王 衛(wèi)，沈明霞,*，彭增起，陳士進，吳海娟，劉超超，梁 林，諶啟亮

基于圖像紋理特征的牛肉嫩度預測方法研究

王 衛(wèi)1，沈明霞1,*，彭增起2，陳士進1，吳海娟1，劉超超1，梁 林1，諶啟亮2

(1.南京農(nóng)業(yè)大學工學院，江蘇 南京 210031；2.南京農(nóng)業(yè)大學 農(nóng)業(yè)部農(nóng)畜產(chǎn)品加工與質(zhì)量控制重點開放實驗室，江蘇 南京 210095)

在經(jīng)過圖像預處理，背最長肌與大理石花紋的分割，并實現(xiàn)大理石花紋特征值的提取后，利用灰度共生矩陣提取4個對嫩度剪切力貢獻較大的紋理特征參數(shù)，并統(tǒng)計這些參數(shù)應用多元線性回歸建立牛肉嫩度剪切力預測模型。結(jié)果表明:可見光下利用紋理特征預測牛肉嫩度的方法能夠以96%的準確率實現(xiàn)嫩度剪切力等級的預測，具有較高的商用開發(fā)價值。

牛肉；嫩度；紋理；灰度共生矩陣；多元線性回歸

牛肉是人類食用的主要肉類產(chǎn)品之一，是一種營養(yǎng)價值較高的食物。隨著經(jīng)濟的發(fā)展，人民生活水平的提高，近幾年中國牛肉生產(chǎn)和消費持續(xù)穩(wěn)定增長。人民對牛肉的食用品質(zhì)的要求也不斷提高，人們大都從色、香、味、嫩等幾個方面來評價，形成了嫩度、顏色、風味、系水力和多汁性等指標[1]。其中，肉的嫩度反映其質(zhì)地及食用時口感的老嫩[2]，由肌肉中各種蛋白質(zhì)結(jié)構(gòu)特性決定。牛肉嫩度評價是其食用品質(zhì)質(zhì)量的重要指標，是消費者評判牛肉質(zhì)優(yōu)劣的最常用指標，直接影響牛肉的食用和商業(yè)價值。

現(xiàn)在對牛肉嫩度評價的主要方法有感官評價和剪切力檢測[3]。人工感官評價準備比較繁瑣，易受主觀因素干擾，通常誤差較大。剪切力方法，即使用剪切儀檢測牛肉嫩度，這種方法對肉有破壞作用，操作時間長，不適合工廠在線生產(chǎn)中應用。因此開發(fā)一種基于及其視覺的牛肉嫩度的無損、快速的在線檢測技術(shù)和系統(tǒng)成為一種需要。

在肉制品品質(zhì)無損檢測中，近紅外光譜(NIR)、高光譜和可見光下的機器視覺技術(shù)都被用于嫩度檢測。NIR技術(shù)已經(jīng)被應用于牛肉嫩度檢測，然而，據(jù)預測結(jié)果分析，與實際結(jié)果存在較大差異，處理速度也很緩慢[4-7]。

高光譜技術(shù)最近成為嫩度及肉品質(zhì)檢測的一個熱點，其結(jié)合檢測樣本的光譜與空間信息，能獲取較為全面的信息，但其存在系統(tǒng)成本高、數(shù)據(jù)量大、處理時間長等缺點[8-12]。

國內(nèi)外學者[13-17]也開發(fā)了基于及其視覺的肉制品嫩度檢測技術(shù)，研究了肉色、大理石花紋信息、反映圖像紋理信息的灰度矩陣特征與牛肉嫩度的預測關系，結(jié)果表明利用灰度共生矩陣提取的紋理特征對牛肉嫩度預測結(jié)果有較大的貢獻值。國內(nèi)，孫永海等[13]把牛肉分為兩類，對大理石花紋豐富的牛肉采用大理石花紋信息預測，而對大理石花紋不豐富的，則采用灰度空間矩陣法預測牛肉嫩度。

