丁 冬，陳士進(jìn)，沈明霞,*，彭增起，梁 琨

（1.南京農(nóng)業(yè)大學(xué)工學(xué)院，江蘇 南京 210031；2.南京農(nóng)業(yè)大學(xué) 農(nóng)業(yè)部農(nóng)畜產(chǎn)品加工與質(zhì)量控制重點(diǎn)開放實(shí)驗(yàn)室，江蘇 南京 210095）

?

基于計(jì)算機(jī)視覺的牛肉質(zhì)量分級(jí)研究進(jìn)展

丁 冬1，陳士進(jìn)1，沈明霞1,*，彭增起2，梁 琨1

（1.南京農(nóng)業(yè)大學(xué)工學(xué)院，江蘇 南京 210031；2.南京農(nóng)業(yè)大學(xué) 農(nóng)業(yè)部農(nóng)畜產(chǎn)品加工與質(zhì)量控制重點(diǎn)開放實(shí)驗(yàn)室，江蘇 南京 210095）

摘 要：牛肉品質(zhì)分級(jí)對(duì)于肉牛產(chǎn)業(yè)具有重要意義，為克服人工評(píng)級(jí)的弊端，客觀、無損的自動(dòng)分級(jí)技術(shù)成為研究熱點(diǎn)。本文綜述了國(guó)內(nèi)外利用計(jì)算機(jī)視覺對(duì)牛肉大理石紋、生理成熟度、肉色和脂肪色這些指標(biāo)進(jìn)行分級(jí)預(yù)測(cè)的研究進(jìn)展情況，討論了研究過程中諸如圖像分割、特征提取方面存在的困難，最后指出了計(jì)算機(jī)視覺技術(shù)在牛肉品質(zhì)分級(jí)應(yīng)用過程中存在的問題以及可能的發(fā)展方向。

關(guān)鍵詞：計(jì)算機(jī)視覺；牛肉；質(zhì)量分級(jí)

計(jì)算機(jī)視覺技術(shù)近年來在農(nóng)產(chǎn)品檢測(cè)領(lǐng)域得到廣泛的應(yīng)用[3-5]，它通過光學(xué)成像傳感器代替人眼獲取被檢對(duì)象的圖像信息，利用圖像處理和模式識(shí)別算法模擬人的判別準(zhǔn)則去理解圖像，被認(rèn)為是一種很有前景的食品質(zhì)量客觀評(píng)估方法[5]。McDonald等[6]最早將其引入到牛肉分級(jí)標(biāo)準(zhǔn)的量化研究上，經(jīng)過幾十年的發(fā)展，計(jì)算機(jī)視覺技術(shù)在牛肉分級(jí)領(lǐng)域得到深入研究，國(guó)外已有在線檢測(cè)的實(shí)際應(yīng)用，實(shí)踐證明這些牛肉智能評(píng)級(jí)系統(tǒng)對(duì)于牛肉產(chǎn)量級(jí)的評(píng)定已經(jīng)可以取代人工評(píng)級(jí)[2,7]，但在關(guān)乎牛肉品質(zhì)的質(zhì)量等級(jí)預(yù)測(cè)上還需要進(jìn)一步的研究和完善。雖然不同國(guó)家在牛肉質(zhì)量分級(jí)的具體標(biāo)準(zhǔn)和尺度上不盡相同，但基本原理相通，其中有4 個(gè)視覺評(píng)估指標(biāo)最為常見，即大理石紋、生理成熟度、肌肉色和脂肪色[2-3]，基于視覺圖像分析的牛肉質(zhì)量分級(jí)研究主要圍繞這些指標(biāo)展開。

1　大理石紋等級(jí)評(píng)定

大理石紋指的是牛肉肌纖維之間沉積脂肪形成的可見花紋[3,8]，其等級(jí)是依據(jù)指定眼肌切面中背最長(zhǎng)肌區(qū)域內(nèi)脂肪的含量和分布情況進(jìn)行評(píng)定，形成的大理石紋愈豐富，對(duì)應(yīng)級(jí)別愈高[8]。大理石紋等級(jí)是決定牛肉質(zhì)量等級(jí)的主要權(quán)重因素，利用計(jì)算機(jī)視覺系統(tǒng)代替人工評(píng)級(jí)需解決兩個(gè)關(guān)鍵問題：一是如何將大理石紋從復(fù)雜的背景中精準(zhǔn)地提取出來，二是如何將大理石紋的豐富程度量化成合適的特征指標(biāo)，并建立等級(jí)預(yù)測(cè)模型。

1.1大理石紋的提取

分割提取背最長(zhǎng)肌區(qū)域內(nèi)的大理石紋是后續(xù)等級(jí)評(píng)定的前提，比較常用的分割算法有閾值法、數(shù)學(xué)形態(tài)學(xué)法、邊緣檢測(cè)法、基于區(qū)域和基于聚類的分割算法等[9-10]。一般步驟是先去除背景，再區(qū)分出肌肉和脂肪像素，最后提取出背最長(zhǎng)肌作為目標(biāo)區(qū)域，實(shí)現(xiàn)大理石紋的提取。其中，分割肌肉和脂肪以及提取背最長(zhǎng)肌區(qū)域是研究的重點(diǎn)。

