基于計(jì)算機(jī)視覺技術(shù)的豬肌內(nèi)脂肪含量和眼肌面積測(cè)定系統(tǒng)的研發(fā)

摘 要： 旨在開發(fā)基于計(jì)算機(jī)視覺技術(shù)的豬肉質(zhì)圖像快速鑒別方法，為解決豬肉質(zhì)傳統(tǒng)測(cè)定方法缺陷和構(gòu)建豬肉質(zhì)快速測(cè)定系統(tǒng)奠定技術(shù)基礎(chǔ)。本研究采用canny邊緣檢測(cè)算法、歸一化、伽馬校正、自適應(yīng)直方圖均衡化和閾值化等方法進(jìn)行圖像處理，利用二維信息模擬了豬背最長(zhǎng)肌的三維模型，開發(fā)了基于圖像的豬肌內(nèi)脂肪含量計(jì)算機(jī)視覺測(cè)定方法。利用人工描繪和計(jì)算機(jī)視覺輪廓搜尋技術(shù)開發(fā)了基于圖像處理的眼肌面積識(shí)別方法。利用Open CV和C++實(shí)現(xiàn)各方法的底層算法程序，研發(fā)了一套豬肌內(nèi)脂肪含量和眼肌面積的測(cè)定系統(tǒng)，并利用250頭不同品種的試驗(yàn)豬進(jìn)行了應(yīng)用測(cè)試。測(cè)試結(jié)果顯示，肌內(nèi)脂肪含量檢測(cè)模塊能夠快速實(shí)現(xiàn)肌內(nèi)脂肪圖形信息的提取與預(yù)測(cè)，單個(gè)樣品檢測(cè)時(shí)間平均不超過2 min，準(zhǔn)確性可達(dá)0.54，且測(cè)定離散系數(shù)為0.062，具有較強(qiáng)的穩(wěn)定性。眼肌面積與背膘厚檢測(cè)模塊能夠通過人工與計(jì)算機(jī)結(jié)合的方式快速測(cè)定眼肌面積和背膘厚。本研究建立的檢測(cè)方法和軟件系統(tǒng)能夠?qū)崿F(xiàn)豬肌內(nèi)脂肪含量、背膘厚和眼肌面積的快速檢測(cè)。

關(guān)鍵詞： 計(jì)算機(jī)視覺；圖像處理；肌內(nèi)脂肪含量；豬

中圖分類號(hào)：S828.2

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)： 0366-6964（2024）09-3843-10

Development of a Pig Intramuscular Fat Content and Eye Muscle Area Measurement System

Based on Computer Vision Technology

CHEN" Dong 3， ZHOU" Wenxuan 3， ZHAO" Zhenjian 3， SHEN" Qi 3， YU" Yang 3，

CUI" Shengdi 3， WANG" Junge 3， CHEN" Ziyang 3， YU" Shixin 3， CHEN" Jiamiao 3， WANG" Xiangfeng 3， WU" Pingxian4， GUO" Zongyi4， WANG" Jinyong4， TANG" Guoqing 3*

（1.State Key Laboratory of Swine and Poultry Breeding Industry， College of Animal

Science and Technology，

Sichuan Agricultural University， Chengdu 611130，" China;

2.Key Laboratory of Livestock and Poultry Multi-omics of Ministry of Agriculture and

Rural Affairs， College of Animal Science and Technology， Sichuan Agricultural University，

Chengdu 611130，" China;

3.Farm Animal Genetic Resources Exploration and Innovation

Key Laboratory of Sichuan Province， Sichuan Agricultural University， Chengdu 611130，

China;

4.National Center of Technology Innovation for Pigs， Chongqing 402460，" China）

Abstract：" The aim of this study was to develop a rapid identification method of pork quality images based on computer vision technology， and to lay a technical foundation for solving the defects of traditional pork quality determination methods and constructing a rapid pork quality determination system. In this study， canny edge detection algorithm， normalization， gamma correction， adaptive histogram equalization and thresholding were used for image processing to simulate a three-dimensional model of porcine dorsal longest muscle using two-dimensional information， and an image-based computer vision method for determining porcine intramuscular fat content was developed. An image-processing-based eye muscle area recognition method was developed using manual depiction and computer vision contour search techniques. The underlying algorithmic programs of each method were implemented using Open CV and C++， and a system for the determination of porcine intramuscular fat content and eye muscle area was developed and tested using 250 test pigs of different breeds. The test results showed that the intramuscular fat content detection module could quickly realize the extraction and prediction of intramuscular fat graphical information， with an average detection time of no more than 2 minutes for a single sample， an accuracy of up to 0.54， and a discrete coefficient of 0.062， which was highly stable. The eye muscle area and backfat thickness detection module can quickly determine eye muscle area and backfat thickness by combining manual and computerized methods. The assay method and software system developed in this study enable rapid detection of intramuscular fat content， backfat thickness and eye muscle area in pigs.

