基于氣流脈沖和結(jié)構(gòu)光成像的牛肉嫩度檢測方法

盧 偉 胡慶迎 代德建 張澄宇 DENG Yiming

(1.南京農(nóng)業(yè)大學(xué)人工智能學(xué)院， 南京 210031； 2.密歇根州立大學(xué)工程學(xué)院， 東蘭辛 48824)

0 引言

牛肉蛋白質(zhì)、維生素及礦物質(zhì)含量高且脂肪含量低，是人們?nèi)粘Ｉ钪械闹匾馄?，我國牛肉年消耗?×106t[1]。牛肉嫩度可反映牛肉肌肉中蛋白質(zhì)結(jié)構(gòu)特性、結(jié)締組織結(jié)構(gòu)含量及分布、肌纖維直徑和牛肉大理石結(jié)構(gòu)等，是評價(jià)牛肉食用品質(zhì)的重要指標(biāo)，直接決定其品質(zhì)和市場價(jià)值[2]。

傳統(tǒng)牛肉嫩度檢測方法為感官評價(jià)法和剪切力測試法。感官評價(jià)法主要由專業(yè)評審員根據(jù)個(gè)人經(jīng)驗(yàn)，借助視覺和味覺對肉的品質(zhì)特性進(jìn)行評價(jià)[3]，其評審結(jié)果易受個(gè)人主觀因素影響，且效率較低。剪切力法是把牛肉加熱到一定溫度再用刀具切斷，根據(jù)切斷力來判斷肉的嫩度，其操作過程較為繁瑣[4]。以上兩種方法采取抽樣測量的方式，難以實(shí)現(xiàn)生鮮牛肉嫩度的大批量在線檢測。隨著光譜技術(shù)和計(jì)算機(jī)技術(shù)的發(fā)展，近紅外光譜(NIR)、高光譜(HI)和機(jī)器視覺等方法逐漸應(yīng)用于牛肉嫩度的無損檢測。文獻(xiàn)[5]采用近紅外光譜，在750～1 098 nm范圍內(nèi)建立了牛肉背最長肌的嫩度模型；文獻(xiàn)[6]在4 000～10 000 cm-1光譜范圍內(nèi)對牛肉進(jìn)行掃描，并采用多元線性回歸法得出其分級準(zhǔn)確度為84.21%；文獻(xiàn)[7]應(yīng)用高光譜成像技術(shù)，在900～1 700 nm范圍內(nèi)對牛肉嫩度進(jìn)行了預(yù)測；文獻(xiàn)[8]基于機(jī)器視覺和圖像處理方法對牛肉紋理信息進(jìn)行分析，并采用Stepwise多元線性回歸對肉嫩度進(jìn)行預(yù)測分級，預(yù)測準(zhǔn)確率為88.57%。以上方法能夠獲得較為全面的牛肉表面光學(xué)信息，但易受到外界環(huán)境光及牛個(gè)體生理差異等因素影響，檢測精度和泛化能力難以進(jìn)一步提高[9]。

牛肉嫩度是反映牛肉品質(zhì)的綜合指標(biāo)，受到多種因素影響，其中，牛肉的粘彈性是預(yù)測質(zhì)地的重要物性指標(biāo)，與嫩度密切相關(guān)[10]?；诖颂匦?，文獻(xiàn)[11]將氣流脈沖結(jié)合激光測距技術(shù)應(yīng)用于雞胸肉，并將建立的彈性模型與剪切力進(jìn)行對比，為禽肉嫩度快速檢測提供了依據(jù)。文獻(xiàn)[12]將恒定氣流作用于牛肉上，并采用激光測距儀實(shí)時(shí)捕獲牛肉表面凹陷深度，基于此建立六元粘彈性模型，用于牛肉新鮮度檢測，但現(xiàn)有氣流沖擊法通過凹陷區(qū)域的深度檢測肉嫩度易受牛肉紋理等因素影響，且牛肉顏色容易吸收部分激光而導(dǎo)致測量誤差產(chǎn)生。

