王 衛(wèi)，沈明霞,*，彭增起，陳士進(jìn)，吳海娟，劉超超，梁 林，諶啟亮

基于圖像紋理特征的牛肉嫩度預(yù)測(cè)方法研究

王 衛(wèi)1，沈明霞1,*，彭增起2，陳士進(jìn)1，吳海娟1，劉超超1，梁 林1，諶啟亮2

(1.南京農(nóng)業(yè)大學(xué)工學(xué)院，江蘇 南京 210031；2.南京農(nóng)業(yè)大學(xué) 農(nóng)業(yè)部農(nóng)畜產(chǎn)品加工與質(zhì)量控制重點(diǎn)開放實(shí)驗(yàn)室，江蘇 南京 210095)

在經(jīng)過圖像預(yù)處理，背最長(zhǎng)肌與大理石花紋的分割，并實(shí)現(xiàn)大理石花紋特征值的提取后，利用灰度共生矩陣提取4個(gè)對(duì)嫩度剪切力貢獻(xiàn)較大的紋理特征參數(shù)，并統(tǒng)計(jì)這些參數(shù)應(yīng)用多元線性回歸建立牛肉嫩度剪切力預(yù)測(cè)模型。結(jié)果表明:可見光下利用紋理特征預(yù)測(cè)牛肉嫩度的方法能夠以96%的準(zhǔn)確率實(shí)現(xiàn)嫩度剪切力等級(jí)的預(yù)測(cè)，具有較高的商用開發(fā)價(jià)值。

牛肉；嫩度；紋理；灰度共生矩陣；多元線性回歸

牛肉是人類食用的主要肉類產(chǎn)品之一，是一種營(yíng)養(yǎng)價(jià)值較高的食物。隨著經(jīng)濟(jì)的發(fā)展，人民生活水平的提高，近幾年中國(guó)牛肉生產(chǎn)和消費(fèi)持續(xù)穩(wěn)定增長(zhǎng)。人民對(duì)牛肉的食用品質(zhì)的要求也不斷提高，人們大都從色、香、味、嫩等幾個(gè)方面來評(píng)價(jià)，形成了嫩度、顏色、風(fēng)味、系水力和多汁性等指標(biāo)[1]。其中，肉的嫩度反映其質(zhì)地及食用時(shí)口感的老嫩[2]，由肌肉中各種蛋白質(zhì)結(jié)構(gòu)特性決定。牛肉嫩度評(píng)價(jià)是其食用品質(zhì)質(zhì)量的重要指標(biāo)，是消費(fèi)者評(píng)判牛肉質(zhì)優(yōu)劣的最常用指標(biāo)，直接影響牛肉的食用和商業(yè)價(jià)值。

現(xiàn)在對(duì)牛肉嫩度評(píng)價(jià)的主要方法有感官評(píng)價(jià)和剪切力檢測(cè)[3]。人工感官評(píng)價(jià)準(zhǔn)備比較繁瑣，易受主觀因素干擾，通常誤差較大。剪切力方法，即使用剪切儀檢測(cè)牛肉嫩度，這種方法對(duì)肉有破壞作用，操作時(shí)間長(zhǎng)，不適合工廠在線生產(chǎn)中應(yīng)用。因此開發(fā)一種基于及其視覺的牛肉嫩度的無損、快速的在線檢測(cè)技術(shù)和系統(tǒng)成為一種需要。

在肉制品品質(zhì)無損檢測(cè)中，近紅外光譜(NIR)、高光譜和可見光下的機(jī)器視覺技術(shù)都被用于嫩度檢測(cè)。NIR技術(shù)已經(jīng)被應(yīng)用于牛肉嫩度檢測(cè)，然而，據(jù)預(yù)測(cè)結(jié)果分析，與實(shí)際結(jié)果存在較大差異，處理速度也很緩慢[4-7]。

高光譜技術(shù)最近成為嫩度及肉品質(zhì)檢測(cè)的一個(gè)熱點(diǎn)，其結(jié)合檢測(cè)樣本的光譜與空間信息，能獲取較為全面的信息，但其存在系統(tǒng)成本高、數(shù)據(jù)量大、處理時(shí)間長(zhǎng)等缺點(diǎn)[8-12]。

