CN111950564A - 一种基于ssa-elm算法的猪肉新鲜度检测分类方法 - Google Patents
一种基于ssa-elm算法的猪肉新鲜度检测分类方法 Download PDFInfo
- Publication number
- CN111950564A CN111950564A CN202010718310.2A CN202010718310A CN111950564A CN 111950564 A CN111950564 A CN 111950564A CN 202010718310 A CN202010718310 A CN 202010718310A CN 111950564 A CN111950564 A CN 111950564A
- Authority
- CN
- China
- Prior art keywords
- pork
- representing
- image
- matrix
- elm
- 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
- 235000015277 pork Nutrition 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000001514 detection method Methods 0.000 title claims abstract description 30
- 238000013178 mathematical model Methods 0.000 claims abstract description 31
- 239000013598 vector Substances 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 69
- 241000287127 Passeridae Species 0.000 claims description 45
- 235000013305 food Nutrition 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 239000000126 substance Substances 0.000 claims description 8
- 210000003205 muscle Anatomy 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000005284 excitation Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 2
- 235000013372 meat Nutrition 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 10
- 238000012360 testing method Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000013145 classification model Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 244000062645 predators Species 0.000 description 2
- 230000001953 sensory effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 235000015278 beef Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000014633 carbohydrates Nutrition 0.000 description 1
- 150000001720 carbohydrates Chemical class 0.000 description 1
- 238000013098 chemical test method Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000019197 fats Nutrition 0.000 description 1
- 239000000796 flavoring agent Substances 0.000 description 1
- 235000019634 flavors Nutrition 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 229910017053 inorganic salt Inorganic materials 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 235000018102 proteins Nutrition 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 239000011782 vitamin Substances 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
