亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于機(jī)器視覺的鵝肥肝色澤自動分級模型

        2021-12-09 06:41:27逄濱
        食品安全導(dǎo)刊 2021年11期
        關(guān)鍵詞:機(jī)器視覺色澤

        逄濱

        摘 要:為彌補(bǔ)傳統(tǒng)鵝肥肝色澤評級中人工評級的不足,結(jié)合機(jī)器視覺技術(shù)和統(tǒng)計模式識別方法建立了鵝肥肝色澤自動分級模型。首先通過機(jī)器視覺技術(shù)采集4種不同色澤等級的鵝肥肝樣本圖像,然后對鵝肥肝樣本圖像進(jìn)行分割,對分割出的鵝肥肝目標(biāo)區(qū)域提取12個色澤特征參數(shù),最后分別建立了鵝肥肝色澤的多元線性回歸分級模型和典型判別函數(shù)分級模型。研究結(jié)果顯示,多元線性回歸分級模型的分級正確率為92%,典型判別函數(shù)分級模型的分級正確率為100%,表明利用機(jī)器視覺結(jié)合統(tǒng)計模式識別方法可以對鵝肥肝色澤等級進(jìn)行有效的自動判定。

        關(guān)鍵詞:鵝肥肝;色澤;顏色分級;機(jī)器視覺

        Automatic Color Grading Model of Foie Gras Based on Machine Vision

        PANG Bin

        (College of Food Science and Engineering, Qingdao Agricultural University, Qingdao 266109, China)

        Abstract: To make up the disadvantage of traditional manual grading method, an automatic color grading model of foie gras was proposed based on machine vision and statistic pattern recognition. Foie gras sample images of different color grade were collected by machine vision technology. Then the foie gras area was segmented from the image and 12 color features were extracted from the foie gras area. Finally, a multiple linear regression (MLR) model and a canonical discriminate analysis (CDA) model were set up respectively to predict the color grade. The MLR model achieved the accuracy of 92% and the CDA model of 100%, showing that the machine vision combined with statistic pattern recognition can provide an effective way for predicting foie gras color grades automatically.

        Keywords: foie gras; color; color grading; machine vision

        目前,我國鵝肥肝質(zhì)量分級主要包括感官指標(biāo)分級、重量分級、理化指標(biāo)分級等。其中感官指標(biāo)分級主要根據(jù)鵝肥肝的色澤等級并輔之以彈性、損征和氣味等進(jìn)行人工評級。這種人工分級方法依賴評級員的感官和經(jīng)驗,具有很強(qiáng)的主觀性和不一致性,而且評級效率低,不能滿足現(xiàn)代鵝肥肝產(chǎn)業(yè)的發(fā)展要求。

        采用機(jī)器視覺技術(shù)實現(xiàn)農(nóng)產(chǎn)品品質(zhì)檢測與自動分級應(yīng)用已成為近年來農(nóng)產(chǎn)品加工與檢測領(lǐng)域的研究熱點,主要涉及了農(nóng)產(chǎn)品顏色[1-7]、面積大小及形狀[8-13]、表面損傷及缺陷檢測[14-16]等。目前應(yīng)用機(jī)器視覺技術(shù)進(jìn)行鵝肥肝色澤自動分級的研究較少,但在其他肉類(牛肉、豬肉等)顏色分級領(lǐng)域的研究已經(jīng)較為成熟。在牛肉顏色分級研究方面,陳坤杰等[1]采用計算機(jī)圖像處理技術(shù),計算得到了牛肉肌肉區(qū)域的R、G、B、H、S、I顏色特征分量,并分析了這些顏色特征分量在牛肉儲藏期間的變化規(guī)律;陳坤杰等[2]以這些顏色特征分量的參數(shù)值作為輸入,構(gòu)建了基于BP神經(jīng)網(wǎng)絡(luò)的牛肉肌肉顏色等級預(yù)測模型,模型的預(yù)測準(zhǔn)確率可達(dá)95%;CHEN等[3]提取了牛肉眼肌切面的皮下脂肪區(qū)域的12個脂肪顏色特征,并以12個顏色特征參數(shù)為輸入、脂肪顏色等級為輸出,建立了一個最優(yōu)支持向量機(jī)(SVM)分級模型,模型的預(yù)測準(zhǔn)確率為97.4%;SUN等[4]分析并提取了21個牛肉精肉圖像的顏色特征,并分別利用多元線性回歸法(MLR)和支持向量機(jī)法(SVM)建立了牛肉肌肉顏色分級模型,其模型的預(yù)測準(zhǔn)確率分別為86.8%和94.7%。在豬肉顏色分級研究方面,賈淵等[5]將豬肉的R、G、B顏色分量以及亮度和飽和度構(gòu)建了一個新的顏色維度,并建立了SVM顏色分級模型,模型的分級正確率為96.5%。

