CN109612950A - 一种冷冻畜肉储藏周期预测装置及方法 - Google Patents
一种冷冻畜肉储藏周期预测装置及方法 Download PDFInfo
- Publication number
- CN109612950A CN109612950A CN201811641009.5A CN201811641009A CN109612950A CN 109612950 A CN109612950 A CN 109612950A CN 201811641009 A CN201811641009 A CN 201811641009A CN 109612950 A CN109612950 A CN 109612950A
- Authority
- CN
- China
- Prior art keywords
- sample
- poultry meat
- image
- prediction model
- freezing
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (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)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明实施例提供一种冷冻畜肉储藏周期预测装置及方法,该装置包括:图像采集单元采集待测冷冻畜肉的初始测试图像,并采集若干种样品冷冻畜肉的初始样本图像;图像处理单元根据每一初始测试图像获取对应的测试均值、测试差值和测试方差,并根据每一初始样本图像获取对应的样本均值、样本差值和样本方差;数据处理单元根据每一初始样本图像对应的样本均值、样本差值、样本方差和每一初始样本图像的储藏周期,获取最佳预测模型;将每一初始测试图像对应的测试均值、测试差值和测试方差中的一种输入到最佳预测模型中,获取待测冷冻畜肉的储藏周期。本发明除样品解冻环节外,无人为参与,实现了自动采集、识别、提取、分析的快速智能化操作。
Description
技术领域
本发明实施例涉及肉制品无损检测技术领域,尤其涉及一种冷冻畜肉储藏周期预测装置及方法。
背景技术
冷冻储藏是现阶段我国储备肉及加工原料肉的主要储藏手段,可以在一定储藏周期内最大程度地抑制和减缓与畜肉腐败变质相关的生理生化反应。但随着冷冻储藏周期的延长,蛋白质氧化、脂肪氧化、微生物及冰晶的传热传质等因素导致的劣变效果叠加会大大降低冷冻畜肉的感官品质、食用品质及加工性能。
加之,近年来发生的“僵尸肉”和“过期肉”事件,加剧了企业和民众对于冷冻畜肉储藏时间的质疑及食用安全性的担忧。
众所周知,储藏时间的延长不仅会导致冷冻畜肉品质劣变及食用安全性下降,还会对交易价格造成较大的影响,因此国家标准和相关部委文件对加工原料肉和应急储备肉都有明确的冷冻储藏周期要求。
而目前对于储藏周期的判断主要是对肉色褐变、干耗、蛋白质腐败和脂肪酸败产生的气味等品质劣变的程度进行感官评定,或采用针对性较强的理化指标检测来进行判断。
但对于畜肉样品的检测是基于改变整块冷冻畜肉冻结状态并破坏样品完整性的基础上进行的,检测结果在解冻和检测过程中多重因素的干扰下,极易受到认知水平、主观差异及操作熟练程度的影响而造成误判,常规感官评定、理化指标检测法和挥发性有机物检测法已经无法满足大宗交易和批量检验对评估效费比的需求,因此急需开发一种不破坏样品完整性、不改变样品整体状态、采样全面、操作简便快捷、目标物针对性强且运行成本较低的预测系统及方法,以避免以上所述不足。
发明内容
在上述实施例的基础上,本发明实施例提供一种冷冻畜肉储藏周期预测装置及方法。
第一方面,本发明实施例提供一种冷冻畜肉储藏周期预测装置,包括:图像采集单元、图像处理单元和数据处理单元,其中:
所述图像采集单元用于采集待测冷冻畜肉若干个角度的初始测试图像,并采集若干种样品冷冻畜肉若干个角度的初始样本图像;
所述图像处理单元用于根据每一初始测试图像获取所述待测冷冻畜肉对应的测试均值、测试差值和测试方差,所述待测冷冻畜肉对应的测试均值为所有初始测试图像对应的归一化颜色特征分量的均值,所述待测冷冻畜肉对应的测试差值为所有初始测试图像对应的归一化颜色特征分量最大值与最小值之差,所述待测冷冻畜肉对应的测试方差为所述任一初始测试图像归一化颜色特征分量的方差;
并根据每一初始样本图像获取每一样品冷冻畜肉对应的样本均值、样本差值和样本方差,对于任一样品冷冻畜肉,所述任一样品冷冻畜肉对应的样本均值为所述任一样品冷冻畜肉对应的所有初始样本图像归一化颜色特征分量的均值,所述任一样品冷冻畜肉对应的测试差值为所述任一样品冷冻畜肉对应的所有初始样本图像归一化颜色特征分量最大值与最小值之差,所述任一样品冷冻畜肉对应的测试方差为所述任一样品冷冻畜肉对应的所有初始样本图像归一化颜色特征分量的方差;
所述数据处理单元用于根据每一样品冷冻畜肉对应的样本均值和每一初始样本图像的储藏周期,获取第一预测模型,根据每一样品冷冻畜肉对应的样本差值和每一初始样本图像的储藏周期,获取第二预测模型,根据每一样品冷冻畜肉对应的样本方差和每一初始样本图像的储藏周期,获取第三预测模型,从所述第一预测模型、所述第二预测模型和所述第三预测模型中选择一个作为最优预测模型;
若所述第一预测模型为所述最优预测模型,将所述待测冷冻畜肉的测试均值输入所述最佳预测模型中,获取所述待测冷冻畜肉的储藏周期;
若所述第二预测模型为所述最优预测模型,将所述待测冷冻畜肉的测试差值输入所述最佳预测模型中,获取所述待测冷冻畜肉的储藏周期;
若所述第三预测模型为所述最优预测模型,将所述待测冷冻畜肉的测试方差输入所述最佳预测模型中,获取所述待测冷冻畜肉的储藏周期。
第二方面,本发明实施例提供一种冷冻畜肉储藏周期预测方法,包括:
S1,采集待测冷冻畜肉若干个角度的初始测试图像,并采集若干种样品冷冻畜肉若干个角度的初始样本图像;
