TECHNIKA Élelmiszerek minőségvizsgálata korszerű képfeldolgozási módszerekke Tárgyszavak: élelmiszer; élelmiszeripar; minőség-ellenőrzés; vizsgálati eljárás; képfeldolgozás, radiográfia.
Az élelmiszeriparban még ma is vannak olyan minőségvizsgálatok, amelyeket szakképzett ellenőrök manuálisan végeznek, bár ez fárasztó, nehézkes, költséges és szubjektív jellegéből adódóan megbízhatatlan. Az objektivitás, következetesség és hatékonyság iránti fokozott igények szükségessé tették a számítógépes képfeldolgozási módszerek bevezetését. Ezek az eljárások az utóbbi időben gyorsan fejlődtek, és lehetővé tették az élelmiszerek komplex tulajdonságainak (méret, alak, szín, állag) kvantitatív jellemzését. A képfeldolgozó rendszerek egyre fontosabb szerepet játszanak az élelmiszerek minőségvizsgálatában, mivel pontosak és megbízhatóak, egyúttal kiküszöbölik a manuális ellenőrzés szubjektivitását is. Az új eljárások rugalmasan alkalmazhatók, és ésszerűen helyettesíthetik az emberi vizuális döntési folyamatot. Élelmiszerek minőségvizsgálatára alkalmas, automatizált rendszer kifejlesztése céljából a képfeldolgozási módszereket gyakran kombinálják mechanikus vagy műszeres eszközökkel, hogy helyettesítsék az emberi erőkifejtést egy adott módszer alkalmazása során. Az ilyen rendszerekben a képfeldolgozó egység van a középpontban, amely irányítja a mechanizmus működését. 2002-ben kifejlesztettek egy automatikus rendszert alma felületi hibáinak kimutatására, amely adagolóból, az almákat egyenletesen továbbító egységből, videorendszerből és válogatószalagból állt. Az almát végül is a válogatóegység osztályozza. Az új módszerek élelmiszeripari alkalmazásának lehetőségeit már régen felismerték. Az élelmiszeripar az első tíz olyan iparág közé tartozik, amely képfeldolgozó módszereket alkalmaz, mert ezek eredményesnek bizonyultak különböző élelmiszeripari termékek objektív és
roncsolásmentes vizsgálatához. A képfeldolgozásos elemzés általában a következő lépésekből áll: – képgyűjtés; – a képek digitalizálása; – előzetes feldolgozás; – képszegmentálás; – az objektum jellemzőinek mérése; – az objektumok osztályozása.
Képgyűjtés Az élelmiszerek minőségvizsgálatához szükséges képgyűjtés fontos előfeltétele a megvilágítás; ez nagymértékben befolyásolja a kép minőségét. A kiváló minőségű kép elősegítheti a további képfeldolgozási lépések idejének és bonyolultságának csökkentését, ami egyúttal a képfeldolgozó rendszer költségét is redukálhatja. Különböző alkalmazásokhoz eltérő megvilágítási stratégia szükséges. A legtöbb világítórendszer három csoportba sorolható: elülső, hátsó és strukturált világítás. A képkontraszt fokozásával a jól tervezett megvilágítórendszer növelheti a pontosságot, ami sikeres képelemzéshez vezet. A kép digitalizálása az első lépés a képfeldolgozás folyamatában. Az utóbbi évtizedben jelentős kutatásokat végeztek a képgyűjtés eszközeivel és módszereivel kapcsolatban, főleg az érzékelők kidolgozása tekintetében. Igen különböző érzékelő-összeállításokat alkalmaznak a képek digitalizálásához. Az utóbbi években roncsolásmentes, kíméletes érzékelők kialakításán dolgoztak az élelmiszerek összetételének és minőségének meghatározásához. CCD (töltéscsatolt eszköz) kamera A CCD-kamerát gyakran alkalmazzák élelmiszerek minőségvizsgálatához. Ezek a kamerák a fényt elektromos töltésekké tudják alakítani, és sok elemi képpontból álló igen jó minőségű, zajmentes képet alkotnak. A CCD-kameráknak kiváló a fényérzékenységük, felvételeik mentesek a geometriai hibáktól és a fényre adott válaszuk jó közelítéssel lineáris. A CCD-kamerákat elterjedten használják minőségi osztályozáshoz, az élelmiszerek fizikai jellegének kimutatásához és tulajdonságainak meghatározásához (1. táblázat).
