基于計算機視覺的牛肉質量分級研究進展

丁 冬，陳士進，沈明霞,*，彭增起，梁 琨

（1.南京農業大學工學院，江蘇 南京 210031；2.南京農業大學 農業部農畜產品加工與質量控制重點開放實驗室，江蘇 南京 210095）

?

基于計算機視覺的牛肉質量分級研究進展

丁 冬1，陳士進1，沈明霞1,*，彭增起2，梁 琨1

（1.南京農業大學工學院，江蘇 南京 210031；2.南京農業大學 農業部農畜產品加工與質量控制重點開放實驗室，江蘇 南京 210095）

摘 要：牛肉品質分級對于肉牛產業具有重要意義，為克服人工評級的弊端，客觀、無損的自動分級技術成為研究熱點。本文綜述了國內外利用計算機視覺對牛肉大理石紋、生理成熟度、肉色和脂肪色這些指標進行分級預測的研究進展情況，討論了研究過程中諸如圖像分割、特征提取方面存在的困難，最后指出了計算機視覺技術在牛肉品質分級應用過程中存在的問題以及可能的發展方向。

關鍵詞：計算機視覺；牛肉；質量分級

計算機視覺技術近年來在農產品檢測領域得到廣泛的應用[3-5]，它通過光學成像傳感器代替人眼獲取被檢對象的圖像信息，利用圖像處理和模式識別算法模擬人的判別準則去理解圖像，被認為是一種很有前景的食品質量客觀評估方法[5]。McDonald等[6]最早將其引入到牛肉分級標準的量化研究上，經過幾十年的發展，計算機視覺技術在牛肉分級領域得到深入研究，國外已有在線檢測的實際應用，實踐證明這些牛肉智能評級系統對于牛肉產量級的評定已經可以取代人工評級[2,7]，但在關乎牛肉品質的質量等級預測上還需要進一步的研究和完善。雖然不同國家在牛肉質量分級的具體標準和尺度上不盡相同，但基本原理相通，其中有4 個視覺評估指標最為常見，即大理石紋、生理成熟度、肌肉色和脂肪色[2-3]，基于視覺圖像分析的牛肉質量分級研究主要圍繞這些指標展開。

1　大理石紋等級評定

大理石紋指的是牛肉肌纖維之間沉積脂肪形成的可見花紋[3,8]，其等級是依據指定眼肌切面中背最長肌區域內脂肪的含量和分布情況進行評定，形成的大理石紋愈豐富，對應級別愈高[8]。大理石紋等級是決定牛肉質量等級的主要權重因素，利用計算機視覺系統代替人工評級需解決兩個關鍵問題：一是如何將大理石紋從復雜的背景中精準地提取出來，二是如何將大理石紋的豐富程度量化成合適的特征指標，并建立等級預測模型。

1.1大理石紋的提取

分割提取背最長肌區域內的大理石紋是后續等級評定的前提，比較常用的分割算法有閾值法、數學形態學法、邊緣檢測法、基于區域和基于聚類的分割算法等[9-10]。一般步驟是先去除背景，再區分出肌肉和脂肪像素，最后提取出背最長肌作為目標區域，實現大理石紋的提取。其中，分割肌肉和脂肪以及提取背最長肌區域是研究的重點。

1.1.1 肌肉和脂肪像素的分割

基于肌肉和脂肪的顏色差異，利用全局閾值法將眼肌圖片二值化是區分兩者的常見做法，對于閾值的計算方法國內外作了很多研究。Yoshikawa等[11]最早引入基于最小二乘原理的Otsu算法計算了牛肉脂肪與肌肉像素的最優全局閾值，該方法簡單快捷，在亮度均勻的情況下可以得到很好的分割效果。Jackman等[12]結合聚類算法，通過增強對比度、調整圖片亮度等方法經過多次計算，確定出肌肉和非肌肉像素的閾值。Huan等[13]則引入Renyi熵計算出分割閾值，并結合形態學操作實現了肌肉像素的自動提取。

