基于改進慣性矩算法的冷鮮豬肉新鮮度激光散斑圖像檢測

蔡健榮，劉夢雷，孫 力，盧 越，楊 杭

（江蘇大學食品與生物工程學院，鎮(zhèn)江 212013）

基于改進慣性矩算法的冷鮮豬肉新鮮度激光散斑圖像檢測

蔡健榮，劉夢雷，孫 力，盧 越，楊 杭

（江蘇大學食品與生物工程學院，鎮(zhèn)江 212013）

為了探究激光散斑技術檢測冷鮮豬肉新鮮度的可行性，用660和465 nm 2種波長的激光對宰后24 h的豬肉樣本在7 d內的激光散斑圖像進行采集。以時間序列散斑（time history of speckle pattern，THSP）圖像的慣性矩（inertia moment，IM）作為散斑活性，研究冷鮮豬肉散斑活性隨貨架期的變化規(guī)律。通過分析2種波長不同行的選取對IM值的影響，發(fā)現(xiàn)不同波長其奇偶行IM的規(guī)律不同，并針對傳統(tǒng)IM算法容易出現(xiàn)異常值、穩(wěn)定性差等缺點提出3點改進：設計排序算法動態(tài)選擇散斑活性最高峰及周圍2個相鄰行，依此計算樣本IM值；改進共生矩陣的修正矩陣計算方法；改進非零元素偏離對角線距離的計算方法。結果顯示，改進方法可以有效地抑制異常值干擾，冷鮮豬肉散斑活性隨貨架期呈現(xiàn)先上升后下降的變化趨勢。根據(jù)測得的揮發(fā)性鹽基氮值（total volatile basic nitrogen，TVB-N）和散斑活性IM值建立豬肉新鮮度等級預測模型，結果顯示465 nm波長的激光判別效果要好于660 nm激光，其訓練集和預測集的識別率能達到87.5%和89.29%。試驗結果表明利用激光散斑技術檢測冷鮮豬肉新鮮度的具有可行性。

圖像處理；無損檢測；算法；冷鮮豬肉；新鮮度；激光散斑；慣性矩；共生矩陣

蔡健榮，劉夢雷，孫 力，盧 越，楊 杭. 基于改進慣性矩算法的冷鮮豬肉新鮮度激光散斑圖像檢測[J]. 農業(yè)工程學報，2017，33(7)：268－274.doi：10.11975/j.issn.1002-6819.2017.07.035 http://www.tcsae.org

Cai Jianrong, Liu Menglei, Sun Li, Lu Yue, Yang Hang. Laser speckle image detection of chilled pork freshness based on improved moment of inertia algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(7): 268－274. (in Chinese with English abstract)doi：10.11975/j.issn.1002-6819.2017.07.035 http://www.tcsae.org

0 引 言

中國是世界上豬肉生產和消費的第一大國，豬肉的產量和消費量均占世界總量的一半[1]。豬肉在儲藏過程中新鮮度會逐漸降低，消費者難以準確判斷。目前對豬肉新鮮度的檢測主要根據(jù)感官評價及耗時費力的傳統(tǒng)檢測方法，難以滿足快速消費的豬肉市場。近年來，國內外已有許多學者致力于冷鮮豬肉新鮮度的快速無損檢測研究。如Barbin等[2-3]利用近紅外高光譜成像技術對豬肉中揮發(fā)性鹽基氮（total volatile basic nitrogen，TVB-N）、蛋白質、脂肪、水分和細菌總數(shù)等指標進行了定量分析，并對豬肉新鮮度進行了評價；孫永海等[4-5]依據(jù)肉品的氣味特征，利用電子鼻對豬肉品質進行定性判別；筆者所在課題組[6-7]利用近紅外光譜技術和聯(lián)合區(qū)間偏最小二乘法快速測定豬肉中揮發(fā)性鹽基氮的含量。但這些快速檢測方法尚未取得替代傳統(tǒng)檢測方法的突破。