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于SSA‑ELM算法的猪肉新鲜度检测分类方法,属于肉类新鲜度检测技术领域,将ELM数学模型中的输入权值矩阵和偏置矩阵作为SSA种群中的独立个体,寻求最佳适应度值的位置,从而获取最佳输入权值矩阵和最佳偏置矩阵,进而得到最佳猪肉新鲜度ELM数学模型。本发明使用机器视觉技术采集猪肉图像信息,利用图像处理技术对猪肉图像进行颜色特征向量提取,并将特征向量输入到最佳猪肉新鲜度ELM数学模型中,实现对猪肉新鲜度的准确快速检测分类。
Description
技术领域
本发明属于肉类新鲜度检测技术领域,尤其涉及一种基于SSA-ELM算法的猪肉新鲜度检测分类方法。
背景技术
猪肉是我国百姓餐桌上最常见的食物之一,其味道鲜美、口感细腻,含有维生素、蛋白质、脂肪、碳水化合物和无机盐矿物质等人体所需的营养物质。但是,不新鲜猪肉频频出现在市场上,这严重影响了我国消费者的身心健康和我国经济的正常发展。
目前常用的猪肉质量检测方法有:感官评估、理化分析和光谱测定。感官评估是指由专业评估人员通过感觉器官感知猪肉的外观、风味以及组织形态等特性来判断猪肉的新鲜度,这种方法易受主观因素影响;理化分析是应用物理和化学的试验方法确定猪肉的成分、微观及宏观结构等指标来判断新鲜度,成本较高;光谱测定是利用光谱仪获取猪肉的光谱图像并据此判断新鲜度,该方法所用到的实验仪器价格昂贵,设备维护成本高。
机器视觉作为人工智能的一个主要发展方向,其用于代替人眼完成对目标对象的捕获、测量和分析,将其应用在猪肉新鲜度检测中具有实时、高效、准确和检测成本低的优点,是未来发展的主要趋势。
极限学习机(Extreme Learning Machine,ELM)是一种新型的快速求解单隐层前馈神经网络学习算法,在训练过程中能够随机产生隐含层偏差,无需调整,只需要设置隐含层神经元的个数以及激活函数,便可以运用广义逆解析得到输出权值。因此,ELM具有学习速度快、泛化能力好的优点,逐渐被应用到肉类识别领域。文献《近红外结合极限学习机快速识别牛肉中掺假猪肉》(韩方凯,刘璨,黄煜,马梅,冯凡,段腾飞,张东京.安徽农业科学,2019,47(13):185-187.)中公开了采用傅里叶变换近红外结合极限学习机构建纯牛肉、牛肉中掺假猪肉、纯猪肉的快速识别模型,在多元散射校正(Multiplicative ScatterCorrection,MSC)结合核主成分分析(Kernel Principal Component Analysis,KPCA)的预处理下,ELM模型的预测效果最优;ELM神经网络能以极快的学习速度达到较好的泛化性能,解决了传统神经网络学习速度缓慢的缺点,拓宽了神经网络的应用范围。但是由于ELM学习算法的参数是随机设定的,因此网络性能稳定性相对不高,很难实现猪肉新鲜度的高效稳定检测,而且单纯的ELM学习算法对于图像分类的精确度不高,很难对分类结果作出有效的评价。
发明内容
针对现有技术中存在不足,本发明提供了一种基于SSA-ELM算法的猪肉新鲜度检测分类方法,使用机器视觉技术和图像处理技术对猪肉图像进行颜色特征提取,利用麻雀搜索算法(Sparrow Search Algorithm,SSA)对极限学习机(Extreme Learning Machine,ELM)数学模型中的输入权值矩阵和偏置矩阵进行优化处理,能够获得最佳猪肉新鲜度ELM数学模型,使得检测更加准确快速。
本发明是通过以下技术手段实现上述技术目的的。
一种基于SSA-ELM算法的猪肉新鲜度检测分类方法,包括如下步骤:
步骤1:利用图像采集装置采集原始图像,并进行预处理,获得去除背景后仅包含肌肉区域的RGB彩色图像;
步骤2:提取预处理后图像中的颜色特征向量;
步骤3:利用SSA优化ELM数学模型以获得最佳ELM数学模型,将提取的颜色特征向量输入最佳ELM数学模型中,对猪肉新鲜度进行检测分类。
进一步地,所述图像采集装置包括暗箱,暗箱底部设有放置猪肉样品的载物台,顶部设有数码相机,内部两侧壁上对称安装有对准猪肉样品照射的白光LED灯;数码相机、白光LED灯分别与暗箱外部计算机、电源连接;数码相机采集猪肉样品的图像信息,计算机对获取到的图像信息进行处理分析。
进一步地,所述预处理过程为:首先采用R-B色差法阈值分割法去除图像中的背景,再对图像进行灰度化处理,接着使用局部自适应阈值法确定每个像素位置处的二值化阈值,将猪肉图像中的肌肉和脂肪区域分割开,然后对图像进行开运算处理以消除毛刺,最后将经上述处理后的二值图像与原始图像相与。
进一步地于,所述步骤2具体为:将预处理后的图像转换成HSV图像和L*a*b*图像,进一步分解成R、G、B、H、S、V、L*、a*、b*这9个颜色空间分量,计算每个分量的均值和标准偏差值,将预处理后的图像转化成均值和标准偏差值所代表的特征向量。
进一步地,所述优化过程具体为:随机设定SSA中麻雀初始位置来初始化ELM数学模型中的输入权值矩阵和偏置矩阵,并将所述矩阵代入SSA适应度函数中,根据获得的适应度值将麻雀分为发现者和加入者,同时设置能感知危险的麻雀;不断更新发现者、加入者和感知危险的麻雀的位置,找出最佳食物获取位置,进而得到最佳输入权值矩阵和偏置矩阵,构建最佳ELM数学模型。
进一步地,所述ELM数学模型为:
其中N表示图像样本数;j表示隐含层节点数;L表示隐含层节点总数;βj表示连接第j个隐含层节点的输出权值矩阵;g(αjxi+bj)表示隐含层神经元的激励函数;αj表示连接第j个隐含层节点的输入权值矩阵;bj表示连接第j个隐含层节点的偏置矩阵;xi表示第i个猪肉图像样本对应的猪肉新鲜度颜色特征;ti表示第i个猪肉图像样本对应的猪肉新鲜度类别。
