基于機(jī)器視覺(jué)技術(shù)制作烤羊肉比色卡

　　摘 要：為建立一種能夠快速無(wú)損識(shí)別羊肉烤制過(guò)程中顏色變化的標(biāo)準(zhǔn)化方法，本研究基于機(jī)器視覺(jué)技術(shù)結(jié)合三種算法(均值算法、K-Means算法和K-Means+圖像降噪算法)制作烤羊肉顏色識(shí)別比色卡，對(duì)烤羊肉的顏色進(jìn)行在線監(jiān)測(cè)。結(jié)果表明，三種算法制作的比色卡均能呈現(xiàn)出羊肉烤制過(guò)程中的顏色變化。為明確三種比色卡的準(zhǔn)確率，研究采用K-medoids算法結(jié)合感官實(shí)驗(yàn)進(jìn)行比色卡顏色識(shí)別準(zhǔn)確率驗(yàn)證。其中利用K-medoids算法的比色卡識(shí)別準(zhǔn)確率驗(yàn)證結(jié)果顯示，均值算法準(zhǔn)確率為85.60%、 K-Means算法準(zhǔn)確率為95.70%、K-Means算法+圖像降噪算法準(zhǔn)確率為93.40%;感官實(shí)驗(yàn)的驗(yàn)證結(jié)果顯示，均值算法、K-Means算法、K-Means算法+圖像降噪算法的識(shí)別準(zhǔn)確率依次為67.32%、73.71%、 68.74%，對(duì)比發(fā)現(xiàn)K-Means算法制作的比色卡對(duì)烤羊肉顏色識(shí)別準(zhǔn)確率最高。研究證明比色卡可作為顏色評(píng)價(jià)標(biāo)準(zhǔn)，為燒烤肉制品加工提供指導(dǎo)依據(jù)，具有良好的應(yīng)用前景。

　　王博; 胡曉妍; 于芳珠; 劉登勇， 食品工業(yè)科技 發(fā)表時(shí)間：2021-09-24

　　關(guān)鍵詞：烤羊肉，比色卡，機(jī)器視覺(jué)，顏色，圖像識(shí)別

　　烤羊肉是我國(guó)傳統(tǒng)風(fēng)味肉制品，顏色棕黃，色澤油亮，肉香濃郁，深受消費(fèi)者喜愛(ài)[1]。隨著人們食品安全意識(shí)的提高和市場(chǎng)需求量增大，傳統(tǒng)加工方式已不能滿足人們的需要，工業(yè)化加工逐漸代替?zhèn)鹘y(tǒng)加工方式，并正在向標(biāo)準(zhǔn)、營(yíng)養(yǎng)、健康、智能的方向發(fā)展[2]，然而目前在工業(yè)化生產(chǎn)中能夠?qū)Ξa(chǎn)品質(zhì)量進(jìn)行及時(shí)、快速評(píng)價(jià)的標(biāo)準(zhǔn)化方法仍存在不足。烤羊肉作為傳統(tǒng)肉制品，色、香、味、形獨(dú)具特色[3]，消費(fèi)者往往通過(guò)這些特點(diǎn)來(lái)評(píng)價(jià)產(chǎn)品質(zhì)量。其中顏色是消費(fèi)者感官評(píng)價(jià)最直觀的指標(biāo)也是反映食品質(zhì)量的重要因素,不僅能表征食品的新鮮度，還是食品成熟度的重要指示因子，在食品加工及儲(chǔ)藏過(guò)程中也可以通過(guò)顏色變化及時(shí)發(fā)現(xiàn)食品品質(zhì)的改變，烤羊肉加工過(guò)程中顏色是用來(lái)判斷成熟度的重要依據(jù)[4-7]。因此建立一種能夠識(shí)別烤羊肉顏色的標(biāo)準(zhǔn)方法對(duì)于精準(zhǔn)控制其顏色，實(shí)現(xiàn)標(biāo)準(zhǔn)化生產(chǎn)具有很好的現(xiàn)實(shí)意義。比色卡是一種可進(jìn)行顏色對(duì)照識(shí)別，在一定范圍內(nèi)統(tǒng)一顏色標(biāo)準(zhǔn)的工具，目前在食品領(lǐng)域應(yīng)用較少，制作烤羊肉比色卡檢測(cè)顏色只需通過(guò)簡(jiǎn)單對(duì)比，操作方便準(zhǔn)確率高[8-9]。

