基于手機圖像的不同貯藏時間下冷卻羊肉的部位判別

孟令峰，朱榮光*，白宗秀，鄭敏沖，顧劍峰，馬本學

（石河子大學機械電氣工程學院，新疆 石河子 832003）

羊肉含有較低的膽固醇、脂肪和豐富的蛋白質、維生素、鈣、鐵等，是滋補身體的絕佳肉類食品，深受人們的喜愛，不同部位羊肉的蛋白質、脂肪酸等營養成分的含量不同[1-2]，在貯藏過程中，其品質（嫩度、吸水力、風味、色澤等）會產生變化[3]，隨著貯藏時間延長和微生物繁殖作用，肉品新鮮度逐漸降低，風味和口感也不同，因此不同部位不同貯藏時間下的羊肉品質也不一樣。但市場上很多商家將不同貯存時間下不同部位的肉相互混淆，從而導致很多羊肉異質同價，削減了消費者對羊肉的青睞。隨著消費水平的提高，人們對羊肉的品質也越發的關注。因此對不同貯藏時間下不同部位羊肉的檢測研究有較高的現實意義。

對于不同部位和不同貯藏時間下肉類的檢測，國內外通常采用傳統理化指標檢測[4-7]，機器視覺[8-13]、電子鼻技術[14-16]、近紅外光譜（near infrared spectroscopy，NIRS）技術[17-19]和高光譜成像（hyper-spectral image，HSI）技術[20-22]等進行檢測。其中在不同類別肌肉分類方面，Sanz等[23]利用HSI技術與幾種機器學習算法相結合，實現了對羔羊背長肌、腰大肌、半膜肌和半腱肌4 種不同羔羊肌肉的鑒別，準確度達到96.67%。Kamruzzaman等[24]利用近紅外高光譜成像系統，結合多元分析，對夏洛萊羊的半腱肌、背長肌和腰大肌3 種類型的羊肌肉進行了鑒別，總準確度可達100%；在不同貯藏時間的預測方面，李文采等[25]基于機器視覺和圖像處理技術分析了冷凍豬肉表面圖像RGB顏色特征，將無光澤肌肉像素點比例作為自動判定冷凍豬肉貯藏時間的特征參數，實現了冷凍豬肉貯藏時間的判別，貯藏時間在3 個月以內和超過12 個月的判別準確度分別為90%和81.67% 。但是電子鼻、NIRS和HSI等檢測技術裝置價格昂貴，對操作人員專業要求高，而且對不同部位和不同貯藏時間羊肉的檢測研究較少，因此不適于廣大普通消費者的需求。近年來隨著手機攝像技術得到突飛猛進的發展，越來越多的檢測技術都運用手機進行圖像采集，其中Cruz-Fernández等[26]利用手機采集不同冷肉制品的圖片，以RGB顏色空間模型下的R、G、B均值為輸入變量，采用偏最小二乘法（partial least squares，PLS）和支持向量機（support vector machine，SVM）對樣品脂肪含量進行預測，其預測集的相關系數r為0.84。Muhammadiy等[27]利用手機采集牛肉和豬肉圖像，利用紋理分析和神經網絡相結合的方法對不同肉類進行了判別，判別率達89%。Adi等[28]使用手機采集了牛肉圖像，在RGB空間下對圖像進行分割，通過計算出的脂肪面積來對大理石紋理進行評分，并開發基于Andriod平臺的牛肉大理石花紋分類鑒定的應用程序。然而對不同貯藏時間下羊肉的部位判別研究鮮有報道。

因此，本實驗利用手機圖像開展不同貯藏時間下不同部位羊肉的判別研究，以冷卻羊肉為研究對象，制備不同貯藏時間下的羊背脊肉、羊前腿肉和羊后腿肉樣品，利用手機采集羊肉樣品圖像，進行圖像預處理和顏色特征提取，并進行不同部位判別模型的比較，得出不同貯藏時間下羊肉部位準確判別的優選模型，本研究為以后利用手機實現對冷卻羊肉不同部位的快速檢測提供了一定的理論依據和技術支持。

1 材料與方法

1.1 材料

實驗所用羊肉全部采購于石河子市中心農貿市場，剛屠宰的6 只小尾寒羊的羊背脊肉、羊前腿肉和羊后腿肉，經30 h排酸后制備成冷卻羊肉，送至石河子大學農畜產品實驗室進行分割處理，共制備羊背脊肉、羊前腿肉和羊后腿肉各20 份。樣品大小為40 mm×30 mm×10 mm，表面無明顯的脂肪和結締組織。樣品制備完成后進行編號，裝入聚乙烯塑料盒中進行非真空包裝，放置在4 ℃的恒溫箱中進行冷藏。

1.2 儀器與設備

P10智能手機 華為技術有限公司。

1.3 方法

1.3.1 圖像采集

將冷卻羊肉從恒溫箱中取出，放在圖1裝置上用P10手機進行圖像采集。其中攝像頭的感光度ISO為500、快門S為1/17 s、像素為800萬、色溫參數為5 600 K，自動白平衡，采用20 W日光燈光源，在實驗室中進行圖像采集。為避免外界光的干擾，對實驗室窗戶進行遮擋形成一個模擬暗箱，室內采集處光照強度為70～80 lx，室溫為28 ℃，選取最佳成像采集高度為12 cm。采集圖像時將樣品放在背景板上，調節固定器高度，設置好攝像頭的參數聚焦后，進行圖像采集。樣品共貯存12 d，每天早上10點進行圖像采集，每隔12 h進行一次樣品采集，共采集24 次，獲得1 440 張手機圖像。因實驗過程中有個別羊肉提前腐敗，剔除異常樣后得到羊背脊肉19 份，羊后腿肉18 份，羊前腿肉20 份。

圖1 手機圖像采集裝置Fig.1 Schematic illustration of the mobile phone image acquisition device

1.3.2 圖像預處理

為消除圖像采集過程中背景、光照影響所產生的噪聲以及在腐敗變質過程中脂肪與筋膜等同肌肉組織呈現的差異性問題，本實驗圖像預處理主要的流程如圖2所示，采用色差法[29]（R-B）來使背景和樣品區分度增大，并將分割閾值設定為0～20以去除背景中的陰影和水印，然后利用高低帽變換使脂肪和肌肉的特征差異明顯化，最后選取25～35的閾值，通過分水嶺分割算法[30]對樣品圖像內的脂肪、筋膜等進行分割，并對分水嶺分割后的圖像進行開運算將樣品中的脂肪、筋膜等非肌肉組織部分進行去除。

1.3.3 圖像特征提取

由于顏色特征對視角、尺寸、方向的依賴性較小，呈現很強的魯棒性，所以本研究選取RGB、L*a*b*、HIS和rg色度空間（RGB歸一化）4 種顏色空間模型[31]，提取各顏色空間的特征參數均值和RGB顏色空間下的二階、三階顏色矩，以定量描述不同部位羊肉的顏色特征，然后對不同部位的羊肉在不同貯藏周期的顏色特征進行研究。

其顏色均值、二階和三階顏色矩的計算分別見公式（1）～（3）。

式中：i為像素點的水平坐標；j為像素點的垂直坐標；pi,j表示彩色圖像第j個像素的第i個顏色分量；D為目標區域；N為D區域內的總像素點數；μR、μG、μB、μr、μg、μb、μL*、μa*、μb*、μH、μS和μI為R、G、B、r、g、b、L*、a*、b*、H、S和I的顏色均值；δR、δG、δB分別為RGB空間的二階矩；SR、SG、SB分別為RGB空間的三階矩。

1.4 數據處理與判別模型的建立

在提取不同貯藏時間下不同部位羊肉的顏色特征之后，對顏色特征進行非參數獨立樣本顯著性差異分析，考慮不同部位羊肉顏色特征之間以及不同顏色空間的差異性，選取不同顏色特征組合作為模型輸入，對不同部位的羊肉樣品建立極限學習機（extreme learning machine，ELM）、SVM和反向傳播（back propagation，BP）神經網絡分類模型，并進行比較，選出優選模型。數據處理軟件包括SPSS 22、Matlab 2016b軟件。

ELM是一類基于前饋神經網絡（feedforward neuron network，FNN）構建的機器學習系統或方法，適用于監督學習和非監督學習問題，其特點是隱含層節點的權重為隨機或人為給定的，且不需要更新，學習過程僅計算輸出權重，具有泛化能力強、計算速度快的特點。本研究中選用Sigmoid函數，以隱層神經元數目10為步長，交叉驗證集判別準確率最高為尋優目標進行隱層神經元數目尋優，并用10折交叉法進行驗證。

SVM是一種監督方式的機器學習算法，基本模型定義是在特征空間上找到最佳的分離超平面使得訓練集上正負樣本間隔最大。本研究中將SVM采用遺傳算法（genetic algorithm，GA）進行尋優，以交叉驗證集的判別準確率作為適應度函數值，當適應度值達到最大時，得出最佳核函數參數g和懲罰因子參數c的值，并用10折交叉法進行驗證。

BP神經網絡是基于誤差反向傳播的多層前饋網絡算法，主要通過學習來實現輸入與輸出之間的非線性映射，本研究首先以隱含層節點數5為步長，交叉驗證集判別準確率最高為尋優目標，從0到50對BP隱含層節點數進行尋優，同時采用粒子群算法（particle swarm optimization，PSO）對BP神經網絡的權值和閾值進行優化，以歸一化后的預測值和實際值之差的絕對值作為適應度函數值，當適應度值達到最小時，得最優的權值和閾值，并用10折交叉法進行驗證[32]。

