CN110118753A - 一种基于散射高光谱光学特性的肉品脂肪含量检测方法 - Google Patents
一种基于散射高光谱光学特性的肉品脂肪含量检测方法 Download PDFInfo
- Publication number
- CN110118753A CN110118753A CN201910374509.5A CN201910374509A CN110118753A CN 110118753 A CN110118753 A CN 110118753A CN 201910374509 A CN201910374509 A CN 201910374509A CN 110118753 A CN110118753 A CN 110118753A
- Authority
- CN
- China
- Prior art keywords
- scattering
- meat
- measured
- distance
- fat
- 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
- G01N21/47—Scattering, i.e. diffuse reflection
- G01N21/49—Scattering, i.e. diffuse reflection within a body or fluid
Landscapes
- Physics & Mathematics (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
本发明公开了一种基于散射高光谱光学特性的肉品脂肪含量检测方法,包括以下步骤:S1得到去除肌内脂肪的肌肉;S2采集脂肪和去除肌内脂肪肌肉的高光谱点散射光谱图像;S3计算脂肪和去除肌内脂肪肌肉的标准散射光谱光学特性特征值P;S4采集待测肉品散射高光谱图像,计算其散射光谱光学特性特征值,并计算相对散射光谱光学特性特征值Pt;S5建立脂肪预测模型并对待测肉品的脂肪含量进行预测。本发明的肉品脂肪含量检测方法,用散射高光谱光学特性作为特征,以标准品光学特征作为参考计算,具有较高的预测精度和稳定性。
Description
技术领域
本发明涉及肉品品质无损检测领域,特别涉及一种基于散射高光谱光学特性的肉品脂肪含量检测方法。
背景技术
肉品营养丰富,味道鲜美,是人们餐桌上常见是食品之一,同时也是人们蛋白质的主要摄入来源之一。随着人们生活水平的提高,人们注重健康饮食,并追求高质量蛋白摄入,希望更少的脂肪摄入。然而,对于肉类,即使是人们比较喜欢吃的瘦肉(肌肉部分),也存在一定比例的脂肪。为了控制脂肪的摄入,肉类的脂肪含量检测就成了人们关注的焦点。
目前,传统肉品脂肪检测方法依然是主流,一般通过人工感官评价法和化学分析方法来实现。这些方法操作过程繁琐,人为主观影响较大,检测效率较低,对样品的损伤不可逆转。
基于光谱、成像技术的无损检测技术在近年也被用在肉品脂肪检测上,然而单纯的光谱法很难对整个样品的脂肪信息进行预测并可视化分析,现有的成像光谱技术一般采用选择特征光谱简化模型,用特征光谱值或对应的图像纹理值进行分析,这种方法用到的数学算法较为复杂,且没有考虑到肉类脂肪含量对其光学特性的影响。
散射高光谱成像技术运用其光学特性进行分析,改善了部分传统高光谱成像技术的弊端,然而现有的散射高光谱成像技术的分析方法还是沿袭了传统高光谱技术的分析手段,没有将待测样品的标准样品作为参考,并实现混合建模。
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散射高光谱光学特性的肉品脂肪含量检测方法,检测精度高。
本发明的目的通过以下技术方案实现:
一种基于散射高光谱光学特性的肉品脂肪含量检测方法,包括以下步骤:
S1将待测肉类的肌肉部分去除肌内脂肪;
S2采集肉品脂肪和去除肌内脂肪肌肉的高光谱点散射光谱图像;
S3计算脂肪和去除肌内脂肪肌肉的标准散射光谱光学特性特征值P;
S4采集待测肉品散射高光谱图像,计算待测肉品散射光谱光学特性特征值;计算待测肉品相对散射光谱光学特性特征值Pp;
