CN108362652A - 一种基于证据理论的物体新鲜度无损检测方法 - Google Patents
一种基于证据理论的物体新鲜度无损检测方法 Download PDFInfo
- Publication number
- CN108362652A CN108362652A CN201810173946.6A CN201810173946A CN108362652A CN 108362652 A CN108362652 A CN 108362652A CN 201810173946 A CN201810173946 A CN 201810173946A CN 108362652 A CN108362652 A CN 108362652A
- Authority
- CN
- China
- Prior art keywords
- prediction model
- fusion
- model
- detection sample
- 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.)
- 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
- G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
-
- 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
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
Abstract
本发明公开了一种基于证据理论的物体新鲜度无损检测方法,涉及图像处理技术领域,该方法包括:选取待检测物体的N个新鲜度不同的检测样本,对于每个检测样本,确定新鲜度等级并获取高光谱图像,通过高光谱图像确定特征参数,采用至少两种不同的算法对N个检测样本的特征参数进行特征融合从而得到至少两个预测模型,基于证据理论对至少两个预测模型进行融合得到对样本的新鲜度等级的融合预测模型,利用融合预测模型对待检测物体进行新鲜度无损检测;该方法可以克服单模型泛化能力不高、精度低的缺点,可以提高物体新鲜度的预测精度,操作简单、快速有效,并具有较高的鲁棒性和模型泛化能力。
Description
技术领域
本发明涉及图像处理技术领域,尤其是一种基于证据理论的物体新鲜度无损检测方法。
背景技术
肉类及其制品是人类获得蛋白质、维生素和矿物质等营养成分的重要来源之一,但在加工及贮藏过程中由于微生物、酶以及自身脂肪氧化等作用,肉类及其制品容易腐败变质,这不仅会降低肉类及其制品的营养价值,还会产生有毒有害物质,影响食品安全,因此,对肉类及其制品的新鲜度的快速检测成为了加工及贮藏过程中的重要环节。
目前对肉类制品新鲜度的评定主要采用感官检测法或理化检测法,感官检测法主要是由检测人员对肉类制品的色泽、弹性、粘度和气味等进行评价,这种方法过度依赖人员经验,且具有主观性和片面性,同时检测结果不易量化;理化检测法主要是通过物理化学方法对肉类制品的各项化学指标进行测定,存在着步骤繁琐、检测周期长以及破坏检测样品等缺点。为了解决感官检测法和理化检测法的缺陷,机器视觉、近红外光谱以及高光谱成像等图像处理方法逐渐被引入到对肉类制品的新鲜度的检测中,这些方法可以实现对肉类制品新鲜度的可视化无损检测,方便快捷,其中,高光谱成像由于结合了机器视觉和近红外光谱的优点,能够同时反映肉类制品的内外部特征,从而被广泛应用于肉类制品的新鲜度检测中,但是传统的高光谱成像进行无损检测时一般是通过建立单一模型来进行检测,检测精度不够,且单一模型会导致模型的泛化能力不强、鲁棒性较差,检测效果不够好。
发明内容
本发明人针对上述问题及技术需求,提出了一种基于证据理论的物体新鲜度无损检测方法,该方法可以提高肉类新鲜度的预测精度,操作简单、快速有效,并具有较高的鲁棒性和模型泛化能力。
本发明的技术方案如下:
选取待检测物体的N个新鲜度不同的检测样本,确定每个检测样本的新鲜度等级,N为正整数;
获取每个检测样本在M个波段下的M个高光谱图像,M为正整数;
对于每个检测样本,通过检测样本对应的M个高光谱图像确定检测样本的特征参数;
采用第一算法对N个检测样本的特征参数进行特征融合,并将融合后的特征输入到最小二乘支持向量机预测模型中得到对样本的新鲜度等级的第一预测模型;
采用第二算法对N个检测样本的特征参数进行特征融合,并将融合后的特征输入到最小二乘支持向量机预测模型中得到对样本的新鲜度等级的第二预测模型;
基于证据理论对第一预测模型和第二预测模型进行融合得到对样本的新鲜度等级的融合预测模型;
