CN108022239B - 一种基于机器视觉的起泡葡萄酒褐变过程检测装置及方法 - Google Patents
一种基于机器视觉的起泡葡萄酒褐变过程检测装置及方法 Download PDFInfo
- Publication number
- CN108022239B CN108022239B CN201711266254.8A CN201711266254A CN108022239B CN 108022239 B CN108022239 B CN 108022239B CN 201711266254 A CN201711266254 A CN 201711266254A CN 108022239 B CN108022239 B CN 108022239B
- Authority
- CN
- China
- Prior art keywords
- image
- channel
- browning
- sample
- ave
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 89
- 230000008569 process Effects 0.000 title claims abstract description 39
- 238000001514 detection method Methods 0.000 title claims abstract description 21
- 235000014101 wine Nutrition 0.000 title claims description 41
- 230000005587 bubbling Effects 0.000 title description 2
- 235000015040 sparkling wine Nutrition 0.000 claims abstract description 67
- NOEGNKMFWQHSLB-UHFFFAOYSA-N 5-hydroxymethylfurfural Chemical compound OCC1=CC=C(C=O)O1 NOEGNKMFWQHSLB-UHFFFAOYSA-N 0.000 claims abstract description 40
- 238000002835 absorbance Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000005260 corrosion Methods 0.000 claims abstract description 5
- 230000007797 corrosion Effects 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 43
- 239000011148 porous material Substances 0.000 claims description 18
- 238000005070 sampling Methods 0.000 claims description 14
- 238000012937 correction Methods 0.000 claims description 11
- 240000005546 Piper methysticum Species 0.000 claims description 10
- 235000016787 Piper methysticum Nutrition 0.000 claims description 10
- 235000000346 sugar Nutrition 0.000 claims description 10
- 239000003550 marker Substances 0.000 claims description 8
- 238000004519 manufacturing process Methods 0.000 claims description 7
- 235000009754 Vitis X bourquina Nutrition 0.000 claims description 6
- 235000012333 Vitis X labruscana Nutrition 0.000 claims description 6
- 235000014787 Vitis vinifera Nutrition 0.000 claims description 6
- 238000007872 degassing Methods 0.000 claims description 6
- 238000005530 etching Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 4
- 239000004793 Polystyrene Substances 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 239000006260 foam Substances 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 229920002223 polystyrene Polymers 0.000 claims description 3
- 235000018734 Sambucus australis Nutrition 0.000 claims 1
- 244000180577 Sambucus australis Species 0.000 claims 1
- 240000006365 Vitis vinifera Species 0.000 claims 1
- QVYAWBLDJPTXHS-UHFFFAOYSA-N 5-Hydroxymethyl-2-furfural Natural products OC1=CC=C(C=O)O1 QVYAWBLDJPTXHS-UHFFFAOYSA-N 0.000 abstract description 19
- 230000005540 biological transmission Effects 0.000 abstract description 4
- 239000003153 chemical reaction reagent Substances 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract 1
- 238000005187 foaming Methods 0.000 description 11
- 238000012544 monitoring process Methods 0.000 description 8
- 238000011160 research Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 235000019994 cava Nutrition 0.000 description 7
- 235000013305 food Nutrition 0.000 description 7
- 239000003814 drug Substances 0.000 description 6
- 229940079593 drug Drugs 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 241000219095 Vitis Species 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000000855 fermentation Methods 0.000 description 5
- 230000004151 fermentation Effects 0.000 description 5
- 238000005286 illumination Methods 0.000 description 5
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- 240000004808 Saccharomyces cerevisiae Species 0.000 description 4
- 230000000877 morphologic effect Effects 0.000 description 4
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 3
- 230000032683 aging Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 3
- 150000001875 compounds Chemical class 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 238000010438 heat treatment Methods 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 235000020097 white wine Nutrition 0.000 description 3
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 2
