基于嗅覺可視化與圖像處理的食醋醋齡檢測

林 顥 宋奔騰 金鴻娟 管彬彬

(江蘇大學食品與生物工程學院， 鎮(zhèn)江 212013)

基于嗅覺可視化與圖像處理的食醋醋齡檢測

林 顥 宋奔騰 金鴻娟 管彬彬

(江蘇大學食品與生物工程學院， 鎮(zhèn)江 212013)

應用基于色敏傳感器陣列的嗅覺可視化系統(tǒng)對不同醋齡的食醋進行鑒別。運用系統(tǒng)的圖像處理模塊，比較了不同方法對目標圖像的中心點定位和特征區(qū)域選取的影響。尤其在基于不同顏色空間提取特征值方面，對比了RGB、HSV、Lab顏色空間，結(jié)果表明Lab的效果最好。利用3種顏色空間中獲得的特征數(shù)據(jù)并結(jié)合主成分分析(PCA)和線性判別分析(LDA)等模式識別方法，鑒別食醋醋齡，Lab顏色空間下的訓練集和預測集識別率均大于90%。

食醋醋齡； 檢測； 可視化傳感器； 圖像處理

引言

醋齡是消費者購買食醋時的一個重要參考依據(jù)。醋齡的改變伴隨著食醋中風味成分及其含量的變化，食醋中的揮發(fā)性物質(zhì)(比如吡嗪、惡唑類雜環(huán)類化合物)會隨著時間的延長而顯著增加[1-2]。目前對食醋揮發(fā)性氣味檢測的研究已發(fā)展成為一個相對獨立的分支領域，各種新技術和新方法逐漸應用于研究之中，嗅覺可視化技術便是一種方便、快捷、直觀地表征揮發(fā)性氣體的方法。嗅覺可視化技術首先由RAKOW等[3]提出設想，它利用傳感氣敏材料與待檢測氣體發(fā)生反應，根據(jù)色敏材料反應前后的顏色變化對揮發(fā)性有機化合物進行定性定量分析，并且能把氣味信息以直觀可視的圖像方式表達出來。目前，該技術已經(jīng)用于對白酒品種、魚肉新鮮度、食醋發(fā)酵過程等的研究[4-8]。因此，針對能夠表征醋齡的氣味活性物質(zhì)而開發(fā)相應的色敏傳感器，即可利用傳感器與活性物質(zhì)的顏色反應區(qū)分不同年限的食醋。

一般地，圖像處理是提取色敏傳感器區(qū)域反應前后的RGB特征差值矩陣[9]。盡管圖像處理技術應用的好壞影響著檢測系統(tǒng)的精確度和穩(wěn)定性，但目前的圖像處理方法依然十分粗糙，相關研究較少。因此，本文進一步對嗅覺可視化系統(tǒng)的相關圖像處理技術進行研究，以提高整個檢測系統(tǒng)的性能，并且對不同醋齡的鎮(zhèn)江香醋進行區(qū)分。

1 材料與方法

1.1 試驗材料

食醋樣本由江蘇恒順醋業(yè)股份有限公司提供，生產(chǎn)年份分別為2011～2015年、共5種不同醋齡的鎮(zhèn)江香醋，每種醋齡香醋含30個樣本。

通過大量前期試驗，篩選出4種色敏材料：購買于美國Sigma-Aldrich公司的meso-四(4-甲氧基苯基)卟啉(CH3OTPP)，購買于國藥集團化學試劑有限公司的溴甲酚綠酸堿指示劑，以及由實驗室合成的meso-四(4-氟苯基)卟啉鋅(TPPZnF)和CH3OTPP。基底材料選用德國默克公司生產(chǎn)的反相硅膠板，以保護材料免受空氣濕度的影響。采用毛細管手工點樣在疏水的基底材料上，制成2×2的可視化傳感器陣列。制好的傳感器陣列隨即進行試驗，防止傳感器貯存過程中可能帶來的影響。

