CC BY
30
Научни трудове на Съюза на учените в България - Пловдив. Серия В. Техника и технологии. Том XVII, ISSN 1311 -9419 (Print); ISSN 2534-9384 (Online), 2019. Scientific Works of the Union of Scientists in Bulgaria - Plovdiv. Series C. Technics and Technologies. Vol. XVII., ISSN 1311 -9419 (Print); ISSN 2534-9384 (Online), 2019
ПРИЛОЖЕНИЕ НА КОМПЮТЪРНОТО ЗРЕНИЕ ПРИ ОПРЕДЕЛЯНЕ КАЧЕСТВОТО НА СИРЕНЕ
Атанаска Босакова-Арденска,Ангел Данев, Лена Костадинова-Георгиева Университет по Хранителни Технологии - Пловдив
APPLICATION OF COMPUTER VISONFOR CHEESEQUALITY EVALUATIONS ON VIEW
Atanaska Bosakova-Ardenska, Angel Danev, Lena Kostadinova-Georgieva University of F oodTechnologies - Plovdiv
Abstract
In recent years computer technologies are evolving rapidly and they are coming most important part of many systems such as quality control, education systems, industry systems and etc. Quality control of food products is very important because it directly affects to the human health and quality of life. A lot of researches are done last years for improving the systems for food quality control. Cheese is a popular milk product and it is also an object of researches for quality control using computer technologies. Some parameters of cheese quality are traditionally examined by experts using organoleptic evaluation procedure. Performance of this procedure is related to sensory evaluation using human vision, smell and taste. In order to support experts for visual examination of cheese, computer vision technology could be applied. This paper presents a review of possibilities for cheese quality evaluation using computer vision.
Keywords: cheese quality, computer vision, organoleptic evaluation.
Въведение
Млякото е ценен животински продукт, с висока хранителна стойност за човека и е незаменима суровина в хранителната промишленост. Освен за консумация в течно състояние, млякото се използва за производството на млечни продукти, като например различни видове сирена и кашкавали. Типичен представител от групата на млечните продукти е сиренето. Като начин за консервиране/съхранение на млякото за по-дълъг период, процесът на трансформация на млякото от течна в полутвърда форма - сирене, е бил известен още в дълбока древност (Walther B. at all., 2008).
Отглеждането на млекодайни животни, с цел добиване на мляко и производство на млечни продукти, е широко разпространен отрасъл от селското стопанство в цял свят. Производството на млечни продукти, като кисело мляко, сирена и кашкавали получени от различни видове млека, е важна част от млечния сектор на хранителната промишленост в ЕС, където България е една от водещите държави с добре изразена експортна дейност на млечни продукти (Ministry of Agriculture, Food and Forestry, 2018). Като основна суровина за производството на млечни продукти се използват следните промишлено значими млека:
краве, овче, козе и биволско (Edgarian M. & P. Panayotov, 2012). В наши дни, консумацията на млечни продукти, в частност сирене, е широко разпространена в цял свят. Съществуват различни технологии за преработка на млякото и производство на млечни продукти, в зависимост от страната и региона, в който се отглеждат млекодайните животни. Чрез преработката на суровото мляко и превръщането му в млечни продукти, се постига съхраняване на всички полезни за човешкия организъм микроорганизми, ензими и протеини, за по-дълго време (Walther B. at all., 2008). Сиренето притежава висока енергийна, хранителна и биологична стойност за човека. В състава на сирената се включват множество полезни за човека витамини, като например: витамините от групите А и D, които са мастноразтворими; водоразтворимите витамини от групата B (B2 и B6) и други. Чрез консумацията на зрели видове сирена, каквото е Българското бяло саламурено сирене, човек си осигурява необходимите количества незаменими аминокиселини (Edgarian M. & P. Panayotov, 2012).
Според статистически изследвания, проведени в Република България през 2015г., общото преработено количество сурово мляко е около 523 млн. литра, от което 94% е краве, 3.6% - овче, 1.5% - козе и 0.6% - биволско (Ministry of Agriculture, Food and Forestry, 2018). От млечните продукти произвеждани в България най-голямо е количеството на произвежданото бяло саламурено сирене, кисело мляко и пакетирано прясно мляко. През 2015г. количеството на произвежданото в България бяло зряло саламурено сирене е достигнало до 67 718 тона (Ministry of Agriculture, Food and Forestry, 2018). Според статистически данни от НСИ 2017, тенденцията при консумацията на сирене и кашкавал в България за периода 2010 - 2016г. запазва устойчиво ниво, за разлика от консумацията на прясно мляко. По данни от НСИ за 2016г. България изнася средно около 1/3 от годишното си производство на бяло саламурено сирене, като за същата година са изнесени сирене и извара с общ обем от 25 307 тона и на стойност от 93,812 млн. долара. Голямото търсене на качествено бяло саламурено сирене в България и извън страната, са предпоставка за непрекъснато усъвършенстване на технологичните производствени процеси и внедряването на иновативни методи за контрол на качеството на произвежданите сирена.
В зависимост от страната, региона на производство и типа на крайния продукт, съществуват различни стандарти за определяне качеството на промишлено произвежданите млечни продукти. Показателите на качеството на българското бяло саламурено сирене се контролират от стандарти, отнасящи се както до типа на суровините, използвани за производство на зряло саламурено сирене от краве, овче, козе или биволско мляко (БДС 15:2010), така и до различни органолептични параметри, характеристики и показатели на млечните продукти (БДС 15612-83). Съществуват и редица други стандарти и стандартизирани методологии за оценяване състава на българските млечни продукти. Такива стандарти са например: БДС 1111-80 - за определяне на киселинността в млякото и млечните продукти; БДС 8274-82 описващ стандартизирани методи за определяне на количеството NaCl в млякото и млечните продукти; BDS EN ISO 8968-1 - описващ метод за определяне на количеството азот в млякото и млечните продукти и др.
Съвременни тенденции при проследяване показателите на качеството на сирена
С развитието на компютърната техника и появата на нови изследвания в областта на компютърното зрение, се увеличават възможностите за прилагане на методите и алгоритмите за цифрова обработка на изображения в процесите по обективно окачествяване. Направени са изследвания за приложение на компютърно зрение в процесите по окачествяване на сирене и други хранителни продукти. Успешно са разработени и адаптирани автоматизирани системи за бързо и безконтактно окачествяване на хранителни продукти като месо и риба, сирене, хляб и хлебни изделия, зеленчуци и плодове, зърнени храни и други (Brosnan T. & Da-Wen Sun, 2004; Da-Wen Sun, 2008). Системите за безконтактно окачествяване на хранителни продукти, базирани на методите на компютърно зрение, използват камера и компютърни технологии за получаване на
първичната информация, която се обработва и резултатите се интерпретират. Използването на системи за компютърно зрение при окачествяване на храни има следните предимства: обективност, възпроизводимост, бърза обработка на данните и ефективност на разходите.
Използването на съвременни компютърни технологии и автоматизирани системи за оценяване на органолептичните показатели предоставя възможност за надежден и обективен мониторинг на качеството на различни хранителни продукти. В зависимост от особеностите на проследявания параметър на качеството на сирене могат да се използват различни цветови модели (системи) - RGB, HSI, HSV, L*a*b* и други. В таблица 1 са представени в обобщен вид параметрите свързани с проследяване качеството на различни видове сирена.
Таблица 1. Показатели за качество на сирене, определяни чрез обработка на изображения
Вид сирене Параметър Литературен източник
Кашкавал /yellow cheese/ Степен на замърсяване на повърхността с плесени (Mladenov M. at all., 2015) (Vasilev M., 2016)
Чедър, Ементал, Рагусано /Cheddar, Emmental, Ragusano/ Наличие на газови шупли и накъсвания (Caccamo M at all., 2004)
Площ, заемана от кристали калциев лактат върху повърхността (Rajbhandari P. & Kindstedt PS, 2005)
Степен на разтапяне и степен на запичане (Wang H. & Da-Wen Sun, 2001) (Hai-Hong Wang & Da-Wen Sun, 2002) (Hai-Hong Wang & Da-Wen Sun, 2003)