使用融合预测模型对待检测物体进行新鲜度检测确定待检测物体的新鲜度等级。
其进一步的技术方案为,基于证据理论对第一预测模型和第二预测模型进行融合得到对样本的新鲜度等级的融合预测模型,包括:
分别确定第一预测模型和第二预测模型的模型权重,并在识别框架上建立基本信度函数分配,识别框架中包括第一预测模型和第二预测模型,第一预测模型对应的基本信度值为第一预测模型的模型权重,第二预测模型对应的基本信度值为第二预测模型的模型权重;
将N个检测样本分为训练样本集和测试样本集,并将训练样本集均分为三个样本集,依次选取其中两个样本集作为训练集进行训练,并将另一个样本集作为验证集进行验证,将每次得到的验证结果作为识别框架中的一条证据并分别确定三条证据对应的基本信度值;
基于证据理论的合成规则对三条证据的基本信度值进行融合得到第一融合基本信度值和第二融合基本信度值;
确定第一融合基本信度值为第一预测模型对应的融合权重,确定第二融合基本信度值为第二预测模型对应的融合权重,将第一预测模型和第二预测模型按照各自对应的融合权重进行融合得到融合预测模型,并利用测试样本集测试融合预测模型的性能。
其进一步的技术方案为,基于证据理论的合成规则对三条证据的基本信度值进行融合得到第一融合基本信度值和第二融合基本信度值,包括:
通过计算如下公式对第一条证据和第二条证据的基本信度值进行融合得到融合结果:
m(P1)=m1(P1)m2(P1)/(1-K)
m(P2)=m1(P2)m2(P2)/(1-K)
K=m1(P1)m2(P2)+m1(P2)m2(P1)
其中,m(P1)和m(P2)是融合结果对应的基本信度值,m1(P1)和m1(P2)是第一条证据对应的基本信度值,m2(P1)和m2(P2)是第二条证据对应的基本信度值;
通过计算如下公式对融合结果和第三条证据的基本信度值进行融合得到第一融合基本信度值和第二融合基本信度值:
mc(P1)=m(P1)m3(P1)/(1-K)
mc(P2)=m(P2)m3(P2)/(1-K)
K=m(P1)m3(P2)+m(P2)m3(P1)
其中,mC(P1)是第一融合基本信度值,mC(P2)是第二融合基本信度值,m3(P1)和m3(P2)是第三条证据对应的基本信度值。
其进一步的技术方案为,分别确定第一预测模型和第二预测模型的模型权重,包括:
确定第一预测模型的预测误差,并根据第一预测模型的预测误差计算第一预测模型的模型权重;
确定第二预测模型的预测误差,并根据第二预测模型的预测误差计算第二预测模型的模型权重;
其中,第一预测模型和第二预测模型的模型权重的计算公式为:
其中,i=1或2,ω1是第一预测模型的模型权重,e1是第一预测模型的预测误差,D(e1)是第一预测模型的预测误差的方差;ω2是第二预测模型的模型权重e2是第二预测模型的预测误差,D(e2)是第二预测模型的预测误差的方差。
其进一步的技术方案为,通过检测样本对应的M个高光谱图像确定检测样本的特征参数,包括:
对高光谱图像进行图像分割获取检测样本的轮廓;
求取轮廓下的检测样本在Gabor变换下的J个方向的图像均值特征,J为正整数且J≥2;
将M个波段下M*J个图像均值特征作为检测样本的特征参数。
其进一步的技术方案为,求取轮廓下的检测样本在Gabor变换下的J个方向的图像均值特征,包括:
采用Gabor滤波器对检测样本的轮廓进行卷积变化,Gabor滤波器的表达式为:
其中,xθ=xcos(θ)+ysin(θ),yθ=xsin(θ)+ycos(θ),(x,y)是像素的坐标值,σ是高斯包络的标准偏差,θ是控制Gabor滤波器的方向的参数,f是正弦波的频率;
选取J个不同的方向θ的取值,对于每个方向θ的取值,计算H为轮廓下的检测样本在方向θ的Gabor变换下的图像均值特征,f(e)是检测样本的轮廓采用方向θ的Gabor滤波器进行卷积变化后的图像直方图的统计值。
其进一步的技术方案为,J=4,4个不同的方向θ的取值分别为θ=0、θ=π/4、θ=π/2以及θ=3π/4。
其进一步的技术方案为,获取每个检测样本在M个波段下的M个高光谱图像,包括:
分别获取每个检测样本在S个波段下的S个高光谱图像,S>M且S为正整数;
利用最小二乘投影系数法从S个波段中选择M个波段,分别获取每个检测样本在M个波段下的M个高光谱图像。
其进一步的技术方案为,第一算法为二维主成分分析算法,第二算法为稀疏自编码算法。
其进一步的技术方案为,待检测物体为肉类,确定每个检测样本的新鲜度等级,包括:
测定每个检测样本的挥发性盐基总氮TVB-N含量;
根据每个检测样本的TVB-N含量确定检测样本的新鲜度等级。
本发明的有益技术效果是:
本发明公开了一种基于证据理论的物体新鲜度无损检测方法,该方法可以克服单模型泛化能力不高、精度低的缺点,本申请基于证据理论对模型进行融合,能够提高新鲜度的预测精度,操作简单、快速有效,并具有较高的鲁棒性和模型泛化能力。
附图说明
图1是本申请公开的基于证据理论的物体新鲜度无损检测方法的流程图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步说明。
本申请公开了一种基于证据理论的物体新鲜度无损检测方法,该方法可以用于对待检测物体的新鲜度进行可视化的无损检测,在本申请中,待检测物体可以是肉类,请参考图1示出的流程示意图,该方法包括如下几个步骤:
步骤101,选取待检测物体的N个新鲜度不同的检测样本,确定每个检测样本的新鲜度等级,N为正整数,待检测物体不同时,确定新鲜度等级的方法通常不同,在本申请中,当待检测物体是肉类时,可以采用半微量凯氏定氮法测定每个检测样本中的TVB-N(TotalVolatile Basic Nitrogen,挥发性盐基总氮)的含量,再根据每个检测样本中的TVB-N含量确定检测样本的新鲜度等级,当待检测物体是其他物体时,可以根据实际需要选择合适的现有技术进行新鲜度等级测定。
步骤102,将N个检测样本放置在高光谱图像采集系统中,分别获取每个检测样本在S个波段下的S个高光谱图像,为了减少冗余以及减少计算量,利用最小二乘投影系数法从S个波段中选择M个波段,分别获取每个检测样本在该M个波段下的M个高光谱图像从而得到N个检测样本,S和M均为正整数且S>M。
步骤103,对于每个检测样本,通过检测样本对应的M个高光谱图像确定检测样本的特征参数,该步骤具体为:
S1、对高光谱图像进行图像分割获取检测样本的轮廓。
S2、将二维Gabor滤波器应用于检测样本的高光谱图像中,采用Gabor滤波器对检测样本的轮廓进行卷积变化,Gabor函数的表达式为:
其中,xθ=xcos(θ)+ysin(θ),yθ=xsin(θ)+ycos(θ),(x,y)是像素的坐标值,σ是高斯包络的标准偏差,θ是控制Gabor滤波器的方向的参数,f是正弦波的频率。
S3、选取J个不同的方向θ的取值,J为正整数且J≥2,本申请以J=4为例,则选取的4个不同的方向θ的取值分别为θ=0、θ=π/4、θ=π/2以及θ=3π/4。对于每个方向θ的取值,计算H为轮廓下的检测样本在该方向θ的Gabor变换下的图像均值特征,f(e)是检测样本的轮廓采用方向θ的Gabor滤波器进行卷积变化后的图像直方图的统计值,e是灰度级下的随机变量参数,该随机变量参数e的取值在图像的最小灰度级0至最大灰度级255之间。至此,已经获取到轮廓下的检测样本在Gabor变换下的J个方向的图像均值特征。
S4、将M个波段下M*J个图像均值特征作为检测样本的特征参数,在本申请J=4的例子中,将4M个图像特征均值作为检测样本的特征参数。
步骤104,采用第一算法对N个检测样本的特征参数进行特征融合,本申请中的第一算法为二维主成分分析算法,实际也可以是其他算法。将融合后的特征输入到最小二乘支持向量机预测模型中得到对样本的新鲜度等级的第一预测模型P1。
步骤105,采用第二算法对N个检测样本的特征参数进行特征融合,本申请中的第二算法为稀疏自编码算法,实际也可以是其他算法。将融合后的特征输入到最小二乘支持向量机预测模型中得到对样本的新鲜度等级的第二预测模型P2。
需要说明的是,步骤104和步骤105没有特定的先后顺序。
步骤106,基于证据理论对第一预测模型P1和第二预测模型P2进行融合得到对样本的新鲜度等级的融合预测模型,该步骤具体为:
S1、确定第一预测模型P1的预测误差e1,并根据第一预测模型P1的预测误差e1计算第一预测模型P1的模型权重ω1;确定第二预测模型P2的预测误差e2,并根据第二预测模型P2的预测误差e2计算第二预测模型P2的模型权重ω2。第一预测模型P1和第二预测模型P2的模型权重的计算公式相同,计算公式如下:
其中,i=1或2,当i=1时,该计算公式用于计算第一预测模型P1的模型权重,ω1是第一预测模型的模型权重,e1是第一预测模型的预测误差,D(e1)是第一预测模型的预测误差的方差。当i=2时,该计算公式用于计算第二预测模型P2的模型权重,ω2是第二预测模型的模型权重,e2是第二预测模型的预测误差,D(e2)是第二预测模型的预测误差的方差。由此已经确定了第一预测模型P1和第二预测模型P2的模型权重。
S2、在识别框架上建立基本信度函数分配,识别框架为Θ={P1,P2},包括第一预测模型P1和第二预测模型P2,其对应的基本信度值为m(Pi)=ωi,也即第一预测模型P1对应的基本信度值为第一预测模型P1的模型权重ω1,第二预测模型P2对应的基本信度值为第二预测模型P2的模型权重ω2。
