CN111862245B - 一种食品咀嚼效率的评估方法 - Google Patents

Abstract

本发明提供一种食品咀嚼效率的评估方法，其检测用样品制作容易，检测过程简单，检测结果客观，且准确率高。本发明技术方案中，以两种颜色食品级石蜡为原材料制成了用于咀嚼试验的混色试验材料，基于图像采集装置获取待检测样本图像，基于Fisher判别分析方法构建的咀嚼效率评价模型，从待检测样本图像提取待检测参数，输入到训练好的咀嚼效率评价模型中，进行自动识别分类。

Description

一种食品咀嚼效率的评估方法

技术领域

本发明涉及食品咀嚼程度检测技术领域，具体为一种食品咀嚼效率的评估方法。

背景技术

咀嚼效率是指在一定时间内将一定量食物嚼碎的程度。咀嚼活动是在神经系统的调控下，咀嚼肌收缩，颌骨、牙齿等产生规律性运动，并在唇、颊及舌的协助下完成的一项复杂的活动。因此，研究食品的咀嚼效率对食品加工，义齿种植等诸多方面具有重要意义。常见的食品咀嚼效率包括主观测定方法和客观测定方法。主观测定方法即通过问卷调查、对待检测者访问进而了解其牙齿的咀嚼效率，此方法过于依赖待检测者的个人主观感受，标准不统一，结果不够准确。客观实验法主要包括脆性食品过筛称重法、花生米悬浊液比色法、硬化明胶吸附比色法和混合试验法，但是这些方法同时存在检测过程复杂，导致临床应用范围受限等问题。

发明内容

为了解决现有的针对咀嚼效率检测方法中，主观测定方法存在准确性不够，客观实验法检测过程复杂导致临床应用范围受限的问题，本发明提供一种食品咀嚼效率的评估方法，其检测用样品制作容易，检测过程简单，检测结果客观，且准确率高。

本发明的技术方案是这样的：一种食品咀嚼效率的评估方法，其包括以下步骤：

S1：制作检测用样品；

S2：对所述检测用样品进行咀嚼测试；

S3：获取咀嚼后混合样本；

其特征在于，其还包括以下步骤：

S4：将所述咀嚼后混合样本做压制成薄片形状，获得待检测样本片；基于图像采集装置采集所述待检测样本片正反两侧图像，记做：待检测样本图像；

S5：对所述待检测样本图像进行去畸变处理，获得去畸变待检测样本图像；

S6：对所述去畸变待检测样本图像提取测量参数作为待检测参数；

S7：基于Fisher判别分析方法构建咀嚼效率评价模型；

S8：训练所述咀嚼效率评价模型，获得训练好的所述咀嚼效率评价模型；

S9：将所述待检测参数输入到训练好的咀嚼效率评价模型进行分类检测，获得所述待检测样本图像对应的咀嚼效率评价结果。

其进一步特征在于：

所述检测用样品以食品级石蜡为原料，包括颜色A、颜色B的双色矩形蜡片；将所述双色矩形蜡片颜色交叉放置后压制成矩形；

所述双色矩形蜡片10mm×10mm×2mm的长方体蜡片；所述颜色A、颜色B设置为红色和绿色；

所述测量参数包括：

样品中A颜色区域和B颜色区域与总面积之比MIX：

去除孔洞后样品面积与总面积之比TR：

咀嚼后样品的长宽关系LW：

咀嚼后样品的延展性FF：

咀嚼后样品总面积与咀嚼前样品总面积之比TA’：

咀嚼后样品中混合区域里A颜色光密度和B颜色光密度的方差：

其中：A代表除去孔洞部分样品面积，TA代表咀嚼后样品总面积，OA为咀嚼前样品的总面积，RA代表颜色A的色区域面积，GA代表颜色B的区域面积，L代表样品长度，W为样品宽度，D_R为A颜色光密度，D_G为B颜色光密度，M为平均光密度；

步骤S7中，所述咀嚼效率评价模型中对于所述测量参数的判别函数为：

Y＝c₁x₁+c₂x₂+c₃x₃+c₄x₄+c₅x₅+c₆x₆+a

式中：x₁为样品中颜色A、颜色B的区域之和与总面积之比MIX，x₂为咀嚼后样品的长宽关系LW、x₃为咀嚼后样品的延展性FF，x₄为咀嚼后样品总面积与咀嚼前样品总面积之比TA’，x₅咀嚼后样品中混合区域里A颜色光密度和B颜色光密度的方差，x₆为去除孔洞后样品面积与总面积之比TR；c₁～c₆为x₁～x₆的系数项，a为方程的常数项；

