CN113792916B - 一种基于包装状态的冷冻畜肉品质监控预警方法及系统 - Google Patents

一种基于包装状态的冷冻畜肉品质监控预警方法及系统 Download PDF

Info

Publication number
CN113792916B
CN113792916B CN202110996033.6A CN202110996033A CN113792916B CN 113792916 B CN113792916 B CN 113792916B CN 202110996033 A CN202110996033 A CN 202110996033A CN 113792916 B CN113792916 B CN 113792916B
Authority
CN
China
Prior art keywords
livestock meat
area
packaging
frozen
value
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
CN202110996033.6A
Other languages
English (en)
Other versions
CN113792916A (zh
Inventor
王守伟
王辉
赵冰
臧明伍
刘博文
邹昊
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.)
China Meat Research Centre
Original Assignee
China Meat Research Centre
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 China Meat Research Centre filed Critical China Meat Research Centre
Priority to CN202110996033.6A priority Critical patent/CN113792916B/zh
Publication of CN113792916A publication Critical patent/CN113792916A/zh
Application granted granted Critical
Publication of CN113792916B publication Critical patent/CN113792916B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06T7/194—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
    • G06T7/90—Determination of colour characteristics
    • 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
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • 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
    • G06T2207/10024—Color image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明提供一种基于包装状态的冷冻畜肉品质监控预警方法及系统，包括：根据待测畜肉的图像信息判断包装是否破损；是则发出冻储风险预警；否则由图像信息获取包装缺陷的面积值，并和计划冻储周期值导入第一预测模型获取待测畜肉的品质指标；将品质指标导入第二预测模型中获取冻储周期预测值，将其与计划冻储周期值的差值作为剩余冻储周期值进行冻储提示预警。该方法用以解决现有技术中在包装冷冻畜肉品质检测中检测不准确的缺陷，通过将包装缺陷、冻储周期和品质指标相结合，实现对待测样品的快速准确检测，并能在造成实质损失之前估测出造成该损失的预测冻储周期，以避免或降低冻藏过程中劣变造成的损失。