1.2 試驗設備

本試驗采用江蘇大學自制的嗅覺可視化系統(tǒng)儀器(圖1)。系統(tǒng)主要由硬件和軟件2部分組成，硬件部分主要包括：用于圖像采集的JAI CV-M9GE 型3CCD相機，可將光線分成R、G、B三原色，并通過3塊獨立的CCD傳感器處理，能確保顏色的真實性；OPT-RID150型漫反射LED球積分光源，可以均勻反射從底部360°發(fā)射出的光線，使整個圖像十分均勻；可移動的氣體反應室以及作為信號輸出系統(tǒng)的計算機。軟件部分由圖像獲取裝置驅(qū)動控制程序、圖像處理程序、數(shù)據(jù)庫等組成。

圖1 嗅覺可視化檢測裝置示意圖Fig.1 Diagram of artificial olfaction visualization system1.反應室(放置可視化陣列傳感器) 2.漫反射LED積分球光源3.3CCD相機 4.計算機

1.3 數(shù)據(jù)采集

試驗數(shù)據(jù)的采集過程如下：

(1)反應前，先將傳感器放于反應室，打開設備，并用相機拍攝硅膠板，得到初始圖像。

(2)用移液管移取10 mL香醋樣本于燒杯中，用橡膠雙面膠固定傳感器陣列硅膠板于保鮮膜上，而保鮮膜密封燒杯口，以使傳感器能暴露在香醋揮發(fā)性氣體環(huán)境中，并于45℃的干燥箱中反應。待傳感器與醋揮發(fā)性氣體反應18 min達到平衡后取出陣列傳感器，立即用相機獲取反應后圖像。

(3)通過圖像處理程序獲得傳感器反應前后的特征圖像和數(shù)量為3n的特征變量(n種色敏材料×3個顏色分量)，本試驗則共有12個特征變量，將它們作為原始數(shù)據(jù)進行模式識別分析。

1.4 色敏傳感器圖像處理方法

1.4.1 顏色反應區(qū)域的中心點定位

為便于反應前后相對應的顏色反應區(qū)域準確地相減，需要先確定所采集圖像中各目標色敏區(qū)域的準確位置，中心點便是各個目標區(qū)域的標識，同時中心點的精確度也可能影響下一步提取各目標區(qū)域的準確度。于是分別用最小外接矩形、橢圓擬合和一階矩的方法，求目標中心點坐標，并對它們進行比較。

圖2 最小外接矩形法示意圖Fig.2 Diagram of method of minimum enclosing rectangle

最小外接矩形法是先找出目標圖像的輪廓，然后求出包圍輪廓的外包正矩形，并通過旋轉(zhuǎn)其主、副軸得到最小外接矩形[10]，然后獲得外接矩形的4個頂點坐標p1～p4，并用這4個點算出圖形的中心點坐標O(x,y)，如圖2所示。

橢圓擬合法則采用最小二乘橢圓擬合算法[11]。該方法的原理是，將橢圓表示為2個向量相乘的隱式方程，即

f(α,X)=αX=Ax2+Bxy+Cy2+Dx+Ey+F=0

(1)

(2)

最小化來實現(xiàn)，這樣就轉(zhuǎn)化為求線性方程組解的問題來求出橢圓方程，進而得到橢圓的中心。

一階矩的方法原理是求取二值圖像的重心[12]。因為圖像上的點是二維離散的，圖像的p+q階矩可定義為

mp,q=∑∑xpyqf(x,y)

(3)

