計(jì)算機(jī)視覺(jué)用于豬肉新鮮度檢測(cè)的顏色特征優(yōu)化選取

潘婧，錢(qián)建平，劉壽春，韓帥

1(上海海洋大學(xué) 信息學(xué)院，上海，201306) 2(國(guó)家農(nóng)業(yè)信息化工程技術(shù)研究中心，北京，100097)

?

計(jì)算機(jī)視覺(jué)用于豬肉新鮮度檢測(cè)的顏色特征優(yōu)化選取

潘婧1，2，錢(qián)建平2*，劉壽春2，韓帥2

1(上海海洋大學(xué) 信息學(xué)院，上海，201306) 2(國(guó)家農(nóng)業(yè)信息化工程技術(shù)研究中心，北京，100097)

摘要在以計(jì)算機(jī)視覺(jué)為基礎(chǔ)，并利用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)豬肉通脊新鮮度時(shí)，選擇合適的顏色特征參數(shù)和神經(jīng)網(wǎng)絡(luò)模型是提高其預(yù)測(cè)準(zhǔn)確性的關(guān)鍵之一。文中提出了一種豬肉新鮮度等級(jí)預(yù)測(cè)時(shí)顏色特征參數(shù)和神經(jīng)網(wǎng)絡(luò)優(yōu)化選取的方法，利用圖像處理的方法提取通脊表面的顏色特征參數(shù)，組合成RGB-HIS、RGB-L*a*b*、rgb-HIS、rgb-L*a*b*及HIS-L*a*b*五類(lèi)特征參數(shù)組合，并利用BP(back propagation，BP)和SVM(support vector machine，SVM)神經(jīng)網(wǎng)絡(luò)構(gòu)造各類(lèi)新鮮度等級(jí)預(yù)測(cè)模型。結(jié)果表明：SVM和BP的平均預(yù)測(cè)準(zhǔn)確率分別為91.11%和84.44%，且rgb-HIS特征參數(shù)組合的BP與SVM預(yù)測(cè)模型的預(yù)測(cè)準(zhǔn)確率最高，分別為88.89%和95.56%。因此，提取通脊表面r、g、b、H、I、S均值作為顏色特征向量，且選擇SVM神經(jīng)網(wǎng)絡(luò)來(lái)構(gòu)造新鮮度預(yù)測(cè)模型可顯著提高預(yù)測(cè)結(jié)果的準(zhǔn)確性。

關(guān)鍵詞豬肉；新鮮度；顏色特征；BP；SVM；預(yù)測(cè)模型

肉品新鮮度是衡量其衛(wèi)生質(zhì)量的主要指標(biāo)之一。精確的肉品新鮮度評(píng)定方法，不僅可以預(yù)估其相應(yīng)的貨架期時(shí)間，也可確保食用者的飲食安全。傳統(tǒng)的新鮮度感官評(píng)價(jià)存在著主觀性強(qiáng)、效率低等缺陷[1]。然而，隨著20世紀(jì)后期計(jì)算機(jī)硬件的飛速發(fā)展以及應(yīng)用軟件的不斷更新，推動(dòng)了計(jì)算機(jī)視覺(jué)技術(shù)在肉類(lèi)新鮮度相關(guān)色澤評(píng)價(jià)的應(yīng)用上不斷發(fā)展與成熟，且近年來(lái)，相關(guān)學(xué)者研究表明，利用計(jì)算機(jī)視覺(jué)識(shí)別肉類(lèi)新鮮度已達(dá)到可取代人工感官評(píng)價(jià)的程度[2]。LU等[3]以豬肉的肌肉像素點(diǎn)的RGB和HIS的平均值和標(biāo)準(zhǔn)差作為顏色特征參數(shù)，并利用偏最小二乘法、多元線性回歸以及BP神經(jīng)網(wǎng)絡(luò)法建立了豬肉顏色等級(jí)的預(yù)測(cè)模型，模型的相關(guān)系數(shù)分別為0.52和0.75。CHEN等[4]以牛肉圖像中脂肪像素點(diǎn)RGBHIS的均值和標(biāo)準(zhǔn)差作為輸入?yún)?shù)，利用支持向量機(jī)(SVM)對(duì)牛肉脂肪顏色等級(jí)進(jìn)行了預(yù)測(cè)，正確率為97.4%。姜沛宏等[5]應(yīng)用神經(jīng)網(wǎng)絡(luò)建立基于RGBHIS特征分量的牛肉新鮮度分級(jí)模型，模型判別正確率達(dá)90%以上。

