CN111724350A - 鱼体新鲜度无损检测方法及装置 - Google Patents
鱼体新鲜度无损检测方法及装置 Download PDFInfo
- Publication number
- CN111724350A CN111724350A CN202010475874.8A CN202010475874A CN111724350A CN 111724350 A CN111724350 A CN 111724350A CN 202010475874 A CN202010475874 A CN 202010475874A CN 111724350 A CN111724350 A CN 111724350A
- Authority
- CN
- China
- Prior art keywords
- color space
- freshness
- values
- total number
- basic nitrogen
- 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
Images
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
- G06T7/0004—Industrial image inspection
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/30108—Industrial image inspection
- G06T2207/30128—Food products
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Food Science & Technology (AREA)
- Theoretical Computer Science (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Medicinal Chemistry (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明实施例提供一种鱼体新鲜度无损检测方法及装置,该方法包括:获取鱼眼图像,对所述鱼眼图像进行特征提取,得到多颜色空间特征值,所述多颜色空间特征值包括RGB颜色空间的R、G和B值,L*a*b*颜色空间的L*值,以及HSI颜色空间的I值;将所述多颜色空间特征值,输入预设的多元回归新鲜度预测模型,输出挥发性盐基氮含量和/或菌落总数的预测值,根据所述挥发性盐基氮含量和/或菌落总数的预测值,确定鱼体的新鲜度指标;其中,所述多元回归模型,根据样本鱼眼图像的多颜色空间特征值,以及确定的挥发性盐基氮含量和/或菌落总数,进行多元线性拟合得到。该方法能够实现综合性强,准确度高且无损的快速鱼体新鲜度检测。
Description
技术领域
本发明涉及食品安全监测技术领域,尤其涉及一种鱼体新鲜度无损检测方法及装置。
背景技术
大西洋鲑鱼又称三文鱼,是一种重要的生鱼片原料。三文鱼口感鲜美细腻,其蛋白质含量高,热量低,富含不饱和脂肪酸,越来越受到消费者的青睐。在冷链物流阶段,随着三文鱼自身腐败物质含量的变化会导致新鲜度下降,包括鱼眼在内的鱼体各部位也随之发生不同程度的颜色变化;鱼类的色泽与其新鲜度密切相关,并影响着消费者的购买决策。消费者通常倾向于将色泽与新鲜度、高品质和更好的味道联系起来。
机器视觉作为一种快速、无损且经济的产品检测方法,在许多食品品质检测的研究中得到应用。多项研究表明,机器视觉系统可以用来确定整条鱼、鱼片和鱼皮的新鲜度。然而,机器视觉在鱼眼和鱼鳃的冷藏过程中检测研究还很缺乏。
随着冷链物流信息化水平的不断提高,在物流运输中越来越成熟的环境监测及过程控制技术,以及市场上针对运输过程中装货车厢的温度和湿度等环境信息的实时采集的方案和设备也已被提出并开发。因此,如何有效的利用环境监测获得的温度、三文鱼整鱼鱼眼色泽数据信息,来对冷链物流过程中的三文鱼的新鲜度进行综合、准确和无损检测,是冷链物流亟需解决的问题。
发明内容
为了解决上述问题,本发明实施例提供一种鱼体新鲜度无损检测方法及装置。
第一方面,本发明实施例提供一种鱼体新鲜度无损检测方法,包括:获取鱼眼图像,对所述鱼眼图像进行特征提取,得到多颜色空间特征值,所述多颜色空间特征值包括RGB颜色空间的R、G和B值,L*a*b*颜色空间的L*值,以及HSI颜色空间的I值;将所述多颜色空间特征值,输入预设的多元回归新鲜度预测模型,输出挥发性盐基氮含量和/或菌落总数的预测值,根据所述挥发性盐基氮含量和/或菌落总数的预测值,确定鱼体的新鲜度指标;其中,所述多元回归模型,根据样本鱼眼图像的多颜色空间特征值,以及确定的挥发性盐基氮含量和/或菌落总数,进行多元线性拟合得到。
