论文部分内容阅读
摘 要：通过对实时图像捕捉装置的设计，将牛肉图像信息与挥发性盐基氮（total volatile basic nitrogen，TVB-N）值相关度进行拟合，构建牛肉新鲜度与颜色色度值之间的关系模型。图像实时捕捉装置由电荷耦合元件摄像机、镜头、发光二极管漫反射光源和暗箱组成，运用基于C++语言编写的软件程序对获得的图像进行颜色特征信息的提取，运用SPSS软件将颜色特征信息与TVB-N值进行逐步回归分析，获取了颜色特征信息与TVB-N值之间关系的模型，TVB-N含量/（mg/100 g）=103.205 9-100.300 4aveS-0.283 2 varB，参照拟合方程及GB 2707—2005《鲜（冻）畜肉卫生标准》，实现对牛肉新鲜度的快速检测。
关键词：计算机视觉技术；图像；挥发性盐基氮；牛肉；新鲜度
Abstract： We conducted this study to establish a predictive model of beef freshness as a function of color features. Images of beef striploin from Luxi yellow cattle were acquired using a real-time image capture apparatus made up of charge-coupled device （CCD） camera， lens， light emitting diode （LED） and camera obscura. Color features were extracted from the images using a software design using the C++ programming language and the relationship with total volatile basic nitrogen （TVB-N） values was fitted as follows： TVB-N （mg/100 g） = 103.205 9 ? 100.300 4 aveS ? 0.283 2 varB by stepwise regression analysis using SPSS software. The fitted model enabled rapid detection of beef freshness according to the Chinese National Standard
GB 2707—2005 （Hygienic Standard for Fresh （Frozen） Meat of Livestock）.
Key words： computer vision technology； image； total volatile basic nitrogen； beef； freshness
中图分类号：TS251.52 文献标志码：A 文章编号：1001-8123（2015）11-0007-03
doi： 10.15922/j.cnki.rlyj.2015.11.002
牛肉富含蛋白质、脂肪酸、维生素和矿物质，烹饪后香味浓郁，而深受消费者喜爱。但由于牛品种、饲养条件不同，屠宰方式和环境各异以及贮藏和冷链物流不完善，导致市场上的牛肉质量参差不齐，存在较大的安全隐患，因此对牛肉新鲜度检测的意义显得尤其重要[1]。
针对畜肉新鲜度的检测，目前采用的是人工感官评价、化学分析技术、电化学技术和光谱技术等，相对于电化学手段较易受环境因素条件影响、光谱技术需要较高的投资和人工感官评价使用受限等因素，目前最为普遍和最有可信度的检测方法是用化学方法对畜肉的挥发性盐基氮值（total volatile basic nitrogen，TVB-N）定量。TVB-N是动物性食品在酶和微生物的作用下产生氨及胺类等碱性含氮物，其含量与畜肉的腐败程度成正相关，是鉴定畜肉新鲜度的重要指标也是国标中用于评价肉质鲜度的唯一理化指标[2-8]。
尽管通过对TVB-N的检测分析畜肉新鲜度具有无可比拟的优势，但是国家标准中无论是半微量定氮法，还是微量扩散法，均需要对样品进行粉碎、浸液提取、酸液吸收和滴定等操作，过程繁琐、耗时长、易引入干扰因素等，难以满足快速、无损、实时在线检测的要求；而通过计算机视觉技术和图像处理技术对畜肉颜色和品质之间的关系研究显示，畜肉颜色会影响到主观评价，通过对畜肉颜色信息的提取可以实现对畜肉进行分级和成分含量的预测[2，4，9-14]。
通过计算机对牛肉图像捕捉和软件对图像进行处理，构建TVB-N含量与颜色信息之间的关系模型，则可以实现对牛肉新鲜度的实时在线分析。
