CN113607660B - 一种基于时序变温过程中视觉成像的掺假羊肉定性检测方法 - Google Patents

一种基于时序变温过程中视觉成像的掺假羊肉定性检测方法 Download PDF

Info

Publication number
CN113607660B
CN113607660B CN202110994812.2A CN202110994812A CN113607660B CN 113607660 B CN113607660 B CN 113607660B CN 202110994812 A CN202110994812 A CN 202110994812A CN 113607660 B CN113607660 B CN 113607660B
Authority
CN
China
Prior art keywords
sample
mutton
adulterated
time sequence
image
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.)
Active
Application number
CN202110994812.2A
Other languages
English (en)
Other versions
CN113607660A (zh
Inventor
朱荣光
何东宇
郑敏冲
姚雪东
王强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shihezi University
Original Assignee
Shihezi University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shihezi University filed Critical Shihezi University
Priority to CN202110994812.2A priority Critical patent/CN113607660B/zh
Publication of CN113607660A publication Critical patent/CN113607660A/zh
Application granted granted Critical
Publication of CN113607660B publication Critical patent/CN113607660B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of 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
    • 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
    • G06T7/13—Edge detection
    • 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
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Geometry (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Image Analysis (AREA)

Abstract

一种基于时序变温过程中视觉成像的掺假羊肉定性检测方法，以掺假羊肉为研究对象，利用CCD相机获取时序变温过程中不同掺假羊肉样品的CCD图像，并提取其感兴趣区域，进而利用定性检测模型进行羊肉掺假检测的方法。包括先建立掺入不同肉类的掺假羊肉样品定性检测模型，再利用模型对掺假羊肉进行定性检测。本发明通过时序变温的方法来放大不同掺假羊肉的差异性，利用机器视觉技术结合深度学习算法来定性检测掺有不同肉类的掺假羊肉，并获得了较高的判别准确率，这种定性检测方法操作成本低、检测速度快、准确率高，能提高市场上掺假羊肉及其他肉制品检测水平。