基于以上研究經(jīng)驗，可見光下牛肉切面的紋理特征參數(shù)與牛肉嫩度有密切聯(lián)系，牛肉切面的大理石花紋特征參數(shù)也一定程度上影響著牛肉嫩度值，將兩者結(jié)合建立牛肉嫩度預測模型能夠更好的預測各種不同牛肉樣本的嫩度值。本實驗結(jié)合使用剪切儀測量的牛肉樣本眼肌切面的嫩度剪切力值，利用灰度共生矩陣提取出圖像各紋理等特征值，并提取出牛肉眼肌切面圖片的大理石花紋特征值，采用主成分分析方法，優(yōu)化選擇了角二階矩、慣性矩、局部平穩(wěn)性、熵、花紋面積以及花紋周長特征變量，并應用多元線性回歸建立剪切力預測模型，實現(xiàn)在線的牛肉嫩度預測。

1 材料與方法

1.1 牛肉樣本

牛肉樣本取自安徽省瀚森荷金來肉牛集團，選擇的牛種類為西門塔爾牛。取樣過程為:90頭牛齡在54～72個月之間的西門塔爾牛屠宰前對其編號，屠宰后，經(jīng)過2d的排酸后，進行分割，取胴體二分體之一第12～13根肋骨之間的西冷和眼肌牛肉，經(jīng)過工作人員修剪后，即可進行圖片采集。此部位較其他部位的食用價值高，且牛肉大理石花紋一般比較豐富，故重點對此區(qū)域的眼肉和外脊肉進行分析和判別。其中50片為眼肌牛肉，用于建立多元線性回歸模型以訓練樣本；其余40片為非眼肌區(qū)域的外脊牛肉，用于驗證判別模型的判別效果。在采集牛肉切面圖片后，裝袋編號冷藏，供測剪切力值使用。

1.2 儀器與設備

圖像采集系統(tǒng)(MVC2900F USB2.0 CCD工業(yè)相機、PENTEX H614鏡頭以及的HPD-150SW LED圓頂照明光源) 美國CCS公司；C-LM3B數(shù)顯式肌肉嫩度儀 東北農(nóng)業(yè)大學研制；便攜式的移動終端 南京農(nóng)業(yè)大學研制。

肌肉嫩度儀獲取牛肉樣本的剪切力，用于建立預測模型以及檢驗比較模型的準確性。放置連接各硬件后，將牛肉樣本置于工作臺上，調(diào)節(jié)光源亮度和方向，調(diào)節(jié)相機焦距和光圈使圖像最為清晰，保證紋理和花紋信息的充分獲取，記錄、固定這些實驗條件和硬件參數(shù)，并在實驗中保證這些硬件參數(shù)的一致性。便攜式的移動終端用以采集牛肉切面圖片信息，傳輸至服務器端，判級后將嫩度等級回傳至便攜式移動終端。

1.3 圖像的處理

牛肉圖片信息往往含有一些畸變和噪聲，為便于在穩(wěn)定的圖片信息下更好的獲取牛肉切面圖片特征信息，需要對這些噪聲進行預處理。通過實驗，采用濾波銳化的效果較好。在對牛肉圖像進行預處理后，進行對各個特征參數(shù)的提取以及處理分析。

1.3.1 大理石花紋特征

首先，對牛肉切面圖片使用加權(quán)平均算法實現(xiàn)圖片的灰度化，利用自適應閾值法二值化圖片[18]。背最長肌的以及大理石花紋的分割的方法有很多[19-21]，本研究算法中實現(xiàn)背膘脂肪和背最長肌的分割，再利用模糊C均值等算法實現(xiàn)大理石花紋的分割。

其次，根據(jù)大量實驗數(shù)據(jù)，為了能獲取較全面的大理石花紋信息，同時避開背膘脂肪和背景對大理石花紋信息的提取的影響，分析選取圖片中的最優(yōu)目標區(qū)域。最終規(guī)定了特征提取時圖像某一固定矩形區(qū)域[22]，用以獲取像素灰度信息。

再次，對以上的牛肉切面目標區(qū)域，分析提取大理石花紋的面積和以及大理石花紋的周長和。并依此確定參數(shù)牛肉大理石花紋面積和密度以及大理石花紋周長比例。

式中:At為牛肉眼肌切面目標區(qū)域面積；Am為各個樣本的大理石花紋面積和；σ為樣本的大理石花紋密度；Cm為大理石花紋周長和；λ為樣品大理石花紋比例。

1.3.2 牛肉圖像紋理特征

牛肉嫩度除了與大理石花紋脂肪含量有關，往往與牛肉眼肌切面肌肉的肌束纖維的直徑、密度、橫截面積及其分布密切相關。肌肉纖維越細，密度越大，牛肉越嫩。因此，需要研究牛肉背最長肌眼肌區(qū)域切面圖片的信息，分析紋理特征，提取紋理特征，并篩選對嫩度值貢獻大的特征，用以預測牛肉嫩度。紋理是一種反映像素的空間分布屬性的圖像特征[23]，通常表現(xiàn)為局部不規(guī)則而宏觀有規(guī)律的特性。

現(xiàn)在技術(shù)較成熟且應用廣泛的圖像紋理分析的方法為灰度共生矩陣方法(GLCM)，最早由Haralick等[24]在1973年首次提出，其檢測結(jié)果比光譜法以及灰度游程方法更好。該方法廣泛應用于圖像紋理特征的提取，例如暴雨過程中的衛(wèi)星云圖紋理特征提取[25]，以及基于紋理特征的圖像檢索研究[26]。故本實驗選擇灰度共生矩陣來提取分析牛肉眼肌切面的紋理特征。

灰度共生矩陣為圖像像素灰度二階統(tǒng)計的度量。其共生矩陣基元P(i, j, d,θ)為在相d個像素距離，θ方向上，分別出現(xiàn)灰度值為i和灰度值j的兩個像素點的頻數(shù)。對于距離d而言，若與紋理粗糙度相比較小，像素間灰度比較平滑，亮度趨于相似，則共生矩陣P(i, j, d,θ)的元素在對角線附近分布密集；若d較大，像素間灰度分布不均，則共生矩陣P(i, j, d,θ)元素將離開對角線分散在各處。本實驗中選擇d為2，θ為0?；叶裙采仃嚨亩x公式如下:

式中:(x, y)為像素點坐標；640和480為圖像像素的列和行的數(shù)目。

獲取的牛肉圖片為3通道的8位彩色灰度級的圖片，每通道具有256個灰度級。如果直接使用灰度共生矩陣來提取各個特征，計算量將非常大，消耗不必要的系統(tǒng)資源。為此，根據(jù)研究表明[13]，需要將圖像像素灰度級降為16級。經(jīng)過簡化的圖像信息精度有所損失，但是不影響紋理特征的提取。灰度正規(guī)化公式如式(3)所示。

通過數(shù)據(jù)分析以及主成分分析遴選Haralick提出的14種紋理特征，選擇4個對牛肉嫩度值貢獻較大的特征，分別如下:

1.4 剪切力評估

在進行牛肉切面圖像的采集和處理后，對牛肉剪切力進行測量。取樣本稱量，將其裝入塑料袋，在肌肉中心避開結(jié)締組織和脂肪插入溫度彈頭，放入水中，進行水浴，其溫度控制在75～80℃，加熱至探頭溫度70℃，取出樣本稱量；之后，用保鮮膜包裝好，放置于4℃條件下冷卻24h。順牛肉肌肉纖維方向切取剪切樣本10個，長度為5mm，用特制刀具切取的切面尺寸控制在10mm×10mm，對每個牛肉樣本的10個剪切樣本垂直肌肉方向置于嫩度儀刀片下，剪切后，記錄下實驗數(shù)據(jù)，求取該10個剪切力的平均值作為該牛肉樣本的嫩度值。

將實驗中的32個樣本的平均剪切力與人工感官評價的得分對比分析，得出牛肉剪切力小于6kg的為嫩牛肉；牛肉剪切力介于6～9kg之間的為中等牛肉；牛肉剪切力大于9kg的為老牛肉。分別賦他們的等級為A、B、C。圖1 是3個不同嫩度等級的牛肉切面的紋理圖片。

圖1 3種不同等級的牛肉切面紋理圖像Fig.1 Three representative beef texture images of different tenderness grades

2 建立多元線性回歸數(shù)學模型

2.1 統(tǒng)計數(shù)據(jù)

