Image features, i.e., color, size,

Image features, i.e., color, size, shape, and texture, have been extensively applied in the food industry for quality evaluation and inspection of a wide variety of food. Color features are eff ective tools for indicating the reconstruction of components of food products during processing.
Th ree diff erent types of color spaces, hardware orientated, human orientated, and instrumental, are generally used for the extraction of color features. Hardware-orientated spaces are preferable for observing small changes in the color of food products during processing. With the remarkable development of computer hardware, it might become realistic to employ the whole image data as input features, which might be an exceptional indicator of food qualities [9]. Very recently, automated image analysis methods have been presented that were able to describe quality properties, such as area of the cutlet, dorsal fat depot, red muscle, fat percentage, and color from a large number of scanned images of rainbow trout cutlets. It is also evident that it is possible to produce the images of cutlets of adequate quality for image analysis using a simple fl atbed scanner [7]. For this purpose, no elaborate lighting regime is necessary [10]. An image-acquisition system was recently presented that allows the obtaining of digital images in L*a*b* color units for each pixel of the digital RGB image. Five models were built that were able to measure color in L*a*b* units and simultaneously measure the color of each pixel on the target surface. Th is is not the case with conventional colorimeters. Th e best results were achieved with the quadratic and neural network model [11].
A more easy, performable method has been proposed that uses a combination of digital camera, computer, and graphic software to measure and analyze the surface color of food products [12]. Measuring color, particularly in the L*a*b* space, provides a better statistical discrimination between the groups of fi sh studied than sensory analysis. In fact, although in agreement with the results of the panel, the colorimetric method can distinguish all of the groups in terms of the mean color and the heterogeneity of color. Th e very high degree of precision of these results provides an understanding of the eff ect of the drying processes on the color of the diff erent samples [13]. However, it became obvious that the determination of only one quality attribute was not suffi cient. Correct classifi cation based on experimental variables measured by discriminant function analysis was poor for color data alone, acceptable for electronic nose data alone, and excellent with these data combined [14]. Combining the data from the various sensors improves the estimate of the freshness of fi sh [15]. To demonstrate this, color, texture, and electronic nose measurements were selected and their calibrated outputs combined to construct an Artifi cial Quality Index (AQI) [16]. It was reported that machine vision is able to diff erentiate and quantify color distributions in fi sh samples with uneven color. In the case of fresh tuna, the hue values off ered less variability and more monotonous changes with storage time. Color of fresh tuna exposed to 4% CO for 48 h remained unchanged with refrigerated storage time. Th e color of control sample did change substantially and turned brown [17].
A new index, named Entire Color Index (ECI), was developed to express h* and C *, which as combined variables cannot be considered separately. ECI was calculated as ECIi = C * cos (hi − hmean). In all species there was a remarkable dorsoventral gradient in mean L* and h*, with the ventral area being statistically signifi cant and brighter than the dorsal one. ECI value was species specifi c but did not show any statistically signifi cant dorsoventral gradient, with the exception of Pagrus pagrus. Storage time aff ected L* and h* only in the dorsal skin area. However, the eff ect of storage on ice was better refl ected in mean ECI value, which showed a marked decrease from day 3 to day 7 in both the dorsal and the ventral skin area. It is concluded that the results provide data for a nonsubjective determination of skin color pattern and show that ECI off ers a good index of the actual color in a meaningful and objective way [18].
