CN110443262A - 基于计算机视觉的鱼体新鲜度快速无损检测方法及其装置 - Google Patents
基于计算机视觉的鱼体新鲜度快速无损检测方法及其装置 Download PDFInfo
- Publication number
- CN110443262A CN110443262A CN201910777923.0A CN201910777923A CN110443262A CN 110443262 A CN110443262 A CN 110443262A CN 201910777923 A CN201910777923 A CN 201910777923A CN 110443262 A CN110443262 A CN 110443262A
- Authority
- CN
- China
- Prior art keywords
- freshness
- fish body
- grade
- value
- computer vision
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
- Y02A40/81—Aquaculture, e.g. of fish
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于计算机视觉的鱼体新鲜度快速无损检测方法及其装置,方法为:采集鱼体的特征信息后确认该鱼体的新鲜度等级;特征信息是通过采集鱼眼的图像后对图像进行处理后得到的,处理是指提取图像中的RGB、HIS和L*a*b*颜色空间的颜色特征值;新鲜度等级是通过分别对应将新鲜度等级、新鲜度等级已知的鱼体的特征信息和新鲜度等级待确认的当前鱼体的特征信息作为类别、训练样本和测试样本采用SVM的“一对一”分类方法确定的。装置包括运行以上方法的计算机。本发明的鱼体新鲜度检测方法,样品无需预处理且检测精度高;无需使用化学试剂,环境友好性好,检测成本低廉。本发明的装置,结构简单,检测速度快,应用前景好。
Description
技术领域
本发明属于水产品鲜度检测技术领域,涉及一种基于计算机视觉的鱼体新鲜度快速无损检测方法及其装置。
背景技术
鱼类不仅富含蛋白质、维生素和矿物质,而且脂肪含量低、口感好,容易消化和吸收,是人类营养物质的重要来源。但与其他肉类相比,鱼体内含有许多内源性酶和嗜冷微生物,鱼的疏松结缔组织将鱼肉分成许多小肌肉群,细菌更容易沿松散的间质侵入肌肉。因此,在处理、运输或储存不当的条件情况下,鱼体会发生一系列物理、化学和微生物等变化,导致鱼体腐败变质,如蛋白质分解为氨基酸和其他碱性物质,脂肪发生氧化酸败以及微生物数量增多等,造成鱼体新鲜度和食用品质的下降,也影响其后续加工产品的质量和价格。因此,鱼体的新鲜度评价一直是水产品品质领域研究的热点之一。
目前,鱼体新鲜度评价方法一般分为:感官方法、微生物方法和理化方法等。感官评价方法,如质量指数,通过对鱼肉的外观、颜色、气味等参数进行观察和评价,虽然感官评价方法比较快速,基本不需要仪器辅助,但是需要专业的评价人员,不适合所有地点,而且会有认为主观因素的干扰。微生物方法是通过测定鱼体腐败过程中菌落总数或者特殊腐败微生物的数量来评价鱼体新鲜度,虽然微生物方法是评价鱼体腐败程度的金标准之一,但是,一般微生物培养的条件比较严格,需要专业操作人员和相应操作环境,而且检测时间很长,不适合现代企业要求。理化方法是通过测定鱼体腐败过程中的离子、酸碱性、有机物和核苷酸等变化来确定鱼体新鲜度的,尽管这种方法相对准确,但是需要花费很多时间、精力和人员,与检测相关的仪器、药品等也比较昂贵,废液废物也会对环境造成污染,同时检测时间较长,无法保证数据的实时性,不能满足大规模和实时检测的应用。
综上所述,开发一种无损快速的鱼体新鲜度评价方法极具现实意义,CN105195442 A公开了一种基于机器视觉的淡水鱼新鲜度分级系统及方法,其根据工业相机获取的图像,利用计算机算法提取RGB颜色空间中的R值,以其大小来判断淡水鱼的新鲜度,其将预提的新鲜度分为以下四个等级:R值≤20为1类;20<R值≤25为2类;25<R值≤45为3类;R值>45为4类,其中1类至4类品质依次下降,其中1类代表品质最新鲜,4类代表品质最不新鲜,实现对淡水鱼的新鲜度分级。虽然其实现了对鱼体新鲜度的无损快速评价,但由于鱼体腐败初期的颜色变化不是很明显,仅根据RGB颜色空间的R值来判断鱼体的新鲜度的精确度较低,此外,其并未建立完整的评价方法,颜色特征值的获取依赖于良好的照明条件,只有照明条件适宜才能保证能够方便地比较颜色变化,提高检测精度。
