vision was mainly utilized for colo

vision was mainly utilized for color analysis of fish and shrimp, andfor color changes of specially treated fish.4.1. Fish filetFish filet is a fish which has been cut or sliced away from thebone by cutting lengthwise along one side of the fish parallel tothe backbone (Rerkratn and Kaewpoonsuk, 2014). Sorting, gradingand freshness assessment of fish filet could be completed by qual-ity detection on color analysis of fish filet images using machinevision systems. This section reviewed these systems with a com-parative description of other instrumental methods: colorimeters,color cards and spectrophotometry.Misimi et al. (2007) made a comparison between machinevision and visual evaluations by a panel of human inspectorsaccording to SalmonFanTMcard in sorting of Atlantic salmon(S. salar) filets. Images were analyzed in RGB and CIE Light-ness, redness, yellowness (L*a*b*) color spaces, and classifiedaccording to the Roche color card industrial standard. MatchingRoche scores of the selected regions of interest was deter-mined according to the nearest neighbor principle, for whichthe distance was calculated using the Euclidian distance. Mean,standard deviation was calculated and ANOVA was performedusing Minitab statistical software. The comparative results showedthat there were no significant differences (P > 0.05) between themachine vision-based method of evaluating color and the tra-ditional one. In the research by Quevedo et al. (2010), colorscore in salmon filets was assigned using the same methods. Col-ors were measured by a machine vision system and a sensorialpanel (eight panelists) in 10 independent sets of experiments.The methodology was based on a quadratic model to trans-form RGB to L*a*b* color space, and errors from it were 2.7%,1%, and 1.7%, respectively, for L*a*b* values. Applying this algo-rithm, good correlation between the color by machine visionand by the sensory panel was observed (r = 0.95). For compar-ison, the researchers performed statistical analysis using t testand found that there were also no differences in the mea-surements of the SalmonFanTMscore between both methods(tc= 1.65 ≤ t = 1.96 at ˛ = 0.05%). Thus the machine vision methodswere recommended since it could reduce the subjectivity experi-enced by the sensory panels.Oliveira and Balaban (2006) made a research to compare theability of a machine vision system and a colorimeter in measur-ing changes of color over 15 days of iced-storage of Gulf Sturgeon(Ancipenser oxyrinchus desotoi) filets. The L*a*b* values were mea-sured using a colorimeter and a machine vision system at day 0, 5,10 and 15. Statistical