步骤S8中，基于训练数据集，得到判别方程Y的系数项和常数项，获得训练好的所述咀嚼效率评价模型；

将被检测的样品的所述待检测参数，代入到训练好的所述咀嚼效率评价模型中，即代入到判别方程Y中，计算获得的值称为咀嚼效率指数MEI；MEI得分越高，样品混合程度越差，咀嚼能力越低；

所述图像采集装置包括：图像采集相机、光源；所述相机采用工业相机，所述光源采用LED光源，照射方式为背光照射加直接照射的光源照明方式；

步骤S5中，基于传统标定法对所述待检测样本图像进行去畸变处理，具体步骤包括：

a1：制作标准棋盘标定模板；

a2：基于所述图像采集相机对所述标准棋盘从不同角度拍摄，获取参照图片；

a3：对所述参照图片提取参照特征点；

a4：基于所述参照特征点计算获得所述图像采集相机对应的相机内参和畸变参数；

a5：提取所述待检测样本图像的R、G、B矩阵得到三个二维矩阵，记做待检测样本二维矩阵；

a6：根据所述图像采集相机对应的相机内参和畸变参数，对三个所述待检测样本二维矩阵进行线性插值去畸变运算，得到校正后图像数据矩阵；

a7：将三个所述校正后图像数据矩阵合并，得到所述去畸变待检测样本图像；

制成的所述检测用样品放置于干燥低温环境中密封保存；在实施步骤S2之前，对所述检测用样品用37℃的水浴锅加热1min；

所述咀嚼效率评价结果的分类包括：良好、一般、较差。

本发明提供的一种食品咀嚼效率的评估方法，基于图像采集装置获取待检测样本图像，从待检测样本图像提取待检测参数，输入到训练好的咀嚼效率评价模型中，进行自动识别分类；整个过程只需要技术人人员对咀嚼后混合样本做压制成薄片形状，其余的步骤都是自动实施完成，极大的减少了对技术人员能力的依赖，同时无需被检测人员的主观判断，整个检测过程简单、易实施，检测结果客观、准确；基于Fisher判别分析方法构建的咀嚼效率评价模型样品的训练量越大，判别指标越丰富，判别方程的准确率就越高，尤其适用于食品咀嚼效率分类检测这种训练样品采集范围广、可以持续采集数据的分类检测需求，咀嚼效率评价模型训练使用时间越久，分类精度越高，确保了评估结果的准确性；本发明技术方案，以两种颜色食品级石蜡为原材料制成了用于咀嚼试验的混色试验材料，对咀嚼后混合样本的进行压片处理，人工操作工序非常简单，降低了认为操作出错的可能性，进一步确保了评估结果的准确性。

附图说明

图1为实施例中，第一判别函数Y₁和第二判别函数Y₂的散点分布图；

图2为对比实验中花生中值粒径和MEI值之间的BA图。

具体实施方式

本发明一种食品咀嚼效率的评估方法，其包括以下步骤。

S1：制作检测用样品；

检测用样品以食品级石蜡为原料，包括颜色A、颜色B的双色矩形蜡片；将双色矩形蜡片颜色交叉放置后压制成矩形；

本发明实施例中，双色矩形蜡片10mm×10mm×2mm的长方体蜡片；颜色A、颜色B设置为红色和绿色；三个绿色的、两个红色的蜡片压制成的检测用样品大小正适合放入口腔中；制成的检测用样品放置至于干燥低温环境中密封保存；在实施步骤S2之前，对检测用样品用37℃的水浴锅加热1min；

石蜡材料不溶于水，不与口腔中的消化酶发生化学反应，能最大限度的避免唾液的干扰，且廉价易得。此外，检测用样品制作过程相对简单，方形的形状在咀嚼过程中产生多个受力点，样品更容易变形，而多层石蜡间隔压制的样品在咀嚼过程中也更容易发生混合，混色效果更好。而石蜡材料相对于现有技术中使用的花生等天然实验材料质地较软，可以满足大部分口腔修复患者和牙齿缺失严重的老年人的实验需求，相对于酵母糖黏性更低，实验过程中不容易发生附着在牙齿上的问题。

