CC BY
0
УДК 004.4
DOI: 10.24412/2071-6168-2023-11-284-285
ТЕХНОЛОГИЯ КОМПЬЮТЕРНОГО ЗРЕНИЯ В ОЦЕНКЕ СВЕЖЕСТИ ПАСТЕРИЗОВАННОГО МОЛОКА
О.Б. Воскобойникова, А.В. Суханов, Т.Е. Мамонова, О.А. Ганина
В работе предложен способ определения кислотности молока с использованием цветометрического анализа изображения цветовой шкалы. Данный способ позволяет произвести оценку кислотности пастеризованного молока на основании измерения цветометрических характеристик индикатора свежести как визуально, так и с использованием цветорегистрирующих устройств. Показано, возможность применения технологий компьютерного зрения для определения цветометрических параметров индикатора свежести с целью объективного и достоверного определения качество пищевых продуктов.
Ключевые слова: индикатор свежести молока, технология компьютерного зрения, NI Vision Builder for Automated Inspection.
Свежести продуктов питания потребитель может оценить только по дате изготовления и сроку годности, указанному на упаковке без нарушения целостности упаковки. Зачастую продукт может испортиться на протяжение заявленного срока годности, например, из-за неправильных условий хранения и транспортировки. Такая продукция может навредить не только здоровью, но и безопасности потребителя.
Качество молока, как потребительского продукта, определяется органолептическими показателями -внешний вид, консистенция, вкус и запах, цвет, и физико-химическими показателями, такими как термоустойчивость, кислотность и другие. Одним из ключевых физико-химических показателей является кислотность. Свойство молока, которое оказывает наибольшее влияние на способность молока к фертильной коагуляции [1].
Существует большое количество работ, направленных на определение свежести пищевых продуктов, которые основываются на изменение цветометрических параметров индикаторов свежести. Интеллектуальная упаковка на основе индикаторов свежести обеспечивает индикацию порчи или потери свежести упакованных продуктов [2]; индикаторы свежести, основанные на изменении цвета, наиболее привлекательны из-за возможности показать уровень свежести купленных продуктов без каких-либо инструментов. Известны примеры разработки индикаторов свежести для рыбы [3, 4], мяса [5] и молока [6]. Индикатор свежести отражает параметры анализируемого объекта путем изменения своих цветовых характеристик, которые определяются визуально, что не лишено субъективной составляющей. Контроль за изменением цветометрических параметров осуществляется с использованием лабораторного колориметра, который недоступен широкому кругу потребителей. Наличие системы контроля за цветомет-рическими параметрами позволит более объективно и достоверно определять качество пищевых продуктов.
Контрастность изменения цвета дает достоверную информацию о свежести купленных продуктов. Для уменьшение субъективной составляющей и для автоматизации оценки свежести пищевых продуктов нами предложена технология на основе компьютерного зрения и алгоритма обработки цветометрических параметров индикатора свежести. Предложенная технология была использована для определения свежести пастеризованного молока.
В данной работе при создании индикатора свежести пастеризованного молока, использован колориметрический сенсор, на основе кислотно-основного индикатора 2,6-дихлорфенолдифенола (ДХФ), иммобилизованного в полиметакрилатную матрицу (ПММ). Оценка качества пастеризованного молока производится на основание изменения цвета индикатора. Система компьютерного зрения реализована с использованием веб-камеры и персонального компьютера. Для извлечения количественной информации об изменении цвета индикатора свежести был применен алгоритм обработки изображения, реализованный в Vision Builder for automated inspection National instruments.
Исследование изменения кислотности молока при хранении. Экспериментальная зависимость рН молока от времени хранения, комнатной температуре представлена на рисунке 1. Начальный период хранения (менее 12 часов) рН молока составляет диапазон от 6,78 до 6,48 и соответствует неиспорченному молоку. В период с 12 часов до 20 часов наблюдается резкое снижение рН до 4.5. Это соответствует периоду прокисания молока. В период более 20 часов хранения рН молока остается равным 4.5, что соответствует окончательно испорченному продукту.
