牛肉营养丰富、风味独特、脂肪含量低,在全球肉品消费中位列第三,但在贮存、运输过程中,极易发生脂质氧化、蛋白质分解和微生物繁殖,导致品质下降和货架期缩短。挥发性盐基氮(total volatile base nitrogen, TVB-N)、硫代巴比妥酸(thiobarbituric acid, TBA)、菌落总数(total viable count, TVC)和感官评定是传统牛肉新鲜度评价的常用指标[1-2]。然而,这些常规指标属于有损检测,一般需要在实验室中进行,且效率较低。此外,对于消费者而言,色泽等感官特征是判断新鲜度的第一印象。然而,这种人眼视觉判定方法主观性较强,且难以量化。机器视觉是利用图像摄取装置替代人眼,并通过图像信号提取,利用计算机模拟人眼判别获得客观分析评价结果的技术。因具有可靠、经济、高效、非侵入性和非破坏性等优势,机器视觉已成为极具潜力的质量检测工具[3-4]。机器视觉在肉品检测中通过图像获取肉品的特征信息并将其转化为数字信息从而对实现对肉品特征的判别。最初大部分的研究主要通过对颜色、纹理等特征进行提取来实现图像识别。目前,基于机器视觉牛肉品质评价研究大多集中在对嫩度预测[5-7]或牛肉质量等级分类如大理石花纹等级、新鲜度等级[8-9]。在新鲜度检测方面,现有研究通常仅对新鲜度等级进行定性判别,但单纯的新鲜度等级判别无法体现牛肉新鲜度指标的细微变化,并且缺乏关于新鲜度量化检测的研究。

因此,本研究拟利用机器视觉技术,建立一种基于颜色参数的冷鲜牛肉新鲜度量化识别模型,实现冷鲜牛肉的实时、无损的新鲜度定量判别的同时实现货架期预测。首先,通过机器视觉系统获取4 ℃下贮存的牛肉图像并提取在Red-Green-Blue(RGB,红色,绿色,蓝色)、L*a*b*(亮度、红度和绿度、黄度和蓝度)和Hue-Saturation-Intensity(HSI,色调、饱和度、强度)颜色空间的颜色参数,分别采用在食品新鲜度与货架期预测研究中使用广泛、准确性高、泛化能力强的多元线性回归(multiple linear regression, MLR)、反向传播神经网络(back propagation neural network, BPNN)和支持向量回归(support vector regression, SVR)模型[10-12],对转化为数字化信号的颜色参数与传统新鲜度评价指标(TVB-N、TBA、TVC和感官评价)进行关联建模,以确定基于机器视觉建模预测牛肉新鲜度指标的可行性。在此基础上,选择预测性能最优的SVR模型,基于颜色参数预测冷鲜牛肉的货架期,并与传统货架期预测模型结果进行对比评价模型的可靠性。

1 材料与方法

1.1 实验材料

排酸冷鲜牛肉样本,购自当地肉店,选取经过排酸处理且全程冷链物流运输的西门塔尔牛的眼肉6 kg。购买后30 min内用冷却箱(0～4 ℃)送到实验室,并沿垂直肌纤维方向分割为约600 mm×600 mm×100 mm的均匀切片,每块质量(40±5) g。后用聚氯乙烯袋独立包装后置于4 ℃冰箱中待用。

1.2 机器视觉系统的搭建

1.2.1 图像采集

本实验图像采集系统的搭建参考罗礼纯[13]的方法并适当修改,其系统由暗箱、光源、铝箔反光膜、智能手机组成,图1为整个采集系统的结构示意图。使用智能手机小米K40后置摄像头在室温(25±1) ℃下拍摄牛肉图像,相机设置为闪光灯关闭、白平衡自动、ISO感光度自动、自动操作模式。暗箱里面使用了符合国际照明委员会规定的近似于日光的真实光率分布的D65光源。2个LED(3.6 W)灯条平行排列放置于暗箱的顶部。在暗箱内壁四周和顶部张贴铝箔反光波,保证光照均匀且无死角。

获取图像时,牛肉样品单独放置在物台上,相机与牛肉之间的垂直距离为30 cm,关闭暗箱使之密闭以避免外界光照干扰。通过顶端手机摄像头获取牛肉的图像信息,图像统一生成为JPG格式。采集之后的图像自动保存在手机相册中,后续通过USB端口传输到计算机。

1.2.2 图像数据增强

数据增强,也称为数据扩展,是提升机器视觉模型鲁棒性和泛化性的常用策略。本研究采用MATLAB编译脚本文件,通过图像的旋转和翻转操作对牛肉数据集进行扩充[14]。先将1.2.1节中采集的每个样本图像绕中心点逆时针依次旋转0°、90°、180°、270°,得到4张不同角度的图像,再以图像垂直中线为轴左右对调,最终将1张采集获得的样本图像扩展为8张。

1.2.3 图像预处理与分割

本研究使用MATLAB编译脚本文件实现图片像素的统一化处理,分辨率降低至1 000×1 000像素,以提高运算效率。采用中值滤波器(3×3)为图像降噪工具,在计算分析之前降低水分、肉末以及不平整性对图像的干扰并去除因设备传输造成的噪声,提高图像质量与特征提取准确性。

图像分割指将图像划分为具有相似特征的区域,从分割图像中提取的数据的准确性很大程度上取决于此步骤。牛肉中的脂肪和筋膜组织在每块样品中的分布和占比差异会给后续的特征提取带来较大的不确定性,而图像分割的目标正是去除背景、脂肪与筋膜组织,仅保留肌肉组织区域。因此,本研究首先对牛肉图像进行灰度化处理,将RGB图像转换为单通道灰度图像,利用Otsu二值化方法运算确定适合每张的阈值,随后通过阈值分割方法对图像中的背景区域、脂肪组织与肌肉组织进行分割。在此基础上,通过图像处理算法分别对分割后的图像进行RGB、L*a*b*和HSI色彩空间分析,获取不同颜色空间对应的颜色参数。

1.3 牛肉新鲜度指标的测定

1.3.1 传统鲜度指标测定

TBA采用GB 5009.181—2016《食品安全国家标准 食品中丙二醛的测定》中的分光光度法进行测定。TVB-N采用GB 5009.228—2016《食品安全国家标准 食品中挥发性盐基氮的测定》中的自动凯氏定氮法进行测定。

TVC在GB 4789.2—2022《食品安全国家标准 食品微生物学检验 菌落总数测定》方法基础上适当修改。将5 g样品与45 mL无菌生理盐水(0.9%)在无菌密封袋中混合,用拍击式无菌均质机均质1 min。取均质后的匀浆1 mL与9 mL无菌生理盐混合并振荡均匀,用于平板计数。孵育条件为(36±1) ℃、48 h,菌落计数结果以lg CFU/g表示。

1.3.2 感官评定

感官评价参照LUO等[5]的方法。感官品评小组由10名(5男5女)经培训的专业人员组成,根据表1对牛肉的色泽、气味、质地、整体可接受度4个方面进行打分,计算感官指数(sensory index,SI)评价牛肉整体情况,如公式(1)所示:

SI=(2.5×C+2×O+2.5T+3×F)/10

(1)

式中:SI,感官评分;C,颜色;O,气味;T,质地;F,整体接受喜爱度。

1.4 新鲜度模型的建立与评价

分别于第0、2、4、6、8、10天随机选取20个样本采集图像,并进行传统鲜度指标测定与感官评价。

对牛肉图像进行预处理和肌肉组织颜色参数提取作为图像特征,分别采用MLR、BPNN、SVR模型构建颜色参数与牛肉新鲜度指标之间的映射关系预测模型。

MLR模型是一种用于建立因变量与多个自变量之间线性关系的统计模型[15],通过拟合线性关系来预测或解释因变量的变化,如公式(2)所示:

y=β0+β1x1+β2x2+…+βkxk+ε

(2)

式中:y,因变量;x1,x2, …,xk,自变量;β0,β1,β2,…,βk,回归系数;ε,误差项。

本研究采用非线性映射的能力较强的3层BPNN构建模型,包括1个输入层、1个输出层和1个隐含层,并将牛肉图像样本数据集以4∶1比例随机划分为训练集与测试集。以颜色参数为输入值,以传统鲜度指标(TVB-N、TBA、TVC)或SI作为输出值,分别构建模型。模型参数:trainlm作为训练函数,learngdm为学习函数,Sigmoid函数作为隐含层传输函数,purelin函数为输出层传输函数,网络性能目标误差为0.001,学习速率0.01,最大训练步数10 000次。

本研究使用MATLAB中LIBSVM工具箱构建SVR牛肉新鲜度预测模型,将牛肉图像样本数据集以4∶1比例随机划分为训练集与测试集。模型以颜色参数为输入值,以新鲜度指标为输出值,以径向基函数为核函数,利用网格搜索法和5折交叉验证法对模型惩罚因子c和核参数g寻优。c和g的搜索范围均在[2-10, 210],搜索步距设置为0.5。

1.5 基于颜色特征值的牛肉货架期预测模型

基于1.4节中对3种模型的比较,选择预测性能最高的SVR模型以颜色参数作为输入值,以实际货架期作为输出值,以径向基函数为核函数,通过网格搜索法和5折交叉验证法对模型惩罚因子c和径向核参数g寻优。利用寻优后的c和g构建基于颜色参数的冷鲜牛肉SVR货架期预测模型。同时,根据传统动力学货架期预测理论,分别构建基于TVB-N、TBA、TVC和SI的传统货架期预测模型用于验证SVR模型预测结果。

1.6 数据处理

传统鲜度指标测定中,每个试验重复3次,结果表示为平均值±标准差。数据统计分析采用SPSS Statistics 19软件完成,使用Origin 2018绘图。使用MATLAB R2021a软件进行回归建模,通过模型的决定系数(R2)、均方根误差(root mean squard error, RMSE)评价模型的预测性能。

2 结果与分析

2.1 机器视觉对冷鲜牛肉的成像和分析

为丰富图像数据集,更好地提取牛肉特征,增强模型的鲁棒性,本研究使用MATLAB中imrotate函数对每张牛肉图像进行旋转,后使用flipud函数对旋转后的牛肉图像进行翻折变换,最终得到8张不同图像,如图2所示。随后,采用medfilt 2函数进行图像的中值滤波降噪。

图像的灰度化处理能够简化图像像素矩阵,加速后续图像处理,同时通过不同的灰度级别有效传达图像明暗和细节特征,特别是在光线不足的情况下,能提高图像清晰度,减少光线不稳定对图像质量的影响[16](图3)。本研究通过MATALB中rgb2 gray函数将原始图像转换为灰度图像以增强背景与牛肉样本区域之间差别,如牛肉图像的灰度直方图(图4)示。随后采用基于灰度直方图的Otsu二值化阈值分割方法消除图像中的背景区域。

进一步利用阈值法分割肌肉与脂肪筋膜组织,将肌肉部分作为特征区域(图3-d)提取图像的R、G、B值。同时,利用MATLAB中rgb2lab和rgb2 hsi函数将RGB颜色空间转换为L*a*b*和HSI颜色空间并分别提取各颜色通道值,结果如图5所示。

由图5-a可知,贮藏期内牛肉图像的R值呈显著(P<0.05)下降趋势,G值和B值则呈明显上升趋势。RGB值的变化表明,牛肉颜色的构成中红色的占比随贮藏时间的延长逐渐降低,而绿色和蓝色的占比逐渐增加。R值变化与感官评价结果牛肉颜色先由鲜红向暗红色甚至灰暗色转变一致,G值与B值的变化与腐败变质后牛肉出现蓝绿色斑点相符合。

L*a*b*颜色空间模型与RGB模型的不同之处在于,其对颜色的表达主要是基于颜色的亮度L*以及描述红绿色度a*和蓝黄色度b*的变化。该表色系统能较全面反映牛肉表面的色泽和色差。由图5-b可知,L*值在贮藏期内呈显著(P<0.05)下降趋势,牛肉色泽逐渐变暗。在a*分量值中,a*值上升可定义为红度增加,a*值降低可定义为绿度增加,图中牛肉a*值在0～2 d时有所上升,在后续贮藏期内显著(P<0.05)下降。这是由于新鲜牛肉肌肉组织中的肌红蛋白尚未能与空气中的氧气充分接触,故呈深红樱桃色,当与包装内氧气接触一段时间后,氧合肌红蛋白含量增加且呈鲜红色,a*值上升;随着贮藏时间的进一步延长,氧合肌红蛋白中的Fe2+被氧化形成高铁肌红蛋白,此时牛肉转变成深棕红色,a*值下降[9]。b*值在贮藏期内的变化不明显。

HSI颜色空间是一种将颜色信息与人眼感知相关联的颜色表示方法,H表示色调,S表示饱和度,I表示亮度[17]。根据图5-c显示,牛肉初始H值为0.100(偏红),后H值随贮藏时间延长而增加,说明牛肉颜色从红色向蓝绿色变化。S值表示颜色的纯度或鲜艳程度,在第4～10天的贮藏期内显著(P<0.05)下降,说明肌肉颜色变暗。I值是一个主观描述值,仅代表图像的亮度,与图像的颜色信息无关。在贮藏期内,I值上下波动,没有明显趋势。

2.2 牛肉新鲜度指标分析

4 ℃下贮藏期牛肉样品中TVB-N、TBA、TVC和SI值的变化如图6所示。TVB-N被广泛用作判定肉类变质的指标,根据GB 2707—2016《食品安全国家标准 鲜(冻)畜禽产品》规定,TVB-N值小于15 mg/100 g时牛肉被认定为新鲜肉,TVB-N值为15～25 mg/100 g为次新鲜肉,TVB-N值大于25 mg/100 g为腐败肉。本研究中,TVB-N的初始值为5.88 mg/100 g,在贮藏期内TVB-N显著(P<0.05)上升至31.44 mg/100 g。第8天时TVB-N为25.59 mg/100 g,已经超过最大可接受水平(≥25 mg/100 g),认定牛肉已经腐败。

肉品中不饱和脂肪酸的二次氧化产物丙二醛与TBA在一定条件下反应生成有色物质,可反映脂肪的氧化酸败程度。通常,当TBA值大于0.5 mg/kg时即有可感知的脂肪氧化异味[18]。一般情况下,牛肉TBA值为0.20～0.66 mg/kg被认定为新鲜肉,0.66～1 mg/kg为次新鲜肉,大于1 mg/kg为腐败肉[19]。本研究中牛肉初始TBA值为0.28 mg/kg,在贮藏期内上升至1.21 mg/kg,且在第8天就已经达到1.13 mg/kg,即第8天牛肉已经腐败,与TVB-N判定结果一致。

微生物的生长繁殖是引起肉类食品腐败变质的主要因素。根据TVC的评判标准,新鲜肉TVC<4.0 lg CFU/g,次新鲜肉TVC为4.0～6.0 lg CFU/g,腐败肉TVC>6.0 lg CFU/g[20]。由图6-c可知,牛肉初始TVC值为3.56 lg CFU/g,在贮藏期内TVC显著增加(P<0.05),第10天时达到6.93 lg CFU/g。第8天时TVC值为6.07 lg CFU/g,超过肉类的最大可接受水平。

感官评定也是判断牛肉新鲜度的重要方法。结合表1分析,牛肉初始总体感官良好,在贮藏期内SI值显著(P<0.05)下降,在第8天降低至6.0到达临界水平,说明第8天牛肉已经出现腐败迹象。

2.3 新鲜度预测模型的建立与验证

为进一步探究贮藏期间牛肉肌肉颜色变化与其新鲜度之间的关联,将R、G、B、L*、a*、b*、H、S、I分量值与牛肉新鲜度指标进行Pearson相关性分析,结果如表2所示。TVC与肌肉颜色参数中R、L*、H值呈极显著相关(P<0.01),与S值呈显著相关(P<0.05)。SI与R、L*、H、S值呈极显著相关(P<0.01),与G、B、a*值呈显著相关(P<0.05)。TBA值与R、H值呈极显著相关(P<0.01),与L*、S值呈显著相关(P<0.05)。TVB-N值与R、L*、H值呈极显著相关(P<0.01),与G、S值呈显著相关(P<0.05)。这些关联关系是由于随着贮藏时间的延长,牛肉由于氧化反应、蛋白质分解、微生物繁殖代谢等综合作用导致牛肉TVB-N、TBA、TVC值的上升与感官评分下降,颜色上表现出红色逐渐变暗甚至出现灰绿色[21]的变化趋势。R、L*、H、S所代表的颜色参数在视觉上与颜色的感知和外观密切相关,R值、L*值与S值根据牛肉肌肉的颜色变化随贮藏时间的延长而降低。故这些颜色参数与TVC、TBA、TVB-N值呈负相关,与SI值呈正相关。而在HSI颜色空间中,H值为0表示红色,H值的增加表示牛肉颜色从红色逐渐向黄绿色过渡。故H值与TVC、TBA、TVB-N值呈现正相关性,与SI值呈负相关。H值的变化也与G、B值的随时间的延长以及感官评价结果一致。

尽管牛肉肌肉颜色变化与其新鲜度指标TVB-N、TBA、TVC和SI值之间存在较强的相关性,但这种关系可能是复杂且非线性的。故本研究选择与新鲜度指标极显著与显著相关的颜色参数作为后续新鲜度预测的变量,并利用MLR、BPNN、SVR建立了牛肉TVB-N、TBA、TVC和SI值的预测模型。表3为基于肌肉颜色参数的牛肉新鲜度MLR回归方程预测模型。结果显示MLR方程对TVB-N、TBA、TVC和SI值都有良好的拟合效果,R2分别为0.940 6、0.931 6、0.958 2和0.954 8。

BPNN模型的隐含层节点数对预测精度有较大的影响,故本研究对比了不同隐含层节点数下模型在验证集上的性能表现,根据R2与RMSE为评价模型预测性能,寻找最优隐含层节点参数。由表4可知,预测TVB-N、TBA、TVC、SI值的BPNN模型隐含层最优节点分别为7、11、9和9,R2分别为0.962 7、0.964 1、0.992 0和0.986 4。且RMSE均小于MLR模型,证明BPNN模型比MLR模型对牛肉新鲜度指标预测效果更好。

常用的SVR的核函数有:多项式、Sigmoid和径向基,其中径向基核函数因具有良好的非线性映射能力和适用性而成为最普遍使用的核函数[22]。因此,本研究以径向基核函数为核函数,利用网格搜索法和5折交叉验证法,以交叉验证最小均方误差为目标,对模型中的惩罚参数c以及核函数g值进行寻优,寻优过程如图7所示。以搜寻到的最优参数c和g进行新鲜度SVR模型训练,训练结果如表5所示。预测TVB-N、TBA、TVC、SI值的SVR模型R2分别为0.971 2、0.967 9、0.992 8和0.988 3,表明SVR模型对于新鲜度指标具有良好的预测效果。

MLR模型、BPNN模型和SVR模型证明了利用计算机视觉技术预测新鲜度的可行性。表6为3种模型分别预测TVB-N、TBA、TVC和SI值的相对误差比较。如果相对误差在±10%之内,则该模型被认为是可接受的[23]。据观察,SVR模型相对误差均在±10%以内,且预测指标方面优于MLR和BPNN。MLR模型预测误差较大的原因是颜色参数与牛肉新鲜度之间的关系可能是非线性,并且多个颜色参数之间高度相关的情况导致MLR模型受多重共线性影响,降低了模型的性能。而BPNN模型容易陷入局部最优解的问题,在小样本问题上SVR通常比BPNN预测效果更好[24]。因此,基于肌肉颜色参数的SVR模型是预测牛肉整体新鲜度的有效方法和最优选择。

2.4 货架期模型的建立与分析

传统货架期预测通常以食品腐败过程中微生物生长、化学物质衰变或感官特征失效为基础,选择合适的动力学模型和数据分析方法建立预测方程,结合实验不断调试和修正参数从而获得相对准确的货架期预测模型。本研究基于“食品品质变化规律通常符合零级或一级反应”理论[25],分别对TVB-N、TBA、SI值进行反应方程拟合(表7)根据模型拟合结果,选择零级化学动力学反应作为TVB-N、TBA、SI值的化学反应能级,并根据公式(3)建立货架期预测模型;对TVC值采用修正的Gompertz模型拟合,并建立货架期预测模型(公式4),结果如表8所示。

(3)

(4)

式中:SL,剩余货架期时间,d;Amax,新鲜度指标阈值;A,新鲜度指标实时检测值;k,反应速率常数;λ,延滞期,d;Nmax;N0,初始菌落总数,lg CFU/g;μmax,微生物最大比生长速率;Ns,最小腐败量,lg CFU/g。

基于颜色参数的牛肉SVR货架期预测模型的以颜色参数(R、G、B、L*、a*、b*、H、S、I)为输入值,以剩余货架期为输出值。将输入值归一化处理后,利用网格搜索法进行参数寻优,寻得最优c为45.254 8,g为1.414 2。利用得到的最优参数对SVR进行训练,以随机60组数据作为验证集。预测结果如图8所示,R2为0.964 8,与实际货架期的平均绝对误差为0.379 1 d,说明SVR模型的预测值与实际值的关联度很高,且预测值与实际值偏差小。与传统动力学货架期预测模型相比,各单一指标的传统货架期模型绝对误差均大于SVR模型,说明SVR货架期模型比传统货架期模型预测更加准确。因此,本研究建立的基于肌肉颜色参数的SVR货架期预测模型可作为无损预测牛肉货架期的有效方法。

3 结论

本项研究开发了一种基于牛肉肌肉颜色的机器视觉技术,可同时预测牛肉在4 ℃贮藏期间的TVB-N、TBA、TVC、SI值和货架期。通过对牛肉图像进行预处理与图像分析,并选择与牛肉新鲜度指标相关性高的颜色参数用于新鲜度建模。在对基于肌肉颜色参数的MLR、BPNN和SVR牛肉新鲜度预测模型性能进行评估中,SVR模型性能最优,对TVB-N、TBA、TVC和SI值预测模型R2分别0.971 2、0.967 9、0.992 8和0.988 3,且预测相对误差均在10%之内。在此基础上,进一步建立了基于肌肉颜色的SVR牛肉货架期预测模型。与传统货架期建模方式相比,SVR模型显示出良好的预测结果(R2=0.964 8),平均绝对误差更小且<0.5 d,实现了冷鲜牛肉货架期的高效、无损、精准预测。综上所述,本研究建立的基于肌肉颜色参数的机器视觉系统能提供准确、实时、在线的冷鲜牛肉新鲜度与货架期预测,为进一步开展肉品快速无损检测相关研究提供参考。

参考文献

[1] 封晴霞, 王利强.4 ℃冷藏牛肉的新鲜度检测及指标分析[J].包装与食品机械, 2020, 38(6):1-4;29. FENG Q X, WANG L Q.Freshness test and index analysis of 4 ℃ chilled beef[J].Packaging and Food Machinery, 2020, 38(6):1-4;29.

[2] 付丽, 高雪琴, 胡晓波, 等.保鲜盒包装冷鲜牛肉贮藏期间品质及菌相变化[J].食品研究与开发, 2019, 40(14):35-41. FU L, GAO X Q, HU X B, et al.Change in quality and bacteria phase of chilled beef in fresh box packaging during storage[J].Food Research and Development, 2019, 40(14):35-41.

[3] HOSSEINPOUR S, ILKHCHI A H, AGHBASHLO M.An intelligent machine vision-based smartphone app for beef quality evaluation[J].Journal of Food Engineering, 2019, 248:9-22.

[4] TAHERI-GARAVAND A, FATAHI S, OMID M, et al.Meat quality evaluation based on computer vision technique:A review[J].Meat Science, 2019, 156:183-195.

[5] LUO X Z, XIONG L J, GAO X, et al.Determination of beef tenderness based on airflow pressure combined with structural light three-dimensional (3D) vision technology[J].Meat Science, 2023, 202:109206.

[6] 陈士进, 丁冬, 李泊, 等.基于机器视觉的牛肉结缔组织特征和嫩度关系研究[J].南京农业大学学报, 2016, 39(5):865-871. CHEN S J, DING D, LI B, et al.Research on relationship between beef connective tissue features and tenderness by computer vision technology[J].Journal of Nanjing Agricultural University, 2016, 39(5):865-871.

[7] 李岩, 刘波, 陈怡帆.机器视觉技术在牛肉生理成熟度检测中的应用[J].河北农业大学学报, 2017, 40(6):119-124. LI Y, LIU B, CHEN Y F.Application of machine vision technology in the detection of beef physiological maturity[J].Journal of Agricultural University of Hebei, 2017, 40(6):119-124.

[8] 姜沛宏, 张玉华, 钱乃余, 等.基于机器视觉技术的肉新鲜度分级方法研究[J].食品科技, 2015, 40(3):296-300. JIANG P H, ZHANG Y H, QIAN N Y, et al.Research on method to freshness grading of meat based on machine vision technology[J].Food Science and Technology, 2015, 40(3):296-300.

[9] 张茹. 基于机器视觉与质构检测的冷鲜牛肉新鲜度判别[D].无锡:江南大学, 2022. ZHANG R.Freshness identification of chilled beef based on machine vision and texture analysis[D].Wuxi:Jiangnan University, 2022.

[10] 黄幸幸. 南美白对虾货架期预测指标优化及模型研究[D].上海:上海海洋大学, 2018. HUANG X X.The prediction index and model of the shelf-life of Penaeus vannamei[D].Shanghai:Shanghai Ocean University, 2018.

[11] 陆逸峰, 何子豪, 曾宪明, 等.基于BP神经网络的鸡蛋货架期和贮藏时间预测模型研究[J].食品科学, 2023,44(21):44-53. LU Y F, HE Z H, ZENG X M, et al.Investigation on egg shelf life and storage time prediction model based on BP neural network[J].Food Science, 2023,44(21):44-53.

[12] 袁彦彦, 王兴芬.基于SVM的生鲜食品货架期预测[J].物流技术, 2015, 34(19):64-67. YUAN Y Y, WANG X F.Study on fresh food shelf life forecasting based on SVM[J].Logistics Technology, 2015, 34(19):64-67.

[13] 罗礼纯. 基于残差神经网络模型的冷鲜大黄鱼新鲜度识别研究及应用[D].杭州:浙江工商大学, 2022. LUO L C.Research and application of freshness recognition of cold and fresh yellow croaker based on the residual neural network model[D].Hangzhou:Zhejiang Gongshang University, 2022.

[14] 张茹, 张奋楠, 周星宇, 等.基于机器视觉的生鲜牛肉冷藏时间识别研究[J].食品与发酵工业, 2022, 48(18):75-80. ZHANG R, ZHANG F N, ZHOU X Y, et al.Identification of the refrigerated time for chilled beef based on machine vision[J].Food and Fermentation Industries, 2022, 48(18):75-80.

[15] CHENG J H, SUN D W, QU J H, et al.Developing a multispectral imaging for simultaneous prediction of freshness indicators during chemical spoilage of grass carp fish fillet[J].Journal of Food Engineering, 2016, 182:9-17.

[16] 凌双明. 智能视觉机器人图像灰度化处理方法研究[J].山西电子技术, 2023(2):88-91. LING, S M.Research on image gray processing method of intelligent vision parallel sorting robot[J].Shanxi Electronic Technology, 2023(2):88-91.

[17] 何晓军, 徐爱功, 李玉.利用HSI空间相似性的彩色形态学图像处理方法[J].计算机科学, 2019, 46(4):285-292. HE X J, XU A G, LI Y.Color morphology image processing method using similarity in HSI space[J].Computer Science, 2019, 46(4):285-292.

[18] 付丽, 马丽卿, 马微, 等.葡萄皮提取物协同冰鲜对牛肉的抗氧化效果[J].食品研究与开发, 2020, 41(6):13-18. FU L, MA L Q, MA W, et al.Antioxidant effect of grap skin extract and controlled freezing point technique on beef[J].Food Research and Development, 2020, 41(6):13-18.

[19] 郝教敏, 杨文平, 靳明凯, 等.荞麦多酚在卤猪肉制品防腐保鲜中的应用[J].中国调味品, 2019, 44(12):22-25;30. HAO J M, YANG W P, JIN M K, et al.Application of buckwheat polyphenols in preservation and fresh keeping of marinated pork products[J].China Condiment, 2019, 44(12):22-25;30.

[20] 磨佳琳, 刘程惠, 戴祥英, 等.Nisin抑制冷鲜牛肉氧化的研究[J].肉类工业, 2019(12):38-42. MO J L, LIU C H, DAI X Y, et al.Study on inhibiting oxidation of chilled beef by nisin[J].Meat Industry, 2019(12):38-42.

