УДК 637.5.04:664.92.035
Компьютерная экспресс-диагностика, основанная на регистрации изменений
цветовых характеристик веществ различной физико-химической природы
,
Кафедра математических и естественных дисциплин,
Новгородский филиал Санкт-Петербургского государственного университета
сервиса и экономики
*****@***ru
В своей научной и практической деятельности мы постоянно сталкиваемся с необходимостью экспресс-диагностики материалов и веществ различной физико-химической природы, для которых можно выделить ряд параметров и характеристик, сильно зависящих от внешних воздействий. К таким характеристикам в целом ряде случаев можно отнести цвет. Несмотря на высокую чувствительность человеческого глаза, визуальная регистрация изменений носит субъективный характер и зависит от остроты зрения и опыта исследователей, которые часто по-разному оценивают изменение цвета. Встает задача в разработке чувствительных, универсальных и простых методов экспресс-диагностики объектов различной физико-химической природы.
Регистрацию изменений цветовых характеристик исследуемых образцов можно реализовать, используя современные компьютерные технологии, оргтехнику и специализированное для этих целей программное обеспечение. Для оцифровки изображений можно использовать профессиональные и полупрофессиональные сканеры, цифровые аппараты и камеры, имеющие высокое разрешение – до 6400 dpi, большую глубину резкости и динамический диапазон 4 D. Коррекция и последующая обработка оцифрованных изображений может проводиться с использованием встроенного в сканер программного обеспечения, с помощью различных программных пакетов, например, «Matlab», «Mathcad», «Image-Pro-Plus», а также с помощью авторских программ [1,2].
Повышение надежности интерпретации экспериментальных результатов достигается отходом от субъективной визуальной оценки зарегистрированных изменений цветовых характеристик и введением объективных количественных критериев. В работах [2–4] на примере регистрации изменения цветовых характеристик рассматриваются возможности экспресс-диагностики качества биологических объектов (мясное сырье и колбасные изделия различных производителей), технологического процесса (посол мяса), а также воды и пива. Для оцифровки объектов использовались сканеры EPSON PERFECTION 4870 PHOTO и EPSON PERFECTION V750 PRO. Сканирование проводилось в ручном режиме при установках, которые не изменялись в процессе исследования. Для оцифровки воды и пива применялся цифровой аппарат «Olympus Camedia 5060» со специально оптической насадкой, изготовленной под микроскоп МИН-8.
Для полученных изображений с помощью одной из перечисленных выше программ строились области равного контраста (ОРК), разностный контраст (РК), яркостные характеристики (ЯХ) и по выбранным направлениям профили интенсивности (ПИ). Разностный контраст получался путём вычитания одного изображения из другого. Если исследуемые изображения имеют даже не воспринимаемые глазом цветовые отличия, то ОРК, РК, ЯХ и ПИ отражают факт их наличия. При отсутствии изменений получаем нулевой РК, представляющий собой однородный фон, а при наличии изменений – не нулевой РК и соответствующую ему фоновую неоднородность. Регистрация изменений ОРК, РК, ЯХ и ПИ позволила получить не только качественную, но и количественную оценку изменений в исследуемых объектах. При обработке цветных изображений ЯХ и ПИ строятся для трёх компонент цвета – синей, зелёной и красной. Для анализа берётся та компонента, для которой наблюдаются наибольшие изменения. Обработка изображения проводится как в цветном, так и черно-белом форматах. ОРК строятся при соответствующем выборе количества градаций цвета. Для ЯХ по оси абсцисс откладывается интенсивность в градациях серого цвета (для 8-битного изображения 255 градаций), по оси ординат – количество точек, имеющих данную интенсивность. Для ПИ по оси ординат – интенсивность в градациях серого цвета, а по оси абсцисс – размер изображения в пикселях. ЯХ, ПИ и РК строились в программе «Image-Pro-Plus», ОРК в пакетах «Matlab» или «Mathcad» [2]. Примеры применения методик представлены ниже.
Диагностика мясного сырья и мясопродуктов. Одним из условий получения продуктов высокого качества является организация на мясоперерабатывающем предприятии контроля поступающего мясного сырья. Мясо различных производителей может заметно отличаться по своему качеству, что определяется породой животных, кормовой базой, условиями и временем хранения, транспортировки и т. д. После оценки качества мясного сырья специалистами принимается решение по выпуску на его основе той или иной продукции. Применяемые в настоящее время методы контроля качества сырья и готовой продукции имеют ряд недостатков: для диагностики требуются дорогостоящие химические реагенты, оборудование и приборы, значительные затраты времени, высококвалифицированные специалисты. Часто предприятия вынуждены запускать мясное сырье в производство прямо с колес.
Анализируя данные, приведенные на рис.1 можно утверждать следующее:
– мясо говядины трёх различных производителей (условно 1, 2 и 3) отличается по цвету, о чем свидетельствуют различные максимальные значения ЯХ, рис. 1,а;
– мясо свинины, взятое из тазобедренной части туши и подвергнутое последовательно двум заморозкам, отличается по цвету от исходного, рис. 1,б;
– мясо при хранении также меняет свой цвет, рис. 1, в.
Подобные зависимости ЯХ можно представить для колбасных изделий одного и того же наименования и сорта, изготовленных по одному ГОСТ, для разных производителей и условий хранения. Визуальная оценка мяса не позволяла надежно зафиксировать отличие цвета [3].
а б в
Рис.1. Изменения максимальных значений ЯХ изображений мяса говядины для трех производителей (а); изменение максимальных значений ЯХ изображений мяса свинины после первой и второй заморозки (б) (1 – исходное, 2 – первая заморозка, 3 – вторая заморозка); изменение максимальных значений ЯХ для изображений мяса говядины при хранении (в) (1 – парное мясо, 2 –после хранения в течение 24 часов при температуре 4–6 єС и относительной влажности воздуха 75 %).
Компьютерная визуализация процесса посола мяса цыпленка-бройлера многокомпонентными смесями соль-перец-чеснок. Производство деликатесных видов мясных изделий является сложным технологическим процессом, требующим постоянного контроля качества используемого сырья и самого процесса. Посол мяса многокомпонентными смесями требует не только определения оптимальных режимов и условий его проведения, но и организации эффективной диагностики, определения скорости процесса, глубины проникновения компонентов посолочной смеси в мясо и т. д. При посоле происходит изменение цвета мяса, фиксация которого человеческим глазом затруднена, особенно на начальном этапе. Сканирование и последующая цифровая обработка позволяют выявить даже незначительные изменения цвета, но провести чёткую границу между пропитанными и непропитанными областями не представляется возможным. Определение глубины проникновения смеси и её компонентов оценивали по снятым профилям интенсивности (ПИ) и областям равного контраста (ОРК). Из-за влияния границ между волокнами мышечной ткани профили интенсивности, построенные для исходных изображений, имели сильную флуктуацию интенсивности, что затрудняло интерпретацию экспериментальных данных, и определение глубины проникновения посолочной смеси и её компонентов. Для устранения этого при построении ОРК, ПИ и более точного определения глубины посола исходные изображения подвергались гаусс-размытию в программе «Adobe Photoshop» (оптимальный радиус размытия 5–10 пикселей). В мясе скорости процесса посола смесью и её отдельными компонентами будут по различным направлениям отличны друг от друга, поэтому анализируемый контраст должен отражать эти обстоятельства.
Для визуализации посола мяса и определения глубины проникновения компонентов смеси использовались 4 различные методики: 1 – основана на анализе областей равного контраста и профилей интенсивности; 2 – основана на разложении изображения по цветовым каналам (красный, зелёный, синий); 3 – основана на регистрации разностного контраста; 4 – комбинированная.
На рис. 2 представлен используемый подход к визуализации процесса посола и определению его количественных характеристик, римскими цифрами показаны четыре направления, по которым снимались ПИ, в том числе вдоль волокон мышечной ткани и перпендикулярно им. В идеальном случае для данного изображения мяса ПИ имеют вид, представленный на рисунке 2, в: 1 – исходный, 2 – 4 –
Рис. 2. Схема визуализации процесса посола мяса смесью из трех компонент А, В и С: а – исходное изображение, римскими цифрами показаны направления снятия ПИ; б – после посола в течение некоторого времени; в – ПИ (1 – исходный, 2-4 – после посола в течение времени t1 < t2 < t3, l1, l2, l3 – глубина посола); г – изменение контраста при пяти градациях цвета. | для различного времени посола t, причём t1 < t2< t3 и l1< l2< l3, где l – глубина посола. Увеличение времени посола приводит к изменению контраста и ПИ. Сопоставляя изображения ОРК, полученные для разных уровней гаусс-размытия, с построенными ПИ, и зная размеры образца мяса и пикселя, удаётся достаточно надёжно определить глубину проникновения посолочной смеси и оценить глубину проникновения ее компонентов. При построении ОРК необходимо выбрать оптимальное число градаций цвета. До посола анализируемый контраст обусловлен в основном мясом и соединительной тканью, т. е. имеем двухцветное изображение (две градации цвета). |
В процессе посола добавляется контраст, создаваемый компонентами посолочной смеси, условно А, В и С. В этом случае ОРК состоят из 5 разноцветных областей (рис.2, г). Контраст в 1 области создается компонентами А, В и С, во 2 – компонентами В и С, в 3 – компонентой С, имеющей наибольший коэффициент диффузии по сравнению с компонентами А и В. Коэффициент диффузии компоненты В выше, чем у компоненты А. Области 4 и 5 соответствуют мясу и соединительной ткани. Таким образом, в идеальном случае анализируемое изображение представляет собой ОРК, состоящие из пяти разноцветных или чёрно-белых областей (5 градаций цвета). Линии, разделяющие эти области, можно связать с глубиной проникновения смеси и её компонентов. Увеличение числа градаций цвета позволяет более детально оценить изменение контраста в каждой области. По изменению контраста и по снятым профилям интенсивности можно судить об изменении концентрации смеси и её компонентов по глубине, определить скорости их проникновения и коэффициенты диффузии, а также получить аналитические выражения, описывающие данный процесс посола.
Реальный контраст, как правило, имеет более сложный вид, и его расшифровка требует навыка, но рассмотренные выше закономерности в целом сохраняются. На рис. 3 представлены ОРК и ПИ для одной из примененных цифровых методик.
б
Рис. 3. Сухой способ посола мяса цыплёнка-бройлера смесью соль-перец-чеснок: а – ОРК для 5 градаций цвета, построенные для изображений разностного контраста; б – ПИ, построенные по направлению 1 (диагональ с верхнего левого угла в нижний правый). Цифрами указано время посола в минутах.
Исследования воды, поступающей из очистительных сооружений в жилые дома, различные организации и промышленные предприятия показали, что методики, основанные на регистрации изменений цветовых характеристик, являются чувствительными к наличию большого количества примесей и загрязнений и могут быть эффективно использованы при экспресс-диагностики качества воды.
Цифровые методики показали свою перспективность при диагностике качества пива и процесса его старения, регистрации частиц, находящихся в пиве, а также для диагностики молочных продуктов, детского питания, соков, вина и т. д.
Литература
1. , , Вейвлет-анализ топографических и поляризационно-оптических изображений дефектов структуры монокристаллов. – Великий Новгород: НовГУ им. Ярослава Мудрого, 2006.– 397 с.
2. , , Цифровые методы экспресс-диагностики качества пищевых продуктов и визуализации процесса посола мяса. – Великий Новгород: НовГУ им. Ярослава Мудрого, 2008. – 316 с.
3. , , Контроль качества мясного сырья по цветовым характеристикам // Мясная индустрия. – № 6 – 2007. – С. 61 – 64.
4. , , Экспресс-диагностика, основанная на регистрации цветовых характеристик исследуемого вещества // Заводская лаборатория. Диагностика материалов. – 2008. – Т. 74, № 11. – С. 32–37.
Научный руководитель – д. ф.-м. н., профессор
