CN114295611B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114295611B CN114295611B CN202110995313.5A CN202110995313A CN114295611B CN 114295611 B CN114295611 B CN 114295611B CN 202110995313 A CN202110995313 A CN 202110995313A CN 114295611 B CN114295611 B CN 114295611B
- Authority
- CN
- China
- Prior art keywords
- sample
- mutton
- time sequence
- model
- 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
Links
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
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,尤其涉及一种充分利用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,进而利用视觉成像技术结合深度学习建立定量模型进行羊肉掺假检测的方法,包括先基于CCD图像建立不同羊肉掺假定量模型,再利用该模型对羊肉掺假进行定量检测。本发明通过样品时序变温过程中CCD图像的颜色信息,能够快速、准确的对不同羊肉掺假进行定量检测;并且操作简单、经济方便,具有较高的市场推广应用价值,为肉类市场的肉样掺假情况监管提供有效技术手段。
Description
技术领域
本发明属于肉类品质快速检测技术领域,尤其涉及一种基于时序变温过程中视觉成像的羊肉掺假定量检测方法,该检测方法可用于肉类掺假的含量检测。
背景技术
羊肉肉质细嫩,营养丰富,具有独特的风味和细腻的口感,因而深受人们的喜爱。近年来羊肉价格不断上涨,致使当前许多不法分子为获取更大经济利益,将一些低价值,低成本的肉类掺入羊肉。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,也有可能引发严重的食品安全和公关卫生危机。其中检测掺假肉类中的掺假含量可以维护消费者的经济利益,TVB-N含量是判断肉品新鲜度的主要化学信息,营养物质含量(蛋白质、脂肪、无机物、维生素等)是肉类食用价值的参考依据。目前,常用的肉类掺假检测含量的手段有:传统的化学计量方法,进行掺假检测时,需要繁琐复杂前处理过程,耗时耗力,成本高,人为影响因素大,对于肉类掺假检测工作这一缺点尤为显著;质谱法在肉制品掺假上时间成本大,并且液相色谱、质谱等仪器昂贵,维护保养较为繁琐;激光诱导击穿光谱技术检测肉类存在灵敏度低、实验结果重复性差等问题;采用CCD成像技术检测手段所提供的研究多侧重于恒温条件下,所反映的肉类特性较少,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量检测方法,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含量的检测,旨在解决现有羊肉掺假检测技术耗时耗力,成本高、仪器昂贵,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羊肉掺假定量检测方法,其特征在于,制备建模样品,采集时序变温过程中CCD图像数据,然后建立羊肉掺假定量检测模型,再利用该模型对羊肉样品掺假进行定量检测,包括以下步骤:
步骤一:制备质量、高度一致、密度均匀的具有羊肉掺假代表性的肉质品;
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:若所建定量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;
所述的利用模型进行掺假羊肉中掺假肉含量检测的具体步骤如下:
步骤A、制备质量、高度一致、密度均匀的具有羊肉掺假代表性的肉质品;
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E、将感兴趣区域下样品的CCD图像数据输入建立的定量检测模型,通过对单张CCD图像进行直接判别或多张CCD图像进行综合判别确定并输出样品的定量检测模型结果。
上述步骤一和步骤A中,制备质量、高度一致、密度均匀的具有羊肉掺假代表性的肉质品。
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。
上述步骤三和步骤C中,对图像进行预处理时,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,优选的模型为卷积神经网络;本发明中涉及的定量模型分类器包括Regression、SVR、PLSR,优选Regression检测肉类不同品质指标的含量。
上述步骤二和步骤B中,所应用的检测系统包括变温单元、照明单元、图像采集单元、暗箱和数据显示和分析单元;所述的变温单元为温度可调的加热和冷却装置,位于暗箱内部,用于给样品提供稳定的温度的来源;所述的图像采集单元包括数据线、支架和通讯模块,通讯模块采用网络通讯,用于将采集的图像数据实时地传输至PC端;所述暗箱由铝型材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数据的实时显示、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量检测,且适应性强,准确率高。
附图说明
图1为发明实施例1和实施例2涉及装置的示意图
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。
实施例1:一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的CCD图像采集系统结构及其使用的方法
a部分: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的CCD相机采集系统结构
检测系统包括变温单元、照明单元、图像采集单元、暗箱和数据显示和分析单元如图1所示;所述的变温单元为温度可调的加热和冷却装置,位于暗箱内部,用于给样品提供稳定的温度的来源;所述的图像采集单元包括数据线、支架和通讯模块,通讯模块采用网络通讯,用于将采集的图像数据实时地传输至PC端;所述暗箱由铝型材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数据的实时显示、保存以及分析判别等功能。
b部分: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的CCD相机在线采集系统使用方法
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、将支架连同红外探测镜头一同放入暗箱,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图像数据,并进行保存。
实施例2:一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
