CN106442339A - 熟肉冷藏时间可视化检测方法及装置 - Google Patents
熟肉冷藏时间可视化检测方法及装置 Download PDFInfo
- Publication number
- CN106442339A CN106442339A CN201610832202.1A CN201610832202A CN106442339A CN 106442339 A CN106442339 A CN 106442339A CN 201610832202 A CN201610832202 A CN 201610832202A CN 106442339 A CN106442339 A CN 106442339A
- Authority
- CN
- China
- Prior art keywords
- cold
- support vector
- sample
- cold cuts
- vector regression
- 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
Classifications
-
- 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
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/127—Calibration; base line adjustment; drift compensation
- G01N2201/12707—Pre-test of apparatus, e.g. dark test, sensor test
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/127—Calibration; base line adjustment; drift compensation
- G01N2201/12746—Calibration values determination
- G01N2201/12784—Base line obtained from computation, histogram
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种熟肉冷藏时间可视化检测方法及装置,包括:获取待测熟肉的高光谱图像;对高光谱图像进行选取获得预设像素范围区域,并计算获得的预设像素范围区域的平均光谱值;根据平均光谱值和预设多模型共识‑连续投影支持向量回归模型,计算获得待测熟肉的冷藏时间并输出显示。本发明提供的一种熟肉冷藏时间可视化检测方法及装置,通过获取待测熟肉的高光谱图像,并进行选取获得预设像素范围区域,并计算预设像素范围区域的平均光谱值;根据平均光谱值和预设多模型共识‑连续投影支持向量回归模型,计算待测熟肉的冷藏时间并输出显示,达到检测结果更加准确,预测结果更直观。
Description
技术领域
本发明涉及食品检测技术领域,尤其涉及一种熟肉冷藏时间可视化检测方法及装置。
背景技术
肉类制品含有对人体健康有益的蛋白质、维生素和矿物质,又因其具有味道鲜美、食用方便等优点,深受广大消费者的青睐。与生鲜肉相比,肉类制品通常不易变质且保质期长,然而,长时间的不恰当储藏也会导致其腐败裂变,不可食用。因此,肉制品可预知的冷藏天数以及架货期的真实性等问题一直是人们关注的焦点。判断肉类腐败变质的存储期限从而对肉制品的冷藏时间进行快速检测,可以满足消费者对肉类产品质量控制和保证的需求,同时能够对肉制品加工与储藏技术的完善起着科学的指导作用。
肉制品存储期的长短与封装时间,储藏环境因素以及肉品自身质量有着直接关系,新鲜度的变化也可直接反应肉制品的存储周期。
目前传统的肉制品储藏时间的检测方法主要有感官经验评价、化学和微生物实验等。其中,感官评价主观性强、不易量化;化学和微生物实验存在样品处理繁琐、检测周期长以及成本高等问题,无法满足现代食品加工行业的发展需求。当前已有学者利用光谱成像技术对生鲜猪肉的有效期进行了预测,但这些研究多数针对生鲜肉,仅单一的考虑了样本的光谱数据,没有充分利用肉样的空间特征信息,且其光谱数据是依靠直接对肉类的随机选取的一个区域进行光谱扫描得到的,但随机选取的区域无法代表整块肉的腐坏程度,因此,检测结果不准确。
发明内容
本发明提供一种熟肉冷藏时间可视化检测方法及装置,用于解决现有技术中熟肉冷藏时间检测不够准确的问题。
第一方面,本发明提供一种熟肉冷藏时间可视化检测方法,包括:
获取待测熟肉的高光谱图像;
对所述高光谱图像进行选取获得预设像素范围区域,并计算获得的预设像素范围区域的平均光谱值;
根据所述平均光谱值和预设多模型共识-连续投影支持向量回归模型,计算获得所述待测熟肉的冷藏时间,并输出显示。
