王 博，胡曉妍, ，于芳珠，劉登勇,2,

（1.渤海大學(xué)食品科學(xué)與工程學(xué)院， 生鮮農(nóng)產(chǎn)品貯藏加工及安全控制技術(shù)國家地方聯(lián)合工程研究中心， 遼寧錦州 121013；2.江蘇省肉類生產(chǎn)與加工質(zhì)量安全控制協(xié)同創(chuàng)新中心， 江蘇南京 210095）

烤羊肉是我國傳統(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[1]。隨著人們食品安全意識(shí)的提高和市場需求量增大，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?？狙蛉庾鳛閭鹘y(tǒng)肉制品，色、香、味、形獨(dú)具特色[3]，消費(fèi)者往往通過這些特點(diǎn)來評(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)藏過程中也可以通過顏色變化及時(shí)發(fā)現(xiàn)食品品質(zhì)的改變，烤羊肉加工過程中顏色是用來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顏色只需通過簡單對比，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定和感官評(píng)價(jià)，儀器測定結(jié)果準(zhǔn)確，但對樣品具有破壞性且成本較高；感官評(píng)價(jià)簡單方便，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)器視覺是利用機(jī)器代替人眼，模擬人類視覺功能的一項(xiàng)技術(shù)，通過圖像采集、信號(hào)轉(zhuǎn)換、數(shù)據(jù)處理分析等最終實(shí)現(xiàn)對物體的識(shí)別，可應(yīng)用于多種領(lǐng)域[12-13]。在肉類食品中的應(yīng)用如：監(jiān)測碎肉在連續(xù)油炸過程中凝集增加的變化[14]、評(píng)估肉類食品的質(zhì)量參數(shù)[15]、在線預(yù)測識(shí)別豬肉的顏色和大理石花紋[16]以及禽類產(chǎn)品尺寸、質(zhì)量、體積的測定和分級(jí)分類[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)器視覺技術(shù)對烤羊肉圖像進(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)器視覺技術(shù)制作烤羊肉顏色比色卡，實(shí)現(xiàn)對烤羊肉顏色的實(shí)時(shí)檢測，在生產(chǎn)過程中能夠及時(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 中國惠普有限公司。

1.2 實(shí)驗(yàn)方法

1.2.1 樣品制備 購買排酸成熟24 h后的新鮮羊肉于4 ℃條件下運(yùn)回實(shí)驗(yàn)室-18 ℃下冷凍保存。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×寬×厚20 mm×20 mm×10 mm的肉樣，利于羊肉烤制過程中成熟度一致。待肉完全解凍，表面溫度升至室溫后置于烤盤，放入上下溫度220 ℃電烤箱中。通過控制烤制時(shí)間獲得羊肉在烤制過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min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，并對采集圖像進(jìn)行預(yù)處理來提高質(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，采集的圖像通過圖像儲(chǔ)存卡傳輸?shù)诫娔X，從而獲取烤羊肉樣品圖像。

圖1 圖像采集裝置示意圖Fig.1 Schematic diagram of image acquisition device

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Softmax激活函數(shù)得到最終的輸出。損失函數(shù)（Loss function，簡稱 Loss）用來評(píng)價(jià)模型的預(yù)測值和真實(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）。

圖2 基于 Xception-CNN 模型的圖像數(shù)據(jù)處理方法Fig.2 Image data processing method based on Xception-CNN model

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，能夠解決這一問題對圖像進(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值腞GB均值，即為該烤羊肉圖像的顏色數(shù)值，將數(shù)值轉(zhuǎn)換為對應(yīng)顏色，再將對應(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。該算法原理簡單，實(shí)現(xiàn)起來比較容易，聚類的效果比較好，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)心周圍類簇群所對應(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中的噪聲數(shù)據(jù)和異常數(shù)據(jù)，影響分類準(zhǔn)確率。因此在K-Means算法的基礎(chǔ)上提出通過自動(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應(yīng)最近的類簇群，以此類推，比較每個(gè)樣本到類簇群中心點(diǎn)的距離，將樣本劃分到最近的類別中，在新組成的類別中重新計(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)類簇群的RGB值，將26個(gè)類簇群的RGB值與三種算法識(shí)別的RGB值進(jìn)行對比，以此進(jìn)行比色卡識(shí)別準(zhǔn)確率驗(yàn)證。

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/T 16291.1-2012[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]方法加以修改，經(jīng)過預(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）對烤羊肉的顏色進(jìn)行打分[31]，以評(píng)分作為實(shí)驗(yàn)結(jié)果。

表1 九點(diǎn)感官評(píng)價(jià)法數(shù)字標(biāo)度表Table 1 Nine-point sensory evaluation method digital scale

