CN111768402A - 一种基于mu-svm的冰鲜鲳鱼新鲜度评估方法 - Google Patents
一种基于mu-svm的冰鲜鲳鱼新鲜度评估方法 Download PDFInfo
- Publication number
- CN111768402A CN111768402A CN202010650680.7A CN202010650680A CN111768402A CN 111768402 A CN111768402 A CN 111768402A CN 202010650680 A CN202010650680 A CN 202010650680A CN 111768402 A CN111768402 A CN 111768402A
- Authority
- CN
- China
- Prior art keywords
- image
- pomfret
- freshness
- svm
- algorithm
- 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
- 241000630524 Taractes rubescens Species 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000005516 engineering process Methods 0.000 claims abstract description 17
- 238000012216 screening Methods 0.000 claims abstract description 13
- 238000007635 classification algorithm Methods 0.000 claims abstract description 12
- 238000010801 machine learning Methods 0.000 claims abstract description 9
- 241000251468 Actinopterygii Species 0.000 claims description 51
- 210000002816 gill Anatomy 0.000 claims description 46
- 230000011218 segmentation Effects 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000005057 refrigeration Methods 0.000 claims description 7
- 239000004744 fabric Substances 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000005286 illumination Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 229920000742 Cotton Polymers 0.000 claims description 3
- 239000011324 bead Substances 0.000 claims description 3
- 238000013145 classification model Methods 0.000 claims description 3
- 239000003086 colorant Substances 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 230000000593 degrading effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 230000003203 everyday effect Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 19
- 230000008901 benefit Effects 0.000 abstract description 5
- 230000006866 deterioration Effects 0.000 abstract description 5
- 238000012706 support-vector machine Methods 0.000 description 19
- 235000013305 food Nutrition 0.000 description 6
- 238000011160 research Methods 0.000 description 5
- 238000002790 cross-validation Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 3
- 238000010187 selection method Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 238000009360 aquaculture Methods 0.000 description 2
- 244000144974 aquaculture Species 0.000 description 2