1.1.1 肌肉和脂肪像素的分割

基于肌肉和脂肪的顏色差異，利用全局閾值法將眼肌圖片二值化是區(qū)分兩者的常見做法，對(duì)于閾值的計(jì)算方法國(guó)內(nèi)外作了很多研究。Yoshikawa等[11]最早引入基于最小二乘原理的Otsu算法計(jì)算了牛肉脂肪與肌肉像素的最優(yōu)全局閾值，該方法簡(jiǎn)單快捷，在亮度均勻的情況下可以得到很好的分割效果。Jackman等[12]結(jié)合聚類算法，通過增強(qiáng)對(duì)比度、調(diào)整圖片亮度等方法經(jīng)過多次計(jì)算，確定出肌肉和非肌肉像素的閾值。Huan等[13]則引入Renyi熵計(jì)算出分割閾值，并結(jié)合形態(tài)學(xué)操作實(shí)現(xiàn)了肌肉像素的自動(dòng)提取。

除閾值法外，Jeyamkondan等[14]發(fā)現(xiàn)模糊C均值聚類算法（fuzzy C-mean clustering，F(xiàn)CM）能有效模仿人類的視覺，適合于將肌肉和脂肪進(jìn)行聚類分割，分割誤差小于5%，低于傳統(tǒng)閾值分割15%～16%的誤差水平。Shiranita等[15]則用神經(jīng)網(wǎng)絡(luò)算法在4 位灰度圖像中區(qū)分出脂肪和肌肉像素，二值化圖與原圖對(duì)比證明了方法的有效性，但算法較為復(fù)雜。

這樣一個(gè)巧笑倩兮、美目盼兮，令女孩子都神魂顛倒的美女，美卻不自知。面對(duì)眾多的傾慕者，她沒有縱身于一場(chǎng)戀愛當(dāng)中，只在大學(xué)校園安靜地做一枚學(xué)霸，饑渴地汲取更多的知識(shí)。

國(guó)內(nèi)對(duì)牛肉自動(dòng)分級(jí)技術(shù)開展研究較晚，在分割算法上多是借鑒國(guó)外已有的研究。文獻(xiàn)[16-20]采用閾值法分割肌肉和脂肪像素，文獻(xiàn)[21-24]則是運(yùn)用了FCM算法。仇金宏等[24]將傳統(tǒng)FCM算法中的隸屬函數(shù)、聚類數(shù)等參數(shù)進(jìn)行優(yōu)化，提高了算法的準(zhǔn)確性和穩(wěn)定性。除了這兩種經(jīng)典算法，Chen Kunjie等[25]設(shè)計(jì)了一套視覺測(cè)試卡，將人類視覺閾值運(yùn)用到區(qū)域生長(zhǎng)法中，從而實(shí)現(xiàn)自適應(yīng)分割，提高了分割效果的穩(wěn)定性。趙文琦[26]和牛四杰[27]等針對(duì)生物體圖像弱對(duì)比度問題，引入了水平集方法對(duì)牛肉眼肌圖像進(jìn)行分割，實(shí)現(xiàn)了眼肌邊緣的準(zhǔn)確提取。水平集方法拓?fù)溥m應(yīng)性強(qiáng)，能夠分割結(jié)構(gòu)復(fù)雜的生物組織圖片[27]，這種基于邊緣檢測(cè)的圖像分割方法值得進(jìn)一步研究。

上述方法中，基于閾值的分割算法簡(jiǎn)單、穩(wěn)定且運(yùn)算速度快，更能適應(yīng)在線檢測(cè)的需求，但在光照不均等復(fù)雜環(huán)境下分割效果還有待改進(jìn)。因此，結(jié)合聚類或其他模式識(shí)別方法，在合理選擇顏色空間的基礎(chǔ)上實(shí)現(xiàn)最優(yōu)閾值的快速選取，是將來肌肉和脂肪像素分割研究的一個(gè)重要方向。

1.1.2 背最長(zhǎng)肌區(qū)域的提取

大理石紋評(píng)級(jí)是基于眼肌切面中背最長(zhǎng)肌區(qū)域進(jìn)行的，這一區(qū)域作為后續(xù)評(píng)級(jí)的感興趣區(qū)域（region of interest，ROI）必須單獨(dú)提取出來。最常用的提取方法是基于數(shù)學(xué)形態(tài)學(xué)的圖像處理法，即在二值化圖片上采用標(biāo)記、反復(fù)腐蝕和膨脹等操作，先將ROI與眼肌外圍脂肪、附生肌等區(qū)域分離出來，然后通過區(qū)域面積標(biāo)記、選取最大連通區(qū)域來實(shí)現(xiàn)ROI提取。Subbiah等[28]根據(jù)背最長(zhǎng)肌的凸形特征對(duì)目標(biāo)區(qū)域的提取條件進(jìn)行了改進(jìn)，借鑒了計(jì)算幾何的凸包生成算法，通過判斷多次腐蝕、膨脹迭代后凸包中目標(biāo)區(qū)域的面積比率，實(shí)現(xiàn)了ROI提取，分割錯(cuò)誤率僅為1.97%。

上述這種區(qū)域提取方法也有缺陷，反復(fù)膨脹、腐蝕操作會(huì)導(dǎo)致目標(biāo)區(qū)域的面積、周長(zhǎng)等形態(tài)參數(shù)出現(xiàn)精度誤差，對(duì)于雪花牛肉這類肌內(nèi)脂肪比較豐富的品種，算法的適應(yīng)性較差，易出現(xiàn)過分割或欠分割現(xiàn)象，影響后期評(píng)級(jí)的準(zhǔn)確性。針對(duì)這個(gè)問題，Huan等[13]先利用8 鏈碼從二值化圖片中提取出眼肌肌肉的邊緣輪廓，然后基于輪廓曲線進(jìn)行角點(diǎn)檢測(cè)，在對(duì)凹凸點(diǎn)的位置情況進(jìn)行判斷后，選擇性地連接一些邊緣凸點(diǎn)，從而提取出ROI。這種方法能夠有效克服因條狀脂肪伸入背最長(zhǎng)肌而引起的過分割現(xiàn)象，分割效果與專家手工分割比較，錯(cuò)誤率為2.63%。