Description

一种基于时序变温过程中视觉成像的掺假羊肉定性检测方法
技术领域
本发明属于肉类品质快速检测技术领域，尤其涉及一种样品时序变温过程中CCD图像的掺假羊肉定性检测的方法，该检测方法可用于肉类掺假的定性检测。
背景技术
羊肉营养丰富，风味独特，是一种广受人们喜爱的肉类。近年来，世界各地的羊肉产量和消费量也在逐步增加。而羊肉价格远远高于猪肉、鸡肉和鸭肉等普通肉类价格，所以不法分子通常将猪肉、鸡肉、鸭肉等低价值肉类作为掺假原料掺入羊肉中从而获取更大经济利益，掺假羊肉不仅严重侵害了消费者的经济利益、破坏市场秩序，也会引起消费者健康问题和食品安全问题。因此，需要对市场上的羊肉进行检测，判断其是否掺假及掺假类别。现有的掺假羊肉定性检测的技术手段中，免疫法技术试剂选择性高，不能同时分析多种成分；质谱法需要繁琐的样品前处理，时间成本大；光谱技术灵敏度较差、样品建模难度较大、对外界环境要求较高；核磁共振技术对于样品纯度要求高，制备复杂，并且所需仪器价格高昂；电子舌技术实验结果重复性高、鉴别准确率低；且现有研究多侧重于恒温条件下，不能全面地获取肉类颜色信息，具有一定的局限性。
发明内容
本发明目的在于提供一种基于时序变温过程中视觉成像的羊肉掺假定性检测方法，基于不同肉类持续变温过程中表面颜色分布差异显著的原理，通过CCD相机采集系统采集连续变温过程中不同样品的图像，同时将卷积神经网络模型与图像相结合用于掺假羊肉的检测，旨在解决现有羊肉掺假检测技术操作复杂、仪器昂贵以及传统检测模型准确率较低以及获取信息不全等问题。
本发明采用的技术方案如下：
一种基于时序变温过程中视觉成像的掺假羊肉定性检测方法，其特征在于：制备建模样品，采集时序变温过程中CCD图像，然后建立羊肉掺假定性检测模型，再利用该模型对掺入不同肉类的掺假羊肉进行定性检测，包括以下步骤：
步骤一：制备高度、质量一致，密度均匀的具有掺假羊肉代表性的肉质样品；
步骤二：将样品置入温度变化装置进行时序加热或冷却，通过视觉成像采集系统，采集样品在时序变温过程中的CCD图像；
步骤三：利用图像预处理方法去除样品图像背景，提取样品图像形心，并选取样品图像感兴趣区域；
步骤四：将CCD图像数据划分为训练集和测试集，利用划分后的样品数据集对模型进行训练和测试，优选最佳模型，并确定模型的各个参数；
步骤五：若所建定性模型效果满足要求则代表模型可行；否则，通过扩充样品集和优化模型并重复步骤一至四，直至满足要求;
所述的利用定性检测模型进行掺假羊肉定性检测的具体步骤如下：
步骤A、制备高度、质量一致，密度均匀的具有掺假羊肉代表性的肉质样品；
步骤B、将样品置入温度变化装置进行时序加热或冷却，通过视觉成像采集系统，采集样品在时序变温过程中的CCD图像；
步骤C、利用图像预处理方法去除样品图像背景，提取样品图像形心，并选取样品图像感兴趣区域；
步骤D、将感兴趣区域下样品的CCD图像数据输入已建立并经过优选的定性判别模型，通过对样品单张直接判别或多张综合判别确定样品的类别，并输出判别结果。
上述掺假羊肉定性检测中，掺入的肉类包括：牛肉、猪肉、鸭肉及其他食用肉类；掺假检测内容为：判别肉类是否掺假及掺假类别；
上述掺假羊肉等级分为：纯羊肉，掺有其他肉类的掺假羊肉，其他肉类；
上述步骤一和步骤A中，样品制备时，制备高度、质量一致，密度均匀的具有掺假羊肉代表性的肉质样品。
上述步骤二和步骤B中，将样品置入温度变化装置进行时序加热或冷却，可采用多种方式对样品进行加热或冷却，样品初始温度保持一致。
上述步骤二和步骤B中，CCD相机采集时序变温过程中样品的视觉图像时，采用连续拍摄的模式，图像采集间隔有多种方式，例如：等时间间隔、等温度间隔、某一温度范围等时间间隔和某一时间段等温度间隔，本发明优选第一种方法，连续采集某一固定时间段内的CCD图像，此阶段较少的数据包含了较大范围温度下的CCD图像。
上述步骤三和步骤C中，对图像进行预处理时，有多种方法，本发明优选图像降噪和图像几何变化方法，去除样品图像背景，提取样品图像形心，并选取样品图像感兴趣区域。