因此,开发一种检测精度高的鱼体新鲜度快速无损检测方法极具现实意义。
发明内容
本发明的目的在于克服现有技术区分鱼体新鲜度的过程繁琐、速度较慢、费时费力,无法实现快速无损检测且检测精度较低的缺陷,提供一种检测精度高的鱼体新鲜度快速无损检测方法及其装置。
为实现上述目的,本发明提供如下技术方案:
基于计算机视觉的鱼体新鲜度快速无损检测方法,采集鱼体的特征信息后确认该鱼体的新鲜度等级;
所述特征信息是通过采集鱼眼的图像后对图像进行处理后得到的,所述处理是指提取图像中的RGB、HIS和L*a*b*颜色空间的颜色特征值;
所述新鲜度等级是通过分别对应将新鲜度等级、新鲜度等级已知的鱼体的特征信息和新鲜度等级待确认的当前鱼体的特征信息作为类别、训练样本和测试样本采用SVM(支持向量机)的“一对一”分类方法确定的。
本发明以图像中RGB、HIS和L*a*b*颜色空间的九个颜色特征值作为评价指标,同时利用SVM“一对一”分类方法具有一一对应的特点,选用SVM作为评价新鲜度等级的基础方法,通过对SVM模型进行训练得到可用于进行分类的模型,通过输入待测样品图像的九颜色特征值即可获取待测样品的新鲜度等级。本发明相比于仅根据R值评价新鲜度的现有技术,评价指标多,选用SVM作为基础方法,SVM(综合考虑了线性分类和非线性两种情况)能够综合考虑各个评价指标,分类结果准确;通过采集图像即可完成检测,检测速度快且对鱼体无损伤,应用前景好。
作为优选的技术方案:
如上所述的基于计算机视觉的鱼体新鲜度快速无损检测方法,所述采集鱼眼的图像时采用5500K的LED光源照射鱼体,以便于比较颜色的变化,提高检测精度,鱼眼位于相机正下方30cm,相机的参数为:感光度ISO 100~500,光圈F 2.5~5.5,曝光时间1/10~1/750s,闪光灯关闭,模式手动,焦距18~55mm,白平衡自动,图片格式PNG。本发明的采集条件并不仅限于此,本领域技术人员可根据鱼的种类或其他实际情况选择不同的采集条件,本发明仅以此为例,但采集同批同种类鱼体图像的参数应当一致以排出因采集条件不同带来的差异。
如上所述的基于计算机视觉的鱼体新鲜度快速无损检测方法,所述鱼眼为鱼体的左眼和/或右眼;所述特征信息具体为以图像中的平均R值、平均G值、平均B值、平均H值、平均I值、平均S值、平均L值、平均a值和平均b值作为特征量组成的特征矩阵。同时采集鱼体左右眼,并同时进行分析,相比与仅采集分析一眼的特征信息能够提高检测精度,如左右眼得出的检测结果不同,可进行重复检测,如重复检测的结果仍不同,则以所得较差的新鲜度等级为最终结果。
如上所述的基于计算机视觉的鱼体新鲜度快速无损检测方法,所述新鲜度等级是根据鱼体的储藏天数划分的。
如上所述的基于计算机视觉的鱼体新鲜度快速无损检测方法,所述鱼体的新鲜度等级共四级:储藏天数为1~2天为I类;储藏天数为3~4天为II类;储藏天数为5~7天为III类;储藏天数≥8天为IV类;I类至IV类品质依次下降,其中I类表示品质最新鲜,IV类表示品质最不新鲜。此处给出的新鲜度等级分级仅做示范,本领域技术人员可根据实际情况进行分类,并不仅限于此,也可直接以储藏天数作为新鲜度等级的考察指标。
如上所述的基于计算机视觉的鱼体新鲜度快速无损检测方法,所述当前鱼体的新鲜度等级确认方法为:首先采用随机选取的不同类别的训练样本作为训练集训练SVM分类器得到多个SVM子分类器,再将测试样本对应的向量输入到每个SVM子分类器中,最后采用投票的形式得到测试样本的类别,即得到当前鱼体的新鲜度等级。
如上所述的基于计算机视觉的鱼体新鲜度快速无损检测方法,采用新鲜度等级已知的鱼体的特征信息作为检测样本对以新鲜度等级已知的鱼体的特征信息为训练样本训练得到的SVM分类器模型进行检测(建模),检测(建模)完成后再将新鲜度等级待确认的当前鱼体的特征信息作为测试样本输入SVM分类器模型;所述检测(建模)完成是指将检测样本输入SVM分类器模型时得到检测样本新鲜度等级与其实际新鲜度等级完全匹配;所述检测样本与训练样本的数量比为3:7。本发明的检测样本与训练样本的数量比并不仅限于此,本领域技术人员可根据实际情况选择合适的比例,具体SVM分类器模型的建立可以使用MATLAB、Python或其他合适软件。