进一步地,所述麻雀初始位置为:
进一步地,所述发现者的位置更新公式为:其中,m表示当前迭代数;itermax表示最大迭代次数;k=1,2,…,pop;h=1,2,…,d,d+1;表示迭代m次时,第k个发现者在第h维中的位置信息;表示迭代m+1次时,第k个发现者在第h维中的位置信息;θ表示随机数;Q表示服从正态分布的随机数;U表示1×(d+1)的全1矩阵;R2表示报警值;ST表示安全值;
所述加入者的位置更新公式为:其中,表示迭代m次时,第k个加入者在第h维中的位置信息;表示迭代m+1次时,第k个加入者在第h维中的位置信息;表示迭代m+1次时,当前发现者所占据的最优位置;表示迭代m次时,当前全局最差的位置;A表示1×(d+1)的矩阵,A+=AT(AAT)-1;
所述感知危险的麻雀的位置更新公式为:其中,表示迭代m次时,第k个感知危险的麻雀在第h维中的位置信息;表示迭代m+1次时,第k个感知危险的麻雀在第h维中的位置信息;表示迭代m次时,当前全局最优位置;λ表示步长控制参数;Z表示随机数;fk表示当前感知危险的麻雀个体的适应度值;fg表示当前的全局最优适应度值;fw表示当前的全局最差适应度值;ε表示最小的常数。
进一步地,将所述ELM数学模型转换为T=Yβ的形式,其中,
本发明具有如下有益效果:
与现有技术相比,本发明利用机器视觉技术对猪肉进行图像采集以及检测分析,不仅能够快速准确地获取猪肉表面特征,而且成本低;本发明针对RGB、HSV、L*a*b*这三个颜色空间,对猪肉的特征进行提取,从而能够更加全面精准地得到猪肉的特征信息;本发明首次将ELM的多分类网络引入猪肉识别领域中,并利用SSA对ELM分类模型的输入权值矩阵和偏置矩阵进行优化处理,得到最优猪肉新鲜度检测分类模型,不用再对ELM参数进行任意初始化赋值,从而提高了分类精确度,同时也使得整个分类过程更加快速准确,保证了分类模型合理有效。
附图说明
图1为本发明所述图像采集装置结构示意图;
图2为本发明所述原始猪肉图像;
图3为本发明所述预处理后的猪肉图像;
图4为本发明所述猪肉新鲜度检测分类流程图。
图中:1-暗箱;2-载物台;3-白光LED灯;4-数码相机;5-计算机;6-猪肉样品。
具体实施方式
下面结合附图以及具体实施例对本发明作进一步的说明,但本发明的保护范围并不限于此。
为了解决现有机器视觉技术获取目标图像光照不均匀的问题,本发明采用了如图1所示的图像采集装置,图像采集装置包括暗箱1,暗箱1底部设有用于放置猪肉样品6的载物台2,暗箱1内部两侧壁上对称安装有与外部电源连接的白光LED灯3,白光LED灯3对准猪肉样品6照射,猪肉样品6上方的暗箱1顶部设有用于采集猪肉样品6图像信息的CCD数码相机4,CCD数码相机4与暗箱1外部计算机5连接,计算机5对获取到的图像信息进行处理分析。
本实施例根据TVB-N值将猪肉新鲜度划分为如表1所示的5个等级。
表1猪肉新鲜度等级表
等级标签 | 新鲜度等级 | TVB-N值区间(mg/100g) |
1 | 新鲜肉 | [0,11.5) |
2 | 中鲜肉 | [11.5,16.8) |
3 | 次鲜肉 | [16.8,24.6) |
4 | 中腐肉 | [24.6,32.9) |
5 | 腐败肉 | >32.9 |
本实施例以猪肉眼肌部分为研究对象进行检测分类,具体地猪肉新鲜度检测分类方法如图4所示:
步骤1:对图像采集装置获取的如图2所示的原始猪肉图像进行预处理;
步骤1.1:采用R-B色差法将图像色差信息作为特征量,使得图像中背景和猪肉的灰度值差异明显,接着采用阈值分割法,设定分割阈值以去除图像背景;
步骤1.2:为了减少后续进行的图像处理与分析的运算量,对去除背景后的猪肉图像进行灰度化处理,消除图像色调和饱和度信息的同时保留亮度信息,将图像从三维变成二维;
步骤1.3:采用局部自适应阈值法,根据灰度化处理后的图像中像素领域块的像素值分布确定二值化阈值,将猪肉图像中的肌肉和脂肪区域分割开来;
步骤1.4:为了消除猪肉图像中细小的毛刺,运用形态学中的开运算对图像进行处理,即先将图像中的白色部分进行缩减细化,再进行扩张;
步骤1.5:将经步骤1.4处理后的猪肉二值图像与原始RGB猪肉图像相与,得到如图3所示的去除背景后的仅包含肌肉区域的RGB猪肉彩色图像。
步骤2:提取经步骤1预处理后的图像中的颜色特征向量:将预处理后的RGB猪肉彩色图像转换成HSV图像和L*a*b*图像,再进一步分解成R、G、B、H、S、V、L*、a*、b*这9个颜色空间分量,然后计算出每个分量的均值和标准偏差值,将预处理后的RGB猪肉彩色图像转化成猪肉颜色均值和标准偏差值所代表的特征向量。
步骤3:将图像中的颜色特征向量输入到最佳猪肉新鲜度ELM数学模型中,对猪肉新鲜度进行检测分类;
所述最佳猪肉新鲜度ELM数学模型的获取过程为:将ELM模型中的输入权值矩阵α和偏置矩阵b作为SSA种群中的独立个体,寻求最佳适应度值的位置,获取最佳输入权值矩阵和最佳偏置矩阵进而得到最佳猪肉新鲜度ELM数学模型;具体的最佳猪肉新鲜度ELM数学模型的获取过程如下所示:
步骤3.1:设猪肉图像样本的数目为N,将N个猪肉图像样本分为训练集和测试集,训练集和测试集的划分比例为7:3;(xi,ti)表示第i个猪肉图像样本,i=1,2…,N;xi表示第i个猪肉图像样本对应的猪肉新鲜度颜色特征,将其设为ELM数学模型的输入参数集,其中,xi1,xi2,…,xi18分别为颜色空间分量R、G、B、H、S、V、L*、a*、b*的均值和标准偏差值;ti表示第i个猪肉图像样本对应的猪肉新鲜度类别,ti=[ti1,ti2,…,ti5]′,将其设为ELM数学模型的输出参数集,其中,ti1,ti2,…,ti5分别表示的是猪肉的五个新鲜度等级;则含有L个隐含层节点数的ELM数学模型为:
其中,j表示隐含层节点数;L表示隐含层节点总数;表示连接第j个隐含层节点的输出权值矩阵;g(αjxi+bj)表示隐含层神经元的激励函数,采用Sigmoid函数;aj=[aj1,aj2,…,aj18]′,表示连接第j个隐含层节点的输入权值矩阵;bj表示连接第j个隐含层节点的偏置矩阵;
步骤3.2:在SSA中,通过随机设定麻雀的初始位置S实现对ELM的输入权值矩阵αj及偏置矩阵bj的初始化:
其中,pop表示麻雀种群个数;d表示提取的猪肉颜色特征向量的个数;
步骤3.3:构造SSA的适应度函数,即确定优化的目标函数:
步骤3.4:将初始化后的ELM输入权值矩阵αj及偏置矩阵bj代入到适应度函数中,获得适应度值,即每只麻雀获取的食物量;
步骤3.5:针对麻雀获取的食物量,将麻雀分为两类,一类为发现者,一类为加入者,其中,发现者占麻雀种群总量的20%,加入者占麻雀种群总量的80%;为了提高麻雀种群寻找食物的速度,同时防止麻雀种群在寻找最佳食物位置时陷入局部最优的情况,还另外设置了能感知危险的一类麻雀,该类麻雀占麻雀种群总量的20%;
发现者的位置更新公式为:式中,m表示当前迭代数;itermax是一个常数,表示最大迭代次数;k=1,2,…,pop;h=1,2,…,d,d+1;表示迭代m次时,第k个发现者在第h维中的位置信息;表示迭代m+1次时,第k个发现者在第h维中的位置信息;θ∈(0,1),表示一个随机数;Q表示服从正态分布的随机数;U表示1×(d+1)的全1矩阵;R2表示报警值,ST表示安全值,ST∈[0.5,1.0],当R2<ST时,表明附近没有捕食者,发现者可以进入食物搜索模式;当R2≥ST时,表明一些麻雀已经发现有捕食者,并向种群中其他麻雀发出警报,所有的麻雀将快速飞向安全区域;
加入者的位置更新公式为: 表示迭代m次时,第k个加入者在第h维中的位置信息;表示迭代m+1次时,第k个加入者在第h维中的位置信息;表示迭代m+1次时,当前发现者所占据的最优位置;表示迭代m次时,当前全局最差的位置;A表示一个1×(d+1)的矩阵,其中每个元素随机赋值为1或-1,并且A+=AT(AAT)-1;当时,表明适应度值较低的第i个发现者麻雀没有获取食物,处于饥饿状态,此时需要飞往其他地方觅食,以获得更多的能量;
感知危险的麻雀的位置更新公式为:式中,表示迭代m次时,第k个感知危险的麻雀在第h维中的位置信息;表示迭代m+1次时,第k个感知危险的麻雀在第h维中的位置信息;表示迭代m次时,当前全局最优位置;λ表示步长控制参数,是服从均值为0,方差为1的正态分布的随机数;Z表示一个随机数,Z∈[-1,1];fk表示当前感知危险的麻雀个体的适应度值;fg表示当前的全局最优适应度值;fw表示当前的全局最差适应度值;ε表示最小的常数,以避免分母出现零;当fk>fg时,表明此时的麻雀正处于种群的边缘,感知到危险后会往种群中间移动;当fk=fg时,表明处于种群中间的麻雀感知到了危险,需要靠近其它的麻雀以此尽量减少它们被捕食的风险;
以500个猪肉图像样本为训练集,150个猪肉图像样本为测试集,分别使用支持向量机(Support Vector Machine,SVM)、ELM、粒子群优化极限学习机(Particle SwarmOptimization-Extreme Learning Machine,PSO-ELM)、SSA-ELM算法对猪肉图像进行检测分类,分类结果如表2所示:
表2四类算法的猪肉新鲜度检测分类结果准确率对比表
算法 | SVM | ELM | PSO-ELM | SSA-ELM |
测试准确率 | 82% | 74.3% | 92.3% | 98.6% |
由表2可知,相较于传统的SVM、ELM以及PSO-ELM算法,本发明的SSA-ELM算法测试准确率最高,更适用于猪肉新鲜度检测分类。
所述实施例为本发明的优选的实施方式,但本发明并不限于上述实施方式,在不背离本发明的实质内容的情况下,本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。
Claims (10)
1.一种基于SSA-ELM算法的猪肉新鲜度检测分类方法,其特征在于,包括如下步骤:
步骤1:利用图像采集装置采集原始图像,并进行预处理,获得去除背景后仅包含肌肉区域的RGB彩色图像;
步骤2:提取预处理后图像中的颜色特征向量;
步骤3:利用SSA优化ELM数学模型以获得最佳ELM数学模型,将提取的颜色特征向量输入最佳ELM数学模型中,对猪肉新鲜度进行检测分类。
2.根据权利要求1所述的猪肉新鲜度检测分类方法,其特征在于,所述图像采集装置包括暗箱(1),暗箱(1)底部设有放置猪肉样品(6)的载物台(2),顶部设有数码相机(4),内部两侧壁上对称安装有对准猪肉样品(6)照射的白光LED灯(3);数码相机(4)、白光LED灯(3)分别与暗箱(1)外部计算机(5)、电源连接;数码相机(4)采集猪肉样品(6)的图像信息,计算机(5)对获取到的图像信息进行处理分析。
3.根据权利要求1所述的猪肉新鲜度检测分类方法,其特征在于,所述预处理过程为:
首先采用R-B色差法和阈值分割法去除图像中的背景,再对图像进行灰度化处理,接着使用局部自适应阈值法确定每个像素位置处的二值化阈值,将猪肉图像中的肌肉和脂肪区域分割开,然后对图像进行开运算处理以消除毛刺,最后将经上述处理后的二值图像与原始图像相与。