除閾值法外，Jeyamkondan等[14]發現模糊C均值聚類算法（fuzzy C-mean clustering，FCM）能有效模仿人類的視覺，適合于將肌肉和脂肪進行聚類分割，分割誤差小于5%，低于傳統閾值分割15%～16%的誤差水平。Shiranita等[15]則用神經網絡算法在4 位灰度圖像中區分出脂肪和肌肉像素，二值化圖與原圖對比證明了方法的有效性，但算法較為復雜。

這樣一個巧笑倩兮、美目盼兮，令女孩子都神魂顛倒的美女，美卻不自知。面對眾多的傾慕者，她沒有縱身于一場戀愛當中，只在大學校園安靜地做一枚學霸，饑渴地汲取更多的知識。

國內對牛肉自動分級技術開展研究較晚，在分割算法上多是借鑒國外已有的研究。文獻[16-20]采用閾值法分割肌肉和脂肪像素，文獻[21-24]則是運用了FCM算法。仇金宏等[24]將傳統FCM算法中的隸屬函數、聚類數等參數進行優化，提高了算法的準確性和穩定性。除了這兩種經典算法，Chen Kunjie等[25]設計了一套視覺測試卡，將人類視覺閾值運用到區域生長法中，從而實現自適應分割，提高了分割效果的穩定性。趙文琦[26]和牛四杰[27]等針對生物體圖像弱對比度問題，引入了水平集方法對牛肉眼肌圖像進行分割，實現了眼肌邊緣的準確提取。水平集方法拓撲適應性強，能夠分割結構復雜的生物組織圖片[27]，這種基于邊緣檢測的圖像分割方法值得進一步研究。

上述方法中，基于閾值的分割算法簡單、穩定且運算速度快，更能適應在線檢測的需求，但在光照不均等復雜環境下分割效果還有待改進。因此，結合聚類或其他模式識別方法，在合理選擇顏色空間的基礎上實現最優閾值的快速選取，是將來肌肉和脂肪像素分割研究的一個重要方向。

1.1.2 背最長肌區域的提取

大理石紋評級是基于眼肌切面中背最長肌區域進行的，這一區域作為后續評級的感興趣區域（region of interest，ROI）必須單獨提取出來。最常用的提取方法是基于數學形態學的圖像處理法，即在二值化圖片上采用標記、反復腐蝕和膨脹等操作，先將ROI與眼肌外圍脂肪、附生肌等區域分離出來，然后通過區域面積標記、選取最大連通區域來實現ROI提取。Subbiah等[28]根據背最長肌的凸形特征對目標區域的提取條件進行了改進，借鑒了計算幾何的凸包生成算法，通過判斷多次腐蝕、膨脹迭代后凸包中目標區域的面積比率，實現了ROI提取，分割錯誤率僅為1.97%。

上述這種區域提取方法也有缺陷，反復膨脹、腐蝕操作會導致目標區域的面積、周長等形態參數出現精度誤差，對于雪花牛肉這類肌內脂肪比較豐富的品種，算法的適應性較差，易出現過分割或欠分割現象，影響后期評級的準確性。針對這個問題，Huan等[13]先利用8 鏈碼從二值化圖片中提取出眼肌肌肉的邊緣輪廓，然后基于輪廓曲線進行角點檢測，在對凹凸點的位置情況進行判斷后，選擇性地連接一些邊緣凸點，從而提取出ROI。這種方法能夠有效克服因條狀脂肪伸入背最長肌而引起的過分割現象，分割效果與專家手工分割比較，錯誤率為2.63%。

國內方面，文獻[17-22]都采用了常規的形態學腐蝕、膨脹以及區域面積標記的方法，關于ROI過分割和欠分割的相關研究還很少。趙杰文等[21]為克服欠分割問題，采用不斷擴大的圓結構元素去腐蝕圖片的方法，可以去除背最長肌附近黏連的附生肌區域，但對于算法引入的面積誤差文獻中沒有討論。孟祥艷[29]先在H分量下對牛肉眼肌圖片進行形態學梯度等預處理，再利用改進的分水嶺算法實現大理石紋的分割，與傳統算法比較，圖像分割不足的現象明顯減少，誤分率的平均值為9.44%。