S2,根据每一初始测试图像获取所述待测冷冻畜肉对应的测试均值、测试差值和测试方差,所述待测冷冻畜肉对应的测试均值为所有初始测试图像对应的归一化颜色特征分量的均值,所述待测冷冻畜肉对应的测试差值为所有初始测试图像对应的归一化颜色特征分量最大值与最小值之差,所述待测冷冻畜肉对应的测试方差为所述任一初始测试图像归一化颜色特征分量的方差;
并根据每一初始样本图像获取每一样品冷冻畜肉对应的样本均值、样本差值和样本方差,对于任一样品冷冻畜肉,所述任一样品冷冻畜肉对应的样本均值为所述任一样品冷冻畜肉对应的所有初始样本图像归一化颜色特征分量的均值,所述任一样品冷冻畜肉对应的测试差值为所述任一样品冷冻畜肉对应的所有初始样本图像归一化颜色特征分量最大值与最小值之差,所述任一样品冷冻畜肉对应的测试方差为所述任一样品冷冻畜肉对应的所有初始样本图像归一化颜色特征分量的方差;
S3,根据每一样品冷冻畜肉对应的样本均值和每一初始样本图像的储藏周期,获取第一预测模型,根据每一样品冷冻畜肉对应的样本差值和每一初始样本图像的储藏周期,获取第二预测模型,根据每一样品冷冻畜肉对应的样本方差和每一初始样本图像的储藏周期,获取第三预测模型,从所述第一预测模型、所述第二预测模型和所述第三预测模型中选择一个作为最优预测模型;
若所述第一预测模型为所述最优预测模型,将所述待测冷冻畜肉的测试均值输入所述最佳预测模型中,获取所述待测冷冻畜肉的储藏周期;
若所述第二预测模型为所述最优预测模型,将所述待测冷冻畜肉的测试差值输入所述最佳预测模型中,获取所述待测冷冻畜肉的储藏周期;
若所述第三预测模型为所述最优预测模型,将所述待测冷冻畜肉的测试方差输入所述最佳预测模型中,获取所述待测冷冻畜肉的储藏周期。
本发明实施例提供的冷冻畜肉储藏周期预测装置及方法,依据畜肉在冷冻储藏周期内,水分升华、脂肪氧化和蛋白氧化及光诱导等因素引发的肌红蛋白内卟啉环中二价铁离子向三价铁离子转换的颜色变化趋势,将不同储藏周期内冷冻畜肉在不同颜色空间下所表现的颜色特征信息直接关联冷冻储藏周期,构建最优预测模型,并以此预测待检冷冻畜肉样品的储藏周期。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一种冷冻畜肉储藏周期预测装置的结构示意图;
图2为本发明实施例提供的一种冷冻畜肉储藏周期预测装置中图像采集单元的正视图;
图3为本发明实施例提供的一种冷冻畜肉储藏周期预测装置中图像采集单元的左视图;
图4为本发明实施例提供的一种冷冻畜肉储藏周期预测装置中图像采集单元的俯视图;
图5为本发明实施例中自适应图像采集模块的图像采集原理图;
图6为本发明实施例图像处理单元和数据处理单元的处理流程图;
图7表示由冷冻猪IV号肉样品均值矩阵提取的2个主成分示意图;
图8中均方误差反映出自变量矩阵和变量矩阵的估计量与被估计量之间差异示意图;
图9表示所构建最优预测模型示意图;
图10为本发明实施例一种冷冻畜肉储藏周期预测方法的流程图。
附图说明:
1、外部触发器; 2、单片机; 3、定焦CCD相机;
4、漫反射LED光源; 5、载物台; 6、数控移动支架底座;
7、第一马达; 8、倾斜角度传感器; 9、第二马达;
10、位移传感器; 11、位移悬臂; 12、角度旋转臂;
13、直流开关稳压电源; 14、220V交流电源; 15、USB传输端口;
16、暗箱。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例一种冷冻畜肉储藏周期预测装置的结构示意图,如图1所示,该装置包括:图像采集单元101、图像处理单元102和数据处理单元103,其中:
所述图像采集单元101用于采集待测冷冻畜肉若干个角度的初始测试图像,并采集若干种样品冷冻畜肉若干个角度的初始样本图像;
所述图像处理单元102用于根据每一初始测试图像获取所述待测冷冻畜肉对应的测试均值、测试差值和测试方差,所述待测冷冻畜肉对应的测试均值为所有初始测试图像对应的归一化颜色特征分量的均值,所述待测冷冻畜肉对应的测试差值为所有初始测试图像对应的归一化颜色特征分量最大值与最小值之差,所述待测冷冻畜肉对应的测试方差为所述任一初始测试图像归一化颜色特征分量的方差;
并根据每一初始样本图像获取每一样品冷冻畜肉对应的样本均值、样本差值和样本方差,对于任一样品冷冻畜肉,所述任一样品冷冻畜肉对应的样本均值为所述任一样品冷冻畜肉对应的所有初始样本图像归一化颜色特征分量的均值,所述任一样品冷冻畜肉对应的测试差值为所述任一样品冷冻畜肉对应的所有初始样本图像归一化颜色特征分量最大值与最小值之差,所述任一样品冷冻畜肉对应的测试方差为所述任一样品冷冻畜肉对应的所有初始样本图像归一化颜色特征分量的方差;
所述数据处理单元103用于根据每一样品冷冻畜肉对应的样本均值和每一初始样本图像的储藏周期,获取第一预测模型,根据每一样品冷冻畜肉对应的样本差值和每一初始样本图像的储藏周期,获取第二预测模型,根据每一样品冷冻畜肉对应的样本方差和每一初始样本图像的储藏周期,获取第三预测模型,从所述第一预测模型、所述第二预测模型和所述第三预测模型中选择一个作为最优预测模型;
若所述第一预测模型为所述最优预测模型,将所述待测冷冻畜肉的测试均值输入所述最佳预测模型中,获取所述待测冷冻畜肉的储藏周期;
若所述第二预测模型为所述最优预测模型,将所述待测冷冻畜肉的测试差值输入所述最佳预测模型中,获取所述待测冷冻畜肉的储藏周期;
若所述第三预测模型为所述最优预测模型,将所述待测冷冻畜肉的测试方差输入所述最佳预测模型中,获取所述待测冷冻畜肉的储藏周期。
本发明实施例是依据冷冻畜肉在冷冻储藏周期内,由于水分升华、脂肪氧化和蛋白氧化及光诱导等因素引发的肌红蛋白内卟啉环中二价铁离子向三价铁离子转换的颜色变化趋势,通过对许多已知储藏周期的样品冷冻畜肉的图像进行采集,并对图像处理后获得样品冷冻畜肉的样品方差、样品差值和样品均值,建立样品冷冻畜肉的样品均值、样品方差、样品差值与储藏周期之间的对应关系,当需要对待测冷冻畜肉的储藏周期进行预测时,只需要先获取该待测冷冻畜肉的测试均值、测试方差和测试差值,将其中一个作为最优预测模型的输入,就可以预测出待测冷冻畜肉的储藏周期。
