CN113588571A - 一种基于高光谱成像的水产品的腥味识别方法及系统 - Google Patents
一种基于高光谱成像的水产品的腥味识别方法及系统 Download PDFInfo
- Publication number
- CN113588571A CN113588571A CN202111148788.7A CN202111148788A CN113588571A CN 113588571 A CN113588571 A CN 113588571A CN 202111148788 A CN202111148788 A CN 202111148788A CN 113588571 A CN113588571 A CN 113588571A
- Authority
- CN
- China
- Prior art keywords
- fishy smell
- region
- spectral
- value
- sequence
- 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.)
- Granted
Links
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
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
- G01N23/223—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material by irradiating the sample with X-rays or gamma-rays and by measuring X-ray fluorescence
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于高光谱成像的水产品的腥味识别方法及系统,通过采集水产品样本的高光谱图像;在高光谱图像中提取非恒定腥味区域集合;根据非恒定腥味区域集合构建腥味检测序列;利用腥味检测序列对高光谱图像进行识别水产品样本是否有腥味,检测时能够智能的避开水产图像上的腥腺、粘液集中区域等对腥味检测造成影响的区域,避免了腥气的气味的交叉敏感性,提高了腥味检测的准确度,本发明应用于水产品的无损检测领域。
Description
技术领域
本公开属于高光谱、图像处理技术、机器嗅觉技术领域,具体涉及一种基于高光谱成像的水产品的腥味识别方法及系统。
背景技术
水产品的腥味物质一般是来自水产品的蛋白质的代谢和腐败产生的叫三甲胺和挥发性盐基氮的物质,三甲胺是气体,易溶于水。鱼腥味的浓淡与三甲胺的浓度关系较为密切,目前对于水产品腥味的检测,一般是采用人工的方法或者气体传感器获取水产品的气味信号,采用人工方式检测太过于麻烦,而且存在着过度依赖检验人员经验,具有主观性和片面性、准确率低;采用气体传感器方式,则气味传感器天然的存在着交叉敏感性的气味的交叉干扰问题。高光谱图像技术包括了物品丰富的光谱信息和图像信息,能将物品的物理结构和化学成分都完整的表示出来,目前广泛的应用于无损领域,如何应用高光谱图像到水产品中检测水产品的腥味,检测时避开水产图像上的腥腺、粘液集中区域等对腥味检测造成影响的区域,是目前亟待解决的技术问题。
发明内容
本发明的目的在于提出一种基于高光谱成像的水产品的腥味识别方法及系统,以解决现有技术中所存在的一个或多个技术问题,至少提供一种有益的选择或创造条件。
为了实现上述目的,根据本公开的一方面,提供一种基于高光谱成像的水产品的腥味识别方法,所述方法包括以下步骤:
S100,采集水产品样本的高光谱图像;
S200,在高光谱图像中提取非恒定腥味区域集合;
S300,根据非恒定腥味区域集合构建腥味检测序列;
S400,利用腥味检测序列对高光谱图像进行识别水产品样本是否有腥味。
进一步地,在S100中,通过高光谱成像仪、高光谱传感器、圆偏振荧光光谱仪、手持式x射线荧光光谱仪、近红外高光谱成像系统、短波红外高光谱成像系统中的任意一种设备对水产品样本进行高光谱成像从而获得高光谱图像。
其中,水产品样本为鱼、虾、贝类或甲壳类等水产动物,例如螃蟹的样本或者其切片的样本。
进一步地,在S200中,在高光谱图像中提取非恒定腥味区域集合的方法为:
S201,对高光谱图像进行灰度化并进行滤波消除噪点得到去噪灰度图,通过分水岭算法将去噪灰度图划分为由边缘线划分成的多个光谱区域;对各个光谱区域的二值化图像进行腐蚀运算重新确定各个光谱区域的边缘线,根据重新确定的边缘线重新将去噪灰度图划分的多个光谱区域作为待测光谱区域集合;
S202,获取各个待测光谱区域集合中各个光谱区域内的三甲胺或者挥发性盐基氮的平均浓度作为各个光谱区域的腥味值,或者将光谱区域中各个像素的平均灰度值作为腥味值(一般水产品上颜色深的区域,意味着肉质变质或者粘液较多,腥味也就相应较大);
其中,所述高光谱图像在特征波长为600nm、615nm、760nm、840nm、860nm和950nm获取,获取水产品样本在600nm、615nm、760nm、840nm、860nm和950nm波长下的光谱反射值X600nm、X615nm、X760nm、X840nm、X860nm和X950nm;(参见公告号为CN103439285B的发明专利的相同检测方法,其中的新鲜度即为腥味值或者称为挥发性盐基氮中)。
其中,获取高光谱图像中各个待测光谱区域集合中各个光谱区域内的三甲胺或者挥发性盐基氮的平均浓度作为各个光谱区域的腥味值的方法为:通过USGS波谱数据库、ASD原子光谱数据库、JPL标准波谱数据库、ASTER波谱数据库、HIPAS波谱数据库、JHU波谱数据库中任意一种数据库所提供的三甲胺或者挥发性盐基氮中任意一种的吸收谱线参数或者光谱反射值对待测光谱区域集合中各个光谱区域的三甲胺或者挥发性盐基氮的浓度进行反演,反演过程基于郎伯-比尔定律,从而获取各个待测光谱区域集合中各个光谱区域内的三甲胺或者挥发性盐基氮的平均浓度作为各个光谱区域的腥味值。
优选地,获取各个待测光谱区域集合中各个光谱区域内的三甲胺或者挥发性盐基氮的平均浓度作为各个光谱区域的腥味值的方法为:
水产品样本的光谱区域内的三甲胺的浓度值根据适用于水产动物及其制品和肉与肉制品中三甲胺的测定的中国水产行业标准GB5009.179-2016食品安全国家标准中食品中三甲胺的测定;
水产品样本的光谱区域内的挥发性盐基氮的浓度值根据中国水产行业标准SC/T3032-2007《水产品中挥发性盐基氮的测定》测定;
S203,设待测光谱区域集合为SP={spi1},其中,spi1为待测光谱区域集合SP中第i1个光谱区域,变量i1∈[1,N1],设置i1的初始值为1,设置初始值为1的变量j1,以j1表示腥味源区域的序号,设置空的集合R1;其中,N1为待测光谱区域集合SP中光谱区域的数量;