國(guó)內(nèi)方面，文獻(xiàn)[17-22]都采用了常規(guī)的形態(tài)學(xué)腐蝕、膨脹以及區(qū)域面積標(biāo)記的方法，關(guān)于ROI過分割和欠分割的相關(guān)研究還很少。趙杰文等[21]為克服欠分割問題，采用不斷擴(kuò)大的圓結(jié)構(gòu)元素去腐蝕圖片的方法，可以去除背最長(zhǎng)肌附近黏連的附生肌區(qū)域，但對(duì)于算法引入的面積誤差文獻(xiàn)中沒有討論。孟祥艷[29]先在H分量下對(duì)牛肉眼肌圖片進(jìn)行形態(tài)學(xué)梯度等預(yù)處理，再利用改進(jìn)的分水嶺算法實(shí)現(xiàn)大理石紋的分割，與傳統(tǒng)算法比較，圖像分割不足的現(xiàn)象明顯減少，誤分率的平均值為9.44%。

1.2大理石紋特征提取和等級(jí)預(yù)測(cè)

從分割圖像中提取出有效反映大理石紋豐富程度的特征參數(shù)，并將這些特征與大理石紋等級(jí)之間建立數(shù)學(xué)模型，從而實(shí)現(xiàn)對(duì)未知樣本的等級(jí)預(yù)測(cè)，這是實(shí)現(xiàn)牛肉自動(dòng)評(píng)級(jí)的關(guān)鍵步驟。表1歸納了一些國(guó)內(nèi)外研究者提取的大理石紋等級(jí)特征和采用的建模方法。

表1　牛肉大理石紋特征和預(yù)測(cè)模型TTaable 1 Beef marbling features and prediction models

大理石紋等級(jí)特征主要有兩大類，一類是基于大理石紋面積、顆粒數(shù)目等統(tǒng)計(jì)的數(shù)量特征值，另一類是反映大理石紋分布均勻程度的分布特征值。如果只采用肌內(nèi)脂肪面積比這類數(shù)量指標(biāo)表征大理石紋等級(jí)，會(huì)造成未知樣本預(yù)測(cè)正確率不高的情況[3]，因此需要結(jié)合評(píng)級(jí)員的先驗(yàn)知識(shí)，在數(shù)量統(tǒng)計(jì)的基礎(chǔ)上將肌內(nèi)脂肪的分布情況考慮進(jìn)來，采用區(qū)域的脂肪像素方差[15]、脂肪顆粒分布密度[18,32]、紋理特征值[23]、分形維度特征值[30]或花紋的粗糙度、細(xì)密度[33]來表征大理石紋分布的豐富度和均勻度。隨著特征值數(shù)量的增加，還需對(duì)特征值進(jìn)行優(yōu)化篩選。陳坤杰等[30]通過變量相關(guān)性分析，將有嚴(yán)重共線性關(guān)系的特征參數(shù)進(jìn)行合并，保留了與等級(jí)結(jié)果相關(guān)程度更高的3 個(gè)特征值。周彤等[32]對(duì)提取的10 個(gè)特征值先進(jìn)行主成分分析，只采用貢獻(xiàn)率較大的前3 個(gè)主成分參與建模。

在建模方法上，經(jīng)典的多元線性回歸是比較常用的方法，神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)等人工智能算法也被越來越多地使用。艾虎[34]曾在兩種特征值選取方案下，對(duì)人工神經(jīng)網(wǎng)絡(luò)模型與多元線性回歸模型的性能進(jìn)行了比較，結(jié)果發(fā)現(xiàn)實(shí)測(cè)值與預(yù)測(cè)值之間相關(guān)系數(shù)的平均值都是人工神經(jīng)網(wǎng)絡(luò)模型較高，但這一結(jié)論還需要大量樣本來驗(yàn)證。

2　生理成熟度等級(jí)評(píng)定

生理成熟度是評(píng)定肉牛胴體質(zhì)量等級(jí)的一個(gè)重要指標(biāo)，表征了牛胴體各部位的生長(zhǎng)發(fā)育狀況，一般情況下，牛胴體的生理成熟度越小，牛肉品質(zhì)越好，其等級(jí)越高[35]。有研究表明隨著生理成熟度的提高，牛肉肌原纖維變粗，剪切力值變大，牛肉的蒸煮損失也呈增大趨勢(shì)[36]。

肉牛生理成熟度可依據(jù)門齒的變化以及脊椎骨棘突末端軟骨的骨質(zhì)化程度來判斷[35,37]。隨牛齡的增大，門齒狀況會(huì)發(fā)生變化，脊椎骨質(zhì)化程度也會(huì)有規(guī)律性地增強(qiáng)，表現(xiàn)為胸椎末端軟骨的顏色會(huì)隨之變化[35-36]。在實(shí)際生產(chǎn)中，門齒判定法在操作上具有一定難度，而骨質(zhì)化程度判定法可以依靠視覺評(píng)估直接判定，相對(duì)方便易行，這也是美國(guó)、澳大利亞等許多國(guó)家牛肉分級(jí)體系中使用的方法[37]。但人工視覺評(píng)定依賴主觀經(jīng)驗(yàn)，會(huì)用諸如“少量骨化”、“小部分骨化”等一些模糊用語(yǔ)進(jìn)行表述[35]，不能實(shí)現(xiàn)對(duì)骨質(zhì)化程度的定量判定。

