计算机视觉用于猪肉新鲜度检测的颜色特征优化选取.pdf

"计算机视觉用于猪肉新鲜度检测的颜色特征优化选取" 计算机视觉技术在猪肉新鲜度检测中的应用是非常有前途的。该技术可以实现在猪肉表面的颜色特征参数提取，并通过神经网络模型对猪肉新鲜度进行预测。在这篇论文中，研究人员提出了猪肉新鲜度检测的颜色特征优化选取方法，通过图像处理方法提取猪肉表面的颜色特征参数，并组合成五类特征参数组合，包括RGB-HIS、RGB-L*b、rgb-HIS、rgb-L*a*b和HIS-L*a*b。然后，使用BP和SVM神经网络模型对猪肉新鲜度进行预测，结果表明，SVM神经网络模型的平均预测准确率为91.11%，而BP神经网络模型的平均预测准确率为84.44%。此外，研究人员还发现，rgb-HIS特征参数组合的BP和SVM神经网络模型的预测准确率最高，分别为88.89%和95.56%。 在猪肉新鲜度检测中，颜色特征参数的选择是非常关键的。传统的新鲜度评估方法存在着主观性强、效率低等缺陷，而计算机视觉技术可以实现在猪肉表面的颜色特征参数提取，并通过神经网络模型对猪肉新鲜度进行预测。 Lu等人曾经使用猪肉肌红蛋白和血红蛋白的平均值和标准差作为颜色特征参数，并建立了猪肉新鲜度预测模型，模型的相关系数分别为0.52和0.75。CHEN等人则使用牛肉图像中的脂肪像素点RGBHIS的均值和标准差作为输入参数，并使用支持向量机对牛肉脂肪颜色等级进行预测，正确率为97.4%。姜沛宏等人则应用神经网络建立基于RGB-HIS特征分量的牛肉新鲜度分级模型，模型判别正确率达90%以上。 在猪肉新鲜度检测中，选择合适的颜色特征参数和神经网络模型是关键。目前，大多数学者只是凭经验直接选定颜色特征参数和神经网络模型，而没有给出相应的数据证实该选取是模型预测准确率最高时的最优选取。本研究以猪肉通脊部位肉样作为试验对象，提取了12个常用的颜色特征参数R、G、B、H、S、L、I、II、b、r、g、b的均值，并组合成五类特征参数组合。然后，使用BP和SVM神经网络模型对猪肉新鲜度进行预测，最后根据预测准确率找到最佳的特征参数组合类，并找到其适合的神经网络预测模型。 此外，本研究还讨论了猪肉新鲜度检测中的其他重要问题，如猪肉表面的颜色特征参数提取、神经网络模型的选择等。该研究为猪肉新鲜度检测提供了一种新颖的方法，能够实现在猪肉表面的颜色特征参数提取，并通过神经网络模型对猪肉新鲜度进行预测，并找到最佳的特征参数组合类和神经网络预测模型。