉、冷却肉和冷冻肉的方法及装置。
背景技术
肉是老百姓日常生活中重要的食材之一,市面上销售的肉大致可分为新鲜肉和冷处理肉,冷处理肉包括冷却肉和冷冻肉。一般来说新鲜肉和冷却肉的营养价值较高,口感较好;冷冻肉一般储存时间较长,其失水较多,营养流失严重,口感较差。同时冷冻肉的价钱也比新鲜肉和冷却肉低很多。通过控制冷冻解冻条件,一些冷冻肉解冻后与冷却肉很难区分,导致一些不法商贩用冷冻肉以次充好,赚取暴利。对冷冻肉和冷却肉进行正确区分,并贴上正确的标签进行销售,显得尤为重要。冷却肉和冷冻肉在颜色、气味、弹性、黏度上有细微差别,很难从外表上区分,只有做成菜后才能明显感觉到不同:冷却肉肉更嫩,熬出的汤更香。另外,通过检测肉的pH值、系水力、嫩度等指标也可以对冷却肉和冷冻肉进行区分。但是上述方法具有破坏性大、效率低、操作步骤复杂等缺点,不能有效的对冷却肉和冷冻肉进行快速的区分。因此,发展一种快速、无损的检测方法来对新鲜肉、冷却肉和冷冻肉进行区分是十分必要的。
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一种基于高光谱的识别新鲜肉、冷却肉和冷冻肉的方法,大大提高了分类模型的鲁棒性,使模型分类更加精准。
本发明的另一目的在于提供实现上述基于高光谱的识别新鲜肉、冷却肉和冷冻肉的方法的装置。
本发明的目的通过以下技术方案实现:
基于高光谱的识别新鲜肉、冷却肉和冷冻肉的方法,包括以下步骤:
(1)对肉品样品进行高光谱扫描,获取0反射率高光谱图像和全反射率高光谱图像,对获取的高光谱图像进行校正;
(2)在校正后的0反射率高光谱图像和全反射率高光谱图像上选取肉品样品的感兴趣区域,获取感兴趣区域在特征波长下的光谱反射值;
对高光谱图像进行主成分分析得到PC图像,提取权重系数最高的PC图像,并计算权重系数最高的PC图像的纹理特征;所述纹理特征包括0度角的相关性、灰度熵和梯度熵;
当肉品样品为猪肉样品时,所述特征波长为552nm、583nm、和673nm;
当肉品样品为牛肉样品时,所述特征波长为479nm、601nm和776nm;
当肉品样品为羊肉样品时,所述特征波长为549nm、638nm和774nm;
(3)采用基于Fisher判别式的第一判别分析模型进行判别:
当肉品样品为猪肉样品时,第一判别分析模型如下:
Y0=0.034R552-0.073R583-0.067R673+0.078T1-0.105T2+0.066T3+47.843
Y1=0.041R552-0.068R583-0.073R673+0.056T1-0.131T2+0.097T3+35.764
其中,R552、R583、R673分别为特征波长552nm、583nm、和673nm下的光谱反射值;T1、T2、T3分别为0度角的相关性、灰度熵和梯度熵;
当肉品样品为牛肉样品时,第一判别分析模型如下:
Y0=0.048R479-0.009R601+0.058R776+0.042T1-0.064T2+0.023T3+12.831
Y1=0.059R479-0.020R601+0.065R776+0.058T1-0.076T2+0.042T3+11.864
其中,R479、R601、R776分别为特征波长479nm、601nm和776nm下的光谱反射值;T1、T2、T3分别为0度角的相关性、灰度熵和梯度熵;
当肉品样品为羊肉样品时,第一判别分析模型如下:
Y0=0.026R549-0.010R638+0.021R774+0.099T1-0.045T2+0.014T3+39.232
Y1=0.033R549-0.002R638+0.011R774+0.083T1-0.048T2+0.017T3+46.698
其中,R549、R638、R774分别为特征波长549nm、638nm和774nm下的光谱反射值;T1、T2、T3分别为0度角的相关性、灰度熵和梯度熵;
若Y0大于Y1,则判定肉品样品为新鲜肉;
若Y0小于Y1,则进行步骤(4);
(4)采用基于Fisher判别式的第二判别分析模型进行判别:
当肉品样品为猪肉样品时,第二判别分析模型如下:
Y0'=0.021R552-0.054R583-0.023R673+0.045T1-0.095T2+0.044T3+23.698
Y1'=0.032R552-0.070R583-0.016R673+0.038T1-0.087T2+0.052T3+25.473
其中,R552、R583、R673分别为特征波长552nm、583nm、和673nm下的光谱反射值;T1、T2、T3分别为0度角的相关性、灰度熵和梯度熵;
当肉品样品为牛肉样品时,第二判别分析模型如下:
Y0'=0.056R479+0.032R601+0.013R776+0.093T1-0.088T2+0.032T3+32.569