1. táblázat CCD-kamera alkalmazása élelmiszerek minőségvizsgálatához Kategória
Termékek
Alkalmazások
Halászat
Kagyló
A lárvafejlődés vizsgálata
Hal
Válogatás
Alma
A hibás darabok elkülönítése
Cseresznye
Gyümölcsalak elemzése
Narancs
A törzs–kocsány terület lokalizálása és jellemzése
Pisztácia
A korai felhasadás kimutatása
Rizs
Minőségi osztályozás
Búza
Osztályozás
Marha
A frissesség vizsgálata
Sertés
Színvizsgálat
Baromfi
Osztályozás
Spárga
Hibaellenőrzés
Cikória
Vizuális minősítés
Sajt
A fajtajelleg vizsgálata
Tészta
A külső minőség károsodása
Pizza
Minőségvizsgálat
Kolbász
Érzékszervi jellegek meghatározása
Gyümölcs
Gabona Hús
Zöldség Egyéb
Egyes esetekben nehéz értékelni az élelmiszerek minőségét a szokásos színképtartományban. Ilyenkor a kamerákhoz illesztett különböző szűrőkkel elemezhetők az egyes színképtartományból származó képek. Egy kísérlet során 400–620 nm-es interferencia-szűrőt illesztettek egy CCD-kamerához, hogy megvizsgálják a hibás és ép spárga (növény) szövetei közötti különbséget. Tökéletes ellenőrzés céljából egynél több kamerát szükséges használni, hogy az élelmiszerről különböző irányokból kapjanak képet. Új, automatizált kísérleti rendszert is kifejlesztettek már alma felületi hibáinak jelzésére e gyümölcs válogatásához, számítógépes képfeldolgozás alkalmazásával. Belső szerkezetek vizsgálata A külső sajátságok (méret, alak, szín, felületi textúra) és hibák a szokásos módszerekkel értékelhetők. A belső struktúrákat azonban ne-
héz vizsgálni viszonylag egyszerű és hagyományos leképező módszerekkel, amelyek nem adnak elég információt a belső hibák (vízmag, belső bomlás, üregek) kimutatásához. Ilyenkor speciális leképező módszereket kell alkalmazni (ultrahang, mágneses magrezonancián alapuló képalkotás – MRI –, számítógépes termográfia – CT –, elektrotomográfia – ET). Az ultrahang-technológia viszonylag új eljárás, amely kétféle módon alkalmazható. Az A-mód (amplitúdó-moduláció) egydimenziós, és csak korlátozottan alkalmas szövetvastagság mérésére, a B-mód (fényességmoduláció) pedig lehetővé teszi különböző sűrűségű szövetek jellemzését. A valós idejű ultrahang (RTU) a B-mód speciális változata, és képes mozgó tárgyak leképezésére közel, pillanatszerűen. Igen gazdaságos és megbízható módszer; leggyakrabban a húsiparban alkalmazzák (2. táblázat). 2. táblázat Ultrahang alkalmazása hús minőségvizsgálatához Termékek Marha
Birka Sertés
Vágott baromfi
Alkalmazások A márványozottsági minta meghatározása A húsminőség megállapítása Az izomzat zsírtartalmának jellemzése A várható zsírtartalom előrejelzése A tőkehúsjellegek előrejelzése A zsírvastagság és izomzat mérése A tőkehúsjellegek előrejelzése Tőkehús-értékelés A tőkehúshozam és a minőség értékelése A sovány hús arányának értékelése A tőkehús osztályozása A hátzsír és ágyékizomzat mérése Osztályozás A zsírvastagság és izomzat mérése A tőkehús minősítése A „mellehúsa” mérése Minőségvizsgálat
Az MRI-módszert elsősorban két- vagy háromdimenziós tárgyak belsejének igen jó minőségű leképezésére használják. Számos közle-
mény szerint felhasználható élelmiszerek fontos minőségi tulajdonságainak roncsolásmentes vizsgálatához. Mint analitikai eszköz, az MRI energiaelnyelésen és -kibocsátáson alapul az elektromágneses spektrum rádiófrekvenciás tartományában. Az MRI képalkotása irányítható a rádiófrekvenciás impulzusszekvencia segítségével. Kutatásokat végeztek nedvesség tápanyagrendszerekben való eloszlásának és vándorlásának vizsgálatára. Mások kimutatták, hogy az MRI alkalmazható élelmiszerek fizikai és biológiai tulajdonságainak vizsgálatára (3. táblázat). 3. táblázat Az MRI-módszer alkalmazása az élelmiszerek minőségének vizsgálatához Kategória
Termékek
Alkalmazások
Halászat
Tőkehal és makréla
A fagyasztás utáni kiolvadás hatása
Gyümölcs
Alma Eper
A vízmagveszteség megfigyelése Ütődések kimutatása Vízmobilitási és nedvességi adatgyűjtés
Gabona
Kukorica Rizs Búza
A feszültségi repedés mérése A nedvességeloszlás változásának mérése A nedvességeloszlás mérése
Hús
Sertés Baromfi
A Na-ionok diffúziójának mérése A mellhúshozam becslése
Zöldség
Burgonya
Érzékszervi vizsgálat helyett
Egyéb
Sajt Csokoládé Édesség
A lyukképződés és szerkezeti minőség értékelése A lipidek vándorlási kinetikájának mérése A nedvességvándorlás megfigyelése
A CT olyan roncsolásmentes élelmiszervizsgálati módszer, amellyel láthatóvá tehetők a tárgyak belső tulajdonságai. A tárgy egy vékony szeletének képe állítható elő hordozható röntgensugárforrás és detektor együttesének alkalmazásával, adatgyűjtés céljára. A tárgy háromdimenziós ábrázolása érhető el a letapogatott tárgy szeleteinek összegyűjtése, digitális tárolása és értékelése útján. Ez igazoltan hatékony módszer tárgyak keresztmetszetének vizsgálatához, és alkalmazása igen elterjedt az élelmiszeriparban (4. táblázat). Ezenkívül ez a módszer használható élelmiszerben levő idegen anyagok kimutatására is. Japán kutatók pl.