1.2大理石紋特征提取和等級預測

從分割圖像中提取出有效反映大理石紋豐富程度的特征參數，并將這些特征與大理石紋等級之間建立數學模型，從而實現對未知樣本的等級預測，這是實現牛肉自動評級的關鍵步驟。表1歸納了一些國內外研究者提取的大理石紋等級特征和采用的建模方法。

表1　牛肉大理石紋特征和預測模型TTaable 1 Beef marbling features and prediction models

大理石紋等級特征主要有兩大類，一類是基于大理石紋面積、顆粒數目等統計的數量特征值，另一類是反映大理石紋分布均勻程度的分布特征值。如果只采用肌內脂肪面積比這類數量指標表征大理石紋等級，會造成未知樣本預測正確率不高的情況[3]，因此需要結合評級員的先驗知識，在數量統計的基礎上將肌內脂肪的分布情況考慮進來，采用區域的脂肪像素方差[15]、脂肪顆粒分布密度[18,32]、紋理特征值[23]、分形維度特征值[30]或花紋的粗糙度、細密度[33]來表征大理石紋分布的豐富度和均勻度。隨著特征值數量的增加，還需對特征值進行優化篩選。陳坤杰等[30]通過變量相關性分析，將有嚴重共線性關系的特征參數進行合并，保留了與等級結果相關程度更高的3 個特征值。周彤等[32]對提取的10 個特征值先進行主成分分析，只采用貢獻率較大的前3 個主成分參與建模。

在建模方法上，經典的多元線性回歸是比較常用的方法，神經網絡和支持向量機等人工智能算法也被越來越多地使用。艾虎[34]曾在兩種特征值選取方案下，對人工神經網絡模型與多元線性回歸模型的性能進行了比較，結果發現實測值與預測值之間相關系數的平均值都是人工神經網絡模型較高，但這一結論還需要大量樣本來驗證。

2　生理成熟度等級評定

生理成熟度是評定肉牛胴體質量等級的一個重要指標，表征了牛胴體各部位的生長發育狀況，一般情況下，牛胴體的生理成熟度越小，牛肉品質越好，其等級越高[35]。有研究表明隨著生理成熟度的提高，牛肉肌原纖維變粗，剪切力值變大，牛肉的蒸煮損失也呈增大趨勢[36]。

肉牛生理成熟度可依據門齒的變化以及脊椎骨棘突末端軟骨的骨質化程度來判斷[35,37]。隨牛齡的增大，門齒狀況會發生變化，脊椎骨質化程度也會有規律性地增強，表現為胸椎末端軟骨的顏色會隨之變化[35-36]。在實際生產中，門齒判定法在操作上具有一定難度，而骨質化程度判定法可以依靠視覺評估直接判定，相對方便易行，這也是美國、澳大利亞等許多國家牛肉分級體系中使用的方法[37]。但人工視覺評定依賴主觀經驗，會用諸如“少量骨化”、“小部分骨化”等一些模糊用語進行表述[35]，不能實現對骨質化程度的定量判定。

2003年，Hatem等[38]曾對基于計算機視覺的牛肉生理成熟度檢測進行過初步的研究，提取出表征軟骨顏色變化的特性曲線，并基于平均色調值這一特征建立神經網絡模型，對于只含有兩個成熟度等級的樣品組，模型預測正確率為75%，對于含有5 個成熟度等級的樣品組，預測正確率為65.9%。2010年，孟祥艷[35]在識別出軟骨區域的基礎上，優選出復雜形狀參數、凹性率兩個分類參數，利用BP神經網絡模型預測生理成熟度等級，5 個等級的預測正確率達到86.0%。

目前，軟骨和硬骨區域的圖像分割是自動評級過程中面臨的主要難點。因為軟骨區域的顏色與其周圍的脂肪組織非常相似，所以采用傳統的閾值法達不到很好的分割效果。Hatem等[39]利用HSL顏色空間中的H分量和CIELab顏色空間中的a*分量分別進行軟骨和硬骨區域的分割，再結合形態學操作和區域幾何特征提取目標區域，分割正確率為83%。國內劉木華等[40]基于Ohta顏色空間中的I2、I3分量對圖像進行二值化、腐蝕和區域填充等一系列操作，利用面積閾值分割出牛胸椎骨圖像中軟骨和硬骨區域。這些結果證明利用顏色空間轉換的方法分割軟、硬骨區域是可行的。另外，孟祥艷[35]在傳統的RGB圖片上分析軟骨的形狀特征，提取了7 個不變矩參數作為識別軟骨區域的特征值，并利用Hopfield神經網絡完成軟骨區域的檢索，識別正確率為92.31%。