进一步地,根据所述挥发性盐基氮含量和/或菌落总数的预测值,确定鱼体的新鲜度指标,包括:将所述挥发性盐基氮含量或所述菌落总数预测值除以对应的腐败极限值,得到百分比;根据预设的百分比和新鲜度的对应关系,确定鱼眼图像的新鲜度等级。
进一步地,根据所述挥发性盐基氮含量和/或菌落总数的预测值,确定鱼体的新鲜度指标,包括:将挥所述发性盐基氮含量和所述菌落总数预测值,分别除以对应的腐败极限值,得到挥发性盐基氮含量和菌落总数的百分比;根据预设的百分比和新鲜度的对应关系,选取挥发性盐基氮含量和菌落总数中百分比最高的一个,确定鱼眼图像的新鲜度等级。
进一步地,所述对所述鱼眼图像进行特征提取,得到多颜色空间特征值,包括:根据如下公式,将鱼眼图像的RGB颜色空间转换到XYZ颜色空间;
其中,γ=2.2,α1和α2为预设参数,Rγ、Gγ、Bγ分别为根据γ、α1和α2修正后的RGB值,MAT为Rγ、Gγ、Bγ和XYZ颜色空间之间的线性变换矩阵;
将XYZ颜色空间,转换为L*a*b*颜色空间,得到L*a*b*颜色空间的L*、a*和b*值;
根据如下公式,将鱼眼图像的RGB颜色空间转换到HSI颜色空间,得到:
进一步地,所述获取鱼眼图像之前,还包括:从贮藏开始时刻,每隔预设时间段,采集鱼眼图像,并确定对应时刻的挥发性盐基氮含量和/或菌落总数,作为样本鱼眼图像;根据样本鱼眼图像,获取多颜色空间特征值;以多颜色空间特征值作为自变量,所有时间段的挥发性盐基氮含量和/或菌落总数分别作为应变量,进行多元线性拟合,得到预设的多元回归新鲜度预测模型。
进一步地,所述多颜色空间特征值还包括,L*a*b*颜色空间的a*值和b*值,以及HSI颜色空间的H值和S值。
第二方面,本发明实施例提供一种鱼体新鲜度无损检测装置,包括:提取模块,用于获取鱼眼图像,对所述鱼眼图像进行特征提取,得到多颜色空间特征值,所述多颜色空间特征值包括RGB颜色空间的R、G和B值,L*a*b*颜色空间的L*值,以及HSI颜色空间的I值;处理模块,用于将所述多颜色空间特征值,输入预设的多元回归新鲜度预测模型,输出挥发性盐基氮含量和/或菌落总数的预测值,根据所述挥发性盐基氮含量和/或菌落总数的预测值,确定鱼体的新鲜度指标;其中,所述多元回归模型,根据样本鱼眼图像的多颜色空间特征值,以及确定的挥发性盐基氮含量和/或菌落总数,进行多元线性拟合得到。
第三方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现本发明第一方面鱼体新鲜度无损检测方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现本发明第一方面鱼体新鲜度无损检测方法的步骤。
本发明实施例提供的鱼体新鲜度无损检测方法及装置,只需获取获鱼眼图像,对鱼眼图像进行特征提取,得到多颜色空间特征值,输入预设的多元回归新鲜度预测模型,便可实现新鲜度的快速无损检测。此外,根据准确反映鱼体变化的多颜色空间特征值,包括RGB颜色空间的R、G和B值,L*a*b*颜色空间的L*值,以及HSI颜色空间的I值,能够实现综合性强,准确度高且无损的快速检测。该方法实现了如三文鱼冷链物流、交易过程和零售货架阶段新鲜度的实时检测,为相关检测人员和消费者实时掌握三文鱼的新鲜度提供了依据。同时,方便质检员等对冷鲜三文鱼进行品质追踪和管理,提升了三文鱼的品质控制技术。
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为本发明实施例提供的鱼体新鲜度无损检测方法流程图;
图2为本发明实施例提供的鱼眼在0℃贮藏条件下的RGB颜色值变化示意图;
图3为本发明实施例提供的鱼眼在0℃贮藏条件下的L*a*b*颜色值变化示意图;
图4为本发明实施例提供的鱼眼在0℃贮藏条件下的HSI颜色值变化示意图;
图5为本发明实施例提供的鱼体在0℃贮藏条件下的挥发性盐基氮含量变化趋势图;
图6为本发明实施例提供的鱼体在0℃贮藏条件下的菌落总数变化趋势图;
图7为本发明实施例提供的鱼体新鲜度无损检测装置结构图;
图8为本发明实施例提供的一种电子设备的实体结构示意图。
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。
目前的技术和方法存在着一些缺陷和不足,不能对三文鱼的新鲜度进行综合、准确且无损评定。由于缺乏相应的设备和方法,目前对三文鱼新鲜度的检测方法耗时或者对三文鱼及其制品造成侵损,不利于最后的终端销售。本发明实施例以三文鱼为例,提供一种鱼体新鲜度无损检测方法,需要说明的是,该方法对于其它鱼类也具有适用性。
图1为本发明实施例提供的鱼体新鲜度无损检测方法流程图,如图1所示,本发明实施例提供一种鱼体新鲜度无损检测方法,包括:
101、获取鱼眼图像,对鱼眼图像进行特征提取,得到多颜色空间特征值,多颜色空间特征值包括RGB颜色空间的R、G和B值,L*a*b*颜色空间的L*值,以及HSI颜色空间的I值。