2003年，Hatem等[38]曾對(duì)基于計(jì)算機(jī)視覺的牛肉生理成熟度檢測(cè)進(jìn)行過初步的研究，提取出表征軟骨顏色變化的特性曲線，并基于平均色調(diào)值這一特征建立神經(jīng)網(wǎng)絡(luò)模型，對(duì)于只含有兩個(gè)成熟度等級(jí)的樣品組，模型預(yù)測(cè)正確率為75%，對(duì)于含有5 個(gè)成熟度等級(jí)的樣品組，預(yù)測(cè)正確率為65.9%。2010年，孟祥艷[35]在識(shí)別出軟骨區(qū)域的基礎(chǔ)上，優(yōu)選出復(fù)雜形狀參數(shù)、凹性率兩個(gè)分類參數(shù)，利用BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)生理成熟度等級(jí)，5 個(gè)等級(jí)的預(yù)測(cè)正確率達(dá)到86.0%。

目前，軟骨和硬骨區(qū)域的圖像分割是自動(dòng)評(píng)級(jí)過程中面臨的主要難點(diǎn)。因?yàn)檐浌菂^(qū)域的顏色與其周圍的脂肪組織非常相似，所以采用傳統(tǒng)的閾值法達(dá)不到很好的分割效果。Hatem等[39]利用HSL顏色空間中的H分量和CIELab顏色空間中的a*分量分別進(jìn)行軟骨和硬骨區(qū)域的分割，再結(jié)合形態(tài)學(xué)操作和區(qū)域幾何特征提取目標(biāo)區(qū)域，分割正確率為83%。國(guó)內(nèi)劉木華等[40]基于Ohta顏色空間中的I2、I3分量對(duì)圖像進(jìn)行二值化、腐蝕和區(qū)域填充等一系列操作，利用面積閾值分割出牛胸椎骨圖像中軟骨和硬骨區(qū)域。這些結(jié)果證明利用顏色空間轉(zhuǎn)換的方法分割軟、硬骨區(qū)域是可行的。另外，孟祥艷[35]在傳統(tǒng)的RGB圖片上分析軟骨的形狀特征，提取了7 個(gè)不變矩參數(shù)作為識(shí)別軟骨區(qū)域的特征值，并利用Hopfield神經(jīng)網(wǎng)絡(luò)完成軟骨區(qū)域的檢索，識(shí)別正確率為92.31%。

3　肌肉色和脂肪色等級(jí)評(píng)定

肉的外觀顏色包括肌肉、脂肪的顏色和光澤，能夠表征肉的生理、生化和微生物學(xué)的變化，雖然在正常范圍內(nèi)對(duì)肉的營(yíng)養(yǎng)成分影響不大，但消費(fèi)者往往會(huì)把肉色同新鮮度、風(fēng)味或肉的質(zhì)量聯(lián)系起來[41]，所以顏色是肉類分級(jí)時(shí)必須考量的重要指標(biāo)之一。Girolami等[42]通過評(píng)估小組對(duì)比分析了計(jì)算機(jī)視覺系統(tǒng)和色差計(jì)對(duì)牛肉、豬肉和雞肉顏色的評(píng)估能力，結(jié)果發(fā)現(xiàn)色差計(jì)有其局限性，而計(jì)算機(jī)視覺系統(tǒng)對(duì)顏色的測(cè)量更貼近真實(shí)顏色。

目前國(guó)內(nèi)外基于計(jì)算機(jī)視覺進(jìn)行牛肉顏色自動(dòng)評(píng)級(jí)的研究主要涉及的是肌肉顏色。Gerrard等[43]最早對(duì)美國(guó)農(nóng)業(yè)部牛肉顏色等級(jí)進(jìn)行研究，提取牛排肌肉R、G分量平均值作為特征值，預(yù)測(cè)了60個(gè)樣本的顏色等級(jí)，決定系數(shù)達(dá)到0.86。Larraín等[44]利用數(shù)字圖像技術(shù)評(píng)估了牛肉樣本CIE顏色空間的特征值，結(jié)果表明計(jì)算機(jī)視覺提取的a*、色相角和色度3 個(gè)分量值與色度計(jì)的測(cè)量值有較高的相關(guān)性，決定系數(shù)都在0.93以上。國(guó)內(nèi)方面，賈淵等[45]對(duì)牛肉顏色的RGB分量進(jìn)行了采樣和統(tǒng)計(jì)分析，并對(duì)每個(gè)肉色等級(jí)的顏色特征及其分布規(guī)律進(jìn)行了初步的研究。陳坤杰等[46]提取了160 份牛肉圖片中肌肉區(qū)域的R、G、B、H、S、I顏色分量的平均值和標(biāo)準(zhǔn)偏差共12 個(gè)特征值作為肉色的描述參數(shù)，又建立了5 人評(píng)級(jí)小組，對(duì)所有樣本進(jìn)行牛肉顏色等級(jí)評(píng)定，以BP神經(jīng)網(wǎng)絡(luò)建模對(duì)牛肉顏色等級(jí)進(jìn)行預(yù)測(cè)，預(yù)測(cè)的平均正確率達(dá)到了95%。Sun Xin等[47]在陳坤杰工作的基礎(chǔ)上，對(duì)提取的12 個(gè)特征值采用了逐步回歸的方法，篩選出R顏色分量均值這一特征，并對(duì)比了線性回歸和支持向量機(jī)兩種建模方法對(duì)肉色等級(jí)的預(yù)測(cè)效果，結(jié)果顯示支持向量機(jī)模型的預(yù)測(cè)正確率（94.7%）要好于線性回歸模型（86.8%）。