orvosi pásztázókészüléket használtak különböző folyadékokba és élelmiszerekbe ágyazódott, nemfémes anyagok roncsolásmentes kimutatására. 4. táblázat Élelmiszerek minőségvizsgálata CT-vel Kategória
Termékek
Alkalmazások
Halászat
Édesvízi hal
Halszeletek nyerszsír- és fehérjetartalmának előrejelzése A tőkehús összetételének előrejelzése A testalak és a zsírlerakódás vizuális értékelése
Lazac Gyümölcsök Alma Nektarin
Hús
Őszibarack Paradicsom
Víztartalom meghatározása A bolyhok károsodásával járó szerkezeti jellegek értékelése A belső változások kimutatása Az érettség meghatározása
Broilercsirke Csirke Sertés
A mellhúsmennyiség és hozam in vivo mérése Csontszilánkok kimutatása csontozott baromfiban A zsírlerakódás és -eloszlás mérése
Élelmiszer-vizsgálathoz egyre népszerűbbek az elektrotomográfiai (ET-) módszerek: – villamos impedancia tomográfia (ERT vagy EIT), – villamos kapacitás tomográfia (ECT) és – elektromágneses indukciós tomográfia (EMT). Ezek a módszerek kihasználják különböző anyagok villamos sajátságainak eltérését a metszetképek előállításához; viszonylag gyors, roncsolásmentes és olcsó eljárások. Széles körben alkalmazhatók berendezések tervezésének és működésének javítására, állandó és igen jó minőségű élelmiszerek biztosítására. Az ERT felhasználható dielektromos idegen tárgyak jelenlétének, egyes alkotórészek belső koncentrációjának, buborékok és belső szerkezet meghatározására. Az EIT-et alkalmazták az élelmiszerek belső hőmérséklet-eloszlásának mérésére. Az EMT-módszerek ott alkalmazhatók, ahol az anyag eloszlása nagyfokú villamos vezetőgépességgel vagy ferro-/ferri-mágneses visel-
kedéssel jellemezhető – pl. élelmiszer-ellenőrzés –, valamint gabona nedvességtartalmának mérésére. Az ECT alkalmazására példa: egyszerű ECT-érzékelőt dolgoztak ki a dobozológépbe bemenő gyümölcsdarabok számának ellenőrzésére. Az ET hátránya viszonylag kis térbeli felbontóképessége. Számítógépes radiológia (CR) A film nélküli CR során fénnyel stimulálható foszforos leképező lemez – amely létrehozza a radiográfiás képet – nem igényel vegyszereket a kép feldolgozásához. A kép akkor alakul ki, amikor a beeső sugárzás a foszforiont +2-ről +3 vegyértékűvé alakítja. A többletelektron akkor szabadul fel, amikor a besugárzott lemezt lézerrel pásztázzák. A felszabadult elektronok a vezetési sávban újraegyesülnek ott, ahol eredetileg voltak. Ez az elektronkibocsátás energiafelszabadulással jár fény formájában, amely egy elektronsokszorozó csőben digitális képpé alakul. A lemez ezután ismét felhasználható. A feldolgozás 30–60 s-ot vesz igénybe. Ezzel szemben a radiográfiás film – ha egyszer már exponálták – nem használható fel újra. A filmtechnika ezenkívül külön filmfeldolgozót vagy (kézi előhíváshoz) kádat igényel, amelyben előhívó, fixáló és víz van. Ennek során az exponált film ezüstöt ad le a szennyvízbe, amit kezelni és/vagy ellenőrizni kell a vízhálózat szennyeződésének megelőzésére. Ezenkívül a film nélküli radiológiára való áttérés csökkenti a filmfeldolgozó és a vegyszerek költségeit, korlátozza a vízfelhasználást. Idő is megtakarítható, mivel a film száradási ideje 600–720 s. A leképező lemezek jelentősen (max. 20-szor) gyorsabbak, mint a radiográfiás filmek. Ez rövidebb expozíciós időt, jobb jel/zaj arányt, kisebb energiaszintet és pontosabb geometriai leképezést lesz lehetővé. A leképező lemeznek széles dinamikatartománya és lineáris expozíciós reakciója van. Ezáltal változtatható az expozíció a módszer érzékenységének és rugalmasságának csökkenése nélkül. Leolvasható képek állíthatók elő a normál idő 50%, ill. 20%-a esetében. Ezek a lemezek képesek megjeleníteni igen különböző anyagsűrűségeket, így nincs szükség extra felvételekre. Jobb a képek tárolhatósága és visszakereshetősége. A digitális nyilvántartások CD-vé alakíthatók információveszteség nélkül. Az archív tár minősége szintén jobb. A felhasználók másodpercek alatt áttekinthetik a pontos képet, és közben e-mail kapcsolatban állhatnak a laboratóriummal.
Az élelmiszeripar kezdi felismerni a vizsgálat gyorsaságának és kisebb költségének előnyeit, és különböző élelmiszeripari termékek esetében alkalmazza azt. Így pl. ezzel a módszerrel végezhető mogyoróvaj azirányú gyártásközi ellenőrzése, hogy nem tartalmaz-e idegen anyagokat. A szennyeződések láthatóvá tétele fokozza a vizsgálat megbízhatóságát. A gyanús anyag kiszűrése is csökkenti a költségeket, mivel a kiszűrt, de még elfogadható anyag visszajuttatható a rendszerbe, újra átkeverhető és felhasználható.
Képek előfeldolgozása A CCD-kamera, ultrahang, MRI és CT alkalmazásával készült képeket különböző típusú zajok terhelik, amelyek rontják a kép minőségét, és nem biztosítható helyes információ a további képfeldolgozáshoz. A képminőség javítása céljából olyan műveleteket kell végezni, amelyekkel eltávolíthatók vagy csökkenthetők a kép elkészítése során történt károsodások. Az előfeldolgozás célja a képadatok javítása, amelyekkel kiszűrhetők a torzulások vagy kiemelhetők a további feldolgozáshoz fontos képjellegek. A kép előfeldolgozásának két különböző típusa alkalmazható élelmiszer-minőségi vizsgálathoz: a képelem-(pixel-) és a lokális előfeldolgozás, a pixel környékének méretétől függően. A pixel-előfeldolgozás egyszerű, de fontos képfeldolgozási technika, amely a bemenő képet kimenő képpé alakítja úgy, hogy minden kimenő pixel közvetlenül megfelel annak a bemenő pixelnek, amelynek azonos koordinátái vannak. A lokális előfeldolgozó módszerek ezzel szemben kisebb pixelkörnyezetet alkalmaznak a bemenő képben, hogy új fényességi érték jöjjön létre a kimenő képben, amit szűrésnek is neveznek. A pixel-előfeldolgozás legtöbb élelmiszeripari alkalmazása a HSI (szín, szaturáció és intenzitás) színtéren alapul. A HSI hatékony eszköz a színkép megkülönböztetéséhez. A színképeket általában digitális műszerrel készítik, és a háromdimenziós RGB (vörös, zöld, kék) színtérben tárolják. Burgonya és alma hatékony színkép-feldolgozása céljából az RGB színteret HSI-vé alakították. A rendszerrel 90% feletti pontosság érhető el burgonya és alma ellenőrzése során, ha a színjellegeket színhisztogramokkal ábrázolják. Egy másik kutatás során a szaturációs képeket használták marhahús képelemzéséhez. Megállapítható, hogy a monokromatikus képet adó szaturációs összetevő mutatja a legvilágosabban az izom képtextúráját. Mások a HSI-modellt alkalmazták a pizzamártás és pizzalap képi elválasztásához.