利用計(jì)算機(jī)視覺(jué)技術(shù)進(jìn)行肉品質(zhì)量等級(jí)預(yù)測(cè)時(shí)，選擇合適的顏色特征參數(shù)和神經(jīng)網(wǎng)絡(luò)模型是關(guān)鍵。目前較多學(xué)者只是憑經(jīng)驗(yàn)直接選定顏色特征參數(shù)和神經(jīng)網(wǎng)絡(luò)模型，并沒(méi)有給出相應(yīng)的數(shù)據(jù)證實(shí)該選取是其模型預(yù)測(cè)準(zhǔn)確率最高時(shí)的最優(yōu)選取[3-8]。本研究以豬肉通脊部位肉樣作為試驗(yàn)對(duì)象，提取了12個(gè)常用的顏色特征參數(shù)R、G、B、H、I、S、L*、a*、b*、r、g、b的均值，組合成RGB-HIS、RGB-L*a*b*、rgb-HIS、rgb-L*a*b*和HIS-L*a*b*這5類(lèi)特征參數(shù)組合。將上述5類(lèi)組合分別作為神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)進(jìn)行通脊新鮮度等級(jí)的預(yù)測(cè)，神經(jīng)網(wǎng)絡(luò)選擇的是常用的BP和SVM，最后根據(jù)預(yù)測(cè)準(zhǔn)確率找到最佳的特征參數(shù)組合類(lèi)，并找出其適合的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，以期為采用計(jì)算機(jī)視覺(jué)技術(shù)進(jìn)行豬肉新鮮度評(píng)定時(shí)選取高精度、高適應(yīng)度預(yù)測(cè)模型。

1材料與方法

1.1試驗(yàn)材料

肉的顏色是由肌紅蛋白和血紅蛋白決定的，在放血充分的條件下，肉色主要是受肌肉內(nèi)的肌紅蛋白狀態(tài)的影響[9]，故在進(jìn)行肉品顏色評(píng)定時(shí)主要針對(duì)的是樣品中的肌肉顏色，在進(jìn)行樣品顏色特征提取時(shí)，也僅對(duì)肌肉像素進(jìn)行統(tǒng)計(jì)。此外，脂肪氧化和肉品的變色之間也存在著密切關(guān)系，由于脂肪氧化產(chǎn)生自由基破壞了肉中的色素，使肉變色，而肉變色后產(chǎn)生的Fe3+又是脂肪氧化的催化劑[10]，因此肌間脂肪的存在也會(huì)對(duì)肉色測(cè)定有一定的影響。

本試驗(yàn)的豬肉樣本購(gòu)自北京當(dāng)?shù)剞r(nóng)貿(mào)市場(chǎng)，樣本選取時(shí)未考慮其品種、性別、遺傳因素、是否注水等宰前因素背景。被測(cè)部位選擇了幾乎不含肌間脂肪的通脊部位肉，可避免脂肪對(duì)肌肉顏色的干擾。買(mǎi)回的通脊肉先使用干凈的紙巾清潔表面的水分、污物及肉屑，之后利用無(wú)菌刀及時(shí)進(jìn)行切片處理，其大小尺寸為6 cm×4 cm×2 cm(長(zhǎng)×寬×高)，平均重量約為70 g。制作15個(gè)樣本放在潔凈托盤(pán)中，并立即使用食品保鮮膜封好存放于4℃的冰箱中。貯藏過(guò)程中，每隔1天進(jìn)行1次圖像采集和人工感官評(píng)價(jià)，試驗(yàn)周期為8 d。

1.2實(shí)驗(yàn)裝置

圖像采集裝置由臺(tái)式計(jì)算機(jī)(DELL OptiPlex 760，2.66 GHz CPU，4GB RAM)、尼康(Nikon)D90數(shù)碼相機(jī)(圖像格式為jpg，圖像分辨率為3 216像素×2 136像素)自制光照室和光源組成，如圖1所示。光照室采用長(zhǎng)方體封閉式光照室，尺寸為6 cm×4 cm×2 cm(長(zhǎng)×寬×高)，載物臺(tái)高度為30 cm，光照室內(nèi)壁涂成白色，頂端裝有40W環(huán)形熒光燈，以形成均勻照射的光源。光照室上方開(kāi)有圓形小孔，用來(lái)放置數(shù)碼相機(jī)鏡頭進(jìn)行圖片拍攝。采集好的圖像使用USB2.0/DC接口傳輸?shù)絇C機(jī)端，采用MATLAB 8.3軟件對(duì)采集的圖片進(jìn)行處理。