S204,当j1=1时,将所有的与spi1相邻的光谱区域记为spi1的邻居谱域,在spi1的各个邻居谱域中搜索腥味值最大的邻居谱域,并且该腥味值最大的邻居谱域的腥味值大于spi1的腥味值,则将该腥味值最大的邻居谱域记为spi1的第j1个腥味源区域,设置一个序列记为第i1个腥味源区域序列List1i1,将spi1和第j1个腥味源区域添加到List1i1中;(以此序列检测出腥味的源头流向);其中,相邻的含义为有共同的边缘线作为边界或者两者的几何中心点之间小于设定的距离阈值, 设定的距离阈值一般设定为当前光谱区域的外接圆的直径;
其中,当spi1的各个邻居谱域的腥味值相等时,则选择所有的邻居谱域的几何中心点中与spi1的几何中心点的欧氏距离最短的几何中心点所对应的邻居谱域,并且该邻居谱域的腥味值大于spi1的腥味值,将所述邻居谱域记为spi1的第j1个腥味源区域,若欧氏距离相等则随机选取spi1的任意一个邻居谱域记为spi1的第j1个腥味源区域,设置一个序列记为第i1个腥味源区域序列List1i1,将spi1和第j1个腥味源区域添加到List1i1中;
当j1>1时,将所有的与第j1个腥味源区域相邻的光谱区域记为第j1个腥味源区域的邻居谱域,在第j1个腥味源区域的各个邻居谱域中搜索腥味值最大的邻居谱域,并且如果该腥味值最大的邻居谱域的腥味值大于第j1个腥味源区域的腥味值,则将该腥味值最大的邻居谱域记为第j1个腥味源区域的第j1+1个腥味源区域,将第j1+1个腥味源区域添加到List1i1中;
其中,当第j1个腥味源区域的各个邻居谱域的腥味值相等时,如果所有的邻居谱域的几何中心点与第j1个腥味源区域的几何中心点的欧氏距离最短的邻居谱域的腥味值大于第j1个腥味源区域的腥味值,将所述欧氏距离最短的邻居谱域记为第j1个腥味源区域的第j1+1个腥味源区域,若欧氏距离相等则随机选取第j1个腥味源区域的任意一个邻居谱域记为spi1的第j1+1个腥味源区域,将第j1+1个腥味源区域添加到List1i1中;
S205,当j1=1时,如果spi1的各个邻居谱域中不存在有腥味值大于spi1的腥味值的邻居谱域,则设置一个序列记为第i1个腥味源区域序列List1i1,将spi1添加到List1i1中,将List1i1加入到集合R1中,转到步骤S206,否则令j1的值增加1并转到步骤S204;
当j1>1时,如果第j1个腥味源区域的各个邻居谱域中不存在有腥味值大于第j1个腥味源区域的腥味值的邻居谱域,则将List1i1加入到集合R1中,将变量j1的值设置为1,转到步骤S206,否则令j1的值增加1并转到步骤S204;
S206,当i1≤N1时,则令i1的值增加1并转到步骤S204,否则转到步骤S207;
S207,在集合R1中,依次计算每个腥味源区域序列中各个光谱区域或者腥味源区域的总面积,集合R1中各个腥味源区域序列的总面积的算术平均值为AllAve;筛选出所有腥味源区域序列的总面积大于AllAve的腥味源区域序列的腥味源区域序列记为待选序列,由所有待选序列构成集合R2;
S208,在集合R2中,依次获取在各个待选序列的所有的光谱区域在各个待选序列中出现的频率或次数,将各个频率或次数按照升序进行排序得到有序的信号序列,计算信号序列中所有的频率或次数的算术平均值得到FreAve,将R2中各个光谱区域在各个待选序列中出现出现的频率或次数大于FreAve的所有光谱区域标记为恒定腥味区域;将信号序列中频率或次数的值最大的元素所对应的光谱区域记为腥源标定区域PC1;
S209,删除集合R2中标记有恒定腥味区域的各个待选序列获得的集合R3即为非恒定腥味区域集合。
进一步地,在S300中,根据非恒定腥味区域集合构建腥味检测序列的方法为:
S301,计算非恒定腥味区域集合中所有的光谱区域的几何中心点到腥源标定区域PC1的几何中心点的欧氏距离的各个值的平均值或者中位数记为D1,非恒定腥味区域集合中所有的光谱区域的几何中心点到腥源标定区域PC1的几何中心点的欧氏距离的各个值中的最小值记为Dmin;
S302,将所有的恒定腥味区域构成恒定腥味区域集合为MP={mpi2},其中,mpi2为恒定腥味区域集合MP中第i2个恒定腥味区域,变量i2∈[1,N2],设置i2的初始值为1,N2为恒定腥味区域集合MP中恒定腥味区域的数量,将非恒定腥味区域集合中的每个光谱区域设置一个状态标记,状态标记包括已覆盖和未覆盖(用以表示腥味检测的范围是否已经覆盖到该光谱区域),初始时将非恒定腥味区域集合中的每个光谱区域的状态标记均设置为未覆盖;设置一个用于表示范围是否移动的状态变量Move,Move包括True和False两种状态,Move初始时设置为False;
S303,当Move为False时,以mpi2的几何中心点为圆心、D1为半径的圆形的区域记为扫描范围Scan1,设置一个序列作为第i2个待检测序列List2,将mpi2的几何中心点加入List2中,将Move设置为True;其中,List2为用于存储点坐标信息的序列;
S304,当Move为True时,将在扫描范围Scan1中所有的非恒定腥味区域集合中的光谱区域记为腥味检测区域并且将对应的光谱区域的状态标记设置为已覆盖;其中,光谱区域在扫描范围Scan1中的意义为该光谱区域的几何中心点在扫描范围Scan1中,或者光谱区域的任意一个部分在扫描范围Scan1中;
S305,计算从Scan1的圆心开始到所有的腥味检测区域的几何中心点的向量,由所有向量构成趋向序列;将趋向序列中所有的向量相加得到的向量作为腥味趋向量;将腥味趋向量的模记为D2;(以此计算得到腥味在水产上扩散关联区域);
S306,当D2≥Dmin时,将扫描范围Scan1的圆心往腥味趋向量的方向移动距离D2得到点PC2,此时扫描范围Scan1为以点PC2为圆心、以D1为半径的圆形的区域,将点PC2加入List2中并转到步骤S304;否则,如果当D2<Dmin时,将Move设置为False并转到步骤S307;
S307,扫描非恒定腥味区域集合中的光谱区域的状态标记是否存在未覆盖,如果是,则将i2的值增加1并且转到步骤S303;如果否,或者i2>N2则将List2作为腥味检测序列。
进一步地,在S400中,利用腥味检测序列对高光谱图像进行识别水产品样本是否有腥味的方法为:
按照腥味检测序列中各个点的顺序,依次腥味检测序列中各个点为圆心、以D1为半径构建多个识别区域,依次按照识别区域的范围扫描高光谱图像中识别区域范围内的腥味检测区域或者光谱区域的对应位置的腥味值,当腥味值大于设定的腥味阈值时,标记水产品样本有腥味;
其中,腥味阈值为识别区域范围内所有的腥味检测区域或者所有的光谱区域的对应位置的腥味值的算术平均值的1.5倍。
