基于計(jì)算機(jī)視覺和近紅外光譜技術(shù)的魚新鮮度檢測(cè)方法研究.pdf

1、魚類產(chǎn)品營養(yǎng)豐富，是人類攝取蛋白質(zhì)的主要來源之一。但魚類產(chǎn)品極易發(fā)生腐敗，新鮮度是評(píng)價(jià)其品質(zhì)好壞的一個(gè)重要指標(biāo)。傳統(tǒng)的新鮮度檢測(cè)法主要有感官評(píng)定法、物理檢測(cè)法、化學(xué)檢測(cè)法以及微生物法等。感官評(píng)定法雖比較方便、直觀，但主觀性強(qiáng)，評(píng)定結(jié)果無法量化;理化和微生物法存在著檢測(cè)過程繁瑣，耗時(shí)，成本高且對(duì)樣本具有破壞性等缺點(diǎn)。本研究嘗試?yán)糜?jì)算機(jī)視覺和近紅外光譜技術(shù)對(duì)魚的新鮮度進(jìn)行檢測(cè)，以便探索出一種能夠無損、快速、準(zhǔn)確檢測(cè)魚新鮮度的方法。

2、　　 研究的主要內(nèi)容如下:
　　 (1)設(shè)計(jì)一套適用于魚新鮮度檢測(cè)的計(jì)算機(jī)視覺硬件系統(tǒng)。針對(duì)魚體表水分含量高而產(chǎn)生強(qiáng)反射現(xiàn)象，將光源箱設(shè)計(jì)成拱形，實(shí)現(xiàn)箱內(nèi)均勻漫反射照明;為更好地拍攝魚鰓圖像，設(shè)計(jì)楔形載物臺(tái)，以增大魚鰓成像面積，并采用LED臺(tái)燈作為副光源，對(duì)魚鰓進(jìn)行補(bǔ)光，增強(qiáng)鰓內(nèi)部照明。
　　 (2)開發(fā)魚圖像分割算法，探索了魚體、魚眼、魚鰓等感興趣區(qū)域的分割方法。在分割魚眼感興趣區(qū)域時(shí)，為降低分割難度，先將魚眼圖像劃

3、分在一小范圍圓形區(qū)域內(nèi)，在此區(qū)域內(nèi)利用局部動(dòng)態(tài)閾值分割法進(jìn)行分割，并結(jié)合最小二乘擬合圓法擬合得到魚眼區(qū)域;在分割魚鰓時(shí)，通過研究找到G-(a-S')組合通道圖作為魚鰓感興趣區(qū)域的分割圖像，以增大魚鰓與其周圍區(qū)域圖像的對(duì)比度，提高魚鰓分割方法魯棒性。
　　 (3)采用從魚體、魚眼和魚鰓感興趣區(qū)域提取到的顏色特征值對(duì)魚新鮮度品質(zhì)進(jìn)行檢測(cè)。利用各檢測(cè)部位顏色特征值建立偏最小二乘判別分析模型對(duì)魚新鮮度等級(jí)進(jìn)行評(píng)判，發(fā)現(xiàn)各部位顏色特征值所

4、建模型對(duì)魚的新鮮度等級(jí)均有一定的預(yù)測(cè)能力，其中基于體表顏色特征值的模型預(yù)測(cè)效果最好，測(cè)試集樣本的判別正確率為81.67％;將所有檢測(cè)部位顏色特征值融臺(tái)起來建立偏最小二乘判別分析模型時(shí)，訓(xùn)練集樣本的新鮮度等級(jí)正確判別率達(dá)到96.67％，測(cè)試集的為88.33％，比基于單一檢測(cè)部位顏色特征值的預(yù)測(cè)效果要好很多。且利用融合后顏色特征值建立了揮發(fā)性鹽基氮的偏最小二乘回歸模型，訓(xùn)練集樣本的模型預(yù)測(cè)值與化學(xué)測(cè)量值的相關(guān)系數(shù)能夠達(dá)到0.88，交互驗(yàn)證均

5、方根誤差為11.30，測(cè)試集的相關(guān)系數(shù)達(dá)到0.87，預(yù)測(cè)均方根誤差為12.00。表明魚在儲(chǔ)存過程中，外表圖像變化信息與魚TVB-N含量之間存在良好的相關(guān)性?？梢岳猛庥^圖像信息對(duì)內(nèi)部化學(xué)指標(biāo)TVB-N含量進(jìn)行預(yù)測(cè)。
　　 (4)采集魚體表的近紅外光譜信息，用多元散射校正法對(duì)光譜預(yù)處理后，建立魚新鮮度等級(jí)的支持向量機(jī)評(píng)判模型，訓(xùn)練集樣本的正確判別率達(dá)到94.17％，測(cè)試集的為85.00％，說明利用近紅外光譜信息能夠?qū)︳~的新鮮度等級(jí)

6、做出正確判別。且利用近紅外光譜建立了TVB-N的PLS定量分析模型，訓(xùn)練集相關(guān)系數(shù)(Rc)和交互驗(yàn)證均方根誤差(RMSECV)分別為0.83、13.25，測(cè)試集的相關(guān)系數(shù)(Rp)和預(yù)測(cè)均方根誤差(RMSEP)分別為0.82、13.71;而利用si-PLS法建模時(shí)，訓(xùn)練集相關(guān)系數(shù)提高到0.91，RMSECV將至9.98，測(cè)試集樣本的Rp和RMSEP為0.90、10.44。說明si-PLS模型更簡(jiǎn)潔，預(yù)測(cè)精度更高。
　　 (5)利用

7、計(jì)算機(jī)視覺和近紅外光譜融合技術(shù)來識(shí)別魚的新鮮度。單一檢測(cè)手段檢測(cè)信息不全，識(shí)別精度不高，研究將圖像和近紅外光譜兩種信息融合起來對(duì)魚的新鮮度進(jìn)行判別。選取圖像信息的前10個(gè)主成分和近紅外光譜信息的前9個(gè)主成分在特征層進(jìn)行融合，建立BP-ANN融合判別模型，訓(xùn)練集樣本正確判別率達(dá)到了96.67％，測(cè)試集的達(dá)到93.33％。
　　 研究結(jié)果表明:利用計(jì)算機(jī)視覺和近紅外光譜技術(shù)對(duì)魚的新鮮度檢測(cè)是可行的，將這兩種技術(shù)融合起來對(duì)魚的新鮮度進(jìn)