Néhány előfeldolgozási módszerhez az L+a+b+ színteret használják (L+ = fényesség; a+ = vörös- vagy zöldtartalom; b+ = sárga- vagy kéktartalom). Specifikus jellegek hangsúlyozásához a képek javíthatók az RGB színtér átalakításával. Az RGB-értékek átalakítása a+ és b+ színkomponensekké és az intenzitás kiküszöbölése határozottan jobb elkülönítést eredményez gombák betegségei esetében. A lokális módszert alkalmazzák alma hibáinak kimutatására, különböző szűrők segítségével. Speciális célra bonyolultabb módszerek használatosak (pl. tojás repedéseinek kimutatása). Új módszert dolgoztak ki az osztrigák vizsgálatára is.
Képszegmentálás Ezzel a módszerrel egy kép szétválasztható az alkotó anyagok szerint, amely elég nehéz feladat a képben levő vizuális információ sokasága miatt. Az élelmiszer-vizsgálatra kifejlesztett technikák a következőkben részletezett, négyféle típusba sorolhatók. Küszöbértéken alapuló szegmentálás A küszöbértéken alapuló szegmentálás különösen hatékony módszer olyan szilárd tárgyak jelenlétében, amelyek elütő színű háttér előtt helyezkednek el, így a tárgy megkülönböztethető az optimális értékű kép többi részétől. Élelmiszer-minőségi vizsgálat céljából egyes módszerek közvetlenül a küszöbérték alapján, mások egyéb eljárásokkal kombinálva végzik a szegmentálást. Ez a módszer akkor működik jól, ha a kérdéses tárgyaknak egyenletes belső szürkeszintje van és különböző, de egyenletes szürke színű háttér előtt helyezkednek el. Kidolgoztak egy módszert zúzódások gyors és számítógépes kimutatására alma mágneses rezonanciával kapott képeiben. Mások elemezték a pizzamártás képét egy három lépésből álló küszöbérték-megállapítás alapján. Először is az egész pizzaképet leválasztották a fehér háttérről az RGB-modell segítségével. Ezután a HSIértékek alapján sikerült szegmentálni a pizzamártást a pizzalaptól. Végül a pizzamártás fényövezeteinek szegmentálásával – a HSI-értékek alapján fejezték be a vizsgálatot. Hússzeletek esetében a legegyszerűbb módszer a röntgenképen levő idegen tárgyak szegmentálására gyakran sikertelen a szelet egyenetlen vastagsága miatt. Ezért kifejlesztettek egy módszert a képszegmentáláshoz a kiegyenlített röntgenképekből eredő küszöbérték-funkciók segítségével.
Regionális szegmentálás A regionális szegmentáláson alapuló módszerek két csoportba sorolhatók: növekvő-és-egybeolvadó (GM) és széthasadó-és-egybeolvadó (SM) régió. A régión alapuló algoritmusok a számítástechnikai megoldást tekintve drágábbak az egyszerű módszereknél, de képesek különböző képsajátságokat közvetlenül és egyidejűleg felhasználni a végső határhelyzet meghatározásához. Ez a legtöbbet ígérő módszer élelmiszer-termékek szegmentációja céljára, mivel szilárd a priori ismeretek nem állnak rendelkezésre. Régión alapuló szegmentációs módszereket dolgoztak ki pl. alma felületének vizsgálatára, pizza képeinek feldolgozására, pisztácia röntgenképének értékelésére. Gradiens és osztályozás alapú szegmentálás A gradiens alapú megközelítések közvetlenül a gradiensnagyságok alapján próbálják megtalálni a szegélyeket. Felhasználták a képszegmentálási algoritmusokat – pl. szegélykimutatás, határjelölés és -követés – pl. egész hal helyzetének megállapításához. Ezek az algoritmusok zajnak ellenállók, a hal forgatása és tisztítása során stabilak. A módszer alkalmazása azonban korlátozott, mivel a legtöbb élelmiszerképben a teljes határvonalak nehezen (néha egyáltalán nem) mutathatók ki. Osztályozáson alapuló szegmentálás Az osztályozáson alapuló módszerek sikeresen alkalmazhatók pl. almahibák szegmentálására. Az egészséges szövet és a hibák színfrekvenciájának eloszlását használták az egyes osztályok valószínűségi eloszlásának meghatározásához. Megállapították, hogy a legtöbb hiba szegmentálható ezzel a módszerrel, bár a sárgásbarna színt néha öszszekeverték az alap és a piros szín közötti átmeneti területtel. Fontos, hogy ezek a módszerek nem biztosítanak strukturált megközelítést a forgatási és tisztítási lehetőségek megállapításához, és ez korlátozza a felhasználhatóságukat.