- 238000004587 chromatography analysis Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 230000001900 immune effect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000004949 mass spectrometry Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 235000013372 meat Nutrition 0.000 description 2
- 238000001823 molecular biology technique Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 210000001747 pupil Anatomy 0.000 description 2
- 230000001953 sensory effect Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 241000276707 Tilapia Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 235000013622 meat product Nutrition 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
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
- 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
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了属于图像识别技术应用领域的一种基于MU‑SVM的冰鲜鲳鱼新鲜度评估方法。利用MU‑SVM算法实现冰鲜鲳鱼新鲜度快速检测，该算法基于机器视觉和数字图像处理技术获取图像数据并提取特征，通过MC‑UVE算法筛选最佳特征并输入SVM机器学习分类算法评估新鲜度等级；采用的MU‑SVM算法在筛选有效特征变量之后，构建其与目标属性之间的定量校正模型，本发明整合了机器视觉系统、数字图像处理技术与机器学习分类算法，具有可迁移性和可嵌入性。不仅可以快速测定质变敏感区域的劣变情况，还实现了对鲳鱼新鲜度的智能预测。该发明方法操作简单，预测精度较高，具有面向冷藏货架的鲳鱼质量快速检测的应用前景。
Description
技术领域
本发明属于图像识别技术应用领域，特别涉及一种基于MU-SVM的冰鲜鲳鱼新鲜度评估方法。具体说是一种基于MC-UVE特征选择方法与SVM分类算法组合模型，可嵌入移动端，实现面向生产商和消费者的冰鲜鲳鱼新鲜度便携式快速评估。
背景技术
我国是水产品生产和消费大国，近年来，人们对水产品的需求日益趋向鲜活化，使得鲜活水产品将占领国内外大部分水产市场。因此，实现水产品品质劣变实时检测，构建服务于生产商、经销商、物流商、零售商的水产品品质溯源与管控系统，成为提高鲜活水产品供求效益的关键手段。
食品安全是企业和政府对社会最基本的责任和必须做出的承诺，质量评估是食品安全的必要环节。随着冰鲜肉品在国内消费市场的逐渐推广，冰鲜鲳鱼作为商场上流通最广的鲜活水产品之一，对其进行严格的质量管控，保证消费者健康和利益，关乎我国民生问题。因此，针对冰鲜肉质品质量建立智能评价模型，对于我国食品安全的可持续健康发展具有十分重大的意义。
常规的肉类鉴别方法有感官评价法、色谱和质谱法、免疫学技术、分子生物学技术等。如：感官评价法主观性强，效率低；色谱和质谱法、免疫学技术、分子生物学技术等成本高，破坏样本，不适合批量检测。
陈晓宇,等.在【农业机械学报,2015,046(008):192-199.】上的“食品货架期预测研究进展与趋势”中提到，当前，以计算机视觉为代表之一的人工智能技术已广泛应用于农产品产量评估、缺陷检测、计数、分级与分类等领域。对鱼类而言，鲜度对其品质的判定是十分重要的；无论鲜活鱼还是冷冻鱼都是最容易腐蚀的食品之一，在贮藏过程中，监测和控制新鲜鱼类品质变化是十分重要的。传统鱼类质量检测主要采用人工称质量，皮尺测大小或肉眼判别等手工接触式方法进行；段延娥等.在【农业工程学报,2015,000(015):1-11】中的“基于计算机视觉的水产动物视觉特征测量研究综述”说明，这种方法易受经验、习惯、偏好等主观因素影响和外部环境干扰，致使检测过程耗时费力，检测结果主观性强、一致性差、量化困难，且易对鱼造成损害。鲳鱼因其眼小、鳃孔小，鳃耙短弱，排列稀松等特点不易使用传统方法进行质量等级评估，因此，利用机器视觉技术，建立冰鲜鲳鱼品质劣变智能检测模型，为开展水产养殖数字化智能化集成系统提供技术支持。
在本发明中，以冰鲜鲳鱼为研究对象，通过机器视觉技术采集冰鲜鲳鱼图像，自建了一个包含2类(金鲳鱼、银鲳鱼)共2845张图片的数据集。运用数字图像处理技术对图像进行预处理，分析鱼鳃部图像特点，构建基于鱼鳃区域的分割模型，提取鳃部纹理特征，采用MC-UVE(competitive adaptive reweighted sampling)变量选择方法降维，Kennard-Stone(K-S)法划分样本集，最终基于支持向量机(Support vector machine，SVM)方法建立冰鲜鲳鱼品质快速判别模型。以此实现对冰鲜鲳鱼品质劣变快速检测与智能预测。