國(guó)內(nèi)外學(xué)者[13-17]也開發(fā)了基于及其視覺的肉制品嫩度檢測(cè)技術(shù)，研究了肉色、大理石花紋信息、反映圖像紋理信息的灰度矩陣特征與牛肉嫩度的預(yù)測(cè)關(guān)系，結(jié)果表明利用灰度共生矩陣提取的紋理特征對(duì)牛肉嫩度預(yù)測(cè)結(jié)果有較大的貢獻(xiàn)值。國(guó)內(nèi)，孫永海等[13]把牛肉分為兩類，對(duì)大理石花紋豐富的牛肉采用大理石花紋信息預(yù)測(cè)，而對(duì)大理石花紋不豐富的，則采用灰度空間矩陣法預(yù)測(cè)牛肉嫩度。

基于以上研究經(jīng)驗(yàn)，可見光下牛肉切面的紋理特征參數(shù)與牛肉嫩度有密切聯(lián)系，牛肉切面的大理石花紋特征參數(shù)也一定程度上影響著牛肉嫩度值，將兩者結(jié)合建立牛肉嫩度預(yù)測(cè)模型能夠更好的預(yù)測(cè)各種不同牛肉樣本的嫩度值。本實(shí)驗(yàn)結(jié)合使用剪切儀測(cè)量的牛肉樣本眼肌切面的嫩度剪切力值，利用灰度共生矩陣提取出圖像各紋理等特征值，并提取出牛肉眼肌切面圖片的大理石花紋特征值，采用主成分分析方法，優(yōu)化選擇了角二階矩、慣性矩、局部平穩(wěn)性、熵、花紋面積以及花紋周長(zhǎng)特征變量，并應(yīng)用多元線性回歸建立剪切力預(yù)測(cè)模型，實(shí)現(xiàn)在線的牛肉嫩度預(yù)測(cè)。

1 材料與方法

1.1 牛肉樣本

牛肉樣本取自安徽省瀚森荷金來肉牛集團(tuán)，選擇的牛種類為西門塔爾牛。取樣過程為:90頭牛齡在54～72個(gè)月之間的西門塔爾牛屠宰前對(duì)其編號(hào)，屠宰后，經(jīng)過2d的排酸后，進(jìn)行分割，取胴體二分體之一第12～13根肋骨之間的西冷和眼肌牛肉，經(jīng)過工作人員修剪后，即可進(jìn)行圖片采集。此部位較其他部位的食用價(jià)值高，且牛肉大理石花紋一般比較豐富，故重點(diǎn)對(duì)此區(qū)域的眼肉和外脊肉進(jìn)行分析和判別。其中50片為眼肌牛肉，用于建立多元線性回歸模型以訓(xùn)練樣本；其余40片為非眼肌區(qū)域的外脊牛肉，用于驗(yàn)證判別模型的判別效果。在采集牛肉切面圖片后，裝袋編號(hào)冷藏，供測(cè)剪切力值使用。

1.2 儀器與設(shè)備

圖像采集系統(tǒng)(MVC2900F USB2.0 CCD工業(yè)相機(jī)、PENTEX H614鏡頭以及的HPD-150SW LED圓頂照明光源) 美國(guó)CCS公司；C-LM3B數(shù)顯式肌肉嫩度儀 東北農(nóng)業(yè)大學(xué)研制；便攜式的移動(dòng)終端 南京農(nóng)業(yè)大學(xué)研制。

肌肉嫩度儀獲取牛肉樣本的剪切力，用于建立預(yù)測(cè)模型以及檢驗(yàn)比較模型的準(zhǔn)確性。放置連接各硬件后，將牛肉樣本置于工作臺(tái)上，調(diào)節(jié)光源亮度和方向，調(diào)節(jié)相機(jī)焦距和光圈使圖像最為清晰，保證紋理和花紋信息的充分獲取，記錄、固定這些實(shí)驗(yàn)條件和硬件參數(shù)，并在實(shí)驗(yàn)中保證這些硬件參數(shù)的一致性。便攜式的移動(dòng)終端用以采集牛肉切面圖片信息，傳輸至服務(wù)器端，判級(jí)后將嫩度等級(jí)回傳至便攜式移動(dòng)終端。

1.3 圖像的處理

牛肉圖片信息往往含有一些畸變和噪聲，為便于在穩(wěn)定的圖片信息下更好的獲取牛肉切面圖片特征信息，需要對(duì)這些噪聲進(jìn)行預(yù)處理。通過實(shí)驗(yàn)，采用濾波銳化的效果較好。在對(duì)牛肉圖像進(jìn)行預(yù)處理后，進(jìn)行對(duì)各個(gè)特征參數(shù)的提取以及處理分析。

1.3.1 大理石花紋特征

首先，對(duì)牛肉切面圖片使用加權(quán)平均算法實(shí)現(xiàn)圖片的灰度化，利用自適應(yīng)閾值法二值化圖片[18]。背最長(zhǎng)肌的以及大理石花紋的分割的方法有很多[19-21]，本研究算法中實(shí)現(xiàn)背膘脂肪和背最長(zhǎng)肌的分割，再利用模糊C均值等算法實(shí)現(xiàn)大理石花紋的分割。

其次，根據(jù)大量實(shí)驗(yàn)數(shù)據(jù)，為了能獲取較全面的大理石花紋信息，同時(shí)避開背膘脂肪和背景對(duì)大理石花紋信息的提取的影響，分析選取圖片中的最優(yōu)目標(biāo)區(qū)域。最終規(guī)定了特征提取時(shí)圖像某一固定矩形區(qū)域[22]，用以獲取像素灰度信息。

再次，對(duì)以上的牛肉切面目標(biāo)區(qū)域，分析提取大理石花紋的面積和以及大理石花紋的周長(zhǎng)和。并依此確定參數(shù)牛肉大理石花紋面積和密度以及大理石花紋周長(zhǎng)比例。

式中:At為牛肉眼肌切面目標(biāo)區(qū)域面積；Am為各個(gè)樣本的大理石花紋面積和；σ為樣本的大理石花紋密度；Cm為大理石花紋周長(zhǎng)和；λ為樣品大理石花紋比例。

1.3.2 牛肉圖像紋理特征

牛肉嫩度除了與大理石花紋脂肪含量有關(guān)，往往與牛肉眼肌切面肌肉的肌束纖維的直徑、密度、橫截面積及其分布密切相關(guān)。肌肉纖維越細(xì)，密度越大，牛肉越嫩。因此，需要研究牛肉背最長(zhǎng)肌眼肌區(qū)域切面圖片的信息，分析紋理特征，提取紋理特征，并篩選對(duì)嫩度值貢獻(xiàn)大的特征，用以預(yù)測(cè)牛肉嫩度。紋理是一種反映像素的空間分布屬性的圖像特征[23]，通常表現(xiàn)為局部不規(guī)則而宏觀有規(guī)律的特性。

現(xiàn)在技術(shù)較成熟且應(yīng)用廣泛的圖像紋理分析的方法為灰度共生矩陣方法(GLCM)，最早由Haralick等[24]在1973年首次提出，其檢測(cè)結(jié)果比光譜法以及灰度游程方法更好。該方法廣泛應(yīng)用于圖像紋理特征的提取，例如暴雨過程中的衛(wèi)星云圖紋理特征提取[25]，以及基于紋理特征的圖像檢索研究[26]。故本實(shí)驗(yàn)選擇灰度共生矩陣來提取分析牛肉眼肌切面的紋理特征。

灰度共生矩陣為圖像像素灰度二階統(tǒng)計(jì)的度量。其共生矩陣基元P(i, j, d,θ)為在相d個(gè)像素距離，θ方向上，分別出現(xiàn)灰度值為i和灰度值j的兩個(gè)像素點(diǎn)的頻數(shù)。對(duì)于距離d而言，若與紋理粗糙度相比較小，像素間灰度比較平滑，亮度趨于相似，則共生矩陣P(i, j, d,θ)的元素在對(duì)角線附近分布密集；若d較大，像素間灰度分布不均，則共生矩陣P(i, j, d,θ)元素將離開對(duì)角線分散在各處。本實(shí)驗(yàn)中選擇d為2，θ為0?；叶裙采仃嚨亩x公式如下:

式中:(x, y)為像素點(diǎn)坐標(biāo)；640和480為圖像像素的列和行的數(shù)目。

獲取的牛肉圖片為3通道的8位彩色灰度級(jí)的圖片，每通道具有256個(gè)灰度級(jí)。如果直接使用灰度共生矩陣來提取各個(gè)特征，計(jì)算量將非常大，消耗不必要的系統(tǒng)資源。為此，根據(jù)研究表明[13]，需要將圖像像素灰度級(jí)降為16級(jí)。經(jīng)過簡(jiǎn)化的圖像信息精度有所損失，但是不影響紋理特征的提取?；叶日?guī)化公式如式(3)所示。

通過數(shù)據(jù)分析以及主成分分析遴選Haralick提出的14種紋理特征，選擇4個(gè)對(duì)牛肉嫩度值貢獻(xiàn)較大的特征，分別如下:

1.4 剪切力評(píng)估

在進(jìn)行牛肉切面圖像的采集和處理后，對(duì)牛肉剪切力進(jìn)行測(cè)量。取樣本稱量，將其裝入塑料袋，在肌肉中心避開結(jié)締組織和脂肪插入溫度彈頭，放入水中，進(jìn)行水浴，其溫度控制在75～80℃，加熱至探頭溫度70℃，取出樣本稱量；之后，用保鮮膜包裝好，放置于4℃條件下冷卻24h。順牛肉肌肉纖維方向切取剪切樣本10個(gè)，長(zhǎng)度為5mm，用特制刀具切取的切面尺寸控制在10mm×10mm，對(duì)每個(gè)牛肉樣本的10個(gè)剪切樣本垂直肌肉方向置于嫩度儀刀片下，剪切后，記錄下實(shí)驗(yàn)數(shù)據(jù)，求取該10個(gè)剪切力的平均值作為該牛肉樣本的嫩度值。

將實(shí)驗(yàn)中的32個(gè)樣本的平均剪切力與人工感官評(píng)價(jià)的得分對(duì)比分析，得出牛肉剪切力小于6kg的為嫩牛肉；牛肉剪切力介于6～9kg之間的為中等牛肉；牛肉剪切力大于9kg的為老牛肉。分別賦他們的等級(jí)為A、B、C。圖1 是3個(gè)不同嫩度等級(jí)的牛肉切面的紋理圖片。

圖1 3種不同等級(jí)的牛肉切面紋理圖像Fig.1 Three representative beef texture images of different tenderness grades

2 建立多元線性回歸數(shù)學(xué)模型

2.1 統(tǒng)計(jì)數(shù)據(jù)

令f15＝Am，f16＝Cm，結(jié)合f1、f2、f5和f9，經(jīng)過牛肉圖片相關(guān)參數(shù)的提取和剪切力的測(cè)量得出了對(duì)應(yīng)牛肉樣本的統(tǒng)計(jì)數(shù)據(jù)。選其中10個(gè)樣本，統(tǒng)計(jì)數(shù)據(jù)如表1所示。

表 1 牛肉圖片嫩度特征參數(shù)提取實(shí)驗(yàn)結(jié)果Table 1 Extraction of parameter values from beef images related to beef tendernes

續(xù)表 1

2.2 建立嫩度預(yù)測(cè)模型

由50組實(shí)驗(yàn)數(shù)據(jù)，用SPSS 16.0軟件進(jìn)行線性回歸分析，得出嫩度剪切力預(yù)測(cè)模擬模型，其顯著性水平小于0.05，相關(guān)系數(shù)r為0.679，其判別式如下:

式(5)結(jié)合各個(gè)特征值的物理含義，分析其系數(shù)與嫩度剪切力值的對(duì)應(yīng)關(guān)系。f1與嫩度剪切力值呈正相關(guān)，f1用來度量圖像紋理的分布均勻性，其值越小說明紋理灰度變化越大，從而對(duì)應(yīng)著牛肉紋理較細(xì)、嫩度較嫩的圖片；反之，則對(duì)應(yīng)著紋理較粗嫩度較老的圖片。f2與y呈負(fù)相關(guān)，其物理含義為圖像紋理的清晰度，其值越小紋理紋溝越淺，越模糊，說明嫩度越老；反之，則越清晰，則牛肉嫩度越嫩。f5與嫩度值成正相關(guān)，f5用于衡量圖像紋理的同質(zhì)性，反映局部變化大小，其值越小，則說明圖像區(qū)域間變化大，對(duì)應(yīng)牛肉嫩度則越嫩；反之，則越老。f9與嫩度剪切力成正相關(guān)，其值用于衡量圖像所含的信息量，若其值越小，對(duì)應(yīng)著的牛肉嫩度值越?。环粗?，則越大。f15為牛肉切面大理石花紋面積和，其值越大，肥育時(shí)間越長(zhǎng)，反映著牛齡越大，則牛肉嫩度剪切力值越大，由于本實(shí)驗(yàn)中樣本大致花紋不是很豐富，則其系數(shù)偏小；反之，則越小。f16為大理石花紋的周長(zhǎng)和，其值越小，說明大理石花紋脂肪塊越呈現(xiàn)大塊狀，花紋對(duì)嫩度的影響小，則相對(duì)而言剪切力值越大；反之，其值若越大，則說明，大理石花紋分布較均勻，則牛肉越嫩，剪切力值越小。