S5用Pp作为输入参数,建立回归模型,对肉品的脂肪含量进行预测。
为进一步实现本发明目的,优选地,步骤S1所述的肉类为畜类、禽类、两栖类的鲜肉、冷冻肉、冷藏肉或加工过的肉。
优选地,步骤S1所述的将待测肉类的肌肉部分去除肌内脂肪是通过索氏提取器去除。
优选地,步骤S3计算脂肪和去除肌内脂肪肌肉的标准散射光谱光学特性特征值P是分别计算光谱维度的平均散射距离L1和散射距离方差S;分别选择散射距离最长和最短的波段作为特征波段,并分别计算特征波段的最长散射距离L2、半衰距离L3、散射距离曲线一阶导数均值D1、散射距离曲线二阶导数均值D2;对平均光谱的散射距离进行洛伦兹函数拟合,并用拟合参数计算光谱散射距离曲线的洛伦兹特性C;得到标准散射光谱光学特性特征值P={L1,L2,L3,S,D1,D2,C};L1、L2、L3、S、D1、D2和C都涉及肉品脂肪和去除肌内脂肪肌肉相应的特征值;其中,肉品脂肪相应的特征值为脂肪光谱维度的平均散射距离L1f,脂肪最长散射距离L2f,脂肪半衰距离L3f,脂肪散射距离方差Sf,脂肪散射距离曲线一阶导数均值D1f,脂肪散射距离曲线二阶导数均值D2f,脂肪洛伦兹特性Cf;去除肌内脂肪肌肉相应的特征值为去除肌内脂肪肌肉光谱维度的平均散射距离L1m,去除肌内脂肪肌肉最长散射距离L2m,去除肌内脂肪肌肉半衰距离L3m,去除肌内脂肪肌肉散射距离方差Sm,去除肌内脂肪肌肉散射距离曲线一阶导数均值D1m,去除肌内脂肪肌肉散射距离曲线二阶导数均值D2m,去除肌内脂肪肌肉洛伦兹特性Cm。
优选地,步骤S3所述的洛伦兹函数拟合的拟合函数为:
所述的用拟合参数计算光谱散射距离曲线的洛伦兹特性C的计算公式为:
l是散射距离,R是散射强度;a、b、c、d分别是拟合参数;拟合参数a、b、c、d是计算值或经验值。
优选地,所述的半衰距离L3为光谱散射值为最大散射值的一半时的散射距离。
优选地,步骤S4计算待测肉品散射光谱光学特性特征值Pt={L1t,L2t,L3t,St,D1t,D2t,Ct};待测肉品散射光谱光学特性特征值为待测肉品光谱维度的平均散射距离L1t,待测肉品最长散射距离L2t,待测肉品半衰距离L3t,待测肉品散射距离方差St,待测肉品散射距离曲线一阶导数均值D1t,待测肉品散射距离曲线二阶导数均值D2t,待测肉品洛伦兹特性Ct。
优选地,步骤S4计算待测肉品相对散射光谱光学特性特征值Pp={L1p,L2pl,L2ps,L3pl,L3ps,Spf,Spm,D1pl,D1ps,D2pl,D2ps,Cpf,Cpm}的公式为:
带有下标p是待测肉品相对散射光谱光学特性特征值,带有下标t的是待测肉品散射光谱光学特性特征值,带有下标m的是去除肌内脂肪肌肉的标准散射光谱光学特性特征值,带有下标f的是脂肪的标准散射光谱光学特性特征值,带有下标l的是散射距离最长的波段,带有下标s的是散射距离最短的波段。Cpm为待测肉品与去除肌内脂肪肌肉拟合的洛伦兹特性;Cpf为待测肉品与脂肪拟合的洛伦兹特性;D2ps为待测肉品散射距离最短的波段的散射距离曲线相对二阶导数均值;D2pl为待测肉品散射距离最长的波段的散射距离曲线二阶导数均值;D1pl为待测肉品散射距离最长的波段的散射距离曲线相对一阶导数均值;D1ps待测肉品散射距离最短的波段的散射距离曲线相对一阶导数均值;Spm为待测肉品与去除肌内脂肪肌肉的散射距离相对方差比值;Spf为待测肉品与脂肪的散射距离相对方差比值;L3ps为待测肉品散射距离最长的波段的相对半衰距离;L3pl为待测肉品散射距离最长的波段的相对最长散射距离;L2ps为待测肉品散射距离最长的相对最长散射距离;L2pl为待测肉品散射距离最长的波段的相对最长散射距离;L1p为待测肉品相对平均散射距离。
步骤S5所述的用Pp作为输入参数为相对散射光谱光学特性特征值Pp的全部参数或部分参数。
步骤S5用Pp作为输入参数,建立回归模型是用Pp作为输入参数,用传统方法检测待测肉品脂肪含量,建立回归模型,对肉品的脂肪含量进行预测,并进行可视化分布。
与现有技术相比,本发明具有以下优点和有益效果:
(1)本发明采用计算高光谱散射光谱光学特性特征值的方法,降低了光谱数据的维度,更好的表征了光谱曲线的变化规律。