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Python 3.7，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”開源深度學(xué)習(xí)框架搭建模型。使用“Scikit-learn”開源的機(jī)器學(xué)習(xí)模塊對模型進(jìn)行評(píng)估和分析，采用Origin 9.0和IBM SPSS Statistics 26.0軟件對數(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?，測試集為剩余的1248張圖片，用于測試模型的準(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)過隨機(jī)亮度調(diào)整、隨機(jī)圖像縮放調(diào)整、隨機(jī)對比調(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。

圖3 烤羊肉圖像預(yù)處理結(jié)果Fig.3 Image pretreatment results of roast mutton

2.3 模型識(shí)別

損失函數(shù)對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)練過程中的Loss值越小表明模型的準(zhǔn)確率越高，總體性能越好[32]。所以Xception-CNN對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值腞GB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程如圖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。

圖4 三種算法制作比色卡的過程Fig.4 Process of constructing colorimetric cards with the three algorithms

圖5 三種算法制作的比色卡Fig.5 Colorimetric cards constructed by the three algorithms

2.4.3 K-Means算法+圖像降噪處理制作的比色卡本研究通過4種方式對圖像進(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，影響聚類效果。因此，研究利用圖像降噪處理方法對烤羊肉圖像做進(jìn)一步處理[33]。通過機(jī)器學(xué)習(xí)，將K-Means同類簇中心點(diǎn)覆蓋到RGB值過低和過高的部分并自動(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 min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 min后迅速減小，尤其是在16 min后呈現(xiàn)明顯下降的趨勢，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算法能夠更好地反映烤制時(shí)間和對應(yīng)圖像顏色信息之間的關(guān)系。

表2 三種比色卡的RGB值信息與烤制時(shí)間的多元回歸模型Table 2 Multiple regression model of RGB value information and roasting time of 3 colorimetric cards

圖6 三種比色卡RGB顏色信息和K-均值算法產(chǎn)生的比色卡感官識(shí)別結(jié)果Fig.6 RGB value information of the three colorimetric cards and sensory recognition results of colorimetric cards produced by the K- means algorithm

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)證集并獲得對應(yīng)的三種驗(yàn)證比色卡，并使用Kmedoids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值與其值對比，從而對三種比色卡的準(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%。

表3 算法驗(yàn)證與感官驗(yàn)證的比色卡平均識(shí)別準(zhǔn)確率結(jié)果Table 3 Algorithm verification and sensory verification colourimetric card average recognition accuracy results

2.4.4.2 感官驗(yàn)證結(jié)果 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，從11 min開始評(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，顏色喜愛度最高；羊肉烤制15 min后顏色喜好度評(píng)分開始下降，烤制25 min時(shí)評(píng)分最低，因?yàn)樵?5～20 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。

圖7 烤羊肉顏色喜好度評(píng)分Fig.7 Roast mutton color preference score

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和15 min不理想，原因是烤制14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)定員對此時(shí)間段的顏色難以區(qū)分。為此，本研究將烤制14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，平均識(shí)別準(zhǔn)確率均提高，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。

圖8 感官實(shí)驗(yàn)驗(yàn)證烤制時(shí)間的識(shí)別準(zhǔn)確率Fig.8 Sensory experiments verify the accuracy of roasting time recognition

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照識(shí)別烤制時(shí)間的準(zhǔn)確率結(jié)果進(jìn)行對比。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，根據(jù)樣品顏色直接判定羊肉烤制時(shí)間存在的誤差增大，導(dǎo)致準(zhǔn)確率下降，比色卡能夠較好地呈現(xiàn)出樣品的顏色信息以及抗外界干擾，借助比色卡能夠在一定程度上提高對羊肉烤制時(shí)間的識(shí)別準(zhǔn)確率。

3 結(jié)論

本文采用機(jī)器視覺技術(shù)建立烤羊肉顏色識(shí)別比色卡，對烤羊肉的顏色進(jìn)行快速識(shí)別，并對識(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。綜合來看，制作烤羊肉比色卡可以將羊肉烤制過程中所有可能出現(xiàn)的顏色直觀的呈現(xiàn)出來，表明基于機(jī)器視覺技術(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，在加工過程中可通過比色卡對烤羊肉成熟度進(jìn)行對比判斷，也可以將比色卡作為消費(fèi)者對烤羊肉顏色喜愛度的評(píng)價(jià)標(biāo)準(zhǔn)，便于商家調(diào)查分析各類消費(fèi)群體對產(chǎn)品的成熟度等不同需求，及時(shí)對產(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)，對烤羊肉及時(shí)進(jìn)行監(jiān)測、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，針對比色卡與烤羊肉成熟度之間的關(guān)系等方面展開進(jìn)一步系統(tǒng)研究。