analysis indicated that there were no signif-icant differences (P > 0.05) in Delta E values from a colorimeter ormachine vision between either treats or days. The large differences(P < 0.05) in Delta E values between day 0 and day 1 did not reflectthe mild color changes over time. It was concluded that machinevision can outperform other colorimeters when recording and esti-mating subtle color changes in foods. Another comparison of thesetwo methods was taken on measuring color of irradiated Atlanticsalmon (S. salar) filets (Yagiz et al., 2009). The L*a*b* values of thesamples subjected to different electron beam doses were measuredwith the two instruments. As a result, machine vision readings gotan orange color that was very close to the real color of salmonfilets, while the colorimeter obtained a purplish color. In addition,these two methods were used to quantify color of fish before andafter treatments, and during refrigerated storage (Balaban et al.,2007). Here machine vision also possessed the advantage to ana-lyze the whole pixels of a certain sample. Kong et al. (2007) alsomade a comparison of machine vision with a spectrophotometer inmeasuring color and shrinkage of salmon filet muscle during ster-ilization process. The quality variations along the longitudinal axisof salmon filets (Pacific pink salmon, O. gorbuscha) were examined.Images from the machine vision system was similarly processed asdescribed in the research by Misimi et al. (2007). Here differencesbetween group means were analyzed by Ducan’s multiple rangetest. It was observed that there were high correlation coefficientsbetween these two methods: R2= 0.998, 0.976 and 0.972 for CIE L*,a* and b*, respectively.In general, the machine vision method was considered to beat least as good as other instruments (i.e. colorimeter and spec-trophotometer) for filet grading and sorting purpose, and betterthan the traditional method with panelists assessing Roche colorscales. The use of colorimeter required fairly large flat samplearea, which, however, was not a limiting factor for machinevision.Furthermore, a pilot study reported an investigation into thepotential for classification of salted cod filets by analysis of colorimages (Kohler et al., 2002). Different image analysis methodscombined with SIMCA (soft independent modeling of class analo-gies) were used, among which the ‘red color-variance’ histogramand the gray level histogram method proved to be particularlypromising. Each of these methods misclassified only 1 from 12samples. In 2006, color differences and changes of Blue Fin tuna(T. thynnus) meat were observed under different breeding envi-ronment and