优选地,所述预设多模型共识-连续投影支持向量回归模型的建立步骤包括:
将熟肉样本在预设温度环境下,根据预设的不同冷藏时间进行存储;
对不同冷藏时间下的熟肉样品进行取样,获取熟肉样本的高光谱图像;
将采集到的熟肉样本高光谱图像进行黑白校正,并选取预设像素范围区域,提取所述预设像素范围区域的平均光谱值;
将提取的熟肉样本的平均光谱值与相对应的冷藏时间相结合,采用多模型共识-连续投影支持向量回归算法建立多模型共识-连续投影支持向量回归模型。
优选地,在将采集到的熟肉样本高光谱图像进行黑白校正,并选取预设像素范围区域,提取所述预设像素范围区域的平均光谱值,包括:
在采集到的多个熟肉样本高光谱图像中进行选取得到图像校正集;
将所述校正集按照第一预设比例选取成训练子集和验证集;
对训练子集和验证集中的高光谱图像进行黑白校正,并选取感兴趣区域,提取所述感兴趣区域的平均光谱值。
优选地,将提取的熟肉样本的平均光谱值与相对应的冷藏时间相结合,采用多模型共识-连续投影支持向量回归算法建立多模型共识-连续投影支持向量回归模型,包括:
对每一个训练子集采用连续投影支持向量回归算法进行处理,获得对应的子模型,并分别对冷藏时间进行预测,将每个子模型的预测结果用投票法融合,得到共识预测结果;
将每个子模型验证同一个验证集,获取多个预测值,并根据预测值和预设标准值间的平均相对误差与预设阈值的比较判断确定成员模型的数量;
将获得的成员模型共同预测独立测试集样本,并结合共识预测结果获得多模型共识-连续投影支持向量回归模型。
优选地,还包括:
在采集到的多个熟肉样本高光谱图像中进行选取得到与所述校正集符合第二预设比例的独立测试集;
利用所述独立测试集对所述多模型共识-连续投影支持向量回归模型进行预测,并获取所述独立测试集的预测值;
根据所述独立测试集的预测值和所述独立测试集中各肉类样本的储藏时间计算均方根误差和决定系数;
根据所述均方根误差和决定系数,确定最终的预设多模型共识-连续投影支持向量回归模型。
优选地,还包括:根据所述待测熟肉高光谱图像的平均光谱值和预设多模型共识-连续投影支持向量回归模型,计算获得样本图像上每个像素的冷藏时间,并以伪彩图形式显示。
第二方面,本发明提供一种熟肉冷藏时间可视化检测装置,包括:
获取模块,用于获取待测熟肉的高光谱图像;
提取模块,用于对所述高光谱图像进行选取获得预设像素范围区域,并计算获得的预设像素范围区域的平均光谱值;
处理模块,用于根据所述平均光谱值和预设多模型共识-连续投影支持向量回归模型,计算获得所述待测熟肉的冷藏时间,并输出显示。
优选地,还包括模型建立模块,具体用于:
将熟肉样本在预设温度环境下,根据预设的不同冷藏时间进行存储;
对不同冷藏时间下的熟肉样品进行取样,获取熟肉样本的高光谱图像;
将采集到的熟肉样本高光谱图像进行黑白校正,并选取预设像素范围区域,提取所述预设像素范围区域的平均光谱值;
将提取的熟肉样本的平均光谱值与相对应的冷藏时间相结合,采用多模型共识-连续投影支持向量回归算法建立多模型共识-连续投影支持向量回归模型。
优选地,还包括存储模块,用于存储预设的多模型共识-连续投影支持向量回归模型。
优选地,还包括图形生成模块,用于根据所述待测熟肉高光谱图像的平均光谱值和预设多模型共识-连续投影支持向量回归模型,计算获得样本图像上每个像素的冷藏时间,并以伪彩图形式显示。
由上述技术方案可知,本发明提供的一种熟肉冷藏时间可视化检测方法及装置,通过获取待测熟肉的高光谱图像;对所述高光谱图像进行选取获得预设像素范围区域,并计算获得的预设像素范围区域的平均光谱值;根据所述平均光谱值和预设多模型共识-连续投影支持向量回归模型,计算获得所述待测熟肉的冷藏时间,并输出显示,达到检测结果更加准确;另外,由于获取了所述待检测肉类的储藏时间在肉类表面的空间分布的可视化图形,因此预测结果更直观。
附图说明
图1为本发明实施例1提供的熟肉冷藏时间可视化检测方法的流程示意图;
图2为一个熟牛肉样本在不同的冷藏天数下的平均光谱图;
图3为熟牛肉在不同冷藏时间可视化图形;
图4为本发明实施例2提供的熟肉冷藏时间可视化检测装置的结构示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
图1示出了本发明实施例1提供一种熟肉冷藏时间可视化检测方法,包括:
S11、获取待测熟肉的高光谱图像。
在本步骤中,需要说明的是,肉类制品含有对人体健康有益的蛋白质、维生素和矿物质,又因其具有味道鲜美、食用方便等优点,深受广大消费者的青睐。与生鲜肉相比,肉类制品通常不易变质且保质期长,然而,长时间的不恰当储藏也会导致其腐败裂变,不可食用。故对需要进行检测的熟肉,可采用可见/近红外高光谱成像系统采集高光谱图像。
S12、对所述高光谱图像进行选取获得预设像素范围区域,并计算获得的预设像素范围区域的平均光谱值。