7,00
6,50 6,00
X а.
5,50 5,00 4,50 4,00
О 200 400 600 800 1000 1200 1400 160Э
Время, мин
Рис. 1. Зависимость рН молока от времени хранения при комнатной температуре
Согласно данным, взятым в [9], при рН молока 6,5 и менее продукт считается испорченным. Таким образом, данное значение может использоваться в качестве показателя испорченного продукта.
В качестве индикатора свежести пастеризованного молока использовали индикатор свежести на основе ДХФ, иммобилизованного в ПММ. Полиметакрилатная матрица представляет собой специально созданный матери-
284
ал, содержащий функциональные группы, позволяющий извлекать вещества для последующего анализа. Синтез ПММ проводили согласно [7]. Иммобилизацию ДХФ в ПММ осуществляли путем сорбции его из 0,01 % водного раствора в статических условиях в течение 2 мин.
Кислотно-основные и окислительно-восстановительные свойства ДХФ в ПММ подробно рассмотрены в [8]. На рис. 2 представлены спектры поглощения колориметрического сенсора, после контакта с растворами при различном значении рН.
1,4
0,6
/У
//s
500 550
Длина волны, I
-3
»3,5 -4,4 -5,7 »6,2 -7,1
Рис. 2. Спектры поглощения ДХФ иммобилизованного в ПММ, после контакта с растворами с разным значениемрН: 1 -рН = 3,0; 2 -рН = 3,5; 3 -рН = 4,4; 4 - рН = 5,7; 5 -рН = 6,2; 6-рН = 7,1
Видно, что изменение рН раствора сопровождается изменением поглощения при 550 нм и 610 нм. Визуально, при этом, наблюдается изменение цвета цветометрических параметров от сине-фиолетового до светло-фиолетового.
Таким образом данный цветометрических параметров может быть использован для контроля изменения рН молока при его хранении.
Система компьютерного зрения. Для оцифровки изображений индикатора свежести использовалась веб-камера подключенная к персональному компьютеры с установленным программным обеспечением National Instruments Vision Builder for Automated Inspection 2015 f3. Установленное программное обеспечение позволяет регистрировать цветометрические координаты в режиме реального времени. Поскольку процесс скисания молока длителен во времени, в ходе экспериментов цветометрические координаты индикатора свежести снимались раз в 10 минут в течение 59 часов, при постоянных условиях освещения.
Процесс обработки изображения включал цикл, состоящий из этапа выбора зоны считывания цветомет-рических параметров и этапа считывания цветометрических параметров и последующий расчет цветовой разницы по уравнению (1):
AEi = ((Ro-Ri)2 + (Go-Gi)2 + (Bo-Bi)2)1/2, (1)
где Ro, Go и Bo - координата цветности показателя свежести молока в системе RGB на неиспорченном молоке; Ri, Gi и Bi - координаты цветности показателя свежести молока в системе RGB на текущий момент времени. Далее выполнялось сравнение с критическим значением (AEcv), которое характеризует предельное значение рН молока, при котором молоко считается испорченным.
Процесс определения свежести молочной продукции представлена в виде схемы на рис. 3. На рис.4. представлен алгоритм обработки полученного изображения.
Как показано на рис. 3, индикатор свежести имеет сине-фиолетовый цвет в начальном неиспорченном продукте. Ухудшение качества молока сопровождается снижением рН, а индикатор свежести приобретает фиолетовую окраску. Кроме того, индикатор свежести обесцвечивается из-за усиления окислительно-восстановительной активности компонентов молока в кислых средах (рис. 5).
Предварительные опыты позволили определить предельное значение цветовой разницы, указывающее на испорченное молоко. В условиях проведенных экспериментов это значение составило AEcv = 6o и было принято за критическое значение.
Алгоритм обработки изображений реализован с помощью NI Vision Builder for Automated Inspection. Скриншоты реализованного алгоритма контроля свежести пастеризованного молока представлены на рис. 6.
Изменение кислотности молока сопровождается соответствующим изменением каждой координаты. На рис. 7 показаны спектры поглощения матриц. Легенда графика показывает срок хранения молока (ч), по истечении которого были получены спектры матриц.
Индикатор свежести По.тление Hs;>5p!&eHEH 2 Алгоритм с бра сетки изображения рЯИМИД Vision Builder Результат - свежее: - испорченное.
Рис. 3. Процесс определения свежести молока 285
Результат эксперимента
;
Конец
Рис. 4. Алгоритм обработки изображения
с
а) Свежее молоко Ь) Испорченное молоко
Рис. 5. «Механизм» определения свежести молока
МОЛОКО МОЛОКО Я Г* 1 (ТГЧ Молоко ек*
V М 1- (а |а _ Нш аа _ ' »_
Рис. 6. Скриншоты реализованного алгоритма контроля свежести пастеризованного молока
Рис. 7. ПММ в течение срока хранения молока
286
-31,5
->30,5
-«
-48,5
-51,5
Из рис. 8 следует, что спектр поглощения матрицы в свежем молоке имеет явный пик на длине волны 540 нм. Поскольку цвет матрицы является дополнительным к цвету поглощенного излучения, пик на длине волны 540 нм соответствует сине-фиолетовому цвету матрицы. Затем, по мере обесцвечивания матрицы, пик пропадает.
Вывод. Предложена система оценки свежести пастеризованного молока на основе компьютерного зрения и алгоритма обработки цветометрических параметров индикатора свежести. Проведена оценка кислотности пастеризованного молока на основании измерения цветометрических характеристик индикатора свежести с использованием предложенной системы. Предложен новый способ в автоматизации процесса оценки качества скоропортящихся продуктов, который использует современные технологий на основе компьютерного зрения.
Список литературы
1. ГОСТ 32892-2014 Молоко и молочная продукция. Метод измерения активной кислотности.
2. D. A. Pereira de Abreu, J. M. Cruz & P. Paseiro Losada (2012) Active and Intelligent Packaging for the Food Industry, Food Reviews International, 28:2. P. 146-187, DOI: 10.1080/87559129.2011.595022
3. P. Zaragoza, A. Fuentes, I. Fernandez-Segovia, J.-L. Vivancos, A. Rizo, J. V Ros-Lis, J.M. Barat, R. Mar-tinez-Manez, Evaluation of sea bream (Sparus aurata) shelf life using an optoelectronic nose, Food Chem. 138 (2013) P. 1374-80. Doi: 10.1016/j.foodchem.2012.10.114.
4. M. K. Morsy, K. Zor, N. Kostesha, T.S. Alstroem, A. Heiskanen, H. ElTanahi, A. Sharoba, D. Papkovsky, J. Larsen, H. Khalaf, M.H. Jakobsen, J. Emneus, Development and validation of a colorimetric sensor array for fish spoilage monitoring, Food Control. 60 (2016) 346-352. DOI: 10.1016/j.foodcont.2015.07.038.
5. X.W. Huang, X.B. Zou, J.Y. Shi, Y. Guo, J.W. Zhao, J. Zhang, L. Hao, Determination of pork spoilage by colorimetric gas sensor array based on natural pigments, Food Chem. 145 (2014) P. 549-554. doi:10.1016/j.foodchem.2013.08.101.
6. Lakade, A.J., Sundar, K., Shetty, P.H., 2017. LWT - Food Science and Technology Nanomaterial-based sensor for the detection of milk spoilage. LWT - Food Sci. Technol. 75, 702-709. https://doi.org/10.1016/j.lwt.2016.10.031.
7. Гавриленко М.А., Гавриленко Н.А., Способ получения полиметилметакрилата для твердофазной экстракции. Патент РФ №2638929 С, 19.12.2017 г, Бюл. 2017. №35.
