Содержание к диссертации
Введение
ГЛАВА 1. Аналитический обзор систем технического зрения, основанных на применении цветового анализа 12
1.1. Задачи, решаемые с помощью цветовых систем технического зрения 12
1.2. Классификация систем технического зрения, основанных на применении цветового анализа. Особенности отдельных классов и применяемых ими алгоритмов 19
1.3. Общие принципы обработки и анализа изображений при цветовом анализе. Схема обобщенного алгоритма 26
1.4. Постановка цели и задач исследования 28
ГЛАВА 2. Основные принципы цветового анализа изображений объектов с использованием технологий технического зрения 31
2.1. Факторы, влияющие на результат анализа цветовых параметров объектов 31
2.1.1. Размер, структура поверхности и цветовые характеристики анализируемого объекта. Влияние фактора движения объекта на процесс его цветового анализа 32
2.1.2. Светотеневая и цветовая картина в зоне анализа объекта 34
2.1.3. Процесс получения цветного изображения. Влияние параметров матричного приемника и оптической системы на регистрируемый сигнал 39
2.1.4. Процедуры алгоритма цветового анализа
2.2. Проблемы, возникающие в процессе цветового анализа 49
2.3. Формирование последовательности действий для создания цветовой системы технического зрения общего вида 51
Выводы по главе 62
ГЛАВА 3. Имитационная модель цветовых параметров объектов различной природы, сложных по структуре и цвету поверхности 66
3.1 Методика моделирования цветовых параметров изображения объекта 66
3.1.1 Цветовые параметры изображения объекта при освещении различными источниками 67
3.1.2 Цветовые параметры изображения объекта с учетом рельефа его поверхности 70
3.1.3 Цветовые параметры изображения объекта с учетом цветового перехода 71
3.1.4 Изменение цветовых параметров изображения объекта во времени 72
3.2 Результаты моделирования цветовых параметров изображений продуктов животного
происхождения и минеральных образцов 74
3.2.1 Цветовые параметры изображения образца говядины 75
3.2.2 Цветовые параметры изображения образца кварца 84
Выводы по главе 88
ГЛАВА 4. Экспериментальные исследования цветовых параметров объектов методом технического зрения 90
4.1 Описание экспериментальной установки 90
4.2. Эксперимент с пищевыми продуктами животного происхождения 92
4.3. Эксперимент с минеральными образцами 102
Выводы по главе 111
Заключение 114
Список литературы 121
- Классификация систем технического зрения, основанных на применении цветового анализа. Особенности отдельных классов и применяемых ими алгоритмов
- Светотеневая и цветовая картина в зоне анализа объекта
- Цветовые параметры изображения объекта с учетом рельефа его поверхности
- Эксперимент с пищевыми продуктами животного происхождения
Введение к работе
Актуальность работы
В последнее десятилетие наблюдается стремительное развитие устройств регистрации изображений. Наряду с высоким разрешением, современные матрицы показывают рекордную скорость съемки, на порядки превышающую привычные двадцать пять кадров в секунду. Совершенствуются и математические методы обработки цифровых данных, что позволяет извлекать из изображений все больше информации. В результате, на сегодняшний день практически для любой задачи, связанной с необходимостью наблюдения за объектом, измерением и/или контролем его параметров, возможно создание системы технического зрения, которая позволит значительно увеличить скорость осмотра и точность анализа, исключив влияние «человеческого фактора». Кроме того, в ряде случаев возможности таких систем намного превышают возможности человека как анализатора изображений.