在本步骤中,需要说明的是,获取待测熟肉的高光谱图像后,在高光谱图像上选取选取预设像素范围(如分辨率)的图像区域。对选取的区域进行光谱值计算获得平均光谱值。
S13、根据所述平均光谱值和预设多模型共识-连续投影支持向量回归模型,计算获得所述待测熟肉的冷藏时间,并输出显示。
在本步骤中,需要说明的是,以获得的平均光谱值为输入量,输入到预设的多模型共识-连续投影支持向量回归模型中,输出该待测熟肉的冷藏时间并显示。该检测结果可以图形形式进行显示,如图3所示为检测结果的图形化表示方式。
还需要说明的是,所述预设多模型共识-连续投影支持向量回归模型的建立步骤包括:
1、将熟肉样本在预设温度环境下,根据预设的不同冷藏时间进行存储。
在本步骤中,需要说明的是,将购买的熟肉样本在预设的不变温度(如4℃)环境下进行存储。按照不同冷藏时间,从样本中提取固定数量的样本。
2、对不同冷藏时间下的熟肉样品进行取样,获取熟肉样本的高光谱图像。
在本步骤中,需要说明的是,将提取到的熟肉样本可采用可见/近红外高光谱成像系统采集高光谱图像。
3、将采集到的熟肉样本高光谱图像进行黑白校正,并选取预设像素范围区域,提取所述预设像素范围区域的平均光谱值。
在本步骤中,需要说明的是,为了保证高光谱图像的光谱值采集后有利于后续建模,可对高光谱图像进行黑白校正。然后对图像选取预设像素范围区域,提取所述预设像素范围区域的平均光谱值。
进一步的解释说明:
在采集到的多个熟肉样本高光谱图像中进行选取得到图像校正集。
将所述校正集按照第一预设比例选取成训练子集和验证集。如校正集中的样本数量为40个,预设比例为3:1,则训练子集和验证集分别为30个、10个。
对训练子集和验证集中的高光谱图像进行黑白校正,并选取感兴趣区域,提取所述感兴趣区域的平均光谱值。
4、将提取的熟肉样本的平均光谱值与相对应的冷藏时间相结合,采用多模型共识-连续投影支持向量回归算法建立多模型共识-连续投影支持向量回归模型。
在本步骤中,需要说明的是,建立多模型共识-连续投影支持向量回归模型的步骤为:
对每一个训练子集采用连续投影支持向量回归算法进行处理,获得对应的子模型,并分别对冷藏时间进行预测,将每个子模型的预测结果用投票法融合,得到共识预测结果。
将每个子模型验证同一个验证集,获取多个预测值,并根据预测值和预设标准值间的平均相对误差与预设阈值的比较判断确定成员模型的数量。
将获得的成员模型共同预测独立测试集样本,并结合共识预测结果获得多模型共识-连续投影支持向量回归模型。
在建立多模型共识-连续投影支持向量回归模型,还需对模型进行验证,其包括:
在采集到的多个熟肉样本高光谱图像中进行选取得到与所述校正集符合第二预设比例的独立测试集;
利用所述独立测试集对所述多模型共识-连续投影支持向量回归模型进行预测,并获取所述独立测试集的预测值;
根据所述独立测试集的预测值和所述独立测试集中各肉类样本的储藏时间计算均方根误差和决定系数;
根据所述均方根误差和决定系数,确定最终的预设多模型共识-连续投影支持向量回归模型。
下面提供一种本发明的多模型共识-连续投影支持向量回归模型的建立过程。
本发明的多模型共识-连续投影支持向量回归模型的建立过程包括:
(1)将当天购买的同一批次熟牛肉的边缘和棱角部位统一去除,均匀地分割成大小近似的牛肉切片样本(总共112个熟牛肉样本(即牛肉切片样本)经过吸油纸擦拭后,统一标记编号装入保鲜袋在4℃的条件下进行冷藏储存,实验周期设置为0,4,7,10,13,16和19天。尽可能的保证牛肉在储藏天数内可以从新鲜到腐败变化。
(2)按照设定的实验周期,每次取出16个样本在同一个时段进行高光谱数据的采集(拍摄高光谱图像),高光谱成像采集系统的光谱范围是325~1100nm,光谱分辨率为2.8nm,相机曝光时间为22ms,获取图像的空间分辨率为1004×1002。将采集后的所有肉类样本(即所述牛肉切片样本)按3:1随机选取成校正集(84)与独立测试集(28),校正集再按3:1随机分成训练子集(63)与验证集(21)用于模型的建立与验证。
(3)将采集到的肉样本(即牛肉切片样本)高光谱图像进行黑白校正,对校正后的图像进行滤波去噪、掩膜灰度化处理,并利用阈值分割法结合膨胀腐蚀算法对肉样图像进行背景去除。对处理后的图像选取预设像素范围区域并提取其中的平均光谱作为支持向量回归模型的输入变量。图2为一个熟牛肉样本在不同的冷藏天数下的平均光谱图,其中,横坐标表示波长,纵坐标表示反射值。
(4)针对随机选择出的不同训练子集,建立一系列的子模型(支持向量回归模型,SPA-SVR)对冷藏时间(相当于储藏时间)进行同时预测,获取多个预测值,将每个子模型的预测值用投票法融合,得到最终的共识预测结果(即共识预测值)。确定所述共识预测值与所述每个高光谱图像对应的肉类表面的空间分布样本的储藏时间匹配的支持向量回归模型为待选支持向量回归模型(即待选单模型SPA-SVR)。
