机器视觉技术是一种利用图像传感器获取样本的图像,再将图像转换成数字信息,并利用计算机模拟人的判别准则去识别图像,从而做出客观评定的技术,具有检测速度快、对样品无损伤、无需预处理、准确率高等诸多优势,是一种非常适合熏鸡腿颜色应用研究的方法。本文以糖熏鸡腿为研究对象,在机器视觉技术的基础上,筛选熏鸡腿颜色识别模型后结合算法构建并筛选识别比色卡,再通过贮藏过程中的颜色参数与理化指标的相关性建立回归模型对熏鸡腿的货架期进行快速检测。具体研究内容如下:1.探究能够快速精准识别糖熏鸡腿在熏制过程中产生的所有颜色的机器视觉模型。基于机器视觉技术,构建Xception-CNN模型用于熏鸡腿颜色的识别,同时应用ResNet-50、Inception和传统CNN 3种模型对比分析Xception-CNN模型对熏鸡腿颜色的识别效果。采集并经过图像预处理后共得到不同颜色的4352张熏鸡腿图像作为4种模型的试验样本,随机选取其中的3482张作为训练组,剩下的870张作为测试组。结果表明,4种模型的平均识别准确率分别为:Xception-CNN-92%,ResNet-50-91%,Inception-89%,传统CNN-87%、测试时间分别为:Xception-CNN-1.36s,ResNet-50-0.81s,Inception-0.98s,传统CNN-2.48s。Xception-CNN模型对糖熏鸡腿图像的颜色识别准确率最高,对可能出现的熏鸡腿颜色均有较高的识别准确率,平均识别准确率达到92%,测试时间略高于ResNet-50模型和Inception模型,但低于传统CNN模型,仅需1.36s即可完成识别。2.采用机器视觉技术结合3种算法,建立了3种糖熏鸡腿比色卡,并对3种比色卡的准确率进行初步验证,筛选最适合用于熏鸡腿颜色识别的比色卡。比色卡制作结果表明,三种比色卡均呈现出良好的颜色梯度变化,能够反映出熏鸡腿随着烟熏时间的变化而产生的颜色变化;比色卡验证结果表明3种比色卡的算法验证准确率分别为均值算法-87.2%、K-Means算法-95.1%以及K-Means算法+图像降噪处理-96.7%,感官验证准确率分别为均值算法-69.4%、K-Means算法-80.9%、K-Means算法+图像降噪处理-79.2%;该比色卡绘制系统具有良好的可行性且比色卡的识别准确率均较高,其中K-Means算法制作的比色卡准确率高且感官属性更好,可以实现对熏鸡颜色的识别。3.构建了基于熏鸡腿在4℃贮藏条件下颜色变化的货架期识别模型,并对该模型的可行性进行了初步评估。选取白砂糖熏制的鸡腿作为研究对象,测定4℃贮藏条件下熏鸡腿的颜色指标、理化指标及感官指标。选择熏鸡腿的颜色指标,利用图像处理算法实现RGB、HSI和L*a*b*颜色空间的自动转换,并通过熏鸡腿的颜色参数与TVB-N值和TBA值的相关性建立多元线性回归模型。最后,利用图像算法实现基于颜色的TVB-N值和TBA值图像可视化。结果表明,多元线性回归模型具有良好的拟合效果(R2=0.947-0.993),能够同时识别TVB-N值和TBA值在贮藏期间的变化情况,可以作为一种低成本在线无损识别熏鸡腿货架期的方法。