基于機(jī)器視覺的鵝肥肝色澤自動(dòng)分級(jí)模型

逄濱

摘 要：為彌補(bǔ)傳統(tǒng)鵝肥肝色澤評(píng)級(jí)中人工評(píng)級(jí)的不足，結(jié)合機(jī)器視覺技術(shù)和統(tǒng)計(jì)模式識(shí)別方法建立了鵝肥肝色澤自動(dòng)分級(jí)模型。首先通過(guò)機(jī)器視覺技術(shù)采集4種不同色澤等級(jí)的鵝肥肝樣本圖像，然后對(duì)鵝肥肝樣本圖像進(jìn)行分割，對(duì)分割出的鵝肥肝目標(biāo)區(qū)域提取12個(gè)色澤特征參數(shù)，最后分別建立了鵝肥肝色澤的多元線性回歸分級(jí)模型和典型判別函數(shù)分級(jí)模型。研究結(jié)果顯示，多元線性回歸分級(jí)模型的分級(jí)正確率為92%，典型判別函數(shù)分級(jí)模型的分級(jí)正確率為100%，表明利用機(jī)器視覺結(jié)合統(tǒng)計(jì)模式識(shí)別方法可以對(duì)鵝肥肝色澤等級(jí)進(jìn)行有效的自動(dòng)判定。

關(guān)鍵詞：鵝肥肝;色澤;顏色分級(jí);機(jī)器視覺

Automatic Color Grading Model of Foie Gras Based on Machine Vision

PANG Bin

（College of Food Science and Engineering， Qingdao Agricultural University， Qingdao 266109， China）

Abstract： To make up the disadvantage of traditional manual grading method， an automatic color grading model of foie gras was proposed based on machine vision and statistic pattern recognition. Foie gras sample images of different color grade were collected by machine vision technology. Then the foie gras area was segmented from the image and 12 color features were extracted from the foie gras area. Finally， a multiple linear regression （MLR） model and a canonical discriminate analysis （CDA） model were set up respectively to predict the color grade. The MLR model achieved the accuracy of 92% and the CDA model of 100%， showing that the machine vision combined with statistic pattern recognition can provide an effective way for predicting foie gras color grades automatically.

Keywords： foie gras; color; color grading; machine vision

目前，我國(guó)鵝肥肝質(zhì)量分級(jí)主要包括感官指標(biāo)分級(jí)、重量分級(jí)、理化指標(biāo)分級(jí)等。其中感官指標(biāo)分級(jí)主要根據(jù)鵝肥肝的色澤等級(jí)并輔之以彈性、損征和氣味等進(jìn)行人工評(píng)級(jí)。這種人工分級(jí)方法依賴評(píng)級(jí)員的感官和經(jīng)驗(yàn)，具有很強(qiáng)的主觀性和不一致性，而且評(píng)級(jí)效率低，不能滿足現(xiàn)代鵝肥肝產(chǎn)業(yè)的發(fā)展要求。

采用機(jī)器視覺技術(shù)實(shí)現(xiàn)農(nóng)產(chǎn)品品質(zhì)檢測(cè)與自動(dòng)分級(jí)應(yīng)用已成為近年來(lái)農(nóng)產(chǎn)品加工與檢測(cè)領(lǐng)域的研究熱點(diǎn)，主要涉及了農(nóng)產(chǎn)品顏色[1-7]、面積大小及形狀[8-13]、表面損傷及缺陷檢測(cè)[14-16]等。目前應(yīng)用機(jī)器視覺技術(shù)進(jìn)行鵝肥肝色澤自動(dòng)分級(jí)的研究較少，但在其他肉類（牛肉、豬肉等）顏色分級(jí)領(lǐng)域的研究已經(jīng)較為成熟。在牛肉顏色分級(jí)研究方面，陳坤杰等[1]采用計(jì)算機(jī)圖像處理技術(shù)，計(jì)算得到了牛肉肌肉區(qū)域的R、G、B、H、S、I顏色特征分量，并分析了這些顏色特征分量在牛肉儲(chǔ)藏期間的變化規(guī)律;陳坤杰等[2]以這些顏色特征分量的參數(shù)值作為輸入，構(gòu)建了基于BP神經(jīng)網(wǎng)絡(luò)的牛肉肌肉顏色等級(jí)預(yù)測(cè)模型，模型的預(yù)測(cè)準(zhǔn)確率可達(dá)95%;CHEN等[3]提取了牛肉眼肌切面的皮下脂肪區(qū)域的12個(gè)脂肪顏色特征，并以12個(gè)顏色特征參數(shù)為輸入、脂肪顏色等級(jí)為輸出，建立了一個(gè)最優(yōu)支持向量機(jī)（SVM）分級(jí)模型，模型的預(yù)測(cè)準(zhǔn)確率為97.4%;SUN等[4]分析并提取了21個(gè)牛肉精肉圖像的顏色特征，并分別利用多元線性回歸法（MLR）和支持向量機(jī)法（SVM）建立了牛肉肌肉顏色分級(jí)模型，其模型的預(yù)測(cè)準(zhǔn)確率分別為86.8%和94.7%。在豬肉顏色分級(jí)研究方面，賈淵等[5]將豬肉的R、G、B顏色分量以及亮度和飽和度構(gòu)建了一個(gè)新的顏色維度，并建立了SVM顏色分級(jí)模型，模型的分級(jí)正確率為96.5%。