22.4 Color Measurement on Fish and Fishery Products
In contrast to warm-blooded meat, reports on color measurements taken on fi sh and/or fi shery products are harder to fi nd in books dealing with the color of foods [1,19–24]. Color measurement on fresh meat [1] is explained as a typical example for muscle foods, modeling color stability is discussed on fresh beef [25]. Th erefore, the aim of this chapter is to give an overview on the importance and application of color measurement on fi sh and fi shery products. Th e following main areas of application of color measurements are considered: aquaculture, fi sh mince, surimi, and surimi-based products, processing eff ect on color of fi sh and fi shery products (refrigerated and frozen storage, thermal processing, heating and smoking), and high-pressure processing

Kết quả (Việt) 1:

Tính năng hình ảnh, ví dụ, màu sắc, kích thước, hình dạng, và kết cấu, đã được áp dụng rộng rãi trong ngành công nghiệp thực phẩm để đánh giá chất lượng và kiểm tra của nhiều loại thực phẩm. Tính năng màu là eff ective công cụ để chỉ ra việc tái thiết của các thành phần của thực phẩm trong chế biến.Th ree khác tiểu loại của màu sắc spaces, phần cứng định hướng, con định hướng và nhạc nền, thường được sử dụng để khai thác tính năng màu. Phần cứng, định hướng gian là thích hợp hơn để quan sát những thay đổi nhỏ trong màu sắc của thực phẩm trong chế biến. Với sự phát triển vượt trội của phần cứng máy tính, nó có thể trở thành thực tế để sử dụng dữ liệu toàn bộ hình ảnh như là tính năng đầu vào, có thể là một chỉ báo xuất sắc của thực phẩm chất lượng [9]. Gần đây, hình ảnh tự động phân tích phương pháp đã được trình bày mà đã có thể để mô tả chất lượng tài sản, chẳng hạn như khu vực xương sườn, lưng kho chất béo, cơ bắp đỏ, tỷ lệ phần trăm chất béo, và màu sắc từ một số lớn các hình ảnh được quét của rainbow trout cutlets. Nó cũng là điều hiển nhiên rằng nó có thể sản xuất những hình ảnh của cutlets đầy đủ chất lượng cho phân tích hình ảnh bằng cách sử dụng một máy quét atbed đơn giản fl [7]. Cho mục đích này, không có chế độ xây dựng chiếu sáng là cần thiết [10]. Một hệ thống hình ảnh-mua lại gần đây đã được trình bày cho phép việc thu thập các hình ảnh kỹ thuật số trong L * một * b * màu đơn vị cho mỗi điểm ảnh của ảnh kỹ thuật số RGB. Năm mô hình được xây dựng mà đã có thể để đo màu sắc trong L * một * b * đơn vị và đồng thời là thước đo màu sắc mỗi điểm ảnh trên bề mặt của mục tiêu. Th là không phải là trường hợp với colorimeters thông thường. Th e tốt nhất kết quả đã đạt được với các mô hình mạng bậc hai và thần kinh [11].Một phương pháp dễ dàng hơn, performable đã được đề xuất mà sử dụng một sự kết hợp của máy ảnh kỹ thuật số, máy tính và phần mềm đồ họa để đo lường và phân tích màu sắc bề mặt của sản phẩm thực phẩm [12]. Đo màu, đặc biệt là ở L * một * b * không gian, cung cấp một phân biệt đối xử thống kê tốt hơn giữa các nhóm fi sh nghiên cứu hơn cảm giác phân tích. Trong thực tế, mặc dù trong thỏa thuận với kết quả của bảng điều khiển, các phương pháp colorimetric có thể phân biệt tất cả các nhóm trong điều khoản của màu sắc có nghĩa là và heterogeneity màu. Th e mức độ rất cao của độ chính xác của các kết quả này cung cấp một sự hiểu biết của eff ect làm khô các quy trình về màu sắc diff tiểu mẫu [13]. Tuy nhiên, nó trở nên rõ ràng rằng việc xác định chất lượng chỉ có một thuộc tính đã không suffi gói. Dựa trên thử nghiệm biến đo bằng biệt thức chức năng phân tích chính xác không cation là nghèo cho dữ liệu màu một mình, chấp nhận được cho dữ liệu điện tử mũi một mình, và tuyệt vời với các dữ liệu kết hợp [14]. Kết hợp dữ liệu từ các cảm biến khác nhau cải thiện các ước tính của sự tươi mát của fi sh [15]. Để chứng minh điều này, màu sắc, kết cấu, và các phép đo điện tử mũi đã được lựa chọn và kết quả định cỡ của kết hợp để xây dựng một Artifi cial chất lượng chỉ số (AQI) [16]. Nó đã được báo cáo rằng máy tầm nhìn có thể khác erentiate và định