以MATLAB建立模型的算法为例,其可为如下样式:
其中,最后输出的R、G、B、L、a、bb、H1、S和I分别为平均R值、平均G值、平均B值、平均L值、平均a值、平均b值、平均H值、平均S值和平均I值。
以上算法仅作为示例,本发明的保护范围并不仅限于此,本领域技术人员根据实际情况选择合适的软件编撰算法。
此外,模型采用的分类器及其参数的选取是分类器学习研究中的重点和难点问题,也是构建出良好分类器模型的关键。针对不同问题的复杂性,可以在实际实验中不断地比较和调整,以找到适用于解决特定问题的最佳分类模型及其参数,从而构建出适用于特定问题的具有良好性能的模型。目前,可供选择的核函数有很多种,不同核函数还有其对应的不确定参数,基于LibSVM库选择了以下几种常用核函数:
(1)线性核函数(Liner):K(x,y)=x^T y,线性核函数主要用于线性可分的问题,对于线性核函数而言,其参数少、速度快,无特定参数需要设置
(2)Sigmoid核函数:γ>0,c≥0,采用Sigmoid核函数的核机器模型实现的是一种多层神经网络。对于Sigmoid核函数而言,有γ和c两个参数需要设置。
(3)多项式核函数:K=(x,y)=〖(γx^T+c)〗^q,q∈N,c≥0,多项式核函数适用于非线性特征映射,可以实现将低维的输入空间映射到高维的特征空间,多项式核函数中有q、γ、c三个参数需要设置。
基于上述内容在确定模型使用的核函数及核参数后,可以将颜色特征值作为输入,实际贮藏天数作为期望输出,对训练集和测试集数据进行格式化处理。针对新鲜度辨识问题,采用监督学习方法分别对不同核函数、不同参数情况下的模型进行训练,并对不同情况下的SVM模型进行仿真测试,通过以上步骤对核函数及其参数进行反复调整,最终建立不同核函数及不同核参数的多个模型,判断不同模型的辨识效果,从中选择综合效果最优的核机器学习模型作为本系统的模式识别模型,进一步提高检测精度,具体的评价方法可以为平均偏差值、最大偏差值、无偏差预测正确率、允许偏差0.5天预测正确率作为评价标准进行结果评价,其中,平均偏差值为所有测试数据中仿真结果与期望输出结果偏差天数的平均值,最大偏差值为所有测试数据中仿真结果与期望输出结果偏差天数的最大值,无偏差预测正确率为仿真结果与期望输出结果完全一致的组数占测试数据总组数的比率,允许偏差0.5天预测正确率为仿真结果与期望输出结果最多偏差0.5天的组数占测试数据总组数的比率。
如上所述的基于计算机视觉的鱼体新鲜度快速无损检测方法,所述训练样本不少于50个,数量太少会影响待测样本的准确性,相对的训练样本的数量越多,检测精度越高,所需时间越长,所需算力越大。
本发明还提供一种应用如上所述的基于计算机视觉的鱼体新鲜度快速无损检测方法的装置,包括暗箱和计算机,所述暗箱顶板内壁上设有LED光源和相机,所述相机的摄像方向垂直于水平面,所述LED光源围绕相机圆周排布,相机下方设有用于放置待测鱼体的支撑板;
所述计算机与相机连接,所述计算机包括一个或多个处理器、一个或多个存储器以及一个或多个程序;
所述一个或多个程序被存储在所述存储器中,当所述一个或多个程序被所述处理器执行时,使得所述计算机执行如上所述的基于计算机视觉的鱼体新鲜度快速无损检测方法。
作为优选的技术方案:
如上所述的装置,LED光源和支撑板之间布置有柔光板以确保光源照射均匀;
所述支撑板水平布置,其与升降结构连接,支撑板在升降结构的驱动下能在竖直方向上运动,以方便调整待测鱼体的位置;
所述计算机还包括显示装置,所述显示装置与处理器连接,用于显示处理器处理所得的鱼体的新鲜度等级。
发明机理:
本发明同时引入RGB、HIS和L*a*b*颜色空间的九个颜色特征值作为评价指标,避免了单一色彩评价系统可能带来的检测精度不佳的问题;
L*a*b*色彩空间是由CIE(国际照明委员会)制定的一种色彩模式,其色彩空间比RGB空间还要大,此外,其是以数字化方式来描述人的视觉感应,与设备无关,能弥补了RGB模式必须依赖于设备色彩特性的不足;
