CN114414566A - 鱼类新鲜度无损检测方法及装置 - Google Patents
鱼类新鲜度无损检测方法及装置 Download PDFInfo
- Publication number
- CN114414566A CN114414566A CN202111565256.3A CN202111565256A CN114414566A CN 114414566 A CN114414566 A CN 114414566A CN 202111565256 A CN202111565256 A CN 202111565256A CN 114414566 A CN114414566 A CN 114414566A
- Authority
- CN
- China
- Prior art keywords
- freshness
- fish
- value
- fish body
- detected
- 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.)
- Pending
Links
- 241000251468 Actinopterygii Species 0.000 title claims abstract description 185
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000009659 non-destructive testing Methods 0.000 title claims description 26
- 238000001514 detection method Methods 0.000 claims abstract description 80
- 229920002749 Bacterial cellulose Polymers 0.000 claims abstract description 24
- 239000005016 bacterial cellulose Substances 0.000 claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims abstract description 24
- 239000007787 solid Substances 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 19
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 56
- 238000003860 storage Methods 0.000 claims description 30
- 229910052757 nitrogen Inorganic materials 0.000 claims description 28
- VEVZSMAEJFVWIL-UHFFFAOYSA-O cyanidin cation Chemical compound [O+]=1C2=CC(O)=CC(O)=C2C=C(O)C=1C1=CC=C(O)C(O)=C1 VEVZSMAEJFVWIL-UHFFFAOYSA-O 0.000 claims description 26
- 150000003839 salts Chemical class 0.000 claims description 26
- 239000012528 membrane Substances 0.000 claims description 14
- 235000007336 cyanidin Nutrition 0.000 claims description 13
- 241000894006 Bacteria Species 0.000 claims description 10
- 238000002360 preparation method Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 230000001066 destructive effect Effects 0.000 claims description 2
- 235000013372 meat Nutrition 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 241000276707 Tilapia Species 0.000 description 7
- XOFYZVNMUHMLCC-ZPOLXVRWSA-N prednisone Chemical compound O=C1C=C[C@]2(C)[C@H]3C(=O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 XOFYZVNMUHMLCC-ZPOLXVRWSA-N 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 235000005940 Centaurea cyanus Nutrition 0.000 description 4