上述步骤四和步骤D中，涉及的模型包括前馈型神经网络、卷积神经网络、循环神经网络，优选卷积神经网络建立模型；涉及的定性模型分类器包括SVM、PLS-DA、SoftMax，优选SoftMax检测掺假肉类的判别。
上述步骤二和步骤B中，本发明所述方法所应用的检测系统包括变温单元、照明单元、图像采集单元，暗箱和数据显示分析单元；所述的变温单元为温度可调的加热或冷却装置，位于暗箱内部，用于给样品提供稳定的温度来源；所述的照明单元为光照强度可调的环形光源，用于给样品提供稳定的温度来源；所述的图像采集单元包括CCD相机、支架和通讯模块；所述暗箱由支架以及覆盖黑色密织厚布组成，为封闭式不透光箱体，防止外界光线干扰；所述数据显示和分析单元包括PC机和软件界面，其中软件界面可以实现图像的实时显示、保存以及分析判别等功能。
本发明与现有技术相比优势在于：
第一、本发明所述检测方法具有操作简便、经济实惠、易于推广等优点。
第二、本发明所述方法中采取时序变温装置处理羊肉代表性的肉质样品，能够全面地获取肉类的颜色信息。
第三、本发明所用方法中CCD图像特征信息结合卷积神经网络能够对掺假羊肉进行定性检测，且适应性强，准确率高。
附图说明
图1为本发明实施例1和实施例2涉及的装置结构示意图
图2为本发明实施例2涉及的本发明方法具体流程图
图3为本发明实施例2涉及的感兴趣区域提取过程图
图4为本发明实施例2涉及的卷积神经网络定性检测模型架构图
附图中各标记说明如下：1：暗箱；2：视觉成像采集单元；3：照明单元； 4：变温单元；5：数据显示与分析单元。
具体实施方式
为了使本发明目的、优点更加清楚明了，下面结合具体实施例对本发明内容做进一步阐述，本发明方法具体流程图如图2所示。
实施例1：一种基于视觉成像技术的掺假羊肉识别方法的检测系统结构及其使用方法
a部分：一种基于视觉成像技术的掺假羊肉定性检测方法的系统结构
检测系统包括变温单元、照明单元、图像采集单元，暗箱和数据显示分析单元，如图1所示；所述的变温单元为温度可调的加热或冷却装置，位于暗箱内部，用于给样品提供稳定的温度来源；所述的照明单元为光照强度可调的环形光源，用于给样品提供稳定的温度来源；所述的图像采集单元包括CCD相机、支架和通讯模块；所述暗箱由支架以及覆盖黑色密织厚布组成，为封闭式不透光箱体，防止外界光线干扰；所述数据显示和分析单元包括PC机和软件界面，其中软件界面可以实现图像的实时显示、保存以及分析判别等功能。
b部分：一种基于视觉成像技术的掺假羊肉定性检测的系统使用方法
b1、首先向预先准备好的恒温水浴锅注满水，放入暗箱中，然后打开恒温加热水浴锅，并将其加热温度设置为70 °C。
b2、通过螺栓将CCD镜头固定在支架顶部的连接件上，并将镜头调节至与地面垂直。
b3、将支架连同CCD镜头一同放入暗箱，并移动支架，使镜头垂直悬空于水浴锅上的样品检测区。
b4、打开计算机，将CCD图像在线采集软件打开，连接CCD镜头与计算机，通过软件界面识别镜头与计算机是否连接成功。
b5、通过调节支架高度使CCD镜头与样品培养皿上表面的高度为60 cm。
b6、待恒温水浴锅的温度达到70 °C，并保持稳定时，将待测样品放置在水浴锅的样品检测区中心。
b7、取下镜头盖，微调镜头，使样品能够清晰完整的显示在软件界面的实时采集窗口。
b8、点击开始采集按钮，软件界面能够实时显示采集的CCD图像，并进行保存。
实施例2：一种基于视觉成像技术的掺假羊肉识别方法的羊肉掺假判别方法
c部分：建立判别掺假羊肉的卷积神经网络混合模型
c1、样品制备
实验材料为羊肉、猪肉和鸭肉，去除脂肪、筋膜和表皮，首先制备纯羊肉、纯猪肉、纯鸭肉样品、掺入猪肉的掺假羊肉样品和掺入鸭肉的掺假羊肉样品，使用电子秤称取相应重量的羊肉、猪肉和鸭肉分别混合后放入绞肉机搅拌30 s，绞成颗粒均匀的肉糜，然后将净重约30 g肉糜放入直径为6 cm、表面平整的圆形培养皿中压实，制成密度均匀的掺假样品。每种掺假样品的每个掺假比例各制备了13个样品，另外分别制备纯羊肉、纯猪肉和纯鸭肉样品各13个，共计169个样品。