8. Н. А. Гавриленко, А. В. Суханов, О. В. Мохова, Окислительно-восстановительные и кислотно-основные свойства 2,6-дихлорфенолиндофенола, иммобилизованного в полиметакрилатную матрицу // Журнал аналитической химии научно-практический журнал. 2011. Т. 65 № 1. С. 20-24.
9. Ziyaina M., Govindan B.N., Rasco B., Coffey T., Sablani S.S. Monitoring Shelf Life of Pasteurized Whole Milk Under Refrigerated Storage Conditions: Predictive Models for Quality Loss. Journal of Food Science, 2018. 83(2). P. 409-418. DOI: 10.1111/1750-3841.13981.
Воскобойникова Ольга Борисовна, старший преподаватель, [email protected], Россия, Томск, Томской политехнический университет,
Суханов Алексей Викторович, доцент, [email protected], Россия, Томск, Томской политехнический университет,
Мамонова Татьяна Егоровна, доцент, [email protected], Россия, Томск, Томской политехнический университет,
Ганина Олеся Алексеевна, инженер метролог 2 категории, [email protected], Россия, Томск, Акционерное общество «Научно-производственная фирма «Микран»»
COMPUTER VISION TECHNOLOGY IN ASSESSING THE FRESHNESS OF PASTEURIZED MILK O.B. Voskoboynikova, A.V. Sukhanov, T.E. Mamonova, О.А. Ganina
The paper proposes a method for determining the acidity of milk using colorimetric analysis of the image of the color scale. This method makes it possible to evaluate the acidity of pasteurized milk based on the measurement of the colorimetric characteristics of the freshness indicator, both visually and using color registering devices. It is shown that it is possible to use computer vision technologies to determine the colorimetric parameters of the freshness indicator in order to objectively and reliably determine the quality of food products.
350 400 150 500 550 Длина волны, км
S50 700
Рис. 8. Спектры поглощения ПММ
Key words: milk freshness indicator, computer vision technology, NI Vision Builder for Automated Inspection.
Voskoboynikova Olga Borisovna, senior lecturer, [email protected] Russia, Tomsk, Tomsk Polytechnic University,
Sukhanov Aleksey Viktorovich, docent, [email protected], Russia, Tomsk, Tomsk Polytechnic University,
Mamonova Tatyana Egorovna, docent, [email protected], Russia, Tomsk, Tomsk Polytechnic University,
Ganina Olesya Alekseevna, metrologist engineer of the 2nd category, skripka.olesia@yandex. ru, Russia, Tomsk, JSC «Scientific and Production Company «Mikran»»
УДК 535.65, 621.383
DOI: 1o.24412/2o71-6168-2o23-11-288-289
СРАВНЕНИЕ ОСОБЕННОСТЕЙ АДАПТИВНОГО МЕТОДА ИНТЕРПОЛЯЦИИ И МЕТОДА КИММЕЛЯ ДЛЯ ДВУХСЛОЙНЫХ МАТРИЧНЫХ ФОТОПРИЕМНИКОВ
В.Л. Жбанова, Ю.Б. Парвулюсов
Предмет исследования - метод интерполяции матричных фотоприемников двухслойного типа. Каждый шаблон позволяет получать мультиспектральное изображение в видимом и инфракрасном диапазонах. Три шаблона, каждый из которых обладает определенной функциональностью: улучшенная работа в инфракрасном спектре или видимом диапазоне, а также шаблон с равным функциональным потенциалом. Основным достоинством разработанных систем является упрощение алгоритма интерполяции. Целью работы является разработка метода интерполяции для двухслойных матричных фотоприемников. Методы. В исследовании представлен алгоритм интерполяции для разработанных систем адаптивным методом и методом Киммеля. При использовании этих методов на стандартные шаблоны матричных фотоприемников RGBG для каждого пикселя необходимо найти два основных цвета. Для разработанных систем алгоритм упрощается: для каждой ячейки необходимо найти один недостающий основной цвета. Таким образом, уменьшается алгоритм обработки, объем необходимой памяти и, следовательно, увеличивается скорость обработки. Основные результаты. Был получен алгоритм, в котором смешаны адаптивный и линейный методы интерполяции. Применение метода Киммеля лишь немного упрощает алгоритм интерполяции стандартных систем для двухслойных из-за сложности самой методики расчета. Упрощение алгоритма можно заметить по сокращению выражений для поиска основных цветов по сравнению с системой RGBG. Таким образом, при подсчете количества уравнений и задействованных пикселей, можно сделать вывод: применение адаптивного метода для двухслойных систем упрощает алгоритм в 2 раза, а при методе Киммеля - в 1,3 раза. А если еще и учесть наличие в предложенных системах слоев для инфракрасного излучения - достоинство разработок становится очевидным. Практическая значимость. Представленный алгоритм интерполяции разработанных шаблонов позволит применять эти матричные фотоприемники для таких областей как аэрофотосъемка, зондирование земли, макросъемка.