圖1　圖像采集裝置Fig.1　Image acquisition device

1.3感官評(píng)定方法

建立一個(gè)由10人(均已接受專(zhuān)業(yè)培訓(xùn))組成的感官評(píng)定小組，參照文獻(xiàn)[11]的感官評(píng)分細(xì)則對(duì)試驗(yàn)樣本進(jìn)行新鮮度等級(jí)的評(píng)定。評(píng)分標(biāo)準(zhǔn)為10分制，經(jīng)多次研究分析與市場(chǎng)調(diào)查，將4個(gè)屬性色澤、黏度、氣味和彈性的權(quán)重分別設(shè)為0.3、0.25、0.25、0.2，樣本的感官得分取自10人評(píng)分的平均值。感官評(píng)定時(shí)，得分在8分及以上的為新鮮等級(jí)，6～8分的為次新鮮肉，低于6分的為腐敗肉。評(píng)定結(jié)果：新鮮等級(jí)樣本45個(gè)、次新鮮等級(jí)42個(gè)和33個(gè)腐敗等級(jí)。評(píng)定小組的評(píng)定結(jié)果將作為本次實(shí)驗(yàn)后續(xù)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)時(shí)的新鮮度等級(jí)評(píng)定標(biāo)準(zhǔn)。任意選擇其中75個(gè)樣本作為的訓(xùn)練集，其余作為測(cè)試集(表1)。

表1　實(shí)驗(yàn)樣本信息表

1.4圖像預(yù)處理

將待測(cè)樣本置于載物臺(tái)上，開(kāi)啟光源，調(diào)節(jié)攝像頭焦距和光照強(qiáng)度使得圖像足夠清晰，固定焦距和照明強(qiáng)度參數(shù)，使得研究中所攝取豬肉圖像具有相同的初始條件，保證所得評(píng)定結(jié)果的一致性。采集好的圖像通過(guò)數(shù)碼相機(jī)的USB2.0/DC接口傳輸?shù)接?jì)算機(jī)中，圖片為jpg格式。為了提高效率，處理前將圖像尺寸統(tǒng)一調(diào)整為600像素×900像素，采集的樣本如圖2-(a)所示。

本次實(shí)驗(yàn)采集到的圖像含有較少的噪聲干擾，這可能是由實(shí)驗(yàn)中使用了統(tǒng)一的光源，圍光系統(tǒng)和背景導(dǎo)致。在對(duì)比了線性濾波，中值濾波和自適應(yīng)濾波效果后，本研究最終選用了濾波效果較好的中值濾波，其在衰減噪聲的同時(shí)保持了圖像細(xì)節(jié)的清晰。圖2中通脊與白色背景的灰度級(jí)相差較大，故選擇最大類(lèi)間方差自適應(yīng)閾值法(OTSU)進(jìn)行圖像背景分割[12]。分割后的二值圖像中含有一些內(nèi)部空洞及邊緣噪聲，選用區(qū)域填充法和形態(tài)學(xué)開(kāi)運(yùn)算分別進(jìn)行內(nèi)部空洞的填充和邊緣平滑[13]。最后將分割出來(lái)的二值圖像與原RGB圖像3個(gè)通道相乘，即可得到只保留目標(biāo)對(duì)象的彩色圖像，結(jié)果如圖2-(b)所示。

圖2　圖像處理結(jié)果Fig.2　Results of image processing

1.5顏色特征值的選取

相對(duì)于其他的視覺(jué)特征而言，顏色特征對(duì)視角、尺寸、方向的依賴(lài)性較小，表現(xiàn)出很強(qiáng)的魯棒性[14]。對(duì)于物體顏色的描述，目前存在著多種顏色模型。RGB是基于顯示設(shè)備的顏色模型，能夠準(zhǔn)確地表示屏幕上色彩的組成。將RGB顏色空間歸一化可得到rg色度空間，歸一化公式為[15]：

(1)

根據(jù)公式可以推斷出RGB顏色系統(tǒng)的r，g，b只是比值而已，與光照強(qiáng)度變化無(wú)關(guān)，因此rg色度空間可避免光照對(duì)圖像顏色的影響。HIS是基于人對(duì)顏色心理感受的顏色模型, 比較符合人的視覺(jué)感受, 是計(jì)算機(jī)視覺(jué)技術(shù)中主要采用的顏色模型。CIEL*a*b*顏色模型針對(duì)顏色的顯示方式進(jìn)行描述，具有很好的顏色認(rèn)知屬性，與上述幾種顏色模型相比，該模型的色彩分布更加均勻[16]。HIS和CIEL*a*b*顏色空間均可由原始RGB顏色空間通過(guò)Matlab軟件編程轉(zhuǎn)換得到。

提取各顏色空間特征參數(shù)的均值，來(lái)定量描述通脊的顏色特征。均值的計(jì)算公式為：

(2)

其中：D為目標(biāo)區(qū)域，i為像素點(diǎn)的水平坐標(biāo)，j為像素點(diǎn)的垂直坐標(biāo)，N為D區(qū)域內(nèi)的總像素點(diǎn)數(shù)，y為R，G，B，H，I，S，L*，a*，b*，r，g，b。

因單一的顏色空間來(lái)表征顏色特征并不能很好地區(qū)分通脊新鮮度等級(jí)[8]，故本研究將上述顏色特征參數(shù)組合成5類(lèi)：RGB-HIS、RGB-L*a*b*、rgb-HIS、rgb-L*a*b*和HIS-L*a*b*，并將每一類(lèi)都單獨(dú)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的輸入?yún)?shù)分析1次。

1.6神經(jīng)網(wǎng)路預(yù)測(cè)模型的構(gòu)建

1.6.1BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

基于誤差反向傳播(back propagation)算法的多層前饋網(wǎng)絡(luò)(簡(jiǎn)稱(chēng)BP神經(jīng)網(wǎng)絡(luò))是目前應(yīng)用較多的網(wǎng)絡(luò)之一，主要通過(guò)學(xué)習(xí)來(lái)實(shí)現(xiàn)輸入目標(biāo)與輸出目標(biāo)之間的非線性映射[17]。因本研究采用的BP神經(jīng)網(wǎng)絡(luò)分為輸入層、隱含層和輸出層其結(jié)構(gòu)圖如圖3所示(RGB-HIS組合作輸入為例)。BP神經(jīng)網(wǎng)絡(luò)的輸入為每一類(lèi)的6個(gè)顏色特征參數(shù)，感官評(píng)定小組的新鮮度等級(jí)評(píng)定值(新鮮，次新鮮和腐敗)作為輸出，故輸出層神經(jīng)元個(gè)數(shù)為3個(gè)。隱含層神經(jīng)元個(gè)數(shù)選擇的經(jīng)驗(yàn)公式為：

(3)

其中：n為輸入層神經(jīng)元數(shù)目，m為輸出層神經(jīng)元數(shù)目，a為1～10之間的整數(shù)，N為隱含層神經(jīng)元個(gè)數(shù)。經(jīng)多次反復(fù)試驗(yàn)后，最終選擇在RGB-HIS、RGB-L*a*b*、rgb-HIS、rgb-L*a*b*和HIS-L*a*b*作為輸入時(shí)的隱含層節(jié)點(diǎn)數(shù)分別為：12，13，13，13，12。輸入層到隱含層采用tansig函數(shù)，隱含層到輸出層采用logsig函數(shù)。網(wǎng)絡(luò)訓(xùn)練函數(shù)選擇trainscg，最大訓(xùn)練循環(huán)次數(shù)為20 000，顯示間隔次數(shù)為50，誤差性能目標(biāo)值為1e-3，學(xué)習(xí)系數(shù)為0.05。