c2、样品的CCD图像采集
检测系统由恒温加热水浴装置、支架、CCD图像采集镜头、暗箱、计算机、数据显示和分析软件等组成。
样品图像采集前将恒温水浴锅打开，并将其温度设置在70 °C。采集掺假羊肉样品时，CCD相机镜头参数为：MV EM200M（维视图像），其光学尺寸为1/1.8，分辨率为 1600*1200、帧率为40 fps，所采用的光源为AFT-RL150105（维视图像），其额定功率为17.5 W。
将样品连同培养皿放置在恒温水浴锅上连续加热10 min，通过CCD镜头采集CCD图像，并在PC端软件界面进行实时显示和保存。
c3、样品CCD图像感兴趣区域的获取
选取样品在不同加热时间段的CCD图像，并每隔1秒提取一张CCD图像。采用大津阈值法分割、去除样品背景，提取去除背景后样品的边缘轮廓，并提取样品轮廓形心，并以样品中心选取半径大小为452的区域作为样品CCD图像的感兴趣区域，ROI提取过程如图3所示。
c4、样本数据划分
实验共计采集101400张CCD图像。首先将样品划分为五类标签：纯羊肉样品、纯猪肉样品、纯鸭肉样品、掺入猪肉的掺假羊肉样品和掺入鸭肉的掺假羊肉样品。将样品数据按照3:1的比例划分为训练集和测试集，用于定性模型的训练和测试。
c5、定性模型建立
优选ResNet-18卷积神经网络，通过比较该模型的学习率和Mini-batch，确定最佳学习率为0.001、Mini-batch为256。采用SoftMax作为映射函数，将全连接层尺寸调整为1*1*5，SoftMax函数的计算公式如（1）所示：
(1)
其中，为样品不同标签下的概率，为特征向量；
基于SoftMax函数结合优选的神经网络及最佳参数建立的掺假羊肉定性检测模型，如图4所示，通过计算模型的准确率来评估模型效果，模型准确率的计算公式如（2）所示：
Accuracy= (2)
其中，TP代表真阳性（掺假样品中被正确分为掺假样品的数量），FN代表假阴性（掺假样品中被误分为未掺假样品的数量），TN代表真阴性（未掺假样品中被正确分为未掺假样品的数量），FP代表假阳性（未掺假样品中被误分为掺假样品的数量）。
所建立模型测试集的准确率为100.00%，满足掺假羊肉定性检测要求。
d、羊肉中掺假及掺假类别定性检测
d1、检测主要流程
利用建立的定性检测模型对掺假羊肉种类进行定性检测。首先制备纯羊肉、纯猪肉、纯鸭肉样品、掺入猪肉的掺假羊肉样品和掺入鸭肉的掺假羊肉样品，制成密度均匀的掺假样品。每种掺假样品的每个掺假比例将各制备7个样品，另外分别制备纯羊肉、纯猪肉和纯鸭肉样品各7个，共计91个样品；然后，将样品置入温度变化装置进行时序加热或冷却，通过CCD相机，采集样品在时序变温过程中的CCD图像并提取图像的感兴趣区域；最后，将CCD图像的感兴趣区域输入建立的定性检测模型，通过对样品单张直接判别或多张综合判别确定样品的类别，并输出检测结果。
d2、检测结果分析
利用建立的判别模型对掺入猪肉和掺入鸭肉的掺假羊肉进行检测，其准确率为93.57%。
本发明通过两个实施例，分别从图像采集系统的结构和使用方法、CCD图像感兴趣区域的获取、定性模型建立和掺假羊肉检测等角度阐述了一种基于CCD图像的检测掺假羊肉中掺假含量检测方法的操作流程。本发明利用常见的CCD相机搭建羊肉品质定性检测平台，可获取样品在时序变温过程中的颜色信息，操作简便、经济实惠、易于推广；本发明采用时序变温装置处理羊肉品质代表性的肉质样品，能够快速获取样品在不同温度下的CCD图像，反映较多的肉类特性；本发明CCD图像特征信息结合卷积神经网络能够对掺假羊肉进行定性检测，且适应性强，准确率高。
基于时序变温过程中视觉成像技术对其他掺假的检测，可参考本发明所提出的检测方法和检测流程进行操作。
以上实施方式仅用于说明本发明，并不用以限制本发明，凡是本发明的精神和原则之内，在本发明技术实质基础上所做的任何修改、等同替换、改进，均应包含在本发明的范围之内，本发明的专利保护范围由权利要求限定。