本文利用氣流脈沖對牛肉表面施加沖擊力，同時(shí)采用結(jié)構(gòu)光3D成像技術(shù)及點(diǎn)云處理手段獲取牛肉表面形變的信息，建立牛肉樣本剪切力預(yù)測模型和牛肉嫩度分級模型，并進(jìn)行實(shí)驗(yàn)驗(yàn)證，以實(shí)現(xiàn)對牛肉嫩度的快速、無損測量。

1 材料與方法

1.1 樣本采集

牛肉樣本購自南京市浦口區(qū)南京蘇食肉品直銷中心，為魯西黃牛肉，選取里脊、牛肩、后腿。樣品采購后放入有冰袋的貯存箱中運(yùn)輸至實(shí)驗(yàn)室。按照文獻(xiàn)[13]將牛肉切成適當(dāng)形狀，尺寸(長×寬×高)不小于6 cm×3 cm×3 cm，且剔除表面筋膜。剪切處理后獲得72個(gè)新鮮牛肉樣本，將樣本按順序編號，并置于4℃冰箱中冷藏。

1.2 牛肉嫩度標(biāo)定

目前，剪切力測定法仍然是與感官評定結(jié)果最相吻合的一種牛肉嫩度評價(jià)法，也是目前普遍采用的牛肉嫩度測定方法。因此本研究參照文獻(xiàn)[13]進(jìn)行實(shí)驗(yàn)，獲得牛肉樣本剪切力參考值。采用TMS-PRO型質(zhì)構(gòu)儀(美國FTC公司)、DT-612型熱電偶測溫儀(探頭直徑小于2 mm, 深圳華盛昌機(jī)械實(shí)業(yè)有限公司)、HH-1型數(shù)顯恒溫水浴鍋(金壇市城東超韻實(shí)驗(yàn)儀器廠)、M30-H2型圓形鉆孔取樣器(直徑1.5 cm,哈爾濱量具刃具集團(tuán)有限公司)等儀器對氣流脈沖結(jié)構(gòu)光成像系統(tǒng)檢測后的牛肉樣本進(jìn)行處理。每塊樣本選取6個(gè)采樣孔，選取最大剪切力的平均值作為樣本的剪切力[13]。

1.3 檢測系統(tǒng)

本文采用的基于氣流脈沖和結(jié)構(gòu)光成像的檢測系統(tǒng)如圖1所示，主要由800W-8L型空氣壓縮機(jī)(臺(tái)州市奧突斯工貿(mào)有限公司)、ITV2050型SMC比例閥、VX220AAXB型SMC氣動(dòng)電磁閥噴頭、DLP數(shù)字投影儀、USB高清攝像頭(1 920像素×1 080像素，30幀/s)和計(jì)算機(jī)(Intel Core i5-7300HQ CPU 2.50 GHz)組成。

圖1 氣流脈沖和結(jié)構(gòu)光檢測系統(tǒng)Fig.1 Air-puff and structural light system1.小型空氣壓縮機(jī) 2.儲(chǔ)氣罐 3.SMC比例閥 4.氣動(dòng)電磁閥5.通氣管道及噴頭 6.DLP數(shù)字投影儀 7.攝像頭 8.便攜式計(jì)算機(jī)

沖擊脈沖氣流由空氣壓縮機(jī)產(chǎn)生，經(jīng)儲(chǔ)氣罐緩存穩(wěn)壓，通過比例閥和電磁閥控制脈沖氣流壓力。噴頭內(nèi)口徑為3 mm，氣壓優(yōu)選為50 kPa。結(jié)構(gòu)光成像系統(tǒng)由投影儀、USB高清攝像頭和計(jì)算機(jī)組成。為使結(jié)構(gòu)光成像與氣流沖擊位置一致，出口噴嘴、DLP數(shù)字投影儀和USB高清攝像頭三者共面，且緊湊安裝。為保證氣流的沖擊效果且不遮擋牛肉表面投影光柵，進(jìn)行多次實(shí)驗(yàn)，標(biāo)定獲得氣管傾斜角為45°。