以三文鱼为例,首先通过摄像头获取待测三文鱼的鱼眼图像。例如,使用便携式机器视觉仪器采集冷链物流或交易过程中三文鱼鱼眼色泽数据,得到鱼眼图像。鱼眼图像为RGB颜色空间的图像,根据经验公式将RGB颜色空间的RGB值其转换为L*a*b*颜色空间和HSI颜色空间。
作为可选实施例,多颜色空间特征值还包括,L*a*b*颜色空间的a*值和b*值,以及HSI颜色空间的H值和S值。当然,也可加入其它的颜色特征。以下对本发明实施例中的,颜色空间特征值包括RGB颜色空间的R、G和B值,L*a*b*颜色空间的L*值,以及HSI颜色空间的I值,其效果作进一步说明:
图2为本发明实施例提供的鱼眼在0℃贮藏条件下的RGB颜色值变化示意图,图3为本发明实施例提供的鱼眼在0℃贮藏条件下的L*a*b*颜色值变化示意图,图4为本发明实施例提供的鱼眼在0℃贮藏条件下的HSI颜色值变化示意图,由图2、3和4可以看出,在整个贮藏阶段,颜色参数R、G、B、L*、I*值呈递减趋势,ΔE值乘递增趋势,而H、S值变化波动较小,a*、b*没有显著变化。
因此,多颜色空间特征值包括RGB颜色空间的R、G和B值,L*a*b*颜色空间的L*值,以及HSI颜色空间的I值,在尽可能小的计算量前提下,能够准确反映鱼体随时间的变化趋势。
102、将多颜色空间特征值,输入预设的多元回归新鲜度预测模型,输出挥发性盐基氮含量和/或菌落总数的预测值,根据挥发性盐基氮含量和/或菌落总数的预测值,确定鱼体的新鲜度指标;其中,多元回归模型,根据样本鱼眼图像的多颜色空间特征值,以及确定的挥发性盐基氮含量和/或菌落总数,进行多元线性拟合得到。
在进行检测之前,已根据样本鱼眼图像的多颜色空间的特征值,以及确定的挥发性盐基氮含量和/或菌落总数,进行多元线性拟合得到了相应的多元回归新鲜度预测模型。也就是说,对于每个测试时刻的样本鱼眼图像的颜色空间特征值,其对应的挥发性盐基氮含量和/或菌落总数已经测得,在再经过多元的线性拟合,得到预设的多元回归新鲜度预测模型。根据该多元回归新鲜度预测模型,在给定多颜色空间特征值后,便可得到挥发性盐基氮含量和/或菌落总数的预测值。此外,挥发性盐基氮含量和菌落总数均可以反应新鲜度情况,本发明实施例中可以取其中一个,也可以根据挥发性盐基氮含量和菌落总数综合确定新鲜度指标。
本发明实施例提供的鱼体新鲜度无损检测方法,只需获取获鱼眼图像,对鱼眼图像进行特征提取,得到多颜色空间特征值,输入预设的多元回归新鲜度预测模型,便可实现新鲜度的快速无损检测。此外,根据准确反映鱼体变化的多颜色空间特征值,包括RGB颜色空间的R、G和B值,L*a*b*颜色空间的L*值,以及HSI颜色空间的I值,能够实现综合性强,准确度高且无损的快速检测。该方法实现了如三文鱼冷链物流、交易过程和零售货架阶段新鲜度的实时检测,为相关检测人员和消费者实时掌握三文鱼的新鲜度提供了依据。同时,方便质检员等对冷鲜三文鱼进行品质追踪和管理,提升了三文鱼的品质控制技术。
基于上述实施例的内容,作为一种可选实施例,根据挥发性盐基氮含量和/或菌落总数,确定鱼体的新鲜度指标,包括:将挥发性盐基氮含量或菌落总数预测值除以对应的腐败极限值,得到百分比;根据预设的百分比和新鲜度的对应关系,确定鱼眼图像的新鲜度等级。
本实施例中选取挥发性盐基氮含量或菌落总数其中的一个,用于新鲜度检测。挥发性盐基氮和菌落总数的腐败极限值分别为30mg/100g和6logcfu/g。将挥发性盐基氮或菌落总数的预测值,分别除以对应的腐败极限值,所得百分比确定新鲜度等级。例如,小于30%为新鲜,超过30%小于70%为次新鲜,超过70%小于100%为初期腐败,超过100%为腐败不可食用。
本发明实施例,通过将挥发性盐基氮含量或菌落总数预测值,与对应腐败极限值的百分比,确定新鲜度等级,实现了新鲜度的直观量化。
基于上述实施例的内容,作为一种可选实施例,据挥发性盐基氮含量和/或菌落总数,确定鱼体的新鲜度指标,包括:将挥发性盐基氮含量和菌落总数预测值,分别除以对应的腐败极限值,得到挥发性盐基氮含量和菌落总数的百分比;根据预设的百分比和新鲜度的对应关系,选取百分比最高的一个,确定鱼眼图像的新鲜度等级。
本发明实施例中,根据两个指标预测值除以腐败极限值(挥发性盐基氮:30mg/100g,菌落总数:6logcfu/g)所得百分比,综合确定新鲜度等级。例如,小于30%为新鲜,超过30%小于70%为次新鲜,超过70%小于100%为初期腐败,超过100%为腐败不可食用。最后,综合两个指标中的最高百分比值的指标作为新鲜度判定依据,从而确保新鲜度的可靠性。
基于上述实施例的内容,作为一种可选实施例,对鱼眼图像进行特征提取,得到多颜色空间特征值,包括:
根据如下公式,将鱼眼图像的RGB颜色空间转换到XYZ颜色空间;
其中,γ=2.2,α1、α2为预设参数,Rγ、Gγ、Bγ分别为根据γ、α1和α2修正后的RGB值,MAT为Rγ、Gγ、Bγ和XYZ颜色空间之间的线性变换矩阵;
将XYZ颜色空间,转换为L*a*b*颜色空间,得到L*a*b*颜色空间的L*值。