Одним из наиболее информативных параметров цифрового изображения является цвет. На сегодняшний день анализ цвета объектов используется в самых разных областях человеческой деятельности – промышленности, медицине, минералогии, сельском хозяйстве. Он применяется при решении таких задач, как обогащение твердых полезных ископаемых, определение свежести мясных продуктов и качественная сепарация зерновых, сортировка твердых бытовых отходов, контроль качества цвета продукции на различных стадиях производства, поиск дефектов упаковки и т.д. Однако несмотря на такое разнообразное применение до сегодняшнего дня многие задачи цветового анализа до сих пор решаются путем визуального осмотра. Существующие же технические реализации данного метода представляют собой сугубо частные решения, функционирующие исключительно в рамках конкретной задачи. Массовой автоматизации процессов, основанных на измерении или контроле цвета, мешает, в том числе, отсутствие методик, которые позволили бы еще на этапе проектирования спрогнозировать результат и оценить эффективность работы создаваемой цветовой системы технического зрения (ЦСТЗ). Такой подход позволил бы снизить риски при автоматизации процессов, основанных на цветовом анализе, тем самым увеличив количество и качество подобных систем. Еще одной проблемой является тот факт, что компоненты ЦСТЗ, начиная от элементов аппаратной части и заканчивая операциями программного обеспечения, зачастую, подбираются экспериментально, что нельзя считать оптимальным. Таким образом, в настоящее время в организации процесса цветового анализа объектов с использованием технологий технического зрения существует методологический пробел, что обуславливает актуальность проведения соответствующих исследований.
Цель работы
Настоящая работа посвящена исследованию и разработке принципов цветового анализа объектов с использованием технологий технического зрения, в том числе, методики моделирования цветовых параметров изображений
объектов анализа для оптимизации проектирования и реализации
соответствующих оптико-электронных систем.
Для достижения поставленной цели необходимо решить следующие основные задачи:
-
Выявить особенности отдельных групп существующих ЦСТЗ с их последующей классификацией.
-
Качественно описать основные факторы, оказывающие критическое влияние на результат цветового анализа изображений объектов с помощью ЦСТЗ, а также структурировать основные проблемы, возникающие в процессе реализации такого анализа. По каждой из выявленных проблем требуется сформулировать возможные решения.
-
Разработать принципы цветового анализа изображений объектов с помощью ЦСТЗ, учитывающие основные мешающие факторы для исключения (или минимизации) их влияния на итоговый результат.
-
Разработать методику компьютерного моделирования цветовых параметров изображений объектов различной природы, сложных по структуре и цвету поверхности, с учетом спектральных свойств используемого источника оптического излучения (ИОИ) и возможных временных изменений цветовых параметров изображения объекта анализа.
-
Реализовать макет ЦСТЗ для экспериментальных исследований в лабораторных условиях.
-
Разработать алгоритмы анализа цветовых параметров изображений объектов различной природы, а также реализовать для описанных алгоритмов соответствующее программное обеспечение.
-
Провести комплекс экспериментальных исследований цветовых параметров объектов различной природы (мясных продуктов и минеральных образцов) с целью апробации предложенных принципов цветового анализа на разработанном макете ЦСТЗ, а также для тестирования применимости предложенной имитационной модели на практике.
Научная новизна диссертации
-
Предложена оригинальная методика моделирования цветовых параметров изображений объектов различной природы, сложных по структуре и цвету поверхности, которая учитывает рельеф поверхности объекта, смешение на ней нескольких цветов, ее возможное бликование, а также освещение объекта источниками различного спектрального состава.
-
Предложена методика моделирования изменения цветовых параметров изображений объектов различной природы с течением времени, которая позволяет получить ряд изображений объекта для требуемых временных интервалов.
Практическая ценность работы
1. Методика моделирования цветовых параметров объектов различной природы, учитывающая рельеф поверхности объекта, смешение на ней нескольких цветов, ее возможное бликование, освещение объекта источниками
различного спектрального состава, а также изменение цветовых параметров изображения объекта во времени.
-
Действующий макет ЦСТЗ, позволяющий экспериментально исследовать принципы цветового анализа объектов различной природы.
-
Рабочий алгоритм анализа цветовых параметров мясных продуктов, позволяющий наблюдать их изменение с течением времени.
-
Рабочий алгоритм цветового анализа для разделения минеральных образцов по группам полезности в зависимости от их минерального состава.
-
Результаты экспериментальных исследований на разработанном макете ЦСТЗ цветовых параметров объектов различной природы (мясных продуктов и минеральных образцов), подтверждающие применимость предложенных принципов цветового анализа и имитационной модели на практике.