对相关的现有技术说明如下：
1.支持向量机(Support Vector Machin，SVM)在文献“Muhammad Naeem Ayyaz,Imran Javed,Waqar Mahmood.Handwritten Character Recognition Using MulticlassSVM Classification with Hybrid Feature Extraction[J].2012.”中说明了支持向量机(support vector machines，SVM)是一个二分类器，它的分类思想是在由核函数确定的特征空间上构造软间隔分离超平面，用正则化因子使分类间隔最大化[3]，应用二次规划方法求得判别函数。
式中:ai——Lagrange乘子；
yi——类别标签；
k(xi，x)——核函数；
b——阈值。
2.蒙特卡罗无信息变量消除法(Monte Carlo uninformative variableelimination method，MC-UVE)
UVE(uninformative variable elimination)可以消除无用的信息变量，通常使用稳定性来评估每个变量的可靠程度。在UVE算法中，使用leave-one-out(LOO)交叉验证，而对于MC-UVE来说，是使用MC(Monte Carlo)交叉验证来获得稳定性的值，这两者的区别在于，LOO交叉验证一次只留一个样本用于验证，而MC交叉验证一次筛选出大部分样品以进行验证。这增强了验证对建模的影响，提高了选出最佳模型的可能性。通过MC算法，从训练集中随机选择一定量的样本用于构建子模型的训练子集，该过程重复M次。然后，计算系数矩阵b(M×p)，通过下式计算每个变量j的稳定性：
其中mean(bj)和std(bj)是变量j建模系数平均值和标准偏差。稳定性Sj的绝对值越大，相应变量越重要。
3.机器视觉系统(Machine Vision System，MVS)，机器视觉是一种用于识别物体并从数字图像中提取和分析定量信息的技术。典型的机器视觉系统(Machine VisionSystem，MVS)通常包括图像采集系统、图像处理和统计分析程序。图像采集系统的基本要素包括：照相机，照明装置，帧抓取器和计算机。通过预处理、分割和特征提取处理图像，然后，使用不同的方法进行统计分析以用于不同应用。最后，通过控制模块输出结果或执行相应操作。机器视觉技术具有高效、重现性好、低成本、无损、无污染、可在线检测等功能，有着广泛的应用前景
4.数字图像处理技术(Digital image processing),黄星奕等发表在“计算机工程与设计,2013,34(10):3562-3567.”上的“计算机视觉技术在鱼新鲜度检测中的应用研究”指出数字图像处理技术是一种无损无害的工具，用于评估基于图像的数据，并通过成像软件分析其颜色等特征变化，是检测鱼类质量的一种重要方法。很多研究者运用图像处理技术进行品质判定工作。冯旺等在“al.Fish freshness rapid detection based onfish-eye image[C].//Information Engineering Research Institute,USA.2013.”文献中提出了一种基于回归的技术，从鱼类样本中检测其新鲜度。Ashish Issac以印度罗湖鱼为对象，利用图像处理技术对鱼鳃进行分割，基于HSV颜色空间的饱和通道中的鱼鳃分割图像评估鱼的新鲜度，实现对其无损检测。相似的使用基于聚类的方法自动分割鱼样品的鳃组织，并使用哈尔滤波器在小波变换域中策略性地提取其特征，从而实现高效无损的鱼样自动检测。Shi等人开发了基于罗非鱼瞳孔和鳃颜色变化的机器视觉系统的可行性，使用图像分析算法实现了基于瞳孔颜色的腐败情况检测，实现低成本鱼类品质检测。Hong等人使用机器视觉技术，通过水产品尺寸、形状、颜色等特征对水产品进行质量检测，以此验证机器视觉是水产养殖中自动检测的有前途和潜在的方法。利用图像分析技术探索鱼新鲜度检测方法具有实际意义与实践可行性。
发明内容
本发明的目的是提出一种基于MU-SVM的冰鲜鲳鱼新鲜度评估方法；其特征在于，利用MU-SVM算法实现冰鲜鲳鱼新鲜度快速检测，该算法基于机器视觉和数字图像处理技术获取图像数据并提取特征，通过MC-UVE算法筛选最佳特征并输入SVM机器学习分类算法评估新鲜度等级；具体包括如下步骤：
S1：搭建面向冷藏货架的图像采集环境，采集冰鲜鲳鱼图像；
S2：鲳鱼图像预处理及图像增强；
S3：分割鲳鱼鱼体ROI，即分割鱼体前景和背景；
S4：鲳鱼鳃部ROI分割；
S5：基于ROI特征提取；
S6：基于MC-UVE算法筛选特征；
S7：输入特征到SVM机器学习分类模型；输出新鲜度评估结果。
所述步骤S1搭建面向冷藏货架的图像采集环境是由照明室、数码相机、计算机和图像处理软件组成；整个成像室被遮光布包围，以避免周围光线的照射；照明室配备由56颗高亮灯珠组成，功率30W，色温5500K的2盏LED灯，分别位于样本顶部与前部，可水平移动；使用佳能600D数码相机拍摄，摄像机位于样品前面45°位置，三脚架固定；透镜设置在距样品表面30cm处；每天在特定的时间，从恒温箱中取出样品，在图像采集之前，用棉布擦拭样本的外部水分；图像取自每条鱼的两侧以及鱼眼、鱼鳃部位，在RGB颜色空间中采集，并以JPEG格式保存，大小尺寸为5184×3456像素的矩阵，共记录16天，得到2845张图像数据。
