CN110675400B - 一种基于手机app的羊肉品质指标快速智能检测方法 - Google Patents
一种基于手机app的羊肉品质指标快速智能检测方法 Download PDFInfo
- Publication number
- CN110675400B CN110675400B CN201911121816.9A CN201911121816A CN110675400B CN 110675400 B CN110675400 B CN 110675400B CN 201911121816 A CN201911121816 A CN 201911121816A CN 110675400 B CN110675400 B CN 110675400B
- Authority
- CN
- China
- Prior art keywords
- mobile phone
- mutton
- storage time
- module
- phone app
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 241001494479 Pecora Species 0.000 claims description 46
- 235000013372 meat Nutrition 0.000 claims description 37
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 34
- 238000000034 method Methods 0.000 claims description 19
- 229910052757 nitrogen Inorganic materials 0.000 claims description 17
- 210000001364 upper extremity Anatomy 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 15
- 230000001580 bacterial effect Effects 0.000 claims description 13
- 238000005286 illumination Methods 0.000 claims description 10
- 210000003205 muscle Anatomy 0.000 claims description 6
- 230000035945 sensitivity Effects 0.000 claims description 5
- 210000003195 fascia Anatomy 0.000 claims description 4
- 238000003384 imaging method Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims 1
- 235000013622 meat product Nutrition 0.000 abstract description 2
- 239000002699 waste material Substances 0.000 abstract description 2
- 238000005259 measurement Methods 0.000 abstract 1
- 238000012937 correction Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 241000894006 Bacteria Species 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000009461 vacuum packaging Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000796 flavoring agent Substances 0.000 description 2
- 235000019634 flavors Nutrition 0.000 description 2
- 210000003141 lower extremity Anatomy 0.000 description 2
- 244000005700 microbiome Species 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 235000012000 cholesterol Nutrition 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 210000002808 connective tissue Anatomy 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