本研究提出一種基于機(jī)器視覺技術(shù)的鵝肥肝色澤自動(dòng)分級(jí)模型，用以彌補(bǔ)傳統(tǒng)人工色澤評(píng)級(jí)的不足，通過(guò)機(jī)器視覺技術(shù)提取反映鵝肥肝色澤等級(jí)的色澤特征參數(shù)，分別建立多元線性回歸分級(jí)模型和典型判別函數(shù)分級(jí)模型，實(shí)現(xiàn)鵝肥肝色澤等級(jí)的自動(dòng)判定。

1 材料與方法

1.1 試驗(yàn)材料

鵝肥肝樣本取自于青島農(nóng)業(yè)大學(xué)優(yōu)質(zhì)水禽研究所育種基地，根據(jù)文獻(xiàn)[17]方法對(duì)75只青農(nóng)灰鵝進(jìn)行統(tǒng)一填飼、殺鵝取肝，得到75個(gè)新鮮鵝肥肝樣本，將所有鵝肥肝樣本在育種基地加工現(xiàn)場(chǎng)用真空薄膜袋封裝打包，并使用醫(yī)療冷藏箱將樣本從加工現(xiàn)場(chǎng)運(yùn)至實(shí)驗(yàn)室。封裝打包前，參照國(guó)家行業(yè)標(biāo)準(zhǔn)

（NY 67—1988）對(duì)鵝肥肝樣本的色澤進(jìn)行人工評(píng)級(jí)，將肝表面光澤良好、色度均勻且為淡黃、米黃或淺粉色的樣本劃分為特級(jí)，用數(shù)值1（級(jí)）標(biāo)記;將呈現(xiàn)淡黃、米黃或淺粉色的樣本劃分為一級(jí)，用數(shù)值2（級(jí)）標(biāo)記;將呈現(xiàn)淡黃、米黃、黃色或淺粉色的樣本劃分為二級(jí)，用數(shù)值3（級(jí)）標(biāo)記;將呈現(xiàn)淡黃、米黃、黃色、淺粉或淺紅色的樣本劃分為三級(jí)，用數(shù)值4（級(jí)）標(biāo)記。

1.2 鵝肥肝樣本圖像采集與分割

鵝肥肝樣本圖像的采集采用機(jī)器視覺系統(tǒng)，主要由工業(yè)相機(jī)、光源、計(jì)算機(jī)組成，如圖1所示。

將不同色澤等級(jí)的鵝肥肝樣本置于工業(yè)相機(jī)下方，依次采集鵝肥肝樣本圖像數(shù)據(jù)，根據(jù)文獻(xiàn)[3]方法應(yīng)用MATLAB R2014a軟件對(duì)圖像進(jìn)行背景分割，不同色澤等級(jí)的典型鵝肥肝樣本圖像如圖2所示。

