CN108872095A - 一种基于不同光谱特征融合的鸡蛋品质检测方法 - Google Patents
一种基于不同光谱特征融合的鸡蛋品质检测方法 Download PDFInfo
- Publication number
- CN108872095A CN108872095A CN201810671476.6A CN201810671476A CN108872095A CN 108872095 A CN108872095 A CN 108872095A CN 201810671476 A CN201810671476 A CN 201810671476A CN 108872095 A CN108872095 A CN 108872095A
- Authority
- CN
- China
- Prior art keywords
- egg
- data
- yolk
- spectral
- spectral characteristic
- 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
- 230000003595 spectral effect Effects 0.000 title claims abstract description 141
- 238000001514 detection method Methods 0.000 title claims abstract description 34
- 230000004927 fusion Effects 0.000 title claims abstract description 17
- 235000013601 eggs Nutrition 0.000 claims abstract description 193
- 210000002969 egg yolk Anatomy 0.000 claims abstract description 116
- 102000002322 Egg Proteins Human genes 0.000 claims abstract description 61
- 108010000912 Egg Proteins Proteins 0.000 claims abstract description 61
- 235000013345 egg yolk Nutrition 0.000 claims abstract description 58
- 238000004611 spectroscopical analysis Methods 0.000 claims description 46
- 238000005259 measurement Methods 0.000 claims description 45
- 238000001228 spectrum Methods 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 21
- 238000000034 method Methods 0.000 claims description 19
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000012937 correction Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 210000003278 egg shell Anatomy 0.000 claims description 6
- 239000000523 sample Substances 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 241000287828 Gallus gallus Species 0.000 claims description 5
- 235000013330 chicken meat Nutrition 0.000 claims description 5
- 238000003384 imaging method Methods 0.000 claims description 4
- QCVGEOXPDFCNHA-UHFFFAOYSA-N 5,5-dimethyl-2,4-dioxo-1,3-oxazolidine-3-carboxamide Chemical compound CC1(C)OC(=O)N(C(N)=O)C1=O QCVGEOXPDFCNHA-UHFFFAOYSA-N 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims description 3
- 210000000969 egg white Anatomy 0.000 claims description 3
- 235000014103 egg white Nutrition 0.000 claims description 3
- 238000010438 heat treatment Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000000691 measurement method Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims 1
- 238000013459 approach Methods 0.000 abstract description 3
- 230000001737 promoting effect Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 2