所述步骤S2包含以下步骤：
S21：图像平衡，对图像色彩进行平衡处理，校正图像色偏、过饱和饱和度不足的情况；
S22：用平均滤波去除鱼体图像噪声。
所述步骤S3包含以下步骤：
S31：RGB图像转换为灰度图像，灰度调整；
S32：阈值分割，应用最大类间方差法(OTSU)计算前景和背景分割的最佳阈值x，x∈(0，1)，将灰度图像退化为二值图像；
S33：膨胀、腐蚀填充处理图像；
S34：获取最大连通域图像，初步分割出来鱼体二值图像；
S35：将鱼体二值图像与原RGB图像相乘，得到分割后鱼体RGB图像。
所述步骤S4包含以下步骤：
S41：分割后的鱼体RGB图像转换为二值图像；
S42：运用Ostu最大类间方差算法分割，初步分割出鳃部图像，此时鱼鳃部和背景值为0，鱼体值为1；
S43：胶片操作，即对图像数据进行取反运算，实现底片效果，此时鱼鳃部背景值为1，鱼体值为0；
S44：巧妙地将分割出鳃部图像与二值图像相乘，得到包含鳃部的分割图像；
S45：求最大连通域，滤去其他边缘噪声，得初步分割出来的鳃部图像；
S46：膨胀、腐蚀填充优化分割结果；
S47：将鳃部二值图像与原RGB图像相乘，得到最终分割结果。
所述步骤S5包含以下步骤：
S51：在RGB颜色空间中分别提取鳃部图像的均值、标准方差、平滑度、三阶矩、一致性和熵6个特征分量，并进行归一化处理；
S52：使用下面公式将RGB颜色空间转换到L*a*b颜色空间，在L*a*b颜色空间中分别提取鳃部图像的均值、标准方差、平滑度、三阶矩、一致性和熵6个特征分量，并进行归一化处理；
RGB无法直接转换成LAB，需要先转换成XYZ再转换成LAB，即：RGB—XYZ—LAB。因此转换公式分两部分：
(1)RGB转XYZ
假设r,g,b为像素三个通道，取值范围均为[0,255]，转换公式如下：
其中，gamma校正函数为：
然后，通过gamma函数将缩放后的图像转换为XYZ三刺激值：
最后，使用h函数，将XYZ三刺激值转换为L*a*b*值：
其中，L*，a*，b*是最终的L*a*b颜色空间三个通道的值。X，Y，Z是RGB转XYZ后计算出来的值，XR、YR和ZR的取值默认为95.047、100.0和108.883；
S53：将RGB颜色空间转换到HSI颜色空间，在HSI颜色空间中分别提取鳃部图像的均值、标准方差、平滑度、三阶矩、一致性和熵6个特征分量，并进行归一化处理；
其中，H在[0,360]的范围内，S和I在[0,1]的范围内。
S54：对以上得到的54个特征采用MC-UVE算法筛选有效特征，阈值为0.5，最终筛选22个特征用于分类。
所述步骤S6包含以下步骤：
S61：采用K-S算法划分训练集和测试集；
S62：使用SVM分类算法将冰鲜鲳鱼质量等级划分为4类，即新鲜、较新鲜、不新鲜和腐败4个等级；
S63：对数据集中训练集进行训练，保存训练好的模型，使用训练好的模型对测试数据集测试输出。
本发明的有益效果是整合了机器视觉系统、数字图像处理技术与机器学习分类算法，具有可迁移性和可嵌入性。本发明不仅可以快速测定质变敏感区域的劣变情况，还实现了对鲳鱼新鲜度的智能预测。所采用的MU-SVM算法可以在筛选有效特征变量之后，构建其与目标属性之间的定量校正模型，可明显提高检测结果的准确度。该发明方法操作简单，预测精度较高，具有面向冷藏货架的鲳鱼质量快速检测的应用前景，并且可以嵌入移动端，既方便生产商快速判断鲳鱼质量是否合格，确定其能否进入后续生产销售环节，又能为消费者提供可靠的质量判定工具，维护消费者权益；本发明可将MU-SVM算法作为内置模型嵌入移动端软件，整体技术可部署在智能手机等移动端做为便携式检测终端，实现对鱼类新鲜度快速评估；从而可以在供应链源头上控制质量，为鲳鱼的自动化生产监测与冷链储运环节提供技术支持，保障消费者健康和利益，有利于我国食品安全的可持续健康发展。
附图说明
图1机器视觉系统。
图2最佳分类器在不同新鲜度等级的ROC曲线。
图3真实新鲜度等级与预测结果在测试集上的表现。
图4鱼体分割，其中，a、b、c、d、e为RGB图像转换为灰度图像，灰度调整。
图5鱼鳃分割，
图6步骤流程图。
具体实施方式
本发明提出一种基于MU-SVM的冰鲜鲳鱼新鲜度评估方法；利用MU-SVM算法实现冰鲜鲳鱼新鲜度快速检测，该算法基于机器视觉和数字图像处理技术获取图像数据并提取特征，通过MC-UVE算法筛选最佳特征并输入SVM机器学习分类算法评估新鲜度等级；具体包括如下步骤(如图6所示)：
S1：搭建面向冷藏货架的图像采集环境，采集冰鲜鲳鱼图像；
S2：鲳鱼图像预处理及图像增强；
S3：分割鲳鱼鱼体ROI，即分割鱼体前景和背景；
S4：鲳鱼鳃部ROI分割；
S5：基于ROI特征提取；
S6：基于MC-UVE算法筛选特征；
S7：输入特征到SVM机器学习分类模型；输出新鲜度评估结果。下面结合附图和实施例对本发明予以说明。