圖3　BP網(wǎng)絡(luò)結(jié)構(gòu)Fig.3　Network Structure of BP

1.6.2SVM神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

支持向量機(jī)(support vector machine，SVM)在解決小樣本、非線性及高維模式識(shí)別中表現(xiàn)出許多特有的優(yōu)勢(shì)[18]。本研究采用臺(tái)灣大學(xué)林智仁教授等開(kāi)發(fā)的LIBSVM工具箱，在MATLAB 8.3平臺(tái)下進(jìn)行SVM模型的設(shè)計(jì)。每次選擇一類(lèi)顏色特征參數(shù)作為SVM的數(shù)據(jù)集，評(píng)定小組的新鮮度等級(jí)評(píng)定值作為數(shù)據(jù)標(biāo)簽(新鮮為1，次新鮮為2，腐敗為3)。從原始數(shù)據(jù)集中讀取訓(xùn)練集和測(cè)試集的數(shù)據(jù)及其所對(duì)應(yīng)的數(shù)據(jù)標(biāo)簽，并對(duì)數(shù)據(jù)進(jìn)行歸一化處理。核函數(shù)的選取是SVM的關(guān)鍵，目前最常用的核函數(shù)有線性核函數(shù)、多項(xiàng)式核函數(shù)、徑向基RBF核函數(shù)及S形核函數(shù)4種[19]。RBF核函數(shù)只需確定核寬度參數(shù)，避免了參數(shù)過(guò)多的復(fù)雜性，而且RBF核函數(shù)參數(shù)選擇的限制條件較少，具有更好的適用性，所以本研究最終選擇了RBF核函數(shù)，其函數(shù)形式為：

(4)

其中：xi∈x?Rn為輸入向量，σ為核寬度參數(shù)，K為核函數(shù)。研究表明[20]，核函數(shù)的參數(shù)g和誤差懲罰因子C是影響SVM性能的主要因素，故還需對(duì)C和g進(jìn)行最佳參數(shù)尋優(yōu)處理。本研究利用多種尋參方法進(jìn)行尋優(yōu)，經(jīng)過(guò)反復(fù)的尋參測(cè)試，得到的每一類(lèi)下的C和g的值如表2所示。

表2　SVM的C和g取值

2結(jié)果與分析

2.1BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果

將每一類(lèi)訓(xùn)練集的顏色特征向量進(jìn)行歸一化處理后作為BP模型的輸入，感官小組評(píng)定結(jié)果(編號(hào)1～15為新鮮肉，16～30為次鮮肉，31～45為腐敗肉)作為BP目標(biāo)輸出，根據(jù)設(shè)定的結(jié)構(gòu)參數(shù)進(jìn)行訓(xùn)練，建立每個(gè)組合下的BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。。將每組的45個(gè)測(cè)試集輸入已訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行新鮮度等級(jí)的預(yù)測(cè)，將輸出值中的最大值置為1，其余置為0。[1 0 0]、[0 1 0]和[0 0 1]分別代表新鮮、次新鮮和腐敗。預(yù)測(cè)結(jié)果如圖4(a)～(e)所示。

圖4將預(yù)測(cè)錯(cuò)誤的樣本編號(hào)均已標(biāo)出，計(jì)算圖4中不同組合的預(yù)測(cè)準(zhǔn)確率，結(jié)果如表3所示。從表3中可知，BP模型在五類(lèi)特征參數(shù)組合下的平均預(yù)測(cè)準(zhǔn)確率為87.112%，最低為84.44%，最高達(dá)到88.89%。故本研究建立的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)通脊新鮮度等級(jí)預(yù)測(cè)較準(zhǔn)確，且選擇使用類(lèi)3 rgb-HIS組合或類(lèi)5 HIS-L*a*b*作為BP預(yù)測(cè)模型的輸入?yún)?shù)更為合適。

圖4　不同組合下的BP模型預(yù)測(cè)結(jié)果Fig.4　BP predicting results under different combination

類(lèi)1類(lèi)2類(lèi)3類(lèi)4類(lèi)5預(yù)測(cè)準(zhǔn)確率86.67%84.44%88.89%86.67%88.89%準(zhǔn)確率統(tǒng)計(jì)最小值最大值平均值84.44%88.89%87.112%

2.2SVM神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果

對(duì)每組顏色特征向量進(jìn)行歸一化處理后作為SVM模型訓(xùn)練數(shù)據(jù)集，感官小組的新鮮度等級(jí)評(píng)定值(編號(hào)1～15為新鮮肉，16～30為次鮮肉，31～45為腐敗肉)作為數(shù)據(jù)集標(biāo)簽，根據(jù)設(shè)定的結(jié)構(gòu)參數(shù)進(jìn)行訓(xùn)練，建立每類(lèi)的SVM神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。再利用各自已訓(xùn)練好的SVM模型對(duì)其測(cè)試集數(shù)據(jù)進(jìn)行預(yù)測(cè)，得到的結(jié)果如圖5所示。

圖5將SVM預(yù)測(cè)錯(cuò)誤的樣本編號(hào)均已標(biāo)出。表4給出了圖5中各類(lèi)組合的預(yù)測(cè)準(zhǔn)確率。從表4中可知，SVM模型在五類(lèi)特征參數(shù)組合下的平均預(yù)測(cè)準(zhǔn)確率為93.78%，最低和最高預(yù)測(cè)準(zhǔn)確率分別為91.11%和95.56%。說(shuō)明本研究建立的SVM模型在通脊新鮮度等級(jí)預(yù)測(cè)時(shí)具有很高的預(yù)測(cè)準(zhǔn)確率，且在使用SVM進(jìn)行新鮮度預(yù)測(cè)時(shí)應(yīng)優(yōu)先選擇類(lèi)1-RGB-HIS組合、類(lèi)3 rgb-HIS組合或類(lèi)5 HIS-L*a*b*作為輸入?yún)?shù)。

表4　SVM模型的預(yù)測(cè)準(zhǔn)確率

2.3BP和SVM預(yù)測(cè)結(jié)果對(duì)比分析

表5列出了每一類(lèi)組合使用2種不同預(yù)測(cè)模型時(shí)預(yù)測(cè)的錯(cuò)誤樣本編號(hào)和預(yù)測(cè)準(zhǔn)確率。從預(yù)測(cè)錯(cuò)誤的樣本編號(hào)可看出每組使用SVM模型預(yù)測(cè)錯(cuò)誤的樣本大部分在使用BP模型預(yù)測(cè)時(shí)也會(huì)出錯(cuò)，這說(shuō)明相比BP 模型，選擇使用SVM模型預(yù)測(cè)通脊新鮮度更合適。此外，綜合2種神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)準(zhǔn)確率可發(fā)現(xiàn)，不管選擇BP模型還是SVM模型，特征值rgb-HIS組合的預(yù)測(cè)準(zhǔn)確率均為最高的，分別為88.89%和95.56%。故在進(jìn)行通脊新鮮度等級(jí)時(shí)，選擇rgb-HIS顏色特征值組合作為神經(jīng)網(wǎng)絡(luò)的輸入最為合適。

圖5　不同組合下的SVM模型預(yù)測(cè)結(jié)果Fig.5　SVM predicting results under different combination

顏色特征預(yù)測(cè)模型預(yù)測(cè)錯(cuò)誤樣本編號(hào)準(zhǔn)確率/%RGB-HISBP9,12,21,24,27,3086.67SVM9,2195.56RGB-L*a*b*BP9,12,17,21,30,41,4484.44SVM21,3095.56rgb-HISBP9,12,14,21,3088.89SVM17,2195.56rgb-L*a*b*BP17,18,24,27,30,3986.67SVM18,21,24,3091.11HIS-L*a*b*BP9,21,24,27,3088.89SVM9,21,24,3091.11

3結(jié)論

本文以豬肉通脊部位的肉樣作為研究對(duì)象，利用計(jì)算機(jī)視覺(jué)技術(shù)對(duì)其顏色特征進(jìn)行量化處理。在顏色特征參數(shù)選擇時(shí)，通過(guò)實(shí)驗(yàn)發(fā)現(xiàn)當(dāng)BP模型的輸入?yún)?shù)為rgb-HIS或HIS-L*a*b*時(shí)其預(yù)測(cè)準(zhǔn)確率最高為88.89%，而當(dāng)使用SVM模型進(jìn)行新鮮度等級(jí)預(yù)測(cè)時(shí)，選擇RGB-HIS、RGB-L*a*b*或rgb-HIS作為SVM預(yù)測(cè)輸入?yún)?shù)時(shí)，其準(zhǔn)確率可達(dá)最高為95.56%。因此，選擇上述共同的顏色特征參數(shù)r、g、b、H、I、S作為神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)更合適。