Description

一种基于包装状态的冷冻畜肉品质监控预警方法及系统
技术领域
本发明涉及肉品安全品质监测技术领域，尤其涉及一种基于包装状态的冷冻畜肉品质监控预警方法及系统。
背景技术
现阶段我国对畜肉的储藏手段主要是冷冻包装储藏，在一定储藏周期内可以最大程度地减缓由于冻藏环境因素变化导致的肉品水分迁移，但肉品包装操作及外力碰撞等非正常因素经常导致包装不贴合及包装破损等肉品包装缺陷，因此在冻藏环境因素发生变化时，肉品表面与包装不贴合处形成的有限空间及包装破损处形成的无限空间会发生由水分离体迁移介导的蛋白质氧化、脂肪氧化等生化反应，造成包装缺陷区域的肉品品质劣变速度大大高于包装完好区域，最终导致冷冻畜肉整体的实际储藏周期短于计划储藏周期。因此，冷冻畜肉的局部劣变会对整体感官品质、食用品质及加工性能的评估造成较大偏差，同时，因在实际储藏过程中肉品包装缺陷部位的劣变程度对肉品进行的剔除和修剪，造成的经济损失也相当可观。
目前对于储藏周期的判断主要是对肉色褐变、干耗、蛋白质腐败和脂肪酸败产生的气味等品质劣变的程度进行感官评定，或采用针对性较强的理化指标检测来进行判断。而在实际操作过程中，冷冻畜肉样品由于传热传质现象导致冰晶升华，形成的冰层会遮挡对冷冻畜肉包装不贴合区域的畜肉表面表观特征变化的观察，而理化指标检测和挥发性物质检测的效费比无法满足大宗交易和批量检验对于时效性的需求。此外以上手段所获取的检测结果为既成结果，已无法在该结果发生之前进行调控，所造成的损失也已成为实质损失而不可逆转。
发明内容
本发明提供一种基于包装状态的冷冻畜肉品质监控预警方法及系统，用以解决现有技术中在包装冷冻畜肉品质检测中包装表面冰层影响对畜肉表面表观特征变化的观察，造成检测不准确的缺陷，通过将包装缺陷、冻储周期和品质指标相结合，实现对待测样品的快速准确检测，并能在造成实质损失之前估测出造成该损失的预测冻储周期，以避免或降低冻藏过程中劣变造成的损失。
本发明提供一种基于包装状态的冷冻畜肉品质监控预警方法，包括：
根据待测畜肉的图像信息判断所述待测畜肉的包装是否破损；是，则发出冻储风险预警；否，则由所述图像信息获取所述待测畜肉的包装缺陷的面积值，并将所述面积值和所述待测畜肉的计划冻储周期值导入第一预测模型中，获取所述待测畜肉的品质指标；
将所述品质指标导入第二预测模型中，获取所述待测畜肉的冻储周期预测值，并将所述冻储周期预测值与计划冻储周期值的差值，作为剩余冻储周期值进行冻储提示预警；
其中，所述包装缺陷指包装与畜肉的不贴合区域；
所述第一预测模型根据冷冻畜肉样本的图像中包装缺陷的最大面积值、冷冻畜肉样品的计划冻储周期，以及冷冻畜肉样本在包装缺陷处的品质指标构建；
所述第二预测模型根据冷冻畜肉样品的计划冻储周期和冷冻畜肉样本在无包装缺陷处的品质指标构建。
根据本发明提供的基于包装状态的冷冻畜肉品质监控预警方法，所述根据待测畜肉的图像信息判断所述待测畜肉的包装是否破损；是，则发出冻储风险预警；否，则由所述图像信息获取所述待测畜肉的包装缺陷的面积值，具体包括：
由不同角度获取所述待测畜肉的多张图像，并对任一所述图像进行前景和后景的分离，获得目标物图像；
由所述目标物图像中分别提取包装缺陷区域和无包装缺陷区域，并对所述包装缺陷区域中的包装破损区域和包装不贴合区域进行区分；
当存在包装破损区域时，发出冻储风险预警；
当不存在包装破损区域时，计算对应于每张所述图像的包装不贴合区域的面积，得到所述待测畜肉的包装不贴合区域的最大面积值。
根据本发明提供的基于包装状态的冷冻畜肉品质监控预警方法，所述由所述目标物图像中分别提取包装缺陷区域和无包装缺陷区域，并对所述包装缺陷区域中的包装破损区域和包装不贴合区域进行区分，具体包括：
对所述目标物图像进行光照均衡后低通滤波；
对所述目标物图像和进行低通滤波后的目标物图像的差分图像进行边缘检测，查找二值化后，填充高频边缘封闭的区域；
对边缘封闭的区域进行填充，得到所述包装缺陷区域的模板；
从目标物图像中减去所述包装缺陷区域的模板，即得所述无包装缺陷区域的模板；
将所述包装缺陷区域的模板与所述目标物图像进行级联操作，获取所述包装缺陷区域的RGB图像；
将所述RGB图像转换为HSV图像，并将所述HSV图像中像素的H值在预设阈值范围内的边缘封闭的区域判定为所述包装破损区域；
从所述包装缺陷区域减去所述包装破损区域的模板，即为所述包装不贴合区域。
根据本发明提供的基于包装状态的冷冻畜肉品质监控预警方法，所述将所述面积值和所述待测畜肉的计划冻储周期值导入第一预测模型中，获取所述待测畜肉的品质指标，还包括：
由所述图像信息获取所述待测畜肉的无包装缺陷区域的肉色均值；
根据所述待测畜肉的肉色均值由第一预测模型组中选择对应于所述待测畜肉种类，以及肉色等级的第一预测模型；
将所述面积值和所述待测畜肉的计划冻储周期值导入选择的第一预测模型中，获取所述待测畜肉的品质指标。
根据本发明提供的基于包装状态的冷冻畜肉品质监控预警方法，所述由所述图像信息获取所述待测畜肉的无包装缺陷区域的肉色均值，具体包括：
将灰度值0-255分为若干个等级，将所述目标物图像中无包装破损区域对应像素的灰度值分配至相应等级中并统计像素数量；
将各相应等级内灰度值与对应像素数量相乘之后求和，再除以总像素数，得到所述无包装缺陷区域的肉色加权均值。
根据本发明提供的基于包装状态的冷冻畜肉品质监控预警方法，所述品质指标具体包括：肉品的色素氧化程度、蛋白氧化程度、脂肪氧化程度，以及新鲜程度中的一种或多种；采样范围为冷冻畜肉样本表层至表层以下0.5cm。
根据本发明提供的基于包装状态的冷冻畜肉品质监控预警方法，所述待测畜肉为市售红肉。
本发明还提供一种基于包装状态的冷冻畜肉品质监控预警系统，包括：
分析判断模块，用于根据待测畜肉的图像信息判断所述待测畜肉的包装是否破损；是，则发出冻储风险预警；否，则由所述图像信息获取所述待测畜肉的包装缺陷的面积值，并将所述面积值和所述待测畜肉的计划冻储周期值导入第一预测模型中，获取所述待测畜肉的品质指标；
分析预警模块，用于将所述品质指标导入第二预测模型中，获取所述待测畜肉的冻储周期预测值，并将所述冻储周期预测值与计划冻储周期值的差值，作为剩余冻储周期值进行冻储提示预警；
其中，所述包装缺陷指包装与畜肉的不贴合区域；
所述第一预测模型根据冷冻畜肉样本的图像中包装缺陷的最大面积值、冷冻畜肉样品的计划冻储周期，以及冷冻畜肉样本在包装缺陷处的品质指标构建；