S2：对检测用样品进行咀嚼测试。

S3：获取咀嚼后混合样本。

S4：将咀嚼后混合样本进行清洗和干燥处理，然后压制成薄片形状，获得待检测样本片；基于图像采集装置采集待检测样本片正反两侧图像，记做：待检测样本图像；

图像采集装置包括：图像采集相机、光源；相机采用工业相机，光源采用LED光源，照射方式为背光照射加直接照射的光源照明方式；工业相机相比较民用相机来说，具有稳定性强、工作时间长、体积小等特点；

因后期检测过程中，待测物体的位置相对固定，因此发明技术方案中，使用固定焦距模式(即拍摄过程中镜头的焦距不变)来提高拍摄质量，确保图像采集装置采集到的待检测样本图像的准确性，进而提高最终评估结果的准确性。

本发明实施例中，检测用样品是边长为10mm的正方体，考虑到后期实验中可能对多个材料块同时咀嚼，为了有效地完成检测工作，相机的视野范围暂定为l×l＝60×60mm，检测精度需要达到p＝0.1mm，因此可以确定相机的分辨率应达到：

r·r＝(L/p)·(L/p)＝(60/0.1)×(60/0.1)＝600×600

本发明实施例中，选择了Easyvxin的YX6060镜头，该镜头的焦距范围为6～60mm，镜头最大成像尺寸2/3″。

因为经过咀嚼后混合样本表面平滑，在后续的参数提取过程中，材料的侧向轮廓和表面的颜色分布都非常重要；因此本发明技术方方案中，选择背光照射加直接照射的光源照明方式。顶部光源由4根HF-FX160160型号的条状led光源组成，照射方式为直接照射，侧向光源型号Exin-64 LED，照射方式为背光照射；背光照射确保得到咀嚼后混合样本的清晰的轮廓，直接照射确保得到咀嚼后混合样本的表面特征，进而确保图像采集装置采集到的待检测样本图像的准确性。

S5：对待检测样本图像进行去畸变处理，获得去畸变待检测样本图像。

在本发明技术方案中的食品咀嚼效率评价过程中需要提取咀嚼后混合样本的尺寸和像素信息，但是由于镜头的制造和安装问题，往往会造成以下两点误差：

1.镜头的光轴不垂直于传感器所在的平面，即相机坐标系与图像坐标系所在平面不平行。

2.畸变现象，镜头因制造精度原因无法呈现完美的小孔成像，导致投影偏离射影直线，此时需要通过畸变参数来校正；

因此进行后续分析测量的前提，是做好相机标定工作，对图像进行去畸变处理；相机标定的目的是确定相机从三维空间到二维图像的转换矩阵，来实现从图片上像素点之间的对应关系中获得检测目标的空间三维几何信息，同时相机标定也可以对镜头和相机因制造或安装中产生的精度误差进行畸变矫正，相机标定是视觉检测的关键步骤。

本发明技术方案中，基于传统标定法对待检测样本图像进行去畸变处理，具体步骤包括：

a1：制作标准棋盘标定模板；

a2：基于图像采集相机对标准棋盘从不同角度拍摄，获取参照图片；

a3：对参照图片提取参照特征点；

a4：基于参照特征点计算获得图像采集相机对应的相机内参和畸变参数；

a5：提取待检测样本图像的R、G、B矩阵得到三个二维矩阵，记做待检测样本二维矩阵；

a6：根据图像采集相机对应的相机内参和畸变参数，对三个待检测样本二维矩阵进行线性插值去畸变运算，得到校正后图像数据矩阵；

a7：将三个校正后图像数据矩阵合并，得到去畸变待检测样本图像；

本发明技术方案中采用传统标定法对待检测样本图像进行去畸变处理，处理结果准确率高，同时，本发明技术方案针对的采集对象，非常容易获得，特别适合采用传统标定法这种参照数据越多，准确率越高的标定方法。

具体实施的时候，首先制作标准棋盘标定模板如图，棋盘共分7行9列，其中单个棋格尺寸50×50mm，打印好后将其附在平面度高的平板上，利用相机从不同角度拍摄照片20张。利用Matlab中的Toolbox_calibration工具箱进行标定，对每一张照片按照顺时针方向手动提取4个特征点，输入棋盘格子的实际尺寸，而后点击运行标定程序，系统会对20张照片自动进行迭代计算，结果收敛后输出相机内参和畸变参数到结果文件，得到的内参数和畸变参数。经检查，角点标定误差的标准差0.71735pixel能够满足使用要求。