HSI色彩空间是从人的视觉系统出发,用色调(Hue)、色饱和度(Saturation或Chroma)和亮度(Intensity或Brightness)来描述色彩,由于人的视觉对亮度的敏感程度远强于对颜色浓淡的敏感程度,相比于RGB色彩空间更符合人的视觉特性,同时采用HSI色彩空间可以大大简化图像分析和处理的工作量;
RGB色彩空间称为与设备相关的色彩空间,其是目前用途最为广泛的色彩评价系统。
为了综合对RGB、HIS和L*a*b*颜色空间的九个颜色特征值同时进行考察,本发明利用SVM“一对一”分类方法具有一一对应的特点,选用SVM作为评价新鲜度等级的基础方法,通过对SVM模型进行训练得到可用于进行分类的模型,通过输入待测样品图像的九颜色特征值即可获取待测样品的新鲜度等级。相比于仅根据R值评价新鲜度的现有技术,评价指标多,选用SVM作为基础方法,一方面其能够综合考虑各个评价指标,另一方面SVM克服了现有技术仅能进行线性分类的缺陷,能够综合考虑了线性分类和非线性两种情况,分类结果准确。本发明通过采集图像即可完成检测,检测速度快且对鱼体无损伤,应用前景好。
有益效果:
(1)本发明的基于计算机视觉的鱼体新鲜度快速无损检测方法,实现了鱼体新鲜度快速无损检测;
(2)本发明的基于计算机视觉的鱼体新鲜度快速无损检测方法,样品无需预处理且检测精度高;
(3)本发明的基于计算机视觉的鱼体新鲜度快速无损检测方法,无需使用化学试剂,环境友好性好,检测成本低廉;
(4)本发明的应用基于计算机视觉的鱼体新鲜度快速无损检测方法的装置,结构简单,检测速度快,应用前景好。
附图说明
图1为应用本发明的基于计算机视觉的鱼体新鲜度快速无损检测方法的装置;
其中,1-暗箱,2-支撑板,3-相机,4-LED光源,5-柔光板,6-计算机。
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阐述。
一种应用基于计算机视觉的鱼体新鲜度快速无损检测方法的装置,如图1所示,包括暗箱1和计算机6,暗箱顶板内壁上设有LED光源4(5500K)和相机3,相机3的摄像方向垂直于水平面,LED光源4围绕相机3圆周排布,相机3下方设有用于放置待测鱼体的水平布置的支撑板2,LED光源和支撑板之间布置有柔光板5,支撑板与升降结构连接,支撑板可在升降结构的驱动下能在竖直方向上运动;
计算机6与相机3连接,计算机包括一个或多个处理器、一个或多个存储器、一个或多个程序和显示装置,显示装置与处理器连接,用于显示处理器处理所得的鱼体的新鲜度等级;
一个或多个程序被存储在存储器中,当一个或多个程序被处理器执行时,使得计算机执行如下的基于计算机视觉的鱼体新鲜度快速无损检测方法:
(1)采集鱼眼(鱼体的左眼和/或右眼)的图像,其中采集条件为:鱼眼位于相机正下方30cm,相机的参数为:感光度ISO 100~500,光圈F 2.5~5.5,曝光时间1/10~1/750s,闪光灯关闭,模式手动,焦距18~55mm,白平衡自动,图片格式PNG;
(2)提取图像中的RGB、HIS和L*a*b*颜色空间的颜色特征值,以图像中的平均R值、平均G值、平均B值、平均H值、平均I值、平均S值、平均L值、平均a值和平均b值作为特征量组成特征矩阵作为鱼体的特征信息;
(3)将步骤(2)获取的鱼体的特征信息作为测试样本输入训练验证后的SVM分类器模型中由SVM的“一对一”分类方法确定该鱼体的新鲜度等级,新鲜度等级是根据鱼体的储藏天数划分的,鱼体的新鲜度等级共四级:储藏天数为1~2天为I类;储藏天数为3~4天为II类;储藏天数为5~7天为III类;储藏天数≥8天为IV类;I类至IV类品质依次下降,其中I类表示品质最新鲜,IV类表示品质最不新鲜;其中,训练验证后的SVM分类器模型的训练验证过程为:
(3.1)使用如上所述的装置采集大量新鲜度等级已知的鱼体的特征信息,该部分新鲜度等级已知的鱼体包括不同新鲜度等级的鱼体,关联鱼体的特征信息与其对应的新鲜度等级,组成数据库;
(3.2)随机选取数据库中不同类别的样本作为训练样本,将各训练样本组成训练集训练SVM分类器得到多个SVM子分类器,训练样本不少于50个;
(3.3)选取数据库未被选取的不同类别的样本作为检测样本输入到每个SVM子分类器中,最后采用投票的形式得到检测样本的新鲜度等级,当检测样本新鲜度等级与其实际新鲜度等级完全匹配时,检验结束,此时的各SVM子分类器组成的SVM分类器模型即为训练验证后的SVM分类器模型,检测样本与训练样本的数量比为3:7。