(5)用单模型SPA-SVR(即待选单模型SPA-SVR)重复预测验证集50次,并获取预测值,预测值与标准值(所述标准值为与所述验证集中每个熟牛肉样本的储藏时间)间的平均相对误差(MRE)主要分布在0.18%-0.24%之间,所以分别采用0.18,0.20,0.22和0.24的平均相对误差(MRE)值作为接纳成员模型的判据,对验证集进行预测,其中MRE为0.22%时对应的RMSE最低。因此采用0.22%作为误差判据的阈值,即c-SPA-SVR(多模型共识-连续投影支持向量回归模型)的成员模型接纳标准,将平均相对误差小于等于误差判据的阈值(0.22%)的单模型SPA-SVR作为备选成员模型。
(6)进一步确定成员模型的总数(即多模型共识-连续投影支持向量回归模型中成员模型的数量),根据步骤(5)中确定的成员模型接纳标准,利用随机选择出的不同训练子集多次建模(模型数量从50到200)预测同一验证集,当模型数量为110时,相对应的均方根误差(RMSE)趋于稳定,即110为最终的成员模型总数;
在上述备选成员模型中选取110个成员模型(即支持向量回归模型),并确定选取出的110个成员模型(即支持向量回归模型)构成初选预设多模型共识-连续投影支持向量回归模型。
(7)利用初选预设多模型共识-连续投影支持向量回归模型对独立测试集中肉样(即所述牛肉切片样本)的冷藏天数(即储藏时间)进行预测,得到预测值,同时用单模型SPA-SVR对独立测试集中肉样(即所述牛肉切片样本)的冷藏天数(即储藏时间)进行预测,获取预测值,将初选预设多模型共识-连续投影支持向量回归模型预测的预测值与单模型SPA-SVR预测的预测值进行比较,并根据所述独立测试集的预测值和所述独立测试集中各熟肉样本的储藏时间分别计算均方根误差和决定系数,设定均方根误差的阈值和决定系数(R2)的阈值,并以均方根误差(RMSE)和决定系数(R2)为评价标准对初选预设多模型共识-连续投影支持向量回归模型和单模型SPA-SVR的准确性和稳健性进行评价,最终确定出最佳的熟肉冷藏时间预测模型(即优化后的预设多模型共识-连续投影支持向量回归模型),如表1所示,与单模型SPA-SVR相比,c-SPA-SVR模型对于熟肉冷藏时间的预测能力有了明显的提升。
表1
由于采用均方根误差(RMSE)和决定系数(R2)为评价标准为对模型进行验证是较常用的验证方法,在此不再赘述。
另外,本发明实施例还需要说明的是,根据所述待测熟肉高光谱图像的平均光谱值和预设多模型共识-连续投影支持向量回归模型,计算获得样本图像上每个像素的冷藏时间,并以伪彩图形式显示。
本发明实施例1提供的一种熟肉冷藏时间可视化检测方法,通过获取待测熟肉的高光谱图像;对所述高光谱图像进行选取获得预设像素范围区域,并计算获得的预设像素范围区域的平均光谱值;根据所述平均光谱值和预设多模型共识-连续投影支持向量回归模型,计算获得所述待测熟肉的冷藏时间,并输出显示,达到检测结果更加准确;另外,由于获取了所述待检测肉类的储藏时间在肉类表面的空间分布的可视化图形,因此预测结果更直观。
图4示出了本发明实施例2提供一种熟肉冷藏时间可视化检测装置,包括获取模块21、提取模块22和处理模块23,其中:
获取模块21,用于获取待测熟肉的高光谱图像;
提取模块22,用于对所述高光谱图像进行选取获得预设像素范围区域,并计算获得的预设像素范围区域的平均光谱值;
处理模块23,用于根据所述平均光谱值和预设多模型共识-连续投影支持向量回归模型,计算获得所述待测熟肉的冷藏时间,并输出显示。
在检测过程中,选取以待测熟肉,获取模块21对待测熟肉拍照获取高光谱图像,并将高光谱图像发送给提取模块22。提取模块22对高光谱图像进行选取获得预设像素范围区域,并计算获得的预设像素范围区域的平均光谱值,并将平均光谱值发送给处理模块23。处理模块23根据所述平均光谱值和预设多模型共识-连续投影支持向量回归模型,计算获得所述待测熟肉的冷藏时间,并输出显示。
本装置还包括模型建立模块24,具体用于:
将熟肉样本在预设温度环境下,根据预设的不同冷藏时间进行存储;对不同冷藏时间下的熟肉样品进行取样,获取熟肉样本的高光谱图像;将采集到的熟肉样本高光谱图像进行黑白校正,并选取预设像素范围区域,提取所述预设像素范围区域的平均光谱值;将提取的熟肉样本的平均光谱值与相对应的冷藏时间相结合,采用多模型共识-连续投影支持向量回归算法建立多模型共识-连续投影支持向量回归模型。
本装置还包括存储模块25,用于存储预设的多模型共识-连续投影支持向量回归模型。
本装置还包括图形生成模块26,用于根据所述待测熟肉高光谱图像的平均光谱值和预设多模型共识-连续投影支持向量回归模型,计算获得样本图像上每个像素的冷藏时间,并以伪彩图形式显示。
在本发明实施例2中一种熟肉冷藏时间可视化检测装置的具体工作过程,可以参考上述的一种熟肉冷藏时间可视化检测方法所描述的内容,在此不再一一赘述。
