Komputerowe systemy wizyjne w ocenie jakości mięsa wołowego

• Autorzy: Chmiel M. , Słowiński M. , Dasiewicz K. , Florowski T.

Warianty tytułu

EN

Computer vision systems in evaluating beef quality

• Języki publikacji: PL

Abstrakty

PL

Materiał do badań stanowiło mięso wołowe, które na podstawie pomiaru pH w 48 h po uboju zaklasyfikowano jako mięso bez wad oraz obarczone wadą DFD. W badanym surowcu oznaczono wybrane wyróżniki jakości technologicznej i barwę w systemie CIELab oraz metodą komputerowych systemów wizyjnych (CVS). Na podstawie uzyskanych wyników stwierdzono, że składowe barwy określone metodą CVS, charakteryzujące jasność, mogą być wykorzystane do wykrywania wady DFD mięsa wołowego.

EN

The material for the study consisted of beef samples. Based on pH measurement 48 hours post mortem raw material was classified as a normal and DFD meat. In the analyzed meat, the selected technological properties, colours in CIELab and computer vision systems (CVS) were determined. On the ground of the obtained results, it was concluded that the colour values, determined by CVS method and characterizing lightness can be used to detect DFD defect in beef.

Słowa kluczowe

PL

wołowina; DFD; komputerowe systemy wizyjne (CVS)

EN

DFD; beef; computer vision systems (CVS)

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przemysł Spożywczy
• Rocznik: 2011
• Tom: T. 65, nr 9
• Strony: 45--47
• Opis fizyczny: Bibliogr. 27 poz.

Twórcy

autor

Chmiel M.

autor

Słowiński M.

autor

Dasiewicz K.

autor

Florowski T.

• Zakład Technologii Mięsa, Katedra Technologii Żywności, Wydział Nauk o Żywności, SGGW, Warszawa

Bibliografia

• [1] Branscheid W., Dobrowolski A., Szindler M., Augustini C.: 1998. Apparative Klassifizierung und Erfassung des Schlachtwertes beim Rind mit Hilee der Videobildanalyse. Fleischwirtschaft, 78, 1046-1050.
• [2] Brewer M. S., Zhu L. G., Bidner B., Meisinger D. J., McKeith F. K.: 2001. Measuring pork color: effects of bloom time, muscle, pH and relationship to instrumental parameters. Meat Science, 57, 169-176.
• [3] Brosnan T., Sun D. W.: 2004. Improving quality inspection of food products by computer vision - a review. Journal of Food Engineering, 61, 3-16.
• [4] Cannell R. C., Belk K. E., Tatum J. D., Wise J. W., Chapman P. L., Scanga J. A., Smith G. C.: 2002. Online evaluation of a commercial video image analysis system (Computer Vision System) to predict beef carcass red meat yield and for augmenting the assignment of USDA yield grades. Journal of Animal Science, 80, 1195-1201.
• [5] Chmiel M., Słowiński M., Dasiewicz K.: 2011. Lightness of the color measured by computer image analysis as a factor for assessing the quality of pork meat. Meat Science, 88, 566-570.
• [6] Dasiewicz K., Słowiński M., Maczuga C.: 2002. Quality of meat from dairy and beef cattle and the use of computer image analysis for marbling evaluation. Przemysł Spożywczy, 56 (7), 26-28.
• [7] Denaburski J., Bąk T.: 2002. Najważniejsze przyczyny i sposoby zapobiegania występowaniu mięsa typu DFD. Gospodarka Mięsna, 54 (5), 28-31.
• [8] Fortin A., Tong A. K. W., Robertson W. M., Zawadski S. M., Landry S. J., Robinson D. J., Liu T., Mockford, R. J.: 2003. A novel approach to grading pork carcasses: computer vision and ultrasound. Meat Science, 63, 451-462.
• [9] Gašperlin L., Žlender B., Abram V.: 2000. Colour of normal and high pH beef heated to different temperatures as related to oxygenation. Meat Science, 54, 391-398.
• [10] Gawęcki J., Wagner W.: 1984. Podstawy metodologii badań doświadczalnych w nauce o żywieniu i żywności. Wydawnictwo Naukowe PWN, Warszawa.
• [11] Grześkowiak E., Borzuta K., Strzelecki J.: 2006. Porównanie jakości różnych mięśni tusz młodego bydła rzeźnego rasy ncb. Gospodarka Mięsna, 58 (9), 16-18.
• [12] Grześkowiak E., Strzelecki J., Borzuta K., Borys A.: 2006. Jakość podstawowych elementów kulinarnych tusz młodego bydła. Gospodarka Mięsna, 58 (8), 30-33.
• [13] Instrukcja programu Image Analyzer. 2008.
• [14] Jackman P., Sun D. W., Allen P.: 2009. Automatic segmentation of beef longissimus dorsi muscle and marbling by an adaptable algorithm. Meat Science, 83, 187-194.
• [15] Kołczak T.: 2008. Jakość wołowiny. Żywność, Nauka, Technologia, Jakość, 56 (1), 5-22.
• [16] Kuchida K., Hasegawa M., Suzuki M., Miyoshi S.: 2001. Prediction of Beef Color Standard number from digital image obtained by using photographing equipment for the cross section of carcass. Animal Science Journal, 72, 321-328.
• [17] Lowe T. E., Devine C. E., Wells R. W., Lynch L. L.: 2004. The relationship between post-mortem urinary catecholamines, meat ultimate pH, and shear force in bulls and cows. Meat Science, 67, 251-260.
• [18] Lu J., Tan J., Shatadal P., Gerrard D. E.: 2000. Evaluation of pork color by using computer vision. Meat Science, 56, 57-60.
• [19] Mendoza F., Dejmek P., Aguilera J. M.: 2006. Calibrated color measurements of agricultural foods using image analysis. Postharvest Biology and Technology, 41, 285-295.
• [20] Miciński J., Klupczyński J., Ostoja H., Cierach M., Dymicka M., Łozicki A., Daszkiewicz T.: 2005. Wpływ rasy i żywienia buhajków na wyniki klasyfikacji tusz w systemie EUROP oraz na ocenę tekstury mięsa. Żywność, Nauka, Technologia, Jakość, 44 (3), 147-156.
• [21] Mitek M., Słowiński M. (pod red.).: 2006. Wybrane zagadnienia z technologii żywności. Technologia mięsa i jaj. Wyd. SGGW, Warszawa, 269-286.
• [22] PN-ISO 2917. 2001. Mięso i przetwory mięsne. Pomiar pH.
• [23] Prokopiuk G.: 2006. Produkcja dobrej jakości mięsa wołowego. Mięso i Wędliny, 8, 8-12.
• [24] Silva J. A., Patarata L., Martins C.: 1999. Influence of ultimate pH on bovine meat tenderness during ageing. Meat Science, 52, 453-459.
• [25] Viljoen H. F., de Kock H. L., Webb E. C.: 2002. Consumer acceptability of dark, firm and dry (DFD) and normal pH beef steaks. Meat Science, 61, 181-185.
• [26] Wajda S., Daszkiewicz T.: 2001. Kulinarne mięso wołowe i ocena jego właściwości organoleptycznych. Gospodarka Mięsna, 53 (9), 18-22.
• [27] Wichłacz H.: 1995. Wpływ postępowania z bydłem przed ubojem na przydatność mięsa do celów kulinarnych. Gospodarka Mięsna 47 (12), 58-60.