- 150000003722 vitamin derivatives Chemical class 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- 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
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/02—Food
- G01N33/12—Meat; Fish
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
- G01N2201/1296—Using chemometrical methods using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Chemical & Material Sciences (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Pathology (AREA)
- Food Science & Technology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Medicinal Chemistry (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明属于肉制品质量检测技术领域，具体涉及一种基于手机APP的羊肉品质指标快速智能检测方法。本发明利用手机APP的图像采集模块、图像处理模块、部位判别模块、储藏时间预测模块、品质指标预测模块和结果显示模块，可同时完成或依次分步完成对羊肉样品手机图像的采集、图像预处理和特征提取、不同部位的识别、不同储藏时间和品质指标的预测，并在结果显示模块显示检测结果，最终实现羊肉不同部位的判别、储藏时间的预测和品质指标的快速智能检测。本发明解决了现有检测方法费时费力、操作繁琐和检测装置价格昂贵，对操作人员专业要求高，不能便携，随时检测和测定结果滞后等问题。
Description
技术领域
本发明属于肉制品质量检测技术领域，具体涉及一种基于手机APP的羊肉品质指标快速智能检测方法。
背景技术
羊肉因其营养丰富且含有较低的胆固醇、脂肪和丰富的蛋白质、维生素、钙、铁含量等，是滋补身体的绝佳肉类食品，深受人们的喜爱，但不同部位羊肉的蛋白质、脂肪酸等营养成分的含量不同，经过不同时间储藏后，其品质(嫩度、吸水力、风味、色泽等)会产生变化，随冷藏时间的增加和微生物繁殖作用，肉品新鲜度逐渐降低，其风味和口感也不同，因此不同部位不同储藏时间的羊肉的价格和品质也不一样的。但是市场上很多商家常用不同部位和不同储存时间的肉来相互混淆，导致市场上很多羊肉异质同价，削减了消费者对羊肉口味的评价。随着人们消费水平的提高，对羊肉的品质也越发的关注。故对不同部位不同储藏时间的羊肉品质指标的检测有较高的需求性。
目前传统肉品新鲜度检测方法包括感官检测、理化检测及微生物检测方法等，但以上肉品新鲜度测定方法存在费时费力、操作繁琐和测定结果滞后等缺点，同时对样品造成破坏且检测过程中采用的试剂多对环境具有污染，而现有的光学快速无损检测技术因装置价格昂贵，对操作人员专业要求高，不能便携和随时检测等缺点。
发明内容
本发明提供了一种基于手机APP的羊肉品质指标快速智能检测方法，通过APP的图像采集模块、图像处理模块、部位判别模块、储藏时间预测模块、品质指标预测模块和结果显示模块可同时或依次分步完成对羊肉样品手机图像的采集、图像预处理和特征提取、不同部位的识别、不同储藏时间和品质指标的预测，并在结果显示模块显示检测结果，最终实现羊肉不同部位的判别、储藏时间的预测和品质指标的智能检测。本发明解决了现有检测技术因装置价格昂贵，对操作人员专业要求高，不适于广大普通消费者需求的问题。
本发明采用的具体技术方案如下：
1.一种基于手机APP的羊肉品质指标快速智能检测方法，包括以下步骤：
步骤1利用手机APP的图像采集模块,设定相机采集参数，采集待检测羊肉样品的手机图像；
步骤2利用手机APP的图像处理模块，进行图像预处理和特征提取；
步骤3利用手机APP上的部位判别模块，基于羊肉颜色和纹理特征所构建的不同部位判别模型，对采集到的羊肉样品进行不同部位羊肉的识别；
步骤4利用手机APP上的储藏时间预测模块，基于羊肉颜色特征所构建的储藏时间定量预测模型，对步骤3中判别出的不同部位的羊肉样品进行储藏时间的预测；
步骤5利用手机APP上的品质指标预测模块，基于羊肉品质指标随储藏时间变化的预测模型，进行待检测羊肉品质指标的预测；
通过以上步骤，可同时或依次分步完成对羊肉样品手机图像的采集、图像预处理和特征提取、不同部位的识别、不同储藏时间和品质指标的预测，并在结果显示模块显示检测结果，最终实现羊肉不同部位的判别、储藏时间的预测和品质指标的智能检测。
步骤1中所述手机APP包括图像采集模块、图像处理模块、部位判别模块、储藏时间预测模块、品质指标预测模块和结果显示模块。