需要说明的是,本发明实施例中可以通过硬件处理器(hardware processor)来实现相关功能模块。
本发明实施例2提供的一种熟肉冷藏时间可视化检测装置,通过获取待测熟肉的高光谱图像;对所述高光谱图像进行选取获得预设像素范围区域,并计算获得的预设像素范围区域的平均光谱值;根据所述平均光谱值和预设多模型共识-连续投影支持向量回归模型,计算获得所述待测熟肉的冷藏时间,并输出显示,达到检测结果更加准确;另外,由于获取了所述待检测肉类的储藏时间在肉类表面的空间分布的可视化图形,因此预测结果更直观。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
本领域普通技术人员可以理解:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
Claims (10)
1.一种熟肉冷藏时间可视化检测方法,其特征在于,包括:
获取待测熟肉的高光谱图像;
对所述高光谱图像进行选取获得预设像素范围区域,并计算获得的预设像素范围区域的平均光谱值;
根据所述平均光谱值和预设多模型共识-连续投影支持向量回归模型,计算获得所述待测熟肉的冷藏时间,并输出显示。
2.根据权利要求1所述的方法,其特征在于,所述预设多模型共识-连续投影支持向量回归模型的建立步骤包括:
将熟肉样本在预设温度环境下,根据预设的不同冷藏时间进行存储;
对不同冷藏时间下的熟肉样品进行取样,获取熟肉样本的高光谱图像;
将采集到的熟肉样本高光谱图像进行黑白校正,并选取预设像素范围区域,提取所述预设像素范围区域的平均光谱值;
将提取的熟肉样本的平均光谱值与相对应的冷藏时间相结合,采用多模型共识-连续投影支持向量回归算法建立多模型共识-连续投影支持向量回归模型。
3.根据权利要求2所述的方法,其特征在于,在将采集到的熟肉样本高光谱图像进行黑白校正,并选取预设像素范围区域,提取所述预设像素范围区域的平均光谱值,包括:
在采集到的多个熟肉样本高光谱图像中进行选取得到图像校正集;
将所述校正集按照第一预设比例选取成训练子集和验证集;
对训练子集和验证集中的高光谱图像进行黑白校正,并选取感兴趣区域,提取所述感兴趣区域的平均光谱值。
4.根据权利要求3所述的方法,其特征在于,将提取的熟肉样本的平均光谱值与相对应的冷藏时间相结合,采用多模型共识-连续投影支持向量回归算法建立多模型共识-连续投影支持向量回归模型,包括:
对每一个训练子集采用连续投影支持向量回归算法进行处理,获得对应的子模型,并分别对冷藏时间进行预测,将每个子模型的预测结果用投票法融合,得到共识预测结果;
将每个子模型验证同一个验证集,获取多个预测值,并根据预测值和预设标准值间的平均相对误差与预设阈值的比较判断确定成员模型的数量;
将获得的成员模型共同预测独立测试集样本,并结合共识预测结果获得多模型共识-连续投影支持向量回归模型。
5.根据权利要求4所述的方法,其特征在于,还包括:
在采集到的多个熟肉样本高光谱图像中进行选取得到与所述校正集符合第二预设比例的独立测试集;
利用所述独立测试集对所述多模型共识-连续投影支持向量回归模型进行预测,并获取所述独立测试集的预测值;
根据所述独立测试集的预测值和所述独立测试集中各肉类样本的储藏时间计算均方根误差和决定系数;
根据所述均方根误差和决定系数,确定最终的预设多模型共识-连续投影支持向量回归模型。
6.根据权利要求1所述的方法,其特征在于,还包括:根据所述待测熟肉高光谱图像的平均光谱值和预设多模型共识-连续投影支持向量回归模型,计算获得样本图像上每个像素的冷藏时间,并以伪彩图形式显示。
7.一种熟肉冷藏时间可视化检测装置,其特征在于,包括:
获取模块,用于获取待测熟肉的高光谱图像;
提取模块,用于对所述高光谱图像进行选取获得预设像素范围区域,并计算获得的预设像素范围区域的平均光谱值;
处理模块,用于根据所述平均光谱值和预设多模型共识-连续投影支持向量回归模型,计算获得所述待测熟肉的冷藏时间,并输出显示。
8.根据权利要求7所述的装置,其特征在于,还包括模型建立模块,具体用于:
将熟肉样本在预设温度环境下,根据预设的不同冷藏时间进行存储;
对不同冷藏时间下的熟肉样品进行取样,获取熟肉样本的高光谱图像;
将采集到的熟肉样本高光谱图像进行黑白校正,并选取预设像素范围区域,提取所述预设像素范围区域的平均光谱值;
将提取的熟肉样本的平均光谱值与相对应的冷藏时间相结合,采用多模型共识-连续投影支持向量回归算法建立多模型共识-连续投影支持向量回归模型。
9.根据权利要求8所述的装置,其特征在于,还包括存储模块,用于存储预设的多模型共识-连续投影支持向量回归模型。
