（天津渤海職業(yè)技術(shù)學(xué)院，天津300402）

食品在市場(chǎng)中流通，其品質(zhì)是衡量其市場(chǎng)價(jià)值和影響消費(fèi)者偏好的標(biāo)準(zhǔn)，品質(zhì)的低劣會(huì)引起巨大的安全隱患和經(jīng)濟(jì)損失[1]。因此，食品的識(shí)別、鑒定和分級(jí)在品質(zhì)檢測(cè)中是非常重要和必要的環(huán)節(jié)[2]。

計(jì)算機(jī)視覺技術(shù)是一種新型的無損檢測(cè)技術(shù)，相對(duì)于傳統(tǒng)的人工檢測(cè)，具有不破壞被檢測(cè)樣品，效率高更經(jīng)濟(jì)的特點(diǎn)。隨著計(jì)算機(jī)軟件、硬件、圖像處理技術(shù)的不斷成熟與發(fā)展，計(jì)算機(jī)視覺技術(shù)在工業(yè)、商業(yè)、農(nóng)業(yè)、制造業(yè)等領(lǐng)域有著廣泛的應(yīng)用[3]。本文著重介紹計(jì)算機(jī)視覺技術(shù)在食品品質(zhì)檢測(cè)方面的應(yīng)用進(jìn)展，從食品的外形尺寸、顏色、表面缺陷、內(nèi)部品質(zhì)、新鮮度等方面進(jìn)行了綜述。

1 計(jì)算機(jī)視覺技術(shù)

1.1 概述

計(jì)算機(jī)視覺技術(shù)是通過圖像傳感器采集得到所測(cè)樣品的圖像，把所得圖像轉(zhuǎn)換為數(shù)字圖像，繼而通過計(jì)算機(jī)技術(shù)模擬出來人的判別準(zhǔn)則，對(duì)圖像進(jìn)行識(shí)別，并與圖像分析技術(shù)相融合來分析得出所要結(jié)論的技術(shù)[4]。該技術(shù)涉及物理學(xué)、應(yīng)用數(shù)學(xué)、計(jì)算機(jī)科學(xué)、神經(jīng)生理學(xué)等多門學(xué)科知識(shí)，是當(dāng)今現(xiàn)代化工業(yè)生產(chǎn)中不可或缺的重要技術(shù)之一。

1.2 計(jì)算機(jī)視覺系統(tǒng)的組成

計(jì)算機(jī)視覺系統(tǒng)主要由硬件和軟件兩部分組成，其中圖像處理和圖像分析是該系統(tǒng)的核心。

1.2.1 計(jì)算機(jī)視覺系統(tǒng)的硬件組成

計(jì)算機(jī)視覺系統(tǒng)的硬件主要由計(jì)算機(jī)、光室、電荷耦合器件（charge coupled device，CCD）攝像頭（或掃描儀）、載物平臺(tái)4大部分組成，如圖1所示。

圖1 計(jì)算機(jī)視覺硬件系統(tǒng)的組成Fig.1 The computer vision hardware system

計(jì)算機(jī)：計(jì)算機(jī)能夠滿足系統(tǒng)圖像處理速度要求即可，沒有過多特殊要求。

光室：光室是一個(gè)密閉的空間，用來消除外界光線的干擾，保證整個(gè)圖像采集過程的穩(wěn)定性。光室中的光源一般使用LED燈或日光燈，一般將光源固定在頂端，同時(shí)配置光源調(diào)節(jié)器以便進(jìn)行光強(qiáng)度調(diào)節(jié)。

CCD照相機(jī)：圖像質(zhì)量優(yōu)劣對(duì)后期的處理效果有重要影響，而CCD照相機(jī)的性能高低直接影響拍攝圖像的質(zhì)量高低，它是計(jì)算機(jī)視覺硬件系統(tǒng)中的核心部件。選擇高配置的照相機(jī)和合理的參數(shù)設(shè)定是得到真實(shí)、準(zhǔn)確圖像信息的必要條件。

1.2.2 計(jì)算機(jī)視覺系統(tǒng)的軟件組成

計(jì)算機(jī)視覺軟件系統(tǒng)要與硬件系統(tǒng)相匹配，從而實(shí)現(xiàn)硬件系統(tǒng)的功能。軟件系統(tǒng)的開發(fā)設(shè)計(jì)會(huì)根據(jù)識(shí)別對(duì)象、目的不同而有較大的差異，但是基本框架是一樣的，如圖2所示。

圖2 計(jì)算機(jī)視覺軟件系統(tǒng)的組成Fig.2 The computer vision software system

為提高圖像特征提取和識(shí)別分析的可靠性，在計(jì)算機(jī)視覺軟件系統(tǒng)中設(shè)置圖像預(yù)處理模塊，通過圖像預(yù)處理可以消除圖像中無關(guān)的信息并恢復(fù)加強(qiáng)有用的信息，以便增強(qiáng)有關(guān)信息的可測(cè)性和最大限度地簡(jiǎn)化數(shù)據(jù)。在經(jīng)過圖像預(yù)處理之后，需要對(duì)圖像的像素進(jìn)行分類識(shí)別，通過圖像分割可將圖像分解為一些特定的性質(zhì)相似的部分，并對(duì)這部分圖像進(jìn)行特征提取、識(shí)別分析[5]。

1.3 計(jì)算機(jī)視覺系統(tǒng)的工作原理

計(jì)算機(jī)視覺系統(tǒng)工作流程見圖3。

圖3 計(jì)算機(jī)視覺系統(tǒng)工作流程圖Fig.3 The work flow chart of computer vision system

計(jì)算機(jī)視覺系統(tǒng)的工作原理是通過攝像機(jī)獲得所需要的圖像信息，利用信號(hào)轉(zhuǎn)換器將獲得的圖像信息轉(zhuǎn)變?yōu)橛?jì)算機(jī)能夠正確識(shí)別的數(shù)字信息[6]。具體工作流程包括4個(gè)模塊：（1）圖像采集模塊：該模塊由兩個(gè)子功能組成，分別是灰度圖像采集和彩色圖像采集。（2）圖像預(yù)處理模塊：該模塊由4個(gè)子功能組成，分別是直方圖均衡、圖像增強(qiáng)、均值濾波和邊緣檢測(cè)。同時(shí)對(duì)采樣的圖像可以實(shí)現(xiàn)諸多算法處理，如濾波、增強(qiáng)、平滑及邊緣檢測(cè)等。（3）特征提取模塊：通過圖像變換，更易于分析，從而得到相應(yīng)的結(jié)果。（4）結(jié)果輸出模塊：檢測(cè)與分析的結(jié)果由一個(gè)窗口給出。

2 計(jì)算機(jī)視覺技術(shù)在食品品質(zhì)檢測(cè)中的應(yīng)用

計(jì)算機(jī)視覺技術(shù)在食品工業(yè)上的應(yīng)用研究，起始于20世紀(jì)70年代初期，隨著近幾十年技術(shù)的更新迭代，計(jì)算機(jī)視覺技術(shù)也越來越成熟。其中在食品品質(zhì)檢測(cè)領(lǐng)域，計(jì)算機(jī)視覺技術(shù)已經(jīng)廣泛應(yīng)用于果蔬、肉制品、烘焙食品、禽蛋、海鮮等大類食品的外觀（如重量、形狀、大小、色澤、外觀損傷等）識(shí)別、內(nèi)部無損檢測(cè)、腐敗變質(zhì)檢測(cè)、新鮮度檢測(cè)等方面[7-8]。表1列出了計(jì)算機(jī)視覺技術(shù)在食品品質(zhì)檢測(cè)領(lǐng)域的具體應(yīng)用。

表1 計(jì)算機(jī)視覺技術(shù)在食品品質(zhì)檢測(cè)中的應(yīng)用Table 1 The application of computer vision technology in food quality inspection

2.1 外形尺寸識(shí)別

食品等級(jí)是對(duì)食品的外觀、安全性、保質(zhì)期等方面的嚴(yán)格規(guī)定和劃分，國家對(duì)于食品的等級(jí)劃分一般為4個(gè)級(jí)別：優(yōu)等品、一等品、合格品和不合格品。不同等級(jí)需經(jīng)有關(guān)主管部門評(píng)定確認(rèn)，并獲得各級(jí)頒發(fā)的食品證書。其中食品的外形尺寸是食品分級(jí)的重要依據(jù)。

在尺寸及形狀檢測(cè)中，通常以面積、周長、長度和寬度等作為樣品的特征參數(shù)，通過計(jì)算圖像中目標(biāo)樣本區(qū)域的像素個(gè)數(shù)獲取被測(cè)樣本的特征參數(shù)[9]。Heinemann P H等[10]對(duì)于蘑菇尺寸的檢測(cè)，采用基于計(jì)算機(jī)視覺的自動(dòng)化系統(tǒng)檢測(cè)方法，其結(jié)果遠(yuǎn)優(yōu)于人工檢測(cè)方法，25個(gè)樣本的自動(dòng)化系統(tǒng)檢測(cè)誤差為8%～25%，而人工檢測(cè)的誤差為14%～46%。孔彥龍等[11]提出了一種基于圖像綜合特征參數(shù)（質(zhì)量、形狀）的分選方法。利用計(jì)算機(jī)視覺技術(shù)提取馬鈴薯俯視圖像的6個(gè)不變矩參數(shù)，并通過人工神經(jīng)網(wǎng)絡(luò)模型完成對(duì)馬鈴薯的形狀分選，分選準(zhǔn)確率高達(dá)96%。蔡健榮等[12]利用計(jì)算機(jī)視覺技術(shù)對(duì)煙葉的大小形狀特征參數(shù)進(jìn)行提取，并選擇形成特征向量，去除了標(biāo)準(zhǔn)樣本中的奇異樣本。通過人工神經(jīng)網(wǎng)絡(luò)對(duì)多個(gè)地區(qū)的煙葉進(jìn)行學(xué)習(xí)和分類，實(shí)現(xiàn)了煙葉質(zhì)量分選。里紅杰等[13]通過海產(chǎn)品的尺寸、形狀、顏色、紋理等特征，結(jié)合預(yù)測(cè)模型，采用數(shù)字圖像處理的方法實(shí)現(xiàn)海產(chǎn)品的分類及質(zhì)量評(píng)估。趙靜等[14]利用計(jì)算機(jī)視覺技術(shù)提取果形的6個(gè)特征參數(shù)，通過人工神經(jīng)網(wǎng)絡(luò)對(duì)果形進(jìn)行識(shí)別和分級(jí)。該方法是首次將參考形狀分析法用于果形判別，分級(jí)準(zhǔn)確率在93%以上，基本與人工分級(jí)結(jié)果持平。

2.2 顏色檢測(cè)

顏色是食品的重要感官屬性，人眼對(duì)于顏色的感知存在一段適合的閾值，長時(shí)間分辨會(huì)出現(xiàn)視疲勞。為了克服人眼的疲勞和差異，可以利用計(jì)算機(jī)視覺系統(tǒng)對(duì)食品顏色做出評(píng)價(jià)和判斷。

留胚率是大米品質(zhì)的一個(gè)重要指標(biāo)。黃星奕等[15]利用計(jì)算機(jī)視覺技術(shù)測(cè)定大米的留胚率，首次提出以飽和度S作為顏色特征參數(shù)進(jìn)行胚芽和胚乳的識(shí)別，其檢測(cè)結(jié)果與人工檢測(cè)吻合率達(dá)88%以上。Tao Y等[16]基于計(jì)算機(jī)視覺技術(shù)通過色調(diào)直方圖表示顏色特征并以此構(gòu)建HIS彩色模型，該模型采用多變量識(shí)別技術(shù)區(qū)別好馬鈴薯與發(fā)芽馬鈴薯及黃色和綠色的蘋果，正確率高達(dá)90%以上。趙慧等[17]建立一種對(duì)午餐肉樣品物理特性要求較少，能對(duì)物料表面整體顏色進(jìn)行準(zhǔn)確測(cè)量的無損檢測(cè)方法。采用計(jì)算機(jī)視覺系統(tǒng)對(duì)24色色彩測(cè)試板測(cè)得L，a，b值，使用色彩色差計(jì)對(duì)24色色彩測(cè)試板測(cè)得L*，a*，b*值，對(duì)兩組數(shù)據(jù)進(jìn)行線性回歸，該測(cè)定方法可以準(zhǔn)確測(cè)定午餐肉顏色，其效果可以代替色差計(jì)。

同樣在烘焙食品的品質(zhì)檢測(cè)中，顏色是重要的檢測(cè)指標(biāo)。Mcconnell R K等[18]提出利用計(jì)算機(jī)視覺技術(shù)檢測(cè)面包或其它焙烤食品的顏色來控制食品的質(zhì)量。朱錚濤等[19]利用計(jì)算機(jī)視覺技術(shù)實(shí)現(xiàn)食品表面色澤、單元完整性、表面花紋清晰性及露餡等項(xiàng)目的檢測(cè)，把圖像的灰度均值、斑點(diǎn)面積和局部閾值分割結(jié)果等作為圖像特征，實(shí)現(xiàn)各項(xiàng)目客觀、定量、準(zhǔn)確和快速地檢測(cè)。

2.3 表面缺陷檢測(cè)

食品在生產(chǎn)過程中會(huì)產(chǎn)生各種缺陷，給食品帶來嚴(yán)重隱患。為了提高食品品質(zhì)，利用計(jì)算機(jī)視覺技術(shù)對(duì)缺陷進(jìn)行檢測(cè)，具有檢測(cè)精度高、漏檢率低、系統(tǒng)穩(wěn)定性能高等優(yōu)點(diǎn)。

孫洪勝等[20]基于計(jì)算機(jī)視覺技術(shù)提出了一種缺陷面積的新算法，實(shí)現(xiàn)了利用計(jì)算機(jī)視覺技術(shù)對(duì)蘋果缺陷域地快速、準(zhǔn)確識(shí)別。王澤京[21]利用計(jì)算機(jī)視覺技術(shù)對(duì)馬鈴薯自動(dòng)檢測(cè)分級(jí)做了研究，提出了利用R、G、B三個(gè)分量的標(biāo)準(zhǔn)差，對(duì)馬鈴薯暗色部分缺陷分割的方法和一種以歐氏距離為標(biāo)準(zhǔn)進(jìn)行馬鈴薯綠皮檢測(cè)分割的方法，缺陷馬鈴薯檢測(cè)的準(zhǔn)確率較高，達(dá)到90%。楊祖彬等[22]提出了一種改進(jìn)的計(jì)算機(jī)視覺識(shí)別技術(shù)與圖像融合算法，建立了臍橙表面損傷識(shí)別系統(tǒng)，試驗(yàn)結(jié)果表明，該方法加快了系統(tǒng)對(duì)于損傷定位的處理速度，檢測(cè)達(dá)到了10.5個(gè)/s。

禽蛋表面缺陷或損傷的自動(dòng)檢測(cè)一直是質(zhì)量分級(jí)的難題。利用計(jì)算機(jī)視覺技術(shù)檢測(cè)禽蛋表面缺陷可以很好地解決以往人工檢測(cè)勞動(dòng)強(qiáng)度大、人為誤差大、工作效率低等缺點(diǎn)。歐陽靜怡等[23]利用計(jì)算機(jī)視覺系統(tǒng)獲取雞蛋表面圖像，通過同態(tài)濾波、BET算法、fisher等改進(jìn)型圖像處理技術(shù)，提取裂紋特征并判決，從而實(shí)現(xiàn)對(duì)雞蛋表面裂紋的檢測(cè)。結(jié)果表明，該技術(shù)對(duì)雞蛋表面裂紋的檢測(cè)準(zhǔn)確率高達(dá)98%。潘磊慶等[24]創(chuàng)新了計(jì)算機(jī)視覺技術(shù)，將聲學(xué)響應(yīng)信息與其融合進(jìn)行雞蛋裂紋的檢測(cè)，試驗(yàn)結(jié)果表明準(zhǔn)確率可達(dá)98%。

2.4 大小、重量檢測(cè)

食品的大小、重量是食品分級(jí)的指標(biāo)之一。馮斌等[25]提出利用水果的大小對(duì)水果分級(jí)的一種方法。通過計(jì)算機(jī)視覺技術(shù)對(duì)水果圖像的邊緣進(jìn)行檢測(cè)，從而確定水果大小，實(shí)現(xiàn)水果分級(jí)。韓偉等[26]通過對(duì)水果圖像進(jìn)行分割，提出了一種水果直徑大小檢測(cè)的快速算法，即計(jì)算各區(qū)域內(nèi)水果的最大半徑，進(jìn)而得出果蔬的最大直徑。改法與傳統(tǒng)方法相比較，不僅降低了計(jì)算量而且提高了計(jì)算精度，具有很大的實(shí)際工業(yè)應(yīng)用價(jià)值。王江楓等[27]利用計(jì)算機(jī)視覺技術(shù)檢測(cè)芒果的重量及果面損傷情況，建立了芒果重量與其投影圖像的相互關(guān)系。通過模型試驗(yàn)研究表明，按重量分級(jí)其準(zhǔn)確率均為92%以上，按果面損傷分級(jí)其準(zhǔn)確率為76%以上。

2.5 內(nèi)部品質(zhì)檢測(cè)

在食品品質(zhì)檢測(cè)過程中，很多情況下需要保證在不破壞被檢測(cè)食品的情況下，應(yīng)用一定的檢測(cè)技術(shù)和分析方法對(duì)食品的內(nèi)在品質(zhì)加以測(cè)定，這就需要采用無損檢測(cè)技術(shù)。無損檢測(cè)技術(shù)是近年來發(fā)展起來的一項(xiàng)新技術(shù)，其中綜合利用圖像處理與分析等相關(guān)方面的計(jì)算機(jī)視覺技術(shù)，具有檢測(cè)速度快、信息量大等優(yōu)點(diǎn)，在食品品質(zhì)檢測(cè)領(lǐng)域有著迅猛的發(fā)展。

韓仲志等[28]提出了一種基于計(jì)算機(jī)視覺的花生品質(zhì)分級(jí)檢測(cè)方法。該方法分別從花生品質(zhì)表征的3個(gè)方面提取和分析54個(gè)特征參數(shù)，分別采用神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)建立識(shí)別模型，并加以比較，試驗(yàn)表明，使用支持向量機(jī)的非線性模型對(duì)花生規(guī)格和等級(jí)檢測(cè)的正確率達(dá)到了93%。辛華健[29]設(shè)計(jì)了一種基于計(jì)算機(jī)視覺的芒果品質(zhì)檢測(cè)方法，拍攝芒果圖像后利用自適應(yīng)Canny算法獲取目標(biāo)區(qū)域的邊緣，以大小、顏色和表面缺陷反映芒果的品質(zhì)，并基于BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)芒果的分級(jí)。Pace B等[30]對(duì)胡蘿卜抗氧化活性（antioxidant activity，AA）與總酚（total phenols，TP）含量進(jìn)行相關(guān)性研究。利用計(jì)算機(jī)視覺技術(shù)獲取胡蘿卜的顏色參數(shù)，并將顏色參數(shù)與兩個(gè)指標(biāo)關(guān)聯(lián)建立多變量模型。通過模型，可以根據(jù)胡蘿卜顏色值，成功地估計(jì)胡蘿卜的AA和TP的含量。成熟度是食品品質(zhì)指標(biāo)之一，Wang等[31]建立了一個(gè)計(jì)算機(jī)視覺系統(tǒng)，通過透射和相互作用模式分別獲取甜瓜斷裂表面的圖像，從而得到計(jì)算甜瓜的可食用率，采用偏最小二乘算法（plsregress，PLS）建立了校準(zhǔn)模型來預(yù)測(cè)甜瓜的成熟度指數(shù)，結(jié)果表明該方法可以很好地預(yù)測(cè)甜瓜的成熟度。

2.6 腐敗變質(zhì)檢測(cè)

食品腐敗變質(zhì)是指食品受到各種內(nèi)外因素的影響，造成其原有化學(xué)性質(zhì)或物理性質(zhì)和感官性狀發(fā)生變質(zhì)，降低或失去其營養(yǎng)價(jià)值和商品價(jià)值的過程。引起食品腐敗變質(zhì)的原因有很多，其中微生物是最主要原因之一。近年來，隨著計(jì)算機(jī)硬件和圖像處理技術(shù)的快速發(fā)展，計(jì)算機(jī)視覺技術(shù)在食品腐敗變質(zhì)中微生物檢測(cè)方面的應(yīng)用也越來越廣泛。

Bayraktar B等[32]利用計(jì)算機(jī)視覺技術(shù)獲取李斯特菌菌落中的形態(tài)特征，同時(shí)融合模式識(shí)別技術(shù)、光散射技術(shù)對(duì)圖像進(jìn)行分析處理從而實(shí)現(xiàn)對(duì)該菌的分類識(shí)別。Gomez-Sanchis J等[33]利用計(jì)算機(jī)視覺技術(shù)檢測(cè)了由青霉屬真菌引起的柑橘類水果腐爛，采用人工神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)處理方法，結(jié)果顯示檢測(cè)正確率達(dá)到98%。殷涌光等[34]利用計(jì)算機(jī)視覺技術(shù)提取培養(yǎng)后溶液顏色的變化圖像，從而建立顏色變化與食品中大腸桿菌含量的關(guān)系模型。試驗(yàn)證明，利用該模型判斷待測(cè)液中大腸桿菌的數(shù)目較傳統(tǒng)方法相比可以節(jié)省6 d時(shí)間，大大提高了檢測(cè)效率。

2.7 新鮮度檢測(cè)

新鮮度是食品品質(zhì)安全的一個(gè)重要衡量指標(biāo)，檢測(cè)和評(píng)價(jià)新鮮度是食品品質(zhì)安全控制的關(guān)鍵環(huán)節(jié)，關(guān)系著消費(fèi)者的切身利益。

馮甲一等[35]開發(fā)了一套基于計(jì)算機(jī)視覺的葉類蔬菜新鮮度等級(jí)識(shí)別系統(tǒng)，以計(jì)算機(jī)視覺和模式識(shí)別理論為基礎(chǔ)，獲取在一定條件下背景為白色的葉類蔬菜圖像，利用MATLAB軟件對(duì)圖像進(jìn)行處理、分析，同時(shí)采用主成分分析、費(fèi)歇爾判別相結(jié)合的方法，實(shí)現(xiàn)了特征提取和判別模型的構(gòu)建。其中主成分分析將13個(gè)特征參數(shù)綜合成4個(gè)新變量，構(gòu)建的判別模型對(duì)樣本總體的識(shí)別率達(dá)84%。鄭麗敏等[36]基于計(jì)算機(jī)視覺技術(shù)，采用背向照明方式采集雞蛋的透射圖像得到雞蛋的蛋黃和氣室的圖像信息，并根據(jù)圖像特征建立數(shù)學(xué)模型來預(yù)測(cè)雞蛋的新鮮度和貯藏期。Shi等[37]利用計(jì)算機(jī)視覺系統(tǒng)對(duì)4℃貯藏羅非魚的瞳孔和鰓部顏色參數(shù)進(jìn)行提取，研究基于顏色參數(shù)的多元回歸模型對(duì)揮發(fā)性鹽基氮值（total volatile basic nitrogen，TVB-N）、菌落總數(shù)（total viable count，TVC）和硫代巴比妥酸（thiobarbituric acid，TBA） 值進(jìn)行預(yù)測(cè)，R2值達(dá)到 0.989～0.999，并采用圖像算法生成TVB-N、TVC和TBA的可視化圖，方便了新鮮度地檢測(cè)。

2.8 食品中丙烯酰胺檢測(cè)

丙烯酰胺是一種可能的致癌物，廣泛存在于各種食品中，如焙烤食品、油炸食品、煎烤食品和膨化食品等。丙烯酰胺檢測(cè)方法對(duì)于準(zhǔn)確評(píng)估其對(duì)人體危害十分必要，計(jì)算機(jī)視覺技術(shù)憑借測(cè)量精度高、信息量大、速度快等優(yōu)點(diǎn)成為食品中丙烯酰胺便捷檢測(cè)技術(shù)方法之一。

何鵬等[38]設(shè)計(jì)了一套基于計(jì)算機(jī)視覺技術(shù)油炸馬鈴薯中丙烯酰胺含量的測(cè)定系統(tǒng)，該方法計(jì)算得到的丙烯酰胺含量與標(biāo)準(zhǔn)化學(xué)方法測(cè)定值之間的最大相對(duì)誤差為4.94%，表明該方法可行、準(zhǔn)確。王成琳[39]提出一種基于計(jì)算機(jī)視覺技術(shù)的熏烤肉中丙烯酰胺含量值的測(cè)定方法。分析檢測(cè)得到的熏烤肉表面顏色值及其丙烯酰胺含量值，發(fā)現(xiàn)熏烤肉雙表面α值與其丙烯酰胺含量值之間有很強(qiáng)的相關(guān)性，擬合出兩者之間的線性回歸方程。在測(cè)定熏烤肉中丙烯酰胺含量值時(shí)，將熏烤肉雙表面顏色值α帶入到已經(jīng)建立好的線性回歸方程中，即可求得熏烤肉中的丙烯酰胺含量值。該方法實(shí)現(xiàn)了準(zhǔn)確快速、無損失測(cè)定熏烤肉中丙烯酰胺的含量。

3 展望

計(jì)算機(jī)視覺融合了圖像處理、模式識(shí)別以及人工智能等技術(shù)，隨著計(jì)算機(jī)軟硬件技術(shù)、圖形圖像處理技術(shù)的迅猛發(fā)展，該技術(shù)在食品品質(zhì)檢測(cè)方面得到了廣泛應(yīng)用。在計(jì)算機(jī)視覺研究領(lǐng)域，眾多學(xué)者將此技術(shù)的研究分為3個(gè)層次：低層特征研究、中層語義特征表達(dá)和高層語義理解。通過以上綜述可以發(fā)現(xiàn)，在食品品質(zhì)檢測(cè)領(lǐng)域中的計(jì)算機(jī)視覺技術(shù)多數(shù)關(guān)注的是內(nèi)容單一的食品圖像和簡(jiǎn)單的圖像分割，屬于該技術(shù)研究領(lǐng)域的前兩個(gè)層次，即使如此，該技術(shù)在運(yùn)用過程中，仍然存在較多的技術(shù)難題亟待解決。如（1）檢測(cè)性能受環(huán)境影響較大：現(xiàn)階段的計(jì)算機(jī)視覺技術(shù)受環(huán)境制約較大，建立的配套數(shù)學(xué)模型一般適用于簡(jiǎn)單的環(huán)境，對(duì)于影響因素較多的環(huán)境其檢測(cè)準(zhǔn)確率將會(huì)降低；（2）檢測(cè)指標(biāo)有限：在檢測(cè)食品單一指標(biāo)或者分級(jí)標(biāo)準(zhǔn)為一個(gè)指標(biāo)時(shí)，計(jì)算機(jī)視覺技術(shù)表現(xiàn)出理想效果，但對(duì)同一食品的多個(gè)指標(biāo)或分級(jí)標(biāo)準(zhǔn)為多個(gè)指標(biāo)時(shí)，檢測(cè)分級(jí)效果較差；（3）檢測(cè)兼容性差：食品分級(jí)對(duì)于檢測(cè)模型的依賴性較強(qiáng)，現(xiàn)階段計(jì)算機(jī)視覺技術(shù)對(duì)于單一種類的食品分級(jí)檢測(cè)效果顯著，如果食品種類發(fā)生變化則同一套系統(tǒng)和設(shè)備則很難實(shí)現(xiàn)檢測(cè)。

為解決以上技術(shù)難題，近些年學(xué)者們提出了基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別，它是計(jì)算機(jī)視覺與人工神經(jīng)網(wǎng)絡(luò)技術(shù)的融合，保證檢測(cè)對(duì)象在不同環(huán)境下的最大程度識(shí)別。韓朋朋[40]課題組采用基于卷積神經(jīng)網(wǎng)絡(luò)的計(jì)算機(jī)視覺技術(shù)，通過設(shè)計(jì)深層卷積神經(jīng)網(wǎng)絡(luò)模型和壓縮嵌入式蔬菜網(wǎng)絡(luò)模型，對(duì)不同擺放角度、不同光線強(qiáng)度和不同放置背景下的蔬菜進(jìn)行圖像識(shí)別，實(shí)驗(yàn)證明，蔬菜識(shí)別的準(zhǔn)確性高達(dá)97%。廖恩紅等[41]運(yùn)用基于卷積神經(jīng)網(wǎng)絡(luò)的計(jì)算機(jī)視覺技術(shù)，提出了一種新的食品圖像識(shí)別模型China Food-CNN，實(shí)現(xiàn)了對(duì)食物的精準(zhǔn)分類。

4 總結(jié)

綜上所述，可以看出國內(nèi)外學(xué)者對(duì)計(jì)算機(jī)視覺技術(shù)在食品品質(zhì)檢測(cè)中的應(yīng)用進(jìn)行了大量地研究，有些是對(duì)食品單一指標(biāo)的檢測(cè)，有些是綜合性能指標(biāo)的檢測(cè)。在此研究和應(yīng)用過程中，既取得了較大的經(jīng)濟(jì)效益，也遇到了很多問題。在新的形勢(shì)下，計(jì)算機(jī)視覺技術(shù)與人工神經(jīng)網(wǎng)絡(luò)、數(shù)學(xué)模型、微生物快速計(jì)量等高新技術(shù)相融合，探究該技術(shù)在高層次語義理解方面的應(yīng)用，為食品品質(zhì)檢測(cè)發(fā)展提供技術(shù)支持。