4.根据权利要求1所述的猪肉新鲜度检测分类方法,其特征在于,所述步骤2具体为:
将预处理后的图像转换成HSV图像和L*a*b*图像,进一步分解成R、G、B、H、S、V、L*、a*、b*这9个颜色空间分量,计算每个分量的均值和标准偏差值,将预处理后的图像转化成均值和标准偏差值所代表的特征向量。
5.根据权利要求1所述的猪肉新鲜度检测分类方法,其特征在于,所述优化过程具体为:
随机设定SSA中麻雀初始位置来初始化ELM数学模型中的输入权值矩阵和偏置矩阵,并将所述矩阵代入SSA适应度函数中,根据获得的适应度值将麻雀分为发现者和加入者,同时设置能感知危险的麻雀;不断更新发现者、加入者和感知危险的麻雀的位置,找出最佳食物获取位置,进而得到最佳输入权值矩阵和偏置矩阵,构建最佳ELM数学模型。
9.根据权利要求8所述的猪肉新鲜度检测分类方法,其特征在于,所述发现者的位置更新公式为:其中,m表示当前迭代数;itermax表示最大迭代次数;k=1,2,…,pop;h=1,2,…,d,d+1;表示迭代m次时,第k个发现者在第h维中的位置信息;表示迭代m+1次时,第k个发现者在第h维中的位置信息;θ表示随机数;Q表示服从正态分布的随机数;U表示1×(d+1)的全1矩阵;R2表示报警值;ST表示安全值;
所述加入者的位置更新公式为:其中,表示迭代m次时,第k个加入者在第h维中的位置信息;表示迭代m+1次时,第k个加入者在第h维中的位置信息;表示迭代m+1次时,当前发现者所占据的最优位置;表示迭代m次时,当前全局最差的位置;A表示1×(d+1)的矩阵,A+=AT(AAT)-1;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010718310.2A CN111950564A (zh) | 2020-07-23 | 2020-07-23 | 一种基于ssa-elm算法的猪肉新鲜度检测分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010718310.2A CN111950564A (zh) | 2020-07-23 | 2020-07-23 | 一种基于ssa-elm算法的猪肉新鲜度检测分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111950564A true CN111950564A (zh) | 2020-11-17 |
Family
ID=73340895
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010718310.2A Pending CN111950564A (zh) | 2020-07-23 | 2020-07-23 | 一种基于ssa-elm算法的猪肉新鲜度检测分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111950564A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112465119A (zh) * | 2020-12-08 | 2021-03-09 | 武汉理工光科股份有限公司 | 一种基于深度学习的消防险情预警方法及装置 |
CN113255223A (zh) * | 2021-06-02 | 2021-08-13 | 西安建筑科技大学 | 一种空调负荷短期预测方法及系统 |
CN113392972A (zh) * | 2021-06-23 | 2021-09-14 | 广东工业大学 | 一种光伏短期功率预测模型训练方法、预测方法及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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
- 2020-07-23 CN CN202010718310.2A patent/CN111950564A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
---|
YULIN WANG等: "Blood Glucose Prediction Based on Empirical Mode Decomposition and SSA-KELM", 2020 CHINESE AUTOMATION CONGRESS, pages 1759 - 1763 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112465119A (zh) * | 2020-12-08 | 2021-03-09 | 武汉理工光科股份有限公司 | 一种基于深度学习的消防险情预警方法及装置 |
CN113255223A (zh) * | 2021-06-02 | 2021-08-13 | 西安建筑科技大学 | 一种空调负荷短期预测方法及系统 |
CN113255223B (zh) * | 2021-06-02 | 2023-04-28 | 西安建筑科技大学 | 一种空调负荷短期预测方法及系统 |
CN113392972A (zh) * | 2021-06-23 | 2021-09-14 | 广东工业大学 | 一种光伏短期功率预测模型训练方法、预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bhargava et al. | Fruits and vegetables quality evaluation using computer vision: A review | |