2.3 多元線性回歸模型預(yù)測(cè)分析

根據(jù)50組眼肌區(qū)域切面數(shù)據(jù)和多元線性回歸預(yù)測(cè)模型，建立熟肉嫩度剪切力值與本研究中模型的預(yù)測(cè)結(jié)果的對(duì)比散點(diǎn)圖，如圖2a所示。用另外40組非眼肌區(qū)域的外脊切面數(shù)據(jù)用來驗(yàn)證所建立模型的預(yù)測(cè)效果，如圖2 b所示。

圖2 多元線性回歸模型預(yù)測(cè)結(jié)果Fig.2 Linear plots of predicted versus measured values of beef shear force revealing accurancy of the prediction model

由圖2及其對(duì)應(yīng)的數(shù)據(jù)分析，得到模型擬合結(jié)果:預(yù)測(cè)模型對(duì)嫩度等級(jí)A判別的準(zhǔn)確率為90.9%；預(yù)測(cè)模型對(duì)嫩度等級(jí)B判別的準(zhǔn)確率為100%；預(yù)測(cè)模型對(duì)嫩度等級(jí)C判別的準(zhǔn)確率為86%。對(duì)于各個(gè)等級(jí)總的預(yù)測(cè)模型判別的準(zhǔn)確率為96%。外脊切面圖片的驗(yàn)證結(jié)果為:嫩度等級(jí)A驗(yàn)證判別的準(zhǔn)確率為85.7%；嫩度等級(jí)B驗(yàn)證判別的準(zhǔn)確率為100%；嫩度等級(jí)C驗(yàn)證判別的準(zhǔn)確率為83.3%。對(duì)于各個(gè)等級(jí)總的驗(yàn)證判別的準(zhǔn)確率為92.5%。因此，總體樣本嫩度剪切力預(yù)測(cè)準(zhǔn)確率較高，對(duì)于機(jī)器視覺的牛肉嫩度預(yù)測(cè)效果較好，具有較好的實(shí)用價(jià)值和現(xiàn)實(shí)指導(dǎo)意義。

3 結(jié) 論

國(guó)內(nèi)外許多學(xué)者在可見光下對(duì)牛肉嫩度預(yù)測(cè)都做了研究，最終的目的都是在較小的硬件投入下，用較小的時(shí)間，以較高的準(zhǔn)確率預(yù)測(cè)出牛肉嫩度。本研究實(shí)現(xiàn)了基于牛肉切面圖像紋理的灰度共生矩陣的4個(gè)特征參數(shù)以及大理石花紋的特征參數(shù)的提取，研究了它們與牛肉嫩度剪切力值的關(guān)系。其主要結(jié)論如下:

1)提取灰度共生矩陣的各個(gè)特征參數(shù)值，根據(jù)主成分分析，選取對(duì)嫩度剪切力貢獻(xiàn)值最顯著的4個(gè)特征值:角二階矩、慣性矩、局部平穩(wěn)性和熵。

2)結(jié)合大理石花紋提取算法，提取出大理石花紋的2個(gè)特征參數(shù)值:大理石花紋面積和大理石花紋周長(zhǎng)和。利用這2個(gè)參數(shù)和上述4個(gè)參數(shù)，對(duì)熟肉嫩度值建立多元線性回歸模型。得到相關(guān)系數(shù)r為0.679，各個(gè)圖像特征參數(shù)的系數(shù)都較好的反映了其與牛肉嫩度剪切力的對(duì)應(yīng)關(guān)系。