Az objektum mérése Valamely szegmentált – elemekre bontott – tárgy általában külső vagy belső jellegei alapján ábrázolható. A tárgyak leírásához sok jellemvonás használható, amely összehasonlítható ismert tárgyakra vonatkozó
információkkal, egy objektum valamelyik kategóriába sorolása céljából. Legalkalmasabbak azok a jellegek, amelyek a legegyszerűbben mérhetők és lényegesen hozzájárulnak az osztályozáshoz. Az élelmiszerek minőségvizsgálata céljából végezhető mérések négy csoportba sorolhatók (méret, alak, szín, textúra). Minden csoport esetében számos, különböző, specifikus mérés végezhető és számos, eltérő módszer van a műveletek elvégzéséhez. A legtöbb képelemzési rendszer minden csoportban legalább néhány mérést eredményez, és a feldolgozott képek elemzéséhez megfelelő numerikus eredményt ad. Méret Valamely tárgy méretének meghatározásához négy – leginkább használt – jelleg választható: felület, kerület, hosszúság, szélesség. Ezek közül legmegfelelőbb a felület, amely képelemek (pixelek) számát tartalmazza, közvetlenül számolással meghatározva. Egyesek megmérték a magvak méretét (keresztmetszeti felület) két irányban, hogy meghatározzák a szójabab méretének örökölhetőségét. Egy tárgy kerülete különösen hasznos az egyszerű és bonyolult alakú tárgyak megkülönböztetéséhez. A felületi és kerületi mérések könnyen elvégezhetők valamely tárgy szegmentált képből való előállítása folyamán. Terveztek egy rendszert többsávos sóskekszsütő eljáráshoz, ahol a kekszek átmérőjét, felületét és vastagságát mérték. A mért adatok számítógépes szűrőn jelentek meg, és így a berendezés kezelője ellenőrizhette a tészta formázásának és sütésének folyamatát. Mások statisztikailag elemezték a hosszúsági és szélességi adatokat, valamint egy sor többé-kevésbé összetett alakelemet gombafajták azonosítása céljából. Ezenkívül pontos módszert dolgoztak ki uborka hosszának, szélességének és alakjának meghatározásához. Tanulmányozták a mintavétel hatását különböző búzaminták digitális képelemzésének pontosságára. Alak Élelmiszer-ellenőrzés céljára az alak vizsgálata a leggyakrabban alkalmazott mérési módszer. Az alap a többi jelleghez viszonyítva könynyebben mérhető képfeldolgozási módszerekkel. Gyakran egy-egy csoportba tartozó tárgyak megkülönböztethetők a többitől alakjuk alapján, olyan fizikai, térbeli jellemző mérése útján, amely meghatározó a tárgy megjelenésében. Az alaki jellegek mérhetők függetlenül vagy a méretvizsgálatok kombinálásával.
Az 5. táblázat összefoglalja az élelmiszer-vizsgálat céljára leggyakrabban használt alaki jellegeket a méretvizsgálatokkal kombinálva. Néhány jellegzetes alkalmazás: – Digitális képrendszert alkalmaztak grapefruit elemzéséhez alakosztályozás céljára. Megállapították, hogy az oldalarány a legszignifikánsabb jelleg. – A paradicsom alakvizsgálatánál a tömöttséget és excentricitást mérték, amelyeket a mért paraméterek (felület, kerület, tengelyek) alapján határoztak meg. – Javasoltak módszertani koncepciót a friss, jó minőségű cikóriatermék hosszúságának, szélességének és oválisságának vizsgálatához, képelemző rendszer alkalmazásával. 5. táblázat Formai jellegek és méret kombinációja Felületarány =
felület max . ámtmérő ⋅ min . átmérő
Méretarány =
max . átmérő min . átmérő
Köralakúság =
kerület 2 felület
4 π ⋅ felület kerület 2
Tömöttség =
Átmérő-intervallum = max. átmérő – min. átmérő Excentricitás = 1 − Kerekség =
4 π ⋅ felület π ⋅ max . átmérő 2
1. alaktényező = 2. alaktényező = 3. alaktényező = 4. alaktényező =
szemiminor 2 szemimajor 2
4 π ⋅ felület kerület 2
max . átmérő felület
felület max . átmérő 3
4 ⋅ felület π ⋅ max . átmérő ⋅ min . átmérő
A méretvizsgálatoktól független alakleíráshoz különböző módszereket használnak élelmiszer-ellenőrzés céljára. A legtöbb alkalmazás a Fourier-féle leíró elemen (deszkriptor) és változatlan tényezőkön alapul. Kidolgoztak pl. eljárást gabonaszemek osztályozásához. Megállapították, hogy két alakváltozó szükséges az alma profiljának pontos méréséhez, és almánként négy kép szükséges egy-egy alma alakjának megfelelő leírásához. A változatlan tényezők nagysága tükrözi a tárgy alakját, és felhasználható élelmiszer-vizsgálathoz különböző objektumok megkülönböztetésére. Kidolgoztak egy képfeldolgozó algoritmust különböző halfajok megkülönböztetéséhez. Szín Élelmiszerek képelemzése során a szín lényeges tulajdonság, és jelentős leíró jelleg, amely gyakran leegyszerűsíti a tárgy extrahálását és azonosítását a képből. A színlátás óriási mennyiségű térbeli felbontást nyújt, amely felhasználható az alkotórészek színeloszlásának meghatározására. A szín eredményesnek bizonyult sok élelmiszertípus objektív mérésére (gyümölcs, gabona, hús és zöldségek). Kifejlesztettek egy színlátási rendszert őszibarack ellenőrzésére és minősítésére. Szórt világítást és normalizált fényt alkalmaztak, hogy csökkentsék a bemenő vörös, zöld és kék fényt a kétdimenziós színkoordinátákhoz. A barack színét összehasonlították a standard érettségi