CN113092432A - 一种基于荧光响应的罗非鱼除鳞效果可视化方法 - Google Patents
一种基于荧光响应的罗非鱼除鳞效果可视化方法 Download PDFInfo
- Publication number
- CN113092432A CN113092432A CN202110380688.0A CN202110380688A CN113092432A CN 113092432 A CN113092432 A CN 113092432A CN 202110380688 A CN202110380688 A CN 202110380688A CN 113092432 A CN113092432 A CN 113092432A
- Authority
- CN
- China
- Prior art keywords
- tilapia
- sample
- descaling
- area
- fish
- 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.)
- Withdrawn
Links
- 241000276707 Tilapia Species 0.000 title claims abstract description 46
- 230000000694 effects Effects 0.000 title claims abstract description 30
- 230000004044 response Effects 0.000 title claims abstract description 22
- 238000007794 visualization technique Methods 0.000 title claims abstract description 7
- 241000251468 Actinopterygii Species 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000001514 detection method Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims description 22
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 230000007797 corrosion Effects 0.000 claims description 8
- 238000005260 corrosion Methods 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 7
- 241000276701 Oreochromis mossambicus Species 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 5
- 230000035945 sensitivity Effects 0.000 claims description 5
- 210000004690 animal fin Anatomy 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 4
- 238000003379 elimination reaction Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 210000001015 abdomen Anatomy 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 230000001678 irradiating effect Effects 0.000 claims description 2
- 238000012847 principal component analysis method Methods 0.000 claims description 2
- 235000013305 food Nutrition 0.000 abstract description 9
- 230000008569 process Effects 0.000 abstract description 6
- 238000004458 analytical method Methods 0.000 abstract description 5
- 238000012800 visualization Methods 0.000 abstract description 5
- 239000003153 chemical reaction reagent Substances 0.000 abstract description 3
- 230000005284 excitation Effects 0.000 abstract description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 2
- 238000000691 measurement method Methods 0.000 abstract description 2
