基于手机图像的不同贮藏时间下冷却羊肉的部位判别
发布时间：2021-12-10 22:26
为了实现手机对冷却羊肉不同贮藏时间下不同部位的快速判别,本研究利用手机采集不同贮藏时间（0～12 d）下羊背脊肉、羊前腿肉和羊后腿肉样品的图像,提取不同颜色空间下的颜色均值和RGB颜色空间下的颜色矩等颜色特征并进行差异显著性分析,获得不同部位之间具有显著性差异的7个颜色特征。根据不同部位之间颜色特征的差异性以及不同的颜色空间,选定4种颜色特征组合作为模型输入,分别利用极限学习机（extreme learning machine,ELM）、支持向量机（support vector machine,SVM）和反向传播（back propagation,BP）神经网络进行羊背脊肉、羊后腿肉和羊前腿肉的分类比较研究。结果表明:以不同的颜色特征组合作为模型输入时,所建立的BP模型分类效果均优于SVM和ELM模型;当以12个颜色均值特征作为输入时所建立的BP模型分类效果最优,该模型的训练集、交叉验证集和测试集的判别准确率分别为96.13%、95.11%、91.44%,可以实现对不同贮藏时间下不同部位羊肉的定性判别分析。上述研究为后续开发手机应用APP及利用手机实现对不同贮藏时间下冷却羊肉部位的快速...
【文章来源】：食品科学. 2020,41(23)北大核心EICSCD
【文章页数】：6 页
【部分图文】：
手机图像采集装置
为消除图像采集过程中背景、光照影响所产生的噪声以及在腐败变质过程中脂肪与筋膜等同肌肉组织呈现的差异性问题，本实验图像预处理主要的流程如图2所示，采用色差法[29](R-B）来使背景和样品区分度增大，并将分割阈值设定为0～20以去除背景中的阴影和水印，然后利用高低帽变换使脂肪和肌肉的特征差异明显化，最后选取25～35的阈值，通过分水岭分割算法[30]对样品图像内的脂肪、筋膜等进行分割，并对分水岭分割后的图像进行开运算将样品中的脂肪、筋膜等非肌肉组织部分进行去除。1.3.3 图像特征提取
在分别利用不同部位间具有显著性差异的7个颜色特征、RGB颜色空间下的9个颜色特征、4种颜色空间下的12个颜色均值特征，及全部18个颜色特征作为ELM模型的输入变量进行分类判别时，均以隐层神经元数目10为步长，以最高的交叉验证集判别准确率为寻优目标进行隐层神经元数目寻优。在上述4种输入情况下，建立寻优后的ELM模型的隐层神经元数目分别为90、90、100和100，其中以全部18个颜色特征作为输入构建模型时，其寻优结果如图3所示。在上述4种输入情况下，所建立的寻优后ELM模型结果如表2所示，在ELM模型中当选用所有18个颜色特征做模型的输入时，将羊背脊肉、羊前腿肉和羊后腿肉进行三分类的模型效果最优，模型的训练集、交叉验证集和测试集的判别准确率分别为92.05%、88.84%和88.38%。选用12个颜色均值特征作为模型输入时，模型较优，训练集、交叉验证集和测试集的判别准确率分别为91.23%、86.46%和87.77%。当选用RGB颜色空间下的9个颜色特征以及选用具有显著性差异的7个颜色特征作为模型输入时，模型的训练集、交叉验证集和测试集的判别准确率分布在73.09%～85.42%之间。
【参考文献】：
期刊论文
[1]基于RGB颜色空间的冷冻猪肉储藏时间机器视觉判定[J]. 李文采,李家鹏,田寒友,邹昊,刘飞,白京,张振琪,王辉,王守伟. 农业工程学报. 2019(03)
[2]基于改进色差法的复合绝缘子图像分割技术[J]. 黄新波,张慧莹,张烨,刘新慧,邢晓强,杨璐雅. 高电压技术. 2018(08)
[3]基于近红外技术快速测定不同鲜肉中脂肪含量[J]. 花锦,赵悠悠,高媛惠,张梨花,郝佳雪,宋欢,赵文英. 光谱学与光谱分析. 2017(11)
[4]电子鼻结合气相色谱-质谱法对宁夏小尾寒羊肉中鸭肉掺假的快速检测[J]. 王綪,李璐,王佳奕,张娟,王远一飞,丁武. 食品科学. 2017(20)
[5]苏尼特羊不同部位肌肉挥发性风味成分和脂肪酸分析[J]. 罗玉龙,赵丽华,王柏辉,刘畅,张亚琨,杨帆,岳建平,靳烨. 食品科学. 2017(04)
[6]计算机视觉用于猪肉新鲜度检测的颜色特征优化选取[J]. 潘婧,钱建平,刘寿春,韩帅. 食品与发酵工业. 2016(06)
[7]大足黑山羊宰后成熟过程中感官与理化性质的变化[J]. 张聪聪,王晓香,王亚娜,尚永彪. 食品科学. 2015(19)
[8]冷鲜羊肉冷藏时间和水分含量的高光谱无损检测[J]. 王婉娇,王松磊,贺晓光,何建国. 食品科学. 2015(16)
[9]基于电子鼻和SPME-GC-MS联用分析脆肉鲩鱼肉的挥发性风味成分[J]. 荣建华,熊诗,张亮子,谢淑丽,熊善柏. 食品科学. 2015(10)
[10]融合颜色聚类和分水岭算法的铁谱图像分割[J]. 王静秋,张龙,王晓雷. 中国矿业大学学报. 2013(05)
博士论文
[1]基于电子鼻和电子舌的羊肉品质检测[D]. 田晓静.浙江大学 2014
本文编号：3533501
【文章来源】：食品科学. 2020,41(23)北大核心EICSCD
【文章页数】：6 页
【部分图文】：
手机图像采集装置
为消除图像采集过程中背景、光照影响所产生的噪声以及在腐败变质过程中脂肪与筋膜等同肌肉组织呈现的差异性问题，本实验图像预处理主要的流程如图2所示，采用色差法[29](R-B）来使背景和样品区分度增大，并将分割阈值设定为0～20以去除背景中的阴影和水印，然后利用高低帽变换使脂肪和肌肉的特征差异明显化，最后选取25～35的阈值，通过分水岭分割算法[30]对样品图像内的脂肪、筋膜等进行分割，并对分水岭分割后的图像进行开运算将样品中的脂肪、筋膜等非肌肉组织部分进行去除。1.3.3 图像特征提取
在分别利用不同部位间具有显著性差异的7个颜色特征、RGB颜色空间下的9个颜色特征、4种颜色空间下的12个颜色均值特征，及全部18个颜色特征作为ELM模型的输入变量进行分类判别时，均以隐层神经元数目10为步长，以最高的交叉验证集判别准确率为寻优目标进行隐层神经元数目寻优。在上述4种输入情况下，建立寻优后的ELM模型的隐层神经元数目分别为90、90、100和100，其中以全部18个颜色特征作为输入构建模型时，其寻优结果如图3所示。在上述4种输入情况下，所建立的寻优后ELM模型结果如表2所示，在ELM模型中当选用所有18个颜色特征做模型的输入时，将羊背脊肉、羊前腿肉和羊后腿肉进行三分类的模型效果最优，模型的训练集、交叉验证集和测试集的判别准确率分别为92.05%、88.84%和88.38%。选用12个颜色均值特征作为模型输入时，模型较优，训练集、交叉验证集和测试集的判别准确率分别为91.23%、86.46%和87.77%。当选用RGB颜色空间下的9个颜色特征以及选用具有显著性差异的7个颜色特征作为模型输入时，模型的训练集、交叉验证集和测试集的判别准确率分布在73.09%～85.42%之间。
【参考文献】：
期刊论文
[1]基于RGB颜色空间的冷冻猪肉储藏时间机器视觉判定[J]. 李文采,李家鹏,田寒友,邹昊,刘飞,白京,张振琪,王辉,王守伟. 农业工程学报. 2019(03)
[2]基于改进色差法的复合绝缘子图像分割技术[J]. 黄新波,张慧莹,张烨,刘新慧,邢晓强,杨璐雅. 高电压技术. 2018(08)
[3]基于近红外技术快速测定不同鲜肉中脂肪含量[J]. 花锦,赵悠悠,高媛惠,张梨花,郝佳雪,宋欢,赵文英. 光谱学与光谱分析. 2017(11)
[4]电子鼻结合气相色谱-质谱法对宁夏小尾寒羊肉中鸭肉掺假的快速检测[J]. 王綪,李璐,王佳奕,张娟,王远一飞,丁武. 食品科学. 2017(20)
[5]苏尼特羊不同部位肌肉挥发性风味成分和脂肪酸分析[J]. 罗玉龙,赵丽华,王柏辉,刘畅,张亚琨,杨帆,岳建平,靳烨. 食品科学. 2017(04)
[6]计算机视觉用于猪肉新鲜度检测的颜色特征优化选取[J]. 潘婧,钱建平,刘寿春,韩帅. 食品与发酵工业. 2016(06)
[7]大足黑山羊宰后成熟过程中感官与理化性质的变化[J]. 张聪聪,王晓香,王亚娜,尚永彪. 食品科学. 2015(19)
[8]冷鲜羊肉冷藏时间和水分含量的高光谱无损检测[J]. 王婉娇,王松磊,贺晓光,何建国. 食品科学. 2015(16)
[9]基于电子鼻和SPME-GC-MS联用分析脆肉鲩鱼肉的挥发性风味成分[J]. 荣建华,熊诗,张亮子,谢淑丽,熊善柏. 食品科学. 2015(10)
[10]融合颜色聚类和分水岭算法的铁谱图像分割[J]. 王静秋,张龙,王晓雷. 中国矿业大学学报. 2013(05)
博士论文
[1]基于电子鼻和电子舌的羊肉品质检测[D]. 田晓静.浙江大学 2014
本文编号：3533501
本文链接：https://www.wllwen.com/wenshubaike/jieribaike/3533501.html
