CN115372274A - 一种基于多光谱成像无损评价猪肉质量等级的方法及装置 - Google Patents
一种基于多光谱成像无损评价猪肉质量等级的方法及装置 Download PDFInfo
- Publication number
- CN115372274A CN115372274A CN202210906140.XA CN202210906140A CN115372274A CN 115372274 A CN115372274 A CN 115372274A CN 202210906140 A CN202210906140 A CN 202210906140A CN 115372274 A CN115372274 A CN 115372274A
- Authority
- CN
- China
- Prior art keywords
- pork
- multispectral
- evaluation
- quality grade
- sample
- 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
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
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- 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
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
- G01N2021/0106—General arrangement of respective parts
- G01N2021/0112—Apparatus in one mechanical, optical or electronic block
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/06—Illumination; Optics
- G01N2201/061—Sources
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/06—Illumination; Optics
- G01N2201/062—LED's
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Software Systems (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Biochemistry (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Probability & Statistics with Applications (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种基于多光谱成像无损评价猪肉质量等级的方法及装置,包括暗箱、载物台、多光谱成像仪、可调节LED光源、控制器、计算机、云端服务器、移动端等组成,利用多光谱成像仪中的多光谱成像仪接收样品反射光,反射信号传输给多光谱系统,然后通过所述计算机进行处理并将信息上传所述云端服务器;实现了利用多光谱成像技术对猪肉质量等级进行判断,利用信息融合技术,使猪肉样品肌肉颜色、脂肪颜色及光泽与光谱图像数据进行结合,代替传统的感官评价,具有快速无损、实时数据传输的优点,解决了人工判断主观性强、评价不及时的缺陷。
Description
技术领域
本发明属于肉品质量检测技术领域,更具体地说,涉及一种基于多光谱成像无损评价猪肉质量等级的方法及装置。
背景技术
猪肉贸易是我国乃至世界肉类贸易的重要组成部分,猪肉质量等级评价则是实现公平贸易的有效依据,其中肉色是重要的猪肉质量评价标准之一,它由肌肉颜色、脂肪颜色和光泽决定,其中肉色是肉的生理、生化和微生物变化的外部表现,也是人类视觉最直接的感知信息,影响人们购买肉类的欲望;猪肉的颜色也能够很好地表征其新鲜程度,新鲜猪肉肌肉呈鲜红色,次等鲜猪肉肌肉颜色为深红色,当在空气中放久后肌红蛋白变性,肉色为暗红色且光泽较暗。不均匀黄色斑块脂肪的颜色能反映出肉的氧化程度;并且长时间与空气接触,猪肉水分的损耗也会导致光泽变差,因此对于猪肉质量等级的评价来说,颜色的评定就格外重要。