实施例1
本发明对基于计算机视觉的鱼体新鲜度快速无损检测方法的精确度进行了验证:
其步骤(3.1)具体操作如下:
将75条刚刚死亡草鱼分别放入保鲜袋中,再放入4℃恒温箱中,每隔一天随机选取15个样品进行拍摄,获取草鱼左右眼睛的图片,连续进行8天,其中,相机的具体参数:感光度ISO:100,光圈F:5.3,曝光时间:1/250s,闪光灯:无,模式:手动,焦距:45mm,白平衡:自动,图片格式:PNG。
而后将所得到的草鱼左右眼图片用MATLAB软件中的算法获取RGB、L*a*b*和HIS色彩空间的9个颜色特征值数据,得到的9个颜色特征值数据存储在EXCLE中,每只眼睛得到一组数据,可得到150组数据,算法如下:
其中,最后输出的R、G、B、L、a、bb、H1、S和I分别为平均R值、平均G值、平均B值、平均L值、平均a值、平均b值、平均H值、平均S值和平均I值。
采用装置采集多条死亡天数已知(死亡0~8天)的草鱼的左右眼的图像(图像采集条件:感光度ISO 100,光圈F 5.3,曝光时间1/250s,闪光灯无,模式手动,焦距45mm,白平衡自动,图片格式PNG),发现计算机输出的草鱼的储藏天数均与其实际死亡天数匹配,即说明了本发明的鱼体新鲜度快速无损检测方法的检测精度高。
经验证,本发明的基于计算机视觉的鱼体新鲜度快速无损检测方法,实现了鱼体新鲜度快速无损检测;样品无需预处理且检测精度高;无需使用化学试剂,环境友好性好,检测成本低廉;结构简单,检测速度快,应用前景好。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应该理解,这些仅是举例说明,在不违背本发明的原理和实质的前提下,可以对这些实施方式做出多种变更或修改。
Claims (10)
1.基于计算机视觉的鱼体新鲜度快速无损检测方法,其特征在于,采集鱼体的特征信息后确认该鱼体的新鲜度等级;
所述特征信息是通过采集鱼眼的图像后对图像进行处理后得到的,所述处理是指提取图像中的RGB、HIS和L*a*b*颜色空间的颜色特征值;
所述新鲜度等级是通过分别对应将新鲜度等级、新鲜度等级已知的鱼体的特征信息和新鲜度等级待确认的当前鱼体的特征信息作为类别、训练样本和测试样本采用SVM的“一对一”分类方法确定的。
2.根据权利要求1所述的基于计算机视觉的鱼体新鲜度快速无损检测方法,其特征在于,所述采集鱼眼的图像时采用5500K的LED光源照射鱼体,鱼眼位于相机正下方30cm,相机的参数为:感光度ISO 100~500,光圈F 2.5~5.5,曝光时间1/10~1/750s,闪光灯关闭,模式手动,焦距18~55mm,白平衡自动,图片格式PNG。
3.根据权利要求1所述的基于计算机视觉的鱼体新鲜度快速无损检测方法,其特征在于,所述鱼眼为鱼体的左眼和/或右眼;所述特征信息具体为以图像中的平均R值、平均G值、平均B值、平均H值、平均I值、平均S值、平均L值、平均a值和平均b值作为特征量组成的特征矩阵。
4.根据权利要求1所述的基于计算机视觉的鱼体新鲜度快速无损检测方法,其特征在于,所述新鲜度等级是根据鱼体的储藏天数划分的。
5.根据权利要求4所述的基于计算机视觉的鱼体新鲜度快速无损检测方法,其特征在于,所述鱼体的新鲜度等级共四级:储藏天数为1~2天为I类;储藏天数为3~4天为II类;储藏天数为5~7天为III类;储藏天数≥8天为IV类;I类至IV类品质依次下降,其中I类表示品质最新鲜,IV类表示品质最不新鲜。
6.根据权利要求1所述的基于计算机视觉的鱼体新鲜度快速无损检测方法,其特征在于,所述当前鱼体的新鲜度等级确认方法为:首先采用随机选取的不同类别的训练样本作为训练集训练SVM分类器得到多个SVM子分类器,再将测试样本对应的向量输入到每个SVM子分类器中,最后采用投票的形式得到测试样本的类别,即得到当前鱼体的新鲜度等级。
7.根据权利要求6所述的基于计算机视觉的鱼体新鲜度快速无损检测方法,其特征在于,采用新鲜度等级已知的鱼体的特征信息作为检测样本对以新鲜度等级已知的鱼体的特征信息为训练样本训练得到的SVM分类器模型进行检测,检测完成后再将新鲜度等级待确认的当前鱼体的特征信息作为测试样本输入SVM分类器模型;所述检测完成是指将检测样本输入SVM分类器模型时得到检测样本新鲜度等级与其实际新鲜度等级完全匹配;所述检测样本与训练样本的数量比为3:7。