得到的内参数和畸变参数后，对待检测样本图像进行去畸变处理。利用Matlab软件读入待检测样本图像的RGB像素矩阵，分别提取待检测样本图像的R、G、B矩阵得到三个二维矩阵，通过im2double函数对每个矩阵进行数据转换，根据标定得到的相机内参和畸变参数，对矩阵进行线性插值去畸变运算，最后将图片校正后的三维矩阵合并输出，得到彩色的去畸变待检测样本图像。

S6：对去畸变待检测样本图像提取测量参数作为待检测参数；

本实施例中，利用Image pro-Plus 6.0软件对图片中相关测量参数进行提取。具体步骤如下：

(1)导入图片，标定图像，将坐标由pixel转换成实际长度，通过enhance命令增强图像对比度，使显示更加鲜明；

(2)确定目标区域范围，通过count菜单下segmentation命令可以按照颜色自动区分目标区域与背景区域，结果准确度较高。手动提取样品的轮廓线，可以去除咀嚼后样品中厚度很薄区域及孔洞；

(3)选择测量参数。Count菜单下的measurement命令可以选择对目标区域的测量参数，主要包括面积、倾角、光密度、长度和宽度。View命令可以查看和导出测量结果；

通过以上几步操作，可以测量得到咀嚼后混合物样本的长度及宽度，样品中未混色的红色区域(图像R分量的范围为150～250区域)的面积、未混色绿色区域(图像G分量的范围为100～245区域)的面积、去除孔洞前后混合物样品的总面积(默认厚度小于0.1mm处为孔洞，在图像中表现为颜色接近白色，R、G、B分量值均大于250)，以及咀嚼后样品红色光密度和绿色光密度等参数。

测量参数包括：

样品中A颜色区域和B颜色区域与总面积之比MIX：

去除孔洞后样品面积与总面积之比TR：

咀嚼后样品的长宽关系LW：

咀嚼后样品的延展性FF：

咀嚼后样品总面积与咀嚼前样品总面积之比TA’：

咀嚼后样品中混合区域里A颜色光密度和B颜色光密度的方差：

其中：A代表除去孔洞部分样品面积，TA代表咀嚼后样品总面积，OA为咀嚼前样品的总面积，RA代表颜色A的色区域面积，GA代表颜色B的区域面积，L代表样品长度，W为样品宽度，D_R为A颜色光密度，D_G为B颜色光密度，M为平均光密度；

S7：基于Fisher判别分析方法构建咀嚼效率评价模型；

Fisher判别分析方法是通过对大量分类已知的样本数据进行训练，然后以样品的几个指标作为自变量，根据组内方差最小的原则建立线性判别方程，将待评价样品的评价指标带入判别方程，完成新样品的分类工作。

咀嚼效率评价模型中对于测量参数的判别函数为：

Y＝c₁x₁+c₂x₂+c₃x₃+c₄x₄+c₅x₅+c₆x₆+a

式中：x₁为样品中颜色A、颜色B的区域之和与总面积之比MIX，x₂为咀嚼后样品的长宽关系LW、x₃为咀嚼后样品的延展性FF，x₄为咀嚼后样品总面积与咀嚼前样品总面积之比TA’，x₅咀嚼后样品中混合区域里A颜色光密度和B颜色光密度的方差，x₆为去除孔洞后样品面积与总面积之比TR；c₁～c₆为x₁～x₆的系数项，a为方程的常数项。

S8：训练咀嚼效率评价模型，获得训练好的咀嚼效率评价模型；

基于训练数据集，得到判别方程Y的系数项和常数项，获得训练好的咀嚼效率评价模型；

本实施例中，训练数据集的准备通过三类牙颌：1.双侧牙列缺失。2.单侧牙列缺失。3.牙列完整。分别在五种咀嚼速度(40mm/min、60mm/min、80mm/min、100mm/min和120mm/min)和两种咀嚼形变(80％和99％)下对检测用样品进行咀嚼得到30组咀嚼后混合样本，将所有咀嚼后混合样本放入自封袋。

