本发明专利技术涉及一种基于计算机视觉的猪肉肌内脂肪含量无损检测方法。采用摄像机标定法对CCD数码摄像机进行标定，选取刚从屠宰场购买的猪肉眼肌作为实验样本，对其横截面进行拍照采样，用改进的样本块修复方法对得到的样本图像进行预处理，恢复图像反光区域原有信息。结合最大熵法与迭代法对预处理后的眼肌图像进行图像分割，提取出猪肉大理石花纹。从得到的大理石花纹图像中提取出脂肪数量指标、脂肪分布指标和脂肪纹理指标等291个特征值，根据特征值和化学方法检测结果建立猪肉肌内脂肪含量预测模型，最后通过该模型对猪肉肌内脂肪含量进行预测。利用本发明专利技术能很好地预测出猪肉肌内脂肪含量，使得猪肉的营养检测具备客观性、准确性和高效性。
【技术实现步骤摘要】
本专利技术设及营养检测、模式识别和计算机视觉
，尤其设及一种基于计算 机视觉的猪肉肌内脂肪含量无损检测方法。
技术介绍
肌内脂肪是影响猪肉品质的重要因素，肉的风味和多汁性随肌内脂肪含量的增加 而持续改善，对于猪肉嫩度主要通过切断肌纤维束间的交联结构，有利于巧嚼过程中肌纤 维的断裂，运样就改变了肉质的感官品质。所W在保证较高生长速度和瘦肉率的前提下也 要维持适当的体脂和肌内脂肪水平。2%-3%的肌内脂肪含量对猪肉的食用特性比较理想。 传统的肌内脂肪含量检测一般使用索氏抽提法，可参考国标GB9695.1-1988《肉 与肉制品一游离脂肪含量的测定》，使用乙酸、石油酸或正己烧抽提单块肌肉待测样中脂 肪。该方法步骤繁琐，属破坏性检测，在抽提时使用的萃取剂如乙酸或石油酸等对人体也有 危害。 大理石花纹是肌内脂肪的一种外在表象，刘强等人在文章《大理石花纹评分与淮 南猪背最长肌感官特性的关系研究》中提到，大理石花纹评分越高，则肌内脂肪含量越高， 因此通过测定猪肉背最长肌大理石花纹的丰富程度，可W间接得出肌内脂肪的含量。 目前，我国肉品大理石花纹分级标准主要采用人工测量和感官评定相结合的方 法，运种方法是主观的、定性的，在实际生产中效率低、误差大、公平和公正性难W保证。 参考国内外猪肉分级技术研究的最新进展，采用计算机视觉技术对猪肉进行分级 被认为是最理想的解决方案。2005年彭增起等人在专利技术《一种猪肉颜色质量等级的划分方 法》中根据色度学上推荐的颜色空间和色度计测定的肉色参数L、a、b值进行颜色分级，并做 成猪肉颜色等级图谱;2009年成芳等人在专利技术《基于机器视觉的猪肉外观品质实时检测分 级方法与装置》中对眼肌肉完成颜色、大理石花纹和嫩度W及综合品质的等级评定;2013年 陈坤杰等人在专利技术《基于多光谱图像纹理特征的检测牛肉嫩度的装置及方法中》通过提取 猪肉大理石花纹的纹理特征对猪肉的嫩度进行预测。上述专利技术中介绍的图像处理算法和检 测装置没有考虑到样本表面反光对后续工作的影响，只是应用中值滤波等方法进行简单的 预处理，同时选取的特征值有的是关于脂肪数量的，有的是关于脂肪分布情况的，有的是关 于纹理情况的，但都没有对运些指标进行综合考虑。
技术实现思路
本专利技术的目的是提供，为 解决上述技术问题，本专利技术的主要
技术实现思路
如下：[000引，包括W下步骤： (1)标定摄像机，得到图像中单位像素对应于真实场景中的实际长度； (2)选取猪肉第5-6根肋骨处背最长肌(俗称为眼肌)作为样本，将样本放置于黑色 背景布上，并用白色Lm)灯对样本进行补光，利用数码照相机对样本横截面进行俯拍，获取 猪肉眼肌样本图像，图像大小为1000*1000像素； (3)利用改进的样本块修复方法对得到的样本图像进行预处理，恢复图像反光区 域原有信息； (4)结合最大赌法与迭代法对预处理后的眼肌图像进行图像分割，提取出猪肉大 理石花纹； (5)从得到的大理石花纹图像中提取出脂肪数量指标、脂肪分布指标和脂肪纹理 指标等特征值； (6)根据特征值和化学方法检测结果建立逐步回归预测模型和Fisher判别模型， 而后对模型进行检验和结果比较，最后通过该模型对猪肉肌内脂肪含量进行预测。 