3　肌肉色和脂肪色等級評定

肉的外觀顏色包括肌肉、脂肪的顏色和光澤，能夠表征肉的生理、生化和微生物學的變化，雖然在正常范圍內對肉的營養成分影響不大，但消費者往往會把肉色同新鮮度、風味或肉的質量聯系起來[41]，所以顏色是肉類分級時必須考量的重要指標之一。Girolami等[42]通過評估小組對比分析了計算機視覺系統和色差計對牛肉、豬肉和雞肉顏色的評估能力，結果發現色差計有其局限性，而計算機視覺系統對顏色的測量更貼近真實顏色。

目前國內外基于計算機視覺進行牛肉顏色自動評級的研究主要涉及的是肌肉顏色。Gerrard等[43]最早對美國農業部牛肉顏色等級進行研究，提取牛排肌肉R、G分量平均值作為特征值，預測了60個樣本的顏色等級，決定系數達到0.86。Larraín等[44]利用數字圖像技術評估了牛肉樣本CIE顏色空間的特征值，結果表明計算機視覺提取的a*、色相角和色度3 個分量值與色度計的測量值有較高的相關性，決定系數都在0.93以上。國內方面，賈淵等[45]對牛肉顏色的RGB分量進行了采樣和統計分析，并對每個肉色等級的顏色特征及其分布規律進行了初步的研究。陳坤杰等[46]提取了160 份牛肉圖片中肌肉區域的R、G、B、H、S、I顏色分量的平均值和標準偏差共12 個特征值作為肉色的描述參數，又建立了5 人評級小組，對所有樣本進行牛肉顏色等級評定，以BP神經網絡建模對牛肉顏色等級進行預測，預測的平均正確率達到了95%。Sun Xin等[47]在陳坤杰工作的基礎上，對提取的12 個特征值采用了逐步回歸的方法，篩選出R顏色分量均值這一特征，并對比了線性回歸和支持向量機兩種建模方法對肉色等級的預測效果，結果顯示支持向量機模型的預測正確率（94.7%）要好于線性回歸模型（86.8%）。

目前關于脂肪色等級自動評定的研究比較少，Chen Kunjie等[48]以牛肉圖像中脂肪像素點R、G、B、H、S、I的均值和標準差為輸入參數，利用支持向量機建模方法進行了脂肪色等級預測，參數優化后的模型對脂肪色等級的預測正確率為97.4%。

4　結 語

計算機視覺是一項可以客觀評定牛肉質量等級的檢測技術，具有無損、高效、成本低等特點，基于這一技術的分級系統已在美國、澳大利亞、加拿大等肉牛業發達的國家進入實際應用階段。然而，要推廣計算機視覺分級技術，并取代人工評級員，還有許多工作要做。1）保證牛肉圖像的質量是首要的問題。許多研究都發現，牛肉成像過程會受光源、樣品位置、環境反光乃至肉表面碎屑等多種因素的影響[3,49]，這些因素在實際生產環境中往往帶有不可控性，導致采集的圖片質量不一致，從而影響等級預測的準確性。因此需要對圖像采集裝置進行優化設計，既要便于操作，又能屏蔽外界干擾，使之適應企業的實際生產環境。同時企業在牛肉分割的操作規范上也需要相應規范，使牛肉生產工藝與自動分級技術相配套。2）如何高效、精準地提取大理石紋和背最長肌區域仍然是計算機視覺應用于牛肉分級過程中需要解決的關鍵問題之一，系統內嵌的一種分割算法面對的是復雜多變的牛肉圖像，易造成過分割或欠分割的情況。因此在圖像分割算法上還要做更多的基礎性研究，進一步尋找對圖像差異敏感度較低的分級特征，提高分割算法的魯棒性和預測模型的準確性。