所述第二预测模型根据冷冻畜肉样品的计划冻储周期和冷冻畜肉样本在无包装缺陷处的品质指标构建。
本发明还提供所述基于包装状态的冷冻畜肉品质监控预警系统在冷冻仓库货冷链车中的应用。
本发明还提供一种电子设备，包括存储器、处理器及存储在所述存储器上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程序时实现如上述任一项所述基于包装状态的冷冻畜肉品质监控预警方法的步骤。
本发明提供的基于包装状态的冷冻畜肉品质监控预警方法及系统，依据畜肉在冷冻储藏周期内，包装不贴合造成的包装膜与冷冻畜肉表面间的有限空间加快了冷冻畜肉表面及浅表面冰晶的离体升华，而有限空间内冰晶升华诱导的肌红蛋白过氧化、脂肪氧化、蛋白氧化等因素引发的冷冻畜肉品质劣变速度大大高于包装良好区域劣变速度的变化趋势，根据待测畜肉上的包装不贴合区域最大面积及计划冻储周期值分析得到所述待测畜肉的品质指标，避免了采用视觉分析因包装表面传热传质现象导致冰晶升华形成的冰层对待测畜肉品质特征的检测的误差，提高了检测的准确度，之后通过分析得到的品质指标预估待测畜肉的冻储周期值，进而预测待测畜肉的剩余冻储周期，实现了在不破坏待测畜肉包装完整性、不改变待测畜肉整体状态的基础上，对待测畜肉品质的准确检测，并能在造成实质损失之前估测出造成该损失的预测冻储周期，以避免或降低冻藏过程中劣变造成的损失。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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。
图1是本发明提供的基于包装状态的冷冻畜肉品质监控预警方法的流程示意图之一；
图2是本发明提供的由待测畜肉的图像得到包装不贴合区域的最大面积值的方法的流程示意图；
图3是本发明提供的构建的最优第二预测模型组示意图；
图4是采用本发明所述基于包装状态的冷冻畜肉品质监控预警方法进行待测畜肉检测的具体流程图；
图5是本发明提供的基于包装状态的冷冻畜肉品质监控预警系统的结构示意图。
图6是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合图1至图4描述本发明的基于包装状态的冷冻畜肉品质监控预警方法，该方法具体包括以下步骤：
101、根据待测畜肉的图像信息判断所述待测畜肉的包装是否破损；是，则进入102；否，则跳转至103；
102、发出冻储风险预警；
103、由所述图像信息获取所述待测畜肉的包装缺陷的面积值，并将所述面积值和所述待测畜肉的计划冻储周期值导入第一预测模型中，获取所述待测畜肉的品质指标；
104、将所述品质指标导入第二预测模型中，获取所述待测畜肉的冻储周期预测值，并将所述冻储周期预测值与计划冻储周期值的差值，作为剩余冻储周期值进行冻储提示预警；
其中，所述包装缺陷指包装与畜肉的不贴合区域；
所述第一预测模型根据冷冻畜肉样本的图像中包装缺陷的最大面积值、冷冻畜肉样品的计划冻储周期，以及冷冻畜肉样本在包装缺陷处的品质指标构建；
所述第二预测模型根据冷冻畜肉样品的计划冻储周期和冷冻畜肉样本在无包装缺陷处的品质指标构建。
具体地，本发明依据畜肉在冷冻储藏周期内，包装不贴合造成的包装膜与冷冻畜肉表面间的有限空间加快了冷冻畜肉表面及浅表面冰晶的离体升华，而有限空间内冰晶升华诱导的肌红蛋白过氧化、脂肪氧化、蛋白氧化等因素引发的冷冻畜肉品质劣变速度大大高于包装良好区域劣变速度的变化趋势，根据待测畜肉上的包装不贴合区域最大面积及计划冻储周期值分析得到所述待测畜肉的品质指标，避免了采用视觉分析因包装表面传热传质现象导致冰晶升华形成的冰层对待测畜肉品质特征的检测的误差，提高了检测的准确度，之后通过分析得到的品质指标预估待测畜肉的冻储周期值，进而预测待测畜肉的剩余冻储周期，实现了在不破坏待测畜肉包装完整性、不改变待测畜肉整体状态的基础上，对待测畜肉品质的准确检测，并能在造成实质损失之前估测出造成该损失的预测冻储周期，以避免或降低冻藏过程中劣变造成的损失。
本发明在根据待测畜肉的图像信息判断所述待测畜肉的包装为破损时发出冻储风险预警，提示包装破损，以使相关人员对肉品进行尽快处理，以减少损失，将剩余冻储周期值进行冻储提示预警，能够提醒冻储剩余时间，避免按照计划冻储周期进行冻储可能引起的肉品变质；同时，当剩余冻储周期值为负数时，说明该待测畜肉已不适合冻储，此时应发出停止冻储预警。进一步地，冻储风险预警和冻储提示预警均可以采用系统桌面、短信、微信、邮件等多种形式进行提示，在这里不做具体限定。
可以理解的是，为保证冻储周期预测的准确性，首先需要保证获取的待测畜肉的图像信息的全面性，所以，图像信息获取的是待测畜肉多角度的图像，而图像的角度以及数量可以根据实际情况具体确定；其次，还要保证第一预测模型和第二预测模型构建的准确性。而第一预测模型根据冷冻畜肉样本的图像中包装缺陷的最大面积值、冷冻畜肉样品的计划冻储周期，以及冷冻畜肉样本在包装缺陷处的品质指标构建，所以，在构建该预测模型的参数的获取中，需要采集冷冻畜肉样本的多角度的多张样本图像，并根据每一冷冻畜肉样本图像获取每一样本冷冻畜肉上包装不贴合区域的样本最大面积，对于任一样品冷冻畜肉，其包装不贴合区域的样本最大面积为所述样品冷冻畜肉对应的所有样本图像上包装不贴合区域的样本最大面积像素数，而后根据冷冻畜肉样本图像中包装不贴合区域的样本最大面积、每一冷冻畜肉样本的计划冻储周期及包装缺陷区域的若干样品品质指标，获取该特定冷冻畜肉样本组的包装不贴合区域品质预测模型组，即第一预测模型；而第二预测模型根据每一冷冻畜肉样品计划冻储周期及无包装缺陷区域的若干样本的品质指标，获取某一特定冷冻畜肉样本组的无包装缺陷区域品质预测模型组，即第二预测模型。
在一个实施例中，本发明提供的基于包装状态的冷冻畜肉品质监控预警方法中，还提供了根据待测畜肉的图像信息判断所述待测畜肉的包装是否破损以及由所述图像信息获取所述待测畜肉的包装缺陷的面积值的具体方法，该方法包括：
由不同角度获取所述待测畜肉的多张图像，并对任一所述图像进行前景和后景的分离，获得目标物图像；
由所述目标物图像中分别提取包装缺陷区域和无包装缺陷区域，并对所述包装缺陷区域中的包装破损区域和包装不贴合区域进行区分；
当存在包装破损区域时，发出冻储风险预警；