1.3 鵝肥肝色澤特征參數(shù)提取

對(duì)于經(jīng)圖像分割處理后的鵝肥肝樣本圖像，根據(jù)文獻(xiàn)[2]的顏色特征提取方法提取鵝肥肝的色澤特征參數(shù)，修改如下。將HIS顏色模型中H、S、I顏色分量的平均值和標(biāo)準(zhǔn)偏差改為L(zhǎng)ab顏色模型中的L、a、b顏色分量的平均值和標(biāo)準(zhǔn)偏差。因此，對(duì)于圖像的鵝肥肝目標(biāo)區(qū)域，通過(guò)提取相應(yīng)的R、G、B、L、a、b顏色分量的平均值（μR、μG、μB、μL、μa、μb）和標(biāo)準(zhǔn)偏差（σR、σG、σB、σL、σa、σb）共12個(gè)色澤特征參數(shù)來(lái)定量描述鵝肥肝樣本的色澤特征。應(yīng)用MATLAB 2014b軟件完成色澤特征參數(shù)的提取工作。

1.4 色澤分級(jí)模型建立與數(shù)據(jù)分析

針對(duì)12個(gè)鵝肥肝色澤特征參數(shù)與色澤等級(jí)間的關(guān)系，本研究采用主成分分析法對(duì)這12個(gè)色澤特征參數(shù)進(jìn)行重新篩選，按主成分貢方差獻(xiàn)率選取對(duì)色澤具有綜合解釋能力的色澤主成分，并用色澤主成分進(jìn)行多元線性回歸建模和典型判別函數(shù)建模，分別得到兩種鵝肥肝色澤自動(dòng)分級(jí)模型。應(yīng)用SPSS 19.0軟件完成數(shù)據(jù)的統(tǒng)計(jì)、分析和建模工作。

2 結(jié)果與分析

2.1 鵝肥肝色澤特征的統(tǒng)計(jì)分析

經(jīng)感官評(píng)定，鵝肥肝色澤等級(jí)為1級(jí)、2級(jí)、3級(jí)、4級(jí)的樣本數(shù)分別為14、15、30、16。對(duì)75幅鵝肥肝圖像進(jìn)行圖像處理，提取12個(gè)色澤特征μR、μG、μB、μL、μa、μb、σR、σG、σB、σL、σa和σb，并分別用X1～X12表示，計(jì)算出不同色澤等級(jí)下12個(gè)色澤特征的均值和標(biāo)準(zhǔn)差，如表1所示。

由表1可知，對(duì)于不同色澤等級(jí)的鵝肥肝，其色澤特征差異較顯著。隨著鵝肥肝色澤等級(jí)的降低（從1級(jí)降到4級(jí)），特征X2、X3、X4、X9的均值隨等級(jí)逐步降低，特征X1、X7、X8、X10的均值隨等級(jí)呈下降趨勢(shì)，其余色澤特征無(wú)明顯的變化規(guī)律。

2.2 鵝肥肝色澤特征的主成分分析

對(duì)75個(gè)鵝肥肝圖像的12個(gè)色澤特征進(jìn)行主成分分析，得到12個(gè)主成分PC1～PC12，主成分方差貢獻(xiàn)率如表2所示，主成分系數(shù)矩陣如表3所示，表3中的Z1～Z12是輸入變量X1～X12標(biāo)準(zhǔn)化后的數(shù)據(jù)。標(biāo)準(zhǔn)化計(jì)算公式如式（1）：

式中：Xi為提取的第i個(gè)鵝肥肝色澤特征，Zi為Xi標(biāo)準(zhǔn)化后的數(shù)據(jù)，Xi為所有鵝肥肝樣本第i個(gè)色澤特征的均值，Si為所有鵝肥肝樣本第i個(gè)色澤特征的標(biāo)準(zhǔn)差，Xi與Si的具體取值詳見表1的總計(jì)部分。

由表2可知，前3個(gè)主成分（PC1、PC2、PC3）的特征值均大于1，且累計(jì)方差貢獻(xiàn)率高達(dá)86.24%，基本能夠涵蓋樣本的色澤信息，因此可以選取前3個(gè)主成分來(lái)代表原有12個(gè)鵝肥肝色澤特征，反映鵝肥肝色澤等級(jí)。75個(gè)鵝肝樣本色澤特征前3個(gè)主成分的數(shù)據(jù)點(diǎn)分布如圖3所示。由圖3可知，不同色澤等級(jí)對(duì)應(yīng)的主成分?jǐn)?shù)據(jù)點(diǎn)區(qū)域無(wú)明顯重疊現(xiàn)象，能夠大致分布在4個(gè)區(qū)域，但3級(jí)樣本標(biāo)準(zhǔn)化數(shù)據(jù)點(diǎn)之間分布較為分散，在實(shí)際應(yīng)用中可能會(huì)其他等級(jí)樣本發(fā)生混淆，其他3個(gè)等級(jí)的樣本標(biāo)準(zhǔn)化數(shù)據(jù)點(diǎn)分布較為集中，區(qū)分效果良好。