RGB到L*a*b*的转换分两个步骤执行,本实施例中使用科学的转换模型对机器视觉系统中数码相机得到的RGB值进行校准,得到Rγ、Gγ和Bγ,参见上述公式。α1、α2为预设参数,可根据经验值得到。
在第一步中,将非线性RGB值转换为XYZ值。在第二步中,使用经验方程将XYZ值转换为L*a*b*值。最后,将标准XYZ值转换为L*a*b*颜色空间。
RGB图像到HSI的转换,RGB值使用已建立的通用函数转换为HSI值:
基于上述实施例的内容,作为一种可选实施例,获取鱼眼图像之前,还包括:从贮藏开始时刻,每隔预设时间段,采集鱼眼图像,并确定对应时刻的挥发性盐基氮含量和/或菌落总数,作为样本鱼眼图像;根据样本鱼眼图像,获取多颜色空间特征值;以多颜色空间特征值作为自变量,所有时间段的挥发性盐基氮含量和/或菌落总数分别作为应变量,进行多元线性拟合,得到预设的多元回归新鲜度预测模型。
具体包括以下步骤:
贮藏温度:将购买的三文鱼贮藏于0℃冰箱里,每2天(预设时间段)采集三文鱼样品鱼眼色泽数据和挥发性盐基氮和菌落总数。
挥发性盐基氮、菌落总数检测方法,可参照国标GB5009.228—2016和GB4789.2—2016。
机器视觉系统各镜头使用配备的24种颜色的标准色度图色卡和白色校准板校正,然后采集三文鱼鱼眼图像。
色彩空间转换:使用Matlab2017a提取鱼眼色泽RGB值,通过经验公式将RGB值转换为L*a*b*值和HSI值,并确定贮藏期间与新鲜度变化相关的色彩空间值,即多颜色空间特征值。
多元回归新鲜度预测模型:使用Matlab2017a中多元回归算法将挥发性盐基氮、菌落总数与新鲜度变化相关的色彩空间值结合建立多元回归新鲜度预测模型。
模型可靠性验证:通过检测多元回归新鲜度预测模型的决定系数R2和F值确定模型的准确度。
实际物流及交易过程中模型的应用与修正:根据实际检测过程中鱼眼色泽数据及温度是否在可测范围内进行调试,并进行多次检测减小误差。
其中,三文鱼多元回归新鲜度预测模型构建过程如下:
新鲜度指标实际测量:
图5为本发明实施例提供的鱼体在0℃贮藏条件下的挥发性盐基氮含量变化趋势图,图6为本发明实施例提供的鱼体在0℃贮藏条件下的菌落总数变化趋势图,从图5、6中看出,随着贮藏时间的增加,挥发性盐基氮和菌落总数都呈现出不同程度的增长趋势,根据国标GB2733—2015中规定,挥发性盐基氮≤30mg/100g,菌落总数≤6logcfu/g。随着贮藏时间增加,挥发性盐基氮和菌落总数均超出规定的限量标准。
根据0℃贮藏条件下三文鱼鱼眼的原始图像、二值图像、R值图像、G值图像和B值图像变化得出,三文鱼鱼眼眼白处初始为青绿色,随着贮藏时间的增加青绿色褪去转变为黄色并逐渐转变为暗黄,同时黑色沉积物增多,二值图像明确反应出该现象。通过转化原始图像为二值图像选定白色区域为颜色提取区域,进而通过Matlab编程对该区域进行信号增强,然后提取目标区域的RGB值及其图像,为后续实验提供数据支撑。
以Matlab实现为例,基于三文鱼鱼眼多元回归预测模型建立及验证多元回归新鲜度预测模型的运算如下:
x1=[115.9108 113.2111 109.1841 105.8337 103.2572 85.4043 82.3303];对应各时间段的R值;
x2=[118.9524 111.8354 105.3839 101.2638 95.6065 76.5128 75.4799];对应各时间段的G值;
x3=[110.8139 112.8354 103.823 100.3924 91.5076 78.3624 71.2101];对应各时间段的B值;
x4=[102.0243 97.3726 90.1328 85.1324 73.2177 68.1422 66.3969];对应各时间段的L*值;
x5=[115.2257 112.6615 106.1303 102.4966 96.7904 80.0931 76.3401];对应各时间段的I值;
y=[0 2 4 6 8 10 12];对应0-12d每两天所测TVB-N、TVC数值;
X=[ones(length(y),1),x1',x2',x3',x4',x5'];将X作自变量;
Y=y;Y作因变量。
调用regress函数实现:[b,bint,r,rint,stats]=regress(Y,X);b为回归系数;bint为回归系数区间估值;r为残差;rint为置信区间;stats为检验回归模型的统计量。
最后输出各参数,得到多元回归新鲜度预测模型。
stats输出:R2;F值;与F值对应概率;估计误差方差。
上述操作过程即为该系统多元回归新鲜度预测模型的Matlab实现运算过程。
表1为0℃贮藏条件下三文鱼的各项新鲜度指标与鱼眼颜色参数的多元回归新鲜度预测模型:
表1
