本刊編輯/李林錚（編譯）

中國(guó)研究人員研究了使用淺層上下文編碼器網(wǎng)絡(luò)從智能手機(jī)圖像中準(zhǔn)確劃分豬肉大理石花紋區(qū)域的方法。

豬肉大理石花紋是肌內(nèi)脂肪的代表，有助于豬肉的質(zhì)量和味道。視覺(jué)評(píng)分是評(píng)估大理石花紋特征的主觀方法。但是，可能會(huì)產(chǎn)生不可靠和不一致的結(jié)果。因此，需要智能、無(wú)損和低成本的技術(shù)來(lái)定量評(píng)估豬肉的大理石花紋特征。

1 數(shù)據(jù)采集

研究人員從215 頭大白豬和桐城豬新鮮屠宰的尸體中解剖了背長(zhǎng)肌。然后，他們將這塊肌肉的切片放在一個(gè)黑色圓盤(pán)中，以便使用iPhone 6 的后置攝像頭進(jìn)行圖像采集。最后，他們選擇了從不同豬身上解剖的173 張高質(zhì)量圖像來(lái)構(gòu)建數(shù)據(jù)集。

他們測(cè)量了背長(zhǎng)肌每片的肌內(nèi)脂肪含量，并記錄了大理石花紋評(píng)分。裁剪圖像后，他們對(duì)圖像應(yīng)用了均移濾波器操作，以減少反射噪聲并增強(qiáng)大理石花紋區(qū)域的邊緣。該團(tuán)隊(duì)使用基于補(bǔ)丁的訓(xùn)練框架和大理石花紋網(wǎng)絡(luò)進(jìn)行精確的豬肉大理石花紋分割，方法是將豬肉圖像的裁剪斑塊作為輸入，并放大輸入斑塊以放大圖像分辨率。他們還研究了補(bǔ)丁大小對(duì)模型性能的影響。

2 數(shù)據(jù)集的特征

圖像中的大理石花紋呈現(xiàn)出小的白色斑點(diǎn)或細(xì)條紋，稀疏分布在粉紅色的細(xì)線(xiàn)中。在大約0%的圖像中，大理石花紋比例從5.3%～90%不等。

3 圖像分割的評(píng)估指標(biāo)

并集上的交集是分割地圖與地面實(shí)況之間的重疊面積與并集面積的比率。精度表示預(yù)測(cè)正確的樣本在所有樣本中的比例。召回率定義為預(yù)測(cè)的具有正標(biāo)簽的所有樣本的百分比。F1 分?jǐn)?shù)是精度和召回率的調(diào)和平均值。

4 大理石花紋網(wǎng)細(xì)分結(jié)果

大理石花紋網(wǎng)在聯(lián)合、召回和F1 分?jǐn)?shù)上的交集高于其他分割方法。此外，大理石花紋網(wǎng)能夠捕獲圖像中不同比例和形狀的大理石花紋，并使用相對(duì)較少的參數(shù)更完整地分割大理石花紋區(qū)域。此外，大理石花紋網(wǎng)的可接受時(shí)間成本為每張圖像249.81 ms。大理石花紋、肌內(nèi)脂肪含量和大理石花紋評(píng)分的比率具有較高的相關(guān)性，這說(shuō)明了大理石花紋網(wǎng)模型在豬肉大理石花紋特征分析中的可靠性。

5 基于補(bǔ)丁的培訓(xùn)

基于補(bǔ)丁的訓(xùn)練將圖像分解為多個(gè)子區(qū)域或補(bǔ)丁，是小目標(biāo)檢測(cè)和分割的有效方法?；谘a(bǔ)丁的訓(xùn)練減少了內(nèi)存消耗和計(jì)算，并增加了訓(xùn)練數(shù)據(jù)集的大小。

6 不同補(bǔ)丁大小的比較

隨著圖塊大小從50×50 增加到200×200，大理石花紋網(wǎng)分割性能有所提高，但當(dāng)圖塊大小超過(guò)200 時(shí)，該性能會(huì)下降，這表明斑塊大小會(huì)影響大理石花紋分割精度。

7 結(jié)論

大理石花紋網(wǎng)提供了豬肉大理石花紋圖像的準(zhǔn)確分割結(jié)果，可以進(jìn)一步開(kāi)發(fā)為一種有價(jià)值的工具，用于有效且高效地從每個(gè)圖像中提取多個(gè)大理石花紋特征。大理石花紋網(wǎng)確實(shí)有很長(zhǎng)的推理時(shí)間。因此，需要進(jìn)一步研究開(kāi)發(fā)一種新的豬肉大理石花紋分割管道，以提高分割性能并減少未來(lái)的計(jì)算時(shí)間。