- 238000009835 boiling Methods 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 239000004615 ingredient Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000000050 nutritive effect Effects 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
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
- 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
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- 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
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
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
一种基于不同光谱特征融合的鸡蛋品质检测方法,首先在被检测的同批次鸡蛋中任意挑选若干个鸡蛋,并分成两组,一组是为了获得生蛋黄,另一组是为了获得熟蛋黄;每组鸡蛋分别用高光谱成像仪和光谱仪获取它们的光谱特性,对于高光谱成像仪,获取的是高光谱图像数据,但是里面包含着光谱特性,可以从中把光谱特性提取出来,获得不同蛋黄形态不同类型光谱特征后,对特征数据要进行相应的预处理,然后对它们进行匹配和分析,就可以获得鸡蛋新鲜度描述;获得的特征参数可以对鸡蛋的品质作进一步判别和验证;本发明从不同的途径或角度获取蛋黄光谱特性来鉴别鸡蛋新鲜度,同时还考虑了不同形态蛋黄,具有较好的应用潜力和推广价值。
Description
技术领域
本发明属于鸡蛋检测信息、光谱特征及图像处理技术领域,具体涉及一种基于不同光谱特征融合的鸡蛋品质检测方法。
背景技术
鸡蛋是一种高营养价值的食品,鸡蛋的来源比较广泛,如何保障这些鸡蛋的品质是一个至关重要的问题,鸡蛋质量监测和可溯源是鸡蛋品质保障的重要技术和途径。蛋鸡饲养的环境和喂养的饲料对鸡蛋的品质有较大的影响,但是各种营养成分的差别不是很大,比例上有一些差别,当然口感也存在差别。长期以来,人们和中小企业对鸡蛋新鲜度的检测主要是通过物理的方法来实现的,例如采用人工照蛋、称重和量尺寸等方法,很显然,检测结果受主观因素的影响非常大。所以,把新的科学技术应用于鸡蛋新鲜度检测,发展和研制新的检测理论、方法和技术设备,对于鸡蛋新鲜度和品质的鉴别具有非常重要的实际意义。近年来,随着现代农业和食品工业的快速发展,对于鸡蛋品质的检测,除了传统的物理检测法以外,许多学者根据鸡蛋的性质和特点提出了大量利用仪器设备检测鸡蛋品质的技术和方法。这些方法都是通过仪器对鸡蛋进行无损检测为主。
高光谱成像技术实现了光谱特性和空间信息结合,是探测物质成分和类型识别的重要手段。高光谱图像数据是从面的角度来测量物质光谱特性,而光谱特性数据是从点的角度来测量物质特性,它们各有优势。有学者提到用高光谱检测鸡蛋品质,但他们主要集中在外壳的检测,没有检测内部品质,而且没有使用光谱特性数据。
发明内容
为了克服上述现有技术的缺点,本发明的目的在于提供了一种基于不同光谱特征融合的鸡蛋品质检测方法,能够有效地对鸡蛋品质进行鉴别。
为了达到上述目的,本发明采取的技术方案为:
一种基于不同光谱特征融合的鸡蛋品质检测方法,包括以下步骤:
步骤1:准备待检测的鸡蛋;
步骤2:对鸡蛋进行分组,分成生鸡蛋组和熟鸡蛋组;
步骤3:对熟鸡蛋组的鸡蛋进行预处理,把鸡蛋放入清水中进行清洗,洗净后擦干;
步骤4:把熟鸡蛋组的生鸡蛋煮成熟鸡蛋并获取熟蛋黄;
步骤5:高光谱成像仪准备;
步骤6:获取熟蛋黄高光谱图像数据;
步骤7:从熟蛋黄的高光谱图像数据中提取其光谱特性数据;
步骤8:准备好地物波谱仪;
步骤9:用波谱仪获取熟蛋黄的光谱特征;
步骤10:对生蛋黄组的鸡蛋进行预处理并获得生蛋黄,先对鸡蛋进行清洗干净,然后把水擦干;敲开鸡蛋壳,把鸡蛋清和鸡蛋黄放入分离器中,进行分离,以获得蛋黄,不要使蛋黄进行散蛋,保持完整的蛋黄;
步骤11:获取生蛋黄的高光谱图像数据;
步骤12:从生蛋黄的高光谱图像数据中提取其光谱特性数据;
步骤13:用波谱仪获取生蛋黄的光谱特性;
步骤14:对不同的光谱特性进行比较建模分析;
步骤15:输出最终的结果。
所述的步骤1中准备检测的鸡蛋的具体步骤为:
步骤1.1:首先需要对被检测的鸡蛋类型和生产时间进行确定,即同类型同批次的鸡蛋;
步骤1.2:确定被检测的鸡蛋数目,选择每类鸡蛋的数目为20个。
所述的步骤2中对鸡蛋进行分组的具体步骤为:把要测试的鸡蛋分成两组,分别进行标记,一组称为生鸡蛋组,另一组称为熟鸡蛋组,每组鸡蛋数目为10个。
所述的步骤4中把熟鸡蛋组的鸡蛋煮成熟鸡蛋并获取熟蛋黄的具体步骤为;
步骤4.1:准备一个锅,放入清水和鸡蛋,水的量一定要盖过鸡蛋;
步骤4.2:对锅加热,使水沸腾,煮沸15-20分钟,把鸡蛋拿出来,再放入凉水中冷却3-5分钟;
步骤4.3:把熟鸡蛋从锅中拿出来,把水擦干净;
步骤4.4:去除鸡蛋壳和蛋白,即获得熟蛋黄,熟蛋黄保持原型;
步骤4.5:对熟蛋黄进行标记编号。
所述的步骤5中高光谱成像仪准备的具体步骤为;
步骤5.1:选择高光谱成像设备,采用地面高光谱成像仪MShyperSIS系统;
步骤5.2:高光谱成像系统镜头的选择,选择可见光和近红外波段,即400nm-1000nm,在此波段之间,光谱分辨率是2.8nm,获取的图像的空间大小为1344×1024;
步骤5.3:把高光谱成像仪架好,连接好电脑和电源,启动高光谱成像仪和相应的采集软件,设置好成像采集参数,并进行白校正和黒校正处理。
所述的步骤6中获取熟蛋黄高光谱图像数据的具体步骤为:
步骤6.1:采集熟蛋黄高光谱图像数据,首先让高光谱成像仪的镜头对准被测区域,使镜头跟检测平台之间成一个下视状态,并调节好高光谱成像仪的零点位置;
步骤6.2:对测试的蛋黄区域进行高光谱成像仪扫描成像,并依据鸡蛋的编号,保存相应蛋黄的高光谱图像数据。