因此,在对待测冷冻畜肉的储藏周期进行预测之前,先要获得最优预测模型。
图像采集单元获取若干种样品冷冻畜肉的初始样品图像,这里所说的若干种样品冷冻畜肉包括日常常用的多种冷冻肉,对于任意一种样品冷冻畜肉,获取该样品冷冻畜肉的样品均值、样品方差和样品差值,由于每种样品冷冻畜肉都会有多幅初始样品图像,具体是多少幅图像,可以根据实际情况具体确定,这样会对样品冷冻畜肉产生多个样品均值、样品方差和样品差值。
数据处理单元中用来获取每个初始样本图像的样本均值、样本差值和样本方差,而由于样品冷冻畜肉的储藏周期又是已知的,所以可以建立储藏周期与样本均值、样本方差、样本差值之间的对应关系。
同样地,当需要对待测冷冻畜肉的储藏周期进行预测时,图像采集单元用来采集待测冷冻畜肉若干个角度的初始测试图像,这里的若干个角度是指待测冷冻畜肉不同角度的图像。
数据处理单元用来对初始测试图像进行处理,获取初始测试图像的测试均值、测试差值和测试方差,将这些数据作为最优预测模型的输入,以此来预测待测冷冻畜肉的储藏周期。
本发明基于计算机视觉的冷冻畜肉储藏周期的快速无损预测装置,采集了多张冷冻畜肉样品不同位置的清晰图像,将冷冻畜肉目标物中与储藏周期相关的红肉兴趣区分离出来,对其在不同颜色空间下的特征分量均值、差值及方差进行基于偏最小二乘法的统计学分析,有效地提取了对系统解释性最强的综合变量,同时剔除了多重相关信息和无解释意义信息的干扰,提高了模型预测性能的稳健性和准确性。
此外,本发明除样品解冻环节外,无人为参与,实现了自动采集、识别、提取、分析的快速智能化操作,弥补了目前国内对冷冻畜肉储藏周期的快速无损预测的空缺。
图2为本发明实施例提供的一种冷冻畜肉储藏周期预测装置中图像采集单元的正视图,图3为本发明实施例提供的一种冷冻畜肉储藏周期预测装置中图像采集单元的左视图,图4为本发明实施例提供的一种冷冻畜肉储藏周期预测装置中图像采集单元的俯视图,如图2、图3和图4所示,该图像采集单元包括外部触发器1、单片机2、定焦CCD相机3、漫反射LED光源4、载物台5、数控移动支架底座6、第一马达7、倾斜角度传感器8、第二马达9、位移传感10、位移悬臂11、角度旋转12、直流开关稳压电13、220V交流电14、USB传输端15和暗箱16。
暗箱16为工程塑料组件构成,箱体内壁贴装黑丝吸光绒。载物台5安装于暗箱16底部的几何中心位置,直流开关稳压电源13安装于靠近暗箱箱门处,外部触发器1由轻触按钮和D触发器组成并安装于暗箱箱体外侧。
单片机2安装于数控移动支架底座6的侧面;位移悬臂11的垂直部分套装在角度旋转臂12的轨道中;位移传感器10两端分别安装于位移悬臂11的垂直部分和角度旋转臂12上;倾斜角度传感器8安装在角度旋转臂12侧面;第一马达7安装在角度旋转臂12与支架底座6的连接处;第二马达9安装在角度旋转臂12与位移悬臂11的轨道处,由以上部件组装成数控移动支架。
定焦CCD相机3和漫反射LED光源4安装于数控移动支架位移悬臂11的水平部分上,由此构成了图像采集单元中的核心组件,即自适应图像采集模块。
其中,外部触发器1、定焦CCD相机3、倾斜角度传感器8、位移传感器10由单片机2供电;单片机2通过USB输出端口15与电脑相连并由其供电;直流开关稳压电源13将220V交流电源14转换成低压直流电源并提供给第一马达7、第二马达9、漫反射LED光源。单片机2分别与第一马达7、第二马达9及直流开关稳压电源13组成控制电路,控制马达的运行。
倾斜角度传感器8、位移传感器10将定焦CCD相机3当前所处角度及位移悬臂当前的位移传输给单片机2;单片机2将定焦CCD相机3所拍摄清晰图像经USB输出端口15传输给电脑。
进一步地,单片机2的微处理芯片中烧录有自适应图像采集模块的执行程序。
图5为本发明实施例中自适应图像采集模块的图像采集原理图,如图5所示,如图5所示,首先设置角度旋转和位移的步长,在放置待测冷冻畜肉后,由外部触发器给单片机传递启动触发信号,倾斜角度传感器向单片机传输当前角度,程序将其与预测角度进行比较,如相等则触发中断,由单片机2断开第一马达7所在的控制电路,角度旋转臂12停止移动。
如小于预设角度则不触发,角度旋转12臂继续移动,直到下一个角度与预设角度相等时停止。
当角度旋转臂12停止移动时,触发定焦CCD相机3采集图像并采用灰度方差乘积法对所采图像进行图像清晰度判别,判断标准为图像灰度方差乘积最大,
如未达到要求,则单片机2闭合第二马达9所在的控制电路,通过位移悬臂垂直部分进行设定步长的延长或缩短来调整物距并拍照,循环计算灰度方差乘积直至达到判断标准,所采集图像数据由单片机2通过USB端口输出15至计算机。
此时触发位移悬臂11恢复到初始位置并触发角度旋转臂12移动至下一角度,完成所有程序设定角度下的图像采集和输出后,数控移动支架的位移悬臂及角度旋转臂同时恢复到初始状态,并等候下一次图像采集的触发信号。
图6为本发明实施例图像处理单元和数据处理单元的处理流程图,如图6所示,其中,图像处理单元读取由图像采集单元通过USB输出端口传输至计算机的冷冻畜肉样品图像组,即根据预设旋转角度拍摄的多幅图像。
进一步地,对各图像进行前景物与背景的分离,获取目标物图像。
进一步地,求取目标物图像最小外接矩形,并提取矩形范围内的目标物图像数据,作为冷冻畜肉样品在该角度下新图像。
进一步地,获取目标物的兴趣区,即冷冻畜肉样品的红肉部分图像。
进一步地,将兴趣区在不同颜色空间下进行数据转换并归一化颜色特征分量。
进一步地,将归一化颜色特征分量分别进行均值、最大与最小值的差值和方差计算。
进一步地,将该样品的多幅图像按照上述操作,求取均值、差值和方差。所有样品均按照以上操作进行运算。