Y1'=0.052R479+0.044R601+0.041R776+0.102T1-0.086T2+0.029T3+33.875
其中,R479、R601、R776分别为特征波长479nm、601nm和776nm下的光谱反射值;T1、T2、T3分别为0度角的相关性、灰度熵和梯度熵;
当肉品样品为羊肉样品时,第二判别分析模型如下:
Y0'=-0.084R549-0.031R638+0.063R774+0.053T1-0.109T2+0.073T3+23.642
Y1'=-0.087R549-0.028R638+0.055R774+0.056T1-0.112T2+0.068T3+17.579
其中,R549、R638、R774分别为特征波长549nm、638nm和774nm下的光谱反射值;T1、T2、T3分别为0度角的相关性、灰度熵和梯度熵;
若Y0'大于Y1',则判定肉品样品为冷却肉,否则为冷冻肉。
步骤(2)所述提取纹理特征值,具体为:
使用灰度梯度共生矩阵模型,选取步长为1,提取0度角的相关性T1、灰度熵T2、和梯度熵T3,并在0~1的范围内进行归一化。
实现所述基于高光谱的识别新鲜肉、冷却肉和冷冻肉的方法的基于高光谱的识别新鲜肉、冷却肉和冷冻肉的装置,包括暗室、高光谱图像采集系统、传送装置、载物台和计算机,所述高光谱图像采集系统、传送装置、载物台安装在暗室内,与安装在暗室外的计算机连接;所述载物台固定在传送装置上,所述载物台采用透光PET材料制成;所述高光谱图像采集系统位于传送装置的下方。
所述高光谱图像采集系统包括高光谱相机、镜头、伸缩遮光筒和线光源;所述镜头安装在高光谱相机的上部;所述伸缩遮光筒安装在镜头的上方并套在镜头的外部;所述线光源位于载物台的下方,发出的光线照射到载物台中的肉品样品上。
所述线光源发出的光线与载物台成30度夹角。
与现有技术相比,本发明具有以下优点和有益效果:
(1)本发明的基于高光谱的识别新鲜肉、冷却肉和冷冻肉的方法,将图像信息和光谱信息相结合,大大提高了分类模型的鲁棒性,使模型分类更加精准。
(2)本发明的基于高光谱的识别新鲜肉、冷却肉和冷冻肉的方法,克服了传统方法破坏性大、效率低、操作步骤复杂等缺点,实现了快速、无损检测。
(3)本发明的基于高光谱的识别新鲜肉、冷却肉和冷冻肉的装置,采用底部成像的方法,解决了样品上表面不平整,影响图像质量的缺点。
(4)本发明的基于高光谱的识别新鲜肉、冷却肉和冷冻肉的装置使用伸缩遮光筒,有效的阻挡了外界光线的干扰,提高了图像的质量。
附图说明
图1为本发明的实施例的基于高光谱的识别新鲜肉、冷却肉和冷冻肉的装置的示意图。
图2为本发明的实施例的基于高光谱的识别新鲜肉、冷却肉和冷冻肉的方法的流程图。
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的识别新鲜肉、冷却肉和冷冻肉的装置,包括暗室2-1、高光谱图像采集系统、传送装置2-7、载物台2-8和计算机2-10,所述高光谱图像采集系统、传送装置、载物台安装在暗室内,与安装在暗室外的计算机连接;所述载物台固定在传送装置上,所述载物台采用透光PET材料制成;所述高光谱图像采集系统位于传送装置的下方。
所述高光谱图像采集系统包括高光谱相机2-2、镜头2-3、伸缩遮光筒可调光源2-4、可调节光源2-5和线光源2-6;所述镜头安装在高光谱相机的上部;所述伸缩遮光筒安装在镜头的上方并套在镜头的外部;所述线光源位于载物台的下方,发出的光线与载物台成30度夹角,发出的光线照射到载物台中的肉品样品2-9上。
如图2所示,本实施例的基于高光谱的识别新鲜肉、冷却肉和冷冻肉的方法,具体如下:
从广州番禺食品集团有限公司新造分公司生猪定点屠宰场采购30条未经处理的猪背最长条肌,用切肉机将其切割成2.5cm的肉片,再由人工将其切成5cm×5cm×2.5cm的长方体,并随机选取105块作为实验原料。将原料随机分成三组,其中第一组选35块不作处理,作为新鲜肉样品;第二组选35块在4℃环境下冷藏储存12小时作为冷藏肉样品;第三组选35个在-18℃下冷冻储存12小时作为冷冻肉样品。所有冷处理样品在实验前要取出并在室温放置4小时。所有猪肉样品都编号。
分批采集三组猪肉样品的高光谱图像,并用事先采集的0反射率和全反射率图像进行校正,去除噪声。将分割阀值设为0.21,去除背景,得到猪肉的感兴趣区域图像;提取感兴趣区域图像的平均光谱,并对平均光谱在0~1的范围内进行归一化处理,用连续投影法提取3个特征波长,分别为:552nm、583nm、和673nm;用独立主成分分析法计算高光谱图像的PC图像,得到权重系数最高的PC图像,其权重系数为95.63%;使用灰度梯度共生矩阵模型提取权重系数最高的PC图像的纹理特征,选取步长为1,提取0度角的相关性T1、灰度熵T2和梯度熵T3,并在0~1的范围内进行归一化。
