生猪脂肪含量检测模型训练方法及生猪脂肪含量检测方法技术

本发明专利技术公开了一种生猪脂肪含量检测模型训练方法以及使用这种生猪脂肪含量检测模型的生猪脂肪含量检测方法。本发明专利技术采用卷积神经网络构建生猪脂肪含量检测模型，相对于传统算法，本发明专利技术可以从大数据中自动学习特征的表示，其可以包含成千上万的参数，模型的泛化能力和鲁棒性更好。采用这种生猪脂肪含量检测模型进行生猪的脂肪含量检测，可以实现对目标生猪的无损检测，并且，检测精度更高。

【技术实现步骤摘要】
生猪脂肪含量检测模型训练方法及生猪脂肪含量检测方法
本专利技术涉及动物活体检验
，具体涉及生猪脂肪含量检测模型训练方法及生猪脂肪含量检测方法。
技术介绍
猪肉因其纤维细软、结缔组织较少等原因，一直以来是人们最主要的肉类选择，2017年全球猪肉产量为11103.4万吨，较2015年的10996.9万吨增长0.97%。而随着人们生活水平的不断提高，消费者对肉质的要求也不断提高。猪肉不仅要健康，而且还要有营养。决定猪肉品质的因素有很多，主要包括遗传、环境等，但其中对于评价整头猪的营养价值最准确的标准还是猪眼肌区域（俗称里脊肉）脂肪含量的高低情况。而评价其脂肪含量高低情况的两个关键指标又是其猪眼肌面积和背膘厚度，猪眼肌面积指猪最后肋骨处背最长肌横截面的面积，背膘厚度是皮肤到背最长肌的外筋膜的距离。猪背膘厚和眼肌面积与猪瘦肉率直接相关，在猪眼肌区域的质量检测和评价上作为两项重要的指标参数深受重视，其精确测定具有重要意义。猪眼肌脂肪含量的检测判断也就成为判断猪肉营养价值的一个十分重要的指标，也成为了研究人员的研究重点。以往对于检测猪肉脂肪含量的方法通常有以下三类：第一类是感官检测法，通俗讲就是检测人员根据自己的实践经验来判断猪肉的质量。但缺点是容易受到主观因素的影响，效率低、精度不高，从而很大范围限制了该种检测方法的应用。第二类是理化检测法，最经典的一种方法为索氏提取法，其主要原理是利用脂溶剂抽提。这种方法能够比较客观准确的检测出与猪肉脂肪相关的参数指标，精度也比较高。但是缺点就是必须屠宰生猪、进行抽样检测，对检测对象具有很大破坏性。第三类是计算机视觉测定方法，例如超声波检测法。国外研究人员研究了利用超声波图像来活体预测特定品种的猪和牛的肌内脂肪含量，其研究结果显示,超声波检测方法最大的优点就是不破坏检测目标的前提下获得相应的参数指标。但由于该技术的局限性，其方法对于不同猪种的鲁棒性不够。现有技术中，有研究人员利用灰度共生矩阵算法对猪眼肌B超图像提取纹理特征量，再将提取的特征向量作为输入数据，用多项式核函数和RBF核函数以及相应的参数组合设计了支持向量机分类器，从而得到猪眼肌脂肪含量检测的分类结果。在传统的机器学习算法中，通常将图像特征与分类或回归是分开来的，而且特征的提取规则往往是由人工设定的。实际应用中，当数据量过大且数据较复杂时，这种方式提取到的特征往往并不具有代表性，无法表示不同类别数据间的独特性，因此也就限制了识别精度。因此，如何提高生猪脂肪含量检测的精度，成为了本领域技术人员急需解决的问题。
技术实现思路
针对现有技术中存在的上述不足，本专利技术实际要解决的问题是：如何提高生猪脂肪含量检测的精度。为解决上述技术问题，本专利技术采用了如下的技术方案：生猪脂肪含量检测模型训练方法，包括如下步骤：S1、获取生猪眼肌区域B超图像集以及所述B超图像集对应的眼肌区域脂肪含量信息，执行S2；S2、对所述B超图像集进行预处理，获得训练样本集和测试样本集，执行S3；S3、将训练样本集作为卷积神经网络的输入，将训练样本集对应的眼肌区域脂肪含量信息作为卷积神经网络的输出，对所述卷积神经网络进行训练，执行S4；S4、采用测试样本集对训练后的卷积神经网络进行测试，若所述卷积神经网络的准确率大于或等于预设准确率阈值，则将所述卷积神经网络作为生猪脂肪含量检测模型，完成训练，否则，执行S3。