具体地,冷冻畜肉图像与背景图像的对应像素点灰度之差大于背景图像各列最大灰度值的中值,则该像素点赋原始数值,小于则赋值为0,所得图像为前景目标物图像。
以前景目标物图像中非零像素下标的最大和最小值作为最小外接矩形四个角在图像中的下标,提取矩形区域内的数据,并另存为该目标物的新图像。
将新图像进行高频提升运算后得到冷冻畜肉样品的脂肪部分,再将其从新图像中减去,得到红肉兴趣区。
将兴趣区在灰度空间、RGB、HSV空间、Lab空间及YCbCr空间内进行数据转换,获得相应空间的特征分量并除以该分量取值范围的最大值,得到归一化颜色特征分量,并进行均值、最大与最小值的差值和方差计算。所有样品的图像均按照以上操作进行。
其中,数据处理单元将每个样品所有图像的均值、差值和方差再次取均值,并表示为该样品特征分量的均值、差值和方差。
进一步地,所有样品按此操作,分别获取均值样品集、差值样品集和方差样品集。
进一步地,对以上3个样品集进行不同比例的校正集和验证集划分。
进一步地,分别将以上3个样品集与相应样品的储藏周期相关联。
进一步地,分别建立3个单因变量简化偏最小二乘法回归预测模型。
进一步地,筛选出拟合决定系数最高的最优预测模型。
具体地,对每个冷冻畜肉样品所对应若干兴趣区图像的特征分量归一化值均值、差值及方差再次求取均值,得到该冷冻畜肉样品的特征分量归一化值均值、差值及方差。
所有样品按此操作,分别得到均值样品集、差值样品集和方差样品集。采用改进KS法划分以上3个样品集,以马氏距离作为样品排序标准、以K折法划分校正集与验证集的比例,K的取值范围为4-10,每个样品集制备多套比例不同的校正集与验证集。
采用单因变量简化偏最小二乘算法构建预测模型,以冷冻畜肉样品所一一对应的储藏周期作为因变量Y,以冷冻畜肉样品特征分量I(灰度)、R(红色)、G(绿色)、B(蓝色)、H(色相)、S(饱和度)、V(亮度)、L(亮度)、a(红绿度)、b(黄蓝)、Y(流明)、Cb(蓝色偏移)、Cr(红色偏移)归一化值的均值矩阵为自变量矩阵X1、差值矩阵为自变量矩阵X2、方差矩阵为自变量矩阵X3,分别构建第一预测模型Y=k1X1+b1、第二预测模型Y=k2X2+b2、第三预测模型Y=k3X3+b3的关系方程,k1、k2、k3分别代表各关系方程的回归系数分量,b1、b2、b3分别代表各关系方程的截距。采用留一法对第一预测模型、第二预测模型和第三预测模型分别进行交叉验证,选取其中拟合决定系数R2最大的作为最佳预测模型。
具体地,根据样品冷冻畜肉获取最佳预测模型的过程如下:
样品冷冻畜肉组在温度25±5℃的条件下,解冻2~4h,去除外包装塑料薄膜,得到表面解冻样品,以滤纸吸去样品表面水分备用。
将各个表面解冻的畜肉样品放置于上述预测装置中进行图像采集、图像处理及数据分析,建立并筛选出最佳预测模型。
将待检冷冻畜肉样品进行冷冻畜肉储藏周期的快速无损预测系统中,获取该待检样品的特征分量均值、差值或方差,并带入最佳预测模型中,得出该样品的储藏周期预测结果。
进一步地,冷冻畜肉为猪肉、羊肉、牛肉及市售红肉冷冻状态产品中的一种。
进一步地,采样部位为根据国标划分的任意畜肉部位。
进一步地,冷冻畜肉样品组与待检冷冻畜肉样品为相同肉种的相同部位。
进一步地,最佳预测模型为采用样品均值样品集、差值样品集和方差样品集所构建的3个单因变量简化偏最小二乘算法预测模型中R2最大的一个。
为了对本发明实施例提出的一种冷冻畜肉预测装置进行验证,冷冻畜肉样品为冷冻猪IV号原料肉,即根据国标GB/T 9959.2-2008《分割鲜、冻猪瘦肉》描述的每片猪肉按不同部位分割成的去皮、去骨、去皮下脂肪的肌肉中的从腰椎到荐椎连接处斩下的后腿部位肌肉,其质量为2.4Kg,将其在26℃下放置3h,去除其塑料包装膜,用滤纸吸去表面化冻的冰水。
将其放着在载物台上,设置角度旋转的步长为90°,位移步长为0.2cm,按下外部触发器按钮进行图像采集,获得该样品在0°、90°及180°角度下的清晰图像。
以0°角度下拍摄的图像为例,所得图像经图像处理后,得到尺寸为最小外界矩形的目标物图像,经高频提升等相关算法处理后得到该目标物的脂肪区域,最终获得用于后续数据分析的目标物兴趣区。
在经过灰度空间、RGB、HSV空间、Lab空间及YCbCr空间的数据转换和归一化后,对该图像的各颜色特征分量进行均值、差值及方差运算。同理,90°及180°角度下的图像也进行相同操作。
将0°、90°及180°图像中目标物兴趣区的各特征分量均值、差值及方差再次取均值,得到该样品的特征分量均值、差值及方差。
将所有样品根据计算形式分别建立均值样品集、差值样品集、方差样品集。
采用改进KS法划分以上3个样品集,以马氏距离作为样品排序标准、以K折法划分校正集与验证集的比例,K的取值范围为4-10,即每个样品集制备比例为3:1、4:1、5:1、6:1、7:1、8:1、9:1的7套校正集与验证集。
将每个样品集与储藏周期相关联,并以上述7套不同比例的校正集和验证集分别构建关于样品特征分量均值、差值及方差的单因素简化偏最小二乘算法预测模型。
构建偏最小二乘法模型是一项成熟技术,在此不再赘述。
通过计算,共得到21个回归预测模型,先进行组内比较,再进行组间比较,获得拟合决定系数R2最大的样品特征分量均值回归模型。
由图7可见该模型的性能,图7表示由冷冻猪IV号肉样品均值矩阵提取的2个主成分示意图,即可表达原有变量绝大部分信息,贡献率之和大于0.9;
图8中均方误差反映出自变量矩阵和变量矩阵的估计量与被估计量之间差异示意图,如图8所示,该差异程度均小于0.1;
图9表示所构建最优预测模型示意图,如图9所示,拟合决定系数R2=0.8061,其关系方程如下:
Y=1.2426-0.3398×Imean-0.2486×Rmean-0.3562×Gmean-0.3914×Bmean+0.0843×Hmean+0.2266×Smean-0.2539×Vmean-0.2539×Lmean-0.0722×amean+0.2380×bmean-0.3914×Ymean+0.1350×Cbmean-0.1808×Crmean;