目前關(guān)于脂肪色等級(jí)自動(dòng)評(píng)定的研究比較少，Chen Kunjie等[48]以牛肉圖像中脂肪像素點(diǎn)R、G、B、H、S、I的均值和標(biāo)準(zhǔn)差為輸入?yún)?shù)，利用支持向量機(jī)建模方法進(jìn)行了脂肪色等級(jí)預(yù)測(cè)，參數(shù)優(yōu)化后的模型對(duì)脂肪色等級(jí)的預(yù)測(cè)正確率為97.4%。

4　結(jié) 語(yǔ)

計(jì)算機(jī)視覺是一項(xiàng)可以客觀評(píng)定牛肉質(zhì)量等級(jí)的檢測(cè)技術(shù)，具有無損、高效、成本低等特點(diǎn)，基于這一技術(shù)的分級(jí)系統(tǒng)已在美國(guó)、澳大利亞、加拿大等肉牛業(yè)發(fā)達(dá)的國(guó)家進(jìn)入實(shí)際應(yīng)用階段。然而，要推廣計(jì)算機(jī)視覺分級(jí)技術(shù)，并取代人工評(píng)級(jí)員，還有許多工作要做。1）保證牛肉圖像的質(zhì)量是首要的問題。許多研究都發(fā)現(xiàn)，牛肉成像過程會(huì)受光源、樣品位置、環(huán)境反光乃至肉表面碎屑等多種因素的影響[3,49]，這些因素在實(shí)際生產(chǎn)環(huán)境中往往帶有不可控性，導(dǎo)致采集的圖片質(zhì)量不一致，從而影響等級(jí)預(yù)測(cè)的準(zhǔn)確性。因此需要對(duì)圖像采集裝置進(jìn)行優(yōu)化設(shè)計(jì)，既要便于操作，又能屏蔽外界干擾，使之適應(yīng)企業(yè)的實(shí)際生產(chǎn)環(huán)境。同時(shí)企業(yè)在牛肉分割的操作規(guī)范上也需要相應(yīng)規(guī)范，使牛肉生產(chǎn)工藝與自動(dòng)分級(jí)技術(shù)相配套。2）如何高效、精準(zhǔn)地提取大理石紋和背最長(zhǎng)肌區(qū)域仍然是計(jì)算機(jī)視覺應(yīng)用于牛肉分級(jí)過程中需要解決的關(guān)鍵問題之一，系統(tǒng)內(nèi)嵌的一種分割算法面對(duì)的是復(fù)雜多變的牛肉圖像，易造成過分割或欠分割的情況。因此在圖像分割算法上還要做更多的基礎(chǔ)性研究，進(jìn)一步尋找對(duì)圖像差異敏感度較低的分級(jí)特征，提高分割算法的魯棒性和預(yù)測(cè)模型的準(zhǔn)確性。

除了將計(jì)算機(jī)視覺用于牛肉分級(jí)，還有研究將其用于牛肉嫩度、多汁性、適口性等食用品質(zhì)的預(yù)測(cè)[50-52]，這些口感指標(biāo)中尤以嫩度最受關(guān)注。目前牛肉質(zhì)量指標(biāo)對(duì)嫩度的分類預(yù)測(cè)并不理想，牛肉等級(jí)與適口性之間相關(guān)性的研究也并不多[53-54]。因此如何利用現(xiàn)有的質(zhì)量指標(biāo)更好地表征牛肉食用品質(zhì)，建立與消費(fèi)者感知一致的分級(jí)體系，這也是今后牛肉分級(jí)需要研究的方向之一。

近年來高光譜圖像技術(shù)正逐漸成為無損檢測(cè)領(lǐng)域的研究熱點(diǎn)[55]。它結(jié)合了光譜分析和光學(xué)成像技術(shù)的優(yōu)勢(shì)，能同時(shí)檢測(cè)樣品的內(nèi)在信息和外部特征，還可以將品質(zhì)信息進(jìn)行可視化表達(dá)，因此在食品和農(nóng)產(chǎn)品品質(zhì)檢測(cè)方面具有獨(dú)特的優(yōu)勢(shì)。在肉品檢測(cè)領(lǐng)域，愛爾蘭孫大文教授的團(tuán)隊(duì)構(gòu)建了波段為900～1 700 nm的反射式高光譜成像系統(tǒng)，對(duì)豬肉、牛肉的一些質(zhì)量指標(biāo)比如顏色、pH值、嫩度以及蛋白質(zhì)、水分和脂肪這些化學(xué)成分的含量進(jìn)行了預(yù)測(cè)[56-59]，取得了很好的效果；還通過主成分分析，對(duì)3種不同品質(zhì)的豬肉[60]和3 種不同部位的羊肉[61]進(jìn)行判別分級(jí)，正確率分別達(dá)到96%和100%。國(guó)內(nèi)彭彥昆教授的團(tuán)隊(duì)則是基于400～1 100 nm波長(zhǎng)范圍的高光譜數(shù)據(jù)，以光譜散射曲線的擬合參數(shù)作為特征，對(duì)牛肉的剪切力值、顏色[62]以及豬肉的嫩度[63]、新鮮度[64]進(jìn)行了預(yù)測(cè)，對(duì)牛肉表面微生物腐敗[65]和豬肉表面大腸桿菌污染的評(píng)定[63]也進(jìn)行了研究。另外，Qiao Jun等[66]在430～1 000 nm波段對(duì)40 個(gè)豬肉樣本的大理石花紋進(jìn)行成功分級(jí)，Li Yongyu等[67]篩選出530 nm波長(zhǎng)作為特征波段，實(shí)現(xiàn)牛肉大理石紋等級(jí)的判定。