- 240000004385 Centaurea cyanus Species 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 2
- ROSDSFDQCJNGOL-UHFFFAOYSA-N Dimethylamine Chemical compound CNC ROSDSFDQCJNGOL-UHFFFAOYSA-N 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- GETQZCLCWQTVFV-UHFFFAOYSA-N trimethylamine Chemical compound CN(C)C GETQZCLCWQTVFV-UHFFFAOYSA-N 0.000 description 2
- 208000035404 Autolysis Diseases 0.000 description 1
- 206010057248 Cell death Diseases 0.000 description 1
- 241000276701 Oreochromis mossambicus Species 0.000 description 1
- 102000035195 Peptidases Human genes 0.000 description 1
- 108091005804 Peptidases Proteins 0.000 description 1
- 239000004365 Protease Substances 0.000 description 1
- 229910021529 ammonia Inorganic materials 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000002808 connective tissue Anatomy 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 229910017464 nitrogen compound Inorganic materials 0.000 description 1
- 150000002830 nitrogen compounds Chemical class 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 230000028043 self proteolysis Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G01N21/84—Systems specially adapted for particular applications
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
- C12Q1/02—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving viable microorganisms
- C12Q1/04—Determining presence or kind of microorganism; Use of selective media for testing antibiotics or bacteriocides; Compositions containing a chemical indicator therefor
- C12Q1/06—Quantitative determination
-
- 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
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Biophysics (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Organic Chemistry (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Zoology (AREA)
- Wood Science & Technology (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Mathematical Physics (AREA)
- Microbiology (AREA)
- Biotechnology (AREA)
- Toxicology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Genetics & Genomics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种鱼类新鲜度无损检测方法及装置,该方法包括:获取待检测鱼体对应的新鲜度指示膜的目标图像;确定所述目标图像与初始时刻图像的色差值;将所述色差值输入预设的检测模型,输出所述待检测鱼体的新鲜度指标值;其中,所述新鲜度指示膜,根据待检测鱼体初始时刻的标本,以细菌纤维素膜为固体基质制作得到;所述检测模型,根据不同的已知色差值和鱼体的新鲜度指标值的鱼体样本训练学习得到。该方法无需破坏鱼肉组织来测定鱼肉的腐烂程度,可避免检测鱼体的破坏。同时该方法只需预先制备新鲜度指示膜,在具体检测时,只需通过拍照便可得到检测结果,检测效率较高,能够切实提高物流过程以及销售过程的鱼肉新鲜度检测效率和准确度。
