DE102008044764A1 - Method and portable system for quality evaluation of meat - Google Patents
Method and portable system for quality evaluation of meat Download PDFInfo
- Publication number
- DE102008044764A1 DE102008044764A1 DE102008044764A DE102008044764A DE102008044764A1 DE 102008044764 A1 DE102008044764 A1 DE 102008044764A1 DE 102008044764 A DE102008044764 A DE 102008044764A DE 102008044764 A DE102008044764 A DE 102008044764A DE 102008044764 A1 DE102008044764 A1 DE 102008044764A1
- Authority
- DE
- Germany
- Prior art keywords
- meat
- image
- portable system
- color
- 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.)
- Withdrawn
Links
- 235000013372 meat Nutrition 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000013441 quality evaluation Methods 0.000 title 1
- 238000011156 evaluation Methods 0.000 claims abstract description 17
- 238000007918 intramuscular administration Methods 0.000 claims abstract description 16
- 238000001303 quality assessment method Methods 0.000 claims abstract description 4
- 238000005259 measurement Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000003709 image segmentation Methods 0.000 claims description 6
- 230000015654 memory Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 210000000577 adipose tissue Anatomy 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000003287 optical effect Effects 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 claims description 2
- 230000003936 working memory Effects 0.000 claims 4
- 230000005540 biological transmission Effects 0.000 claims 3
- 238000007620 mathematical function Methods 0.000 claims 3
- 238000000149 argon plasma sintering Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 claims 1
- 238000003384 imaging method Methods 0.000 claims 1
- 230000008447 perception Effects 0.000 claims 1
- 238000001454 recorded image Methods 0.000 claims 1
- 241001494479 Pecora Species 0.000 abstract description 4
- 235000015278 beef Nutrition 0.000 abstract description 4
- 235000015277 pork Nutrition 0.000 abstract description 3
- 244000144977 poultry Species 0.000 abstract description 3
- 239000000523 sample Substances 0.000 description 13
- 241001465754 Metazoa Species 0.000 description 5
- 235000013305 food Nutrition 0.000 description 4
- 230000004438 eyesight Effects 0.000 description 3
- 238000012552 review Methods 0.000 description 3
- 241001136792 Alle Species 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 210000001087 myotubule Anatomy 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- BUHVIAUBTBOHAG-FOYDDCNASA-N (2r,3r,4s,5r)-2-[6-[[2-(3,5-dimethoxyphenyl)-2-(2-methylphenyl)ethyl]amino]purin-9-yl]-5-(hydroxymethyl)oxolane-3,4-diol Chemical compound COC1=CC(OC)=CC(C(CNC=2C=3N=CN(C=3N=CN=2)[C@H]2[C@@H]([C@H](O)[C@@H](CO)O2)O)C=2C(=CC=CC=2)C)=C1 BUHVIAUBTBOHAG-FOYDDCNASA-N 0.000 description 1
- 206010002091 Anaesthesia Diseases 0.000 description 1
- 102100021411 C-terminal-binding protein 2 Human genes 0.000 description 1
- 101000894375 Homo sapiens C-terminal-binding protein 2 Proteins 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000037005 anaesthesia Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 210000003044 atlanto-occipital joint Anatomy 0.000 description 1
- 230000002902 bimodal effect Effects 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000004456 color vision Effects 0.000 description 1
- 210000002808 connective tissue Anatomy 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000010411 cooking Methods 0.000 description 1
- 210000004292 cytoskeleton Anatomy 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 235000020997 lean meat Nutrition 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 238000003307 slaughter Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/02—Food
- G01N33/12—Meat; Fish
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30128—Food products
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Food Science & Technology (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medicinal Chemistry (AREA)
- Quality & Reliability (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Spectrometry And Color Measurement (AREA)
- Image Analysis (AREA)
Abstract
Die vorliegende Erfindung bezieht sich auf ein Verfahren und eine tragbare Vorrichtung zur Bewertung der Qualität des Fleisches, sei es Rind-, Schafs- oder Schweinefleisch, Geflügel oder eine andere Fleischsorte. Das Instrument der vorliegenden Erfindung besteht aus einem tragbaren Gerät, welches an die zu bewertenden Fleischproben angenähert wird und mit dem anschließend eine Bildaufnahme durchgeführt wird, wonach von diesem Bild die Qualitätsparameter des Fleisches durch ein Bildauswertungsverfahren auf objektive Weise abgeleitet werden. Die vorliegende Erfindung löst die Ermittlung der Qualitätsbewertungen, wie Oberflächenbeschaffenheit, Farbe und prozentueller intramuskulärer Fettgehalt des Fleisches, auf praktische, schnelle und zufriedenstellende Art.The present invention relates to a method and a portable device for evaluating the quality of the meat, be it beef, sheep or pork, poultry or any other type of meat. The instrument of the present invention consists of a portable device, which is approximated to the meat samples to be evaluated and is subsequently subjected to image acquisition, after which the quality parameters of the meat are derived in an objective manner from this image by an image evaluation method. The present invention solves the determination of quality assessments, such as surface texture, color and percent intramuscular fat content of the meat, in a practical, rapid and satisfactory manner.
Description
Die vorliegende Erfindung betrifft ein Verfahren und ein tragbares System zur Qualitätsbewertung des Fleisches, sei es Rinds-, Schafs- oder Schweinefleisch, Geflügel oder andere Fleischsorten. Die Vorrichtung der vorliegenden Erfindung besteht aus einem tragbaren Gerät, welches an die zu bewertenden Fleischproben angenähert wird und mit dem anschliessend eine Bildaufnahme durchgeführt wird, wonach von diesem Bild die Qualitätsparameter des Fleisches durch ein Bildauswertungsverfahren auf objektive Weise abgeleitet werden. Die vorliegende Erfindung löst die Ermittlung der Qualitätsbewertungen, wie Textur, Farbe und prozentueller intramuskulärer Fettgehalt des Fleisches, auf praktische, schnelle und zufriedenstellende Art.The The present invention relates to a method and a portable system for the quality assessment of the meat, whether beef, sheep or or pork, poultry or other meats. The device of the present invention consists of a portable Device which approximates to the meat samples to be evaluated and then taken with the image acquisition according to which the image quality parameters of the Meat through an image evaluation process in an objective way be derived. The present invention solves the determination the quality ratings, such as texture, color and percentage intramuscular fat content of meat, on practical, fast and satisfactory way.
Sachverhaltfacts
Das
Kurzbeschreibung der AbbildungenBrief description of the pictures
Kurze Beschreibung der ErfindungBrief description of the invention
Die vorliegende Erfindung betrifft ein tragbares Gerät, mit dessen Hilfe die Fleischqualität mit einer minimalen Fehlerquote bestimmt werden kann, womit die menschliche Visionsauswertung durch die eines Computers (maschinelles Sehen) ersetz wird. Unter den auszuwertenden Fleischsorten zählen Rind-, Schafs- und Schweinefleisch, Geflügel und andere Fleischsorten.The The present invention relates to a portable device, with its help the meat quality with a minimum error rate can be determined with what the human vision evaluation through that of a computer (machine vision) is replaced. Among the Meat varieties to be evaluated include beef, sheep and pork, Poultry and other meats.
Voraussetzung für die vorliegende Erfindung war die Entwicklung eines neuen Messverfahren für Parameter wie Fettgehalt des Fleisches, Textur und Farbe, mit dessen Hilfe die eben genannten Qualitätsparameter des Fleisches mit den Ergebnissen der Bildauswertung in Beziehung gebracht werden.requirement for the present invention was the development of a new measurement method for parameters such as fat content of the meat, Texture and color, with the help of which just mentioned quality parameters of the meat with the results of image analysis in relation to be brought.
Beschreibung der ErfindungDescription of the invention
Im
vorliegenden Ersuch werden einige spezielle technische Begriffe
verwendet, welche in der Folge aufgezählt werden, um Verwechslungen
mit anderen Verwendungen oder Bedeutungen, die zu den selben Begriffen
assoziiert werden können, zu vermeiden:
Der Begriff „maschinelles
Sehen" bezieht sich auf die durch ein elektronisches Gerät
erhaltene Abbildung und deren Computerauslegung. Dieser Begriff,
auch bekannt als „Computervision" (aus dem Englischen Computer Vision),
ist ein Teilgebiet der künstlichen Intelligenz. Das Ziel
des maschinellen Sehens ist es, einen Computer so zu programmieren,
dass er eine Szene oder die Eigenschaften eines Bildes „verstehen"
kann.The present request uses some specific technical terms, which are listed below to avoid confusion with other uses or meanings that may be associated with the same terms:
The term "machine vision" refers to the image obtained by an electronic device and its computer design, also known as "computer vision." Vision), is a branch of artificial intelligence. The goal of machine vision is to program a computer to "understand" a scene or the properties of an image.
Der Begriff „Schlachtkörper" bezieht sich auf die primäre Tierfleischeinheit, die nach der Betäubung, Ausblutung, Enthäutung, Entdärmung, Enthauptung auf der Höhe des Atlanto-okzipitalgelenkes, Entfernung der äusseren Geschlechtsorgane und Entfernung der Gliedmassen auf der Höhe der Karpometakarpal- und Tarsometatarsalgelenke (Vorder- und Hinterfußwurzelgelenke) überbleibt.Of the Term "carcass" refers to the primary unit of animal meat after the anesthesia, bleeding, Skinning, decongesting, beheading at height of the atlanto-occipital joint, removal of the outer Sexual organs and limb removal at altitude the carpometacarpal and tarsometatarsal joints (anterior and posterior).
Der Begriff „Textur" des Fleisches bezieht sich auf die sensoriale Charakterisierung der Struktur des Lebensmittels und die Art, in der dieses auf Kraftanwendung (Scherkräfte) reagiert. Diese Eigenschaft zählt zu den Faktoren der Essqualität da sie direkt den geschmacklichen Eindruck beeinflusst, jedoch nur beobachtet werden kann nachdem das Fleisch einem Kochprozess unterzogen wird. Die Textur wird direkt durch die Eigenschaften der myofibrillären Bindegewebsstrukturen des Zytoskelettes bestimmt, welche sehr unterschiedlich sind und von Art, Rasse, Geschlecht und Alter abhängen, und sich direkt auf die biologischen und technologischen Variablen auswirken.Of the The term "texture" of the meat refers to the sensory Characterization of the structure of the food and the way in this reacts to force application (shear forces). These Property is one of the factors of eating quality because it directly affects the taste impression, but only can be observed after the meat has undergone a cooking process becomes. The texture is directly affected by the properties of myofibrillar connective tissue structures of the cytoskeleton, which are very different and depend on species, race, gender and age, and yourself directly affect the biological and technological variables.
Der Begriff "intramuskulärer prozentueller Fettgehalt", auch bekannt als Äderung oder Marmorierung, bezieht sich auf den sichtbaren Fettgehalt in einem Fleischteil. Der intramuskuläre Fettgehalt beeinflusst Geschmack, Zartheit und Saftigkeit des Fleisches und hängt vor allem von Geschlecht, Alter, und vor allem, Genotyp des Schlachtstückes ab. Die Qualität des Fettes im Fleisch hängt grundsätzlich von der Beschaffenheit der Nahrung ab, die das Tier während der Mast eingenommen hat.Of the Term "intramuscular percentage fat content", too known as veining or marbling, refers to the visible fat content in a meat part. The intramuscular Fat content affects the taste, delicacy and juiciness of the meat and depends mainly on gender, age, and most of all, Genotype of the slaughter off. The quality of the Fat in the meat basically depends on the Texture of the food that the animal during the Mast taken.
Die Begriffe „Farbraum", „Farbenmodul" oder „Farbsystem" bezeichnen ein Koordinatensystem und einen Bereich oder Unterraum innerhalb dieses Systems, in dem jede Farbe einem einzigen Punkt entspricht. Ein Farbraum ermöglicht es, jede Farbe genau anzugeben und zu veranschaulichen. Es gibt drei psychophysikalische Parameter der Farbenwahrnehmung: Helligkeit, Farbton und Sättigung. Die vorliegende Erfindung verwendet folgende Farbräume:
- – Der "RGB"-Farbraum basiert auf der Zusammensetzung von 3 Signalen unterschiedlicher kromatischer Farbluminanz: Rot (R), Grün (G) und Blau (B). Die graphische Darstellung entspricht einem Würfel. Die Grautöne werden als eine durch den Urpunkt (0, 0, 0) und den Punkt (255, 255, 255) durchgehende Gerade dargestellt; für alle Punkte auf dieser Geraden gilt, dass alle drei Farbkoordinaten wertgleich sind. Dieser Farbraum wird für elektronische Geräte wie Digitalkameras und Computerbildschirme verwendet.
- – Der "XYZ"-Farbraum verwendet eine Helligkeitskoordinate (Y-Achse) und zwei Farb- oder Chromatizitätskoordinaten, die der X- und Z-Achse entsprechen. Die X-, Y- und Z-Koordinaten erfassen Zahlenwerte von 0 bis 100. Die Werte jeder Koordinate erhält man durch eine Integralrechnung oder Summenformel, welche die Lichtquelle, die Reflektanz des beleuchteten Körpers und die Sensibilitätskurven eines menschlichen Normalbeobachters berücksichtigt. Die quantitative Farbmessung verwendet dreierlei Anteile zur Berechnung der Farben: die Energie der Lichtquelle (400 bis 700 nm), die Reflektanz des Objektes und die Sensibilitätskurven des Auges.
- – Der „Lab"-Farbraum stellt die Farben mittels der Hunter-Lab-Skala dar, da diese einer der in der Lebensmittelbranche am einfachsten zu deutenden Farbsysteme entspricht. Sie definiert die Leitwerte L, a und b, wobei der „L"-Wert die Helligkeit in einer Werteskala von 0 (Weiß) bis 100 (Schwarz) anzeigt, der „a"-Wert den Farbtönen von Rot (+127) bis Grün (–128) und der „b"-Wert den Farbtönen von Gelb (+127) bis Blau (–128) entspricht.
- The "RGB" color space is based on the composition of 3 signals of different chromatic color luminance: red (R), green (G) and blue (B). The graphic representation corresponds to a cube. The gray tones are represented as a straight line passing through the origin (0, 0, 0) and the point (255, 255, 255); for all points on this line, all three color coordinates are equal in value. This color space is used for electronic devices such as digital cameras and computer screens.
- The "XYZ" color space uses a brightness coordinate (Y-axis) and two color or chromaticity coordinates corresponding to the X and Z axes. The X, Y, and Z coordinates capture numerical values from 0 to 100. The values of each coordinate are obtained by an integral or summation formula that takes into account the light source, the reflectance of the illuminated body, and the sensitivity curves of a human normal observer. The quantitative color measurement uses three parts to calculate the colors: the energy of the light source (400 to 700 nm), the reflectance of the object and the sensitivity curves of the eye.
- - The "Lab" color space represents the colors using the Hunter-Lab scale, which is one of the easiest color systems in the food industry to define the L, a, and b guide values, with the "L" value indicates the brightness in a scale of 0 (white) to 100 (black), the "a" value of the shades of red (+127) to green (-128) and the "b" value of the hues of yellow (+ 127) to blue (-128).
Die
Lab-koordinaten errechnet man aus den Werten der XYZ-Koordinaten
sowie den X0, Y0,
Z0 Werten, welche der Zielvorlage des Systems
entsprechen. Die benötigten mathematischen Formeln können
folgendermassen aussehen:
Der Begriff „Grauwertematrix" beschreibt die Häufigkeit mit der, basiert auf statistischer Analyse zweiten Ranges und innerhalb einer bestimmten Fläche, ein Grauton in einem gewissem Raumverhältnis mit einem anderen Grauton vorgefunden werden kann; der Graustich eines Bildes entspricht dem Durchschnitt der RGB-Koordinaten des Bildes, das heisst, Graustich = (R + G + B)/3; dies entspricht einem Überblick auf die Art in der die Grauwerte der Bildpunkte innerhalb einer bestimmten Bildfläche aufeinanderfolgen. Es entspricht ebenfalls dem zweidimensionalen Histogramm der Grautonwerte für je zwei Bildpunkte (Referenzpixel und dessen Nachbarpixel).The term "grayscale matrix" describes the frequency with which, based on statistical analysis of second rank and within a certain area, a gray tone can be found in a certain spatial relationship with another gray tone, the grayscale of an image corresponds to the average of the RGB coordinates of the image that is, gray tint = (R + G + B) / 3, this corresponds to a survey of the way in which the gray values of the pixels within a certain image area follow one another also the two-dimensional histogram of the gray tone values for every two pixels (reference pixels and their neighboring pixels).
Die Position eines Bildpunktes kann jeglicher Richtung in Bezug auf einen benachbarten Referenzbildpunktes X entsprechen (Norden "N", Süden "S", Osten "O", Westen "W", beziehungsweise der Diagonalrichtungen "NO", "NW", "SW" oder "SO"), wobei nur vier Richtungen ausreichen, um den gewünschten Raum zu beschreiben. Im Bezug auf eine "räumlich gleichförmige" Beziehung wählt man die folgenden Richtungen: N, NO, O und SO, und errechnet den Mittelwert. Von hier an werden die Richtungen "O", "NO", "N" und "NW" jeweils als Wechselwirkung auf 0°, 45°, 90° bzw. 135° ausgedrückt werden.The Position of a pixel may be in any direction with respect to a neighboring reference pixel X (North "N", South "S", east "O", west "W", respectively the diagonal directions "NO", "NW", "SW" or "SO"), with only four directions being sufficient to describe the desired room. In terms of one chooses "spatially uniform" relationship Take the following directions: N, NO, O, and SO, and calculate the Average. From here, the directions "O", "NO", "N" and "NW" in each case as an interaction at 0 °, 45 °, 90 ° or 135 °.
Aus
der Grauwertematrix lassen sich die folgenden Kenngrössen
errechnen: 
Der Begriff "Bildsegmentierung" bezieht sich auf das Verfahren, mit Hilfe dessen aus einem Bild das "Zielobjekt" vom "Bildhintergrund" getrennt werden kann, wobei es nicht unbedingt die Art des Objektes erkennen muss. Wenn es sich, zum Beispiel, beim Zielobjekt um einen Buchstaben, wie zum Beispiel den Buchstaben "A", handelt, dann wird die Bildsegmentierung nur den Bereich innerhalb des Bildes bestimmen, in dem dieser Buchstabe zu finden ist.Of the The term "image segmentation" refers to the process with Help of a picture of the "target object" from the "image background" It is not necessarily the nature of the object must recognize. If, for example, the target object is one Letters, such as the letter "A", then becomes the image segmentation will only determine the area within the image in which this letter can be found.
Unter
"Clusteranalyse" versteht man ein bestimmtes Verfahren im Rahmen
der Bildsegmentierung, in dem Klassengruppen als Anhäufungen
oder Clusters definiert werden, die als Referenz für jeden
Bildpunkt dienen. Die Clusteranalyse wird volgendermassen durchgeführt:
Einige
Punkte, oder Pixels, des Bildes werden als Referenzpunkte ausgewählt
(der jeweilige Mindest- und Höchstwert unter den Grautonwerten),
Jeder
weitere Bildpunkt, oder Pixel, wird gemäß seiner
Nähe bezüglich dieser Referenzpunkte einer Klasse zugeteilt."Cluster analysis" is understood to mean a particular image segmentation process in which class groups are defined as clusters or clusters that serve as a reference for each pixel. The cluster analysis is carried out as follows:
Some points, or pixels, of the image are selected as reference points (the respective minimum and maximum values among the gray levels),
Each additional pixel, or pixel, is allocated to a class according to its proximity to these reference points.
Auf diese Art werden die Bildpunkte in zwei Kategorien aufgeteilt, innerhalb derer alle Punkte eine Ähnlichkeit in Bezug auf ihren Grauwert aufweisen. Im Rahmen der vorliegenden Anwendung entsprechen diese Kategorien jeweils den Pixels, die das Fleisch ausmachen, bzw. den Pixels, die nicht Fleisch abbilden (und demnach zum Bildhintergrund gehören).On this way, the pixels are divided into two categories, within All of these points are similar in their gray value exhibit. In the context of the present application, these correspond Categories each of the pixels that make up the meat, or the Pixels that do not depict flesh (and therefore the image background belong).
Der Begriff "Schwellwertbestimmung" bezieht sich auf ein Verfahren im Bereich der Bildsegmentierung. Die Schwellwertbestimmung ist das Verfahren welches einen Schwellwert "T" so festlegt, dass jeder Bildpunkt f(x, y) je nachdem, ob er eine Bedingung in Bezug auf den Schwellwert erfüllt, zum Beispiel f(x, y) > T, der Objekt- oder der Hintergrundklasse zugeteilt wird. Man kann, zum Beispiel, das „Verfahren von Otsu" zur Schwellwertberechnung verwenden. Es handelt sich um ein Rückkopplungsverfahren zur Berechnung des optimalen Schwellwertes für ein normiertes bimodales Bildpunkthistogramm. Das Verfahren geht von einem Histogramm mit zwei übereinanderliegenden Normalverteilungen (auch Gaussverteilungen) aus, und sucht den Schwellwert T für den die gewichtete Summe jeder Varianz der vorliegenden Objekte ein Minimum erreicht.The term "threshold determination" refers to a method in the field of image segmentation tion. The threshold determination is the method which sets a threshold "T" such that each pixel f (x, y), depending on whether it satisfies a condition with respect to the threshold, for example, f (x, y)> T, the object - or the background class is assigned. For example, one can use the "Otsu method" for thresholding, which is a feedback method for calculating the optimal threshold for a normalized bimodal pixel histogram, starting from a histogram with two superimposed normal distributions (also Gaussian distributions), and seeks the threshold T for which the weighted sum of each variance of the present objects reaches a minimum.
Beschreibung des GerätesDescription of the device
Ziel der vorliegenden Erfindung ist die Herstellung eines tragbaren Gerätes zur Ermittlung der Fleischqualität mit mindestmöglicher Fehlerquote, womit die durch Menschen durchgeführte visuelle Auswertung durch maschinelles Sehen ersetzt wird. Als Vorraussetzung wurde ein neues Verfahren zur Messung von Eigenschaften wie Fettgehalt, Textur und Farbe des Fleisches entwickelt, welches auf einer Methode basiert, die diese Eigenschaften mit den Werten, von den mit Hilfe eines tragbaren Gerätes aufgenommenen Bildern in Beziehung bringt.aim The present invention is the manufacture of a portable device to determine the quality of meat with the least possible Error rate, which is the human visual Evaluation is replaced by machine vision. As a prerequisite was a new method for measuring properties such as fat content, Texture and color of meat evolved on a method based these values with the help of those properties of images recorded on a portable device brings.
Das
vorliegende Gerät (
Unter den relevanten Aspekten die bei der Qualitätswertmessung des Fleisches berücksichtigt werden müssen um die Qualitätsparameter korrekt bestimmen zu können, zählen unter anderem die Herkunft des Fleisches (Schaf, Rind, etc.) und die Art des Fleisches.Under the relevant aspects of quality measurement meat must be taken into account be able to determine the quality parameters correctly, include, among other things, the origin of the meat (sheep, Beef, etc.) and the type of meat.
Die vorliegende Erfindung besteht aus einer Vorrichtung, die dazu befähigt, mittels eines Bildauswertungsverfahren eine objektive Messung der Fleischqualitätsrichtwerte duchzuführen, womit die direkte Handhabung des Fleisches während der Qualitätsermittlung unnötig gemacht wird.The present invention consists of a device which enables by means of an image evaluation method, an objective measurement of Meat quality standards duch lead, which the direct handling of the meat during the quality assessment is made unnecessary.
Das Instrument der vorliegenden Erfindung besteht aus einem tragbaren Gerät, mit dem, nachdem es an die zu bewertenden Fleischproben angenähert wird, die Bildaufnahmen gemacht werden. Anschliessend können die Qualitätsparameter des Fleisches mittels eines Bildverwertungsverfahrens gemessen und in den dem Benutzer verständlichen Messeinheiten ausgedrückt werden, um schliesslich die erhaltenen Ergebnisse auf dem Bildschirm anzuzeigen.The Instrument of the present invention consists of a portable Device, with which, after it to the meat samples to be evaluated is approximated, the images are taken. Then you can the quality parameters of the meat by means of an image utilization method measured and in the measuring units understandable to the user Finally, the results obtained are reported to display the screen.
Die Bildverwertung wird mittels eines speziell für diese Anwendung entworfenen Bildverarbeitungsverfahrens durch einen Computer ausgeführt, und beginnt mit der Aufnahme des Bildes, gefolgt von der Auswertung desselben und der Anzeige der Messwerte in dem Benutzer verständlichen Masseinheiten.The Image exploitation is made by means of a special for this application designed image processing method by a computer, and starts taking the picture, followed by the evaluation same and the display of the readings in the user understandable Units.
Die Bildverarbeitung bedient sich eines Verfahrens zur Messung der folgenden drei Parameter der Fleischqualität: Textur, Farbe und prozentueller intramuskulärer Fettgehalt. Die erhaltenen Werte werden in einer dem Benutzer verständlichen Weise dargestellt (in der Lebensmittelwissenschaft üblichen Masseinheiten).The Image processing uses a method of measuring the following three parameters of meat quality: texture, color and percentage intramuscular fat content. The values obtained become presented in a manner understandable to the user (Mass units common in food science).
Das Verfahren zur Ermittlung dieser Qualitätskennwerte des Fleisches beginnt mit der Annäherung des Gerätes an eine zu bewertende Fleischprobe. Das Gerät enthält in seinem Inneren ein Beleuchtungssystem, das die gleichförmige Ausbreitung des Lichtes im Inneren des Gerätes ermöglicht, und ein Bildaufnahmegerät, mit dem ein Bild der Probe aufgenommen wird.The Method for determining these quality characteristics of the Meat begins with the approach of the device to a meat sample to be evaluated. The device contains in its interior a lighting system that is the uniform Propagation of light inside the device allows and an image capture device that captures an image of the sample becomes.
Das Verfahren zur Ermittlung der Fleischqualitätsparameter anhand einer Bildaufnahme wird halbautomatisch durchgeführt und durch ein Computerprogramm kontrolliert, welches von der Bedienungsperson durch Betätigung des Auslösers des Aufnahmegerätes eingeleitet wird.The Method for determining meat quality parameters Based on an image acquisition is carried out semi-automatically and controlled by a computer program executed by the operator Actuation of the trigger of the recording device is initiated.
Dieses Programm überwacht die Anordnungen des Bildaufnahmegerätes, und verarbeitet dann das erworbene Bild, um die Ergebnisse schließlich auf dem Bildschirm anzuzeigen.This Program monitors the arrangements of the image capture device, and then process the acquired image to finally get the results on the screen.
Sobald das Computerprogramm eingeleitet wird, führt es eine Statusüberprüfung des Gerätes durch, welches das Einschalten des Beleuchtungssystemes und eine Überprüfung der Kamera einschliest.As soon as When the computer program is initiated, it performs a status check of the device, which is the switching on of the lighting system and includes a review of the camera.
Die Überprüfung des Aufnahmegerätes umfasst die Überprüfung des Status der Energiezufuhr, des Arbeitsspeichers, und der Verbindung mit dem Komputer. Im Falle eines Parameterfehlers zeigt das Programm eine Fehlermeldung an. Ansonsten geht das Programm zur automatischen Einstellung in Vorbereitung des Bildaufnahmeprozesses über. Die Einstellungen bestimmen, das Bildformat, die Speichadresse des Bildes, Belichtungszeit, Fokuseinstellung, Blendenöffnung, Weißabgleich, usw. Sobald die Einstellung beendet ist, wird das Bild aufgenommen und an der ausgewählten Adresse gespeichert. Anschliessend führt das Programm eine neuerliche Überprüfung des Aufnahmegerätes durch. In der vorliegenden Erfindung wird das maschinelle Sehen für die Ermittlung der Qualitätsleitwerte des Fleisches benutzt.The verification of the recording device includes the review the status of the power supply, the main memory, and the connection with the computer. In the case of a parameter error, the program shows a Error message. Otherwise, the program goes to automatic Setting in preparation for the image acquisition process via. The settings determine the image format, the memory address of the Image, exposure time, focus adjustment, aperture, White balance, etc. Once the adjustment is completed, will the picture is taken and stored at the selected address. The program then carries out a new review of the recording device. In the present invention becomes machine vision for the determination of quality control values of the meat used.
Für die Bildverarbeitung wird ein Verfahren der Künstlichen Neuronalen Netze (KNN) verwendet. Die mittels Backpropagation eingelernten künstlichen neuronalen Netze zeichnen sich durch ihre Lernfähigkeit aus, und diese Eigenschaft erlaubt es ihnen, die aus den Bildpunkten entnommenen Werte in andere (konventionellen Methoden entsprechende) Wertsysteme umwandeln zu können, wie zum Beispiel die von einem Warner-Bratzler-Kolorimeter erhaltenen Messwerte. Die künstlichen neuronalen Netze lernen durch Assoziation von Eingangs- und Ausgangswert. In der vorliegenden Erfindung entspricht der Eingangswert einem Wert, der von ausgewählten Daten eines Fleischprobenbildes abgeleitet wird, und der Ausgangswert bezieht sich auf das Messergebnis für den jeweiligen Parameter, das durch eine physikalische oder chemische Analyse aus der selben Fleischprobe ermittelt wird.For Image processing becomes a process of the artificial Neural Networks (KNN). The trained by backpropagation artificial neural networks are characterized by their ability to learn, and this property allows them to get out of the pixels taken values into other (corresponding to conventional methods) To convert value systems, such as those of measured values obtained from a Warner Bratzler colorimeter. The artificial ones neural networks learn by association of input and output values. In the present invention, the input value corresponds to one Value obtained from selected data of a meat sample image is derived, and the initial value refers to the measurement result for the respective parameter, by a physical or chemical analysis from the same meat sample.
Die Ausgangswerte für jede der folgenden Eigenschaften: intramuskulärer Fettgehalt, Textur und Farbe, werden anhand der folgenden physikalischen Techniken bestimmt:The Baseline values for each of the following properties: intramuscular Fat content, texture and color are determined by the following physical Techniques determines:
ERMITTLUNG DES INTRAMUSKULÄREN FETTGEHALTESDETERMINATION OF THE INTRAMUSCULAR FAT CONTENT
Eine Messmethode des intramuskulären Fettgehaltes besteht darin, auf der feuchten Fleischprobe eine Messleiste anzulegen, auf die eine gewürfelte Unterteilung der Oberfläche aufgetragen ist. Der Beobachter zählt dann die somit abgegrenzten Flächenstücke die Fleisch bzw. Fett entsprechen. Anschliessend werden die als Fett erkannten Flächenstücke als Prozentsatz der Fleischprobe angegeben.A Measuring method of intramuscular fat content is on the wet meat sample to create a measuring bar, on the applied a cubed subdivision of the surface is. The observer then counts the thus delimited patches which correspond to meat or fat. Subsequently, the as Fat recognized patches as a percentage of Meat sample indicated.
ERMITTLUNG DER TEXTURDETERMINATION OF THE TEXTURE
Die Ermittlung der Textur des Fleisches basiert auf dem Warner-Bratzler-Verfahren.The Determining the texture of the meat based on the Warner-Bratzler method.
Von jedem zu analysierenden Fleischteil entnimmt man mehrere, als „Core" bezeichnete Zylinder von 1,27 cm Durchmesser und 2,5 cm Höhe, wobei jeder Zylinder parallell zu den Muskelfasern orientiert sein sollte. Die Temperatur wird auf 1–3°C stabilisiert, anschliessend werden die Proben auf Raumtemperatur gebracht. Nach 5 Minuten wird jeder Zylinder (Core) einer Scherkraft mittels einer Warner-Bratzler-Sonde unterzogen, wobei ein einziger, auf die Muskelfasern senkrecht geführter Schnitt, mit einer Geschwindigkeit von 200 mm/min, einer Traversengeschwindigkeit von 80 mm/min und einem Druck von 0,01 kp[Wu81] angewandt wird.From each meat part to be analyzed, one takes out several cylinders of 1.27 cm in diameter and 2.5 cm in height, each cylinder being oriented parallel to the muscle fibers, the temperature being stabilized at 1-3 ° C. After 5 minutes, each cylinder (core) is sheared using a Warner-Bratzler probe, with a single cut perpendicular to the muscle fibers, at a speed of 200 mm / min, of a crosshead speed of 80 mm / min and a pressure of 0.01 kp [Wu81] is applied.
Verwendet wird ein Textur-Prüfgerät (DO-FB05TS Modell 2003, Zwick, Ulm, Deutschland) mit Maximalprüfkraft von 500 N. Die Textur wird als Höchstprüfkraft in kp gemessen, und als Ergebnis wird der Durchschnittswert von 6 Messungen verwendet.used becomes a texture tester (DO-FB05TS model 2003, Zwick, Ulm, Germany) with a maximum test force of 500 N. The texture is measured as the maximum test force in kp, and as a result, the average value of 6 measurements is used.
ERMITTLUNG DER FARBEDETERMINATION OF THE COLOR
Die Ermittlung der Fleischfarbe erfolgt durch die Messung des Reflexionskoeffizienten der Fleischprobe. Diese Messung wird mit einem MiniScan XE Plus Modell N° 45/0–1 von Hunterlab durchgeführt, welcher das CIE-Lab-Farbmodell benützt und die Ergebnisse als L-, a- und b-Werte ausdrückt. Für jede Probe werden 6 Messungen der Probenoberfläche durchgeführt. Das Programm des Gerätes wird auf ein Winkel von 10° (Beobachtungswinkel) bei Normlichtart D65 (entspricht etwa dem Tageslicht), und eine absolute Anzeigeskala für die L-, a- und b-Koordinaten benützt, laut der die Farbe in einem dreidimensionalen, sphärischen Raum definiert wird. Der Durchschnitt von 6 Messungen stellt den Wert einer jeden Variablen dar.The The meat color is determined by measuring the reflection coefficient the meat sample. This measurement is done with a MiniScan XE Plus Model N ° 45 / 0-1 carried out by Hunterlab, which uses the CIE Lab color model and the results as L, a and b values. For every sample 6 measurements of the sample surface are carried out. The program of the device is adjusted to an angle of 10 ° (viewing angle) with standard illuminant D65 (corresponds approximately to the daylight), and a absolute display scale for the L, a and b coordinates using the color in a three-dimensional, spherical space is defined. The average of 6 Measurements represents the value of each variable.
In der vorliegenden Erfindung wird eine Methode der Bildverwertung der Fleischproben in folgenden Ablaufschritten beschrieben: Farbanalyse, Texturanalyse und Fettgehaltsbestimmung des Fleisches, und anschließende Anzeige der Messergebnisse in einem für den Benutzer verständlichen Format.In The present invention provides a method of image utilization the meat samples are described in the following steps: color analysis, Texture analysis and fat content determination of the meat, and subsequent Display of the measurement results in a way that is understandable to the user Format.
AUSWERTUNG DER TEXTUR DES FLEISCHESEVALUATION OF THE TEXTURE OF MEAT
Die Texturanalyse wird mittels einer Subroutine durchgeführt, die zunächst das an einer bestimmten Adresse der Computerfestplatte gespeicherte Bild aufruft. Dieses Bild wird mittels einer Clustering- oder Segmentierungsfunktion solchermassen unterteilt, dass aus dem zu bewertenden Bild nur die Bereiche, die Fleisch abbilden, angenommen, und die restlichen Elemente, wie Bildhintergrund, abgewiesen werden. Sodann wird das Bild in mehrere kleinere Teilbilder aufgeteilt, wie zum Beispiel in 128×128 Pixels. Jedes dieser Teilbilder wird untersucht, um festzustellen, ob es nur abgebildetem Fleisch entspricht oder zum Teil Hintergrund darstellt. Da der Hintergrund schwarz ist, werden die Teilbilder, die schwarze Bildpunkte enthalten, verkannt. Die anerkannten Teilbilder werden einer Waveletanalyse unterworfen, wodurch man einen Vektor von 8 Koeffizienten erhält (1-, 2-, 3-, 4-, 5-, 6-, 7-, 8-). Aus den erhaltenen Werten werden, mittels der durch die eingelernten neuralen Netze aufgestellte Wechselbeziehung, die Texturwerte in Scherkraftwerte umgewandelt. In einer letzten Etappe wird der Durchschnittswert der Ergebnisse jedes Teilbildes, den wir FTotal nennen, ermittlet, und welcher als Wert für die Fleischtexturmessung angegeben wird.The texture analysis is performed by means of a subroutine which first calls the image stored at a particular address of the computer hard disk. This image is subdivided by means of a clustering or segmentation function in such a way that only the areas representing meat are accepted from the image to be evaluated, and the remaining elements, such as image background, are rejected. The image is then split into several smaller sub-images, such as 128x128 pixels. Each of these sub-images is examined to see if it corresponds only to figured meat or partly background. Since the background is black, the fields that contain black pixels are misjudged. The recognized fields are subjected to wavelet analysis, yielding a vector of 8 coefficients (1-, 2-, 3-, 4-, 5-, 6-, 7-, 8-). From the obtained values, the texture values are converted into shear force values by means of the correlation established by the learned neural networks. In a final stage, the average value of the results of each field, called F Total , is determined and which is given as the value of the meat texture measurement.
Eine weitere Alternative von Eingabewerten für das eingelernte künstliche neuronale Netz sind die Grauwerte des Bildes, aus denen sich die Durchschnittswerte der Entropie, Energie, lokalen Gleichförmigkeit (Homogeneität) und Trägheit ermitteln lassen, und aus welchen Werten man wiederum die Fleischtextur erhält.A further alternative of input values for the taught-in artificial neural networks are the gray levels of the image, which make up the average values of entropy, energy, local Uniformity (homogeneity) and inertia and from which values, in turn, the texture of the meat receives.
AUSWERTUNG DES PROZENTUELLEN INTRAMUSKULÄREN FETTGEHALTESEVALUATION OF THE PERCENTUAL INTRAMUSCULAR FAT CONTENT
Eine ebenfalls wichtige Kenngrösse der Fleischqualitätsmessung ist der prozentuelle intramuskuläre Fettgehalt des Fleischteiles.A also important parameters of meat quality measurement is the percentage intramuscular fat content of the meat part.
Das Verfahren der Fettgehaltsmessung beginnt mit dem Aufrufen des im Arbeitsspeicher des Computers abgespeicherten Bildes. Das Programm markiert dann die Interessensbereiche durch einfache Operationen, wie z. B. das Bild mit sich selbst zu multiplizieren, unerwünschten Glanz herausfiltern, Intensität angleichen, usw., wodurch ein grösserer Kontrast des Bildes bezüglich des Hintergrundes erreicht wird und die Bildsegmentierung eingeleitet wird, um den Hintergrund vom für die Ausarbeitung interessanten Bereich abzutrennen.The Procedure of fat content measurement begins with calling the im Memory of the computer stored image. The program then marks the areas of interest through simple operations, such as B. to multiply the picture with itself, unwanted Filter out gloss, adjust intensity, etc., causing a greater contrast of the image with respect to the Background is achieved and initiated the image segmentation will be interesting to the background for the background Separate area.
Die RGB-Koordinaten des Bildes werden in CMY-Koordinaten umgewandelt, die eine bessere Bildschärfe abgeben, wonach das Farbbild in ein Grautonbild umgewandelt wird. Anschliessend wird eine Schwellwertbestimmung mit Anpassungsverfahren (Otsu-Verfahren) angewandt, um den geeigneten Schwellwert für das Bildpunkthistogramm zu finden, der die korrekte Erkennung der Grautöne als Schwarz bzw. Wein ermöglicht.The RGB coordinates of the image are converted to CMY coordinates, which give a better image sharpness, after which the color image is converted into a gray-tone image. Subsequently, a threshold determination with adaptation method (Otsu method) applied to the appropriate Threshold for the pixel histogram to find the the correct recognition of the gray tones as black or wine allows.
Sodann werden die weißen und die schwarzen Bildpunkte gezählt, womit man den jeweils dem Fett oder Fleischgewebe entsprechenden Flächenanteil erhält. Aus den Flächenwerten für Fett und Fleisch wird der prozentuelle intramuskuläre Fettgehalt des Fleischteiles errechnet, und das Ergebnis auf einem Bildschirm angezeigt.thereupon the white and black pixels are counted, which corresponds to the respective fat or meat tissue Area fraction receives. From the area values for fat and meat, the percentage is intramuscular Fat content of the meat part calculated, and the result on one Screen.
AUSWERTUNG DER FARBE DER FLEISCHPROBEEVALUATION OF THE COLOR OF MEAT SAMPLE
Das Messverfahren für die Farbe beginnt mit dem Aufrufen des Bildes aus dem Computerarbeitsspeicher. Dieses Bild wird dann in seine Pixel aufgeteilt und der auszuwertende Teil des Bildes durch eine Clusteringfunktion segmentiert, wobei nur die Fleisch darstellenden Bereiche berücksichtigt werden. Von der Funktion erhält man die RGB-Koordinaten, die für die Fleischprobe repräsentativ sind. Anschliessend führt das künstliche neuronale Netz eine Verwandlung der RGB-Koordinaten der farbigen Bildpunkte (Fleischbereiche) in XYZ-Koordinaten und die Differenzierung der Farbbereiche mit Hilfe der Datenkorrelation durch, um die erstgenannten Koordinaten in XYZ-Koordinanten und sodann in CIE-Lab-Koordinaten umzuwandeln. Schliesslich werden die CIE-Lab-Koordinaten angezeigt und eingetragen, womit man die Durchschnittsfarbe des bewerteten Fleischteils erhält, und das Programm wird wieder zu seinem Anfangsstand zurückgekehrt.The Measurement method for the color starts by calling the Image from the computer memory. This picture is then in split its pixels and the part of the image to be evaluated segmented a clustering function, with only the meat representing Areas are considered. From the function receives the RGB coordinates are representative of the meat sample are. Subsequently, the artificial neural leads Net a transformation of the RGB coordinates of the colored pixels (Meat areas) in XYZ coordinates and the differentiation of Color ranges using the data correlation by the former Coordinates in XYZ coordinates and then in CIE Lab coordinates convert. Finally, the CIE Lab coordinates are displayed and registered, whereby one the average color of the evaluated Meat part gets, and the program is back to his Initial state returned.
ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDE IN THE DESCRIPTION
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.This list The documents listed by the applicant have been automated generated and is solely for better information recorded by the reader. The list is not part of the German Patent or utility model application. The DPMA takes over no liability for any errors or omissions.
Zitierte PatentliteraturCited patent literature
- - US 6751364 [0002] - US 6751364 [0002]
Claims (22)
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CL200800062A CL2008000062A1 (en) | 2008-01-10 | 2008-01-10 | PORTABLE SYSTEM THROUGH WHICH YOU CAN DETERMINE THE QUALITY OF A FLUSH OF MEAT WITHOUT NEED TO MANIPULATE IT, THAT ALLOWS THE CAPTURE OF IMAGES FOR THEIR PROCESSING; AND ASSOCIATED METHOD. |
| CL0062-2008 | 2008-01-10 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| DE102008044764A1 true DE102008044764A1 (en) | 2009-07-30 |
Family
ID=40261124
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| DE102008044764A Withdrawn DE102008044764A1 (en) | 2008-01-10 | 2008-08-28 | Method and portable system for quality evaluation of meat |
Country Status (5)
| Country | Link |
|---|---|
| AR (1) | AR066601A1 (en) |
| BR (1) | BRPI0804880A2 (en) |
| CL (1) | CL2008000062A1 (en) |
| DE (1) | DE102008044764A1 (en) |
| WO (1) | WO2009087258A1 (en) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011079893A3 (en) * | 2009-12-23 | 2011-10-06 | CFS Bühl GmbH | Method for classifying the quality of food slices of a stick of food |
| WO2016110749A3 (en) * | 2015-01-09 | 2017-06-22 | Umm Al-Qura University | Automatic monitoring system for assessing quality of food in a refrigerator |
| US11497221B2 (en) | 2019-07-19 | 2022-11-15 | Walmart Apollo, Llc | Systems and methods for managing meat cut quality |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CL2009002085A1 (en) * | 2009-11-16 | 2011-03-11 | Univ Pontificia Catolica Chile | Method and system to automatically analyze in real time the quality of samples of fish meats that circulate on a conveyor belt, which allow surface defects to be detected and classify meats according to quality standards, based on the segmentation of the captured images. |
| CN109612950B (en) * | 2018-12-29 | 2021-04-30 | 中国肉类食品综合研究中心 | Frozen livestock meat storage period prediction device and method |
| US11803958B1 (en) | 2021-10-21 | 2023-10-31 | Triumph Foods Llc | Systems and methods for determining muscle fascicle fracturing |
| CN116359142B (en) * | 2023-03-27 | 2024-03-22 | 山东千禧农牧发展有限公司 | Evaluation method for chicken quality |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6751364B2 (en) | 2001-10-15 | 2004-06-15 | Tyson Fresh Meats, Inc. | Image analysis systems for grading of meat, predicting quality of meat and/or predicting meat yield of an animal carcass |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DK163382C (en) * | 1990-02-28 | 1992-08-03 | Slagteriernes Forskningsinst | PROCEDURE FOR DETERMINING THE QUALITY CHARACTERISTICS OF INDIVIDUAL GROUPS |
| US5339815A (en) * | 1992-12-22 | 1994-08-23 | Cornell Research Foundation, Inc. | Methods and apparatus for analyzing an ultrasonic image of an animal or carcass |
| WO2003034059A1 (en) * | 2001-10-18 | 2003-04-24 | Machinery Developments Limited | Apparatus and process for analyzing cuts of meat |
-
2008
- 2008-01-10 CL CL200800062A patent/CL2008000062A1/en unknown
- 2008-05-16 AR ARP080102082A patent/AR066601A1/en not_active Application Discontinuation
- 2008-07-31 BR BRPI0804880-0A patent/BRPI0804880A2/en not_active Application Discontinuation
- 2008-08-28 DE DE102008044764A patent/DE102008044764A1/en not_active Withdrawn
-
2009
- 2009-01-09 WO PCT/ES2009/000009 patent/WO2009087258A1/en active Application Filing
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6751364B2 (en) | 2001-10-15 | 2004-06-15 | Tyson Fresh Meats, Inc. | Image analysis systems for grading of meat, predicting quality of meat and/or predicting meat yield of an animal carcass |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011079893A3 (en) * | 2009-12-23 | 2011-10-06 | CFS Bühl GmbH | Method for classifying the quality of food slices of a stick of food |
| EP2664425A3 (en) * | 2009-12-23 | 2014-10-22 | CFS Bühl GmbH | Method for classifying the quality of food slices of a stick of food |
| WO2016110749A3 (en) * | 2015-01-09 | 2017-06-22 | Umm Al-Qura University | Automatic monitoring system for assessing quality of food in a refrigerator |
| US11497221B2 (en) | 2019-07-19 | 2022-11-15 | Walmart Apollo, Llc | Systems and methods for managing meat cut quality |
| US11864562B2 (en) | 2019-07-19 | 2024-01-09 | Walmart Apollo, Llc | Systems and methods for managing meat cut quality |
Also Published As
| Publication number | Publication date |
|---|---|
| BRPI0804880A2 (en) | 2009-09-08 |
| CL2008000062A1 (en) | 2008-03-24 |
| WO2009087258A1 (en) | 2009-07-16 |
| AR066601A1 (en) | 2009-09-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| DE102008044764A1 (en) | Method and portable system for quality evaluation of meat | |
| DE69910182T2 (en) | MEAT COLOR IMAGE GENERATION SYSTEM TO PRESENT TASTE AND YIELD | |
| US8260005B2 (en) | Portable tool for determining meat quality | |
| US8649580B2 (en) | Image processing method, image processing apparatus, and computer-readable recording medium storing image processing program | |
| DE112015000917T5 (en) | Image processing apparatus, image processing method and image processing program | |
| DE112015000972T5 (en) | Image processing apparatus, image processing method and image processing program | |
| DE112012004493T5 (en) | Control method for color lighting to improve image quality in an imaging system | |
| DE60313662T2 (en) | HISTOLOGICAL EVALUATION OF NUCLEAR PREPARATION | |
| CN113749642B (en) | Method, system, medium and terminal for quantifying degree of skin flushing response | |
| DE202013002484U1 (en) | Apparatus for volumetric measurement of an ante-mortem object | |
| CN109242792B (en) | White balance correction method based on white object | |
| EP3903077B1 (en) | Method and device for detecting and matching effect colour formulations by matching the visual perception with textural properties | |
| CN101605273A (en) | A kind of method of evaluating colour saturation quality and subsystem | |
| CN110044485B (en) | Image type fabric color measuring method | |
| DE69912579T2 (en) | DEVICE AND METHOD FOR RECORDING AN OBJECT IMAGE | |
| DE102011081541A1 (en) | PICTURE PROCESSING DEVICE, PICTURE PROCESSING METHOD AND PROGRAM MEMORY CARRIER | |
| DE102011002464A1 (en) | Fast color verification system using a digital imaging and curve comparison algorithm | |
| JP7171549B2 (en) | Image analysis evaluation method, computer program, image analysis evaluation device | |
| DE102017219244B4 (en) | INSPECTION CONDITIONING DEVICE, INSPECTION CONDITIONING PROCEDURE AND INSPECTION CONDITIONING PROGRAM | |
| Guang-rong | Rice color inspection based on image processing technique | |
| Lévêque et al. | CUID: A new study of perceived image quality and its subjective assessment | |
| DE19838806A1 (en) | Method and device for detecting object colors | |
| EP3958036A1 (en) | Method and device for creating an overview contrast image of a sample holder in a microscope | |
| RU2691768C2 (en) | Method of determining colour group of flax fibre | |
| EP4046594A1 (en) | Method for determining a tooth colour |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| OP8 | Request for examination as to paragraph 44 patent law | ||
| R016 | Response to examination communication | ||
| R016 | Response to examination communication | ||
| R119 | Application deemed withdrawn, or ip right lapsed, due to non-payment of renewal fee |