相較于傳統(tǒng)的RGB圖像，高光譜數(shù)據(jù)能提供幾百個(gè)按波長(zhǎng)順序排列的光學(xué)圖像集合，因此在肉的色澤、紋理、表面缺陷和污染等外觀品質(zhì)檢測(cè)方面具有更大的潛力，相信圖譜合一的高光譜圖像技術(shù)將為計(jì)算機(jī)視覺在肉類品質(zhì)檢測(cè)和分級(jí)中的應(yīng)用帶來新的機(jī)遇。

參考文獻(xiàn)：

[1]李瑋姿, 朱近, 楊德吉, 等. 基于圖像的牛肉大理石紋理自動(dòng)評(píng)級(jí)方法研究[J]. 食品科學(xué), 2011, 32(9): 40-45.

[2]湯曉艷, 王敏, 錢永忠, 等. 牛肉分級(jí)標(biāo)準(zhǔn)及分級(jí)技術(shù)發(fā)展概況綜述[J].食品科學(xué), 2011, 32(19): 288-293.

[3]TAN Jinglu. Meat quality evaluation by computer vision[J]. Journal of Food Engineering, 2004, 61: 27-35.

[4]JACKMAN P, SUN Dawen, ALLEN P. Recent advances in the use of computer vision technology in the quality assessment of fresh meats[J]. Trends in Food Science & Technology, 2011, 22(4): 185-197.

[5]孫大文, 吳迪, 何鴻舉, 等. 現(xiàn)代光學(xué)成像技術(shù)在食品品質(zhì)快速檢測(cè)中的應(yīng)用[J]. 華南理工大學(xué)學(xué)報(bào): 自然科學(xué)版, 2012, 40(10): 59-68.

[6]McDONALD T P, CHEN Y R. Visual characterization of marbling in beef rib-eyes and its relationship to taste parameters[J]. Transactions of the ASABE, 1991, 34(6): 2499-2504.

[7]劉超超, 沈明霞, 彭增起. 機(jī)器視覺預(yù)測(cè)牛肉產(chǎn)量級(jí)研究現(xiàn)狀及展望[J]. 食品科學(xué), 2011, 32(9): 324-328.

[8]NY/T 676—2010 牛肉等級(jí)規(guī)格[S].

[9]陳坤杰, 姬長(zhǎng)英. 牛肉自動(dòng)分級(jí)技術(shù)研究進(jìn)展分析[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2006, 37(3): 153-156.

[10]陳坤杰, 秦春芳, 姬長(zhǎng)英. 牛胴體眼肌切面圖像的分割方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2006, 37(6): 155-158.

[11]YOSHIKAWA F, TORAICHI K, WADA K, et al. On a grading system for beef marbling[J]. Pattern Recognition Letters, 2000, 21(12): 1037-1050.

[12]JACKMAN P, SUN Dawen, ALLEN P. Automatic segmentation of beef longissimus dorsi muscle and marbling by an adaptable algorithm[J]. Meat Science, 2009, 83(2): 187-194.

[13]HUAN L N, CHOI S, CHO S I, et al. Automatic extraction of leantissue contours for beef quality grading[J]. Biosystems Engineering, 2009, 102(3): 251-264.

[14]JEYAMKONDAN S, RAY N, KRANZLER G A, et al. Beef quality grading using machine vision[C]//Proceedings of the Conference on Biological Quality and Precision AgricultureⅡ, Boston, USA, 2000: 91-101.

[15]SHIRANITA K, HAYASHI K, OTSUBO A, et al. Grading meat quality by image processing[J]. Pattern Recognition, 2000, 33(1): 97-104.

[16]張麗, 李艷梅, 孫寶忠, 等. 邊緣檢測(cè), 二值化處理進(jìn)行牛肉分級(jí)的應(yīng)用[J]. 肉類研究, 2013, 27(4): 10-14.

[17]陳坤杰, 姬長(zhǎng)英. 基于圖像運(yùn)算的牛肉大理石花紋分割方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2007, 38(5): 195-196.

[18]李瑋姿. 基于圖像處理技術(shù)的牛肉大理石紋理自動(dòng)分級(jí)研究[D]. 南京: 南京理工大學(xué), 2011: 23-34.

[19]吳海娟, 彭增起, 沈明霞, 等. 機(jī)器視覺技術(shù)在牛肉大理石花紋識(shí)別中的應(yīng)用[J]. 食品科學(xué), 2011, 32(3): 10-13.

[20]逄濱, 孫嘯, 劉德營(yíng), 等. 牛肉眼肌圖像在線采集和實(shí)時(shí)分割系統(tǒng)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào), 2013, 44(6): 189-193.

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

[22]劉木華, 段武貌, 黎靜, 等. 基于圖像處理和支持向量機(jī)分類的牛肉大理石紋等級(jí)評(píng)定[J]. 沈陽(yáng)農(nóng)業(yè)大學(xué)學(xué)報(bào), 2005, 36(6): 650-654.

[23]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)域分割技術(shù)[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2004, 20(2): 161-163.