capture methods (Mateo et al., 2006). To analyze,model and detect these changes, an automated color inspectionsystem (ACIS) was developed, with a bell-shaped PVC canopy forsustainably diffuse illumination. Just noticeable difference (JND)parameter estimate and gray level co-occurrence matrix (GLCM)techniques were used to produce a quality model that couldbe used for comparative analysis of any new sample. The ACIShad achieved the reliability of classification by approximately75%. It was also said that this system could calculate the colordistribution and lay the basis for a set of color-based quality indi-cators.Color machine vision data, together with electronic nose sensorreadings, was used for analyzing the quality of tilapia (Oreochromisniloticus) filets (Korel et al., 2001a). The two methods presentedsignificant objective information about color and odor attributesrespectively. A 64-color discrete spectrum of the colors and aver-age L*a*b* values of all the pixels representing the sample werecalculated. It was concluded that correct classification based onexperimental variables (i.e. sensory scores, storage time) by dis-criminant analysis was poor for color data alone, and acceptablefor electronic nose data alone, while excellent with these data com-bined. This was also proved in the research for catfish filets qualityevaluation (Korel et al., 2001b). Fresh catfish filets were stored at1.7 and 7.2◦C for up to 6 days and evaluated daily for changes inodor and color. Addition of electronic nose readings to color dataimproved quality discrimination among samples. The classificationrates reached 90% and 97%, respectively, for the raw and cookedsamples.From studies described above, especially the comparativeexperiments of machine vision method to sensory panel evalua-tions (Misimi et al., 2007; Quevedo et al., 2010), to colorimeter(Oliveira and Balaban, 2006; Yagiz et al., 2009; Balaban et al.,2007), and to spectrophotometer (Kong et al., 2007), we knew thatmachine vision method had obvious advantages in color detec-tion. Because the machine vision system analyzed a larger samplearea than a colorimeter did, works with a much larger color rangethan that was achieved by the discrete values on the color cards(Mateo et al., 2006), and provided objective measurements of colorunder uniform conditions. The proper combination of machinevision with electronic nose gave a better determination of qual-ity. Similarly, texture data and electronic tongue are expected to beintegrated into machine vision, thus an even more satisfying resultmay be accomplished.

ผลลัพธ์ (ไทย) 1:

ส่วนใหญ่มีใช้วิสัยทัศน์สำหรับการวิเคราะห์สีของปลาและกุ้ง andfor เปลี่ยนแปลงสีของ fish.4.1 บำบัดพิเศษ เธช filetFish ปลาเป็นปลาที่ถูกตัด หรือหั่นจาก thebone โดยตัดตามยาวไปด้านใดด้านหนึ่งของคู่ขนานของปลาแกนหลัก (Rerkratn และ Kaewpoonsuk, 2014) เรียงลำดับ gradingand ประเมินความสดของปลาเธชสามารถเสร็จสมบูรณ์ โดยตรวจ qual ity ในการวิเคราะห์สีของปลาเธชภาพใช้ระบบ machinevision ส่วนนี้ตรวจทานระบบเหล่านี้ ด้วยคำอธิบายต่าง ๆ บรรเลง com parative: colorimeters การ์ดสี และ spectrophotometry Misimi et al. (2007) ทำการเปรียบเทียบระหว่าง machinevision และประเมินภาพ โดยแผงของมนุษย์ inspectorsaccording กับ SalmonFanTMcard ในการเรียงลำดับของนเดอร์ลอยน์ (S. ซาลาร์) ปลาแซลมอนแอตแลนติก ภาพถูกวิเคราะห์ใน yellowness RGB และ CIE ไฟสบาย ๆ แดง (L * * b *) พื้นที่สี และ classifiedaccording มาตรฐานอุตสาหกรรมบัตรสีโร MatchingRoche คะแนนของภูมิภาคที่เลือกน่าสนใจถูกขัดขวางขุดตามหลักใกล้เคียงที่ใกล้ที่สุด whichthe ระยะทางถูกคำนวณโดยใช้ระยะห่าง Euclidian หมายถึง คำนวณส่วนเบี่ยงเบนมาตรฐาน และการวิเคราะห์ความแปรปรวนเป็นซอฟต์แวร์ทางสถิติปัจจัย performedusing Showedthat เปรียบเทียบผลลัพธ์มีถูกไม่มีความแตกต่างอย่างมีนัยสำคัญ (P > 0.05) ระหว่าง themachine วิสัยทัศน์โดยใช้วิธีการประเมินสีและตรา-ditional หนึ่ง ในการวิจัยโดย Quevedo et al. (2010), colorscore ในปลาแซลมอนนเดอร์ลอยน์ถูกกำหนดโดยใช้วิธีเดียวกัน มีคอลัมน์ถูกวัด โดยหลอดไฟและ sensorialpanel (แปด panelists) ในชุดอิสระ 10 การทดลอง ระเบียบวิธีที่เป็นไปตามรูปแบบกำลังสองกับ RGB ทรานส์ฟอร์มเป็น L * เป็น * b * สีพื้นที่ และข้อผิดพลาดจาก 2.7%, 1% และ 1.7% ตามลำดับ การ L * เป็น * b * ค่า ใช้ rithm algo นี้ ความสัมพันธ์ที่ดีระหว่างสีโดย visionand เครื่องรับความรู้สึกจากที่สังเกต (r = 0.95) Compar-ison วิเคราะห์ทางสถิติการวิจัยดำเนินการที่ใช้ t testand พบว่า มียังไม่แตกใน mea-surements ของ SalmonFanTMscore ทั้งสองวิธี (tc = 1.65 ≤ t = 1.96 ที่˛ = 0.05%) ดังนั้นเครื่องวิสัยทัศน์ methodswere แนะนำเนื่องจากมันสามารถลด subjectivity experi-enced แผ่นรับความรู้สึก Oliveira และ Balaban (2006) ทำวิจัยเพื่อเปรียบเทียบ theability กับหลอดไฟและเครื่องใน measur กำลังการเปลี่ยนแปลงของสีเย็นเก็บของอ่าว Sturgeon(Ancipenser oxyrinchus desotoi) นเดอร์ลอยน์มากกว่า 15 วัน L การ * * ค่า b * มีหลากหลาย สถานที่โดยใช้เครื่องแบบและวิสัยทัศน์ระบบเครื่องวัน 0, 5,10 และ 15 วิเคราะห์ทางสถิติระบุว่า มีความแตกต่างไม่ signif icant (P > 0.05) ค่า E เดลต้าจากวิสัยทัศน์ ormachine เครื่องระหว่างขนมหรือวัน ขนาดใหญ่ differences(P < 0.05) E เดลต้าค่าระหว่างวันที่ 0 และวันที่ 1 ได้ไม่ reflectthe อ่อนสีเปลี่ยนช่วงเวลา มันถูกสรุปว่า machinevision สามารถ outperform colorimeters อื่น ๆ เมื่อบันทึก และผสม พันธุ์ esti ละเอียดสีในอาหารเปลี่ยนแปลง การเปรียบเทียบวิธีการ thesetwo อื่นกระทำในวัดสี irradiated Atlanticsalmon นเดอร์ลอยน์ (S. ซาลาร์) (Yagiz et al., 2009) L การ * * b * ค่าของ thesamples ที่ต้องการปริมาณแสงแตกต่างกันอิเล็กตรอนถูก measuredwith สองเครื่อง ดัง วิสัยทัศน์เครื่องอ่านสีส้ม gotan สีที่อยู่ใกล้สี salmonfilets ในขณะเครื่องรับสีสีม่วง นอกจากนี้ สองวิธีที่ใช้วัดปริมาณสีปลา ก่อนการรักษา andafter ระหว่างการเก็บรักษาควบคุมอุณหภูมิ (Balaban et al., 2007) ที่นี่เครื่องวิสัยทัศน์ยังต้องมีประโยชน์ที่เอเอ็นเอ lyze พิกเซลทั้งหมดของตัวอย่าง Alsomade al. ร้อยเอ็ดอินเตอร์เนชั่นแนล (2007) การเปรียบเทียบวิสัยทัศน์เครื่องกับเครื่องทดสอบกรดด่างมีสี inmeasuring และการหดตัวของปลาแซลมอนฟิกล้ามเนื้อระหว่าง ster-ilization รูปแบบคุณภาพตามนเดอร์ลอยน์ระยะยาว axisof ปลาแซลมอน (ปลาแซลมอนแปซิฟิกสีชมพู โอ gorbuscha) ถูกตรวจสอบ ภาพจากระบบมองเห็นเครื่อง asdescribed รับประมวลผลวิจัยโดย Misimi et al. (2007) นี่หมายความว่ากลุ่ม differencesbetween ได้วิเคราะห์ โดย Ducan ของหลาย rangetest มันถูกพบว่า มีสหสัมพันธ์สูง coefficientsbetween สองวิธี: R2 = 0.998, 0.976 และ 0.972 สำหรับ CIE L * การ * และ b * ตามลำดับ ทั่วไป วิธีการมองเครื่องเขาก็จะชนะอย่างน้อยเป็นดีเป็นเครื่องมืออื่น ๆ (เช่นเครื่องและข้อมูลจำเพาะ trophotometer) สำหรับเธชจัดเกรด และการเรียงลำดับวัตถุประสงค์ และ betterthan แบบดั้งเดิมกับ panelists ประเมินโร colorscales การใช้เครื่องต้องใหญ่ค่อนข้างแบน samplearea ซึ่ง อย่างไรก็ตาม ไม่เป็นปัจจัยจำกัดสำหรับ machinevision นอกจากนี้ การศึกษานำร่องรายงานการสอบสวนเป็น thepotential สำหรับการจัดประเภทของ cod เค็มนเดอร์ลอยน์ โดยวิเคราะห์ colorimages (โคห์เลอร์และ al., 2002) Methodscombined วิเคราะห์ภาพอื่น ด้วย SIMCA (อ่อนขึ้นอยู่กับโมเดลของคลาส analo gies) ใช้ ระหว่าง histogramand 'แดงสีต่าง' ฮิสโตแกรมระดับสีเทาวิธีพิสูจน์ให้ particularlypromising แต่ละวิธีงาน 1 เท่าจาก 12samples ในปี 2006 สีความแตกต่างและการเปลี่ยนแปลงของบลูฟิน tuna(T. thynnus) เนื้อถูกสังเกตใต้พันธุ์อื่นสามารถ ronment และจับวิธี (เซาท์อีสท์ et al., 2006) วิเคราะห์ แบบจำลอง และตรวจสอบการเปลี่ยนแปลงเหล่านี้ เป็น inspectionsystem สีอัตโนมัติ (ACIS) ได้รับการพัฒนา มีเป็นทรงระฆังคว่ำ PVC ฝาครอบ forsustainably กระจายแสงสว่าง ความแตกต่างที่เห็นได้ชัดเพียง (JND) พารามิเตอร์ประเมินและเทาเกิดร่วมระดับเมตริกซ์ (GLCM) เทคนิคที่ใช้ในการผลิตแบบจำลองคุณภาพ couldbe ที่ใช้สำหรับการวิเคราะห์เปรียบเทียบของทุกอย่างใหม่ ACIShad ได้รับความน่าเชื่อถือของการแบ่งประเภท โดย approximately75% มันก็ยังบอกว่า ระบบนี้สามารถคำนวณแบบ colordistribution และวางพื้นฐานสำหรับชุดของสีขึ้นอยู่คุณภาพ indi-cators สีเครื่องวิสัยทัศน์ข้อมูล พร้อมกับจมูกอิเล็กทรอนิกส์ sensorreadings ถูกใช้สำหรับการวิเคราะห์คุณภาพของนเดอร์ลอยน์นิล (Oreochromisniloticus) (Korel et al., 2001a) วิธีที่สอง presentedsignificant วัตถุประสงค์ข้อมูลเกี่ยวกับ attributesrespectively สีและกลิ่น สเปกตรัมแยกกันสี 64 สีและอายุ aver L * * b * ค่าพิกเซลที่แสดง werecalculated ตัวอย่าง ได้สรุปได้ว่า การจัดประเภทที่ถูกต้องตามตัวแปร onexperimental (ทางประสาทสัมผัสเช่นคะแนน