激光散斑是一種新型的無損檢測技術，可以用來表征生物樣品的活性[8-9]。當激光照射在粗糙物體表面（與激光波長相比），經過不同光程的散射光之間相互干涉，形成隨機分布且明暗相間的光斑就是激光散斑。如果被測對象是具有活性的生物樣品，則產生的散斑圖案呈現(xiàn)動態(tài)變化。這種動態(tài)散斑通常包含生物樣品的各種信息，如物體表面信息，反射粒子的運動信息、溫度信息等，又稱作生物散斑[10]。

目前，國內外已有大量將激光散斑技術應用到生物樣本的研究。此技術在醫(yī)學上已成功應用于腦血管圖像拍攝[11-13]、精子發(fā)育能力的檢測[14-15]、血液（相對）流速和血液灌注率動態(tài)變化的監(jiān)測[16-18]等諸多方面。對農產品的生物活性研究尚處于起步階段，主要包括種子活性檢測[19-20]、果蔬成熟度檢測[21-22]、農產品品質檢測[23-26]等方面，關于冷鮮豬肉新鮮度的研究尚未見到相關報道。

本文基于激光散斑技術，依據(jù)不同冷藏時間冷鮮豬肉的生物散斑活性差異，分析其慣性矩（inertia moment，IM）值隨貨架期的變化趨勢。其次，針對傳統(tǒng)IM算法易出現(xiàn)異常數(shù)據(jù)、檢測穩(wěn)定性差等問題，提出了改進方法。最后，采用線性判別分析（linear discriminant analysis, LDA）建立預測模型，以期為激光散斑應用于冷鮮豬肉新鮮度的快速檢測提供參考。

1 材料與方法

1.1 激光散斑圖像采集系統(tǒng)

1.1.1 激光波長的選擇

圖1為用高光譜測得的宰后24 h內冷鮮豬里脊肉表面的光譜反射率均值曲線，由圖可知在可見光波長范圍內，豬肉組織在不同波長下的反射率有較大差異。為研究貨架期內不同光譜段對檢測豬肉散斑活性變化的影響，分別選擇最大吸收、最大反射區(qū)域的波段作為激光波長，而現(xiàn)有與此接近的激光器波長有465、660 nm（寧波遠明激光技術有限公司，LSR465SD、LSR660NL），因此將其作為激光散斑圖像的激光波長。

圖1 冷鮮豬肉的光譜反射率曲線Fig.1 Spectral reflectance curve of chilled pork

1.1.2 試驗裝置

試驗采用的激光散斑圖像采集裝置如圖 2所示。其中激光準直擴束系統(tǒng)采用 5倍激光擴束鏡（武漢精密儀器有限公司，LBE-5），激光四維調整架（最大平移行程±2 mm）。激光出射光斑的尺寸約為4.8 mm×3.8 mm。相機采用分辨率為640×480 pixels的彩色CCD相機（加拿大Lumenera公司，LU075C），鏡頭焦距為25 mm（日本Computar公司，M2514-MP2），物距為180 mm。

圖2 激光散斑圖像采集系統(tǒng)Fig.2 Laser speckle image acquisition system

1.2 試驗樣品

試驗所用豬肉為宰后24 h內的冷鮮豬里脊肉，購于鎮(zhèn)江某超市，試驗前將樣品分割成長寬厚約6 cm×6 cm× 8 mm的肉塊共84塊，置于帶蓋透明的培養(yǎng)皿中，編號后置于4 ℃恒溫箱中貯藏待測。在7 d內完成對豬肉樣本激光散斑圖像的采集和TVB-N的測定。

1.3 散斑圖像采集

為得到無耀斑的散斑圖像，選取的激光功率為6 mW （0.11 A），激光入射角為30°。為保證每次試驗的一致性，通過標記固定每次采集圖像的位置。為避免樣本的時間序列散斑圖像（time history of speckle pattern，THSP）出現(xiàn)較多重復列，以ΔT=0.06 s為時間間隔采集640幅分辨率為640×480 pixels的激光散斑圖像，其原始圖像如圖3所示。

1.4 激光散斑圖像處理方法

1.4.1 傳統(tǒng)激光散斑處理方法

1）構建時間序列散斑（THSP）圖[27]：將每個樣本采集的激光散斑圖像先轉化成灰度圖，然后提取每幅灰度圖中固定的某行，按照時間順序從左至右構成一幅新的散斑圖，即為THSP圖。

圖3 原始激光散斑圖像Fig.3 Original laser speckle image

2）構建共生矩陣（co-occurrence matrix，COM）圖：對每幅時間序列散斑圖，若i，j為散斑圖中相鄰2個像素的灰度值，Nij為圖中i，j出現(xiàn)的次數(shù)，如果將Nij的值作為灰度值賦給所構建的共生矩陣圖中第i行第j列元素，即可構建時間序列散斑圖的共生矩陣圖。計算公式為[28]

3）計算散斑活性：慣性矩(IM)可直觀地表示 COM圖中非零元素偏離對角線的程度，如圖 4所示，樣本活性越大，則其COM圖中非零元素偏離對角線的距離就越遠，通過計算IM值可定量計算樣本生物散斑活性。具體計算公式為[29]

其中公式（2）是對共生矩陣COM進行歸一化處理，即求共生矩陣的修正矩陣（modified co-occurrence matrix, MCOM）。式中 ∑iNij代表共生矩陣圖中第i行所有像素灰度值的和，Mij代表第i行第j列的元素Nij在該行中的占比。公式（3）計算COM圖中所有元素偏離主對角線的程度，即為散斑活性。

圖4 不同散斑活性的THSP和COM圖對比Fig.4 Comparison of THSP and COM with different speckle activities

1.4.2 激光散斑處理的方法改進

1）不同行的選擇

由1.4.1節(jié)可知，傳統(tǒng)方法構建THSP通常是選擇激光散斑圖中的某一固定行，按照時間順序構建其時間序列散斑圖。因此所選行是否具有代表性，將嚴重影響檢測結果的穩(wěn)定性。通過對樣本散斑圖像從上到下，分別選擇不同行構建THSP圖，再求其慣性矩IM，得到不同波長激光不同行的IM值如圖5所示。

圖5 2種波長下不同行的IM值分布Fig.5 Distribution of IM values for different rows at two wavelengths

由圖可知：IM值在激光散斑點中心位置向四周呈近似的高斯分布，證明激光束是一種高斯光；465 nm激光的散斑圖像奇數(shù)行的IM值始終大于偶數(shù)行，而660 nm紅光激光則恰好相反。這是由于CCD相機像元的濾光片的排列方式為拜耳分布所致，該結果將為 THSP圖像的構建提供參考。

在試驗過程中，每次拍攝位置可能不完全一致、反復搬動會導致樣本形態(tài)發(fā)生細微變化、以及豬肉表面不規(guī)則等原因，激光光強最高峰位置不一定出現(xiàn)某個特定位置，如果采用傳統(tǒng)的固定行或列求取樣本的IM值，其活性并不一定真實。

針對上述情況，設計了一種動態(tài)尋找激光光強最高峰位置的方法。經統(tǒng)計，重復擺放誤差導致的激光光強最高峰位置位于第231～291行范圍內；提取樣本散斑圖像在該范圍內的31個奇數(shù)或偶數(shù)行；從散斑圖像左側開始掃描各行IM值，當某行IM值為最大且與相鄰行的差值小于閾值0.5時（消除奇異值影響），記錄該行值及位置坐標，直到掃描結束，最后取最高峰及周圍 2個相鄰行的IM均值作為樣本IM。

2）慣性矩算法的改進

激光散斑是激光在物體表面隨機干涉形成的動態(tài)散斑，由于噪聲的存在，個別像素灰度值可能會出現(xiàn)異常，這種異常點反映在共生矩陣中就會出現(xiàn)如圖 6虛線圓中的孤立點。按照公式（3）的計算方法，這些孤立點的修正矩陣為1，則其對慣性矩的貢獻為(i?j)2，造成IM出現(xiàn)異常值，無法真實反映樣本活性的大小。

針對傳統(tǒng)IM算法抗干擾性差的問題，提出以下兩方面的改進措施：

①對修正矩陣（MCOM）算法的改進：傳統(tǒng)計算MCOM的方法是求共生矩陣圖中每個像素灰度值在所在行或列中的權重，這是導致IM出現(xiàn)異常值的原因。改進的方法如公式（4）

式中 ∑ijNij代表共生矩陣圖中所有灰度值總和，Mi′j代表每個Nij在整個共生矩陣中的占比，由于每個點都相對獨立，即使出現(xiàn)異常點，其在整個共生矩陣中的權重較小，因此干擾力度降低。

②對非零元素偏離對角線距離的改進：由圖6所示，非零元素幾乎對稱分布在對角線兩側，而IM算法的目的是定量反映共生矩陣圖中非零元素偏離對角線的距離，故將原算法中用點坐標差值的平方計算偏離距離替換為非零元素偏離對角線距離的平方，改進后的慣性矩算法為

圖6 樣本出現(xiàn)的孤立點Fig.6 Isolated point of sample

1.5 TVB-N測定及新鮮度預測模型建立

每個樣本完成激光散斑圖像采集后，用半微量定氮法（按照GB/T5009.44-2003執(zhí)行[30]）測定樣本中的TVB-N值。測定結果按國家標準GB2707-2005[31]，TVB-N值對應的肉類新鮮度等級（見表1）進行評定。

表1 肉類新鮮度等級劃分標準Table1 Standard grades of meat freshness

為評判激光散斑活性對豬肉新鮮度的檢測效果，采用LDA線性判別方法建立預測模型。選取其中56個豬肉樣本作為校正集建立模型，其余的28個作為預測集來驗證模型的穩(wěn)定性。

2 結果與分析

2.1 激光散斑圖像處理

根據(jù)1.4.1中的圖像處理方法，將采集到的激光散斑圖像先轉化成灰度圖像，依次進行THSP和COM處理。2種波長的處理結果如圖7所示（從上至下分別為某樣本第1天，第3天，第5天和第7天）。可知，豬肉冷藏天數(shù)不同，構建THSP圖以及生成的COM圖也不同，表明其活性發(fā)生了變化，但根據(jù)COM圖仍難以做出客觀評價，還需要計算其IM值進行定量分析。

圖7 兩種波長的激光散斑圖像處理結果Fig.7 Results of laser speckle image processing with two wavelengths

2.2 傳統(tǒng)統(tǒng)計方法與改進方法對比

為驗證改進方法的合理性，通過統(tǒng)計分析，得到465 nm波長下不同貨架期內樣本IM的特征值見表2。由于2種方法的計算過程不同，得到的IM值處于不同的數(shù)量級，為比較 2種方法處理結果的穩(wěn)定性，選擇變異系數(shù)與差商這 2個特征值進行比較。結果顯示在整個冷藏期間，傳統(tǒng)方法 IM 值的變異系數(shù)和差商遠大于改進方法，說明傳統(tǒng)方法的IM值波動較大，而改進方法的IM值較平順。比較最大值和均值 2個特征值可知，改進方法可以有效避免異常值的影響，且不改變散斑活性的變化趨勢，因而認為改進方法比傳統(tǒng)方法更合理。

表2 兩種處理方法的統(tǒng)計結果（465 nm）Table2 Statistical results of two methods（465 nm）

2.3 兩種波長處理結果的比較

兩種激光器的波長為660和465 nm時，繪制冷鮮豬里脊肉冷藏過程中的散斑活性變化如圖 8所示?？梢钥闯觯弘S冷藏時間的增加，前者散斑活性呈現(xiàn)先升高后下降的變化；而后者散斑活性在前3 d基本保持不變，之后也出現(xiàn)升高再下降的變化。該變化趨勢可能與豬肉組織細胞的變化有關，Zdunek等[32]認為生物散斑活性可能與細胞內物質運輸、細胞質環(huán)流有關。在豬肉熟化過程中，組織細胞迅速死亡，細胞內結構蛋白逐漸被酶解，導致細胞骨架坍塌，物質運輸停滯，細胞內自由水外溢，這都是導致散斑活性出現(xiàn)動態(tài)變化的原因，因此可以用散斑活性來反映豬肉的新鮮度變化；豬肉散斑活性最高峰的出現(xiàn)時間，660 nm早于465 nm。說明波長為660 nm激光對豬肉組織變化更敏感。由圖1可知，465 nm波長下的光大部分被豬肉吸收，而660 nm波長下大部分被反射出來，散射光中攜帶了豬肉組織的生物信息，故660 nm波長的激光對豬肉組織變化更敏感，散斑活性最高峰時間要早于465 nm激光。后續(xù)研究可以結合2種波長激光對豬肉組織變化的響應時間不同的特征，為豬肉新鮮度的檢測提供更多信息。

圖8 不同波長的激光對豬肉散斑活性的影響Fig.8 Effect of laser with different wavelengths on speckle activity of pork

2.4 LDA判別結果討論

根據(jù)表 1所示的豬肉新鮮度等級分類標準，可將測得的TVB-N值分成新鮮、次新鮮和腐敗3個等級，結合660和465 nm激光波長下測得的散斑活性IM值，建立新鮮度等級LDA線性判別模型，結果如表3所示。

可知，465 nm波長的判別效果好于660 nm，其訓練集和預測集的識別率分別為87.50%和89.29%，誤判主要集中在新鮮度等級的過渡區(qū)域，特別是新鮮肉與次新鮮肉的誤判較多，這可能與TVB-N值和散斑活性IM值的變化趨勢不同有關。TVB-N是豬肉組織蛋白分解的產物，在儲藏過程中隨時間呈線性增加，而散斑活性IM值反映豬肉組織整體活性的變化，隨儲藏時間呈先增后降的變化，故難以預測TVB-N值。但散斑活性IM值對不新鮮豬肉的識別效果較好，由圖 8可知，腐敗豬肉的散斑活性IM值很小，表明激光散斑技術對豬肉新鮮度檢測具有可行性，并且激光散斑技術因其快速、無損、低價等特點，是一項很有潛力的檢測技術。后續(xù)研究可通過增加肉色，時間序列散斑圖像的自相關系數(shù)等指標檢測，以期建立更全面的預測模型。

表3 兩種波長預測模型中訓練集和預測集的判別結果Table3 Identification results of training set and forecast set in prediction models with two kinds of wavelength

3 結 論

本文選取宰后24 h的冷鮮豬里脊肉為研究對象，探究激光散斑技術應用于冷鮮豬肉新鮮度檢測的可能性。試驗結論如下：

1）散斑圖像不同行的選取對樣本慣性矩（inertia moment，IM）值具有很大影響，兩者關系呈現(xiàn)類似高斯分布；由于CCD相機像元特定的排列方式導致不同波長的激光其散斑圖像奇偶列的 IM 規(guī)律不一樣，具體為660 nm波長下IM值總是偶數(shù)行大于奇數(shù)行，而465 nm波長下則相反。因此在實際應用中，應針對不同波長的激光選擇散斑圖像光強最大的行來構建時間序列散斑（time history of speckle pattern，THSP）圖。

2）針對散斑圖像不同行的選取對IM值影響、傳統(tǒng)IM算法異常值干擾等問題，提出3點改進：設計了排序算法動態(tài)選擇散斑活性最高峰及周圍 2個相鄰行來計算樣本IM值，改進共生矩陣的修正矩陣計算方法以及改進非零元素偏離對角線距離的計算方法。結果顯示，改進方法可以有效地抑制異常值干擾，能真實反映出樣本的活性差異。

3）分別用660和465 nm激光器對豬肉樣本7 d內的散斑活性進行連續(xù)監(jiān)測后發(fā)現(xiàn)，豬肉表面活性隨冷藏天數(shù)呈現(xiàn)先升高后降低的變化，且660 nm激光對豬肉組織的變化更敏感，表明激光散斑可以反映出豬肉樣本貨架期內的活性變化。

4）分別用660和465 nm激光器的散斑活性IM值結合測得的豬肉樣本揮發(fā)性鹽基氮（total volatile basic nitrogen，TVB-N）等級，采用LDA線性判別方法建立豬肉新鮮度等級預測模型，結果顯示465 nm波長的激光判別效果要好于660 nm激光，其訓練集和預測集的識別率能達到87.50%和89.29%，表明激光散斑技術對豬肉新鮮度的檢測具有可行性。

研究僅對激光散斑技術應用于冷鮮豬肉新鮮度檢測可行性以及相關處理方法的改進進行探索，對其機理分析及相關定量模型分析等尚待進一步研究。

[1] 李香春, 李洪軍. 我國肉制品工業(yè)現(xiàn)狀及發(fā)展趨勢[J]. 肉類工業(yè), 2004(3):5-7.

[2] Barbin D F, Elmasry G, Sun D W, et al. Non-destructive assessment of microbial contamination in porcine meat using NIR hyperspectral imaging[J]. Innovative Food Science & Emerging Technologies, 2013, 17: 180－191.

[3] Barbin D F, Elmasry G, Sun D W, et al. Non-destructive determination of chemical composition in intact and minced pork using near-infrared hyperspectral imaging[J]. Food Chemistry, 2013, 138(2/3): 1162－1171.

[4] 孫永海，孫瑜，孫鐘雷. 肉品氣味信息采集系統(tǒng)的設計[J].吉林大學學報信息科學版，2008，26(2)：169－174.

[5] 孫永海，孫鐘雷，李宇. 基于遺傳組合網(wǎng)絡的肉用人工嗅覺系統(tǒng)[J]. 吉林大學學報：工學版，2007，37(5)：1209－1213. Sun Yonghai, Sun Zhonglei, Li Yu. Meat artificial olfactory system based on composite GA-RBF network[J]. Journal of Jilin University: Engineering and Technology Edition, 2007, 37(5): 1209－1213. (in Chinese with English abstract)

[6] 蔡健榮，萬新民，陳全勝. 近紅外光譜法快速檢測豬肉中揮發(fā)性鹽基氮的含量[J]. 光學學報，2009，29(10)：2808－2812. Cai Jianrong, Wan Xinmin, Chen Quansheng. Feasibility study for the use of near-infrared spectroscopy in the quantitative analysis of TVB-N content in Pork[J]. Acta Optica Sinica, 2009, 29(10): 2808－2812. (in Chinese with English abstract)

[7] Cai Jianrong, Chen Quansheng, Wan Xinmin, et al. Determination of total volatile basic nitrogen (TVB-N) content and Warner- Bratzler shear force (WBSF) in pork using Fourier transform near infrared (FT-NIR) spectroscopy[J]. Food Chemistry, 2011, 126(3): 1354－1360.

[8] Pajuelo M, Baldwin G, Rabal H, et al. Bio-speckle assessment of bruising in fruits[J]. Optics & Lasers in Engineering, 2003, 40(1/2): 13－24.

[9] 段怡婷，李光宇，高瞻. 生物散斑測量技術綜述[J]. 激光與光電子學進展，2013，50(2)：17－29.

[10] 胡孟晗，董慶利，劉寶林，等. 生物散斑技術在農產品品質分析中的應用[J]. 農業(yè)工程學報，2013，29(24)：284－292. Hu Menghan, Dong Qingli, Liu Baolin, et al. Application of biospeckle on analysis of agricultural products quality[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(24): 284－292. (in Chinese with English abstract)

[11] Li Pengcheng, Ni Songlin, Zhang Li,et al. Imaging cerebral blood flow through the intact rat skull with temporal laser speckle imaging[J]. Optics Letters, 2006, 31(12): 1824－1826.

[12] Ramirez-San-Juan J C, Regan C, Coyotl-Ocelotl B, et al. Spatial versus temporal laser speckle contrast analyses in the presence of static optical scatterers[J]. Journal of Biomedical Optics, 2014, 19(10): 106009－106009.

[13] Wood T, Smit E, Maes E, et al. Monitoring of cerebral blood flow during hypoxia‐ischemia and resuscitation in the neonatal rat using laser speckle imaging[J]. Physiological Reports, 2016, 4(7):e12749.

[14] Carvalho P H A, Barreto J B, Braga R A, et al. Motility parameters assessment of bovine frozen semen by biospeckle laser (BSL) system[J]. Biosystems Engineering, 2009, 102(1): 31－35.

[15] González-Pe?a R J, Jr B R, Cibrián R M, et al. Monitoring of the action of drugs in melanoma cells by dynamic laser speckle[J]. Journal of Biomedical Optics, 2014, 19(5): 057008.

[16] Briers J D. Wavelength dependence of intensity fluctuations in laser speckle patterns from biological specimens[J]. Optics Communications, 1975, 13(3): 324－326.

[17] Yuan S, Devor A, Boas D A, et al. Determination of optimal exposure time for imaging of blood flow changes with laser speckle contrast imaging[J]. Applied Optics, 2005, 44(10):1823-30.

[18] Fujii H, Asakura T, Nohira K, et al. Blood flow observed by time-varying laser speckle.[J]. Optics Letters, 1985, 10(3): 104－106.

[19] Braga R A, Fabbro I M D, Borem F M, et al. Assessment of seed viability by laser speckle techniques[J]. Biosystems Engineering, 2003, 86(3): 287－294.

[20] Men S, Yan L, Qian H, et al. Laser speckle detection system for seed viability assessment [J]. Applied Mechanics & Materials, 2014, 556－562: 3156－3159.

[21] Rabelo G F, Braga Júnior R A, Fabbro I M D. Laser speckle techniques in quality evaluation of orange fruits[J]. Revista Brasileira De Engenharia Agrícola E Ambiental, 2005, 9(4):570-575.

[22] Minz P D, Nirala A K. Laser speckle technique to study the effect of chemical pre-treatment on the quality of minimally processed apples[J]. Laser Physics, 2016, 26(4): 045602.

[23] Szymanska-Chargot M, Adamiak A, Zdunek A. Pre-harvest monitoring of apple fruits development with the use of biospeckle method[J]. Scientia Horticulturae, 2012, 145(3): 23－28.

[24] Pajuelo M, Baldwin G, Rabal H, et al. Bio-speckle assessment of bruising in fruits[J]. Optics & Lasers in Engineering, 2003, 40(1/2): 13－24.

[25] Vega F, Torres M C. Automatic detection of bruises in fruit using Biospeckle techniques[C]// 2013 XVIII Symposium of Image, Signal Processing, and Artificial Vision (STSIVA). 2013: 1－5.

[26] 劉海彬，高迎旺，盧勁竹，等. 基于激光散斑的梨缺陷與果梗/花萼的識別[J]. 農業(yè)工程學報，2015，31(4)：319－324. Liu Haibin, Gao Yingwang, Lu Jinzhu, et al. Pear defect and stem/calyx discrimination using laser speckle[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(4): 319－324. (in Chinese with English abstract)

[27] Oulamara A, Tribillon G, Duvernoy J. Biological activity measurement on botanical specimen surfaces using a temporal decorrelation effect of laser speckle[J]. Journal of Modern Optics, 1989, 36(2): 165－179.

[28] Zobrist A L, Thompson W B. Building a distance function for gestalt grouping [J]. IEEE Transactions on Computers, 1975, 24(7): 718－728.

[29] Kruger R P, Thompson W B, Turner A F. Computer Diagnosis of Pneumoconiosis[J]. IEEE Transactions on Systems Man & Cybernetics, 1974, SMC-4(1):40-49.

[30] GB/T 5009.44-2003，肉與肉制品衛(wèi)生標準的分析方法[S].

[31] GB2707-2005，豬肉衛(wèi)生標準[S].

[32] Zdunek A, Herppich W B. Relation of biospeckle activity with chlorophyll content in apples[J]. Postharvest Biology & Technology, 2012, 64(1): 58－63.

Laser speckle image detection of chilled pork freshness based on improved moment of inertia algorithm

Cai Jianrong, Liu Menglei, Sun Li, Lu Yue, Yang Hang
(School of Food and Biological Engineering, Jiangsu University, Zhenjiang212013,China)

Laser speckle is a new type of nondestructive detection technology, which can be used to characterize the activity of biological samples. Based on the laser speckle technique, an experimental platform was designed to investigate the feasibility of detecting the freshness of chilled pork. The optical maser with the wavelength of 465 and 660 nm and the power of 6 mw was used in this study. 84 pieces of chilled pork 24 h after slaughter, were cut into 6 cm × 6 cm × 8 mm and placed in a transparent dish with a lid. After numbering them, the samples were kept at 4 °C until measurement. For each sample, 640 laser speckle images with the resolution of 640 × 480 pixels were obtained at a regular interval of 0.06 s. The step was repeated every day for 7 days. Afterwards the laser speckle images were processed with a traditional method. Firstly the grey-scale processing was conducted, the fixed line in each gray images obtained was extracted, and the THSP (time history of speckle pattern) image was constructed using them according to the storage time. Then the co-occurrence matrix (COM) was calculated. Finally, the inertia moment (IM) of the COM was calculated and considered as the activity value of samples. The results showed that the IM values obtained by the traditional method frequently had abnormal values, and the computational stability of the method was rather poor. The IM values could be influenced by the traditional algorithm and the selection of different row, through which it was found that the traditional method was prone to outliers in the calculation of the correction matrix. Besides, the choices of different rows had great influence on IM values. The IM values presented Gaussian-like distribution from the center of the laser speckle to the around. And the IM values of odd or even lines under different excitation wavelengths were various due to the Bayer arrangement of CCD (charge coupled device) camera pixel. In this study, 3 kinds of improvements about traditional algorithms were proposed according to above findings. First, the sort algorithm was designed to calculate the IM values by dynamically selecting 3 lines with the highest activity in speckle images. Second, the calculation method of modified matrix for COM was improved. Finally, the method of calculating the distance between non-zero element and the diagonal was improved. The results exhibited that the outlier disturbance was effectively suppressed by the improved method. The speckle activity of chilled pork showed an upward trend firstly and then downward along with the shelf life. Besides, the activity changes of pork were more sensitive under laser wavelength of 660 nm than that under laser wavelength of 465 nm. According to the measured total volatile basic nitrogen (TVB-N) and speckle activity IM to establish pork freshness prediction model, and the results showed that the discrimination under the laser wavelength of 465 nm was better than the 660 nm laser, and the recognition rate for the training set and the prediction set could reach 87.50% and 89.29%, respectively. Therefore, using laser speckle technique to detect the freshness of cold pork is feasible, and the traditional method can be replaced by the improved method.

image processing; nondestructive determination; algorithms; chilled pork; freshness; laser speckle; moment of inertia; co-occurrence matrix

10.11975/j.issn.1002-6819.2017.07.035

S123; TN247

A

1002-6819(2017)-07-0268-07

2016-10-24

2017-03-23

國家科技支撐計劃資助（2015BAD19B05）；中國博士后科學基金（2015M580401）；江蘇省高校自然科學研究重大項目（15KJA550001）；江蘇省博士后科學基金（1501108C）

蔡健榮，男，上海人，博士，教授，主要從事食品農產品質量快速無損檢測技術研究。鎮(zhèn)江 江蘇大學食品與生物工程學院，212013。

Email：Jrcai@ujs.edu.cn