如图1所示机器视觉系统。搭建面向冷藏货架的图像采集环境是由照明室、数码相机、计算机和图像处理软件组成；整个成像室被遮光布包围，以避免周围光线的照射；照明室配备由56颗高亮灯珠组成，功率30W，色温5500K的2盏LED灯，分别位于样本顶部与前部，可水平移动；使用佳能600D数码相机拍摄，摄像机位于样品前面45°位置，三脚架固定；透镜设置在距样品表面30cm处；每天在特定的时间，从恒温箱中取出样品，在图像采集之前，用棉布擦拭样本的外部水分；图像取自每条鱼的两侧以及鱼眼、鱼鳃部位，在RGB颜色空间中采集，并以JPEG格式保存，大小尺寸为5184×3456像素的矩阵，共记录16天，得到2845张图像数据。
在自建数据集上测试。不同特征选择方法在SVM分类器上的性能表现如表1所示，基于MC-UVE特征选择算法、GridSearch参数寻优方法的SVM达到最佳分类准确率99.04％；表2比较了分别基于Linear、Polynomial、Radial Basis、Sigmoid四种核函数的SVM算法表现，可知径向基核函数能达到95.05％的最优分类性能。同时，还列举了MU-SVM组合模型在金鲳数据集测试集(365张图像)上的分类结果，从混淆矩阵中我们发现，相比第二等级(Fresh)和第三等级(Fairly Fresh)，分类算法在第一等级(Most Fresh)和第四等级(Spoiled)上表现更好，尤其在Most Fresh等级达到100％的分类走准确率，这也符合消费者更愿意挑选最新鲜的肉类，从而验证了本分类算法的适用性。
表1基于SVM分类器的组合模型性能比较
表2基于不同核函数的SVM分类准确率
表3 MU-SVM算法在测试集上的分类性能及测试结果混淆矩阵
注:3*表示有3个样本预测为Fresh等级，实际属于Fairly Fresh等级；
2#表示有2个样本预测为FairlyFresh等级，实际属于Fresh等级。
在自建数据集上测试。图2展示了最佳分类器模型——MU-SVM在不同新鲜度等级的ROC曲线，与表3一致，该分类模型在第一等级(Most Fresh)上分类效果最佳；在测试集上的具体分类结果如图3所示，实心圆点为正确分类样本，空心菱形为分类错误样本，大多集中在第第二等级(Fresh)和第三等级(Fairly Fresh)。
所述步骤S2包含以下步骤：
S21：图像平衡，对图像色彩进行平衡处理，校正图像色偏、过饱和饱和度不足的情况；
S22：用平均滤波去除鱼体图像噪声。
所述步骤S3包含以下步骤：
S31：RGB图像转换为灰度图像，灰度调整(图4中a、b所示)；
S32：阈值分割，应用最大类间方差法(OTSU)计算前景和背景分割的最佳阈值x，x∈(0，1)，将灰度图像退化为二值图像；(图4中c所示)；
S33：膨胀、腐蚀填充处理图像；
S34：获取最大连通域图像，初步分割出来鱼体图像(图4中d所示)；
S35：二值图像(图4d)与原RGB图像相乘，得到分割后鱼体RGB图(图4中e所示)；
所述步骤S4包含以下步骤：
S41：转换分割后的鱼体RGB图像(图5中a所示)为二值图像(图5中b所示)；
S42：运用Ostu最大类间方差算法分割，初步分割出鳃部图像，此时鱼鳃部和背景值为0，鱼体值为1(图5中c所示)；
S43：胶片操作，即对图像数据进行取反运算(实现底片效果)，此时鱼鳃部背景值为1，鱼体值为0(图5中d所示)；
S44：巧妙地将图中5d所示图像与图4中d所示二值图像相乘，得到包含鳃部的分割图像(图5中e所示)；
S45：求最大连通域，滤去其他边缘噪声，得初步分割出来的鳃部图像(图5中f所示)；
S46：膨胀、腐蚀填充优化分割结果；
S47：将图5中f所示的鳃部二值图像与原RGB图像相乘，得到最终分割结果(图5中g所示)。
所述步骤S5包含以下步骤：
S51：在RGB颜色空间中分别提取鳃部图像的均值、标准方差、平滑度、三阶矩、一致性和熵6个特征分量，并进行归一化处理；
S52：使用下面公式将RGB颜色空间转换到L*a*b颜色空间，在L*a*b颜色空间中分别提取鳃部图像的均值、标准方差、平滑度、三阶矩、一致性和熵6个特征分量，并进行归一化处理；
RGB无法直接转换成LAB，需要先转换成XYZ再转换成LAB，即：RGB—XYZ—LAB。因此转换公式分两部分：
(1)RGB转XYZ
假设r,g,b为像素三个通道，取值范围均为[0,255]，转换公式如下：
其中，gamma校正函数为：
然后，通过gamma函数将缩放后的图像转换为XYZ三刺激值：
最后，使用h函数，将XYZ三刺激值转换为L*a*b*值：
其中，L*，a*，b*是最终的L*a*b颜色空间三个通道的值。X，Y，Z是RGB转XYZ后计算出来的值，XR，YR，ZR一般默认是95.047，100.0，108.883。
S53：将RGB颜色空间转换到HSI颜色空间，在HSI颜色空间中分别提取鳃部图像的均值、标准方差、平滑度、三阶矩、一致性和熵6个特征分量，并进行归一化处理；
其中，H在[0,360]的范围内，S和I在[0,1]的范围内。
S54：对以上得到的54个特征采用MC-UVE算法筛选有效特征，阈值为0.5，最终筛选22个特征用于分类。
所述步骤S6包含以下步骤：
S61：采用K-S算法划分训练集和测试集；
S62：使用SVM分类算法将冰鲜鲳鱼质量等级划分为4类(新鲜、较新鲜、不新鲜、腐败)；
S63：对数据集中训练集进行训练，保存训练好的模型，使用训练好的模型对测试数据集测试输出。
Claims (5)
1.一种基于MU-SVM的冰鲜鲳鱼新鲜度评估方法；其特征在于，利用MU-SVM算法实现冰鲜鲳鱼新鲜度快速检测，该算法基于机器视觉和数字图像处理技术获取图像数据并提取特征，通过MC-UVE算法筛选最佳特征并输入SVM机器学习分类算法评估新鲜度等级；具体包括如下步骤：
