Estimation of total microbial count by image processing in shrimp (Litopenaeus vannamei)

Document Type : Research Article

Authors

1 Graduate student of Mechanical Bio systems, Faculty of Agriculture, University of Shahrekord

2 Assistant Professor of Mechanic Bio systems, Faculty of Agriculture, University of Shahrekord

3 PhD student of Food Hygiene and Quality Control, Faculty of Veterinary Medicine, University of Shahrekord

4 Professor of Mechanic Biosystems, Faculty of Agriculture, University of Tehran

Abstract

Increasing production and consumption of shrimp has redoubled the importance of the freshness and quality of this food product to shrimp industry. Nowadays, determination of quality indicators is new and favorite topic for Food and Biosystems Engineering because the awareness on the food quality level can give us more information about the storage and supervision conditions. The importance of image processing in quality control is due to the determination of food material quality is less expensive and more convenient, thereby the food materials are protected from the mechanical damages caused by chemical tests. Meanwhile, total microbial count is one the indicators of food freshness particular in seafood. Therefore, in this study, it was tried to estimate a model for the prediction of the total microbial count of cultured shrimp (Litopenaeus vannamei) using image processing coupled with artificial neural networks during four storage stages (0,3,6 and 9 days) with conventional storage conditions (at temperature of 2 oC, in ice). After choosing the best lighting conditions, image capturing using a digital camera in side and top views was done. The images transferred to the computer. Then, using the Image Processing Toolbox functions in MATLAB software, the features were extracted. The a* and b* values for top images linearly increased (p < 0.05). Comparing the results obtained from Duncans’ test, it can be found that for the images taken from top view during shrimp storage, there exist a robust correlation among mean color change R, b* variance, V mean, Y mean, y mean, b* mean, and I mean with the total microbial count of shrimp. Therefore, the color and texture of the shrimp image parameters can be used as a nondestructive, cheap and easy method for the quick evaluation of total microbial count of shrimp in food industry and food quality control.

Keywords

Main Subjects

References

[1] محبی، م .؛ اکبرزاده، م.، شهیدی، ف.؛ پورشهابی، م. 1387. بررسی امکان کاربرد ماشین بینایی و شبکه عصبی مصنوعی در پیش بینی میزان رطوبت میگوی خشک شده. چهارمین کنفرانس ماشین بینایی و پردازش تصویر ایران.
[2] منهاج، م. 1384. مبانی شبکه­های عصبی (هوش محاسباتی)، مرکز نشر دانشگاه صنعتی امیر کبیر، چاپ سوم، جلد 1، ص 712.
[3] اصلاح، پ.1383. آنالیز برگشتی در آزمایش SASW با استفاده از شبکه­های عصبی مصنوعی. پایان­نامه کارشناسی ارشد عمران، دانشکده فنی، دانشگاه ارومیه.
[4] استاندارد ملی ایران. کد 5750. سال 1380.میگوی تازه-آماده سازی، طبقه­بندی، بسته­بندی و نشانه­گذاری.
[5] گلی.ر. قاسمی ورنامخواستی.م. 1392. بررسی روش های مهم فیزیکی و کاربردی اخیر درتعیین تازگی و کیفیت میگو. هشتمین کنگره ملی مهندسی مکانیک ماشینهای کشاورزی ومکانیزاسیون.
[6] گلی.ر. محمد رزداری.آ. قاسمی ورنامخواستی.م. 1392. کاربرد سامانه پردازش تصویر به منظور ارزیابی خصوصیات و طول ماهی. دومین همایش ملی توسعه و پرورش ماهیان سردآبی.
[7] محمودی ا.(1384). ارائه یک الگوریتم مناسب مبتنی بر شبکه عصبی مصنوعی جهت جداسازی پسته های خندان از پسته های ناخندان به روش آکوستیکی به صورت زمان واقعی. رساله دکتری. دانشگاه تهران. صفحه 222.
[8] سیگاری م ح ، سیگاری ح ، مزینی ن.1389. تخمین مدت زمان خشک‌شدن مواد غذایی با استفاده از بینایی کامپیوتر و شبکه عصبی. ششمین کنگره ملی مهندسی ماشین های کشاورزی و مکانیزاسیون.
[9] Shafafi Zenoozian, M., Pourreza, H. R., Sigari, M. H., Razavi, S. M. A., & Shahidi, F. (2007). An application of image analysis to dehydration of osmosed pumpkin by hot air drying. 4th Iranian Conference on Machine Vision and Image Processing, 588-592.
[10]  Otsu, N., (1979). A threshold selection method from gray-level histograms, IEEE Transactions on Systems, Man, and Cybernetics, 9(1) 1, 62-66.
[11] Leon, K., Mery, D., Pedreschi, F., & Leon, J. (2006). Color measurements in L*a*b* units from RGB digital images. Food Research International.
 [12]  منهاج، م. ب.، 1379، مبانی شبکه های عصبی، جلد اول. مرکز نشر دانشگاه صنعتی امیرکبیر.
[13] بیل، آر، جکسون، تی،1380، آشنایی با شبکه‌های عصبی، ترجمه دکتر محمود البرزی، چاپ اول، موسسه انتشارات علمی دانشگاه صنعتی شریف.
[14] Hosseinpour ,S. Rafiee ,SH. Mohtasebi ,S.S and Aghbashlo ,M.( 2013). Application of computer vision technique for on-line monitoring of shrimp color changes during drying. Journal of Food Engineering. 115, 1. 99–114.
[15] Hosseinpour, S., Rafiee, S., and Mohtasebi, S.S., (2011). Application of Image Processing to Analyze Shrinkage and Shape Changes of Shrimp Batch during Drying. Journal of Drying Technology, 29(12), 1416-1438.
[16] Mohebbi, M. Akbarzadeh Totonchi, M.R. Shahidi, F., and Pourshahabi, M.R. (2007). Investigate the possibility of machine vision and artificial neural networks in predicting moisture content of dried shrimp. In: Proceeding of the 4thConference on machine vision and image processing, 13-14 feb, ferdowsi university of mashhad, Iran.
[17]  سیف زاده م، خانی پور ع، جلیلی س ح. 1392. بررسی تاثیر آنتی اکسیدان گیاهی عصاره دانه انگور بر کیفیت شیمیایی، حسی و لکه سیاه میگوی سفید غربی (Litopenaeus vannamei) طی نگه‌داری در دمای 18- درجه سانتی‌گراد به مدت شش ماه. مجله علوم و صنایع غذایی, دوره 10 , شماره 40 ; از صفحه 69 تا صفحه 79.
[18] Dowlati ,M. Mohtasebi, S. S. Omid, M. Razavi, S. H. Jamzad, M. Guardia, M.(2013).  Freshness assessment of gilthead sea bream (Sparus aurata) by machine vision based on gill and eye color changes. Journal of Food Engineering 119 277–287.
[19] Qingzhu, Z. (2003). Quality Indicators of Northern Shrimp (Pandalus borealis) Stored under Different Cooling Conditions. Final ProjectDalian Fisheries University. Heishijiao 52. DaLian. 116023. CHINA.
[20] Odilichukwu, R .C. Okpala., Choo, W. S,. Dykes, G. A. (2013). Quality and shelf life assessment of Pacific white shrimp (Litopenaeusvannamei) freshly harvested and stored on ice. LWT Food Science and Technology 55 110-116.
[21]    برآنی، م.1393. تعیین میزان چروکیدگی قارچ خوراکی در طی فرآیند خشک کردن با استفاده از پردازش تصاویر دیجیتال. پایان نامه کارشناسی ارشد دانشگاه شهرکرد، دانشکده کشاورزی.
[22] Sajikumar, N., Thandaveswara, B.S. 1999. Non Liner rainfall run off Model using artificial neural network. Journal of Haydrology, 216: 32-35.
[23] Mohebbi, M. Akbarzadeh-T, M.R. Shahidi, F. Moussavi, M. Ghoddusi,H.B. (2009).Computer vision system (CVS) for moisture content estimation in dehydrated shrimp. Computers and Electronics in Agriculture 69 (2), 128–134.
[24] lin Fu,  l. Chen, x. & Wang, Y. (2014). Quality evaluation of farmed whiteleg shrimp, Litopenaeus vannamei, treated with different slaughter processing by infrared spectroscopy. Journal of Food Chemistry, 151, 306–310.
[25] Anonymous. Institute of shrimp. (2008). brief review the shrimp. Extension organizations. Agriculture Research and Education, Institute of Fisheries Research.
[26] Norman, F.H. and Benjamin, K.S. 2000. Seafood Enzymes Utilization and Influence on Postharvest Seafood Quality. Marcel Dekker, Inc., New York.
[27]  بهروزی خزاعی ن ، توکلی ت ، امیری چایجان ر ، خوش تقاضا م ه.1389. کاربرد شبکه عصبی مصنوعی در پیش بینی محتوای رطوبتی در طی فرایند خشک کردن انگور. ششمین کنگره ملی مهندسی ماشین های کشاورزی و مکانیزاسیون.
[28] Dayhoff, J. E. 1990. Neural Network Principles. Prentice-Hall International, U.S.A
[29] Khanna, T. 1990. Foundation of neural networks. Addison-Wesley Publishing Company, U.S.A.
[30] Jeong, J. W., Jo, J. H., Lim, S. D., and Kang, T. S. 1991. Change in quality of frozen breaded raw shrimp by storage temperature fluctuation. Korean Journal of Food Science and Technology 23: 532–537.
[31] Luzuriaga, D. A., Balaban, murat .o., yeralan s., 1997. Analysis of Visual Quality Attributes of White Shrimp by .Machine Vision. journal of food science, volume 62, no.
[32] Iqbal, A. Valous, N.A., Mendoza .F, Sun D.W, Allen. P. 2010. Classification of pre-sliced pork and Turkey ham qualities based on image colour and textural features and their relationships with consumer responses. Meat Science 84 , 455–465.
[33] Pourreza .A , Pourreza H.R, Abbaspour-Fard M.H, Sadrnia, H. Identification of nine Iranian wheat seed varieties by textural analysis with image processing. Computers and Electronics in Agriculture. 83 . 102–108
[34]  بی نام . استاندارد ملی ایران.1375. شمارش کلی میکروبی با عنوان شمارش میکروارگانیسم ها. شماره 356 .
[35]  ذوالفقاری، م؛ شعبانپور؛ ب. فلاح زاده، س.1389. بررسی روند تغییرات شیمیایی، میکروبی و حسی فیله ماهی قزل آلای رنگین کمان جهت تعیین مدت زمان ماندگاری آن طی نگه‌داری در دمای یخچال. نشریه شیلات. مجله منابع طبیعی ایران.دوره 64، شماره 2، صفحه 107-119.
[36]  معینی، س؛ پذیرا، ع.1382. تاثیر زمان نگه‌داری در سرد خانه در کیفیت میگوی پرورشی و دریایی. نشریه شیلات. مجله منابع طبیعی ایران. دوره 57، شماره 3، صفحه 469-478.
Innovative Food Technologies
Volume 2, Issue 3
May 2015
Pages 25-41

Files

History

  • Receive Date: 30 September 2014
  • Revise Date: 24 December 2014
  • Accept Date: 12 January 2015

Share

How to cite

Statistics