színekkel. A paradicsom színét alkalmazták az érettségi szakasz meghatározásához képelemzés segítségével. A színt széles körben használják gabona vizsgálatára is. Szójamagvak minőségének ellenőrzésére és minősítésére változóként a színkoordinátákat és a gömbalakúságot alkalmazták. Kidolgoztak egy igen gyors színellenőrzési rendszert a szállítószalagon futó mogyoróban levő idegen anyag kimutatására, valós időben. Ez a rendszer képes felismerni és differenciálni sokféle idegen anyag és élelmiszer egyedülálló színlenyomatát. Mások automatikus rendszert fejlesztettek ki ragyás búzamagvak súlyszázalékának meghatározására színjellegek alapján. A színt felhasználják hústermékek automatikus ellenőrzéséhez és minősítéséhez, az ipar hozamának és a minőségértékelés objektivitásának növelése céljából. Vizsgálták a színképfeldolgozás esetleges alkalmazását baromfitermékek hibáinak kimutatására (zúzódás, bőrsebek, általános betegségek). Egyesek hat optikai szűrőt használtak különböző hullámhosszon, hogy multispektrális képeket állítsanak elő baromfitőke-
hús ellenőrzése céljából. Friss sertéshús értékeléséhez színképjellegeket vontak ki szegmentált képekből. A színt felhasználták zöldségek vizsgálatához is. Csemegepaprikát sikerült könnyen szétválogatni színképelemző rendszer segítségével, és 96%-os pontosságot értek el. Textúra A szegmentált terület textúrája a leírás fontos jellege, amely meghatározza a fényerősség változásainak néhány jellemzőjét a tárgyon belül. A textúra elemzésének módszerei közül – élelmiszer-minőségi vizsgálat esetén – leggyakrabban a statisztikai megközelítéseket alkalmazzák. Néhány textúraleírási eljárás azonban a Fourier-spektrumon, hullámtranszformáción és fraktáldimenzión alapul. A statisztikai megközelítések különböző tulajdonságokat értékelnek és texturális jellegeket (simaság, durvaság, szemcsésség) vesznek figyelembe. Jellegzetes alkalmazások: – Kimutatták, hogy megkülönböztethető a rendellenes és a normális baromfihús 542 nm hullámhosszon olyan multispektrális képek elemzésével, amelyek látható/közeli infravörös hullámhosszat tartalmaznak. – Leírtak egy módszert húsminőség meghatározására textúraelemzés segítségével, amely a kísérletek során hatékonynak bizonyult. A marhahús képének textúrajellegei alapján előre jelezhető a megsült hús puhasága a nyers húskép jellemzőihez viszonyítva. – Digitális képelemzési algoritmust dolgoztak ki gabonamagvak osztályozásának megkönnyítésére, az egyes magvak texturális jellegeinek felhasználásával. Nedvességtartalom Az előbbi jellegeken kívül a nedvességtartalom is fontos szerepet játszik az élelmiszer-minőség romlásának előrejelzésében. A múltban a mágneses magrezonancia alapú képalkotást (az MRI-módszert) használták leginkább a nedvességtartalom roncsolásmentes mérésére az élelmiszerek különböző összetevőiben, jó térfelbontással. Az így kapott adatokat alkalmazták száradó almaszeletek átmeneti nedvességprofiljának modellezéséhez, az extrudált tészta vízfelvételének vizsgálatához, az ozmotikusan dehidrált alma jellemzéséhez, rizsszemek nedvességprofil-válto-
zásának méréséhez, búza nedvességeloszlásának meghatározásához, édesség nedvességvándorlásának megfigyeléséhez, eper vízmobilitási és nedvességi adatainak gyűjtéséhez. Újabban az elektromágneses leképezést alkalmazták a nedvesség roncsolásmentes mérésére gabonafélékben. Ez a módszer eredményesnek bizonyult gabonaszemek hibáinak felderítéséhez 12–39% nedvességtartalom esetében.
Osztályozás Az osztályozás úgy azonosítja a tárgyakat, hogy besorolja azokat az osztályok véges halmazainak egyikébe. Ez magában foglalja egy új tárgy mért jellegeinek összehasonlítását egy ismert tárgy jellemzőivel – vagy más kritériumokkal – és annak meghatározását, hogy az új tárgy az objektum valamely sajátos kategóriájába tartozik-e. Erre a célra az élelmiszer-minőség vizsgálata során igen különböző módszereket alkalmaznak (statisztikai, „életlen” („homályos”) logikai és neuronhálózat). Ezek közös célja az emberi döntéshozó viselkedés modellezése, előnyük pedig az ellentmondás-mentesség és – változó mértékben – az egyértelműség. Statisztikai osztályozás A statisztikai megközelítésekre általában jellemző, hogy egyértelmű valószínűségi modellen alapulnak, amely biztosítja, hogy minden osztályban valószínűleg több egyezés legyen, mint egyszerű osztályozás esetén. Multispektrális képen és mátrixelemzésen alapuló statisztikai osztályozási módszert dolgoztak ki baromfitőkehús ellenőrzésére. Az osztályozás akkor megfelelő, ha a normál baromfit elkülöníti a rendellenestől. Mások felismerték a lépmegnagyobbodás kimutatásának lehetőségét számítógépes leképező rendszerrel. Pulykahúsminták vizsgálata során 92–95%-os arányban sikerült kimutatni a lépmegnagyobbodást. Mások automatikus rendszert fejlesztettek ki teasütemény vizuális ellenőrzéséhez – többváltozós diszkrimináns algoritmusok alkalmazásával – a felületi színen alapuló statisztikai osztályozás céljából. Ezzel a rendszerrel 96%-ban (előválogatott), ill. 79%-ban (osztályozatlan) érhető el helyes eredmény. „Homályos” osztályozás A hagyományos módszerekhez viszonyítva ez az eljárás az egyedi mintákat olyan osztályokba sorolja, amelyeknek nincsenek élesen meg-
