異質冷卻豬肉快速判別裝置的設計及驗證

劉文營，田寒友，鄒 昊，喬曉玲,*，李家鵬，陳文華，張睿梅，郭 建

（1. 北京食品科學研究院，中國肉 類食品綜合研究中心，肉類加工技術北京市重點實驗室，北京 100068；2.北京二商大紅門肉類食品有限公司，北京 101107）

異質冷卻豬肉快速判別裝置的設計及驗證

劉文營1，田寒友1，鄒 昊1，喬曉玲1,*，李家鵬1，陳文華1，張睿梅1，郭 建2

（1. 北京食品科學研究院，中國肉 類食品綜合研究中心，肉類加工技術北京市重點實驗室，北京 100068；2.北京二商大紅門肉類食品有限公司，北京 101107）

基于計算機視覺技術，設計了冷卻豬肉異質肉判別裝置。介紹了系統裝置的工作原理、工作過程、硬件組成及軟件系統功能。硬件系統包括快速測定pH計和圖像信息采集裝置，軟件系統將獲得的圖像，進行二值化處理、高斯去噪、邊緣檢測、霍夫變化定位和投影算法來提取目標顏色特征參數，并輔助pH值對冷卻豬肉進行判別。驗證結果顯示，設計的判別裝置對白肌（pale, soft, exudative，PSE）肉、異于正常（reddish-pink, firm, nonexudative，RFN）肉、黑干（dark, fi rm, dry，DFD）肉的判斷上可以實現94.0%、96.8%和98.0%的準確判斷；不僅具有良好的準確性，而且縮短了處理時間，提高了作業效率。

冷卻豬肉；判別；pH值；比色板

生豬在屠宰不當時產生應激反應，或者能量大量消耗和長時間受到低強度的應激源刺激等作用時，會產生異于正常（reddish-pink, fi rm, non-exudative，RFN）豬肉顏色的暗紅色黑干（dark, fi rm, dry，DFD）肉或淡白色的白肌（pale, soft, exudative，PSE）肉，DFD肉和PSE肉感官較差，與注水肉和病死豬肉均屬于異質肉[1]。正常豬肉和 異質肉之間明顯的顏色差異，嚴重影響著肉品的市場價值和消費者的消費行為[2-3]。目前進行肉品分級和異質肉判別時主要基于比色板的顏色差異，準確度不高[4]。因此，結合圖像處理和計算機視覺技術，通過顏色進行豬肉與異質肉判定，成為國內外專家學者進行豬肉快速無損檢測的重要研究內容。

在對豬肉顏色的分析上，McDonagh等[5]通過對豬肉顏色進行測量，利用CIE L*值和反射比，探討了豬肉顏色與主觀評價之間的潛在相關性；賈淵等[6]通過對豬肉彩色數字圖像顏色規律的分析，結合豬肉紅（R）、綠（G）、藍（B）顏色分量及其亮度和飽和度值，構建了顏色維度，并利用支持向量機進行了分級，具有較高的準確度；Iqbal等[7]對數字圖像處理后，獲得了26 個肉色特征和40 個紋理特征，通過最優特征維向量和線性判別式分析（linear discriminant analysis，LDA）對豬肉火腿進行 了較高準確度的分類。

當引入計算機視覺技術后，周彤等[8]基于計算機視覺技術和圖像處理技術，提出了一種實用的牛肉大理石花紋自動評估和分級方法，能夠在短時間內進行牛肉的分割和特征參數的提取處理，且具有較高的準確度；Chmiel等[9]則運用計算機視覺技術對禽肉中的脂肪含量進行了預測，獲得結果具有較好的準確度，能夠應用于禽肉的脂肪含量的預測。

在對其他技術應用研究上，對肉質中的單組分進行分析時，已有報道[10-12]應用高光譜成像技術成功進行了對豬肉中脂肪含量的預測研究，說明單組分分析的可行性；或采用近紅外高光譜技術成功進行了對豬肉的分級、牛肉的貨架期預測和肉品微生物的檢測[13-18]；利用生鮮豬肉的近紅外光譜性質，設計了一套在線無損檢測裝備，并應用于了生鮮豬肉的水分含量在線檢測[19-20]。

