《表2 机器视觉技术在虾类中品质检测的应用》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《机器视觉技术在水产食品感官检测方面的应用研究进展》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

捕捞过程会对虾造成一定程度的破损，而有些破损虾的成像面积参数或者轮廓参数达到了完整虾的标准，进而对虾的进一步分级、品质测定等造成一定的影响。因此，实现对虾的无损快速分级具有重要意义（表2）。Zhang Dong等[29]提出了一种基于进化构建（evolution constructed，ECO）特征的方法，该方法将灰度值直接输入到基于ECO的质量评分算法中，其中28个图像变换应用Gabor、中值模糊、自适应阈值等作为ECO，可以自动将破损的虾从完整虾群体中分离出来，准确率为95.1%；因此这种方法能够实现对完整虾和破损虾快速、准确、无损的分离和鉴定。Osterloff等[30]采用计算机视觉技术对虾进行即时无损自动检测，该技术采用时序颜色特征对比方法对半透明虾进行检测，利用时间颜色对比功能，可以区分完整虾和破损虾，并引入伪色视觉化方法，即虾的实时丰度图，提出不同时间段的丰度图，以展示该方法的应用价值。除在虾的完整度方面进行区分外，相关研究人员还建立了虾骨架线预测实际长度模型、投影面积估值质量的模型。Luo Yan等[31]利用基于图像分析的设备提取虾的主骨架线用来直接表示虾的长度参数，该方法选取10个不同品种共40个虾样本的400张图像，采用Ostu算法进行区分，基于经典的骨架细化方法，提出一种在不影响主干长度的前提下有效去除主干分支的算法；结果表明，骨骼长度与实际长度相当吻合，最大R2为0.946，最小R2为0.747。Poonnoy等[32]利用非线性回归模型研究了寿司虾在其投影区域的质量估计，该方法联合视觉仪器和人工智能软件对图像进行处理，并计算出代表投影区域的像素个数，然后采用4种数学模型进行权值估计，t检验结果显示，其中3个质量预测模型的相对误差均无显著差异，在150个寿司虾中最低平均绝对误差为0.20 g，均方根误差为0.25%，平均相对误差0.73%；结果证明该机器视觉系统在寿司虾质量自动测定中的应用可行性，从而为工业上迅速区分虾的质量等级提供了可靠的技术支持。Hosseinpour等[33]研究了虾干燥过程中水分含量和虾颜色的变化，通过分数转换模型成功地提取不同含水率下虾的L*、a*、b*值参数，最后，采用二次回归模型建立对虾干燥过程中水分含量与颜色参数之间的关系。