lượng phân phối màu trong fi sh mẫu với màu sắc không đồng đều. Trong trường hợp của cá ngừ tươi, các giá trị Huế ra ered ít biến đổi và thay đổi đơn điệu hơn với thời gian bảo quản. Màu sắc của cá ngừ tươi tiếp xúc với 4% CO cho 48 h vẫn không thay đổi với thời gian bảo quản lạnh. Th e màu của kiểm soát mẫu đã làm thay đổi đáng kể và bật nâu [17].Một chỉ số mới, đặt tên là toàn bộ màu chỉ số (ECI), được phát triển để nhận h * và C *, mà khi kết hợp biến không thể được xem xét một cách riêng biệt. ECI đã được tính toán như ECIi = C * cos (hi − hmean). Trong tất cả các loài đã có một gradient dorsoventral đáng kể trong có nghĩa là L * và h *, với vùng bụng là thống kê signifi không thể và sáng hơn so với lưng. Giá trị ECI là loài quí c nhưng không hiển thị bất kỳ thống kê signifi cant dorsoventral gradient, ngoại trừ Pagrus pagrus. Lí thời gian aff ected L * và h * chỉ trong khu vực da lưng. Tuy nhiên, eff ect dung lượng lưu trữ trên băng đã là tốt hơn refl ected có nghĩa là giá trị ECI, cho thấy một giảm đánh dấu từ ngày 3 đến ngày 7 trong cả các vây lưng và vùng da bụng. Nó kết luận rằng các kết quả cung cấp dữ liệu xác định nonsubjective da màu hoa văn và thấy rằng ECI ra ers một chỉ số tốt của màu sắc thực tế một cách có ý nghĩa và mục tiêu [18].22.4 đo lường màu trên cá và thực phẩm thủy sảnTrái ngược với thịt động vật máu nóng, báo cáo về đo lường màu chụp fi sh và/hoặc fi shery sản phẩm là khó khăn hơn để fi nd trong cuốn sách đối phó với màu sắc của thực phẩm [1,19-24]. Đo lường màu trên thịt tươi [1] được giải thích như là một ví dụ điển hình cho cơ bắp thực phẩm, mô hình hóa ổn định màu sắc được thảo luận trên thịt bò tươi [25]. Th erefore, mục đích của chương này là để cho một tổng quan về tầm quan trọng và các ứng dụng của đo lường màu trên fi sh và fi shery sản phẩm. Th e sau các lĩnh vực chính của ứng dụng của các phép đo màu sắc được coi là: nuôi trồng thủy sản, fi sh mince, surimi và các sản phẩm surimi dựa trên, xử lý eff ect vào màu sắc của fi sh fi shery (trong tủ lạnh và đông lạnh lí, nhiệt xử lý, Hệ thống sưởi và hút thuốc), và các sản phẩm chế biến áp lực cao

Kết quả (Việt) 2:

Các tính năng hình ảnh, ví dụ, màu sắc, kích thước, hình dạng và kết cấu, đã được áp dụng rộng rãi trong các ngành công nghiệp thực phẩm để đánh giá chất lượng và kiểm tra của nhiều loại thực phẩm. Đặc điểm màu sắc là những công cụ ective eff cho thấy việc xây dựng lại các thành phần của sản phẩm thực phẩm trong chế biến.
Loại ree Th diff erent của không gian màu sắc, phần cứng theo định hướng, định hướng của con người, và nhạc khí, thường được sử dụng cho việc khai thác các tính năng màu sắc. Không gian phần cứng-định hướng được ưa chuộng hơn để quan sát những thay đổi nhỏ trong các màu sắc của sản phẩm thực phẩm trong quá trình chế biến. Với sự phát triển vượt trội của phần cứng máy tính, nó có thể trở thành hiện thực để sử dụng các dữ liệu hình ảnh toàn bộ các tính năng như đầu vào, mà có thể là một chỉ số đặc biệt của chất thực phẩm [9]. Rất gần đây, các phương pháp phân tích hình ảnh tự động đã được trình bày rằng đã có thể mô tả các thuộc tính chất lượng, chẳng hạn như khu vực của cốt lết, lưng kho chất béo, cơ bắp đỏ, tỷ lệ phần trăm chất béo, và màu sắc từ một số lượng lớn các hình ảnh quét của Thịt cá hồi vân. Nó cũng cho thấy, nó có thể tạo ra những hình ảnh của cốt lết đủ chất lượng để phân tích hình ảnh bằng cách sử dụng một máy quét fl atbed đơn giản [7]. Với mục đích này, không có chế độ chiếu sáng, đó là điều cần thiết [10]. Một hệ thống hình ảnh mua lại gần đây đã được trình bày cho phép có được các hình ảnh kỹ thuật số trong L * a * b * đơn vị màu cho mỗi pixel của hình ảnh RGB kỹ thuật số. Năm mô hình đã được xây dựng trước đó đã có thể đo màu trong L * a * b * đơn vị và đồng thời đo màu sắc của mỗi điểm ảnh trên bề mặt mục tiêu. Th là không phải là trường hợp với colorimeters thông thường. Th e kết quả tốt nhất đạt được khi mô hình mạng bậc hai và thần kinh [11].
Một dễ dàng hơn, phương pháp performable đã được đề xuất sử dụng một sự kết hợp của máy ảnh kỹ thuật số, máy tính, và các phần mềm đồ họa để đo lường và phân tích màu sắc bề mặt của sản phẩm thực phẩm [ 12]. Đo màu sắc, đặc biệt là trong L * a * b * không gian, cung cấp một sự phân biệt thống kê tốt hơn giữa các nhóm fi sh nghiên cứu là phân tích cảm quan. Trong thực tế, mặc dù trong thỏa thuận với kết quả của bảng điều khiển, các phương pháp so màu có thể phân biệt được tất cả các nhóm về các màu trung bình và không đồng nhất về màu sắc. Th e mức độ rất cao về độ chính xác của các kết quả này cung cấp một sự hiểu biết của các eff ect của quá trình sấy trên màu sắc của các mẫu khác erent [13]. Tuy nhiên, nó trở nên rõ ràng rằng việc xác định chỉ có một thuộc tính chất lượng không cient suffi. Đúng classifi cation dựa trên các biến thực nghiệm đo bằng phân tích chức năng phân biệt là người nghèo cho dữ liệu màu sắc một mình, chấp nhận được đối với dữ liệu mũi điện tử một mình, và tuyệt vời với những dữ liệu này kết hợp [14]. Kết hợp dữ liệu từ các cảm biến khác nhau cải thiện các ước tính của sự tươi mát của fi sh [15]. Để chứng minh điều này, màu sắc, kết cấu, và các phép đo mũi điện tử đã được lựa chọn và kết quả kiểm định của họ kết hợp để xây dựng một Artifi tài Quality Index (AQI) [16]. Nó đã được báo cáo rằng thị giác máy có thể erentiate diff và định lượng phân bố màu sắc trong fi sh mẫu với màu sắc không đồng đều. Trong trường hợp của cá ngừ tươi, các giá trị hue off đến khía cạnh ít biến đổi và đơn điệu hơn với những thay đổi thời gian lưu trữ. Màu sắc của cá ngừ tươi tiếp xúc với 4% CO trong 48 h vẫn không thay đổi với thời gian lưu trữ trong tủ lạnh. Màu e thứ của mẫu kiểm soát đã làm thay đổi đáng kể và biến màu nâu [17].
Một chỉ số mới, có tên Toàn bộ Color Index (ECI), được phát triển để thể hiện h * và C *, mà là biến kết hợp không thể được xem xét một cách riêng biệt. ECI đã được tính toán như ECIi = C * cos (hi - hmean). Trong tất cả các loài đã có một gradient dorsoventral đáng chú ý trong bình L * và * h, với diện tích bụng được thống kê không thể signifi và sáng hơn so với cái lưng. ECI giá trị là loài specifi c nhưng không cho thấy bất kỳ Gradient dorsoventral cant signifi thống kê, với ngoại lệ của pagrus pagrus. Thời gian lưu trữ aff ected L * và * h chỉ trong khu vực da lưng. Tuy nhiên, các eff ect lưu trữ trên băng là refl tốt hơn ected giá ECI có nghĩa là, điều đó cho thấy sự sụt giảm đáng kể từ ngày 3 đến ngày 7 ở cả lưng và các vùng da bụng. Có thể kết luận rằng các kết quả cung cấp dữ liệu cho một quyết tâm nonsubjective của mô hình màu da và cho thấy rằng ECI off ers một chỉ số tốt về màu sắc thực tế một cách có ý nghĩa và mục tiêu [18].
22,4 Màu Đo cá và sản phẩm thủy sản
Ngược lại với thịt động vật máu nóng, các báo cáo về các phép đo màu đưa vào fi sh và / hoặc các sản phẩm fi shery là khó khăn hơn để fi nd trong sách đối phó với màu sắc của các loại thực phẩm [1,19-24]. Đo màu thịt tươi [1] được giải thích như là một ví dụ điển hình cho thực phẩm cơ, mô hình hóa sự ổn định màu sắc được thảo luận trên thịt bò tươi [25]. Th erefore, mục đích của chương này là để cung cấp cho một cái nhìn tổng quan về tầm quan trọng và ứng dụng đo màu trên fi sh và fi shery sản phẩm. Th e sau khu vực chính của ứng dụng của phép đo màu được coi là: nuôi trồng thủy sản, fi sh thịt băm, surimi và các sản phẩm surimi, chế biến eff ect trên màu sắc của fi sh và fi shery sản phẩm (đông lạnh và bảo quản đông lạnh, chế biến nhiệt, sưởi ấm và hút thuốc lá), và áp suất cao chế biến