但是這些檢測大多是基于光譜技術或者檢測機理方面的研究，設備費用較高，難以滿足生豬屠宰中小型企業的需求。目前針對冷卻豬肉異質肉判別的裝置研究較少，尤其鮮有利用計算機視覺技術進行冷卻豬肉異質肉判別裝備的相關報道。

本實驗基于計算機視覺技術和圖像處理技術，設計了一套冷卻豬肉異質肉判別的裝置。包括系統總體設計、硬件結構、系統工作原理和流程、軟件開發過程等，實驗結果表明裝置耗時較短且具有良好的準確性。

1 檢測裝置設計方案

冷卻豬肉分級和異質肉判別的原理是比色板比對與pH值結合法（表1）。具體為：在生豬宰后1 h內和宰后冷卻24 h后分別檢測左半胴體第3～4根肋骨間通脊肉pH值，在生豬宰后冷卻24 h對照肉色分級標準比色板判定肉色分值。其中，宰后1 h pH值小于6且宰后冷卻24 h肉色分值為1和2判定為PSE肉，宰后冷卻24 h pH值大于6且宰后冷卻24 h肉色分值為5和6判定為DFD肉[21-22]。為避免排酸過程中與空氣接觸的肉表面顏色產生不均勻變化，選用新切剖面[23]。

表 1 冷卻豬肉判別標準Table 1 Grading standard of chilled pork

設計方案如下：1）生豬屠宰1 h內，測定左半胴體第3～4根肋骨間通脊肉pH值；2）生豬屠宰冷卻排酸24 h后，選取步驟1）測定pH值附近位置肉塊，取完整冷卻豬通脊截面置于圖像采集裝置內（采用日本肉色分級標準比色板，通脊肉截面與比色板處于同一垂直與鏡頭方向的平面，鏡頭處于光源的中心位置，保證光源均勻照亮通脊肉橫截面和日本肉色分級標準比色板），通過CCD將照片傳輸至計算機肉顏色等級判定軟件內，通過通脊肉顏色與比色板6 個等級顏色比對確定通脊肉顏色等級；3）取出通脊肉，測 量pH值；4）綜合1）、2）和3），宰后1 h pH值小于6且宰后冷卻24 h肉色分值為1和2判定為PSE肉，宰后冷卻24 h pH值大于6且宰后冷卻24 h肉色分值為5和6判定為DFD肉，宰后1 h pH值小于6且宰后冷卻24 h肉色分值為3和4判定為RFN肉。

2 檢測裝置系統

2.1 肉色等級檢測硬件系統

冷卻肉快速判別裝置包括手持肉用pH計、暗箱組件、肉顏色等級判定軟件等。暗箱組件由CCD、鏡頭、漫反射光源、載物臺、比色板懸掛支架、比色板等組成（圖1）。

圖 1 快速判定裝置組件（前后剖面）Fig.1 Fabrication of the equipment

組件基本信息：1）暗箱（50 cm×50 cm×50 cm，采用黑色不反射光鋁板）；2）比色板（日本比色板，置于懸掛支架上，與載物臺前端保持同一平面，與肉樣處于鏡頭中線的兩側）；3）載物臺（臺板面積30 cm×15 cm，高度可調，黑色不反射光）；4）漫反射光源（LED光源，40 cm×40 cm漫反射板，中間開孔置放CCD和鏡頭）；5）CCD（全局曝光方式，固定在光源中間位置）；6）鏡頭（4 mm百萬像素工業鏡頭）；7）肉顏色等級判定軟件（基于計算機語言編寫）；8）肉用pH計。

2.2 裝置軟件系統

圖 2 肉色判定軟件圖片分析界面Fig.2 Software interface of meat color image analysis

軟件分析界面如圖2所示。軟件程序基于C++語言進行編寫，利用暗箱采集肉樣和比色板圖像（圖3a），然后根據圖像特征確定閾值進行二值化處理，采用高斯濾波法去噪，利用Canny算子邊緣檢測（圖3b），利用霍夫變換定位比色板，然后利用投影算法進行計算（圖3c）。

圖 3 通脊肉顏色提取過程流程圖Fig.3 Flow chart of loin image extraction process

經過上述圖像處理后，提取顏色特征信息（包括R、G、B和灰度的平均值），然后分別計算通脊肉平均R、G、B值與6 個等級比色板平均R、G、B值的歐氏距離，同時結合灰度平均值比對，判定通脊肉顏色等級。