S3、将N个检测样本分为训练样本集和测试样本集,然后将训练样本集均分为三个样本集,依次选取其中两个样本集作为训练集进行训练,并将另一个样本集作为验证集进行验证,将每次得到的验证结果作为识别框架Θ中的一条证据并分别确定三条证据对应的基本信度值分别为mj(Pi)(i=1,2;j=1,2,3),其相应的信度函数为Belj。
S4、基于证据理论的合成规则对三条证据的基本信度值进行融合得到第一融合基本信度值mC(P1)和第二融合基本信度值mC(P2):
首先通过计算如下公式对第一条证据和第二条证据的基本信度值进行融合得到融合结果:
m(P1)=m1(P1)m2(P1)/(1-K)
m(P2)=m1(P2)m2(P2)/(1-K)
K=m1(P1)m2(P2)+m1(P2)m2(P1)
其中,m(P1)和m(P2)是融合结果对应的基本信度值,m1(P1)和m1(P2)是第一条证据对应的基本信度值,m2(P1)和m2(P2)是第二条证据对应的基本信度值。
然后通过计算如下公式对融合结果和第三条证据的基本信度值进行融合得到第一融合基本信度值和第二融合基本信度值:
mc(P1)=m(P1)m3(P1)/(1-K)
mc(P2)=m(P2)m3(P2)/(1-K)
K=m(P1)m3(P2)+m(P2)m3(P1)
其中,mC(P1)是第一融合基本信度值,mC(P2)是第二融合基本信度值,m3(P1)和m3(P2)是第三条证据对应的基本信度值。
S5、确定第一融合基本信度值mC(P1)为第一预测模型P1对应的融合权重,确定第二融合基本信度值mC(P2)为第二预测模型P2对应的融合权重,将第一预测模型和第二预测模型按照各自对应的融合权重进行融合得到融合预测模型,也即融合预测模型可以表示为:P=mC(P1)P1+mC(P2)P2。
S6、利用测试样本集对融合预测模型的性能进行测试,测试样本集中的检测样本的预测结果可以表示为:
Y=mC(P1)Y1+mC(P2)Y2
其中Y1为检测样本在第一预测模型P1下的预测值,Y2为检测样本在第二预测模型P2下的预测值。
步骤107,使用融合预测模型对待检测物体进行新鲜度检测确定待检测物体的新鲜度等级。
以上所述的仅是本申请的优选实施方式,本发明不限于以上实施例。可以理解,本领域技术人员在不脱离本发明的精神和构思的前提下直接导出或联想到的其他改进和变化,均应认为包含在本发明的保护范围之内。
Claims (10)
1.一种基于证据理论的物体新鲜度无损检测方法,其特征在于,所述方法包括:
选取待检测物体的N个新鲜度不同的检测样本,确定每个所述检测样本的新鲜度等级,N为正整数;
获取每个所述检测样本在M个波段下的M个高光谱图像,M为正整数;
对于每个检测样本,通过所述检测样本对应的M个高光谱图像确定所述检测样本的特征参数;
采用第一算法对所述N个检测样本的特征参数进行特征融合,并将融合后的特征输入到最小二乘支持向量机预测模型中得到对样本的新鲜度等级的第一预测模型;
采用第二算法对所述N个检测样本的特征参数进行特征融合,并将融合后的特征输入到最小二乘支持向量机预测模型中得到对样本的新鲜度等级的第二预测模型;
基于证据理论对所述第一预测模型和所述第二预测模型进行融合得到对样本的新鲜度等级的融合预测模型;
使用所述融合预测模型对所述待检测物体进行新鲜度检测确定所述待检测物体的新鲜度等级。
2.根据权利要求1所述的方法,其特征在于,所述基于证据理论对所述第一预测模型和所述第二预测模型进行融合得到对样本的新鲜度等级的融合预测模型,包括:
分别确定所述第一预测模型和所述第二预测模型的模型权重,并在识别框架上建立基本信度函数分配,所述识别框架中包括所述第一预测模型和所述第二预测模型,所述第一预测模型对应的基本信度值为所述第一预测模型的模型权重,所述第二预测模型对应的基本信度值为所述第二预测模型的模型权重;
将所述N个检测样本分为训练样本集和测试样本集,并将所述训练样本集均分为三个样本集,依次选取其中两个样本集作为训练集进行训练,并将另一个样本集作为验证集进行验证,将每次得到的验证结果作为所述识别框架中的一条证据并分别确定三条证据对应的基本信度值;
基于证据理论的合成规则对三条证据的基本信度值进行融合得到第一融合基本信度值和第二融合基本信度值;
确定所述第一融合基本信度值为所述第一预测模型对应的融合权重,确定所述第二融合基本信度值为所述第二预测模型对应的融合权重,将所述第一预测模型和所述第二预测模型按照各自对应的融合权重进行融合得到所述融合预测模型,并利用所述测试样本集测试所述融合预测模型的性能。
3.根据权利要求2所述的方法,其特征在于,所述基于证据理论的合成规则对三条证据的基本信度值进行融合得到第一融合基本信度值和第二融合基本信度值,包括:
通过计算如下公式对第一条证据和第二条证据的基本信度值进行融合得到融合结果:
m(P1)=m1(P1)m2(P1)/(1-K)
m(P2)=m1(P2)m2(P2)/(1-K)
K=m1(P1)m2(P2)+m1(P2)m2(P1)
其中,m(P1)和m(P2)是融合结果对应的基本信度值,m1(P1)和m1(P2)是所述第一条证据对应的基本信度值,m2(P1)和m2(P2)是所述第二条证据对应的基本信度值;
通过计算如下公式对所述融合结果和第三条证据的基本信度值进行融合得到所述第一融合基本信度值和第二融合基本信度值:
mc(P1)=m(P1)m3(P1)/(1-K)
mc(P2)=m(P2)m3(P2)/(1-K)
K=m(P1)m3(P2)+m(P2)m3(P1)
其中,mC(P1)是所述第一融合基本信度值,mC(P2)是所述第二融合基本信度值,m3(P1)和m3(P2)是所述第三条证据对应的基本信度值。
4.根据权利要求2所述的方法,其特征在于,所述分别确定所述第一预测模型和所述第二预测模型的模型权重,包括:
确定所述第一预测模型的预测误差,并根据所述第一预测模型的预测误差计算所述第一预测模型的模型权重;
确定所述第二预测模型的预测误差,并根据所述第二预测模型的预测误差计算所述第二预测模型的模型权重;
其中,所述第一预测模型和所述第二预测模型的模型权重的计算公式为:
其中,i=1或2,ω1是所述第一预测模型的模型权重,e1是所述第一预测模型的预测误差,D(e1)是所述第一预测模型的预测误差的方差;ω2是所述第二预测模型的模型权重,e2是所述第二预测模型的预测误差,D(e2)是所述第二预测模型的预测误差的方差。
5.根据权利要求1所述的方法,其特征在于,所述通过所述检测样本对应的M个高光谱图像确定所述检测样本的特征参数,包括:
对所述高光谱图像进行图像分割获取所述检测样本的轮廓;
求取所述轮廓下的检测样本在Gabor变换下的J个方向的图像均值特征,J为正整数且J≥2;
将M个波段下M*J个图像均值特征作为所述检测样本的特征参数。
6.根据权利要求5所述的方法,其特征在于,所述求取所述轮廓下的检测样本在Gabor变换下的J个方向的图像均值特征,包括:
采用Gabor滤波器对所述检测样本的轮廓进行卷积变化,所述Gabor滤波器的表达式为:
其中,xθ=xcos(θ)+ysin(θ),yθ=xsin(θ)+ycos(θ),(x,y)是像素的坐标值,σ是高斯包络的标准偏差,θ是控制Gabor滤波器的方向的参数,f是正弦波的频率;
选取J个不同的方向θ的取值,对于每个方向θ的取值,计算H为所述轮廓下的检测样本在所述方向θ的Gabor变换下的图像均值特征,f(e)是所述检测样本的轮廓采用所述方向θ的Gabor滤波器进行卷积变化后的图像直方图的统计值。
7.根据权利要求5或6所述的方法,其特征在于,J=4,4个不同的方向θ的取值分别为θ=0、θ=π/4、θ=π/2以及θ=3π/4。
8.根据权利要求1所述的方法,其特征在于,所述获取每个所述检测样本在M个波段下的M个高光谱图像,包括:
分别获取每个所述检测样本在S个波段下的S个高光谱图像,S>M且S为正整数;
利用最小二乘投影系数法从所述S个波段中选择M个波段,分别获取每个所述检测样本在所述M个波段下的M个高光谱图像。
9.根据权利要求1所述的方法,其特征在于,所述第一算法为二维主成分分析算法,所述第二算法为稀疏自编码算法。
10.根据权利要求1所述的方法,其特征在于,所述待检测物体为肉类,所述确定每个所述检测样本的新鲜度等级,包括:
测定每个所述检测样本的挥发性盐基总氮TVB-N含量;
根据每个所述检测样本的TVB-N含量确定所述检测样本的新鲜度等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810173946.6A CN108362652B (zh) | 2018-03-02 | 2018-03-02 | 一种基于证据理论的物体新鲜度无损检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810173946.6A CN108362652B (zh) | 2018-03-02 | 2018-03-02 | 一种基于证据理论的物体新鲜度无损检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108362652A true CN108362652A (zh) | 2018-08-03 |
CN108362652B CN108362652B (zh) | 2020-06-09 |
Family