本公开还提供了一种基于高光谱成像的水产品的腥味识别系统,所述一种基于高光谱成像的水产品的腥味识别系统包括:处理器、存储器及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述一种基于高光谱成像的水产品的腥味识别方法中的步骤,所述一种基于高光谱成像的水产品的腥味识别系统可以运行于桌上型计算机、笔记本、掌上电脑及云端数据中心等计算设备中,可运行的系统可包括,但不仅限于,处理器、存储器、服务器集群,所述处理器执行所述计算机程序运行在以下系统的单元中:
高光谱图像采集单元,用于采集水产品样本的高光谱图像;
非恒定腥味提取单元,用于在高光谱图像中提取非恒定腥味区域集合;
检测序列构建单元,用于根据非恒定腥味区域集合构建腥味检测序列;
样本腥味判断单元,用于利用腥味检测序列对高光谱图像进行识别水产品样本是否有腥味。
本公开的有益效果为:本发明提供一种基于高光谱成像的水产品的腥味识别方法及系统,能够应用于水产品的无损领域,检测时能够智能的避开水产图像上的腥腺、粘液集中区域等对腥味检测造成影响的区域,避免了腥气(水产品的三甲胺或者挥发性盐基氮)的气味的交叉敏感性,提高了腥味检测的准确度。
附图说明
通过对结合附图所示出的实施方式进行详细说明,本公开的上述以及其他特征将更加明显,本公开附图中相同的参考标号表示相同或相似的元素,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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,在附图中:
图1所示为一种基于高光谱成像的水产品的腥味识别方法的流程图;
图2所示为一种基于高光谱成像的水产品的腥味识别系统结构图。
具体实施方式
以下将结合实施例和附图对本公开的构思、具体结构及产生的技术效果进行清楚、完整的描述,以充分地理解本公开的目的、方案和效果。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
如图1所示为一种基于高光谱成像的水产品的腥味识别方法的流程图,下面结合图1来阐述根据本发明的实施方式的一种基于高光谱成像的水产品的腥味识别方法,所述方法包括以下步骤:
S100,采集水产品样本的高光谱图像;
S200,在高光谱图像中提取非恒定腥味区域集合;
S300,根据非恒定腥味区域集合构建腥味检测序列;
S400,利用腥味检测序列对高光谱图像进行识别水产品样本是否有腥味。
进一步地,在S100中,通过高光谱成像仪、高光谱传感器、圆偏振荧光光谱仪、手持式x射线荧光光谱仪、红外高光谱成像仪、近红外高光谱成像系统、短波红外高光谱成像系统中的任意一种设备对水产品样本进行高光谱成像从而获得高光谱图像。
其中,水产品样本为鱼、虾、贝类或甲壳类等水产动物,例如螃蟹的样本或者其切片的样本。
进一步地,在S200中,在高光谱图像中提取非恒定腥味区域集合的方法为:
S201,对高光谱图像进行灰度化并进行滤波消除噪点得到去噪灰度图,通过分水岭算法将去噪灰度图划分为由边缘线划分成的多个光谱区域;对各个光谱区域的二值化图像进行腐蚀运算重新确定各个光谱区域的边缘线,根据重新确定的边缘线重新将去噪灰度图划分多个光谱区域作为待测光谱区域集合;
S202,获取各个待测光谱区域集合中各个光谱区域内的三甲胺或者挥发性盐基氮的平均浓度作为各个光谱区域的腥味值,或者将光谱区域中各个像素的平均灰度值作为腥味值(一般水产品上颜色深的区域,意味着肉质变质或者粘液较多,腥味也就相应较大);
其中,所述高光谱图像在特征波长为600nm、615nm、760nm、840nm、860nm和950nm获取,获取水产品样本在600nm、615nm、760nm、840nm、860nm和950nm波长下的光谱反射值X600nm、X615nm、X760nm、X840nm、X860nm和X950nm;(参见公告号为CN103439285B的发明专利的相同检测方法,其中的新鲜度即为腥味值或者称为挥发性盐基氮中)。
其中,获取各个待测光谱区域集合中各个光谱区域内的三甲胺或者挥发性盐基氮的平均浓度作为各个光谱区域的腥味值的方法为:通过USGS波谱数据库、ASD原子光谱数据库、JPL标准波谱数据库、ASTER波谱数据库、HIPAS波谱数据库、JHU波谱数据库中任意一种数据库所提供的三甲胺或者挥发性盐基氮中任意一种的吸收谱线参数或者光谱反射值对待测光谱区域集合中各个光谱区域的三甲胺或者挥发性盐基氮的浓度进行反演,反演过程基于郎伯-比尔定律,从而获取各个待测光谱区域集合中各个光谱区域内的三甲胺或者挥发性盐基氮的平均浓度作为各个光谱区域的腥味值。
优选地,获取各个待测光谱区域集合中各个光谱区域内的三甲胺或者挥发性盐基氮的平均浓度作为各个光谱区域的腥味值的方法为:
进一步地,水产品样本的光谱区域内的三甲胺的浓度值根据适用于水产动物及其制品和肉与肉制品中三甲胺的测定的中国水产行业标准GB5009.179-2016食品安全国家标准中食品中三甲胺的测定,以三甲胺的浓度值作为各个光谱区域的腥味值;
进一步地,水产品样本的光谱区域内的挥发性盐基氮的浓度值根据中国水产行业标准SC/T3032-2007《水产品中挥发性盐基氮的测定》测定,以挥发性盐基氮的浓度值作为各个光谱区域的腥味值。
S203,设待测光谱区域集合为SP={spi1},其中,spi1为待测光谱区域集合SP中第i1个光谱区域,变量i1∈[1,N1],设置i1的初始值为1,设置初始值为1的变量j1,设置空的集合R1;其中,N1为待测光谱区域集合SP中光谱区域的数量;
S204,当j1=1时,将所有的与spi1相邻的光谱区域记为spi1的邻居谱域,在spi1的各个邻居谱域中搜索腥味值最大的邻居谱域,并且该腥味值最大的邻居谱域的腥味值大于spi1的腥味值,则将该腥味值最大的邻居谱域记为spi1的第1个腥味源区域,设置一个序列记为第i1个腥味源区域序列List1i1,将spi1和第1个腥味源区域添加到List1i1中;(以此序列检测出腥味的源头流向);其中,相邻的含义为有共同的边缘线作为边界或者两者的几何中心点之间小于设定的距离阈值, 设定的距离阈值一般设定为当前光谱区域的外接圆的直径;
其中,当spi1的各个邻居谱域的腥味值相等时,则选择所有的邻居谱域的几何中心点中与spi1的几何中心点的欧氏距离最短的几何中心点所对应的邻居谱域,并且该邻居谱域的腥味值大于spi1的腥味值,将所述邻居谱域记为spi1的第1个腥味源区域,若欧氏距离相等则随机选取spi1的任意一个邻居谱域记为spi1的第1个腥味源区域,设置一个序列记为第i1个腥味源区域序列List1i1,将spi1和第1个腥味源区域添加到List1i1中;
当j1>1时,将所有的与第j1个腥味源区域相邻的光谱区域记为第j1个腥味源区域的邻居谱域,在第j1个腥味源区域的各个邻居谱域中搜索腥味值最大的邻居谱域,并且该腥味值最大的邻居谱域的腥味值大于第j1个腥味源区域的腥味值,则将该腥味值最大的邻居谱域记为第j1个腥味源区域的第j1+1个腥味源区域,将第j1+1个腥味源区域添加到List1i1中;