1.4 基于格雷碼編碼結(jié)構(gòu)光的點(diǎn)云獲取

牛肉表面的受力形變信息由結(jié)構(gòu)光3D重建技術(shù)獲得。本實(shí)驗(yàn)采用單目格雷碼編碼結(jié)構(gòu)光法[14]對牛肉表面進(jìn)行重建，采用圖像處理技術(shù)實(shí)現(xiàn)格雷碼的編碼與解碼[15]。結(jié)構(gòu)光成像流程如圖2所示。

圖2 牛肉表面信息采集系統(tǒng)Fig.2 Beef surface information acquisition system

(1)相機(jī)、投影儀及系統(tǒng)的標(biāo)定

為通過三角測量從捕獲的圖像中恢復(fù)三維坐標(biāo)，需對攝像頭、投影儀分別進(jìn)行標(biāo)定[16]，獲得相機(jī)內(nèi)參數(shù)矩陣KL和投影儀的內(nèi)參數(shù)矩陣KR以及外參數(shù)矩陣R、T。固定好相機(jī)和投影儀的位置后，將制作好的10×10棋盤格標(biāo)定板放置于相機(jī)和投影儀的共同視角范圍，標(biāo)定板距離相機(jī)40 cm。投影儀投射格雷碼編碼光柵圖案后啟動(dòng)攝像頭采集圖像，并旋轉(zhuǎn)、平移棋盤格，從不同角度采集棋盤格圖案。使用Harris角點(diǎn)檢測法從圖像中提取角點(diǎn)，確定標(biāo)定板位姿信息，然后使用奇異值分解(SVD)計(jì)算投影儀和相機(jī)的內(nèi)參數(shù)及外參數(shù)[17]。角點(diǎn)檢測和標(biāo)定均采用Matlab 2016b標(biāo)定工具箱(Matlab calibration toolbox，單目標(biāo)定)。

(2)捕獲調(diào)制后的編碼結(jié)構(gòu)光圖像

格雷碼編碼采用黑白兩種顏色對圖像的每一個(gè)像素點(diǎn)進(jìn)行編碼，黑色標(biāo)記為0、白色標(biāo)記為1。設(shè)編碼位數(shù)為n，因此，最多可對2n個(gè)區(qū)域進(jìn)行編碼。實(shí)驗(yàn)中，投影儀分辨率為1 024像素×768像素，當(dāng)設(shè)置n為10進(jìn)行編碼時(shí)，每個(gè)區(qū)域?qū)?yīng)單個(gè)像素點(diǎn)。

(3)RGB圖像轉(zhuǎn)換為灰度圖像

采集的圖像為RGB圖像，為增強(qiáng)圖像信息中的圖像特征，首先將RGB圖像轉(zhuǎn)換為灰度圖像。由于相機(jī)捕獲的視角范圍較廣，結(jié)構(gòu)光在工作過程中除了捕獲到投影區(qū)域外，還捕獲到死角區(qū)域?？赏ㄟ^投影全黑和全白兩幅圖像來區(qū)分投影區(qū)域和死角區(qū)域。首先投影全黑圖像，轉(zhuǎn)換為灰度圖像后記為Img1，然后投影全白圖像，轉(zhuǎn)換為灰度圖像后記為Img2。令I(lǐng)mg0=Img2-Img1，設(shè)定灰度閾值為threshold，Img0小于threshold的區(qū)域即為死角區(qū)域。

(4)灰度圖像的邊緣提取

采用Canny算子對灰度圖進(jìn)行處理，識(shí)別出黑白條紋的邊界。條紋邊緣提取有助于提高變形條紋邊界的辨識(shí)精度和格雷碼的解碼準(zhǔn)確度。

(5)基于自適應(yīng)閾值的圖像二值化

由于環(huán)境光的影響，一幅圖像中像素的灰度不均勻。因此需要采用自適應(yīng)閾值法進(jìn)行圖像二值化。分別投射格雷碼編碼及其反碼圖案，則原來為黑(0)的區(qū)域變?yōu)榘?1)，原來白(1)的區(qū)域變?yōu)楹?0)。通過比較像素間灰度可完成圖像二值化[18]。利用正反編碼圖案可提高二值化和格雷碼解碼精確度。

(6)解碼及保存點(diǎn)云數(shù)據(jù)

通過格雷碼解碼確定了相機(jī)坐標(biāo)系中的格雷碼編碼。根據(jù)三角測距原理和小孔成像原理可得出每個(gè)像素點(diǎn)的空間坐標(biāo)，即為相機(jī)視線和投影儀視線交線點(diǎn)的坐標(biāo)。因此，可通過建立物體坐標(biāo)系、投影儀坐標(biāo)系和相機(jī)坐標(biāo)系之間的關(guān)系來確定像素點(diǎn)的空間坐標(biāo)。設(shè)三維空間中的物體在相機(jī)和投影儀的成像位置分別為Pc(uc,vc)和Pp(up,vp)，且設(shè)世界坐標(biāo)系的原點(diǎn)與相機(jī)坐標(biāo)系的原點(diǎn)重合。則相機(jī)的外參數(shù)矩陣Rc和Tc(相機(jī)和世界坐標(biāo)系的轉(zhuǎn)換矩陣)分別為

(1)

標(biāo)定所得外參數(shù)矩陣R、T即為投影儀的外參數(shù)矩陣Rp和Tp(投影儀和世界坐標(biāo)系的轉(zhuǎn)換矩陣)

(2)

利用小孔成像原理可得

(3)

(4)

式中Kc——相機(jī)內(nèi)參數(shù)矩陣

Kp——投影儀內(nèi)參數(shù)矩陣

Sc——相機(jī)坐標(biāo)系中尺度因子

Sp——投影儀坐標(biāo)系中尺度因子

聯(lián)立上述方程組，可解出Sc、Sp以及空間點(diǎn)的三維坐標(biāo)(X，Y，Z)，解法如下：

設(shè)矩陣Mc為空間點(diǎn)在相機(jī)坐標(biāo)系中的坐標(biāo)矩陣，矩陣Mp為空間點(diǎn)在投影儀坐標(biāo)系中的坐標(biāo)矩陣，表示為

(5)

(6)

則結(jié)構(gòu)光3D成像系統(tǒng)每個(gè)像素點(diǎn)的三維解為

(7)

1.5 檢測系統(tǒng)校準(zhǔn)

由于待測牛肉表面受氣體沖擊形變后為近似球冠，因此，通過3D打印機(jī)制作標(biāo)準(zhǔn)半球，標(biāo)定獲得結(jié)構(gòu)光有效成像視角及空間點(diǎn)距如圖3所示。

圖3 掃描系統(tǒng)的標(biāo)定Fig.3 Calibration of scan system

經(jīng)過標(biāo)準(zhǔn)塊的標(biāo)定，結(jié)構(gòu)光3D掃描系統(tǒng)的空間點(diǎn)距為0.22 mm，有效誤差不大于2.5%，最大重建角θ為123°，重建點(diǎn)云精準(zhǔn)度為99.2%。因此，所研制的檢測系統(tǒng)可滿足牛肉表面精確重建的要求。

1.6 牛肉表面形變區(qū)域特征參數(shù)提取

采用格雷碼編碼結(jié)構(gòu)光法獲得的三維點(diǎn)云數(shù)據(jù)中包含牛肉及檢測平臺(tái)的信息。為提取代表牛肉嫩度的凹陷區(qū)域特征，分別進(jìn)行點(diǎn)云去噪、區(qū)域生長、點(diǎn)云分割、點(diǎn)云映射、點(diǎn)云三角化、網(wǎng)格劃分、最小包圍盒處理等處理，獲得形變區(qū)域的深度、映射面積、表面積、體積4個(gè)特征參數(shù)。點(diǎn)云處理示意圖及流程圖如圖4、5所示。