8.根据权利要求1所述的基于计算机视觉的鱼体新鲜度快速无损检测方法,其特征在于,所述训练样本不少于50个。
9.应用如权利要求1~8任一项所述的基于计算机视觉的鱼体新鲜度快速无损检测方法的装置,其特征在于,包括暗箱和计算机,所述暗箱顶板内壁上设有LED光源和相机,所述相机的摄像方向垂直于水平面,所述LED光源围绕相机圆周排布,相机下方设有用于放置待测鱼体的支撑板;
所述计算机与相机连接,所述计算机包括一个或多个处理器、一个或多个存储器以及一个或多个程序;
所述一个或多个程序被存储在所述存储器中,当所述一个或多个程序被所述处理器执行时,使得所述计算机执行如权利要求1至8中任一项所述的基于计算机视觉的鱼体新鲜度快速无损检测方法。
10.根据权利要求9所述的装置,其特征在于,LED光源和支撑板之间布置有柔光板;
所述支撑板水平布置,其与升降结构连接,支撑板在升降结构的驱动下能在竖直方向上运动;
所述计算机还包括显示装置,所述显示装置与处理器连接,用于显示处理器处理所得的鱼体的新鲜度等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910777923.0A CN110443262B (zh) | 2019-08-22 | 2019-08-22 | 基于计算机视觉的鱼体新鲜度快速无损检测方法及其装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910777923.0A CN110443262B (zh) | 2019-08-22 | 2019-08-22 | 基于计算机视觉的鱼体新鲜度快速无损检测方法及其装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110443262A true CN110443262A (zh) | 2019-11-12 |
CN110443262B CN110443262B (zh) | 2022-11-11 |
Family
ID=68437125
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910777923.0A Active CN110443262B (zh) | 2019-08-22 | 2019-08-22 | 基于计算机视觉的鱼体新鲜度快速无损检测方法及其装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110443262B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111272672A (zh) * | 2020-03-03 | 2020-06-12 | 渤海大学 | 一种基于颜色评估糖熏肉制品新鲜度的方法 |
CN111272682A (zh) * | 2020-03-03 | 2020-06-12 | 渤海大学 | 一种用于评价糖熏肉制品新鲜度的比色卡及其制备方法和应用 |
CN111724350A (zh) * | 2020-05-29 | 2020-09-29 | 北京农业信息技术研究中心 | 鱼体新鲜度无损检测方法及装置 |
CN111768402A (zh) * | 2020-07-08 | 2020-10-13 | 中国农业大学 | 一种基于mu-svm的冰鲜鲳鱼新鲜度评估方法 |
CN111768401A (zh) * | 2020-07-08 | 2020-10-13 | 中国农业大学 | 一种基于深度学习的冰鲜鲳鱼新鲜度快速分级方法 |
CN111950564A (zh) * | 2020-07-23 | 2020-11-17 | 江苏大学 | 一种基于ssa-elm算法的猪肉新鲜度检测分类方法 |
CN112683899A (zh) * | 2020-04-29 | 2021-04-20 | 海南远生渔业有限公司 | 一种水产品品质检测方法 |
CN116067931A (zh) * | 2023-02-06 | 2023-05-05 | 大连工业大学 | 一种基于荧光响应图像的冻条罗非鱼tvb-n无损检测方法 |
