CN110322434A - 一种基于颜色空间变换和像素聚类的鱿鱼新鲜度鉴定方法 - Google Patents
一种基于颜色空间变换和像素聚类的鱿鱼新鲜度鉴定方法 Download PDFInfo
- Publication number
- CN110322434A CN110322434A CN201910523937.XA CN201910523937A CN110322434A CN 110322434 A CN110322434 A CN 110322434A CN 201910523937 A CN201910523937 A CN 201910523937A CN 110322434 A CN110322434 A CN 110322434A
- Authority
- CN
- China
- Prior art keywords
- squid
- image
- pixel cluster
- conversion space
- notation conversion
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于颜色空间变换和像素聚类的鱿鱼新鲜度鉴定方法,包括步骤:将鱿鱼解冻后,清洗干净,制备成鱿鱼样本;将其展开于工作台上,置于辅助光源照射区域,利用拍摄设备在不同角度对鱿鱼样本进行图像采集,获得原始鱿鱼图像;进行图像预处理,获得测试图像;对测试图像进行颜色空间变换和像素聚类,对测试图像的红色腐败区域进行提取并与鱿鱼总表面积进行比值计算,动态分析鱿鱼肉质变化情况,监测其腐烂速率。本发明利用图像处理技术,通过对拍摄的鱿鱼图像进行颜色空间变换和像素聚类分析获取其变质区域面积并与总表面积进行比值计算,从而实现对不同贮藏时长及温度下非接触、无损化的鱿鱼新鲜度动态监测鉴定。
Description
技术领域
本发明涉及水产品新鲜度鉴定技术领域,尤其涉及一种基于颜色空间变换和像素聚类的鱿鱼新鲜度鉴定方法。
背景技术
鱿鱼作为重要的近海渔获资源之一,其新鲜度是影响后续产品分级及加工适性的重要因素之一。在鱿鱼的收购、运输、深加工等各个环节中都需要对新鲜度进行实时、准确的鉴别。目前,评价鱿鱼新鲜度的方法主要包括:(1)感官评价法;(2)物理评价法;(3)化学评价法。其中,感官评价法是通过视觉和嗅觉两种主要途径,对鱿鱼的外观、色泽、气味、脏器、鲜活度进行评估。物理评价法的主要评价方式为僵硬指数法和激光法等,可以在现场实现鱿鱼新鲜度测定及确定不同种类鱿鱼的适宜贮藏温度。化学评价法即通过实验室测定鱿鱼体K值、氨基态氮等指标,实现对其肉质结构和微生物群落的准确判断。其优缺点如下:
(1)感官评价法可以及时提供鱿鱼的肉质信息,但评价人员需要经过专业培训,且评价结果受测评人员身体和心理状况影响较大,带有很强的主观性;
(2)物理评价法较为方便快捷、科学性强,但其获取的僵硬指数等指标在不同品种及贮藏温度下的变化率低,无法准确对品种和温度间差异做出响应;
(3)化学评价法主要通过对挥发性化合物、K值、氨基态氮等指标的鉴定实现品质分析,其精度较高,但评价过程中需要应用到电子鼻、气相色谱-质谱仪等设备,对测试人员的专业背景及仪器使用熟练度有较高要求,且实验需要获取部分鱿鱼组织并使用一系列有害试剂,会对样本造成一定程度的破坏和污染,无法在食品工业中大规模推广。
因此,本领域的技术人员致力于开发一种基于颜色空间变换和像素聚类的鱿鱼新鲜度鉴定方法,针对上述三种鱿鱼新鲜度评价方法存在的主观性强、效率低下、适用性差以及有毒有害等不足,利用图像处理技术,基于数码相机采集到的彩色鱿鱼图像进行分析,通过对拍摄的鱿鱼图像进行颜色空间变换和像素聚类分析获取其变质区域面积并与总表面积进行比值计算,从而实现对不同贮藏时长及温度下非接触、无损化的鱿鱼新鲜度动态监测鉴定。
发明内容
有鉴于现有技术的上述缺陷,本发明所要解决的技术问题是如何解决鱿鱼新鲜度评价方法存在的主观性强、效率低下、适用性差以及有毒有害等不足的问题,实现对不同贮藏时长及温度下非接触、无损化的鱿鱼新鲜度动态监测鉴定。
为实现上述目的,本发明提供了一种基于颜色空间变换和像素聚类的鱿鱼新鲜度鉴定方法,其特征在于,所述方法包括以下步骤:
步骤1、将鱿鱼解冻后,清洗干净,制备成作为新鲜度鉴定的鱿鱼样本;
步骤2、将所述鱿鱼样本展开于工作台上,置于辅助光源照射区域,利用拍摄设备在不同角度对所述鱿鱼样本进行图像采集,获得原始鱿鱼图像;
步骤3、对所述原始鱿鱼图像进行图像预处理,获得测试图像;
步骤4、对所述测试图像进行颜色空间变换和像素聚类,对所述测试图像的红色腐败区域进行提取并与鱿鱼总表面积进行比值计算,动态分析鱿鱼肉质变化情况,监测其腐烂速率。
进一步地,所述步骤2中所述辅助光源为色温3000至5000K的单色LED灯。