határozott határai. A „homályos” osztályozás jellemző előnye, hogy az osztályba tartozási funkciók foka több információt adhat az osztályba sorolás megbízhatóságáról. Újabban ezt a módszert alkalmazták haltermékek, paradicsom és pizza minősítésére. Utóbbi esetben vizsgálták a pizzamártás és a tésztalap minőségét, és 92–100%-os osztályozási pontosságot értek el. Neurális (agyműködést utánzó) eszközzel végzett osztályozás Ez a megközelítés egyesíti néhány statisztikai módszer bonyolultságát az emberi intelligenciát utánzó gépi tanulás céljával. A teljes hálózat a kölcsönös függőségek igen bonyolult sorát képviseli, amely bármilyen fokú nemlinearitást foglalhat magában. Élelmiszerek osztályozása céljából igen általános funkciók modellezhetők a fizikai sajátságok minőségi tényezőkké való átalakítása érdekében. Ez a módszer alkalmazható gabonaszemek minősítésére. Öt különböző gabonaszemfajtát (kétféle búza, árpa, zab, rozs) használtak kilenc, különböző neurális hálózat osztályozási pontosságának értékeléséhez. Búza és zab esetében 97%-os, a többi fajtánál 88%-os pontosságot értek el. A rendszer használható gyümölcsök és magvak (pl. alma, pisztácia) osztályozására. Kidolgoztak egy módszert, amellyel osztályozható az alma külső megjelenésének minősége. A kísérletek szerint ezzel az eljárással osztályozni lehet a minőséget a külső megjelenés három fokozata alapján. Két másik modellt az alma szín alapján való minősítésére alkalmaztak. Kimutatták, hogy a rendszerrel az almák megfelelő kategóriába sorolhatók ±5–8%-os hibával. Mások olyan multistrukturális neurális hálózatot (MSNN) javasoltak, amely négy, párhuzamos diszkriminátorból állt, pisztácia négy osztályba való sorolásához. A többrétegű pozitív visszacsatolású neurális hálózathoz (MLNN) viszonyítva az MSNNrendszerrel 95,9%-os pontosság érhető el (8,9%-os növekedés). Ez a módszer felhasználható baromfitőkehús osztályozásához is, és 91%-os pontosság érhető el tumoros és normál termékek elkülönítése során. Különböző zöldségfajták (répa, hagyma) minősítésére is alkalmas ez a módszer. Terveztek pl. olyan neurális hálózatot, amellyel öt osztályba sorolható a sárgarépa, alaki jellegek alapján. Ilyen módon az átlagos helytelen osztályozás 11,5%-nak bizonyult. Kidolgoztak olyan módszert, amellyel kimutathatók a belső hibák vöröshagyma röntgensugaras leképezése alapján.
Értékelés A képszerzés problémája rosszul van megfogalmazva, mert ellentmondó kritériumokat kell kielégíteni: a költségeket a pontossággal szembeállítva. A legolcsóbb módszer a CCD-kamera, de nem alkalmas belső szerkezetek vizsgálatára. Az ultrahang, az MRI, a számítógépes tomográfia (CT) és az elektrotomográfia (ET) alkalmazható belső jellegek megfigyelésére, de ezek drágábbak. Az ultrahang és ET pedig olcsóbb, mint az MRI és CT. Bár az MRI és CT előnyösebb a képfelbontás és pontosság tekintetében, egyesek az ultrahangmódszereket használták húsminőség objektív vizsgálatához. Ugyanezt az eljárást beépítették az országos genetikai programokba, pl. a báránytőkehús minőségének javítása céljából. Az ultrahang- és ET-módszert – olcsóságánál fogva – választják valószínűleg a jövőben élelmiszerek belső minőségének vizsgálatára, kisfokú pontosságuk ellenére. Az ultrahanghoz és ET-hez viszonyítva a CT megkétszerezheti a genetikai javítás mértékét a sovány bárányhús jellegei szempontjából, mivel közvetlen szelekció végezhető a fehérjetartalom, valamint a sovány hús és az izomban levő zsír megoszlása tekintetében. Az MRI-vel és CT-vel hasonló pontosság érhető el a zsírszövet eloszlásának mérése során, spektroszkópia alkalmazásával azonban az MRI több információt adhat, mint a CT. A képfeldolgozó rendszer megfelelő teljesítményének biztosítása céljából előfeldolgozás szükséges a vizsgálandó régió kiemelésére és a zajok eltávolítására. A ROI (regions of interest, az értékelés szempontjából fontos régiók) kihangsúlyozása javítható az RGB színtér különböző átalakításával, minden egyes hullámsáv különböző módon való mérése útján. A legjobb átalakítási módszer megtalálása az élelmiszerkép előfeldolgozása céljából a további kutatások érdekes feladata lehet. Az élelmiszerkép szegmentálása igen fontos a minőségvizsgálatok során, mivel teljesítménye közvetlenül befolyásolja a következő képfeldolgozási lépések eredményét. Ha a kép objektumai nem szegmentálhatók megfelelően, ez megnehezíti a tárgy mérését és osztályozását, így befolyásolja a termék képének értékelését. A képszegmentálás központi problémája: megfelelő módszer kiválasztása a kép homogén régiókra való felosztása céljából. Lehetséges megoldás olyan szegmentálási módszer kiválasztása, amely a képtartalomra vonatkozó, meglevő ismereten alapul (pl. méret, alak, szín, textúra).