所述的步骤7中从熟蛋黄高光谱图像数据中提取光谱特性数据的具体步骤为:
步骤7.1:用ENVI软件打开熟蛋黄的高光谱图像数据,定位到蛋黄区域,任意选择某个点,然后点击光谱特性,看到其光谱特性曲线图,把光谱数据进行存储,这里存储的是txt文件,需把它转换成Excel文件;
步骤7.2:重复步骤7.1,采集了每个鸡蛋的15个不同的采样点,把不同点的光谱数据进行平均处理,其值作为某个鸡蛋蛋黄的光谱数据;
步骤7.3:重复步骤7.1-步骤7.2,直到每个鸡蛋蛋黄的光谱数据采集完毕;
步骤7.4:对获取的蛋黄光谱数据进行处理,把获得的光谱数据进行滤波和归一化处理,采用均值滤波的方法完成噪声的去除,滤波窗口的大小设为10;
步骤7.5:把所有鸡蛋蛋黄的光谱特性数据进行均值处理,作为该类鸡蛋熟蛋黄的光谱特性数据。
所述的步骤8中准备好地物波谱仪的具体步骤为:
步骤8.1:选择地物波谱仪,选择FieldSpec3光谱仪;
步骤8.2:对地物波谱仪进行准备,首先要预热15分钟以上,并设置好相应的参数。
所述的步骤9中用波谱仪获取熟蛋黄光谱特征的具体步骤为:
步骤9.1:采集熟蛋黄的光谱数据,采集前要进行白板校正;用探头对准蛋黄区域,进行数据采集,每个测量点采集数据的采样次数为100次,然后取平均值作为该点的测量结果;设置不同的测量点,每个蛋黄上的测量点不少于5个,最后把所有测量点的数据进行求和取均值,即最后的光谱特性数据;
步骤9.2:对测量的数据进行预处理,首先是格式的转换,最后以Excel文件进行保存,同时进行滤波和归一化处理;
步骤9.3:剪切光谱数据,为了能和高光谱图像数据获得的光谱特性数据具有相同的波段范围,需对光谱仪测量的数据剪切,便于后续工作的匹配、建模和分析。
所述的步骤11中获取生蛋黄的高光谱图像数据的具体步骤为:
步骤11.1:按照步骤5准备好高光谱成像仪,连接好仪器,启动测试软件并进行参数设置,进行白校正和黒校正;
步骤11.2:采集高光谱图像数据,首先让高光谱成像仪的镜头对准被测区域,使镜头跟检测平台之间成一个下视状态,找好零点位置;
步骤11.3:对测试的蛋黄区域进行高光谱成像仪扫描成像,并依据鸡蛋的编号,保存相应蛋黄的高光谱图像数据。
所述的步骤12中从生蛋黄的高光谱图像数据中获取光谱特性数据的具体步骤为:
步骤12.1:用ENVI软件打开生蛋黄的高光谱图像数据,定位到蛋黄区域,任意选择某个点,然后点击光谱特性,看到其光谱特性曲线图,把光谱数据进行存储,这里存储的是txt文件,需把它转换成Excel文件;
步骤12.2:重复步骤12.1,采集了15个不同的采样点,把不同点的光谱数据进行平均处理,其值作为某个鸡蛋蛋黄的光谱数据;
步骤12.3:重复步骤12.1-步骤12.2,直到每个生鸡蛋蛋黄的光谱数据采集完毕;
步骤12.4:对获取的生蛋黄光谱数据进行处理,把获得的光谱数据进行滤波和归一化处理,采用均值滤波的方法完成噪声的去除,滤波窗口的大小设为10;
步骤12.5:把所有鸡蛋蛋黄的光谱特性数据进行均值处理,作为该类鸡蛋生蛋黄的光谱特性数据。
所述的步骤13中用波谱仪获取生蛋黄的光谱特性的具体步骤为:
步骤13.1:按照步骤8准备好地物波谱仪,连接好仪器,启动测试软件并进行参数设置和预热处理;
步骤13.2:采集生蛋黄的光谱数据,采集前要进行白板校正;用探头对准蛋黄区域,进行数据采集,每个测量点采集数据的采样次数为100次,然后取平均值作为该点的测量结果;设置不同的测量点,每个蛋黄上的测量点不少于5个,最后把所有测量点的数据进行求和取均值,即最后的光谱特性数据;
步骤13.3:对测量的数据进行预处理,首先是格式的转换,最后以Excel文件进行保存,同时进行滤波和归一化处理;
步骤13.4:剪切光谱数据,为了能和高光谱图像数据获得的光谱特性数据具有相同的波段范围,需对光谱仪测量的数据剪切,便于后续工作的匹配、建模和分析。
所述的步骤14中对不同的光谱特性进行比较建模分析的具体步骤为:
步骤14.1:把两种状态和两种测量方式获取的光谱特性数据放在一起,用高光谱成像仪获取的数据要平坦一些,用地物波谱仪获取的数据波动大一些;
步骤14.2:用参数相似系数来鉴别鸡蛋品质,相似系数反映了两条波谱曲线之间的相似程度,其值越大,说明它们之间约相似性越靠近,说明蛋黄或鸡蛋品质越好,新鲜度越高;两条光谱特性曲线之间的相似关系的计算公式如式(1)所示,即
其中rk=(rk1,rk2,…,rkL)和rl=(rl1,rl2,…,rlL)分别表示两条光谱特性曲线,Ckl表示相关系数,k和l分别表示两条不同的光谱特性曲线,L表示波段数,μk和μl分别表示第k和第l条光谱特性曲线的平均值,r表示归一化的光谱特性反射值;
步骤14.3:用参数欧氏距离来鉴别鸡蛋品质及新鲜度,欧式距离反映的是两条波谱曲线在光谱反射值方面的差距,如果距离值越大,表明它们的光谱反射值差距越大,发生的变化越大,说明鸡蛋的质量和品质及新鲜度越差,其值越小,表明两者的关系越紧密;这里用欧式距离来表征两个光谱特性矢量之间反射值的差距,具体的计算公式如下,
其中,k表示某个波段,L表示全部波段个数,i和j分别表示不同的光谱特性点,Dij表示i和j之间的欧氏距离,r表示光谱反射值。
本发明与现有技术相比的优点在于:
(1)本发明提出利用蛋黄光谱特性来检测鸡蛋的内部品质及其新鲜程度,以往的方法是从蛋壳的角度进行检测;同时利用高光谱成像仪和地物波谱仪来获取蛋黄的光谱特征数据,以往的只是用一种仪器来获取相应的数据,通过不同仪器同时获取数据,使结果更加具有普遍性和准确性;同时还设计了不同形态的蛋黄,利用不同形态蛋黄光谱特性直接的联系来诊断鸡蛋的品质。
(2)本发明对鸡蛋蛋黄光谱数据进行采集时,由于在短波红外波段,不仅没有差异,而且包含大量的噪声,所以,选择可见光和近红外波段的光谱数据,使数据量少,同时又能说明问题;在处理的过程中,特别是光谱数据的采集,进行的是多个点的采集,获得的光谱特性更具有广泛性和准确性;对数据进行了两次滤波处理,以及均值处理和归一化处理,使实验结果的精度得到提高,增加了其可靠性;为了不同仪器数据的统一,对波谱仪获取的光谱特性数据进行了剪切操作,减少数据处理量,但不影响鸡蛋品质鉴别。