CN116630447A (zh) * | 2023-07-24 | 2023-08-22 | 成都海风锐智科技有限责任公司 | 一种基于图像处理的天气预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150247807A1 (en) * | 2014-02-28 | 2015-09-03 | Panasonic Corporation | Method for outputting freshness information, freshness information output apparatus, and non-transitory computer-readable recording medium |
CN109959765A (zh) * | 2019-04-01 | 2019-07-02 | 中国农业大学 | 三文鱼新鲜度检测系统及方法 |
-
2019
- 2019-08-22 CN CN201910777923.0A patent/CN110443262B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150247807A1 (en) * | 2014-02-28 | 2015-09-03 | Panasonic Corporation | Method for outputting freshness information, freshness information output apparatus, and non-transitory computer-readable recording medium |
CN109959765A (zh) * | 2019-04-01 | 2019-07-02 | 中国农业大学 | 三文鱼新鲜度检测系统及方法 |
Non-Patent Citations (1)
Title |
---|
黄星奕等: "计算机视觉技术在鱼新鲜度检测中的应用研究", 《计算机工程与设计》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111272672A (zh) * | 2020-03-03 | 2020-06-12 | 渤海大学 | 一种基于颜色评估糖熏肉制品新鲜度的方法 |
CN111272682A (zh) * | 2020-03-03 | 2020-06-12 | 渤海大学 | 一种用于评价糖熏肉制品新鲜度的比色卡及其制备方法和应用 |
CN112683899A (zh) * | 2020-04-29 | 2021-04-20 | 海南远生渔业有限公司 | 一种水产品品质检测方法 |
CN111724350A (zh) * | 2020-05-29 | 2020-09-29 | 北京农业信息技术研究中心 | 鱼体新鲜度无损检测方法及装置 |
CN111768402A (zh) * | 2020-07-08 | 2020-10-13 | 中国农业大学 | 一种基于mu-svm的冰鲜鲳鱼新鲜度评估方法 |
CN111768401A (zh) * | 2020-07-08 | 2020-10-13 | 中国农业大学 | 一种基于深度学习的冰鲜鲳鱼新鲜度快速分级方法 |
CN111768401B (zh) * | 2020-07-08 | 2024-01-26 | 中国农业大学 | 一种基于深度学习的冰鲜鲳鱼新鲜度快速分级方法 |
CN111950564A (zh) * | 2020-07-23 | 2020-11-17 | 江苏大学 | 一种基于ssa-elm算法的猪肉新鲜度检测分类方法 |
CN116067931A (zh) * | 2023-02-06 | 2023-05-05 | 大连工业大学 | 一种基于荧光响应图像的冻条罗非鱼tvb-n无损检测方法 |
CN116067931B (zh) * | 2023-02-06 | 2023-09-12 | 大连工业大学 | 一种基于荧光响应图像的冻条罗非鱼tvb-n无损检测方法 |
CN116630447A (zh) * | 2023-07-24 | 2023-08-22 | 成都海风锐智科技有限责任公司 | 一种基于图像处理的天气预测方法 |