3 檢測系統運作及驗證

將所研制的檢測系統裝置用于冷卻豬肉的異質肉檢測，以驗證該系統的應用效果。實驗分為兩部分：一是樣品準備；二是利用檢測系統進行檢測，并和人工比色板對照結果比對。樣品中RFN 520 份（采集自北京大紅門肉類食品有限公司）、PSE 50 份（收集自北京大紅門肉類食品有限公司和批發市場）、DFD 50 份（收集自北京大紅門肉類食品有限公 司和批發市場）。

驗證系統操作如下：豬屠宰后1 h內測定肉樣pH值；排酸24 h后，利用裝置采集肉樣和比色板圖像；應用軟件對采集的圖像進行分析，得出肉顏色等級；輔助24 h時肉樣pH值，給出報告。

人工 檢測時，肉色等級由6 人感官評定小組事先根據AMSA[26]指南程序進行訓練，之后對照比色板（美國NPPC肉質比色板）進行評分，每個樣品的分值為所有感官評定小組人員評分的平均值。

針對570 份樣品的驗證實驗結果如表2所示，在準確度上，快速分級裝置具有較高的準確率，對PSE、RFN和DFD的判斷上可以實現94.0%、96.8%和98.0%的準確判斷；在耗用時間上，判別裝置單樣品檢測僅需要10 s，而人工檢測則需要30 s，節省了操作時間。

表 2 裝置系統的驗證Table 2 Verifi cation of the identifi cation system

4 結 論

基于計算機視覺技術的異質肉判別裝置的設計，為劣質冷卻豬肉的判斷提供了一種快速準確檢測的方法和裝置。相比較傳統人工檢測，該系統不僅具有良好的準備度，而且克服了人工檢測容易產生檢測疲勞和費時的問題。該裝置系統為冷卻豬肉異質肉判斷提供了參考，為工業化裝置的開發和研制提供了技術支持，尤其是針對中小型企業，具有良好的應用前景和重要的社會價值。

[1] 任發政, 李興民, 張原飛, 等. 現代肉制品加工與質量控制[M]. 北京: 中國農業大學出版社, 2006.

[2] MANCINI R A, HUNT M C. Current research in meat color[J]. Meat Science, 2005, 71(1): 100-121.

[3] van OECKEL M J, WARNANTS N, BOUCQUé CH V. Measurement and prediction of pork colour[J]. Meat Science, 1999, 52(4): 347-354.

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

[5] McDONAGH C, TROY D J, KERRY J P, et al. Relationship between the subjective and objective assessment of pork M. semimembranosus and classi fi cation of further processed pork quality[J]. Food Science and Technology International, 2005, 11(2): 149-154.

[6] 賈淵, 李振江, 彭增起. 結合 LLE流形學習和支持向量機的豬肉顏色分級[J]. 農業工程學報, 2012, 28(9): 147-152.

[7] IQBAL A, VALOUS N A, MENDOZA F, et al. Pork and turkey hams classification from colour and textural features using computer vision[C]//5thInternational Technical Symposium on Food Processing, Monitoring Technology in Bioprocesses and Food Quality Management, 20 09: 653-658.

[8] 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.

[9] CHMIEL M, S?OWI?SKI M, DASIEWICZ K. Application of computer vision systems for estimation of fat content in poultry meat[J]. Food Control, 2011, 22(8): 1424-1427.

[10] XIONG Zhengjie, SUN Dawen, ZENG Xinan, et al. Recent developments of hyperspectral imaging systems and their applications in detecting quality attributes of red meats: a r eview[J]. Journa l of Food Engineering, 2014, 132(1): 1-13.

[11] WU Di, SUN Dawen. Advanced applications of hyperspectral imaging technology for food quality and safety analysis a nd assessment: a review. Part Ⅱ: applications[J]. Innovative Food Science and Emerging Technologies, 2013, 19(3): 15-28.

[12] LIU L, NGADI M O. Predicting intramuscular fat content of pork using hyperspectr al imaging[J]. Journal of Food Engineering, 2014, 134(12): 16-23.

[13] BARBIN D, ELMASRY G, SUN Dawen, et al. Near-infrared hyperspectral imag ing for grading and classifi cation of pork[J]. Meat Science, 2012, 90(1): 259-268.