当不存在包装破损区域时，计算对应于每张所述图像的包装不贴合区域的面积，得到所述待测畜肉的包装不贴合区域的最大面积值。
在另一个实施例中，还具体说明了对所述包装缺陷区域中的包装破损区域和包装不贴合区域进行区分的具体方法，该方法包括：
对所述目标物图像进行光照均衡后低通滤波；
对所述目标物图像和进行低通滤波后的目标物图像的差分图像进行边缘检测，查找二值化后，填充高频边缘封闭的区域；
对边缘封闭的区域进行填充，得到所述包装缺陷区域的模板；
从目标物图像中减去所述包装缺陷区域的模板，即得所述无包装缺陷区域的模板；
将所述包装缺陷区域的模板与所述目标物图像进行级联操作，获取所述包装缺陷区域的RGB图像；
将所述RGB图像转换为HSV图像，并将所述HSV图像中像素的H值在预设阈值范围内的边缘封闭的区域判定为所述包装破损区域；
从所述包装缺陷区域减去所述包装破损区域的模板，即为所述包装不贴合区域。
具体地，如图2所示，由待测畜肉的图像得到包装不贴合区域的最大面积值的方法包括下列步骤：
201、根据预设的固定角度拍摄多张待测畜肉的图像；
202、对各图像进行前景与背景的分离，获取前景；
203、对前景物区域进行形态学开运算后，获取前景物中的目标物；
204、对前景目标物进行光照均衡，并分割目标物的兴趣区，即冷冻畜肉样品的包装缺陷区域及无包装破损区域图像；
205、提取边缘封闭的对象，判断并获得不同包装缺陷状态区域，即包装不贴合区域和包装破损区域图像；
206、将无包装破损区域图像在灰度空间下进行数据转换，得到针对单一图像的包装不贴合区域面积值；
207、将其他图像也按照上述操作，进行各图像的包装不贴合区域面积值排序，得到包装不贴合区域最大面积值。
例如，遍历图像中所有像素值并降序排列，以排序后10％像素值的最大值作为阈值，大于该值的像素点为前景物像素点，保留原像素值，小于则赋值为0，所得图像为前景物图像。
以前景物图像非零像素点构建二值化模板，以圆形结构体对该模板进行形态学开运算，去除前景物区域中目标物边缘的干扰像素及其他噪声，对前景物区域内所有对象的面积排序，面积最大的对象为前景物中目标物。
对前景物中目标物图像进行同态滤波以调整光照强度分布均衡，采用所获取的光照均衡图像减去低通滤波后的光照均衡图像，获得的高频差分图进行二值化，获取边缘封闭对象的集合，填充边缘封闭对象，即获取包装缺陷区域模板。将包装缺陷区域模板从光照均衡图像的二值化模板中扣除，即得无包装缺陷区域的模板。
将所得包装缺陷区域模板与RGB原图进行级联操作后，转换为HSV图像，若在包装缺陷区域的某封闭对象中对应像素的H值在20°至60°的区间内，则该对象为包装破损区域。从包装缺陷区域减去包装破损区域，即得包装不贴合区域，对该区域内的对象面积按照降序排列，第一个对象的面积即为待测冷冻畜肉图像中包装不贴合区域的最大面积值。
在本发明的另一个实施例中，所述将所述面积值和所述待测畜肉的计划冻储周期值导入第一预测模型中，获取所述待测畜肉的品质指标，还包括：
由所述图像信息获取所述待测畜肉的无包装缺陷区域的肉色均值；
根据所述待测畜肉的肉色均值由第一预测模型组中选择对应于所述待测畜肉种类，以及肉色等级的第一预测模型；
将所述面积值和所述待测畜肉的计划冻储周期值导入选择的第一预测模型中，获取所述待测畜肉的品质指标。
具体地，第一预测模型根据冷冻畜肉样本的图像中包装缺陷的最大面积值、冷冻畜肉样品的计划冻储周期，以及冷冻畜肉样本在包装缺陷处的品质指标构建，不同种类的肉品，以及储存状态对肉品颜色均具有影响，因而依据肉品的肉色均值构建多个第一预测模型组成第一预测模型组，利于对待测肉品的品质进行更准确的检测。
所以，根据无包装缺陷区域的肉色均值，可以匹配每个初始样本图像对应的肉色等级，而由于样品冷冻畜肉的冻储周期又是已知的，所以可以建立特定肉色等级下包装不贴合区域最大面积、冻储周期及对应区域品质指标化学值之间的对应关系，及相同肉色等级下无包装缺陷区域冻储周期与对应区域品质指标化学值之间的对应关系，也就是特定肉色等级下的品质指标最优的预测模型。
更具体地，根据肉色等级划分第一预测模型的可以参照下述方法：
根据每一生鲜畜肉的初始样本图像获取样品生鲜畜肉对应的肉色均值，并将肉色均值与肉色卡数值进行比较，使生鲜畜肉的初始样本图片被划分到若干肉色等级的样本生鲜畜肉样品组中；
根据每一生鲜畜肉初始样本图像与每一冷冻畜肉初始样本图像的一一对应关系，将冷冻畜肉初始样本图像划分到相应肉色等级的样本冷冻畜肉样品组中；其中，冷冻畜肉为将所有分级完毕的生鲜畜肉样品组用LDPE包装膜紧密包装，并按照常规冷冻方式进行冻结后形成的冷冻畜肉。
根据每一冷冻畜肉初始样本图像中包装不贴合区域的样本最大面积、每一冷冻畜肉样品计划冻储周期及包装缺陷区域若干样品品质指标，构建某一特定冷冻畜肉样品组的第一预测模型组。
可以理解的是，图像数量直接影响检测的准确性，所以在本发明的一个实施例中，由图像信息获取待测畜肉的无包装缺陷区域的肉色加权均值，而肉色加权均值的获取方法具体包括：
将灰度值0-255分为若干个等级，将所述目标物图像中无包装破损区域对应像素的灰度值分配至相应等级中并统计像素数量；
将各相应等级内灰度值与对应像素数量相乘之后求和，再除以总像素数，得到所述无包装缺陷区域的肉色加权均值。
根据本发明提供的基于包装状态的冷冻畜肉品质监控预警方法，所述品质指标具体包括：肉品的色素氧化程度、蛋白氧化程度、脂肪氧化程度，以及新鲜程度中的一种或多种；采样范围为冷冻畜肉样本表层至表层以下0.5cm。
具体地，肉品的色素氧化程度对应于肉品的高铁肌红蛋白比例，蛋白氧化程度对应于蛋白质羰基含量，脂肪氧化程度对应于丙二醛含量，新鲜程度对应于挥发性盐基氮含量。当待测畜肉的品质指标包含上述四种参数时，则第一预测模型和第二预测模型的构建中也需包含上述四种参数。
更具体地，可以采用下述方法进行第一预测模型和第二预测模型的构建：
对不同肉色等级冷冻畜肉样品组的肉色均值求取最大值和最小值，表示为该冷冻畜肉样品组的肉色范围，所测品质指标数值根据与样品区域一一对应的关系，分别表示为该冷冻畜肉样品中的包装不贴合区域和无包装缺陷区域的高铁肌红蛋白比例、羰基含量、丙二醛含量和挥发性盐基氮含量。
对所有样品按此操作，获取包装不贴合区域的面积样品集、高铁肌红蛋白比例样品集、羰基含量样品集、丙二醛含量样品集和挥发性盐基氮含量样品集；以及无包装缺陷区域的高铁肌红蛋白比例样品集、羰基含量样品集、丙二醛含量样品集和挥发性盐基氮含量样品集及不同肉色等级的肉色范围。