采用Fisher判别式的方法建立分类模型,构建模型为输入105个猪肉样品,包括35个新鲜猪肉样品,70个冷处理的猪肉样品。将552nm、583nm、673nm波长下的光谱值和相关性、灰度熵、梯度熵的纹理特征值作为猪肉样品的特征变量集,判别结果如表1所示:
表1 Fisher判别新鲜猪肉与冷处理猪肉模型的判别结果
得到的Fisher判别方程式为:
Y0=0.034R552-0.073R583-0.067R673+0.078T1-0.105T2+0.066T3+47.843
Y1=0.041R552-0.068R583-0.073R673+0.056T1-0.131T2+0.097T3+35.764
对判定为冷处理肉的样品继续采用Fisher判别式的方法建立分类模型,构建模型为输入71个猪肉样品,包括36个冷却猪肉样品,35个冷冻猪肉样品。将552nm、583nm、673nm波长下的光谱值和相关性、灰度熵、梯度熵的纹理特征值作为猪肉样品的特征变量集,判别结果如表2所示:
表2 Fisher判别冷却猪肉与冷冻猪肉模型的判别结果
得到的Fisher判别方程式为:
Y0=0.021R552-0.054R583-0.023R673+0.045T1-0.095T2+0.044T3+23.698
Y1=0.032R552-0.070R583-0.016R673+0.038T1-0.087T2+0.052T3+25.473
对新鲜肉、冷却肉和冷冻肉综合判别结果如表3所示:
表3 Fisher判别冷却猪肉与冷冻猪肉综合判别结果
实施例2
本实施例的基于高光谱的识别新鲜肉、冷却肉和冷冻肉的方法,包括以下步骤:
(1)对牛肉样品进行高光谱扫描,获取0反射率高光谱图像和全反射率高光谱图像,对获取的高光谱图像进行校正;
(2)在校正后的0反射率高光谱图像和全反射率高光谱图像上选取牛肉样品的感兴趣区域,获取感兴趣区域在特征波长(479nm、601nm和776nm)下的光谱反射值;对高光谱图像进行主成分分析得到PC图像,提取权重系数最高的PC图像,使用灰度梯度共生矩阵模型,选取步长为1,提取0度角的相关性T1、灰度熵T2、和梯度熵T3,并在0~1的范围内进行归一化;
(3)采用基于Fisher判别式的第一判别分析模型进行判别:
Y0=0.048R479-0.009R601+0.058R776+0.042T1-0.064T2+0.023T3+12.831
Y1=0.059R479-0.020R601+0.065R776+0.058T1-0.076T2+0.042T3+11.864
其中,R479、R601、R776分别为特征波长479nm、601nm和776nm下的光谱反射值;T1、T2、T3分别为0度角的相关性、灰度熵和梯度熵;
若Y0大于Y1,则判定牛肉肉品样品为新鲜肉;
若Y0小于Y1,则进行步骤(4);
(4)采用基于Fisher判别式的第二判别分析模型进行判别:
Y0'=0.056R479+0.032R601+0.013R776+0.093T1-0.088T2+0.032T3+32.569
Y1'=0.052R479+0.044R601+0.041R776+0.102T1-0.086T2+0.029T3+33.875
其中,R479、R601、R776分别为特征波长479nm、601nm和776nm下的光谱反射值;T1、T2、T3分别为0度角的相关性、灰度熵和梯度熵;
若Y0'大于Y1',则判定肉品样品为冷却肉,否则为冷冻肉。
实施例3
本实施例的基于高光谱的识别新鲜肉、冷却肉和冷冻肉的方法,包括以下步骤:
(1)对羊肉样品进行高光谱扫描,获取0反射率高光谱图像和全反射率高光谱图像,对获取的高光谱图像进行校正;
(2)在校正后的0反射率高光谱图像和全反射率高光谱图像上选取羊肉样品的感兴趣区域,获取感兴趣区域在特征波长(549nm、638nm和774nm)下的光谱反射值;对高光谱图像进行主成分分析得到PC图像,提取权重系数最高的PC图像,使用灰度梯度共生矩阵模型,选取步长为1,提取0度角的相关性T1、灰度熵T2、和梯度熵T3,并在0~1的范围内进行归一化;
(3)采用基于Fisher判别式的第一判别分析模型进行判别:
第一判别分析模型如下:
Y0=0.026R549-0.010R638+0.021R774+0.099T1-0.045T2+0.014T3+39.232
Y1=0.033R549-0.002R638+0.011R774+0.083T1-0.048T2+0.017T3+46.698
其中,R549、R638、R774分别为特征波长549nm、638nm和774nm下的光谱反射值;T1、T2、T3分别为0度角的相关性、灰度熵和梯度熵;