将此均值回归模型作为最佳预测模型,存入数据处理单元,在进行待检冷冻猪IV号肉样品时,只需获取该样品颜色特征分量的均值并带入以确定最优预测模型,即可获知储藏周期的预测结果。
本发明基于计算机视觉的冷冻畜肉储藏周期的快速无损预测系统及方法,采集了多张冷冻畜肉样品不同位置的清晰图像,将冷冻畜肉目标物中与储藏周期相关的红肉兴趣区分离出来,对其在不同颜色空间下的特征分量均值、差值及方差进行基于偏最小二乘法的统计学分析,有效地提取了对系统解释性最强的综合变量,同时剔除了多重相关信息和无解释意义信息的干扰,提高了模型预测性能的稳健性和准确性。此外,本发明除样品解冻环节外,无人为参与,实现了自动采集、识别、提取、分析的快速智能化操作,弥补了目前国内对冷冻畜肉储藏周期的快速无损预测的空缺。
图10为本发明实施例一种冷冻畜肉储藏周期预测方法的流程图,如图10所示,该方法包括:
S1,采集待测冷冻畜肉若干个角度的初始测试图像,并采集若干种样品冷冻畜肉若干个角度的初始样本图像;
S2,根据每一初始测试图像获取所述待测冷冻畜肉对应的测试均值、测试差值和测试方差,所述待测冷冻畜肉对应的测试均值为所有初始测试图像对应的归一化颜色特征分量的均值,所述待测冷冻畜肉对应的测试差值为所有初始测试图像对应的归一化颜色特征分量最大值与最小值之差,所述待测冷冻畜肉对应的测试方差为所述任一初始测试图像归一化颜色特征分量的方差;
并根据每一初始样本图像获取每一样品冷冻畜肉对应的样本均值、样本差值和样本方差,对于任一样品冷冻畜肉,所述任一样品冷冻畜肉对应的样本均值为所述任一样品冷冻畜肉对应的所有初始样本图像归一化颜色特征分量的均值,所述任一样品冷冻畜肉对应的测试差值为所述任一样品冷冻畜肉对应的所有初始样本图像归一化颜色特征分量最大值与最小值之差,所述任一样品冷冻畜肉对应的测试方差为所述任一样品冷冻畜肉对应的所有初始样本图像归一化颜色特征分量的方差;
S3,根据每一样品冷冻畜肉对应的样本均值和每一初始样本图像的储藏周期,获取第一预测模型,根据每一样品冷冻畜肉对应的样本差值和每一初始样本图像的储藏周期,获取第二预测模型,根据每一样品冷冻畜肉对应的样本方差和每一初始样本图像的储藏周期,获取第三预测模型,从所述第一预测模型、所述第二预测模型和所述第三预测模型中选择一个作为最优预测模型;
若所述第一预测模型为所述最优预测模型,将所述待测冷冻畜肉的测试均值输入所述最佳预测模型中,获取所述待测冷冻畜肉的储藏周期;
若所述第二预测模型为所述最优预测模型,将所述待测冷冻畜肉的测试差值输入所述最佳预测模型中,获取所述待测冷冻畜肉的储藏周期;
若所述第三预测模型为所述最优预测模型,将所述待测冷冻畜肉的测试方差输入所述最佳预测模型中,获取所述待测冷冻畜肉的储藏周期。
本方法实施例的具体执行过程与上述装置实施例的具体执行过程相同,详情请参考上述装置实施例,本方法实施例在此不再赘述。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上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各实施例技术方案的精神和范围。
Claims (10)
1.一种冷冻畜肉储藏周期预测装置,其特征在于,包括:图像采集单元、图像处理单元和数据处理单元,其中:
所述图像采集单元用于采集待测冷冻畜肉若干个角度的初始测试图像,并采集若干种样品冷冻畜肉若干个角度的初始样本图像;
所述图像处理单元用于根据每一初始测试图像获取所述待测冷冻畜肉对应的测试均值、测试差值和测试方差,所述待测冷冻畜肉对应的测试均值为所有初始测试图像对应的归一化颜色特征分量的均值,所述待测冷冻畜肉对应的测试差值为所有初始测试图像对应的归一化颜色特征分量最大值与最小值之差,所述待测冷冻畜肉对应的测试方差为所述任一初始测试图像归一化颜色特征分量的方差;
并根据每一初始样本图像获取每一样品冷冻畜肉对应的样本均值、样本差值和样本方差,对于任一样品冷冻畜肉,所述任一样品冷冻畜肉对应的样本均值为所述任一样品冷冻畜肉对应的所有初始样本图像归一化颜色特征分量的均值,所述任一样品冷冻畜肉对应的测试差值为所述任一样品冷冻畜肉对应的所有初始样本图像归一化颜色特征分量最大值与最小值之差,所述任一样品冷冻畜肉对应的测试方差为所述任一样品冷冻畜肉对应的所有初始样本图像归一化颜色特征分量的方差;
所述数据处理单元用于根据每一样品冷冻畜肉对应的样本均值和每一初始样本图像的储藏周期,获取第一预测模型,根据每一样品冷冻畜肉对应的样本差值和每一初始样本图像的储藏周期,获取第二预测模型,根据每一样品冷冻畜肉对应的样本方差和每一初始样本图像的储藏周期,获取第三预测模型,从所述第一预测模型、所述第二预测模型和所述第三预测模型中选择一个作为最优预测模型;
若所述第一预测模型为所述最优预测模型,将所述待测冷冻畜肉的测试均值输入所述最佳预测模型中,获取所述待测冷冻畜肉的储藏周期;
若所述第二预测模型为所述最优预测模型,将所述待测冷冻畜肉的测试差值输入所述最佳预测模型中,获取所述待测冷冻畜肉的储藏周期;
若所述第三预测模型为所述最优预测模型,将所述待测冷冻畜肉的测试方差输入所述最佳预测模型中,获取所述待测冷冻畜肉的储藏周期。
2.根据权利要求1所述装置,其特征在于,所述根据每一初始测试图像获取所述待测冷冻畜肉对应的测试均值、测试差值和测试方差,具体包括:
对于任一初始测试图像,对所述任一初始测试图像进行前景物与背景的分离,获得目标物图像;
获取所述目标物图像的最小外接矩形,将所述最小外接矩形范围内的目标物图像数据作为新图像;
提取所述新图像中的目标物兴趣区;
将所述目标物兴趣区在不同颜色空间下进行数据转换并归一化颜色特征分量;
获取归一化颜色特征分量的测试均值、测试差值和测试方差;
根据每一初始测试图像的测试均值、测试差值和测试方差,获取所述待测冷冻畜肉的测试均值、测试差值和测试方差。