　　比色卡制作要采集大量樣本的顏色信息，傳統(tǒng)顏色識(shí)別方法主要為儀器測(cè)定和感官評(píng)價(jià)，儀器測(cè)定結(jié)果準(zhǔn)確，但對(duì)樣品具有破壞性且成本較高;感官評(píng)價(jià)簡(jiǎn)單方便，但容易受外界因素影響且存在一定個(gè)人主觀性[10-11]。機(jī)器視覺(jué)是利用機(jī)器代替人眼，模擬人類(lèi)視覺(jué)功能的一項(xiàng)技術(shù)，通過(guò)圖像采集、信號(hào)轉(zhuǎn)換、數(shù)據(jù)處理分析等最終實(shí)現(xiàn)對(duì)物體的識(shí)別，可應(yīng)用于多種領(lǐng)域[12-13]。在肉類(lèi)食品中的應(yīng)用如：監(jiān)測(cè)碎肉在連續(xù)油炸過(guò)程中凝集增加的變化[14]、評(píng)估肉類(lèi)食品的質(zhì)量參數(shù)[15]、在線預(yù)測(cè)識(shí)別豬肉的顏色和大理石花紋[16]以及禽類(lèi)產(chǎn)品尺寸、質(zhì)量、體積的測(cè)定和分級(jí)分類(lèi)[17]等，方法智能新穎且具有識(shí)別速度快、準(zhǔn)確率高、不具破壞性等特點(diǎn)[18]。因此利用機(jī)器視覺(jué)技術(shù)對(duì)烤羊肉圖像進(jìn)行采集和處理，減少誤差提高比色卡準(zhǔn)確率[19]。

　　本研究以烤羊肉為實(shí)驗(yàn)?zāi)繕?biāo)，基于機(jī)器視覺(jué)技術(shù)制作烤羊肉顏色比色卡，實(shí)現(xiàn)對(duì)烤羊肉顏色的實(shí)時(shí)檢測(cè)，在生產(chǎn)過(guò)程中能夠及時(shí)控制產(chǎn)品質(zhì)量，研究為烤羊肉質(zhì)量評(píng)價(jià)管理提供了基礎(chǔ)依據(jù)。

　　1 材料與方法

　　1.1 材料與儀器

　　羊外脊 錫林郭勒盟羊羊牧業(yè)股份有限公司提供，羊品種為內(nèi)蒙古錫林郭勒盟蘇尼特羊(月齡 6 月，均重 30 kg)。

　　NB-HM3810 電烤箱 廈門(mén)建松電器有限公司;CR-400 色彩色差計(jì) 日本柯尼卡美能達(dá)公司;LED 迷你小型攝影棚 紹興上虞風(fēng)景戶外用品有限公司;VGA2USB 圖像采集卡 加拿大艾普飛公司;EOS-R6 照相機(jī) 日本佳能公司;HP ZHAN 66 R5-4500 筆記本電腦 中國(guó)惠普有限公司。

　　1.2 實(shí)驗(yàn)方法

　　1.2.1 樣品制備 購(gòu)買(mǎi)排酸成熟 24 h 后的新鮮羊肉于 4 ℃條件下運(yùn)回實(shí)驗(yàn)室冷凍保存。實(shí)驗(yàn)前將冷凍的羊肉放置室溫解凍 1 h，去除筋膜和多余脂肪，制備規(guī)格均為長(zhǎng)×寬×厚 20 mm×20 mm×10 mm 的肉樣，利于羊肉烤制過(guò)程中成熟度一致。待肉完全解凍，表面溫度升至室溫后置于烤盤(pán)，放入上下溫度 220 ℃電烤箱中。通過(guò)控制烤制時(shí)間獲得羊肉在烤制過(guò)程中的所有顏色變化，經(jīng)預(yù)實(shí)驗(yàn)得出，本實(shí)驗(yàn)所用電烤箱在羊肉烤制 25 min 時(shí)，表面已經(jīng)出現(xiàn)焦糊，因此選取烤制時(shí)間范圍為 0~25 min。每分鐘烤制 15 塊羊肉共 390 塊，得到試驗(yàn)樣品。