Description
技术领域
本发明涉及食品检测领域,尤其涉及一种鱼类新鲜度无损检测方法及装置。
背景技术
鱼类等水产品是蛋白质的良好来源,但在储存运输过程中,因其富含营养物质和水分,肌肉组织中的结缔组织较少,内源性蛋白酶活跃,自溶速度快,易在物理、化学、微生物等方面发生变化,导致鱼体腐败变质从而新鲜度发生变化。而在腐败过程中,鱼体内的微生物作用导致挥发性碱性氮化合物的形成,其含量与水产品腐败的程度直接相关,其中含有如氨和二甲胺、三甲胺等,这些物质增加了密封包装顶空的pH值。
目前,水产品品质传统检测的方法如测定挥发性盐基总氮(TVB-N)、总活菌计数(TAC)等破坏性检测方法来测定肉的腐烂程度,此类方法通常会造成样本的破坏且步骤繁琐,费时费力,无法切实应用到物流过程中鱼肉的新鲜度检测。
发明内容
针对现有技术存在的问题,本发明提供一种鱼类新鲜度无损检测方法及装置。
本发明提供一种鱼类新鲜度无损检测方法,包括:获取待检测鱼体对应的新鲜度指示膜的目标图像;确定所述目标图像与初始时刻图像的色差值;将所述色差值输入预设的检测模型,输出所述待检测鱼体的新鲜度指标值;其中,所述新鲜度指示膜,根据待检测鱼体初始时刻的标本,以细菌纤维素膜为固体基质制作得到;所述初始时刻为鱼体新鲜度开始变化的零时刻;所述检测模型,根据不同的已知色差值和鱼体的新鲜度指标值的鱼体样本训练学习得到。
根据本发明一个实施例的鱼类新鲜度无损检测方法,所述根据待检测鱼体初始时刻的标本,以细菌纤维素膜为固体基质制作得到,包括:根据待检测鱼体初始时刻的标本,以细菌纤维素膜为固体基质,矢车菊色素作为染料制作得到。
根据本发明一个实施例的鱼类新鲜度无损检测方法,所述根据待检测鱼体初始时刻的标本,以细菌纤维素膜为固体基质,矢车菊色素作为染料制作得到,包括:根据待检测鱼体初始时刻的标本,以细菌纤维素膜为固体基质,矢车菊色素作为染料,在pH为3的预设范围内制作得到。
根据本发明一个实施例的鱼类新鲜度无损检测方法,所述新鲜度指标值包括挥发性盐基总氮值和总活菌计数值。
根据本发明一个实施例的鱼类新鲜度无损检测方法,所述输出所述待检测鱼体的新鲜度指标值之后,还包括:在挥发性盐基总氮值或总活菌计数值不小于各自腐败阈值的情况下,确定鱼体的新鲜度等级为腐败;在挥发性盐基总氮值和总活菌计数值均小于各自腐败阈值,且挥发性盐基总氮值不小于次新鲜度阈值的情况下,确定鱼体的新鲜度等级为次新鲜;在挥发性盐基总氮值和总活菌计数值均小于各自腐败阈值,且挥发性盐基总氮值小于次新鲜度阈值的情况下,确定鱼体的新鲜度等级为新鲜。
根据本发明一个实施例的鱼类新鲜度无损检测方法,所述获取待检测鱼体对应的新鲜度指示膜的目标图像之前,还包括:根据鱼体样本制作新鲜度指示膜,并确定初始时刻的Lab颜色空间值;
在贮藏情况下,每隔预设时间,测定鱼体样本新鲜度指示膜的新鲜度指标值和Lab颜色空间值;根据每个时刻测得的新鲜度指标值和根据Lab颜色空间值测得的色差值,对构建的检测模型进行训练学习,得到所述预设的检测模型。
根据本发明一个实施例的鱼类新鲜度无损检测方法,所述预设的检测模型,根据不同贮藏温度分别设置。
本发明还提供一种鱼类新鲜度无损检测装置,包括:采集模块,用于获取待检测鱼体对应的新鲜度指示膜的目标图像;计算模块,用于确定所述目标图像与初始时刻图像的色差值;处理模块,用于将所述色差值输入预设的检测模型,输出所述待检测鱼体的新鲜度指标值;其中,所述新鲜度指示膜,根据待检测鱼体初始时刻的标本,以细菌纤维素膜为固体基质制作得到;所述初始时刻为鱼体新鲜度开始变化的零时刻;所述检测模型,根据不同的已知色差值和鱼体的新鲜度指标值的鱼体样本训练学习得到。
本发明提供的鱼类新鲜度无损检测方法及装置,通过目标图像与初始时刻图像的色差值,得到待检测鱼体的新鲜度指标值,无需破坏鱼肉组织来测定鱼肉的腐烂程度,可避免检测鱼体的破坏。同时,该方法只需预先制备新鲜度指示膜,在具体检测时,只需通过拍照便可得到检测结果,检测效率较高,能够切实提高物流过程以及销售过程的鱼肉新鲜度检测效率和准确度。
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是本发明提供的鱼类新鲜度无损检测方法的流程示意图;
图2是本发明提供的不同温度下色差值、TVB-N和TAC变化过程的示意图;
图3是本发明提供的不同温度下拟合的检测模型示意图;
图4是本发明提供的鱼类新鲜度无损检测装置的结构示意图;
图5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-图5描述本发明的鱼类新鲜度无损检测方法及装置。图1是本发明提供的鱼类新鲜度无损检测方法的流程示意图,如图1所示,本发明提供鱼类新鲜度无损检测方法,包括:
101、获取待检测鱼体对应的新鲜度指示膜的目标图像。所述新鲜度指示膜,根据待检测鱼体初始时刻的标本,以细菌纤维素膜(简称BC)为固体基质制作得到。
本发明可通过如手机、装有摄像头的电脑等设备,通过安装对应的应用软件实现。首先,鱼体(例如罗非鱼)在宰杀的初始时刻,就制作了对应的新鲜度指示膜,将新鲜度指示膜与待供应的鱼体一起包装供应。在商品销售时,通过手机或者电脑的摄像头获取新鲜度指示膜的目标图像。