除了將計算機視覺用于牛肉分級，還有研究將其用于牛肉嫩度、多汁性、適口性等食用品質的預測[50-52]，這些口感指標中尤以嫩度最受關注。目前牛肉質量指標對嫩度的分類預測并不理想，牛肉等級與適口性之間相關性的研究也并不多[53-54]。因此如何利用現有的質量指標更好地表征牛肉食用品質，建立與消費者感知一致的分級體系，這也是今后牛肉分級需要研究的方向之一。

近年來高光譜圖像技術正逐漸成為無損檢測領域的研究熱點[55]。它結合了光譜分析和光學成像技術的優勢，能同時檢測樣品的內在信息和外部特征，還可以將品質信息進行可視化表達，因此在食品和農產品品質檢測方面具有獨特的優勢。在肉品檢測領域，愛爾蘭孫大文教授的團隊構建了波段為900～1 700 nm的反射式高光譜成像系統，對豬肉、牛肉的一些質量指標比如顏色、pH值、嫩度以及蛋白質、水分和脂肪這些化學成分的含量進行了預測[56-59]，取得了很好的效果；還通過主成分分析，對3種不同品質的豬肉[60]和3 種不同部位的羊肉[61]進行判別分級，正確率分別達到96%和100%。國內彭彥昆教授的團隊則是基于400～1 100 nm波長范圍的高光譜數據，以光譜散射曲線的擬合參數作為特征，對牛肉的剪切力值、顏色[62]以及豬肉的嫩度[63]、新鮮度[64]進行了預測，對牛肉表面微生物腐敗[65]和豬肉表面大腸桿菌污染的評定[63]也進行了研究。另外，Qiao Jun等[66]在430～1 000 nm波段對40 個豬肉樣本的大理石花紋進行成功分級，Li Yongyu等[67]篩選出530 nm波長作為特征波段，實現牛肉大理石紋等級的判定。

相較于傳統的RGB圖像，高光譜數據能提供幾百個按波長順序排列的光學圖像集合，因此在肉的色澤、紋理、表面缺陷和污染等外觀品質檢測方面具有更大的潛力，相信圖譜合一的高光譜圖像技術將為計算機視覺在肉類品質檢測和分級中的應用帶來新的機遇。

參考文獻：

[1]李瑋姿, 朱近, 楊德吉, 等. 基于圖像的牛肉大理石紋理自動評級方法研究[J]. 食品科學, 2011, 32(9): 40-45.

[2]湯曉艷, 王敏, 錢永忠, 等. 牛肉分級標準及分級技術發展概況綜述[J].食品科學, 2011, 32(19): 288-293.

[3]TAN Jinglu. Meat quality evaluation by computer vision[J]. Journal of Food Engineering, 2004, 61: 27-35.

[4]JACKMAN P, SUN Dawen, ALLEN P. Recent advances in the use of computer vision technology in the quality assessment of fresh meats[J]. Trends in Food Science & Technology, 2011, 22(4): 185-197.

[5]孫大文, 吳迪, 何鴻舉, 等. 現代光學成像技術在食品品質快速檢測中的應用[J]. 華南理工大學學報: 自然科學版, 2012, 40(10): 59-68.

[6]McDONALD T P, CHEN Y R. Visual characterization of marbling in beef rib-eyes and its relationship to taste parameters[J]. Transactions of the ASABE, 1991, 34(6): 2499-2504.

[7]劉超超, 沈明霞, 彭增起. 機器視覺預測牛肉產量級研究現狀及展望[J]. 食品科學, 2011, 32(9): 324-328.

[8]NY/T 676—2010 牛肉等級規格[S].

[9]陳坤杰, 姬長英. 牛肉自動分級技術研究進展分析[J]. 農業機械學報, 2006, 37(3): 153-156.

[10]陳坤杰, 秦春芳, 姬長英. 牛胴體眼肌切面圖像的分割方法[J]. 農業機械學報, 2006, 37(6): 155-158.