10.根据权利要求7所述的装置,其特征在于,还包括图形生成模块,用于根据所述待测熟肉高光谱图像的平均光谱值和预设多模型共识-连续投影支持向量回归模型,计算获得样本图像上每个像素的冷藏时间,并以伪彩图形式显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610832202.1A CN106442339B (zh) | 2016-09-19 | 2016-09-19 | 熟肉冷藏时间可视化检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610832202.1A CN106442339B (zh) | 2016-09-19 | 2016-09-19 | 熟肉冷藏时间可视化检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106442339A true CN106442339A (zh) | 2017-02-22 |
CN106442339B CN106442339B (zh) | 2019-03-15 |
Family
ID=58165734
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610832202.1A Active CN106442339B (zh) | 2016-09-19 | 2016-09-19 | 熟肉冷藏时间可视化检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106442339B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111751297A (zh) * | 2020-07-06 | 2020-10-09 | 广东智芯光电科技有限公司 | 一种基于摄像头识别生鲜产品质量的方法和系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090087033A1 (en) * | 2007-09-27 | 2009-04-02 | Kuanglin Chao | Method and system for wholesomeness inspection of freshly slaughtered chickens on a processing line |
CN101881726A (zh) * | 2010-06-18 | 2010-11-10 | 北京农业智能装备技术研究中心 | 植物幼苗综合性状活体无损检测方法 |
CN103411973A (zh) * | 2013-09-03 | 2013-11-27 | 西北农林科技大学 | 一种基于高光谱的酿酒葡萄果皮中花色苷含量测定的方法 |
CN103822879A (zh) * | 2014-02-24 | 2014-05-28 | 西北农林科技大学 | 一种基于高光谱成像技术的猕猴桃膨大果无损检测方法 |
CN103900972A (zh) * | 2014-04-04 | 2014-07-02 | 江南大学 | 基于多特征融合的肉类新鲜度高光谱图像可视化检测 |
CN104949927A (zh) * | 2015-06-01 | 2015-09-30 | 浙江大学 | 一种干贝水分含量的高光谱检测方法 |
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 |
CN105891123A (zh) * | 2016-04-07 | 2016-08-24 | 浙江大学 | 基于高光谱透射成像的雨生红球藻色素含量可视化方法 |
-
2016
- 2016-09-19 CN CN201610832202.1A patent/CN106442339B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090087033A1 (en) * | 2007-09-27 | 2009-04-02 | Kuanglin Chao | Method and system for wholesomeness inspection of freshly slaughtered chickens on a processing line |
CN101881726A (zh) * | 2010-06-18 | 2010-11-10 | 北京农业智能装备技术研究中心 | 植物幼苗综合性状活体无损检测方法 |
CN103411973A (zh) * | 2013-09-03 | 2013-11-27 | 西北农林科技大学 | 一种基于高光谱的酿酒葡萄果皮中花色苷含量测定的方法 |
CN103822879A (zh) * | 2014-02-24 | 2014-05-28 | 西北农林科技大学 | 一种基于高光谱成像技术的猕猴桃膨大果无损检测方法 |