S1：搭建面向冷藏货架的图像采集环境，采集冰鲜鲳鱼图像；
S2：鲳鱼图像预处理及图像增强；
S3：分割鲳鱼鱼体ROI，即分割鱼体前景和背景；
S4：鲳鱼鳃部ROI分割；
S5：基于ROI特征提取；
S6：基于MC-UVE算法筛选特征；
S7：输入特征到SVM机器学习分类模型；输出新鲜度评估结果。
2.根据权利要求1所述基于MU-SVM的冰鲜鲳鱼新鲜度评估方法；其特征在于，所述步骤S1搭建面向冷藏货架的图像采集环境是由照明室、数码相机、计算机和图像处理软件组成；整个成像室被遮光布包围，以避免周围光线的照射；照明室配备由56颗高亮灯珠组成，功率30W，色温5500K的2盏LED灯，分别位于样本顶部与前部，可水平移动；使用佳能600D数码相机拍摄，摄像机位于样品前面45°位置，三脚架固定；透镜设置在距样品表面30cm处；每天在特定的时间，从恒温箱中取出样品，在图像采集之前，用棉布擦拭样本的外部水分；图像取自每条鱼的两侧以及鱼眼、鱼鳃部位，在RGB颜色空间中采集，并以JPEG格式保存，大小尺寸为5184×3456像素的矩阵，共记录16天，得到2845张图像数据。
3.根据权利要求1所述基于MU-SVM的冰鲜鲳鱼新鲜度评估方法；其特征在于，所述步骤S2包含以下步骤：
S21：图像平衡，对图像色彩进行平衡处理，校正图像色偏、过饱和饱和度不足的情况；
S22：用平均滤波去除鱼体图像噪声；
所述步骤S3包含以下步骤：
S31：RGB图像转换为灰度图像，灰度调整；
S32：阈值分割，应用最大类间方差法(OTSU)计算前景和背景分割的最佳阈值x，x∈(0，1)，将灰度图像退化为二值图像；
S33：膨胀、腐蚀填充处理图像；
S34：获取最大连通域图像，初步分割出来鱼体二值图像；
S35：将鱼体二值图像与原RGB图像相乘，得到分割后鱼体RGB图像；
所述步骤S4包含以下步骤：
S41：分割后的鱼体RGB图像转换为二值图像；
S42：运用Ostu最大类间方差算法分割，初步分割出鳃部图像，此时鱼鳃部和背景值为0，鱼体值为1；
S43：胶片操作，即对图像数据进行取反运算，实现底片效果，此时鱼鳃部背景值为1，鱼体值为0；
S44：巧妙地将分割出鳃部图像与二值图像相乘，得到包含鳃部的分割图像；
S45：求最大连通域，滤去其他边缘噪声，得初步分割出来的鳃部图像；
S46：膨胀、腐蚀填充优化分割结果；
S47：将鳃部二值图像与原RGB图像相乘，得到最终分割结果。
4.根据权利要求1所述基于MU-SVM的冰鲜鲳鱼新鲜度评估方法；其特征在于，所述步骤S5包含以下步骤：
S51：在RGB颜色空间中分别提取鳃部图像的均值、标准方差、平滑度、三阶矩、一致性和熵6个特征分量，并进行归一化处理；
S52：使用下面公式将RGB颜色空间转换到L*a*b颜色空间，在L*a*b颜色空间中分别提取鳃部图像的均值、标准方差、平滑度、三阶矩、一致性和熵6个特征分量，并进行归一化处理；
RGB无法直接转换成LAB，需要先转换成XYZ再转换成LAB，即：RGB—XYZ—LAB，因此转换公式分两部分：
(1)RGB转XYZ
假设r,g,b为像素三个通道，取值范围均为[0,255]，转换公式如下：
其中，gamma校正函数为：
然后，通过gamma函数将缩放后的图像转换为XYZ三刺激值：
最后，使用h函数，将XYZ三刺激值转换为L*a*b*值：
其中，L*，a*，b*是最终的L*a*b颜色空间三个通道的值；X，Y，Z是RGB转XYZ后计算出来的值，XR、YR和ZR的取值默认为95.047、100.0和108.883；
S53：将RGB颜色空间转换到HSI颜色空间，在HSI颜色空间中分别提取鳃部图像的均值、标准方差、平滑度、三阶矩、一致性和熵6个特征分量，并进行归一化处理；
其中，H在[0,360]的范围内，S和I在[0,1]的范围内；
S54：对以上得到的54个特征采用MC-UVE算法筛选有效特征，阈值为0.5，最终筛选22个特征用于分类。
5.根据权利要求1所述基于MU-SVM的冰鲜鲳鱼新鲜度评估方法；其特征在于，所述步骤S6包含以下步骤：
S61：采用K-S算法划分训练集和测试集；
S62：使用SVM分类算法将冰鲜鲳鱼质量等级划分为4类，即新鲜、较新鲜、不新鲜和腐败4个等级；
S63：对数据集中训练集进行训练，保存训练好的模型，使用训练好的模型对测试数据集测试输出。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010650680.7A CN111768402A (zh) | 2020-07-08 | 2020-07-08 | 一种基于mu-svm的冰鲜鲳鱼新鲜度评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010650680.7A CN111768402A (zh) | 2020-07-08 | 2020-07-08 | 一种基于mu-svm的冰鲜鲳鱼新鲜度评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111768402A true CN111768402A (zh) | 2020-10-13 |
Family
ID=72725104
