李文采，李家鵬，田寒友，鄒 昊，劉 飛，白 京，張振琪，王 輝，王守偉

?

基于RGB顏色空間的冷凍豬肉儲藏時間機器視覺判定

李文采，李家鵬※，田寒友，鄒 昊，劉 飛，白 京，張振琪，王 輝，王守偉

（1. 中國肉類食品綜合研究中心，北京 100068；2. 肉類加工技術(shù)北京市重點實驗室，北京 100068）

為解決冷凍豬肉儲藏時間在人工判定中準確率和效率低的問題，該研究基于機器視覺和圖像處理技術(shù)分析了冷凍豬肉表面圖像RGB顏色特征，并將無光澤肌肉像素點比例作為自動判定冷凍豬肉儲藏時間的特征參數(shù)。結(jié)果顯示：將紅度（）與藍度（）的差值小于等于30且紅度（）與綠度（）的差值小于等于30作為第一特征條件，將紅度（）與藍度（）的差值小于等于30、紅度（）與綠度（）的差值小于等于30且藍度（）大于等于100作為第二特征條件對冷凍豬肉顏色特征進行提取時，二值化圖像能較好地識別冷凍豬肉表面總肌肉和無光澤肌肉?；诮y(tǒng)計學(xué)分析，當儲藏時間在3個月以內(nèi)（1、2和3個月）和超過12個月（13、15和17個月）的冷凍豬肉無光澤肌肉像素點比例閾值為26.8%時，冷凍豬肉驗證檢測判定準確度最佳，分別為90.00% 和 81.67%。經(jīng)圖像分割后提出的基于無光澤肌肉像素點比例的判定方法可以為實際應(yīng)用提供技術(shù)支持和參考。

無損檢測；圖像處理；儲藏；冷凍豬肉；無光澤肌肉像素點比例；機器視覺技術(shù)

0 引 言

在大宗冷凍豬肉交易過程中，儲藏時間的長短主要依靠企業(yè)有經(jīng)驗的員工目測冷凍豬肉的色澤來判定儲藏時間范圍，這種做法主觀性強，再加上冷凍豬肉個體差異較大，肉色細微變化不易覺察，因而容易導(dǎo)致誤判；或采用針對性較強的理化指標，如采用過氧化值來作為冷凍豬肉儲藏時間判定的輔助指標[1]，但該方法測定時間長，效率低。因此常規(guī)的感官評價和檢測方式無法滿足大宗交易和批量檢測中冷凍豬肉儲藏時間快速準確判定的要求。

近30a來，機器視覺技術(shù)發(fā)展迅速，其越來越多的應(yīng)用于交通[2-5]、農(nóng)業(yè)[6-9]、醫(yī)學(xué)[10-13]、工業(yè)[14-17]等各個領(lǐng)域。隨著機器視覺技術(shù)理論和實踐越來越成熟，機器視覺技術(shù)在肉品新鮮度判定的應(yīng)用上也得到快速發(fā)展[18-21]。張萌等[22]利用圖像處理技術(shù)從生豬側(cè)面及背面圖像中提取體長、體高、胸深、腹長、臀寬、腰寬等數(shù)據(jù)，以這些體尺的比例為參數(shù)，通過徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)進行瘦肉率估測。潘婧等[18]基于計算機視覺，利用圖像處理的方法提取豬肉通脊表面的顏色特征參數(shù)，組合成 RGB-HIS、RGB-、rgb-HIS、rgb-及 HIS-5類特征參數(shù)組合，并利用 BP 和 SVM神經(jīng)網(wǎng)絡(luò)構(gòu)造各類新鮮度等級預(yù)測模型。周煒[23]建立了基于計算機視覺技術(shù)的豬肉圖像采集系統(tǒng), 通過對豬肉圖像消噪方法和豬肉圖像特征參數(shù)的優(yōu)化，建立了基于計算機視覺技術(shù)的豬肉新鮮度識別模型。Dowlati等[24]通過機器視覺基于鰓和眼睛的顏色變化來評估烏頰魚海鯛新鮮度, 通過圖像處理分析魚鰓和魚眼顏色的變化來判斷烏頰魚海鯛的新鮮度。從以上文獻分析可知，利用機器視覺技術(shù)提取肉品圖像特征，通過圖像處理技術(shù)實現(xiàn)肉品等級無損評定是無損檢測自動判定的研究熱點。經(jīng)調(diào)研，目前冷凍豬肉交易市場上多為儲藏時間在3個月以內(nèi)和12個以上的的冷凍豬肉，企業(yè)員工通過肉眼觀察冷凍豬肉表面無光澤肌肉面積的大小來對冷凍豬肉的儲藏時間進行判定和對豬肉的價格進行劃分，儲藏時間在3個月以內(nèi)的被劃分為正常肉，儲藏時間超過12個月的被劃分為低價肉。本研究以儲藏時間分別為1、2、3、13、15、17個月的冷凍豬肉為試驗原料，采用自發(fā)研制的圖像采集裝置采集冷凍豬肉圖像，基于機器視覺技術(shù)，在RGB顏色空間下分割圖像，求取與儲藏時間相關(guān)的無光澤肌肉像素點比例的最佳閾值，進一步對冷凍豬肉儲藏時間進行判定驗證。將最佳閾值作為區(qū)分冷凍豬肉儲藏時間的標準，為企業(yè)實現(xiàn)冷凍豬肉儲藏時間的快速判定提供參考。