进一步地,所述步骤2中所述拍摄设备为数码相机、手机、PDA中的一种或多种。
进一步地,所述步骤2中所述不同角度为垂直方向、45°侧视方向和正视方向,所述拍摄设备距离所述鱿鱼样本0.2米至1.0米。
进一步地,所述步骤3中所述图像预处理具体包括以下步骤:
步骤3.1、对所述原始鱿鱼图像进行图像重采样,利用Python脚本对所述原始鱿鱼图像进行切割,获得重采样图像;
步骤3.2、利用基于Python语言编写的LabelMe工具对所述重采样图像进行图像数据标记,手动在图上划出包含鱿鱼样本的最小矩形框作为人工标记结果,获得测试图像;
步骤3.3、对原始数据集中的原始图像数据进行图像数据增广处理。
进一步地,所述步骤3.1中所述切割后的图像包含512×512个像素。
进一步地,所述步骤3.3中所述图像数据增广方式包括添加噪声、旋转、镜像、缩放、主成分分析中的一种或多种。
进一步地,所述旋转包括90°、180°、270°旋转中的一种或多种。
进一步地,所述添加噪声的类型为梯度为0.01的高斯噪声。
进一步地,所述步骤4中对所述测试图像进行颜色空间变换和像素聚类具体包括以下步骤:
步骤4.1、设定全局阈值,利用基于点的全局阈值选择方法,在所述测试图像上实现像素的分类,从而完成红色腐败区域的提取;
步骤4.2、利用基于MATLAB软件编写的imclearborder函数将所述鱿鱼样本的像素进行了分类标记处理,对分割结果进行像素聚类的显示。
本发明的有益效果是:
(1)在非接触、无损状态下实现了鱿鱼新鲜度的鉴定,克服了传统基于化学、物理鉴定法对鱿鱼肉质的污染和破坏,可以应用于食品工业当中;相对于依靠人眼经验判断,基于颜色空间变换和像素聚类的方法可以准确对两类像素进行划分,其可靠性强,精度较高;
(2)利用计算机视觉技术,可以实现多鱿鱼样本新鲜度的同步鉴定,其效率较高,节约了大量人工成本;同时,该方法对相机成像质量要求不高,且计算时间复杂度低,可以用低成本工业相机和消费级个人电脑实现,成本控制能力强。
附图说明
图1是本发明的一个较佳实施例的不同贮藏温度下鱿鱼新鲜度影像获取示意图;
图2是本发明的一个较佳实施例的鱿鱼图像预处理的流程图;
图3是本发明的一个较佳实施例的4℃下鱿鱼新鲜度随时间变化趋势图;
图4是本发明的一个较佳实施例的20℃下鱿鱼新鲜度随时间变化趋势图。
具体实施方式
以下参考说明书附图介绍本发明的优选实施例,使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现,本发明的保护范围并非仅限于文中提到的实施例。
本实施例中包括鱿鱼图像采集平台、图像采集设备和图像采集模式。
鱿鱼图像采集平台包括图像采集设备和数据处理模块。如图1所示,图像采集设备包括超净工作台2、光源3、拍摄设备4、计算机等,数据处理模块包括图像预处理模块和新鲜度鉴定模块。
图像采集模式由三部分组成:数据获取、图像预处理和鱿鱼新鲜度鉴定。
(1)数据获取
a)样本制备
本实验中的鱿鱼样本1采用北太平洋褶柔鱼材料经过GB/T 28577-2012规定的标准冷链运输至实验室以保证其新鲜度的统一。对所有样品在4℃下进行解冻,并用18.2MΩ超纯水清洗干净以去除表面血水等污染物。将样本分为两个对照实验组,分别将相同数量的鱿鱼放置于4℃下和20℃环境下21天,以实现不同储藏温度下鱿鱼肉质的动态监测。
b)图像采集
如图1所示,影像获取10包括以下步骤:
将鱿鱼样本1平整展开于超净工作台2上,拍摄时光源3选用3000–5000K色温的单色LED灯。利用拍摄设备4如iPhone X手机(最大像素值1200万)分别在垂直方向5上0.5米高度、45°侧视方向6、正视方向7三个不同角度对鱿鱼样本1进行图像采集以最大限度的获取目标的完整信息。拍摄过程中相机的其他参数设置如下:拍摄焦距为18mm;ISO为自动模式;曝光时间为1/50s。分别在放置样本后的第1天至第21天时间内的固定时间段对鱿鱼进行图像采集,以获取反映鱿鱼保存状况的连续时间序列影像。
(2)图像预处理
如图2所示,图像预处理包括图像重采样、图像数据标记、图像数据增广。
a)图像重采样
为保证输入数据大小符合模型训练要求并提高模型训练效率,对原始鱿鱼图像进行重采样。利用Python脚本对原始图像进行切割,切割后的图像包含512×512个像素。通过重采样处理,使得训练对象中的目标区域更加明确,所包含的背景像素数目更少。
b)图像数据标记
利用基于Python语言编写的LabelMe工具对重采样图像进行数据标记,手动在图上划出包含鱿鱼样本的最小矩形框作为人工标记结果。矩形框的范围选定可以进一步缩小目标区域,简化训练过程。
c)图像数据增广
由于原始数据集中的图像数量有限,容易造成模型训练中过度拟合的出现,对原始数据进行增广处理。如图2所示,本发明中数据增广方式包括:图像添加噪声、旋转(90°、180°、270°)、镜像、缩放、主成分分析等。其中,添加噪声的类型为梯度为0.01的高斯噪声。
(3)鱿鱼新鲜度鉴定
对于北太平洋褶柔鱼及其他柔鱼品种来说,其肉质发生改变会在表明滋生细菌从而使得其表皮颜色发红。随着肉质的变化及腐烂情况加剧,其表面红色区域的面积会不断扩大直至最终完全变色。对红色区域进行提取并与鱿鱼总表面积进行比值处理,可以动态分析鱿鱼肉质变化情况,监测其腐烂速率。现在技术中,基于像素颜色特征进行区域提取主要采用阈值分割法。其基本原理是通过设定不同的特征阈值,把图像中的像素分为一类或几类。这类特征包括灰度特征、彩色特征、衍生特征等。全局阈值分割法可以利用全局信息对图像整体进行处理,从而避免局部阈值分割法所造成的局部误差增大。全局阈值分割的核心在于选择合适的阈值,而常用的几种阈值选择方式包括:基于点的全局阈值选择;基于区域的全局阈值选择以及多阈值法。因为本发明中鱿鱼实时加工处理流程的时效性要求较高,所以我们在阈值选择时选择选择时间复杂度较低的算法以保证其效率。这里,我们选择基于点的全局阈值选择方法,对鱿鱼图像进行分割,该方法计算复杂度低、易于实现、适用于在线实时图像处理系统。且对输入图像分辨率要求低,可以在经过重采样的图片上实现像素的精确分类,从而完成红色腐败区域的准确提取。这里,我们将所有图像的全局阈值设置为120,并且用基于MATLAB软件编写的imclearborder函数将鱿鱼表面的两类像素进行了分类标记处理,对分割结果进行像素聚类的显示。
通过以上新鲜度鉴定方法,我们得到了不同贮藏温度下鱿鱼新鲜度随时间变化趋势图,其中,图3为4℃下鱿鱼新鲜度随时间变化趋势图,图4为20℃下鱿鱼新鲜度随时间变化趋势图。
据此,我们做出以下结论:
(1)4℃下进行保存的鱿鱼样本,其在3–7天内表面红色区域即腐败区域没有明显扩展,在该温度下贮藏超过14后红色区域迅速变大表明其变质速度加快;
(2)20℃下贮藏的鱿鱼样本其红色区域面积在前3天内就会超过50%,在7天内会超过70%,表明该温度不适宜进行鱿鱼产品的贮藏。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种基于颜色空间变换和像素聚类的鱿鱼新鲜度鉴定方法,其特征在于,所述方法包括以下步骤:
步骤1、将鱿鱼解冻后,清洗干净,制备成作为新鲜度鉴定的鱿鱼样本;
步骤2、将所述鱿鱼样本展开于工作台上,置于辅助光源照射区域,利用拍摄设备在不同角度对所述鱿鱼样本进行图像采集,获得原始鱿鱼图像;
步骤3、对所述原始鱿鱼图像进行图像预处理,获得测试图像;
步骤4、对所述测试图像进行颜色空间变换和像素聚类,对所述测试图像的红色腐败区域进行提取并与鱿鱼总表面积进行比值计算,动态分析鱿鱼肉质变化情况,监测其腐烂速率。
2.如权利要求1所述的基于颜色空间变换和像素聚类的鱿鱼新鲜度鉴定方法,其特征在于,所述步骤2中所述辅助光源为色温3000至5000K的单色LED灯。
3.如权利要求1所述的基于颜色空间变换和像素聚类的鱿鱼新鲜度鉴定方法,其特征在于,所述步骤2中所述拍摄设备为数码相机、手机、PDA中的一种或多种。
4.如权利要求1所述的基于颜色空间变换和像素聚类的鱿鱼新鲜度鉴定方法,其特征在于,所述步骤2中所述不同角度为垂直方向、45°侧视方向和正视方向,所述拍摄设备距离所述鱿鱼样本0.2米至1.0米。
5.如权利要求1所述的基于颜色空间变换和像素聚类的鱿鱼新鲜度鉴定方法,其特征在于,所述步骤3中所述图像预处理具体包括以下步骤:
步骤3.1、对所述原始鱿鱼图像进行图像重采样,利用Python脚本对所述原始鱿鱼图像进行切割,获得重采样图像;
步骤3.2、利用基于Python语言编写的LabelMe工具对所述重采样图像进行图像数据标记,手动在图上划出包含鱿鱼样本的最小矩形框作为人工标记结果,获得测试图像;
步骤3.3、对原始数据集中的原始图像数据进行图像数据增广处理。
6.如权利要求5所述的基于颜色空间变换和像素聚类的鱿鱼新鲜度鉴定方法,其特征在于,所述步骤3.1中所述切割后的图像包含512×512个像素。
7.如权利要求5所述的基于颜色空间变换和像素聚类的鱿鱼新鲜度鉴定方法,其特征在于,所述步骤3.3中所述图像数据增广方式包括添加噪声、旋转、镜像、缩放、主成分分析中的一种或多种。
8.如权利要求7所述的基于颜色空间变换和像素聚类的鱿鱼新鲜度鉴定方法,其特征在于,所述旋转包括90°、180°、270°旋转中的一种或多种。
9.如权利要求7所述的基于颜色空间变换和像素聚类的鱿鱼新鲜度鉴定方法,其特征在于,所述添加噪声的类型为梯度为0.01的高斯噪声。
10.如权利要求1所述的基于颜色空间变换和像素聚类的鱿鱼新鲜度鉴定方法,其特征在于,所述步骤4中对所述测试图像进行颜色空间变换和像素聚类具体包括以下步骤:
步骤4.1、设定全局阈值,利用基于点的全局阈值选择方法,在所述测试图像上实现像素的分类,从而完成红色腐败区域的提取;
步骤4.2、利用基于MATLAB软件编写的imclearborder函数将所述鱿鱼样本的像素进行了分类标记处理,对分割结果进行像素聚类的显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910523937.XA CN110322434A (zh) | 2019-06-17 | 2019-06-17 | 一种基于颜色空间变换和像素聚类的鱿鱼新鲜度鉴定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910523937.XA CN110322434A (zh) | 2019-06-17 | 2019-06-17 | 一种基于颜色空间变换和像素聚类的鱿鱼新鲜度鉴定方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110322434A true CN110322434A (zh) | 2019-10-11 |
Family
ID=68119685
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910523937.XA Pending CN110322434A (zh) | 2019-06-17 | 2019-06-17 | 一种基于颜色空间变换和像素聚类的鱿鱼新鲜度鉴定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110322434A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111259926A (zh) * | 2020-01-08 | 2020-06-09 | 珠海格力电器股份有限公司 | 肉品新鲜度检测方法、装置、计算设备和存储介质 |
CN116087195A (zh) * | 2023-03-06 | 2023-05-09 | 华南师范大学 | 一种鱼肉新鲜度评价方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101936894A (zh) * | 2010-08-23 | 2011-01-05 | 北京工商大学 | 一种基于近红外光谱及显微脂肪细胞数据融合的猪肉新鲜度无损检测技术 |
CN104089925A (zh) * | 2014-06-30 | 2014-10-08 | 华南理工大学 | 一种基于高光谱成像检测虾仁品质的目标区域提取方法 |
CN104764744A (zh) * | 2015-04-21 | 2015-07-08 | 华中农业大学 | 一种禽蛋新鲜度的视觉检测装置及其方法 |
CN107564000A (zh) * | 2017-09-06 | 2018-01-09 | 南京晓庄学院 | 基于计算机视觉的猴头菇无损检测分级方法 |
-
2019
- 2019-06-17 CN CN201910523937.XA patent/CN110322434A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101936894A (zh) * | 2010-08-23 | 2011-01-05 | 北京工商大学 | 一种基于近红外光谱及显微脂肪细胞数据融合的猪肉新鲜度无损检测技术 |
CN104089925A (zh) * | 2014-06-30 | 2014-10-08 | 华南理工大学 | 一种基于高光谱成像检测虾仁品质的目标区域提取方法 |
CN104764744A (zh) * | 2015-04-21 | 2015-07-08 | 华中农业大学 | 一种禽蛋新鲜度的视觉检测装置及其方法 |
CN107564000A (zh) * | 2017-09-06 | 2018-01-09 | 南京晓庄学院 | 基于计算机视觉的猴头菇无损检测分级方法 |
Non-Patent Citations (2)
Title |
---|
成军虎: "基于高光谱成像鱼肉新鲜度无损快速检测方法研究", 《中国优秀博士学位论文全文数据库工程科技Ⅰ辑》 * |
许澄: "草鱼冻藏品质变化及草鱼新鲜度快速检测方法探究", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111259926A (zh) * | 2020-01-08 | 2020-06-09 | 珠海格力电器股份有限公司 | 肉品新鲜度检测方法、装置、计算设备和存储介质 |
CN116087195A (zh) * | 2023-03-06 | 2023-05-09 | 华南师范大学 | 一种鱼肉新鲜度评价方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2012225196B2 (en) | Method and software for analysing microbial growth | |
CN109977780A (zh) | 一种基于深度学习算法的硅藻的检测与识别方法 | |
CN103649720A (zh) | 生物成像方法和系统 | |
CN115424143B (zh) | 水源污染溯源方法、装置、存储介质和计算机设备 | |
US11884959B2 (en) | Methods and systems for automated assessment of antibiotic sensitivity | |
Samantaray et al. | Algae detection using computer vision and deep learning | |
CN110322434A (zh) | 一种基于颜色空间变换和像素聚类的鱿鱼新鲜度鉴定方法 | |
Wang et al. | Vision-based in situ monitoring of plankton size spectra via a convolutional neural network | |
Abalos et al. | Fresh fish classification using hog feature extraction and svm | |
CN110298824A (zh) | 基于彩色图像和卷积神经网络技术的鱿鱼自动分类方法 | |
CN116958960A (zh) | 一种基于机器学习随机森林算法的鸡蛋暗斑检测方法 | |
Horak et al. | Water quality assessment by image processing | |
CN113450383B (zh) | 一种免疫层析试纸定量分析方法、装置、设备和介质 | |
Shelke et al. | Detection of Artificially Ripened Fruits using Machine Learning | |
Suresh et al. | Fresko pisces: fish freshness identification using deep learning | |
CN113588571A (zh) | 一种基于高光谱成像的水产品的腥味识别方法及系统 | |
CN109632799A (zh) | 基于机器视觉的水稻叶片氮含量移动检测分级方法、系统和计算机可读存储介质 | |
CN111239050A (zh) | 一种基于物联网的河湖水生态环境监控方法 | |
Chavan et al. | Counting of Frozen Semen Straws using Image Processing | |
Kim et al. | Estimation of Ammonia in Water Samples Using Image Analysis | |
Soetedjo et al. | Leaf Segmentation in Outdoor Environment Using A Low-Cost Infrared Camera | |
Caguioa et al. | Duck Egg Quality Classification Based on its Shell Visual Property Through Transfer Learning Using ResNet-50 | |
Iwahara et al. | Effects of input image size on the accuracy of fish identification using deep learning. | |
WO2024138237A1 (en) | Method and system for water quality analysis through artificial intelligence - enhanced image processing | |
Le | Benchmarking the Automated Analysis of In situ Plankton Imaging and Recognition |
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 |