1 材料与方法
1.1 材料与试剂
鲁西黄牛通脊肉购于北京新发地牛羊肉批发市场，切块后由保鲜盒包装置于4 ℃冷库保存。为确保实验的准确性，每次摄取图像和TVB-N的测定均在新切面操作[15]。
阿拉伯树胶粉、甲基红、次甲基蓝、丙三醇、碳酸钾 国药集团化学试剂有限公司；无水乙醇 北京化工厂；盐酸（0.0109 mol/L） 国家化学试剂质检中心。
1.2 仪器与设备
6031-02微量分析器 日本柴田科学株式会社；HWS-150
型恒温恒湿培养箱 上海森信实验仪器有限公司。
1.3 牛肉图像的实时摄取装置
牛肉图像摄取装置由耦合元件摄像机（charge-coupled device，CCD）、镜头、发光二极管漫反射光源（light-emitting diode，LED）和暗箱组成，见图1。牛肉图像的摄取和分析由自主开发的硬件装置摄取和软件进行分析。 1.4 TVB-N值的测定
参照GB/T 5009.44—2003《肉与肉制品卫生标准》方法测定[16]。取采集图像同一位置牛肉10.00 g，剪碎后溶于100 mL纯净水中，晃动后静置30 min，过滤取滤液。微量分析器中以硼酸（4 g/100 mL）为吸收液，以甲基红（0.1 g/100 mL）和亚甲基蓝（0.1 g/100 mL）为指示剂，将1 mL碳酸钾（1 g/mL）和1 mL样品溶液混合，用配制的阿拉伯树胶密封后置于37 ℃培养箱恒温2 h，然后用标准盐酸滴定。
1.5 数据分析
TVB-N含量的测试均进行3 次重复，采用SPSS 18.0进行数据相关性关系拟合，采用SPSS软件逐步回归法进行模型相关度拟合，用Auto CAD 2014进行装置的设计。
2 结果与分析
2.1 牛肉图像特征颜色信息的提取
牛肉图像特征信息包括红、绿、蓝色彩（RGB）模型，色调、饱和度、亮度颜色（HSV）模型，色调、饱和度、强度颜色（HSI）模型，亮度、红绿度、黄蓝度色彩（LAB）模型，灰度的平均值及方差。通过颜色信息判断新鲜度的软件采用C++语言编写[17]。
以TVB-N含量为9.16 mg/100 g的牛肉样本为例，其特征参数如表1所示。
2.2 牛肉颜色特征信息与挥发性盐基氮值的模型拟合
模型构建过程中，控制总样本数为300 个，其中按照TVB-N含量的大小分别控制为200 个新鲜样本、50 个次新鲜样本和50 个腐败样本。并从中分别随机抽取40 个新鲜样本、10 个次新鲜样本和10 个腐败样本，留作验证[8]。采用逐步回归法进行牛肉颜色特征信息与TVB-N含量关系的拟合，分析时设定240 个样品图像的26 项颜色信息为自变量，TVB-N含量为因变量，设置95%的置信区间，进行模型拟合度分析。
通过逐步回归法确定与新鲜度相关的回归方程为：
TVB-N含量/（mg/100 g）=103.205 9-100.300 4aveS-
0.283 2varB
式中：aveS为HSV颜色空间中S平均值，aveB为RGB颜色空间中B的平均值。
2.3 模型准确度的验证
牛肉新鲜度的判断参照国家标准[16]，TVB-N含量小于15 mg/100 g的样品属于新鲜，判定为1级；TVB-N含量介于15～20 mg/100 g之间的样品归于次新鲜，判定为2级；TVB-N含量大于20 mg/100 g的样品归于腐败和变质肉，判定为3级。由表2可知，将获得的拟合模型通过额外60 个样本进行验证分析时发现，模型预测的准确率为95%，其中对新鲜牛肉的判定无误，将1 个次新鲜牛肉样本判定为腐败样本，将2 个腐败牛肉样本判定为次新鲜样本。
3 结 论
本实验通过对牛肉颜色特征信息与TVB-N含量关系模型的构建，为牛肉新鲜度的评价提供了一种快速准确的分析方法、硬件装置和软件系统。与其他分析技术相比，本系统所需的投入相对较少，尤其适合中小型企业的使用；比拟传统化学分析，该系统不仅具有良好的准确度，而且克服了人工操作繁琐、耗时较长和易受其他因素干扰等不足。
该方法在分析次新鲜和腐败样品的准确度上尚有不完美之处，可以通过大量数据的拟合来增加软件系统的准确性；同时，针对其他亚种牛肉亦可以通过数据的采集和模型的构建，实现对牛肉新鲜度的快速分析。本分析方法为牛肉新鲜度的判定提供了可靠的依据，为无损快速准确的工业化装置的开发提供了技术支持，具有良好的应用价值和重要的社会效益。
参考文献：
[1] WEZEMAEL L V， VERBEKE W， K?GLER J O， et al. European consumers and beef safety： perceptions， expectations and uncertainty reduction strategies[J]. Food Control， 2010， 21（6）： 835-844.
[2] WU D， SUN D W. Advanced applications of hyper spectral imaging technology for food quality and safety analysis and assessment： a review-Part II： applications[J]. Innovative Food Science and Emerging Technologies， 2013， 19（3）： 15-28.
[3] 洪雪珍， 韦真博， 海铮， 等. 基于电子鼻和神经网络的牛肉新鲜度的检测[J]. 现代食品科技， 2014， 30（4）： 279-285.
[4] LIU L， NGADI M O. Predicting intramuscular fat content of pork using hyper spectral imaging[J]. Journal of Food Engineering， 2014， 134（12）： 16-23.
[5] XIONG Z J， SUN D W， ZENG X N， et al. Recent developments of hyper spectral imaging systems and their applications in detecting quality attributes of red meats： a review[J]. Journal of Food Engineering， 2014， 132（1）： 1-13. [6] 汤修映， 牛力钊， 徐杨， 等. 基于可见/近红外光谱技术的牛肉含水率无损检测[J]. 农业工程学报， 2013， 29（11）： 248-254.
[7] ZHANG H Y， PENG Y K， WANG W， et al. Nondestructive real time detection system for assessing main quality parameters of fresh pork spectroscopy[J]. Transactions of the Chinese Society for Agricultural Machinery， 2010， 41（9）： 104-107； 137.
[8] 中华人民共和国卫生部. GB 2707—2005 鲜（冻）畜肉卫生标准[S]. 北京： 中国标准出版社， 2005.
[9] SUN D W. Computer Vision technology for food quality evaluation[M]. Amsteldam： Elsevier Inc.， 2008.
[10] ABDULLAH I， NEKTARIOSA V， FEMANDO M， et al. Pork and turkey hams classification from color and textural features using computer vision[C]//5th International Technical Symposium on Food Processing， Monitoring Technology in Bioprocesses and Food Quality Management， 2009： 653-658.
[11] WU D， SUN D W. Color measurements by computer vision for food quality control： a review[J]. Trends in Food Science & Technology， 2013， 29（1）： 5-20.
[12] CHMIEL M， SLOWI?SKI M， DASIEWICZ K. Application of computer vision systems for estimation of fat content in poultry meat[J]. Food Control， 2011， 22（8）： 1424-1427.
[13] MCDONAGH C， TROY D J， KERRY J P， et al. Relationship between the subjective and objective assessment of pork M. semimembranosus and classification of further processed pork quality[J]. Food Sciences and Technology International， 2005， 11（2）： 149-154.
[14] 单海斌， 刘杏娥， 杨淑敏， 等. 基于计算机层析成像（CT）技术的梁山慈竹密度检测研究[J]. 光谱学与光谱分析， 2014， 34（14）： 3380-3384.
[15] QUEVEDO R， VALENCIA E， CUEVAS G， et al. Color changes in the surface of fresh cut meat： a fractal kinetic application[J]. Food Research International， 2013， 54（2）： 1430-1436.
[16] 中华人民共和国卫生部. GB/T 5009.44—2003 肉与肉制品卫生标准的分析方法[S]. 北京： 中国标准出版社， 2003.
[17] 赵杰文， 张燕华， 陈全胜， 等. 光谱和成像融合技术分析猪肉中挥发性盐基氮[J]. 激光与光电子学进展， 2012， 49（6）： 184-189.
关键词：计算机视觉技术；图像；挥发性盐基氮；牛肉；新鲜度
Abstract： We conducted this study to establish a predictive model of beef freshness as a function of color features. Images of beef striploin from Luxi yellow cattle were acquired using a real-time image capture apparatus made up of charge-coupled device （CCD） camera， lens， light emitting diode （LED） and camera obscura. Color features were extracted from the images using a software design using the C++ programming language and the relationship with total volatile basic nitrogen （TVB-N） values was fitted as follows： TVB-N （mg/100 g） = 103.205 9 ? 100.300 4 aveS ? 0.283 2 varB by stepwise regression analysis using SPSS software. The fitted model enabled rapid detection of beef freshness according to the Chinese National Standard
GB 2707—2005 （Hygienic Standard for Fresh （Frozen） Meat of Livestock）.
Key words： computer vision technology； image； total volatile basic nitrogen； beef； freshness
中图分类号：TS251.52 文献标志码：A 文章编号：1001-8123（2015）11-0007-03
doi： 10.15922/j.cnki.rlyj.2015.11.002
牛肉富含蛋白质、脂肪酸、维生素和矿物质，烹饪后香味浓郁，而深受消费者喜爱。但由于牛品种、饲养条件不同，屠宰方式和环境各异以及贮藏和冷链物流不完善，导致市场上的牛肉质量参差不齐，存在较大的安全隐患，因此对牛肉新鲜度检测的意义显得尤其重要[1]。
针对畜肉新鲜度的检测，目前采用的是人工感官评价、化学分析技术、电化学技术和光谱技术等，相对于电化学手段较易受环境因素条件影响、光谱技术需要较高的投资和人工感官评价使用受限等因素，目前最为普遍和最有可信度的检测方法是用化学方法对畜肉的挥发性盐基氮值（total volatile basic nitrogen，TVB-N）定量。TVB-N是动物性食品在酶和微生物的作用下产生氨及胺类等碱性含氮物，其含量与畜肉的腐败程度成正相关，是鉴定畜肉新鲜度的重要指标也是国标中用于评价肉质鲜度的唯一理化指标[2-8]。
尽管通过对TVB-N的检测分析畜肉新鲜度具有无可比拟的优势，但是国家标准中无论是半微量定氮法，还是微量扩散法，均需要对样品进行粉碎、浸液提取、酸液吸收和滴定等操作，过程繁琐、耗时长、易引入干扰因素等，难以满足快速、无损、实时在线检测的要求；而通过计算机视觉技术和图像处理技术对畜肉颜色和品质之间的关系研究显示，畜肉颜色会影响到主观评价，通过对畜肉颜色信息的提取可以实现对畜肉进行分级和成分含量的预测[2，4，9-14]。
通过计算机对牛肉图像捕捉和软件对图像进行处理，构建TVB-N含量与颜色信息之间的关系模型，则可以实现对牛肉新鲜度的实时在线分析。
1 材料与方法
1.1 材料与试剂
鲁西黄牛通脊肉购于北京新发地牛羊肉批发市场，切块后由保鲜盒包装置于4 ℃冷库保存。为确保实验的准确性，每次摄取图像和TVB-N的测定均在新切面操作[15]。
阿拉伯树胶粉、甲基红、次甲基蓝、丙三醇、碳酸钾 国药集团化学试剂有限公司；无水乙醇 北京化工厂；盐酸（0.0109 mol/L） 国家化学试剂质检中心。
1.2 仪器与设备
6031-02微量分析器 日本柴田科学株式会社；HWS-150
型恒温恒湿培养箱 上海森信实验仪器有限公司。
1.3 牛肉图像的实时摄取装置
牛肉图像摄取装置由耦合元件摄像机（charge-coupled device，CCD）、镜头、发光二极管漫反射光源（light-emitting diode，LED）和暗箱组成，见图1。牛肉图像的摄取和分析由自主开发的硬件装置摄取和软件进行分析。 1.4 TVB-N值的测定
参照GB/T 5009.44—2003《肉与肉制品卫生标准》方法测定[16]。取采集图像同一位置牛肉10.00 g，剪碎后溶于100 mL纯净水中，晃动后静置30 min，过滤取滤液。微量分析器中以硼酸（4 g/100 mL）为吸收液，以甲基红（0.1 g/100 mL）和亚甲基蓝（0.1 g/100 mL）为指示剂，将1 mL碳酸钾（1 g/mL）和1 mL样品溶液混合，用配制的阿拉伯树胶密封后置于37 ℃培养箱恒温2 h，然后用标准盐酸滴定。
1.5 数据分析
TVB-N含量的测试均进行3 次重复，采用SPSS 18.0进行数据相关性关系拟合，采用SPSS软件逐步回归法进行模型相关度拟合，用Auto CAD 2014进行装置的设计。
2 结果与分析
2.1 牛肉图像特征颜色信息的提取
牛肉图像特征信息包括红、绿、蓝色彩（RGB）模型，色调、饱和度、亮度颜色（HSV）模型，色调、饱和度、强度颜色（HSI）模型，亮度、红绿度、黄蓝度色彩（LAB）模型，灰度的平均值及方差。通过颜色信息判断新鲜度的软件采用C++语言编写[17]。
以TVB-N含量为9.16 mg/100 g的牛肉样本为例，其特征参数如表1所示。
2.2 牛肉颜色特征信息与挥发性盐基氮值的模型拟合
模型构建过程中，控制总样本数为300 个，其中按照TVB-N含量的大小分别控制为200 个新鲜样本、50 个次新鲜样本和50 个腐败样本。并从中分别随机抽取40 个新鲜样本、10 个次新鲜样本和10 个腐败样本，留作验证[8]。采用逐步回归法进行牛肉颜色特征信息与TVB-N含量关系的拟合，分析时设定240 个样品图像的26 项颜色信息为自变量，TVB-N含量为因变量，设置95%的置信区间，进行模型拟合度分析。
通过逐步回归法确定与新鲜度相关的回归方程为：
TVB-N含量/（mg/100 g）=103.205 9-100.300 4aveS-
0.283 2varB
式中：aveS为HSV颜色空间中S平均值，aveB为RGB颜色空间中B的平均值。
2.3 模型准确度的验证
牛肉新鲜度的判断参照国家标准[16]，TVB-N含量小于15 mg/100 g的样品属于新鲜，判定为1级；TVB-N含量介于15～20 mg/100 g之间的样品归于次新鲜，判定为2级；TVB-N含量大于20 mg/100 g的样品归于腐败和变质肉，判定为3级。由表2可知，将获得的拟合模型通过额外60 个样本进行验证分析时发现，模型预测的准确率为95%，其中对新鲜牛肉的判定无误，将1 个次新鲜牛肉样本判定为腐败样本，将2 个腐败牛肉样本判定为次新鲜样本。
3 结 论
本实验通过对牛肉颜色特征信息与TVB-N含量关系模型的构建，为牛肉新鲜度的评价提供了一种快速准确的分析方法、硬件装置和软件系统。与其他分析技术相比，本系统所需的投入相对较少，尤其适合中小型企业的使用；比拟传统化学分析，该系统不仅具有良好的准确度，而且克服了人工操作繁琐、耗时较长和易受其他因素干扰等不足。
该方法在分析次新鲜和腐败样品的准确度上尚有不完美之处，可以通过大量数据的拟合来增加软件系统的准确性；同时，针对其他亚种牛肉亦可以通过数据的采集和模型的构建，实现对牛肉新鲜度的快速分析。本分析方法为牛肉新鲜度的判定提供了可靠的依据，为无损快速准确的工业化装置的开发提供了技术支持，具有良好的应用价值和重要的社会效益。
参考文献：
[1] WEZEMAEL L V， VERBEKE W， K?GLER J O， et al. European consumers and beef safety： perceptions， expectations and uncertainty reduction strategies[J]. Food Control， 2010， 21（6）： 835-844.
[2] WU D， SUN D W. Advanced applications of hyper spectral imaging technology for food quality and safety analysis and assessment： a review-Part II： applications[J]. Innovative Food Science and Emerging Technologies， 2013， 19（3）： 15-28.
[3] 洪雪珍， 韦真博， 海铮， 等. 基于电子鼻和神经网络的牛肉新鲜度的检测[J]. 现代食品科技， 2014， 30（4）： 279-285.
[4] LIU L， NGADI M O. Predicting intramuscular fat content of pork using hyper spectral imaging[J]. Journal of Food Engineering， 2014， 134（12）： 16-23.
[5] XIONG Z J， SUN D W， ZENG X N， et al. Recent developments of hyper spectral imaging systems and their applications in detecting quality attributes of red meats： a review[J]. Journal of Food Engineering， 2014， 132（1）： 1-13. [6] 汤修映， 牛力钊， 徐杨， 等. 基于可见/近红外光谱技术的牛肉含水率无损检测[J]. 农业工程学报， 2013， 29（11）： 248-254.
[7] ZHANG H Y， PENG Y K， WANG W， et al. Nondestructive real time detection system for assessing main quality parameters of fresh pork spectroscopy[J]. Transactions of the Chinese Society for Agricultural Machinery， 2010， 41（9）： 104-107； 137.
[8] 中华人民共和国卫生部. GB 2707—2005 鲜（冻）畜肉卫生标准[S]. 北京： 中国标准出版社， 2005.
[9] SUN D W. Computer Vision technology for food quality evaluation[M]. Amsteldam： Elsevier Inc.， 2008.
[10] ABDULLAH I， NEKTARIOSA V， FEMANDO M， et al. Pork and turkey hams classification from color and textural features using computer vision[C]//5th International Technical Symposium on Food Processing， Monitoring Technology in Bioprocesses and Food Quality Management， 2009： 653-658.
[11] WU D， SUN D W. Color measurements by computer vision for food quality control： a review[J]. Trends in Food Science & Technology， 2013， 29（1）： 5-20.
[12] CHMIEL M， SLOWI?SKI M， DASIEWICZ K. Application of computer vision systems for estimation of fat content in poultry meat[J]. Food Control， 2011， 22（8）： 1424-1427.
[13] MCDONAGH C， TROY D J， KERRY J P， et al. Relationship between the subjective and objective assessment of pork M. semimembranosus and classification of further processed pork quality[J]. Food Sciences and Technology International， 2005， 11（2）： 149-154.
[14] 单海斌， 刘杏娥， 杨淑敏， 等. 基于计算机层析成像（CT）技术的梁山慈竹密度检测研究[J]. 光谱学与光谱分析， 2014， 34（14）： 3380-3384.
[15] QUEVEDO R， VALENCIA E， CUEVAS G， et al. Color changes in the surface of fresh cut meat： a fractal kinetic application[J]. Food Research International， 2013， 54（2）： 1430-1436.
[16] 中华人民共和国卫生部. GB/T 5009.44—2003 肉与肉制品卫生标准的分析方法[S]. 北京： 中国标准出版社， 2003.
[17] 赵杰文， 张燕华， 陈全胜， 等. 光谱和成像融合技术分析猪肉中挥发性盐基氮[J]. 激光与光电子学进展， 2012， 49（6）： 184-189.