如表1,利用鱼眼的颜色参数(R、G、B、L*、a*、b*和H、S、I)的多元回归新鲜度预测模型预测三文鱼TVB-N、TVC。基于三文鱼鱼眼颜色参数的多元回归新鲜度预测模型对TVB-N、TVC有较好的预测效果,R2分别为0.9997、0.9989,F值均大于150,验证该新鲜度预测回归方程显著性良好。
表2为三文鱼片在0℃贮藏条件下TVB-N、TVC的预测值与实验值的相对误差:
表2
如表2,用0℃贮藏条件下三文鱼片TVB-N、TAC的预测值与实验值的相对误差对基于三文鱼鱼眼颜色参数的多元回归新鲜度预测模型进行验证,从各项新鲜度指标中看出,预测值与实验值的相对误差均在5%以内(除8d的TVB-N值),准确性高。
以下通过两个具体实例,对本发明实施例的上述方案进行说明:
实例一:质检员实时检测三文鱼从配送开始到售出站点的新鲜度变化,三文鱼新鲜度检测过程:
三文鱼在进入冷藏配送车之前,先采集1-2个鱼头的鱼眼作为样品,利用预测模型设备和系统计算出当前挥发性盐基氮值,菌落总数;
将三文鱼放置到冷藏车厢,在冷链物流、交易阶段使用定制的0℃温度下的基于三文鱼鱼眼机器视觉设备进行不定时不定点抽检,同一批次选择鱼眼部没有冰渣或污水等污染的样品采集图像;
系统设备开启后,选择好样品,对三文鱼鱼眼图像采集、数据处理,显示两个指标实时含量并对新鲜度等级进行反馈;
通过该设备实时检测三文鱼的新鲜程度等级,据此由质检员确定该时间点该批次三文鱼是否合格。
实施例二:消费者实时检测三文鱼零售阶段新鲜度变化,三文鱼新鲜度检测过程:
三文鱼售出到超市市场等地方后,每个零售站点配备定制的0℃温度下的基于三文鱼鱼眼机器视觉设备供商家和消费者使用;
卖家切取该批次三文鱼少量鱼头为样品放入盛有冰块小样盘中,供消费者检测;
消费者使用配备的三文鱼鱼眼机器视觉设备进行检测;
通过该设备检测三文鱼新鲜度等级并由消费者决定是否购买。
通过上述实例,可以得出本实施例能精确模拟出冷链运输及交易过程中的三文鱼新鲜度;本实施例能有效提升对冷链运输及交易过程中的三文鱼的品质监测能力,保证三文鱼品质,并为质检员快速实时检测提供方便;本实例能够能精确预测出货架零售阶段三文鱼新鲜度,为消费者提供品质依据;本实例能够有效避免对三文鱼商品的侵损,达到无损检测。
图7为本发明实施例提供的鱼体新鲜度无损检测装置结构图,如图7所示,该鱼体新鲜度无损检测装置包括:提取模块701和处理模块702。其中,提取模块701用于获取鱼眼图像,对鱼眼图像进行特征提取,得到多颜色空间特征值,多颜色空间特征值包括RGB颜色空间的R、G和B值,L*a*b*颜色空间的L*值,以及HSI颜色空间的I值;处理模块702用于将多颜色空间特征值,输入预设的多元回归新鲜度预测模型,输出挥发性盐基氮含量和/或菌落总数的预测值,根据挥发性盐基氮含量和/或菌落总数的预测值,确定鱼体的新鲜度指标;其中,多元回归模型,根据样本鱼眼图像的多颜色空间特征值,以及确定的挥发性盐基氮含量和/或菌落总数,进行多元线性拟合得到。
本发明实施例提供的装置实施例是为了实现上述各方法实施例的,具体流程和详细内容请参照上述方法实施例,此处不再赘述。
本发明实施例提供的鱼体新鲜度无损检测装置,只需获取获鱼眼图像,对鱼眼图像进行特征提取,得到多颜色空间特征值,输入预设的多元回归新鲜度预测模型,便可实现新鲜度的快速无损检测。此外,根据准确反映鱼体变化的多颜色空间特征值,包括RGB颜色空间的R、G和B值,L*a*b*颜色空间的L*值,以及HSI颜色空间的I值,能够实现综合性强,准确度高且无损的快速检测。该方法实现了如三文鱼冷链物流、交易过程和零售货架阶段新鲜度的实时检测,为相关检测人员和消费者实时掌握三文鱼的新鲜度提供了依据。同时,方便质检员等对冷鲜三文鱼进行品质追踪和管理,提升了三文鱼的品质控制技术。
图8为本发明实施例提供的一种电子设备的实体结构示意图,如图8所示,该电子设备可以包括:处理器(processor)801、通信接口(Communications Interface)802、存储器(memory)803和总线804,其中,处理器801,通信接口802,存储器803通过总线804完成相互间的通信。通信接口802可以用于电子设备的信息传输。处理器801可以调用存储器803中的逻辑指令,以执行包括如下的方法:获取鱼眼图像,对鱼眼图像进行特征提取,得到多颜色空间特征值,多颜色空间特征值包括RGB颜色空间的R、G和B值,L*a*b*颜色空间的L*值,以及HSI颜色空间的I值;将多颜色空间特征值,输入预设的多元回归新鲜度预测模型,输出挥发性盐基氮含量和/或菌落总数的预测值,根据挥发性盐基氮含量和/或菌落总数的预测值,确定鱼体的新鲜度指标;其中,多元回归模型,根据样本鱼眼图像的多颜色空间特征值,以及确定的挥发性盐基氮含量和/或菌落总数,进行多元线性拟合得到。
