CN109975292A - 一种基于机器视觉的大西洋鲑鱼和虹鳟鱼快速鉴别方法 - Google Patents

一种基于机器视觉的大西洋鲑鱼和虹鳟鱼快速鉴别方法 Download PDF

Info

Publication number
CN109975292A
CN109975292A CN201910203834.5A CN201910203834A CN109975292A CN 109975292 A CN109975292 A CN 109975292A CN 201910203834 A CN201910203834 A CN 201910203834A CN 109975292 A CN109975292 A CN 109975292A
Authority
CN
China
Prior art keywords
atlantic salmon
rainbow trout
image
sample
quick identification
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910203834.5A
Other languages
English (en)
Inventor
孙宗保
王天真
田丽媛
邹小波
梁黎明
闫晓静
刘小裕
李君奎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu University
Original Assignee
Jiangsu University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu University filed Critical Jiangsu University
Priority to CN201910203834.5A priority Critical patent/CN109975292A/zh
Publication of CN109975292A publication Critical patent/CN109975292A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/27Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84Systems specially adapted for particular applications

Landscapes

  • Physics & Mathematics (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于机器视觉的大西洋鲑鱼和虹鳟鱼快速鉴别方法,属于肉制品质量检测技术领域。先准备大西洋鲑鱼和虹鳟鱼样本,用手机拍摄采集样本图像;将获得的图像导入计算机,并进行图像处理;对处理后的图像进行特征数据提取;利用主成分分析方法对所提取的特征数据进行降维处理;采用化学计量学的方法建立大西洋鲑鱼和虹鳟鱼的快速鉴别模型;对未知待测鱼肉样本进行图像采集,利用建立的鉴别模型对未知待测鱼肉样本的所属类别进行鉴别。本发明的检测方法操作便捷,不会破坏样本,检测速度快,结果客观准确。采用该方法对大西洋鲑鱼与虹鳟鱼进行鉴别,当主成分数为6时,建立的LDA模型训练集和测试集识别率均达到100%,可实现快速鉴别。

Description

一种基于机器视觉的大西洋鲑鱼和虹鳟鱼快速鉴别方法
技术领域
本发明属于肉制品质量检测技术领域,具体涉及一种基于机器视觉的大西洋鲑鱼和虹鳟鱼快速鉴别方法。
背景技术
随着我国经济的发展和人民生活水平的提高,营养丰富、滋味鲜美的三文鱼越来越受到消费者的青睐,三文鱼产业发展迅速。在我国市场上,三文鱼囊括的鱼类品种繁多,包括大西洋鲑鱼、太平洋鲑鱼、大马哈鱼、虹鳟鱼等。这些鱼类品种虽都称作三文鱼,但食用价值不同,市场价格也存在差异。由于市场上虹鳟鱼的价格通常低于大西洋鲑鱼,且消费者对可用做刺身食用的大西洋鲑鱼的需求旺盛,不法商贩为了谋取利润以次充好,混乱标识,将低廉的虹鳟鱼冒充大西洋鲑鱼进行售卖。这严重损害了消费者的利益,因而有必要对大西洋鲑鱼和虹鳟鱼进行快速有效的区分。
常规的肉类鉴别方法有感官评价法、色谱和质谱法、免疫学技术、分子生物学技术等。感官评价法主观性强,存在效率低、误差大的缺点。上述其他技术虽能有效地识别大西洋鲑鱼和虹鳟鱼,但都需要价格高昂的仪器,且对操作人员技术水平要求较高,不适合批量检测。因此需要寻求简便快速、直观准确的鉴别大西洋鲑鱼与虹鳟鱼的方法。
近年来,机器视觉技术随着计算机的发展而迅速成长。机器视觉技术是通过计算机将采集得到的图像转换为数字信号,然后通过特征提取实现模式识别的一种技术,它利用计算机代替人眼进行识别、测量和判断。机器视觉最先应用于医学和遥感领域并取得丰富的成果,之后被推广至其他领域。机器视觉在农业领域的应用是当前的一大热点。
纹理和肉色是鉴别大西洋鲑鱼和虹鳟鱼的重要特征。通常情况下,大西洋鲑鱼刺身脂肪含量较高,白色花纹更白,线条较宽且边界模糊,肉色橙红鲜亮;而虹鳟鱼脂肪含量较低,花纹较细且边界明显,肉色则是浅橙。感官评价主观性较强,耗时耗力且容易出现感觉疲劳,机器视觉技术则显现出巨大优势。采集大西洋鲑鱼和虹鳟鱼的图像,并利用计算机进行图像处理和模式识别,可以快速准确地对大西洋鲑鱼和虹鳟鱼作出鉴别。
有学者成功将机器视觉技术应用于农产品检测、分级当中,但尚未发现利用此技术对大西洋鲑鱼与虹鳟鱼鉴别方面的研究。
发明内容
本发明的目的在于克服现有技术中存在的缺陷,如:感官评价法主观性强,效率低;色谱和质谱法、免疫学技术、分子生物学技术等成本高,破坏样本,不适合批量检测。本发明提供了一种基于机器视觉的大西洋鲑鱼和虹鳟鱼的快速鉴别方法。
具体的,本发明通过以下技术方案实现:一种大西洋鲑鱼与虹鳟鱼的快速鉴别方法,按照下述步骤进行:
(1)准备大西洋鲑鱼和虹鳟鱼样本,用手机拍摄采集样本图像;
(2)将步骤(1)中所获得图像导入计算机,并进行图像处理;
(3)对步骤(2)中处理后的图像进行特征数据提取;
(4)利用主成分分析方法对步骤(3)中所提取的特征数据进行降维处理;
(5)基于步骤(4)降维处理后的特征数据,采用化学计量学的方法建立大西洋鲑鱼和虹鳟鱼的快速鉴别模型;
(6)对未知待测鱼肉样本进行图像采集,利用步骤(5)建立的鉴别模型对未知待测鱼肉样本的所属类别进行鉴别。
其中上述步骤(1)中,手机拍摄采集样本时,采用白色背景以利于后续图像处理。
其中上述步骤(2)图像处理步骤包括:高斯滤波、二值化阈值分割、边缘提取、腐蚀膨胀、孔洞填充等。
其中上述步骤(3)所提取的特征数据包括:纹理特征值、肌肉与脂肪的红度(R)、绿度(G)和蓝度(B)均值,肌肉与脂肪面积比。
其中上述步骤(4)利用主成分分析(PCA)对步骤(3)中预处理后的数据进行降维处理:首先对数据进行PCA处理,然后选取不同的主成分数作为模型的输入。
其中上述步骤(5)中,所述化学计量学的方法为线性判别分析(LDA)。
其中上述步骤(6)对未知待测鱼肉样本的类别进行快速鉴别,用手机拍照采集待测鱼肉样本的图像,然后将待测鱼肉样本的图像导入计算机,经过步骤(2)、(3)和(4)处理后带入步骤(5)已建立的快速鉴别模型中,利用Matlab处理软件完成大西洋鲑鱼与虹鳟鱼的鉴别。
与现有技术相比,本发明的有益效果体现如下:
(1)本发明利用大西洋鲑鱼和虹鳟鱼刺身的纹理和肉色存在差异,通过采集大西洋鲑鱼和虹鳟鱼图像并提取特征数据建立判别模型,实现对他们的鉴别。样品无须进行预处理,检测成本低。
(2)本发明中利用手机实现图像采集,可以代替相机和图像采集卡功能,图像采集过程更加方便、快捷。
(3)本发明鉴别过程不会破坏样本,有着操作简单、检测速度快的优点。
(4)本发明充分利用大西洋鲑鱼和虹鳟鱼的纹理和肉色差异,提取了多项特征数据参与鉴别模型的建立,得到的结果客观、准确。提取采集得到的图像的特征数据,利用化学计量学方法建立鉴别模型。建立的线性判别分析(LDA)模型识别效果好,当主成分数为6时,训练集和测试集的识别率均达到100%。本发明利用机器视觉技术结合LDA模型对大西洋鲑鱼与虹鳟鱼进行识别。
附图说明
图1为大西洋鲑鱼样品的原始图像;
图2为大西洋鲑鱼样品去除背景后的图像;
图3为大西洋鲑鱼样品肌肉脂肪分离后的肌肉图像;
图4为大西洋鲑鱼样品肌肉脂肪分离后的脂肪图像。
具体实施方式
下面通过具体的实施例并结合附图对本发明进一步阐述,但并不限制本发明。
(1)准备大西洋鲑鱼和虹鳟鱼样本,用手机拍摄采集样本图像:
大西洋鲑鱼样本来自3个批次,选取中段鱼肉,在无菌冷藏室分割成长×宽×高约为3×3×1cm的鱼块并编号,每个批次20块,共计60块。虹鳟鱼样本选取方式与大西洋鲑鱼相同。将样本放置于干净白板上,调整光源后用手机采集鱼肉样本俯视图像。
(2)将步骤(1)中所获得图像导入计算机,并进行图像处理:
以其中一幅大西洋鲑鱼图像为例,虹鳟鱼图像处理方式与其相同。将原始图像图1转换为色度(H)、饱和度(S)和纯度(V)三通道图像,对S通道图像采用高斯滤波去除噪音。而后进行二值化阈值分割和边缘提取,得到彩色图像图2。将图2再次转化为HSV三通道图像,对S通道图像进行二值化阈值分割和边缘提取,得到橙色肌肉和白色脂肪分开的两幅图像。分别进行先腐蚀后膨胀处理去除毛边,而后进行孔洞填充得到图3和图4。
(3)对步骤(2)中处理后的图像进行特征数据提取:
用灰度共生矩阵法提取图2的纹理特征值。分别以0、45°、90°和135°方向计算灰度共生矩阵,并在各方向下提取常用的角二阶矩、对比度、相关性、逆差矩,共产生16个特征变量,再结合图像的平均灰度值、灰度方差最终得到18个纹理特征变量。将图3、图4分为R、G、B三个通道,计算各自均值。分别计算图3、图4实际面积大小,并计算图3和图4面积比值。共计得到27个特征指标。
(4)利用主成分分析方法对步骤(3)中所提取的特征数据进行降维处理:
以提取的27个特征指标为变量,进行PCA降维处理;然后选取不同的主成分数作为模型的输入。主成分分析(PCA)是一种以降低数据维数为目的的无监督模式识别技术,把多个变量化成少数几个主成分,这些主成分能够反应原始变量的绝大部分信息。
(5)基于步骤(4)降维处理后的特征数据,采用化学计量学的方法建立大西洋鲑鱼和虹鳟鱼的快速鉴别模型:
本发明选取线性鉴别分析(LDA)模型对大西洋鲑鱼与虹鳟鱼进行区分。LDA是将高维的模式样本投影到最佳鉴别矢量空间,以达到抽取分类信息和压缩特征空间维数的效果,投影后保证模式样本在新的子空间有最大的类间距离和最小的类内距离,即模式在该空间中有最佳的可分离性。
选取总样本的2/3作为训练集(大西洋鲑鱼40个,虹鳟鱼40个),建立LDA判别模型,结果如表1所示。
表1 LDA模型在不同主成分数下训练集和测试集的结果
随着主成分数的增加,识别率不断上升(识别错误数减少)。当主成分数达到6时,LDA模型的训练集识别率达到100%,并且随着主成分数增加,LDA模型识别率保持不变。
(6)对未知待测鱼肉样本的类别进行快速预测:
采集未知待测鱼肉样本的图像信息(大西洋鲑鱼20个,虹鳟鱼20个),按照上述步骤提取特征数据。然后先用PCA方法对特征数据进行降维处理,然后输入已建立的LDA鉴别模型中,利用Matlab处理软件完成待测鱼肉类别鉴别。
鉴别结果如表1所示,可以看出当主成分为6时,LDA模型的测试集识别率达到100%。此时LDA模型成功鉴别出20个大西洋鲑鱼样本与20个虹鳟鱼样本,鉴别结果与对应样本实际相符,表明LDA模型可用于实际应用。
为了使模型更加准确、便于实际检测应用,本发明实施例选取3个批次的大西洋鲑鱼与虹鳟鱼作为样本。为了简化图像采集步骤、便于推广,本发明用手机代替相机进行图像采集。为了提高模型识别的精度和效率,本发明充分利用两种鱼的外观差异,提取了具有很强区分性的特征指标,并用PCA对特征数据进行降维处理。结合以上优势,本发明申请利用机器视觉技术结合LDA模型对大西洋鲑鱼与虹鳟鱼进行鉴别。

Claims (7)

1.一种大西洋鲑鱼与虹鳟鱼的快速鉴别方法,其特征在于按照下述步骤进行:
(1)准备大西洋鲑鱼和虹鳟鱼样本,用手机拍摄采集样本图像;
(2)将步骤(1)中所获得图像导入计算机,并进行图像处理;
(3)对步骤(2)中处理后的图像进行特征数据提取;
(4)利用主成分分析方法对步骤(3)中所提取的特征数据进行降维处理;
(5)基于步骤(4)降维处理后的特征数据,采用化学计量学的方法建立大西洋鲑鱼和虹鳟鱼的快速鉴别模型;
(6)对未知待测鱼肉样本进行图像采集,利用步骤(5)建立的鉴别模型对未知待测鱼肉样本的所属类别进行鉴别。
2.根据权利要求1所述的一种大西洋鲑鱼与虹鳟鱼的快速鉴别方法,其特征在于其中所述步骤(1)中,手机拍摄采集样本时,采用白色背景以利于后续图像处理。
3.根据权利要求1所述的一种大西洋鲑鱼与虹鳟鱼的快速鉴别方法,其特征在于其中所述步骤(2)图像处理步骤包括:高斯滤波、二值化阈值分割、边缘提取、腐蚀膨胀、孔洞填充等。
4.根据权利要求1所述的一种大西洋鲑鱼与虹鳟鱼的快速鉴别方法,其特征在于其中所述步骤(3)所提取的特征数据包括:纹理特征值、肌肉与脂肪的红度(R)、绿度(G)和蓝度(B)均值,肌肉与脂肪面积比。
5.根据权利要求1所述的一种大西洋鲑鱼与虹鳟鱼的快速鉴别方法,其特征在于其中所述步骤(4)利用主成分分析法(PCA)对步骤(3)中预处理后的数据进行降维处理:首先对数据进行PCA处理,然后选取不同的主成分数作为模型的输入。
6.根据权利要求1所述的一种大西洋鲑鱼与虹鳟鱼的快速鉴别方法,其特征在于其中所述步骤(5)中,所述化学计量学的方法为线性判别分析(LDA)。
7.根据权利要求1所述的一种大西洋鲑鱼与虹鳟鱼的快速鉴别方法,其特征在于其中所述步骤(6)对未知待测鱼肉样本的类别进行快速鉴别,用手机拍照采集待测鱼肉样本的图像,然后将待测鱼肉样本的图像导入计算机,经过步骤(2)、(3)和(4)处理后带入步骤(5)已建立的快速鉴别模型中,利用Matlab处理软件完成大西洋鲑鱼与虹鳟鱼的鉴别。
CN201910203834.5A 2019-03-18 2019-03-18 一种基于机器视觉的大西洋鲑鱼和虹鳟鱼快速鉴别方法 Pending CN109975292A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910203834.5A CN109975292A (zh) 2019-03-18 2019-03-18 一种基于机器视觉的大西洋鲑鱼和虹鳟鱼快速鉴别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910203834.5A CN109975292A (zh) 2019-03-18 2019-03-18 一种基于机器视觉的大西洋鲑鱼和虹鳟鱼快速鉴别方法

Publications (1)

Publication Number Publication Date
CN109975292A true CN109975292A (zh) 2019-07-05

Family

ID=67079336

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910203834.5A Pending CN109975292A (zh) 2019-03-18 2019-03-18 一种基于机器视觉的大西洋鲑鱼和虹鳟鱼快速鉴别方法

Country Status (1)

Country Link
CN (1) CN109975292A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109406500A (zh) * 2018-09-30 2019-03-01 江苏大学 一种基于嗅觉可视化阵列的腊肠快速分级方法
CN111678973A (zh) * 2020-07-18 2020-09-18 上海海洋大学 一种基于质谱分析技术快速鉴定大西洋鲑鱼和虹鳟鱼的方法
CN113295690A (zh) * 2021-05-17 2021-08-24 福州大学 基于机器学习的草莓成熟度快速判别方法
WO2021183865A1 (en) * 2020-03-13 2021-09-16 Hager Mark William Automated identification of fish filets

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103076288B (zh) * 2012-12-26 2015-08-26 中国科学院海洋研究所 一种基于计算机视觉的鱼肉自动分级装置和方法
CN105701805A (zh) * 2016-01-07 2016-06-22 中国农业大学 一种基于计算机视觉的猪肉肌内脂肪含量无损检测方法
CN106570855A (zh) * 2016-07-22 2017-04-19 北京农业信息技术研究中心 猪肉新鲜度快速判定的方法及***
CN109001146A (zh) * 2018-07-26 2018-12-14 江苏大学 一种冰鲜牛肉与冻化鲜牛肉的快速鉴别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103076288B (zh) * 2012-12-26 2015-08-26 中国科学院海洋研究所 一种基于计算机视觉的鱼肉自动分级装置和方法
CN105701805A (zh) * 2016-01-07 2016-06-22 中国农业大学 一种基于计算机视觉的猪肉肌内脂肪含量无损检测方法
CN106570855A (zh) * 2016-07-22 2017-04-19 北京农业信息技术研究中心 猪肉新鲜度快速判定的方法及***
CN109001146A (zh) * 2018-07-26 2018-12-14 江苏大学 一种冰鲜牛肉与冻化鲜牛肉的快速鉴别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
FRANK STORBECK等: "Fish species recognition using computer vision and a neural network", 《FISHERIES RESEARCH》 *
万鹏等: "基于机器视觉的鲫鱼和鲤鱼品种识别方法研究", 《广东农业科学》 *
黄星奕等: "计算机视觉技术在鱼新鲜度检测中的应用研究", 《计算机工程与设计》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109406500A (zh) * 2018-09-30 2019-03-01 江苏大学 一种基于嗅觉可视化阵列的腊肠快速分级方法
WO2021183865A1 (en) * 2020-03-13 2021-09-16 Hager Mark William Automated identification of fish filets
CN111678973A (zh) * 2020-07-18 2020-09-18 上海海洋大学 一种基于质谱分析技术快速鉴定大西洋鲑鱼和虹鳟鱼的方法
CN113295690A (zh) * 2021-05-17 2021-08-24 福州大学 基于机器学习的草莓成熟度快速判别方法

Similar Documents

Publication Publication Date Title
CN109975292A (zh) 一种基于机器视觉的大西洋鲑鱼和虹鳟鱼快速鉴别方法
Bhargava et al. Fruits and vegetables quality evaluation using computer vision: A review
Weizheng et al. Grading method of leaf spot disease based on image processing
CN105389581B (zh) 一种胚芽米胚芽完整度智能识别***及其识别方法
CN111160451A (zh) 一种柔性材料检测方法及其储存介质
Militante Fruit grading of garcinia binucao (Batuan) using image processing
Wang et al. Recognition of worm-eaten chestnuts based on machine vision
CN103528967A (zh) 基于高光谱图像的过熟蓝靛果果实识别方法
Yro et al. Cocoa beans fermentation degree assessment for quality control using machine vision and multiclass svm classifier
CN110929787A (zh) 一种基于图像的苹果客观定级***
Zuñiga et al. Grape maturity estimation based on seed images and neural networks
CN104089925A (zh) 一种基于高光谱成像检测虾仁品质的目标区域提取方法
Wang et al. Application of hybrid image features for fast and non-invasive classification of raisin
Asmara et al. Chicken meat freshness identification using colors and textures feature
Janardhana et al. Computer aided inspection system for food products using machine vision—a review
Xu Electronic eye for food sensory evaluation
He et al. Method for grade identification of tobacco based on machine vision
Ji et al. Apple color automatic grading method based on machine vision
Handayani et al. Determination of beef marbling based on fat percentage for meat quality
Narendra et al. An intelligent system for identification of Indian Lentil types using Artificial Neural Network (BPNN)
Shah et al. Automatically localising ROIs in hyperspectral images using background subtraction techniques
CN112734688A (zh) 基于机器视觉的马铃薯褐变检测方法
CN107403181B (zh) 基于广式腊肠高光谱图像的瘦肉与肥肉自适应分离的方法
Balbin et al. Assessment of the standard level of oreochromis niloticus and chanos chanos located in fish pen and wet market storage based on viola-jones, thresholding and L* a* b* color space
Sarkar et al. Correlation-aided 3d vector distance estimation-based quality assessment of indian gooseberry

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190705

RJ01 Rejection of invention patent application after publication