(2)本发明采用了将肉品脂肪和去除肌内脂肪肌肉作为标准品的方式,将标准品的参数带入到模型中,提高了模型的预测精度。
(3)本发明用待测样品的特征值与标准品的特征值建立数学关系,联立建模,提高了模型的稳定性。
附图说明
图1为本发明的实施例的基于散射高光谱光学特性的肉品脂肪含量检测方法的流程图。
具体实施方式
为更好地理解本发明,下面结合附图及实施例对本发明作进一步的说明,但本发明的实施方式不限于此。
实施例
如图1所示,本实施例的基于散射高光谱光学特性的肉品脂肪含量检测方法,包括如下步骤:
从当地超市购买猪肉背最长条肌,猪肉脂肪、五花肉、后腿肉各10斤。将其切割成2cm的肉片各50片备用。在剩余的猪肉背最长条肌中切10块3×3×2cm的肉块作为去除肌内脂肪肌肉的标准样品,并在索氏提取器内抽提16小时,取出后在40℃真空干燥2小时。在剩余的猪肉脂肪中切10块3×3×2cm的肉块作为脂肪的标准样品。
分别采集本实施例制备的猪肉的脂肪和去除肌内脂肪肌肉的标准样品的散射高光谱图像:将样本表面水分擦干、处理平整后置于散射高光谱图像采集室的载物台上;调节曝光时间及镜头焦距,曝光时间为30ms;调节光斑大小,使之直径在5mm;调节光源角度,使光线与载物台平面呈75度角;调节光斑与相机视野的距离,使距离在3mm。设置完成后,启动装置,采集散射高光谱图像,并经过黑、白参考校正,去除图像采集时产生的噪声。分析标准品的高光谱图像,得到标准散射光谱光学特性平均特征值P={L1,L2,L3,S,D1,D2,C}。
标准散射光谱光学特性平均特征值P具体通过如下方法得到:
分别计算光谱维度的平均散射距离L1和散射距离方差S;分别选择散射距离最长和最短的波段作为特征波段,并分别计算特征波段的最长散射距离L2、半衰距离L3、散射距离曲线一阶导数均值D1、散射距离曲线二阶导数均值D2;对平均光谱的散射距离进行洛伦兹函数拟合,并用拟合参数计算光谱散射距离曲线的洛伦兹特性C;得到标准散射光谱光学特性特征值P={L1,L2,L3,S,D1,D2,C};L1、L2、L3、S、D1、D2和C都涉及肉品脂肪和去除肌内脂肪肌肉相应的特征值;其中,肉品脂肪相应的特征值为脂肪光谱维度的平均散射距离L1f,脂肪最长散射距离L2f,脂肪半衰距离L3f,脂肪散射距离方差Sf,脂肪散射距离曲线一阶导数均值D1f,脂肪散射距离曲线二阶导数均值D2f,脂肪洛伦兹特性Cf;去除肌内脂肪肌肉相应的特征值为去除肌内脂肪肌肉光谱维度的平均散射距离L1m,去除肌内脂肪肌肉最长散射距离L2m,去除肌内脂肪肌肉半衰距离L3m,去除肌内脂肪肌肉散射距离方差Sm,去除肌内脂肪肌肉散射距离曲线一阶导数均值D1m,去除肌内脂肪肌肉散射距离曲线二阶导数均值D2m,去除肌内脂肪肌肉洛伦兹特性Cm。
所述的洛伦兹函数拟合的拟合函数为:
所述的用拟合参数计算光谱散射距离曲线的洛伦兹特性C的计算公式为:
l是散射距离,R是散射强度;a、b、c、d分别是拟合参数;拟合参数a、b、c、d是计算值或经验值。
半衰距离L3为光谱散射值为最大散射值的一半时的散射距离。
用相同的方法采集猪肉背最长条肌,猪肉脂肪、五花肉、后腿肉待测肉品的高光谱图像。分析待测肉品的高光谱图像,计算待测肉品散射光谱光学特性特征值Pt={L1t,L2t,L3t,St,D1t,D2t,Ct},并计算得到相对散射光谱光学特性特征值Pp={L1p,L2pl,L2ps,L3pl,L3ps,Spf,Spm,D1pl,D1ps,D2pl,D2ps,Cpf,Cpm}。
半衰距离L3为光谱散射值为最大散射值的一半时的散射距离。
计算待测肉品散射光谱光学特性特征值Pt={L1t,L2t,L3t,St,D1t,D2t,Ct}中,包括待测肉品光谱维度的平均散射距离L1t,待测肉品最长散射距离L2t,待测肉品半衰距离L3t,待测肉品散射距离方差St,待测肉品散射距离曲线一阶导数均值D1t,待测肉品散射距离曲线二阶导数均值D2t,待测肉品洛伦兹特性Ct。
计算待测肉品相对散射光谱光学特性特征值Pp={L1p,L2pl,L2ps,L3pl,L3ps,Spf,Spm,D1pl,D1ps,D2pl,D2ps,Cpf,Cpm}的公式为:
带有下标p是待测肉品相对散射光谱光学特性特征值,带有下标t的是待测肉品散射光谱光学特性特征值,带有下标m的是去除肌内脂肪肌肉的标准散射光谱光学特性特征值,带有下标f的是脂肪的标准散射光谱光学特性特征值,带有下标l的是散射距离最长的波段,带有下标s的是散射距离最短的波段。Cpm为待测肉品与去除肌内脂肪肌肉拟合的洛伦兹特性;Cpf为待测肉品与脂肪拟合的洛伦兹特性;D2ps为待测肉品散射距离最短的波段的散射距离曲线相对二阶导数均值;D2pl为待测肉品散射距离最长的波段的散射距离曲线二阶导数均值;D1pl为待测肉品散射距离最长的波段的散射距离曲线相对一阶导数均值;D1ps待测肉品散射距离最短的波段的散射距离曲线相对一阶导数均值;Spm为待测肉品与去除肌内脂肪肌肉的散射距离相对方差比值;Spf为待测肉品与脂肪的散射距离相对方差比值;L3ps为待测肉品散射距离最长的波段的相对半衰距离;L3pl为待测肉品散射距离最长的波段的相对最长散射距离;L2ps为待测肉品散射距离最长的相对最长散射距离;L2pl为待测肉品散射距离最长的波段的相对最长散射距离;L1p为待测肉品相对平均散射距离。
对采集过图像的待测肉品进行脂肪检测,采用国家标准GB 5009.6-2016中的脂肪检测方法进行检测,得到每一个待测肉品的脂肪含量。
用主成分分析法分析得到L1p、L2pl、L3ps、Spf、Spm、D1pl、Cpf和Cpm为8个特征参数,并用这8个特征参数建立偏最小二乘回归模型,得到的模型交叉验证集的决定系数(r)为95.83%,交叉验证均方差(RMSECV)为0.336。
用现有的高光谱成像技术,选取8个特征波长,预测猪肉脂肪含量,得到的模型交叉验证集的决定系数(r)为89.65%,交叉验证均方差(RMSECV)为0.512。
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 (8)
1.一种基于散射高光谱光学特性的肉品脂肪含量检测方法,其特征在于包括以下步骤:
S1将待测肉类的肌肉部分去除肌内脂肪;
S2采集肉品脂肪和去除肌内脂肪肌肉的高光谱点散射光谱图像;
S3计算脂肪和去除肌内脂肪肌肉的标准散射光谱光学特性特征值P;
S4采集待测肉品散射高光谱图像,计算待测肉品散射光谱光学特性特征值;计算待测肉品相对散射光谱光学特性特征值Pp;
S5用Pp作为输入参数,建立回归模型,对肉品的脂肪含量进行预测。
2.根据权利要求1所述的基于散射高光谱光学特性的肉品脂肪含量检测方法,其特征在于:步骤S1所述的肉类为畜类、禽类、两栖类的鲜肉、冷冻肉、冷藏肉或加工过的肉。
3.根据权利要求1所述的基于散射高光谱光学特性的肉品脂肪含量检测方法,其特征在于:步骤S1所述的将待测肉类的肌肉部分去除肌内脂肪是通过索氏提取器去除。
4.根据权利要求1所述的基于散射高光谱光学特性的肉品脂肪含量检测方法,其特征在于:步骤S3计算脂肪和去除肌内脂肪肌肉的标准散射光谱光学特性特征值P是分别计算光谱维度的平均散射距离L1和散射距离方差S;分别选择散射距离最长和最短的波段作为特征波段,并分别计算特征波段的最长散射距离L2、半衰距离L3、散射距离曲线一阶导数均值D1、散射距离曲线二阶导数均值D2;对平均光谱的散射距离进行洛伦兹函数拟合,并用拟合参数计算光谱散射距离曲线的洛伦兹特性C;得到标准散射光谱光学特性特征值P={L1,L2,L3,S,D1,D2,C};L1、L2、L3、S、D1、D2和C都涉及肉品脂肪和去除肌内脂肪肌肉相应的特征值;其中,肉品脂肪相应的特征值为脂肪光谱维度的平均散射距离L1f,脂肪最长散射距离L2f,脂肪半衰距离L3f,脂肪散射距离方差Sf,脂肪散射距离曲线一阶导数均值D1f,脂肪散射距离曲线二阶导数均值D2f,脂肪洛伦兹特性Cf;去除肌内脂肪肌肉相应的特征值为去除肌内脂肪肌肉光谱维度的平均散射距离L1m,去除肌内脂肪肌肉最长散射距离L2m,去除肌内脂肪肌肉半衰距离L3m,去除肌内脂肪肌肉散射距离方差Sm,去除肌内脂肪肌肉散射距离曲线一阶导数均值D1m,去除肌内脂肪肌肉散射距离曲线二阶导数均值D2m,去除肌内脂肪肌肉洛伦兹特性Cm。
5.根据权利要求4所述的基于散射高光谱光学特性的肉品脂肪含量检测方法,其特征在于:步骤S3所述的洛伦兹函数拟合的拟合函数为:
所述的用拟合参数计算光谱散射距离曲线的洛伦兹特性C的计算公式为:
l是散射距离,R是散射强度;a、b、c、d分别是拟合参数;拟合参数a、b、c、d是计算值或经验值。
6.根据权利要求4所述的基于散射高光谱光学特性的肉品脂肪含量检测方法,其特征在于:所述的半衰距离L3为光谱散射值为最大散射值的一半时的散射距离。
7.根据权利要求1所述的基于散射高光谱光学特性的肉品脂肪含量检测方法,其特征在于:步骤S4计算待测肉品散射光谱光学特性特征值Pt={L1t,L2t,L3t,St,D1t,D2t,Ct};待测肉品散射光谱光学特性特征值为待测肉品光谱维度的平均散射距离L1t,待测肉品最长散射距离L2t,待测肉品半衰距离L3t,待测肉品散射距离方差St,待测肉品散射距离曲线一阶导数均值D1t,待测肉品散射距离曲线二阶导数均值D2t,待测肉品洛伦兹特性Ct。
8.根据权利要求1所述的基于散射高光谱光学特性的肉品脂肪含量检测方法,其特征在于:步骤S4计算待测肉品相对散射光谱光学特性特征值Pp={L1p,L2pl,L2ps,L3pl,L3ps,Spf,Spm,D1pl,D1ps,D2pl,D2ps,Cpf,Cpm}的公式为:
带有下标p是待测肉品相对散射光谱光学特性特征值,带有下标t的是待测肉品散射光谱光学特性特征值,带有下标m的是去除肌内脂肪肌肉的标准散射光谱光学特性特征值,带有下标f的是脂肪的标准散射光谱光学特性特征值,带有下标l的是散射距离最长的波段,带有下标s的是散射距离最短的波段。Cpm为待测肉品与去除肌内脂肪肌肉拟合的洛伦兹特性;Cpf为待测肉品与脂肪拟合的洛伦兹特性;D2ps为待测肉品散射距离最短的波段的散射距离曲线相对二阶导数均值;D2pl为待测肉品散射距离最长的波段的散射距离曲线二阶导数均值;D1pl为待测肉品散射距离最长的波段的散射距离曲线相对一阶导数均值;D1ps待测肉品散射距离最短的波段的散射距离曲线相对一阶导数均值;Spm为待测肉品与去除肌内脂肪肌肉的散射距离相对方差比值;Spf为待测肉品与脂肪的散射距离相对方差比值;L3ps为待测肉品散射距离最长的波段的相对半衰距离;L3pl为待测肉品散射距离最长的波段的相对最长散射距离;L2ps为待测肉品散射距离最长的相对最长散射距离;L2pl为待测肉品散射距离最长的波段的相对最长散射距离;L1p为待测肉品相对平均散射距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910374509.5A CN110118753B (zh) | 2019-05-07 | 2019-05-07 | 一种基于散射高光谱光学特性的肉品脂肪含量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910374509.5A CN110118753B (zh) | 2019-05-07 | 2019-05-07 | 一种基于散射高光谱光学特性的肉品脂肪含量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110118753A true CN110118753A (zh) | 2019-08-13 |
CN110118753B CN110118753B (zh) | 2020-09-22 |
Family
ID=67521842
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910374509.5A Active CN110118753B (zh) | 2019-05-07 | 2019-05-07 | 一种基于散射高光谱光学特性的肉品脂肪含量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110118753B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101551341A (zh) * | 2009-04-09 | 2009-10-07 | 浙江大学 | 基于图像与光谱信息融合的肉品在线无损检测方法与装置 |