令f15＝Am，f16＝Cm，結(jié)合f1、f2、f5和f9，經(jīng)過牛肉圖片相關參數(shù)的提取和剪切力的測量得出了對應牛肉樣本的統(tǒng)計數(shù)據(jù)。選其中10個樣本，統(tǒng)計數(shù)據(jù)如表1所示。

表 1 牛肉圖片嫩度特征參數(shù)提取實驗結(jié)果Table 1 Extraction of parameter values from beef images related to beef tendernes

續(xù)表 1

2.2 建立嫩度預測模型

由50組實驗數(shù)據(jù)，用SPSS 16.0軟件進行線性回歸分析，得出嫩度剪切力預測模擬模型，其顯著性水平小于0.05，相關系數(shù)r為0.679，其判別式如下:

式(5)結(jié)合各個特征值的物理含義，分析其系數(shù)與嫩度剪切力值的對應關系。f1與嫩度剪切力值呈正相關，f1用來度量圖像紋理的分布均勻性，其值越小說明紋理灰度變化越大，從而對應著牛肉紋理較細、嫩度較嫩的圖片；反之，則對應著紋理較粗嫩度較老的圖片。f2與y呈負相關，其物理含義為圖像紋理的清晰度，其值越小紋理紋溝越淺，越模糊，說明嫩度越老；反之，則越清晰，則牛肉嫩度越嫩。f5與嫩度值成正相關，f5用于衡量圖像紋理的同質(zhì)性，反映局部變化大小，其值越小，則說明圖像區(qū)域間變化大，對應牛肉嫩度則越嫩；反之，則越老。f9與嫩度剪切力成正相關，其值用于衡量圖像所含的信息量，若其值越小，對應著的牛肉嫩度值越小；反之，則越大。f15為牛肉切面大理石花紋面積和，其值越大，肥育時間越長，反映著牛齡越大，則牛肉嫩度剪切力值越大，由于本實驗中樣本大致花紋不是很豐富，則其系數(shù)偏??；反之，則越小。f16為大理石花紋的周長和，其值越小，說明大理石花紋脂肪塊越呈現(xiàn)大塊狀，花紋對嫩度的影響小，則相對而言剪切力值越大；反之，其值若越大，則說明，大理石花紋分布較均勻，則牛肉越嫩，剪切力值越小。

2.3 多元線性回歸模型預測分析

根據(jù)50組眼肌區(qū)域切面數(shù)據(jù)和多元線性回歸預測模型，建立熟肉嫩度剪切力值與本研究中模型的預測結(jié)果的對比散點圖，如圖2a所示。用另外40組非眼肌區(qū)域的外脊切面數(shù)據(jù)用來驗證所建立模型的預測效果，如圖2 b所示。

圖2 多元線性回歸模型預測結(jié)果Fig.2 Linear plots of predicted versus measured values of beef shear force revealing accurancy of the prediction model

由圖2及其對應的數(shù)據(jù)分析，得到模型擬合結(jié)果:預測模型對嫩度等級A判別的準確率為90.9%；預測模型對嫩度等級B判別的準確率為100%；預測模型對嫩度等級C判別的準確率為86%。對于各個等級總的預測模型判別的準確率為96%。外脊切面圖片的驗證結(jié)果為:嫩度等級A驗證判別的準確率為85.7%；嫩度等級B驗證判別的準確率為100%；嫩度等級C驗證判別的準確率為83.3%。對于各個等級總的驗證判別的準確率為92.5%。因此，總體樣本嫩度剪切力預測準確率較高，對于機器視覺的牛肉嫩度預測效果較好，具有較好的實用價值和現(xiàn)實指導意義。

3 結(jié) 論

國內(nèi)外許多學者在可見光下對牛肉嫩度預測都做了研究，最終的目的都是在較小的硬件投入下，用較小的時間，以較高的準確率預測出牛肉嫩度。本研究實現(xiàn)了基于牛肉切面圖像紋理的灰度共生矩陣的4個特征參數(shù)以及大理石花紋的特征參數(shù)的提取，研究了它們與牛肉嫩度剪切力值的關系。其主要結(jié)論如下:

1)提取灰度共生矩陣的各個特征參數(shù)值，根據(jù)主成分分析，選取對嫩度剪切力貢獻值最顯著的4個特征值:角二階矩、慣性矩、局部平穩(wěn)性和熵。

2)結(jié)合大理石花紋提取算法，提取出大理石花紋的2個特征參數(shù)值:大理石花紋面積和大理石花紋周長和。利用這2個參數(shù)和上述4個參數(shù)，對熟肉嫩度值建立多元線性回歸模型。得到相關系數(shù)r為0.679，各個圖像特征參數(shù)的系數(shù)都較好的反映了其與牛肉嫩度剪切力的對應關系。

3)檢驗回歸模型嫩度判級效果，嫩度等級A判別的準確率為85.7%，嫩度等級B判別的準確率為100%，嫩度等級C判別的準確率為83.3%。結(jié)果表明，利用牛肉圖像紋理特征和大理石花紋特征建立的多元線性回歸模型對嫩度的預測和分類是可行的，有較高的預測率，硬件成本合理，處理速度很快，對牛肉而言為無損檢測，具有較高的研究和實際應用價值。

[1]徐霞, 成芳, 應義斌. 近紅外光譜技術(shù)在肉品檢測中的應用和研究進展[J]. 光譜學與光譜分析, 2009, 29(7): 1876-1880.

[2]周光宏. 肉品學[M]. 北京: 中國農(nóng)業(yè)科技出版社, 1999.

[3]趙杰文, 翟劍妹, 劉木華, 等. 牛肉嫩度的近紅外光譜法檢測技術(shù)研究[J]. 光譜學與光譜分析, 2006, 26(4): 640-642.

[4]BOWLING M B, VOTE D J, BELK K E, et al. Using reflectance spectroscopy to predict beef tenderness[J]. Meat Science, 2009, 82(1): 1-5.

[5]XIA J J, BERG E P, LEE J W, et al. Characterizing beef muscles with optical scattering and absorption coefficient s in VIS/NIR region[J]. Meat Science, 2007, 75(1): 78-83.

[6]PARK B, CHEN Y R, HURSCHKA W R, et a1. Near-infrared reflectance analysis for predicting beef longissimus tenderness[J]. Journal of Animal Science, 1998, 76(8): 2115-2120.

[7]BYRNE C E, DOWNEY G, TROY D J, et al. Nondestructive prediction of selected quality attributes of beef by near-infrared reflectance spectroscopy between 750 and 1098 nm[J]. Meat Science, 1998, 49(4): 399-409.

[8]陳全勝, 張燕華, 萬新民, 等. 基于高光譜成像技術(shù)的豬肉嫩度檢測研究[J]. 光學學報, 2010, 30(9): 2602-2607.

[9]吳建虎, 彭彥昆, 陳菁菁, 等. 基于高光譜散射特征的牛肉品質(zhì)參數(shù)的預測研究[J]. 光譜學與光譜分析, 2010, 30(7): 1815-1819.

[10]吳建虎, 彭彥昆, 江發(fā)潮, 等. 牛肉嫩度的高光譜檢測技術(shù)[J]. 農(nóng)業(yè)機械學報, 2009, 40(12): 135-139.

[11]NAGANATHAN G K, GRIMES L M, SUBBIAH J, et al. Visible/nearinfrared hyperspectral imaging for beef tenderness prediction[J]. Computers and Electronics in Agriculture, 2008, 64(2): 225-233.

[12]QIAO Jun, NGADI M O, WANG Ning, et al. Pork quality and marbling level assessment using a hyperspectral imaging system[J]. Journal of Food Engineering, 2007, 83(1): 10-16.

[13]孫永海, 鮮于建川, 石晶. 基于計算機視覺的冷卻牛肉嫩度分析方法[J]. 農(nóng)業(yè)機械學報, 2003, 34(5): 102-105.

[14]劉木華, 伍德林, 趙文杰. 計算機圖像技術(shù)在牛肉品質(zhì)檢測中的應用(綜述)[J]. 安徽農(nóng)業(yè)大學學報, 2004, 13(4): 427-430.

[15]LI J, TAN J, MARTZ F A, et al. Image texture feature as indicators of beef tenderness[J]. Meat Science, 1993, 53(1): 17-22.

[16]CHANDRARATNE M R, SAMARASINGHE S, KULASIRI D, et al. Prediction of lamb tenderness using image surface texture features[J]. Journal of Food Engineering, 2006, 77(3): 492-499.

[17]VOTE D J, BELK K E, TATUM J D, et al. Online prediction of beef tenderness using a computer vision system equipped with a BeefCam module[J]. Journal of Animal Science, 2003, 81(2): 457-465.

[18]謝鳳英, 趙丹培. Visual C++數(shù)字圖像處理[M]. 北京: 電子工業(yè)出版社, 2008: 58-100.

[19]伍學千, 廖宜濤, 樊玉霞, 等. 基于KFCM和改進分水嶺算法的豬肉背最長肌分割技術(shù)[J]. 農(nóng)業(yè)機械學報, 2010, 41(1): 172-176.

[20]趙杰文, 劉木華, 張海東. 基于數(shù)學形態(tài)學的牛肉圖像中背長肌分割和大理石紋提取技術(shù)研究[J]. 農(nóng)業(yè)工程學報, 2004, 20(1): 143-146.

[21]劉木華, 趙杰文, 張海東. 基于模糊C均值聚類的牛肉圖像中脂肪和肌肉區(qū)域分割技[J]. 農(nóng)業(yè)工程學報, 2004, 20(2): 161-163.

[22]仇金宏, 彭增起, 沈明霞, 等. 基于非完全信息算法的牛肉大理石花紋提取方法[J]. 食品科學, 2010, 31(19): 166-169.

[23]劉麗, 匡綱要. 圖像紋理特征提取方法綜述[J]. 中國圖像圖形學報, 2009, 14(4): 622-635.

[24]HARALICK R M, SHANMUGAM K, DINSTEIN I. Textural features for image classification[J]. IEEE Transactions on Systems, Man and Cybernetics, 1973, 3(6): 610-621.

[25]壽亦萱, 張穎超, 趙忠明, 等. 暴雨過程的衛(wèi)星云圖紋理特征研究[J].南京氣象學院學報, 2005, 28(3): 337-343.

[26]張建軍, 李鐵. 基于紋理特征的圖像檢索系統(tǒng)設計[J]. 長沙大學學報, 2009, 23(2): 83-85.

Prediction of Beef Tenderness Based on Image Texture Features

WANG Wei1，SHEN Ming-xia1,*，PENG Zeng-qi2，CHEN Shi-jin1，WU Hai-juan1，LIU Chao-chao1，LIANG Lin1，CHEN Qi-liang2
(1. College of Engineering, Nanjing Agricultural University, Nanjing 210031, China；2. Key Laboratory of Agricultural and Animal Products Processing and Quality Control, Ministry of Agriculture, Nanjing Agricultural University, Nanjing 210095, China)

A mathematical modeling method for predicting beef tenderness utilizing image texture features under visible light was proposed. After image preprocessing, beef longissimus dorsi muscle and marbling were segmented, and then four marbling features that greatly influence beef shear force as a measure of meat tenderness were extracted by grey-level co-occurence matrix (GLCM) technique and statistically analyzed to establish a multiple linear regression model for predicting beef shear force. The proposed predictive method for beef shear force allowed 96% accurate prediction of beef tenderness, indicating its high value for commercial application.

beef；tenderness；texture；gray level co-occurrence matrix；multiple linear regression

TS251.52；TP391.41

A

1002-6630(2012)15-0061-05

2011-07-28

國家現(xiàn)代農(nóng)業(yè)(肉牛)產(chǎn)業(yè)技術(shù)體系項目(080600231；080600232)；農(nóng)業(yè)科技成果轉(zhuǎn)化資金項目(SQ2011ECC100043)；江蘇高校優(yōu)勢學科建設工程資助項目(PAPD)

王衛(wèi)(1985—)，男，碩士研究生，研究方向為機器視覺與圖像處理在農(nóng)產(chǎn)品品質(zhì)檢測領域中的應用。

E-mail:williamkingdom@gmail.com

*通信作者:沈明霞(1964—)，女，教授，博士，研究方向為機器視覺和信息農(nóng)業(yè)。E-mail:mingxia@njau.edu.cn