此外,上述的存储器803中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明上述各方法实施例的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法,例如包括:获取鱼眼图像,对鱼眼图像进行特征提取,得到多颜色空间特征值,多颜色空间特征值包括RGB颜色空间的R、G和B值,L*a*b*颜色空间的L*值,以及HSI颜色空间的I值;将多颜色空间特征值,输入预设的多元回归新鲜度预测模型,输出挥发性盐基氮含量和/或菌落总数的预测值,根据挥发性盐基氮含量和/或菌落总数的预测值,确定鱼体的新鲜度指标;其中,多元回归模型,根据样本鱼眼图像的多颜色空间特征值,以及确定的挥发性盐基氮含量和/或菌落总数,进行多元线性拟合得到。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
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 (9)
1.一种鱼体新鲜度无损检测方法,其特征在于,包括:
获取鱼眼图像,对所述鱼眼图像进行特征提取,得到多颜色空间特征值,所述多颜色空间特征值包括RGB颜色空间的R、G和B值,L*a*b*颜色空间的L*值,以及HSI颜色空间的I值;
将所述多颜色空间特征值,输入预设的多元回归新鲜度预测模型,输出挥发性盐基氮含量和/或菌落总数的预测值,根据所述挥发性盐基氮含量和/或菌落总数的预测值,确定鱼体的新鲜度指标;
其中,所述多元回归模型,根据样本鱼眼图像的多颜色空间特征值,以及确定的挥发性盐基氮含量和/或菌落总数,进行多元线性拟合得到。
2.根据权利要求1所述的鱼体新鲜度无损检测方法,其特征在于,根据所述挥发性盐基氮含量和/或菌落总数的预测值,确定鱼体的新鲜度指标,包括:
将所述挥发性盐基氮含量或所述菌落总数预测值除以对应的腐败极限值,得到百分比;
根据预设的百分比和新鲜度的对应关系,确定鱼眼图像的新鲜度等级。
3.根据权利要求1所述的鱼体新鲜度无损检测方法,其特征在于,根据所述挥发性盐基氮含量和/或菌落总数的预测值,确定鱼体的新鲜度指标,包括:
将挥所述发性盐基氮含量和所述菌落总数预测值,分别除以对应的腐败极限值,得到挥发性盐基氮含量和菌落总数的百分比;
根据预设的百分比和新鲜度的对应关系,选取挥发性盐基氮含量和菌落总数中百分比最高的一个,确定鱼眼图像的新鲜度等级。
5.根据权利要求1所述的鱼体新鲜度无损检测方法,其特征在于,所述获取鱼眼图像之前,还包括:
从贮藏开始时刻,每隔预设时间段,采集鱼眼图像,并确定对应时刻的挥发性盐基氮含量和/或菌落总数,作为样本鱼眼图像;
根据样本鱼眼图像,获取多颜色空间特征值;
以多颜色空间特征值作为自变量,所有时间段的挥发性盐基氮含量和/或菌落总数分别作为应变量,进行多元线性拟合,得到预设的多元回归新鲜度预测模型。
6.根据权利要求1所述的鱼体新鲜度无损检测方法,其特征在于,所述多颜色空间特征值还包括,L*a*b*颜色空间的a*值和b*值,以及HSI颜色空间的H值和S值。
7.一种鱼体新鲜度无损检测装置,其特征在于,包括:
提取模块,用于获取鱼眼图像,对所述鱼眼图像进行特征提取,得到多颜色空间特征值,所述多颜色空间特征值包括RGB颜色空间的R、G和B值,L*a*b*颜色空间的L*值,以及HSI颜色空间的I值;
处理模块,用于将所述多颜色空间特征值,输入预设的多元回归新鲜度预测模型,输出挥发性盐基氮含量和/或菌落总数的预测值,根据所述挥发性盐基氮含量和/或菌落总数的预测值,确定鱼体的新鲜度指标;
其中,所述多元回归模型,根据样本鱼眼图像的多颜色空间特征值,以及确定的挥发性盐基氮含量和/或菌落总数,进行多元线性拟合得到。
8.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述鱼体新鲜度无损检测方法的步骤。
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至6任一项所述鱼体新鲜度无损检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010475874.8A CN111724350A (zh) | 2020-05-29 | 2020-05-29 | 鱼体新鲜度无损检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010475874.8A CN111724350A (zh) | 2020-05-29 | 2020-05-29 | 鱼体新鲜度无损检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111724350A true CN111724350A (zh) | 2020-09-29 |
Family
ID=72565439