(3)本发明虽然是一种破坏性检测方法,但是对于大批量养殖场鸡蛋的检测,具有优势,特别对其可溯源数据的获取,采用图表的方式和不同参数的结合,采用不同仪器和不同形态的数据,可保证检测效果的可靠性。
附图说明
图1为本发明方法的流程图。
图2为蛋黄的光谱特性曲线。
具体实施方式
下面结合附图和实施例对本发明作详细描述。
参照图1,一种基于不同光谱特征融合的鸡蛋品质检测方法,包括以下步骤:
步骤1:准备要检测的鸡蛋,具体步骤为:
步骤1.1:由于是对某类鸡蛋的品质进行鉴别,所以首先需要对被检测的鸡蛋类型和生产时间进行确定,即同类型同批次的鸡蛋;
步骤1.2:确定被检测的鸡蛋数目,选择每类鸡蛋的数目为20个;
步骤2:对鸡蛋进行分组,具体步骤为:把要测试的鸡蛋分成两组,分别进行标记,一组称为生鸡蛋组,另一组称为熟鸡蛋组,每组鸡蛋数目为10个;
步骤3:对熟鸡蛋组的鸡蛋进行预处理,把鸡蛋放入清水中进行清洗,洗净后擦干;
步骤4:把熟鸡蛋组的生鸡蛋煮成熟鸡蛋并获取熟蛋黄,具体步骤为;
步骤4.1:准备一个锅,放入清水和鸡蛋,水的量一定要盖过鸡蛋;
步骤4.2:对锅加热,使水沸腾,煮沸15-20分钟,把鸡蛋拿出来,再放入凉水中冷却3-5分钟;
步骤4.3:把熟鸡蛋从锅中拿出来,把水擦干净;
步骤4.4:去除鸡蛋壳和蛋白,即获得熟蛋黄,熟蛋黄保持原型;
步骤4.5:对熟蛋黄进行标记编号;
步骤5:高光谱成像仪准备,具体步骤为;
步骤5.1:选择高光谱成像设备,采用地面高光谱成像仪MShyperSIS系统;
步骤5.2:高光谱成像系统镜头的选择,目前在全波段范围即400nm-2500nm内,高光谱成像系统包括两个镜头才能覆盖全波段范围;由于在短波红外波段,不同类型鸡蛋以及不同批次鸡蛋所获取的高光谱特性差异不大,同时还存在大量的热噪声,所以选择可见光和近红外波段,即400nm-1000nm,在此波段之间,光谱分辨率是2.8nm,获取的图像的空间大小为1344×1024;
步骤5.3:把高光谱成像仪架好,连接好电脑和电源,启动高光谱成像仪和相应的采集软件,设置好成像采集参数,并进行白校正和黒校正处理;
步骤6:获取熟蛋黄高光谱图像数据,具体步骤为:
步骤6.1:采集熟蛋黄高光谱图像数据,首先让高光谱成像仪的镜头对准被测区域,使镜头跟检测平台之间成一个下视状态,并调节好高光谱成像仪的零点位置;
步骤6.2:对测试的蛋黄区域进行高光谱成像仪扫描成像,并依据鸡蛋的编号,保存相应蛋黄的高光谱图像数据;
步骤7:从熟蛋黄的高光谱图像数据中提取其光谱特性数据;具体步骤为:
步骤7.1:用ENVI软件打开熟蛋黄的高光谱图像数据,定位到蛋黄区域,任意选择某个点,然后点击光谱特性,看到其光谱特性曲线图,把光谱数据进行存储,这里存储的是txt文件,需把它转换成Excel文件,便于后续处理;
步骤7.2:重复步骤7.1,采集若干个点的光谱数据,一般选十个点以上,选择的点越多越好,本发明采集了每个鸡蛋的15个不同的采样点,把不同点的光谱数据进行平均处理,其值作为某个鸡蛋蛋黄的光谱数据;
步骤7.3:重复步骤7.1-步骤7.2,直到每个鸡蛋蛋黄的光谱数据采集完毕;
步骤7.4:对获取的蛋黄光谱数据进行处理,把获得的光谱数据进行滤波和归一化处理,采用均值滤波的方法完成噪声的去除,滤波窗口的大小设为10;
步骤7.5:把所有鸡蛋蛋黄的光谱特性数据进行均值处理,可以近似地作为该类鸡蛋熟蛋黄的光谱特性数据;
步骤8:准备好地物波谱仪,具体步骤为:
步骤8.1:选择地物波谱仪,选择FieldSpec3光谱仪,它的光谱范围为350nm-2500nm,光谱分辨率有两个,在350nm-1000nm之间的分辨率为3nm,在1000nm-2500nm之间的分辨率为10nm;
步骤8.2:对地物波谱仪进行准备,首先要预热15分钟以上,并设置好相应的参数;
步骤9:用波谱仪获取熟蛋黄的光谱特征,具体步骤为:
步骤9.1:采集熟蛋黄的光谱数据,采集前要进行白板校正;用探头对准蛋黄区域,进行数据采集,每个测量点采集数据的采样次数为100次,然后取平均值作为该点的测量结果;设置不同的测量点,每个蛋黄上的测量点不少于5个,最后把所有测量点的数据进行求和取均值,即最后的光谱特性数据;
步骤9.2:对测量的数据进行预处理,首先是格式的转换,最后以Excel文件进行保存,便于后续处理调用,同时进行滤波和归一化处理;
步骤9.3:剪切光谱数据,为了能和高光谱图像数据获得的光谱特性数据具有相同的波段范围,需对光谱仪测量的数据剪切,便于后续工作的匹配、建模和分析;
步骤10:对生蛋黄组的鸡蛋进行预处理并获得生蛋黄,先对鸡蛋进行清洗干净,然后把水擦干;敲开鸡蛋壳,把鸡蛋清和鸡蛋黄放入分离器中,进行分离,以获得蛋黄,不要使蛋黄进行散蛋,保持完整的蛋黄;
步骤11:获取生蛋黄的高光谱图像数据,具体步骤为:
步骤11.1:按照步骤5准备好高光谱成像仪,连接好仪器,启动测试软件并进行参数设置,进行白校正和黒校正;
步骤11.2:采集高光谱图像数据,首先让高光谱成像仪的镜头对准被测区域,使镜头跟检测平台之间成一个下视状态,找好零点位置;
步骤11.3:对测试的蛋黄区域进行高光谱成像仪扫描成像,并依据鸡蛋的编号,保存相应蛋黄的高光谱图像数据;
步骤12:从生蛋黄的高光谱图像数据中提取其光谱特性数据,具体步骤为:
步骤12.1:用ENVI软件打开生蛋黄的高光谱图像数据,定位到蛋黄区域,任意选择某个点,然后点击光谱特性,看到其光谱特性曲线图,把光谱数据进行存储,这里存储的是txt文件,需把它转换成Excel文件,便于后续处理;
步骤12.2:重复步骤12.1,采集若干个点的光谱数据,一般选十个点以上,选择的点越多越好,本发明采集了15个不同的采样点,把不同点的光谱数据进行平均处理,其值作为某个鸡蛋蛋黄的光谱数据;
步骤12.3:重复步骤12.1-步骤12.2,直到每个生鸡蛋蛋黄的光谱数据采集完毕;
步骤12.4:对获取的生蛋黄光谱数据进行处理,把获得的光谱数据进行滤波和归一化处理,采用均值滤波的方法完成噪声的去除,滤波窗口的大小设为10;