[11]YOSHIKAWA F, TORAICHI K, WADA K, et al. On a grading system for beef marbling[J]. Pattern Recognition Letters, 2000, 21(12): 1037-1050.

[12]JACKMAN P, SUN Dawen, ALLEN P. Automatic segmentation of beef longissimus dorsi muscle and marbling by an adaptable algorithm[J]. Meat Science, 2009, 83(2): 187-194.

[13]HUAN L N, CHOI S, CHO S I, et al. Automatic extraction of leantissue contours for beef quality grading[J]. Biosystems Engineering, 2009, 102(3): 251-264.

[14]JEYAMKONDAN S, RAY N, KRANZLER G A, et al. Beef quality grading using machine vision[C]//Proceedings of the Conference on Biological Quality and Precision AgricultureⅡ, Boston, USA, 2000: 91-101.

[15]SHIRANITA K, HAYASHI K, OTSUBO A, et al. Grading meat quality by image processing[J]. Pattern Recognition, 2000, 33(1): 97-104.

[16]張麗, 李艷梅, 孫寶忠, 等. 邊緣檢測, 二值化處理進行牛肉分級的應用[J]. 肉類研究, 2013, 27(4): 10-14.

[17]陳坤杰, 姬長英. 基于圖像運算的牛肉大理石花紋分割方法[J]. 農業機械學報, 2007, 38(5): 195-196.

[18]李瑋姿. 基于圖像處理技術的牛肉大理石紋理自動分級研究[D]. 南京: 南京理工大學, 2011: 23-34.

[19]吳海娟, 彭增起, 沈明霞, 等. 機器視覺技術在牛肉大理石花紋識別中的應用[J]. 食品科學, 2011, 32(3): 10-13.

[20]逄濱, 孫嘯, 劉德營, 等. 牛肉眼肌圖像在線采集和實時分割系統[J].農業機械學報, 2013, 44(6): 189-193.

[21]趙杰文, 劉木華, 張海東. 基于數學形態學的牛肉圖像中背長肌分割和大理石紋提取技術研究[J]. 農業工程學報, 2004, 20(1): 143-146.

[22]劉木華, 段武貌, 黎靜, 等. 基于圖像處理和支持向量機分類的牛肉大理石紋等級評定[J]. 沈陽農業大學學報, 2005, 36(6): 650-654.

[23]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域分割技術[J]. 農業工程學報, 2004, 20(2): 161-163.

[24]仇金宏, 沈明霞, 彭增起, 等. 基于改進型FCM算法的牛肉大理石花紋提取方法[J]. 農業機械學報, 2010, 41(8): 184-188.

[25]CHEN Kunjie, QIN Chunfang. Segmentation of beef marbling based on vision threshold[J]. Computers and Electronics in Agriculture, 2008, 62(2): 223-230.

[26]趙文琦, 賈淵, 彭增起. 基于邊緣流的水平集牛胴體眼肌圖像分割方法[J]. 計算機技術與發展, 2009, 19(4): 202-205.

[27]牛四杰, 賈淵, 劉鵬程. 應用改進的CV模型分割牛肉眼肌圖像[J].計算機應用與軟件, 2011, 28(11): 150-152.

[28]SUBBIAH J, KRANZLER G A, RAY N, et al. Computer vision segmentation of the longissimus dorsi for beef quality grading[J]. Transactions of the ASAE, 2004, 47(4): 1261-1268.

[29]孟祥艷. 基于改進分水嶺算法及Hopfield神經網絡的牛肉大理石紋等級評級方法[J]. 食品科學, 2013, 34(1): 140-145.

[30]陳坤杰, 吳貴茹, 於海明, 等. 基于分形維和圖像特征的牛肉大理石花紋等級判定模型[J]. 農業機械學報, 2012, 43(5): 147-151.

[31]PANG Bin, SUN Xiao, YE Changwen et al. Grading of beef marbling based on image processing and support vector machine[J]. Computer Modelling and New Technologies, 2013, 17(3): 87-92.

[32]周彤, 彭彥昆. 牛肉大理石花紋圖像特征信息提取及自動分級方法[J].農業工程學報, 2013, 29(15): 286-293.