3.根据权利要求2所述装置,其特征在于,对所述任一初始测试图像进行前景物与背景的分离,获得目标物图像,具体包括:
若所述任一初始测试图像与背景图像的对应像素点灰度差值,大于背景图像矩阵中各列最大灰度值的中值,则该像素点即为冷冻畜肉图像中前景目标物的像素,并赋予该像素原始值,如否,则赋值为0。
4.根据权利要求2所述装置,其特征在于,所述将所述目标物兴趣区在不同颜色空间下进行数据转换并归一化颜色特征分量,具体包括:
将所述目标物兴趣区在灰度空间、RGB空间、HSV空间、Lab空间及YCbCr空间内进行数据转换后获得相应空间的特征分量,再除以该分量取值范围的最大值。
5.根据权利要求2所述装置,其特征在于,所述获取归一化颜色特征分量的测试均值、测试差值和测试方差,具体包括:
求取图像特征分量的均值、差值及方差即对每一张兴趣区图像在不同颜色空间下的非零特征分量归一化值进行均值、最大值与最小值的差值及方差的计算。
6.根据权利要求1所述装置,其特征在于,所述从所述第一预测模型、所述第二预测模型和所述第三预测模型中选择一个作为最优预测模型,具体包括:
采用留一法对所述第一预测模型、所述第二预测模型和所述第三预测模型分别进行交叉验证,选取其中拟合决定系数最大的作为所述最佳预测模型。
7.根据权利要求1所述装置,其特征在于,所述图像采集单元包含暗箱、载物台、自适应图像采集模块、直流开关稳压电源、外部触发器,其中,所述自适应图像采集模块包括漫反射LED光源、定焦CCD相机、数控移动支架,所述数控移动支架是由支架底座、位移悬臂、角度旋转臂、2台直流马达、位移传感器、倾斜角度传感器、单片机构成;
所述位移悬臂的垂直部分套装于所述角度旋转臂的轨道中;
所述漫反射LED光源和所述定焦CCD相机安装于所述位移悬臂的水平部分上;
所述位移传感器两端分别安装于所述位移悬臂的垂直部分和所述角度旋转臂上;
所述倾斜角度传感器安装于所述角度旋转臂侧面;
2台直流马达分别安装于所述角度旋转臂与所述支架底座的连接处、及所述角度旋转臂与所述位移悬臂的轨道处;
所述单片机安装于所述支架底座的侧面。
8.根据权利要求7所述装置,其特征在于,包括:所述角度旋转臂可做0~180°的转动,所述位移悬臂可按照预设位移量伸缩移动,所述角度旋转臂的初始状态为0°,所述位移悬臂的初始位移为0cm,角度检测由所述倾斜度角度传感器控制,位移量检测由微型铰接直线位移传感器控制,所测数据传输至所述单片机。
9.根据权利要求7所述装置,其特征在于,还包括:
由所述外部触发器给所述单片机启动触发信号,所述自适应图像采集模块将当前角度与预设角度进行比较,如相等则触发中断,所述角度旋转臂停止移动;
如所述当前角度小于所述预设角度,则不触发,所述角度旋转臂继续移动,直到所述当前角度的下一个角度与所述预设角度相等时停止,
当所述角度旋转臂停止移动时,触发所述定焦CCD相机采集图像,并在所述当前角度下采用灰度方差乘积法对所采图像进行图像清晰度判别,判断标准为图像灰度方差乘积最大,如未达到要求,则触发所述位移悬臂的移动,通过所述位移悬臂垂直部分进行设定步长的延长或缩短来调整物距并拍照,循环计算灰度方差乘积直至达到判断标准,所采集图像数据通过单片机的USB端口输出至计算机;
此时触发所述位移悬臂恢复到初始位置并触发所述角度旋转臂移动至下一角度,直至完成所有设定角度下的图像采集和输出,数控移动支架的位移悬臂及角度旋转臂恢复到初始状态,并等候下一个触发信号。
10.一种冷冻畜肉储藏周期预测方法,其特征在于,包括:
S1,采集待测冷冻畜肉若干个角度的初始测试图像,并采集若干种样品冷冻畜肉若干个角度的初始样本图像;
S2,根据每一初始测试图像获取所述待测冷冻畜肉对应的测试均值、测试差值和测试方差,所述待测冷冻畜肉对应的测试均值为所有初始测试图像对应的归一化颜色特征分量的均值,所述待测冷冻畜肉对应的测试差值为所有初始测试图像对应的归一化颜色特征分量最大值与最小值之差,所述待测冷冻畜肉对应的测试方差为所述任一初始测试图像归一化颜色特征分量的方差;
并根据每一初始样本图像获取每一样品冷冻畜肉对应的样本均值、样本差值和样本方差,对于任一样品冷冻畜肉,所述任一样品冷冻畜肉对应的样本均值为所述任一样品冷冻畜肉对应的所有初始样本图像归一化颜色特征分量的均值,所述任一样品冷冻畜肉对应的测试差值为所述任一样品冷冻畜肉对应的所有初始样本图像归一化颜色特征分量最大值与最小值之差,所述任一样品冷冻畜肉对应的测试方差为所述任一样品冷冻畜肉对应的所有初始样本图像归一化颜色特征分量的方差;
S3,根据每一样品冷冻畜肉对应的样本均值和每一初始样本图像的储藏周期,获取第一预测模型,根据每一样品冷冻畜肉对应的样本差值和每一初始样本图像的储藏周期,获取第二预测模型,根据每一样品冷冻畜肉对应的样本方差和每一初始样本图像的储藏周期,获取第三预测模型,从所述第一预测模型、所述第二预测模型和所述第三预测模型中选择一个作为最优预测模型;
若所述第一预测模型为所述最优预测模型,将所述待测冷冻畜肉的测试均值输入所述最佳预测模型中,获取所述待测冷冻畜肉的储藏周期;
若所述第二预测模型为所述最优预测模型,将所述待测冷冻畜肉的测试差值输入所述最佳预测模型中,获取所述待测冷冻畜肉的储藏周期;
若所述第三预测模型为所述最优预测模型,将所述待测冷冻畜肉的测试方差输入所述最佳预测模型中,获取所述待测冷冻畜肉的储藏周期。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811641009.5A CN109612950B (zh) | 2018-12-29 | 2018-12-29 | 一种冷冻畜肉储藏周期预测装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811641009.5A CN109612950B (zh) | 2018-12-29 | 2018-12-29 | 一种冷冻畜肉储藏周期预测装置及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109612950A true CN109612950A (zh) | 2019-04-12 |