根据行业标准规定,一般猪肉的质量等级是通过感官评定法进行评价,但这些方法主观意识强和易受到外界因素干扰,需要培养专业分级员导致成本高时间长,肉类的色度分析必要时需通过色度计检测,虽然较为科学准确但不能检测整个样品表面的颜色变化,且易受样品均匀度、肌肉脂肪和结缔组织的影响,因此人工判断存在一定的缺陷;
同时现有技术采用光谱成像技术以改善人工判断的缺陷,但是采用的光谱一般为单一光谱,或者利用计算机视觉技术,在检测过程存在一定的局限性。
于是,有鉴于此,针对现有技术的不足予以研究改良,提供一种基于多光谱成像无损评价猪肉质量等级的方法及装置,以期达到更具有实用价值性的目的。
发明内容
为了解决上述技术问题,本发明提供一种基于多光谱成像无损评价猪肉质量等级的方法及装置,以解决现在的人工判断主观性强、干扰因素多、准确性差与理化试验耗时长、不够及时全面的缺陷,以及单一光谱或计算机视觉技术存在局限性的问题。
本发明基于多光谱成像无损评价猪肉质量等级的方法及装置的目的与功效,由以下具体技术手段所达成:
一种基于多光谱成像无损评价猪肉质量等级的装置,包括:
移动端,所述移动端用以方便用户查看猪肉质量的评价等级;
云端服务器,所述云端服务器用以存储猪肉质量等级评价数据;
计算机,所述计算机用以处理猪肉质量等级评价信息,并通过网络上传至所述云端服务器中存储;
暗箱,所述暗箱底部设置有载物台,所述载物台的上方放置有猪肉样品;
多光谱成像仪,所述多光谱成像仪包括多光谱相机、光谱仪和透镜,所述多光谱成像仪安装在所述暗箱的顶部内壁上,且所述多光谱成像仪位于所述猪肉样品的正上方;
可调节LED光源,所述可调节LED光源设置在所述多光谱成像仪的两侧,所述可调节LED光源朝向所述载物台,所述控制器用以控制所述多光谱成像仪和所述可调节LED光源。
优选的,所述暗箱由轻型环保且避光性良好的材料构成。
优选的,所述载物台能够支撑所述暗箱上半部分和所述猪肉样品,且所述载物台不反光。
优选的,所述计算机与所述多光谱成像仪电性连接,所述计算机能够获取到所述多光谱成像仪识别到的信息并进行相应的处理。
优选的,所述可调节LED光源的光照强度以及照射角度可进行调节。
一种基于多光谱成像无损评价猪肉质量等级的方法,包括以下步骤:
S1:首先检测人员准备所述猪肉样品,然后预热所述多光谱成像仪并维持30min以上,通过现有的标准白板、黑板和几何板对所述多光谱成像仪进行校准;然后经所述可调节LED光源照射,使得多光谱成像仪接收猪肉样品的反射信息;
S2:反射信息通过图像采集单元传输到所述计算机,所述计算机分析多光谱图像信息,进行基于多项式回归的空间一致性校正,解决所述猪肉样品表面反射特性与标准校正板的差异;
S3:采用自动阈值分割方法或最大熵阈值分割法实现所述猪肉样品的光谱图像与背景分割;通过中值滤波、高斯滤波及均值滤波中的一种或多种方法降噪,对孤立杂点和相对密集的杂点进行消除,实现噪音的有效消除和图像边缘的保护,得到完整的猪肉图像信息,确定所述猪肉样品感兴趣区域,提取感兴趣区域中心波长对应的光谱反射值;
S4:利用核模糊C均值聚类法分割肌肉和脂肪组织,经二值化处理,图像中肌肉像素点置为0,脂肪像素点置为1;
S5:通过图像分析提取颜色特征向量,并与猪肉感官评分和色差仪结果进行相关性分析,建立猪肉质量等级与图像颜色特征之间的多元线性回归预测模型;
S6:选取N,N≥5个经感官评定和色差分析肌肉颜色、脂肪颜色及光泽后进行质量等级评价的所述猪肉样品,以这些所述猪肉样品的质量等级作为输出,通过以上S1-S5提取的特征向量作为输入,采用BP神经网络的方法建立不同猪肉质量等级的数据库模型,其中隐层神经元的数目可以参照以下公式:
式中n为隐层神经元数目,ni为输入层维数,n0为输出层神经元的数目,a为1-10之间的常数;
S7:通过所述多光谱成像仪拍摄待测猪肉样品的多光谱图像,将以上S1-S5提取的特征向量作为输入,使用S6建立的模型进行评价,判定每一像素集合的猪肉质量级别;
S8:综合判断各像素集的肌肉色、脂肪色和光泽评价结果所占比重,以最多数目像素集类型确定整块猪肉的质量级别并输出结果。
与现有技术相比,本发明具有如下有益效果:
1、本发明通过利用多光谱成像技术对猪肉质量等级进行判断,利用信息融合技术,使猪肉样品肌肉颜色、脂肪颜色及光泽与光谱图像数据进行结合,代替传统的感官评价,具有快速无损、实时数据传输的优点,解决了人工判断主观性强、评价不及时的缺陷。多光谱成像技术获取信息时间较高光谱技术更短,拥有更快数据处理速率的优势。
2、本发明通过感官理化指标对应的特征光谱建立猪肉质量等级预测模型,减少冗余信息并降低信息维度,提高了预测模型的判断精度和分析效率;基于多项式回归的空间一致性校正,解决猪肉样品表面反射特性与标准校正板的差异,提高识别的精确度;基于BP神经网络建立不同猪肉质量数据库模型,可大大提高后续猪肉样品的质量等级评价效率。