上述步骤（3)中利用样本块修复方法对得到的样本图像进行预处理包括W下步 骤： (a)针对图像反光区域特征，即反光区域中屯、像素点有较高的亮度(化lue，V)值和 较高的饱和度（Saturation, S)值，对图像逐像素点进行阔值分割W得到反光中屯、区域，分 割公式如下： ,、'255 V >thresh\.S> Areshl[00W 巧 乃=i0 地 e 其中的F(i，j)代表坐标为（i，j)的像素点所对应的颜色值，255对应的是白色，0对 应的是黑色，threshl和thresh2分别代表了某一固定的阔值，阔值大小视实际拍摄条件而 定； (b)对图像进行2次全方向膨胀，使得图像中相互靠近的反光中屯、区域相互合并， 然后对膨胀后的图像进行2次全方向腐蚀，使得面积变大的反光中屯、区域还原为原始大小； (C)对于面积较大(大于9个像素点）的反光中屯、区域，把运些区域的外接矩形作为 图像的反光区域，而对于面积很小(小于9个像素点）的区域则进行简单的平滑处理； (d)利用改进的样本块修复方法对反光区域进行图像复原，改进方法如下： 首先修补过程中每次只针对一个待修复区域进行修补，然后再复原其它修复块， 直到全部修补完成为止;其次在捜索最佳匹配块的过程中采用二次匹配法进行捜索，第一 次匹配是粗略匹配，通过隔行隔列粗略捜索最佳匹配块的中屯、点位置，每次扫描的数据量 降为原图四分之一;第二次匹配是精确匹配，在第一次匹配捜索到的中屯、点位置的八邻域 点内进行遍历捜索，W得到最后的最佳匹配块进行修复。 上述步骤(4)中结合最大赌法与迭代法对预处理后的眼肌图像进行图像分割包括 W下步骤： (a)去除图像背景:将去除反光后的图像转换为灰度图像，根据眼肌图像的特征， 转换的灰度值公式为:Gray = G*0.6+B*0.4,其中Gray为图像灰度值，G为原始图像绿色通道 值，B为原始图像蓝色通道值，运用大津法对得到的灰度图像进行整体阔值分割去除图像背 景，得到图像Pl; (b)提提取眼肌中的脂肪部分:把Pl均分为400(20巧0)份并分别进行阔值分割，每 一份小图像根据其图像特征为其选取不同的自适应阔值分割算法，选取的流程如下：（迭代 法分割出的大理石花纹面积为Sl，最大赌法分割出的大理石花纹面积为S2) 当图像块中包含背景区域时，选用迭代法对图像块进行自适应阔值分割；当S2含SI < 1.3*S2时，选用迭代法对图像块进行自适应阔值分割；当Sl含S2<1.3*S1时，选用最大赌法对图像块进行自适应阔值分割； 当S2> 1.3*S1时，选用迭代法对图像块进行自适应阔值分割； 当Sl > 1.3*S2时，选用最大赌法对图像块进行自适应阔值分割； 每个小块分割完成后得到图像P2; (C)去除肌间脂肪:对P2进行轮廓提取，选出周长最大的一个轮廓，对该轮廓进行 填充，对填充后的区域进行形态学膨胀处理得到图像P3,对图像P2和P3进行差值运算，得到 图像P4; (d)对P4进行形态学膨胀处理得到图像P5,对P5进行轮廓提取，找出轮廓像素点个 数小于10的轮廓区域，运些区域为噪声点，去除运些区域得到图像P6,对P5和P6进行与计算 得到图像P7,此时的图像即为提取出的眼肌大理石花纹。 上述步骤(5)中从得到的大理石花纹图像中提取出脂肪数量指标特征值共8个，所 述特征的详细表述如下： Fl有效眼肌面积：即为图像P7中的大理石花纹面积； F2脂肪颗粒个数:夹杂于眼肌中的脂肪斑点，每一个联通部分为一个脂肪颗粒； F3大颗粒脂肪密度:单位面积上拥有的大颗粒脂肪数量(个/cm2); F4中颗粒脂肪密度:单位面积上拥有的中颗粒脂肪数量(个/cm2); F5小颗粒脂肪密度:单位面积上拥有的小颗粒脂肪数量(个/cm2); F6大颗粒脂肪面积比:大颗粒脂肪总面积与有效眼肌面积的比例（％ );巧中颗粒脂肪面积比：中颗粒脂肪总面积与有效眼肌面积的比例（％ ); F8小颗粒脂肪面本文档来自技高网...
【技术保护点】
一种基于计算机视觉的猪肉肌内脂肪含量无损检测方法，其特征在于包括以下步骤：(1)标定摄像机，得到图像中单位像素对应于真实场景中的实际长度；(2)选取猪肉第5‑6根肋骨处背最长肌(俗称为眼肌)作为样本，将样本放置于黑色背景布上，并用白色LED灯对样本进行补光，利用数码照相机对样本横截面进行俯拍，获取猪肉眼肌样本图像，图像大小为1000*1000像素；(3)利用改进的样本块修复方法对得到的样本图像进行预处理，恢复图像反光区域原有信息；(4)结合最大熵法与迭代法对预处理后的眼肌图像进行图像分割，提取出猪肉大理石花纹；(5)从得到的大理石花纹图像中提取出脂肪数量指标、脂肪分布指标和脂肪纹理指标等特征值；(6)根据特征值和化学方法检测结果建立逐步回归预测模型和Fisher判别模型，而后对模型进行检验和结果比较，最后通过该模型对猪肉肌内脂肪含量进行预测。
【技术特征摘要】
【专利技术属性】
技术研发人员：郑丽敏，张彧龙，田立军，李爽，
申请(专利权)人：中国农业大学，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。