Моцарела /Mozzarella/ Степен на разтапяне и степен на запичане (Hai-Hong Wang & Da-Wen Sun, 2002) (Hai-Hong Wang & Da-Wen Sun, 2003) (Xixiu Ma, 2013)
Бяло саламурено сирене (от краве, овче или козе мляко) Степен на замърсяване на повърхността с плесени (Mladenov M. at all., 2015)
Структура на разрезната повърхност (Boyanova P. at all., 2012) (Bosakova-Ardenska A. at all., 2014) (Bosakova-Ardenska A. at all., 2015) (Bosakova-Ardenska A. at all., 2017) (Danev A. at all., 2018) (Vasilev M., 2016) (Ganchovska V. at all., 2012)
Меки сирена с добавки за подобряване на вкуса (подправки, зеленчуци и др.) Разпределение и количество на добавките по повърхността (Jelinski T. at all., 2007)
Анализ на възможностите за използване на Цветова система RGB
Да-Уен Сън (Da-Wen Sun, 2000) предлага подход за автоматично окачествяване на пици с изследване на две характеристики- процентно съдържание и разпределение на добавките, в това число и кашкавал. За идентификация на различните хранителни продукти, добавени върху пицата, е използван нов метод за сегментация на входните изображения, базиран на региони (region-based segmentation) в комбинация с известни алгоритми за бинаризиране и сегментация чрез откриване на ръбове (edge-based
segmentation). Използвана е опитна постановка включваща: флуоресцентни лампи (Kaiserfototechnik, Germany); висококачествена 3 CCD Sony XC-003P камера; IC-RGB (Imaging Technology, US) видео контролер; компютърна система - Dell Workstation 400 с двуядрен Pentium II процесор и Windows NT4.0 операционна система. Тествани са продукти, закупени от търговската мрежа. За определяне на разпределението на съставките, изображенията са разделяни на равни по площ области и е анализирана всяка област.
В млечната индустрия автоматизираните системи за оценка на качеството са намерили практическо приложение в процесите по окачествяване структурата на извара и установяване наличието на дефекти като кристали калциев лактат на повърхността на сирената от тип Чедър (Rajbhandari P. & Kindstedt PS, 2005). Чрез цифрова обработка на изображения е измерена площта заемана от кристалите калциев лактат по повърхността на сиренето. С приложение на системи за компютърно зрение и иновативни методи за безконтактно окачествяване посредством цифрова обработка на изображения, са проведени анализи на функционални свойства и характеристики като: промяната на структурата и цвета на твърди сирена от тип Чедър и Моцарела при кулинарна обработка, маслеността; наличието и размерите на газови и технически шупли в сирената. Предложен е нов подход (Wang H. & Da-Wen Sun, 2001; Hai-Hong Wang & Da-Wen Sun, 2002; Hai-Hong Wang & Da-Wen Sun, 2003), с използване на компютърно зрение, за безконтактно окачествяване и анализ на функционални параметри като разтапяне и запичане на сирена от тип Чедър при кулинарна обработка. Системата за компютърно зрение използвана при провеждане на експериментите включва: флуоресцентни лампи Dulux с мощност 11W и цветна температура 5,000 К; оптика с фокусно разстояние 12 мм.; CCD камера ТК-1270 (JVC, Japan); статив за камерата; IC-PCI графичен контролер (Imaging Technology, US); монитор и компютърна система Dell V333c. Обработката на изображенията е реализирана с използване на макрос написан на Optimas 6.51 (Media Cybernetics, US). Проведени са изследвания за процентното омасляване на сирената от тип Чедър по време на тяхното готвене (Hai-Hong Wang & Da-Wen Sun, 2004). Използвани са методи и алгоритми за сегментиране на цифрови изображения и за екстракция на информация от първичните цветни изображения. Анализирана е осветеността и хистограмата за всяко от изследваните изображения. От сегментираните изображения е извлечена информация и са определени: общия брой пиксели в границите на пробата; средните стойности за яркостта на нюансите на сивия цвят за всички пиксели в границите на пробата (Mean). Определени са характеристики на яркостта на нюансите на сивото: стандартно отклонение (Standard deviation), Variance, Skewness, Kurtosis, Median, Mode, Minimum, Maximum и други. Техники от компютърното зрение са използвани за откриване и измерване на газови шупли в сиренето (Caccamo M at all., 2004). За заснемане на първичните изображения е използван цифров фотоапарат, монтиран за неподвижна стойка. За обработката на изображенията, премахването на шупли различни от газовите и за измерване на площта на газовите шупли е използван софтуерният продукт MATLAB®. Използвани са алгоритми за бинаризиране на изображенията за изчисляване площта на газовите шупли и процентното им разпределение по повърхността на сиренето.
Системите за обработка на изображения и компютърно зрение са намерили приложение и при оценка на разпределението и количеството на добавките в пастьоризирано сирене (Jelinski T. at all., 2007). При експериментите е използвано сирене с добавка на чесън и магданоз и сирене с добавен микс от сушени зеленчуци. При обработката на изображенията е използван софтуерният продукт MATLAB®. За обективно оценяване на качеството на Българско бяло саламурено сирене с използване на компютърно зрение, са създадени софтуерни продукти за автоматично оценяване на органолептичните показатели цвят, структура и състояние на разрезната повърхност. Адаптирани са алгоритми за цифрова обработка на изображения на разрезната повърхност за автоматично откриване на технически шупли, определяне на структурните изменения на разрезната повърхност и др. Предложен е метод за окачествяване на разрезната повърхност на бяло
саламурено сирене, чрез обработка на изображения, получени чрез микроскопско заснемане на разрезната повърхност на изследваните сирена (Boyanova P. at all., 2012). За заснемане на изображенията е използван стерео микроскоп (S-30-2Led, Optika, Italy) с оптично увеличение от 10x и 20x. Изображенията са заснети чрез вградената в микроскопа камера Opticam B5 - CMOS sensor, 5.0MP. За увеличаване на контраста, повърхността на пробите сирене е предварително оцветена с разтвор на метиленово синьо в съотношение 1:10. За всяка оцветена проба от изследваните сирена са заснети по 30 изображения, съхранени във графичен формат Bitmap. Изображенията са бинаризирани чрез използване на вградена в Adobe Photoshop CE 7.0 функция за сегментиране. За всички изображения е използвана еднаква прагова стойност за бинаризиране. След сегментиране на всички изображения, чрез специално разработен софтуер се изчислява коефициентът на различие (Kdiv) представляващ отношението (в проценти) на броя черни пиксели към общият брой пиксели от изображението. По подобен начин е проведено обективно изследване и окачествяване на разрезната повърхност на бяло саламурено сирене чрез сегментиране на изображения с използване на глобален праг и за автоматично изчисляване на обективният параметър за качеството на сиренето - Kdiv (Bosakova-Ardenska A. at all., 2014). Проведено е и изследване относно приложимостта на алгоритъма „Moments preserving thresholding" при оценяване разрезната повърхност на бяло саламурено сирене (Bosakova-Ardenska A. at all., 2015). Подходът използван от авторите е евристичен, необходима е настройка на параметрите на алгоритъма за коректната обработка на специфичните изображения. Предложеният от авторите алгоритъм попада в групата на алгоритмите, които използват глобален праг за бинаризиране на полутонови изображения. При този тип алгоритми една и съща прагова стойност се използва за бинаризирането на всички пиксели от изображението. Алгоритмите от тази група са подходящи за бинаризиране на изображения когато първичните изображения се получават при контролируемо осветление и разликите в наситеността на цветовете в изображението се дължат единствено на разлики в наситеността на цветовете на обектите и фона. От проведените анализи и интерпретирането на получените резултати е направен изводът, че алгоритъмът за бинаризиране „Moments preserving thresholding" е приложим за окачествяването на разрезната повърхност на бяло саламурено сирене. Използвайки получените в предходно изследване резултати е създаден специален софтуерен продукт (CutSurf), написан на езика за програмиране Java, за автоматично и обективно окачествяване на разрезната повърхност на бяло саламурено сирене от овче мляко чрез обработка на микроскопски изображения (Bosakova-Ardenska A. at all., 2017). Изследвана е структурата на разрезната повърхност на бяло саламурено сирене с помощта на софтуерния продукт NI Vision Assistant, част от софтуера LabView (Ganchovska V. at all., 2012).
Анализ на възможността за използване на различни цветови системи (HSI, HSV, L*a*b* и други)
В последните няколко години са публикувани резултати от научни изследвания за приложимостта на HSI цветовия модел при цифровата обработка на изображения за окачествяване на хранителни продукта. Разработени са подходи за сортиране и окачествяване на плодове, зеленчуци (Khojastehnazhand M at all., 2010; Saladana E. at all., 2013; Badrul H. at all., 2013; Baohua Z. at all., 2014; Payaman M. at all., 2014; Seema A. at all., 2015; Chopra Sh. & Kadyan R., 2017; Ahmad U., 2017) и окачествяване на месни продукта (Krasteva Iv., 2015; Krasteva Iv. & Ganchovska V., 2015), с използване на компютърни методи за обработка на изображения в HSI цветова система.
През 2005 г. Да-Уен Сън и Ченг-Джин Ду (Cheng-Jin Du & Da-Wen Sun, 2005) правят оценка на пет различни цветови трансформации от RGB и приложението им при обработка на изображения за обективно окачествяване на плънката на пици. Използвани са трансформации на цветни изображения от RGB цветова система в цветови системи: NRGB (normalised RGB), HSV (hue, saturation and value), 111213, L*a*b* и YCbCr. Авторите правят
сравнение между три SVM (support vector machine) класификатора (линеен, многочленен /polynomial/ и RBF) на плънката на пици с два класически подхода за класификация - C4.5 класификатор и RBF_NN (radial basis function neural network) класификатор. Авторите доказват експериментално, че класификаторът C4.5 получава най-добрата точност при класификация от 93,3% с използване на L*a*b* или I1I2I3 Цветова пространствена трансформация, а класификаторът на RBF_NN дава най-добрата точност от 86,7% при YCbCr, HSV или L*a*b* цветова пространствена трансформация. От групата на SVM класификаторите, многочленният SVM класификатор има най-добрата точност при класификация от 96,7% при трансформация в HSV цветово пространство, докато RBF SVM класификаторът дава най-добрата точност при класификация от 90,0% при YCbCr, L *a*b* или HSV цветова трансформация. Според авторите, сред класификаторите от групата SVM, многочленният класификатор комбиниран с HSV трансформация на цветовото пространство е най-добър за окачествяване на добавки на пици чрез компютърно зрение.
L*a*b* цветовата система е използвана успешно и за проследяване изменението на цвета на парченца от сирене Моцарела върху пица при запичане (Xixiu Ma, 2013). Xixiu Ma използва софтуерът LensEye, за да дефинира кръгова област на интерес, която включва само изследваните парченца от сирене Моцарела и чрез осреднените стойности на компонентите L*, b* и a* анализира изменението на цвета. В колектив с други автори, през 2006 г. Да-Уен Сън публикува доклад, в който прави подробен преглед на последните тенденции в приложението на цифровата обработка на изображения за оценка и инспекция на качеството на хранителните продукти (Chaoxin Z. at all., 2006), а през 2013г. в (Di Wu & Da-Wen Sun, 2013) авторите представят иновативни подходи за окачествяване на храни чрез измерване на цвят. Акцентът в работата е върху използването на HSV цветовата трансформация и методите за нейното приложение при окачествяване на храни. Цветовата система HSV е подходяща за откриване на плесени по повърхността на различни видове сирена (Vasilev M., 2016). Цветовата система HSI се използва успешно при оценяване разрезната повърхност на Българско бяло саламурено сирене произведено от краве, овче или козе мляко (Danev A. at all., 2018), а също и при проследяване измененията на цвета на бяло саламурено сирене и кашкавал в процеса на съхранението им (Mladenov M. at all., 2015).
Заключение
Проведеното литературно проучване дава основание за следните по-важни изводи:
- Компютърната техника и в частност методите на компютърното зрение могат да се използват успешно при проследяване на някои параметри на качеството на сирена;
- Част от органолептичните показатели за качество на бялото саламурено сирене (според БДС) могат да се определят успешно чрез обработка на изображения в RGB, HSI, HSV или L*a*b* цветова система;
- Все още няма достатъчно изследвания, които да потвърждават приложимостта на компютърното зрение при откриването на бактериални шупли по повърхността на бяло саламурено сирене;
- Няма литературни данни за изследвания свързани с възможността за използване на компютърно зрение при оценяване наличието на порцеланов лом при бяло саламурено сирене.
Благодарности
Авторите изказват своите благодарности към ръководството на Университета по Хранителни Технологии във връзка с оказаната финансова подкрепа по проект 16/18-Н „Усъвършенстване методите за окачествяване структурата на разрезната повърхност на бели саламурени сирена с използване на компютърно зрение".
Литература
[1] Ministry of Agriculture, Food and Forestry, State and Trends in the Production of Milk and Dairy Products in Bulgaria, [http://www.mzh.government.bg/media/filer_public/2018/03/01/mliako.pdf, accessed on 4.06.2018г.] (in Bulgarian).
[2] Edgarian M., P. Panayotov, Technology of different type of cheese, Intelexpert-94, Plovdiv, ISBN: 978-954-8835-63-3, 2012 (in Bulgarian).
[3] Barbara Walther, A. Schmid, R. Sieber, KarinWehrmuller, (2008) „Cheese in nutrition and health", Dairy Sci. Technol. 88 (2008) INRA, EDP Sciences 389-405, DOI: 10.1051/dst:2008012
[5] Sun DW, 2000. Inspecting pizza topping percentage and distribution by a computer vision method. Journal of Food Engineering, 44, 245-249.
[6] Wang HH and Sun DW, 2001. Evaluation of the functional properties of cheddar cheese using a computer vision method. Journal of Food Engineering, 49, 1, 47-51.
[7] Rajbhandari P, Kindstedt PS, 2005. Development and application of image analysis to quantify calcium lactate crystals on the surface of smoked Cheddar cheese. Journal of Dairy Science, 88, 12, 4157-4164.
[9] Hai-Hong Wang, Da-Wen Sun, Melting characteristics of cheese: analysis of effect of cheese dimensions using computer vision techniques, Journal of Food Engineering 52 (2002) 279-284.
[10] Hai-Hong Wang, Da-Wen Sun, Assessment of cheese browning affected by baking conditions using computer vision, Journal of Food Engineering 56 (2003) 339-345.
[11] Hai-Hong Wang, Da-Wen Sun, Evaluation of the oiling off property of cheese with computer vision: Correlation with fat ring test, Journal of FoodEngineerin g 61 (2004) 47-55.
[12] Hongxu Ni, Sundaram Guansekaran, Image processing algorithm for cheese shred evaluation, Journal of Food Engineering 61 (2004) 37-45.
[13] Tadhg Brosnan, Da-Wen Sun, Improving quality inspection of food products by computer vision—a review, Journal of Food Engineering 61 (2004) 3-16.
[14] Margherita Caccamo, C. Melilli, D. M Barbano, G. Licitra, Measurement of Gas Holes and Mechanical Openness in Cheese by Image Analysis, Journal of Dairy Science ■ April 2004, DOI: 10.3168/jds.S0022-0302(04)73217-8.
[15] Tomasz Jelinski, Cheng-Jin Du, Da-Wen Sun, Jozef Fornal, Inspection of the distribution and amount of ingredients in pasteurized cheese by computer vision, Journal of Food Engineering 83 (2007) 3-9.
[16] Sun DW, (2008), Computer vision technology for food quality evaluation, Food Science and Technology.
[17] Bulgarian standard, White brined cheese - BDS 15:2010, Bulgarian Institute for Standardization (in Bulgarian).
[18] P. Boyanova, P. Panayotov, V. Ganchovska, A. Bosakova - Ardenska, Microscopic method for qualification of the cut surface of white brined cheese, AGRICULTURAL SCIENCE AND TECHNOLOGY, VOL. 4, No 3, pp 306 - 310, 2012.
[19] Atanaska Bosakova - Ardenska, Petya Boyanova, Peter Panayotov, Application of Global Thresholding Technique in White Brined Cheese Evaluation, (IJIRSE) International Journal of Innovative Research in Science & Engineering, 2014, ISSN (Online) 2347-3207.
[20] G. Katz, U. Merin, D. Bezman, S. Lavie, L. Lemberskiy-Kuzin, and G. Leitner, Real-time evaluation of individual cow milk for higher cheese-milk quality with increased cheese yield, J. Dairy Sci. 99:1-10 http://dx.doi.org/10.3168/jds.2015-10599 © American Dairy Science Association®, 2016.
[21] Bosakova-Ardenska A., P. Panayotov, P. Boyanova, Application of „Moment preserving thresholding" algorithm in white brined cheese cut-surface evaluation, Scientific works of University of Food Technologies, 2015, Volume LXII, ISSN: 1314-7102, pp 725-730 (in Bulgarian).
[22] Atanaska Bosakova-Ardenska, Hristina Andreeva, Petya Boyanova, Peter Panayotov, CutSurf- a software tool for cut surface evaluation of white cheese, International Conference on Computer Systems and Technologies - CompSysTech'17, ISBN: 978-1-4503-5234-5, pp 241-248.
[23] National committee for science and technical progress - Standardization department, Bulgarian National Standard for organoleptic evaluation of milk products, BDS 15612-83, 1983 (in Bulgarian).
[24] Cheng-Jin Du, Da-Wen Sun, Comparison of three methods for classification of pizza topping using different colour space transformations, Journal of Food Engineering 68 (2005) 277-287.