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010475874.8A Pending CN111724350A (zh) | 2020-05-29 | 2020-05-29 | 鱼体新鲜度无损检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111724350A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114414566A (zh) * | 2021-12-20 | 2022-04-29 | 北京市农林科学院信息技术研究中心 | 鱼类新鲜度无损检测方法及装置 |
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 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101825594A (zh) * | 2010-05-18 | 2010-09-08 | 中国农业大学 | 一种快速无损伤检测淡水鱼鲜度的方法 |
WO2014053679A1 (es) * | 2012-10-04 | 2014-04-10 | Universitat De Valencia | Procedimiento y sistema para determinar la frescura del pescado basado en el procesamiento de imágenes oculares, y programa de ordenador que implementa el procedimiento |
CN104636737A (zh) * | 2015-03-10 | 2015-05-20 | 无锡桑尼安科技有限公司 | 鱼体新鲜程度识别系统 |
CN108254513A (zh) * | 2017-12-22 | 2018-07-06 | 北京农业信息技术研究中心 | 一种鱼类货架期的判断方法及装置 |
CN110443262A (zh) * | 2019-08-22 | 2019-11-12 | 上海海洋大学 | 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 |
-
2020
- 2020-05-29 CN CN202010475874.8A patent/CN111724350A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101825594A (zh) * | 2010-05-18 | 2010-09-08 | 中国农业大学 | 一种快速无损伤检测淡水鱼鲜度的方法 |
WO2014053679A1 (es) * | 2012-10-04 | 2014-04-10 | Universitat De Valencia | Procedimiento y sistema para determinar la frescura del pescado basado en el procesamiento de imágenes oculares, y programa de ordenador que implementa el procedimiento |
CN104636737A (zh) * | 2015-03-10 | 2015-05-20 | 无锡桑尼安科技有限公司 | 鱼体新鲜程度识别系统 |
CN108254513A (zh) * | 2017-12-22 | 2018-07-06 | 北京农业信息技术研究中心 | 一种鱼类货架期的判断方法及装置 |
CN110443262A (zh) * | 2019-08-22 | 2019-11-12 | 上海海洋大学 | 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 |
Non-Patent Citations (2)
Title |
---|
CE SHI等: "Developing a machine vision system for simultaneous prediction of freshness indicators based on tilapia (Oreochromis niloticus) pupil and gill color during storage at 4°C", 《FOOD CHEMISTRY》 * |
贾志鑫: "三文鱼新鲜度和品质货架期预测模型研究", 《中国优秀博硕士学位论文全文数据库(硕士)》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114414566A (zh) * | 2021-12-20 | 2022-04-29 | 北京市农林科学院信息技术研究中心 | 鱼类新鲜度无损检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Talens et al. | Prediction of water and protein contents and quality classification of Spanish cooked ham using NIR hyperspectral imaging | |
Rahman et al. | Quality assessment of beef using Computer Vision Technology | |
Khoshnoudi-Nia et al. | Determination of total viable count in rainbow-trout fish fillets based on hyperspectral imaging system and different variable selection and extraction of reference data methods | |
Taheri‐Garavand et al. | A nondestructive intelligent approach to real‐time evaluation of chicken meat freshness based on computer vision technique | |
CN110349153B (zh) | 基于多特征融合的图像法烟草含梗率检测方法 | |
CN109557109B (zh) | 冷冻肉品包装状态的检测方法及装置 | |
Jia et al. | Hyperspectral Imaging (HSI) for meat quality evaluation across the supply chain: Current and future trends | |
CN112697682A (zh) | 一种基于机器视觉进行家具耐光色牢度检测的方法 | |
Rafiq et al. | Application of computer vision system in food processing | |
CN111724350A (zh) | 鱼体新鲜度无损检测方法及装置 | |
CN103940751B (zh) | 一种基于图像处理技术的冷鲜肉品质的测评方法 | |
CN111445469A (zh) | 一种基于高光谱的苹果冲击后损伤参数的无损预测方法 | |
Kamruzamman et al. | Online screening of meat and poultry product quality and safety using hyperspectral imaging | |
CN108362652B (zh) | 一种基于证据理论的物体新鲜度无损检测方法 | |
Neyrinck et al. | Application of near-infrared spectroscopy for the classification of fresh pork quality in cooked ham production | |
CN113808153A (zh) | 番茄成熟检测方法、装置、计算机设备及存储介质 | |
Irie et al. | Simple spot method of image analysis for evaluation of highly marbled beef | |
CN111562273A (zh) | 基于高光谱的鱼水射流除鳞轻微损伤可视化方法 | |
CN105447891A (zh) | 冷冻肉新鲜程度的评估方法及系统 | |
CN114414566A (zh) | 鱼类新鲜度无损检测方法及装置 | |
CN109856080B (zh) | 近红外多光谱成像多指标协同的鱼片新鲜度无损评价方法 | |
Aguil et al. | Freshness Assessment of Milkfish (Chanos Chanos) Using LabVIEW: Image Processing | |
CN113792916B (zh) | 一种基于包装状态的冷冻畜肉品质监控预警方法及系统 | |
Widiyanto et al. | Fat Content, Color and Texture Features for Fresh Meat Evaluation from Digital Image | |
Singathala et al. | Quality Analysis and Classification of Rice Grains using Image Processing Techniques |
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 |