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010650680.7A Pending CN111768402A (zh) | 2020-07-08 | 2020-07-08 | 一种基于mu-svm的冰鲜鲳鱼新鲜度评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111768402A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112232977A (zh) * | 2020-10-20 | 2021-01-15 | 青岛丰禾星普科技有限公司 | 水产品养殖评估方法、终端设备及存储介质 |
| CN113537394A (zh) * | 2021-04-08 | 2021-10-22 | 中国农业大学 | 一种改进vgg-19的冰鲜鲳鱼新鲜度评估方法 |
| CN114091969A (zh) * | 2021-12-01 | 2022-02-25 | 上海明胜品智人工智能科技有限公司 | 餐品品质评估方法、装置、电子设备及可读存储介质 |
| CN116563311A (zh) * | 2023-07-04 | 2023-08-08 | 新乡市食品药品检验所 | 一种基于图像分割的肉制品检测方法及装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140072195A1 (en) * | 2012-09-11 | 2014-03-13 | Neogenomics Laboratories | Automated fish reader using learning machines |
| CN106018337A (zh) * | 2016-08-04 | 2016-10-12 | 浙江大学 | 一种棉仁粉中植酸含量的测定方法 |
| CN108229561A (zh) * | 2018-01-03 | 2018-06-29 | 北京先见科技有限公司 | 一种基于深度学习的颗粒产品缺陷检测方法 |
| CN109035254A (zh) * | 2018-09-11 | 2018-12-18 | 中国水产科学研究院渔业机械仪器研究所 | 基于改进K-means聚类的运动鱼体阴影去除及图像分割方法 |
| CN109089992A (zh) * | 2018-06-04 | 2018-12-28 | 浙江海洋大学 | 一种基于机器视觉的鱼类新鲜度的分类方法及系统 |
| 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
- 2020-07-08 CN CN202010650680.7A patent/CN111768402A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140072195A1 (en) * | 2012-09-11 | 2014-03-13 | Neogenomics Laboratories | Automated fish reader using learning machines |
| CN106018337A (zh) * | 2016-08-04 | 2016-10-12 | 浙江大学 | 一种棉仁粉中植酸含量的测定方法 |
| CN108229561A (zh) * | 2018-01-03 | 2018-06-29 | 北京先见科技有限公司 | 一种基于深度学习的颗粒产品缺陷检测方法 |
| CN109089992A (zh) * | 2018-06-04 | 2018-12-28 | 浙江海洋大学 | 一种基于机器视觉的鱼类新鲜度的分类方法及系统 |
| CN109035254A (zh) * | 2018-09-11 | 2018-12-18 | 中国水产科学研究院渔业机械仪器研究所 | 基于改进K-means聚类的运动鱼体阴影去除及图像分割方法 |
| 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 (1)
| Title |
|---|
| 章海亮等: "基于LS-SVM 高光谱成像鱼新鲜度鉴别", 华东交通大学学报, vol. 34, no. 2, pages 105 - 111 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112232977A (zh) * | 2020-10-20 | 2021-01-15 | 青岛丰禾星普科技有限公司 | 水产品养殖评估方法、终端设备及存储介质 |
| CN113537394A (zh) * | 2021-04-08 | 2021-10-22 | 中国农业大学 | 一种改进vgg-19的冰鲜鲳鱼新鲜度评估方法 |
| CN113537394B (zh) * | 2021-04-08 | 2024-08-02 | 中国农业大学 | 一种改进vgg-19的冰鲜鲳鱼新鲜度评估方法 |
| CN114091969A (zh) * | 2021-12-01 | 2022-02-25 | 上海明胜品智人工智能科技有限公司 | 餐品品质评估方法、装置、电子设备及可读存储介质 |
| CN116563311A (zh) * | 2023-07-04 | 2023-08-08 | 新乡市食品药品检验所 | 一种基于图像分割的肉制品检测方法及装置 |