        本研究提出一種基于機(jī)器視覺技術(shù)的鵝肥肝色澤自動分級模型,用以彌補(bǔ)傳統(tǒng)人工色澤評級的不足,通過機(jī)器視覺技術(shù)提取反映鵝肥肝色澤等級的色澤特征參數(shù),分別建立多元線性回歸分級模型和典型判別函數(shù)分級模型,實現(xiàn)鵝肥肝色澤等級的自動判定。

        1 材料與方法

        1.1 試驗材料

        鵝肥肝樣本取自于青島農(nóng)業(yè)大學(xué)優(yōu)質(zhì)水禽研究所育種基地,根據(jù)文獻(xiàn)[17]方法對75只青農(nóng)灰鵝進(jìn)行統(tǒng)一填飼、殺鵝取肝,得到75個新鮮鵝肥肝樣本,將所有鵝肥肝樣本在育種基地加工現(xiàn)場用真空薄膜袋封裝打包,并使用醫(yī)療冷藏箱將樣本從加工現(xiàn)場運(yùn)至實驗室。封裝打包前,參照國家行業(yè)標(biāo)準(zhǔn)

        (NY 67—1988)對鵝肥肝樣本的色澤進(jìn)行人工評級,將肝表面光澤良好、色度均勻且為淡黃、米黃或淺粉色的樣本劃分為特級,用數(shù)值1(級)標(biāo)記;將呈現(xiàn)淡黃、米黃或淺粉色的樣本劃分為一級,用數(shù)值2(級)標(biāo)記;將呈現(xiàn)淡黃、米黃、黃色或淺粉色的樣本劃分為二級,用數(shù)值3(級)標(biāo)記;將呈現(xiàn)淡黃、米黃、黃色、淺粉或淺紅色的樣本劃分為三級,用數(shù)值4(級)標(biāo)記。

        1.2 鵝肥肝樣本圖像采集與分割

        鵝肥肝樣本圖像的采集采用機(jī)器視覺系統(tǒng),主要由工業(yè)相機(jī)、光源、計算機(jī)組成,如圖1所示。

        將不同色澤等級的鵝肥肝樣本置于工業(yè)相機(jī)下方,依次采集鵝肥肝樣本圖像數(shù)據(jù),根據(jù)文獻(xiàn)[3]方法應(yīng)用MATLAB R2014a軟件對圖像進(jìn)行背景分割,不同色澤等級的典型鵝肥肝樣本圖像如圖2所示。

        1.3 鵝肥肝色澤特征參數(shù)提取

        對于經(jīng)圖像分割處理后的鵝肥肝樣本圖像,根據(jù)文獻(xiàn)[2]的顏色特征提取方法提取鵝肥肝的色澤特征參數(shù),修改如下。將HIS顏色模型中H、S、I顏色分量的平均值和標(biāo)準(zhǔn)偏差改為Lab顏色模型中的L、a、b顏色分量的平均值和標(biāo)準(zhǔn)偏差。因此,對于圖像的鵝肥肝目標(biāo)區(qū)域,通過提取相應(yīng)的R、G、B、L、a、b顏色分量的平均值(μR、μG、μB、μL、μa、μb)和標(biāo)準(zhǔn)偏差(σR、σG、σB、σL、σa、σb)共12個色澤特征參數(shù)來定量描述鵝肥肝樣本的色澤特征。應(yīng)用MATLAB 2014b軟件完成色澤特征參數(shù)的提取工作。

        1.4 色澤分級模型建立與數(shù)據(jù)分析

        針對12個鵝肥肝色澤特征參數(shù)與色澤等級間的關(guān)系,本研究采用主成分分析法對這12個色澤特征參數(shù)進(jìn)行重新篩選,按主成分貢方差獻(xiàn)率選取對色澤具有綜合解釋能力的色澤主成分,并用色澤主成分進(jìn)行多元線性回歸建模和典型判別函數(shù)建模,分別得到兩種鵝肥肝色澤自動分級模型。應(yīng)用SPSS 19.0軟件完成數(shù)據(jù)的統(tǒng)計、分析和建模工作。

        2 結(jié)果與分析

        2.1 鵝肥肝色澤特征的統(tǒng)計分析

        經(jīng)感官評定,鵝肥肝色澤等級為1級、2級、3級、4級的樣本數(shù)分別為14、15、30、16。對75幅鵝肥肝圖像進(jìn)行圖像處理,提取12個色澤特征μR、μG、μB、μL、μa、μb、σR、σG、σB、σL、σa和σb,并分別用X1~X12表示,計算出不同色澤等級下12個色澤特征的均值和標(biāo)準(zhǔn)差,如表1所示。

        由表1可知,對于不同色澤等級的鵝肥肝,其色澤特征差異較顯著。隨著鵝肥肝色澤等級的降低(從1級降到4級),特征X2、X3、X4、X9的均值隨等級逐步降低,特征X1、X7、X8、X10的均值隨等級呈下降趨勢,其余色澤特征無明顯的變化規(guī)律。

        2.2 鵝肥肝色澤特征的主成分分析

        對75個鵝肥肝圖像的12個色澤特征進(jìn)行主成分分析,得到12個主成分PC1~PC12,主成分方差貢獻(xiàn)率如表2所示,主成分系數(shù)矩陣如表3所示,表3中的Z1~Z12是輸入變量X1~X12標(biāo)準(zhǔn)化后的數(shù)據(jù)。標(biāo)準(zhǔn)化計算公式如式(1):

        式中:Xi為提取的第i個鵝肥肝色澤特征,Zi為Xi標(biāo)準(zhǔn)化后的數(shù)據(jù),Xi為所有鵝肥肝樣本第i個色澤特征的均值,Si為所有鵝肥肝樣本第i個色澤特征的標(biāo)準(zhǔn)差,Xi與Si的具體取值詳見表1的總計部分。

        由表2可知,前3個主成分(PC1、PC2、PC3)的特征值均大于1,且累計方差貢獻(xiàn)率高達(dá)86.24%,基本能夠涵蓋樣本的色澤信息,因此可以選取前3個主成分來代表原有12個鵝肥肝色澤特征,反映鵝肥肝色澤等級。75個鵝肝樣本色澤特征前3個主成分的數(shù)據(jù)點分布如圖3所示。由圖3可知,不同色澤等級對應(yīng)的主成分?jǐn)?shù)據(jù)點區(qū)域無明顯重疊現(xiàn)象,能夠大致分布在4個區(qū)域,但3級樣本標(biāo)準(zhǔn)化數(shù)據(jù)點之間分布較為分散,在實際應(yīng)用中可能會其他等級樣本發(fā)生混淆,其他3個等級的樣本標(biāo)準(zhǔn)化數(shù)據(jù)點分布較為集中,區(qū)分效果良好。

        2.3 鵝肥肝色澤多元線性回歸分級模型

        在保證各等級樣本內(nèi)部抽取比例為2∶1的前提下,隨機(jī)從75個鵝肥肝樣本中抽取50個樣本作為訓(xùn)練集,抽取25個樣本作為測試集。對訓(xùn)練集50個樣本的前3個主成分進(jìn)行多元線性回歸分析,得到回歸方程:

        Y=-0.39PC1+0.01PC2+0.19PC3+2.63(2)

        式(2)即為鵝肥肝色澤多元線性回歸分級模型,其中,Y為該模型預(yù)測的鵝肥肝色澤等級,PC1、PC2、PC3分別為主成分分析提取的前3個主成分。

        根據(jù)式(2)所建立的主成分回歸方程預(yù)測訓(xùn)練集的色澤等級,模型的預(yù)測結(jié)果如圖4所示,其中訓(xùn)練集的相關(guān)系數(shù)R2=0.912,訓(xùn)練標(biāo)準(zhǔn)差為0.307。

        測試集的模型預(yù)測結(jié)果如圖5所示,其測試集的相關(guān)系數(shù)R2=0.935,測試標(biāo)準(zhǔn)差為0.271,與訓(xùn)練集的預(yù)測結(jié)果接近,說明所建立的色澤回歸分級模型具有一定的穩(wěn)定性。

        利用所建立的鵝肥肝色澤MLR分級模型對訓(xùn)練集和測試集的色澤等級進(jìn)行計算,將計算結(jié)果四舍五入保留整數(shù),且小于0.5的結(jié)果判定為1,大于4.5的結(jié)果判定為4,即可得到該模型的實際色澤判定等級。模型對訓(xùn)練集和測試集的分級結(jié)果分別如表4、表5所示。

        由表4可知,模型在訓(xùn)練集中,將2個2級樣本誤判為3級,將1個3級樣本誤判為4級,將2個4級樣本誤判為3級,模型在訓(xùn)練集中的分級正確率為90%。由表5可知,模型在測試集中,將1個2級樣本誤判為3級,模型在測試集中的分級正確率為96%。綜上所述,通過鵝肥肝色澤MLR分級模型判定75個樣本色澤等級,共有6個樣本發(fā)生了誤判,模型的總體分級正確率為92%。結(jié)果表明,模型的識別率和穩(wěn)定性都達(dá)到了較好的水平。而發(fā)生誤判的樣本全部發(fā)生在相鄰色澤等級之間,這是由于相鄰色澤等級的樣本之間提取的特征相似所導(dǎo)致的,所以使得模型的判定結(jié)果存在了一定的誤差。

        2.4 鵝肥肝色澤典型判別函數(shù)分級模型

        對訓(xùn)練集50個樣本的前3個主成分進(jìn)行典型判別分析,得到3個典型判別函數(shù),其特征值及方差貢獻(xiàn)率如表6所示,其中前2個典型判別函數(shù)的累積方差貢獻(xiàn)率為97.18%,能夠描述鵝肥肝色澤特征前3個主成分的主要信息。經(jīng)計算可知,前2個典型判別函數(shù)與前3個主成分的轉(zhuǎn)換關(guān)系如式(3):

        式(3)即為鵝肥肝色澤典型判別函數(shù)分級模型,其中,F(xiàn)1、F2分別為前2個典型判別函數(shù)值,PC1、PC2、PC3分別為主成分分析提取的前3個主成分。

        根據(jù)鵝肥肝典型判別函數(shù)分級模型,繪制訓(xùn)練集50個樣本的F1、F2數(shù)據(jù)點分布如圖6所示。由圖6可知,不同色澤等級對應(yīng)的F1、F2數(shù)據(jù)點均圍繞組質(zhì)心分布,其中1級組質(zhì)心為(-11.29,0.38),2級組質(zhì)心為(-1.86,-1.16),3級組質(zhì)心為(3.78,3.16),4級組質(zhì)心為(4.04,-5.00),4個不同等級的組質(zhì)心能夠較好分開,且不同等級間數(shù)據(jù)點沒有明顯重疊顯現(xiàn),說明模型分級效果較好。

        為驗證模型效果,計算分別訓(xùn)練集50個樣本的(F1,F(xiàn)2)數(shù)據(jù)點與各級別組中心的歐式距離,依據(jù)距離值最小原則判定樣本色澤等級。訓(xùn)練集樣本的回判結(jié)果如表7所示。由表7可知,4個等級的樣本判定正確率均為100.00%,總判別正確率為100%。考慮到模型是根據(jù)訓(xùn)練集樣本特征的前3個主成分信息得到的,故可能夸大模型判定效果,為了驗證模型的有效性,以未參加建模的測試集25個樣本對模型進(jìn)一步檢驗,繪制訓(xùn)練集F1、F2數(shù)據(jù)點分布如圖7所示。由圖7可知,測試集的F1、F2分布與訓(xùn)練集的F1、F2分布(圖6)大致相同。測試集的模型判定結(jié)果如表8所示。由表8可知,模型對測試集中4個等級樣本的判定正確率同樣為100%,說明利用訓(xùn)練集構(gòu)建的模型分級效果良好。

        3 結(jié)論

        本研究利用機(jī)器視覺技術(shù)和統(tǒng)計模式識別方法對不同色澤等級的鵝肥肝樣本進(jìn)行了色澤等級自動判定,得到結(jié)論如下:①鵝肥肝線性回歸分級模型的識別率和穩(wěn)定性均達(dá)到了較高水平,模型的總體分級正確率為92%,模型中訓(xùn)練集與測試集的相關(guān)系數(shù)接近、標(biāo)準(zhǔn)差相近;②鵝肥肝典型判別函數(shù)分級模型的識別率高于線性回歸分級模型,其模型的總體分級正確率為100%,模型中訓(xùn)練集與測試集的典型判別函數(shù)數(shù)據(jù)點分布規(guī)律大致相同。因此,本研究可用于鵝肥肝色澤的自動分級,而且有望在此研究基礎(chǔ)上開發(fā)鵝肥肝色澤在線分級系統(tǒng),從而取代人工并且為鵝肥肝的生產(chǎn)加工提供技術(shù)支持。但本研究中訓(xùn)練集和測試集的樣本均較少,使得模型預(yù)測結(jié)果不能較全面的包含各個色澤等級樣本,今后應(yīng)該擴(kuò)大樣本數(shù)量并分多批次做重復(fù)試驗,以期得到更加準(zhǔn)確和穩(wěn)定的鵝肥肝色澤分級模型。

        參考文獻(xiàn)

        [1]陳坤杰,尹文慶.機(jī)器視覺技術(shù)在分析牛肉顏色變化特征中的應(yīng)用[J].食品科學(xué),2008,29(9):92-96.

        [2]陳坤杰,孫鑫,陸秋琰.基于計算機(jī)視覺和神經(jīng)網(wǎng)絡(luò)的牛肉顏色自動分級[J].農(nóng)業(yè)機(jī)械學(xué)報,2009,40(4):173-178.

        [3]CHEN K,SUN X,QIN C,et al.Color grading of beef fat by using computer vision and support vector machine[J].Computers and Electronics in Agriculture,2010,70:27-32.

        [4]SUN X,CHEN K,BERG E P,et al.Predicting fresh beef color grade using machine vision imaging and support vector machine (SVM) analysis[J].Journal of Animal and Veterinary Advances,2011,10:1504-1511.

        [5]賈淵,李振江,彭增起.結(jié)合LLE流形學(xué)習(xí)和支持向量機(jī)的豬肉顏色分級[J].農(nóng)業(yè)工程學(xué)報,2012,28(9):147-152.

        [6]陳全勝,趙杰文,張海東,等.利用計算機(jī)視覺識別茶葉的色澤類型[J].江蘇大學(xué)學(xué)報:自然科學(xué)版,2005,26(6):461-464.

        [7]PEDRESCHI F,MERY D,BUNGER A,et al.Computer vision classification of potato chips by color[J].Journal of Food Process Engineering,2011,34:1714-1728.

        [8]陳紅,夏青,左婷,等.基于機(jī)器視覺的花菇分選技術(shù)[J].農(nóng)業(yè)機(jī)械學(xué)報,2014,45(1):281-287.

        [9]周平,趙春江,王紀(jì)華,等.基于機(jī)器視覺的雞蛋體積與表面積計算方法[J].農(nóng)業(yè)機(jī)械學(xué)報,2010,41(5):168-171.

        [10]王輝,雷雨春,康峰,等.基于機(jī)器視覺的櫻桃外徑檢測[J].農(nóng)業(yè)機(jī)械學(xué)報,2012,43(增刊1):246-249.

        [11]夏營威,徐大勇,堵勁松,等.基于機(jī)器視覺的煙葉面積在線測量[J].農(nóng)業(yè)機(jī)械學(xué)報,2012,43(10):167-173.

        [12]司永勝,喬軍,劉剛,等.基于機(jī)器視覺的蘋果識別和形狀特征提[J].農(nóng)業(yè)機(jī)械學(xué)報,2009,40(8):161-165.

        [13]李鴻強(qiáng),孫紅,李民贊.基于機(jī)器視覺的結(jié)球甘藍(lán)形狀鑒別方法[J].農(nóng)業(yè)機(jī)械學(xué)報,2015,46(增刊1):141-146.

        [14]陳紅,夏青,左婷,等.破損花菇機(jī)器視覺檢測技術(shù)[J].農(nóng)業(yè)機(jī)械學(xué)報,2014,45(11):60-67.

        [15]趙娟,彭彥昆,DHAKAL S,等.基于機(jī)器視覺的蘋果外觀缺陷在線檢測[J].農(nóng)業(yè)機(jī)械學(xué)報,2013,44(增刊1):

        260-263.

        [16]趙杰文,劉少鵬,鄒小波,等.基于支持向量機(jī)的缺陷紅棗機(jī)器視覺識別[J].農(nóng)業(yè)機(jī)械學(xué)報,2008,39(3):113-115.

        [17]孫倩,王寶維,葛文化,等.基于SPSS聚類分析的鵝肥肝重量分級標(biāo)準(zhǔn)研究[J].中國家禽,2012,34(2):31-36.

        猜你喜歡
        機(jī)器視覺色澤
        人生的色澤
        西裝新色
        T-501色澤分析方法的建立
        魅力中國(2020年8期)2020-12-07 13:09:16
        全自動模擬目標(biāo)搜救系統(tǒng)的設(shè)計與實現(xiàn)
        基于機(jī)器視覺的自動澆注機(jī)控制系統(tǒng)的研究
        科技視界(2016年26期)2016-12-17 17:31:58
        大場景三維激光掃描儀在研究生實踐教學(xué)培養(yǎng)中的應(yīng)用
        基于機(jī)器視覺的工件鋸片缺陷檢測系統(tǒng)設(shè)計
        軟件工程(2016年8期)2016-10-25 15:55:22
        基于機(jī)器視覺技術(shù)的動態(tài)“白帶”常規(guī)檢測系統(tǒng)的開發(fā)
        科技視界(2016年20期)2016-09-29 11:11:40
        機(jī)器視覺技術(shù)在煙支鋼印檢測中的應(yīng)用
        臭氧水對羅非魚片色澤影響分析
        国产亚洲欧美另类第一页| 亚洲国产精品无码专区| 67194熟妇在线永久免费观看| 无码爆乳护士让我爽| 国产久热精品无码激情| 亚洲精品理论电影在线观看| 琪琪av一区二区三区| 国产精品人成在线观看免费| 女人被狂躁高潮啊的视频在线看| 亚洲狠狠网站色噜噜| 日本熟妇高潮爽视频在线观看| 国产精品国产三级野外国产| 日韩精品一区二区三区中文| 97无码人妻Va一区二区三区| 日韩在线手机专区av| 成人性生交大片免费看激情玛丽莎 | 国产欧美亚洲精品第一页| 免费又黄又爽又猛的毛片| 久久久久久国产福利网站| 亚州中文热码在线视频| 插我一区二区在线观看| 精品久久久久久久久久久aⅴ| 谁有在线观看av中文| 99久久国产免费观看精品| 97se狠狠狠狠狼鲁亚洲综合色| 久久久久久久99精品国产片| 无码制服丝袜中文字幕| 日韩有码在线免费视频| 无码国产精品一区二区av| 亚州少妇无套内射激情视频 | 国产男女猛烈无遮挡免费网站| 精品88久久久久88久久久| 日本一区二区三区看片| 国产av在线观看一区二区三区 | 午夜成人鲁丝片午夜精品| 亚洲最大成av人网站| 好看的国内自拍三级网站| 欧美熟妇另类久久久久久多毛| 国产精品18久久久久久麻辣| 中文字幕无码日韩欧毛| 国产高清在线精品一区不卡|