3、本发明通过采用可调节LED光源较传统光源散热性低且稳定,从而可以有效减小因温度对光谱的影响,也降低了温度对猪肉样品理化性质的影响;通过暗箱与可调节LED光源的结合,可实现检测环境光照强度的稳定,减少因光照变化对光谱的影响;通过数据传输到云端服务器,实现移动端猪肉质量等级数据的在线实时查看。
附图说明
图1是本发明猪肉质量等级评价方法运行流程示意图;
图2是本发明猪肉质量等级装置运行流程示意图。
图中:
1、移动端;2、云端服务器;3、计算机;4、暗箱;41、载物台;42、猪肉样品;43、多光谱成像仪;44、可调节LED光源;5、控制器。
具体实施方式
下面结合附图和实施例对本发明的实施方式作进一步详细描述。以下实施例用于说明本发明,但不能用来限制本发明的范围。
如图1至图2所示:
本发明提供一种基于多光谱成像无损评价猪肉质量等级的装置,包括:
移动端1,所述移动端1用以方便用户查看猪肉质量的评价等级;
云端服务器2,所述云端服务器2用以存储猪肉质量等级评价数据;
计算机3,所述计算机3用以处理猪肉质量等级评价信息,并通过网络上传至所述云端服务器2中存储;
暗箱4,所述暗箱4底部设置有载物台41,所述载物台41的上方放置有猪肉样品42;
多光谱成像仪43,所述多光谱成像仪43包括多光谱相机、光谱仪和透镜,所述多光谱成像仪43安装在所述暗箱4的顶部内壁上,且所述多光谱成像仪43位于所述猪肉样品42的正上方;
可调节LED光源44,所述可调节LED光源44设置在所述多光谱成像仪43的两侧,所述可调节LED光源44朝向所述载物台41,所述控制器5用以控制所述多光谱成像仪43和所述可调节LED光源44。
本发明的目的是提供多光谱成像快速无损评价猪肉质量等级的方法及装置,集光谱分析技术和计算机视觉于一体,可以同时从光谱维和空间维上获取被测目标的信息,既有光谱检测技术的快速、无损、多组分检测等优点,又有计算机视觉技术的可视化、直观等优点,从而解决了人工判断主观性强、干扰因素多、准确性差与理化试验耗时长、不够及时全面的缺陷,以及单一光谱或计算机视觉技术的局限性;同时解决样品表面反射特性与校正板的差异,并可以实现在线实时数据传输,达到快速大批量检测的目的;
为实现上述目的,本实施方式的具体步骤如下:
第一步:首先检测人员在对猪肉质量等级评价前,先准备好猪肉样品42,猪肉样品42可以为猪颈背肉、猪前腿肉、猪大排肉或猪后腿肉,并将猪肉样品42制作分割成大小尺寸为3cm×3cm×2cm,装入聚乙烯保鲜袋密封并于4℃条件下冷藏,等待质量等级评价;
然后检测人员对多光谱成像仪43进行预热,并维持30min以上,通过现有的标准白板、黑板和几何板对多光谱成像仪43进行校准;
然后检测人员将猪肉样品42放置到载物台41上,并经可调节LED光源44照射,其中检测人员可根据猪肉样品42的位置以及外部的环境,通过控制器5调节LED光源44的光照强度以及光线的照射角度,从而可调节LED光源44发射设定的光束照射暗箱4内载物台41上的猪肉样品42,为猪肉样品42提供均匀稳定的光照;其中采用可调节LED光源44相较于传统光源散热性低且稳定,从而可以有效减小因温度对光谱的影响,也降低了温度对猪肉样品42理化性质的影响,并通过暗箱4与可调节可调节LED光源44的结合,可实现检测环境光照强度的稳定,减少因光照变化对光谱的影响;
然后检测人员通过控制器5调节多光谱成像仪43中多光谱相机的运行参数,多光谱相机拍摄间隔为0.3-1S,拍摄距离为25-100mm,环境光照强度为3-150Lux,使得多光谱成像仪43能够清晰准确的接收到猪肉样品42的反射光,然后多光谱成像仪43将反射信息传输给计算机3中的多光谱系统内;
第二步:多光谱成像仪43中的图像采集单元将猪肉样品42反射的图像信息传输到计算机3中后,计算机3分析多光谱图像信息,进行基于多项式回归的空间一致性校正,从而解决猪肉样品42表面反射特性与标准校正板的差异,以此提高猪肉样品42检测的准确率;
第三步:计算机3通过采用自动阈值分割方法或最大熵阈值分割法实现猪肉样品42的光谱图像与背景分割;通过中值滤波、高斯滤波及均值滤波中的一种或多种方法降噪,对孤立杂点和相对密集的杂点进行消除,实现噪音的有效消除和图像边缘的保护,得到完整的猪肉图像信息,确定猪肉样品42感兴趣区域,提取感兴趣区域中心波长对应的光谱反射值,其中中心波长为525nm、570nm、590nm、630nm、645nm、700nm、780nm;