CN101776597A (zh) * | 2010-01-19 | 2010-07-14 | 中国农业大学 | 一种畜肉细菌总数无损检测方法 |
CN103558167A (zh) * | 2013-10-31 | 2014-02-05 | 华南理工大学 | 一种快速测定腌肉中氯化钠含量的方法 |
CN104655586A (zh) * | 2015-02-28 | 2015-05-27 | 华南理工大学 | 基于高光谱数据融合快速非接触监控鱼肉脂肪氧化的方法 |
CN104655761A (zh) * | 2015-02-28 | 2015-05-27 | 华南理工大学 | 一种基于多光谱成像在线测定鱼肉新鲜度指标k值的方法 |
CN104897581A (zh) * | 2015-05-29 | 2015-09-09 | 华南理工大学 | 基于高光谱的识别新鲜肉、冷却肉和冷冻肉的方法及装置 |
-
2019
- 2019-05-07 CN CN201910374509.5A patent/CN110118753B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101551341A (zh) * | 2009-04-09 | 2009-10-07 | 浙江大学 | 基于图像与光谱信息融合的肉品在线无损检测方法与装置 |
CN101776597A (zh) * | 2010-01-19 | 2010-07-14 | 中国农业大学 | 一种畜肉细菌总数无损检测方法 |
CN103558167A (zh) * | 2013-10-31 | 2014-02-05 | 华南理工大学 | 一种快速测定腌肉中氯化钠含量的方法 |
CN104655586A (zh) * | 2015-02-28 | 2015-05-27 | 华南理工大学 | 基于高光谱数据融合快速非接触监控鱼肉脂肪氧化的方法 |
CN104655761A (zh) * | 2015-02-28 | 2015-05-27 | 华南理工大学 | 一种基于多光谱成像在线测定鱼肉新鲜度指标k值的方法 |
CN104897581A (zh) * | 2015-05-29 | 2015-09-09 | 华南理工大学 | 基于高光谱的识别新鲜肉、冷却肉和冷冻肉的方法及装置 |
Non-Patent Citations (1)
Title |
---|
刘蓉 等: "近红外光谱无创血糖测量中背景扣除方法的研究", 《光谱学与光谱分析》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110118753B (zh) | 2020-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | Prediction of beef quality attributes using VIS/NIR hyperspectral scattering imaging technique | |
Wu et al. | Novel non-invasive distribution measurement of texture profile analysis (TPA) in salmon fillet by using visible and near infrared hyperspectral imaging | |
Ariana et al. | Evaluation of internal defect and surface color of whole pickles using hyperspectral imaging | |
Nolasco-Perez et al. | Comparison of rapid techniques for classification of ground meat | |
CN103257118A (zh) | 一种基于特征波段的鱼肉嫩度高光谱检测方法 | |