圖4 牛肉點(diǎn)云處理效果Fig.4 Effect of beef point cloud processing

圖5 牛肉表面信息處理流程Fig.5 Flow chart of beef surface information processing

1.6.1預(yù)處理

首先，基于K-近鄰算法(KNN)剔除離群點(diǎn)。假設(shè)Pi={p1,p2,…,pn}為點(diǎn)云曲面S上的點(diǎn)云集合，S中與Pi距離最近的k個(gè)點(diǎn)稱為Pi的K-近鄰，記為N(Pi)。搜索點(diǎn)云中任意點(diǎn)Pi的K-近鄰點(diǎn)，并計(jì)算當(dāng)前點(diǎn)Pj與其K鄰域內(nèi)各點(diǎn)之間的距離，取其平均值Dmid(Pi)，即

(8)

計(jì)算距離的平均值、樣本方差和樣本標(biāo)準(zhǔn)差。閾值為平均距離加上標(biāo)準(zhǔn)差的倍數(shù)。若Dmid(Pi)大于閾值，判為噪聲并從數(shù)據(jù)中剔除[20]。

去噪后進(jìn)行點(diǎn)云分割處理提取牛肉樣本區(qū)域。本文基于區(qū)域生長算法[21]，采用MLESAC算法[22]選取種子點(diǎn)與相似點(diǎn)，共同組成生長區(qū)域。采用此方法選取背景板中一點(diǎn)作為種子點(diǎn)，標(biāo)定法向量為參考標(biāo)準(zhǔn)，通過設(shè)定偏離角閾值和點(diǎn)間距最小值將背景板平面與牛肉分離。

1.6.2剖面分析

為尋找形變區(qū)域，分別將點(diǎn)云切片投影到Y(jié)OZ平面和XOZ平面。切片間隔根據(jù)點(diǎn)云密度確定，設(shè)為點(diǎn)云密度的2/3。切片所得圖像為牛肉表面點(diǎn)集，通過計(jì)算高程差獲得切片處的表面形變深度變化，遍歷以獲得高程差最大處的坐標(biāo)值，記為形變中心。

1.6.3形變域提取

由于凹陷處俯視觀察時(shí)橫截面近似為圓形，通過上述剖面分析獲得凹陷的直徑和最深凹陷處的橫縱坐標(biāo)(x0,y0)。以(x0,y0)為圓心，以凹陷直徑為直徑得到圓柱形區(qū)域，獲得牛肉表面形變區(qū)域的點(diǎn)云信息。

1.6.4形變域參數(shù)提取

形變域參數(shù)提取主要包括降采樣處理[23]、K-近鄰算法、貪婪投影三角化算法[24]、Delaunay三角剖分算法[25]和包圍盒(OBB)算法等[26]，并通過點(diǎn)云投影、曲面擬合等手段獲得深度、映射面積、表面積和體積信息。

(1)凹陷區(qū)域映射面積

將分割獲得的牛肉凹陷點(diǎn)云進(jìn)行降采樣處理，并投影至XOY平面。采用Delaunay三角剖分算法對X平面點(diǎn)云進(jìn)行包絡(luò)處理，將單個(gè)點(diǎn)劃分至三角形中，建立三角面片索引，遍歷累加計(jì)算投影底面積S1。其中，單個(gè)投影三角形的面積Si利用海倫凱勒公式獲得，即

(9)

(10)

式中i——面片索引號

hi——面片三角化周長的1/2

ai、bi、ci——三角形各邊長

q——總面片數(shù)

(2)凹陷區(qū)域體積

對凹陷點(diǎn)云投影至XOY平面，三次樣條插值處理對平面點(diǎn)進(jìn)行網(wǎng)格劃分。計(jì)算每個(gè)網(wǎng)格面積及原始點(diǎn)云高程參數(shù)差Hi，遍歷累加獲得形變區(qū)域的體積V，即

(11)

(3)凹陷區(qū)域表面積

獲得凹陷點(diǎn)云進(jìn)行曲面插值擬合，并剔除離散點(diǎn)。采用貪婪投影三角化對凹陷點(diǎn)云進(jìn)行三角面片處理。選取一個(gè)樣本三角化面片作為空間區(qū)域增長點(diǎn)并向四周延伸形成完整三角網(wǎng)格曲面，每個(gè)面片包含對原始點(diǎn)云的索引，遍歷獲得空間牛肉點(diǎn)云面積S2。

(4)凹陷區(qū)域深度

采用包圍盒算法，以底面為基準(zhǔn)獲得主法向量方向的包圍盒，包圍盒高度即為點(diǎn)云最低點(diǎn)到點(diǎn)云擬合底面的距離，即點(diǎn)云深度。計(jì)算包圍盒垂直方向距離獲得形變區(qū)域的深度H，公式為

(12)

式中x1、y1、z1——法向量方向z值較大點(diǎn)的坐標(biāo)

x2、y2、z2——法向量方向z值較小點(diǎn)的坐標(biāo)

2 結(jié)果與討論

2.1 牛肉剪切力統(tǒng)計(jì)分析及等級評價(jià)

采用氣流脈沖結(jié)合結(jié)構(gòu)光成像法無損提取牛肉特征參數(shù)后，對牛肉進(jìn)行剪切力實(shí)測，獲得樣本的剪切力。

由5位受過專門訓(xùn)練并積累一定經(jīng)驗(yàn)的評審人員對72個(gè)樣本進(jìn)行主觀評價(jià)。將實(shí)驗(yàn)所測得的剪切力與主觀評價(jià)實(shí)驗(yàn)中評審員的嫩度分級相對照，結(jié)合樣本差異性得出對照表(表1)。剪切力小于63.5 N嫩度等級為1(嫩)；剪切力大于90.5 N嫩度等級為3(老)；剪切力介于63.5～90.5 N之間的牛肉嫩度等級為2(中等)[6]。

表1 牛肉剪切力與嫩度分級對照Tab.1 Beef shear force value and tenderness grading

2.2 基于結(jié)構(gòu)光成像的生鮮牛肉剪切力預(yù)測模型

通過本文方法獲取72份牛肉樣品的特征參數(shù)(牛肉凹陷的深度H、映射面積S1、凹陷面積S2和凹陷體積V)。樣本隨機(jī)分成3份，2份為訓(xùn)練集，1份為預(yù)測集。因?yàn)閿?shù)據(jù)集不大，CNN等深度神經(jīng)網(wǎng)絡(luò)不適宜，因此比較最小二乘支持向量機(jī)回歸(LS-SVR)、BP神經(jīng)網(wǎng)絡(luò)和廣義回歸神經(jīng)網(wǎng)絡(luò)(GRNN)[27-28]建立的牛肉剪切力預(yù)測模型，結(jié)果如圖6所示。

圖6 牛肉剪切力預(yù)測模型Fig.6 Prediction models of beef shear force

(1) LS-SVR

采用LS-SVR進(jìn)行建模，首先對數(shù)據(jù)進(jìn)行歸一化處理。LS-SVR模型各參數(shù)設(shè)置如下：核函數(shù)類型選擇徑向基核(RBF)，用網(wǎng)絡(luò)搜索法確定此次剪切力模型的最佳懲罰系數(shù)c=6.8和最佳RBF核函數(shù)參數(shù)g=2.4。

(2) BP神經(jīng)網(wǎng)絡(luò)

采用BP神經(jīng)網(wǎng)絡(luò)建模，首先進(jìn)行數(shù)據(jù)歸一化處理；因?yàn)樗Ｐ蜑镸ISO結(jié)構(gòu)，因此網(wǎng)絡(luò)結(jié)構(gòu)輸入層節(jié)點(diǎn)數(shù)為4，隱藏層節(jié)點(diǎn)數(shù)為10，輸出層節(jié)點(diǎn)數(shù)為1，各層之間全連接，同層之間無連接，激活函數(shù)為Sigmoid函數(shù)。網(wǎng)絡(luò)最大訓(xùn)練次數(shù)為100，期望誤差為4×10-5，學(xué)習(xí)速率為0.2，計(jì)算過程采用梯度下降法計(jì)算權(quán)重系數(shù)。

(3) GRNN

GRNN基于徑向基函數(shù)網(wǎng)絡(luò)，結(jié)構(gòu)4層，分別為輸入層、模式層、求和層和輸出層。首先對數(shù)據(jù)進(jìn)行歸一化處理，然后利用K-fold交叉驗(yàn)證法對神經(jīng)網(wǎng)絡(luò)訓(xùn)練(K取10), 并根據(jù)最小均方誤差結(jié)合循環(huán)判別法尋找出GRNN光滑因子spread的最優(yōu)值(最優(yōu)值為0.3), 同時(shí)獲得目標(biāo)識(shí)別訓(xùn)練樣本的最優(yōu)輸入輸出值。

不同模型的訓(xùn)練集與測試集的相關(guān)系數(shù)Rc、校準(zhǔn)集均方根誤差、預(yù)測集相關(guān)系數(shù)Rp、預(yù)測集均方根誤差等如表2所示。

表2 特征參數(shù)建模結(jié)果Tab.2 Modeling results of feature parameters

可見，基于LS-SVR神經(jīng)網(wǎng)絡(luò)訓(xùn)練效果最佳，訓(xùn)練集相關(guān)系數(shù)為0.974，均方根誤差為5.324 N；基于GRNN的預(yù)測效果最佳，預(yù)測集相關(guān)系數(shù)為0.975，均方根誤差為5.307 N。

2.3 基于剪切力的生鮮牛肉嫩度分級

在獲得特征參數(shù)值和牛肉剪切力后，對照牛肉嫩度等級表進(jìn)行嫩度劃分，并采用基于K-fold交叉驗(yàn)證的GRNN對嫩度等級進(jìn)行預(yù)測，預(yù)測結(jié)果如圖7所示。

圖7 牛肉樣本嫩度等級預(yù)測結(jié)果Fig.7 Prediction results of tenderness grade of beef samples

其中，采用交叉驗(yàn)證的GRNN對牛肉嫩度等級進(jìn)行預(yù)測時(shí)，對等級1(嫩)和等級2(中等)的預(yù)測效果較好，為100%；對等級3(老)的預(yù)測效果稍差，為91.3%?？梢姡?dāng)牛肉樣本數(shù)較少時(shí)，GRNN模型最優(yōu)，可對牛肉的剪切力等級進(jìn)行精確預(yù)測。

3 結(jié)論

(1)提出一種基于氣流脈沖結(jié)合結(jié)構(gòu)光3D成像的牛肉嫩度無損檢測方法。采用脈沖氣流沖擊牛肉樣品表面，利用格雷碼編碼結(jié)構(gòu)光3D成像技術(shù)獲得點(diǎn)云信息，采用去噪、分割、剖面分析、變形區(qū)域提取等系列算法處理三維點(diǎn)云數(shù)據(jù)，提取牛肉凹陷區(qū)域的深度、映射面積、表面積和體積信息，并以此作為特征參數(shù)對牛肉剪切力和嫩度等級進(jìn)行預(yù)測。

(2)在氣流脈沖和結(jié)構(gòu)光檢測后，通過質(zhì)構(gòu)儀剪切牛肉實(shí)驗(yàn)獲取了牛肉的實(shí)測剪切力，分別與基于LS-SVR、BP神經(jīng)網(wǎng)絡(luò)、GRNN的牛肉剪切力預(yù)測模型進(jìn)行對比，結(jié)果表明，GRNN預(yù)測模型最佳，預(yù)測集相關(guān)系數(shù)為0.975，均方根誤差為5.307 N。從嫩度等級預(yù)測結(jié)果看，較嫩的牛肉預(yù)測效果優(yōu)于較老牛肉。