Charakteristika metody Základní vybavení OA Fáze analýzy obrazu Analýza objektů Srovnání senzorické a obrazové analýzy Výhody a nevýhody AO Využití v potravinářské praxi Případové studie
první použití této metody je zaznamenáno v polovině 60. let metoda v prvopočátcích náročná na výpočetní techniku
dostupná pro úzký kruh specialistů
1964 NASA , analýza objektů na Měsíci 1981 první obrazový systém v ČSSR, Ústav teoretických základů chemické analýzy Leitz
pokrok ve výkonosti a dostupnosti výpočetních systémů umožnil rozšíření více oborů
využívá počítačové vidění pomocí obrazových analyzátorů obraz vnímán elektronicky na bázi algoritmů inspirována lidským vnímáním a chápáním obrazu
typický představitel instrumentálních metod
rychlá, ekonomicky nenáročná, objektivní průběh metody je závislý na vstupním vzorku a povaze měřených parametrů
široké
uplatnění v mnoha oborech
klinická a experimentální medicína mineralogie zemědělství materiálové inženýrství
zavedena
do oblasti potravinářského sektoru
objektivita a efektivita hodnocení
analýza
řízena na základě informace obsažené v barevné či černobílé složce, které umožní hodnotit
strukturu a texturu výrobku četnosti vybraných objektů informace velikostní (délka, plocha, úhel)
principem
metody je převod komplexních obrazových informací na soubor předem definovaných kvalitativních a kvantitativních údajů o zaznamenaných objektech
umožňuje
opakovatelnost při relativně nízkých nákladech
metoda
náročná na proces získání obrazu
typ a způsob osvětlení nastavení záznamového zařízení volba datového formátu
nastavení
důležité z pohledu opakovatelnosti digitalizace snímků
volba
datového formátu
nekompresní formáty typu RAW, TIFF
typ
záznamového zařízení
a způsob osvětlení
vhodné osvětlení jako prevence proti nežádoucím vedlejším efektům
nežádoucí odlesky teplotní namáhání vzorku
osvětlovací
systém
záznamové
zařízení kontrolující intenzitu osvětlení (luxmetr)
vybavení
určené k digitalizaci vzorků (fotoaparát, kamerové systémy…)
snímací
deska
počítač software
(obrazový analyzátor)
Záznam digitální forma
analogová forma
Získání obrazu CCD, MRI
CT, ET, ultrazvuk
Předzpracování korektivní úpravy
zvýšení kvality obrazu
Segmentace obrazu orientace na práh
orientace na regiony
Klasifikace objektů Měření objektů
velikost, barva
tvar, textura
velikost
obvod, délka, šířka a plocha
tvar
nejběžnější z měřených parametrů
barva
důležitá role v našem vizuálním vnímání lidské oko dokáže rozeznat tisíce barevných odstínů a jejich intenzity v případě šedé barvy dokáže rozeznat asi jen 24 odstínů
opakovatelnost automatizovatelné zapojení klasifikace a měření vybraných objektů počet vybraných objektů plocha vybraných objektů četnost vybraných objektů jednoduché metody výpočtů nízká cena
celkový vzhled textura barva soudržnost nebo rozpadavost výrobku
Instrumentální metody
Senzorická analýza
generuje přesné popisné údaje rychlost a objektivita limituje lidský faktor efektivní a cenově přijatelná archivace snímků rámcově nedestruktivní
+
vysoké nároky na standartnost podmínek umělé osvětlení obtížnější identifikace objektů v nedestruovaném vzorku
-
potravinářský
průmysl se zařadil v aplikaci AO mezi 10 nejvyhledávanějších zařazena do hodnotících systémů jakosti potravin pomocný
nástroj v plně automatizovaných systémech
rostlinná
sekce živočišná sekce hotové výrobky
jakostní hodnocení
jablka citrusové plody jahody olivy brambory mouka rýže kukuřice rajčata obilná zrna paprika
čerstvé tepelně
jakostní hodnocení
maso
opracované maso vepřové hovězí drůbeží mořské plody
pizza sýry
jakostní hodnocení
pekařské
výrobky masné výrobky hranolky chipsy
-
klasifikace tvaru
-
detekce vad kažení houbami - poškození během sklizně -
-
určení fenotypu
•
•
vliv posklizňových faktorů hodnocení velikosti a tvaru
• • •
tvar velikost kompaktnost
•
•
mechanické poškození měření délky a šířky jádra
•
rovinatost
•
kruhovitost
•
barva
•
tvar
•
velikost
•
poškození
•
•
zastoupení svalové tkáně zastoupení tukové tkáně
•
•
•
•
zastoupení svalové tkáně zastoupení tukové tkáně rozložení jednotlivých komponent definice rozdílu mezi mletým masem a v původním stavu
•
•
klasifikační třídění po vzoru SEUROP snaha maximálně vyeliminovat lidský faktor
•
•
•
struktura mozaiky rozložení spojky a tukové části detekce tuku
•
•
•
•
barva kůrky a střídy struktura kůrky a střídy rozložení vzduchových části ve střídě objem pečiva
•
účinek propionového kvašení
•
struktura výrobku
•
barva výrobku
•
•
rozložení vzduchových částí u výrobků ementálského typu tvar
• •
•
barva velikost připraveného výrobku podíl omáčky a surovin
využití
OA analýzy na Ústavu vegetabilních potravin spolupráce s vědeckým pracovištěm VUT Brno
hodnocení trvanlivých masných výrobků
hodnocení pekařských výrobků
struktura mozaiky zaměření na tukovou část
barva struktura
kooperace s fluorescenční mikroskopií
tuková tkáň (hřbetní sádlo)
pevná jadrná tuk přirozeně bílý vysoký bod tuhnutí
Nevyhovující tuk?
v mozaice salámu způsobuje estetické závady ucpává póry ve střevě brání vypařování vody při sušení
Převedení vzorků do digitalizované podoby osvětlení pomocí lamp (Easy Light-3; 3x 28W, 5000-5500K) intenzita osvětlení 1060 luxů
Canon EOS 450D ACC Image Structure Object and Analyser verze 6.1.
Metodika hodnoceno 7 snímků z každého vzorku ze 3 šarží velikost objektů získána výpočtem z velké poloosy Legenderovy elipsy velikostní kritéria 0 – 0,3 mm, 0,3 – 1,0 mm, 1,0 – 3,0 mm, 3,0 – 6,0 mm a 6,0 mm a více výsledky vyhodnoceny pomocí UNISTAT 6.0
foceno na modrém pozadí pro dobrý kontrast •
•
měřítko pro nastavení velikosti dílčích parametrů
•
resize snímku
•
medianový filtr
•
•
segmentace obrazu
označení tukové části
barva
pekařských výrobků v závislosti na typu mouky a přídavku pórovitost pekařských výrobků (struktura pekařských výrobků)
Převedení vzorků do digitalizované podoby osvětlení pomocí lamp (Easy Light-3; 3x 28W, 5000-5500K) intenzita osvětlení 1060 luxů
Canon EOS 450D ACC Image Structure Object and Analyser verze 6.1.
Metodika hodnoceno 7 snímků z každého vzorku color temperature 4800 K, formát TIFF 8 bit resize snímku 2000 x 1333 segmentace na základě jasu a sytosti zisk dat o barevné složce objektů
Výchozí snímek
Zpracováno ACC
vyfocení
1 vzorku ze tří stran konjugace v programu ACC cílem zachytit pórovitost střídy
prahování po konjugaci
segmentace snímku
kvantifikace sójového proteinu
zpracováno ACC
- barvící systém Texas Red -
- detekce na základě jasu -
kvantifikace kostních úlomků
zpracováno ACC
- Alizarinová červeň -
- detekce na základě jasu -
Děkuji za pozornost!