第四步:利用核模糊C均值聚类法分割肌肉和脂肪组织,经二值化处理,图像中肌肉像素点置为0,脂肪像素点置为1;
第五步:通过多光谱系统中的图像分析提取颜色特征向量,并与猪肉感官评分和色差仪结果进行相关性分析,以此建立猪肉质量等级与图像颜色特征之间的多元线性回归预测模型;
第六步:然后选取N,N≥5个经感官评定和色差分析肌肉颜色、脂肪颜色及光泽后进行质量等级评价的猪肉样品42,以这些猪肉样品42的质量等级作为输出,通过以上步骤1-5提取的特征向量作为输入,采用BP神经网络的方法建立不同猪肉质量等级的数据库模型,并以A级、B级、C级划分猪肉质量等级,其中隐层神经元的数目可以参照以下公式:
式中n为隐层神经元数目,ni为输入层维数,n0为输出层神经元的数目,a为1-10之间的常数;
其中猪肉质量等级与肌肉颜色、脂肪颜色及光泽的对应关系,如表1所示:
表1
通过感官理化指标对应的特征光谱建立猪肉质量等级预测模型,从而减少冗余信息并降低信息维度,提高了预测模型的判断精度和分析效率;同时基于多项式回归的空间一致性校正,解决了猪肉样品表面反射特性与标准校正板的差异,从而提高了识别的精确度;并且基于BP神经网络建立不同猪肉质量数据库模型,可大大提高后续猪肉样品的质量等级评价效率;
第七步:通过多光谱成像仪43拍摄待测猪肉样品的多光谱图像,通过以上步骤1-5提取的特征向量作为输入,并利用第六步中建立的模型进行评价,判定每一像素集合的猪肉质量级别;
第八步:最后综合判断各像素集的肌肉色、脂肪色和光泽评价结果所占比重,以最多数目像素集类型确定整块猪肉的质量级别并输出结果,其中模型预测结果与实际评价结果对比如表2所示:
表2
根据表2所知,猪肉质量等级预测模型相对于分级人员的实际感官评价,准确率高达90%左右,因此说明本发明中的猪肉质量等级预测模型能够解决现有技术中人工判断主观性强、干扰因素多、准确性差与理化试验耗时长、不够及时全面的缺陷,以及单一光谱或计算机视觉技术存在局限性的问题;
然后计算机将处理后的信息上传至云端服务器2中,检测人员或者市场监管人员可通过移动端1联网后进行数据在线查看,极大的提升了相关人员获取猪肉质量等级的便捷性,并且在线实时查看,降低了非法人员篡改数据的可能性,其中移动端1可以为智能手机或者平板电脑等可进行联网的显示设备;
通过利用上述步骤1-7中的信息融合技术,使猪肉样品肌肉颜色、脂肪颜色及光泽与光谱图像数据进行结合,代替传统的感官评价,具有快速无损、实时数据传输的优点,解决了人工判断主观性强、评价不及时的缺陷。
本发明的实施例是为了示例和描述起见而给出的,而并不是无遗漏的或者将本发明限于所公开的形式。
Claims (6)
1.一种基于多光谱成像无损评价猪肉质量等级的装置,其特征在于,包括:
移动端(1),所述移动端(1)用以方便用户查看猪肉质量的评价等级;
云端服务器(2),所述云端服务器(2)用以存储猪肉质量等级评价数据;
计算机(3),所述计算机(3)用以处理猪肉质量等级评价信息,并通过网络上传至所述云端服务器(2)中存储;
暗箱(4),所述暗箱(4)底部设置有载物台(41),所述载物台(41)的上方放置有猪肉样品(42);
多光谱成像仪(43),所述多光谱成像仪(43)包括多光谱相机、光谱仪和透镜,所述多光谱成像仪安装在所述暗箱(4)的顶部内壁上,且所述多光谱成像仪(43)位于所述猪肉样品(42)的正上方;
可调节LED光源(44),所述可调节LED光源(44)设置在所述多光谱成像仪(43)的两侧,所述可调节LED光源(44)朝向所述载物台(41)并照射所述猪肉样品(42)的位置;
控制器(5),所述控制器(5)用以控制所述多光谱成像仪(43)和所述可调节LED光源(44)。
2.如权利要求1所述基于多光谱成像无损评价猪肉质量等级的装置,其特征在于:所述暗箱(4)由轻型环保且避光性良好的材料构成。
3.如权利要求1所述基于多光谱成像无损评价猪肉质量等级的装置,其特征在于:所述载物台(41)能够支撑所述暗箱(4)上半部分和所述猪肉样品(42),且所述载物台(41)不反光。
4.如权利要求1所述基于多光谱成像无损评价猪肉质量等级的装置,其特征在于:所述计算机(3)与所述多光谱成像仪(43)电性连接,所述计算机(3)能够获取到所述多光谱成像仪(43)识别到的信息并进行相应的处理。
5.如权利要求1所述基于多光谱成像无损评价猪肉质量等级的装置,其特征在于:所述可调节LED光源(44)的光照强度以及照射角度可进行调节。
6.一种如权利要求5所述的基于多光谱成像无损评价猪肉质量等级的方法,其特征在于,包括以下步骤:
S1:首先检测人员准备所述猪肉样品(42),然后预热所述多光谱成像仪(43)并维持30min以上,通过现有的标准白板、黑板和几何板对所述多光谱成像仪(43)进行校准;然后经所述可调节LED光源(44)照射,使得多光谱成像仪(43)接收猪肉样品(42)的反射信息;
S2:反射信息通过图像采集单元传输到所述计算机(3),所述计算机(3)分析多光谱图像信息,进行基于多项式回归的空间一致性校正,解决所述猪肉样品(42)表面反射特性与标准校正板的差异;
S3:采用自动阈值分割方法或最大熵阈值分割法实现所述猪肉样品(42)的光谱图像与背景分割;通过中值滤波、高斯滤波及均值滤波中的一种或多种方法降噪,对孤立杂点和相对密集的杂点进行消除,实现噪音的有效消除和图像边缘的保护,得到完整的猪肉图像信息,确定所述猪肉样品(42)感兴趣区域,提取感兴趣区域中心波长对应的光谱反射值;
S4:利用核模糊C均值聚类法分割肌肉和脂肪组织,经二值化处理,图像中肌肉像素点置为0,脂肪像素点置为1;
S5:通过图像分析提取颜色特征向量,并与猪肉感官评分和色差仪结果进行相关性分析,建立猪肉质量等级与图像颜色特征之间的多元线性回归预测模型;
S6:选取N,N≥5个经感官评定和色差分析肌肉颜色、脂肪颜色及光泽后进行质量等级评价的所述猪肉样品(42),以这些所述猪肉样品(42)的质量等级作为输出,通过以上S1-S5提取的特征向量作为输入,采用BP神经网络的方法建立不同猪肉质量等级的数据库模型,其中隐层神经元的数目可以参照以下公式:
式中n为隐层神经元数目,ni为输入层维数,n0为输出层神经元的数目,a为1-10之间的常数;
S7:通过所述多光谱成像仪(43)拍摄待测猪肉样品的多光谱图像,将以上S1-S5提取的特征向量作为输入,使用S6建立的模型进行评价,判定每一像素集合的猪肉质量级别;
S8:综合判断各像素集的肌肉色、脂肪色和光泽评价结果所占比重,以最多数目像素集类型确定整块猪肉的质量级别并输出结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210906140.XA CN115372274A (zh) | 2022-07-29 | 2022-07-29 | 一种基于多光谱成像无损评价猪肉质量等级的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210906140.XA CN115372274A (zh) | 2022-07-29 | 2022-07-29 | 一种基于多光谱成像无损评价猪肉质量等级的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115372274A true CN115372274A (zh) | 2022-11-22 |
Family
ID=84063486
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210906140.XA Pending CN115372274A (zh) | 2022-07-29 | 2022-07-29 | 一种基于多光谱成像无损评价猪肉质量等级的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115372274A (zh) |
-
2022
- 2022-07-29 CN CN202210906140.XA patent/CN115372274A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pu et al. | Soluble solids content and pH prediction and maturity discrimination of lychee fruits using visible and near infrared hyperspectral imaging | |
CN108663339B (zh) | 基于光谱和图像信息融合的霉变玉米在线检测方法 | |
Naganathan et al. | Visible/near-infrared hyperspectral imaging for beef tenderness prediction | |
CN111968080B (zh) | 一种基于高光谱和深度学习的肥城桃内外品质检测方法 | |
CN100480680C (zh) | 多光谱肉类新鲜度人工智能测量方法及系统 | |
CN104871175B (zh) | 对食品质量进行评分和控制 | |