步骤12.5:把所有鸡蛋蛋黄的光谱特性数据进行均值处理,可以近似地作为该类鸡蛋生蛋黄的光谱特性数据;
步骤13:用波谱仪获取生蛋黄的光谱特性,具体步骤为:
步骤13.1:按照步骤8准备好地物波谱仪,连接好仪器,启动测试软件并进行参数设置和预热处理;
步骤13.2:采集生蛋黄的光谱数据,采集前要进行白板校正;用探头对准蛋黄区域,进行数据采集,每个测量点采集数据的采样次数为100次,然后取平均值作为该点的测量结果;设置不同的测量点,每个蛋黄上的测量点不少于5个,最后把所有测量点的数据进行求和取均值,即最后的光谱特性数据;
步骤13.3:对测量的数据进行预处理,首先是格式的转换,最后以Excel文件进行保存,便于后续处理调用,同时进行滤波和归一化处理;
步骤13.4:剪切光谱数据,为了能和高光谱图像数据获得的光谱特性数据具有相同的波段范围,需对光谱仪测量的数据剪切,便于后续工作的匹配、建模和分析;
步骤14:对不同的光谱特性进行比较建模分析;具体步骤为:
步骤14.1:把两种状态和两种测量方式获取的光谱特性数据放在一起,如2所示,用高光谱成像仪获取的数据要平坦一些,用地物波谱仪获取的数据波动大一些,原因是高光谱成像仪获取的是区域数据,地物波谱仪获得的是点数据;高光谱成像仪获取的数据比较平缓,而且反射值要高一些,用光谱仪和高光谱成像仪获取的生蛋黄光谱特性差别不大;
步骤14.2:用参数相似系数来鉴别鸡蛋品质,相似系数反映了两条波谱曲线之间的相似程度,其值越大,说明它们之间约相似性越靠近,说明蛋黄或鸡蛋品质越好,新鲜度越高;两条光谱特性曲线之间的相似关系的计算公式如式(1)所示,即
其中rk=(rk1,rk2,…,rkL)和rl=(rl1,rl2,…,rlL)分别表示两条光谱特性曲线,Ckl表示相关系数,k和l分别表示两条不同的光谱特性曲线,L表示波段数,μk和μl分别表示第k和第l条光谱特性曲线的平均值,r表示归一化的光谱特性反射值;
步骤14.3:用参数欧氏距离来鉴别鸡蛋品质及新鲜度,欧式距离反映的是两条波谱曲线在光谱反射值方面的差距,如果距离值越大,表明它们的光谱反射值差距越大,发生的变化越大,说明鸡蛋的质量和品质及新鲜度越差,其值越小,表明两者的关系越紧密;这里用欧式距离来表征两个光谱特性矢量之间反射值的差距,具体的计算公式如下,
其中,k表示某个波段,L表示全部波段个数,i和j分别表示不同的光谱特性点,Dij表示i和j之间的欧氏距离,r表示光谱反射值;
步骤15:输出最终的结果。
本发明利用不同仪器设备从不同的途径或角度获取蛋黄光谱特性来鉴别鸡蛋新鲜度,同时还考虑了不同形态蛋黄。检测原理是:如果鸡蛋品质较好,不同蛋黄形态的不同光谱特征所体现的现象或规律是一致。因此,通过对实验数据的处理和分析,如果用不同方式测量的蛋黄的光谱特性曲线越相似、越接近,表明鸡蛋的新鲜度越好,鸡蛋的品质越高。同样,如果从相似性和欧氏距离等参数值来表示,则用不同方式获取的这些参数间的差值,绝对值越小,说明鸡蛋的品质越好。本发明首先在被检测的同批次鸡蛋中任意挑选若干个鸡蛋,并分成两组。一组是为了获得生蛋黄,另一组是为了获得熟蛋黄。每组鸡蛋分别用高光谱成像仪和光谱仪获取它们的光谱特性。对于高光谱成像仪,获取的是高光谱图像数据,但是里面包含着光谱特性,可以从中把光谱特性提取出来。获得不同蛋黄形态不同类型光谱特征后,对特征数据要进行相应的预处理,例如滤波和归一化处理,然后对它们进行匹配和分析,就可以获得鸡蛋新鲜度描述。获得的特征参数可以对鸡蛋的品质作进一步判别和验证。通过大量的实际测量实验,并对获取的数据进行比较分析,获得了好的实验结果,表明本发明提出的方法是可行的、有效的,具有较好的应用潜力和推广价值。
Claims (10)
1.一种基于不同光谱特征融合的鸡蛋品质检测方法,其特征在于,包括以下步骤:
步骤1:准备要检测的鸡蛋;
步骤2:对鸡蛋进行分组,分成生鸡蛋组和熟鸡蛋组;
步骤3:对熟鸡蛋组的鸡蛋进行预处理,把鸡蛋放入清水中进行清洗,洗净后擦干;
步骤4:把熟鸡蛋组的生鸡蛋煮成熟鸡蛋并获取熟蛋黄;
步骤5:高光谱成像仪准备;
步骤6:获取熟蛋黄高光谱图像数据;
步骤7:从熟蛋黄的高光谱图像数据中提取其光谱特性数据;
步骤8:准备好地物波谱仪;
步骤9:用波谱仪获取熟蛋黄的光谱特征;
步骤10:对生蛋黄组的鸡蛋进行预处理并获得生蛋黄,先对鸡蛋进行清洗干净,然后把水擦干;敲开鸡蛋壳,把鸡蛋清和鸡蛋黄放入分离器中,进行分离,以获得蛋黄,不要使蛋黄进行散蛋,保持完整的蛋黄;
步骤11:获取生蛋黄的高光谱图像数据;
步骤12:从生蛋黄的高光谱图像数据中提取其光谱特性数据;
步骤13:用波谱仪获取生蛋黄的光谱特性;
步骤14:对不同的光谱特性进行比较建模分析;
步骤15:输出最终的结果。
2.根据权利要求1所述的一种基于不同光谱特征融合的鸡蛋品质检测方法,其特征在于,所述的步骤1中准备检测的鸡蛋的具体步骤为:
步骤1.1:首先需要对被检测的鸡蛋类型和生产时间进行确定,即同类型同批次的鸡蛋;
步骤1.2:确定被检测的鸡蛋数目,选择每类鸡蛋的数目为20个。
3.根据权利要求1所述的一种基于不同光谱特征融合的鸡蛋品质检测方法,其特征在于,所述的步骤5中高光谱成像仪准备的具体步骤为;
步骤5.1:选择高光谱成像设备,采用地面高光谱成像仪MShyperSIS系统;
步骤5.2:高光谱成像系统镜头的选择,选择可见光和近红外波段,即400nm-1000nm,在此波段之间,光谱分辨率是2.8nm,获取的图像的空间大小为1344×1024;
步骤5.3:把高光谱成像仪架好,连接好电脑和电源,启动高光谱成像仪和相应的采集软件,设置好成像采集参数,并进行白校正和黒校正处理。
4.根据权利要求1所述的一种基于不同光谱特征融合的鸡蛋品质检测方法,其特征在于,所述的步骤6中获取熟蛋黄高光谱图像数据的具体步骤为:
步骤6.1:采集熟蛋黄高光谱图像数据,首先让高光谱成像仪的镜头对准被测区域,使镜头跟检测平台之间成一个下视状态,并调节好高光谱成像仪的零点位置;