CN109612950B CN109612950B (zh) | 2021-04-30 |
Family
ID=66017108
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811641009.5A Active CN109612950B (zh) | 2018-12-29 | 2018-12-29 | 一种冷冻畜肉储藏周期预测装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109612950B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113792916A (zh) * | 2021-08-27 | 2021-12-14 | 中国肉类食品综合研究中心 | 一种基于包装状态的冷冻畜肉品质监控预警方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009087258A1 (es) * | 2008-01-10 | 2009-07-16 | Universidad De Santiago De Chile | Dispositivo portátil y método para determinar la calidad de un trozo de carne |
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 |
CN104049068A (zh) * | 2014-06-06 | 2014-09-17 | 中国肉类食品综合研究中心 | 生鲜畜肉新鲜度的无损测定装置及测定方法 |
CN104089881A (zh) * | 2013-12-17 | 2014-10-08 | 浙江工商大学 | 大黄鱼存储时间检测方法 |
CN105277516A (zh) * | 2015-11-16 | 2016-01-27 | 江苏大学 | 一种基于激光成像技术的猪肉新鲜度的快速检测方法 |
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 |
JP2016085117A (ja) * | 2014-10-27 | 2016-05-19 | 国立研究開発法人農業・食品産業技術総合研究機構 | デジタルカメラ画像データを用いた鮮度判定方法 |
CN106570855A (zh) * | 2016-07-22 | 2017-04-19 | 北京农业信息技术研究中心 | 猪肉新鲜度快速判定的方法及系统 |
CN108362652A (zh) * | 2018-03-02 | 2018-08-03 | 江南大学 | 一种基于证据理论的物体新鲜度无损检测方法 |
-
2018
- 2018-12-29 CN CN201811641009.5A patent/CN109612950B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009087258A1 (es) * | 2008-01-10 | 2009-07-16 | Universidad De Santiago De Chile | Dispositivo portátil y método para determinar la calidad de un trozo de carne |
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 |
CN104089881A (zh) * | 2013-12-17 | 2014-10-08 | 浙江工商大学 | 大黄鱼存储时间检测方法 |
CN104049068A (zh) * | 2014-06-06 | 2014-09-17 | 中国肉类食品综合研究中心 | 生鲜畜肉新鲜度的无损测定装置及测定方法 |
JP2016085117A (ja) * | 2014-10-27 | 2016-05-19 | 国立研究開発法人農業・食品産業技術総合研究機構 | デジタルカメラ画像データを用いた鮮度判定方法 |
CN105277516A (zh) * | 2015-11-16 | 2016-01-27 | 江苏大学 | 一种基于激光成像技术的猪肉新鲜度的快速检测方法 |
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 |
CN106570855A (zh) * | 2016-07-22 | 2017-04-19 | 北京农业信息技术研究中心 | 猪肉新鲜度快速判定的方法及系统 |
CN108362652A (zh) * | 2018-03-02 | 2018-08-03 | 江南大学 | 一种基于证据理论的物体新鲜度无损检测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113792916A (zh) * | 2021-08-27 | 2021-12-14 | 中国肉类食品综合研究中心 | 一种基于包装状态的冷冻畜肉品质监控预警方法及系统 |