对30组咀嚼后混合样本按照其混色程度，咀嚼后样品的延展性等参数进行分类，通过观察法对其分成咀嚼效果良好、效果一般以及效果较差三类。其中咀嚼效果良好组标准为：两种颜色能很好的混合，几乎没有单颜色区域，并且咀嚼后面积变化大，延展性很好。咀嚼效果较差组的样品标准为：混色区域小，出现大面积单色区域，咀嚼前后样品的面积无明显的变化，延展性差；咀嚼效果一般组样品的标准介于良好组和较差组之间。

对自封袋内分类好的咀嚼后混合样本用玻璃板压成厚度约2mm的片状，然后将片状咀嚼后混合样本放置在相机镜头下，拍摄时在暗光环境下，将样品放置在环形光源的中心，保证照片中无阴影，采集其正反面的图像，得到60张图像；在软件中对每一张图片正反两面测量2次取平局值，得到6个混色后测量参数，取正反面参数之和作为该样本的测量参数。具体如下面表1：样本测量参数：

表1：样本测量参数

将30个咀嚼后混合样本分成咀嚼效果良好、咀嚼效果一般和咀嚼效果较差三个等级，选取30个咀嚼后混合样本对应的测量参数作为判别因子，建立线性判别方程：

Y＝c₁x₁+c₂x₂+c₃x₃+c₄x₄+c₅x₅+c₆x₆+a

本实施例中，采用SPSS软件的Fisher判别分析功能对咀嚼效果进行分析，得到的判别方程的系数项和常数项，进而建立起两个判别函数为：

Y₁＝6.695x₁+0.705x₂-0.028x₃-0637x₄+0.056x₅+-2.995x₆-4.157

Y₂＝3.710x₁+0.068x₂-0.021x₃+10.144x₄+0.013x₅-0.6111x₆+0.619

Fisher判别法提出，当多类总体之间的样本协方差最大，总体内的组内离差最小时，此时的判别方程成立。求得两个判别函数的特征值和方差贡献率，如表2：判别方程特征值，方差贡献率即为该特征值在特征值总和中的占比，能够描述判别方程对于样品的解释量。

表2：判别方程特征值

函数	特征值	方差占比	累计占比
				Y<sub>1</sub>	14.616	96.3	96.3
Y<sub>2</sub>	0.563	3.7	100.0

表3为两个判别函数在各类组别中的中心值大小，以判别函数Y₁为例进行说明，判别函数Y₁在咀嚼效率良好组的函数平均值为-4.084，在咀嚼效果一般组的函数平均值为-0.113，在咀嚼效果较差组的函数平均值为4.594。因此，对于任意样品，将其6个判别因子带入判别函数Y₁时，可以通过比较函数值与三类中心处函数值的距离将其归类。

表3：各类中心处的判别函数值

图1为三组咀嚼效果第一判别函数Y₁和第二判别函数Y₂的散点分布图，通过该图可以直观地了解样品的分类情况。其中咀嚼效果良好组的样品混色程度佳，样品的延展性明显优于其他两个组，因此在散点图中良好组的样本聚集性更好，而一般组和较差组的样本虽然也能较好的集中在各自组别的中心值附近，但两组组间距离较近，容易发生误判，遇到此类样品时需要结合两个判别函数进行分类。从图中也能发现判别函数Y₁对样品的分类判别能力明显强于判别函数Y₂；因此本实施例中，将第一判别函数Y₁用作评价咀嚼效果的评价函数；即，基于判别函数Y₁得到的判别方程Y的系数项和常数项，获得训练好的咀嚼效率评价模型。

本实施例中，训练好的咀嚼效率评价模型咀嚼效率指数MEI(Masticationefficiency index)的计算方法如下：

MEI＝6.695x₁+0.705x₂-0.028x₃+-0.637x₄+0.056x₅+-2.995x₆-4.157

本实施例中，将30个咀嚼后混合样本的测量参数带入到MEI、计算公式中，可以发现，不同咀嚼效果分组的MEI值分布呈明显差异化，咀嚼效果最好组的MEI值均小于等于-3，咀嚼效果较差分组的MEI值均大于3，而效果一般组的MEI值在-2到1之间，即：MEI值对咀嚼效率有很好的评价效果，MEI得分越高，样品混合程度越差，咀嚼能力越低，相反，MEI得分越低，样品混色均匀，咀嚼能力更高。