[24]仇金宏, 沈明霞, 彭增起, 等. 基于改進(jìn)型FCM算法的牛肉大理石花紋提取方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2010, 41(8): 184-188.

[25]CHEN Kunjie, QIN Chunfang. Segmentation of beef marbling based on vision threshold[J]. Computers and Electronics in Agriculture, 2008, 62(2): 223-230.

[26]趙文琦, 賈淵, 彭增起. 基于邊緣流的水平集牛胴體眼肌圖像分割方法[J]. 計(jì)算機(jī)技術(shù)與發(fā)展, 2009, 19(4): 202-205.

[27]牛四杰, 賈淵, 劉鵬程. 應(yīng)用改進(jìn)的CV模型分割牛肉眼肌圖像[J].計(jì)算機(jī)應(yīng)用與軟件, 2011, 28(11): 150-152.

[28]SUBBIAH J, KRANZLER G A, RAY N, et al. Computer vision segmentation of the longissimus dorsi for beef quality grading[J]. Transactions of the ASAE, 2004, 47(4): 1261-1268.

[29]孟祥艷. 基于改進(jìn)分水嶺算法及Hopfield神經(jīng)網(wǎng)絡(luò)的牛肉大理石紋等級(jí)評(píng)級(jí)方法[J]. 食品科學(xué), 2013, 34(1): 140-145.

[30]陳坤杰, 吳貴茹, 於海明, 等. 基于分形維和圖像特征的牛肉大理石花紋等級(jí)判定模型[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2012, 43(5): 147-151.

[31]PANG Bin, SUN Xiao, YE Changwen et al. Grading of beef marbling based on image processing and support vector machine[J]. Computer Modelling and New Technologies, 2013, 17(3): 87-92.

[32]周彤, 彭彥昆. 牛肉大理石花紋圖像特征信息提取及自動(dòng)分級(jí)方法[J].農(nóng)業(yè)工程學(xué)報(bào), 2013, 29(15): 286-293.

[33]劉瓔瑛, 沈明霞, 彭增起, 等. 雪花牛肉大理石花紋粗糙度和細(xì)密度的測(cè)定[J]. 食品科學(xué), 2013, 34(18): 170-174. doi: 10.7506/spkx1002-6630-201318034.

[34]艾虎. 基于計(jì)算機(jī)視覺的人工神經(jīng)網(wǎng)絡(luò)和圖像處理技術(shù)的牛肉大理石花紋自動(dòng)分級(jí)研究[D]. 雅安: 四川農(nóng)業(yè)大學(xué), 2009: 102-103.

[35]孟祥艷. 牛肉物理特性與品質(zhì)的檢測(cè)方法研究[D]. 長(zhǎng)春: 吉林大學(xué), 2010: 79-89.

[36]湯曉艷, 周光宏, 徐幸蓮. 大理石花紋、生理成熟度對(duì)牛肉品質(zhì)的影響[J]. 食品科學(xué), 2006, 27(12): 114-117.

[37]潘超, 彭增起, 周光宏. 中國(guó)黃牛生理成熟度和大理石花紋預(yù)測(cè)[J].畜牧與獸醫(yī), 2007, 38(10): 32-34.

[38]HATEM I, TAN J, GERRARD D E. Determination of animal skeletal maturity by image processing[J]. Meat Science, 2003, 65(3): 999-1004.

[39]HATEM I, TAN Jinglu. Cartilage and bone segmentation in vertebra images[J]. Transactions of the ASAE, 2003, 46(5): 1429-1434.

[40]劉木華, 趙杰文, 鄒小波. 牛胸椎骨圖像中軟骨和硬骨區(qū)域的自動(dòng)分割技術(shù)[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2005, 21(8): 110-113.

[41]WU Di, SUN Dawen. Colour measurements by computer vision for food quality control: a review[J]. Trends in Food Science & Technology, 2013, 29: 5-20.

[42]GIROLAMI A, NAPOLITANO F, FARAONE D, et al. Measurement of meat color using a computer vision system[J]. Meat Science, 2013, 93(1): 111-118.

[43]GERRARD D E, GAO X, TAN J. Beef marbling and color score determination by image processing[J]. Journal of Food Science, 1996, 61(1): 145-148.

[44]LARRAíN R E, SCHAEFER D M, REED J D. Use of digital images to estimate CIE color coordinates of beef[J]. Food Research International, 2008, 41(4): 380-385.

[45]賈淵, 湯曉艷, 姬長(zhǎng)英. 牛肉顏色的RGB特征[J]. 食品科學(xué), 2004, 25(7): 86-89.

[46]陳坤杰, 孫鑫, 陸秋琰. 基于計(jì)算機(jī)視覺和神經(jīng)網(wǎng)絡(luò)的牛肉顏色自動(dòng)分級(jí)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2009, 40(4): 173-178.

[47]SUN Xin, CHEN Kunjie, BERG E P, et al. Predicting fresh beef color grade using machine vision imaging and Support Vector Machine (SVM) analysis[J]. Journal of Animal and Veterinary Advances, 2011, 10(12): 1504-1511.

[48]CHEN Kunjie, SUN Xin, QIN Chunfang, et al. Color grading of beef fat by using computer vision and support vector machine[J]. Computers and Electronics in Agriculture, 2010, 70(1): 27-32.

[49]沈振寧, 高峰, 李春保, 等. 基于計(jì)算機(jī)視覺的牛肉分級(jí)技術(shù)研究進(jìn)展[J]. 食品工業(yè)科技, 2008, 29(6): 304-306.

[50]JACKMAN P, SUN Dawen, DU Chengjin, et al. Prediction of beef eating qualities from colour, marbling and wavelet surface texture features using homogenous carcass treatment[J]. Pattern Recognition, 2009, 42: 751-763.

[51]JACKMAN P, SUN Dawen, ALLEN P. Prediction of beef palatability from colour, marbling and surface texture features of longissimus dorsi[J]. Journal of Food Engineering, 2010, 96(1): 151-165.

[52]JACKMAN P, SUN Dawen, DU Chengjin, et al. Prediction of beef eating quality from colour, marbling and wavelet texture features[J]. Meat Science, 2008, 80(4): 1273-1281.

[53]JACKMAN P, SUN Dawen, ALLEN P, et al. Correlation of consumer assessment of longissimus dorsi beef palatability with image colour, marbling and surface texture features[J]. Meat Science, 2010, 84(3): 564-568.

[54]WULF D M, PAGE J K. Using measurements of muscle color, pH, and electrical impedance to augment the current USDA beef quality grading standards and improve the accuracy and precision of sorting carcasses into palatability groups[J]. Journal of Animal Science, 2000, 78(10): 2595-2607.

[55]彭彥昆, 張雷蕾. 農(nóng)畜產(chǎn)品品質(zhì)安全高光譜無損檢測(cè)技術(shù)進(jìn)展和趨勢(shì)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2013, 44(4): 137-145.

[56]ELMASRY G, SUN Dawen, ALLEN P. Near-infrared hyperspectral imaging for predicting colour, pH and tenderness of fresh beef[J]. Journal of Food Engineering, 2012, 110(1): 127-140.

[57]ELMASRY G, SUN Dawen, ALLEN P. Chemical-free assessment and mapping of major constituents in beef using hyperspectral imaging[J]. Journal of Food Engineering, 2013, 117(2): 235-246.

[58]BARBIN D F, ELMASRY G, SUN Dawen, et al. Non-destructive determination of chemical composition in intact and minced pork using near-infrared hyperspectral imaging[J]. Food Chemistry, 2013, 138(2/3): 1162-1171.

[59]BARBIN D F, ELMASRY G, SUN Dawen, et al. Predicting quality and sensory attributes of pork using near-infrared hyperspectral imaging[J]. Analytica Chimica Acta, 2012, 719: 30-42.

[60]BARBIN D F, ELMASRY G, SUN Dawen, et al. Near-infrared hyperspectral imaging for grading and classification of pork[J]. Meat Science, 2012, 90(1): 259-268.

[61]KAMRUZZAMAN M, ELMASRY G, SUN Dawen, et al. Application of NIR hyperspectral imaging for discrimination of lamb muscles[J]. Journal of Food Engineering, 2011, 104(3): 332-340.

[62]WU Jianhu, PENG Yankun, LI Yongyu, et al. Prediction of beef quality attributes using VIS/NIR hyperspectral scattering imaging technique[J]. Journal of Food Engineering, 2012, 109(2): 267-273.

[63]TAO Feifei, PENG Yankun, LI Yongyu, et al. Simultaneous determination of tenderness and Escherichia coli contamination of pork using hyperspectral scattering technique[J]. Meat Science, 2012, 90(3): 851-857.

[64]張雷蕾, 李永玉, 彭彥昆, 等. 基于高光譜成像技術(shù)的豬肉新鮮度評(píng)價(jià)[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2012, 28(7): 254-259.

[65]PENG Yankun, ZHANG Jing, WANG Wei, et al. Potential prediction of the microbial spoilage of beef using spatially resolved hyperspectral scattering profiles[J]. Journal of Food Engineering, 2011, 102(2): 163-169.

[66]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.

[67]LI Yongyu, SHAN Jiajia, PENG Yankun, et al. Nondestructive assessment of beef-marbling grade using hyperspectral imaging technology[C]//New Technology of Agricultural Engineering (ICAE), Zibo: International Conference on IEEE, 2011: 779-783.

Review of Beef Quality Grading Based on Computer Vision

DING Dong1, CHEN Shijin1, SHEN Mingxia1,*, PENG Zengqi2, LIANG Kun1
(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)

Abstract:Beef quality grading plays a very important role in beef cattle industry. In order to overcome the flaws of manual grading, automatic beef grading technique becomes a hot research topic because it is objective and non-destructive. This paper provides a review on recent progress made in the prediction of beef quality attributes including marbling, physiological maturation, muscle color and fat using computer vision. Difficulties in the study such as segmentation and feature extraction are also discussed. Finally, challenges and future prospects for the application of computer vision in beef quality grading are proposed.

Key words:computer vision; beef; quality grading

doi:10.7506/spkx1002-6630-201507046

中圖分類號(hào)：TP391.41；TS251.7

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1002-6630（2015）07-0251-05

*通信作者：沈明霞（1964—），女，教授，博士，主要從事機(jī)器視覺和信息農(nóng)業(yè)研究。E-mail：mingxia@njau.edu.cn

作者簡(jiǎn)介：丁冬（1980—），男，講師，博士研究生，主要從事農(nóng)產(chǎn)品檢測(cè)研究。E-mail：dingdong@njau.edu.cn

基金項(xiàng)目：農(nóng)業(yè)科技成果轉(zhuǎn)化資金項(xiàng)目（2011GB2C100018）；江蘇高校優(yōu)勢(shì)學(xué)科建設(shè)工程資助項(xiàng)目（PAPD）

收稿日期：2014-06-30