[25] Chaoxin Zheng, Da-Wen Sun, Liyun Zheng, Recent developments and applications of image features for food quality evaluation and inspection e a review, Trends in Food Science & Technology 17 (2006) 642-655.
[26] M. Khojastehnazhand, M. Omid, A. Tabatabaeefar, Development of a lemon sorting system based on color and size, African Journal of Plant Science Vol. 4(4), pp. 122-127, April 2010, ISSN 19960824 © 2010 Academic Journals.
[27] Di Wu, Da-Wen Sun, Colour measurements by computer vision for food quality control - A review, Trends in Food Science & Technology 29 (2013) 5-20.
[28] Erick SALDAÑA, Raúl SICHE, Mariano LUJÁN, Roberto QUEVEDO, Review: computer vision applied to the inspection and quality control of fruits and vegetables, Campinas, v. 16, n. 4, p. 254-272, out./dez. 2013, DOI: http://dx.doi.org/10.1590/S1981-67232013005000031.
[29] Badrul Hisham Abu Bakar, Asnor Juraiza Ishak, Rosnah Shamsuddin, Wan Zuha Wan Hassan, Ripeness level classification for pineapple using RGB and HSI colour maps, Journal of Theoretical and Applied Information Technology 30th November 2013. Vol. 57 No.3
[30] Baohua Zhang, Wenqian Huang, Jiangbo Li, Chunjiang Zhao, Shuxiang Fan, JitaoWu, Chengliang Liu, Principles, developments and applications of computer vision for external quality inspection of fruits and vegetables: A review, Food Research International 62 (2014) 326-343.
[31] Payman Moallem, Navid Razmjooy, Robust Potato Color Image Segmentation using Adaptive Fuzzy Inference System, Iranian Journal of Fuzzy Systems Vol. 11, No. 6, (2014) pp. 47-65.
[32] Seema A., G. Kumar, S. Gill, Computer vision based Model for fruit sorting using K- Nearest neighbour classifier, Int. J. Electr. Electron. Eng., vol.2, 2015, pISSN 1694-2426.
[33] Chopra Sh., R. Kadyan, Machine Vision Based Automated Object Sorter Using Digital Image Processing MATLAB, International Journal of Engineering Development and Research (IJEDR), ISSN:2321-9939, Vol.5, 2017, Iss. 3, pp.23-26.
[34] Ahmad U., The use of color distribution analysis for ripeness prediction of Golden Apollo melon, Journal of Applied Horticulture, vol. 19, 2017.
[35] Krasteva Iv., Objectively determining the quality of meat products in real time on the base of color characteristics, PhD thesis, 2015, UFT-Plovdiv (in Bulgarian).
[36] Krasteva Iv., Vl. Ganchovska, Determining the changes modification of HSI color components of sheep meat in the process of ripening, Proceedings of "Innovation technologies in food industry: science, education and production", 2015, pp 307-311.
[37] Mladenov M., S. Penchev, M. Dejanov, Complex assessment of food products quality using analysis of visual images, spectrophotometric and hyperspectral characteristics, International Journal of Engineering and Innovative Technology (IJEIT), 2015, Vol. 4, Issue 12, pp 23-32.
[38] Danev A., A. Bosakova-Ardenska, P. Panayotov, P. Boyanova, H. Andreeva, A research of possibilities for objective evaluation of cut surface of white brined cheese produced with different milk, Scientific Conference Ecology and Health, 2018, ISSN 2367- 9530, pp 232-237.
[39] Xixiu Ma, Evaluation of Functional Properties and Microstructure of Mozzarella Cheese, and their Correlation, PhD thesis, The University of Auckland, 2013.
[40] Vasilev M., Evaluation of surface of dairy products with optical techniques, International Scientific Conference for Young Scientists "Management and quality", 2016, ISBN 978-619-160-679-5, pp 91-97 (in Bulgarian).
[41] Vasilev M., Image processing for color diagnosis of diseases in yellow cheese, Innovation and entrepreneurship, 2016, ISSN: 1314-9253, Vol. IV, Issue 1.
[42] Ganchovska V., P. Boyanova, L. Kostadinova, P. Panayotov, Determination some quality characteristics of cheese on the base of images in the visible range of spectra, Scientific Works of UFT -"Food Science, Engineering and Technologies", 2012, Vol. LIX, ISSN: 1314-7102, pp 123-127 (in Bulgarian).