[14] 馬世榜, 徐楊, 湯 修映, 等. 利用可見近紅外光譜多指標綜合預測生肉儲存期[J]. 光譜學與光譜分析, 2012, 32(12): 3242-3246.

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

[16] PENG Yankun, ZHANG Jing, WANG Wei, et al. Potential prediction of the microbial spoilage of beef using spatially resolved hyperspectral scattering profi les[J]. Journal of Food Engineering, 2011, 102(2): 163-169. [17] PARK B, LAWRENCE K C, WINDHAM W R. Performance of hyperspectral imaging system for poultry surface fecal contaminant detection[J]. Journal of Food Engineering, 2006, 75(3): 340-348.

[18] PARK B, LAWRENCE K C, WINDHAM W R, et al. Detection of cecal contaminants in visceral cavity of broiler carcasses using hyperspectral imaging[J]. Applied Engineering in Agriculture, 2005, 21(4): 627-635.

[19] 張海云, 彭彥昆, 王偉, 等. 生鮮豬肉主要品質參數無損在線檢測系統[J]. 農業機械學報, 2013, 44(4): 146-151.

[20] ZHANG Haiyun, PENG Yankun, WANG Wei, et al. Nondestructive real time detection system for assessing main quality parameters of fresh pork spectroscopy[J]. Transactions of the Chinese Society for Agricultural Machinery, 2010, 41(9): 104-107; 137.

[21] O'NEILL D J, LYNCH P B, TROY D J, et al. Infl uence of the time of year on the incidence of PSE and DFD in Irish pigmeat[J]. Meat Science, 2003, 64(2): 105-111.

[22] 孫京新, 湯曉艷, 周光宏, 等. 宰后冷卻工藝對冷卻豬肉肉色、質量分類的影響[J]. 農業工程學報, 2006, 22(8): 203-208.

[23] QUEVEDO R, VALENCIA E, CUEVAS G, et al. Color changes in the surface of fresh cut meat: a fractal kinetic application[J]. Food Research International, 2013, 54(2): 1430-14 36.

[24] WARNER R D, KAUFFMAN R G, GREASER M L. Muscle protein changes post mortem in relation to pork quality traits[J]. Meat Science, 1997, 45(3): 339-352.

[25] FLORES M, ARMERO E, ARISTOY M C, et al. Sensory characteristics of cooked pork loin as affected by nucleotide content a nd post-mortem meat quality[J]. Meat Science, 1999, 51(1): 53-59.

[26] AMSA. Guidelines for meat color evaluation[C]//Proceedings 44thAnnual Reciprocal Meat Conference. Kansas, USA: National Live Stock and Meat Board, 1991: 1-17.

Equipment Design and Validation for Rapid Identifi cation of Heterogeneous Chilled Pork

LIU Wenying1, TIAN Hanyou1, ZOU Hao1, QIAO Xiaoling1,*, LI Jiapeng1, CHEN Wenhua1, ZHANG Ruimei1, GUO Jian2
(1. Beijing Key Laboratory of Meat Processing Technology, China Meat Research Center, Beijing Academy of Food Sciences, Beijing 100068, China; 2. Beijing Ershang Dahongmen Meat Food Co. Ltd., Beijing 101107, China)

Color is an important property that infl uences the consumers’ purchase decision of a food or agricultural product and its market value. A non-destructive and rapid detection system for assessing chilled pork quality based on computer vision system was developed. The working principle, process and hardware composition of the system as well as the software system were introduced. The hardware system included a pH meter and an image collector, and the acquired images were processed by binarization, Gauss denoising, edge detection and Hough-transform positioning for the extraction of the characteristics color parameters by projection algorithm. In addition, pH was used to aid in identifying chilled pork quality. The experimental results showed that the system could be used for distinguishing chilled pork with high accuracy and reliability as well as good repeatability.

chilled pork; distinguishing; pH; colorimetric plate

TS251.8

A

1002-6630（2015）02-0184-04

10.7506/spkx1002-6630-201502035

2014-08-06

“十二五”國家科技支撐計劃項目（2014BAD04B05）；農業部公益性行業（農業）科研專項（201303083-3）

劉文營（1983—），男，工程師，碩士，主要從事肉制品加工及安全性分析研究。E-mail：skyocean_2004@163.com

*通信作者：喬曉玲（1964—），女，教授級高級工程師，主要從事肉制品加工與加工裝備研究。E-mail：cmrcsen@126.com