CN103900972A (zh) * | 2014-04-04 | 2014-07-02 | 江南大学 | 基于多特征融合的肉类新鲜度高光谱图像可视化检测 |
CN104949927A (zh) * | 2015-06-01 | 2015-09-30 | 浙江大学 | 一种干贝水分含量的高光谱检测方法 |
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 |
CN105891123A (zh) * | 2016-04-07 | 2016-08-24 | 浙江大学 | 基于高光谱透射成像的雨生红球藻色素含量可视化方法 |
Non-Patent Citations (3)
Title |
---|
KE LIU 等: "A consensus successive projections algorithm – multiple linear regression method for analyzing near infrared spectra", 《ANALYTICA CHIMICA ACTA》 * |
XIAOTING PENG 等: "Estimating Soil Organic Carbon Using Vis/NIR Spectroscopy with SVMR and SPA Methods", 《REMOTE SENS.》 * |
邵学广 等: "近红外光谱建模中的化学计量学方法研究", 《全国第一届近红外光谱学术会议》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111751297A (zh) * | 2020-07-06 | 2020-10-09 | 广东智芯光电科技有限公司 | 一种基于摄像头识别生鲜产品质量的方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN106442339B (zh) | 2019-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Barbin et al. | Non-destructive determination of chemical composition in intact and minced pork using near-infrared hyperspectral imaging | |
Talens et al. | Prediction of water and protein contents and quality classification of Spanish cooked ham using NIR hyperspectral imaging | |
Su et al. | Evaluation of spectral imaging for inspection of adulterants in terms of common wheat flour, cassava flour and corn flour in organic Avatar wheat (Triticum spp.) flour | |
Barbin et al. | Near-infrared hyperspectral imaging for grading and classification of pork | |
Afshari-Jouybari et al. | Evaluation of Photoshop software potential for food colorimetry | |
Wu et al. | Application of long-wave near infrared hyperspectral imaging for measurement of color distribution in salmon fillet | |
ElMasry et al. | Chemical-free assessment and mapping of major constituents in beef using hyperspectral imaging | |
ElMasry et al. | Near-infrared hyperspectral imaging for predicting colour, pH and tenderness of fresh beef | |
Kamruzzaman et al. | Fast detection and visualization of minced lamb meat adulteration using NIR hyperspectral imaging and multivariate image analysis | |