ID=63003438
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810173946.6A Active CN108362652B (zh) | 2018-03-02 | 2018-03-02 | 一种基于证据理论的物体新鲜度无损检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108362652B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109612950A (zh) * | 2018-12-29 | 2019-04-12 | 中国肉类食品综合研究中心 | 一种冷冻畜肉储藏周期预测装置及方法 |
CN109856080A (zh) * | 2018-12-14 | 2019-06-07 | 华南理工大学 | 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 |
CN110659579A (zh) * | 2019-08-23 | 2020-01-07 | 平安科技(深圳)有限公司 | 变质物品识别方法、装置、设备和介质 |
CN110659579B (zh) * | 2019-08-23 | 2024-05-03 | 平安科技(深圳)有限公司 | 变质物品识别方法、装置、设备和介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103063585A (zh) * | 2013-01-05 | 2013-04-24 | 石河子大学 | 瓜果成熟度快速无损检测装置及检测系统建立方法 |
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 |
US20140293277A1 (en) * | 2009-01-10 | 2014-10-02 | Goldfinch Solutions, Llc | System and Method for Analyzing Properties of Meat Using Multispectral Imaging |
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 |
CN106778815A (zh) * | 2016-11-23 | 2017-05-31 | 河南工业大学 | 基于DS证据理论的小麦品质THz光谱分类方法 |
CN107238587A (zh) * | 2017-05-09 | 2017-10-10 | 华南农业大学 | 基于光谱技术的蚕蛹雌雄快速无损检测方法 |
-
2018
- 2018-03-02 CN CN201810173946.6A patent/CN108362652B/zh active Active
Patent Citations (6)
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 |
CN103063585A (zh) * | 2013-01-05 | 2013-04-24 | 石河子大学 | 瓜果成熟度快速无损检测装置及检测系统建立方法 |
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 |
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 |
CN106778815A (zh) * | 2016-11-23 | 2017-05-31 | 河南工业大学 | 基于DS证据理论的小麦品质THz光谱分类方法 |
CN107238587A (zh) * | 2017-05-09 | 2017-10-10 | 华南农业大学 | 基于光谱技术的蚕蛹雌雄快速无损检测方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109856080A (zh) * | 2018-12-14 | 2019-06-07 | 华南理工大学 | 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 |
CN109612950A (zh) * | 2018-12-29 | 2019-04-12 | 中国肉类食品综合研究中心 | 一种冷冻畜肉储藏周期预测装置及方法 |
CN110659579A (zh) * | 2019-08-23 | 2020-01-07 | 平安科技(深圳)有限公司 | 变质物品识别方法、装置、设备和介质 |