102、确定所述目标图像与初始时刻图像的色差值。
初始时刻也就是鱼体在宰杀的初始时刻,其也拍摄对应的图像,存储在后台数据库中。例如,根据商品编号查找对应的初始时刻图像。
根据检测时刻的目标图像与初始时刻图像,计算对应的色差值,色差值ΔE的测定计算公式如下:
103、将所述色差值输入预设的检测模型,输出所述待检测鱼体的新鲜度指标值;所述检测模型,根据不同的已知色差值和鱼体的新鲜度指标值的鱼体样本训练学习得到。
本发明所提及的训练学习,是指模型根据样本的色差值和新鲜度指标值,对构建的初始模型进行调参的过程。例如,对于多项式模型或者线性,提及的训练学习则是模型的拟合过程,对于神经网络模型则是训练过程。
鱼体样本可在实验条件下,测得不同新鲜度条件下的新鲜度指标值,和通过摄像机拍摄图片,结合初始时刻的图片计算色差值,再根据不同新鲜度条件下的新鲜度指标值和色差值,对构建的模型进行训练、学习或者拟合,得到预设的检测模型。基于预设的检测模型,再根据102步骤得到的待检测鱼体新鲜度指示膜的色差值,便可得到对应的新鲜度指标值。
本发明的鱼类新鲜度无损检测方法,通过目标图像与初始时刻图像的色差值,得到待检测鱼体的新鲜度指标值,无需破坏鱼肉组织来测定鱼肉的腐烂程度,可避免检测鱼体的破坏。同时,该方法只需预先制备新鲜度指示膜,在具体检测时,只需通过拍照便可得到检测结果,检测效率较高,能够切实提高物流过程以及销售过程的鱼肉新鲜度检测效率和准确度。
在一个实施例中,所述根据待检测鱼体初始时刻的标本,以细菌纤维素膜为固体基质制作得到,包括:根据待检测鱼体初始时刻的标本,以细菌纤维素膜为固体基质,矢车菊色素作为染料制作得到。
经过本发明的多次尝试实验,发现在矢车菊色素(简称C3G)作为染料时,可获得准确的模型拟合结果,使新鲜度指标值的结果准确度非常高。
具体而言,对于待检测鱼体或者鱼体样本,可将经过处理的BC膜裁剪出合适大小后,用0.125mg/mL浓度的矢车菊溶液浸染,并在室温下避光干燥形成BC-C3G新鲜度指示膜。
在一个实施例中,所述根据待检测鱼体初始时刻的标本,以细菌纤维素膜为固体基质,矢车菊色素作为染料制作得到,包括:根据待检测鱼体初始时刻的标本,以细菌纤维素膜为固体基质,矢车菊色素作为染料,在pH为3的预设范围内制作得到。
经过本发明的多次尝试实验,发现在矢车菊色素作为染料时,在PH=3时准确度更高。矢车菊溶液在不同pH条件下颜色变化明显且有效被肉眼识别,由于样品随贮藏时间延长挥发性盐基总氮值(TVB-N)含量增加,密封包装的气体微环境转变为弱碱性,然而矢车菊溶液在pH 3到5的过程中颜色梯度变化较大,且浸染成膜后产生较大的颜色梯度变化,因此本发明实施例选用pH为3的矢车菊溶液作为指示膜的染料制作基于BC-C3G膜的鱼类新鲜度智能指示标签,可显著提高述待检测鱼体的新鲜度指标值的准确度。
在一个实施例中,所述新鲜度指标值包括挥发性盐基总氮值和总活菌计数值(简称TAC)。
在一个实施例中,所述预设的检测模型,根据不同贮藏温度分别设置。例如,对于4°的冷藏条件和25°的常温条件,分别预先构建相应的检测模型。根据在4℃和25℃贮藏环境下测试的BC-C3G新鲜指示膜的ΔE和罗非鱼片的TAC和TVB-N,建立ΔE分别与TAC和TVB-N的线性相关模型。
图2是本发明提供的不同温度下色差值、TVB-N和TAC变化过程的示意图,图3是本发明提供的不同温度下拟合的检测模型示意图。其中,storage time为从初始时刻开始的存储时间,从图2的A、B和图3的C、D部分可看出,4℃和25℃贮藏条件下鱼肉的ΔE和TVB-N、TAC之间呈现良好的线性关系且均呈现不同程度的增长趋势,相关系数分别为0.892581和0.880628,0.823772和0.823286,通过线性拟合得到以下模型公式见表1。
表1 4℃和25℃储存过程中罗非鱼新鲜度预测模型
在一个实施例中,所述输出所述待检测鱼体的新鲜度指标值之后,还包括:在挥发性盐基总氮值或总活菌计数值不小于各自腐败阈值的情况下,确定鱼体的新鲜度等级为腐败;在挥发性盐基总氮值和总活菌计数值均小于各自腐败阈值,且挥发性盐基总氮值不小于次新鲜度阈值的情况下,确定鱼体的新鲜度等级为次新鲜;在挥发性盐基总氮值和总活菌计数值均小于各自腐败阈值,且挥发性盐基总氮值小于次新鲜度阈值的情况下,确定鱼体的新鲜度等级为新鲜。
例如,挥发性盐基总氮值或总活菌计数值的腐败阈值分别为20mg/100g和6logcfu/g,挥发性盐基总氮值的次新鲜度阈值为13mg/100g。4℃和25℃贮藏条件下随着鱼肉贮藏时间的增加,BC-C3G新鲜度智能指示膜的颜色发生明显的变化,根据TVB-N值作为第一参指标(TVB-N<13mg/100g,13mg/100g<TVB-N<20mg/100g,TVB-N>20mg/100g)把鱼肉分为三个阶段:一级新鲜阶段(新鲜),二级新鲜阶段(次新鲜)和变质阶段(腐败)。TAC值作为第二参考指标(TAC≤6logcfu/g;6logcfu/g≤TAC)把鱼肉分为:新鲜和腐败。判断TVB-N预测值是否>20mg/100g,是则判定鱼肉为腐败,否则参考TAC是否>6logcfu/g,是则判定鱼肉为腐败,否则以TVB-N值为参考依据,TVB-N<13mg/100g为一级新鲜度,13mg/100g<TVB-N<20mg/100g为二级新鲜度。
在一个实施例中,所述获取待检测鱼体对应的新鲜度指示膜的目标图像之前,还包括:根据鱼体样本制作新鲜度指示膜,并确定初始时刻的Lab颜色空间值;在贮藏情况下,每隔预设时间,测定鱼体样本新鲜度指示膜的新鲜度指标值和Lab颜色空间值;根据每个时刻测得的新鲜度指标值和根据Lab颜色空间值测得的色差值,对构建的检测模型进行训练学习,得到所述预设的检测模型。
例如,将罗非鱼片样品贮藏于4℃和25℃高精度低温培养箱中,4℃贮藏温度下每隔2天测试一次,在25℃贮藏温度下每隔8小时测试一次。测试膜贮藏过程中BC-C3G新鲜度智能指示膜的颜色变化数据ΔE,鱼肉的TVB-N和TAC变化。
根据在4℃和25℃贮藏环境下测试的BC-C3G新鲜度智能指示膜的ΔE和罗非鱼片的TAC和TVB-N,建立ΔE分别与TAC和TVB-N的线性相关模型
具体而言,在模型训练学习完成后,可应用已经建立的鱼类新鲜度预测模型求得25℃、4℃贮藏时的预测值,与在25℃、4℃实际贮藏过程中的测量值进行比较,采用“相对误差=(N预测-N实测)×100%/N实测”来评价生长模型的可靠性,如表2所示。
表2罗非鱼片在25℃和4℃贮藏条件下TVB-N、TAC的预测值与实验值的相对误差
如表2所示25℃和4℃贮藏条件下罗非鱼片TVB-N、TAC的预测值与实验值的相对误差对鱼类新鲜度预测模型进行验证,从各项新鲜度指标中看出,预测值与实验值的相对误差均在10%以内,准确性高。表明基于BC-C3G新鲜度智能指示标签的鱼类新鲜度预测模型可用于25℃和4℃温度下鱼肉新鲜度可视化检测。
实施案例:制备的基于BC-C3G鱼类新鲜度智能指示标签的装置用于鱼肉新鲜度的测试。
首先将待售的新鲜罗非鱼样品置于PE保鲜盒中,同时将BC-C3G智能新鲜度指示膜裁剪成直径为1cm*1cm大小的正方形,放置在设计的鱼类新鲜度智能指示标签特定位置。将整个包装好的商品放置于超市生鲜货架上,购买者或者超市质检员通过手机摄像头,或者超市内部的扫描仪器获取待售商品BC-C3G智能新鲜度指示膜颜色相关的目标图像,然后通过如扫码二维码的形式将目标图像发送到供应商的服务器。服务器根据目标图像和初始时刻工作人员已经上传的刻新鲜度指示膜的图像计算色差值,然后通过服务器内的检测模型计算对应的新鲜度指标值,再转化为新鲜度等级发送到用户的手机上或者超市质检员的工作仪器上,从而便于顾客和超市质检员判定鱼肉的新鲜度。
下面对本发明提供的鱼类新鲜度无损检测装置进行描述,下文描述的鱼类新鲜度无损检测装置与上文描述的鱼类新鲜度无损检测方法可相互对应参照。
图4是本发明提供的鱼类新鲜度无损检测装置的结构示意图,如图4所示,该鱼类新鲜度无损检测装置包括:采集模块401、计算模块402和处理模块403。其中,采集模块401用于获取待检测鱼体对应的新鲜度指示膜的目标图像;计算模块402用于确定所述目标图像与初始时刻图像的色差值;处理模块403用于将所述色差值输入预设的检测模型,输出所述待检测鱼体的新鲜度指标值;其中,所述新鲜度指示膜,根据待检测鱼体初始时刻的标本,以细菌纤维素膜为固体基质制作得到;所述初始时刻为鱼体新鲜度开始变化的零时刻;所述检测模型,根据不同的已知色差值和鱼体的新鲜度指标值的鱼体样本训练学习得到。
在一个装置实施例中,新鲜度指示膜,根据待检测鱼体初始时刻的标本,以细菌纤维素膜为固体基质,矢车菊色素作为染料制作得到。
在一个装置实施例中,新鲜度指示膜,根据待检测鱼体初始时刻的标本,以细菌纤维素膜为固体基质,矢车菊色素作为染料,在pH为3的预设范围内制作得到。
在一个装置实施例中,所述新鲜度指标值包括挥发性盐基总氮值和总活菌计数值。
在一个装置实施例中,所述处理模块还用于:在挥发性盐基总氮值或总活菌计数值不小于各自腐败阈值的情况下,确定鱼体的新鲜度等级为腐败;在挥发性盐基总氮值和总活菌计数值均小于各自腐败阈值,且挥发性盐基总氮值不小于次新鲜度阈值的情况下,确定鱼体的新鲜度等级为次新鲜;在挥发性盐基总氮值和总活菌计数值均小于各自腐败阈值,且挥发性盐基总氮值小于次新鲜度阈值的情况下,确定鱼体的新鲜度等级为新鲜。
在一个装置实施例中,所述处理模块还用于:根据鱼体样本制作新鲜度指示膜,并确定初始时刻的Lab颜色空间值;在贮藏情况下,每隔预设时间,测定鱼体样本新鲜度指示膜的新鲜度指标值和Lab颜色空间值;根据每个时刻测得的新鲜度指标值和根据Lab颜色空间值测得的色差值,对构建的检测模型进行训练学习,得到所述预设的检测模型。
在一个装置实施例中,所述预设的检测模型,根据不同贮藏温度分别设置。
本发明实施例提供的装置实施例是为了实现上述各方法实施例的,具体流程和详细内容请参照上述方法实施例,此处不再赘述。
本发明实施例提供的鱼类新鲜度无损检测装置,通过目标图像与初始时刻图像的色差值,得到待检测鱼体的新鲜度指标值,无需破坏鱼肉组织来测定鱼肉的腐烂程度,可避免检测鱼体的破坏。同时,该方法只需预先制备新鲜度指示膜,在具体检测时,只需通过拍照便可得到检测结果,检测效率较高,能够切实提高物流过程以及销售过程的鱼肉新鲜度检测效率和准确度。
图5是本发明提供的电子设备的结构示意图,如图5所示,该电子设备可以包括:处理器(processor)501、通信接口(Communications Interface)502、存储器(memory)503和通信总线504,其中,处理器501,通信接口502,存储器503通过通信总线504完成相互间的通信。处理器501可以调用存储器503中的逻辑指令,以执行鱼类新鲜度无损检测方法,该方法包括:获取待检测鱼体对应的新鲜度指示膜的目标图像;确定所述目标图像与初始时刻图像的色差值;将所述色差值输入预设的检测模型,输出所述待检测鱼体的新鲜度指标值;其中,所述新鲜度指示膜,根据待检测鱼体初始时刻的标本,以细菌纤维素膜为固体基质制作得到;所述初始时刻为鱼体新鲜度开始变化的零时刻;所述检测模型,根据不同的已知色差值和鱼体的新鲜度指标值的鱼体样本训练学习得到。
此外,上述的存储器503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鱼类新鲜度无损检测方法,该方法包括:获取待检测鱼体对应的新鲜度指示膜的目标图像;确定所述目标图像与初始时刻图像的色差值;将所述色差值输入预设的检测模型,输出所述待检测鱼体的新鲜度指标值;其中,所述新鲜度指示膜,根据待检测鱼体初始时刻的标本,以细菌纤维素膜为固体基质制作得到;所述初始时刻为鱼体新鲜度开始变化的零时刻;所述检测模型,根据不同的已知色差值和鱼体的新鲜度指标值的鱼体样本训练学习得到。
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以执行上述各实施例提供的鱼类新鲜度无损检测方法,该方法包括:获取待检测鱼体对应的新鲜度指示膜的目标图像;确定所述目标图像与初始时刻图像的色差值;将所述色差值输入预设的检测模型,输出所述待检测鱼体的新鲜度指标值;其中,所述新鲜度指示膜,根据待检测鱼体初始时刻的标本,以细菌纤维素膜为固体基质制作得到;所述初始时刻为鱼体新鲜度开始变化的零时刻;所述检测模型,根据不同的已知色差值和鱼体的新鲜度指标值的鱼体样本训练学习得到。
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)
1.一种鱼类新鲜度无损检测方法,其特征在于,包括:
获取待检测鱼体对应的新鲜度指示膜的目标图像;
确定所述目标图像与初始时刻图像的色差值;
将所述色差值输入预设的检测模型,输出所述待检测鱼体的新鲜度指标值;
其中,所述新鲜度指示膜,根据待检测鱼体初始时刻的标本,以细菌纤维素膜为固体基质制作得到;所述初始时刻为鱼体新鲜度开始变化的零时刻;所述检测模型,根据不同的已知色差值和鱼体的新鲜度指标值的鱼体样本训练学习得到。
2.根据权利要求1所述的鱼类新鲜度无损检测方法,其特征在于,所述根据待检测鱼体初始时刻的标本,以细菌纤维素膜为固体基质制作得到,包括:根据待检测鱼体初始时刻的标本,以细菌纤维素膜为固体基质,矢车菊色素作为染料制作得到。
3.根据权利要求2所述的鱼类新鲜度无损检测方法,其特征在于,所述根据待检测鱼体初始时刻的标本,以细菌纤维素膜为固体基质,矢车菊色素作为染料制作得到,包括:根据待检测鱼体初始时刻的标本,以细菌纤维素膜为固体基质,矢车菊色素作为染料,在pH为3的预设范围内制作得到。
4.根据权利要求1所述的鱼类新鲜度无损检测方法,其特征在于,所述新鲜度指标值包括挥发性盐基总氮值和总活菌计数值。
5.根据权利要求4所述的鱼类新鲜度无损检测方法,其特征在于,所述输出所述待检测鱼体的新鲜度指标值之后,还包括:
在挥发性盐基总氮值或总活菌计数值不小于各自腐败阈值的情况下,确定鱼体的新鲜度等级为腐败;
在挥发性盐基总氮值和总活菌计数值均小于各自腐败阈值,且挥发性盐基总氮值不小于次新鲜度阈值的情况下,确定鱼体的新鲜度等级为次新鲜;
在挥发性盐基总氮值和总活菌计数值均小于各自腐败阈值,且挥发性盐基总氮值小于次新鲜度阈值的情况下,确定鱼体的新鲜度等级为新鲜。
6.根据权利要求1-5任一项所述的鱼类新鲜度无损检测方法,其特征在于,所述获取待检测鱼体对应的新鲜度指示膜的目标图像之前,还包括:
根据鱼体样本制作新鲜度指示膜,并确定初始时刻的Lab颜色空间值;
在贮藏情况下,每隔预设时间,测定鱼体样本新鲜度指示膜的新鲜度指标值和Lab颜色空间值;
根据每个时刻测得的新鲜度指标值和根据Lab颜色空间值测得的色差值,对构建的检测模型进行训练学习,得到所述预设的检测模型。
7.根据权利要求1-5任一项所述的鱼类新鲜度无损检测方法,其特征在于,所述预设的检测模型,根据不同贮藏温度分别设置。
8.一种鱼类新鲜度无损检测装置,其特征在于,包括:
采集模块,用于获取待检测鱼体对应的新鲜度指示膜的目标图像;
计算模块,用于确定所述目标图像与初始时刻图像的色差值;
处理模块,用于将所述色差值输入预设的检测模型,输出所述待检测鱼体的新鲜度指标值;
其中,所述新鲜度指示膜,根据待检测鱼体初始时刻的标本,以细菌纤维素膜为固体基质制作得到;所述初始时刻为鱼体新鲜度开始变化的零时刻;所述检测模型,根据不同的已知色差值和鱼体的新鲜度指标值的鱼体样本训练学习得到。
9.一种电子设备,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任一项所述鱼类新鲜度无损检测方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述鱼类新鲜度无损检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111565256.3A CN114414566A (zh) | 2021-12-20 | 2021-12-20 | 鱼类新鲜度无损检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111565256.3A CN114414566A (zh) | 2021-12-20 | 2021-12-20 | 鱼类新鲜度无损检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114414566A true CN114414566A (zh) | 2022-04-29 |
Family
ID=81268121
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111565256.3A Pending CN114414566A (zh) | 2021-12-20 | 2021-12-20 | 鱼类新鲜度无损检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114414566A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115389504A (zh) * | 2022-08-25 | 2022-11-25 | 中国海洋大学 | 生食食品新鲜度检测方法及利用该方法的颜色识别系统 |
CN115561233A (zh) * | 2022-09-20 | 2023-01-03 | 大连工业大学 | 一种基于水凝胶材料可视化智能检测肉类新鲜度的方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106290324A (zh) * | 2016-07-15 | 2017-01-04 | 广东海洋大学 | 一种基于智能包装的简易快速判断水产品质量的方法 |
CN110210680A (zh) * | 2019-06-11 | 2019-09-06 | 北京农业信息技术研究中心 | 一种基于温度变化的鱼体新鲜度检测方法和装置 |
CN111724350A (zh) * | 2020-05-29 | 2020-09-29 | 北京农业信息技术研究中心 | 鱼体新鲜度无损检测方法及装置 |
CN112748078A (zh) * | 2020-12-15 | 2021-05-04 | 北京农业信息技术研究中心 | 一种用于鱼肉新鲜度智能指示标签的溶液及其应用 |
CN113252652A (zh) * | 2021-05-12 | 2021-08-13 | 东北林业大学 | 一种用于监测生鱼片新鲜度的精准指示膜的制备方法 |
CN113402749A (zh) * | 2021-06-30 | 2021-09-17 | 沈阳农业大学 | 一种pH和NH3高响应型食品次鲜级色敏指示膜及其制备方法与应用 |
-
2021
- 2021-12-20 CN CN202111565256.3A patent/CN114414566A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106290324A (zh) * | 2016-07-15 | 2017-01-04 | 广东海洋大学 | 一种基于智能包装的简易快速判断水产品质量的方法 |
CN110210680A (zh) * | 2019-06-11 | 2019-09-06 | 北京农业信息技术研究中心 | 一种基于温度变化的鱼体新鲜度检测方法和装置 |
CN111724350A (zh) * | 2020-05-29 | 2020-09-29 | 北京农业信息技术研究中心 | 鱼体新鲜度无损检测方法及装置 |
CN112748078A (zh) * | 2020-12-15 | 2021-05-04 | 北京农业信息技术研究中心 | 一种用于鱼肉新鲜度智能指示标签的溶液及其应用 |
CN113252652A (zh) * | 2021-05-12 | 2021-08-13 | 东北林业大学 | 一种用于监测生鱼片新鲜度的精准指示膜的制备方法 |
CN113402749A (zh) * | 2021-06-30 | 2021-09-17 | 沈阳农业大学 | 一种pH和NH3高响应型食品次鲜级色敏指示膜及其制备方法与应用 |
Non-Patent Citations (4)
Title |
---|
季鸿庢等: "烹饪化学基础", 31 August 1993, 上海科学技术出版社, pages: 435 - 437 * |
朱安娜等: "提取剂对紫薯花青素提取效果的影响及pH响应", 包装学报, 25 December 2019 (2019-12-25) * |
贾志鑫: "三文鱼新鲜度和品质货架期预测模型研究", 中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑, 15 May 2020 (2020-05-15), pages 5 * |
贾惜文等: "颜色指示型智能包装监测生鲜肉新鲜度的研究进展", 食品工业科技, 16 October 2019 (2019-10-16) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115389504A (zh) * | 2022-08-25 | 2022-11-25 | 中国海洋大学 | 生食食品新鲜度检测方法及利用该方法的颜色识别系统 |
CN115561233A (zh) * | 2022-09-20 | 2023-01-03 | 大连工业大学 | 一种基于水凝胶材料可视化智能检测肉类新鲜度的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114414566A (zh) | 鱼类新鲜度无损检测方法及装置 | |
CN104655761B (zh) | 一种基于多光谱成像在线测定鱼肉新鲜度指标k值的方法 | |
Yagiz et al. | Comparison of Minolta colorimeter and machine vision system in measuring colour of irradiated Atlantic salmon | |
Dalgaard | Freshness, Quality and Safety in Seafoods F-FE 380A/00 [May 2000] | |
Tichoniuk et al. | The application of natural dyes in food freshness indicators designed for intelligent packaging | |
Kuswandi et al. | Simple and Low-Cost On-Package Sticker Sensor based on Litmus Paper for Real-Time Monitoring of Beef Freshness. | |
Rahman et al. | Quality assessment of beef using Computer Vision Technology | |
Ma et al. | Multispectral imaging for rapid and non-destructive determination of aerobic plate count (APC) in cooked pork sausages | |
CN113791055B (zh) | 一种鱼肉新鲜度检测方法及系统 | |
CN110659710A (zh) | 一种编码指示标签、精确识别方法及智能处理系统 | |
Jia et al. | Hyperspectral Imaging (HSI) for meat quality evaluation across the supply chain: Current and future trends | |
Feng et al. | Real‐time prediction of pre‐cooked Japanese sausage color with different storage days using hyperspectral imaging | |
Rocculi et al. | Freshness assessment of European hake (Merluccius merluccius) through the evaluation of eye chromatic and morphological characteristics | |
CN111724350A (zh) | 鱼体新鲜度无损检测方法及装置 | |
CN116087195A (zh) | 一种鱼肉新鲜度评价方法及系统 | |
JP7187931B2 (ja) | 光源評価方法 | |
US20210279857A1 (en) | Devices and methos for detecting or monitoring the quality of food products | |
Pereira et al. | Camera-based system for quality assessment of fresh beef based on image analysis | |
Ye et al. | The design and application of xylose-lysine based time-temperature indicators for visually monitoring the shelf-life of chilled large yellow croaker | |
Park et al. | Determination of shelf life model of pork cutlet and pork lard during accelerated storage conditions | |
CN106018453A (zh) | 一种基于低场核磁共振技术的鱼子酱品质快速检测方法 | |
CN108572150A (zh) | 一种基于高光谱检测香肠中三磷酸腺苷及细菌数的方法 | |
CN111122635B (zh) | 一种食用菌干燥状态在线评估方法及系统 | |
Schotsmans et al. | Factors affecting skin resistance measurements in pipfruit | |
CN108982883A (zh) | 一种预测鲜切生菜货架期模型 |
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 |