3)檢驗(yàn)回歸模型嫩度判級(jí)效果，嫩度等級(jí)A判別的準(zhǔn)確率為85.7%，嫩度等級(jí)B判別的準(zhǔn)確率為100%，嫩度等級(jí)C判別的準(zhǔn)確率為83.3%。結(jié)果表明，利用牛肉圖像紋理特征和大理石花紋特征建立的多元線性回歸模型對(duì)嫩度的預(yù)測(cè)和分類是可行的，有較高的預(yù)測(cè)率，硬件成本合理，處理速度很快，對(duì)牛肉而言為無損檢測(cè)，具有較高的研究和實(shí)際應(yīng)用價(jià)值。

[1]徐霞, 成芳, 應(yīng)義斌. 近紅外光譜技術(shù)在肉品檢測(cè)中的應(yīng)用和研究進(jìn)展[J]. 光譜學(xué)與光譜分析, 2009, 29(7): 1876-1880.

[2]周光宏. 肉品學(xué)[M]. 北京: 中國(guó)農(nóng)業(yè)科技出版社, 1999.

[3]趙杰文, 翟劍妹, 劉木華, 等. 牛肉嫩度的近紅外光譜法檢測(cè)技術(shù)研究[J]. 光譜學(xué)與光譜分析, 2006, 26(4): 640-642.

[4]BOWLING M B, VOTE D J, BELK K E, et al. Using reflectance spectroscopy to predict beef tenderness[J]. Meat Science, 2009, 82(1): 1-5.

[5]XIA J J, BERG E P, LEE J W, et al. Characterizing beef muscles with optical scattering and absorption coefficient s in VIS/NIR region[J]. Meat Science, 2007, 75(1): 78-83.

[6]PARK B, CHEN Y R, HURSCHKA W R, et a1. Near-infrared reflectance analysis for predicting beef longissimus tenderness[J]. Journal of Animal Science, 1998, 76(8): 2115-2120.

[7]BYRNE C E, DOWNEY G, TROY D J, et al. Nondestructive prediction of selected quality attributes of beef by near-infrared reflectance spectroscopy between 750 and 1098 nm[J]. Meat Science, 1998, 49(4): 399-409.

[8]陳全勝, 張燕華, 萬新民, 等. 基于高光譜成像技術(shù)的豬肉嫩度檢測(cè)研究[J]. 光學(xué)學(xué)報(bào), 2010, 30(9): 2602-2607.

[9]吳建虎, 彭彥昆, 陳菁菁, 等. 基于高光譜散射特征的牛肉品質(zhì)參數(shù)的預(yù)測(cè)研究[J]. 光譜學(xué)與光譜分析, 2010, 30(7): 1815-1819.

[10]吳建虎, 彭彥昆, 江發(fā)潮, 等. 牛肉嫩度的高光譜檢測(cè)技術(shù)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2009, 40(12): 135-139.

[11]NAGANATHAN G K, GRIMES L M, SUBBIAH J, et al. Visible/nearinfrared hyperspectral imaging for beef tenderness prediction[J]. Computers and Electronics in Agriculture, 2008, 64(2): 225-233.

[12]QIAO Jun, NGADI M O, WANG Ning, et al. Pork quality and marbling level assessment using a hyperspectral imaging system[J]. Journal of Food Engineering, 2007, 83(1): 10-16.

[13]孫永海, 鮮于建川, 石晶. 基于計(jì)算機(jī)視覺的冷卻牛肉嫩度分析方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2003, 34(5): 102-105.

[14]劉木華, 伍德林, 趙文杰. 計(jì)算機(jī)圖像技術(shù)在牛肉品質(zhì)檢測(cè)中的應(yīng)用(綜述)[J]. 安徽農(nóng)業(yè)大學(xué)學(xué)報(bào), 2004, 13(4): 427-430.

[15]LI J, TAN J, MARTZ F A, et al. Image texture feature as indicators of beef tenderness[J]. Meat Science, 1993, 53(1): 17-22.

[16]CHANDRARATNE M R, SAMARASINGHE S, KULASIRI D, et al. Prediction of lamb tenderness using image surface texture features[J]. Journal of Food Engineering, 2006, 77(3): 492-499.