步骤1中所述手机APP进行羊肉图像采集时，基于手机图像采集模块进行相机采集参数的设定，采集参数包括感光度ISO、快门S、色温参数、白平衡，当进行图像采集时，感光度ISO设置为500、快门S为1/17s、色温参数为5600K、自动白平衡。
步骤2所述的手机APP中图像处理模块的羊肉样品图像预处理是对样品图像中的背景、脂肪、筋膜非肌肉组织部分进行去除，以羊肉肌肉部位作为图像的感兴趣区域进行颜色和纹理特征提取，所述的特征提取是提取RGB、rgb、HIS和CIE L*a*b*四种颜色空间模型下的R、G、B、r、g、b、H、I、S，L*、a*和b*颜色特征以及角二阶矩、对比度、逆差距、熵和相关性的羊肉样品图像GLCM纹理特征。
其中的rgb颜色空间是将RGB归一化而得，与光照强度变化无关，可避免光照对图像颜色的影响，归一化公式为：
步骤3所述的手机APP上的部位识别模块是由手机APP提取的颜色特征和纹理特征，运用非线性建模方法建立分类判别模型，其优选模型为BP神经网络模型，利用所建立的不同部位判别模型对步骤1中采集的待检测羊肉样品进行羊背脊、羊前腿和羊后腿肉的判别预测。
步骤4所述的储藏时间预测模块是由手机APP提取的颜色特征，运用非线性建模方法建立储藏时间定量预测模型，分别建立羊前腿、羊后腿和羊背脊肉储藏时间定量预测模型，其优选模型均为支持向量机回归模型(SVR)，利用所建立的储藏时间定量预测模型，分别对步骤3所判别出的羊前腿、羊后腿和羊背脊肉进行储藏时间的预测。
步骤5中所述待测羊肉的品质指标包括细菌总数TVC和挥发性盐基氮TVB-N，其中细菌总数TVC随储藏时间变化的预测模型为非线性多项式预测模型，模型参数通过细菌总数TVC随储藏时间变化规律进行拟合确定，挥发性盐基氮TVB-N随储藏时间变化的预测模型为非线性指数预测模型，模型参数通过挥发性盐基氮TVB-N随储藏时间变化规律进行拟合确定，利用所建立的羊肉品质指标随储藏时间变化的预测模型在步骤4的基础上进行挥发性盐基氮TVB-N和细菌总数TVC的指标含量预测。
步骤1中所述图像采集装置由光源控制器(1)、手机(2)、暗箱上端盖(3)、环形光源(4)、暗箱下端盖(5)、背景底板(6)、样品(7)、螺柱(8)和光源连接线(9)组成的便携式图像采集装置,环形光源(4)利用螺柱(8)和暗箱下端盖(5)连接，暗箱上端盖(3)和暗箱下端盖(5)利用滑槽连接，通过上下移动暗箱上端盖(3)实现手机成像高度的调节，通过调整光源控制器(1)来实现光照强度的调节，当进行图像采集时,将手机(2)放在上端盖图像采集处，连接光源连接线(9)，通过调整光源控制器(1)使光照强度为70～80LUX之间，利用手机(2)设置好摄像头的参数后，聚焦进行图像采集。
可见，在本发明提供的一种基于手机APP羊肉品质指标的快速智能检测方法中，能够对检测样品没有任何损伤的前提下及时检测出肉品质指标，解决了现有检测技术因装置价格昂贵，对操作人员专业要求高，不能便携的问题，实现了肉类检测的快速、智能，成本低的优点，保证了肉品品质的安全。
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是本发明实施例一种基于手机APP的羊肉品质指标快速智能检测方法的基本流程示意图
图2是本发明实施例1的手机检测APP的功能结构示意图
图3是本发明实施例1的手机图像采集装置剖面视图
(1)光源控制器、(2)手机、(3)暗箱上端盖、(4)环形光源、(5)暗箱下端盖、(6)背景底板、(7)样品、(8)螺柱、(9)光源连接线
图4是本发明实施例1的冷却肉样品去背景去脂肪图
图5羊前腿细菌总数TVC随时间的变化图
图6羊前腿挥发性盐基氮TVB-N随时间的变化图
图7羊后腿细菌总数TVC随时间的变化图
图8羊后腿挥发性盐基氮TVB-N随时间的变化图
图9羊背脊细菌总数TVC随时间的变化图
图10羊背脊挥发性盐基氮TVB-N随时间的变化图
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。
下面通过具体的实施例并结合附图对本发明进一步阐述，其中一种基于手机APP的羊肉品质指标快速智能检测方法的基本流程示意图和APP的功能结构示意图如图1、图2所示，具体实施步骤如下：
一、羊肉样品的准备
所用羊肉为刚屠宰小尾寒羊的羊背脊肉、羊前腿肉和羊后腿肉经30小时排酸后，制备成冷却羊肉，共制备羊背脊肉、羊前腿肉和羊后腿肉各4个。样品大小为40mm×30mm×10mm，表面无明显的脂肪和结缔组织。样品制备完成后进行编号，装入PE塑料盒中进行非真空包装，放置在4℃的恒温箱中进行冷藏12天。
二、利用手机APP的图像采集模块,设定相机采集参数，采集待检测羊肉样品的手机图像
1)APP采集参数的设定
用华为P10手机(华为技术有限公司)进行图像采集，打开手机APP的图像采集模块,设定相机采集参数，采集待检测羊肉样品的手机图像。其中摄像头的感光度ISO为500、快门S为1/17s、色温参数为5600K，自动白平衡，采用20W光源。