| CN116563311B (zh) * | 2023-07-04 | 2023-09-08 | 新乡市食品药品检验所 | 一种基于图像分割的肉制品检测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111768402A (zh) | 一种基于mu-svm的冰鲜鲳鱼新鲜度评估方法 | |
| Sadeghi-Tehran et al. | Multi-feature machine learning model for automatic segmentation of green fractional vegetation cover for high-throughput field phenotyping | |
| CN109509187B (zh) | 一种针对大分辨率布匹图像中的小瑕疵的高效检验算法 | |
| CN103593670B (zh) | 一种基于在线序列极限学习机的铜板带表面缺陷检测方法 | |
| Kumari et al. | Hybridized approach of image segmentation in classification of fruit mango using BPNN and discriminant analyzer | |
| CN108229458A (zh) | 一种基于运动检测和多特征提取的火焰智能识别方法 | |
| EP2074557B1 (en) | Method and system for learning spatio-spectral features in an image | |
| Dadwal et al. | Color image segmentation for fruit ripeness detection: a review | |
| CN103914708A (zh) | 基于机器视觉的食品品种检测方法及系统 | |
| Najeeb et al. | Dates maturity status and classification using image processing | |
| Xu et al. | Computer vision detection of salmon muscle gaping using convolutional neural network features | |
| Gan et al. | Automated leather defect inspection using statistical approach on image intensity | |
| CN109815923B (zh) | 基于lbp特征与深度学习的金针菇菇头分选识别方法 | |
| CN113743421B (zh) | 一种水稻叶片花青素显色区域分割及定量分析的方法 | |
| CN100593172C (zh) | 一种基于显微图像的微生物识别系统及方法 | |
| CN109507193A (zh) | 一种基于局部对比度增强与二值模式的织物瑕疵检测方法 | |
| Wang et al. | Application of hybrid image features for fast and non-invasive classification of raisin | |
| Kaur et al. | Geometric feature extraction of selected rice grains using image processing techniques | |
| CN117037049B (zh) | 基于YOLOv5深度学习的图像内容检测方法及系统 | |
| Janardhana et al. | Computer aided inspection system for food products using machine vision—a review | |
| Effendi et al. | Corn quality identification using image processing with k-nearest neighbor classifier based on color and texture features | |
| Zakiyyah et al. | Characterization and Classification of Citrus reticulata var. Keprok Batu 55 Using Image Processing and Artificial Intelligence | |
| CN109299295A (zh) | 蓝印花布图像数据库搜索方法 | |
| CN117132594A (zh) | 基于高光谱图像的地下水微塑料智能检测方法 | |
| Shweta et al. | External feature based quality evaluation of Tomato using K-means clustering and support vector classification |
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 |