AU2019201466B2 (en) | Apparatus and method for monitoring preparation of a food product | |
CN103439285B (zh) | 一种基于高光谱成像的鱼片新鲜度检测方法 | |
Shafiee et al. | Potential application of machine vision to honey characterization | |
Cluff et al. | Optical scattering with hyperspectral imaging to classify longissimus dorsi muscle based on beef tenderness using multivariate modeling | |
Hosseinpour et al. | An intelligent machine vision-based smartphone app for beef quality evaluation | |
Feng et al. | Real‐time prediction of pre‐cooked Japanese sausage color with different storage days using hyperspectral imaging | |
CN109741144B (zh) | 商品核验方法、装置、主机及设备 | |
Iqbal et al. | Assessment of a mobile phone for use as a spectroscopic analytical tool for foods and beverages | |
Banwari et al. | Computer vision technique for freshness estimation from segmented eye of fish image | |
Feng et al. | Hyperspectral imaging in tandem with R statistics and image processing for detection and visualization of pH in Japanese big sausages under different storage conditions | |
Rafiq et al. | Application of computer vision system in food processing | |
Kato et al. | White striping degree assessment using computer vision system and consumer acceptance test | |
Jiang et al. | Detection and visualization of soybean protein powder in ground beef using visible and near-infrared hyperspectral imaging | |
CN110366731A (zh) | 用于指导膳食的图像捕获的系统、方法和计算机程序 | |
Kamruzzaman | Optical sensing as analytical tools for meat tenderness measurements-A review | |
CN106442339B (zh) | 熟肉冷藏时间可视化检测方法及装置 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220804 Address after: 100097 No. 9 middle garden, Shuguang garden, Beijing, Haidian District Patentee after: BEIJING ACADEMY OF AGRICULTURE AND FORESTRY SCIENCES Address before: Room 511, Comprehensive Building, Beijing Academy of Agriculture and Forestry, No. 9 Shuguang Garden Middle Road, Haidian District, Beijing 100097 Patentee before: BEIJING RESEARCH CENTER FOR AGRICULTURAL STANDARDS AND TESTING |