- 230000001186 cumulative effect Effects 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000003752 polymerase chain reaction Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 101100269850 Caenorhabditis elegans mask-1 gene Proteins 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001917 fluorescence detection Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010257 thawing Methods 0.000 description 2
- 239000002250 absorbent Substances 0.000 description 1
- 230000002745 absorbent Effects 0.000 description 1
- 244000052616 bacterial pathogen Species 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 239000000975 dye Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012921 fluorescence analysis Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000011031 large-scale manufacturing process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 230000000813 microbial effect Effects 0.000 description 1
- 235000010755 mineral Nutrition 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000000123 paper Substances 0.000 description 1
- 239000011088 parchment paper Substances 0.000 description 1
- 235000020777 polyunsaturated fatty acids Nutrition 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
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000011573 trace mineral Substances 0.000 description 1
- 235000013619 trace mineral Nutrition 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
Classifications
-
- 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
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/64—Fluorescence; Phosphorescence
- G01N21/6402—Atomic fluorescence; Laser induced fluorescence
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Optics & Photonics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明属于食品检测领域，涉及利用一种基于荧光响应的罗非鱼除鳞效果可视化方法。具体来说，利用手握式电动去鳞器随机对罗非鱼除鳞，在紫外波段激发下，鱼鳞产生荧光响应，基于真彩图像颜色空间，提取图像中感兴趣区域颜色值、结合卷积神经网络与像素点特征，实现对罗非鱼除鳞效果可视化。本发明是一种基于荧光响应的罗非鱼除鳞效果可视化方法，实验重复性好，分析时间短，分析过程不需消耗有机试剂，对罗非鱼无破坏，为非侵入式测量方法，检测的结果准确、稳定。
Description
技术领域
本发明属于食品检测领域，涉及利用一种基于荧光响应的罗非鱼除鳞效果可视化方法。具体来说，利用手握式电动去鳞器随机对罗非鱼除鳞，在紫外波段激发下，鱼鳞产生荧光响应，基于真彩图像颜色空间，提取图像中感兴趣区域颜色值、结合卷积神经网络与像素点特征，实现对罗非鱼除鳞效果可视化。
背景技术
罗非鱼富含蛋白质、维生素、多不饱和脂肪酸以及人体必需的矿物质和微量元素。较高的营养价值使其深受消费者的喜爱。据联合国粮农组织(FAO)统计，2020年全球共有143个国家和地区生产罗非鱼，其中，中国主要集中在广东、广西养殖与加工。目前，罗非鱼加工的主要工序包括除鳞、去内脏、清洗和切片。其中除鳞是鱼加工重要环节，除鳞过程中鳞片残留直接影响罗非鱼外观品质和商业价值。
水射流式除鳞法和滚筒摩擦除鳞法效率高，适合应用于流水线作业，并且能通过控制水射流输出压力或滚筒刀具角度等实现不同偏好的除鳞作业。因此实际生产中被广泛应用，但这种除鳞方式在加工量大，处理速度快时，容易导致鱼体局部鱼鳞未能彻底去除，致使鳞片残留。现有检测方法采用硫酸纸检测法，该方法具有线下分散性操作以及依赖人工经验的特点，无法满足大规模生产线作业要求。因此，在除鳞过程中，需要一种快速、非破坏性的检测方法。荧光响应是一种短波紫外线照射荧光物质后，荧光物质在长波段发光的现象。通过荧光响应进行物质特性分析，具有灵敏度高、选择性强等特点，在食品品质鉴评过程中得到了广泛应用。在鱼类的检测研究中，荧光响应已被应用于鱼类理化性质的测定、化学成分和新鲜度的预测、微生物腐败的鉴别和测定等方面，利用荧光响应实现罗非鱼除鳞效果可视化未见报道(参见：孙国皓.荧光分析法在食品检测中的应用[J].现代食品,2020,(第20期)；张晓金,邹雨虹,杨丹妮.实时荧光PCR检测食品肉类种源的方法探讨[J].食品安全导刊,2021,(第6期)；一种荧光检测装置及荧光检测系统，申请号202010717240.9；一种气敏型荧光传感器检测设备及其在油脂类食品检测中的应用，申请号201910355808.4；检测食源性致病菌的试剂盒及多重荧光PCR检测方法，申请号CN2014106213374；Duan Ning et al.The research progress of organic fluorescentprobe applied in food and drinking water detection[J].Coordination ChemistryReviews,2021,427:213557)。
发明内容
为解决现有技术中存在的上述问题，本发明提供一种基于荧光响应的罗非鱼除鳞效果可视化方法。利用手握式电动去鳞器随机对罗非鱼除鳞，在紫外波段激发下，鱼鳞产生荧光响应，基于真彩图像颜色空间，提取图像中感兴趣区域颜色值、结合卷积神经网络与像素点特征，实现对罗非鱼除鳞效果可视化。
具体地，本发明提供一种基于荧光响应的罗非鱼除鳞效果可视化方法，其包括如下步骤：
1)样品制备：采集具有代表性的鱼的样品，采用手握式电动去鳞器对样本机械式除鳞，获得鳞片呈随机分布的样品；其中，所述的具有代表性的鱼的样品的重量范围为700-900g、形体与厚度较为一致。
2)图像采集：利用罗非鱼加工质量在线监测系统采集步骤1)中样品经过短波紫外线照射的原始图像；具体地，在步骤2)中，将步骤1)中获得的样品取出，置于罗非鱼加工质量在线监测系统的传送台上，送至图像采集区，条形荧光灯与水平线呈45度照射待测的样品，通过工业相机进行原始图像采集。
进一步地，所述的罗非鱼加工质量在线监测系统参数设置为：样品间距10cm、图像位深24、物距350mm、相机图像分辨率1280*720、帧频60fps、光源波段范围360-370nm、滤波片中心波长(CWL)365nm、传送台移动速度设置为前进速度0.23m/s。
3)颜色值提取：提取步骤2)中原始图像的ROI区域像素点颜色值，其中，ROI区域选择步骤1)中样品表面去鳞区域和未去鳞区域，并在真彩图像颜色空间下提取ROI区域的11个颜色特征C1-C11，提取过程如下：
C1＝R
C2＝G
C3＝B
式中，R、G、B为ROI区域的R、G、B值。
进一步地，ROI区域选择步骤1)中样品的鱼背、鱼腹、鱼尾处的表面去鳞区域和未去鳞区域。
4)数据降维：采用主成分分析法对步骤3)中提取的11个颜色特征C1-C11数据降维，剔除重叠和冗余的数据，获取最佳主成分；
5)模型的建立与评价：通过卷积神经网络算法，建立罗非鱼除鳞效果检测模型并对模型进行评价；具体地，基于步骤4)中获得的最佳主成分为特征输入，选取一部分ROI区域的最佳主成分用作训练集，另一部分ROI区域的最佳主成分用作测试集，训练集和测试集比例为7:3，通过准确度、灵敏度、特效度和综合评价指标对模型进行评价。
6)获取可视化图像：将步骤2)获得的原始图像进行图像处理，获取鱼体区域像素点的位置，针对鱼体区域，提取所有像素点的11个颜色特征C1-C11，并进行步骤4)数据降维，获得最佳主成分，使用步骤5)已建立的罗非鱼除鳞效果检测模型，判定各像素点是否为去鳞区域或是未去鳞区域，并根据判别结果和像素点位置信息将其还原为灰度图像，即判定为去鳞区域的像素点取灰度值130，判定为未去鳞区域的像素点取灰度值0，获得罗非鱼除鳞可视化图像。
进一步地，在步骤6)中，图像处理包括以下步骤：
6.1)将步骤2)获得的原始图像进行背景分割与干扰区剔除，背景定义为蓝色传送台，干扰区定义为鱼头、鱼尾和鱼鳍。选择合适颜色阈值与掩模剔除背景与干扰区，获得鱼体图像。
6.2)将步骤6.1)中获得的鱼体图像进行形态学处理，处理包括膨胀腐蚀、小区域去除；其中，膨胀腐蚀操作均取半径为2pixel的圆形结构元素。小区域像素区≤2500pixel2，连通区域判断原则为8邻域。
本发明是一种基于荧光响应的罗非鱼除鳞效果可视化方法，实验重复性好，分析时间短，分析过程不需消耗有机试剂，对罗非鱼无破坏，为非侵入式测量方法，检测的结果准确、稳定。
附图说明
图1为罗非鱼加工质量在线监测系统示意图。
图2A和2B为建模结果图和卷积神经网络模型。
图3为图像处理过程图像。
图4基于荧光响应的罗非鱼除鳞效果可视化图像。
具体实施方式
以下结合附图和实施例，对本发明的具体实施方式进行更加详细的说明，以便能够更好地理解本发明的方案以及其各个方面的优点。然而，以下描述的具体实施方式和实施例仅是说明的目的，而不是对本发明的限制。
下述实施例中所使用的实验方法如无特殊说明，均为常规方法。
下述实施例中所用的材料、试剂等，如无特殊说明，均可从商业途径得到。
实施例
基于荧光响应的罗非鱼除鳞效果可视化方法，具体实施步骤如下：
1、样品制备：将购置的重量范围为700-900g的罗非鱼样品在冰冻条件下迅速运回实验室，采用流水解冻法，解冻时间5分钟。随机选择80条样品采用手握式电动去鳞器去鳞，调整去鳞刀片角度，随机对鱼体表面进行除鳞。用吸水纸除去样品表面水分，放入密封袋保存，获得样品。
2、图像采集：将步骤1)中获得的样品取出，置于罗非鱼加工质量在线监测系统的传送台上，送至图像采集区，条形荧光灯与水平线呈45度照射待测的样品，通过工业相机进行原始图像(Ri)的采集。
本实施例中，罗非鱼加工质量在线监测系统采用模块化设计，利用360-370紫外波段激发鱼鳞中的小分子染料或结构色产生荧光，并以边沿触发模式自动采集图像。系统主要包含六个部件：传送台、伺服电机、条形荧光光源、滤光片、工业相机(摄像头、变焦镜头)和电控柜组成，如图1所示。将样品置于传送台上送至图像采集区，条形荧光光源与水平线呈一定角度(45度)照射待测样品，通过工业相机进行图像采集。具体地，本实施例中，所采用的罗非鱼加工质量在线监测系统参数设置为：样品间距10cm、图像位深24、物距350mm、相机图像分辨率1280*720、帧频60中s、光源波段范围360-370nm、滤波片中心波长(CWL)365nm、传送台移动速度设置为前进速度0.23m/s。
3、颜色值提取：提取步骤2)中原始图像(Ri)的ROI区域像素点颜色值，其中，ROI区域选择步骤1)中样品表面去鳞区域和未去鳞区域，为使区域具有一定代表性，选择鱼背、鱼腹、鱼尾处进行提取。为全面反映原始图像的颜色信息，在真彩图像颜色空间下提取ROI区域的11种颜色特征C1-C11。通过Matalb2020(Matrix Laboratory，USA)获得提取ROI区域像素点的R、G、B值，提取过程如下：
C1＝R
C2＝G
C3＝B
式中，R、G、B为ROI区域的R、G、B值。
本实施例中提取像素点数量共400个。其中去鳞区域选择200个像素点，未去鳞区域选择200个像素点。
4、数据降维：采用主成分分析法(PCA)对步骤3)中获得的11种颜色特征C1-C11数据降维，剔除重叠和冗余的数据，获取最佳主成分；
其中，主成分分析法(PCA)是通过线性变换重构，将步骤3)中颜色特征数据转换成新的实现信息，简化空间坐标，用相关性较小的变量代替原来的变量，所得结果按投影方差大小顺序排列，方差越大包含的信息越多，少数主成分可以代表大部分原始数据信息。前若干个主成分的方差累积贡献率值达到99.99％，可以代替原来的多个变量。对选择的主成分进行对比与评价，确定样品最佳主成分集合(参见：周志华,机器学习.北京:清华大学出版社,2016:229；杜子芳,多元统计分析.北京:清华大学出版社,2016:240-241；韩小孩,张耀辉,孙福军,王少华.基于主成分分析的指标权重确定方法[J].四川兵工学报,2012,33(10):124-126；林海明,杜子芳.主成分分析综合评价应该注意的问题[J].统计研究,2013,30(08):25-31)。
颜色特征数据的主成分特征值和方差累计贡献率如表1所示，主成分PC1、PC2、PC3、PC4、PC5和PC6方差累积贡献率已达99.99％，说明上述六个主成分可以代替颜色特征数据的99.99％的变量信息，因此选取PC1-PC6六个主成分进行后续分析。
表1主成分图PC1-PC6累积贡献率
5、模型的建立与评价：通过卷积神经网络算法，建立罗非鱼除鳞效果检测模型并对模型进行评价；
其中，卷积神经网络算法是基于步骤4)中获得的最佳主成分(PC1-PC6)为特征输入，在本实施例中，用于建立罗非鱼除鳞效果检测模型的样本点为步骤3)提取的像素点，共400个，训练集和测试集比例为7:3，即选择280个像素点用于建立模型的训练集，120个像素点用于建立模型预测集。通过准确度(Acc)、灵敏度(Sensitive)、特效度(Specificity)和综合评价指标(F-Measure)对模型进行评价。(参见：Goodfellow,I.,Bengio,Y.,Courville,A.Deep learning(Vol.1).Cambridge:MIT press,2016:326-366；Gu,J.,Wang,Z.,Kuen,J.,Ma,L.,Shahroudy,2015.Recent advances in convolutional neuralnetworks.arXiv preprint arXiv:1512.07108；翁士状,唐佩佩,张雪艳.高光谱成像的图谱特征与卷积神经网络的名优大米无损鉴别[J].光谱学与光谱分析,2020,40(09):2826-2833.
具体地，选取步骤3)中280个像素点，进行罗非鱼除鳞效果检测模型的训练，其中去鳞区域140个像素点，未去鳞区域140个像素点。提取280个像素点主成分(PC1-PC6)作为输入，进行罗非鱼除鳞效果检测模型的验证。选取120个像素点进行测试，其中去鳞区域60个像素点，未去鳞区域60个像素点。如图2A所示。采用的卷积神经网络参数设置为：优化函数：动量梯度下降法(SGDM)、最大迭代次数100、卷积层数2、池化层数2、最大池化法、池化窗口1×2、步幅2、全连接层分类数2，如图2B所示。检测结果如表2所示。准确率、灵敏度、特效度、综合评价指标均＞95％，说明该模型在进行是否去鳞判别时具有较优的判别效果。
表2基于卷积神经网络模型的除鳞效果检测结果
6、获取可视化图像：将步骤2)获得的原始图像进行图像处理，如图3所示，获取鱼体区域像素点的位置，针对鱼体区域，提取所有像素点的11种颜色值，并进行步骤4)数据降维，获得最佳主成分，使用步骤5)已建立的罗非鱼除鳞效果检测模型，判定各像素点是否为去鳞区域或是未去鳞区域，并根据判别结果和像素点位置信息将其还原为灰度图像，即判定为去鳞区域的像素点取灰度值130，判定为未去鳞区域的像素点取灰度值0，获得罗非鱼除鳞可视化图像，如图4所示。
进一步地，图像处理包括以下步骤：
a)将步骤2)获得的原始图像进行背景分割与干扰区剔除，背景定义为蓝色传送台，干扰区定义为鱼头、鱼尾和鱼鳍(背鳍、臀鳍))。选择颜色阈值T1、T2和T3剔除背景、背鳍和臀鳍，掩模1、掩模2剔除鱼头和鱼尾，获得鱼体图像。T1、T2和T3满足公式如下：
T1＝B-G≤8
T2＝R≤60||B-G≤15
T3＝R≤75||B-G≤10
式中，R、G、B为原始图像的R、G、B值。
步骤2)获得的原始图像中罗非鱼长宽为L pixel×W pixel，掩模1为以鱼嘴为圆心，半径R＝0.2L的圆形掩模；掩模2为以鱼尾为基准点，沿鱼头方向的矩形掩模，大小为0.25L×M。
b)将步骤a)中获得的鱼体图像进行形态学处理，处理包括膨胀腐蚀、小区域去除；其中，膨胀腐蚀操作均取半径为2pixel的圆形结构元素。小区域像素区≤2500pixel2，连通区域判断原则为8邻域。
上述实施例仅仅是为清楚地说明本发明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明的保护范围之中。
Claims (5)
1.一种基于荧光响应的罗非鱼除鳞效果可视化方法，其特征在于，所述的基于荧光响应的罗非鱼除鳞效果可视化方法包括以下步骤：
1)样品制备：采集具有代表性的鱼的样品，采用手握式电动去鳞器对样本机械式除鳞，获得鳞片呈随机分布的样品；其中，所述的具有代表性的鱼的样品的重量范围为700-900g；
2)图像采集：将步骤1)中获得的样品取出，置于罗非鱼加工质量在线监测系统的传送台上，送至图像采集区，条形荧光灯与水平线呈45度照射待测的样品，通过工业相机进行原始图像采集；
3)颜色值提取：提取步骤2)中原始图像的ROI区域像素点颜色值，其中，ROI区域选择步骤1)中样品表面去鳞区域和未去鳞区域，并在真彩图像颜色空间下提取ROI区域的11个颜色特征C1-C11，提取过程如下：
C1＝R
C2＝G
C3＝B
式中，R、G、B为ROI区域的R、G、B值；
4)数据降维：采用主成分分析法对步骤3)中提取的11个颜色特征C1-C11数据降维，剔除重叠和冗余的数据，获取最佳主成分；
5)模型的建立与评价：通过卷积神经网络算法，建立罗非鱼除鳞效果检测模型并对模型进行评价；其中，基于步骤4)中获得的最佳主成分为特征输入，选取一部分ROI区域的最佳主成分用作训练集，另一部分ROI区域的最佳主成分用作测试集，训练集和测试集比例为7:3，通过准确度、灵敏度、特效度和综合评价指标对模型进行评价；
6)获取可视化图像：将步骤2)获得的原始图像进行图像处理，获取鱼体区域像素点的位置，针对鱼体区域，提取所有像素点的11个颜色特征C1-C11，并进行步骤4)数据降维，获得最佳主成分，使用步骤5)已建立的罗非鱼除鳞效果检测模型，判定各像素点是否为去鳞区域或是未去鳞区域，并根据判别结果和像素点位置信息将其还原为灰度图像，即判定为去鳞区域的像素点取灰度值130，判定为未去鳞区域的像素点取灰度值0，获得罗非鱼除鳞可视化图像。
2.根据权利要求1所述的基于荧光响应的罗非鱼除鳞效果可视化方法，其特征在于，在步骤2)中，所述的罗非鱼加工质量在线监测系统参数设置为：样品间距10cm、图像位深24、物距350mm、相机图像分辨率1280*720、帧频60fps、光源波段范围360-370nm、滤波片中心波长365nm、传送台移动速度设置为前进速度0.23m/s。
3.根据权利要求1或2所述的基于荧光响应的罗非鱼除鳞效果可视化方法，其特征在于，在步骤3)中，ROI区域选择步骤1)中样品的鱼背、鱼腹、鱼尾处的表面去鳞区域和未去鳞区域。
4.根据权利要求1或2所述的基于荧光响应的罗非鱼除鳞效果可视化方法，其特征在于，在步骤6)中，图像处理包括以下步骤：
6.1)将步骤2)获得的原始图像进行背景分割与干扰区剔除，背景定义为蓝色传送台，干扰区定义为鱼头、鱼尾和鱼鳍；选择颜色阈值与掩模剔除背景与干扰区，获得鱼体图像；
6.2)将步骤6.1)中获得的鱼体图像进行形态学处理，处理包括膨胀腐蚀、小区域去除；其中，膨胀腐蚀操作均取半径为2pixel的圆形结构元素；小区域像素区≤2500pixel2，连通区域判断原则为8邻域。
5.根据权利要求3所述的基于荧光响应的罗非鱼除鳞效果可视化方法，其特征在于，在步骤6)中，图像处理包括以下步骤：
6.1)将步骤2)获得的原始图像进行背景分割与干扰区剔除，背景定义为蓝色传送台，干扰区定义为鱼头、鱼尾和鱼鳍。选择颜色阈值与掩模剔除背景与干扰区，获得鱼体图像；
6.2)将步骤6.1)中获得的鱼体图像进行形态学处理，处理包括膨胀腐蚀、小区域去除；其中，膨胀腐蚀操作均取半径为2pixel的圆形结构元素；小区域像素区≤2500pixel2，连通区域判断原则为8邻域。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110380688.0A CN113092432A (zh) | 2021-04-09 | 2021-04-09 | 一种基于荧光响应的罗非鱼除鳞效果可视化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110380688.0A CN113092432A (zh) | 2021-04-09 | 2021-04-09 | 一种基于荧光响应的罗非鱼除鳞效果可视化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113092432A true CN113092432A (zh) | 2021-07-09 |
Family
ID=76675357
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110380688.0A Withdrawn CN113092432A (zh) | 2021-04-09 | 2021-04-09 | 一种基于荧光响应的罗非鱼除鳞效果可视化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113092432A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114342993A (zh) * | 2022-01-22 | 2022-04-15 | 武汉轻工大学 | 一种去鱼鳞装置 |
| CN115598124A (zh) * | 2022-11-03 | 2023-01-13 | 淮北师范大学（Cn） | 颜色去卷积水质检测方法 |
-
2021
- 2021-04-09 CN CN202110380688.0A patent/CN113092432A/zh not_active Withdrawn
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114342993A (zh) * | 2022-01-22 | 2022-04-15 | 武汉轻工大学 | 一种去鱼鳞装置 |
| CN115598124A (zh) * | 2022-11-03 | 2023-01-13 | 淮北师范大学（Cn） | 颜色去卷积水质检测方法 |
| CN115598124B (zh) * | 2022-11-03 | 2023-07-18 | 淮北师范大学 | 颜色去卷积水质检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Detection of common defects on oranges using hyperspectral reflectance imaging | |
| Kamruzzaman et al. | Application of NIR hyperspectral imaging for discrimination of lamb muscles | |
| ElMasry et al. | Meat quality evaluation by hyperspectral imaging technique: an overview | |
| CN113092432A (zh) | 一种基于荧光响应的罗非鱼除鳞效果可视化方法 | |
| Zhang et al. | Rapid evaluation of texture parameters of Tan mutton using hyperspectral imaging with optimization algorithms | |
| Li et al. | Machine vision technology for detecting the external defects of fruits—A review | |
| Cheng et al. | Data fusion and hyperspectral imaging in tandem with least squares-support vector machine for prediction of sensory quality index scores of fish fillet | |
| Song et al. | Detection of fish bones in fillets by Raman hyperspectral imaging technology | |
| Sun et al. | Detecting decayed peach using a rotating hyperspectral imaging testbed | |
| Khojastehnazhand et al. | Comparison of visible–near infrared and short wave infrared hyperspectral imaging for the evaluation of rainbow trout freshness | |
| Huang et al. | Prediction of pork marbling scores using pattern analysis techniques | |
| CN108564573B (zh) | 面向鲅鱼切段机的鱼头鱼尾图像自动识别方法 | |
| CN110672582B (zh) | 一种基于改进主成分分析的拉曼特征谱峰提取方法 | |
| CN110243805B (zh) | 基于拉曼高光谱成像技术的鱼刺检测方法 | |
| Xu et al. | Computer vision detection of salmon muscle gaping using convolutional neural network features | |
| Falkovskaya et al. | Literature review: Spectral imaging applied to poultry products | |
| Paluchowski et al. | Towards automated sorting of Atlantic cod (Gadus morhua) roe, milt, and liver–Spectral characterization and classification using visible and near-infrared hyperspectral imaging | |
| Wang et al. | Recognition of worm-eaten chestnuts based on machine vision | |
| Jun et al. | Pork quality classification using a hyperspectral imaging system and neural network | |
| CN104089925A (zh) | 一种基于高光谱成像检测虾仁品质的目标区域提取方法 | |
| CN102181514A (zh) | 快速无损伤检测冷却肉菌落总数的方法 | |
| CN107576660A (zh) | 一种基于距离等高线的双黄鸭蛋自动视觉检测方法 | |
| Huang et al. | Prediction of pork fat attributes using NIR images of frozen and thawed pork | |
| CN110715917A (zh) | 一种基于拉曼光谱的猪肉和牛肉分类方法 | |
| Wang et al. | Rapid classification of the freshness grades of sea bass (Lateolabrax japonicus) fillets using a portable Raman spectrometer with machine learning method |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210709 |