步骤6.2:对测试的蛋黄区域进行高光谱成像仪扫描成像,并依据鸡蛋的编号,保存相应蛋黄的高光谱图像数据。
5.根据权利要求1所述的一种基于不同光谱特征融合的鸡蛋品质检测方法,其特征在于,所述的步骤7中从熟蛋黄高光谱图像数据中提取光谱特性数据的具体步骤为:
步骤7.1:用ENVI软件打开熟蛋黄的高光谱图像数据,定位到蛋黄区域,任意选择某个点,然后点击光谱特性,看到其光谱特性曲线图,把光谱数据进行存储,这里存储的是txt文件,需把它转换成Excel文件;
步骤7.2:重复步骤7.1,采集了每个鸡蛋的15个不同的采样点,把不同点的光谱数据进行平均处理,其值作为某个鸡蛋蛋黄的光谱数据;
步骤7.3:重复步骤7.1-步骤7.2,直到每个鸡蛋蛋黄的光谱数据采集完毕;
步骤7.4:对获取的蛋黄光谱数据进行处理,把获得的光谱数据进行滤波和归一化处理,采用均值滤波的方法完成噪声的去除,滤波窗口的大小设为10;
步骤7.5:把所有鸡蛋蛋黄的光谱特性数据进行均值处理,作为该类鸡蛋熟蛋黄的光谱特性数据。
6.根据权利要求1所述的一种基于不同光谱特征融合的鸡蛋品质检测方法,其特征在于,所述的步骤9中用波谱仪获取熟蛋黄光谱特征的具体步骤为:
步骤9.1:采集熟蛋黄的光谱数据,采集前要进行白板校正;用探头对准蛋黄区域,进行数据采集,每个测量点采集数据的采样次数为100次,然后取平均值作为该点的测量结果;设置不同的测量点,每个蛋黄上的测量点不少于5个,最后把所有测量点的数据进行求和取均值,即最后的光谱特性数据;
步骤9.2:对测量的数据进行预处理,首先是格式的转换,最后以Excel文件进行保存,同时进行滤波和归一化处理;
步骤9.3:剪切光谱数据,为了能和高光谱图像数据获得的光谱特性数据具有相同的波段范围,需对光谱仪测量的数据剪切,便于后续工作的匹配、建模和分析。
7.根据权利要求1所述的一种基于不同光谱特征融合的鸡蛋品质检测方法,其特征在于,所述的步骤11中获取生蛋黄的高光谱图像数据的具体步骤为:
步骤11.1:按照步骤5准备好高光谱成像仪,连接好仪器,启动测试软件并进行参数设置,进行白校正和黒校正;
步骤11.2:采集高光谱图像数据,首先让高光谱成像仪的镜头对准被测区域,使镜头跟检测平台之间成一个下视状态,找好零点位置;
步骤11.3:对测试的蛋黄区域进行高光谱成像仪扫描成像,并依据鸡蛋的编号,保存相应蛋黄的高光谱图像数据。
8.根据权利要求1所述的一种基于不同光谱特征融合的鸡蛋品质检测方法,其特征在于,所述的步骤12中从生蛋黄的高光谱图像数据中获取光谱特性数据的具体步骤为:
步骤12.1:用ENVI软件打开生蛋黄的高光谱图像数据,定位到蛋黄区域,任意选择某个点,然后点击光谱特性,看到其光谱特性曲线图,把光谱数据进行存储,这里存储的是txt文件,需把它转换成Excel文件;
步骤12.2:重复步骤12.1,采集了15个不同的采样点,把不同点的光谱数据进行平均处理,其值作为某个鸡蛋蛋黄的光谱数据;
步骤12.3:重复步骤12.1-步骤12.2,直到每个生鸡蛋蛋黄的光谱数据采集完毕;
步骤12.4:对获取的生蛋黄光谱数据进行处理,把获得的光谱数据进行滤波和归一化处理,采用均值滤波的方法完成噪声的去除,滤波窗口的大小设为10;
步骤12.5:把所有鸡蛋蛋黄的光谱特性数据进行均值处理,作为该类鸡蛋生蛋黄的光谱特性数据。
9.根据权利要求1所述的一种基于不同光谱特征融合的鸡蛋品质检测方法,其特征在于,所述的步骤13中用波谱仪获取生蛋黄的光谱特性的具体步骤为:
步骤13.1:按照步骤8准备好地物波谱仪,连接好仪器,启动测试软件并进行参数设置和预热处理;
步骤13.2:采集生蛋黄的光谱数据,采集前要进行白板校正;用探头对准蛋黄区域,进行数据采集,每个测量点采集数据的采样次数为100次,然后取平均值作为该点的测量结果;设置不同的测量点,每个蛋黄上的测量点不少于5个,最后把所有测量点的数据进行求和取均值,即最后的光谱特性数据;
步骤13.3:对测量的数据进行预处理,首先是格式的转换,最后以Excel文件进行保存,同时进行滤波和归一化处理;
步骤13.4:剪切光谱数据,为了能和高光谱图像数据获得的光谱特性数据具有相同的波段范围,需对光谱仪测量的数据剪切,便于后续工作的匹配、建模和分析。
10.根据权利要求1所述的一种基于不同光谱特征融合的鸡蛋品质检测方法,其特征在于,所述的步骤14中对不同的光谱特性进行比较建模分析的具体步骤为:
步骤14.1:把两种状态和两种测量方式获取的光谱特性数据放在一起,用高光谱成像仪获取的数据要平坦一些,用地物波谱仪获取的数据波动大一些;
步骤14.2:用参数相似系数来鉴别鸡蛋品质,相似系数反映了两条波谱曲线之间的相似程度,其值越大,说明它们之间约相似性越靠近,说明蛋黄或鸡蛋品质越好,新鲜度越高;两条光谱特性曲线之间的相似关系的计算公式如式(1)所示,即
其中rk=(rk1,rk2,…,rkL)和rl=(rl1,rl2,…,rlL)分别表示两条光谱特性曲线,Ckl表示相关系数,k和l分别表示两条不同的光谱特性曲线,L表示波段数,μk和μl分别表示第k和第l条光谱特性曲线的平均值,r表示归一化的光谱特性反射值;
步骤14.3:用参数欧氏距离来鉴别鸡蛋品质及新鲜度,欧式距离反映的是两条波谱曲线在光谱反射值方面的差距,如果距离值越大,表明它们的光谱反射值差距越大,发生的变化越大,说明鸡蛋的质量和品质及新鲜度越差,其值越小,表明两者的关系越紧密;这里用欧式距离来表征两个光谱特性矢量之间反射值的差距,具体的计算公式如下,
其中,k表示某个波段,L表示全部波段个数,i和j分别表示不同的光谱特性点,Dij表示i和j之间的欧氏距离,r表示光谱反射值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810671476.6A CN108872095A (zh) | 2018-06-26 | 2018-06-26 | 一种基于不同光谱特征融合的鸡蛋品质检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810671476.6A CN108872095A (zh) | 2018-06-26 | 2018-06-26 | 一种基于不同光谱特征融合的鸡蛋品质检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108872095A true CN108872095A (zh) | 2018-11-23 |