2.3 鵝肥肝色澤多元線性回歸分級(jí)模型

在保證各等級(jí)樣本內(nèi)部抽取比例為2∶1的前提下，隨機(jī)從75個(gè)鵝肥肝樣本中抽取50個(gè)樣本作為訓(xùn)練集，抽取25個(gè)樣本作為測(cè)試集。對(duì)訓(xùn)練集50個(gè)樣本的前3個(gè)主成分進(jìn)行多元線性回歸分析，得到回歸方程：

Y=-0.39PC1+0.01PC2+0.19PC3+2.63（2）

式（2）即為鵝肥肝色澤多元線性回歸分級(jí)模型，其中，Y為該模型預(yù)測(cè)的鵝肥肝色澤等級(jí)，PC1、PC2、PC3分別為主成分分析提取的前3個(gè)主成分。

根據(jù)式（2）所建立的主成分回歸方程預(yù)測(cè)訓(xùn)練集的色澤等級(jí)，模型的預(yù)測(cè)結(jié)果如圖4所示，其中訓(xùn)練集的相關(guān)系數(shù)R2=0.912，訓(xùn)練標(biāo)準(zhǔn)差為0.307。

測(cè)試集的模型預(yù)測(cè)結(jié)果如圖5所示，其測(cè)試集的相關(guān)系數(shù)R2=0.935，測(cè)試標(biāo)準(zhǔn)差為0.271，與訓(xùn)練集的預(yù)測(cè)結(jié)果接近，說(shuō)明所建立的色澤回歸分級(jí)模型具有一定的穩(wěn)定性。

利用所建立的鵝肥肝色澤MLR分級(jí)模型對(duì)訓(xùn)練集和測(cè)試集的色澤等級(jí)進(jìn)行計(jì)算，將計(jì)算結(jié)果四舍五入保留整數(shù)，且小于0.5的結(jié)果判定為1，大于4.5的結(jié)果判定為4，即可得到該模型的實(shí)際色澤判定等級(jí)。模型對(duì)訓(xùn)練集和測(cè)試集的分級(jí)結(jié)果分別如表4、表5所示。

由表4可知，模型在訓(xùn)練集中，將2個(gè)2級(jí)樣本誤判為3級(jí)，將1個(gè)3級(jí)樣本誤判為4級(jí)，將2個(gè)4級(jí)樣本誤判為3級(jí)，模型在訓(xùn)練集中的分級(jí)正確率為90%。由表5可知，模型在測(cè)試集中，將1個(gè)2級(jí)樣本誤判為3級(jí)，模型在測(cè)試集中的分級(jí)正確率為96%。綜上所述，通過(guò)鵝肥肝色澤MLR分級(jí)模型判定75個(gè)樣本色澤等級(jí)，共有6個(gè)樣本發(fā)生了誤判，模型的總體分級(jí)正確率為92%。結(jié)果表明，模型的識(shí)別率和穩(wěn)定性都達(dá)到了較好的水平。而發(fā)生誤判的樣本全部發(fā)生在相鄰色澤等級(jí)之間，這是由于相鄰色澤等級(jí)的樣本之間提取的特征相似所導(dǎo)致的，所以使得模型的判定結(jié)果存在了一定的誤差。

2.4 鵝肥肝色澤典型判別函數(shù)分級(jí)模型

對(duì)訓(xùn)練集50個(gè)樣本的前3個(gè)主成分進(jìn)行典型判別分析，得到3個(gè)典型判別函數(shù)，其特征值及方差貢獻(xiàn)率如表6所示，其中前2個(gè)典型判別函數(shù)的累積方差貢獻(xiàn)率為97.18%，能夠描述鵝肥肝色澤特征前3個(gè)主成分的主要信息。經(jīng)計(jì)算可知，前2個(gè)典型判別函數(shù)與前3個(gè)主成分的轉(zhuǎn)換關(guān)系如式（3）：