1.4.2 目標圖像特征區(qū)域的選取

由于色敏材料在介質(zhì)中存在分布不均勻的現(xiàn)象，目標圖像往往由中心到邊緣會形成不同層次的顏色。然而哪一層次的顏色更能表現(xiàn)色敏材料與氣味反應前后的特征仍然不清楚。本研究選用2種方法：①傳統(tǒng)的中心點定位取圓為感興趣區(qū)域，即以目標圖像的中心點為圓心，依據(jù)經(jīng)驗選擇一定半徑得到的圓形區(qū)域，如圖3b所示。②漫水填充算法[13]。其目的一是選取中心區(qū)域作為圖像特征提取的區(qū)域，二是選取剔除中心區(qū)域顏色層的外圍區(qū)域為特征區(qū)域，示意圖分別見圖3c和圖3d。漫水填充法是區(qū)域填充法的一種，這種方法可對顏色或亮度非常相似的區(qū)域進行填充。首先需要選取該區(qū)域內(nèi)的一個點作為種子點，然后通過一定的顏色判定規(guī)則判定種子點的鄰域像素是否屬于同一區(qū)域，最后用新的像素值取代區(qū)域中各點的原值。其中，顏色判斷規(guī)則一般是在某種顏色空間中，對各顏色分量人為地設置閾值，如果一個點的各顏色分量在閾值之內(nèi)即可判斷此點與種子點相似。得到中心區(qū)域后，只需要將此區(qū)域減去，即可獲得外圍區(qū)域。當?shù)玫讲煌卣鲄^(qū)域后，求取顏色反應前后區(qū)域的R、G、B值并相減，即得色敏區(qū)域反應前后的R、G、B分量的變化。

圖3 特征區(qū)域選取的不同方式Fig.3 Different ways to find characteristic region

1.4.3 不同顏色空間下的特征值提取

目標圖像特征的提取一般是在RGB顏色空間模型下進行的[14]，而只有極少數(shù)是在HSV和Lab 空間[15-16]，然而并不確定是最適宜本系統(tǒng)模式識別的模型。HSV顏色空間模型用色調(diào)(Hue)、飽和度(Saturation)、亮度(Value)來標志顏色[17-18]。CIE Lab顏色空間簡寫為Lab。它有3 個基本坐標L、a、b，其中L代表亮度分量(值域0～100)，a、b代表色度分量(值域均為-120～120)，其中a分量代表顏色由綠色到紅色，b分量代表由藍色到黃色[19-20]。本研究分別利用RGB、HSV、Lab 3種不同的顏色空間模型在圖像的特征區(qū)域中提取特征值，并將它們均歸一化到0～255之間，以便對它們進行比較。

1.5 模式識別方法

為了建立判別模型對不同醋齡食醋進行識別，同時進一步驗證3種顏色空間下提取特征值的優(yōu)劣，將3種顏色空間下獲得的特征數(shù)據(jù)均用于模式識別。本研究分別利用主成分分析(PCA)和線性判別分析(LDA)2種分析方法區(qū)分不同醋齡食醋[21]。由于試驗中每種顏色空間下均可得到150個樣本(5種年份×30樣本)，于是將2/3作為訓練集，1/3作為預測集。所有數(shù)據(jù)分析都是在 Matlab Version 7.9.0環(huán)境下進行。

2 試驗結(jié)果與分析

2.1 顏色反應區(qū)域的中心點定位

運用1.4.1節(jié)所述的各種方法對如圖4所示的各種圖像求取中心點坐標。為便于比較，各圖形并非都是圓形區(qū)域，所得結(jié)果見表1。

圖4 一些不同程度近似圓的圖形Fig.4 Images similar to circle at different degrees

由表1可知，除了2號和3號目標圖形比其他圖形更加不規(guī)則，而求得的中心點稍有差別外，3種方法所得結(jié)果均非常相近。而由于真正的點樣圖形都與圓相似，所以3種方法均可得到較準確的中心坐標。鑒于算法在同樣滿足要求的前提下，應盡量少占內(nèi)存，減小耗時，而本系統(tǒng)中最小外接矩形法的耗時是一階矩法的6倍，橢圓擬合法耗時為一階矩法的近20倍，因此用一階矩的方法求目標圖像的中心較為合理。

表1 不同方法獲得的中心坐標
Tab.1 Center coordinates calculated by different methods

序號最小外接矩形法橢圓擬合法一階矩法xyxyxy180.0070.5079.8070.2579.8270.25284.81150.0483.49149.0883.73149.13380.50225.0079.66226.0479.92225.834163.5071.50163.0371.48163.0771.565170.00147.00169.82146.95169.82146.976169.00219.50169.01219.49168.99219.467268.5070.00268.9269.58268.9369.648252.50151.00252.37150.85252.34150.919259.00230.50259.31230.52259.38230.48