1. 黑色不反射鋁板 2. 漫反射光源 3. CCD攝像機 4. 鏡頭 5. 圖像分析軟件 6. 光源控制器 7. 載物臺

1 材料與方法

1.1 試驗材料

試驗所用3個月以內(nèi)或12個月以上冷凍豬肉全部采購自北京某生豬屠宰場有限公司和北京某冷凍批發(fā)市場，均為按照GB/T 9959.2-2008 2017年生產(chǎn)的分割冷凍Ⅳ號豬肉。進行圖像采集之前，首先將冷凍豬肉從冷凍庫取出，去除樣品塑料內(nèi)包裝膜，塑料內(nèi)包裝膜折疊后覆蓋于樣品表面，置于解凍架上，在（20±3）℃下自然解凍，待樣品中心溫度達到（0±1）℃時，冷凍豬肉表面無霜且保持原有形狀的情況下，去除覆蓋于冷凍豬肉表面的內(nèi)包裝膜，將冷凍豬肉樣品置于圖1所示的載物臺上，即可進行圖像采集。

1.2 圖像采集系統(tǒng)與方法

冷凍豬肉圖像的攝取由實驗室自主研發(fā)的硬件裝置完成[21]。如圖1所示，冷凍豬肉圖像攝取裝置由耦合元件攝像機（charge-coupled device，CCD，全局曝光方式，固定在光源中間位置）、鏡頭（4 mm百萬像素工業(yè)鏡頭）、發(fā)光二極管漫反射光源（light-emitting diode，LED，40 cm × 40 cm漫反射板，中間開孔置放CCD和鏡頭）、載物臺（臺板面積30 cm × 15 cm，高度可調(diào)，黑色不反射光）和暗箱（50 cm × 50 cm × 50 cm，采用黑色不反射鋁板）組成。采集裝置由數(shù)據(jù)線連接電腦，電腦中軟件控制圖像采集。將冷凍豬肉置于黑色載物臺上，然后將圖像采集裝置的側(cè)門關(guān)閉，載物臺表面和采集裝置內(nèi)部均噴有黑無光漆，可有效地防止樣品圖像的反光。打開光源并調(diào)節(jié)到適當強度的光照，使得冷凍豬肉樣品圖片中脂肪和瘦肉差別較大，采集正對光源的圖像，將采集到的圖像用MATLAB編程實現(xiàn)圖像處理。

1.3 判定算法

首先選擇適當?shù)念A(yù)處理方法去除背景得到冷凍豬肉圖像，減小算法計算量；然后采用色差法對圖像進行分割識別；設(shè)定色差值的范圍來對總肌肉和無光澤肌肉進行有效識別；計算無光澤肌肉像素點個數(shù)占總肌肉像素點個數(shù)的比例；將儲藏時間在3個月以內(nèi)（1、2和3個月）和超過12個月（13、15和17個月）的冷凍豬肉的無光澤像素點比例的最大值和最小值的平均值作為判定閾值；最后，根據(jù)統(tǒng)計學(xué)分析確定最佳判定閾值。具體的冷凍豬肉儲藏時間判定過程如圖2所示。

注：R、G、B分別為紅度值、綠度值和藍度值,下同。

1.3.1 目標圖像與背景分割

首先選擇適當?shù)念A(yù)處理方法去除背景得到冷凍豬肉圖像，減小算法計算量，且圖像邊界分割是圖像處理和分析的關(guān)鍵步驟，邊界分割結(jié)果的優(yōu)劣對后繼圖像的理解和識別起重要作用[25-26]。本文采用Sobel邊緣檢測算法[26]對冷凍豬肉邊界進行提取，按式（1）、式（2）的Sobel算子檢測水平和垂直邊緣。用該算子與圖像進行卷積后，提取出冷凍豬肉邊緣圖像。

式中?f（,）及?f（,）分別代表經(jīng)橫向及縱向邊緣檢測的圖像灰度值；（,）表示圖像（,）點的灰度值

1.3.2 圖像預(yù)處理

由于在采集圖像過程中受到環(huán)境光的影響，實際得到的圖像往往會帶有各種噪聲，這些噪聲的存在可能會使后期的圖像處理和識別產(chǎn)生困難，并影響試驗結(jié)果，因此有必要對原始圖像進行噪聲去除[27]。目前常用的去噪方法有均值濾波、高斯濾波、中值濾波等，對比這些方法的濾波效果，選用效果較好的濾波法。

1.3.3 冷凍豬肉圖像顏色特征提取

隨著貯藏時間的延長，冷凍豬肉肌紅蛋白被氧化，肉體表面色澤由鮮明逐漸變?yōu)榘岛稚ス鉂蒣28]。儲藏時間越長，肉體表面無光澤面積越大，所以本試驗在提取冷凍豬肉圖像的顏色特征用于儲藏時間判定時，主要考慮肌肉組織無光澤像素點的個數(shù)與總肌肉像素點個數(shù)的比值，即無光澤像素點比例。另外，Ⅳ號豬肉經(jīng)加工包裹冷凍之后表面有脂肪組織和肌肉組織，因此，為便于準確計算肌肉組織的RGB顏色空間信息，需要在特征提取之前將脂肪組織和結(jié)締組織與肌肉組織精確地分割開來[29]。具體步驟如下：

1）將去噪之后的冷凍豬肉圖像進行灰度轉(zhuǎn)化，根據(jù)灰度閾值將冷凍豬肉所屬區(qū)域劃分為脂肪區(qū)域和肌肉區(qū)域。

2）選擇算子()、()和作為特征量進行代數(shù)運算分析肌肉區(qū)域內(nèi)總肌肉像素點和無光澤肌肉像素點的顏色特征，根據(jù)顏色特征將圖像二值化；

3）二值化將圖像劃分為背景和目標區(qū)域，白色表示目標區(qū)域，黑色表示背景區(qū)域。根據(jù)組合算子特征值確定總肌肉像素點和無光澤肌肉像素點的紅()、綠()、藍()特征變化關(guān)系作為特征提取依據(jù)，按式（3）計算冷凍豬肉無光澤肌肉像素點比例，無光澤肌肉像素點比例即無光澤肌肉像素點個數(shù)占總肌肉像素點個數(shù)的比例。

式中為無光澤肌肉像素點比例，%；為無光澤肌肉像素點個數(shù)；為總肌肉像素點個數(shù)。

1.3.4 閾值的確定

以冷凍豬肉的無光澤肌肉像素點比例為基礎(chǔ)，具體尋求閾值步驟如下：

1）計算所有批次冷凍豬肉圖像的無光澤肌肉像素點比例，然后計算儲藏時間在3個月以內(nèi)批次中冷凍豬肉圖像無光澤肌肉像素點比例最高值和儲藏時間超過12個月批次中冷凍豬肉圖像無光澤肌肉像素點比例最低值的平均值。

2）選取上述平均值為閾值，計算驗證集判別準確度，依次提高或減小閾值，依據(jù)統(tǒng)計學(xué)規(guī)律，小于或等于該閾值時，冷凍豬肉的儲藏時間為3個月以內(nèi)，大于該閾值時，冷凍豬肉的儲藏時間超過12個月，最終得到閾值在某一個值的情況下，儲藏時間在3個月以內(nèi)的冷凍豬肉與儲藏時間超過12個月的冷凍豬肉的儲藏時間判別準確度均最高。

2 結(jié)果與分析

2.1 圖像預(yù)處理結(jié)果

采用1.3節(jié)所述的圖像處理方法首先對原始圖像進行預(yù)處理。圖3為采集得到的冷凍豬肉原圖經(jīng)Sobel邊緣檢測算法去除背景后的灰度圖，由圖3可以看出，經(jīng)背景去除后的圖像，可以較好地保存圖像的邊緣信息，并且完全去除冷凍豬肉區(qū)域外所有背景。熵是衡量圖像信息豐富程度的一個重要指標。熵越大，表示圖像包含的信息量越多，信息越豐富，圖像的質(zhì)量也越好[30]。表1是各種濾波去噪后圖像的熵對比統(tǒng)計，原圖像的熵為2.883 7（表中未標出），對比發(fā)現(xiàn)，高斯濾波后圖像的熵最大，為5.809 4，圖像信息最豐富，表明經(jīng)高斯濾波后能保證圖像的清晰度和一定的信息量。對比濾波效果，最終采用高斯濾波對其圖像進行去噪處理。

圖3 冷凍肉灰度圖

表1 不同方法濾波去噪后圖像的熵對比統(tǒng)計

2.2 特征條件確定

冷凍豬肉經(jīng)長時間儲藏，表面會呈現(xiàn)白色、紅色和深褐色，采用基于顏色空間的分割識別無疑是一種有效的選擇。但是如果直接對RGB顏色空間進行處理，由于、、3分量相互融合在一起，相關(guān)性比較大，直接進行分割將無法準確地提取出目標物。圖4a是原圖處理對應(yīng)的3分量直方圖，3分量基本上都集中在[0，50]和[225，255]，峰值波動變化較小，很難分割出冷凍豬肉上無光澤處。色差法能將三維分割輸入量轉(zhuǎn)化為一維分量，不僅大大減少了計算量和運行時間，而且使得目標和背景能明顯區(qū)分，基于這種特征，尋找更快速準確的分割方法才更有效[30]。

一般情況下，常采用()、()、()、()、()、()和()7種色差信息作為特征量，而冷凍豬肉表面無光澤肌肉處基本上都呈現(xiàn)深褐色，藍色分量會比較突出，能明顯區(qū)別于正常肉色。所以本文選取、()、()能夠突出冷凍豬肉表面無光澤肌肉處褐色特征的3種算子進行處理。()、()和()的灰度圖基本全是黑色（圖5中未表示出），這是因為通過()、()和()計算灰度出現(xiàn)負值超出了[0，255]灰度級的范圍或者灰度級太小導(dǎo)致樣品和背景無法區(qū)分。圖4b和圖4c分別是()和()色差法對應(yīng)的色差灰度直方圖，相比較圖4a，色差法使得背景和目標灰度值呈現(xiàn)對數(shù)分布，這樣更有利于后續(xù)分割圖像。所以本文采用色差法對圖像進行分割識別。

圖4 不同特征量灰度直方圖

圖5 不同色差指標灰度圖

依據(jù)統(tǒng)計學(xué)規(guī)律，將()≤50，()≤45，()≤40，()≤35，()≤30，()≤25，()≤20，()≤15，()≤10和()≤50，()≤45，()≤40，()≤35，()≤30，()≤25，()≤20，()≤15，()≤10進行組合對冷凍豬肉總肌肉像素點進行提取，如圖6a所示，比較發(fā)現(xiàn)，當()≤30，()≤30時能較好地識別出冷凍豬肉表面的總肌肉；在()≤30，()≤30的前提下，分別選取≥80，≥85，≥90，≥95，≥100，≥105，≥110，≥115對冷凍豬肉表面無光澤肌肉像素點進行提取，如圖6b所示，比較發(fā)現(xiàn)，當≥100能較好地識別冷凍豬肉表面無光澤肌肉。所以將()≤30且()≤30作為總肌肉像素點的特征變化關(guān)系，即第一特征條件；將()≤30且()≤30且 100≤作為無光澤肌肉像素點的特征變化關(guān)系，即第二特征條件。根據(jù)第一特征條件從基色特征值中獲取第一像素點個數(shù)，即總肌肉像素點個數(shù)；根據(jù)第二特征條件從基色特征值中獲取第二像素點個數(shù)，即無光澤肌肉像素點個數(shù)。

圖6 不同色差指標二值化圖

2.3 無光澤紅肉像素點比例測定結(jié)果

根據(jù)公式（3）計算所有批次冷凍豬肉無光澤肌肉像素點比例的平均值，所有批次冷凍豬肉無光澤肌肉像素點比例如圖7所示。1～3、4～5、7～9批次儲藏時間分別為1個月、2個月和3個月，10、11、12批次儲藏時間分別為13、15和17個月。由圖7可以看出，第9批次冷凍豬肉在儲藏時間在3個月內(nèi)所用批次中無光澤像素點比例最高，為24.3%，第10批次冷凍豬肉在儲藏時間超過12個月所有批次中無光澤像素點比例最低，為29.2%，取兩者平均值26.8%作為判定閾值。

圖7 不同批次冷凍肉無光澤肌肉肉像素點比例

2.4 閾值判斷結(jié)果

選取上述平均值26.8%為閾值，計算校正集判別準確度，依次提高或減小閾值，以24.3%和29.2%為最小和最大閾值，依據(jù)統(tǒng)計學(xué)規(guī)律，不同無光澤肌肉像素點比例條件下閾值判定統(tǒng)計結(jié)果如表2所示。由表2可以看出，隨著無光澤肌肉像素點比例的增加，儲藏3個月以內(nèi)（1、2和3個月）的冷凍豬肉和儲藏時間超過12個月（13、15和17個月）的冷凍豬肉的判定準確度分別升高或降低；當無光澤肌肉像素點比例為26.8%時，儲藏時間在3個月以內(nèi)和超過12個月的冷凍豬肉驗證檢測判定準確度綜合較好，分別為90.00%和81.67%。

表2 不同無光澤肌肉像素點比例下閾值判定統(tǒng)計結(jié)果

3 討 論

本試驗在判定閾值為26.8%時，儲藏時間在3個月以內(nèi)和超過12個月的冷凍豬肉驗證準確度分別為90.00%和81.67%，判定準確度相對來說不是很高，可能原因是樣本量相對較少，后期試驗中我們將進一步補充樣品量尤其是儲藏時間超過12個月的冷凍豬肉樣品，以期豐富無光澤肌肉像素點比例值，提高判定準確性。本試驗中缺少儲藏時間大于3個月且小于12個月的冷凍豬肉樣品，后期試驗中我們也將進一步補充樣品種類，擴大判定范圍。目前也有文獻報道采用空氣相色譜離子遷移譜技術(shù)對冷凍豬肉儲藏時間進行快速判定[31]，其通過采集和分析冷凍豬肉表層或淺表層脂肪氧化所產(chǎn)生的揮發(fā)性有機物，采用主成分分析對不同儲藏時間冷凍豬肉的揮發(fā)性有機物數(shù)據(jù)進行維度壓縮，利用K 均值聚類分析算法建立判別模型，空氣相色譜離子遷移譜技術(shù)具有高分辨率、高靈敏度、分析高效、操作簡便等特點，但基于機器視覺技術(shù)和圖像處理技術(shù)對冷凍豬肉RGB顏色空間進行提取對冷凍豬肉儲藏時間進行判定時，無需對樣品進行理化指標的測定，是一種具有低成本、高效率、操作簡單等特點的無損檢測方式。

4 結(jié) 論

本文結(jié)合機器視覺技術(shù)和圖像處理技術(shù)對儲藏時間在3個月以內(nèi)（1、2和3個月）和超過12個月（13、15和17個月）的冷凍豬肉的儲藏時間進行了判定研究，利用色差法提出了無光澤肌肉像素點比例可作為用于檢測的圖像特征，試驗結(jié)果表明判定閾值即無光澤肌肉像素點比例為26.8%時，儲藏時間在3個月以內(nèi)和超過12個月的冷凍豬肉驗證準確度分別為90.00%和81.67%。該方法彌補了目前國內(nèi)對冷凍豬肉儲藏時間的判定方法的空缺，不僅能提高判定的準確性和客觀性，而且還能克服人工目測以及化學(xué)分析等產(chǎn)生的檢測疲勞、主觀因素多、費時以及樣品破損等不足。本分析方法為冷凍豬肉儲藏時間的判定提供了可靠的依據(jù)，為冷凍豬肉期貨品種上市提供了一定的技術(shù)支持，具有良好的應(yīng)用前景和重要的社會經(jīng)濟價值。

[1] 褚衍章，朱增勇. 中國豬肉消費“十二五”回顧及“十三五”展望[J]. 農(nóng)業(yè)展望，2016(5)：81－85.

[2] 楊益，何穎. 基于RGB空間的車道線檢測與辨識方法[J]. 計算機與現(xiàn)代化，2014(2)：86－90.

[3] 孫紅，郭凱. 融合字符紋理特征與RGB顏色特征的車牌定[J]. 光電工程，2015，42(6)：14－19, 44. Sun Hong, Guo Kai. License plate location based on characters texture feature and RGB color feature[J]. Opto-Electronic Engineering, 2015, 42(6): 14－19, 44.(in Chinese with English abstract)

[4] 郝永杰，周博文. 基于圖像特征及改進支持向量機算法的交通標志識別[J]. 現(xiàn)代電子科技，2017，40(8)：97－99. Hao Yongjie，Zhou Bowen. Traffic sign recognition based on image feature and improved support vector machine algorithm[J]. Modern Electronics Technique, 2017, 40(8): 97－99. (in Chinese with English abstract)

[5] 賈永紅，譚慧，黃若冰. 基于車載視頻的道路交通指示標志的檢測與識別[J]. 測繪地理信息，2016，41(5)：47－50. Jia Yonghong, Tan Hui, Huang Ruobing. A detection and recognition on method for indicatory traffic signs based on vehicle videos[J]. Journal of Geomatics, 2016, 41(5): 47－50. (in Chinese with English abstract)

[6] 馮范. 基于顏色空間的鮮切果蔬圖像褐變特征分析[D]. 信陽：信陽師范學(xué)院，2015.

[7] 尹建軍，王新忠，毛罕平，等. RGB與HSI顏色空間下番茄圖像分割的對比研究[J]. 農(nóng)機化研究，2006(11)：171－174.

[8] 郭俊先，李俊偉，胡光輝，等. 新疆冰糖心紅富士蘋果 RGB 圖像多指標分析[J]. 新疆農(nóng)業(yè)科學(xué)，2013，50(3)：509－517. Guo Junxian, Li Junwei, Hu Guanghui, et al. Analysis of multi-objective of Xinjiang Fuji apple by RGB image[J]. Xinjiang Agricultural Sciences, 2013, 50(3): 509－517. (in Chinese with English abstract)

[9] Chandel A K, Khot L R, Osroosh Y, et al. Thermal-RGB imager derived in-field apple surface temperature estimates for sunburn management[J]. Agricultural and Forest Meteorology, 2018, 253-254(1)：132－142.

[10] 陳毅，劉曉玉，蔣崢，等. 基于 RGB和 HSV的膠囊異囊缺陷識別方法[J]. 計算機工程與設(shè)計，2014，35(11)：3888－3892. Chen Yi, Liu Xiaoyu, Jiang Zheng, et al. Capsule Yinang defect recognition based on RGB and HSV color space[J]. Computer Engineering and Design, 2014, 35(11): 3888－3892. (in Chinese with English abstract)

[11] Pfitzner C, May S, Nüuchter A. Evaluation of features from RGB-D data for human body weight estimation[J]. International Federation of Automatic Control, 2017, 50(1): 10148－10153.

[12] 李凱旋，劉哲星，劉思德，等. 膠囊內(nèi)窺圖像識別系統(tǒng)算法設(shè)計及實現(xiàn)[J]. 南方醫(yī)科大學(xué)學(xué)報，2012，32(7)： 948－951. Li Kaixuan, Liu Zhexing, Liu Side, et al. Design and realization of an algorithm for capsule endoscope image recognition system[J]. Journal of Southern Medical University, 2012, 32(7): 948－951. (in Chinese with English abstract)

[13] 徐婷婷，吉曉東，李文華，等. 基于顏色和紋理特征的膠囊內(nèi)鏡圖像分類[J]. 現(xiàn)代電子技術(shù)，2018，41(19)：58－62.Xu Tingting, Ji Xiaodong, Li Wenhua, et al. Capsule endoscope image classification based on color and texture features[J]. Modern Electronics Technique, 2018, 41(19): 58－62. (in Chinese with English abstract)

[14] 張洪銘，陳先鋒，張英，等. 基于RGB 顏色模型的玉米淀粉爆燃火焰?zhèn)鞑ニ俣萚J]. 爆炸與沖擊，2018，38(1)： 133－139. Zhang Hongming, Chen Xianfeng, Zhang Ying, et al. Flame propagation velocities of cornstarch dust explosion based on RGB color model[J]. Explosion and Shock Waves, 2018, 38(1): 133－139. (in Chinese with English abstract)

[15] Belati A, Cajaiba J. Measurement of wax appearance temperature using RGB image analysis and FBRM[J]. Fuel, 2018, 220(20): 264－269.

[16] 李倩. 基于計算機視覺的船舶類型識別與流量監(jiān)控算法研究[J]. 艦船科學(xué)技術(shù)，2018，40(10)：151－153. Li Qian. Research on ship type recognition and flow monitoring algorithm based on computer vision[J]. Ship Science and Technology, 2018, 40(10): 151－153. (in Chinese with English abstract)

[17] 王磊. 計算機視覺在船舶焊縫缺陷識別的應(yīng)用[J]. 艦船科學(xué)技術(shù)，2018，40(8)：196－198. Wang Lei. Application of computer vision in identification of ship weld defects[J]. Ship Science and Technology, 2018, 40(8): 196－198. (in Chinese with English abstract)

[18] 潘婧，錢建平，劉壽春，等. 計算機視覺用于豬肉新鮮度檢測的顏色特征優(yōu)化選取[J]. 食品與發(fā)酵工業(yè)，2016，42(6)：153－158. Pan Jing, Qian Jianping, Liu Shouchun, et al. Optimized the color parameters in prediction of pork freshness by computer vision[J]. Food and Fermentation Industries, 2016, 42(6): 153－158. (in Chinese with English abstract)

[19] 趙杰文，方明，劉木華，等. 基于Ohta和RGB顏色空間牛胴體背長肌的分割[J]. 江蘇大學(xué)學(xué)報(自然科學(xué)版)，2006，27(3)：189－192. Zhao Jiewen, Fang Ming, Liu Muhua, et al. Segmentation of longissmi us dorsi in beef carcass based on Ohta and RGB color systems[J]. Journal of Jiangsu University (NaturalScience Edition), 2006, 27(3): 189－192. (in Chinese with English abstract)

[20] Orava J, Parkkinen J, Markku H K, et al. Temporal clustering of minced meat by RGB and spectral imaging[J]. Journal of Food Engineering, 2012, 112(2): 112－116.

[21] 張雷蕾，李永玉，彭彥昆，等. 基于高光譜成像技術(shù)的豬肉新鮮度評價[J]. 農(nóng)業(yè)工程學(xué)報，2012，28(7)：254－259. Zhang Leilei, Li Yongyu, Peng Yankun, et al. Determination of pork freshness attributes by hyperspectral imaging technique[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(7): 254－259. (in Chinese with English abstract)

[22] 張萌，鐘南，劉瑩瑩. 基于生豬外形特征圖像的瘦肉率估測方法[J]. 農(nóng)業(yè)工程學(xué)報，2017，33(12)：308－314. Zhang Meng, Zhong Nan, Liu Yingying. Estimation method of pig lean meat percentage based on image of pig shape characteristics[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(12): 308－314. (in Chinese with English abstract)

[23] 周煒. 基于多源信息融合技術(shù)的豬肉新鮮度無損檢測方法研究[D]. 武漢：華中農(nóng)業(yè)大學(xué)，2009. Zhou Wei. Based on the Multi-source Information Fusion Technology of Pork Freshness NDT Methods Research [D]. Wuhan: Huazhong Agricultural University, 2009. (in Chinese with English abstract)

[24] Dowlati M, Mohtasebi S S, Omid M, et al. Freshness assessment of gilthead sea bream () by machine vision based on gill and eye color changes[J]. J Food Engineer, 2013, 119(2): 277－287.

[25] 王紅梅，馮義東. 基于改進活動輪廓模型的圖像邊界分割[J]. 內(nèi)蒙古師范大學(xué)學(xué)報，2016，45(1)：17－20, 25. Wang Hongmei, Feng Yidong. Image edge segmentation based on improved active contour model[J]. Journal of Inner Mongolia Normal University(Natural Science Edition), 2016, 45(1): 17－20, 25. (in Chinese with English abstract)

[26] 吳國偉，謝金法，郭志強. 基于Sobel算子的車輛輪廓邊緣檢測算法[J]. 河南科技大學(xué)學(xué)報，2009，30(6)：39－41.

[27] 楊成佳. 圖像去噪及其效果評估若干問題研究[D]. 長春：吉林大學(xué)，2016.

Yang Chengjia. Study on Image Denoising and Its Effect Evaluation[D]. Changchun: Jilin University, 2016.

[28] 王丹竹，田科雄. 冷凍肉品質(zhì)與時間和溫度變化的關(guān)系[J].中國畜禽種業(yè)，2012(8)：24－26.

[29] 陳坤杰, 尹文慶. 機器視覺技術(shù)在分析牛肉顏色變化特征中的應(yīng)用[J]. 食品科學(xué)，2008，29(9)：92－96. Chen Kunjie, Yin Wenqing. Application of machine vision technology in quantitative analysis of color features of beef lean tissue[J]. Food Science, 2008, 29(9): 92－96. (in Chinese with English abstract)

[30] 黃新波，張慧瑩，張燁，等. 基于改進色差法的復(fù)合絕緣子圖像分割技術(shù)[J]. 高電壓技術(shù)，2018，44(8)：2493－2500. Huang Xinbo, Zhang Huiying, Zhang Ye, et al. Composite insulator image sementation technology based on improve color difference[J]. High Voltage Engineering, 2018, 44(8): 2493－2500. (in Chinese with English abstract)

[31] 王輝，田寒友，李文采，等. 基于頂空氣相色譜-離子遷移譜技術(shù)的冷凍豬肉儲藏時間快速判別方法[J]. 食品科學(xué)，http://kns.cnki.net/kcms/detail/11.2206.TS.20180821.1418.072.htmlWang Hui, Tian Hanyou, Li Wencai, et al. Fast discriminating method of storage time of frozen pork based on HS-GC-IMS[J].Food Science, http://kns.cnki.net/kcms/detail/11.2206.TS.20180821. 1418.072.html

Determination of storage time for chilled pork by using RGB color space method based on machine vision

Li Wencai, Li Jiapeng※, Tian Hanyou, Zou Hao, Liu Fei, Bai Jing, Zhang Zhenqi, Wang Hui, Wang Shouwei

(1.100068; 2100068,)

The storage time of chilled pork is one of the most important indexes to price of pork. However, storage time of chilled pork was determined by trainees with their own visual senses in most of the Chinese enterprises. This manual grading method demands not only intensive labor but also lacks objectivity and accuracy. The objective of this research was to develop an optimal method for determining the storage time of chilled pork based on computer vision and image processing technologies to meet the requirement of the meat industry. A practical algorithm that can be used in a chilled pork storage time determining system was proposed in this research. The chilled pork sample images were collected by a machine vision image acquisition system. The system consisted of an image acquisition device, computer, and image processing algorithm equipped into the self developed system software. The images of the chilled pork samples in a load table were captured by CCD. Light intensity was regulated through a light controller, and the distance between the camera lens and the chilled pork samples was adjusted though translation stages in the load table. Collected images were automatically stored in the computer for further image processing. First, some methods such as background removal and image denoising were adopted to preprocess the image to obtain a region of interest. In this step, the image was cropped to separate the chilled pork from the background. Then, a color difference method was used to segment the chilled pork area to obtain the area of total muscle and un-glossed muscle. Our results showed that the total and un-glossed muscle of chilled pork can be well distinguished by using binary images when R-B≤30, R-G≤30 (first feature) and R-B≤30, R-G≤30, 100≤B (second feature), respectively. Based on the first and second feature, the number of pixel in the binary images for the total and un-glossed muscle can be obtained from the color information in each pixel, and the ratio of pixel amount between un-glossed muscle and total muscle can also be obtained. We calculated the ratio of un-glossed muscle of different batches, screened the maximum ratio of un-glossed muscle of chilled pork that was stored less than three months and the minimum ratio of un-glossed muscle of chilled pork that was stored more than 12 months, respectively, and then calculated the mean of maximum and minimum value mentioned above.The mean was taken as the threshold value, and that was increased or decreased successively if the actual value was less than or equal to the threshold value mentioned above. The storage time was determined to be within three months if the actual value was greater than the threshold value, and the storage time was determined to be over 12 months. Finally, 60 chilled pork that were stored less than three months and 60 chilled pork that were stored more than 12 months were used to verify the threshold value. Our results showed that, the accuracy of the verification and determination of chilled pork that were stored less than three months (90.00%) and chilled pork that were stored more than 12 months (81.67%) were considerably improved when the threshold value was 26.8%. The results showed that the algorithm can meet the requirements of frozen pork storage time.

nondestructive examination; image processing; storage; chilled pork; ratio of un-glossed muscle; machine vision

李文采，李家鵬，田寒友，鄒 昊，劉 飛，白 京，張振琪，王 輝，王守偉.基于RGB顏色空間的冷凍豬肉儲藏時間機器視覺判定[J]. 農(nóng)業(yè)工程學(xué)報，2019，35(3)：294－300. doi：10.11975/j.issn.1002-6819.2019.03.037 http://www.tcsae.org

Li Wencai, Li Jiapeng, Tian Hanyou, Zou Hao, Liu Fei, Bai Jing, Zhang Zhenqi, Wang Hui, Wang Shouwei.Determination of storage time for chilled pork by using RGB color space method based on machine vision[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(3): 294－300. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.03.037 http://www.tcsae.org

2018-09-11

2019-01-19

十三五國家重點研發(fā)計劃（2016YFD0401203）；豐臺區(qū)科技新星計劃項目（KJXX201710）

李文采，工程師，研究方向為肉品品質(zhì)無損檢測技術(shù)。 Email：1090360622@qq.com

李家鵬，工程師，研究方向為食品生物技術(shù)。Email：ljp7915n@yahoo.com.cn

10.11975/j.issn.1002-6819.2019.03.037

TS251.8

A

1002-6819(2019)-03-0294-07