Key words： computer vision; image processing; intramuscular fat content; pig

*Corresponding author： TANG Guoqing， E-mail：tyq003@163.com

豬肉在我國占據(jù)著肉類消費(fèi)的主導(dǎo)地位［1］。隨著經(jīng)濟(jì)水平的迅速發(fā)展和生活質(zhì)量的改善，人們對(duì)于豬肉產(chǎn)品質(zhì)量的要求也在迅速地提升［2］。而種豬的遺傳改良離不開重要經(jīng)濟(jì)性狀的獲?。?］。平均背膘厚、眼肌面積和肌內(nèi)脂肪含量是豬育種中非常重要的胴體組成和肉質(zhì)性狀［4-6］。但目前肌內(nèi)脂肪含量和眼肌面積的測(cè)定仍然采用傳統(tǒng)的索氏提取法和人工描繪法［7-9］，存在預(yù)處理步驟復(fù)雜、測(cè)定周期長(zhǎng)、人為誤差環(huán)節(jié)多、數(shù)據(jù)匯總慢等缺陷［10-11］。

越來越多的新興技術(shù)正在被應(yīng)用于肉質(zhì)檢測(cè)領(lǐng)域［12-17］。計(jì)算機(jī)視覺技術(shù)能夠更好地在信息捕獲和處理上實(shí)現(xiàn)肉質(zhì)檢測(cè)技術(shù)的更新，進(jìn)而推動(dòng)肉質(zhì)測(cè)定物聯(lián)網(wǎng)體系的構(gòu)建［18］。它通過對(duì)周邊環(huán)境的感知模擬人類視覺功能處理和分析圖像，從而達(dá)到分析和解決問題的目的［19-21］，具有對(duì)樣本要求小、檢測(cè)便捷、處理速度快、無損檢測(cè)、準(zhǔn)確性和客觀性高、結(jié)果穩(wěn)定的優(yōu)點(diǎn)［22-25］。此外，基于計(jì)算機(jī)視覺技術(shù)的測(cè)定方法能夠較好的實(shí)現(xiàn)胴體肉質(zhì)的快速檢測(cè)和數(shù)據(jù)同步。

根據(jù)前期研究成果［26］，本試驗(yàn)研發(fā)了一套基于計(jì)算機(jī)視覺的肌內(nèi)脂肪含量和眼肌面積測(cè)定系統(tǒng)（meat image visual handling system， MIVHS），擬解決規(guī)?；瘻y(cè)定背景下豬肌內(nèi)脂肪含量和眼肌面積的快速測(cè)定與數(shù)據(jù)同步的問題，提高肉質(zhì)檢測(cè)的效率，并進(jìn)一步推動(dòng)肉質(zhì)檢測(cè)智能化發(fā)展。

1 材料與方法

1.1 供試材料及數(shù)據(jù)獲取

系統(tǒng)開發(fā)和測(cè)試階段所用供試的250頭試驗(yàn)豬來自于四川省江油市新希望海波爾種豬育種有限公司江油豬場(chǎng)，其中杜洛克豬187頭、約克夏豬57頭、長(zhǎng)白豬6頭。肌內(nèi)脂肪含量測(cè)定方法參考中華人民共和國農(nóng)業(yè)行業(yè)標(biāo)準(zhǔn)《豬肉品質(zhì)測(cè)定技術(shù)規(guī)程》（NY/T 821—2019），用于背膘厚、眼肌面積測(cè)定的B超圖像獲取方法參考中華人民共和國農(nóng)業(yè)行業(yè)標(biāo)準(zhǔn)《豬活體背膘厚和眼肌面積的測(cè)定 B型超聲波法》（NY/T 2894—2016）。

1.2 功能模塊設(shè)計(jì)

MIVHS配備兩個(gè)功能模塊，分別基于不同的圖像處理功能實(shí)現(xiàn)肌內(nèi)脂肪含量和眼肌面積的測(cè)定（圖1）。最終測(cè)定結(jié)果自動(dòng)同步至軟件數(shù)據(jù)庫，可通過數(shù)據(jù)導(dǎo)出功能導(dǎo)出輸出。

1.3 肌內(nèi)脂肪含量檢測(cè)模塊研發(fā)

1.3.1 圖像采集方式

豬背最長(zhǎng)肌的大理石花紋圖像采集時(shí)間約為屠宰后約24 h后，通過定制的圖像采集室獲取待測(cè)樣品的眼肌圖像。圖像采集室由一臺(tái)計(jì)算機(jī)（Intel（R） Core（TM） i9-12900H，16G內(nèi)存）和采用CMOS掃描元件且光學(xué)分辨率為4 896×3 672 dpi的高速掃描儀（GP1900AF，科密有限公司，中國）組成。采集室內(nèi)部包裹了黑色攝影絨布，用于吸收多余光線。