本研究根據訓練集、交叉驗證集和測試集的判別準確率來綜合評價所建立模型的效果，即訓練集、交叉驗證集和測試集等樣品集中分類正確的樣品數占總樣品數的比例越高，模型效果越好。

2 結果與分析

2.1 不同部位羊肉圖像顏色特征的差異顯著性分析結果

為了獲取不同貯藏時間下不同部位羊肉之間顏色特征的差異性，本研究對所提取的4 個顏色空間下的顏色均值和RGB顏色空間下的顏色矩共18 個顏色特征分別進行非參數獨立樣本顯著性水平檢驗，差異顯著性結果如表1所示。由表1可知，μR、μr、μg、μb、μb*、δR和sR共7 個顏色特征在不同羊肉部位之間的顯著性水平P均小于0.05，具有顯著性差異；而其他11 個顏色特征在不同羊肉部位之間均存在顯著性水平P大于0.05的情況，不具有顯著性差異。

表1 不同部位羊肉之間顏色特征的差異顯著性分析Table 1 Analysis of significant differences in color characteristics among lamb cuts

2.2 不同貯藏時間下的不同部位判別模型的建立結果

本研究分別選取在不同部位之間具有顯著性差異的7 個顏色特征、RGB顏色空間下的顏色均值和顏色矩共9 個顏色特征、4 種顏色空間下的12 個顏色均值特征，以及全部18 個顏色特征作為模型的輸入變量，建立不同部位的ELM、SVM和BP神經網絡分類模型，對羊背脊肉、羊后腿肉和羊前腿肉進行分類比較研究，從而獲得優選模型。剔除異常樣后，獲得1 308 張樣品圖像，采用隔三選一法，將樣本集劃分為訓練集和測試集，分別包含樣品圖像981 張和327 張。

2.2.1 不同貯藏時間下的不同部位ELM分類模型的建立結果

在分別利用不同部位間具有顯著性差異的7 個顏色特征、RGB顏色空間下的9 個顏色特征、4 種顏色空間下的12 個顏色均值特征，及全部18 個顏色特征作為ELM模型的輸入變量進行分類判別時，均以隱層神經元數目10為步長，以最高的交叉驗證集判別準確率為尋優目標進行隱層神經元數目尋優。在上述4 種輸入情況下，建立尋優后的ELM模型的隱層神經元數目分別為90、90、100和100，其中以全部18 個顏色特征作為輸入構建模型時，其尋優結果如圖3所示。

圖3 ELM隱層神經元數目尋優圖Fig.3 Optimization of the number of ELM hidden layer neurons

表2 不同貯藏時間下羊肉不同部位ELM模型分類結果Table 2 ELM model classification results of different lamb cuts at different storage times

在上述4 種輸入情況下，所建立的尋優后ELM模型結果如表2所示，在ELM模型中當選用所有18 個顏色特征做模型的輸入時，將羊背脊肉、羊前腿肉和羊后腿肉進行三分類的模型效果最優，模型的訓練集、交叉驗證集和測試集的判別準確率分別為92.05%、88.84%和88.38%。選用12 個顏色均值特征作為模型輸入時，模型較優，訓練集、交叉驗證集和測試集的判別準確率分別為91.23%、86.46%和87.77%。當選用RGB顏色空間下的9 個顏色特征以及選用具有顯著性差異的7 個顏色特征作為模型輸入時，模型的訓練集、交叉驗證集和測試集的判別準確率分布在73.09%～85.42%之間。

2.2.2 不同貯藏時間下的不同部位SVM判別分類模型的建立結果

在分別利用不同部位間具有顯著性差異的7 個顏色特征、RGB顏色空間下的9 個顏色特征、4 種顏色空間下的12 個顏色均值特征，及全部18 個顏色特征作為SVM模型的輸入變量進行分類判別時，運用GA對SVM的徑向基函數（radial basis function，RBF）參數g和誤差懲罰因子c進行參數尋優，以最高的交叉驗證集判別準確率為尋優目標，在GA遺傳算法中將種群數量設置為30，終止迭代次數為50，參數c和g從0～20進行尋優取值。其中，以不同顏色空間組合下的18 個顏色特征作為模型輸入，其參數尋優結果如圖4所示，尋出最優的g和c分別為19.11和2.41。

圖4 GA參數尋優圖Fig.4 Genetic algorithm parameter optimization

表3 不同貯藏時間下羊肉不同部位SVM模型分類結果Table 3 SVM model classification results of different lamb cuts at different storage times

在上述4 種輸入情況下，所建立尋優后的SVM模型結果如表3所示。考慮不同的顏色特征組合作為輸入，當選用18 個顏色特征作為SVM判別模型的輸入時，模型分類效果最佳，訓練集、交叉驗證集和測試集的判別準確率分別為97.14%、90.01%和86.24%。當選用12 個顏色均值特征作模型的輸入時，模型效果次之，訓練集、交叉驗證集和測試集的判別準確率分別為92.97%、86.03%和85.32%。當選用RGB顏色空間下的9 個顏色特征以及選用具有顯著性差異的7 個顏色特征時作為模型輸入時，模型的訓練集、交叉驗證集和測試集的判別準確率分布在74.00%～90.32%之間。

2.2.3 不同貯藏時間下的不同部位BP分類模型的建立結果

本研究的BP神經網絡選用了3 層網絡結構，包含輸入層、隱含層和輸出層，其基本參數設置如下：訓練函數選擇‘traingdx’，隱含層和輸出層傳遞函數分別為‘logsig’、‘purelin’，網絡訓練目標誤差設為0.000 1，學習速率為0.001，訓練最大步數設為1 000。另外，BP神經網絡的初始權值和閾值運用PSO進行優化，PSO中的種群大小設置為30，迭代次數設置為50。在分別利用不同部位羊肉間具有顯著性差異的7 個顏色特征、RGB顏色空間下的9 個顏色特征、4 種顏色空間下的12 個顏色均值特征，及全部18 個顏色特征作為BP模型的輸入變量進行分類判別時，首先以隱含層節點數目5為步長，從0到50對BP隱含層節點數進行尋優，在上述4 種輸入情況下，建立尋優后BP模型的隱含層節點數分別為50、50、40和35，其中以12 個顏色均值特征作為輸入構建模型時，其尋優結果如圖5所示。

圖5 BP隱含層節點數尋優圖Fig.5 Optimization of the number of BP hidden layers

在上述4 種輸入情況下，所建立的尋優后的BP模型結果如表4所示。考慮不同的顏色特征組合作為輸入，當選用12 個顏色均值特征作為BP判別模型的輸入時，其三類模型分類效果最佳，模型的訓練集、交叉驗證集和測試集的判別準確率分別為96.13%、95.11%、91.44%。當選用18 個顏色特征做模型的輸入時，模型效果次之，訓練集、交叉驗證集和測試集的判別準確率分別為93.58%、92.45%和88.07%。當選用RGB顏色空間下的9 個顏色特征以及具有顯著性差異的7 個顏色特征時作為模型輸入時，模型的訓練集、交叉驗證集和測試集的判別準確率分布在72.78%～86.85%之間，模型效果良好。

表4 不同貯藏時間下羊肉不同部位BP模型分類結果Table 4 BP model classification results of different lamb cuts at different storage times

綜合分析表2～4發現，當分別選用4 種不同的顏色特征組合作為模型輸入進行建模時，所建立BP模型的分類效果均優于SVM和ELM模型的分類效果。其中，選用12 個顏色均值特征作為BP判別模型的輸入時，建立的BP分類模型分類效果最佳，模型的訓練集、交叉驗證集和測試集的判別準確率分別為96.13%、95.11%、91.44%。另外，在4 種不同的顏色特征組合中，最少輸入變量為不同部位間具有顯著性差異的7 個顏色特征，此時所建立BP模型的訓練集、交叉驗證集和測試集的判別準確率分別為86.85%、86.54%和72.78%，仍能取得良好的分類效果。該結果表明通過顯著性差異分析選擇顏色特征作為模型輸入參數，對改善模型效果具有一定的意義。

3 結 論

本研究使用智能手機采集整個貯藏時間（0～12 d）下的羊背脊肉、羊前腿肉和羊后腿肉樣品圖像，提取4 種不同顏色空間組合下的顏色均值以及RGB顏色空間下的顏色矩并進行顯著性差異分析，以不同的顏色特征組合作為ELM、SVM和BP神經網絡不同建模方法的輸入，開展羊背脊肉、羊前腿肉和羊后腿肉的判別分析比較研究。結果表明，以不同的顏色特征組合作為模型輸入時，所建立的BP模型分類效果均優于SVM和ELM模型；當以12 個顏色均值特征作為輸入時所建立的BP模型分類效果最優，模型的訓練集、交叉驗證集和測試集的判別準確率分別為96.13%、95.11%、91.44%，可以實現對不同貯藏時間下不同部位羊肉的定性判別分析。上述研究為后續開發手機應用APP及利用手機實現對不同貯藏時間下冷卻羊肉部位的快速判別分析提供了理論依據和技術支撐。