Family
ID=64295665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810671476.6A Pending CN108872095A (zh) | 2018-06-26 | 2018-06-26 | 一种基于不同光谱特征融合的鸡蛋品质检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108872095A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111134348A (zh) * | 2020-02-05 | 2020-05-12 | 江苏仁康蛋业有限公司 | 一种高乳化性蛋黄液的制备系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160069743A1 (en) * | 2014-06-18 | 2016-03-10 | Innopix, Inc. | Spectral imaging system for remote and noninvasive detection of target substances using spectral filter arrays and image capture arrays |
CN105548028A (zh) * | 2015-12-11 | 2016-05-04 | 华中农业大学 | 禽蛋新鲜度的光纤光谱分级检测装置及其方法 |
US20170160202A1 (en) * | 2014-07-11 | 2017-06-08 | Tronico | Non-invasive device for determining the fertility and/or the sex of an egg, and corresponding method |
-
2018
- 2018-06-26 CN CN201810671476.6A patent/CN108872095A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160069743A1 (en) * | 2014-06-18 | 2016-03-10 | Innopix, Inc. | Spectral imaging system for remote and noninvasive detection of target substances using spectral filter arrays and image capture arrays |
US20170160202A1 (en) * | 2014-07-11 | 2017-06-08 | Tronico | Non-invasive device for determining the fertility and/or the sex of an egg, and corresponding method |
CN105548028A (zh) * | 2015-12-11 | 2016-05-04 | 华中农业大学 | 禽蛋新鲜度的光纤光谱分级检测装置及其方法 |
Non-Patent Citations (7)
Title |
---|
SHIQI HUANG等: "Analysis and Application of Hyperspectral Image Data of Raw Egg Yolk", 《2017 3RD INTERNATIONAL CONFERENCE ON INNOVATION DEVELOPMENT OF E-COMMERCE AND LOGISTICS (ICIDEL 2017)》 * |
SHIQI HUANG等: "Analysis and Identification of Raw Egg Yolk with the Hyperspectral Characteristics", 《2017 3RD INTERNATIONAL CONFERENCE ON ELECTRONIC INFORMATION TECHNOLOGY AND INTELLECTUALIZATION(ICEITI 2017)》 * |
SHIQI HUANG等: "Measurement and Application of Hyperspectral Characteristics of Boiled Egg Yolk", 《ICBET18 PROCEEDINGS OF THE 2018 8TH INTERNATIONAL CONFERENCE ON BIOMEDICAL ENGINEERING AND TECHNOLOGY》 * |
杨晓玉 等: "基于可见近红外高光谱成像技术的鸡蛋新鲜度无损检测", 《食品与机械》 * |
王巧华 等: "基于高光谱的鸡蛋新鲜度检测", 《光谱学与光谱分析》 * |
谭琨: "《高光谱遥感影像半监督分类研究》", 31 January 2014 * |
赵学军: "《高光谱图像压缩与融合技术》", 31 July 2015 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111134348A (zh) * | 2020-02-05 | 2020-05-12 | 江苏仁康蛋业有限公司 | 一种高乳化性蛋黄液的制备系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun | Computer vision technology for food quality evaluation | |
Saldaña et al. | Computer vision applied to the inspection and quality control of fruits and vegetables | |
Arzate-Vázquez et al. | Image processing applied to classification of avocado variety Hass (Persea americana Mill.) during the ripening process | |
Gao et al. | Application of hyperspectral imaging technology to discriminate different geographical origins of Jatropha curcas L. seeds | |
Sun et al. | A method for rapid identification of rice origin by hyperspectral imaging technology | |
Deng et al. | Moisture content prediction in tealeaf with near infrared hyperspectral imaging | |
CN109253975A (zh) | 基于msc-cfs-ica的苹果轻微损伤高光谱检测方法 | |
Cosentino | Multispectral imaging system using 12 interference filters for mapping pigments | |
Park et al. | Line-scan imaging analysis for rapid viability evaluation of white-fertilized-egg embryos | |
Baek et al. | A novel hyperspectral line-scan imaging method for whole surfaces of round shaped agricultural products | |
Chen et al. | Real-time defect and freshness inspection on chicken eggs using hyperspectral imaging | |
Huang et al. | Near-Infrared spectral image analysis of pork marbling based on Gabor filter and wide line detector techniques | |
CN108872095A (zh) | 一种基于不同光谱特征融合的鸡蛋品质检测方法 | |
CN110243805A (zh) | 基于拉曼高光谱成像技术的鱼刺检测方法 | |
Feng et al. | Detection of blood spots in eggs by hyperspectral transmittance imaging | |
Xie et al. | Modeling for mung bean variety classification using visible and near-infrared hyperspectral imaging | |
Zhang et al. | Development of a hyperspectral imaging system for the early detection of apple rottenness caused by P enicillium | |
Yang et al. | Early apple bruise recognition based on near-infrared imaging and grayscale gradient images | |
Lopez-Juarez et al. | A hybrid non-invasive method for internal/external quality assessment of potatoes | |
CN108680514A (zh) | 一种基于不同形态蛋黄高光谱成像的鸡蛋品质检测方法 | |
Cruz-Guerrero et al. | Reflectance calibration with normalization correction in hyperspectral imaging | |
Quattrocchi et al. | Development, Validation and Preliminary Experiments of a Measuring Technique for Eggs Aging Estimation Based on Pulse Phase Thermography | |
Chen et al. | Fusarium wilt inspection for Phalaenopsis using uniform interval hyperspectral band selection techniques | |
Huang et al. | Egg quality traceability based on non-destructive testing technique of hyperspectral characteristics | |
Mendoza et al. | Optical Sensing Technologies for Nondestructive Quality Assessment in Dry Beans |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181123 |