1.3.2 特征區(qū)域提取

規(guī)?；涝椎倪^程中，無法實(shí)現(xiàn)對(duì)背最長(zhǎng)肌外周的皮下脂肪和結(jié)締組織的細(xì)致處理。這些與大理石花紋顏色一致的組織會(huì)對(duì)算法的決斷產(chǎn)生負(fù)面影響，本研究通過圖像處理的策略解決這一問題。首先采用邊緣識(shí)別算法獲取掩膜，它的作用是用于分離特征區(qū)域。但在利用掩膜提取圖像特征區(qū)域前，通過對(duì)掩膜進(jìn)行圖像形態(tài)學(xué)處理從而達(dá)到對(duì)圖像特征區(qū)域進(jìn)行處理的目的。掩膜的獲取通過canny邊緣檢測(cè)算法實(shí)現(xiàn)，首先利用Sobel算子計(jì)算圖像的梯度幅值和方向確定圖像的梯度。再根據(jù)非最大抑制方法過濾非邊緣像素，使圖像模糊的邊界更加清晰。接著通過雙閾值方法決定圖像的潛在邊界。然后通過滯后技術(shù)跟蹤邊界，得到圖像邊緣后進(jìn)行填充就可以獲得掩膜。最終利用圖像腐蝕方法對(duì)掩膜進(jìn)行腐蝕操作，間接實(shí)現(xiàn)對(duì)背最長(zhǎng)肌區(qū)域的皮下脂肪和結(jié)締組織的處理。

1.3.3 灰度轉(zhuǎn)化

通過高速掃描儀獲取的眼肌圖像屬于RGB圖像，存在復(fù)雜的顏色信息。通過把圖像的紅、綠、藍(lán)三色分量轉(zhuǎn)化為相應(yīng)的灰度強(qiáng)度值使圖像轉(zhuǎn)化為灰度圖像，進(jìn)而能更高效地實(shí)現(xiàn)圖像的處理?；叶绒D(zhuǎn)化公式如下：

Grey=0.99R+0.587G+0.114B（1）

式中，Grey為灰度值，R、G、B分別為圖像的RGB圖像的三色分量。

1.3.4 噪聲去除

由于光線問題產(chǎn)生的圖像噪聲會(huì)較大地影響計(jì)算機(jī)對(duì)背最長(zhǎng)肌圖像的判斷，采用自適應(yīng)直方圖均衡化的方法對(duì)經(jīng)過歸一化和伽馬校正的特征區(qū)域進(jìn)行處理，能夠解決部分圖像亮度不均的問題。剩余部分自動(dòng)處理效果較差的圖像，根據(jù)反光像素點(diǎn)灰度閾值通過人工篩選的方式去除反光造成的圖像噪聲。

1.3.5 脂肪分布圖獲取

閾值化處理能夠根據(jù)特征圖像像素點(diǎn)灰度值的不同，對(duì)圖像進(jìn)行區(qū)域劃分。根據(jù)前期研究，通過特征區(qū)域灰度值與圖像分割最優(yōu)閾值的線性關(guān)系，對(duì)圖像最優(yōu)分割閾值進(jìn)行預(yù)測(cè)能夠?qū)崿F(xiàn)圖像自動(dòng)閾值化的處理。但這一方法更側(cè)重圖像處理的速度，忽視了圖像處理的準(zhǔn)確性。本研究中選擇了準(zhǔn)確性更高的人工閾值確定方式，通過人工標(biāo)記圖像特征區(qū)域的大理石花紋像素灰度值的范圍作為閾值對(duì)圖像進(jìn)行閾值化處理，最終獲得脂肪分布圖。

1.3.6 圖像肌內(nèi)脂肪含量與個(gè)體肌內(nèi)脂肪含量的獲取

僅通過一張圖片預(yù)測(cè)豬只個(gè)體的肌內(nèi)脂肪含量是不可靠的，本研究首先通過計(jì)算機(jī)像素計(jì)數(shù)法計(jì)算每頭試驗(yàn)豬每張圖像大理石花紋占比，利用每頭試驗(yàn)豬多張圖像的預(yù)測(cè)均值代表該豬的圖像肌內(nèi)脂肪含量（graphic intramuscular fat content grading，GIMF）。另外，我們認(rèn)為僅通過二維的圖像預(yù)測(cè)存在于三維空間中豬的肌內(nèi)脂肪含量是片面的。于是在個(gè)體肌內(nèi)脂肪含量（individual intramuscular fat content grading，IIMF）的預(yù)測(cè)中加入了密度參數(shù)，結(jié)合同部位多個(gè)眼肌切片的圖像信息就可以利用二維圖像模擬出三維的豬肌內(nèi)脂肪信息。GIMF與IIMF的計(jì)算公式如下：