[21] PEREIRA P F M, DE SOUSA PICCIANI P H, CALADO V, et al.Electrical gas sensors for meat freshness assessment and quality monitoring:A review[J].Trends in Food Science &Technology, 2021, 118:36-44.

[22] SANAEIFAR A, BAKHSHIPOUR A, DE LA GUARDIA M.Prediction of banana quality indices from color features using support vector regression[J].Talanta, 2016, 148:54-61.

[23] KAYMAK-ERTEKIN F, GEDIK A.Kinetic modelling of quality deterioration in onions during drying and storage [J].Journal of Food Engineering, 2005, 68(4):443-453.

[24] 范中建. 基于机器视觉的羊肉新鲜度无损检测研究[D].新疆:石河子大学, 2018. FAN Z J.Study on nondestructive testing of mutton freshness based on machine vision[D].Xinjiang:Shihezi University, 2018.

[25] 陈晓宇, 朱志强, 张小栓, 等.食品货架期预测研究进展与趋势[J].农业机械学报, 2015, 46(8):192-199. CHEN X Y, ZHU Z Q, ZHANG X S, et al.Research progress and trend of food shelf life prediction[J].Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(8):192-199.

Multi-model quantitative analysis of beef freshness judgment by machine vision

LU Zhongchao1, QIU Yue1, ZHANG Anqiang1, ZHANG Jianyou1, CUI Pengbo1, XIANG Yun2, JIN Xia3, LYU Fei1*

1(College of Food Science and Technology, Zhejiang University of Technology, Hangzhou 310014, China)

2(Institute of Cyberspace Security, Zhejiang University of Technology, Hangzhou 310014, China)

3(Hangzhou Guanhuawang Food Company Limited, Hangzhou 310014, China)

ABSTRACT Color is one of the most important indicators for identifying the freshness of fresh beef.With the development of artificial intelligence, machine vision provides a quantifiable solution for fresh meat freshness identification.This study acquired beef images by smartphone and used greyscale, binarization, and image segmentation and extraction to obtain Red-Green-Blue (RGB), L*a*b*, and Hue-Saturation-Intensity (HSI) color parameters of beef images with different freshness levels.The color parameters correlated with the conventional beef freshness evaluation indicators of total volatile salt base nitrogen (TVB-N), thiobarbituric acid (TBA), total viable count (TVC), and sensory index (SI) to establish multiple linear regression (MLR), back propagation neural network (BPNN), and support vector regression (SVR) models for quantitative beef freshness prediction.Results indicated that the MLR models achieved determination coefficients (R2) of 0.940 6, 0.931 6, 0.958 2, and 0.954 8 for predicting TVB-N, TBA, TVC, and SI values, respectively.The BPNN models exhibited R2 values of 0.962 7, 0.964 1, 0.992 0, and 0.986 4.Meanwhile, the SVR models demonstrated R2 values of 0.971 2, 0.967 9, 0.992 8, and 0.988 3.The SVR models demonstrated the best predictive performance for freshness quantification, with prediction relative errors consistently within 10%.Based on this, the study further developed an SVR model for predicting beef shelf life based on color parameters (R2=0.964 8).The model′s predicted values had an average absolute error of <0.5 days compared to the actual values, which was superior to traditional shelf-life models.This study provides a new method for non-destructive and rapid identification of beef freshness and shelf-life.

Key words machine vision; beef detection; freshness indicators; color parameters; support vector regression; shelf life

DOI：10.13995/j.cnki.11-1802/ts.037376

引用格式：陆钟超,邱月,张安强,等.机器视觉判别牛肉新鲜度的多模型定量分析[J].食品与发酵工业,2024,50(8):262-270;277.LU Zhongchao,QIU Yue,ZHANG Anqiang, et al.Multi-model quantitative analysis of beef freshness judgment by machine vision[J].Food and Fermentation Industries,2024,50(8):262-270;277.

第一作者：硕士研究生(吕飞教授为通信作者,E-mail:lufei@zjut.edu.cn)

基金项目：浙江省重点研发计划项目(2019C02081)

收稿日期：2023-09-14,改回日期：2023-10-16