Методы исследования
При проведении работы использовались элементы классической теории
цвета и его измерения (в том числе, модели представления и преобразования
цвета), методы математического моделирования цветовых оттенков,
методы технического зрения и цифровой обработки изображений, методы теории оптических измерений и методы объектно-ориентированного программирования на языке С++.
Основные положения и результаты, выносимые на защиту
-
Установлено, что имитационная модель изменения цветовых параметров изображений объектов животного происхождения, основанная на спектральных распределениях отражательной способности ферментов миоглобина, метмиоглобина и оксимиоглобина, в совокупности с временной зависимостью денатурации животного белка позволяет спрогнозировать изменение качества мясных продуктов с течением времени.
-
Установлено, что компьютерная модель цветовых параметров изображений минеральных образцов, отличающихся цветом и/или структурой поверхности, при известных спектрах отражения образцов и спектральных свойствах используемого источника излучения, обеспечивает достоверное прогнозирование возможности их разделения.
-
Результаты экспериментальных исследований динамики изменения во времени цветового тона, светлоты и насыщенности изображений продуктов животного происхождения подтверждают возможность прогноза временного изменения качества мясных продуктов с помощью макета ЦСТЗ, реализующего предложенный алгоритм анализа.
-
Результаты экспериментальных исследований смеси малоконтрастных минеральных образцов подтверждают возможность разделения минерального сырья смешанного состава по цвету на группы полезности с помощью макета ЦСТЗ совместно с разработанным алгоритмом анализа.
Реализация результатов работы
Результаты настоящей работы отражены в 4 отчетах по НИР, проводимых
коллективом Научно-образовательного центра оптико-электронного
приборостроения Университета ИТМО, что подтверждено актами
использования материалов при выполнении НИР. Развитие исследований в рамках диссертационной работы поддержано грантами правительства г. Санкт-Петербурга (в 2013 и 2016 годах).
Достоверность результатов проведенных исследований подтверждается
хорошим совпадением результатов моделирования со значениями,
полученными в ходе экспериментального исследования пищевых продуктов животного происхождения, а также минерального сырья с помощью разработанного макета ЦСТЗ.
Апробация работы
Основные результаты диссертационной работы докладывались и обсуждались на 12 конференциях и 2 специализированных выставках: на I, II и III Всероссийских конгрессах молодых ученых, на выставке «Итоги реализации ФЦП «Исследования и разработки по приоритетным направлениям развития научно-технологического комплекса Российской Федерации на 2007–2013 годы» (24-27 апреля 2013 г.), на 11-й Международной выставке «Недра-2014. Изучение. Разведка. Добыча» (1-3 апреля 2014 г.), на конференции «Applications of Digital Image Processing XXXVII», SPIE Optics + Photonics (17-21 августа, 2014), на 24-ой международной конференции по компьютерной графике и зрению «Графикон-2014», на X и XI международных конференциях «Прикладная оптика», а также на
Публикации
По теме диссертационной работы опубликованы 27 научных работ, в том числе, 8 статей в изданиях из перечня ВАК, 3 статьи в изданиях, включенных в системы цитирования Scopus и Web of Science, 1 патент РФ на изобретение и 2 свидетельства о государственной регистрации программы для ЭВМ.
Структура и объем работы
Диссертационная работа состоит из введения, четырех глав, заключения, библиографического списка из 96 наименований. Общий объем работы составляет 139 страниц, включая 5 таблиц, 66 рисунков и 20 формул.
Классификация систем технического зрения, основанных на применении цветового анализа. Особенности отдельных классов и применяемых ими алгоритмов
Несмотря на большое разнообразие задач, решаемых с использованием ЦСТЗ, каждую из них можно отнести к одной из следующих групп: – контроль цвета, или проверка на соответствие цвету, – разделение объектов на основании их цветовых различий, – обнаружение объектов по цветовым характеристикам их изображений, – распознавание объектов по цвету, – анализ цвета или получение количественной оценки цвета анализируемого объекта.
Наиболее распространенной задачей цветового анализа с использованием технологий технического зрения является контроль цвета, или проверка на соответствие цвету, на разных стадиях промышленного производства [14-16]. В силу большой конкуренции для обеспечения реализации производимой продукции, все большее значение приобретает контроль качества конечного продукта. Когда покупатель приобретает товар с неоднородной окраской упаковки, или, например, браком самой продукции, это, безусловно, накладывает негативный отпечаток на репутацию производителя. При этом в некоторых случаях скорость движения продукта производства на конвейерной ленте настолько высока, что контроль посредством визуального осмотра становится невозможным. Другой проблемой является так называемый «человеческий фактор» – явление, при котором процент производственных ошибок меняется в зависимости от степени утомления оператора конвейерной ленты. Таким образом, чтобы снизить количество различного рода брака, доходящего до конечного потребителя, необходимы системы технического зрения, осуществляющие контроль качества в автоматическом режиме.
В качестве типового примера задачи проверки на соответствие цвету можно привести автоматизированную ЦСТЗ для контроля таблеток в фармацевтических блистерных упаковках [17]. Предложенный авторами метод позволяет инспектировать в режиме реального времени попадание в ячейки отличных по цвету или сломанных таблеток, а также предотвратить наличие пустых ячеек. Ключевым этапом алгоритма является цветовая сегментация захваченного изображения.
Представленная ЦСТЗ содержит трехматричную цветную видеокамеру с технологией цветоделения, блок подсветки, промышленный ПК (персональный компьютер) с функцией захвата кадра и плату ввода/вывода (Рисунок 1.1). Схема работы ЦСТЗ для контроля таблеток в фармацевтических блистерных упаковках [17] Сцена освещается неоновыми лампами, свет от которых проходит сначала диффузное стекло, а затем попадает в зону анализа. ЦСТЗ работает в двух режимах: «Обучение» и «Контроль».
В режиме «Обучение» оператор определяет на захваченном изображении границы ячеек и выбирает одну точку на поверхности любой таблетки, которая не имеет дефектов. Далее изображение корректируется для устранения пространственной неоднородности цвета и сегментируется на отдельные объекты. Из результата сегментации извлекаются такие параметры, как положение, размер, форма и цвет таблетки. Полученная модель коррекции пространственной неоднородности цвета, параметры таблетки, а также соответствующие каждому параметру допуски, задаваемые оператором, сохраняются.
В режиме "Контроль" анализируемое изображение умножается на модель коррекции пространственной неоднородности цвета и разделяется на сегменты. Параметры каждой таблетки сравниваются со значениями параметров эталонной таблетки. В зависимости от предварительно выбранных оператором допусков ячейка классифицируется как «хорошая» или «плохая». Авторы отмечают, что наиболее важными элементами всего алгоритма, которые и определяют точность, надежность, а также скорость работы разработанной ЦСТЗ, являются коррекция пространственной неоднородности цвета и сегментация.
В результате экспериментальной проверки на трехстах изображениях с дефектными таблетками, все из них были обнаружены. При этом ЦСТЗ работала со скоростью, приблизительно, 100 мс на одну блистерную упаковку.
Еще одной широкой областью, где в автоматическом режиме анализируются цветовые параметры объектов, является сортировка различных продуктов и материалов по группам. «Фотометрический», или оптический, метод сепарации, основанный на разделении по цветовым различиям анализируемых объектов, на сегодняшний день является одним из наиболее динамично развивающихся радиометрических методов. Он известен достаточно давно и активно применяется во многих странах для сортировки минеральных объектов [1-3], промышленных и бытовых отходов [10-12], вторичного стекла [18] (Рисунок 1.2).
Светотеневая и цветовая картина в зоне анализа объекта
Влияние движения объекта на процесс его цветового анализа заключается в формировании «смаза» – множественного наложения со смещением неискаженного изображения [30]. По возможности следует избегать появления данного эффекта, так как полностью восстановить смазанное изображение невозможно. Например, импульсная подсветка объекта анализа, согласованная с частотой смены кадров матрицы ПОИ, в большинстве случаев исключает появление смазанных изображений. В случае если «смаз» все же присутствует, но не превышает 1-2 пикселя, улучшить полученное изображение можно с помощью различных методов, описанных, например, в работах Гонсалеса и Вудса [31]: фильтра Винера (от англ. Wiener), фильтрации по Тихонову, метода Люси-Ричардсона, слепой деконволюции (blind deconvolution).