CN110659579B (zh) * | 2019-08-23 | 2024-05-03 | 平安科技(深圳)有限公司 | 变质物品识别方法、装置、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108362652B (zh) | 2020-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | Automated visual inspection of glass bottle bottom with saliency detection and template matching | |
CN106596416A (zh) | 一种基于高光谱成像技术的冷鲜肉品质无损检测方法 | |
CN111879772B (zh) | 一种基于大数据的食品安全智慧管理方法与系统 | |
CN108875794A (zh) | 一种基于迁移学习的图像能见度检测方法 | |
CN106373124B (zh) | 基于灰度共生矩阵与ransac的工业产品表面缺陷视觉检测方法 | |
Fang et al. | Simultaneous determination of multi rice quality parameters using image analysis method | |
CN109490306A (zh) | 一种基于色泽和气味数据融合的猪肉新鲜度检测方法 | |
CN111189494A (zh) | 测量标签及其图像色彩还原方法和测量识别方法 | |
Siswantoro et al. | Volume measurement of food product with irregular shape using computer vision and Monte Carlo method: a framework | |
CN107219184A (zh) | 一种应用于产地溯源的肉类鉴别方法及装置 | |
CN108362652A (zh) | 一种基于证据理论的物体新鲜度无损检测方法 | |
CN108444934A (zh) | 一种复合材料脱粘缺陷的自动分割及量化方法 | |
Zhang et al. | Computer vision estimation of the volume and weight of apples by using 3d reconstruction and noncontact measuring methods | |
CN104568815A (zh) | 生鲜牛肉中挥发性盐基氮含量的快速无损检测方法 | |
CN106556680A (zh) | 一种基于电子鼻技术快速预测肉及其制品脂肪氧化程度的方法 | |
Ma et al. | Potential use of multispectral imaging technology to identify moisture content and water‐holding capacity in cooked pork sausages | |
CN111122635B (zh) | 一种食用菌干燥状态在线评估方法及系统 | |
Wang et al. | An energy-efficient classification system for peach ripeness using YOLOv4 and flexible piezoelectric sensor | |
Sedghi et al. | Digital analysis of egg surface area and volume: Effects of longitudinal axis, maximum breadth and weight | |
CN110110771B (zh) | 基于地表图像的盐渍土含盐量估算方法 | |
CN111366600B (zh) | 一种检测水果甜度的方法、装置、系统及存储介质 | |
CN115115889A (zh) | 一种仪表图像分析方法及装置 | |
CN111597878A (zh) | 基于bsa-ia-bp的菌落总数预测方法 | |
CN114169903A (zh) | 一种可融合无损检测技术的中药材数字化质控追溯方法 | |
WO2020173072A1 (zh) | 一种基于测量质心无损检测鸡蛋新鲜度的方法 |
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 |