Arzate-Vázquez et al. | Image processing applied to classification of avocado variety Hass (Persea americana Mill.) during the ripening process | |
Xiong et al. | Application of visible hyperspectral imaging for prediction of springiness of fresh chicken meat | |
Gómez-Sanchís et al. | Development of a hyperspectral computer vision system based on two liquid crystal tuneable filters for fruit inspection. Application to detect citrus fruits decay | |
Eissa et al. | Understanding color image processing by machine vision for biological materials | |
CN103900972A (zh) | 基于多特征融合的肉类新鲜度高光谱图像可视化检测 | |
CN107421912A (zh) | 一种基于近红外透射技术的液态乳制品质量检测的装置与方法 | |
Xu et al. | Quantitative evaluation of impact damage to apple by hyperspectral imaging and mechanical parameters | |
CN109883967A (zh) | 一种基于信息融合的中华绒螯蟹品质等级判别方法 | |
Li et al. | Rapid detection and visualization of mechanical bruises on “Nanfeng” mandarin using the hyperspectral imaging combined with ICA_LSQ method | |
CN112098415B (zh) | 一种杨梅品质无损检测方法 | |
CN115372274A (zh) | 一种基于多光谱成像无损评价猪肉质量等级的方法及装置 | |
Feifei et al. | Feature extraction method of hyperspectral scattering images for prediction of total viable count in pork meat | |
Zhao et al. | Determination of apple firmness using hyperspectral imaging technique and multivariate calibrations | |
Liu et al. | Feasibility of nondestructive detection of apple crispness based on spectroscopy and machine vision | |
Li | Classification of black tea leaf water content based on hyperspectral imaging | |
Yuan et al. | A preliminary discrimination of cluster disqualified shape for table grape by mono-camera multi-perspective simultaneously imaging approach | |
Shahin et al. | Development of multispectral imaging systems for quality evaluation of cereal grains and grain products | |
Wu et al. | The use of hyperspectral techniques in evaluating quality and safety of meat and meat products | |
CN201051074Y (zh) | 多光谱肉类新鲜度人工智能测量系统 |
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 |