- 238000012984 biological imaging Methods 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 239000000796 flavoring agent Substances 0.000 description 2
- 235000019634 flavors Nutrition 0.000 description 2
- 235000019674 grape juice Nutrition 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000003647 oxidation Effects 0.000 description 2
- 238000007254 oxidation reaction Methods 0.000 description 2
- 235000013824 polyphenols Nutrition 0.000 description 2
- LFULEKSKNZEWOE-UHFFFAOYSA-N propanil Chemical compound CCC(=O)NC1=CC=C(Cl)C(Cl)=C1 LFULEKSKNZEWOE-UHFFFAOYSA-N 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000000870 ultraviolet spectroscopy Methods 0.000 description 2
- 102000004506 Blood Proteins Human genes 0.000 description 1
- 108010017384 Blood Proteins Proteins 0.000 description 1
- 102000004190 Enzymes Human genes 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- 101100129590 Schizosaccharomyces pombe (strain 972 / ATCC 24843) mcp5 gene Proteins 0.000 description 1
- 241000219094 Vitaceae Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000002378 acidificating effect Effects 0.000 description 1
- 230000009056 active transport Effects 0.000 description 1
- 235000016127 added sugars Nutrition 0.000 description 1
- 230000001476 alcoholic effect Effects 0.000 description 1
- 150000001413 amino acids Chemical class 0.000 description 1
- 230000003078 antioxidant effect Effects 0.000 description 1
- 235000019606 astringent taste Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010364 biochemical engineering Methods 0.000 description 1
- 230000008049 biological aging Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 235000019993 champagne Nutrition 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 238000004737 colorimetric analysis Methods 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 239000007799 cork Substances 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000012154 double-distilled water Substances 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000004993 emission spectroscopy Methods 0.000 description 1
- 230000002255 enzymatic effect Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 235000011389 fruit/vegetable juice Nutrition 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- HYBBIBNJHNGZAN-UHFFFAOYSA-N furfural Chemical class O=CC1=CC=CO1 HYBBIBNJHNGZAN-UHFFFAOYSA-N 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 235000021021 grapes Nutrition 0.000 description 1
- 238000004128 high performance liquid chromatography Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 150000002632 lipids Chemical class 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000004811 liquid chromatography Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 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
- ISWSIDIOOBJBQZ-UHFFFAOYSA-N phenol group Chemical group C1(=CC=CC=C1)O ISWSIDIOOBJBQZ-UHFFFAOYSA-N 0.000 description 1
- 150000002989 phenols Chemical class 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 239000010453 quartz Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 150000008163 sugars Chemical class 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
Images
Classifications
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30128—Food products
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种基于机器视觉的起泡葡萄酒褐变过程检测装置及方法,用以解决现有检测过程复杂,成本高,适用性不强的问题;利用智能手机的相机采集放置在采集箱底部的漫射光源面板上的样品,获得起泡葡萄酒的数字图像,通过机器视觉和图像处理技术对数字图像进行灰度化、二值化、腐蚀等处理,通过对图像RGB三个通道进行分析,将蓝色通道衰减百分比作为起泡葡萄酒的质量标记,其与420nm处的吸光度和5‑羟甲基‑2‑糠醛的含量高度相关。本发明仅需获取不同褐变阶段的起泡葡萄酒样本的透射图像,可同时进行多个品牌起泡葡萄酒样本的分析,避免复杂的样品处理,可进行多样品分析,速度快,成本低,无需昂贵的专业仪器及其它化学试剂。
Description
技术领域
本发明涉及起泡葡萄酒褐变和图像处理的技术领域,尤其涉及一种基于机器视觉的起泡葡萄酒褐变过程检测装置及方法。
背景技术
现阶段,世界各地几乎都在生产起泡葡萄酒,消费者对起泡酒的好感和需求也在不断增长。起泡酒的原理是在酿好的酒中加入糖和酵母在封闭的容器中进行第二次酒精发酵,发酵过程产生的二氧化碳被限制在瓶中成为酒中气泡的来源(Serra-Cayuela A,Jourdes M,Riu-Aumatell M,et al.Kinetics of browning,phenolics,and 5-hydroxymethylfurfural in commercial sparkling wines.[J].Journal ofAgricultural&Food Chemistry,2014,62(5):1159-1166)。添加的酵母将添加的糖转化为酒精和二氧化碳,使得气泡产生翻腾,这是起泡葡萄酒的最重要的特征之一。
起泡葡萄酒消费量增长迅速,根据国际葡萄酒组织的统计,近年来起泡葡萄酒生产增长了40%,起泡酒葡萄酒占全球葡萄酒产量的8%。中国和美国成为推动这一增长的主力军。