[33]劉瓔瑛, 沈明霞, 彭增起, 等. 雪花牛肉大理石花紋粗糙度和細密度的測定[J]. 食品科學, 2013, 34(18): 170-174. doi: 10.7506/spkx1002-6630-201318034.

[34]艾虎. 基于計算機視覺的人工神經網絡和圖像處理技術的牛肉大理石花紋自動分級研究[D]. 雅安: 四川農業大學, 2009: 102-103.

[35]孟祥艷. 牛肉物理特性與品質的檢測方法研究[D]. 長春: 吉林大學, 2010: 79-89.

[36]湯曉艷, 周光宏, 徐幸蓮. 大理石花紋、生理成熟度對牛肉品質的影響[J]. 食品科學, 2006, 27(12): 114-117.

[37]潘超, 彭增起, 周光宏. 中國黃牛生理成熟度和大理石花紋預測[J].畜牧與獸醫, 2007, 38(10): 32-34.

[38]HATEM I, TAN J, GERRARD D E. Determination of animal skeletal maturity by image processing[J]. Meat Science, 2003, 65(3): 999-1004.

[39]HATEM I, TAN Jinglu. Cartilage and bone segmentation in vertebra images[J]. Transactions of the ASAE, 2003, 46(5): 1429-1434.

[40]劉木華, 趙杰文, 鄒小波. 牛胸椎骨圖像中軟骨和硬骨區域的自動分割技術[J]. 農業工程學報, 2005, 21(8): 110-113.

[41]WU Di, SUN Dawen. Colour measurements by computer vision for food quality control: a review[J]. Trends in Food Science & Technology, 2013, 29: 5-20.

[42]GIROLAMI A, NAPOLITANO F, FARAONE D, et al. Measurement of meat color using a computer vision system[J]. Meat Science, 2013, 93(1): 111-118.

[43]GERRARD D E, GAO X, TAN J. Beef marbling and color score determination by image processing[J]. Journal of Food Science, 1996, 61(1): 145-148.

[44]LARRAíN R E, SCHAEFER D M, REED J D. Use of digital images to estimate CIE color coordinates of beef[J]. Food Research International, 2008, 41(4): 380-385.

[45]賈淵, 湯曉艷, 姬長英. 牛肉顏色的RGB特征[J]. 食品科學, 2004, 25(7): 86-89.

[46]陳坤杰, 孫鑫, 陸秋琰. 基于計算機視覺和神經網絡的牛肉顏色自動分級[J]. 農業機械學報, 2009, 40(4): 173-178.

[47]SUN Xin, CHEN Kunjie, BERG E P, et al. Predicting fresh beef color grade using machine vision imaging and Support Vector Machine (SVM) analysis[J]. Journal of Animal and Veterinary Advances, 2011, 10(12): 1504-1511.

[48]CHEN Kunjie, SUN Xin, QIN Chunfang, 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.

[49]沈振寧, 高峰, 李春保, 等. 基于計算機視覺的牛肉分級技術研究進展[J]. 食品工業科技, 2008, 29(6): 304-306.

[50]JACKMAN P, SUN Dawen, DU Chengjin, et al. Prediction of beef eating qualities from colour, marbling and wavelet surface texture features using homogenous carcass treatment[J]. Pattern Recognition, 2009, 42: 751-763.

[51]JACKMAN P, SUN Dawen, ALLEN P. Prediction of beef palatability from colour, marbling and surface texture features of longissimus dorsi[J]. Journal of Food Engineering, 2010, 96(1): 151-165.

[52]JACKMAN P, SUN Dawen, DU Chengjin, et al. Prediction of beef eating quality from colour, marbling and wavelet texture features[J]. Meat Science, 2008, 80(4): 1273-1281.

[53]JACKMAN P, SUN Dawen, ALLEN P, et al. Correlation of consumer assessment of longissimus dorsi beef palatability with image colour, marbling and surface texture features[J]. Meat Science, 2010, 84(3): 564-568.

[54]WULF D M, PAGE J K. Using measurements of muscle color, pH, and electrical impedance to augment the current USDA beef quality grading standards and improve the accuracy and precision of sorting carcasses into palatability groups[J]. Journal of Animal Science, 2000, 78(10): 2595-2607.