Mazen et al. | Ripeness classification of bananas using an artificial neural network | |
Woźniak et al. | Adaptive neuro-heuristic hybrid model for fruit peel defects detection | |
Al-Hiary et al. | Fast and accurate detection and classification of plant diseases | |
Barnes et al. | Visual detection of blemishes in potatoes using minimalist boosted classifiers | |
Kim et al. | Classification of grapefruit peel diseases using color texture feature analysis | |
Liu et al. | Identification of rice seed varieties using neural network | |
CN111950564A (zh) | 一种基于ssa-elm算法的猪肉新鲜度检测分类方法 | |
Ganatra et al. | A survey on diseases detection and classification of agriculture products using image processing and machine learning | |
Chakravorty et al. | Image processing technique to detect fish disease | |
Valenzuela et al. | Quality assessment of lettuce using artificial neural network | |
Tan et al. | Identification of soybean seed varieties based on hyperspectral image | |
Sumaryanti et al. | Digital image based identification of rice variety using image processing and neural network | |
Mavi et al. | Mango ripeness classification system using hybrid technique | |
Chithra et al. | DEFECT IDENTIFICATION IN THE FRUIT APPLE USING K-MEANS COLOR IMAGE SEGMENTATION ALGORITHM. | |
CN115294404A (zh) | 一种基于随机森林算法的底栖动物高光谱数据分类方法 | |
Beyaz et al. | Meta-learning-based prediction of different corn cultivars from color feature extraction | |
Anggraini et al. | Preliminary study on development of cocoa beans fermentation level measurement based on computer vision and artificial intelligence | |
Zuñiga et al. | Grape maturity estimation based on seed images and neural networks | |
Zhu et al. | Food grading system using support vector machine and YOLOv3 methods | |
Arora et al. | Image processing based classification of enzymatic browning in chopped Apples | |
Saifullah et al. | Palm Oil Maturity Classification Using K-Nearest Neighbors Based on RGB and L* a* b Color Extraction | |
Ji et al. | Apple color automatic grading method based on machine vision | |
CN113989536A (zh) | 一种基于布谷鸟搜索算法的番茄病害识别方法 | |
Zhao et al. | Digital microscopic imaging for citrus peel disease classification using color texture features |
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 |