เวลาเก็บ) โดยวิเคราะห์โรค criminant ไม่ดีสำหรับข้อมูลสีเดียว และ acceptablefor จมูกอิเล็กทรอนิกส์ข้อมูลเพียงอย่างเดียว ในขณะที่สิ่งเหล่านี้ข้อมูล com bined นี้ยังได้พิสูจน์แล้วว่างานวิจัยสำหรับปลาดุกนเดอร์ลอยน์ qualityevaluation (Korel et al., 2001b) ปลาดุกสดนเดอร์ลอยน์ถูกเก็บ at1.7 และ 7.2◦C ถึง 6 วัน และประเมินสีและ inodor เปลี่ยนแปลงทุกวัน นอกจากนี้จมูกอิเล็กทรอนิกส์อ่านไปสี dataimproved คุณภาพแบ่งแยกระหว่างตัวอย่าง Classificationrates หมายถึง 90% และ 97% ตามลำดับ การดิบ และ cookedsamples จากการศึกษาข้าง comparativeexperiments ของเครื่องจักรโดยเฉพาะอย่างยิ่งวิสัยทัศน์วิธีการรับความรู้สึกแผง evalua-tions (Misimi et al., 2007 Quevedo et al., 2010), การเครื่อง (Oliveira และ Balaban, 2006 Yagiz et al., 2009 Balaban et al., 2007), และกับเครื่องทดสอบกรดด่าง (กง et al., 2007), เรารู้วิสัยทัศน์ thatmachine วิธีมีข้อดีที่เห็นได้ชัดในสี detec สเตรชัน เนื่องจากระบบมองเครื่องวิเคราะห์ samplearea ใหญ่กว่าเครื่องไม่ได้ ทำงานร่วมกับแบบมากขนาดใหญ่สี rangethan ที่โดยค่าไม่ต่อเนื่องบนบัตรสี (เซาท์อีสท์ et al., 2006), และให้ประเมินวัตถุประสงค์ของเงื่อนไขรูป colorunder ทั้ง machinevision กับจมูกอิเล็กทรอนิกส์ที่เหมาะสมให้กำหนดดีกว่าของ qual ity ในทำนองเดียวกัน ข้อมูลพื้นผิวและลิ้นอิเล็กทรอนิกส์คาดว่า beintegrated เป็นจักรวิทัศน์ ดัง resultmay มีความพึงพอใจขึ้นมาได้

ผลลัพธ์ (ไทย) 3:

วิสัยทัศน์ คือ ส่วนใหญ่ใช้สำหรับการวิเคราะห์สีปลา และกุ้ง ด้วยการเปลี่ยนสี ของการรักษาพิเศษ ปลา . . . filetfish แล่ปลาเป็นปลาที่ได้รับการตัดหรือหั่น ห่างจาก thebone โดยตัดตามความยาวของด้านหนึ่งของปลาที่ขนานกับแกนหลัก ( rerkratn และ kaewpoonsuk 2014 ) การเรียงลำดับการประเมิน gradingand ความสดของชิ้นปลาจะเสร็จสมบูรณ์โดยการตรวจจับ qual ity และสีของปลานะครับภาพโดยใช้ระบบแมชชีนวิชั่น . ส่วนนี้ตรวจสอบระบบเหล่านี้มีรายละเอียดของวิธีการบรรเลง จึง parative อื่นๆ : ยานยนต์ , การ์ดสี และวิธี . misimi et al .( 2007 ) ทำให้การเปรียบเทียบระหว่างแมชชีนวิชั่นและภาพการประเมินโดยคณะ inspectorsaccording มนุษย์ salmonfantmcard ในการเรียงลำดับของปลาแซลมอนแอตแลนติก ( S . ซาลาร์ ) filets . วิเคราะห์ภาพ : แสง RGB และเนส แดง เหลือง ( L * a * b * ) เป็นสี และ classifiedaccording ไปบัตร โรช สีอุตสาหกรรมมาตรฐานmatchingroche คะแนนภูมิภาคที่น่าสนใจคือวิธีเลือกที่ขุดได้ตามหลักเพื่อนบ้านที่ใกล้ที่สุด สำหรับส่วนระยะทาง คำนวณโดยใช้ euclidian ระยะทาง ค่าเฉลี่ย ส่วนเบี่ยงเบนมาตรฐาน และการวิเคราะห์ความแปรปรวน ( ANOVA ) เป็น performedusing คำนวณสถิติซอฟต์แวร์ Photoshop ได้ เปรียบเทียบพบว่า ไม่มีความแตกต่างกันทางสถิติ ( P > 005 ) ระหว่างวิสัยทัศน์ตามวิธีการประเมินอัตราการขัดข้อง สี และ ตรา ditional 1 ในการวิจัยโดย quevedo et al . ( 2010 ) , colorscore ใน filets ปลาแซลมอนที่ได้รับมอบหมายโดยใช้วิธีการเดียวกัน คอลัมน์หรือวัดจากระบบการมองเห็นของเครื่องจักรและ sensorialpanel ( ร้อยละ 8 ) 10 ชุดอิสระในการทดลองวิธีการวิจัยตามรูปแบบ Quadratic trans รูปแบบ RGB L * a * b * พื้นที่สีและข้อผิดพลาดจากเป็น 2.7% , 1% และ 1.7% ตามลำดับ สำหรับค่า L * a * b * . การประยุกต์ใช้อัลกอนี้ rithm ที่ดี ความสัมพันธ์ระหว่างสี โดย visionand เครื่องโดยแผงประสาทสัมผัสพบ ( r = 0.95 ) สำหรับไอ้ศร compar ,นักวิจัยได้ทำการวิเคราะห์ข้อมูลแบบ t และพบว่าไม่มีความแตกต่างใน surements แม่ของ salmonfantmscore ระหว่างทั้งสองวิธี ( TC = 1.65 ≤ t = 1.96 ที่˛ = 0.05 % ) จึงมองเห็นเครื่อง methodswere แนะนำเนื่องจากมันสามารถลดอัตวิสัย enced ประสบการโดยแผงประสาทสัมผัสโอลิเวียร่า และ บาลาบั้น ( 2006 ) ทำวิจัยเพื่อเปรียบเทียบความสามารถของระบบการมองเห็นเครื่องคัลเลอริมิเตอร์ในการวัดและการเปลี่ยนแปลงของไอเอ็นจีสีมากกว่า 15 วัน กระเป๋าเย็นของอ่าวปลาสเตอร์เจียน ( ancipenser oxyrinchus desotoi ) filets . L * a * b * เท่ากับเมีย แน่นอนว่าใช้คัลเลอริมิเตอร์และเครื่องระบบวิชั่นในวันที่ 0 , 5 , 10 และ 15การวิเคราะห์ทางสถิติพบว่าไม่มี signif ไอ้แค้นความแตกต่าง ( P > 0.05 ) ใน Delta และคุณค่าจาก colorimeter ormachine วิสัยทัศน์ระหว่างให้ถือ หรือวัน มีความแตกต่างอย่างมีนัยสำคัญทางสถิติ ( P < 0.05 ) ใน Delta E ค่าระหว่าง 0 และ 1 วันวันไม่ได้ reflectthe สีจะอ่อนกว่าเวลาสรุปได้ว่า แมชชีนวิชั่นสามารถมีประสิทธิภาพสูงกว่ายานยนต์อื่น ๆ เมื่อบันทึกและเจ้าผสมพันธุ์ละเอียดเปลี่ยนสีในอาหาร การเปรียบเทียบประสิทธิภาพของวิธีการอื่นถ่ายในวัดสี การฉายรังสีแอตแลนติก แซลม ( S . ซาลาร์ ) filets ( yagiz et al . , 2009 ) L * a * b * เท่ากับจำนวนที่แตกต่างกัน ลำแสงอิเล็กตรอนซึ่งอยู่ภายใต้ measuredwith สองเครื่องมือ ผลมองเห็นเครื่องอ่านโกทันสีส้มที่ใกล้เคียงกับสีจริงของ salmonfilets ในขณะที่ colorimeter ได้รับสีม่วง . นอกจากนี้ ทั้งสองวิธีนี้ถูกใช้เพื่อวัดปริมาณสีปลาก่อนและหลังการรักษา และในตู้เย็นกระเป๋า ( บาลาบั้น et al . , 2007 ) ที่นี่มองเห็นเครื่องยังมีประโยชน์กับอนาไลซ์พิกเซลทั้งหมดของตัวอย่างแน่นอนฮ่องกง et al . ( 2007 ) alsomade เปรียบเทียบวิสัยทัศน์เครื่องที่มีความ inmeasuring สี และ การหดตัวของกล้ามเนื้อในระหว่างกระบวนการปลาแซลมอนแล่ ilization ster . คุณภาพรูปแบบแนวตามยาว axisof กินแซลมอน ( Salmon , แปซิฟิกสีชมพู . gorbuscha ) 1 ปี ระบบการมองเห็นภาพจากเครื่องผลิตใน asdescribed ในการวิจัย โดย misimi et al .( 2007 ) ที่นี่แตกต่างกันค่าเฉลี่ย วิเคราะห์โดยดูคานของหลาย rangetest . พบว่า มี coefficientsbetween ความสัมพันธ์สูง ทั้งสองวิธี : R2 = 0.998 0.976 0.972 สำหรับ , และ CIE L * a * b * ตามลำดับ ทั่วไป มองเห็นเครื่อง วิธีพิจารณาที่จะชนะอย่างน้อยดีเช่นเดียวกับเครื่องมืออื่น ๆ ( เช่นcolorimeter และ spec trophotometer ) เนื้อนิ่มเกรดและมีการเรียงลำดับ และดีกว่าวิธีการดั้งเดิมกับผู้ทดสอบชิมประเมินโรช colorscales . ใช้ระบบดิจิตอลต้อง samplearea แบนขนาดใหญ่พอสมควรซึ่ง แต่ไม่ได้เป็นปัจจัยจำกัดแมชีน วิชั่น นอกจากนี้การศึกษานำร่องรายงานการสำรวจศักยภาพสำหรับการจำแนกเค็มปลา filets โดยการวิเคราะห์ colorimages ( Kohler et al . , 2002 ) การวิเคราะห์ภาพที่แตกต่างกัน methodscombined กับซิมก้า ( แบบอิสระนุ่มของคลาส analo ไก ) ใช้ ระหว่างที่ ' สีแดง ' histogramand แปรปรวนระดับสีเทาภาพวิธีการพิสูจน์แล้วว่าเป็น particularlypromising .