[17]VOTE D J, BELK K E, TATUM J D, et al. Online prediction of beef tenderness using a computer vision system equipped with a BeefCam module[J]. Journal of Animal Science, 2003, 81(2): 457-465.

[18]謝鳳英, 趙丹培. Visual C++數(shù)字圖像處理[M]. 北京: 電子工業(yè)出版社, 2008: 58-100.

[19]伍學(xué)千, 廖宜濤, 樊玉霞, 等. 基于KFCM和改進(jìn)分水嶺算法的豬肉背最長(zhǎng)肌分割技術(shù)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2010, 41(1): 172-176.

[20]趙杰文, 劉木華, 張海東. 基于數(shù)學(xué)形態(tài)學(xué)的牛肉圖像中背長(zhǎng)肌分割和大理石紋提取技術(shù)研究[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2004, 20(1): 143-146.

[21]劉木華, 趙杰文, 張海東. 基于模糊C均值聚類的牛肉圖像中脂肪和肌肉區(qū)域分割技[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2004, 20(2): 161-163.

[22]仇金宏, 彭增起, 沈明霞, 等. 基于非完全信息算法的牛肉大理石花紋提取方法[J]. 食品科學(xué), 2010, 31(19): 166-169.

[23]劉麗, 匡綱要. 圖像紋理特征提取方法綜述[J]. 中國(guó)圖像圖形學(xué)報(bào), 2009, 14(4): 622-635.

[24]HARALICK R M, SHANMUGAM K, DINSTEIN I. Textural features for image classification[J]. IEEE Transactions on Systems, Man and Cybernetics, 1973, 3(6): 610-621.

[25]壽亦萱, 張穎超, 趙忠明, 等. 暴雨過程的衛(wèi)星云圖紋理特征研究[J].南京氣象學(xué)院學(xué)報(bào), 2005, 28(3): 337-343.

[26]張建軍, 李鐵. 基于紋理特征的圖像檢索系統(tǒng)設(shè)計(jì)[J]. 長(zhǎng)沙大學(xué)學(xué)報(bào), 2009, 23(2): 83-85.

Prediction of Beef Tenderness Based on Image Texture Features

WANG Wei1，SHEN Ming-xia1,*，PENG Zeng-qi2，CHEN Shi-jin1，WU Hai-juan1，LIU Chao-chao1，LIANG Lin1，CHEN Qi-liang2
(1. College of Engineering, Nanjing Agricultural University, Nanjing 210031, China；2. Key Laboratory of Agricultural and Animal Products Processing and Quality Control, Ministry of Agriculture, Nanjing Agricultural University, Nanjing 210095, China)

A mathematical modeling method for predicting beef tenderness utilizing image texture features under visible light was proposed. After image preprocessing, beef longissimus dorsi muscle and marbling were segmented, and then four marbling features that greatly influence beef shear force as a measure of meat tenderness were extracted by grey-level co-occurence matrix (GLCM) technique and statistically analyzed to establish a multiple linear regression model for predicting beef shear force. The proposed predictive method for beef shear force allowed 96% accurate prediction of beef tenderness, indicating its high value for commercial application.

beef；tenderness；texture；gray level co-occurrence matrix；multiple linear regression

TS251.52；TP391.41

A

1002-6630(2012)15-0061-05

2011-07-28

國(guó)家現(xiàn)代農(nóng)業(yè)(肉牛)產(chǎn)業(yè)技術(shù)體系項(xiàng)目(080600231；080600232)；農(nóng)業(yè)科技成果轉(zhuǎn)化資金項(xiàng)目(SQ2011ECC100043)；江蘇高校優(yōu)勢(shì)學(xué)科建設(shè)工程資助項(xiàng)目(PAPD)

王衛(wèi)(1985—)，男，碩士研究生，研究方向?yàn)闄C(jī)器視覺與圖像處理在農(nóng)產(chǎn)品品質(zhì)檢測(cè)領(lǐng)域中的應(yīng)用。

E-mail:williamkingdom@gmail.com

*通信作者:沈明霞(1964—)，女，教授，博士，研究方向?yàn)闄C(jī)器視覺和信息農(nóng)業(yè)。E-mail:mingxia@njau.edu.cn