优选地，S2包括如下步骤：S201、分别从B超图像集的每张B超图像中截取脂肪区域图像及肌肉区域图像，将脂肪区域图像及肌肉区域图像作为对应的B超图像的待测图像；S202、将预设比例的待测图像作为训练样本集，将其他的待测图像作为测试样本集。优选地，S201中：将B超图像的下半部分区域去除，剩余部分左右两侧分别去除第一预设宽度的区域，剩余区域作为脂肪区域图像；将B超图像的下半部分区域去除，剩余部分左右两侧分别去除第二预设宽度的区域，剩余部分由上至下去除预设高度的区域，剩余区域作为肌肉区域图像。优选地，S2中，S201之前还包括：S2001、对B超图像集中的B超图像进行图像变换处理，获得新的B朝图像；S2002、将所述新的B超图像加入B超图像集，增加B超图像集中B超图像的数量。优选地，S2001中对B超图像的变换处理包括将B超图像旋转预设角度、将B超图像左右翻转及将B超图像左右两侧分别去除第三预设宽度的区域中任意一种或多种方法。优选地，采用图形处理器进行生猪脂肪含量检测模型的训练。生猪脂肪含量检测方法，包括如下步骤：获取待测生猪的眼肌区域B超图像；基于待测生猪的眼肌区域B超图像获取待测样本；将待测样本输入上述方法训练得到的生猪脂肪含量检测模型，由所述生猪脂肪含量检测模型输出得到待测生猪的脂肪含量信息。优选地，采用图形处理器进行待测生猪的脂肪含量检测。优选地，所述基于待测生猪的眼肌区域B超图像获取待测样本包括：从待测生猪的眼肌区域B超图像中截取脂肪区域图像及肌肉区域图像作为待测样本。优选地，将B超图像的下半部分区域去除，剩余部分左右两侧分别去除第一预设宽度的区域，剩余区域作为脂肪区域图像；将B超图像的下半部分区域去除，剩余部分左右两侧分别去除第二预设宽度的区域，剩余部分由上至下去除预设高度的区域，剩余区域作为肌肉区域图像。本专利技术公开了一种生猪脂肪含量检测模型训练方法以及使用这种生猪脂肪含量检测模型的生猪脂肪含量检测方法。本专利技术采用卷积神经网络构建生猪脂肪含量检测模型，相对于传统算法，本专利技术可以从大数据中自动学习特征的表示，其可以包含成千上万的参数，模型的泛化能力和鲁棒性更好。采用这种生猪脂肪含量检测模型进行生猪的脂肪含量检测，可以实现对目标生猪的无损检测，并且，检测精度更高。附图说明图1为本专利技术公开的一种生猪脂肪含量检测模型训练方法的流程图；图2为生猪的背膘厚度的示意图；图3为生猪的眼肌面积的示意图。具体实施方式下面结合附图对本专利技术作进一步的详细说明。如图1所示，本专利技术公开了一种生猪脂肪含量检测模型训练方法，包括如下步骤：S1、获取生猪眼肌区域B超图像集以及所述B超图像集对应的眼肌区域脂肪含量信息，执行S2；本专利技术可采用兽用全数字B超仪采集生猪眼肌区域B超图像集。首先用B超仪对准生猪的背部，多次获取眼肌区域的候选B超图像，筛选出图像清晰较好的作为最终保存的B超图像；然后对该头生猪进行屠宰，并对背部猪眼肌区域肉质进行理化的检测以及相关的测量，并记录检测数据得到眼肌区域脂肪含量信息。理化的检测以及相关的测量可参考《基于B超图像的生猪脂肪含量检测研究》（李涛.重庆理工大学,2013）。S2、对所述B超图像集进行预处理，获得训练样本集和测试样本集，执行S3；S3、将训练样本集作为卷积神经网络的输入，将训练样本集对应的眼肌区域脂肪含量信息作为卷积神经网络的输出，对所述卷积神经网络进行训练，执行S4；S4、采用测试样本集对训练后的卷积神经网络进行测试，若所述卷积神经网络的准确率大于或等于预设准确率阈值，则将所述卷积神经网络作为生猪脂肪含量检测模型，完成训练，否则，执行S3。本专利技术可采用生猪脂肪含量检测模型，得到生猪的背膘厚度和眼肌面积，从而通过现有的计算公式得到生猪脂肪含量，此外，还可以直接通过生猪脂肪含量检测模型得到生猪的脂肪含量。卷积神经网络是模仿视觉神经中单本文档来自技高网...

