机器视觉判别牛肉新鲜度的多模型定量分析

作者：陆钟超; 邱月; 张安强; 张建友; 崔蓬勃; 翔云; 金霞; 吕飞^*

来源：食品与发酵工业, 2023, 1-14.

DOI：10.13995/j.cnki.11-1802/ts.037376

• 机器视觉
• 牛肉检测
• 新鲜度指标
• 颜色参数
• 支持向量回归
• 货架期

色泽是判断生鲜牛肉新鲜度的重要指标之一。随着人工智能的发展，机器视觉为生鲜肉新鲜度判别提供了可量化的解决方案。该研究通过智能手机获取牛肉图像，利用灰度化、二值化、图像分割与提取，获取不同新鲜度牛肉图像的在Red-Green-Blue(RGB)、L*、a*、b*和Hue-Saturation-Intensity(HSI)颜色空间的颜色参数，并与常规牛肉新鲜度评价指标挥发性盐基氮(total volatile base nitrogen， TVB-N)、硫代巴比妥酸(thiobarbituric acid， TBA)、菌落总数(total viable count， TVC)和感官评分(sensory index， SI)相关联，建立多元线性回归(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)牛肉新鲜度定量预测模型。结果表明，MLR模型对TVB-N、TBA、TVC和SI值的预测模型决定系数(R2)分别为0.940 6、0.931 6、0.958 2和0.954 8。BPNN模型R2为0.962 7、0.964 1、0.992 0和0.986 4，SVR模型的R2为0.971 2、0.967 9、0.992 8和0.988 3。3种模型中SVR模型新鲜度预测性能最优，且预测相对误差均在±10%之内。在此基础上，建立了基于颜色参数的SVR牛肉货架期预测模型(R2=0.964 8)，该模型的预测值与真实货架期平均绝对误差<0.5 d，优于传统货架期模型，提供了一种无损、快速确定牛肉新鲜度和货架期的新方法。

• 单位
  浙江工业大学