在神經(jīng)網(wǎng)絡(luò)模型選擇時(shí)，由于SVM的模型對(duì)5類(lèi)組合預(yù)測(cè)的平均準(zhǔn)確率為91.11%高于BP的平均準(zhǔn)確率84.44%，故應(yīng)優(yōu)先選擇SVM神經(jīng)網(wǎng)絡(luò)模型進(jìn)行新鮮度等級(jí)的預(yù)測(cè)。綜上，在利用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)通脊新鮮度等級(jí)時(shí)，提取通脊表面的r、g、b、H、I、S這6個(gè)顏色特征參數(shù)，且選擇SVM神經(jīng)網(wǎng)絡(luò)共同參與到新鮮度等級(jí)預(yù)測(cè)模型的構(gòu)建，此時(shí)的模型的預(yù)測(cè)準(zhǔn)確率可以達(dá)到最高。

本次研究主要是根據(jù)豬肉顏色判定其新鮮度等級(jí)的，而放血充分情況下肌紅蛋白是決定肉色的主要因素，其氧化狀態(tài)直接影響肉色。因此，凡是可以影響到肌肉中抗氧化性的因素都有可能影響到肌紅蛋白氧化和肉色穩(wěn)定性[21]。孫京新[22]通過(guò)實(shí)驗(yàn)證實(shí)豬肉微粒體脂肪氧化產(chǎn)物，尤其是小分子不飽和氧化產(chǎn)物會(huì)促進(jìn)氧合肌紅蛋白氧化。本研究所選用的是較為單一的只含肌肉通脊部位樣本，對(duì)于含有肌間脂肪的部位肉，其肌肉顏色變化可能會(huì)與本研究有一定差異，研究結(jié)果便可能會(huì)產(chǎn)生一定的偏差。后續(xù)會(huì)在保證豬種一致的基礎(chǔ)上，增加對(duì)含有肌間脂肪的豬肉樣本研究，消除脂肪存在給研究結(jié)果帶來(lái)的偏差。

影響豬肉呈色和色澤數(shù)據(jù)采集的準(zhǔn)確性方面的因素還包括：肉樣是否注水、放血是否充分、宰后 pH 值變化情況、貯藏溫度、氧分壓、光照、微生物等[23]，這些因素都需要進(jìn)一步探討。而關(guān)于這些因素的研究，對(duì)提高肉品色澤品質(zhì)具有重要的理論和實(shí)踐指導(dǎo)意義。

參考文獻(xiàn)

[1]郭培源，曲世海，陳巖，等. 豬肉新鮮度的智能檢測(cè)方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2006，37(8)：78-81.

[2]KIM C J，LEE E S. Effects of quality grade on the chemical，physical and sensory characteristics of Hanwoo (Korean native cattle) beef[J]. Meat Science，2003，63(3)：397-405.

[3]LU J，TAN J，SHATADAL P，et al. Evaluation of pork color by using computer vision[J]. Meat Science，2000，56(1)：57-60.

[4]CHEN K，SUN X，QIN C，et al. Color grading of beef fat by using computer vision and support vector machine[J]. Computers and Electronics in Agriculture，2010，70(1)： 27-32.

[5]姜沛宏，張玉華，錢(qián)乃余，等. 基于機(jī)器視覺(jué)技術(shù)的肉新鮮度分級(jí)方法研究[J]. 食品科技，2015 (3):296-300.

[6]PANIGRAHI S，BALASUBRAMANIAN S，GU H，et al. Neural-network-integrated electronic nose system for identification of spoiled beef[J]. LWT-Food Science and Technology，2006，39(2)：135-145.

[7]SCHUTTE B R，BIJU N，KRANZLER G A，et al. Color video image analysis for augmenting beef carcass grading[J]. Animal Research Report，1998：32-36.

[8]陳坤杰，尹文慶. 機(jī)器視覺(jué)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.

[9]FAUSTMAN C，CASSENS R G. The biochemical basis for discoloration in fresh meat: a review[J]. Journal of Muscle Foods，1990，1(3)：217-243.

[10]袁先群. 肉類(lèi)色澤變化機(jī)理研究進(jìn)展[J]. 肉類(lèi)研究，2010(9)：6-12，76.

[11]劉靜，管驍. 基于SVM方法的豬肉新鮮度分類(lèi)問(wèn)題研究[J]. 食品與發(fā)酵工業(yè)，2011，37(4)：221-225.

[12]楊丹，趙海濱，龍哲，等. MATLAB圖像處理實(shí)例詳解[M].北京：清華大學(xué)出版社，2013：235-239.

[13]逄濱，孫嘯，劉德?tīng)I(yíng)，等. 牛肉眼肌圖像在線采集和實(shí)時(shí)分割系統(tǒng)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2013，(6)：189-193.

[14]杜鋒，雷鳴，閆志農(nóng). 顏色信息識(shí)別在食品工業(yè)中的應(yīng)用[J]. 食品與發(fā)酵工業(yè)，2003，29(3)：80-83.

[15]徐貴力，毛罕平，李萍萍. 彩色圖像顏色和紋理特征提取的應(yīng)用算法[J]. 計(jì)算機(jī)工程，2002，28(6)：25-27.

[16]陳坤杰，孫鑫，陸秋琰. 基于計(jì)算機(jī)視覺(jué)和神經(jīng)網(wǎng)絡(luò)的牛肉顏色自動(dòng)分[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2009，40(4)：173-178.

[17]張建友，柳敏，王嘉文，等. 基于因子分析及BP神經(jīng)網(wǎng)絡(luò)的魚(yú)糜擠壓膨化產(chǎn)品工藝[J]. 食品與發(fā)酵工業(yè)，2014，40(1)：124-129.

[18]劉偉，王建平，劉長(zhǎng)虹，等.基于粒子群尋優(yōu)的支持向量機(jī)番茄紅素含量預(yù)測(cè)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2012，43(4)：143-147，155.

[19]張超，盧偉，丁為民，等. 基于掃頻振動(dòng)的禽蛋裂紋檢測(cè)方法[J]. 食品與發(fā)酵工業(yè)，2015，41(6)：181-186.

[20]VAPNIK V N.統(tǒng)計(jì)學(xué)習(xí)理論的本質(zhì)[M]．北京：清華大學(xué)出版社，2000．

[21]李永鵬，韓玲，張麗，等. 宰后牛肉色澤穩(wěn)定性及其影響因素[J]. 肉類(lèi)研究，2012 (6)：38-41.

[22]孫京新. 冷卻豬肉肉色質(zhì)量分析與評(píng)定及肉色穩(wěn)定性研究[D].南京：南京農(nóng)業(yè)大學(xué)，2004.

[23]唐孟甜，謝麗，戴瑞彤. 脂肪氧化產(chǎn)物丙二醛對(duì)牛肉色澤穩(wěn)定性的影響[J]. 農(nóng)產(chǎn)品加工：學(xué)刊，2011 (8)：4-8.

Optimized the color parameters in prediction of pork freshness by computer vision

PAN Jing1，2，QIAN Jian-ping2*，LIU Shou-chun2，HAN Shuai2

1 (Shanghai Ocean University College of Information，Shanghai 201306，China)2 (National Engineering Research Center for Information Technology in Agriculture，Beijing 100097，China)

ABSTRACTIt is very important to choose the appropriate color feature parameters and the neural network model when using neural network to predict the freshness of pork tenderloin by computer vision. The method of selecting optimal color feature parameters and neural network was discussed. First，color characteristics parameters were extracted by imagine and formed 5 kinds color combinations such as RGB-HIS，RGB-L*a*b*，rgb-HIS，rgb-L*a*b*and HIS-L*a*b*. Then the BP and SVM neural network were used to construct prediction model of all kinds of combinations. The result showed that the average prediction accuracy of SVM and BP was 91.11% and 84.44% respectively. Rgb-HIS and BP and SVM model had the highest prediction accuracy of 88.89% and 95.56% respectively. Therefore，extracting r，g，b，H，I，S from pork tenderloin as the color feature vectors and combined SVM neural network to construct the freshness prediction model can significantly improve the prediction accuracy.

Key wordspork; freshness; color features; BP; SVM; prediction model

DOI:10.13995/j.cnki.11-1802/ts.201606027

基金項(xiàng)目：“十二五”國(guó)家科技支撐計(jì)劃資助項(xiàng)目(No.2013BAD19B04)

收稿日期：2015-10-26，改回日期：2015-12-07

第一作者：碩士研究生(錢(qián)建平副研究員為通訊作者，E-mail：qianjp@nercita.org.cn)。