【技术保护点】
1.生猪脂肪含量检测模型训练方法，其特征在于，包括如下步骤：S1、获取生猪眼肌区域B超图像集以及所述B超图像集对应的眼肌区域脂肪含量信息，执行S2；S2、对所述B超图像集进行预处理，获得训练样本集和测试样本集，执行S3；S3、将训练样本集作为卷积神经网络的输入，将训练样本集对应的眼肌区域脂肪含量信息作为卷积神经网络的输出，对所述卷积神经网络进行训练，执行S4；S4、采用测试样本集对训练后的卷积神经网络进行测试，若所述卷积神经网络的准确率大于或等于预设准确率阈值，则将所述卷积神经网络作为生猪脂肪含量检测模型，完成训练，否则，执行S3。

【技术特征摘要】
1.生猪脂肪含量检测模型训练方法，其特征在于，包括如下步骤：S1、获取生猪眼肌区域B超图像集以及所述B超图像集对应的眼肌区域脂肪含量信息，执行S2；S2、对所述B超图像集进行预处理，获得训练样本集和测试样本集，执行S3；S3、将训练样本集作为卷积神经网络的输入，将训练样本集对应的眼肌区域脂肪含量信息作为卷积神经网络的输出，对所述卷积神经网络进行训练，执行S4；S4、采用测试样本集对训练后的卷积神经网络进行测试，若所述卷积神经网络的准确率大于或等于预设准确率阈值，则将所述卷积神经网络作为生猪脂肪含量检测模型，完成训练，否则，执行S3。2.如权利要求1所述的生猪脂肪含量检测模型训练方法，其特征在于，S2包括如下步骤：S201、分别从B超图像集的每张B超图像中截取脂肪区域图像及肌肉区域图像，将脂肪区域图像及肌肉区域图像作为对应的B超图像的待测图像；S202、将预设比例的待测图像作为训练样本集，将其他的待测图像作为测试样本集。3.如权利要求2所述的生猪脂肪含量检测模型训练方法，其特征在于，S201中：将B超图像的下半部分区域去除，剩余部分左右两侧分别去除第一预设宽度的区域，剩余区域作为脂肪区域图像；将B超图像的下半部分区域去除，剩余部分左右两侧分别去除第二预设宽度的区域，剩余部分由上至下去除预设高度的区域，剩余区域作为肌肉区域图像。4.如权利要求2所述的生猪脂肪含量检测模型训练方法，其特征在于，S2中，S201之前还包括：S2001、对B超图像集中的B超图...

【专利技术属性】
技术研发人员：陈虹伶，张建勋，朱佳宝，
申请(专利权)人：重庆理工大学，
类型：发明
国别省市：重庆,50