2.2 目標圖像特征區(qū)域的選取

以色敏材料溴甲酚綠制作傳感器為例，分別與不同醋齡的食醋反應，樣本數(shù)各為30，然后用1.4.2節(jié)的方法求取不同特征區(qū)域RGB分量的特征差值，最后各將30個樣本取平均值。其中，漫水填充算法的連通域取八鄰域，種子點取圖像的中心點(方法見2.1節(jié))，閾值設定為：[種子點分量值-30, 種子點分量值+30]。另外，為了便于比較，在以圖形的中心點為圓心，以不同的半徑選取圓形特征區(qū)域時，半徑的取值從略大于中心區(qū)域邊界到略小于圖像最外圍邊界為范圍，以2個像素遞增。所得各特征值見表2。

表2 基于溴甲酚綠傳感器的不同特征區(qū)域特征值結(jié)果
Tab.2 Eigenvalues extracted from different regions based on Bromocresol green sensor

特征分量年份中心點定位取圓法漫水填充法r=5r=7r=11r=13r=15r=17中心區(qū)域外圍區(qū)域201167.2074.0676.7979.1881.3582.9064.3484.79201267.0674.0576.8479.2381.4283.1164.0184.96ΔR201366.6473.3576.0778.4480.5982.2164.1484.12201472.7179.1781.7084.0686.2787.5070.8389.47201559.1164.8366.9769.0670.9271.8556.9673.78201147.5953.0155.3057.3159.1661.2044.8662.34201247.8253.3355.6757.7459.6561.8944.9863.03ΔG201346.7151.9554.2156.1858.0260.2044.2961.29201451.4256.5658.6960.6262.4064.6049.4765.06201543.3347.9649.8351.7253.4155.0241.2756.322011-21.99-27.61-30.61-32.86-34.63-36.45-17.66-38.572012-21.51-27.23-30.39-32.76-34.62-36.49-17.21-38.96ΔB2013-22.73-28.24-31.21-33.49-35.38-37.13-18.66-39.522014-20.71-25.51-28.19-30.21-31.82-32.70-17.25-35.262015-20.88-25.96-28.83-30.99-32.84-35.04-17.13-37.06

由表2(表中r表示圓的半徑)可知，中心區(qū)域提取的特征差值最小，而去掉中心區(qū)域的外圍區(qū)域特征差值最大，在中心點定位取圓法中隨著半徑增大所得的特征差值逐漸增大，并逐漸趨近外圍區(qū)域的數(shù)值，可見中心區(qū)域的特征值實際上削弱了整個色敏區(qū)域的特征。因此選擇剔除中心區(qū)域的外圍區(qū)域為特征區(qū)域更為合理。

2.3 不同顏色空間下的特征值提取

以材料為TPPZnF制成的傳感器與30份2012年份的食醋反應，分別于RGB、HSV、Lab顏色空間下提取相應的特征值，并歸一化到區(qū)間[0,255]，圖5是前10個樣本在不同顏色空間下部分特征分量相對應的特征圖。由圖可見Lab顏色空間下a分量圖像的顏色變化不明顯，說明其穩(wěn)定性更高。

圖5 不同顏色模型下分量的特征圖Fig.5 Feature images of some components under different color models

然后用4種色敏材料和30份2012年的食醋反應，計算出不同顏色空間下反應前后的特征分量差值的標準差，結(jié)果見表3。由表3可知，在Lab顏色模型下，各種分量特征值的標準差明顯較小，尤其是Δa和Δb的差別基本小于0.7，而其他2種顏色模型各分量的標準差基本在1～4之間，這說明在Lab顏色模型下提取的特征值具有更高的穩(wěn)定性。

表3 不同特征分量的標準差
Tab.3 Standard deviation of different characteristic components

分量名CH3OTPP*TPPZnFCH3OTPP**溴甲酚綠ΔR1.8383961.2960141.8336684.231472ΔG1.4777481.6831181.5742922.895183ΔB1.3551671.5678751.1726371.560442ΔH0.4646572.7177970.3497551.610835ΔS1.3327051.6810021.185523.158022ΔV1.8383961.2960141.8336683.112589ΔL1.4134711.3627621.4884752.791019Δa0.2769060.5349990.1796250.642246Δb0.6812240.4119150.5963931.539278

注：表示實驗室合成； ** 表示購于美國Sigma-Aldrich公司。

2.4 模式識別結(jié)果

2.4.1 3種顏色空間下的主成分分析(PCA)

主成分分析是一種重要的統(tǒng)計方法，可以將多指標問題轉(zhuǎn)化為較少的綜合指標，將變量重組，得到既互不相關、又能表示原變量中絕大部分信息的新變量，即主成分(PCs)，利用主成分分析可以從原始數(shù)據(jù)中提供有效的信息，并且主成分圖能直觀地呈現(xiàn)出不同年份食醋的聚類趨勢。

圖6a～6c分別是顏色空間為RGB、HSV、Lab時的三維主成分散點圖。前3個主成分的累計方差貢獻率分別達到了96.81%(PC1為66.33%，PC2為26.80%，PC3為3.68%)、87.14%(PC1為49.47%，PC2為22.11%，PC3為15.56%)、95.36%(PC1為63.45%，PC2為22.63%，PC3為9.28%)。不同年份食醋的樣本在散點圖中具有一定的聚類趨勢，尤其是在Lab顏色空間下較為明顯，但仍有一些儲藏年限相近的樣本互相重疊，不易分離，其主要原因是儲藏時間比較近的食醋，由于季節(jié)的因素及其他環(huán)境因素影響，特征差別不是非常顯著，僅通過PCA難以完全區(qū)分開。

2.4.2 3種顏色空間下的線性判別分析(LDA)

LDA模型是通過尋找一種線性變換，將組間距離與組內(nèi)距離的比值最大化，以獲得最大的類別區(qū)分。本研究中，PCs作為潛變量被用來作為LDA分類器的向量輸入。

圖6 不同顏色空間時的三維主成分得分圖Fig.6 Diagrams of three dimensional principal component scores in different color spaces

表4分別是顏色空間為RGB、HSV、Lab時不同醋齡食醋的LDA判別分析識別結(jié)果。在RGB空間中，當主成分數(shù)為10時，模型訓練集中有90%的樣本被正確識別出來，預測集中有86%的樣本被正確識別出來。在HSV顏色空間下，當主成分數(shù)為10時，訓練集中LDA模型的識別率為89%，預測集中LDA模型的識別率為76%。當顏色空間為Lab，主成分數(shù)為9時，模型的訓練集和預測集中分別有98%和94%的樣本被識別出來。可見，顏色空間為Lab模型時，食醋年限的鑒別效果最好。一方面，相較于其他顏色模型Lab 顏色模型擁有最廣的色域，并且彌補了RGB空間中顏色表示與實際顏色非線性關系的缺點，因此Lab顏色模型能夠更加真實地標識顏色，甚至可以反映其他模型丟失的顏色信息。另一方面，由2.4.1節(jié)可知本系統(tǒng)中Lab模型的一致性和聚類性較好，能較好地表征不同醋齡食醋氣味特征，模式識別的效果更好。

表4 不同顏色空間下LDA判別結(jié)果Tab.4 Identification results of LDA model in different color spaces %

3 結(jié)束語

利用嗅覺可視化系統(tǒng)對食醋中可揮發(fā)性氣體的表征可對食醋年限進行快速、簡便、直觀的鑒別。本文對系統(tǒng)中圖像處理部分的不同中心點定位和特征區(qū)域選取方法進行了比較和優(yōu)化，重點是對不同顏色空間下提取的特征參數(shù)進行比較，確定了比較利于檢測系統(tǒng)進行食醋年份識別的Lab空間，并發(fā)現(xiàn)它的識別率可達到90%以上，提高了嗅覺可視化系統(tǒng)的準確率。

1 孫宗保. 鎮(zhèn)江香醋揮發(fā)性成分分析及醋齡的識別研究[D]. 鎮(zhèn)江：江蘇大學，2014.

2 孫宗保，尹俊玲， 趙杰文，等. 雜環(huán)化合物在鎮(zhèn)江香醋陳釀過程中的變化[J]. 中國食品學報, 2015, 15(6):199-205. SUN Zongbao, YIN Junling, ZHAO Jiewen, et al. The changes of heterocyclic compounds in Zhenjiang aromatic vinegar during ageing[J]. Journal of Chinese Institute of Food Science and Technology, 2015, 15(6):199-205. (in Chinese)

3 RAKOW N A, SUSLICK K S. A colorimetric sensor array for odour visualization[J]. Nature, 2000,406(17): 710-713.

4 鄒小波，趙杰文，殷曉平，等. 嗅覺可視化技術在白酒識別中的應用[J]. 農(nóng)業(yè)機械學報，2009, 40(1): 110-113. ZOU Xiaobo, ZHAO Jiewen, YIN Xiaoping, et al. Chinese liquors identification by olfaction visualization technology[J]. Transactions of the Chinese Society for Agricultural Machinery,2009,40(1):110-113. (in Chinese)

5 QIN H, HUO D, ZHANG L, et al. Colorimetric artificial nose for identification of Chinese liquor with different geographic origins[J]. Food Research International, 2012, 45(1): 45-51.

6 HUANG X Y, XIN J W, ZHAO J W. A novel technique for rapid evaluation of fish freshness using colorimetric sensor array[J]. Journal of Food Engineering, 2011, 105(4): 632-637.

7 趙杰文，黃曉瑋，鄒小波，等. 基于嗅覺可視化技術的豬肉新鮮度檢測[J]. 食品科學技術學報, 2013, 31(1): 9-13. ZHAO Jiewen, HUANG Xiaowei, ZOU Xiaobo, et al. Research on discrimination of dominant spoilage bacteria in pork based on porphyrins and pH indicators gas-sensing material[J]. Journal of Food Science and Technology，2013,31(1): 9-13． (in Chinese)

8 CHEN Q S, LIU A P, ZHAO J W, et al. Monitoring vinegar acetic fermentation using a colorimetric sensor array[J]. Sensors and Actuators B: Chemical, 2013, 183: 608-616.

9 管彬彬，趙杰文，金鴻娟，等. 基于嗅覺可視技術的醋醅理化指標分析[J/OL]. 農(nóng)業(yè)機械學報，2015, 46(9): 223-227. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20150932&flag=1. DOI：10.6041/j.issn.1000-1298.2015.09.032. Guan Binbin，Zhao Jiewen，Jin Hongjuan，et al. Analysis of physicochemical index of vinegar substrate based on olfactory visualization technique[J/OL]. Transactions of the Chinese Society for Agricultural Machinery,2015,46(9):223-227. (in Chinese)

10 BRADSKI G, KAEHLER A. Learning OpenCV[M]. California: O’Reilly Media, Inc., 2008．

11 王萬國，王仕榮，徐正飛，等. 基于邊界的最小二乘橢圓擬合改進算法[J]. 計算機技術與發(fā)展，2013,23(4):67-70.

12 GONZALEZ R C, WOODS R E. Digital image processing[M]. 3rd ed. Beijing: Publishing House of Electronics Industry, 2011.

13 陳佳鑫，賈英民. 一種基于漫水填充法的實時彩色目標識別方法[J]. 計算機仿真, 2012,29(3): 4-9.

14 趙杰文，管彬彬，林顥，等. 基于嗅覺可視技術的食醋氣味的表征和區(qū)分[J/OL]. 農(nóng)業(yè)機械學報，2013, 44(10): 188-192.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20131030&flag=1. DOI：10.6041/j.issn.1000-1298.2013.10.030. ZHAO Jiewen, GUAN Binbin, LIN Hao, et al. Characterization and discrimination of vinegar flavor based on olfaction visualization technology[J/OL].Transactions of the Chinese Society for Agricultural Machinery,2013,44(10):188-192. (in Chinese)

15 CAPEL-CUEVAS S, CUéLLAR M P, DE ORBE-PAYI, et al. Full-range optical pH sensor array based on neural networks[J]. Microchemical Journal, 2011,97(2): 225-233.

17 CHERNOV Vladimir, ALANDER Jarmo, BOCHKO Vladimir. Integer-based accurate conversion between RGB and HSV color spaces[J]. Computers & Electrical Engineering,2015,46: 328-337.

18 張春龍，張楫，張俊雄，等.近色背景中樹上綠色蘋果識別方法[J/OL].農(nóng)業(yè)機械學報,2014,45(10):277-281.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20141043&flag=1. DOI：10.6041/j.issn.1000-1298.2014.10.043. ZHANG Chunlong, ZHANG Ji, ZHANG Junxiong, et al. Recognition of green apple in similar backgroud[J/OL].Transactions of the Chinese Society for Agricultural Machinery,2014,45(10):277-281. (in Chinese)

19 李小昱，庫靜，顏伊蕓，等.基于高光譜成像的綠皮馬鈴薯檢測方法[J/OL].農(nóng)業(yè)機械學報,2016,47(3):228-233. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20160332&flag=1. DOI: 10.6041/j.issn.1000-1298.2016.03.032. LI Xiaoyu, KU Jing, YAN Yiyun, et al. Detection method of green potato based on hyperspectral imaging[J/OL].Transactions of the Chinese Society for Agricultural Machinery,2016,47(3):228-233. (in Chinese)

21 鄒小波，趙杰文.農(nóng)產(chǎn)品無損檢測技術與數(shù)據(jù)分析方法[M]. 北京：中國輕工業(yè)出版社，2007.

Age Discrimination of Vinegar Based on Artificial Olfaction Visualization and Image Processing

LIN Hao SONG Benteng JIN Hongjuan GUAN Binbin

(SchoolofFoodandBiologicalEngineering,JiangsuUniversity,Zhenjiang212013,China)

An artificial olfaction system based on visualization sensor array was employed to identify different ages of vinegar. In the image processing module of this system, the influence of different methods on the localization of the target image center was compared, including minimum enclosing rectangle, ellipse fitting and one-order moment. Since the target image was similar to the circle, all of the three methods could obtain center coordinates exactly, except that the last method consumed less time. Moreover, the characteristic region was reselected, which could better represent features of the target image. Usually, feature values are extracted based on the RGB color space. Then, each component and coordinate value in RGB, HSV and Lab color spaces were extracted and used as eigenvalues. The result showed that the data obtained from the Lab space had high stability. In order to identify different ages of vinegar, five different years of vinegar samples from 2011 to 2015 were selected in the experiment. The characteristic data from three kinds of color spaces was analyzed with principal component analysis (PCA) and linear discriminant analysis (LDA). Although the samples of vinegar in different years had a certain clustering tendency, especially in the Lab color space, there were still some samples overlapping each other and difficult to separate by PCA alone. Then this data was used as the input of LDA classifier for discriminate analysis. The recognition accuracy rate in the training set and testing set achieved 98% and 94% respectively in Lab color space, while the detection accuracies were not higher than 90% in other color spaces.

vinegar age; detection; visualization sensor; image processing

10.6041/j.issn.1000-1298.2017.01.036

2016-05-28

2016-07-06

江蘇省自然科學基金項目(BK2012286)和中國博士后科學基金特別項目(2013T60509)

林顥(1983—)，男，副教授，主要從事農(nóng)產(chǎn)品加工和品質(zhì)檢測研究，E-mail: linhaolt794@163.com

TS202.7; TP242.6+4

A

1000-1298(2017)01-0275-06