A jellegek egyetlen csoportja önmagában nem megfelelő számos élelmiszer minőségelemzéséhez. Egyesek csokoládés szeletek fizikai jellemzőit (méret, alak, sülttésztaszín) használták a képelemzéshez. A tárgymérés során meg kell találni azokat a leíró paramétereket, amelyek tömören tartalmazzák a kép fontos információit. Két vagy három jellegcsoport (pl. alaktani, színbeli, texturális) kombinálásával osztályozási modelleket fejlesztettek ki a gabonamagvak egyedi belsejének minősítéséhez. Ennek során 98,6, ill. 99,3%-os pontosságot értek el az alaktani– texturális modellel, 99,4, ill. 99,6%-ot az alaktani–színbeli modellel, míg 98,4, ill. 98,0%-ot textúra–szín modellel a 15 legjellemzőbb jelleg eseté6. táblázat Különböző élelmiszerekhez alkalmazott jellegcsoportok Kategória Halászat
Gyümölcs
Gabona
Hús
Zöldség
Egyéb
Termék Ponty Tengeri hal Osztriga Alma Grépfrút Őszibarack Paradicsom Árpa Mogyoró Rozs Szójabab Búza Marha Csirke Sertés Baromfi Sárgarépa Cikória Lencse Gomba (Piros)paprika Burgonya Keksz Édestészta Vajas sütemény Pizza
Méret
X
X
Alak X X X X X X
Szín
Állag
X X X X X X
X X X
X X X
X X X X X X
X X
X X X
X
X X
X X X X X X X
X X X X X
X X X
ben. A legnagyobb pontosságot – vagyis 99,7, ill. 99,8%-ot – akkor érték el, ha az alaktani–texturális–színbeli modellt alkalmazták. A 6. táblázat tartalmazza az élelmiszerek minőségi értékeléséhez használt jellegeket, amiből kiderül, hogy az alak és a szín a leggyakrabban alkalmazott jellemzők. A 7. táblázat tartalmazza a különböző élelmiszerek minőségi értékeléséhez használt, eltérő osztályozási módszerek összehasonlító eredményeit. 7. táblázat Élelmiszerek minőségvizsgálatának módszerei Kategória
Termékek
Módszerek
Pontosság (%)
Halászat
Hal
„Homályos”
89
Gyümölcs
Alma
Statisztikai Neurális hálózat Neurális hálózat
79 92 95,9
Statisztikai Neurális hálózat Statisztikai Neurális hálózat Statisztikai Neurális hálózat Statisztikai Neurális hálózat
99 88 98,2 88 99 97 96,9 97
Pisztácia Gabona
Árpa Rozs Zab Búza
Hús
Baromfi
Statisztikai Neurális hálózat
92 91,1
Zöldség
Sárgarépa Paradicsom Hagyma
Neurális hálózat „Homályos” Neurális hálózat
88,5 – 90
Egyéb
Sütemény Pizza
Statisztikai „Homályos”
79 92
Következtetések 1. A CCD, MRI, ultrahang, CT és ET a legelterjedtebb érzékelési módszerek, amelyek képalkotásra használhatók az élelmiszerminőség értékelése céljából. Míg a CCD-kamerát általában külső
jellegek vizsgálatához alkalmazzák, az MRI, ultrahang, CT és ET a belső szerkezet megfigyelésére használható. 2. Két kép-előfeldolgozó módszer (pixel és lokális) használható a képminőség javítására, további feldolgozás céljából. A színtérátalakítás a legnépszerűbb megközelítés pixel alapú előfeldolgozáshoz, míg a képsimítási módszerek a lokális előfeldolgozásnál fontosak. 3. Az élelmiszerek szegmentálásához alkalmazott legfontosabb módszerek a küszöbértéken, gradiensen, régión és osztályozáson alapuló megközelítések. Ezenkívül a GM és SM a régión alapuló eljárások alapelvei. 4. Az objektum jellegeinek mérésére használt kategóriák a méret, alak, szín és textúra. A felület, kerület, hosszúság és szélesség azok a rendszerint alkalmazott jellegek, amelyek tükrözik egy tárgy méretét. Az alaki jellegek függetlenül vagy kombinációban használhatók méretvizsgálathoz. A Fourier-deszkriptor és az invariáns tényezők a méretvizsgálattól függetlenül alkalmazhatók az alak leírásához. A textúra leírásához főleg statisztikai módszereket használnak. 5. Jelenleg három módszert (statisztikai, „homályos” logikai és neurális hálózat) alkalmaznak az osztályozás elvégzéséhez. A képalkotási módszerek élelmiszer-minőségvizsgálathoz való alkalmazásának fő gátját a költségvetési korlátok jelentik. A szoftverben és hardverben alkalmazott olcsó és gyors megoldások elősegítik, hogy a képfeldolgozási módszerek egyre nagyobb és fontosabb szerepet fognak játszani az élelmiszerek minőségvizsgálatában. Összeállította: Dr. Pálfi Ágnes Du, Ch. J.; Sun, D. W.: Recent developments in the applications of image processing techniques for food quality evaluation. = Trends in Food Science and Technology, 15. k. 5. sz. 2004. p. 230–249. Kleven, S.: Use of computed radiology in the food industry. = Materials Evaluation, 62. k. 6. sz. 2004. p. 580–581. Lahmann, H. W.: Helms, D.: Optische Inspektionssysteme für Lebensmittel. Die guten ins Töpfchen… = Qualität und Zuberlässigkeit, 49. k. 10. sz. 2004. p. 50–52. Paul, C.; Pfitzner, C.: NIR-Messsysteme auf landwirtschaftlichen Erntemaschinen für die Qualitätsermittlung. = VDI Berichte, 2004. 1829. sz. h.n. p. 45–52.