分别将包装不贴合区域的面积样品集、高铁肌红蛋白比例样品集、羰基含量样品集、丙二醛含量样品集和挥发性盐基氮含量样品集与相应样品的冻储周期相关联后，建立4个双因素变量的非线性回归预测模型。
分别将无包装缺陷区域的高铁肌红蛋白比例样品集、羰基含量样品集、丙二醛含量样品集和挥发性盐基氮含量样品集与相应样品的冻储周期相关联后，建立4个单因变量的线性回归预测模型。
分别筛选出两区域的拟合决定系数最高的最优预测模型。
其中，采用最小二乘法构建双因素变量非线性回归法预测模型，以冷冻畜肉样品中包装不贴合区域最大面积所一一对应的高铁肌红蛋白比例、羰基含量、丙二醛含量及挥发性盐基氮含量分别作为因变量Y1、Y2、Y3及Y4，以冷冻畜肉样品包装不贴合区域的最大面积矩阵为自变量矩阵S、冻储周期矩阵为自变量矩阵T分别构建Y1＝f(S,T)+(a+b|f(S,T)|)e、Y2＝f(S,T)+(a+b|f(S,T)|)e、Y3＝f(S,T)+(a+b|f(S,T)|)e及Y4＝f(S,T)+(a+b|f(S,T)|)e的关系方程，关系方程中的f(S,T)为模型的函数形式，表示为k1+k2S+k3T+k4ST+k5(S)2+k6(T)2，式中k1-k6分别代表各观察项的估计系数向量，关系方程中的(a+b|f(S,T)|)e为误差方差模型，式中a为误差方差模型的截距，b为误差方差模型的斜率，e为零均值及方差为1的变量矩阵。采用迭代法拟合相应的预测方程，对于迭代过程分别使用Andrews、Bisquare、Cauchy、Fair、Huber、Logistic、Talwar、Welsch等不同的权重函数控制拟合的稳健性。估计值收敛于基于估计系数或基于残差平方和的终止容差范围内时，迭代过程结束，选取其中拟合决定系数R2最大的作为对应包装不贴合区域品质指标的最佳预测模型。
同样的，采用最小二乘法构建单因素变量线性回归法预测模型，以冷冻畜肉样品中无包装缺陷区域所一一对应的高铁肌红蛋白比例、羰基含量、丙二醛含量及挥发性盐基氮含量分别作为因变量Y1、Y2、Y3及Y4，以冷冻畜肉样品冻储周期矩阵为自变量矩阵T，分别构建Y1＝f(T)+(a+b|f(T)|)e、Y2＝f(T)+(a+b|f(T)|)e、Y3＝f(T)+(a+b|f(T)|)e及Y4＝f(T)+(a+b|f(T)|)e的关系方程，关系方程中的f(T)为模型的函数形式，表示为kT+c，式中k代表关系方程的回归系数向量，c表示关系方程的截距。采用迭代法拟合相应的预测方程。估计值收敛于基于估计系数或基于残差平方和的终止容差范围内时，迭代过程结束，选取其中拟合决定系数R2最大的作为对应无包装缺陷区域品质指标的最佳预测模型。
即各肉色等级下的第一预测模型组和第二预测模型组分别构建有4个品质指标，共计64个回归预测模型，各模型组中各指标所构建的模型进行组内比较，获取其中拟合决定系数R2最大的预测模型作为该模型组中对应品质指标的预测模型。
通过采集多张冷冻畜肉样品不同角度的清晰图像，将冷冻畜肉目标物中与包装状态及冻储周期相关的兴趣区分离出来，对其在有包装缺陷和无包装缺陷情况下的品质变化进行基于最小二乘法的非线性和线性统计学分析，采用多种权重函数控制迭代过程中的稳健性，有效地拟合了在不同包装状态下冷冻畜肉储藏周期与若干品质指标变化的预测方程，提高了模型预测性能的稳健性和准确性。
如图3所示，为所构建的最优第二预测模型组示意图，拟合决定系数分别为 其关系方程分别为：
yMetMb＝13.386x-2.055
yCarbony1＝13.494x+3.626
yTBARS＝0.0288x+0.0199
yTVBN＝1.722x+6.575
在本发明的另一个实施例中，所述待测畜肉为市售红肉。
具体地，所述待测畜肉为猪肉、羊肉、牛肉及市售红肉冷冻状态产品中的一种，同时，采样部位为根据国标划分的任意畜肉部位，且为了提高检测的准确度，冷冻畜肉样品组与待测畜肉样品为相同肉种的相同部位。
如图4所示，为采用本发明所述方法进行待测畜肉检测的具体流程，包括：
301、获取待测畜肉编号、肉种、入库时间和计划冻储周期值；
302、采集所述待测畜肉不同角度的图像信息；
303、由待测畜肉的图像信息判断包装有无破损；是，则进入304；否，则跳转至305；
304、触发冻储风险预警，并提示对应编号畜肉包装破损；
305、由所述图像信息分析得到包装无缺陷区域和包装不贴合区域，并由所述包装无缺陷区域获取所述待测畜肉的肉色均值，以及所述包装不贴合区域的最大面积值；
306、根据肉色均值和肉种选择对应的第一预测模型；
307、将最大面积值和计划冻储周期值导入选择的第一预测模型，得到所述待测畜肉的品质指标；
308、将待测畜肉的品质指标导入与第一预测模型对应的第二预测模型中，得到所述待测畜肉的冻储周期预测值；
309、计算冻储周期预测值与计划冻储周期值的差值；
310、触发冻储提示预警，并以差值提示所述待测畜肉的剩余冻储周期值。
本发明通过对许多已知存储周期的样品冷冻畜肉的图像进行采集，并对图像处理后获得样品冷冻畜肉的包装不贴合区域最大面积及无包装缺陷区域的肉色均值，建立样品冷冻畜肉包装不贴合区域的样品最大面积、对应区域各样品品质指标与冻储周期之间的对应关系，并建立样品冷冻畜肉无包装缺陷区域的各样品品质指标与冻储周期之间的对应关系，将两部分方程组联立后进行预测冻储周期的计算，当需要对待测冷冻畜肉的冻储周期进行预测时，只需要先获取该待测冷冻畜肉的包装不贴合区域测试最大面积及无包装缺陷区域的肉色均值，将这些作为选择不同肉色等级冷冻畜肉最优预测模型组计算的输入，就可以预测出待测冷冻畜肉的剩余冻储周期。
实施例1
为了对本发明提出的一种基于包装状态的冷冻畜肉品质监控预警方法进行验证，以冷冻猪IV号为待测畜肉进行验证，冷冻畜肉样品为冷冻猪IV号原料肉，即根据国标GB/T9959.2-2008《分割鲜、冻猪瘦肉》描述的每片猪肉按不同部位分割成的去皮、去骨、去皮下脂肪的肌肉中的从腰椎到荐椎连接处斩下的后腿部位肌肉，其质量为5.8Kg。
设置产品编号为自动顺序生成，肉种为猪肉，入库时间为20200317，计划冻储周期为12个月。
在某冷冻仓库内设置包括输送装置、暗箱以及设置于暗箱内的图像采集模块等设备的检验平台：
冷冻猪IV号的待测畜肉顺序进入暗箱，触发图像采集模块连续获得所述待测畜肉在0°、90°及180°角度下的清晰图像。
以0°角度下拍摄的图像为例，所得图像经图像处理后，得到前景目标物图像，经图像差分、边缘检测等相关算法处理后得到目标物中包装缺陷区域和无包装缺陷区域；对包装缺陷区域进行HSV空间的数据转换后，得到包装破损区域和包装不贴合区域，最终获得用于后续数据分析的目标物兴趣区。
对无包装缺陷区域求取肉色加权均值，对包装不贴合区域进行面积排序，获取包装不贴合区域中最大面积的像素数量，如果存在包装破损区域，则停止计算，直接触发冻储风险预警。同理，90°及180°角度下的图像也进行相同操作。
对0°、90°及180°图像中各目标物兴趣区的包装不贴合区域中最大面积再次求取最大值，对无包装缺陷区域求取肉色加权均值再次取均值，得到该样品的包装不贴合区域最大值及无包装缺陷区域肉色均值。
将每个样品的无包装缺陷区域肉色均值与所选定肉种的不同肉色等级范围进行比较，以确定对应样品所适配的对应肉色等级下的第一预测模型组，将样品的包装不贴合区域中最大面积的像素数量和计划冻储周期向量带入匹配的第一预测模型组中的4个品质指标预测模型，求得对应周期下的各品质指标向量，再将其带入第二预测模型组的4个第二预测模型，即可获得包装不贴合区域的肉样在正常包装下的计算冻储周期向量。当计算冻储周期向量中所有元素大于计划冻储周期最大值，则说明该冷冻储藏样品不应继续储藏，触发冻储风险预警；当计算冻储周期向量中所有元素小于计划冻储周期最大值，则说明该冷冻储藏样品可按照正常计划储藏；当计划冻储周期最大值处于计算冻储周期向量中时，则计算冻储周期中小于计划冻储周期最大值的各元素与计划冻储周期最大值的差值，表示该样品包装不贴合区域在无包装缺陷条件下的剩余冻储周期，触发冻储提示预警，并发送剩余冻储周期值信息，并根据当时的工作状态选择桌面提示、微信提示、短信提示及邮件提示中一种或多种方式。
下面结合图5对本发明提供的一种基于包装状态的冷冻畜肉品质监控预警系统进行描述，下文描述的基于包装状态的冷冻畜肉品质监控预警系统与上文描述的基于包装状态的冷冻畜肉品质监控预警方法可相互对应参照。
该系统包括分析判断模块510和分析预警模块520；其中，
分析判断模块510用于根据待测畜肉的图像信息判断所述待测畜肉的包装是否破损；是，则发出冻储风险预警；否，则由所述图像信息获取所述待测畜肉的包装缺陷的面积值，并将所述面积值和所述待测畜肉的计划冻储周期值导入第一预测模型中，获取所述待测畜肉的品质指标；
分析预警模块520用于将所述品质指标导入第二预测模型中，获取所述待测畜肉的冻储周期预测值，并将所述冻储周期预测值与计划冻储周期值的差值，作为剩余冻储周期值进行冻储提示预警；
其中，所述包装缺陷指包装与畜肉的不贴合区域；
所述第一预测模型根据冷冻畜肉样本的图像中包装缺陷的最大面积值、冷冻畜肉样品的计划冻储周期，以及冷冻畜肉样本在包装缺陷处的品质指标构建；
所述第二预测模型根据冷冻畜肉样品的计划冻储周期和冷冻畜肉样本在无包装缺陷处的品质指标构建。
具体地，本发明基于包装状态的冷冻畜肉品质监控预警系统，通过采集多张待测畜肉样品不同角度的清晰图像，将待测畜肉目标物中与包装状态及冻储周期相关的兴趣区分离出来，对其在有包装缺陷和无包装缺陷情况下的品质变化进行分析，将在不同包装状态下冷冻畜肉冻储周期与品质指标变化的相结合，提高了预测性能的稳健性和准确性。此外，本发明无样品解冻环节，能够实现无人为参与的自动采集、识别、提取、分析的快速智能化操作，弥补了目前对存在包装缺陷的冷冻畜肉冻储周期的快速无损预测的空缺。
图6示例了一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行基于包装状态的冷冻畜肉品质监控预警方法，该方法包括：
101、根据待测畜肉的图像信息判断所述待测畜肉的包装是否破损；是，则进入102；否，则跳转至103；
102、发出冻储风险预警；
103、由所述图像信息获取所述待测畜肉的包装缺陷的面积值，并将所述面积值和所述待测畜肉的计划冻储周期值导入第一预测模型中，获取所述待测畜肉的品质指标；
104、将所述品质指标导入第二预测模型中，获取所述待测畜肉的冻储周期预测值，并将所述冻储周期预测值与计划冻储周期值的差值，作为剩余冻储周期值进行冻储提示预警；
其中，所述包装缺陷指包装与畜肉的不贴合区域；
所述第一预测模型根据冷冻畜肉样本的图像中包装缺陷的最大面积值、冷冻畜肉样品的计划冻储周期，以及冷冻畜肉样本在包装缺陷处的品质指标构建；
所述第二预测模型根据冷冻畜肉样品的计划冻储周期和冷冻畜肉样本在无包装缺陷处的品质指标构建。
此外，上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的基于包装状态的冷冻畜肉品质监控预警方法，该方法包括：
101、根据待测畜肉的图像信息判断所述待测畜肉的包装是否破损；是，则进入102；否，则跳转至103；
102、发出冻储风险预警；
103、由所述图像信息获取所述待测畜肉的包装缺陷的面积值，并将所述面积值和所述待测畜肉的计划冻储周期值导入第一预测模型中，获取所述待测畜肉的品质指标；
104、将所述品质指标导入第二预测模型中，获取所述待测畜肉的冻储周期预测值，并将所述冻储周期预测值与计划冻储周期值的差值，作为剩余冻储周期值进行冻储提示预警；
其中，所述包装缺陷指包装与畜肉的不贴合区域；
所述第一预测模型根据冷冻畜肉样本的图像中包装缺陷的最大面积值、冷冻畜肉样品的计划冻储周期，以及冷冻畜肉样本在包装缺陷处的品质指标构建；
所述第二预测模型根据冷冻畜肉样品的计划冻储周期和冷冻畜肉样本在无包装缺陷处的品质指标构建。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法所提供的基于包装状态的冷冻畜肉品质监控预警方法，该方法包括：
101、根据待测畜肉的图像信息判断所述待测畜肉的包装是否破损；是，则进入102；否，则跳转至103；
102、发出冻储风险预警；
103、由所述图像信息获取所述待测畜肉的包装缺陷的面积值，并将所述面积值和所述待测畜肉的计划冻储周期值导入第一预测模型中，获取所述待测畜肉的品质指标；
104、将所述品质指标导入第二预测模型中，获取所述待测畜肉的冻储周期预测值，并将所述冻储周期预测值与计划冻储周期值的差值，作为剩余冻储周期值进行冻储提示预警；
其中，所述包装缺陷指包装与畜肉的不贴合区域；
所述第一预测模型根据冷冻畜肉样本的图像中包装缺陷的最大面积值、冷冻畜肉样品的计划冻储周期，以及冷冻畜肉样本在包装缺陷处的品质指标构建；
所述第二预测模型根据冷冻畜肉样品的计划冻储周期和冷冻畜肉样本在无包装缺陷处的品质指标构建。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于包装状态的冷冻畜肉品质监控预警方法，其特征在于，包括：
根据待测畜肉的图像信息判断所述待测畜肉的包装是否破损；是，则发出冻储风险预警；否，则由所述图像信息获取所述待测畜肉的包装缺陷的面积值，并将所述面积值和所述待测畜肉的计划冻储周期值导入第一预测模型中，获取所述待测畜肉的品质指标；
将所述品质指标导入第二预测模型中，获取所述待测畜肉的冻储周期预测值，并将所述冻储周期预测值与计划冻储周期值的差值，作为剩余冻储周期值进行冻储提示预警；
其中，所述包装缺陷指包装与畜肉的不贴合区域；
所述第一预测模型根据冷冻畜肉样本的图像中包装缺陷的最大面积值、冷冻畜肉样品的计划冻储周期，以及冷冻畜肉样本在包装缺陷处的品质指标构建；
所述第二预测模型根据冷冻畜肉样品的计划冻储周期和冷冻畜肉样本在无包装缺陷处的品质指标构建。
2.根据权利要求1所述的基于包装状态的冷冻畜肉品质监控预警方法，其特征在于，所述根据待测畜肉的图像信息判断所述待测畜肉的包装是否破损；是，则发出冻储风险预警；否，则由所述图像信息获取所述待测畜肉的包装缺陷的面积值，具体包括：
由不同角度获取所述待测畜肉的多张图像，并对任一所述图像进行前景和后景的分离，获得目标物图像；
由所述目标物图像中分别提取包装缺陷区域和无包装缺陷区域，并对所述包装缺陷区域中的包装破损区域和包装不贴合区域进行区分；
当存在包装破损区域时，发出冻储风险预警；
当不存在包装破损区域时，计算对应于每张所述图像的包装不贴合区域的面积，得到所述待测畜肉的包装不贴合区域的最大面积值。
3.根据权利要求2所述的基于包装状态的冷冻畜肉品质监控预警方法，其特征在于，所述由所述目标物图像中分别提取包装缺陷区域和无包装缺陷区域，并对所述包装缺陷区域中的包装破损区域和包装不贴合区域进行区分，具体包括：
对所述目标物图像进行光照均衡后低通滤波；
对所述目标物图像和进行低通滤波后的目标物图像的差分图像进行边缘检测，查找二值化后，填充高频边缘封闭的区域；
对边缘封闭的区域进行填充，得到所述包装缺陷区域的模板；
从目标物图像中减去所述包装缺陷区域的模板，即得所述无包装缺陷区域的模板；
将所述包装缺陷区域的模板与所述目标物图像进行级联操作，获取所述包装缺陷区域的RGB图像；
将所述RGB图像转换为HSV图像，并将所述HSV图像中像素的H值在预设阈值范围内的边缘封闭的区域判定为所述包装破损区域；
从所述包装缺陷区域减去所述包装破损区域的模板，即为所述包装不贴合区域。
4.根据权利要求2所述的基于包装状态的冷冻畜肉品质监控预警方法，其特征在于，所述将所述面积值和所述待测畜肉的计划冻储周期值导入第一预测模型中，获取所述待测畜肉的品质指标，还包括：
由所述图像信息获取所述待测畜肉的无包装缺陷区域的肉色均值；
根据所述待测畜肉的肉色均值由第一预测模型组中选择对应于所述待测畜肉种类，以及肉色等级的第一预测模型；
将所述面积值和所述待测畜肉的计划冻储周期值导入选择的第一预测模型中，获取所述待测畜肉的品质指标。
5.根据权利要求4所述的基于包装状态的冷冻畜肉品质监控预警方法，其特征在于，所述由所述图像信息获取所述待测畜肉的无包装缺陷区域的肉色均值，具体包括：
将灰度值0-255分为若干个等级，将所述目标物图像中无包装破损区域对应像素的灰度值分配至相应等级中并统计像素数量；
将各相应等级内灰度值与对应像素数量相乘之后求和，再除以总像素数，得到所述无包装缺陷区域的肉色加权均值。
6.根据权利要求1所述的基于包装状态的冷冻畜肉品质监控预警方法，其特征在于，所述品质指标具体包括：肉品的色素氧化程度、蛋白氧化程度、脂肪氧化程度，以及新鲜程度中的一种或多种；采样范围为冷冻畜肉样本表层至表层以下0.5cm。
7.根据权利要求1-6任一项所述的基于包装状态的冷冻畜肉品质监控预警方法，其特征在于，所述待测畜肉为市售红肉。
8.一种基于包装状态的冷冻畜肉品质监控预警系统，其特征在于，包括：
分析判断模块，用于根据待测畜肉的图像信息判断所述待测畜肉的包装是否破损；是，则发出冻储风险预警；否，则由所述图像信息获取所述待测畜肉的包装缺陷的面积值，并将所述面积值和所述待测畜肉的计划冻储周期值导入第一预测模型中，获取所述待测畜肉的品质指标；
分析预警模块，用于将所述品质指标导入第二预测模型中，获取所述待测畜肉的冻储周期预测值，并将所述冻储周期预测值与计划冻储周期值的差值，作为剩余冻储周期值进行冻储提示预警；
其中，所述包装缺陷指包装与畜肉的不贴合区域；
所述第一预测模型根据冷冻畜肉样本的图像中包装缺陷的最大面积值、冷冻畜肉样品的计划冻储周期，以及冷冻畜肉样本在包装缺陷处的品质指标构建；
所述第二预测模型根据冷冻畜肉样品的计划冻储周期和冷冻畜肉样本在无包装缺陷处的品质指标构建。
9.权利要求8所述的基于包装状态的冷冻畜肉品质监控预警系统在冷冻仓库货冷链车中的应用。
10.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述基于包装状态的冷冻畜肉品质监控预警方法的步骤。
CN202110996033.6A 2021-08-27 2021-08-27 一种基于包装状态的冷冻畜肉品质监控预警方法及系统 Active CN113792916B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110996033.6A CN113792916B (zh) 2021-08-27 2021-08-27 一种基于包装状态的冷冻畜肉品质监控预警方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110996033.6A CN113792916B (zh) 2021-08-27 2021-08-27 一种基于包装状态的冷冻畜肉品质监控预警方法及系统

Publications (2)

Publication Number Publication Date
CN113792916A CN113792916A (zh) 2021-12-14
CN113792916B true CN113792916B (zh) 2023-09-15

Family

ID=79182315

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110996033.6A Active CN113792916B (zh) 2021-08-27 2021-08-27 一种基于包装状态的冷冻畜肉品质监控预警方法及系统

Country Status (1)

Country Link
CN (1) CN113792916B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN204989009U (zh) * 2015-06-09 2016-01-20 宁夏大学 基于图谱融合技术的羊肉安全品质在线快速无损检测生产线
CN109557109A (zh) * 2018-12-29 2019-04-02 中国肉类食品综合研究中心 冷冻肉品包装状态的检测方法及装置
CN109612950A (zh) * 2018-12-29 2019-04-12 中国肉类食品综合研究中心 一种冷冻畜肉储藏周期预测装置及方法
CN112484391A (zh) * 2020-11-27 2021-03-12 青岛海尔智能技术研发有限公司 基于冰箱的肉品识别方法与系统
CN113125657A (zh) * 2021-04-02 2021-07-16 中国肉类食品综合研究中心 一种冷藏肉制品腐败监测预警系统及其应用
CN113138258A (zh) * 2021-04-02 2021-07-20 中国肉类食品综合研究中心 一种冷冻原料肉腐败监测预警系统及其应用

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN204989009U (zh) * 2015-06-09 2016-01-20 宁夏大学 基于图谱融合技术的羊肉安全品质在线快速无损检测生产线
CN109557109A (zh) * 2018-12-29 2019-04-02 中国肉类食品综合研究中心 冷冻肉品包装状态的检测方法及装置
CN109612950A (zh) * 2018-12-29 2019-04-12 中国肉类食品综合研究中心 一种冷冻畜肉储藏周期预测装置及方法
CN112484391A (zh) * 2020-11-27 2021-03-12 青岛海尔智能技术研发有限公司 基于冰箱的肉品识别方法与系统
CN113125657A (zh) * 2021-04-02 2021-07-16 中国肉类食品综合研究中心 一种冷藏肉制品腐败监测预警系统及其应用
CN113138258A (zh) * 2021-04-02 2021-07-20 中国肉类食品综合研究中心 一种冷冻原料肉腐败监测预警系统及其应用

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于DSP的便携式猪肉品质无损快速检测装置的研发;孟庆阳;李翠玲;彭彦昆;;食品工业科技;38(第01期);全文 *

Also Published As

Publication number Publication date
CN113792916A (zh) 2021-12-14

Similar Documents

Publication Publication Date Title
Omid et al. An expert egg grading system based on machine vision and artificial intelligence techniques
Huang et al. A data fusion detection method for fish freshness based on computer vision and near-infrared spectroscopy
Rupanagudi et al. A cost effective tomato maturity grading system using image processing for farmers
US11003958B2 (en) Food quality image classification
Liu et al. Predicting pork loin intramuscular fat using computer vision system
Ali et al. Automated fruit grading system
Arivazhagan et al. External and internal defect detection of egg using machine vision
CN109187553B (zh) 一种基于机器视觉的变质鸡蛋在线智能识别方法
Taheri‐Garavand et al. A nondestructive intelligent approach to real‐time evaluation of chicken meat freshness based on computer vision technique
Elhariri et al. Multi-class SVM based classification approach for tomato ripeness
CN109557109B (zh) 冷冻肉品包装状态的检测方法及装置
CN106370668A (zh) 一种咸蛋内部品质的在线视觉检测装置及其方法
Thinh et al. Mango classification system based on machine vision and artificial intelligence
Sola-Guirado et al. A smart system for the automatic evaluation of green olives visual quality in the field
Zuñiga et al. Grape maturity estimation based on seed images and neural networks
CN113792916B (zh) 一种基于包装状态的冷冻畜肉品质监控预警方法及系统
Pace et al. Adaptive self-configuring computer vision system for quality evaluation of fresh-cut radicchio
Kamruzamman et al. Online screening of meat and poultry product quality and safety using hyperspectral imaging
Thinh et al. Sorting and classification of mangoes based on artificial intelligence
Amirulah et al. Starfruit color maturity classification using Cr as feature
Sun et al. Predicting pork color scores using computer vision and support vector machine technology
Ji et al. Apple color automatic grading method based on machine vision
Bermúdez et al. Image analysis for automatic feature estimation of the Mangifera indica fruit
Pan et al. Prediction of shelled shrimp weight by machine vision
CN111968078A (zh) 一种变电设备的外观检测方法、装置、设备和存储介质

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