2)图像的采集
运用手机APP图像采集功能模块对冷却羊肉样品进行图像采集，将冷却羊肉样品从恒温箱取出放在图像采集装置上，采集图像时将样品放在背景板(6)上，调节暗箱上端盖(3)的位置，选取最佳成像采集高度为12cm。通过调整光源控制器(1)使光照强度为70～80LUX之间，达到最佳成像环境，利用手机(2)进行图像采集，采集装置如图3所示。
三、利用手机APP的图像处理模块，进行图像预处理和特征提取；
为消除在图像采集过程中背景、光照和样品自身因素的影响产生的噪声和脂肪与筋膜等在腐败变质过程中与肌肉组织呈现差异性等问题。本发明实施例中的图像处理模块采用色差法通过设定色差值R-B的取值范围来使背景和样品区分度增大，利用高低帽变换和分水岭分割算法对样品图像内的背景、脂肪、筋膜等非肌肉组织部分进行去除,去除结果如图4所示。
相对于其他的视觉特征而言，颜色特征对视角、尺寸、方向的依赖性较小，呈现很强的鲁棒性。本发明选取4种颜色空间模型提取各颜色空间特征参数的均值，定量描述不同部位羊肉的颜色特征差异。其均值的计算公式为:
其中:D为目标区域，i为像素点的水平坐标，j为像素点的垂直坐标，N为D区域内的总像素点数，y为R，G，B，r，g，b，H，I，S，L*，a*，b*。
纹理提取：灰度共生矩阵(GLCM)是有关图像灰度变换的二阶统计特征，它是建立在估计二阶组合条件概率密度基础上提出的纹理分析方法，通过计算灰度图像的共生矩阵得到矩阵的部分特征值，来分别代表图像的某些纹理特征。灰度共生矩阵能够反映图像灰度关于方向、相邻间隔、变化幅度的综合信息，是一种对图像处理进行定量描述的方法。其中在肉制品质量检测中，灰度共生矩阵能够很好的反映肉品图像的纹理特征，利用该纹理分析方法可以对肉品质量做出客观的检测与评价。本发明选择角二阶矩、对比度、逆差距、熵和相关性5个特征量来表示羊肉图像的GLCM纹理特征。
四、利用手机APP上的部位判别模块，基于羊肉颜色和纹理特征所构建的不同部位判别模型，对采集到的羊肉样品进行不同部位羊肉的识别；
本发明对数据进行归一化处理，选用BP神经网络模型做为部位判别模块的子程序进行羊肉样品的不同部位的判别。其样品的部位判别结果如表1所示。
表1羊肉样品不同部位判别结果
注：D代表第几只羊，F代表非真空包装，B代表羊背脊肉，Q代表羊前腿肉，H为羊后腿肉五、利用手机APP上的储藏时间预测模块，基于羊肉颜色特征所构建的储藏时间定量预测模型，对步骤3中判别出的不同部位的羊肉样品进行储藏时间的预测；
本发明利用手机APP上的储藏时间预测模块，选用非线性支持向量机SVR进行不同部位羊肉储藏时间的预测，预测结果如表2所示。
表2部分羊肉样品不同储藏时间预测结果
注：D代表第几只羊，F代表非真空包装，B代表羊背脊肉，Q代表羊前腿肉，H为羊后腿肉六、利用手机APP上的品质指标预测模块，基于羊肉品质指标随储藏时间变化的预测模型，进行待检测羊肉品质指标的预测；
本步骤中，利用手机APP上的品质指标预测模块对已预测出的不同部位不同储藏时间下的羊肉样品，利用建立的冷却羊肉挥发性盐基氮TVB-N的非线性指数模型和细菌总数TVC的非线性多项式拟合模型做为品质指标预测模块子程序对各指标的含量进行预测，预测结果参见表3。
表3部分羊肉样品品质指标预测结果
注：D代表第几只羊，F代表非真空包装，B代表羊背脊肉，Q代表羊前腿肉，H为羊后腿肉七、本发明中所用到的模型
1.羊肉部位判别模型
优选BP神经网络模型进行羊肉样品的不同部位的判别。BP模型参数设置如下:训练函数选择‘traingdx’，隐含层和输出层传递函数分别为‘logsig’、‘purelin’，网络训练目标误差设为0.1，学习速率为0.05，训练最大步数设为300。选用12个颜色特征和5个纹理特征，模型的输入层为17，隐含层的个数为35，输出层为3。用校正集样品数据得到模型的校正集判别准确率为90.84％，交叉验证的判别准确率分别为91.26％。
2.羊肉储藏时间预测模型
优选非线性支持向量机(SVR)回归模型进行羊肉样品的不同储藏时间预测，选用12个颜色特征做为模型的输入变量，构建最佳时间预测模型。
本发明中不同储藏时间预测模型建立过程如下:
1)羊前腿的储藏时间预测模型
羊前腿的储藏时间预测模型的核函数参数c为2.8284、g为0.500，用校正集样品数据得到模型的校正集均方误差MSE为1.458，相关系数R2为0.878，交叉验证的均方误差MSE为1.458，相关系数R2为0.879。
2)羊后腿的储藏时间预测模型
羊后退的储藏时间预测模型的核函数参数c为45.255、g为0.125，用校正集样品数据得到模型的校正集均方误差MSE为2.330，相关系数R2为0.805，交叉验证的均方误差MSE为2.343，相关系数R2为0.805。
3)羊背脊的储藏时间预测模型
羊背脊的储藏时间预测模型的核函数参数c为512、g为0.0625，用校正集样品数据得到模型的校正集均方误差MSE为2.276，相关系数R2为0.880，交叉验证的均方误差MSE为2.291，相关系数R2为0.880。
3.羊肉品质指标预测模型
本实施例中，冷却肉样品在4℃储藏期间利用自然腐败的菌落总数和挥发性盐基氮数值随贮藏时间变化规律对菌落总数和挥发性盐基氮进行非线性拟合，确定的细菌总数TVC和挥发性盐基氮TVB-N的非线性多项式拟合模型和细菌总数TVC非线性指数模型：
1)羊前腿肉在贮藏过程中各指标变化的预测模型：
细菌总数TVC：y＝0.000008x6-0.00007x5-0.0039x4+0.0647x3-0.2593x2+0.384x+1.9485 (3)
x为储藏天数，x∈(0～13d)
挥发性盐基氮TVB-N：y＝5.6934e0.1433x (4)
x为储藏天数，x∈(0～13d)
2)羊后腿肉在贮藏过程中各指标变化的预测模型：
细菌总数TVC：y＝0.000008x6-0.00006x5-0.004x4+0.0662x3-0.2694x2+0.4158x+2.3265 (5)
x为储藏天数，x∈(0～13d)
挥发性盐基氮TVB-N：y＝5.4872e0.1443x (6)
x为储藏天数，x∈(0～13d)
3)羊背脊肉在贮藏过程中各指标变化的预测模型为：
细菌总数TVC：y＝0.000006x6-0.00001x5-0.0048x4+0.0721x3-0.2881x2+0.4342x+2.024 (7)
x为储藏天数，x∈(0～13d)
挥发性盐基氮TVB-N：y＝5.5368e0.1428x (8)
x为储藏天数，x∈(0～13d)
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 (5)
1.一种基于手机APP的羊肉品质指标快速智能检测方法，包括以下步骤：
步骤1利用手机APP的图像采集模块,设定相机采集参数，采集待检测羊肉样品的手机图像；
步骤2利用手机APP的图像处理模块，进行图像预处理和特征提取；
步骤3利用手机APP上的部位判别模块，基于羊肉颜色和纹理特征所构建的不同部位判别模型，对采集到的羊肉样品进行不同部位羊肉的识别；
步骤4利用手机APP上的储藏时间预测模块，基于羊肉颜色特征所构建的储藏时间定量预测模型，对步骤3中判别出的不同部位的羊肉样品进行储藏时间的预测；
步骤5利用手机APP上的品质指标预测模块，基于羊肉品质指标随储藏时间变化的预测模型，进行待检测羊肉品质指标的预测；
上述步骤3所述的手机APP上的部位识别模块是由手机APP提取的颜色特征和纹理特征，运用非线性建模方法建立BP神经网络分类判别模型，利用所建立的不同部位判别模型对步骤1中采集的待检测羊肉样品进行羊背脊、羊前腿和羊后腿肉的判别预测；
上述步骤4所述的储藏时间预测模块是由手机APP提取的12个颜色特征，运用非线性建模方法建立储藏时间定量预测模型，分别建立羊前腿、羊后腿和羊背脊肉储藏时间定量预测模型，所述模型均为支持向量机回归模型（SVR），利用所建立的储藏时间定量预测模型，分别对步骤3所判别出的羊前腿、羊后腿和羊背脊肉进行储藏时间的预测；
上述步骤5中所述待检测羊肉的品质指标包括细菌总数TVC和挥发性盐基氮TVB-N，其中细菌总数TVC随储藏时间变化的预测模型为非线性多项式预测模型，模型参数通过细菌总数TVC随储藏时间变化规律进行拟合确定，挥发性盐基氮TVB-N随储藏时间变化的预测模型为非线性指数预测模型，模型参数通过挥发性盐基氮TVB-N随储藏时间变化规律进行拟合确定，利用所建立的羊肉品质指标随储藏时间变化的预测模型在步骤4的基础上进行挥发性盐基氮TVB-N和细菌总数TVC的指标含量预测；
通过以上步骤，可同时或依次分步完成对羊肉样品手机图像的采集、图像预处理和特征提取、不同部位的识别、不同储藏时间和品质指标的预测，并在结果显示模块显示检测结果，最终实现羊肉不同部位的判别、储藏时间的预测和品质指标的智能检测。
2.根据权利要求1所述的一种基于手机APP的羊肉品质指标快速智能检测方法，其特征在于，步骤1中所述手机APP包括图像采集模块、图像处理模块、部位判别模块、储藏时间预测模块、品质指标预测模块和结果显示模块。
3.根据权利要求1所述的一种基于手机APP的羊肉品质指标快速智能检测方法，其特征在于，步骤1中所述手机APP进行羊肉图像采集时，基于手机图像采集模块进行相机采集参数的设定，采集参数包括感光度ISO、快门S、色温参数、白平衡，当进行图像采集时，感光度ISO设置为500、快门S为1/17s、色温参数为5600K、自动白平衡。
4.根据权利要求1所述的一种基于手机APP的羊肉品质指标快速智能检测方法，其特征在于，步骤2所述的手机APP中图像处理模块的羊肉样品图像预处理是对样品图像内的背景、脂肪、筋膜非肌肉组织部分进行去除，以羊肉肌肉部位作为图像的感兴趣区域进行颜色和纹理特征提取，所述的特征提取是提取RGB 、rgb、HIS和CIE L*a*b*四种颜色空间模型下的R、G、B、r、g、b、H、I、S，L*、a*和b*颜色特征以及角二阶矩、对比度、逆差距、熵和相关性的羊肉样品图像GLCM纹理特征,其中的rgb颜色空间是将RGB归一化而得，与光照强度变化无关，可避免光照对图像颜色的影响。
5.根据权利要求1所述的一种基于手机APP的羊肉品质指标快速智能检测方法，其特征在于，步骤1中所述图像采集模块由光源控制器（1）、手机（2）、暗箱上端盖（3）、环形光源（4）、暗箱下端盖（5）、背景底板（6）、样品（7）、螺柱（8）和光源连接线（9）组成的便携式图像采集装置,环形光源（4）利用螺柱（8）和暗箱下端盖（5）连接，暗箱上端盖（3）和暗箱下端盖（5）利用滑槽连接，通过上下移动暗箱上端盖（3）实现手机成像高度的调节，通过调整光源控制器（1）来实现光照强度的调节，当进行图像采集时,将手机（2）放在上端盖图像采集处，连接光源连接线（9），通过调整光源控制器（1）使光照强度为70~80LUX之间，利用手机（2）设置好摄像头的参数后，聚焦进行图像采集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911121816.9A CN110675400B (zh) | 2019-11-15 | 2019-11-15 | 一种基于手机app的羊肉品质指标快速智能检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911121816.9A CN110675400B (zh) | 2019-11-15 | 2019-11-15 | 一种基于手机app的羊肉品质指标快速智能检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110675400A CN110675400A (zh) | 2020-01-10 |
| CN110675400B true CN110675400B (zh) | 2023-08-01 |
Family
ID=69087473
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911121816.9A Active CN110675400B (zh) | 2019-11-15 | 2019-11-15 | 一种基于手机app的羊肉品质指标快速智能检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110675400B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113138191B (zh) * | 2020-01-20 | 2022-08-05 | 上海各瑟信息科技有限公司 | 检测对象部位名称分析系统及方法 |
| 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 |
| CN111401350A (zh) * | 2020-03-03 | 2020-07-10 | 渤海大学 | 一种用于评价肉类反复冻融次数的比色卡及其制备方法和应用 |
| CN113447084A (zh) * | 2021-08-31 | 2021-09-28 | 季华实验室 | 预估食品货架期的检测装置、系统、方法和存储介质 |
| CN116359142B (zh) * | 2023-03-27 | 2024-03-22 | 山东千禧农牧发展有限公司 | 一种鸡肉品质的评价方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102269710A (zh) * | 2011-06-17 | 2011-12-07 | 中国农业大学 | 基于多光谱成像的生鲜猪肉有效期的快速无损预测装置 |
| CN103278464A (zh) * | 2013-04-18 | 2013-09-04 | 北京工商大学 | 鱼肉检测方法和装置 |
| 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 |
| CN107271375A (zh) * | 2017-07-21 | 2017-10-20 | 石河子大学 | 一种羊肉品质指标的高光谱图像检测方法 |
| CN109886926A (zh) * | 2019-01-22 | 2019-06-14 | 东喜和仪(珠海市)数据科技有限公司 | 基于图像识别的生鲜食品质量检测方法和装置 |
-
2019
- 2019-11-15 CN CN201911121816.9A patent/CN110675400B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102269710A (zh) * | 2011-06-17 | 2011-12-07 | 中国农业大学 | 基于多光谱成像的生鲜猪肉有效期的快速无损预测装置 |
| CN103278464A (zh) * | 2013-04-18 | 2013-09-04 | 北京工商大学 | 鱼肉检测方法和装置 |
| 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 |
| CN107271375A (zh) * | 2017-07-21 | 2017-10-20 | 石河子大学 | 一种羊肉品质指标的高光谱图像检测方法 |
| CN109886926A (zh) * | 2019-01-22 | 2019-06-14 | 东喜和仪(珠海市)数据科技有限公司 | 基于图像识别的生鲜食品质量检测方法和装置 |
Non-Patent Citations (3)
| Title |
|---|
| 基于高光谱图像技术的冷却羊肉颜色检测;许卫东等;《中国科技论文》;20160223(第04期);全文 * |
| 羊肉挥发性盐基氮的高光谱图像快速检测研究;朱荣光等;《光谱学与光谱分析》;20160315(第03期);全文 * |
| 计算机视觉技术在鱼新鲜度检测中的应用研究;黄星奕等;《计算机工程与设计》;20131031;第34卷(第10期);第0-3节、图1-6 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110675400A (zh) | 2020-01-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110675400B (zh) | 一种基于手机app的羊肉品质指标快速智能检测方法 | |
| CN106525732B (zh) | 基于高光谱成像技术的苹果内外品质快速无损检测方法 | |
| Chen et al. | Color grading of beef fat by using computer vision and support vector machine | |
| JP5761789B2 (ja) | 植物体の画像領域抽出方法、植物体の画像領域抽出装置、および植物体の生育監視システム | |
| Donis-González et al. | Assessment of chestnut (Castanea spp.) slice quality using color images | |
| CN109978822A (zh) | 一种基于机器视觉的香蕉成熟度评判建模方法和评判方法 | |
| JP2018525746A5 (zh) | ||
| US10407708B2 (en) | Method and system for determining microorganism growth | |
| CN103900972B (zh) | 基于多特征融合的肉类新鲜度高光谱图像可视化检测 | |
| 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 | |
| Hosseinpour et al. | An intelligent machine vision-based smartphone app for beef quality evaluation | |
| US11884959B2 (en) | Methods and systems for automated assessment of antibiotic sensitivity | |
| CN107505325B (zh) | 冬枣果实的全方位品质检测方法 | |
| CN108318494B (zh) | 红提果粉的在线视觉检测分级装置及其方法 | |
| CN116228772B (zh) | 一种生鲜食品变质区域快速检测方法及系统 | |
| CN108844957A (zh) | 一种基于机器视觉的烟叶油分检测新方法 | |
| CN102509414B (zh) | 一种基于计算机视觉的烟雾检测方法 | |
| CN113674265B (zh) | 一种基于时序变温过程中热成像和视觉成像融合的肉类品质定性检测方法 | |
| CN112816487B (zh) | 一种基于机器视觉的皮蛋内部品质无损检测方法 | |
| Shah et al. | Automatically localising ROIs in hyperspectral images using background subtraction techniques | |
| CN110118735A (zh) | 一种检测香梨公母的高光谱成像检测方法及装置 | |
| CN114820597A (zh) | 一种基于人工智能的冶炼品缺陷检测方法、装置及系统 | |
| CN113820300A (zh) | 一种猪肉中荧光假单胞菌生长预测的方法 | |
| Royo et al. | Design and implementation of a smart system for watermelon recognition | |
| CN117788960B (zh) | 一种基于双模型的烟叶返青判定方法、介质及系统 |
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 |