US20160356704A1 (en) | Nondestructive meat tenderness assessment | |
Iqbal et al. | An overview on principle, techniques and application of hyperspectral imaging with special reference to ham quality evaluation and control | |
BRPI1006077B1 (pt) | sistema para analisar uma ou mais propriedades de carne | |
CN108956604A (zh) | 一种基于高光谱图像技术识别中华绒螯蟹品质的方法 | |
Huang et al. | Rapid and non-invasive quantification of intramuscular fat content of intact pork cuts | |
Ma et al. | Development of simplified models for nondestructive testing of rice (with husk) protein content using hyperspectral imaging technology | |
Segtnan et al. | Fat distribution analysis in salmon fillets using non-contact near infrared interactance imaging: a sampling and calibration strategy | |
CN104965973A (zh) | 一种苹果霉心病多因子无损检测判别模型及其建立方法 | |
Li et al. | Nondestructive assessment of beef-marbling grade using hyperspectral imaging technology | |
CN109977095A (zh) | 烧烤肉制品熟度的预测模型及其建立方法 | |
JP2009526222A (ja) | 食品の質的パラメータの計算方法 | |
CN110118753A (zh) | 一种基于散射高光谱光学特性的肉品脂肪含量检测方法 | |
He et al. | Application of hyperspectral imaging technique for non-destructive pH prediction in salmon fillets | |
Whitworth et al. | Food quality assessment by NIR hyperspectral imaging | |
Alcayde et al. | Quality monitoring system for pork meat using computer vision | |
Carstensen et al. | Creating surface chemistry maps using multispectral vision technology | |
CN201051074Y (zh) | 多光谱肉类新鲜度人工智能测量系统 | |
CN110501310B (zh) | 一种基于非模型光学校正高光谱的食品检测方法 | |
Qiao et al. | Comparison between near infrared spectroscopy and hyperspectral imaging in predicting beef eating quality | |
Qin et al. | Research on the nondestructive detection of egg freshness based on image processing |
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 |