S9：将待检测参数输入到训练好的咀嚼效率评价模型进行分类检测，获得待检测样本图像对应的咀嚼效率评价结果。本实施例中，咀嚼效率评价结果的分类包括：良好、一般、较差。将被检测的样品的待检测参数，代入到训练好的咀嚼效率评价模型中，即代入到数项和常数项已经确定的判别方程Y中，计算获得的值称为咀嚼效率指数MEI；MEI得分越高，样品混合程度越差，咀嚼能力越低。

为了验证本发明技术方案的分类检测效果，以常用的的食品咀嚼效率检测方法：脆性食品过筛称重法做对照，进行对比试验。筛分法通过对咀嚼后颗粒进行多次筛分称重来反映口腔的咀嚼能力，本实验中选用的花生米材料简单易得，测量值稳定，能够客观准确的反映测试牙齿的咀嚼能力。

挑选大小和形状相似的熟花生米作为实验样品。实验前对每一颗花生米进行称重测量并记录，(称重仪器：乐祺圆盘电子天平秤，量程：300g精度：0.01g)，为了降低误差，花生米的称重测量在防风罩内进行。利用义齿实验平台分别对本实验中的混色材料和筛分法中的花生样品进行咀嚼。通过混色法得到30个石蜡样本的混色值MEI，通过筛分法得到相同实验条件下30个花生样本的中值粒径。用Excel软件整理实验数据，BA(Bland-Altman图法)图验证两种测量方法的一致性，SPSS19.0软件对数据做进一步的统计学分析，详细如表4：试验样本的中值粒径和MEI值。

表4：试验样本的中值粒径和MEI值

序号	筛分法(中值粒径/g)	混色法(MEI值)	序号	筛分法(中值粒径/g)	混色法(MEI值)
						1	1.13	2.7	16	-4.44	1.3
2	1.35	4	17	3.49	3.6
						3	1.26	4.5	18	-3.28	2.6
4	6.73	5.8	19	4.64	4.3
						5	-3.66	1.5	20	4.21	4.1
6	-3.96	1.3	21	1.27	1.3
						7	4.18	4	22	-4.61	0.8
8	-1.83	2.7	23	-5.03	1.8
						9	1.10	2.9	24	5.56	4.6
10	-3.89	1.7	25	5.69	4.8
						11	-1.79	2.6	26	4.36	4.2
12	2.84	4.3	27	-4.65	1.3
						13	3.88	3.9	28	-3.91	1.2
14	-1.52	2	29	-1.45	3
						15	-4.33	1	30	-3.94	1.7

用BA图判定本发明技术方案的混色法和筛分法测量结果的一致性情况，如图2所示，BA图的横坐标为花生的中值粒径和本发明技术方案中的混色值MEI的平均值，纵坐标为中值粒径与混色值MEI之差(筛分法-混色法)。由BA图可知，中间标记为平均值的实线为两种测量方法差值的均值

差值的标准差sd经过计算为2.653，那么可以得到一致性区间为(8.1，-2.3)，上下一致性界限由图中标记为SD的两条虚线来表示，标记为误差的误差条为一致性界限的置信区间，标记为差值的虚线代表两种测量方法差值为0。

由BA图中可以看出，筛分法对于咀嚼后样本的测量值往往大于本发明技术方案，图中表现为30个点中大多数的y坐标值为正。这是因为在两种测量方法中，均是得分越低咀嚼效果越好，且在本发明技术方案中，咀嚼效果良好样本的MEI值往往为负值，因此咀嚼效果越好的样本，其在BA图中位置越靠近左上角。相反咀嚼效率较差的样本，其中值粒径和MEI值都很大，且均为正值，自然两种方法的测量结果也更加接近，此时两种方法的差值在0线附近波动。从BA图总体来看，30个样本的数据点均落在了一致性界限之内，因此可以说明两种方法测量结果具有一致性，说明本发明技术方案的混色测量法可以替代脆性称重法进行咀嚼效率的测定。在获得同等水平的检测结果的基础上，本发明技术方案对操作人员个人能力依赖更少，整个检测过程简单、易实施，实施效率更高。

Claims (6)