Качество освещения является критически важным аспектом для создания ЦСТЗ. В общем случае, выбору подлежат: – схема освещения (фоновое, купольное, направленное и осевое освещение) (Рисунок 2.2), – параметры источника (интенсивность, спектр, индикатриса излучения). Рисунок 2.2 – Схемы освещения при цветовом анализе а) фоновое освещение, б) купольное освещение, в) направленное освещение, г) осевое освещение
Фоновое освещение обычно применяется для цветового анализа полупрозрачных объектов. В этом случае анализируемый объект помещают на матовое стекло, освещаемое снизу, что позволяет наблюдать внутреннюю структуру объекта и ее цветовые оттенки. Следует отметить, что использование такой схемы требует соответствующего увеличения мощности источника излучения и/или увеличения величины экспозиции при съемке. Купольное освещение рационально использовать при анализе глянцевых поверхностей с высоким коэффициентом отражения. Многократно отражаясь от матовых стенок купола, лучи света обеспечивают равномерное по интенсивности освещение всей зоны анализа, исключая при этом появление блика. Недостатком такой схемы является необходимость увеличения величины экспозиции вследствие большей, чем при прямой засветке, оптической длины пути.
Наиболее часто используемой является схема направленного освещения. Она реализуется источником, световой поток от которого направляют под углом более 45 к плоскости зоны анализа. Таким образом, свет, попадающий в объектив, в данном случае является диффузно отраженным от поверхности объекта. Основной недостаток такой схемы – неравномерность освещения зоны анализа.
В случаях, когда требуется фронтальное освещение объекта, используется осевая схема. Полупрозрачное зеркало, установленное под углом 45 относительно плоскости зоны анализа, позволяет направить лучи прямо на объект, а отраженным от объекта лучам – попасть в объектив видеокамеры. Поверхности с различной отражательной способностью при таком типе освещения становятся высококонтрастными. Недостатками осевой схемы являются неравномерность засветки, а также большие энергетические потери и более маленькая зона анализа (в данном случае она зависит от размера полупрозрачного зеркала) по сравнению с другими рассмотренными схемами освещения.
Различие случаев направленного и купольного освещения проиллюстрировано на рисунке 2.3 на примере кнопочного номеронабирателя [32]. Направленное освещение создает блик на глянцевом изогнутом материале кнопок, в то время как купольная схема позволяет равномерно осветить поверхность. Разумеется, спектр подсветки не должен искажать цветовой характеристики объекта анализа (т.е., не следует, например, синий объект освещать источником, имеющим провал в синей области спектра).
Цветовые параметры изображения объекта с учетом рельефа его поверхности
В настоящей работе для создания ЦСТЗ предлагается осуществлять обязательное предварительное численное моделирование изображения анализируемого объекта. Необходимость данного этапа, а в некоторых случаях и его незаменимость для создания ЦСТЗ, можно пояснить на следующих примерах. 1) Например, существует задача автоматизации процесса разделения по цвету некоторых двух типов объектов. Однако эффективность использования метода систем технического зрения не очевидна в виду слабой цветовой контрастности данных объектов по отношению друг к другу. В таком случае предварительное моделирование даст численные значения разницы цветовых параметров двух объектов, на основании которой можно делать вывод о возможности или невозможности разделения анализируемых объектов при помощи предполагаемой, еще не реализованной ЦСТЗ. 2) Второй пример иллюстрирует случай проверки объектов анализа на соответствие цвету эталонного объекта. Используемые источники и приемник излучения должны обеспечивать максимальные цветовые различия изображений эталонного объекта и объекта, считающегося отклонением от нормы. Добиться этого можно путем визуального изучения и сравнения спектральных характеристик отражения или пропускания самого объекта контроля, спектральных характеристик излучения ИОИ и спектральной чувствительности ПОИ. Однако подобный подход не может считаться объективным. В то же время предварительное моделирование позволит численно оценить на смоделированном изображении анализируемых объектов разницу между парами цветов контрольного объекта и объекта-эталона (при освещении их поверхности различными источниками и регистрации различными видеокамерами) и сделать обоснованный выбор в пользу одной из оптимальных пар «приемник-источник».
Рассмотренные частные случаи – далеко не полный перечень проблем, которые решаются посредством предварительного моделирования изображения анализируемого объекта. Поэтапное описание данного процесса вынесено в отдельную самостоятельную часть и представлено в третьей главе настоящей работы. Этап 5. Разработка и расчет схемы ЦСТЗ
На основании результатов предыдущих этапов выбирается схема построения ЦСТЗ [78], в том числе, взаимное расположение источника/источников излучения, зоны анализа и видеокамеры, и осуществляется расчет рабочих параметров ЦСТЗ: скорости движения объекта, скорости съемки, частоты излучения импульсного освещения и др. Этап 6. Выбор видеокамеры и оптической системы В случае цветового анализа ключевым требованием к видеокамере является ее способность максимально точно передавать цвет объектов. При этом она должна обеспечивать получение картинки требуемого качества даже в случае низкой освещенности или сложной (постоянной или изменяющейся) светотеневой и цветовой обстановке в зоне анализа. Выбор приемника излучения следует начать с определения подходящей технологии видеокамеры. Главным фактором при этом будет количество информации, которое должно содержать изображение. Разделяют промышленные и сетевые видеокамеры. Промышленные видеокамеры изначально были разработаны для создания систем технического зрения – с целью автоматизированного контроля качества технологических процессов на производстве. Они обеспечивают передачу несжатого изображения максимального качества без каких-либо потерь – на сервер передаются довольно большие объемы данных. Соответственно, такая технология видеокамеры подходит для решения задач анализа, контроля и разделения. Сетевые же камеры, в основной своей массе, используются для решения классических задач видеонаблюдения, однако, как было упомянуто в первой главе настоящей работы, существует немало систем для обнаружения и идентификации объектов, основанных на анализе цвета.
Промышленные видеокамеры, в свою очередь, подразделяются на матричные и линейные. Линейные видеокамеры содержат всего одну, две или три строки пикселей, в то время как матричные видеокамеры имеют прямоугольный сенсор, содержащий множество строк пикселей. Чтобы понять, какой принцип захвата изображения подходит в конкретном случае, необходимо опираться на требуемую скорость съемки объектов. Линейные камеры идеально подходят для применения в областях, основными требованиями в которых являются высокая скорость съемки. Например, при проверке печатных изображений в газетных и журнальных типографиях, печатная продукция движется со скоростью до 100 км/ч. В данном случае применение линейной видеокамеры неизбежно.
Выбор типа сенсора матричного ПОИ сводится к анализу требуемой светочувствительности (Рисунок 2.7). Рисунок 2.7 – Диаграмма выбора типа сенсора 1 – скорость съемки, 2 – светочувствительность, 3 – энергопотребление, 4 – стоимость решения Как видно из представленной выше диаграммы, ПЗС матрицы уступают КМОП технологии по ряду характеристик, однако отличаются повышенной светочувствительностью, что является их основным преимуществом. Таким образом, если разрабатываемые ЦСТЗ планируется использовать в условиях низкой освещенности, и при этом не требуется высокой скорости съемки, то предпочтение следует отдать ПЗС технологии.
Эксперимент с пищевыми продуктами животного происхождения
Узел регистрации экспериментальной установки представляет собой промышленную полнокадровую безкорпусную видеокамеру VEI-545 фирмы ЭВС с многоэлементной цветной КМОП-матрицей. При этом разрешение кадра составляет 864600 пикселей, что позволяет без привнесения артефактов фиксировать изображение объектов крупностью от 20 мм. Фокусное расстояние объектива может варьироваться от 4 до 12 мм в зависимости от размера анализируемого объекта.
Источники оптического излучения реализованы на базе светодиодных линеек ADJD-WM40-NKKZ0 производства фирмы Avago Technologies и расположены согласно схеме направленного освещения. Угол наклона источников излучения должен обеспечить максимально возможную равномерность освещения всей площади зоны анализа, а также отсутствие на ней «горячих точек». Выбор типа источников оптического излучения обусловлен гибкостью применения светодиодного освещения (возможность управления, корректируемый спектр излучения), а также их минимальным искажением исходной цветовой характеристики объекта анализа. Использование двух и более источников способствует уменьшению теневых зон на изображениях объектов анализа, вызванных неоднородностью их формы и рельефностью поверхности.
К узлу управления предъявляются следующие требования: – минимальный объем оперативной памяти – 4096 Мб; – минимальный объем видеопамяти – 1024 Мб; – наличие не менее двух портов USB 2.0. На данный компьютер установлена операционная система Windows XP, а также программная среда Microsoft Visual Studio.
В данном разделе представлено исследование изменения цветовых параметров образцов говядины с течением времени с целью выявления закономерности таких изменений и подготовки информационной базы для реализации ЦСТЗ анализа качества пищевой продукции животного происхождения. Далее на базе проведенного эксперимента продемонстрировано соответствие теоретической зависимости цветовых параметров объектов от времени, выявленных в ходе моделирования, с наблюдаемыми изменениями цветовых параметров во время проведения эксперимента с реальными образцами. В качестве объектов исследования использовались 8 образцов говядины (Рисунок 4.3), посол которых отличался концентрацией соленой смеси NaCl +MgCl2 (нумерация от 0 до 7 соответствует изменению концентрации смеси NaCl от образца к образцу от максимальной до минимальной).
Для выявления динамики изменения цветовых параметров изображений образцов говядины с течением времени определялись следующие параметры: - спектры отражения мышечной ткани каждого образца; - гистограмма цветового тона каждого образца; - гистограмма светлоты каждого образца; - гистограмма насыщенности каждого образца; - диаграмма изменения светлоты с течением времени; - диаграмма изменения насыщенности с течением времени. Указанные характеристики анализировались в течение шести дней (данные 4-го дня не брались в расчет по причине сбоя электроснабжения в лаборатории в процессе эксперимента). В начале исследования на первой форме пользовательского интерфейса разработанного ПО (Рисунок 4.4) по нажатию соответствующей кнопки сохраняется изображение фона. Рисунок 4.4 – Первая форма пользовательского интерфейса разработанного ПО Далее, поместив в зону анализа первый объект, необходимо перейти к форме снятия серии снимков. В это время программное обеспечение автоматически удаляет фоновую часть изображения и выводит полученный результат в окно просмотра (Рисунок 4.5). Рисунок 4.5 – Вторая форма программного обеспечения
Оператор заполняет пустые поля для данных по производимой серии (количество усредняемых кадров, наименование серии), по нажатию на кнопку сохраняется усредненный кадр объекта, а также все необходимые численные параметры изображения (значения цветового тона, яркости, насыщенности, площадь объекта). Далее оператор сообщает программе о готовности к анализу следующего объекта.
На основе полученных в результате эксперимента значений цветового тона, яркости и насыщенности, строятся графики всех перечисленных выше показателей. Параллельно описанным измерениям с помощью спектрофотометра фиксируются спектры отражения каждого образца с целью объективной оценки изменения цветовых параметров образцов во времени.
Изменение цвета образцов наблюдалось уже в первые дни хранения (при t от +2 до +5). Мясо приобретало более темный цвет, происходило обесцвечивание. Биологически цвет говядины зависит от содержания в нем миоглобина, основного фермента свежего мяса. Миоглобин существует в трех формах: оксигенированной, форме, лишенной кислорода, и окисленной. Как раз превращения одной формы в другую и сопровождаются изменением цвета. Таким образом, анализируя влияние трех форм фермента, можно проводить оценку свежести исследуемого мясного продукта.