若Y0大于Y1,则判定肉品样品为新鲜肉;
若Y0小于Y1,则进行步骤(4);
(4)采用基于Fisher判别式的第二判别分析模型进行判别:
第二判别分析模型如下:
Y0'=-0.084R549-0.031R638+0.063R774+0.053T1-0.109T2+0.073T3+23.642
Y1'=-0.087R549-0.028R638+0.055R774+0.056T1-0.112T2+0.068T3+17.579
其中,R549、R638、R774分别为特征波长549nm、638nm和774nm下的光谱反射值;T1、T2、T3分别为0度角的相关性、灰度熵和梯度熵;
若Y0'大于Y1',则判定肉品样品为冷却肉,否则为冷冻肉。
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.基于高光谱的识别新鲜肉、冷却肉和冷冻肉的方法,其特征在于,包括以下步骤:
(1)对肉品样品进行高光谱扫描,获取0反射率高光谱图像和全反射率高光谱图像,对获取的高光谱图像进行校正;
(2)在校正后的0反射率高光谱图像和全反射率高光谱图像上选取肉品样品的感兴趣区域,获取感兴趣区域在特征波长下的光谱反射值;
对高光谱图像进行主成分分析得到PC图像,提取权重系数最高的PC图像,并计算权重系数最高的PC图像的纹理特征;所述纹理特征包括0度角的相关性、灰度熵和梯度熵;
当肉品样品为猪肉样品时,所述特征波长为552nm、583nm、和673nm;
当肉品样品为牛肉样品时,所述特征波长为479nm、601nm和776nm;
当肉品样品为羊肉样品时,所述特征波长为549nm、638nm和774nm;
(3)采用基于Fisher判别式的第一判别分析模型进行判别:
当肉品样品为猪肉样品时,第一判别分析模型如下:
Y0=0.034R552-0.073R583-0.067R673+0.078T1-0.105T2+0.066T3+47.843
Y1=0.041R552-0.068R583-0.073R673+0.056T1-0.131T2+0.097T3+35.764
其中,R552、R583、R673分别为特征波长552nm、583nm、和673nm下的光谱反射值;T1、T2、T3分别为0度角的相关性、灰度熵和梯度熵;
当肉品样品为牛肉样品时,第一判别分析模型如下:
Y0=0.048R479-0.009R601+0.058R776+0.042T1-0.064T2+0.023T3+12.831
Y1=0.059R479-0.020R601+0.065R776+0.058T1-0.076T2+0.042T3+11.864
其中,R479、R601、R776分别为特征波长479nm、601nm和776nm下的光谱反射值;T1、T2、T3分别为0度角的相关性、灰度熵和梯度熵;
当肉品样品为羊肉样品时,第一判别分析模型如下:
Y0=0.026R549-0.010R638+0.021R774+0.099T1-0.045T2+0.014T3+39.232
Y1=0.033R549-0.002R638+0.011R774+0.083T1-0.048T2+0.017T3+46.698
其中,R549、R638、R774分别为特征波长549nm、638nm和774nm下的光谱反射值;T1、T2、T3分别为0度角的相关性、灰度熵和梯度熵;
若Y0大于Y1,则判定肉品样品为新鲜肉;
若Y0小于Y1,则进行步骤(4);
(4)采用基于Fisher判别式的第二判别分析模型进行判别:
当肉品样品为猪肉样品时,第二判别分析模型如下:
Y0'=0.021R552-0.054R583-0.023R673+0.045T1-0.095T2+0.044T3+23.698
Y1'=0.032R552-0.070R583-0.016R673+0.038T1-0.087T2+0.052T3+25.473
其中,R552、R583、R673分别为特征波长552nm、583nm、和673nm下的光谱反射值;T1、T2、T3分别为0度角的相关性、灰度熵和梯度熵;
当肉品样品为牛肉样品时,第二判别分析模型如下:
Y0'=0.056R479+0.032R601+0.013R776+0.093T1-0.088T2+0.032T3+32.569
Y1'=0.052R479+0.044R601+0.041R776+0.102T1-0.086T2+0.029T3+33.875
其中,R479、R601、R776分别为特征波长479nm、601nm和776nm下的光谱反射值;T1、T2、T3分别为0度角的相关性、灰度熵和梯度熵;
当肉品样品为羊肉样品时,第二判别分析模型如下:
Y0'=-0.084R549-0.031R638+0.063R774+0.053T1-0.109T2+0.073T3+23.642
Y1'=-0.087R549-0.028R638+0.055R774+0.056T1-0.112T2+0.068T3+17.579
其中,R549、R638、R774分别为特征波长549nm、638nm和774nm下的光谱反射值;T1、T2、T3分别为0度角的相关性、灰度熵和梯度熵;
若Y0'大于Y1',则判定肉品样品为冷却肉,否则为冷冻肉。
2.根据权利要求1所述的基于高光谱的识别新鲜肉、冷却肉和冷冻肉的方法,其特征在于,步骤(2)所述提取纹理特征值,具体为:
使用灰度梯度共生矩阵模型,选取步长为1,提取0度角的相关性T1、灰度熵T2、和梯度熵T3,并在0~1的范围内进行归一化。
3.实现权利要求1~2任一项所述基于高光谱的识别新鲜肉、冷却肉和冷冻肉的方法的基于高光谱的识别新鲜肉、冷却肉和冷冻肉的装置,其特征在于,包括暗室、高光谱图像采集系统、传送装置、载物台和计算机,所述高光谱图像采集系统、传送装置、载物台安装在暗室内,与安装在暗室外的计算机连接;所述载物台固定在传送装置上,所述载物台采用透光PET材料制成;所述高光谱图像采集系统位于传送装置的下方。
4.根据权利要求1所述的基于高光谱的识别新鲜肉、冷却肉和冷冻肉的装置,其特征在于,所述高光谱图像采集系统包括高光谱相机、镜头、伸缩遮光筒和线光源;所述镜头安装在高光谱相机的上部;所述伸缩遮光筒安装在镜头的上方并套在镜头的外部;所述线光源位于载物台的下方,发出的光线照射到载物台中的肉品样品上。
5.根据权利要求3所述的基于高光谱的识别新鲜肉、冷却肉和冷冻肉的装置,其特征在于,所述线光源发出的光线与载物台成30度夹角。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510288555.5A CN104897581B (zh) | 2015-05-29 | 2015-05-29 | 基于高光谱的识别新鲜肉、冷却肉和冷冻肉的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510288555.5A CN104897581B (zh) | 2015-05-29 | 2015-05-29 | 基于高光谱的识别新鲜肉、冷却肉和冷冻肉的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104897581A true CN104897581A (zh) | 2015-09-09 |
CN104897581B CN104897581B (zh) | 2018-07-20 |
Family
ID=54030384
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510288555.5A Active CN104897581B (zh) | 2015-05-29 | 2015-05-29 | 基于高光谱的识别新鲜肉、冷却肉和冷冻肉的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104897581B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105447891A (zh) * | 2015-12-02 | 2016-03-30 | 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 |
CN105701805A (zh) * | 2016-01-07 | 2016-06-22 | 中国农业大学 | 一种基于计算机视觉的猪肉肌内脂肪含量无损检测方法 |
CN105954252A (zh) * | 2016-04-21 | 2016-09-21 | 北京航空航天大学 | 一种饲料原料中非法添加物苏丹红的定性检测方法 |
CN106841052A (zh) * | 2016-12-29 | 2017-06-13 | 中国科学院遥感与数字地球研究所 | 一种快速检测食用肉类新鲜度的方法和系统 |
CN106871568A (zh) * | 2016-12-30 | 2017-06-20 | 青岛海尔智能技术研发有限公司 | 冰箱内部食物的种类识别方法与冰箱 |
CN107247026A (zh) * | 2017-07-26 | 2017-10-13 | 成都九维云联科技有限公司 | 一种易腐食品的预判方法 |
CN109187376A (zh) * | 2018-09-17 | 2019-01-11 | 深圳市三海科技有限公司 | 一种全量程物体表面光谱反射率测试方法 |
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 |
CN110470805A (zh) * | 2019-08-12 | 2019-11-19 | 中国农业科学院农产品加工研究所 | 热鲜羊肉判定方法 |
CN110501310A (zh) * | 2019-05-07 | 2019-11-26 | 华南理工大学 | 一种基于非模型光学校正高光谱的食品检测方法 |
CN111881933A (zh) * | 2019-06-29 | 2020-11-03 | 浙江大学 | 一种高光谱图像分类方法及系统 |
CN113588571A (zh) * | 2021-09-29 | 2021-11-02 | 广东省农业科学院动物科学研究所 | 一种基于高光谱成像的水产品的腥味识别方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030081819A1 (en) * | 2001-06-29 | 2003-05-01 | Connell Scott D. | Method and system for automated outlying feature and outlying feature background detection during processing of data scanned from a molecular array |
CN101059424A (zh) * | 2007-05-22 | 2007-10-24 | 浙江大学 | 多光谱肉类新鲜度人工智能测量方法及系统 |
US20100195111A1 (en) * | 2009-02-03 | 2010-08-05 | Ali Farsaie | Spatial imaging/imaging spectroscopy system and method |
CN102323267A (zh) * | 2011-08-10 | 2012-01-18 | 中国农业大学 | 一种快速评价生鲜肉品新鲜度的系统及方法 |
CN103776775A (zh) * | 2014-01-27 | 2014-05-07 | 华南理工大学 | 一种安装于冷库中的肉品品质检测装置 |
-
2015
- 2015-05-29 CN CN201510288555.5A patent/CN104897581B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030081819A1 (en) * | 2001-06-29 | 2003-05-01 | Connell Scott D. | Method and system for automated outlying feature and outlying feature background detection during processing of data scanned from a molecular array |
CN101059424A (zh) * | 2007-05-22 | 2007-10-24 | 浙江大学 | 多光谱肉类新鲜度人工智能测量方法及系统 |
US20100195111A1 (en) * | 2009-02-03 | 2010-08-05 | Ali Farsaie | Spatial imaging/imaging spectroscopy system and method |
CN102323267A (zh) * | 2011-08-10 | 2012-01-18 | 中国农业大学 | 一种快速评价生鲜肉品新鲜度的系统及方法 |
CN103776775A (zh) * | 2014-01-27 | 2014-05-07 | 华南理工大学 | 一种安装于冷库中的肉品品质检测装置 |
Non-Patent Citations (1)
Title |
---|
马小军 等: "利用超声波图像活体预测北京黑猪肌内脂肪含量", 《畜牧兽医学报》 * |
Cited By (19)
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 |
CN105447891A (zh) * | 2015-12-02 | 2016-03-30 | 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 |
CN105701805A (zh) * | 2016-01-07 | 2016-06-22 | 中国农业大学 | 一种基于计算机视觉的猪肉肌内脂肪含量无损检测方法 |