CN116630447B (zh) * | 2023-07-24 | 2023-10-20 | 成都海风锐智科技有限责任公司 | 一种基于图像处理的天气预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110443262B (zh) | 2022-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110443262A (zh) | 基于计算机视觉的鱼体新鲜度快速无损检测方法及其装置 | |
Chen et al. | Color grading of beef fat by using computer vision and support vector machine | |
CN103518224B (zh) | 用于分析微生物生长的方法 | |
CN110097544A (zh) | 一种显示面板外观缺陷检测方法 | |
CN104049068B (zh) | 生鲜畜肉新鲜度的无损测定装置及测定方法 | |
CN106338517A (zh) | 基于视觉和嗅觉信息协同的水果新鲜度智能化评判方法 | |
CN108074243A (zh) | 一种细胞定位方法以及细胞分割方法 | |
JP6490365B2 (ja) | 微生物検査装置の検証方法、微生物検査装置における検証装置及びプログラム | |
CN108960315A (zh) | 一种调理肉制品品质智能评价系统及方法 | |
CN110472575A (zh) | 一种基于深度学习和计算机视觉的串番茄成熟度检测方法 | |
CN108663367A (zh) | 一种基于鸡蛋容重的鸡蛋品质无损检测方法 | |
CN104854620A (zh) | 图像处理装置、图像处理系统和程序 | |
CN104237235A (zh) | 基于近红外成像技术的食源性致病菌的快速检测方法 | |
CN113295690A (zh) | 基于机器学习的草莓成熟度快速判别方法 | |
Ambarwati et al. | Feature selection on magelang duck egg candling image using variance threshold method | |
CN108830908A (zh) | 一种基于人工神经网络的魔方颜色识别方法 | |
Vasileva et al. | Assessing exterior egg quality indicators using machine vision | |
CN108287161A (zh) | 一种智能茶叶感官审评方法及系统 | |
CN109447045A (zh) | 一种基于深度学习卷积神经网络的食用菌快速识别系统及方法 | |
KR20220098166A (ko) | 평가 대상의 평가 방법, 화상 처리 장치 및 평가 대상의 평가 시스템 | |
Rashvand et al. | The feasibility of using image processing and artificial neural network for detecting the adulteration of sesame oil | |
Zhao et al. | A real‐time classification and detection method for mutton parts based on single shot multi‐box detector | |
CN115409977A (zh) | 基于图像识别的全量检测信息采集方法 | |
Doerflinger et al. | Objective assessment of dried sultana grape quality using digital image analysis | |
Kanjanawanishkul | An image-based eri silkworm pupa grading method using shape, color, and size |
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 |