食品供应链可追溯系统模型

食品供应链可追溯系统模型及关键技术研究目录第一章绪论第二章基于虹膜识别的肉类供应链可追溯系统第三章大型动物虹膜图像预处理算法第四章大型动物虹膜图像的纹理特征提取和模式匹配算法第五章结束语第一章绪论研究背景及意义•近年来，一系列食品安全事件的发生以及人畜共患传染病的爆发带给人们极大的恐慌，越来越多的企业开始试图降低生产过程中的风险，同时越来越多国家的消费者要求提供产品在食品供应链中的流动情况，并对其进行跟踪和追溯，一些发达国家已经实施了食品安全追溯制度。•我国应用于全程溯源的标签技术只在有限的食品种类中的某些过程得到应用，大型动物食品个体鉴别技术研究才刚刚起步。总的来说，我国的食品溯源技术严重不足，溯源系统还未得到广泛应用，严重影响了食品安全的风险管理和我国食品的国际竞争力。从我国食品链可追溯系统的长期发展来看，研究出与国外接轨的准确、可行、快速、便捷的可追溯关键技术是十分必要的。www.06305.com整理发布•本文是“十一五”国家科技支撑计划重大项目“食品安全关键技术”——“食品污染溯源技术研究（2006BAK02A16）”和“超市食品安全的质量控制技术研究（2006BAK02A28）”的研究成果。食品污染溯源技术研究课题，以关系国计民生和国际贸易的重要食品种类为研究对象，利用以电子标签为核心的编码技术、虹膜技术、同位素技术、DNA指纹技术等，建立大型动物食品个体鉴别技术、食品产地溯源技术等，构建食品供应链全程污染物溯源技术系统,为完善我国食品溯源系统提供理论和技术支撑。相关文献综述•肉类食品供应链可追溯系统研究现状•食品供应链可追溯关键技术研究现状•虹膜识别技术研究现状本文主要研究内容•论文的内容安排第一部分（第二章）选择以食品链关键技术作为切入点，首先讨论了人眼虹膜识别技术应用于大型动物识别在图像采集、虹膜定位、特征提取三方面存在的技术难点，给出了实现动物虹膜识别的技术路线；最后构建了基于虹膜识别的肉食品可追溯系统，并进行了详细功能划分和流程设计，为虹膜技术在肉食品可追溯系统中的应用实施提供了参考。第二部分（第三、四章）进行了了大型动物虹膜识别的算法研究与系统实现，以实地采集的大型动物眼睛图片为基础，从虹膜定位、归一化、特征编码及匹配几个方面，进行了动物虹膜识别算法的研究。其中包括图像的预处理、特征提取、二维Gabor滤波器的构造、参数选择、虹膜编码以及Hamming距离的计算等，通过计算机程序实现虹膜图像的识别过程。大型动物虹膜识别算法体系VisualC++6.0编程实验Matlab6.5滤波器仿真纹理特征编码模式匹配图像噪声处理虹膜内外边缘定位虹膜分割及归一化图像增强虹膜图像预处理虹膜特征提取和模式匹配人眼虹膜识别理论1-2论文研究框架图基于虹膜识别的肉类食品可追溯系统计算机图形学理论＋第二章基于虹膜识别的肉类食品供应链可追溯系统研究食品供应链可追溯系统的两种思路•通过构建可追溯体制机制、法规标准的角度，各个国家通过强制性制度建设，建立健全食品可追溯系统模型；（2）通过对食品可追溯系统中关键技术的研究，加强食品供应链可追溯的宽度、深度和准确度。•食品供应链可追溯关键技术是可追溯系统有效运作的核心所在，主要包括动物个体识别技术、现代信息网络和通讯技术等，其中动物个体标识技术是可追溯关键技术体系的核心所在。目前国内外采用的关键技术大体可分为三类：机械方法（烙铁、纹身等）；电子方法（条形码塑料耳标、电子纽扣式标签、无线射频识别等）；以及生物方法（DNA分型、眼虹膜识别、视网膜识别等）。其中无线射频技术和生物学身份识别技术（如眼虹膜识别和DNA分型）是个体识别的一种新技术，未来发展潜力巨大。大型动物虹膜识别技术虹膜识别技术是属于动物识别技术的一种，动物个体识别是肉食品可追溯系统的首要因素，是指利用特定的标签，以某种技术手段与拟识别的动物相对应，并能随时对动物的相关安全信息进行跟踪与管理，发生问题时，可以快速追溯到动物在食品链上经过的各节点以及出生地的一种技术。