CN105701805B (zh) * | 2016-01-07 | 2019-01-08 | 中国农业大学 | 一种基于计算机视觉的猪肉肌内脂肪含量无损检测方法 |
CN105954252A (zh) * | 2016-04-21 | 2016-09-21 | 北京航空航天大学 | 一种饲料原料中非法添加物苏丹红的定性检测方法 |
CN106841052B (zh) * | 2016-12-29 | 2019-07-12 | 中国科学院遥感与数字地球研究所 | 一种快速检测食用肉类新鲜度的方法和系统 |
CN106841052A (zh) * | 2016-12-29 | 2017-06-13 | 中国科学院遥感与数字地球研究所 | 一种快速检测食用肉类新鲜度的方法和系统 |
CN106871568A (zh) * | 2016-12-30 | 2017-06-20 | 青岛海尔智能技术研发有限公司 | 冰箱内部食物的种类识别方法与冰箱 |
CN107247026A (zh) * | 2017-07-26 | 2017-10-13 | 成都九维云联科技有限公司 | 一种易腐食品的预判方法 |
CN109187376A (zh) * | 2018-09-17 | 2019-01-11 | 深圳市三海科技有限公司 | 一种全量程物体表面光谱反射率测试方法 |
CN109187376B (zh) * | 2018-09-17 | 2021-06-18 | 深圳市三束镀膜技术有限公司 | 一种全量程物体表面光谱反射率测试方法 |
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 |
CN110501310A (zh) * | 2019-05-07 | 2019-11-26 | 华南理工大学 | 一种基于非模型光学校正高光谱的食品检测方法 |
CN110501310B (zh) * | 2019-05-07 | 2020-12-22 | 华南理工大学 | 一种基于非模型光学校正高光谱的食品检测方法 |
CN111881933A (zh) * | 2019-06-29 | 2020-11-03 | 浙江大学 | 一种高光谱图像分类方法及系统 |
CN111881933B (zh) * | 2019-06-29 | 2024-04-09 | 浙江大学 | 一种高光谱图像分类方法及系统 |
CN110470805A (zh) * | 2019-08-12 | 2019-11-19 | 中国农业科学院农产品加工研究所 | 热鲜羊肉判定方法 |
CN113588571A (zh) * | 2021-09-29 | 2021-11-02 | 广东省农业科学院动物科学研究所 | 一种基于高光谱成像的水产品的腥味识别方法及系统 |
CN113588571B (zh) * | 2021-09-29 | 2021-12-03 | 广东省农业科学院动物科学研究所 | 一种基于高光谱成像的水产品的腥味识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN104897581B (zh) | 2018-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104897581A (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 | |
Liu et al. | Combination of spectra and texture data of hyperspectral imaging for prediction of pH in salted meat | |
Xu et al. | Identification of freezer burn on frozen salmon surface using hyperspectral imaging and computer vision combined with machine learning algorithm | |
Pan et al. | Pathogenetic process monitoring and early detection of pear black spot disease caused by Alternaria alternata using hyperspectral imaging | |
Xiong et al. | Non-destructive prediction of thiobarbituric acid reactive substances (TBARS) value for freshness evaluation of chicken meat using hyperspectral imaging | |
Qiao et al. | Pork quality and marbling level assessment using a hyperspectral imaging system | |
Ma et al. | Applications of computer vision for assessing quality of agri-food products: a review of recent research advances | |
Cheng et al. | Integration of classifiers analysis and hyperspectral imaging for rapid discrimination of fresh from cold-stored and frozen-thawed fish fillets | |
Dai et al. | Potential of visible/near-infrared hyperspectral imaging for rapid detection of freshness in unfrozen and frozen prawns | |
Cheng et al. | Hyperspectral imaging as an effective tool for quality analysis and control of fish and other seafoods: Current research and potential applications | |
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 | |
Chen et al. | Computer vision for real-time measurements of shrinkage and color changes in blueberry convective drying | |
Li et al. | Machine vision technology for detecting the external defects of fruits—A review | |
CN103344567B (zh) | 生鲜肉无损检测装置 | |
CN103439271B (zh) | 一种猪肉成熟状况的可视化检测方法 | |
CN104880427B (zh) | 一种猪肉产品快速水分检测方法 | |
Ghasemi-Varnamkhasti et al. | Application of image analysis combined with computational expert approaches for shrimp freshness evaluation | |
Xu et al. | Computer vision detection of salmon muscle gaping using convolutional neural network features | |
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 | |
CN114677671A (zh) | 一种基于多光谱图像和深度学习的榨菜老筋自动识别方法 | |
Donis-González et al. | Classification of processing asparagus sections using color images | |
CN103528967A (zh) | 基于高光谱图像的过熟蓝靛果果实识别方法 | |
Jun et al. | Pork quality classification using a hyperspectral imaging system and neural network | |
Yang et al. | Prediction of quality traits and grades of intact chicken breast fillets by hyperspectral imaging | |
Zhao et al. | Distribution of beef tenderness grading based on texture features by hyperspectral image analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |