CN111523542A - 一种菌落总数回归预测模型的构建及运用该模型检测鱼肉新鲜度的方法 - Google Patents
一种菌落总数回归预测模型的构建及运用该模型检测鱼肉新鲜度的方法 Download PDFInfo
- Publication number
- CN111523542A CN111523542A CN202010319008.XA CN202010319008A CN111523542A CN 111523542 A CN111523542 A CN 111523542A CN 202010319008 A CN202010319008 A CN 202010319008A CN 111523542 A CN111523542 A CN 111523542A
- Authority
- CN
- China
- Prior art keywords
- fish
- prediction model
- colony
- regression prediction
- matrix
- 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
- 241000251468 Actinopterygii Species 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000001580 bacterial effect Effects 0.000 title claims abstract description 20
- 235000013372 meat Nutrition 0.000 claims abstract description 19
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 238000005057 refrigeration Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 39
- 230000003595 spectral effect Effects 0.000 claims description 36
- 238000012549 training Methods 0.000 claims description 36
- 230000009466 transformation Effects 0.000 claims description 32
- 239000013598 vector Substances 0.000 claims description 26
- 230000009467 reduction Effects 0.000 claims description 18
- 238000000926 separation method Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 6
- 238000002310 reflectometry Methods 0.000 claims description 6
- 108090000623 proteins and genes Proteins 0.000 claims description 5
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 229910052757 nitrogen Inorganic materials 0.000 claims description 4
- 238000012847 principal component analysis method Methods 0.000 claims description 4
- 210000002364 input neuron Anatomy 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 description 5
- 239000000126 substance Substances 0.000 description 4
- GETQZCLCWQTVFV-UHFFFAOYSA-N trimethylamine Chemical compound CN(C)C GETQZCLCWQTVFV-UHFFFAOYSA-N 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 235000013305 food Nutrition 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- RVBUGGBMJDPOST-UHFFFAOYSA-N 2-thiobarbituric acid Chemical compound O=C1CC(=O)NC(=S)N1 RVBUGGBMJDPOST-UHFFFAOYSA-N 0.000 description 2
- ZKHQWZAMYRWXGA-UHFFFAOYSA-N Adenosine triphosphate Natural products C1=NC=2C(N)=NC=NC=2N1C1OC(COP(O)(=O)OP(O)(=O)OP(O)(O)=O)C(O)C1O ZKHQWZAMYRWXGA-UHFFFAOYSA-N 0.000 description 2
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 2
- NTYJJOPFIAHURM-UHFFFAOYSA-N Histamine Chemical compound NCCC1=CN=CN1 NTYJJOPFIAHURM-UHFFFAOYSA-N 0.000 description 2
- SIKJAQJRHWYJAI-UHFFFAOYSA-N Indole Chemical compound C1=CC=C2NC=CC2=C1 SIKJAQJRHWYJAI-UHFFFAOYSA-N 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- PVNIIMVLHYAWGP-UHFFFAOYSA-N Niacin Chemical compound OC(=O)C1=CC=CN=C1 PVNIIMVLHYAWGP-UHFFFAOYSA-N 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- AUNGANRZJHBGPY-SCRDCRAPSA-N Riboflavin Chemical compound OC[C@@H](O)[C@@H](O)[C@@H](O)CN1C=2C=C(C)C(C)=CC=2N=C2C1=NC(=O)NC2=O AUNGANRZJHBGPY-SCRDCRAPSA-N 0.000 description 2
- 229930003316 Vitamin D Natural products 0.000 description 2
- QYSXJUFSXHHAJI-XFEUOLMDSA-N Vitamin D3 Natural products C1(/[C@@H]2CC[C@@H]([C@]2(CCC1)C)[C@H](C)CCCC(C)C)=C/C=C1\C[C@@H](O)CCC1=C QYSXJUFSXHHAJI-XFEUOLMDSA-N 0.000 description 2
- 239000011575 calcium Substances 0.000 description 2
- 229910052791 calcium Inorganic materials 0.000 description 2
- 238000000701 chemical imaging Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000009659 non-destructive testing Methods 0.000 description 2
- 229910052698 phosphorus Inorganic materials 0.000 description 2
- 239000011574 phosphorus Substances 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 102000004169 proteins and genes Human genes 0.000 description 2
- 210000001835 viscera Anatomy 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 235000019166 vitamin D Nutrition 0.000 description 2
- 239000011710 vitamin D Substances 0.000 description 2
- 150000003710 vitamin D derivatives Chemical class 0.000 description 2
- 229940046008 vitamin d Drugs 0.000 description 2
- ZKHQWZAMYRWXGA-KQYNXXCUSA-J ATP(4-) Chemical compound C1=NC=2C(N)=NC=NC=2N1[C@@H]1O[C@H](COP([O-])(=O)OP([O-])(=O)OP([O-])([O-])=O)[C@@H](O)[C@H]1O ZKHQWZAMYRWXGA-KQYNXXCUSA-J 0.000 description 1
- AUNGANRZJHBGPY-UHFFFAOYSA-N D-Lyxoflavin Natural products OCC(O)C(O)C(O)CN1C=2C=C(C)C(C)=CC=2N=C2C1=NC(=O)NC2=O AUNGANRZJHBGPY-UHFFFAOYSA-N 0.000 description 1
- 102000004190 Enzymes Human genes 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 208000001132 Osteoporosis Diseases 0.000 description 1
- JZRWCGZRTZMZEH-UHFFFAOYSA-N Thiamine Natural products CC1=C(CCO)SC=[N+]1CC1=CN=C(C)N=C1N JZRWCGZRTZMZEH-UHFFFAOYSA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 235000014113 dietary fatty acids Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000003925 fat Substances 0.000 description 1
- 229930195729 fatty acid Natural products 0.000 description 1
- 239000000194 fatty acid Substances 0.000 description 1
- 150000004665 fatty acids Chemical class 0.000 description 1
- 235000013332 fish product Nutrition 0.000 description 1
- 210000002816 gill Anatomy 0.000 description 1
- 229960001340 histamine Drugs 0.000 description 1
- PZOUSPYUWWUPPK-UHFFFAOYSA-N indole Natural products CC1=CC=CC2=C1C=CN2 PZOUSPYUWWUPPK-UHFFFAOYSA-N 0.000 description 1
- RKJUIXBNRJVNHR-UHFFFAOYSA-N indolenine Natural products C1=CC=C2CC=NC2=C1 RKJUIXBNRJVNHR-UHFFFAOYSA-N 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 229960003512 nicotinic acid Drugs 0.000 description 1
- 235000001968 nicotinic acid Nutrition 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 235000015277 pork Nutrition 0.000 description 1
- 235000019192 riboflavin Nutrition 0.000 description 1
- 229960002477 riboflavin Drugs 0.000 description 1
- 239000002151 riboflavin Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 235000019157 thiamine Nutrition 0.000 description 1
- KYMBYSLLVAOCFI-UHFFFAOYSA-N thiamine Chemical compound CC1=C(CCO)SCN1CC1=CN=C(C)N=C1N KYMBYSLLVAOCFI-UHFFFAOYSA-N 0.000 description 1
- 229960003495 thiamine Drugs 0.000 description 1
- 239000011721 thiamine Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 230000002087 whitening effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Chemical & Material Sciences (AREA)
- Software Systems (AREA)
- Biochemistry (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Analytical Chemistry (AREA)
- Mathematical Physics (AREA)
- Immunology (AREA)
- Multimedia (AREA)
- Food Science & Technology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Physiology (AREA)
- Medicinal Chemistry (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种菌落总数回归预测模型的构建及运用该模型检测鱼肉新鲜度的方法,菌落总数回归预测模型的构建方法包括对鱼肉样本进行高光谱图像检测,高光谱图像的预处理,获取训练样本和建立菌落总数回归预测模型。在构建得到菌落总数回归预测模型后,通过高光谱分选仪采集待测鱼肉样品的高光谱图像后即可预测待测鱼肉样品的菌落总数,从而判断其新鲜度。本发明利用差分进化算法优化核极限学习机,进一步建立鱼肉菌落总数回归模型,根据该模型可以对不同冷藏天数的鱼肉菌落总数含量进行无损检测,操作步骤简单,检测成本低,降低了传统方法所需的时间,提高了检测效率,为鱼肉的新鲜度快速无损检测提供了一种经济环保的理论支持和解决途径。
Description
技术领域
本发明涉及食品检测技术领域,尤其涉及一种菌落总数回归预测模型的构建及运用该模型检测鱼肉新鲜度的方法。
背景技术
鱼是一种重要的水产品,鱼也是适宜进补的优质水产食品,不仅味道鲜美,而且营养价值极高,其蛋白质含量为猪肉的两倍,且属于优质蛋白,人体吸收率高,鱼还富含丰富的硫胺素、核黄素、尼克酸、维生素D和一定的钙、磷、铁等矿物质,鱼肉中脂肪含量虽低,但其中的脂肪酸被证实有降糖、护心和防癌的作用,鱼肉中的维生素D、钙、磷等能有效地预防骨质疏松症。但是由于鱼类产品普遍水分含量较高,在冷藏运输的过程中,蛋白质和脂肪在酶和微生物的作用下极易腐败变质。因此,快速、准确的预测和判别鱼类的新鲜度显得尤为重要。
评价鱼肉新鲜度的方法有很多,一种是感官评价,通过观测鱼眼泛白程度,鱼身完整程度,鱼鳃是否鲜红等,具有很大的主观判别因素,不能及时、准确地反映鱼肉品质。另一种是化学指标评价,其中K值、pH值、挥发性盐基氮(TVB-N)、硫代巴比妥酸(TBA)值、三甲胺(TMA)、吲哚、组胺含量水平等均能反映鱼的新鲜度,尽管化学方法稳定可靠,但是操作过程使用化学试剂,是一种破坏性实验,操作繁琐,检测时间较长不能保证实时性。
高光谱成像技术作为一种无损检测技术,相比较于传统检测方法,具有快速、成本低和预测准确的特点,但用于检测鱼类新鲜度指标菌落总数含量方面没有报道,中国专利申请号201910547473.6、名称为“一种三磷酸腺苷荧光检测水产品新鲜度的方法”用化学方法检测水产品ATP含量,检测时间较长,操作繁琐。中国专利申请号201910777923.0、名称为“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”采集鱼眼图像进行处理,虽然可以实现快速无损地检测新鲜度,但是稳定性较差,新鲜度准确率较低。
发明内容
本发明的目的是提供一种菌落总数回归预测模型的构建及运用该模型检测鱼肉新鲜度的方法,以解决现有鱼肉新鲜度检测稳定性较差,准确率较低的问题。
第一方面,本发明提供一种菌落总数回归预测模型的构建方法,包括:
鱼肉样本的高光谱成像检测,高光谱图像的预处理,获取训练样本和建立菌落总数回归预测模型;
所述建立菌落总数回归预测模型为根据所述训练样本的平均光谱数据和对应的实际菌落总数,经由核极限学习机建模得到;所述核极限学习机经过差分进化算法优化。
进一步地,所述差分进化算法用于确定所述核极限学习机模型的最优的惩罚系数C和核参数σ。
进一步地,所述差分进化算法的具体优化步骤为:
(1)种群初始化在解空间内随机均匀产生L个个体,每个个体是一个n维向量:
Xa(0)=Xa,1(0)+Xa,2(0)+…+Xa,n(0),a=1,2,3,…,M,
Xa(0)表示第0代的第a个个体,Xa,b(0)表示第0代第a个个体的第b个基因;
(2)变异操作通过差分策略实现个体变异,在第e次迭代中,对于个体Xa(e)=Xa,1(e)+Xa,2(e)+…+Xa,n(e)生成一个1号中间向量Za(e),从种群中随机选择3个个体:且d1≠d2≠d3,则有:
(3)在第e次迭代中,每个个体和它所生成的1号中间向量进行交叉来生成2号中间向量Va(e),Va(e)每一个分量计算为:
(4)根据适应度函数的值从第e次迭代中,每个个体的2号中间向量Va(e)和原向量Xa(e)中选择出适应度更高的下一代:
进一步地,所述建立菌落总数回归预测模型包括:
通过所述差分化进化算法得到最优的惩罚系数C和核参数σ后,进行如下步骤:
(1)对于一个训练样本,(xi,yi),i=1,…,M,xi,yi∈RM,xi是输入数据,yi为目标输出,可知具有N个隐含层神经元的单隐层前馈神经网络输出表达式为:
(2)将步骤(1)得到隐层前馈神经网络输出表达式简化为:Hα=Y,αj表示的是第j个隐含层输入神经元和输出神经元之间的连接权值,其表达式为:
式中,C是惩罚系数,Y=[y1,…,yM]T为输入样本目标值向量;
(3)根据Mercer条件,定义一个满足该函数的核函数:
K(x1,xi)为核函数;
选择径向基函数作为核函数得到菌落总数训练模型,其表达式为:
K(x,x1)=k(||x-xc||)=exp{-||x-xc||2/(2×σ)2}。
进一步地,在构建得到所述菌落总数训练模型后,运用所述平均光谱数据和对应的实际菌落总数对所述菌落总数训练模型的识别率进行检测,当所述识别率达到95%以上时,以所述菌落总数训练模型作为所述菌落总数回归预测模型;当所述识别率未达到95%时,返回所述获取训练样本步骤。
进一步地,所述获取训练样本的步骤包括:
将预处理后得到的平均光谱数据通过随机法分为建模集和预测集,对所述建模集进行降维处理得到所述训练样本。
所述随机法按照3:1将所述平均光谱数据分为建模集和预测集。
更进一步,所述降维处理为通过核主成分分析法对所述建模集进行降维处理,取方差累积贡献率超过85%的主成分作为所述训练样本。
进一步地,所述高光谱图像的预处理包括黑白校正和通过最小噪声分离变换去除噪声。
更进一步,所述黑白校正的具体步骤包括:
其中IJ是校正后的图像,IY是原始高光谱图像,IH是黑板图像,其反射率为0%,IB是白板图像,其反射率为99.9%;
所述最小噪声分离变换具体步骤包括:
(1)利用高通滤波器对原始高光谱图像进行滤波处理,得到噪声协方差矩阵NX,将其对角化为矩阵DX:
DX=VTNXV,
式中,DX为NX的特征值按照降序排列的对角矩阵;V是由特征向量组成的正交矩阵,进一步变换公式可得:
I=CTNXC,
式中,I为单位矩阵,C为变换矩阵;
(2)对噪声数据进行标准主成分变换:
NP=CTAXC,
式中,AX为平均光谱数据的协方差矩阵,NP为经过C变换后的矩阵,进一步将其对角化为矩阵DP:
DP=FTNPF,
式中,DP为NP的特征值按照降序排列的对角矩阵,F是由特征向量组成的正交矩阵;
(3)得到最小噪声分离变换的变换矩阵:
M=CF,
式中,M为最小噪声分离变换的变换矩阵。
第二方面,本发明提供一种菌落总数回归预测模型,所述菌落总数回归预测模型通过如下方式得到:
(1)取多个不同冷藏天数鱼肉样本进行高光谱检测得到每个鱼肉样本对应的高光谱图像以及实际菌落总数;
(2)对所述每个鱼肉样本对应的高光谱图像进行预处理,将预处理后的高光谱图像提取感兴趣区域,获取每个鱼肉样本对应的感兴趣区域的平均光谱数据,将所有鱼肉样本对应的平均光谱数据分为建模集和预测集;
所述预处理为黑白校正和最小噪声分离变换;
(3)对所述建模集内的平均光谱数据通过核主成分分析法进行降维处理得到训练样本;
(4)通过差分进化算法优化的核极限学习机进行建模。
具体地,菌落总数回归预测模型的构建方法为:
(1)将新鲜的鱼去头、去尾、去皮、去内脏,切割为2cm×2cm×1cm的大小,共获得m个样本,4m/5个样本为建模集和预测集样本,m/5个样本为待测鱼肉样本,贴上标签放置于4℃(±2℃)的冷藏柜中,分别冷藏1、2、3、4、5、6d。
(2)每天取出1/6的建模集、预测集样本和待测鱼肉样本,采用GaiaSorter高光谱分选仪采集高光谱图像,建模集和预测集样本采集完成后立即采用国标GB4789.2-2016检测得到每个样本的实际菌落总数。
(3)对鱼肉样本采集完高光谱图像后,先对原始高光谱图像进行反射率校正,反射率校正的方法是黑白校正,然后用最小噪声分离变换(Minimum Noise FractionRotation,MNF)来去除图像中的噪声,预处理完成后用ENVI 5.3来提取高光谱图像的感兴趣区域,将整个鱼肉图像作为感兴趣区域,获得感兴趣区域内的平均光谱数据。
(4)对感兴趣区域内的平均光谱数据用随机法按照3:1分为建模集和预测集,对建模集采用核主成分分析(Kernel Principal Component Analysis,KPCA)进行降维处理,取方差累积贡献率超过85%的前k个主成分,获得降维之后的平均光谱数据。
(5)降维之后的平均光谱数据和对应的实际菌落总数含量采用差分进化算法(Differential Evolution Algorithm,DE)优化的核极限学习机(Kernel ExtremeLearning Machine,KELM)建模,建好模型之后根据对训练集中预处理之后的平均光谱数据及对应的实际菌落总数确定所述菌落总数训练模型的识别率,识别率高于95%即确定为菌落总数回归预测模型,若低于95%就返回到上一个步骤。
第三方面,本发明提供一种检测鱼肉新鲜度的方法,包括:通过高光谱分选仪采集待测鱼肉样品的高光谱图像,对所述高光谱图像进行黑白校正、最小噪声分离变换的预处理流程,对预处理后的所述高光谱图像提取所述感兴趣区域的平均光谱数据,将所述平均光谱数据代入至通过上述构建方法构建得到的菌落总数回归预测模型对所述待测鱼肉样品的菌落总数进行预测,后根据预测结果判断所述待测鱼肉样品的新鲜度。
判断方法具体为:鱼肉菌落总数含量在105cfu/g以下时为一级鲜度,鱼肉菌落总数含量在105cfu/g至106cfu/g之间时为二级鲜度,仍可以食用,鱼肉菌落总数含量大于106cfu/g时鱼肉腐败变质,不能食用。
本发明提供一种菌落总数回归预测模型的构建及运用该模型检测鱼肉新鲜度的方法,具有如下有益效果:
本发明公开了一种基于高光谱技术检测鱼肉新鲜度指标菌落总数含量的方法,根据不同冷藏天数鱼肉样品的高光谱图像数据和实际菌落数建立菌落总数回归预测模型。根据该模型可以对不同冷藏天数的鱼肉新鲜度的菌落总数含量进行无损检测,操作步骤简单,检测成本低,降低了传统方法所需的时间,提高了检测效率,为鱼肉的新鲜度快速无损检测提供了一种经济、环保的理论支持和解决途径。
附图说明
图1为本发明实施例提供的基于高光谱技术检测鱼新鲜度指标菌落总数含量的方法流程图;
图2为本发明实施例提供的菌落总数回归预测模型的建立以及以该模型预测鱼肉新鲜度的方法流程图。
具体实施方式
以下实施例用于说明本发明,但不用来限制本发明的范围。
实施例
本实施例提供一种菌落总数回归预测模型的建立以及以该模型预测鱼肉新鲜度的方法,流程如图1所示,具体包括如下步骤:
S1:制备鱼肉样本并冷藏。
S2:获取不同冷藏天数鱼肉样本的高光谱图像及实际菌落数。
S3:对高光谱图像进行黑白校正、最小噪声分离变换,然后将整个鱼肉高光谱图像作为感兴趣区域,获得感兴趣区域的平均光谱数据。
S4:对建模集感兴趣区域内的平均光谱数据进行降维处理,获得降维之后的平均光谱数据。
S5:根据建模集降维后的平均光谱数据及菌落总数建立菌落总数回归预测模型。
S6:根据菌落总数回归预测模型对待测鱼肉样本进行新鲜度测定。
根据上述菌落总数回归预测模型的建立方法,更具体地,如图2所示,本实施例提供如下具体菌落总数回归预测模型的建立步骤以及利用该模型预测鱼肉新鲜度的方法:
1、获取不同冷藏天数的鱼肉样本
将新鲜的鱼去头、去尾、去皮、去内脏,切割为2cm×2cm×1cm大小的鱼肉样本,共获得m个样本,4m/5个样本为建模集和预测集样本,m/5个样本为待测鱼肉样本,贴上标签放置于4℃(±2℃)的冷藏柜中,分别冷藏1、2、3、4、5、6d。
2、高光谱图像的预处理
每天取出1/6建模集和预测集鱼肉样本和待测鱼肉样本,采用GaiaSorter高光谱分选仪采集高光谱图像,建模集和预测集样本采集完成后立即采用国标GB4789.2-2016检测得到每个样本的实际菌落总数。
3、高光谱图像的预处理
采集完高光谱图像后先对原始高光谱图像进行反射率校正,反射率校正用的方法是黑白校正,然后用最小噪声分离变换(Minimum Noise Fraction Rotation,MNF)来去除图像中的噪声。
黑白校正的具体方法为:
其中IJ是校正后的图像,IY是原始高光谱图像,IH是黑板图像,其反射率为0%,IB是白板图像,其反射率为99.9%。
最小噪声变换的具体步骤为:
(1)首先利用高通滤波器对原始高光谱图像进行滤波处理,得到噪声协方差矩阵NX,将其对角化为矩阵DX:
DX=VTNXV
式中,DX为NX的特征值按照降序排列的对角矩阵;V是由特征向量组成的正交矩阵。进一步变换公式可得:
I=CTNXC
式中,I为单位矩阵,C为变换矩阵。
(1)对噪声数据进行标准主成分变换:
NP=CTAXC
式中,AX为平均光谱数据的协方差矩阵,NP为经过C变换后的矩阵,进一步将其对角化为矩阵DP:
DP=FTNPF
式中,DP为NP的特征值按照降序排列的对角矩阵,F是由特征向量组成的正交矩阵。
(3)得到最小噪声分离变换的变换矩阵:
M=CF
式中,M为最小噪声分离变换的变换矩阵。
4、提取感兴趣区域
预处理完成后用ENVI 5.3来提取高光谱图像的感兴趣区域,将整个鱼肉图像作为感兴趣区域,获得感兴趣区域内的平均光谱数据。
5、平均光谱数据的降维处理
5.1将感兴趣区域内的平均光谱数据用随机法以3:1的比例分为建模集和预测集。
5.2用核主成分分析(Kernel Principal Component Analysis,KPCA)对建模集进行降维处理,取方差累积贡献率超过85%的前k个主成分,获得降维之后的平均光谱数据作为训练样本。
6、菌落总数回归模型的构建
对建模集降维之后的平均光谱数据及对应的实际菌落总数进行差分进化算法(Differential Evolution Algorithm,DE)优化的核极限学习机(Kernel ExtremeLearning Machine,KELM)建模,建立菌落总数训练模型,差分进化算法优化的核极限学习机运算如下:
(1)首先用差分进化算法优化核极限学习机,核极限学习机模型中的惩罚系数(C)和核参数(σ)这两个参数,惩罚系数起着调节结构风险和经验风险之间平衡的作用,而核参数控制着函数的径向作用范围,因此需要通过差分进化算法来寻找最优的惩罚系数和核参数,先是种群初始化,在解空间内随机均匀产生L个个体,每个个体是一个n维向量:
Xa(0)=Xa,1(0)+Xa,2(0)+…+Xa,n(0),a=1,2,3,…,M
Xa(0)表示第0代的第a个个体,Xa,b(0)表示第0代第a个个体的第b个基因;
(2)变异操作通过差分策略实现个体变异,在第e次迭代中,对于个体Xa(e)=Xa,1(e)+Xa,2(e)+…+Xa,n(e)生成一个1号中间向量Za(e),从种群中随机选择3个个体:且d1≠d2≠d3,则有:
(3)在第e次迭代中,每个个体和它所生成的1号中间向量进行交叉来生成2号中间向量Va(e),Va(e)的每一个分量计算为:
(4)根据适应度函数的值从第e次迭代中,每个个体的2号中间向量Va(e)和原向量Xa(e)中选择出适应度更高的下一代:
(5)选择出最优惩罚系数(C)和最优核参数(σ)后开始建模,对于一个训练样本,(xi,yi),i=1,…,M,xi,yi∈RM,xi是输入数据,yi为目标输出,可知具有N个隐含层神经元的单隐层前馈神经网络输出表达式为:
(6)将步骤(1)得到隐层前馈神经网络输出表达式简化为:Hα=Y,αj表示的是第j个隐含层输入神经元和输出神经元之间的连接权值,其表达式为:
式中,C是惩罚系数,Y=[y1,…,yM]T为输入样本目标值向量。
(7)根据Mercer条件,定义一个满足该函数的核函数:
K(x1,xi)为核函数;
选择径向基函数作为核函数得到菌落总数训练模型,其表达式为:
K(x,x1)=k(||x-xc||)=exp{-||x-xc||2/(2×σ)2}
其中,σ为控制宽度的核参数。
(8)根据训练集中预处理之后的平均光谱数据及对应的实际菌落总数确定菌落总数训练模型的识别率。
判断训练模型的识别率是否高于95%,获得判断结果:
①若判断结果为所述菌落总数训练模型的识别率不高于95%,返回所述将预处理之后平均光谱数据用随机法分为建模集和预测集的步骤。
②若判断结果为所述菌落总数训练模型的识别率高于95%,确定菌落总数训练模型为菌落总数回归预测模型。
7、待测鱼肉样本的检测
以第6步建立好的菌落总数回归预测模型对待测鱼肉样本进行预测,对待测鱼肉样本采集完高光谱图像,然后进行预处理和提取感兴趣区域,对感兴趣区域的光谱进行计算获得平均光谱数据,然后将平均光谱数据代入菌落总数回归预测模型,得到所述待测鱼肉样本的预测菌落总数,根据预测菌落总数含量来判别鱼的新鲜度。
鱼肉菌落总数含量在105cfu/g以下时为一级鲜度,鱼肉菌落总数含量在105cfu/g至106cfu/g之间时为二级鲜度,仍可以食用,鱼肉菌落总数含量大于106cfu/g时鱼肉腐败变质,不能食用。
虽然,上文中已经用一般性说明及具体实施方案对本发明作了详尽的描述,但在本发明基础上,可以对其作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (10)
1.一种菌落总数回归预测模型的构建方法,其特征在于,包括:
鱼肉的高光谱图像检测,高光谱图像的预处理,训练样本的获取和建立菌落总数回归预测模型;
所述建立菌落总数回归预测模型为根据所述训练样本的平均光谱数据和对应的实际菌落总数,经由核极限学习机建模得到;所述核极限学习机经过差分进化算法优化。
2.根据权利要求1所述的构建方法,其特征在于,所述差分进化算法用于确定所述核极限学习机模型的最优的惩罚系数C和核参数σ,所述差分进化算法优化的步骤包括:
(1)种群初始化在解空间内随机均匀产生L个个体,每个个体是一个n维向量:
Xa(0)=Xa,1(0)+Xa,2(0)+…+Xa,n(0),a=1,2,3,…,M,
Xa(0)表示第0代的第a个个体,Xa,b(0)表示第0代第a个个体的第b个基因;
(2)变异操作通过差分策略实现个体变异,在第e次迭代中,对于个体Xa(e)=Xa,1(e)+Xa,2(e)+…+Xa,n(e)生成一个1号中间向量Za(e),从种群中随机选择3个个体:且d1≠d2≠d3,则有:
(3)在第e次迭代中,每个个体和它所生成的1号中间向量进行交叉来生成2号中间向量Va(e),Va(e)的每一个分量按如下公式计算:
(4)根据适应度函数的值从第e次迭代中,每个个体的2号中间向量Va(e)和原向量Xa(e)中选择出适应度更高的下一代:
3.根据权利要求1或2所述的构建方法,其特征在于,所述建立菌落总数回归预测模型包括:
通过所述差分化进化算法得到最优的惩罚系数C和核参数σ后,进行如下步骤:
(1)对于一个训练样本(xi,yi),i=1,…,M,xi,yi∈RM,xi是输入数据,yi为目标输出,可知具有N个隐含层神经元的单隐层前馈神经网络输出表达式为:
(2)将步骤(1)得到的隐层前馈神经网络输出表达式简化为:Hα=Y,αj表示的是第j个隐含层输入神经元和输出神经元之间的连接权值,其表达式为:
式中,C是惩罚系数,Y=[y1,…,yM]T为输入样本目标值向量;
(3)根据Mercer条件,定义一个满足该函数的核函数:
K(x1,xi)为核函数;
选择径向基函数作为核函数得到菌落总数训练模型,其表达式为:
K(x,x1)=k(||x-xc||)=exp{-||x-xc||2/(2×σ)2}。
4.根据权利要求3所述的构建方法,其特征在于,在构建得到所述菌落总数训练模型后,运用所述平均光谱数据和对应的实际菌落总数对所述菌落总数训练模型的识别率进行检测,当所述识别率达到95%以上时,以所述菌落总数训练模型作为所述菌落总数回归预测模型;当所述识别率未达到95%时,返回所述获取训练样本步骤。
5.根据权利要求1-4任一项所述的构建方法,其特征在于,所述获取训练样本的步骤包括:
将预处理后得到的平均光谱数据通过随机法分为建模集和预测集,对所述建模集进行降维处理得到所述训练样本。
6.根据权利要求5所述的构建方法,其特征在于,所述降维处理为通过核主成分分析法对所述建模集进行降维处理,取方差累积贡献率超过85%的主成分作为所述训练样本。
7.根据权利要求1-6任一项所述的构建方法,其特征在于,所述高光谱图像的预处理包括黑白校正和通过最小噪声分离变换去除噪声。
8.根据权利要求7所述的构建方法,其特征在于,所述黑白校正的具体步骤包括:
其中IJ是校正后的图像,IY是原始高光谱图像,IH是黑板图像,其反射率为0%,IB是白板图像,其反射率为99.9%;
所述最小噪声分离变换具体步骤包括:
(1)利用高通滤波器对原始高光谱图像进行滤波处理,得到噪声协方差矩阵NX,将其对角化为矩阵DX:
DX=VTNXV,
式中,DX为NX特征值按照降序排列的对角矩阵;V是由特征向量组成的正交矩阵,进一步变换公式可得:
I=CTNXC,
式中,I为单位矩阵,C为变换矩阵;
(2)对噪声数据进行标准主成分变换:
NP=CTAXC,
式中,AX为平均光谱数据的协方差矩阵,NP为经过C变换后的矩阵,进一步将其对角化为矩阵DP:
DP=FTNPF,
式中,DP为NP的特征值按照降序排列的对角矩阵,F是由特征向量组成的正交矩阵;
(3)得到最小噪声分离变换的变换矩阵:
M=CF,
式中,M为最小噪声分离变换的变换矩阵。
9.一种菌落总数回归预测模型,其特征在于,所述菌落总数回归预测模型通过如下方式得到:
(1)获取不同冷藏天数鱼肉样本进行高光谱检测得到每个鱼肉样本对应的高光谱图像以及实际菌落总数;
(2)对所述每个鱼肉样本对应的高光谱图像进行预处理,对预处理后的高光谱图像提取感兴趣区域,获得每个鱼肉样本对应的感兴趣区域的平均光谱数据,将所有鱼肉样本对应的平均光谱数据通过随机法分为建模集和预测集;
所述预处理为黑白校正和最小噪声分离变换;
(3)对所述建模集内的平均光谱数据通过核主成分分析法进行降维处理得到训练样本;
(4)通过差分进化算法优化的核极限学习机进行建模。
10.一种检测鱼肉新鲜度的方法,其特征在于,包括:
通过高光谱分选仪采集待测鱼肉样品的高光谱图像,对所述高光谱图像进行黑白校正、最小噪声分离变换预处理,对预处理后的所述高光谱图像提取感兴趣区域,计算所述感兴趣区域的平均光谱数据,将所述平均光谱数据代入至通过权利要求1-8任一项所述构建方法构建得到的菌落总数回归预测模型或权利要求9所述的菌落总数回归预测模型对所述待测鱼肉样品的菌落总数进行预测后,根据预测结果判断所述待测鱼肉样品的新鲜度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010319008.XA CN111523542A (zh) | 2020-04-21 | 2020-04-21 | 一种菌落总数回归预测模型的构建及运用该模型检测鱼肉新鲜度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010319008.XA CN111523542A (zh) | 2020-04-21 | 2020-04-21 | 一种菌落总数回归预测模型的构建及运用该模型检测鱼肉新鲜度的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111523542A true CN111523542A (zh) | 2020-08-11 |
Family
ID=71910603
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010319008.XA Pending CN111523542A (zh) | 2020-04-21 | 2020-04-21 | 一种菌落总数回归预测模型的构建及运用该模型检测鱼肉新鲜度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111523542A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112213281A (zh) * | 2020-11-16 | 2021-01-12 | 湖北省农业科学院农产品加工与核农技术研究所 | 一种基于透射近红外光谱快速测定淡水鱼新鲜度综合评价的方法 |
CN113791055A (zh) * | 2021-08-17 | 2021-12-14 | 北京农业信息技术研究中心 | 一种鱼肉新鲜度检测方法及系统 |
CN113820300A (zh) * | 2021-10-28 | 2021-12-21 | 南京农业大学 | 一种猪肉中荧光假单胞菌生长预测的方法 |
CN114252318A (zh) * | 2021-12-27 | 2022-03-29 | 浙江大学 | 一种鸡肉中金黄色葡萄球菌的检测方法及系统 |
CN114720436A (zh) * | 2022-01-24 | 2022-07-08 | 四川农业大学 | 基于荧光高光谱成像的农产品品质参数检测方法及设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102628794A (zh) * | 2012-04-19 | 2012-08-08 | 江苏大学 | 一种基于高光谱成像技术的畜肉细菌总数快速测定方法 |
CN106383095A (zh) * | 2016-11-03 | 2017-02-08 | 宁夏大学 | 一种冷却羊肉表面细菌总数检测装置及方法 |
-
2020
- 2020-04-21 CN CN202010319008.XA patent/CN111523542A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102628794A (zh) * | 2012-04-19 | 2012-08-08 | 江苏大学 | 一种基于高光谱成像技术的畜肉细菌总数快速测定方法 |
CN106383095A (zh) * | 2016-11-03 | 2017-02-08 | 宁夏大学 | 一种冷却羊肉表面细菌总数检测装置及方法 |
Non-Patent Citations (3)
Title |
---|
吴泽彬: "一种基于核极限学习的空谱联合高光谱图像分类方法与系统实现", 《万方数据》 * |
唐晓燕: "《高光谱图像混合像元非线性分解技术》", 31 March 2019 * |
陈于思,孙林夫: "基于差分进化和极限学习机的并发查询性能预测", 《计算机集成制造系统》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112213281A (zh) * | 2020-11-16 | 2021-01-12 | 湖北省农业科学院农产品加工与核农技术研究所 | 一种基于透射近红外光谱快速测定淡水鱼新鲜度综合评价的方法 |
CN113791055A (zh) * | 2021-08-17 | 2021-12-14 | 北京农业信息技术研究中心 | 一种鱼肉新鲜度检测方法及系统 |
CN113791055B (zh) * | 2021-08-17 | 2024-05-14 | 北京农业信息技术研究中心 | 一种鱼肉新鲜度检测方法及系统 |
CN113820300A (zh) * | 2021-10-28 | 2021-12-21 | 南京农业大学 | 一种猪肉中荧光假单胞菌生长预测的方法 |
CN114252318A (zh) * | 2021-12-27 | 2022-03-29 | 浙江大学 | 一种鸡肉中金黄色葡萄球菌的检测方法及系统 |
CN114252318B (zh) * | 2021-12-27 | 2023-11-17 | 浙江大学 | 一种鸡肉中金黄色葡萄球菌的检测方法及系统 |
CN114720436A (zh) * | 2022-01-24 | 2022-07-08 | 四川农业大学 | 基于荧光高光谱成像的农产品品质参数检测方法及设备 |
CN114720436B (zh) * | 2022-01-24 | 2023-05-12 | 四川农业大学 | 基于荧光高光谱成像的农产品品质参数检测方法及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111523542A (zh) | 一种菌落总数回归预测模型的构建及运用该模型检测鱼肉新鲜度的方法 | |
TU et al. | Selection for high quality pepper seeds by machine vision and classifiers | |
CN109767437B (zh) | 基于k均值动态多目标的红外热图像缺陷特征提取方法 | |
CN109559309B (zh) | 基于均匀进化的多目标优化红外热图像缺陷特征提取方法 | |
CN109615616A (zh) | 一种基于abc-pcnn的裂缝识别方法及系统 | |
CN111401444B (zh) | 红酒原产地的预测方法、装置、计算机设备及存储介质 | |
CN113505810A (zh) | 基于池化视觉Transformer杂草生长周期检测方法 | |
Saputra et al. | Implementation of naïve Bayes for fish freshness identification based on image processing | |
CN116843628A (zh) | 一种基于机器学习复合优化的藕带无损检测与分级方法 | |
CN110991554A (zh) | 一种基于改进pca的深度网络图像分类方法 | |
Waliyansyah et al. | Comparison of tree method, support vector machine, Naïve Bayes, and logistic regression on coffee bean image | |
Sabanci et al. | Benchmarking analysis of CNN models for pits of sour cherry cultivars | |
McDonald et al. | Images, features, or feature distributions? A comparison of inputs for training convolutional neural networks to classify lentil and field pea milling fractions | |
Di et al. | Prediction of red wine quality using one-dimensional convolutional neural networks | |
Rusli et al. | Potato leaf disease classification using image processing and artificial neural network | |
CN114092799A (zh) | 基于池化视觉Transformer林业害虫识别检测方法 | |
CN111968087A (zh) | 一种植物病害区域检测方法 | |
CN111582440A (zh) | 一种基于深度学习的数据处理方法 | |
Ningsih et al. | Fuzzy learning vector quantization for classification of mixed meat image based on character of color and texture | |
Thyagharajan et al. | Diagnosis of neem leaf disease using Fuzzy-HOBINM and ANFIS Algorithms | |
CN114331474A (zh) | 一种模糊线性判别分析的牛奶产地溯源方法 | |
Tonael et al. | Selection of Superior Rice Seed Features Using Deep Learning Method | |
Sadhana et al. | Fruit Quality Identification Using Deep LearningTechniques | |
Zia et al. | Analysis of grape leaf disease by using deep convolutional neural network | |
Kim | Method for estimating intramuscular fat percentage of Hanwoo (korean traditional cattle) using convolutional neural networks in ultrasound images |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200811 |