1.一种食品咀嚼效率的评估方法，其包括以下步骤：

S1：制作检测用样品；

S2：对所述检测用样品进行咀嚼测试；

S3：获取咀嚼后混合样本；

其特征在于，其还包括以下步骤：

S4：将所述咀嚼后混合样本做压制成薄片形状，获得待检测样本片；基于图像采集装置采集所述待检测样本片正反两侧图像，记做：待检测样本图像；

S5：对所述待检测样本图像进行去畸变处理，获得去畸变待检测样本图像；

S6：对所述去畸变待检测样本图像提取测量参数作为待检测参数；

S7：基于Fisher判别分析方法构建咀嚼效率评价模型；

S8：训练所述咀嚼效率评价模型，获得训练好的所述咀嚼效率评价模型；

S9：将所述待检测参数输入到训练好的咀嚼效率评价模型进行分类检测，获得所述待检测样本图像对应的咀嚼效率评价结果；

所述测量参数包括：

样品中A颜色区域和B颜色区域与总面积之比MIX：

去除孔洞后样品面积与总面积之比TR：

咀嚼后样品的长宽关系LW：

咀嚼后样品的延展性FF：

咀嚼后样品总面积与咀嚼前样品总面积之比TA’：

咀嚼后样品中混合区域里A颜色光密度和B颜色光密度的方差：

其中：A代表除去孔洞部分样品面积，TA代表咀嚼后样品总面积，OA为咀嚼前样品的总面积，RA代表颜色A的色区域面积，GA代表颜色B的区域面积，L代表样品长度，W为样品宽度，D_R为A颜色光密度，D_G为B颜色光密度，M为平均光密度；

步骤S7中，所述咀嚼效率评价模型中对于所述测量参数的判别函数为：

Y＝c₁x₁+c₂x₂+c₃x₃+c₄x₄+c₅x₅+c₆x₆+a

式中：x₁为样品中颜色A、颜色B的区域之和与总面积之比MIX，x₂为咀嚼后样品的长宽关系LW、x₃为咀嚼后样品的延展性FF，x₄为咀嚼后样品总面积与咀嚼前样品总面积之比TA’，x₅咀嚼后样品中混合区域里A颜色光密度和B颜色光密度的方差，x₆为去除孔洞后样品面积与总面积之比TR；c₁～c₆为x₁～x₆的系数项，a为方程的常数项；

步骤S5中，基于传统标定法对所述待检测样本图像进行去畸变处理，具体步骤包括：

a1：制作标准棋盘标定模板；

a2：基于所述图像采集相机对所述标准棋盘从不同角度拍摄，获取参照图片；

a3：对所述参照图片提取参照特征点；

a4：基于所述参照特征点计算获得所述图像采集相机对应的相机内参和畸变参数；

a5：提取所述待检测样本图像的R、G、B矩阵得到三个二维矩阵，记做待检测样本二维矩阵；

a6：根据所述图像采集相机对应的相机内参和畸变参数，对三个所述待检测样本二维矩阵进行线性插值去畸变运算，得到校正后图像数据矩阵；

a7：将三个所述校正后图像数据矩阵合并，得到所述去畸变待检测样本图像；

步骤S8中，基于训练数据集，得到判别方程Y的系数项和常数项，获得训练好的所述咀嚼效率评价模型；

将被检测的样品的所述待检测参数，代入到训练好的所述咀嚼效率评价模型中，即代入到判别方程Y中，计算获得的值称为咀嚼效率指数MEI；MEI得分越高，样品混合程度越差，咀嚼能力越低。

2.根据权利要求1所述一种食品咀嚼效率的评估方法，其特征在于：所述检测用样品以食品级石蜡为原料，包括颜色A、颜色B的双色矩形蜡片；将所述双色矩形蜡片颜色交叉放置后压制成矩形。

3.根据权利要求2所述一种食品咀嚼效率的评估方法，其特征在于：所述双色矩形蜡片10mm×10mm×2mm的长方体蜡片；所述颜色A、颜色B设置为红色和绿色。

4.根据权利要求1所述一种食品咀嚼效率的评估方法，其特征在于：所述图像采集装置包括：图像采集相机、光源；所述相机采用工业相机，所述光源采用LED光源，照射方式为背光照射加直接照射的光源照明方式。

5.根据权利要求3所述一种食品咀嚼效率的评估方法，其特征在于：制成的所述检测用样品放置于干燥低温环境中密封保存；在实施步骤S2之前，对所述检测用样品用37℃的水浴锅加热1min。

6.根据权利要求1所述一种食品咀嚼效率的评估方法，其特征在于：所述咀嚼效率评价结果的分类包括：良好、一般、较差。

Images