CN113792916B (zh) * | 2021-08-27 | 2023-09-15 | 中国肉类食品综合研究中心 | 一种基于包装状态的冷冻畜肉品质监控预警方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109612950B (zh) | 2021-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Hyperspectral imaging sensing of changes in moisture content and color of beef during microwave heating process | |
Ma et al. | Protein content evaluation of processed pork meats based on a novel single shot (snapshot) hyperspectral imaging sensor | |
CN106525849B (zh) | 茶叶智能化拼配方法与系统 | |
WO2020207293A1 (zh) | 一种用于自动烹饪食物的方法和装置 | |
Sun et al. | Prediction of pork loin quality using online computer vision system and artificial intelligence model | |
Cheng et al. | Rapid and non-invasive detection of fish microbial spoilage by visible and near infrared hyperspectral imaging and multivariate analysis | |
Liu et al. | Combination of spectra and texture data of hyperspectral imaging for prediction of pH in salted meat | |
Cheng et al. | Non-destructive and rapid determination of TVB-N content for freshness evaluation of grass carp (Ctenopharyngodon idella) by hyperspectral imaging | |
He et al. | Rapid and non-destructive determination of drip loss and pH distribution in farmed Atlantic salmon (Salmo salar) fillets using visible and near-infrared (Vis–NIR) hyperspectral imaging | |
Liu et al. | Prediction of color and pH of salted porcine meats using visible and near-infrared hyperspectral imaging | |
Xiong et al. | Potential of hyperspectral imaging for rapid prediction of hydroxyproline content in chicken meat | |
CN102564964B (zh) | 基于光谱图像的肉品品质可视化非接触检测方法 | |
CN105717051A (zh) | 一种快速检测果蔬新鲜度的系统及冰箱 | |
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 | |
CN102854148A (zh) | 基于多光谱图像技术的生鲜牛肉嫩度检测分级系统 | |
CN110675400B (zh) | 一种基于手机app的羊肉品质指标快速智能检测方法 | |
da Silva Cotrim et al. | Short convolutional neural networks applied to the recognition of the browning stages of bread crust | |
CN110132890A (zh) | 根据食材成分优化无人厨房烹饪操作的方法及装置 | |
CN108662842A (zh) | 冰箱内食物的检测系统与冰箱 | |
Ghasemi-Varnamkhasti et al. | Application of image analysis combined with computational expert approaches for shrimp freshness evaluation | |
CN109612950A (zh) | 一种冷冻畜肉储藏周期预测装置及方法 | |
Retz et al. | Effect of maturation and freezing on quality and drying kinetics of beef | |
Wang et al. | Prediction of total volatile basic nitrogen (TVB-N) and 2-thiobarbituric acid (TBA) of smoked chicken thighs using computer vision during storage at 4° C | |
Kaewthong et al. | Imaging analysis by digital camera for separating broiler breast meat with low water-holding capacity | |
CN105447891B (zh) | 冷冻肉新鲜程度的评估方法及系统 |
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 |