基于計算機視覺和近紅外光譜技術的魚新鮮度檢測方法研究.pdf

1、魚類產品營養(yǎng)豐富，是人類攝取蛋白質的主要來源之一。但魚類產品極易發(fā)生腐敗，新鮮度是評價其品質好壞的一個重要指標。傳統(tǒng)的新鮮度檢測法主要有感官評定法、物理檢測法、化學檢測法以及微生物法等。感官評定法雖比較方便、直觀，但主觀性強，評定結果無法量化;理化和微生物法存在著檢測過程繁瑣，耗時，成本高且對樣本具有破壞性等缺點。本研究嘗試利用計算機視覺和近紅外光譜技術對魚的新鮮度進行檢測，以便探索出一種能夠無損、快速、準確檢測魚新鮮度的方法。

2、　　 研究的主要內容如下:
　　 (1)設計一套適用于魚新鮮度檢測的計算機視覺硬件系統(tǒng)。針對魚體表水分含量高而產生強反射現(xiàn)象，將光源箱設計成拱形，實現(xiàn)箱內均勻漫反射照明;為更好地拍攝魚鰓圖像，設計楔形載物臺，以增大魚鰓成像面積，并采用LED臺燈作為副光源，對魚鰓進行補光，增強鰓內部照明。
　　 (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，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，在此區(qū)域內利用局部動態(tài)閾值分割法進行分割，并結合最小二乘擬合圓法擬合得到魚眼區(qū)域;在分割魚鰓時，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魚新鮮度品質進行檢測。利用各檢測部位顏色特征值建立偏最小二乘判別分析模型對魚新鮮度等級進行評判，發(fā)現(xiàn)各部位顏色特征值所

4、建模型對魚的新鮮度等級均有一定的預測能力，其中基于體表顏色特征值的模型預測效果最好，測試集樣本的判別正確率為81.67％;將所有檢測部位顏色特征值融臺起來建立偏最小二乘判別分析模型時，訓練集樣本的新鮮度等級正確判別率達到96.67％，測試集的為88.33％，比基于單一檢測部位顏色特征值的預測效果要好很多。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，訓練集樣本的模型預測值與化學測量值的相關系數(shù)能夠達到0.88，交互驗證均

5、方根誤差為11.30，測試集的相關系數(shù)達到0.87，預測均方根誤差為12.00。表明魚在儲存過程中，外表圖像變化信息與魚TVB-N含量之間存在良好的相關性。可以利用外觀圖像信息對內部化學指標TVB-N含量進行預測。
　　 (4)采集魚體表的近紅外光譜信息，用多元散射校正法對光譜預處理后，建立魚新鮮度等級的支持向量機評判模型，訓練集樣本的正確判別率達到94.17％，測試集的為85.00％，說明利用近紅外光譜信息能夠對魚的新鮮度等級

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，訓練集相關系數(shù)(Rc)和交互驗證均方根誤差(RMSECV)分別為0.83、13.25，測試集的相關系數(shù)(Rp)和預測均方根誤差(RMSEP)分別為0.82、13.71;而利用si-PLS法建模時，訓練集相關系數(shù)提高到0.91，RMSECV將至9.98，測試集樣本的Rp和RMSEP為0.90、10.44。說明si-PLS模型更簡潔，預測精度更高。
　　 (5)利用

7、計算機視覺和近紅外光譜融合技術來識別魚的新鮮度。單一檢測手段檢測信息不全，識別精度不高，研究將圖像和近紅外光譜兩種信息融合起來對魚的新鮮度進行判別。選取圖像信息的前10個主成分和近紅外光譜信息的前9個主成分在特征層進行融合，建立BP-ANN融合判別模型，訓練集樣本正確判別率達到了96.67％，測試集的達到93.33％。
　　 研究結果表明:利用計算機視覺和近紅外光譜技術對魚的新鮮度檢測是可行的，將這兩種技術融合起來對魚的新鮮度進