Claims (6)

1.一种基于时序变温过程中视觉成像的掺假羊肉定性检测方法，其特征在于：制备建模样品，采集时序变温过程中CCD图像，然后建立羊肉掺假定性检测模型，再利用该模型对掺入不同肉类的掺假羊肉进行定性检测；
所述的制备建模样品，采集时序变温过程中CCD图像，然后建立羊肉掺假定性检测模型，包括以下步骤：
步骤一：制备高度、质量一致，密度均匀的具有掺假羊肉代表性的肉质样品；
步骤二：将样品置入变温单元进行时序加热，通过视觉成像采集单元，采集样品在时序变温过程中的CCD图像；
步骤三：利用图像预处理方法去除样品图像背景，提取样品图像形心，并选取样品图像感兴趣区域；
步骤四：将CCD图像数据划分为训练集和测试集，利用划分后的样品数据集对模型进行训练和测试，优选最佳模型，并确定模型的各个参数；
步骤五：若所建定性模型效果满足要求则代表模型可行；否则，通过扩充样品集和优化模型并重复步骤一至五，直至满足要求；
建立的羊肉掺假定性检测模型采用ResNet-18卷积神经网络，最佳学习率为0.001，Mini-batch为256，映射函数为SoftMax；
所述的利用该模型对掺入不同肉类的掺假羊肉进行定性检测的具体步骤如下：
步骤A、制备高度、质量一致，密度均匀的具有掺假羊肉代表性的肉质样品；
步骤B、将样品置入变温单元进行时序加热，通过视觉成像采集单元，采集样品在时序变温过程中的CCD图像；
步骤C、利用图像预处理方法去除样品图像背景，提取样品图像形心，并选取样品图像感兴趣区域；
步骤D、将感兴趣区域下样品的CCD图像数据输入已建立并经过优选的定性检测模型，通过对样品单张直接判别或多张综合判别确定样品的类别，并输出判别结果。
2.根据权利要求1所述的一种基于时序变温过程中视觉成像的掺假羊肉定性检测方法，其特征在于：所述掺假羊肉定性检测中，掺入的肉类包括：牛肉、猪肉、鸭肉；掺假检测内容为：判别肉类是否掺假及掺假类别。
3.根据权利要求1所述的一种基于时序变温过程中视觉成像的掺假羊肉定性检测方法，其特征在于：所述步骤二和步骤B中，将样品置入变温单元进行时序加热，样品初始温度保持一致。
4.根据权利要求1所述的一种基于时序变温过程中视觉成像的掺假羊肉定性检测方法，其特征在于：所述步骤二和步骤B中，采集样品在时序变温过程中的CCD图像时，采用连续拍摄的模式，图像采集采用等时间间隔采集方法，连续采集某一固定时间段内的CCD图像，此阶段较少的数据包含了较大范围温度下的CCD图像。
5.根据权利要求1所述的一种基于时序变温过程中视觉成像的掺假羊肉定性检测方法，其特征在于：所述步骤三和步骤C中，对图像进行预处理时，采用图像降噪和图像几何变化方法，去除样品图像背景，提取样品图像形心，并选取样品图像感兴趣区域。
6.根据权利要求1所述的一种基于时序变温过程中视觉成像的掺假羊肉定性检测方法，其特征在于：所述步骤二和步骤B中，所述方法所应用的检测系统还包括照明单元、暗箱和数据显示与分析单元；所述的变温单元为温度可调的加热装置，位于暗箱内部，用于给样品提供稳定的温度来源；所述的照明单元为光照强度可调的环形光源，用于给样品提供稳定的光照来源；所述的视觉成像采集单元包括CCD相机、支架和通讯模块；所述暗箱为封闭式不透光箱体，防止外界光线干扰；所述数据显示与分析单元包括PC机和软件界面，其中软件界面可以实现图像的实时显示、保存以及分析判别功能。
CN202110994812.2A 2021-08-27 2021-08-27 一种基于时序变温过程中视觉成像的掺假羊肉定性检测方法 Active CN113607660B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110994812.2A CN113607660B (zh) 2021-08-27 2021-08-27 一种基于时序变温过程中视觉成像的掺假羊肉定性检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110994812.2A CN113607660B (zh) 2021-08-27 2021-08-27 一种基于时序变温过程中视觉成像的掺假羊肉定性检测方法

Publications (2)

Publication Number Publication Date
CN113607660A CN113607660A (zh) 2021-11-05
CN113607660B true CN113607660B (zh) 2023-11-28

Family

ID=78309538

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110994812.2A Active CN113607660B (zh) 2021-08-27 2021-08-27 一种基于时序变温过程中视觉成像的掺假羊肉定性检测方法

Country Status (1)

Country Link
CN (1) CN113607660B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5793879A (en) * 1992-04-13 1998-08-11 Meat Research Corporation Image analysis for meat
CN107271375A (zh) * 2017-07-21 2017-10-20 石河子大学 一种羊肉品质指标的高光谱图像检测方法
CN107703125A (zh) * 2016-08-16 2018-02-16 江南大学 一种判断猪肉临界新鲜度的智能标签的制备方法及其应用
CN112415050A (zh) * 2020-11-13 2021-02-26 石河子大学 一种基于温度分布差异的羊肉掺假定性判别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5793879A (en) * 1992-04-13 1998-08-11 Meat Research Corporation Image analysis for meat
CN107703125A (zh) * 2016-08-16 2018-02-16 江南大学 一种判断猪肉临界新鲜度的智能标签的制备方法及其应用
CN107271375A (zh) * 2017-07-21 2017-10-20 石河子大学 一种羊肉品质指标的高光谱图像检测方法
CN112415050A (zh) * 2020-11-13 2021-02-26 石河子大学 一种基于温度分布差异的羊肉掺假定性判别方法

Also Published As

Publication number Publication date
CN113607660A (zh) 2021-11-05

Similar Documents

Publication Publication Date Title
CN101251526B (zh) 鲜猪肉综合品质无损检测方法与装置
CN103076288B (zh) 一种基于计算机视觉的鱼肉自动分级装置和方法
CN109978822A (zh) 一种基于机器视觉的香蕉成熟度评判建模方法和评判方法
CN102147402A (zh) 机器视觉技术快速检测鸡蛋新鲜度的方法
CN110781889B (zh) 一种基于深度学习的蓝莓果实中总糖含量的无损检测方法
CN110675400B (zh) 一种基于手机app的羊肉品质指标快速智能检测方法
CN112415050B (zh) 一种基于温度分布差异的羊肉掺假定性判别方法
CN116416250B (zh) 一种速食罐装产品产线的成品检测系统
CN108198176A (zh) 一种基于图像分析烟草成熟度的判别方法
CN113887389A (zh) 一种基于图像识别的中药饮片质检与分级方法
CN100376888C (zh) 牛肉胴体质量的计算机视觉检测分级方法及装置
CN108960413A (zh) 一种应用于螺钉表面缺陷检测的深度卷积神经网络方法
CN110243805A (zh) 基于拉曼高光谱成像技术的鱼刺检测方法
CN113607660B (zh) 一种基于时序变温过程中视觉成像的掺假羊肉定性检测方法
CN114219750A (zh) 一种基于时序变温过程中热成像和视觉成像融合的肉类品质定量检测方法
CN108563997A (zh) 一种建立人脸检测模型、人脸识别的方法和装置
CN112884058A (zh) 一种基于图像结合高光谱的贝母品种鉴别方法及系统
CN107220972A (zh) 一种基于红外图像的禽蛋品质鉴别方法
CN114295611B (zh) 一种基于时序变温过程中视觉成像的羊肉掺假定量检测方法
CN113674265B (zh) 一种基于时序变温过程中热成像和视觉成像融合的肉类品质定性检测方法
CN116580832A (zh) 基于视频数据的老年痴呆症辅助诊断系统及其方法
CN115690577A (zh) 一种用于动植物识别的无人机及其工作方法
CN109472223A (zh) 一种人脸识别方法和装置
CN113674265A (zh) 一种基于时序变温过程中热成像和视觉成像融合的肉类品质定性检测方法
Shah et al. Automatically localising ROIs in hyperspectral images using background subtraction techniques

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