参照发达国家实施的畜产品追溯系统与技术，综合比较集中畜体标识技术的优劣和发展趋势，采用虹膜识别作为动物个体溯源的关键技术更为准确有效。•人眼虹膜识别系统国外对虹膜识别研究较早，传统的虹膜识别算法有Daugman和Wildes提出的识别算法。（1）Daugman系统：利用如下微积分算子（Integro-differentialoperator）来定位虹膜：其中，是标准差为的高斯函数，起平滑滤波作用，I为虹膜图像，表示卷积，除以是为了归一化。整个算子的作用为一个以一定尺度的高斯函数模糊化的圆的边缘检测器，它在三维的参数空间迭代求最优解。检测眼睑时积分路径改为圆弧形，然后用统计方法判断是否有眼睑。特征抽取时采用Gabor滤波器的相位编码算法，利用Gabor滤波器的局部性和方向性对虹膜纹理进行分解编码，依据是Gabor小波具有与人类简单视觉细胞相似的视觉特性，能够很好地分析现实世界中的各种模式.0000(,),,2(,,)max()IxyrxyrrrxyGrds最后提取其相位信息，并将所得到的相位信息量化为二值的虹膜编码，利用归一化的海明距离（Hammingdistance）实现虹膜特征匹配。此方法是识别性能最好的方法。（2）Wildes系统：Wildes系统使用边缘检测与Hough变换相结合的方法定位虹膜，先用二维高斯函数结合拉普拉斯算子来寻找虹膜边缘点，再用Hough变换来得到虹膜参数，也是在三维参数空间求内外圆的参数最优解。由于Hough变化具有一系列优点被认为是高效的匹配滤波器工具，但是由于其计算量与参数空间成指数关系，因此这种方法的计算时间是一个不能忽视的问题，此外，当虹膜被睫毛及眼睑遮挡的时候，这种方法的准确性会显著下降。特征抽取使用基于纹理分析的方法，提出用高斯型滤波器在不同分辨率下分解虹膜图像，采用拉普拉斯金字塔的多分辨率技术，在不用尺度下计算给定的两个虹膜图像的归一化相关系数，然后使用Fisher分类器进行分类，该方法本质上是一种图像匹配方法，缺点是计算复杂度高。•目前大部分商用的虹膜识别系统都使用Daugman的核心算法，由于设计商业专利等问题，Daugman于算法的细节在公开发表的文献中并没有提及。•大型动物虹膜识别存在的技术难点（1）图像采集问题：与人眼虹膜采集不同，动物很难在采集的过程中保持静止不动，难以进行聚焦，获取的图像质量较差，难以满足识别要求。虹膜图像采集是识别算法的平台和基础。以牛为代表的大型动物通常比较敏感，尤其是有陌生物品靠近它们时，它们几乎在不停地摆动头部同时转动眼球，获得大量的可用于识别的图像是比较困难的。设计和开发出适合动物的图像采集装置，同时采用合适的质量评价方法，用于排除不满足识别要求的图像，提高识别的准确率，是非常必要的。（2）牛眼虹膜定位问题：虹膜定位是虹膜图像预处理过程中的重要环节。人眼虹膜定位算法大多是将瞳孔和虹膜看作两个同心圆，利用圆的几何特性来进行定位。与人的瞳孔呈近圆形不同，牛的瞳孔呈类椭圆形，因此，对牛眼虹膜的定位可能主要依靠边缘检测的方法进行。（3）牛眼纹理特征提取问题：人眼虹膜包含密集的放射状纹理，集中在瞳孔周围，通过对其进行特征提取转换为编码信息，实现唯一身份标识的目的。与人眼虹膜纹理多呈放射状分布在瞳孔附近不同，牛眼虹膜纹理主要集中在虹膜外边缘，需要选用特殊的特征提取编码方法。•大型动物虹膜识别技术实现虹膜图像采集虹膜图像虹膜纹理特征提取虹膜特征编码虹膜特征编码的匹配匹配结果个体虹膜注册个体追溯图像预处理图像平滑处理虹膜定位图像分割及归一化图像增强图2-3大型动物虹膜识别技术路线•本文所使用的算法按照上面的流程，本文对适合于大型动物虹膜识别的算法进行了详细研究和实现，采用的算法如下：图像预处理包括图像二值化处理、边缘检测、虹膜定位、虹膜图像归一化。图像二值化阈值变换边缘检测Sobel算子B样条变换、Hough变换图像归一化极坐标变换图像平滑定位虹膜内外缘中值滤波经过系统预处理过后的图像，把原图像中部分虹膜区域经过坐标变换，转换成矩形区域，从而便于后期特征提取与特征编码，分别用到图像分块和Daugmn提出的基于2D-Gabor小波变换的虹膜纹理编码算法。在应用虹膜识别系统前，假设已经建立了某一地区的大型动物虹膜库，并且已经输入到数据库中。从而在执行虹膜匹配这一步骤时，通过对当前待识别动物虹膜编码和虹膜库中个体逐个进行Hamming距离计算，得到若干介于0与1之间的比例，利用事先通过试验假定的识别阈值确定当前待识别动物个体是否和虹膜库中某个体匹配。计算Hamming距离与阈值比较图像分块图像滤波特征编码根据试验精度要求2DGabor滤波模式匹配匹配不匹配输出个体相关信息提示基于虹膜识别的肉类食品供应链可追溯系统•系统的功能划分及其功能描述•系统详细流程、、第三章大型动物虹膜图像预处理算法虹膜图像预处理是对获取的虹膜原始图像数据进行处理加工、去伪存真的过程。一般要进行平滑、虹膜定位、归一化以及归一化后的虹膜图像增强步骤，其中虹膜定位是虹膜预处理算法的基础的关键；归一化处理可以使虹膜图像大小标准化；图像增强可以消除不均匀光照引起的图像光强不均匀分布。图像平滑处理在拍摄的虹膜图像上面，会带有一些噪声，尤其对于在室外进行的大型动物虹膜采集，会在图像上形成大小不一的亮点；图像数字化过程时的量化误差在虹膜图像上产生的噪声；图像经过传输产生的信道误差等。这些噪声会对提取虹膜边界产生不利的影响，为了去除或者降低噪声的干扰，在进行定位前需要对虹膜图像进行处理。本文采用中值滤波的方法进行图像平滑。中值滤波是抑制噪声的非线性处理方法，图像中值滤波后某像素的输出等于该像素邻域中各像素灰度的中值。平滑模板选用高斯模板。1211/16*241121大型动物虹膜定位算法•虹膜内外边界的二值化分割和瞳孔中心位置的确定采用二值化法的阈值分割技术，即灰度阈值分割法，就是简单的用一个或几个阈值将图像的灰度直方图分成几个类，认为图像中灰度值在同一个灰度类的像素属于同一个物体。由于对牛眼虹膜图像的采集通常在室外进行，通过对大量图片的分析，在虹膜摄取过程中形成光斑是不可避免的，通常情况下，光斑的亮度比虹膜图像的其他部分高。牛眼睛图像的灰度分布，由于光斑区域几乎覆盖住瞳孔，使得瞳孔与虹膜，巩膜与虹膜之间都形成了强烈的灰度对比，边界线的梯度较大，容易找到边界线。我们可以利用较大的阈值来快速有效地将虹膜与其他部分分离。本文采用模式方法（modelmethod）来确定阈值，即在灰度直方图中检测出第一个明显的谷的位置，利用其对应的灰度值作为阈值进行分割，为了避免直方图上某一点突变造成的影响，通常要求这个局部最大值和局部最小值对应的灰度之间的间隔不小于一个最小值。在图所示的灰度直方图中，第一个峰值对应的是虹膜区域灰度集中位置，因此本文在进行灰度分割的时候阈值应该原则在第一个峰值的右侧的谷底位置。经过反复的实验，对于本文所使用的图片库，阈值选择在125，虹膜区域能够被较好的分割出来，实验结果如图所示。大致虹膜区域皮肤、睫毛等其他区域瞳孔、巩膜区域虹膜图像边缘检测取掩模的不同，可以得到不同的算子，有代表性的有：Roberts算子、Sobel算子、Prewitt算子、Robinson算子和Canny算子等。本文在进行边缘检测之前先进行了二值化处理，大大提高了边缘检测的准确性，使用上述算子都能得到较为理想的结果，所以选用更为准确迅速的Sobel算子进行边缘检测。Sobel算子是一种带方向选择性的梯度算子，灰度变化较大的点出算得的值较高，因此可将这些导数值作为相应点的边界强度，通过设置门限的方法，提取边界的点集。(,)||||xyGijSS水平模板，对水平边缘响应最大；垂直模板，对垂直边缘响应最大。图像中的每个点（除了模板罩不住的点）都用这两个模板做卷积，两个模板卷积的最大值作为该点的输出值，其运算结果是一幅边缘幅度图像。本文在Sobel算子的基础上利用衰减因子进行了改进,细化了图像边缘。基于二次均匀B样条曲线的虹膜内