论文部分内容阅读
大黄鱼（Pseudosciaena crocea）是我国四大经济鱼类之一,其含水量高,肉质鲜美,营养极为丰富,素有“国鱼”的美称。然而,大黄鱼在捕捞、生产到销售过程中极易发生鲜度变化,从而造成营养流失和经济损失。因此,对大黄鱼新鲜度的检测是保证大黄鱼品质的重要手段。传统新鲜度检测方法专业性强,检测周期长,且难以保证样品完整性,因而开发一种快速、准确的无损检测手段来判别大黄鱼新鲜度显得尤为重要。以智能手机采集图像为代表的机器视觉系统可模拟人眼采集图像,此方法不受人眼评定的主观因素影响且不接触样品。以残差神经网络为代表的深度学习可以分析图像内在特征,可以快速获取分类结果并具有较高的精度。本研究对大黄鱼鲜度变化规律与感官评价进行相关性研究,运用斯皮尔曼相关性分析方法筛选出影响感官评价的主要理化指标。进一步通过机器视觉系统采集了不同贮藏温度下的大黄鱼图片,并结合34层残差神经网络（ResNet-34）模型对大黄鱼的新鲜度图像进行识别和分类。同时开发了基于ResNet-34的冷鲜大黄鱼新鲜度图像识别应用程序,用户可通过简单操作在线获取大黄鱼的新鲜度。本文主要研究结果如下:首先,本文研究了不同贮藏温度下（0℃、4℃、10℃、15℃、25℃）冷鲜大黄鱼鲜度变化（pH、TVC、TBA、TMA、TVB-N）规律与感官评分的相关性。斯皮尔曼相关性分析表明感官评价与TVB-N的相关性系数最高,在4℃、10℃、25℃下相关性系数分别达到0.987、0.978、0.984。因此,TVB-N是影响感官评价的主要因素。其次,本研究构建了基于ResNet-34的大黄鱼新鲜度识别模型。将不同贮藏温度下采集的图像按照TVB-N划分两个新鲜度等级（一级新鲜度和二级新鲜度）,之后将图像送入模型进行训练,分析模型的分类准确率。结果表明,模型对不同贮藏温度下（0℃、4℃、10℃、15℃、25℃）大黄鱼新鲜度识别准确率均在0.85以上,说明ResNet-34对大黄鱼新鲜度的判别具有较高的准确率。为了进一步评估模型分类准确的有效性,对模型的性能参数F1-score进行评估,F1-score结果数值均大于0.80（除混合整体一级鲜度的识别F1-score为0.76）。就整体效果而言残差神经网络（ResNet-34）对大黄鱼不同新鲜度图像识别性能较好,可以有效的识别大黄鱼不同的鲜度图像（一级鲜度和二级鲜度）。同时,模型可视化图像表明ResNet-34成功提取到了大黄鱼新鲜度图像里有效的关键信息,而忽视了背景信息。最后,基于上述研究结果,本研究构建了基于ResNet-34的冷鲜大黄鱼新鲜度图像识别应用程序,通过Java语言编写代码并设计程序的主要四个模块（使用权限获取模块、图像拍摄模块、新鲜度识别模块、结果展示模块）,并将ResNet-34模型部署于Tensor Flow Serving中。通过程序测试结果表明,程序对整体、鱼鳃、鱼身识别准确率分别可以达到90%、92%、86%,结果说明本程序的可靠性,可以有效的识别大黄鱼不同鲜度图像,用户通过简单的操作即可获得大黄鱼新鲜度等级。