　　1.2.2 比色卡制作方法 為確定烤制過(guò)程中所有顏色的變化，選擇 0~25 min 共 26 個(gè)時(shí)間點(diǎn)的烤羊肉樣本進(jìn)行圖像采集，并對(duì)采集圖像進(jìn)行預(yù)處理來(lái)提高質(zhì)量，讀取預(yù)處理后的圖像信息，利用算法將圖像信息轉(zhuǎn)化為計(jì)算機(jī)可識(shí)別的顏色參數(shù)繼而建立比色卡。

　　1.2.2.1 圖像采集 圖像采集均由圖 1 所示自主設(shè)計(jì)的圖像采集裝置獲取，該裝置主要由照相機(jī)、圖像儲(chǔ)存卡、燈板、攝影棚、背景板及計(jì)算機(jī)組成。其中燈板、背景板及相機(jī)固定在攝影棚內(nèi)。將相機(jī)在采集效果最佳的高度固定，采集的圖像通過(guò)圖像儲(chǔ)存卡傳輸?shù)诫娔X，從而獲取烤羊肉樣品圖像。

　　1.2.2.2 圖像預(yù)處理 由于圖像采集裝置在進(jìn)行烤羊肉圖像采集時(shí)會(huì)受到外界因素干擾，影響圖像真實(shí)特征信息的提取，進(jìn)而影響顏色識(shí)別效果，因此需要對(duì)采集的圖像進(jìn)行預(yù)處理。圖像預(yù)處理可以在不實(shí)質(zhì)性增加圖像數(shù)量的情況下使圖像增廣，讓有限的圖像產(chǎn)生一些相似又不完全相同的樣本。常用的圖像預(yù)處理方法有以下幾種：圖像濾波、幾何變換、圖像增強(qiáng)、圖像復(fù)原等[20]。本研究采用以下四種預(yù)處理方式：隨機(jī)對(duì)比度調(diào)整、隨機(jī)亮度調(diào)整、隨機(jī)旋轉(zhuǎn)調(diào)整、隨機(jī)縮放調(diào)整[21]。

　　1.2.2.3 構(gòu)建圖像識(shí)別模型 利用 Xception-CNN 模型處理獲取烤羊肉圖像，處理流程如圖 2 所示。模型的最后一層為全連接層，負(fù)責(zé)整個(gè)神經(jīng)網(wǎng)絡(luò)的輸出，通過(guò) Softmax 激活函數(shù)得到最終的輸出。損失函數(shù)(Loss function，簡(jiǎn)稱(chēng) Loss)用來(lái)評(píng)價(jià)模型的預(yù)測(cè)值和真實(shí)值不同的程度，解決回歸任務(wù)的基礎(chǔ)函數(shù)為均方誤差損失函數(shù)(MSE)。

　　MSE 表示如式(1)所示

　　其中，n 表示一個(gè) Batch 中的樣本數(shù)量;y 表示期望輸出;y’表示實(shí)際輸出。

　　1.2.2.4 制作比色卡 機(jī)器視覺(jué)技術(shù)采集樣品圖像，將樣品圖像信息轉(zhuǎn)化為計(jì)算機(jī)可以識(shí)別的參數(shù)，再利用算法處理圖像信息進(jìn)而制作比色卡。常規(guī)算法處理的數(shù)據(jù)，會(huì)出現(xiàn)計(jì)算機(jī)難以將數(shù)據(jù)換算為可識(shí)別的顏色參數(shù)的情況，本研究采用均值算法、K-Means 算法和 K-Means+圖像降噪三種算法，能夠解決這一問(wèn)題對(duì)圖像進(jìn)行有效處理，處理后能較好地呈現(xiàn)出樣品顏色信息[22]。

　　利用均值算法[23]制作比色卡：通過(guò)計(jì)算全局的 RGB 均值得到該圖像的主色調(diào)，將圖像劃分為若干個(gè)小塊，用大小為 32×32 的滑塊遍歷每塊圖像，計(jì)算每個(gè)色塊的 RGB 值，得到 32×32 區(qū)域的像素塊均值，最后由局部的 RGB 均值逐漸變?yōu)槿值?RGB 均值，即為該烤羊肉圖像的顏色數(shù)值，將數(shù)值轉(zhuǎn)換為對(duì)應(yīng)顏色，再將對(duì)應(yīng)的顏色按照烤制時(shí)間排序，即可得到均質(zhì)算法制作的比色卡。該算法原理簡(jiǎn)單，實(shí)現(xiàn)起來(lái)比較容易，聚類(lèi)的效果比較好，在可解釋性方面較強(qiáng)，再調(diào)整參數(shù)時(shí)只需調(diào)整簇的個(gè)數(shù)即可。

　　利用 K-Means 算法[24]制作比色卡：將 26 組圖像經(jīng)過(guò)像素塊遍歷得到的顏色信息作為數(shù)據(jù)集，在各個(gè)數(shù)據(jù)集中生成質(zhì)心，共形成 26 個(gè)時(shí)間段的質(zhì)心。選取在烤羊肉圖像的顏色參數(shù)范圍內(nèi)的 26 個(gè)與顏色參數(shù)相同維度的質(zhì)心，分別計(jì)算每一個(gè)顏色數(shù)據(jù)到 26 個(gè)質(zhì)心的距離(歐氏距離)，使每個(gè)數(shù)據(jù)分組于距離最近的質(zhì)心。更新質(zhì)心的位置重新計(jì)算，經(jīng)過(guò)不斷重復(fù)計(jì)算直到質(zhì)心位置不發(fā)生變化或只發(fā)生微小的變化，提取質(zhì)心周?chē)?lèi)簇群所對(duì)應(yīng)的 RGB 信息值并做均值處理，可以得到這 26 個(gè)時(shí)間段的 RGB 信息，根據(jù)烤制時(shí)間進(jìn)行排列即可得到 K-Means 算法制作的比色卡。該算法在處理大的數(shù)據(jù)集時(shí)是相對(duì)可擴(kuò)展的，并且具有較高的效率。

　　利用 K-Means 算法+圖像降噪處理[25]制作比色卡：由于羊肉會(huì)存在一些難以剝離的肌內(nèi)脂肪，使烤羊肉表面顏色識(shí)別產(chǎn)生誤差，使得部分圖像不能完全代表烤羊肉實(shí)際的顏色，這些質(zhì)量較差的圖像即為聚類(lèi)中的噪聲數(shù)據(jù)和異常數(shù)據(jù)，影響分類(lèi)準(zhǔn)確率。因此在 K-Means 算法的基礎(chǔ)上提出通過(guò)自動(dòng)替換，將噪聲數(shù)據(jù)和異常數(shù)據(jù)替換為周邊的正常數(shù)據(jù)。該方法能夠有效的去除異常數(shù)據(jù)，有利于提高比色卡的準(zhǔn)確度。

　　1.2.3 比色卡識(shí)別準(zhǔn)確率驗(yàn)證 由于比色卡均通過(guò)算法制作，驗(yàn)證比色卡準(zhǔn)確率時(shí)若單獨(dú)采用算法驗(yàn)證可能會(huì)出現(xiàn)泛化性差的問(wèn)題[26]，若單獨(dú)采用感官驗(yàn)證可能存在主觀性影響實(shí)驗(yàn)結(jié)果，所以本研究采用 K-medoids 算法結(jié)合感官實(shí)驗(yàn)驗(yàn)證三種比色卡的準(zhǔn)確率。 K-medoids 算法區(qū)別于制作比色卡的三種算法，使驗(yàn)證方法統(tǒng)一，利于驗(yàn)證結(jié)果準(zhǔn)確。

　　1.2.3.1 算法驗(yàn)證 利用 K-medoids 算法[27]驗(yàn)證比色卡準(zhǔn)確率，將測(cè)試集樣本圖片劃分若干個(gè)區(qū)域，用大小為 5×5 的滑塊對(duì)每個(gè)區(qū)域的 RGB 值進(jìn)行均值處理，從中隨機(jī)選 26個(gè)點(diǎn)作為初始的類(lèi)簇群區(qū)域中心點(diǎn)，其余點(diǎn)按與這 26 個(gè)點(diǎn)的最小距離分配到對(duì)應(yīng)最近的類(lèi)簇群，以此類(lèi)推，比較每個(gè)樣本到類(lèi)簇群中心點(diǎn)的距離，將樣本劃分到最近的類(lèi)別中，在新組成的類(lèi)別中重新計(jì)算中心點(diǎn)，直到 26 個(gè)中心點(diǎn)不再變化為止，最終得到 26 個(gè)類(lèi)簇群的 RGB 值，將 26 個(gè)類(lèi)簇群的 RGB 值與三種算法識(shí)別的 RGB 值進(jìn)行對(duì)比，進(jìn)行比色卡準(zhǔn)確率的評(píng)價(jià)。

　　1.2.3.2 感官實(shí)驗(yàn) 制備 0~25 min 的烤羊肉樣品，根據(jù) GB /T16291.1-2012[28]培訓(xùn)和篩選出 15 名感官評(píng)定員，其中男生 6 名，女生 9 名，平均年齡為 24 周歲，身體健康、無(wú)色盲、能有效辨別色差。

　　喜好度評(píng)價(jià)：根據(jù)以上方法選定感官評(píng)價(jià)員結(jié)合 A.N[29]等方法加以修改，經(jīng)過(guò)預(yù)實(shí)驗(yàn)結(jié)果可知，烤制 10 min 后的羊肉中心溫度達(dá)到 75 ℃，為可食用的狀態(tài)[30]。因此評(píng)價(jià)樣品為 11~25 min 的烤羊肉樣品，并根據(jù)九點(diǎn)感官評(píng)價(jià)法(表 1)對(duì)烤羊肉的顏色進(jìn)行打分[31]。

　　準(zhǔn)確率檢驗(yàn)：26 個(gè)樣品背面標(biāo)記烤制時(shí)間，將順序打亂后隨機(jī)放置;感官評(píng)定員參照三種算法制作的比色卡為 26 個(gè)樣品評(píng)定烤制時(shí)間，每種比色卡評(píng)定完成后間隔 10 min，根據(jù)感官實(shí)驗(yàn)數(shù)據(jù)對(duì)比真實(shí)數(shù)據(jù)得到 3 種比色卡的感官實(shí)驗(yàn)準(zhǔn)確率，重復(fù) 3 次，以準(zhǔn)確率平均值作為實(shí)驗(yàn)結(jié)果。規(guī)則同上，感官評(píng)定員未用比色卡直接對(duì)樣品進(jìn)行烤制時(shí)間的評(píng)定，結(jié)果與利用比色卡評(píng)定烤制時(shí)間的準(zhǔn)確率進(jìn)行對(duì)比，以此判斷比色卡的應(yīng)用效果。

　　1.3 數(shù)據(jù)處理

　　本研究統(tǒng)計(jì)分析的實(shí)驗(yàn)環(huán)境為 Python3.7，主要使用了 Python 的第三方擴(kuò)展模塊 “Pylab”和“Matplotlib”繪制圖像、使用“Numpy”進(jìn)行高維度矩陣計(jì)算、使用和“Keras”、 “Tensorflow”開(kāi)源深度學(xué)習(xí)框架搭建模型。使用“Scikit-learn”開(kāi)源的機(jī)器學(xué)習(xí)模塊對(duì)模型進(jìn)行評(píng)估和分析，采用 Origin9.0 和 IBM Spss Statistics26.0 軟件對(duì)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)處理。

　　2 結(jié)果與分析

　　2.1 圖像采集結(jié)果

　　每塊烤羊肉采集 4 張圖像，共采集烤羊肉樣品圖像 1560 張，均為 384×384 格式，采用 1.2.2.2 方法進(jìn)行圖像預(yù)處理后，共獲得 6240 張圖像，定義為數(shù)據(jù)集 Roast Mutton，將其按 8：2 隨機(jī)分配為訓(xùn)練集與測(cè)試集，訓(xùn)練集中包含 4992 張圖片用于構(gòu)建和優(yōu)化試驗(yàn)?zāi)Ｐ停瑴y(cè)試集為剩余的 1248 張圖片，用于測(cè)試模型的準(zhǔn)確性，樣品圖像以圓形輸出。

　　2.2 圖像預(yù)處理結(jié)果

　　烤羊肉的局部圖像經(jīng)過(guò)隨機(jī)亮度調(diào)整、隨機(jī)圖像縮放調(diào)整、隨機(jī)對(duì)比調(diào)整和隨機(jī)旋轉(zhuǎn)調(diào)整等方法進(jìn)行預(yù)處理后，結(jié)果如圖 3 所示。從圖中可以看出，在不改變圖像原本屬性的前提下，隨機(jī)對(duì)比度與隨機(jī)亮度的調(diào)整使烤羊肉圖像亮度產(chǎn)生差異，改善圖像質(zhì)量，并且可以增強(qiáng)局部細(xì)節(jié);經(jīng)過(guò)隨機(jī)旋轉(zhuǎn)和隨機(jī)縮放調(diào)整后，改變了圖像的原有位置、方向和量級(jí)，相當(dāng)于一幅新的圖像，進(jìn)而衍生出了更多有利于提升測(cè)試結(jié)果的準(zhǔn)確率的訓(xùn)練樣本。將預(yù)處理后的烤羊肉圖像部分代替原圖作為展示圖，能更好地展現(xiàn)圖像預(yù)處理的效果。

　　2.3 模型識(shí)別

　　損失函數(shù)對(duì) Xception-CNN 模型訓(xùn)練集樣本訓(xùn)練結(jié)果表明，Xception-CNN 模型在訓(xùn)練過(guò)程中隨迭代次數(shù)增加，Loss 值逐漸下降，訓(xùn)練軌跡收斂性良好。一般情況下，訓(xùn)練過(guò)程中的 Loss 值越小表明模型的準(zhǔn)確率越高，總體性能越好。所以 Xception-CNN 對(duì)不同顏色的烤羊肉圖像具有較高識(shí)別準(zhǔn)確率，可以用于處理獲取烤羊肉圖像。

　　2.4 比色卡建立

　　2.4.1 均值算法制作的比色卡 均值算法制作比色卡的主要過(guò)程如圖 4(A)所示，首先使用大小為 32×32 的滑塊遍歷烤羊肉原圖，得到 32×32 區(qū)域的 RGB 均值像素塊，再將區(qū)域 RGB 均值像素塊大小逐漸增加至 64×64→94×94，最后由局部的 RGB 均值逐漸變?yōu)槿值?RGB 均值。在遍歷所有圖像得到烤制時(shí)間 0~25 min 共 26 個(gè)時(shí)間段的樣品圖像顏色后，將各個(gè)烤制時(shí)間段的圖像顏色按烤制時(shí)間依次排列，得到的即為均值算法制作的比色卡，結(jié)果如圖 5(A)所示。

　　2.4.2 K-Means 算法制作的比色卡 K-Means 算法制作比色卡的具體過(guò)程[24]如圖 4(B)所示，在每塊烤羊肉樣品圖像上獲取 10 個(gè)如“原圖”所示的 5×5 像素塊后，每個(gè)像素塊利用大小為 2×2、長(zhǎng)為 1 的小滑塊進(jìn)行遍歷，遍歷結(jié)束后每個(gè) 5×5 像素塊可以得到 16 個(gè)包含 4 個(gè) RGB 信息的 2×2 小滑塊，將每個(gè)小滑塊進(jìn)行 RGB 均值提取。經(jīng)處理后根據(jù)烤制時(shí)間進(jìn)行排列即可得到 K-Means 算法制作的比色卡，結(jié)果如圖 5(B)所示。

　　2.4.3 K-Means 算法+圖像降噪處理制作的比色卡 本研究通過(guò) 4 種方式對(duì)圖像進(jìn)行預(yù)處理，但由于噪聲數(shù)據(jù)和異常數(shù)據(jù)會(huì)使數(shù)據(jù)邊界偏移，影響聚類(lèi)效果。因此，研究利用圖像降噪處理方法對(duì)烤羊肉圖像做進(jìn)一步處理[32]。通過(guò)機(jī)器學(xué)習(xí)，將 K-Means 同類(lèi)簇中心點(diǎn)覆蓋到 RGB 值過(guò)低和過(guò)高的部分并自動(dòng)替換成顏色正常的部位。如圖 4(C)所示，192×192 區(qū)域由于表面不平整導(dǎo)致 RGB 值差別較大，則將該部分 RGB 值替換為類(lèi)簇中心點(diǎn)值以去除異常數(shù)據(jù)。K-Mean 算法+圖像降噪處理比色卡制作過(guò)程同 K-Means 算法，結(jié)果如圖 5(C)所示。

　　2.4.4 比色卡識(shí)別準(zhǔn)確率驗(yàn)證結(jié)果 利用上述均值算法、K-Means 算法、K-Means 算法 +圖像降噪對(duì)數(shù)據(jù)集進(jìn)行處理，生成的比色卡 RGB 值依次如圖 6A~圖 6C 所示。

　　由圖 6A~圖 6C 可知在 0~25 分鐘的 26 個(gè)時(shí)間點(diǎn)內(nèi)，均值算法的 RGB 值與 K-Means 算法的 RGB 值始末狀態(tài)區(qū)間波動(dòng)較小，呈相對(duì)平穩(wěn)的梯度變化;而 K-Means 算法+圖像降噪處理后的 RGB 值波動(dòng)較大，R 值在 13 分鐘后迅速減小，尤其是在 16 分鐘后呈現(xiàn)明顯下降的趨勢(shì)，原因是圖像降噪處理去除大量的噪聲信息。根據(jù)三種比色卡的 RGB 值和對(duì)應(yīng)的烤制時(shí)間做多元線性回歸分析，結(jié)果如表 2 所示。由表可知 K-Means 算法建立的方程擬合效果好(R2=0.962)，均值算法和 K-Means+圖像降噪處理的方程擬合效果一般(R2=0.790，R2=0.714)，K-Means 算法能夠更好的反映烤制時(shí)間和對(duì)應(yīng)圖像顏色信息之間的關(guān)系。

　　2.4.4.1 算法驗(yàn)證結(jié)果 樣本數(shù)據(jù)分層取樣建立驗(yàn)證集并獲得對(duì)應(yīng)的三種驗(yàn)證比色卡，并使用 K-medoids 算法處理得到驗(yàn)證集比色卡的 RGB 值;然后將三種比色卡的 RGB 值與其值對(duì)比，從而對(duì)三種比色卡的準(zhǔn)確率進(jìn)行檢驗(yàn)。K-medoids 算法驗(yàn)證結(jié)果如表 3 所示。由表可知，比色卡的算法識(shí)別準(zhǔn)確率分別為均值算法 85.60%、K-Means 算法 95.70%以及 K-Means 算法+圖像降噪處理 93.40%。

　　2.4.4.2 感官驗(yàn)證結(jié)果

　　感官喜好度評(píng)價(jià) 烤羊肉的感官喜好度評(píng)分結(jié)果如圖 7 所示。由圖可知，烤羊肉的顏色喜好度評(píng)分呈現(xiàn)先上升后下降的趨勢(shì)，從 11 min 開(kāi)始評(píng)分逐漸升高，因?yàn)檠蛉庠诖穗A段隨烤制時(shí)間延長(zhǎng)顏色逐漸由淺棕色變?yōu)辄S棕色，14 min 時(shí)評(píng)分最高，顏色喜愛(ài)度最高;羊肉烤制 15 min 后顏色喜好度評(píng)分開(kāi)始下降，烤制 25 min 時(shí)評(píng)分最低，因?yàn)樵?15~20 min 階段羊肉顏色進(jìn)一步加深，20 min 后逐漸出現(xiàn)焦糊現(xiàn)象，所以 20 min 后的評(píng)分普遍較低。

　　驗(yàn)證比色卡識(shí)別準(zhǔn)確率結(jié)果 感官實(shí)驗(yàn)驗(yàn)證結(jié)果如表 3 所示，比色卡的感官識(shí)別準(zhǔn)確率分別為均值算法 67.32%、K-Means 算法 73.71%和 K-Means 算法+圖像降噪處理 68.74%。結(jié)合圖 8，三種比色卡的感官識(shí)別準(zhǔn)確率在 14 min 和 15 min 不理想，原因是烤制 14 min 和 15 min 的羊肉處于成熟階段，呈棕黃色差別并不明顯，因此感官評(píng)定員對(duì)此時(shí)間段的顏色難以區(qū)分。為此，本研究將烤制 14 min 和 15 min 的感官數(shù)據(jù)去除后重新計(jì)算準(zhǔn)確率，結(jié)果顯示，均值算法制作的比色卡感官識(shí)別準(zhǔn)確率為 71.25%、K-Means 算法為 78.86%、K-Means 算法+圖像降噪處理為 72.30%。感官驗(yàn)證試驗(yàn)的準(zhǔn)確率順序與算法驗(yàn)證的準(zhǔn)確率順序相符合(K-Means 算法>K-Means 算法+圖像降噪處理>均值算法)，結(jié)果表明 K-Means 算法的識(shí)別效果準(zhǔn)確率最高。

　　將未用比色卡進(jìn)行烤制時(shí)間驗(yàn)證的準(zhǔn)確率與利用三種比色卡對(duì)照識(shí)別烤制時(shí)間的準(zhǔn)確率結(jié)果進(jìn)行對(duì)比。如圖 8 所示，未用比色卡識(shí)別烤制時(shí)間的準(zhǔn)確率，在 9~24 min 時(shí)低于均值算法比色卡;在 1~25 min 時(shí)低于利用 K-Means 算法比色卡;在 8~25 min時(shí)低于 K-Means+圖像降噪處理算法比色卡，結(jié)果表明烤制后期羊肉表面顏色變化迅速，借助比色卡能夠在一定程度上提高對(duì)羊肉烤制時(shí)間的識(shí)別準(zhǔn)確率。

　　3 結(jié)論

　　本文采用機(jī)器視覺(jué)技術(shù)建立烤羊肉顏色識(shí)別比色卡，對(duì)烤羊肉的顏色進(jìn)行快速識(shí)別，并對(duì)識(shí)別準(zhǔn)確性進(jìn)行了驗(yàn)證。結(jié)果表明：三種比色卡都能夠呈現(xiàn)出良好的顏色梯度變化，反映羊肉烤制過(guò)程中的顏色變化，其中 K-Means 算法比色卡經(jīng) K-medoids 算法驗(yàn)證準(zhǔn)確率為 95.70%，感官驗(yàn)證準(zhǔn)確率為 73.71%，效果在三種比色卡中最好，與烤制時(shí)間的相關(guān)性也最強(qiáng)，所以 K-Means 算法制作的比色卡感官屬性更好。綜合來(lái)看，制作烤羊肉比色卡可以將羊肉烤制過(guò)程中所有可能出現(xiàn)的顏色直觀的呈現(xiàn)出來(lái)，表明基于機(jī)器視覺(jué)技術(shù)制作比色卡具有良好的可行性。顏色能夠反應(yīng)產(chǎn)品信息，在加工過(guò)程中可通過(guò)比色卡對(duì)烤羊肉成熟度進(jìn)行對(duì)比判斷，也可以將比色卡作為消費(fèi)者對(duì)烤羊肉顏色喜愛(ài)度的評(píng)價(jià)標(biāo)準(zhǔn)，便于商家調(diào)查分析各類(lèi)消費(fèi)群體對(duì)產(chǎn)品的成熟度等不同需求，及時(shí)對(duì)產(chǎn)品進(jìn)行調(diào)整;在生產(chǎn)生活中，比色卡可作為質(zhì)量評(píng)價(jià)依據(jù)，對(duì)烤羊肉及時(shí)進(jìn)行監(jiān)測(cè)、控制烤制時(shí)間，使產(chǎn)品擁有良好的感官特性，方便商家以及消費(fèi)者在生產(chǎn)、消費(fèi)過(guò)程中進(jìn)行質(zhì)量檢查，為產(chǎn)品顏色識(shí)別和感官評(píng)定提供參考依據(jù)。研究發(fā)現(xiàn)比色卡可在一定程度上反映出烤羊肉的成熟度，烤羊肉的成熟度是導(dǎo)致其顏色變化的重要因素，因此可基于本研究方法，針對(duì)比色卡與烤羊肉成熟度之間的關(guān)系等方面展開(kāi)進(jìn)一步系統(tǒng)研究。