[55]彭彥昆, 張雷蕾. 農畜產品品質安全高光譜無損檢測技術進展和趨勢[J]. 農業機械學報, 2013, 44(4): 137-145.

[56]ELMASRY G, SUN Dawen, ALLEN P. Near-infrared hyperspectral imaging for predicting colour, pH and tenderness of fresh beef[J]. Journal of Food Engineering, 2012, 110(1): 127-140.

[57]ELMASRY G, SUN Dawen, ALLEN P. Chemical-free assessment and mapping of major constituents in beef using hyperspectral imaging[J]. Journal of Food Engineering, 2013, 117(2): 235-246.

[58]BARBIN D F, ELMASRY G, SUN Dawen, et al. Non-destructive determination of chemical composition in intact and minced pork using near-infrared hyperspectral imaging[J]. Food Chemistry, 2013, 138(2/3): 1162-1171.

[59]BARBIN D F, ELMASRY G, SUN Dawen, et al. Predicting quality and sensory attributes of pork using near-infrared hyperspectral imaging[J]. Analytica Chimica Acta, 2012, 719: 30-42.

[60]BARBIN D F, ELMASRY G, SUN Dawen, et al. Near-infrared hyperspectral imaging for grading and classification of pork[J]. Meat Science, 2012, 90(1): 259-268.

[61]KAMRUZZAMAN M, ELMASRY G, SUN Dawen, et al. Application of NIR hyperspectral imaging for discrimination of lamb muscles[J]. Journal of Food Engineering, 2011, 104(3): 332-340.

[62]WU Jianhu, PENG Yankun, LI Yongyu, et al. Prediction of beef quality attributes using VIS/NIR hyperspectral scattering imaging technique[J]. Journal of Food Engineering, 2012, 109(2): 267-273.

[63]TAO Feifei, PENG Yankun, LI Yongyu, et al. Simultaneous determination of tenderness and Escherichia coli contamination of pork using hyperspectral scattering technique[J]. Meat Science, 2012, 90(3): 851-857.

[64]張雷蕾, 李永玉, 彭彥昆, 等. 基于高光譜成像技術的豬肉新鮮度評價[J]. 農業工程學報, 2012, 28(7): 254-259.

[65]PENG Yankun, ZHANG Jing, WANG Wei, et al. Potential prediction of the microbial spoilage of beef using spatially resolved hyperspectral scattering profiles[J]. Journal of Food Engineering, 2011, 102(2): 163-169.

[66]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.

[67]LI Yongyu, SHAN Jiajia, PENG Yankun, et al. Nondestructive assessment of beef-marbling grade using hyperspectral imaging technology[C]//New Technology of Agricultural Engineering (ICAE), Zibo: International Conference on IEEE, 2011: 779-783.

Review of Beef Quality Grading Based on Computer Vision

DING Dong1, CHEN Shijin1, SHEN Mingxia1,*, PENG Zengqi2, LIANG Kun1
(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)

Abstract:Beef quality grading plays a very important role in beef cattle industry. In order to overcome the flaws of manual grading, automatic beef grading technique becomes a hot research topic because it is objective and non-destructive. This paper provides a review on recent progress made in the prediction of beef quality attributes including marbling, physiological maturation, muscle color and fat using computer vision. Difficulties in the study such as segmentation and feature extraction are also discussed. Finally, challenges and future prospects for the application of computer vision in beef quality grading are proposed.

Key words:computer vision; beef; quality grading

doi:10.7506/spkx1002-6630-201507046

中圖分類號：TP391.41；TS251.7

文獻標志碼：A

文章編號：1002-6630（2015）07-0251-05

*通信作者：沈明霞（1964—），女，教授，博士，主要從事機器視覺和信息農業研究。E-mail：mingxia@njau.edu.cn

作者簡介：丁冬（1980—），男，講師，博士研究生，主要從事農產品檢測研究。E-mail：dingdong@njau.edu.cn

基金項目：農業科技成果轉化資金項目（2011GB2C100018）；江蘇高校優勢學科建設工程資助項目（PAPD）

收稿日期：2014-06-30