西班牙卡瓦和法国香槟是最著名的起泡葡萄酒品牌。卡瓦是由传统方法生产的受原产地命名制度保护的高品质起泡酒。卡瓦酒所使用的葡萄经过严格挑选,在榨汁过程中必须十分小心,这样才能在理想的成熟度获取最佳的葡萄汁。而后将葡萄汁倒入不锈钢桶进行低温发酵,静置后再行品尝以确定其品质,并有选择地进行调配。进行完最后的调配后,将酒装入瓶中,并在酒柜中至少放置9个月,但通常这一存放期会更长。在此期间,葡萄酒将在瓶中产生二次发酵,形成了葡萄酒的复杂感官特性如香气、颜色和发泡性能,成为起泡酒,并产生酵母沉淀。当陈化期结束后,可将酵母菌小心取出,向瓶口注满同一批葡萄酒,用软木塞封口,并加上封条。此外,根据瓶中陈酿的持续时间,有两种不同的类别:至少15个月的Reserva,至少30个月的Gran Reserva(Serra-Cayuela A,Aguilera-Curiel M A,Riu-Aumatell M,et al.Browning during biological aging and commercial storage ofCava sparkling wine and the use of 5-HMF as a quality marker[J].Food ResearchInternational,2013,53(1):226-231)。除了提高葡萄质量,陈酿时间也会影响生产成本,陈酿葡萄酒的最终价格高于新葡萄酒。
在物理化学和感官特性方面,葡萄酒是一种动态产品,因此在生物陈酿和储存过程中会发生复杂的化学变化。这些化学变化可能引起感官特征的变化,特别是香气、风味和颜色(王玉峰.葡萄酒香气影响因素的研究[D].济南:山东轻工业学院,2010)。
褐变是涉及糖、脂类、氨基酸和酚的氧化过程(Li H,Guo A,Wang H.Mechanismsof oxidative browning of wine[J].Food chemistry,2008,108(1):1-13.),褐变降低了葡萄酒的感官质量(颜色、风味和香味的变化以及涩味的增加),因此在加工和储存过程中必须控制褐变。一旦瓶子被密封,褐变就不能再调控了。因此,酿酒厂必须找到能够指示起泡酒褐变的标记及参数,并通过技术手段检测起泡葡萄酒的褐变。实际生产中很有必要开发监测褐变程度的快速可靠的方法,以及定义指示起泡葡萄酒品质的参数。
现有的研究已经基于不同的质量标记和测量技术,提出了几种用于量化和表征起泡葡萄酒褐变过程的方法。如紫外可见吸收光谱法(Ultraviolet-visible spectroscopy,简称UV-VIS)和高效液相色谱法(High Performance Liquid Chromatography,简称HPLC)(Serra-Cayuela A,Aguilera-Curiel M A,Riu-Aumatell M,et al.Browning duringbiological aging and commercial storage of Cava sparkling wine and the use of5-HMF as a quality marker[J].Food Research International,2013,53(1):226-231.)。
420nm波长处的吸光度(A420)被用作白葡萄酒的褐变监测的参数(Kallithraka S,Salacha M I,Tzourou I.Changes in phenolic composition and antioxidantactivity of white wine during bottle storage:Accelerated browning test versusbottle storage[J].Food Chemistry,2009,113(2):500-505.),A420值的增加与褐变过程直接相关(Ibarz A,Pagan J,Garza S.Kinetic models of non-enzymatic browning inapple puree.[J].Journal of the Science of Food&Agriculture,2000,80(8):1162-1168.)。然而,在以前的研究中,作为卡瓦起泡葡萄酒的质量标记的A420参数被证明具有低灵敏度和低特异性,之后改用5-羟甲基-2-糠醛(5-HMF)含量作为更有效的标记(Serra-Cayuela A,Aguilera-Curiel M A,Riu-Aumatell M,et al.Browning during biologicalaging and commercial storage of Cava sparkling wine and the use of 5-HMF as aquality marker[J].Food Research International,2013,53(1):226-231.),但是对该化合物在实验室进行色谱分析需要消耗大量的时间和试剂,花销昂贵。
在现有的研究方法中,荧光激发-发射光谱结合平行因子分析法成功地用于监测四种起泡葡萄酒的褐变过程的研究,已被作为通过监测A420或者5-HMF含量实现褐变检测的快速替代方法。为了研究更好的替代方案,研究人员提出了一种基于比色技术的新方法,用于监测加速褐变试验中的卡瓦起泡葡萄酒中的褐变过程。使用由国际照明委员会(CIE)定义的Lab色彩模式或Richard.S.Hunter所创立的Lab色彩模式测量褐变程度(Raquel P FG,Joao Barroca M.Evaluation of the Browning Kinetics for Bananas and PearsSubmitted to Convective Drying[J].Current Biochemical Engineering,2014,1:165-172.),但是这些方法需要使用专用色度计或分光光度计。
近年来,随着智能手机的传感器性能提升,基于智能手机的应用研究也在增多。智能手机相对实验室专业的仪器和设备,具有成本低、携带方便、可现场采集与分析、结果易于分享等优点。
发明内容
针对现有起泡葡萄酒的褐变检测需要使用专用色度计或分光光度计,检测过程复杂,适用性不强的技术问题,本发明提出一种基于机器视觉的起泡葡萄酒褐变过程检测装置及方法,利用机器视觉和图像处理技术进行起泡葡萄酒褐变过程的检测,仅需获取不同褐变阶段的起泡葡萄酒样本的透射图像,就可以同时进行多个品牌的起泡葡萄酒样本的分析,装置价格便宜,无需昂贵的专业仪器及其它化学试剂。
为了达到上述目的,本发明的技术方案是这样实现的:一种基于机器视觉的起泡葡萄酒褐变过程检测装置及方法,其步骤如下:
步骤一:搭建实验装置,制备样品;
步骤二:利用智能手机的相机获取样品图像,将获得的RGB图像IGi进行灰度化和二值化处理,得到二值化图像BINi,i=1,2,…,6;
步骤三:将图像BINi中的像素全部取反,得到图像IRi;运用结构元素对IRi进行腐蚀,得到图像IERi,获得装有样品的孔的收缩区域;
步骤四:将图像IERi进行连通区域标记,根据连通区域标记识别每种类型的样本;
步骤五:以图像IG1的标准的原始样品的收缩样品孔的区域的R通道、G通道和B通道的均值为基准计算校正因子,并对图像IGi各通道进行颜色校正,得到校正图像IGCi,i=2,…6;
步骤六:计算校正后的图像IGCi的各个品牌样品的收缩孔的区域的R、G、B通道的均值,选取B通道作为褐变的参数;
步骤七:计算B通道颜色不变量和蓝色衰变百分比,蓝色衰变百分比与时间具有线性关系,蓝色衰变百分比与起泡葡萄酒的褐变过程相符,作为褐变检测的质量标记。
所述样品为Brut、Brut Reserva、Brut Gran Reserva和Semiseco四种畅销品牌的卡瓦起泡葡萄酒,四种葡萄酒具有不同的含糖量和生产年份;取10mL分别装入4个20mL的琥珀色小瓶中,并在N2气流下脱气;将这4个装有不同品牌起泡酒的琥珀色小瓶放置在黑暗的环境中,且保存环境温度为8℃;将这4个瓶中的不同品牌的起泡酒作为后续10天的实验的标准样品,并将这4个装有标准样品的琥珀色小瓶命名为Bottle1、Bottle2、Bottle3、Bottle4;再将四个品牌的起泡葡萄酒各取10mL分别装入4个20mL的琥珀色小瓶中,并在N2气流下脱气;将这4个装有不同品牌起泡酒的琥珀色小瓶放置在完全黑暗的环境,然后放置在烘箱中,设定65±1℃的恒温,进行加速褐变试验;将这4个装有加速褐变样品的琥珀色小瓶命名为Bottle5、Bottle6、Bottle7、Bottle8;在经过0、2、4、6、8和10天的采样时间点采集样品信息,采集的时间间隔为48小时;在每个采样时间点,(1)首先提取Brut、BrutReserva、Brut Gran Reserva和Semiseco的标准样品各1份,从上到下依次放置在96孔板的中部的孔中,竖直排成1列,然后命名为第1列;(2)然后提取Brut、Brut Reserva、Brut GranReserva和Semiseco的加速褐变的样品各4份,然后每个品牌放1列,依次放入96孔板的第2~5列。
所述实验装置包括采集箱和光源,光源设置在采集箱的下方,采集箱下部设有用于盛放样品的孔板,采集箱顶部设有采集孔,采集孔位于孔板的正上方。
所述采集箱由黑色泡沫芯板制成,采集箱内部覆盖有哑光黑色天鹅绒纸;采集箱为高度80cm的长方体结构,对角线和中心垂直光路之间的差异小于5%;所述光源为强度可控的漫反射光源;孔板为96孔板,孔板由进口光学透明纯聚苯乙稀制造,经伽玛射线灭菌处理。
获取样品图像的方法为:使用0.3ml微量移液管将卡瓦起泡葡萄酒样品排列在孔板的中部,将孔板放置光源的面板上,将采集箱罩在孔板上,采集孔位于孔板的正中间的上方,将智能手机放置在采集箱顶部的采集孔上,使用智能手机的内置相机以最高的分辨率获得图像,并保存为JPEG;标准的原始样品排列在孔板中,获取所有样品到同一个图像中。
将获得的RGB图像进行灰度化和二值化处理的方法为:
将智能手机获得的RGB图像IGi中每个像素的R、G、B三个分量的平均值作为图像的灰度值,即Grayi(x,y)=(RIG,i(x,y)+GIG,i(x,y)+BIG,i(x,y))/3,得到灰度图像Grayi;
对灰度图像Grayi使用Otsu算法计算得到最佳阈值T,最佳阈值T是使得σ最大的灰度值gt:设灰度图像的灰度级是L,则灰度范围为[0,L-1],利用Ostu方法计算灰度图像的最佳阈值为:σ=Max[w0(gt)×(u0(gt)-u)^2+w1(gt)×(u1(gt)-u)^2)],其中,w0为前景比例,u0为前景灰度均值,w1为背景比例,u1为背景灰度均值,u为整幅灰度图像的均值。
T为分割图像的最佳阈值,根据最佳阈值T将灰度图像分割为2个部分,得到二值化图像BINi(x,y):
其中,Grayi(x,y)为灰度图像中(x,y)处的像素的值;
将二值化图像BINi进取反(像素值为1的变为0,像素值为0的变为1)得到二值化图像IRi;采用Matlab中的imerode函数对二值化图像IRi进行腐蚀操作:IERi=imerode(IRi,D1),其中,IERi表示二值化图像IRi被直径为8的圆形结构元素D1腐蚀后所得到的图像,i=1,2,3,···,6;D1=strel('disk',4),disk表示圆形形状。
将图像IERi进行连通区域标记的方法为:采用Matlab中连通区域标记函数bwlabel:[LJi,LNUMi]=bwlabel(IERi,8),其中,LNUMi表示图像IERi中连通区域的数量,LJi表示与图像IERi大小相同的矩阵,矩阵LJi包含了标记图像IERi中每个连通区域的类别标签,这些标签的值为1,2,…,LNUMi,8表示是按8邻域寻找连通区域;
所述识别每种类型的样本的位置的方法为:连通区域标记将每一个收缩的样本区域作为一个连通区域,针对每个连通区域,采用Matlab中的regionprops函数:STATSi=regionprops(LJi,'Centroid'),'Centroid'属性就是连通区域的质心,STATSi包含了图像IERi中的每个连通区域(的形心坐标(RXi,nu,LYi,nu),其中,下标nu的值为1~20。
校正图像的获取方法为:以图像IG1的标准的原始样品的收缩样品孔的区域的R通道、G通道和B通道的均值R1,ave、G1,ave和B1,ave为基准,后续不同时间采样点所采集的图像中的标准的原始样品所在的收缩样品孔的区域的R通道、G通道和B通道的均值为Ri,ave、Gi,ave和Bi,ave为参考,计算三个校正因子Ci,R、Ci,G和Ci,B:
其中,Ci,R、Ci,G、Ci,B为图像IGi的R通道、G通道和B通道的校正因子,i=2,3,…,6;
将图像IGi的所有像素点的R通道RIG,i乘以Ci,R、G通道GIG,i乘以Ci,G,B通道BIG,i乘以Ci,B,i=2,3,…,6,得到新的RGB三个通道,组成的图像为校正图像IGCi。
将图像IER1中的形心坐标的列坐标为LY1,1~LY1,4的连通区域的像素点置1,其它像素点置0,得到矩阵JZ1,将原始图像IG1中的所有像素点的R通道的值作为矩阵RIG,1,将原始图像IG1中的所有像素点的G通道的值作为矩阵GIG,1,将原始图像IG1中的所有像素点的B通道的值作为矩阵BIG,1;将矩阵JZ1点乘矩阵RIG,1得到矩阵DCR1,将矩阵JZ1点乘矩阵GIG,1得到矩阵DCG1,将矩阵JZ1点乘矩阵BIG,1得到矩阵DCB1;
R1,ave=sum(sum(DCR1))/sum(MJ1),
G1,ave=sum(sum(DCG1))/sum(MJ1),
B1,ave=sum(sum(DCB1))/sum(MJ1),
其中,sum(sum(DCR1))是矩阵DCR1中所有元素值的总和,sum(sum(DCG1))是矩阵DCG1中所有元素值的总和,sum(sum(DCB1))是矩阵DCB1中所有元素值的总和,sum(MJ1)是图像IER1中的形心坐标的列坐标为LY1,1~LY1,4的连通区域的像素总数,MJ1=regionprops(JZ1,'Area'),'Area'属性就是图像各个区域中的像素个数。
其中,bt0是t=0时的B通道不变量,bt是时间t的B通道的颜色不变量;蓝色衰变百分比%Bt表示褐变过程为:Y=Y0+kt,
其中,Y是420nm处的吸光度或5-HMF含量或%Bt,Y0是420nm处的吸光度或5-HMF含量或%Bt的初始值,t是时间,k是速度常数。
本发明的有益效果:将起泡葡萄酒样本放置在96孔板的中间位置的孔中,孔板放置在采集箱底部的漫射光源面板上,采用智能手机作为图像采集设备,从采集箱顶部的采集孔中获得起泡葡萄酒的数字图像,进行数字图像处理与分析,在RGB颜色空间中检测起泡葡萄酒的褐变,确定起泡葡萄酒的褐变程度;与两种广泛使用的研究420nm的吸光度和获得5-HMF含量的方法进行比较,蓝色通道衰减百分比与常用的褐变指数高度相关,是起泡酒褐变的新标记。本发明仅需获取不同褐变阶段的起泡葡萄酒样本的透射图像,就可以同时进行多个品牌的起泡葡萄酒褐变样本的分析,避免了复杂的样品处理,并且可以同步进行多样品分析,速度快,装置价格低,无需昂贵的专业仪器及其它化学试剂。
附图说明
为了更清楚地说明本发明实施例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简单地介绍,显而易见地,下面描述中的附图仅仅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为本发明的流程图。
图2为本发明图像捕获装置的机构示意图。
图3为本发明样品的排列顺序。
图4为本发明样本的灰度图像。
图5为本发明样本的二值化图像。
图6为本发明腐蚀后的图像。
图7为加速褐变引起各品牌样本区域的R、G、B通道的均值变化示意图。
图8为各品牌样本B通道衰减与加热时间的百分比图像。
图9为各品牌样本420nm处的吸光度与蓝色通道衰减百分比的关系图像。
图10为各品牌样本5-HMF含量与蓝色通道衰变百分比的关系图。
图11为几种算法的定性比较。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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付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。
如图1所示,一种基于机器视觉的起泡葡萄酒褐变过程检测装置及方法,其步骤如下:
步骤一:搭建实验装置,制备样品。
使用四种畅销品牌的卡瓦起泡葡萄酒作为研究对象,包括Brut、Brut Reserva、Brut Gran Reserva和Semiseco,四种葡萄酒具有不同的含糖量和生产年份。初始采样时,每种类型的卡瓦葡萄酒的品质参数如表1所示。使用国际葡萄与葡萄酒组织的标准方法测量每种样品的含量糖、酒精含量、pH、游离和总二氧化硫。其中,酒精含量符合卡瓦酒酒瓶上标示的值。
表1 4种品牌Cava起泡葡萄酒的品质参数
将四个品牌的起泡葡萄酒各取10mL分别装入4个20mL的琥珀色小瓶中,并在N2气流下脱气。之后将这4个装有不同品牌起泡酒的琥珀色小瓶放置在黑暗的环境中,且保存环境温度为8℃,在该环境下放置10天的时间,其褐变可以忽略不计。将这4个瓶中的不同品牌的起泡酒作为后续实验的标准样品,并将这4个装有标准样品的琥珀色小瓶命名为Bottle1、Bottle2、Bottle3、Bottle4。
紧接着,再将四个品牌的起泡葡萄酒各取10mL分别装入4个20mL的琥珀色小瓶中,并在N2气流下脱气。将这4个装有不同品牌起泡酒的琥珀色小瓶放置在完全黑暗的环境,然后放置在烘箱中,设定65±1℃的恒温,进行加速褐变试验。并将这4个装有加速褐变样品的琥珀色小瓶命名为Bottle5、Bottle6、Bottle7、Bottle8。
在第0、2、4、6、8和10天(6个采样时间点)采集样品信息,采集的时间间隔为48小时。在每个采样时间点,(1)首先提取Brut、Brut Reserva、Brut Gran Reserva和Semiseco的标准样品各1份,从上到下依次放置在96孔板的中部的孔中,竖直排成1列,然后命名为第1列;(2)然后提取Brut、Brut Reserva、Brut Gran Reserva和Semiseco的加速褐变的样品各4份,然后每个品牌放1列,依次放入96孔板的第2~5列,如图3所示。因此,共分析了120个样品(6个采样时间点×4个Cava品牌×5份(4份加速褐变样品及1份标准样品))。
实验装置如图2所示,包括采集箱2和光源4,光源4设置在采集箱2的下方,采集箱2下部设有用于盛放样品的96孔板3,采集箱2顶部设有采集孔1,采集孔1位于孔板3的正上方。采集箱1由黑色泡沫芯板制成,内部覆盖有哑光黑色天鹅绒纸,以消除内部光线反射。采集箱1为高80cm的长方体,使得对角线和中心垂直光路之间的差异小于5%,以便减小由于光线经过不同路径而引起的差异。光源4为强度可控的漫反射光源。孔板3为96孔板,由进口光学透明纯聚苯乙稀制造,经伽玛射线灭菌处理。
步骤二:利用智能手机的相机获取样品图像,将获得的RGB图像进行灰度化和二值化处理。
使用微量移液管(0.3ml)将卡瓦起泡葡萄酒样品排列在孔板3的中部的孔中,每孔加0.15ml样品,将孔板3放置在光源4的面板上,将采集箱2罩在孔板3上,采集孔1位于孔板3的正上方。将智能手机放置在采集箱顶部的采集孔1上,使用智能手机的内置相机以最高的分辨率获得图像(3888×5152=20030976像素),并保存为JPEG格式。每次采集时,获取孔板中的所有样品到同一个图像中,以避免由于照明源的波动或智能手机晃动造成的影响。为了提高效率,并能够在不同的样品图像之间进行比较,每次采集图像时都会在孔板的第1列放置标准的原始样品,取自每个采用时间点的Bottle1、Bottle2、Bottle3、Bottle4。
在96孔板的中心位置放置样品,从左到右依次排列,第1列为标准的原始样品(每种起泡葡萄酒1份,分别来自Bottle1、Bottle2、Bottle3和Bottle4,共4份),第2列为Brut样品4份(来自Bottle5),第3列为Brut Reserva样品4份(来自Bottle6),第4列为Brut GranReserva样品4份(来自Bottle7),第5列为Semiseco样品4份(来自Bottle8),如图3所示。
首先获取包含加速褐变的起泡葡萄酒样品与标准起泡葡萄酒的样品的图像,在后续的采样时间点采集包含褐变样本和标准样品的图像。通过在6个采样时间点获取6个图像,在第1次,获取孔板中的标准样品和经过0天加速褐变的样品的图像IG1;在第2次,获取孔板中的标准样品和经过2天加速褐变的样品的图像IG2;在第3次,获取孔板中的标准样品和经过4天加速褐变的样品的图像IG3;在第4次,获取孔板中的标准样品和经过6天加速褐变的样品的图像IG4;在第5次,获取孔板中的标准样品和经过8天加速褐变的样品的图像IG5;在第6次,获取孔板中的标准样品和经过10天加速褐变的样品的图像IG6。每次采样时间点获取图像前,都要从Bottle1~Bottle8取出样品放入孔板中的相应位置,如图3所示。采集样品的图像时,在相机的预览视窗中尽量保证装有样品的每列处于竖直状态,使得获取的图像接近图3中的样品放置的理想位置,以便于后续的图像处理。
使用白板研究照明和测量的均匀性,将白板放置在漫反射光源上,并采用智能手机的内置相机以最高的分辨率获得图像IB(3888×5152=20030976像素),将图像IB平均分为322×243=78246块(各个块表示为BKnum1,num2,num1的值为1~322,num2的值为1~243),每块的大小为16×16=256像素。统计BKnum1,num2的RGB三通道的均值BKnum1,num2,ave。
其中,RIB(x,y)、GIB(x,y)和BIB(x,y)分别表示图像IB中在像素点(x,y)处的R通道的值、G通道的值和B通道的值。x的取值范围为0~3887,y的取值范围为0~5151。
统计BKnum1,num2,ave中的最大值MAXbk及最小值MINbk,经过计算,最大差异(MAXbk-MINbk)/MAXbk小于1%,表明外部照明的影响较小,满足本发明对照明的均匀性的要求。本发明使用孔板中心位置的图像数据,以此来尽量减小误差。
将智能手机获得的RGB图像IGi(i的值为1~6)转换为灰度图像Grayi,采用平均值法,即提取RGB三通道的平均值作为灰度值:
Grayi(x,y)=(RIG,i(x,y)+GIG,i(x,y)+BIG,i(x,y))/3
其中,RIG,i(x,y)、GIG,i(x,y)、BIG,i(x,y)分别为图像IGi中的像素点(x,y)处的R、G、B通道的值;Grayi(x,y)表示灰度图像在像素点(x,y)处的灰度值,如图4所示。
需要确定阈值才能对灰度图像Grayi进行二值化处理,最大类间方差法(Ostu)计算简单、稳定有效,是实际应用中经常采用的确定阈值的方法。Ostu算法被认为是图像分割中阈值选取的较佳算法,该算法不受图像亮度和对比度的影响,因此在数字图像处理上得到了广泛的应用。Ostu算法是按图像的灰度特性,将图像分成背景和前景两部分。背景和前景之间的类间方差越大,说明构成图像的两部分的差别越大,当部分前景错分为背景或部分背景错分为前景都会导致两部分差别变小,因此,使类间方差最大的分割意味着错分概率最小。
设灰度图像的灰度级是L,则灰度范围为[0,L-1],利用Ostu算法计算灰度图像的最佳阈值为:
σ=Max[w0(gt)×(u0(gt)-u)^2+w1(gt)×(u1(gt)-u)^2)]
其中,w0为前景比例,u0为前景灰度均值,w1为背景比例,u1为背景灰度均值,u为整幅灰度图像的均值,使得σ最大的灰度值gt就是分割图像的最佳阈值T。
对灰度图像Grayi(x,y)使用上面的准则找到最佳阈值T,将图像分割为2个部分,得到二值化图像BINi(x,y)。
其中,Grayi(x,y)为灰度图像Grayi中(x,y)处的像素的值,i的取值为1~6(共采集6次图像,每次获得1个图像),二值化后的图像BINi(x,y)如图5所示。
步骤三:将图像BINi中的像素全部取反,得到二值化图像IRi;运用结构元素对图像IRi进行腐蚀得到图像IERi,获得装有样品的孔的收缩区域,防止装有样品的孔的边缘对样品的图像处理造成干扰。
D1表示直径为4的圆形结构元素,其创建函数为:
D1=strel('disk',4)
其含义为创建一个半径为4(即直径为8)的圆形结构元素,disk表示圆形形状。strel函数的功能是构造结构元素(Structuring element),所谓结构元素,可以看做是一张小图像,它通常用于图像的形态学运算(如膨胀、腐蚀、开运算和闭运算等)。
将图像BINi中的像素全部取反,得到图像IRi。即图像BINi中原来的像素点的值为0,则变为1;原来的像素点的值为1,则变为0。
采用Matlab中的imerode函数将二值化图像IRi进行形态学处理中的腐蚀操作,具体的操作方法为:
IERi=imerode(IRi,D1)
其中,IERi表示二值化图像IRi被直径为8的圆形结构元素D1腐蚀后所得到的图像,i=1,2,···,6。如图6所示。利用圆形结构元素D1对二值化图像IRi进行形态学的腐蚀处理,去除了图像中未盛放样品的空孔的边界,同时也去除盛放样品的孔的边界,得到样品中心区域的图像,即样品的孔的收缩区域,防止装有样品的孔的边缘对样品的图像处理造成干扰。图像中装有样品的孔的区域中,通过采用形态学的腐蚀方法将图像中的样本区域进行了腐蚀(达到了收缩样本区域的目的),只采用孔内部的像素,去除了孔的边界的影响。
步骤四:将图像IERi进行连通区域标记,根据连通区域标记识别每种类型的样本的位置。
图像IERi进行连通区域标记,用于对装有不同样本的孔的图像进行处理。如果E与F连通,F与G连通,则E与G连通。在视觉上看来,彼此连通的点形成了一个区域,而不连通的点形成了不同的区域。这样一个所有的彼此连通点构成的集合称为一个连通区域。二值化图像分析最重要的方法就是连通区域标记,它通过对二值化图像中白色像素(目标)的标记让每个单独的连通区域形成一个被标识的块,进一步地可以获取这些块的面积、轮廓、外接矩形、质心和不变矩等几何参数。
本发明采用Matlab中连通区域标记函数bwlabel:[LJi,LNUMi]=bwlabel(IERi,8),其中LNUMi表示图像IERi中连通区域的数量,由于每个图像中都有20个样品,所以LNUMi=20。LJi表示和IERi为大小相同的矩阵,LJi矩阵包含了标记图像IERi中每个连通区域的类别标签,这些标签的值为1,2,…,LNUMi,公式中的8表示是按8邻域寻找连通区域。
函数bwlabel的算法是一次遍历图像,并记下每一行(或列)中连续的团和标记的等价对,然后通过等价对对原来的图像进行重新标记。这个算法是目前效率较高的一个,算法中用到了稀疏矩阵与Dulmage-Mendelsohn分解算法用来消除等价对。
将图像IERi进行连通区域标记,实现每一个收缩的样本区域作为一个连通区域,针对每个连通区域,采用Matlab中regionprops函数:STATSi=regionprops(LJi,'Centroid'),'Centroid'属性就是该区域的质心(即连通区域的形心)。
根据regionprops函数计算得到的STATSi包含了图像IERi中的每个连通区域(即每个样本区域)的形心坐标(RXi,nu,LYi,nu),其中nu的值为1~20。这些连通区域的形心按照列坐标从小到大排列为LYi,1~LYi,20,其中列坐标最小的LYi,1~LYi,4这4个样本区域,即为样本图像中的标准样品区域(该列共有四个样品,从上到下依次为Brut标准样品、BrutReserva标准样品、Brut Gran Reserva标准样品、Semiseco标准样品);列坐标为LYi,5~LYi,8这4个样本区域,即为样本图像中的Brut样品区域;列坐标为LYi,9~LYi,12这4个样本区域,即为样本图像中的Brut Reserva样品区域;列坐标为LYi,13~LYi,16这4个样本区域,即为样本图像中的Brut Gran Reserva样品区域;列坐标为LYi,17~LYi,20这4个样本区域,即为样本图像中的Semiseco样品区域。
步骤五:以图像IG1的标准的原始样品的收缩样品孔的区域的R通道、G通道和B通道的均值为基准计算校正因子,并对图像IGi各通道进行颜色校正,得到校正图像IGCi,i=2,…6。
将图像IER1中的形心坐标的列坐标为LY1,1~LY1,4的连通区域的像素点置1,其它像素点置0,得到矩阵JZ1,然后将原始图像IG1中的所有像素点的R通道的值作为矩阵RIG,1,将原始图像IG1中的所有像素点的G通道的值作为矩阵GIG,1,将原始图像IG1中的所有像素点的B通道的值作为矩阵BIG,1。将JZ1点乘RIG,1得到DCR1,将JZ1点乘GIG,1得到DCG1,将JZ1点乘BIG,1得到DCB1。
采用matlab中的regionprops函数:MJ1=regionprops(JZ1,'Area'),计算图像IG1的标准样品的收缩孔的区域的R通道的均值。该函数包含的'Area'属性就是图像各个区域中像素总个数。
R1,ave=sum(sum(DCR1))/sum(MJ1),
G1,ave=sum(sum(DCG1))/sum(MJ1),
B1,ave=sum(sum(DCB1))/sum(MJ1),
其中,sum(sum(DCR1))是矩阵DCR1中所有元素值的总和,sum(sum(DCG1))是矩阵DCG1中所有元素值的总和,sum(sum(DCB1))是矩阵DCB1中所有元素值的总和,sum(MJ1)是图像IER1中的形心坐标的列坐标为LY1,1~LY1,4的连通区域的像素总数。同理,计算得到G1,ave和B1,ave。
同理,计算得到图像IGi的标准样品的收缩样品孔的区域的R通道、G通道和B通道的均值Ri,ave、Gi,ave和Bi,ave,其中i=2,3,…,6。
然后进行颜色校正。以图像IG1的标准的原始样品的收缩样品孔的区域的R通道、G通道和B通道的均值R1,ave、G1,ave和B1,ave为基准,后续不同时间采样点所采集的图像IGi(i=2,3,…,6)中的标准的原始样品所在的孔的区域的R通道、G通道和B通道的均值为Ri,ave、Gi,ave和Bi,ave为参考(其中i=2,3,…,6),计算三个校正因子Ci,R、Ci,G和Ci,B(其中i=2,3,…,6)。
其中,Ci,R、Ci,G、Ci,B为图像IGi的R通道、G通道和B通道的校正因子。
将图像IGi的所有像素点的R通道RIG,i乘以Ci,R、G通道GIG,i乘以Ci,G,B通道BIG,i乘以Ci,B,得到新的RGB三个通道,组成的图像命名为校正图像IGCi,其中i=2,3,…,6。
步骤六:计算校正后的图像IGCi的各个品牌样品的收缩孔的区域的R、G、B通道的均值,选取B通道作为褐变的参数。
采用之前的方法,得到校正图像IGCi(i=1,2,…,6)的各品牌加速褐变样本的收缩区域的R、G、B三通道的均值RIGC,i,ave、GIGC,i,ave、BIGC,i,ave,并画图,如图7所示。图7显示了伴随加热时间,样品区域的R、G和B通道值的演变。可以看出,加速变化主要反映在B通道,而R和G值基本保持恒定。随着加热时间的增加,这表现为更深的黄色,即向更浅的棕色变化。Brut和GRes样品的B通道的变化具有明显的线性依赖性,而在Res和SS中,48小时后的褐变开始,此后蓝色通道值和时间之间再次呈线性依赖关系。原始的起泡葡萄酒样品显示出其颜色的轻微差异,如Brut和Brut Reserva(Res)样品彼此更相似。而Semiseco(SS)和BrutGran Reserva(GRes)显示较大的差异,样本之间的最大差异在于蓝色通道。
步骤七:计算B通道颜色不变量和蓝色衰变百分比;蓝色衰变百分比与时间具有线性关系,与起泡葡萄酒的褐变过程相符。
除了使用了RIGC,i,ave、GIGC,i,ave、BIGC,i,ave值的变化进行分析,还采用了R、G、B颜色不变量对褐变进行研究。将样品图像IGCi的B通道转换为相应颜色不变量(bi=BIGC,i,ave/(RIGC,i,ave+GIGC,i,ave+BIGC,i,ave)),以量化和比较褐变。B通道颜色不变量类似于吸光度,可以计算蓝色衰变百分比(%Bt)。此时的bi对应于bt。
其中,bt0是t=0时的B通道不变量,bt是时间t的B通道的颜色不变量。图8显示了所研究的样品的%Bt随时间的变化,可以看出,褐变反映在%Bt随时间线性增加。
其中,xday为时间单位(天)。
在岛津紫外分光光度计(UV-3600,德国杜伊斯堡)中使用10mm路径长度的石英比色杯和双蒸水作为参考,测量4种品牌的Cava起泡葡萄酒在420nm处的吸光度。在420nm(A420)的吸光度值乘以1000倍,表示为毫吸光度单位(milli-absorbance units,简称mAU)。根据国际葡萄与葡萄酒组织的方法在每个样品中测定5-HMF,使用具有四级L-7100泵、L-7455二极管阵列检测器及LaChrom色谱柱的日立液相色谱仪(Hitachi)进行4种品牌的Cava起泡葡萄酒的液相色谱分析。本发明中的图像采集设备是华为荣耀7智能手机,具有5.2英寸触摸显示屏,分辨率为1920像素×1080像素,2000万像素摄像头(5152×3888像素图像),支持PDAF相位检测快速对焦,F2.0光圈。
为了评估本发明检测效果,将%Bt与其它常规褐变监测参数(如A420和5-HMF含量)进行比较,图9显示了在420nm(A420)处测量的吸光度和%Bt之间的相关性。
进行线性回归分析以确定这些褐变指标之间的关系:
其中,x为样品在420nm(A420)处的吸光度,y为%Bt。
结果表明,%Bt与A420所表示的褐变指数呈现相似的趋势。应注意两种不同方法之间具有高度的相关性。考虑到420nm对应于蓝色和紫色之间的边界中的颜色,吸收带将给样品带黄色至橙色/棕色,相应地,这些变化将反映在图像的B通道中。同样显著的是,不同样品之间存在一致性,它们的斜率非常相似,特别是Brut、Res和SS样品。
另一方面,图10显示了%Bt和5-HMF含量之间的相关性。进行线性回归分析以确定这些褐变指标之间的关系:
其中,x为样品的5-HMF含量,y为%Bt。
可以看出,它们之间存在很高的相关性,特别是Brut,Res和SS样本。应该注意的是,5-HMF不是唯一指示葡萄酒褐变的化合物,因此斜率值的差异可归因于其它化合物的存在也影响葡萄酒的颜色。
关于%Bt、5-HMF含量和A420获得的结果显示了褐变过程的特点,其可以通过以下等式描述:
Y=Y0+kt (8)
其中,Y是420nm处的吸光度(mAU)或5-HMF含量或%Bt,t是时间(以天为单位),k是速度常数(表示为A420的mAU/day,5-HMF的mg/L/天,对于Bt的蓝色通道每天的百分比衰减)。
零级动力学(zero-order elimination kineics)是指药物在体内以恒定的速率消除,即不论血浆药物浓度高低,单位时间内消除的药物量不变。产生零级动力学过程的主要原因是药物代谢酶、药物转运体以及药物与血浆蛋白结合的饱和过程,零级动力学过程有主动转运的特点。零级动力学是从自然力体系中建立起来,如电磁力,生物力学,引力。零级动力学的内涵丰富,自然天成,启示深远,应用广泛。本发明采用零级动力学的相关理论,进行起泡葡萄酒褐变的研究。零级动力学的公式与上式相同(此时,k为零级速率常数,Y0为初始血药浓度,Y为t时的血药浓度)。对于每个样品的零级动力学计算的速度常数和监测方法如表2所示。可以看出,使用%Bt作为对照变量也观察到零级动力学(表2和图8)。此外,尽管评估的褐变速率常数的值根据不同的使用方法而不同,但结果之间的关系确实遵循相同的趋势。
表2零级动力学参数(A420、5-HMF、%Bt)
随着时间增加,起泡葡萄酒在不断发酵(从Brut Gran Reserva到Brut Reserva),褐变速度常数随着糖含量的增加而增加(从Brut到Semiseco)。显示糖含量恒定的速度增加,如预期的那样,5-HMF形成与初始糖含量高度相关,因为5-HMF形成速率是糖依赖性的(Camara J S,Alves M A,Marques J C.Changes in volatile composition of Madeirawines during their oxidative ageing[J].Analytica Chimica Acta,2006,563(1):188-197.)。因此,最少受褐变过程影响的起泡葡萄酒似乎是最高质量的葡萄酒(Brut GranReserva,Brut Reserva)。图11以图形方式总结了获得的结果,可以看出,本发明使褐变过程得以表征,并且与已知方法完全一致。
本发明提出了一种用于监测起泡葡萄酒的褐变过程的比色法,该方法速度快、耗费低。以智能手机的相机为采集装置,并且用于对卡瓦葡萄酒的透射图像进行分析,避免了复杂的样品处理,并且可以进行单步多样品分析。本发明提出了一种新的控制参数,随时间的推移,蓝色通道百分比衰减,这使得褐变动力学得以研究和表征。即R、G通道在褐变过程中几乎保持不变,褐变过程具有时间依赖性,随时间增长而主要影响B通道。本发明提出将蓝色通道衰减百分比%Bt作为起泡葡萄酒的质量标记,该值与420nm处的吸光度和5-羟甲基-2-糠醛的含量高度相关,420nm处的吸光度和5-羟甲基-2-糠醛的含量是葡萄酒褐变的常用的质量标记,获得的结果与已有的研究方法完全一致。因此,新参数与糠醛化合物的存在高度相关,反映在与A420的相关性以及在较小程度上与5-HMF浓度相关,因为这仅是褐变过程中涉及的着色化合物之一。本发明的结果表明%Bt是一个很好的褐变描述符,仅需获取不同褐变阶段的起泡葡萄酒样本的透射图像,就可以同时进行多个品牌的起泡葡萄酒样本的分析,装置价格便宜,无需昂贵的专业仪器及其它化学试剂。
本发明所提出的方法可以作为常规方法的替代方案,并且可以用作起泡葡萄酒的关键质量控制指标。本发明所提出的方法已经证明了其有用性,因此基于本方法的进一步研究将是非常有意义的。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于机器视觉的起泡葡萄酒褐变过程检测方法,其特征在于,其步骤如下:
步骤一:搭建实验装置,制备样品;
步骤二:利用智能手机的相机获取样品图像,将获得的RGB图像IGi进行灰度化和二值化处理,得到二值化图像BINi,i=1,2,…,6;
步骤三:运用结构元素对二值化图像BINi进行腐蚀,得到图像IEi,获得装有样品的孔的收缩区域;
步骤四:将图像IEi中的像素全部取反,得到图像IERi;将图像IERi进行连通区域标记,根据连通区域标记识别每种类型的样本;
步骤五:以图像IG1的标准的原始样品的收缩孔的区域的R通道、G通道和B通道的均值为基准计算校正因子,并对图像IGi各通道进行颜色校正,得到校正图像IGCi,i=2,…6;
步骤六:计算校正后的图像IGCi的各个品牌样品的收缩孔的区域的R、G、B通道的均值,选取B通道作为褐变的参数;
步骤七:计算B通道颜色不变量和蓝色衰变百分比,蓝色衰变百分比与时间具有线性关系,蓝色衰变百分比与起泡葡萄酒的褐变过程相符,作为褐变检测的质量标记;
其中,bt0是t=0时的B通道颜色不变量,bt是时间t的B通道颜色不变量;RIGC,i,ave、GIGC,i,ave、BIGC,i,ave分别为校正后的图像IGCi的各品牌加速褐变样本的收缩区域的R、G、B三通道的均值。
2.根据权利要求1所述的基于机器视觉的起泡葡萄酒褐变过程检测方法,其特征在于,所述样品为Brut、Brut Reserva、Brut Gran Reserva和Semiseco四种畅销品牌的卡瓦起泡葡萄酒,四种葡萄酒具有不同的含糖量和生产年份;取10mL分别装入4个20mL的琥珀色小瓶中,并在N2气流下脱气;将这4个装有不同品牌起泡酒的琥珀色小瓶放置在黑暗的环境中,且保存环境温度为8℃;将这4个瓶中的不同品牌的起泡酒作为后续10天的实验的标准样品,并将这4个装有标准样品的琥珀色小瓶命名为Bottle1、Bottle2、Bottle3、Bottle4;再将四个品牌的起泡葡萄酒各取10mL分别装入4个20mL的琥珀色小瓶中,并在N2气流下脱气;将这4个装有不同品牌起泡酒的琥珀色小瓶放置在完全黑暗的环境,然后放置在烘箱中,设定65±1℃的恒温,进行加速褐变试验;将这4个装有加速褐变样品的琥珀色小瓶命名为Bottle5、Bottle6、Bottle7、Bottle8;在经过0、2、4、6、8和10天的采样时间点采集样品信息,采集的时间间隔为48小时;在每个采样时间点,(1)首先提取Brut、Brut Reserva、BrutGran Reserva和Semiseco的标准样品各1份,从上到下依次放置在96孔板的中部的孔中,竖直排成1列,然后命名为第1列;(2)然后提取Brut、Brut Reserva、Brut Gran Reserva和Semiseco的加速褐变的样品各4份,然后每个品牌放1列,依次放入96孔板的第2~5列。
3.根据权利要求1所述的基于机器视觉的起泡葡萄酒褐变过程检测方法,其特征在于,所述实验装置包括采集箱(2)和光源(4),光源(4)设置在采集箱(2)的下方,采集箱(2)下部设有用于盛放样品的孔板(3),采集箱(2)顶部设有采集孔(1),采集孔(1)位于孔板(3)的正上方。
4.根据权利要求3所述的基于机器视觉的起泡葡萄酒褐变过程检测方法,其特征在于,所述采集箱(2)由黑色泡沫芯板制成,采集箱(2)内部覆盖有哑光黑色天鹅绒纸;采集箱(2)为高度80cm的长方体结构,对角线和中心垂直光路之间的差异小于5%;所述光源(4)为强度可控的漫反射光源;孔板(3)为96孔板,孔板(3)由进口光学透明纯聚苯乙稀制造,经伽玛射线灭菌处理。
5.根据权利要求2或3所述的基于机器视觉的起泡葡萄酒褐变过程检测方法,其特征在于,获取样品图像的方法为:使用0.3ml微量移液管将卡瓦起泡葡萄酒样品排列在孔板(3)的中部,将孔板(3)放置光源(4)的面板上,将采集箱(2)罩在孔板(3)上,采集孔(1)位于孔板(3)的正上方,将智能手机放置在采集箱顶部的采集孔(1)上,使用智能手机的内置相机以最高的分辨率获得图像,并保存为JPEG;标准的原始样品排列在孔板中,获取所有样品到同一个图像中。
6.根据权利要求1所述的基于机器视觉的起泡葡萄酒褐变过程检测方法,其特征在于,将获得的RGB图像进行灰度化和二值化处理的方法为:
将智能手机获得的RGB图像IGi中每个像素的R、G、B三个分量的平均值作为图像的灰度值,即Grayi(x,y)=(RIG,i(x,y)+GIG,i(x,y)+BIG,i(x,y))/3,得到灰度图像Grayi;
对灰度图像Grayi使用Otsu算法计算得到最佳阈值T,最佳阈值T是使得σ最大的灰度值gt:设灰度图像的灰度级是L,则灰度范围为[0,L-1],利用Ostu方法计算灰度图像的最佳阈值为:σ=Max[w0(gt)×(u0(gt)-u)^2+w1(gt)×(u1(gt)-u)^2)],其中,w0为前景比例,u0为前景灰度均值,w1为背景比例,u1为背景灰度均值,u为整幅灰度图像的均值;
T为分割图像的最佳阈值,根据最佳阈值T将灰度图像分割为2个部分,得到二值化图像BINi(x,y):
其中,Grayi(x,y)为灰度图像中(x,y)处的像素的值;
将二值化图像BINi取反得到二值化图像IRi,采用Matlab中的imerode函数对IRi进行腐蚀操作:IERi=imerode(IRi,D1),其中,IERi表示二值化图像IRi被直径为8的圆形结构元素D1腐蚀后所得到的图像,i=1,2,3,···,6;D1=strel('disk',4),disk表示圆形形状。
7.根据权利要求6所述的基于机器视觉的起泡葡萄酒褐变过程检测方法,其特征在于,将图像IERi进行连通区域标记的方法为:采用Matlab中连通区域标记函数bwlabel:[LJi,LNUMi]=bwlabel(IERi,8),其中,LNUMi表示图像IERi中连通区域的数量,LJi表示与图像IERi大小相同的矩阵,矩阵LJi包含了标记图像IERi中每个连通区域的类别标签,这些标签的值为1,2,…,LNUMi,8表示是按8邻域寻找连通区域;
所述识别每种类型的样本的位置的方法为:连通区域标记将每一个收缩的样本区域作为一个连通区域,针对每个连通区域,采用Matlab中的regionprops函数:STATSi=regionprops(LJi,'Centroid'),'Centroid'属性就是连通区域的质心,STATSi包含了图像IERi中的每个连通区域的形心坐标(RXi,nu,LYi,nu),其中,下标nu的值为1~20。
8.根据权利要求1所述的基于机器视觉的起泡葡萄酒褐变过程检测方法,其特征在于,校正图像的获取方法为:以图像IG1的标准的原始样品的收缩孔的区域的R通道、G通道和B通道的均值R1,ave、G1,ave和B1,ave为基准,后续不同时间采样点所采集的图像中的标准的原始样品所在的收缩孔的区域的R通道、G通道和B通道的均值为Ri,ave、Gi,ave和Bi,ave为参考,计算三个校正因子Ci,R、Ci,G和Ci,B:
其中,Ci,R、Ci,G、Ci,B为图像IGi的R通道、G通道和B通道的校正因子,i=2,3,…,6;
将图像IGi的所有像素点的R通道RIG,i乘以Ci,R、G通道GIG,i乘以Ci,G,B通道BIG,i乘以Ci,B,i=2,3,…,6,得到新的RGB三个通道,组成的图像为校正图像IGCi。
9.根据权利要求7或8所述的基于机器视觉的起泡葡萄酒褐变过程检测方法,其特征在于,将图像IER1中的形心坐标的列坐标为LY1,1~LY1,4的连通区域的像素点置1,其它像素点置0,得到矩阵JZ1,将原始图像IG1中的所有像素点的R通道的值作为矩阵RIG,1,将原始图像IG1中的所有像素点的G通道的值作为矩阵GIG,1,将原始图像IG1中的所有像素点的B通道的值作为矩阵BIG,1;将矩阵JZ1点乘矩阵RIG,1得到矩阵DCR1,将矩阵JZ1点乘矩阵GIG,1得到矩阵DCG1,将矩阵JZ1点乘矩阵BIG,1得到矩阵DCB1;
R1,ave=sum(sum(DCR1))/sum(MJ1),
G1,ave=sum(sum(DCG1))/sum(MJ1),
B1,ave=sum(sum(DCB1))/sum(MJ1),
其中,sum(sum(DCR1))是矩阵DCR1中所有元素值的总和,sum(sum(DCG1))是矩阵DCG1中所有元素值的总和,sum(sum(DCB1))是矩阵DCB1中所有元素值的总和,sum(MJ1)是图像IER1中的形心坐标的列坐标为LY1,1~LY1,4的连通区域的像素总数,MJ1=regionprops(JZ1,'Area'),'Area'属性就是图像各个区域中的像素个数。
10.根据权利要求1所述的基于机器视觉的起泡葡萄酒褐变过程检测方法,其特征在于,所述蓝色衰变百分比%Bt表示褐变过程为:Y=Y0+kt,
其中,Y是420nm处的吸光度或5-HMF含量或%Bt,Y0是420nm处的吸光度或5-HMF含量或%Bt的初始值,t是时间,k是速度常数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711266254.8A CN108022239B (zh) | 2017-12-05 | 2017-12-05 | 一种基于机器视觉的起泡葡萄酒褐变过程检测装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711266254.8A CN108022239B (zh) | 2017-12-05 | 2017-12-05 | 一种基于机器视觉的起泡葡萄酒褐变过程检测装置及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108022239A CN108022239A (zh) | 2018-05-11 |
CN108022239B true CN108022239B (zh) | 2020-03-10 |
Family
ID=62078258
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711266254.8A Active CN108022239B (zh) | 2017-12-05 | 2017-12-05 | 一种基于机器视觉的起泡葡萄酒褐变过程检测装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108022239B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109211815A (zh) * | 2018-10-30 | 2019-01-15 | 福建省农业科学院食用菌研究所(福建省蘑菇菌种研究推广站) | 一种白色双孢蘑菇菌盖损伤褐变的量化评价方法 |
CN112734688A (zh) * | 2020-12-11 | 2021-04-30 | 江苏大学 | 基于机器视觉的马铃薯褐变检测方法 |
CN116183535B (zh) * | 2023-04-23 | 2023-08-29 | 中国科学技术大学 | 分析高分子溶液陈化过程光谱的方法、***、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101282489A (zh) * | 2008-04-24 | 2008-10-08 | 北京中星微电子有限公司 | 一种光源检测设备和方法及图像处理方法 |
CN101714257A (zh) * | 2009-12-23 | 2010-05-26 | 公安部第三研究所 | 图像主颜色特征提取和结构化描述的方法 |
CN105303189A (zh) * | 2014-07-29 | 2016-02-03 | 阿里巴巴集团控股有限公司 | 一种用于检测预定区域中特定标识图像的方法及装置 |
CN107424198A (zh) * | 2017-07-27 | 2017-12-01 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、移动终端及计算机可读存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8546458B2 (en) * | 2010-12-07 | 2013-10-01 | Allergan, Inc. | Process for texturing materials |
-
2017
- 2017-12-05 CN CN201711266254.8A patent/CN108022239B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101282489A (zh) * | 2008-04-24 | 2008-10-08 | 北京中星微电子有限公司 | 一种光源检测设备和方法及图像处理方法 |
CN101714257A (zh) * | 2009-12-23 | 2010-05-26 | 公安部第三研究所 | 图像主颜色特征提取和结构化描述的方法 |
CN105303189A (zh) * | 2014-07-29 | 2016-02-03 | 阿里巴巴集团控股有限公司 | 一种用于检测预定区域中特定标识图像的方法及装置 |
CN107424198A (zh) * | 2017-07-27 | 2017-12-01 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、移动终端及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108022239A (zh) | 2018-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Arvanitoyannis et al. | Application of quality control methods for assessing wine authenticity: Use of multivariate analysis (chemometrics) | |
CN108445094B (zh) | 气相离子迁移谱快速鉴别黄酒酒龄的建立方法以及应用 | |
Bokulich et al. | Associations among wine grape microbiome, metabolome, and fermentation behavior suggest microbial contribution to regional wine characteristics | |
CN108022239B (zh) | 一种基于机器视觉的起泡葡萄酒褐变过程检测装置及方法 | |
Berna et al. | Geographical origin of Sauvignon Blanc wines predicted by mass spectrometry and metal oxide based electronic nose | |
Cuadros-Inostroza et al. | Discrimination of wine attributes by metabolome analysis | |
de Villiers et al. | Analytical techniques for wine analysis: An African perspective; a review | |
CN109781918B (zh) | 一种不同企业生产的黄酒的气相离子迁移谱鉴别方法 | |
Moreno-García et al. | Biological aging status characterization of Sherry type wines using statistical and oenological criteria | |
Catharino et al. | Characterization of must and wine of six varieties of grapes by direct infusion electrospray ionization mass spectrometry | |
Canizo et al. | Quality monitoring and authenticity assessment of wines: Analytical and chemometric methods | |
Lloyd et al. | Metabolomics approaches for resolving and harnessing chemical diversity in grapes, yeast and wine | |
Peng et al. | Ageing status characterization of Chinese spirit using scent characteristics combined with chemometric analysis | |
Fonayet et al. | MS-and NMR-metabolomic tools for the discrimination of wines: Applications for authenticity | |
García‐Estévez et al. | Effect of the type of oak barrels employed during ageing on the ellagitannin profile of wines | |
Sochorova et al. | Electrochemical and others techniques for the determination of malic acid and tartaric acid in must and wine | |
Warren-Vega et al. | A critical review on the assessment of the quality and authenticity of Tequila by different analytical techniques: Recent advances and perspectives | |
Zou et al. | Traditional vinegars identification by colorimetric sensor | |
Zoecklein et al. | Laboratory procedures | |
CN108845021A (zh) | 一种食醋不同生产工艺方式的快速鉴别方法 | |
Sádecká et al. | Fluorescence spectroscopy for the analysis of spirit drinks | |
Yang et al. | Qualitative analysis of age and brand of unblended brandy by electronic nose | |
Su et al. | Assessing geographical origin of Diqing wines based on their elemental and isotopic profiles | |
Schneider et al. | ROUTINE MEASUREMENT OF FLAVONOID PHENOLS RELATED TO AS-TRINGENCY AND PREMATURE AGING OF WHITE WINES, AND TECH-NICAL CONSEQUENCES | |
Koljančić et al. | Wine authentication: Current progress and state of the art |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |