孟令峰，朱榮光*，白宗秀，鄭敏沖，顧劍峰，馬本學(xué)

（石河子大學(xué)機(jī)械電氣工程學(xué)院，新疆 石河子 832003）

羊肉含有較低的膽固醇、脂肪和豐富的蛋白質(zhì)、維生素、鈣、鐵等，是滋補(bǔ)身體的絕佳肉類(lèi)食品，深受人們的喜愛(ài)，不同部位羊肉的蛋白質(zhì)、脂肪酸等營(yíng)養(yǎng)成分的含量不同[1-2]，在貯藏過(guò)程中，其品質(zhì)（嫩度、吸水力、風(fēng)味、色澤等）會(huì)產(chǎn)生變化[3]，隨著貯藏時(shí)間延長(zhǎng)和微生物繁殖作用，肉品新鮮度逐漸降低，風(fēng)味和口感也不同，因此不同部位不同貯藏時(shí)間下的羊肉品質(zhì)也不一樣。但市場(chǎng)上很多商家將不同貯存時(shí)間下不同部位的肉相互混淆，從而導(dǎo)致很多羊肉異質(zhì)同價(jià)，削減了消費(fèi)者對(duì)羊肉的青睞。隨著消費(fèi)水平的提高，人們對(duì)羊肉的品質(zhì)也越發(fā)的關(guān)注。因此對(duì)不同貯藏時(shí)間下不同部位羊肉的檢測(cè)研究有較高的現(xiàn)實(shí)意義。

對(duì)于不同部位和不同貯藏時(shí)間下肉類(lèi)的檢測(cè)，國(guó)內(nèi)外通常采用傳統(tǒng)理化指標(biāo)檢測(cè)[4-7]，機(jī)器視覺(jué)[8-13]、電子鼻技術(shù)[14-16]、近紅外光譜（near infrared spectroscopy，NIRS）技術(shù)[17-19]和高光譜成像（hyper-spectral image，HSI）技術(shù)[20-22]等進(jìn)行檢測(cè)。其中在不同類(lèi)別肌肉分類(lèi)方面，Sanz等[23]利用HSI技術(shù)與幾種機(jī)器學(xué)習(xí)算法相結(jié)合，實(shí)現(xiàn)了對(duì)羔羊背長(zhǎng)肌、腰大肌、半膜肌和半腱肌4 種不同羔羊肌肉的鑒別，準(zhǔn)確度達(dá)到96.67%。Kamruzzaman等[24]利用近紅外高光譜成像系統(tǒng)，結(jié)合多元分析，對(duì)夏洛萊羊的半腱肌、背長(zhǎng)肌和腰大肌3 種類(lèi)型的羊肌肉進(jìn)行了鑒別，總準(zhǔn)確度可達(dá)100%；在不同貯藏時(shí)間的預(yù)測(cè)方面，李文采等[25]基于機(jī)器視覺(jué)和圖像處理技術(shù)分析了冷凍豬肉表面圖像RGB顏色特征，將無(wú)光澤肌肉像素點(diǎn)比例作為自動(dòng)判定冷凍豬肉貯藏時(shí)間的特征參數(shù)，實(shí)現(xiàn)了冷凍豬肉貯藏時(shí)間的判別，貯藏時(shí)間在3 個(gè)月以?xún)?nèi)和超過(guò)12 個(gè)月的判別準(zhǔn)確度分別為90%和81.67% 。但是電子鼻、NIRS和HSI等檢測(cè)技術(shù)裝置價(jià)格昂貴，對(duì)操作人員專(zhuān)業(yè)要求高，而且對(duì)不同部位和不同貯藏時(shí)間羊肉的檢測(cè)研究較少，因此不適于廣大普通消費(fèi)者的需求。近年來(lái)隨著手機(jī)攝像技術(shù)得到突飛猛進(jìn)的發(fā)展，越來(lái)越多的檢測(cè)技術(shù)都運(yùn)用手機(jī)進(jìn)行圖像采集，其中Cruz-Fernández等[26]利用手機(jī)采集不同冷肉制品的圖片，以RGB顏色空間模型下的R、G、B均值為輸入變量，采用偏最小二乘法（partial least squares，PLS）和支持向量機(jī)（support vector machine，SVM）對(duì)樣品脂肪含量進(jìn)行預(yù)測(cè)，其預(yù)測(cè)集的相關(guān)系數(shù)r為0.84。Muhammadiy等[27]利用手機(jī)采集牛肉和豬肉圖像，利用紋理分析和神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法對(duì)不同肉類(lèi)進(jìn)行了判別，判別率達(dá)89%。Adi等[28]使用手機(jī)采集了牛肉圖像，在RGB空間下對(duì)圖像進(jìn)行分割，通過(guò)計(jì)算出的脂肪面積來(lái)對(duì)大理石紋理進(jìn)行評(píng)分，并開(kāi)發(fā)基于Andriod平臺(tái)的牛肉大理石花紋分類(lèi)鑒定的應(yīng)用程序。然而對(duì)不同貯藏時(shí)間下羊肉的部位判別研究鮮有報(bào)道。

因此，本實(shí)驗(yàn)利用手機(jī)圖像開(kāi)展不同貯藏時(shí)間下不同部位羊肉的判別研究，以冷卻羊肉為研究對(duì)象，制備不同貯藏時(shí)間下的羊背脊肉、羊前腿肉和羊后腿肉樣品，利用手機(jī)采集羊肉樣品圖像，進(jìn)行圖像預(yù)處理和顏色特征提取，并進(jìn)行不同部位判別模型的比較，得出不同貯藏時(shí)間下羊肉部位準(zhǔn)確判別的優(yōu)選模型，本研究為以后利用手機(jī)實(shí)現(xiàn)對(duì)冷卻羊肉不同部位的快速檢測(cè)提供了一定的理論依據(jù)和技術(shù)支持。

1 材料與方法

1.1 材料

實(shí)驗(yàn)所用羊肉全部采購(gòu)于石河子市中心農(nóng)貿(mào)市場(chǎng)，剛屠宰的6 只小尾寒羊的羊背脊肉、羊前腿肉和羊后腿肉，經(jīng)30 h排酸后制備成冷卻羊肉，送至石河子大學(xué)農(nóng)畜產(chǎn)品實(shí)驗(yàn)室進(jìn)行分割處理，共制備羊背脊肉、羊前腿肉和羊后腿肉各20 份。樣品大小為40 mm×30 mm×10 mm，表面無(wú)明顯的脂肪和結(jié)締組織。樣品制備完成后進(jìn)行編號(hào)，裝入聚乙烯塑料盒中進(jìn)行非真空包裝，放置在4 ℃的恒溫箱中進(jìn)行冷藏。

1.2 儀器與設(shè)備

P10智能手機(jī) 華為技術(shù)有限公司。

1.3 方法

1.3.1 圖像采集

將冷卻羊肉從恒溫箱中取出，放在圖1裝置上用P10手機(jī)進(jìn)行圖像采集。其中攝像頭的感光度ISO為500、快門(mén)S為1/17 s、像素為800萬(wàn)、色溫參數(shù)為5 600 K，自動(dòng)白平衡，采用20 W日光燈光源，在實(shí)驗(yàn)室中進(jìn)行圖像采集。為避免外界光的干擾，對(duì)實(shí)驗(yàn)室窗戶(hù)進(jìn)行遮擋形成一個(gè)模擬暗箱，室內(nèi)采集處光照強(qiáng)度為70～80 lx，室溫為28 ℃，選取最佳成像采集高度為12 cm。采集圖像時(shí)將樣品放在背景板上，調(diào)節(jié)固定器高度，設(shè)置好攝像頭的參數(shù)聚焦后，進(jìn)行圖像采集。樣品共貯存12 d，每天早上10點(diǎn)進(jìn)行圖像采集，每隔12 h進(jìn)行一次樣品采集，共采集24 次，獲得1 440 張手機(jī)圖像。因?qū)嶒?yàn)過(guò)程中有個(gè)別羊肉提前腐敗，剔除異常樣后得到羊背脊肉19 份，羊后腿肉18 份，羊前腿肉20 份。

圖1 手機(jī)圖像采集裝置Fig.1 Schematic illustration of the mobile phone image acquisition device

1.3.2 圖像預(yù)處理

為消除圖像采集過(guò)程中背景、光照影響所產(chǎn)生的噪聲以及在腐敗變質(zhì)過(guò)程中脂肪與筋膜等同肌肉組織呈現(xiàn)的差異性問(wèn)題，本實(shí)驗(yàn)圖像預(yù)處理主要的流程如圖2所示，采用色差法[29]（R-B）來(lái)使背景和樣品區(qū)分度增大，并將分割閾值設(shè)定為0～20以去除背景中的陰影和水印，然后利用高低帽變換使脂肪和肌肉的特征差異明顯化，最后選取25～35的閾值，通過(guò)分水嶺分割算法[30]對(duì)樣品圖像內(nèi)的脂肪、筋膜等進(jìn)行分割，并對(duì)分水嶺分割后的圖像進(jìn)行開(kāi)運(yùn)算將樣品中的脂肪、筋膜等非肌肉組織部分進(jìn)行去除。

1.3.3 圖像特征提取

由于顏色特征對(duì)視角、尺寸、方向的依賴(lài)性較小，呈現(xiàn)很強(qiáng)的魯棒性，所以本研究選取RGB、L*a*b*、HIS和rg色度空間（RGB歸一化）4 種顏色空間模型[31]，提取各顏色空間的特征參數(shù)均值和RGB顏色空間下的二階、三階顏色矩，以定量描述不同部位羊肉的顏色特征，然后對(duì)不同部位的羊肉在不同貯藏周期的顏色特征進(jìn)行研究。

其顏色均值、二階和三階顏色矩的計(jì)算分別見(jiàn)公式（1）～（3）。

式中：i為像素點(diǎn)的水平坐標(biāo)；j為像素點(diǎn)的垂直坐標(biāo)；pi,j表示彩色圖像第j個(gè)像素的第i個(gè)顏色分量；D為目標(biāo)區(qū)域；N為D區(qū)域內(nèi)的總像素點(diǎn)數(shù)；μR、μG、μB、μr、μg、μb、μL*、μa*、μb*、μH、μS和μI為R、G、B、r、g、b、L*、a*、b*、H、S和I的顏色均值；δR、δG、δB分別為RGB空間的二階矩；SR、SG、SB分別為RGB空間的三階矩。

1.4 數(shù)據(jù)處理與判別模型的建立

在提取不同貯藏時(shí)間下不同部位羊肉的顏色特征之后，對(duì)顏色特征進(jìn)行非參數(shù)獨(dú)立樣本顯著性差異分析，考慮不同部位羊肉顏色特征之間以及不同顏色空間的差異性，選取不同顏色特征組合作為模型輸入，對(duì)不同部位的羊肉樣品建立極限學(xué)習(xí)機(jī)（extreme learning machine，ELM）、SVM和反向傳播（back propagation，BP）神經(jīng)網(wǎng)絡(luò)分類(lèi)模型，并進(jìn)行比較，選出優(yōu)選模型。數(shù)據(jù)處理軟件包括SPSS 22、Matlab 2016b軟件。

ELM是一類(lèi)基于前饋神經(jīng)網(wǎng)絡(luò)（feedforward neuron network，F(xiàn)NN）構(gòu)建的機(jī)器學(xué)習(xí)系統(tǒng)或方法，適用于監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)問(wèn)題，其特點(diǎn)是隱含層節(jié)點(diǎn)的權(quán)重為隨機(jī)或人為給定的，且不需要更新，學(xué)習(xí)過(guò)程僅計(jì)算輸出權(quán)重，具有泛化能力強(qiáng)、計(jì)算速度快的特點(diǎn)。本研究中選用Sigmoid函數(shù)，以隱層神經(jīng)元數(shù)目10為步長(zhǎng)，交叉驗(yàn)證集判別準(zhǔn)確率最高為尋優(yōu)目標(biāo)進(jìn)行隱層神經(jīng)元數(shù)目尋優(yōu)，并用10折交叉法進(jìn)行驗(yàn)證。

SVM是一種監(jiān)督方式的機(jī)器學(xué)習(xí)算法，基本模型定義是在特征空間上找到最佳的分離超平面使得訓(xùn)練集上正負(fù)樣本間隔最大。本研究中將SVM采用遺傳算法（genetic algorithm，GA）進(jìn)行尋優(yōu)，以交叉驗(yàn)證集的判別準(zhǔn)確率作為適應(yīng)度函數(shù)值，當(dāng)適應(yīng)度值達(dá)到最大時(shí)，得出最佳核函數(shù)參數(shù)g和懲罰因子參數(shù)c的值，并用10折交叉法進(jìn)行驗(yàn)證。

BP神經(jīng)網(wǎng)絡(luò)是基于誤差反向傳播的多層前饋網(wǎng)絡(luò)算法，主要通過(guò)學(xué)習(xí)來(lái)實(shí)現(xiàn)輸入與輸出之間的非線(xiàn)性映射，本研究首先以隱含層節(jié)點(diǎn)數(shù)5為步長(zhǎng)，交叉驗(yàn)證集判別準(zhǔn)確率最高為尋優(yōu)目標(biāo)，從0到50對(duì)BP隱含層節(jié)點(diǎn)數(shù)進(jìn)行尋優(yōu)，同時(shí)采用粒子群算法（particle swarm optimization，PSO）對(duì)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行優(yōu)化，以歸一化后的預(yù)測(cè)值和實(shí)際值之差的絕對(duì)值作為適應(yīng)度函數(shù)值，當(dāng)適應(yīng)度值達(dá)到最小時(shí)，得最優(yōu)的權(quán)值和閾值，并用10折交叉法進(jìn)行驗(yàn)證[32]。

本研究根據(jù)訓(xùn)練集、交叉驗(yàn)證集和測(cè)試集的判別準(zhǔn)確率來(lái)綜合評(píng)價(jià)所建立模型的效果，即訓(xùn)練集、交叉驗(yàn)證集和測(cè)試集等樣品集中分類(lèi)正確的樣品數(shù)占總樣品數(shù)的比例越高，模型效果越好。

2 結(jié)果與分析

2.1 不同部位羊肉圖像顏色特征的差異顯著性分析結(jié)果

為了獲取不同貯藏時(shí)間下不同部位羊肉之間顏色特征的差異性，本研究對(duì)所提取的4 個(gè)顏色空間下的顏色均值和RGB顏色空間下的顏色矩共18 個(gè)顏色特征分別進(jìn)行非參數(shù)獨(dú)立樣本顯著性水平檢驗(yàn)，差異顯著性結(jié)果如表1所示。由表1可知，μR、μr、μg、μb、μb*、δR和sR共7 個(gè)顏色特征在不同羊肉部位之間的顯著性水平P均小于0.05，具有顯著性差異；而其他11 個(gè)顏色特征在不同羊肉部位之間均存在顯著性水平P大于0.05的情況，不具有顯著性差異。

表1 不同部位羊肉之間顏色特征的差異顯著性分析Table 1 Analysis of significant differences in color characteristics among lamb cuts

2.2 不同貯藏時(shí)間下的不同部位判別模型的建立結(jié)果

本研究分別選取在不同部位之間具有顯著性差異的7 個(gè)顏色特征、RGB顏色空間下的顏色均值和顏色矩共9 個(gè)顏色特征、4 種顏色空間下的12 個(gè)顏色均值特征，以及全部18 個(gè)顏色特征作為模型的輸入變量，建立不同部位的ELM、SVM和BP神經(jīng)網(wǎng)絡(luò)分類(lèi)模型，對(duì)羊背脊肉、羊后腿肉和羊前腿肉進(jìn)行分類(lèi)比較研究，從而獲得優(yōu)選模型。剔除異常樣后，獲得1 308 張樣品圖像，采用隔三選一法，將樣本集劃分為訓(xùn)練集和測(cè)試集，分別包含樣品圖像981 張和327 張。

2.2.1 不同貯藏時(shí)間下的不同部位ELM分類(lèi)模型的建立結(jié)果

在分別利用不同部位間具有顯著性差異的7 個(gè)顏色特征、RGB顏色空間下的9 個(gè)顏色特征、4 種顏色空間下的12 個(gè)顏色均值特征，及全部18 個(gè)顏色特征作為ELM模型的輸入變量進(jìn)行分類(lèi)判別時(shí)，均以隱層神經(jīng)元數(shù)目10為步長(zhǎng)，以最高的交叉驗(yàn)證集判別準(zhǔn)確率為尋優(yōu)目標(biāo)進(jìn)行隱層神經(jīng)元數(shù)目尋優(yōu)。在上述4 種輸入情況下，建立尋優(yōu)后的ELM模型的隱層神經(jīng)元數(shù)目分別為90、90、100和100，其中以全部18 個(gè)顏色特征作為輸入構(gòu)建模型時(shí)，其尋優(yōu)結(jié)果如圖3所示。

圖3 ELM隱層神經(jīng)元數(shù)目尋優(yōu)圖Fig.3 Optimization of the number of ELM hidden layer neurons

表2 不同貯藏時(shí)間下羊肉不同部位ELM模型分類(lèi)結(jié)果Table 2 ELM model classification results of different lamb cuts at different storage times

在上述4 種輸入情況下，所建立的尋優(yōu)后ELM模型結(jié)果如表2所示，在ELM模型中當(dāng)選用所有18 個(gè)顏色特征做模型的輸入時(shí)，將羊背脊肉、羊前腿肉和羊后腿肉進(jìn)行三分類(lèi)的模型效果最優(yōu)，模型的訓(xùn)練集、交叉驗(yàn)證集和測(cè)試集的判別準(zhǔn)確率分別為92.05%、88.84%和88.38%。選用12 個(gè)顏色均值特征作為模型輸入時(shí)，模型較優(yōu)，訓(xùn)練集、交叉驗(yàn)證集和測(cè)試集的判別準(zhǔn)確率分別為91.23%、86.46%和87.77%。當(dāng)選用RGB顏色空間下的9 個(gè)顏色特征以及選用具有顯著性差異的7 個(gè)顏色特征作為模型輸入時(shí)，模型的訓(xùn)練集、交叉驗(yàn)證集和測(cè)試集的判別準(zhǔn)確率分布在73.09%～85.42%之間。

2.2.2 不同貯藏時(shí)間下的不同部位SVM判別分類(lèi)模型的建立結(jié)果

在分別利用不同部位間具有顯著性差異的7 個(gè)顏色特征、RGB顏色空間下的9 個(gè)顏色特征、4 種顏色空間下的12 個(gè)顏色均值特征，及全部18 個(gè)顏色特征作為SVM模型的輸入變量進(jìn)行分類(lèi)判別時(shí)，運(yùn)用GA對(duì)SVM的徑向基函數(shù)（radial basis function，RBF）參數(shù)g和誤差懲罰因子c進(jìn)行參數(shù)尋優(yōu)，以最高的交叉驗(yàn)證集判別準(zhǔn)確率為尋優(yōu)目標(biāo)，在GA遺傳算法中將種群數(shù)量設(shè)置為30，終止迭代次數(shù)為50，參數(shù)c和g從0～20進(jìn)行尋優(yōu)取值。其中，以不同顏色空間組合下的18 個(gè)顏色特征作為模型輸入，其參數(shù)尋優(yōu)結(jié)果如圖4所示，尋出最優(yōu)的g和c分別為19.11和2.41。

圖4 GA參數(shù)尋優(yōu)圖Fig.4 Genetic algorithm parameter optimization

表3 不同貯藏時(shí)間下羊肉不同部位SVM模型分類(lèi)結(jié)果Table 3 SVM model classification results of different lamb cuts at different storage times

在上述4 種輸入情況下，所建立尋優(yōu)后的SVM模型結(jié)果如表3所示?？紤]不同的顏色特征組合作為輸入，當(dāng)選用18 個(gè)顏色特征作為SVM判別模型的輸入時(shí)，模型分類(lèi)效果最佳，訓(xùn)練集、交叉驗(yàn)證集和測(cè)試集的判別準(zhǔn)確率分別為97.14%、90.01%和86.24%。當(dāng)選用12 個(gè)顏色均值特征作模型的輸入時(shí)，模型效果次之，訓(xùn)練集、交叉驗(yàn)證集和測(cè)試集的判別準(zhǔn)確率分別為92.97%、86.03%和85.32%。當(dāng)選用RGB顏色空間下的9 個(gè)顏色特征以及選用具有顯著性差異的7 個(gè)顏色特征時(shí)作為模型輸入時(shí)，模型的訓(xùn)練集、交叉驗(yàn)證集和測(cè)試集的判別準(zhǔn)確率分布在74.00%～90.32%之間。

2.2.3 不同貯藏時(shí)間下的不同部位BP分類(lèi)模型的建立結(jié)果

本研究的BP神經(jīng)網(wǎng)絡(luò)選用了3 層網(wǎng)絡(luò)結(jié)構(gòu)，包含輸入層、隱含層和輸出層，其基本參數(shù)設(shè)置如下：訓(xùn)練函數(shù)選擇‘traingdx’，隱含層和輸出層傳遞函數(shù)分別為‘logsig’、‘purelin’，網(wǎng)絡(luò)訓(xùn)練目標(biāo)誤差設(shè)為0.000 1，學(xué)習(xí)速率為0.001，訓(xùn)練最大步數(shù)設(shè)為1 000。另外，BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值運(yùn)用PSO進(jìn)行優(yōu)化，PSO中的種群大小設(shè)置為30，迭代次數(shù)設(shè)置為50。在分別利用不同部位羊肉間具有顯著性差異的7 個(gè)顏色特征、RGB顏色空間下的9 個(gè)顏色特征、4 種顏色空間下的12 個(gè)顏色均值特征，及全部18 個(gè)顏色特征作為BP模型的輸入變量進(jìn)行分類(lèi)判別時(shí)，首先以隱含層節(jié)點(diǎn)數(shù)目5為步長(zhǎng)，從0到50對(duì)BP隱含層節(jié)點(diǎn)數(shù)進(jìn)行尋優(yōu)，在上述4 種輸入情況下，建立尋優(yōu)后BP模型的隱含層節(jié)點(diǎn)數(shù)分別為50、50、40和35，其中以12 個(gè)顏色均值特征作為輸入構(gòu)建模型時(shí)，其尋優(yōu)結(jié)果如圖5所示。

圖5 BP隱含層節(jié)點(diǎn)數(shù)尋優(yōu)圖Fig.5 Optimization of the number of BP hidden layers

在上述4 種輸入情況下，所建立的尋優(yōu)后的BP模型結(jié)果如表4所示。考慮不同的顏色特征組合作為輸入，當(dāng)選用12 個(gè)顏色均值特征作為BP判別模型的輸入時(shí)，其三類(lèi)模型分類(lèi)效果最佳，模型的訓(xùn)練集、交叉驗(yàn)證集和測(cè)試集的判別準(zhǔn)確率分別為96.13%、95.11%、91.44%。當(dāng)選用18 個(gè)顏色特征做模型的輸入時(shí)，模型效果次之，訓(xùn)練集、交叉驗(yàn)證集和測(cè)試集的判別準(zhǔn)確率分別為93.58%、92.45%和88.07%。當(dāng)選用RGB顏色空間下的9 個(gè)顏色特征以及具有顯著性差異的7 個(gè)顏色特征時(shí)作為模型輸入時(shí)，模型的訓(xùn)練集、交叉驗(yàn)證集和測(cè)試集的判別準(zhǔn)確率分布在72.78%～86.85%之間，模型效果良好。

表4 不同貯藏時(shí)間下羊肉不同部位BP模型分類(lèi)結(jié)果Table 4 BP model classification results of different lamb cuts at different storage times

綜合分析表2～4發(fā)現(xiàn)，當(dāng)分別選用4 種不同的顏色特征組合作為模型輸入進(jìn)行建模時(shí)，所建立BP模型的分類(lèi)效果均優(yōu)于SVM和ELM模型的分類(lèi)效果。其中，選用12 個(gè)顏色均值特征作為BP判別模型的輸入時(shí)，建立的BP分類(lèi)模型分類(lèi)效果最佳，模型的訓(xùn)練集、交叉驗(yàn)證集和測(cè)試集的判別準(zhǔn)確率分別為96.13%、95.11%、91.44%。另外，在4 種不同的顏色特征組合中，最少輸入變量為不同部位間具有顯著性差異的7 個(gè)顏色特征，此時(shí)所建立BP模型的訓(xùn)練集、交叉驗(yàn)證集和測(cè)試集的判別準(zhǔn)確率分別為86.85%、86.54%和72.78%，仍能取得良好的分類(lèi)效果。該結(jié)果表明通過(guò)顯著性差異分析選擇顏色特征作為模型輸入?yún)?shù)，對(duì)改善模型效果具有一定的意義。

3 結(jié) 論

本研究使用智能手機(jī)采集整個(gè)貯藏時(shí)間（0～12 d）下的羊背脊肉、羊前腿肉和羊后腿肉樣品圖像，提取4 種不同顏色空間組合下的顏色均值以及RGB顏色空間下的顏色矩并進(jìn)行顯著性差異分析，以不同的顏色特征組合作為ELM、SVM和BP神經(jīng)網(wǎng)絡(luò)不同建模方法的輸入，開(kāi)展羊背脊肉、羊前腿肉和羊后腿肉的判別分析比較研究。結(jié)果表明，以不同的顏色特征組合作為模型輸入時(shí)，所建立的BP模型分類(lèi)效果均優(yōu)于SVM和ELM模型；當(dāng)以12 個(gè)顏色均值特征作為輸入時(shí)所建立的BP模型分類(lèi)效果最優(yōu)，模型的訓(xùn)練集、交叉驗(yàn)證集和測(cè)試集的判別準(zhǔn)確率分別為96.13%、95.11%、91.44%，可以實(shí)現(xiàn)對(duì)不同貯藏時(shí)間下不同部位羊肉的定性判別分析。上述研究為后續(xù)開(kāi)發(fā)手機(jī)應(yīng)用APP及利用手機(jī)實(shí)現(xiàn)對(duì)不同貯藏時(shí)間下冷卻羊肉部位的快速判別分析提供了理論依據(jù)和技術(shù)支撐。