แต่ละวิธีการเหล่านี้ misclassified เพียง 1 จาก 12samples . ในปี 2006 ความแตกต่างของสีและการเปลี่ยนแปลงของปลาทูน่าครีบน้ำเงิน ( T . thynnus ) เนื้อที่พบภายใต้ที่แตกต่างกันพันธุ์ Envi สิ่งแวดล้อมและจับวิธีการ ( แมทธิว et al . , 2006 ) เพื่อวิเคราะห์รูปแบบและตรวจสอบการเปลี่ยนแปลงเหล่านี้ โดยอัตโนมัติสี inspectionsystem ( ACIS ) คือ พัฒนา กับ เบลล์ รูปทรงหลังคาพีวีซี forsustainably กระจายแสงแค่เห็นความแตกต่าง ( jnd ) และระดับการประมาณค่าเมตริกซ์ ( สีเทา glcm ) เทคนิคที่ใช้ในการผลิตคุณภาพรุ่นที่สามารถใช้ในการวิเคราะห์เปรียบเทียบตัวอย่างใหม่ใด ๆ การ acishad บรรลุความน่าเชื่อถือของการจำแนกโดย approximately75 %มันเป็นยังกล่าวว่า ระบบนี้สามารถคำนวณ colordistribution วางพื้นฐานสำหรับการตั้งค่าสีคุณภาพข้อมูลวิสัยทัศน์ indi-cators.color เครื่องจักรที่ใช้ร่วมกับ sensorreadings จมูกอิเล็กทรอนิกส์ ที่ใช้ในการวิเคราะห์คุณภาพของปลานิล ( oreochromisniloticus ) filets ( korel et al . , 2001a )สองวิธี presentedsignificant ข้อมูลเกี่ยวกับสีและกลิ่น attributesrespectively . 64 สีต่อเนื่องสเปกตรัมของสีและยืนยันอายุ L * a * b * เท่ากับพิกเซลทั้งหมดแทนตัวอย่าง werecalculated . สรุปได้ว่า ตัวแปร onexperimental ถูกต้องตามหมวดหมู่ ( เช่นคะแนนทางประสาทสัมผัสเวลากระเป๋า ) โดยการวิเคราะห์จาก criminant จนสีข้อมูลเพียงอย่างเดียว และ acceptablefor จมูกอิเล็กทรอนิกส์ข้อมูลเพียงอย่างเดียว ในขณะที่ที่ดีกับข้อมูลเหล่านี้ จึง bined . นี้ยังพิสูจน์ในการวิจัยสำหรับปลาดุก filets qualityevaluation ( korel et al . , 2001b ) filets ปลาดุกสด และเก็บไว้ at1.7 7.2 ◦ C นานถึง 6 วัน และประเมินทุกวัน สำหรับการเปลี่ยนแปลง inodor และสีจมูกอิเล็กทรอนิกส์เพื่อเพิ่มค่าสี dataimproved จำแนกคุณภาพของตัวอย่าง การ classificationrates ถึง 90% และ 97 ตามลำดับ สำหรับ cookedsamples ดิบ และ จากการศึกษาที่อธิบายข้างต้น โดยเฉพาะ comparativeexperiments วิธีวิสัยทัศน์เครื่องและแผงการประเมิน tions ( misimi et al . , 2007 ; quevedo et al . , 2010 ) , colorimeter ( Oliveira และ บาลาบั้น , 2006 ;yagiz et al . , 2009 ; บาลาบั้น et al . , 2007 ) และวัสดุ ( ฮ่องกง et al . , 2007 ) , เรารู้วิธีมีข้อได้เปรียบที่ชัดเจนในวิสัยทัศน์ thatmachine tion detec สี เพราะระบบการมองเห็นด้วยเครื่องวิเคราะห์ samplearea ใหญ่กว่า colorimeter ทำงานที่มีขนาดใหญ่มาก สี rangethan ที่ได้จากค่าไม่ต่อเนื่องบนบัตรสี ( แมทธิว et al . , 2006 )และให้มีการตรวจวัดสภาพเครื่องแบบ colorunder . การรวมกันที่เหมาะสมของแมชชีนวิชั่นกับจมูกอิเล็กทรอนิกส์ให้ความตั้งใจดีของ qual ity . และข้อมูลพื้นผิวและลิ้นอิเล็กทรอนิกส์คาดว่าจะขึ้นเป็นวิสัยทัศน์ของเครื่องจึงเป็นที่น่าพอใจมากขึ้น resultmay ได้สำเร็จ