Ключевые слова: интерполяция, матричный фотоприемник, мультиспектральное изображение, адаптивный метод, Киммеля, инфракрасный.
Введение. Наиболее популярная система пространственного цветоделения была предложена Брайсом Байером - RGBG (Red-Green-Blue-Green, красный-зеленый-синий-зеленый), на основе расположения светофильтров поверх матричного фотоприемника в шахматном порядке. Чаще всего применяют на практике абсорбционные фильтры, а также дополнительные комбинации из абсорбционных и интерференционных фильтров.
При регистрации излучения с таким типом системы цветоделения, каждая ячейка приемника регистрирует только один из основных цветов. Чтобы получить полноцветное изображение необходимо математически определять цвета недостающих основных цветов рассчитывая значения с соседних ячеек. Такое смешение называется аддитивным и достигается различными методами интерполяции [1-5]. Уже разработаны различные модификации шаблона Байера и, соответственно, методы интерполяции к ним [1, 5]. Методов интерполирования существует множество. Основой каждого алгоритма является поиск всех основных цветов каждой ячейки приемника. При этом эти методы также способны повышать разрешение или корректировать изображения на начальной стадии обработки снимка. Однако каждый метод имеет достоинства и недостатки, связанные в первую очередь со строением самого приемника. При интерполировании часто возникают «артефакты» - блюминг, алиасинг, муар-эффект и прочие. Для устранения этих явлений разрабатываются новые усложненные методики, занимающие большие объемы памяти и увеличивающие время обработки изображений.
Методы интерполяции условно можно разделить на простые и сложные. К простым методам можно отнести метод ближайшего соседа, билинейную и бикубическую интерполяции и фильтр Ланцоша [6, 7]. К сложным методам интерполяции относят алгоритмы, учитывающие адаптирующие веса интерполяции [8-Ю]. Такая адаптация может быть явной, и неявной, как в методе NEDI [11].
Чтобы исключить недостатки современных методов интерполирования необходимо разрабатывать новые совершенные шаблоны систем цветоделения, т.к. любое интерполирование привносит искажения в исходную информацию. Однако без таких операций в пространственных системах цветоделения не обойтись. Для получения «чистой» информации были созданы матричные фотоприемники на основе цветоделительных зеркал и цветодели-тельных призм [12-14]. Несмотря на результативность этих разработок, они имеют ряд недостатков: дороговизна производства, потери света в зеркалах и призмах. Также разработана многослойная система на основе кремния [15, 16]. Каждый сенсор этой системы включал чувствительные слои каждого основного цвета (красный, зеленый, синий). Такая система позволяет не применять интерполяцию, но при этом происходит сложный процесс считывания и хранения накопленного заряда, что технологически не компенсирует исключение интерполирования.
288
