导读:本文包含了牛肉图像论文开题报告文献综述及选题提纲参考文献，主要关键词:无损检测,激光器,图像处理,激光散斑
牛肉图像论文文献综述
贾桂锋,陈伟,冯耀泽[1]（2018）在《基于生物散斑图像和惯性矩谱分析的牛肉掺腐检测》一文中研究指出牛肉掺假严重危害消费者的健康与经济利益,因此对牛肉掺假进行无损检测具有重要意义。该文基于生物散斑技术对牛肉掺假进行定量检测。试验将新鲜牛肉和非新鲜牛肉按不同比例(0、1%、3%、5%~60%(5%梯度)和100%)混合制备掺假样本,并采集样本的生物散斑图像。针对单列惯性矩(inertia moment,IM)表征样本生物活性存在稳定性差的问题,首次提出惯性矩谱(IM谱)分析的方法并用于建立基于支持向量回归机(support vector regression machine,SVR)的牛肉掺假检测模型。结果表明基于IM谱建立的SVR模型能较为准确预测牛肉中掺假物含量,校正集和测试集的决定系数分别为0.85和0.81,均方根误差分别为0.12和0.11。该研究证明了利用生物散斑技术和惯性矩谱分析方法对新鲜牛肉中掺杂腐败牛肉进行定量检测是可行的。(本文来源于《农业工程学报》期刊2018年16期）
张彧龙,刘雅思,郑丽敏,杨璐[2]（2018）在《基于改进的距离保持水平集的牛肉图像背长肌自动分割》一文中研究指出为了改善牛肉图像中背长肌的分割效果,提出一种改进的距离保持水平集方法实现牛肉图像中背长肌区域的自动分割:根据牛肉背长肌图像的特点,结合大津法和旋转法提取背长肌切面区域,设定候选区域并找到初始轮廓曲线;根据水平集演化过程中自定义系数函数值的变化规律,使用自定义的算法控制零水平集的自动演化和停止;之后结合标记分水岭算法对图像进行加工,得到更精确的目标背长肌区域。与其他分割算法比较,该改进的分割方法效果更好。(本文来源于《计算机应用》期刊2018年S1期）
王莉[3]（2018）在《基于高光谱图像技术对不同品种牛肉的识别及其品质的差异性分析研究》一文中研究指出本文以市售的肉牛(安格斯、利木赞、西门塔尔、秦川)与奶牛为研究对象,分别检测五种牛肉的脖肉、眼肉、瓜条肉和里脊肉的理化指标,同时使用Vis-NIR高光谱成像技术与NIR高光谱成像技术,使用偏最小二乘判别分析法(PLS-DA)、线性判别分析法(LDA)和支持向量机(SVM)建立五种牛肉的品种识别模型。主要研究结果如下:(1)不同品种牛肉的理化指标间存在差异:与肉牛相比较,奶牛肉的色泽较差,色度与肉牛相比差异极显着(P<0.01),含水量和蛋白含量较低,pH值、剪切力较高,品质较差;肉牛之间相比较,秦川和利木赞具有较高的水分含量,分别为75.33%和75.98%,且蛋白质含量也较高,分别为22.47%、22.07%;秦川牛的剪切力最小为5.96 kg。安格斯和西门塔尔品质无太大差异。(2)对比利木赞和秦川牛的四个部位(脖肉、眼肉、瓜条、里脊肉)的理化指标存在显着差异,脖肉品质较差,里脊肉品质较好。(3)对400～1000nm和900～1700nm原始光谱进行6种光谱预处理,分别优选出两个波段的最佳预处理方法为多元散射校正、卷积平滑。(4)400～1000 nm和900～1700nm波段,不同品种牛肉的平均光谱曲线之间存在明显的差异,且肉牛与奶牛肉差异明显。秦川和利木赞牛脖肉的反射率较低,里脊肉的较高;(5)在400～1000 nm波段,LDA法优于SVM和PLS-DA,优选出LDA中的马氏距离法,校正集的识别率为96.62%,预测集的识别率为87.23%;对于900～1700nm波段,优选出LDA中的马氏距离法模型效果最好,校正集的识率为95.14%,预测集的识别率为83.33%。对奶牛肉的正确识别率高于四种肉牛之间的识别率。(6)对比分析β系数、UVE、SPA提取特征波长所建立的LDA模型,400～1000 nm和900～1700 nm两个波段建模效果最佳的是UVE和SPA。在400～1000 nm波段UVE提取到23个特征波长,校正集与和预测集的识别率分别为97.30%和81.56%;900～1700nm波段SPA提取到10个特征波长,校正集和预测集的识别率分别为91.39%和80.21%,UVE和SPA促进不同品种牛肉的定性分析,为肉牛业的发展提供技术支持。(本文来源于《宁夏大学》期刊2018-03-01）
张彦娥,魏颖慧,梅树立,朱梦婷[4]（2016）在《基于多尺度区间插值小波法的牛肉图像中大理石花纹分割》一文中研究指出牛肉大理石花纹的丰富程度代表着脂肪含量的多少,是牛肉等级划分的重要指标。基于计算机图像的自动分级技术中图像的降噪和分割处理是大理石花纹提取的基础。该文利用多尺度区间插值小波解偏微分方程的方法对牛眼肌切面图像进行处理,基于中心相似变换的延拓方法有效解决边界效应。处理中自适应选取配置点,提高计算效率。试验证明,该算法不仅达到降噪目的,同时还实现了对不同对象区域的保边平滑,使图像纹理和边缘更加清晰。降噪结果与传统滤波法进行对比,峰值信噪比值平均比均值滤波高9.0 d B,比中值滤波高8.2 d B,比维纳滤波高6.6 d B,结构相似性数值平均比均值滤波高0.42,比中值滤波高0.40,比维纳滤波高0.34。与大津法相比,去噪后采用灰度进行图像分割的效果更好,既能分割出大脂肪,又能分割出小脂肪,提高了牛肉等级判定的准确度。(本文来源于《农业工程学报》期刊2016年21期）
刘文营,田寒友,邹昊,王辉,乔晓玲[5]（2015）在《通过图像特征信息提取分析鲁西黄牛肉新鲜度》一文中研究指出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 4ave S-0.283 2 var B,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。(本文来源于《肉类研究》期刊2015年11期）
迟强[6]（2015）在《基于高光谱图像技术对牛肉品质无损检测的研究》一文中研究指出牛肉具备较高的营养和食用价值广受大众欢迎。人们在日益提高的物质生活水平条件下,对牛肉的品质和食用种类方面要求越来越高。正常的牛肉是经过屠宰后,经48小时的冷藏后供人们食用。期间,经过多种加工方法和运输途径后,牛肉在各种物理和化学作用下发生变化从而使品质受到影响。通常情况下,人们无法用肉眼直接辨别牛肉品质的好坏,而传统检测方法效率和准确性不高。本论文研究利用高光谱图像技术对牛肉品质进行预测,为农产品无损检测提供理论基础。研究的主要内容如下:探讨高光谱图像技术基于光谱特征对牛肉含水率进行了预测。通过自动对牛肉高光谱图像的分割,提取光谱数据。对牛肉的光谱信息采用不同的预处理方法,通过连续投影法和主成分分析法进行特征变量选择,采用偏最小二乘模型,实现对牛肉含水率预测。对比各方法的匹配后的模型预测结果,得出在变量标准化预处理后,经主成分分析提取特征波长下的偏最小二乘预测模型结果最佳,校正集决定系数为0.93,均方根误差为4.973,预测集决定系数为0.92,均方根误差为5.868,最适合预测牛肉的含水率。探讨高光谱图像技术基于光谱特征对牛肉蛋白质含量进行预测。自动分割牛肉高光谱图像后,将获取的光谱数据,经过不同预处理方法处理光谱数据后利用主成分分析方法选择特征变量后,采用偏最小二乘模型。结果表明,经变量标准化预处理光谱数据后得到的模型性能最好。校正集决定系数为0.94,均方根误差为3.137,预测集决定系数为0.93,均方根误差为5.298,实现了对牛肉蛋白质含量的预测。利用图像纹理特征对牛肉含水率和蛋白质含量进行预测。采集牛肉样本在400-1000nm波段的高光谱图像数据,通过主成分分析法,分别得到6个和3个特征波长。在特征波长图像中分别提取基于灰度共生矩阵的能量、熵、惯性矩和相关性4个纹理特征参数。利用主成分分析法进行二次降维重新确定变量,应用BP神经网络方法建立牛肉含水率和蛋白质识别模型。(本文来源于《东北农业大学》期刊2015-06-01）
赵娟,彭彦昆[7]（2015）在《基于高光谱图像纹理特征的牛肉嫩度分布评价》一文中研究指出传统牛肉品质的检测方法耗时长,效率低,破坏样品,已不能满足现代化生产的需要。为了实现对牛肉嫩度品质的快速无损检测和评价,该文利用高光谱成像系统,以西门塔尔牛多个胴体的背最长肌部位为研究对象,采集56个有效样本的高光谱立体图像,研究无损评价牛肉样品的嫩度分布。通过提取样本的反射光谱信息,并利用逐步回归算法结合遗传算法(GA,genetic algorithm)筛选出牛肉剪切力值(WBSF,warner-bratzler shear force)的特征波段。利用主成分分析(PCA,principle component analysis)提取样品的3个主成分。基于选出的特征波段图像和提取的主成分,通过计算图像灰度共生矩阵求取每幅图像8个主要纹理特征参数,分别建立了基于支持向量机(SVM,support vector machine)和线性判别(LDA,linear discriminant analysis)法的嫩度等级判别模型。经分析比较,基于主成分纹理特征优于基于特征波段图像建立的预测模型,并且,线性判别模型识别准确率相比支持向量机模型较高。基于主成分纹理特征建立的线性判别模型预测集判别精度为94.44%。研究结果证明,基于高光谱图像纹理特征分析,可以建立牛肉的嫩度判别模型,对牛肉嫩度快速无损检测技术研究提供理论参考。(本文来源于《农业工程学报》期刊2015年07期）
马鹏鹏[8]（2014）在《雪花牛肉眼肌切面图像处理与检测算法研究》一文中研究指出雪花牛肉是对花纹状牛肉的本土化称呼,具有脂肪沉淀丰富、营养价值高、口感佳等特点。雪花牛肉品质不一,对应的营养价值和市场价格也有所不同,因此需要对其进行分级。雪花牛肉品质分级主要分为人工评级与机器评级两种。雪花牛肉人工评级具有很强的主观性,缺乏公正、客观的评价,分级结果难以让市场消费者信服。机器评级利用机器视觉、图像处理、模式识别等技术进行品质分级,相比人工评级更加科学客观、高效快捷。本文研究了雪花牛肉眼肌切面图像处理与检测算法并介绍了基于机器视觉的雪花牛肉品质分级系统算法应用平台。针对雪花牛肉眼肌切面图像基本信息和图像特性,本文研究了切面图像预处理方法、图像分割算法、图像分割评价、图像信息检测方法并进行了试验结果与分析。本文提出的图像处理方法结合了人工分级的思维模式以及雪花牛肉品质人工分级指标和分级方法,依据雪花牛肉眼肌切面图像特点,研究了雪花牛肉眼肌切面图像预处理、眼肌切面肌肉与脂肪图像分割、眼肌切面ROI分割提取方法以实现眼肌切面图像信息提取。本文研究了肌肉颜色、脂肪颜色、大理石花纹含量、粗糙度、细密度等特征指标并提出了相应提取方法。研究采用OTSU阈值分割方法实现眼肌切面肌肉与脂肪颜色提取；研究采用基于连通区域、形态学、凹点检测的分割方法进行眼肌切面ROI的分割,实现大理石花纹含量、粗糙度、细密度指标的提取。本文通过试验结果与分析,对雪花牛肉眼肌切面图像提取的特征指标进行了相关性认证。大理石花纹含量相关性达0.879,粗糙度与细密度仅为0.434和-0.018,由此验证了目前企业雪花牛肉品质分级主要以大理石花纹含量为主,以脂肪与肌肉颜色特征以及大理石花纹分布特征为辅的结论。(本文来源于《南京农业大学》期刊2014-07-01）
田潇瑜[9]（2014）在《基于光谱与图像分析的生鲜牛肉嫩度快速检测技术研究》一文中研究指出牛肉作为人类日常消费的一种重要的肉品,因其高蛋白质、低脂肪、维生素及矿物质含量高等特点,受到消费者的青睐。随着人民生活水平的提高,牛肉的品质受到了前所未有的重视。传统检测牛肉品质的方法因其耗时长,效率低,破坏性己不能满足现代化生产的需要,而随着光谱分析技术在农产品检测领域的广泛应用和发展,牛肉品质的快速无损检测技术也成为了研究的热点。本文基于可见近红外光谱和高光谱成像技术,研究了生鲜牛肉嫩度以及相关品质参数的预测模型和评价方法,以实现对牛肉嫩度品质的无损快速检测和评价。具体研究内容及结果如下：(1)对不同光谱系统预测牛肉嫩度进行可行性分析及预测效果评价,得到400-1700nm光谱系统性能更优越,对牛肉嫩度预测准确。研究结果表明光源差异导致不同的信号预处理方式,使用大功率面光源的光谱信号应用变量标准化校正(SNV)后预测模型精度较高。而静态光源系统进行数据平滑(S G)使预测精度改善。两系统都能对牛肉剪切力值进行预测,全波段建模两系统精度相当,筛选特征变量建模时,400-1700nm的光谱系统表现出更优越和稳定的性能。同时考虑系统成本及系统结构以及快速检测需求,最终选择400-1700nm光谱系统为牛肉嫩度最佳检测系统,其预测相关系数和均方根误差为0.9085和7.5212,RPD值为2.16。(2)计算嫩度品质各指标的光谱预处理、最佳预测模型及模型验证,能够实现对各指标较高的预测精度。研究对比了不同预处理方法对各指标的预测效果,并通过建立全波段偏最小二乘回归(PLSR)以及联合区间偏最小二乘回归(si-PLSR)、遗传算法-偏最小二乘回归(GA-PLSR)模型,最后得到剪切力值、a*的最佳预测模型为si-PLSR模型,预测相关系数和标准差分别达到0.9085、0.9027和7.5212、1.4878,模型RPD值为2.16和2.65。L*的最佳预测模型为GA-PLSR,预测相关系数和标准差为0.9457和1.7250,RPD达到了3.24。而对蒸煮损失率的预测效果较差,最佳预测模型为PLSR全波段建模,预测相关系数和标准差为0.8453和2.5054,RPD值为1.84。利用线性判别(LDA)和支持向量机(SVM)对牛肉嫩度等级进行判别,并对牛肉按部位和食用方式确定分级阈值,最后对嫩度等级判别准确率最高达到92.85%。对嫩度品质指标的预测模型和嫩度分级模型分别进行了实验验证,各指标验证相关系数和标准差分别为0.8875、0.9060、0.8972、0.8217和10.16、2.319、1.055、2.493,嫩度判别模型验证预测识别率达到100%。(3)手持式快速检测系统的模型植入和校正,基本实现牛肉品质的在线生产快速检测。根据在线检测的特点和实际检测遇到的问题,对植入的预测模型进行校正,确定了对原始数据进行变量标准化校正(SNV)的预处理最为合理,然后对剪切力值、颜色a*参数使用si-PLSR模型,L*和蒸煮损失率采用PLSR全波建模预测,相关系数和预测均方根误差分别为0.9068、0.9031、0.9049,0.8276和7.1963N、1.8246、1.4931、3.0876,RPD都在2以上,稳定性比较好。用检测系统进行实际生产验证,基本实现了牛肉嫩度品质的在线快速检测,满足了实际生产的需求。并设计开发了软件系统及后台数据库对多模型灵活调用和牛肉嫩度品质多指标实时预测和结果显示,同时可对检测结果进行存储和后期数据查询统计,便于模型的普适性改进。(4)利用高光谱图像分析牛肉特性分布情况,对牛肉样品每一点嫩度分布进行预测。鉴于牛肉样品的结构复杂性和可见近红外光谱单点检测的缺点,本研究利用高光谱成像系统采集牛肉高光谱叁维图像,通过逐步回归结合遗传算法(GA)筛选牛肉剪切力值、颜色相关的特征光谱并建立PLSR预测模型,对牛肉高光谱图像进行降维。应用建立的特征波段预测模型,可计算出图像中任一像素点的剪切力值和颜色预测结果,宏观上显示了牛肉样品表面嫩度、颜色特征分布情况；另一方面通过计算特征光谱图像的纹理特征,建立牛肉嫩度等级判别模型并分析牛肉样品嫩度分布情况。(本文来源于《中国农业大学》期刊2014-05-01）
孙啸,逄滨,刘德营,陈坤杰[10]（2013）在《基于高光谱图像光谱信息的牛肉大理石花纹分割》一文中研究指出利用高光谱成像系统采集牛肉眼肌横截面400~1 000 nm波段的高光谱图像,对牛肉图像脂肪区域和肌肉区域光谱曲线进行对比分析,发现在不同波段,牛肉图像脂肪区域与肌肉区域的反射强度有明显不同。由脂肪区域与肌肉区域反射强度的比值曲线发现,在534 nm处牛肉图像脂肪区域和肌肉区域光谱反射强度有最大差值。采用中值滤波、区域生长和自动取阈值等图像处理方法,分别对牛肉的彩色原始图像和534 nm波长图像进行大理石花纹分割,结果显示,相较于原始彩色图像,基于534 nm波长牛肉图像分割出的大理石花纹,具有更高的分割精度。(本文来源于《农业机械学报》期刊2013年S1期）
牛肉图像论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为了改善牛肉图像中背长肌的分割效果,提出一种改进的距离保持水平集方法实现牛肉图像中背长肌区域的自动分割:根据牛肉背长肌图像的特点,结合大津法和旋转法提取背长肌切面区域,设定候选区域并找到初始轮廓曲线;根据水平集演化过程中自定义系数函数值的变化规律,使用自定义的算法控制零水平集的自动演化和停止;之后结合标记分水岭算法对图像进行加工,得到更精确的目标背长肌区域。与其他分割算法比较,该改进的分割方法效果更好。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
牛肉图像论文参考文献
[1].贾桂锋,陈伟,冯耀泽.基于生物散斑图像和惯性矩谱分析的牛肉掺腐检测[J].农业工程学报.2018
[2].张彧龙,刘雅思,郑丽敏,杨璐.基于改进的距离保持水平集的牛肉图像背长肌自动分割[J].计算机应用.2018
[3].王莉.基于高光谱图像技术对不同品种牛肉的识别及其品质的差异性分析研究[D].宁夏大学.2018
[4].张彦娥,魏颖慧,梅树立,朱梦婷.基于多尺度区间插值小波法的牛肉图像中大理石花纹分割[J].农业工程学报.2016
[5].刘文营,田寒友,邹昊,王辉,乔晓玲.通过图像特征信息提取分析鲁西黄牛肉新鲜度[J].肉类研究.2015
[6].迟强.基于高光谱图像技术对牛肉品质无损检测的研究[D].东北农业大学.2015
[7].赵娟,彭彦昆.基于高光谱图像纹理特征的牛肉嫩度分布评价[J].农业工程学报.2015
[8].马鹏鹏.雪花牛肉眼肌切面图像处理与检测算法研究[D].南京农业大学.2014
[9].田潇瑜.基于光谱与图像分析的生鲜牛肉嫩度快速检测技术研究[D].中国农业大学.2014
[10].孙啸,逄滨,刘德营,陈坤杰.基于高光谱图像光谱信息的牛肉大理石花纹分割[J].农业机械学报.2013