GIMF=∑Ni=1PmiPmi+PliN×100%（2）

式中，Pm為大理石花紋區(qū)域像素?cái)?shù)量，Pl為瘦肉區(qū)域像素?cái)?shù)量。

IIMF=∑Ni=1PmiρmPmiρm+PliρlN×100%（3）

式中，ρm和ρl分別為脂肪密度和肌肉密度，由于缺乏豬的脂肪密度和肌肉密度的特定參數(shù)，這里使用人類脂肪密度（0.74 g·cm-3）和肌肉密度（1.12 g·cm-3）代替。

1.4 眼肌面積檢測(cè)模塊研發(fā)

1.4.1 圖像采集方式

為了能更好的服務(wù)生產(chǎn)實(shí)踐，軟件所需圖像可直接采用B超儀導(dǎo)出圖像。

1.4.2 圖像處理

將B超圖像導(dǎo)入系統(tǒng)眼肌面積檢測(cè)模塊，通過人工描繪和計(jì)算機(jī)視覺輪廓搜尋技術(shù)識(shí)別眼肌區(qū)域的邊緣。再對(duì)搜尋到的眼肌區(qū)域邊緣進(jìn)行圖像填充，獲得眼肌剪影。最終通過計(jì)算機(jī)計(jì)算眼肌剪影的輪廓面積，利用格林公式的方法計(jì)算豬只眼肌面積。背膘厚的檢測(cè)方法同樣基于人工描繪和圖像處理完成。首先利用人工描繪確定背"" 膘厚度檢測(cè)區(qū)域，再通過提取該區(qū)域骨骼線長(zhǎng)度進(jìn)行計(jì)算，最終獲取豬只背膘厚。此外，眼肌面積和背膘厚的檢測(cè)結(jié)果可直接同步至軟件，也可以直接輸出Excel表格。

1.5 軟件應(yīng)用實(shí)例一：肌內(nèi)脂肪含量測(cè)定

1.5.1 眼肌圖像準(zhǔn)備

試驗(yàn)豬屠宰后，在15 min內(nèi)從豬第九肋骨向后取背最長(zhǎng)肌約10cm。盡可能的去除結(jié)締組織與外周皮下脂肪并將其分割為約1cm厚的切片，用錫箔紙包裹，將正面標(biāo)記后放入4℃冰箱保存。24h后將待測(cè)肉樣盛出，正面向上放入圖像采集室獲取豬眼肌圖像。

1.5.2 肌內(nèi)脂肪含量檢測(cè)

利用圖像導(dǎo)入功能將眼肌圖像導(dǎo)入軟件。使用裁剪功能從彈出窗口中眼肌主體的左上角的位置向右下滑動(dòng)，選取眼肌主體區(qū)域。然后通過去除背景功能，采用邊緣識(shí)別和掩膜過濾的方式一鍵將前景肉樣與背景、部分外周脂肪和結(jié)締組織分離。接著可以選擇不同大小的圖像清掃工具對(duì)上一步未完美處理的小部分區(qū)域進(jìn)行修理。完成圖像預(yù)處理工作后，通過圖像轉(zhuǎn)換將背最長(zhǎng)肌區(qū)域轉(zhuǎn)換為灰度圖像。然后使用反光去除功能喚出操作窗口逐步點(diǎn)擊反光區(qū)域像素點(diǎn)，去除與反光像素點(diǎn)灰度相同的所有反光點(diǎn)。最后通過閾值化和內(nèi)置函數(shù)獲取脂肪分布圖并計(jì)算GIMF，進(jìn)而計(jì)算IIMF。

1.5.3 結(jié)果準(zhǔn)確性檢驗(yàn)

肌內(nèi)脂肪含量識(shí)別的準(zhǔn)確性由軟件預(yù)測(cè)的IIMF與索氏抽提獲取的肌內(nèi)脂肪含量（intramuscular fat content，IMF）之間的相關(guān)系數(shù)（r）確定，即：預(yù)測(cè)值與實(shí)際測(cè)定值的相關(guān)系數(shù)越高表明軟件的準(zhǔn)確性越高。

r=cov（IIMF，IMF）var（IIMF）var（IMF）（4）

1.5.4 人員誤差分析

最后，通過13位人員應(yīng)用本軟件對(duì)同一圖像處理，分析處理結(jié)果進(jìn)而對(duì)軟件在不同人員操作下得到結(jié)果的誤差水平進(jìn)行驗(yàn)證，進(jìn)而探討軟件的有效性和可行性。

1.6 軟件應(yīng)用實(shí)例二：背膘厚與眼肌面積測(cè)定

參考《豬活體背膘厚和眼肌面積的測(cè)定 B型超聲波法》（NY/T 2894—2016），利用B超儀獲取豬的B超圖像。通過圖像導(dǎo)入功能將B超圖像導(dǎo)入軟件。接著利用鼠標(biāo)畫出背膘實(shí)際厚度，計(jì)算背膘厚。然后利用鼠標(biāo)描繪眼肌邊緣，即可選中眼肌面積區(qū)域?qū)崿F(xiàn)眼肌面積計(jì)算。

2 結(jié) 果

2.1 肌內(nèi)脂肪含量測(cè)定

2.1.1 軟件功能展示

圖2A為MIVHS肌內(nèi)脂肪含量檢測(cè)界面，軟件界面分為上方的工具欄，左側(cè)的功能欄，中間的圖像展示窗口和右側(cè)的數(shù)據(jù)展示窗口。軟件界面友好，操縱便捷，具體操作方式見“1.2.2”部分。通過圖像導(dǎo)入即可上傳圖像，簡(jiǎn)單裁剪后得到眼肌主體區(qū)域圖像。利用邊緣識(shí)別算法一鍵去除背景，未自動(dòng)去除的異常區(qū)域可通過工具欄圖像清掃功能進(jìn)行修剪。圖2B為最終獲取的脂肪分布圖與測(cè)定結(jié)果。如果需要，也可以通過工具欄的數(shù)據(jù)導(dǎo)出功能將脂肪分布圖和肌內(nèi)脂肪含量檢測(cè)結(jié)果以圖片和Excel的形式導(dǎo)出。

2.1.2 預(yù)測(cè)結(jié)果準(zhǔn)確性

預(yù)測(cè)結(jié)果分布圖見圖3A，通過三維模擬的檢測(cè)策略，最終獲取的IIMF比GIMF的分布更接近IMF，且標(biāo)準(zhǔn)差與標(biāo)準(zhǔn)誤更小，結(jié)果離散性更小。預(yù)測(cè)結(jié)果的相關(guān)性分析顯示（圖3B），實(shí)際肌內(nèi)脂肪含量與軟件預(yù)測(cè)肌內(nèi)脂肪含量存在較大的相關(guān)性，相關(guān)系數(shù)達(dá)0.54。表明軟件檢測(cè)圖像肌內(nèi)脂肪含量可以在較大程度上表征實(shí)際肌內(nèi)脂肪含量。

2.1.3 系統(tǒng)人員測(cè)試及差異性分析

不同人員應(yīng)用軟件獲取的檢測(cè)結(jié)果見表1。

不同人員檢測(cè)結(jié)果的差異性分析見表2，數(shù)據(jù)間離散系數(shù)為0.062，表明該系統(tǒng)具有較強(qiáng)的穩(wěn)定性，并初步實(shí)現(xiàn)了應(yīng)用目標(biāo)。

2.2 背膘厚及眼肌面積測(cè)定

背膘厚及眼肌面積的測(cè)定如圖4所示，軟件能夠?qū)崿F(xiàn)背膘厚和眼肌面積的描繪與計(jì)算。

3 討 論

隨著畜禽種業(yè)振興的推動(dòng)和人們對(duì)于肉類品質(zhì)要求的提升，傳統(tǒng)肉質(zhì)測(cè)定方法的缺陷逐漸暴露，無法滿足現(xiàn)代肉質(zhì)工業(yè)的檢測(cè)需求［27-30］。各類新興技術(shù)的發(fā)展有望彌補(bǔ)傳統(tǒng)測(cè)定方法的缺陷，推動(dòng)肉質(zhì)檢測(cè)技術(shù)的發(fā)展進(jìn)入新時(shí)代［31-33］。利用超聲波檢測(cè)、近紅外光譜、核磁共振成像等技術(shù)進(jìn)行肉質(zhì)檢測(cè)存在較為嚴(yán)重的技術(shù)壁壘或較高的測(cè)定成本，無法滿足肉質(zhì)測(cè)定的需要。計(jì)算機(jī)視覺技術(shù)是目前更具潛力的測(cè)定方法。MIVHS的開發(fā)希望通過計(jì)算機(jī)視覺技術(shù)替代傳統(tǒng)索氏提取法進(jìn)行肌內(nèi)脂肪含量的快速檢測(cè)，這有助于減少在化學(xué)抽提過程中損耗的大量人力與時(shí)間，且規(guī)避了測(cè)定人員與危險(xiǎn)化學(xué)品的直接接觸［34］。

基于計(jì)算機(jī)視覺技術(shù)檢測(cè)方法的重點(diǎn)在于圖像對(duì)測(cè)定樣品的表征程度、圖像處理方法和對(duì)結(jié)果預(yù)測(cè)的準(zhǔn)確性［35］。以往的研究更多的是通過直接對(duì)樣品拍照，采集二維的圖像信息實(shí)現(xiàn)性狀測(cè)定。但肌內(nèi)脂肪是沉積于三維空間下肌肉組織中的，二維圖像的表征程度嚴(yán)重不足。在本研究中，通過數(shù)份厚度約1 cm的背最長(zhǎng)肌樣品截面圖像近似地模擬了沉積在肌肉組織中的脂肪分布信息。而僅僅通過分布信息預(yù)測(cè)肌內(nèi)脂肪含量也是不足的，所以本研究還考慮了密度差異，并將肌肉和脂肪的密度信息加入到了IIMF的預(yù)測(cè)公式中。通過這樣的模擬方式，獲得了待測(cè)個(gè)體在三維空間中肌內(nèi)脂肪信息。此外，肉質(zhì)測(cè)定的實(shí)際環(huán)境與實(shí)驗(yàn)室環(huán)境存在較大區(qū)別，而基于計(jì)算機(jī)視覺的測(cè)定方法一定要保證測(cè)定環(huán)境中的光源穩(wěn)定。所以本研究定制了圖像采集室并用攝影吸光絨布將內(nèi)表面覆蓋，在一定程度上減少了眼肌的反光和光照不均的問題。在圖像處理環(huán)節(jié)，根據(jù)對(duì)豬背最長(zhǎng)肌圖像的分析，采用了canny邊緣檢測(cè)算法、歸一化、伽馬校正、自適應(yīng)直方圖均衡化和閾值化等方法最終較為精確地捕獲了豬肉圖像中肌肉內(nèi)部的脂肪區(qū)域（圖2）。

對(duì)于結(jié)果的準(zhǔn)確性，我們認(rèn)為索氏抽提方法采樣量太少，且采樣部位并不能完全代表豬的整個(gè)眼肌，所以測(cè)定結(jié)果也并非完全準(zhǔn)確，這對(duì)本研究進(jìn)行實(shí)測(cè)IMF和IIMF相關(guān)性（0.54）比較造成了一定的影響。此外，后續(xù)也將考慮嘗試采用精度更高的設(shè)備、更多圖像特征和例如卷積神經(jīng)網(wǎng)絡(luò)等深度學(xué)習(xí)算法對(duì)系統(tǒng)進(jìn)一步升級(jí)，提升系統(tǒng)肉質(zhì)性狀測(cè)定的范圍和準(zhǔn)確性。隨著計(jì)算機(jī)視覺技術(shù)的進(jìn)步和軟件的逐步完善升級(jí)，MIVHS系統(tǒng)將在肉質(zhì)測(cè)定和肉品質(zhì)分級(jí)領(lǐng)域中展現(xiàn)更多的應(yīng)用價(jià)值。

背膘厚及眼肌面積檢測(cè)功能的加入意味著其他胴體、肉質(zhì)性狀的智能化檢測(cè)方法也具備融合的潛力。不同檢測(cè)技術(shù)的融合可以實(shí)現(xiàn)通過一套設(shè)備完成多項(xiàng)胴體、肉質(zhì)檢測(cè)工作，且檢測(cè)數(shù)據(jù)可以無障礙的互通［36］。既能減少數(shù)據(jù)在不同設(shè)備間流動(dòng)產(chǎn)生的誤差，又能提升數(shù)據(jù)傳遞效率。還可以利用性狀間的相互關(guān)系通過機(jī)器學(xué)習(xí)等方法，間接預(yù)測(cè)部分難以直接測(cè)定的性狀［37-40］，充分提升數(shù)據(jù)的利用率，極大地提升肉質(zhì)檢測(cè)的效率和準(zhǔn)確性［41］。

最后，通過MIVHS的開發(fā)和后續(xù)升級(jí)，希望實(shí)現(xiàn)肉質(zhì)測(cè)定物聯(lián)網(wǎng)的構(gòu)建。通過一套或幾套設(shè)備將整個(gè)肉質(zhì)檢測(cè)流程進(jìn)行有機(jī)的整合，這將有助于畜禽育種和肉質(zhì)分級(jí)行業(yè)的快速發(fā)展，推動(dòng)肉質(zhì)測(cè)定技術(shù)進(jìn)入新的時(shí)代，加速智慧農(nóng)業(yè)物聯(lián)網(wǎng)體系的形成。

4 結(jié) 論

本軟件整合了肌內(nèi)脂肪含量和背膘厚及眼肌面積檢測(cè)功能模塊。通過眼肌圖像和背膘圖像的采集，能夠在面對(duì)大批量的肉質(zhì)檢測(cè)下，實(shí)現(xiàn)肌內(nèi)脂肪含量、背膘厚、眼肌面積的快速檢測(cè)。為豬胴體、肉質(zhì)快速檢測(cè)物聯(lián)網(wǎng)體系的建設(shè)提供一款實(shí)用的軟件工具。

參考文獻(xiàn)（References）：

［1］ 崔晟頔，王 凱，趙真堅(jiān)，等.利用GWAS和DNA甲基化共定位鑒定豬肉質(zhì)性狀的候選基因［J］.畜牧獸醫(yī)學(xué)報(bào)，2024，55（5）：1945-1957.

CUI S D，WANG K，ZHAO Z J，et al.Identification of candidate genes for pork texture traits using GWAS combined with Co-localisation of DNA methylation［J］.Acta Veterinaria et Zootechnica Sinica，2024，55（5）：1945-1957.（in Chinese）

［2］ DREWNOWSKI A.Perspective：the place of pork meat in sustainable healthy diets［J］.Adv Nutr，2024，15（5）：100213.

［3］ 張 潤，劉 海，楊 曼，等.北京黑豬肌內(nèi)脂肪含量高、低組間脂質(zhì)組差異分析［J］.畜牧獸醫(yī)學(xué)報(bào)，2022，53（9）：3262-71.

ZHANG R，LIU H，YANG M，et al.Analysis of lipidome difference between high and low intramuscular fat content groups in Beijing Black Pigs［J］.Acta Veterinaria et Zootechnica Sinica，2022，53（9）：3262-3271.（in Chinese）

［4］ LIM K S，LEE K T，PARK J E，et al.Identification of differentially expressed genes in longissimus muscle of pigs with high and low intramuscular fat content using RNA sequencing［J］.Anim Genet，2017，48（2）：166-174.

［5］ GUO Z Y，CHEN X L，CHEN D W，et al.Effects of slaughter age on carcass traits and meat quality of crossbred （Duroc×Landrace×Yorkshire） finishing pigs［J］.Anim Biotechnol，2022，33（2）：339-345.

［6］ GONG X L，ZHENG M，ZHANG J，et al.Transcriptomics-based study of differentially expressed genes related to fat deposition in Tibetan and Yorkshire Pigs［J］.Front Vet Sci，2022，9：919904.

［7］ 高振偉.一種全自動(dòng)測(cè)膘情和眼肌系統(tǒng)［J］.湖北農(nóng)機(jī)化，2019（21）：138.

GAO Z W.A fully automated fat and eye muscle measurement system［J］.Hubei Agricultural Mechanization，2019（21）：138.（in Chinese）

［8］ FOLCH J，LEES M，SLOANE STANLEY G H.A simple method for the isolation and purification of total lipides from animal tissues［J］.J Biol Chem，1957，226（1）：497-509.

［9］ 楊海悅.肌纖維內(nèi)脂肪含量測(cè)定方法的建立及其與肌肉相關(guān)基因表達(dá)的相關(guān)分析［D］.南京：南京農(nóng)業(yè)大學(xué)，2021.

YANG H Y.The establishment of a method for measuring intrafiber fat content and its correlation withmuscle-related genes［D］.Nanjing：Nanjing Agricultural University，2021.（in Chinese）

［10］ LIN Y D，MA J，WANG Q J，et al.Applications of machine learning techniques for enhancing nondestructive food quality and safety detection［J］.Crit Rev Food Sci Nutr，2023，63（12）：1649-1669.

［11］ HE Y，BAI X L，XIAO Q L，et al.Detection of adulteration in food based on nondestructive analysis techniques：a review［J］.Crit Rev Food Sci Nutr，2021，61（14）：2351-2371.

［12］ ZHANG L H，ZHANG M，MUJUMDAR A S.Technological innovations or advancement in detecting frozen and thawed meat quality：a review［J］.Crit Rev Food Sci Nutr，2023，63（11）：1483-1499.

［13］ MUNEKATA P E S，F(xiàn)INARDI S，DE SOUZA C K，et al.Applications of electronic nose，electronic eye and electronic tongue in quality，safety and shelf life of meat and meat products：a review［J］.Sensors （Basel），2023，23（2）：672.

［14］ TANG X，RAO L，XIE L，et al.Quantification and visualization of meat quality traits in pork using hyperspectral imaging［J］.Meat Sci，2023，196：109052.

［15］ KATEMALA S，MOLEE A，THUMANU K，et al.A comparative study of meat quality and vibrational spectroscopic properties of different chicken breeds［J］.Poult Sci，2022，101（6）：101829.

［16］ FAN K J，SU W H.Applications of fluorescence spectroscopy，RGB- and MultiSpectral imaging for quality determinations of white meat：a review［J］.Biosensors （Basel），2022，12（2）：76.

［17］ PEREZ DE VARGAS-SANSALVADOR I M，ERENAS M M，MARTíNEZ-OLMOS A，et al.Smartphone based meat freshness detection［J］.Talanta，2020，216：120985.

［18］ COLLINS L M，SMITH L M.Review：smart agri-systems for the pig industry［J］.Animal，2022，16（S2）：100518.

［19］ PANERU S，JEELANI I.Computer vision applications in construction：current state，opportunities amp; challenges［J］.Autom Constr，2021，132（1）：103940.

［20］ KAKANI V，NGUYEN V H，KUMAR B P，et al.A critical review on computer vision and artificial intelligence in food industry［J］.J Agric Food Res，2020，2：100033.

［21］ HE H J，WU D，SUN D W.Nondestructive spectroscopic and imaging techniques for quality evaluation and assessment of fish and fish products［J］.Crit Rev Food Sci Nutr，2015，55（6）：864-886.

［22］ WEINSTEIN B G. A computer vision for animal ecology［J］.J Anim Ecol，2018，87（3）：533-545.

［23］ BLEHM C，VISHNU S，KHATTAK A，et al.Computer vision syndrome：a review［J］.Surv Ophthalmol，2005，50（3）：253-262.

［24］ D’ANTONI F，RUSSO F，AMBROSIO L，et al.Artificial intelligence and computer vision in low back pain：a systematic review［J］.Int J Environ Res Public Health，2021，18（20）：10909.

［25］ TIAN J.Computer vision and machine learning for intelligent sensing systems［J］.Sensors （Basel），2023，23（9）：4214.

［26］ CHEN D，WU P X，WANG K，et al.Combining computer vision score and conventional meat quality traits to estimate the intramuscular fat content using machine learning in pigs［J］.Meat Sci，2022，185：108727.

［27］ WAIMIN J，GOPALAKRISHNAN S，HEREDIA-RIVERA U，et al.Low-cost nonreversible electronic-free wireless pH sensor for spoilage detection in packaged meat products［J］.ACS Appl Mater Interfaces，2022，14（40）：45752-45764.

［28］ ISTIF E，MIRZAJANI H，DAGˇ "，et al.Miniaturized wireless sensor enables real-time monitoring of food spoilage［J］.Nat Food，2023，4（5）：427-436.

［29］ NIE W G，CHEN Y F，ZHANG H，et al.A novel colorimetric sensor array for real-time and on-site monitoring of meat freshness［J］. Anal Bioanal Chem，2022，414（20）：6017-6027.

［30］ DUAN X Y，LI Z R，WANG L，et al.Engineered nanomaterials-based sensing systems for assessing the freshness of meat and aquatic products：a state-of-the-art review［J］.Comp Rev Food Sci Food Safe，2023，22（1）：430-450.

［31］ ZHOU L，ZHANG C，LIU F，et al.Application of deep learning in food：a review［J］.Comp Rev Food Sci Food Safe，2019，18（6）： 1793-1811.

［32］ MA J，SUN D W，QU J H，et al.Applications of computer vision for assessing quality of Agri-food products：a review of recent research advances［J］.Crit Rev Food Sci Nutr，2016，56（1）：113-127.

［33］ HUANG L，ZHAO J W，CHEN Q S，et al.Nondestructive measurement of total volatile basic nitrogen （TVB-N） in pork meat by integrating near infrared spectroscopy，computer vision and electronic nose techniques［J］.Food Chem，2014，145（1）：228-236.

［34］ LIU J H，SUN X，YOUNG J M，et al.Predicting pork loin intramuscular fat using computer vision system［J］.Meat Sci，2018，143：18-23.

［35］ LIN L L，GUO J X，LIU L C.Multi-scene application of intelligent inspection robot based on computer vision in power plant［J］.Sci Rep，2024，14（1）：10657.

［36］ ZHANG J J，HUANG H X，SONG G C，et al.Intelligent biosensing strategies for rapid detection in food safety：a review［J］. Biosens Bioelectron，2022，202：114003.

［37］ GUO L L，WANG T，WU Z H，et al.Portable food-freshness prediction platform based on colorimetric barcode combinatorics and deep convolutional neural networks［J］.Adv Mater，2020，32（45）：2004805.

［38］ AHETO J H，HUANG X Y，TIAN X Y，et al.Multi-sensor integration approach based on hyperspectral imaging and electronic nose for quantitation of fat and peroxide value of pork meat［J］.Anal Bioanal Chem，2020，412（5）：1169-1179.

［39］ OPPEN D，ATTIG T，WEISS J，et al.Anticipating food structure of meat products from mastication physics applying machine learning［J］.Food Res Int，2023，174：113576.

［40］ HUANG C Q，GU Y.A machine learning method for the quantitative detection of adulterated meat using a MOS-based E-nose［J］. Foods，2022，11（4）：602.

［41］ LIM H R，KHOO K S，CHIA W Y，et al.Smart microalgae farming with internet-of-things for sustainable agriculture［J］. Biotechnol Adv，2022，57：107931.

（編輯 郭云雁）