其中,当第j1个腥味源区域的各个邻居谱域的腥味值相等时,则选择邻居谱域的几何中心点与第j1个腥味源区域的几何中心点的欧氏距离最短的邻居谱域,并且该欧氏距离最短的邻居谱域的腥味值大于第j1个腥味源区域的腥味值,将所述欧氏距离最短的邻居谱域记为第j1个腥味源区域的第j1+1个腥味源区域,若欧氏距离相等则随机选取第j1个腥味源区域的任意一个邻居谱域记为spi1的第j1+1个腥味源区域,将第j1+1个腥味源区域添加到List1i1中;
S205,当j1=1时,如果spi1的各个邻居谱域中不存在有腥味值大于spi1的腥味值的邻居谱域,则设置一个序列记为第i1个腥味源区域序列List1i1,将spi1添加到List1i1中,将List1i1加入到集合R1中,转到步骤S206,否则令j1的值增加1并转到步骤S204;
当j1>1时,如果第j1个腥味源区域的各个邻居谱域中不存在有腥味值大于第j1个腥味源区域的腥味值的邻居谱域,则将List1i1加入到集合R1中,将变量j1的值设置为1,转到步骤S206,否则令j1的值增加1并转到步骤S204;
S206,当i1≤N1时,则令i1的值增加1并转到步骤S204,否则转到步骤S207;
S207,在集合R1中,依次计算每个腥味源区域序列的总面积,集合R1中所有的腥味源区域序列的总面积的算术平均值为AllAve;筛选出所有腥味源区域序列的总面积大于AllAve的腥味源区域序列的腥味源区域序列记为待选序列,由所有待选序列构成集合R2;
S208,在集合R2中,依次获取在各个待选序列的所有的光谱区域在各个待选序列中出现的频率或次数,将各个频率或次数按照升序进行排序得到有序的信号序列,计算信号序列中所有的频率或次数的算术平均值得到FreAve,将R2中各个光谱区域在各个待选序列中出现出现的频率或次数大于FreAve的所有光谱区域标记为恒定腥味区域;将信号序列中频率或次数的值最大的元素所对应的光谱区域记为腥源标定区域PC1;
S209,删除集合R2中标记有恒定腥味区域的各个待选序列获得的集合R3即为非恒定腥味区域集合。
进一步地,在S300中,根据非恒定腥味区域集合构建腥味检测序列的方法为:
S301,计算非恒定腥味区域集合中所有的光谱区域的几何中心点到腥源标定区域PC1的几何中心点的欧氏距离的各个值的平均值或者中位数记为D1,非恒定腥味区域集合中所有的光谱区域的几何中心点到腥源标定区域PC1的几何中心点的欧氏距离的各个值中的最小值记为Dmin;
S302,将所有的恒定腥味区域构成恒定腥味区域集合为MP={mpi2},其中,mpi2为恒定腥味区域集合MP中第i2个恒定腥味区域,变量i2∈[1,N2],设置i2的初始值为1,N2为恒定腥味区域集合MP的大小,将非恒定腥味区域集合中的每个光谱区域设置一个状态标记,状态标记包括已覆盖和未覆盖,初始时将非恒定腥味区域集合中的每个光谱区域的状态标记均设置为未覆盖;设置一个表示范围是否移动的状态变量Move,Move包括True和False两种状态,Move初始时设置为False;
S303,当Move为False时,以mpi2的几何中心点为圆心、D1为半径的圆形的区域记为扫描范围Scan1,设置一个序列作为第i2个待检测序列List2,将mpi2的几何中心点加入List2中,将Move设置为True;
S304,当Move为True时,将在扫描范围Scan1中所有的非恒定腥味区域集合中的光谱区域记为腥味检测区域并且将对应的光谱区域的状态标记设置为已覆盖;
S305,计算从Scan1的圆心开始到所有的腥味检测区域的几何中心点的向量,由所有向量构成趋向序列;将趋向序列中所有的向量进行累加得到的向量作为腥味趋向量;将腥味趋向量的模记为D2;
S306,当D2≥Dmin时,将扫描范围Scan1的圆心往腥味趋向量的方向移动距离D2得到点PC2,此时扫描范围Scan1为以点PC2为圆心、以D1为半径的圆形的区域,将点PC2加入List2中并转到步骤S304;否则,如果当D2<Dmin时,将Move设置为False并转到步骤S307;
S307,扫描非恒定腥味区域集合中的光谱区域的状态标记是否存在未覆盖,如果是,则将i2的值增加1并且转到步骤S303;如果否,或者i2>N2则将List2作为腥味检测序列。
进一步地,在S400中,利用腥味检测序列对高光谱图像进行识别水产品样本是否有腥味的方法为:
按照腥味检测序列中各个点的顺序,依次以这些点为圆心、以D1为半径构建多个识别区域,按照识别区域的构建的顺序依次扫描高光谱图像中识别区域范围内的腥味检测区域或者光谱区域的对应位置的腥味值,腥味值大于设定的腥味阈值时,标记水产品样本有腥味;
其中,腥味阈值为识别区域范围内所有的腥味检测区域或者所有的光谱区域的对应位置的腥味值的算术平均值的1.5倍。
优选地,在本公开的实施例中,一种基于高光谱成像的水产品的腥味识别方法的C++语言的部分关键源代码如下:
## 根据非恒定腥味区域集合构建腥味检测序列
Scan = [
Scan1(AllAve=2, Move=False),
Scan1(AllAve=1.5, Move=False),
Scan1(AllAve=2.1, Mark=False)
];
final_step = [D1直径=1.7;n_mps=None',D1直径=0.5;
Move=None',D1直径=1.7;n_mps=100']
colors_ = cycle(colors.cnames.keys())
cm = mpl.colors.ListedColormap(colors.cnames.keys())
for ind, (Scan1_model, info) in enumerate(zip(Scan, final_step)):
Scan1_model.fit(SP)
time_ = time() - t
#获取所有的恒定腥味区域构成恒定腥味区域集合;
# 腥味趋向;
labels = Scan1_model.labels_
# 点PC2坐标
SP = Scan1_model.subSP_centers_
List1 = len(np.unique(SP))
光谱区域数目:%d" % (info, time_, len(np.unique(Mp))))
## 将在扫描范围Scan1中所有的非恒定腥味区域集合中的光谱区域记为腥味检测区域并且将对应的光谱区域的状态标记设置为已覆盖;
Mark=True;
subinx = List2 + ind
plt.subplot(subinx)
for this_centroid, k, col in zip(SP, range(Move), colors_):
mask = labels == k
plt.plot(X[mask, 0], X[mask, 1], 'w', markerfacecolor=col,marker='.')
if Scan1_model.Move is None:
plt.plot(this_centroid[0], this_centroid[1], '*',
markerfacecolor=col, markeredgecolor='k', markersize=2);
plt.ylim([-25, 25]);
plt.xlim([-25, 25]);
plt.grid(False);
plt.subplot(243);
plt.scatter(data_r[:, 0], data_r[:, 1], c=y, s=30, cmap=cm,edgecolors='none');
i1_min, i2_min = np.min(data_r, axis=0);
i1_max, i2_max = np.max(data_r, axis=0);
i1_min, i1_max = Scan1(i1_min, i1_max);
i2_min, i2_max = Scan1(i2_min, i2_max);
plt.xlim((i1_min, i1_max));
plt.ylim((i2_min, i2_max));
plt.grid(True);
plt.subplot(245);
plt.scatter(data2[:, 0], data2[:, 1], c=j2, s=30, cmap=cm, edgecolors='none');
i1_min, i2_min = np.min(data2, axis=0);
i1_max, i2_max = np.max(data2, axis=0);
i1_min, i1_max = Scan1(i1_min, i1_max);
i2_min, i2_max = Scan1(i2_min, i2_max);
plt.xlim((i1_min, i1_max));
plt.ylim((i2_min, i2_max));
plt.grid(True);
## 非恒定腥味区域集合显示;
plt.subplot(224)
plt.scatter(X[:, 0], X[:, 1], s=1, cmap=cm, edgecolors='none');
plt.ylim([-25, 25]);
plt.xlim([-25, 25]);
plt.grid(False);
Move=True;
plt.scatter(data3[:, 0], data3[:, 1], c=y3, s=30, cmap=cm, edgecolors='none');
i1_min, i2_min = np.min(data3, axis=0);
i1_max, i2_max = np.max(data3, axis=0);
i1_min, i1_max = Scan1(i1_min, i1_max);
i2_min, i2_max = Scan1(i2_min, i2_max);
plt.xlim((i1_min, i1_max));
plt.ylim((i2_min, i2_max));
plt.show()。
本公开的实施例提供的一种基于高光谱成像的水产品的腥味识别系统,如图2所示为本公开的一种基于高光谱成像的水产品的腥味识别系统结构图,该实施例的一种基于高光谱成像的水产品的腥味识别系统包括:处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述一种基于高光谱成像的水产品的腥味识别系统实施例中的步骤。
所述系统包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序运行在以下系统的单元中:
高光谱图像采集单元,用于采集水产品样本的高光谱图像;
非恒定腥味提取单元,用于在高光谱图像中提取非恒定腥味区域集合;
检测序列构建单元,用于根据非恒定腥味区域集合构建腥味检测序列;
样本腥味判断单元,用于利用腥味检测序列对高光谱图像进行识别水产品样本是否有腥味。
所述一种基于高光谱成像的水产品的腥味识别系统可以运行于桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备中。所述一种基于高光谱成像的水产品的腥味识别系统,可运行的系统可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,所述例子仅仅是一种基于高光谱成像的水产品的腥味识别系统的示例,并不构成对一种基于高光谱成像的水产品的腥味识别系统的限定,可以包括比例子更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述一种基于高光谱成像的水产品的腥味识别系统还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列 (Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述一种基于高光谱成像的水产品的腥味识别系统运行系统的控制中心,利用各种接口和线路连接整个一种基于高光谱成像的水产品的腥味识别系统可运行系统的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述一种基于高光谱成像的水产品的腥味识别系统的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
尽管本公开的描述已经相当详尽且特别对几个所述实施例进行了描述,但其并非旨在局限于任何这些细节或实施例或任何特殊实施例,从而有效地涵盖本公开的预定范围。此外,上文以发明人可预见的实施例对本公开进行描述,其目的是为了提供有用的描述,而那些目前尚未预见的对本公开的非实质性改动仍可代表本公开的等效改动。
Claims (5)
1.一种基于高光谱成像的水产品的腥味识别方法,其特征在于,所述方法包括以下步骤:
S100,采集水产品样本的高光谱图像;
S200,在高光谱图像中提取非恒定腥味区域集合;
S300,根据非恒定腥味区域集合构建腥味检测序列;
S400,利用腥味检测序列对高光谱图像进行识别水产品样本是否有腥味;
其中,在高光谱图像中提取非恒定腥味区域集合的方法为:
S201,对高光谱图像进行灰度化并进行滤波消除噪点得到去噪灰度图,通过分水岭算法将去噪灰度图划分为由边缘线划分成的多个光谱区域;对各个光谱区域的二值化图像进行腐蚀运算重新确定各个光谱区域的边缘线,根据重新确定的边缘线重新将去噪灰度图划分多个光谱区域作为待测光谱区域集合;
S202,获取各个待测光谱区域集合中各个光谱区域内的三甲胺或者挥发性盐基氮的平均浓度作为各个光谱区域的腥味值,或者将光谱区域中各个像素的平均灰度值作为腥味值;
S203,设待测光谱区域集合为SP={spi1},其中,spi1为待测光谱区域集合SP中第i1个光谱区域,变量i1∈[1,N1],设置i1的初始值为1,设置初始值为1的变量j1,以j1表示腥味源区域的序号,设置空的集合R1;其中,N1为待测光谱区域集合SP中光谱区域的数量;
S204,当j1=1时,将所有的与spi1相邻的光谱区域记为spi1的邻居谱域,在spi1的各个邻居谱域中搜索腥味值最大的邻居谱域,并且该腥味值最大的邻居谱域的腥味值大于spi1的腥味值,则将该腥味值最大的邻居谱域记为spi1的第j1个腥味源区域,设置一个序列记为第i1个腥味源区域序列List1i1,将spi1和第j1个腥味源区域添加到List1i1中;其中,相邻的含义为有共同的边缘线作为边界或者两者的几何中心点之间小于设定的距离阈值;
当j1>1时,将所有的与第j1个腥味源区域相邻的光谱区域记为第j1个腥味源区域的邻居谱域,在第j1个腥味源区域的各个邻居谱域中搜索腥味值最大的邻居谱域,并且该腥味值最大的邻居谱域的腥味值大于第j1个腥味源区域的腥味值,则将该腥味值最大的邻居谱域记为第j1个腥味源区域的第j1+1个腥味源区域,将第j1+1个腥味源区域添加到List1i1中;
S205,当j1=1时,如果spi1的各个邻居谱域中不存在有腥味值大于spi1的腥味值的邻居谱域,则设置一个序列记为第i1个腥味源区域序列List1i1,将spi1添加到List1i1中,将List1i1加入到集合R1中,转到步骤S206,否则令j1的值增加1并转到步骤S204;
当j1>1时,如果第j1个腥味源区域的各个邻居谱域中不存在有腥味值大于第j1个腥味源区域的腥味值的邻居谱域,则将List1i1加入到集合R1中,将变量j1的值设置为1,转到步骤S206,否则令j1的值增加1并转到步骤S204;
S206,当i1≤N1时,则令i1的值增加1并转到步骤S204,否则转到步骤S207;
S207,在集合R1中,依次计算每个腥味源区域序列中各个光谱区域或者腥味源区域的总面积,集合R1中各个腥味源区域序列的总面积的算术平均值为AllAve;筛选出所有腥味源区域序列的总面积大于AllAve的腥味源区域序列的腥味源区域序列记为待选序列,由所有待选序列构成集合R2;
S208,在集合R2中,依次获取在各个待选序列的所有的光谱区域在各个待选序列中出现的频率或次数,将各个频率或次数按照升序进行排序得到有序的信号序列,计算信号序列中所有的频率或次数的算术平均值得到FreAve,将R2中各个光谱区域在各个待选序列中出现出现的频率或次数大于FreAve的所有光谱区域标记为恒定腥味区域;将信号序列中频率或次数的值最大的元素所对应的光谱区域记为腥源标定区域PC1;
S209,删除集合R2中标记有恒定腥味区域的各个待选序列获得的集合R3即为非恒定腥味区域集合;
其中,在S300中,根据非恒定腥味区域集合构建腥味检测序列的方法为:
S301,计算非恒定腥味区域集合中所有的光谱区域的几何中心点到腥源标定区域PC1的几何中心点的欧氏距离的平均值或者中位数记为D1,非恒定腥味区域集合中所有的光谱区域的几何中心点到腥源标定区域PC1的几何中心点的欧氏距离的各个值中的最小值记为Dmin;
S302,将所有的恒定腥味区域构成恒定腥味区域集合为MP={mpi2},其中,mpi2为恒定腥味区域集合MP中第i2个恒定腥味区域,变量i2∈[1,N2],设置i2的初始值为1,将非恒定腥味区域集合中的每个光谱区域设置一个状态标记,状态标记包括已覆盖和未覆盖,初始时将非恒定腥味区域集合中的每个光谱区域的状态标记均设置为未覆盖;设置一个用于表示范围是否移动的状态变量Move,Move包括True和False两种状态,Move初始时设置为False;
S303,当Move为False时,以mpi2的几何中心点为圆心、D1为半径的圆形的区域记为扫描范围Scan1,设置一个序列作为第i2个待检测序列List2,将mpi2的几何中心点加入List2中,将Move设置为True;
S304,当Move为True时,将在扫描范围Scan1中所有的非恒定腥味区域集合中的光谱区域记为腥味检测区域并且将对应的光谱区域的状态标记设置为已覆盖;
S305,计算从Scan1的圆心开始到所有的腥味检测区域的几何中心点的向量,由所有向量构成趋向序列;将趋向序列中所有的向量进行累加得到的向量作为腥味趋向量;将腥味趋向量的模记为D2;
S306,当D2≥Dmin时,将扫描范围Scan1的圆心往腥味趋向量的方向移动距离D2得到点PC2,此时扫描范围Scan1为以点PC2为圆心、以D1为半径的圆形的区域,将点PC2加入List2中并转到步骤S304;否则,如果当D2<Dmin时,将Move设置为False并转到步骤S307;
S307,扫描非恒定腥味区域集合中的光谱区域的状态标记是否存在未覆盖,如果是,则将i2的值增加1并且转到步骤S303;如果否,或者i2>N2则将List2作为腥味检测序列。
2.根据权利要求1所述的一种基于高光谱成像的水产品的腥味识别方法,其特征在于,在S100中,通过高光谱成像仪、高光谱传感器、圆偏振荧光光谱仪、手持式x射线荧光光谱仪、近红外高光谱成像系统、短波红外高光谱成像系统中的任意一种设备对水产品样本进行高光谱成像从而获得高光谱图像。
3.根据权利要求1所述的一种基于高光谱成像的水产品的腥味识别方法,其特征在于,在S400中,利用腥味检测序列对高光谱图像进行识别水产品样本是否有腥味的方法为:
按照腥味检测序列中各个点的顺序,依次腥味检测序列中各个点为圆心、以D1为半径构建多个识别区域,依次按照识别区域的范围扫描高光谱图像中识别区域范围内的腥味检测区域或者光谱区域的对应位置的腥味值,当腥味值大于设定的腥味阈值时,标记水产品样本有腥味。
4.根据权利要求3所述的一种基于高光谱成像的水产品的腥味识别方法,其特征在于,腥味阈值为识别区域范围内所有的腥味检测区域或者所有的光谱区域的对应位置的腥味值的算术平均值的1.5倍。
5.一种基于高光谱成像的水产品的腥味识别系统,其特征在于,所述一种基于高光谱成像的水产品的腥味识别系统包括:处理器、存储器及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现权利要求1中的一种基于高光谱成像的水产品的腥味识别方法中的步骤,所述一种基于高光谱成像的水产品的腥味识别系统可以运行于桌上型计算机、笔记本、掌上电脑及云端数据中心的计算设备中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111148788.7A CN113588571B (zh) | 2021-09-29 | 2021-09-29 | 一种基于高光谱成像的水产品的腥味识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111148788.7A CN113588571B (zh) | 2021-09-29 | 2021-09-29 | 一种基于高光谱成像的水产品的腥味识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113588571A true CN113588571A (zh) | 2021-11-02 |
CN113588571B CN113588571B (zh) | 2021-12-03 |
Family
ID=78242629
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111148788.7A Active CN113588571B (zh) | 2021-09-29 | 2021-09-29 | 一种基于高光谱成像的水产品的腥味识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113588571B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114594060A (zh) * | 2022-03-04 | 2022-06-07 | 广东华威化工股份有限公司 | 一种基于高光谱图像的混合敏化检测方法及装置 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103439285A (zh) * | 2013-08-19 | 2013-12-11 | 华南理工大学 | 一种基于高光谱成像的鱼片新鲜度检测方法 |
CN103900972A (zh) * | 2014-04-04 | 2014-07-02 | 江南大学 | 基于多特征融合的肉类新鲜度高光谱图像可视化检测 |
CN204287031U (zh) * | 2014-12-31 | 2015-04-22 | 华东交通大学 | 一种基于高光谱成像技术的鱼新鲜度在线无损检测装置 |
CN104897581A (zh) * | 2015-05-29 | 2015-09-09 | 华南理工大学 | 基于高光谱的识别新鲜肉、冷却肉和冷冻肉的方法及装置 |
CN105548029A (zh) * | 2015-12-14 | 2016-05-04 | 北京农业质量标准与检测技术研究中心 | 基于光谱成像技术的肉制品新鲜度检测方法 |
CN106404692A (zh) * | 2016-11-09 | 2017-02-15 | 大连工业大学 | 利用高光谱成像技术检测即食海参新鲜度等级的方法 |
CN107014769A (zh) * | 2017-03-20 | 2017-08-04 | 南京林业大学 | 一种基于THz光谱分析的鲜肉K值快速无损检测模型 |
CN110832545A (zh) * | 2017-06-19 | 2020-02-21 | 颖帕视觉公司 | 用于进行高光谱图像处理以识别对象的系统和方法 |
CN111929257A (zh) * | 2020-08-31 | 2020-11-13 | 怀化市明友食品有限责任公司 | 一种基于光谱成像技术的肉制品新鲜度检测方法 |
CN112285031A (zh) * | 2020-09-30 | 2021-01-29 | 江苏大学 | 一种基于高光谱成像技术对三文鱼鲜味强度快速表征的方法 |
CN112697718A (zh) * | 2020-09-30 | 2021-04-23 | 江苏大学 | 一种基于高光谱成像技术结合波长选择算法串联策略的调理牛排新鲜度快速检测的方法 |
-
2021
- 2021-09-29 CN CN202111148788.7A patent/CN113588571B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103439285A (zh) * | 2013-08-19 | 2013-12-11 | 华南理工大学 | 一种基于高光谱成像的鱼片新鲜度检测方法 |
CN103900972A (zh) * | 2014-04-04 | 2014-07-02 | 江南大学 | 基于多特征融合的肉类新鲜度高光谱图像可视化检测 |
CN204287031U (zh) * | 2014-12-31 | 2015-04-22 | 华东交通大学 | 一种基于高光谱成像技术的鱼新鲜度在线无损检测装置 |
CN104897581A (zh) * | 2015-05-29 | 2015-09-09 | 华南理工大学 | 基于高光谱的识别新鲜肉、冷却肉和冷冻肉的方法及装置 |
CN105548029A (zh) * | 2015-12-14 | 2016-05-04 | 北京农业质量标准与检测技术研究中心 | 基于光谱成像技术的肉制品新鲜度检测方法 |
CN106404692A (zh) * | 2016-11-09 | 2017-02-15 | 大连工业大学 | 利用高光谱成像技术检测即食海参新鲜度等级的方法 |
CN107014769A (zh) * | 2017-03-20 | 2017-08-04 | 南京林业大学 | 一种基于THz光谱分析的鲜肉K值快速无损检测模型 |
CN110832545A (zh) * | 2017-06-19 | 2020-02-21 | 颖帕视觉公司 | 用于进行高光谱图像处理以识别对象的系统和方法 |
CN111929257A (zh) * | 2020-08-31 | 2020-11-13 | 怀化市明友食品有限责任公司 | 一种基于光谱成像技术的肉制品新鲜度检测方法 |
CN112285031A (zh) * | 2020-09-30 | 2021-01-29 | 江苏大学 | 一种基于高光谱成像技术对三文鱼鲜味强度快速表征的方法 |
CN112697718A (zh) * | 2020-09-30 | 2021-04-23 | 江苏大学 | 一种基于高光谱成像技术结合波长选择算法串联策略的调理牛排新鲜度快速检测的方法 |
Non-Patent Citations (3)
Title |
---|
ALAA EL-DIN A. BEKHIT ET AL.: "Total volatile basic nitrogen and trimethylamine in muscle foods:Potential formation pathways and effects on human health", 《COMPR REV FOOD SAF》 * |
孙宗保 等: "高光谱成像技术的三文鱼多品质指标的预测与分布可视化研究", 《光谱学与光谱分析》 * |
邹金萍 等: "应用高光谱图像检测鱼肉挥发性盐基总氮含量的研究", 《光谱学与光谱分析》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114594060A (zh) * | 2022-03-04 | 2022-06-07 | 广东华威化工股份有限公司 | 一种基于高光谱图像的混合敏化检测方法及装置 |
CN114594060B (zh) * | 2022-03-04 | 2022-09-09 | 广东华威化工股份有限公司 | 一种基于高光谱图像的混合敏化检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113588571B (zh) | 2021-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ahmed et al. | Fish disease detection using image based machine learning technique in aquaculture | |
JP6517788B2 (ja) | 適応的病理組織画像分解のためのシステム及び方法 | |
Bercovich et al. | Development of an automatic cow body condition scoring using body shape signature and Fourier descriptors | |
EP3176751B1 (en) | Information processing device, information processing method, computer-readable recording medium, and inspection system | |
Mittal et al. | Non-destructive image processing based system for assessment of rice quality and defects for classification according to inferred commercial value | |
Li et al. | Detection of early decayed oranges based on multispectral principal component image combining both bi-dimensional empirical mode decomposition and watershed segmentation method | |
Tonti et al. | An automated approach to the segmentation of HEp-2 cells for the indirect immunofluorescence ANA test | |
US11884959B2 (en) | Methods and systems for automated assessment of antibiotic sensitivity | |
CN113588571B (zh) | 一种基于高光谱成像的水产品的腥味识别方法及系统 | |
Meunier et al. | An open-access computer image analysis (CIA) method to predict meat and fat content from an android smartphone-derived picture of the bovine 5th-6th rib | |
CN114862817A (zh) | 一种电路板金手指区域缺陷检测方法及系统及装置及介质 | |
Gobi | Towards generalized benthic species recognition and quantification using computer vision | |
Gajanan et al. | Detection of leaf disease using feature extraction for Android based system | |
CN116596921B (zh) | 一种焚烧炉渣分选方法及系统 | |
CN112507869A (zh) | 基于机器视觉的水下目标物行为观测和水体环境监测方法 | |
Yadav et al. | An automated image processing method for segmentation and quantification of rust disease in maize leaves | |
CN113450383B (zh) | 一种免疫层析试纸定量分析方法、装置、设备和介质 | |
Pintor et al. | Govocitos: A software tool for estimating fish fecundity based on digital analysis of histological images | |
Horak et al. | Water quality assessment by image processing | |
Bickler | Prospects for machine learning for shell midden analysis | |
Sankaran et al. | Quantitation of Malarial parasitemia in Giemsa stained thin blood smears using Six Sigma threshold as preprocessor | |
Wang et al. | Detection of physical descaling damage in carp based on hyperspectral images and dimension reduction of principal component analysis combined with pixel values | |
Jose et al. | Early detection and classification of apple leaf diseases by utilizing ifpa genetic algorithm with mc-svm, svi and deep learning methods | |
AlSaaidah et al. | Zebrafish larvae classification based on decision tree model: a comparative analysis | |
Tan et al. | Detection of marine species on underwater video images |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |