CN117934962A - 一种基于参照色卡图像校正的猪肉质量分类方法 - Google Patents
一种基于参照色卡图像校正的猪肉质量分类方法 Download PDFInfo
- Publication number
- CN117934962A CN117934962A CN202410167110.0A CN202410167110A CN117934962A CN 117934962 A CN117934962 A CN 117934962A CN 202410167110 A CN202410167110 A CN 202410167110A CN 117934962 A CN117934962 A CN 117934962A
- Authority
- CN
- China
- Prior art keywords
- image
- pork
- color
- model
- color card
- 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.)
- Granted
Links
- 235000015277 pork Nutrition 0.000 title claims abstract description 125
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000003702 image correction Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000012937 correction Methods 0.000 claims abstract description 27
- 230000009466 transformation Effects 0.000 claims abstract description 26
- 239000011159 matrix material Substances 0.000 claims abstract description 24
- 238000005162 X-ray Laue diffraction Methods 0.000 claims abstract description 8
- 238000013145 classification model Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims abstract description 5
- 238000003709 image segmentation Methods 0.000 claims abstract description 4
- 238000011176 pooling Methods 0.000 claims description 10
- NJPPVKZQTLUDBO-UHFFFAOYSA-N novaluron Chemical compound C1=C(Cl)C(OC(F)(F)C(OC(F)(F)F)F)=CC=C1NC(=O)NC(=O)C1=C(F)C=CC=C1F NJPPVKZQTLUDBO-UHFFFAOYSA-N 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000005286 illumination Methods 0.000 claims description 4
- 210000003205 muscle Anatomy 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 239000000428 dust Substances 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 claims 2
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 235000013372 meat Nutrition 0.000 description 17
- 238000005516 engineering process Methods 0.000 description 9
- 235000019625 fat content Nutrition 0.000 description 9
- RTZKZFJDLAIYFH-UHFFFAOYSA-N Diethyl ether Chemical compound CCOCC RTZKZFJDLAIYFH-UHFFFAOYSA-N 0.000 description 5
- 238000004140 cleaning Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000001035 drying Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000005303 weighing Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001580 bacterial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 235000019197 fats Nutrition 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000010362 genome editing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000001453 impedance spectrum Methods 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 235000020997 lean meat Nutrition 0.000 description 1
- 239000002932 luster Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003960 organic solvent Substances 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 235000019624 protein content Nutrition 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
Landscapes
- Spectrometry And Color Measurement (AREA)
- Image Analysis (AREA)
Abstract
一种基于参照色卡图像校正的猪肉质量分类方法，其特征在于，采用参照色卡对图像进行校正，所述参照色卡为劳尔色卡，其步骤如下：S102：图像分割，对所获取的猪肉样品图片进行处理，从中分离出只包含劳尔色卡的图像；S103，预训练校正模型，将步骤S102中获取的劳尔色卡图像进行训练；S104：图像校正处理；S105，AlexNet模型训练，采用AlexNet模型对图像进行训练，获得训练好的分类模型；S106，将训练好的分类模型应用于猪肉质量分类。其有益效果为通过预训练VGG16模型，获取与图像对应的图像的颜色变换矩阵，从而实现对猪肉样品图像的高度真实还原，提高猪肉样品图像的质量。
Description
技术领域
本发明涉及猪肉质量分类领域，具体为一种基于参照色卡图像校正的猪肉质量分类方法。
背景技术
猪肉是全球最普遍的肉类之一，其品质的差异和分类越来越引起消费者和生产者的重视。随着生活水平的提升，消费者对猪肉的要求从只求数量满足逐步转为追求质量和口感，这一变化促进了猪肉产业的改革和提升。传统的猪肉质量分类方法，主要根据的是猪肉的外形、颜色、纹理和脂肪含量等。例如，按照猪肉的肥瘦程度，可以分为五花肉、瘦肉、肥肉等；按照部位，可以分为猪颈肉、猪肩肉、猪肚肉等。这种分类方法易于理解，方便消费者挑选，但其缺点是过于简单，不能准确反映猪肉的内在品质。随着技术的发展，更多的现代技术被运用到猪肉质量分类中。比如，利用近红外光谱技术可以测量猪肉的水分、蛋白质、脂肪含量，从而对其进行更精细的分类；通过机器视觉技术，可以自动识别猪肉的颜色、纹理、形状等特征，实现快速分类。
猪肉质量分类的精细化和科技化是技术发展的结果。一方面，消费者对食品安全和健康的重视程度提高了，对猪肉质量的需求也更高了；另一方面，科技的创新为猪肉质量分类带来了更多机会。比如，利用人工智能和大数据技术对猪肉的生产过程进行实时监控和预测，以达到更精确的品质控制；或者利用基因编辑技术对猪的品种进行改良，以适应特定的品质需求。
为了能快速客观地对猪肉质量进行评价，各种研究机构或公司进行了深入的研究，例如：公开号为CN101975844A，公开了一种基于多传感器融合技术的猪肉质量综合检测方法，该方法包括：S1、对于一个待分类的猪肉样品，检测猪肉样品的有效衰减系数、阻抗谱、感官评分、肌氧饱和度、pH值、色度参数和细菌菌落总数中的四项以上指标，并标记类别；S2、根据标记了类别的猪肉样品的指标参数进行数据融合计算和分类，并得到猪肉样品的品质分类结果。本发明能够准确地、快速地进行猪肉质量综合评价。
还有公开号为CN116663771A，公开了一种可信度高的生猪肉质量量评价的方法及装置，其基于区块链技术，实现各部分数据不可篡改，可信度高，根据生猪肉的溯源信息，将生猪肉的质量进行简单评价，有利于购买人员对生猪肉质量进行快速辨别，同时便于经销商对各类猪肉进行简单的分类，通过溯源信息的查取，还可对于对猪肉质量安全问题进行全方位把控，操作简单，应用性好。
上面的方法均从猪肉质量的指标进行评价和分类，但其存在一定的主观性判断，不能获取标准一致的猪肉样品图像，也没有对所获取的图像依据真实色彩进行还原，因而，根据所提供的图像无法较为准确的猪肉质量分类。
发明内容
本申请的目的在于提供一种基于参照色卡图像校正的猪肉质量分类方法，其主要通过提供猪肉样品图像采集器，并对所获取的图片采用参照色卡的方式消除图像的失真，以获得图像真实颜色的猪肉样品图像，用于训练AlexNet模型，来实现对猪肉质量进行分类。
为了达到上述目的，本发明采用以下技术方案：
一种基于参照色卡图像校正的猪肉质量分类方法，其特征在于，采用参照色卡对图像进行校正，所述参照色卡为劳尔色卡，其步骤如下：
S101：获取猪肉样品图片，通过图像采集器，获得同一光照条件下的猪肉样品图片，并对猪肉样品进行检测，根据检测结果对猪肉样品图片进行标记，分成好、差两类；
S102：图像分割，对所获取的猪肉样品图片进行处理，从中分离出只包含劳尔色卡的图像；
S103：预训练校正模型，对步骤S102中获取的劳尔色卡的图像进行训练；
S104：图像校正处理，将步骤S102中获取的图像分割出其中只包含猪肉样品的图片，输入到步骤S103生成的预训练校正模型中，获得对应的颜色变换矩阵，再通过OpenCV的cv2.transform函数，根据所述颜色变换矩阵对只包含猪肉样品的图片进行校正，从而获得校正后的猪肉样品图像；
S105，AlexNet模型训练，采用AlexNet模型对校正后的猪肉样品图像进行训练，获得训练好的分类模型；
S106，将训练好的分类模型应用于猪肉质量分类；
所述步骤S101中的图像采集器主要包括：底座(1)、外罩(2)、内罩(3)和盖板(4)，所述底座(1)上面设有外罩(2)，所述外罩(2)的内部设有内罩(3)，在外罩(2)和内罩(3)的顶端设有盖板(4)，所述底座(1)的内部设有用承载色卡和猪肉样品的载物台(5)；
所述猪肉样品的检测指标为：PH值、色泽、脂肪含量和水分含量。
进一步，所述步骤S103的步骤如下：
S201：获取色卡图片，将步骤S102中的劳尔色卡的图像进行预处理，使劳尔色卡的图像中的色卡纹理方向一致；
S202：VGG16模型训练，通过加载预训练的VGG16模型，对步骤S201的劳尔色卡的图像作为输入数据进行训练；
S203，生成图像校正模型，通过步骤S202不断的迭代训练，获得预训练校正模型。
进一步，所述步骤S202的预训练的VGG16模型输入图像的形状大小为224×224×3，将VGG16模型作为特征提取器，即只使用VGG16模型的卷积层，而不使用其全连接层，再通过预设颜色校正模型，所述颜色校正模型由两部分组成：输入层和输出层，所述输入层为劳尔色卡的图像，所述输出层为颜色变换矩阵；
将所述的VGG16模型的卷积层和颜色校正模型的输入层连接起来，形成一个新的输入层；通过上述过程形成的预定义好的VGG16模型；
将步骤S201中的劳尔色卡的图像和与劳尔色卡的图像对应的颜色变换矩阵作为准备数据，所述颜色变换矩阵是由OpenCV的cv2.cvtColor函数来根据劳尔色卡的图像上的颜色值，计算出图像的颜色变换矩阵；
所述训练预定义好的VGG16模型，使用劳尔色卡的图像作为输入，颜色变换矩阵作为输出，损失函数为均方误差，并使用Adam优化器来更新模型的参数；
在使用预训练校正模型时，将待校正的图像作为输入数据，通过预训练校正模型进行预测，得到相应的颜色变换矩阵，再通过OpenCV的cv2.transform函数，根据颜色变换矩阵对待校正的图像进行校正，从而获得校正后的图像。
进一步，所述步骤S103的AlexNet模型共包含5个卷积层、3个池化层和3 个全连接层，每个卷积层都包含卷积核、偏置项、ReLU激活函数和局部响应归一化模块，其中，第1、2、5个卷积层后面都跟着一个池化层，后三个层为全连接层，最终输出层为softmax，将网络输出转化为概率值，用于预测图像的类别。
进一步，所述底座(1)主要包括座体(1-1)，所述座体(1-1)为梯台形状，所述座体(1-1)的顶端设有外罩卡槽(1-2)，用于安装外罩(2)，所述外罩卡槽(1-2)的内侧设有座台环(1-4)，所述座台环(1-4)的顶端设有LED灯(1-5)，用于为拍摄猪肉样品图像提供光源，所述内圈(1-3)的中心部位有放置载物台(5)的嵌槽(1-8)，所述嵌槽(1-8)主要包括嵌槽主体(1-8-1)，在嵌槽主体(1-8-1)的顶部设有用于指向的嵌槽顶尖(1-8-2)。
进一步，所述座台环(1-4)的内侧设有内圈(1-3)，所述内圈(1-3)的内侧用于安装内罩(3)，所述内圈(1-3)的中心部位供放置猪肉样品，所述外罩卡槽(1-2)的左侧设有用于清除外罩卡槽(1-2)内灰尘或杂物的清洁槽(1-6)，所述座体(1-1)的斜面上设有用于调节LED灯(1-5)亮度的旋钮(1-7)。
进一步，所述载物台(5)主要包括载物主体(5-1)，在载物主体(5-1)的上表面开设有样品槽(5-2)和色卡槽(5-3)，在载物主体(5-1)的前端设有顶尖(5-4)，用于与嵌槽顶尖(1-8-2)相配合。
进一步，所述色卡槽(5-3)上放置有劳尔色卡，所述劳尔色卡的分为六等分，从向到下的RGB值分别为：[255，0，0]、[0，255，0]、[0，0，255]、[153，153，153]、[204，204，204]、[255，255， 255]。
进一步，所述盖板(4)主要包括盖体(4-1)，所述盖体(4-1)的中心部设置有通孔(4-3)，所述通孔(4-3)的外侧设有与拍摄镜头相适应的浅槽(4-2)，用于拍摄镜头卡在浅槽(4-2)内，所述盖体(4-1)的下表面设有与外罩(2)和内罩(3)安装间隙相适应的罩环(4-4)，从而可以将盖板(4)固定安装在外罩(2)和内罩(3)上。
进一步，所述猪肉样品的获取方式为采集猪的腰椎背最长肌中间段的05cm-1.0cm厚的猪肉。
本发明的有益效果为：
1、通过图像采集器，获取的带有色卡的猪肉样品的图像，该图像的角度、光照强度一致，有利于获得高质量的猪肉图像；
2、通过预训练VGG16模型，获取与图像对应的图像的颜色变换矩阵，从而实现对猪肉样品图像的高度真实还原，提高猪肉样品图像的质量；
3、采用AlexNet模型对猪肉样品图像进行训练形成的模型可以快速的对猪肉质量进行分类。
附图说明
图1是一种基于参照色卡图像校正的猪肉质量分类方法的流程框图
图2是预训练校正模型的生成流程框图；
图3是AlexNet模型模型结构图；
图4是图像采集器的结构示意图；
图5是图4的***图；
图6是底座(1)的结构示意图；
图7是图6的俯视图；
图8是载物台(5)的结构示意图；
图9是图8的俯视图；
图10是盖板(4)的结构示意图；
图11是图10的仰视图；
图12是放置在色卡槽(5-3)中的劳尔色卡。
1：底座、2：外罩、3：内罩、4：盖板、5：载物台、1-1：座体、1-2：外罩卡槽、1-3：内圈、1-4：座台环、1-5：LED灯、1-6：清洁槽、1-7：旋钮、1-8：嵌槽、1-8-1：嵌槽主体、1-8-2：嵌槽顶尖、4-1：盖体、4-2：浅槽、4-3：通孔、4-4：罩环、5-1：载物主体、5-2：样品槽、5-3：色卡槽、5-4：顶尖。
具体实施方式
本发明提供一种基于参照色卡图像校正的猪肉质量分类方法，如图1所示，其步骤如下：
S101，获取猪肉样品图片，通过图像采集器，获得同一光照条件下的图片，并将对猪肉样品进行检测，根据检测结果猪肉样品品质进行标记，分成好、差两类；
对猪肉样品检测的指标分别为：PH值、色泽、脂肪含量（采用抽提法测定脂肪含量，抽提法是利用有机溶剂（如***、石油醚等）对样品中的脂肪进行溶解和抽取，再通过称量抽提液或残渣来测定脂肪含量）、水分含量（采用干燥法测定水分含量，其是利用水分在高温下挥发的原理，通过称量样品在干燥前后的质量差来测定水分含量）。
其中品质好的猪肉的PH值为5.8-6.2，超出上述范围的则为品质差的猪肉；水分含量：PSE肉的水分含量一般在72%-76%之间，DFD肉的水分含量一般在58%-62%之间，正常肉的水分含量一般在66%-70%之间。
色泽采用色差仪检测，猪肉的L值一般在40-60之间，a值在10-20之间，b值在5-15之间，在上述范围内的肉质为好。当L值低于40时，表示肉色过暗；当L值高于60时，表示肉色过淡。当a值低于10时，表示肉色偏白；当a值高于20时，表示肉色偏红。当b值低于5时，表示肉色偏蓝；当b值高于15时，表示肉色偏黄。
PSE肉的脂肪含量一般在2%-4%之间，DFD肉的脂肪含量一般在4%-6%之间，正常肉的脂肪含量一般在3%-5%之间。
对上述指标均处于正常范围内的则为好，如果有一项（包括一项）以上的指标超出正常范围，则猪肉质量为差。
S102，图像分割，对所获取的图像进行处理，从中分离出只包含劳尔色卡的图像；
S103，预训练校正模型，将步骤S102中获取的劳尔色卡图像进行训练，如图2所示，具体步骤如下：
S201：获取色卡图片，将步骤S102中的的色卡图像进行预处理，使色卡图像中的色卡纹理方向一致；
S202：VGG16模型训练，采用python实现训练过程，先导入一些必要的库，如TensorFlow，Keras，NumPy，OpenCV等。
然后，加载预训练的VGG16模型，输入图像的形状大小为224×224×3，即图像的长和宽为224，具有3层颜色通道，并将VGG16模型作为特征提取器，即只使用将VGG16模型的卷积层，而不使用其全连接层；
接下来，再通过预设颜色校正模型，颜色校正模型的作用是从参照色卡的颜色值中学习图像的颜色变换矩阵，并将其应用到图像上的神经网络。
颜色校正模型由两部分组成：输入层和输出层。输入层接收一个包含色卡的图像，输出层输出一个颜色变换矩阵。
接下来，将VGG16的卷积层和颜色校正模型的输入层连接起来，形成一个新的输入层。通过上述过程形成的预定义好的VGG16模型，通过预定义好的VGG16模型的高级特征来提高颜色校正的效果。
接着，将步骤S201中的色卡图片和与色卡图片对应的颜色变换矩阵作为准备数据。颜色变换矩阵是由使用OpenCV的cv2.cvtColor函数来根据色卡上的颜色值，计算出图像的颜色变换矩阵。
最后，训练预定义好的VGG16模型，即使用包含色卡的图像作为输入，颜色变换矩阵作为输出，计算损失函数（如均方误差），并使用优化器（如Adam）来更新模型的参数。
S203，生成图像校正模型，通过步骤S202不断的迭代训练，训练次数为10000次，获得预训练校正模型。
在使用预训练校正模型时，将待校正的图像作为输入数据，通过预训练校正模型进行预测，得到相应的颜色变换矩阵，再通过OpenCV的cv2.transform函数，根据颜色变换矩阵对图像进行校正，从而获得校正后的图像。
S104：图像校正处理，将步骤S102中获取的图像分割出其中的猪肉样品图片，输入到步骤S103生成的预训练校正模型中，获得对应的颜色变换矩阵，再通过OpenCV的cv2.transform函数，根据颜色变换矩阵对猪肉样品图片进行校正，从而获得校正后的猪肉样品图像。
S105，AlexNet模型训练，采用AlexNet模型对图像进行训练，获得训练好的分类模型；
如图3所示，AlexNet 共包含5 个卷积层（包含3个池化）和 3 个全连接层。其中，每个卷积层都包含卷积核、偏置项、ReLU激活函数和局部响应归一化（LRN）模块。第1、2、5个卷积层后面都跟着一个最大池化层，后三个层为全连接层。最终输出层为softmax，将网络输出转化为概率值，用于预测图像的类别。
其中AlexNet五个卷积层具体如下：
卷积层C1：使用96个核对224 × 224 × 3的输入图像进行滤波，卷积核大小为11× 11 × 3，步长为4。将一对55×55×48的特征图分别放入ReLU激活函数，生成激活图。激活后的图像进行最大池化，size为3×3，stride为2，池化后的特征图size为27×27×48（一对）。池化后进行LRN处理。
卷积层C2：使用卷积层C1的输出（响应归一化和池化）作为输入，并使用256个卷积核进行滤波，核大小为5 × 5 × 48。
卷积层C3：有384个核，核大小为3 × 3 × 256，与卷积层C2的输出（归一化的，池化的）相连。
卷积层C4：有384个核，核大小为3 × 3 × 192。
卷积层C5：有256个核，核大小为3 × 3 × 192。卷积层C5与C3、C4层相比多了个池化，池化核size同样为3×3，stride为2。
上面的卷积层C3、C4、C5互相连接，中间没有接入池化层或归一化层。
其中，全连接层的情况如下：
全连接层F6：设有4096个神经元，其后通过ReLU函数激，再经Dropout处理。使用Dropout层是为了减少过拟合现象的发生，Dropout层的参数为0.5。
全连接层F7：与F6层相同。
全连接层F8：设有两个神经元，激活函数为softmax输出两个类别的预测值，对应猪肉质量的好差。
S106，将训练好的分类模型应用于猪肉质量分类。
其中S101中涉及的图像采集器，主要包括：底座(1)、外罩(2)、内罩(3)和盖板(4)，如图4和5所示，在底座(1)上面设有外罩(2)，在外罩(2)的内部设有内罩(3)，在外罩(2)和内罩(3)的顶端设有盖板(4)，在底座(1)的内部设有载物台(5)，用承载色卡和猪肉样品。
如图6所示，底座(1)主要包括座体(1-1)，在座体(1-1)为梯台，在座体(1-1)的顶端设有外罩卡槽(1-2)，用于安装外罩(2)，在外罩卡槽(1-2)的内侧设有座台环(1-4)，在座台环(1-4)的顶端设有LED灯(1-5)，用于为拍摄猪肉样品图像提供光源。在座台环(1-4)的内侧设有内圈(1-3)，在内圈(1-3)的内侧用于安装 内罩(3)，内圈(1-3)的中心部位有放置载物台(5)的嵌槽(1-8)，如图7所示，嵌槽(1-8)主要包括嵌槽主体(1-8-1)，在嵌槽主体(1-8-1)的顶部设有用于指向的嵌槽顶尖(1-8-2)。在外罩卡槽(1-2)的左侧设有用于清除外罩卡槽(1-2)内灰尘或杂物的清洁槽(1-6)。在座体(1-1)的斜面上设有用于调节LED灯(1-5)亮度的旋钮(1-7)。
如图8和9所示，载物台(5)主要包括载物主体(5-1)，在载物主体(5-1)的上表面开设有样品槽(5-2)和色卡槽(5-3)，在载物主体(5-1)的前端设有顶尖(5-4)，用于与嵌槽顶尖(1-8-2)相配合，如图12所示，色卡槽(5-3)用于放置图12中的劳尔色卡，该色卡的分为六等分，从向到下的RGB值分别为：[255，0，0]、[0，255，0]、[0，0，255]、[153，153，153]、[204，204，204]、[255，255， 255]。
如图10和11所示，盖板(4)主要包括盖体(4-1)，在盖体(4-1)的中心部设置有通孔(4-3)，在通孔(4-3)的外侧设有与拍摄镜头相适应的浅槽(4-2)，方便拍摄镜头卡在浅槽(4-2)内，在盖体(4-1)的下表面设有与外罩(2)和内罩(3)安装间隙相适应的罩环(4-4)，从而可以将盖板(4)固定安装在外罩(2)和内罩(3)上。
猪肉样品的获取，采集猪的腰椎背最长肌（俗称：眼肌）中间段的05cm-1.0cm 厚的猪肉，采集完成后，将猪肉样品放入到载物台(5)上样品槽(5-2)内，再在载物主体(5-1)内放置有劳尔色卡，将载物台(5)放置到底座(1)内的嵌槽(1-8)上，依次再放好内罩(3)、外罩(2)，在内罩(3)和外罩(2)的顶部安装上盖板(4)，将摄像头安装在盖板(4)上拍摄带有色卡的猪肉图片。
Claims (10)
1.一种基于参照色卡图像校正的猪肉质量分类方法，其特征在于，采用参照色卡对图像进行校正，所述参照色卡为劳尔色卡，其步骤如下：
S101：获取猪肉样品图片，通过图像采集器，获得同一光照条件下的猪肉样品图片，并对猪肉样品进行检测，根据检测结果对猪肉样品图片进行标记，分成好、差两类；
S102：图像分割，对所获取的猪肉样品图片进行处理，从中分离出只包含劳尔色卡的图像；
S103：预训练校正模型，对步骤S102中获取的劳尔色卡的图像进行训练；
S104：图像校正处理，将步骤S102中获取的图像分割出其中只包含猪肉样品的图片，输入到步骤S103生成的预训练校正模型中，获得对应的颜色变换矩阵，再通过OpenCV的cv2.transform函数，根据所述颜色变换矩阵对只包含猪肉样品的图片进行校正，从而获得校正后的猪肉样品图像；
S105，AlexNet模型训练，采用AlexNet模型对校正后的猪肉样品图像进行训练，获得训练好的分类模型；
S106，将训练好的分类模型应用于猪肉质量分类；
所述步骤S101中的图像采集器主要包括：底座(1)、外罩(2)、内罩(3)和盖板(4)，所述底座(1)上面设有外罩(2)，所述外罩(2)的内部设有内罩(3)，在外罩(2)和内罩(3)的顶端设有盖板(4)，所述底座(1)的内部设有用承载色卡和猪肉样品的载物台(5)；
所述猪肉样品的检测指标为：PH值、色泽、脂肪含量和水分含量。
2.根据权利要求1所述的一种基于参照色卡图像校正的猪肉质量分类方法，其特征在于：所述步骤S103的步骤如下：
S201：获取色卡图片，将步骤S102中的劳尔色卡的图像进行预处理，使劳尔色卡的图像中的色卡纹理方向一致；
S202：VGG16模型训练，通过加载预训练的VGG16模型，对步骤S201的劳尔色卡的图像作为输入数据进行训练；
S203，生成图像校正模型，通过步骤S202不断的迭代训练，获得预训练校正模型。
3.根据权利要求2所述的一种基于参照色卡图像校正的猪肉质量分类方法，其特征在于：所述步骤S202的预训练的VGG16模型输入图像的形状大小为224×224×3，将VGG16模型作为特征提取器，即只使用VGG16模型的卷积层，而不使用其全连接层，再通过预设颜色校正模型，所述颜色校正模型由两部分组成：输入层和输出层，所述输入层为劳尔色卡的图像，所述输出层为颜色变换矩阵；
将所述的VGG16模型的卷积层和颜色校正模型的输入层连接起来，形成一个新的输入层；通过上述过程形成的预定义好的VGG16模型；
将步骤S201中的劳尔色卡的图像和与劳尔色卡的图像对应的颜色变换矩阵作为准备数据，所述颜色变换矩阵是由OpenCV的cv2.cvtColor函数来根据劳尔色卡的图像上的颜色值，计算出图像的颜色变换矩阵；
所述训练预定义好的VGG16模型，使用劳尔色卡的图像作为输入，颜色变换矩阵作为输出，损失函数为均方误差，并使用Adam优化器来更新模型的参数；
在使用预训练校正模型时，将待校正的图像作为输入数据，通过预训练校正模型进行预测，得到相应的颜色变换矩阵，再通过OpenCV的cv2.transform函数，根据颜色变换矩阵对待校正的图像进行校正，从而获得校正后的图像。
4.根据权利要求3所述的一种基于参照色卡图像校正的猪肉质量分类方法，其特征在于：所述步骤S103的AlexNet模型共包含5个卷积层、3个池化层和3 个全连接层，每个卷积层都包含卷积核、偏置项、ReLU激活函数和局部响应归一化模块，其中，第1、2、5个卷积层后面都跟着一个池化层，后三个层为全连接层，最终输出层为softmax，将网络输出转化为概率值，用于预测图像的类别。
5.根据权利要求1-4任一所述的一种基于参照色卡图像校正的猪肉质量分类方法，其特征在于：所述底座(1)主要包括座体(1-1)，所述座体(1-1)为梯台形状，所述座体(1-1)的顶端设有外罩卡槽(1-2)，用于安装外罩(2)，所述外罩卡槽(1-2)的内侧设有座台环(1-4)，所述座台环(1-4)的顶端设有LED灯(1-5)，用于为拍摄猪肉样品图像提供光源，所述内圈(1-3)的中心部位有放置载物台(5)的嵌槽(1-8)，所述嵌槽(1-8)主要包括嵌槽主体(1-8-1)，在嵌槽主体(1-8-1)的顶部设有用于指向的嵌槽顶尖(1-8-2)。
6.根据权利要求5所述的一种基于参照色卡图像校正的猪肉质量分类方法，其特征在于：所述座台环(1-4)的内侧设有内圈(1-3)，所述内圈(1-3)的内侧用于安装 内罩(3)，所述内圈(1-3)的中心部位供放置猪肉样品，所述外罩卡槽(1-2)的左侧设有用于清除外罩卡槽(1-2)内灰尘或杂物的清洁槽(1-6)，所述座体(1-1)的斜面上设有用于调节LED灯(1-5)亮度的旋钮(1-7)。
7.根据权利要求6所述的一种基于参照色卡图像校正的猪肉质量分类方法，其特征在于：所述载物台(5)主要包括载物主体(5-1)，在载物主体(5-1)的上表面开设有样品槽(5-2)和色卡槽(5-3)，在载物主体(5-1)的前端设有顶尖(5-4)，用于与嵌槽顶尖(1-8-2)相配合。
8.根据权利要求7所述的一种基于参照色卡图像校正的猪肉质量分类方法，其特征在于：所述色卡槽(5-3)上放置有劳尔色卡，所述劳尔色卡的分为六等分，从向到下的RGB值分别为：[255，0，0]、[0，255，0]、[0，0，255]、[153，153，153]、[204，204，204]、[255，255，255]。
9.根据权利要求6-8任一所述的一种基于参照色卡图像校正的猪肉质量分类方法，其特征在于：所述盖板(4)主要包括盖体(4-1)，所述盖体(4-1)的中心部设置有通孔(4-3)，所述通孔(4-3)的外侧设有与拍摄镜头相适应的浅槽(4-2)，用于拍摄镜头卡在浅槽(4-2)内，所述盖体(4-1)的下表面设有与外罩(2)和内罩(3)安装间隙相适应的罩环(4-4)，从而可以将盖板(4)固定安装在外罩(2)和内罩(3)上。
10.根据权利要求6-8任一所述的一种基于参照色卡图像校正的猪肉质量分类方法，其特征在于：所述猪肉样品的获取方式为采集猪的腰椎背最长肌中间段的05cm-1.0cm 厚的猪肉。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410167110.0A CN117934962B (zh) | 2024-02-06 | 2024-02-06 | 一种基于参照色卡图像校正的猪肉质量分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410167110.0A CN117934962B (zh) | 2024-02-06 | 2024-02-06 | 一种基于参照色卡图像校正的猪肉质量分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117934962A true CN117934962A (zh) | 2024-04-26 |
| CN117934962B CN117934962B (zh) | 2024-07-02 |
Family
ID=90760910
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410167110.0A Active CN117934962B (zh) | 2024-02-06 | 2024-02-06 | 一种基于参照色卡图像校正的猪肉质量分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117934962B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001346058A (ja) * | 2000-06-02 | 2001-12-14 | Sansei Sangyo Kk | 画像の色補正方法 |
| CN101551341A (zh) * | 2009-04-09 | 2009-10-07 | 浙江大学 | 基于图像与光谱信息融合的肉品在线无损检测方法与装置 |
| CN101561402A (zh) * | 2009-05-07 | 2009-10-21 | 浙江大学 | 基于机器视觉的猪肉外观品质实时检测分级方法与装置 |
| CN201780262U (zh) * | 2010-09-09 | 2011-03-30 | 西南科技大学 | 一种基于图像处理的猪肉外在品质在线分级装置 |
| CN106651830A (zh) * | 2016-09-28 | 2017-05-10 | 华南理工大学 | 一种基于并行卷积神经网络的图像质量测试方法 |
| CN111832642A (zh) * | 2020-07-07 | 2020-10-27 | 杭州电子科技大学 | 一种基于vgg16在昆虫分类学上的图像识别方法 |
| WO2020233611A1 (zh) * | 2019-05-20 | 2020-11-26 | 京东方科技集团股份有限公司 | 图像化信息承载介质的识别方法、识别装置、计算机设备和介质 |
| CN112633400A (zh) * | 2020-12-29 | 2021-04-09 | 山东省海洋生物研究院 | 基于计算机视觉的贝类分类识别方法及装置 |
| CN115187480A (zh) * | 2022-07-06 | 2022-10-14 | 北京联合大学 | 一种基于Transformer的图像颜色校正方法 |
| WO2022252272A1 (zh) * | 2021-06-03 | 2022-12-08 | 江苏大学 | 一种基于迁移学习的改进vgg16网络猪的身份识别方法 |
| CN117036820A (zh) * | 2023-08-21 | 2023-11-10 | 青岛中沃兴牧食品科技有限公司 | 一种基于视觉图像的猪只分类模型及其方法 |
| CN117197559A (zh) * | 2023-09-06 | 2023-12-08 | 郑州大学 | 基于深度学习的猪肉分类模型、构建方法、电子设备和计算机可读介质 |
| CN117274662A (zh) * | 2023-08-14 | 2023-12-22 | 中科智禾数字科技(北京)有限公司 | 一种改进ResNeXt神经网络的轻量级多模态医学图像分类方法 |
-
2024
- 2024-02-06 CN CN202410167110.0A patent/CN117934962B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001346058A (ja) * | 2000-06-02 | 2001-12-14 | Sansei Sangyo Kk | 画像の色補正方法 |
| CN101551341A (zh) * | 2009-04-09 | 2009-10-07 | 浙江大学 | 基于图像与光谱信息融合的肉品在线无损检测方法与装置 |
| CN101561402A (zh) * | 2009-05-07 | 2009-10-21 | 浙江大学 | 基于机器视觉的猪肉外观品质实时检测分级方法与装置 |
| CN201780262U (zh) * | 2010-09-09 | 2011-03-30 | 西南科技大学 | 一种基于图像处理的猪肉外在品质在线分级装置 |
| CN106651830A (zh) * | 2016-09-28 | 2017-05-10 | 华南理工大学 | 一种基于并行卷积神经网络的图像质量测试方法 |
| WO2020233611A1 (zh) * | 2019-05-20 | 2020-11-26 | 京东方科技集团股份有限公司 | 图像化信息承载介质的识别方法、识别装置、计算机设备和介质 |
| CN111832642A (zh) * | 2020-07-07 | 2020-10-27 | 杭州电子科技大学 | 一种基于vgg16在昆虫分类学上的图像识别方法 |
| CN112633400A (zh) * | 2020-12-29 | 2021-04-09 | 山东省海洋生物研究院 | 基于计算机视觉的贝类分类识别方法及装置 |
| WO2022252272A1 (zh) * | 2021-06-03 | 2022-12-08 | 江苏大学 | 一种基于迁移学习的改进vgg16网络猪的身份识别方法 |
| CN115187480A (zh) * | 2022-07-06 | 2022-10-14 | 北京联合大学 | 一种基于Transformer的图像颜色校正方法 |
| CN117274662A (zh) * | 2023-08-14 | 2023-12-22 | 中科智禾数字科技(北京)有限公司 | 一种改进ResNeXt神经网络的轻量级多模态医学图像分类方法 |
| CN117036820A (zh) * | 2023-08-21 | 2023-11-10 | 青岛中沃兴牧食品科技有限公司 | 一种基于视觉图像的猪只分类模型及其方法 |
| CN117197559A (zh) * | 2023-09-06 | 2023-12-08 | 郑州大学 | 基于深度学习的猪肉分类模型、构建方法、电子设备和计算机可读介质 |
Non-Patent Citations (2)
| Title |
|---|
| 刘京， 李宇杰，***， 王璐，裴中阳: "轨道交通复杂场景人群密度估计方法的 应用研究", 中国新技术新产品, no. 11, 25 November 2021 (2021-11-25) * |
| 刘秀玲;戚帅帅;熊鹏;刘京;王洪瑞;***: "融合多尺度信息的肺结节自动检测算法", 生物医学工程学杂志, vol. 37, no. 3, 12 June 2020 (2020-06-12) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117934962B (zh) | 2024-07-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108663339B (zh) | 基于光谱和图像信息融合的霉变玉米在线检测方法 | |
| CN109684922B (zh) | 一种基于卷积神经网络的多模型对成品菜的识别方法 | |
| CN106525732B (zh) | 基于高光谱成像技术的苹果内外品质快速无损检测方法 | |
| CN103076288B (zh) | 一种基于计算机视觉的鱼肉自动分级装置和方法 | |
| CN105931223B (zh) | 基于波段比方法的高光谱反射图像中玉米胚部的分割方法 | |
| Arefi et al. | Wheat class identification using computer vision system and artificial neural networks | |
| CN108613989A (zh) | 一种稻谷不完善粒的检测方法 | |
| CN110956212A (zh) | 一种基于视觉特征融合的打叶质量检测方法 | |
| CN103528967B (zh) | 基于高光谱图像的过熟蓝靛果果实识别方法 | |
| CN110736709A (zh) | 一种基于深度卷积神经网络的蓝莓成熟度的无损检测方法 | |
| CN114663821B (zh) | 基于视频高光谱成像技术的产品质量实时无损检测方法 | |
| CN106570855A (zh) | 猪肉新鲜度快速判定的方法及*** | |
| CN109883967A (zh) | 一种基于信息融合的中华绒螯蟹品质等级判别方法 | |
| CN108844957A (zh) | 一种基于机器视觉的烟叶油分检测新方法 | |
| Rafiq et al. | Application of computer vision system in food processing | |
| CN114419311B (zh) | 一种基于多源信息的百香果成熟度无损检测方法及装置 | |
| CN116559111A (zh) | 一种基于高光谱成像技术的高粱品种识别方法 | |
| CN116297236A (zh) | 一种基于高光谱的单粒玉米种子活力鉴别方法及装置 | |
| CN111950564A (zh) | 一种基于ssa-elm算法的猪肉新鲜度检测分类方法 | |
| Hortinela et al. | Classification of Cacao Beans Based on their External Physical Features Using Convolutional Neural Network | |
| CN115545383A (zh) | 一种草莓脆外观品质的双目立体视觉检测方法 | |
| CN110929787A (zh) | 一种基于图像的苹果客观定级*** | |
| CN117934962B (zh) | 一种基于参照色卡图像校正的猪肉质量分类方法 | |
| CN112858311A (zh) | 一种基于机器视觉技术的稻米表型监测***及方法 | |
| Ji et al. | Apple color automatic grading method based on machine vision |
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 |