本实施例具体流程图如图2所示
c部分:建立羊肉掺假模型
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、纯猪肉和纯鸭肉样品,根据不同的掺假比例(10%、20%、30%、40%、50%),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,绞成颗粒度均匀的肉糜,肉糜粒径约2-3mm,然后将净重约30 g的掺入猪肉的掺假羊肉肉糜、掺入鸭肉的掺假羊肉肉糜和纯肉肉糜放入直径为6 cm、表面平整的圆形培养皿中压实,制成密度均匀的掺入猪肉的掺假羊肉样品、掺入鸭肉的掺假羊肉样品、纯羊肉、纯猪肉和纯鸭肉样品各13个,共制备169个样品。
c2、样品的CCD图像采集
检测系统由恒温加热水浴锅、支架、CCD图像采集镜头、光源、暗箱、计算机数据显示和分析软件等组成。
CCD图像采集前提前将恒温水浴锅打开,并将其温度设置为70 °C。采集掺假羊肉样品CCD图像镜头参数为:MV EM200M(维视图像),其光学尺寸为1/1.8,分辨率为1600*1200、帧率为40fps,采用连续拍摄模式,图像采集间隔为每秒1张。将样品放置在恒温水浴锅上的样品检测区,通过CCD镜头采集连续加热的CCD图像,时常为10min,并在PC端软件界面进行实时显示和保存。
c3、样品图像数据感兴趣区域的获取
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。然后采用阈值分割法去除样品背景,然后提取样品轮廓形心,并以样品中心选取半径为452*452的区域作为样品ROI区域,CCD图像感兴趣区域的提取过程如图3所示。
c4、定量模型的建立
数据集中CCD图像共101400张。首先,按照不同掺假比例将掺入猪肉的掺假羊肉样品和掺入鸭肉的掺假羊肉样品按比例(0%、10%、20%、30%、40%、50%、100%)分别划分七类,然后将样品数据集以3:1的比例划分为训练集和测试集,用于定量模型的训练和测试。
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Regression作为映射函数,将全连接层尺寸调整为1*1*1,建立样品特征向量和样品掺假比例之间不同的回归函数,然后选取损失函数值最小的回归预测值作为模型最终预测值,损失函数的计算公式如(1)所示:
(1)
其中,为模型的回归预测值,为样品实际值。
基于Regression函数结合优选的神经网络及最佳参数分别建立猪肉含量和鸭肉
含量CCD图像的掺假羊肉定量模型,如图4所示。通过计算模型的相关系数()和均方根误
差(RMSE)来评估模型效果。相关系数()和均方根误差(RMSE)的计算公式如(2)和(3)所
示:
(2)
(3)
其中,代表预测值,代表实际值,代表实际值的均值,代表实际值的离散
值。为模型的预测值与实际值之间的相关性,越大表明两者的相关性越强。RMSE代表模
型的预测值与实际值之间的偏差,RMSE越小则表明模型的预测误差越小。
d、掺假羊肉中猪肉含量及鸭肉含量检测
d1、检验主要流程
利用建立的定量模型对掺假羊肉含量进行检测。首先制备纯羊肉、纯猪肉和纯鸭肉样品,根据不同的掺假比例(10%、20%、30%、40%、50%),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,通过视觉成像采集系统,同时采集样品在时序变温过程中的视觉图像,提取每个样品单张或多张CCD图像;提取CCD图像的感兴趣区域;最后,将图像数据输入建立的定量检测模型,通过对样品单张直接判别或多张综合判别确定并输出样品的定量检测结果。
d2、定量模型检验结果
利用建立的定量检测模型对掺入猪肉的掺假羊肉样品中猪肉含量和掺入鸭肉的
掺假羊肉样品中鸭肉含量分别进行定量检测,其猪肉含量检测模型和RMSE分别为0.9115
和0.0421,其鸭肉含量检测模型和RMSE分别为0.8827和0.0484。
基于CCD图像建立的检测模型,其相关系数()和均方根误差(RMSE)如表1所示。
表1 基于不同样品数据集的定量检测模型
模型类别 | 数据集 | RMSE | |
猪肉含量检测模型 | 验证集 | 0.9115 | 0.0421 |
鸭肉含量检测模型 | 验证集 | 0.8827 | 0.0484 |
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、定量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相机搭建羊肉掺假定量检测平台,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掺假代表性的肉质样品,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量检测,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 (5)
1.一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,其特征在于,制备建模样品,采集时序变温过程中CCD图像数据,然后建立羊肉掺假定量检测模型,再利用该模型对羊肉掺假进行定量检测;
所述的制备建模样品,采集时序变温过程中CCD图像数据,然后建立羊肉掺假定量检测模型,包括以下步骤:
步骤一:制备高度及质量一致,密度均匀的具有不同掺假比例的代表性肉质样品;
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:若所建定量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;
建立的羊肉掺假定量检测模型采用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Regression,全连接层尺寸为1*1*1, 建立样品特征向量和样品掺假比例之间不同的回归函数,然后选取损失函数值最小的回归预测值作为模型最终预测值;
所述的利用该模型对羊肉掺假进行定量检测的具体步骤如下:
步骤A、制备高度及质量一致,密度均匀的具有不同掺假比例的代表性肉质样品;
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图像数据输入建立的定量检测模型,通过对单张CCD图像进行直接判别或多张CCD图像进行综合判别确定并输出样品的定量检测模型结果。
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羊肉掺假定量检测方法,其特征在于:所述羊肉掺假定量检测中,掺入的肉类包括:牛肉、猪肉、鸭肉;掺假检测内容为:掺假肉类掺假含量检测。
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羊肉掺假定量检测方法,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羊肉掺假定量检测方法,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。
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羊肉掺假定量检测方法,其特征在于: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的来源;所述的照明单元为光照强度可调的环形光源,用于给样品采集是提供稳定的光照,所述的视觉成像采集单元包括数据线、支架和通讯模块,通讯模块采用网络通讯,用于将采集的图像数据实时地传输至PC端;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,其中软件界面用以实现图像数据的实时显示、保存以及分析判别功能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110995313.5A CN114295611B (zh) | 2021-08-27 | 2021-08-27 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110995313.5A CN114295611B (zh) | 2021-08-27 | 2021-08-27 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114295611A CN114295611A (zh) | 2022-04-08 |
CN114295611B true CN114295611B (zh) | 2023-10-03 |
Family
ID=80964385
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110995313.5A Active CN114295611B (zh) | 2021-08-27 | 2021-08-27 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114295611B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105092525A (zh) * | 2015-08-31 | 2015-11-25 | 河南省产品质量监督检验院 | 一种羊肉中掺杂鸭肉近红外光谱鉴别方法 |
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 |
JP6708829B1 (ja) * | 2019-11-20 | 2020-06-10 | 中国計量大学 | 輸入牛肉産地の混合追跡方法およびシステム |
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 |
-
2021
- 2021-08-27 CN CN202110995313.5A patent/CN114295611B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105092525A (zh) * | 2015-08-31 | 2015-11-25 | 河南省产品质量监督检验院 | 一种羊肉中掺杂鸭肉近红外光谱鉴别方法 |
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 |
JP6708829B1 (ja) * | 2019-11-20 | 2020-06-10 | 中国計量大学 | 輸入牛肉産地の混合追跡方法およびシステム |
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 |
---|---|
CN114295611A (zh) | 2022-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Su et al. | Evaluation of spectral imaging for inspection of adulterants in terms of common wheat flour, cassava flour and corn flour in organic Avatar wheat (Triticum spp.) flour | |
CN112415050B (zh) | 一种基于温度分布差异的羊肉掺假定性判别方法 | |
CN104764744B (zh) | 一种禽蛋新鲜度的视觉检测装置及其方法 | |
CN101251526B (zh) | 鲜猪肉综合品质无损检测方法与装置 | |
CN102435713B (zh) | 中药品质自动检测系统 | |
Lukinac et al. | Computer vision method in beer quality evaluation—A review | |
CN105181912B (zh) | 一种大米储藏过程中的新鲜度检测方法 | |
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 | |
CN106841083A (zh) | 基于近红外光谱技术的芝麻油品质检测方法 | |
CN108960315A (zh) | 一种调理肉制品品质智能评价系统及方法 | |
CN110675400B (zh) | 一种基于手机app的羊肉品质指标快速智能检测方法 | |
CN102721793A (zh) | 一种食醋品质数字化检测方法及装置 | |
CN102628794A (zh) | 一种基于高光谱成像技术的畜肉细菌总数快速测定方法 | |
Li et al. | Nondestructive assessment of beef-marbling grade using hyperspectral imaging technology | |
CN114419311B (zh) | 一种基于多源信息的百香果成熟度无损检测方法及装置 | |
CN112730312A (zh) | 一种基于近红外光谱技术的掺杂牛初乳定性识别方法 | |
CN100376888C (zh) | 牛肉胴体质量的计算机视觉检测分级方法及装置 | |
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 | |
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 | |
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 | |
CN113324928B (zh) | 一种基于图谱数据智能化无损检测菜肴食品营养含量方法 | |
CN116580832A (zh) | 基于视频数据的老年痴呆症辅助诊断系统及其方法 | |
Rashvand et al. | The feasibility of using image processing and artificial neural network for detecting the adulteration of sesame oil | |
CN115022617A (zh) | 基于脑电信号和时空多尺度联合网络的视频质量评价方法 |
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 |