式（3）即為鵝肥肝色澤典型判別函數(shù)分級(jí)模型，其中，F(xiàn)1、F2分別為前2個(gè)典型判別函數(shù)值，PC1、PC2、PC3分別為主成分分析提取的前3個(gè)主成分。

根據(jù)鵝肥肝典型判別函數(shù)分級(jí)模型，繪制訓(xùn)練集50個(gè)樣本的F1、F2數(shù)據(jù)點(diǎn)分布如圖6所示。由圖6可知，不同色澤等級(jí)對(duì)應(yīng)的F1、F2數(shù)據(jù)點(diǎn)均圍繞組質(zhì)心分布，其中1級(jí)組質(zhì)心為（-11.29，0.38），2級(jí)組質(zhì)心為（-1.86，-1.16），3級(jí)組質(zhì)心為（3.78，3.16），4級(jí)組質(zhì)心為（4.04，-5.00），4個(gè)不同等級(jí)的組質(zhì)心能夠較好分開，且不同等級(jí)間數(shù)據(jù)點(diǎn)沒有明顯重疊顯現(xiàn)，說(shuō)明模型分級(jí)效果較好。

為驗(yàn)證模型效果，計(jì)算分別訓(xùn)練集50個(gè)樣本的（F1，F(xiàn)2）數(shù)據(jù)點(diǎn)與各級(jí)別組中心的歐式距離，依據(jù)距離值最小原則判定樣本色澤等級(jí)。訓(xùn)練集樣本的回判結(jié)果如表7所示。由表7可知，4個(gè)等級(jí)的樣本判定正確率均為100.00%，總判別正確率為100%。考慮到模型是根據(jù)訓(xùn)練集樣本特征的前3個(gè)主成分信息得到的，故可能夸大模型判定效果，為了驗(yàn)證模型的有效性，以未參加建模的測(cè)試集25個(gè)樣本對(duì)模型進(jìn)一步檢驗(yàn)，繪制訓(xùn)練集F1、F2數(shù)據(jù)點(diǎn)分布如圖7所示。由圖7可知，測(cè)試集的F1、F2分布與訓(xùn)練集的F1、F2分布（圖6）大致相同。測(cè)試集的模型判定結(jié)果如表8所示。由表8可知，模型對(duì)測(cè)試集中4個(gè)等級(jí)樣本的判定正確率同樣為100%，說(shuō)明利用訓(xùn)練集構(gòu)建的模型分級(jí)效果良好。

3 結(jié)論

本研究利用機(jī)器視覺技術(shù)和統(tǒng)計(jì)模式識(shí)別方法對(duì)不同色澤等級(jí)的鵝肥肝樣本進(jìn)行了色澤等級(jí)自動(dòng)判定，得到結(jié)論如下：①鵝肥肝線性回歸分級(jí)模型的識(shí)別率和穩(wěn)定性均達(dá)到了較高水平，模型的總體分級(jí)正確率為92%，模型中訓(xùn)練集與測(cè)試集的相關(guān)系數(shù)接近、標(biāo)準(zhǔn)差相近;②鵝肥肝典型判別函數(shù)分級(jí)模型的識(shí)別率高于線性回歸分級(jí)模型，其模型的總體分級(jí)正確率為100%，模型中訓(xùn)練集與測(cè)試集的典型判別函數(shù)數(shù)據(jù)點(diǎn)分布規(guī)律大致相同。因此，本研究可用于鵝肥肝色澤的自動(dòng)分級(jí)，而且有望在此研究基礎(chǔ)上開發(fā)鵝肥肝色澤在線分級(jí)系統(tǒng)，從而取代人工并且為鵝肥肝的生產(chǎn)加工提供技術(shù)支持。但本研究中訓(xùn)練集和測(cè)試集的樣本均較少，使得模型預(yù)測(cè)結(jié)果不能較全面的包含各個(gè)色澤等級(jí)樣本，今后應(yīng)該擴(kuò)大樣本數(shù)量并分多批次做重復(fù)試驗(yàn)，以期得到更加準(zhǔn)確和穩(wěn)定的鵝肥肝色澤分級(jí)模型。

參考文獻(xiàn)

[1]陳坤杰，尹文慶.機(jī)器視覺技術(shù)在分析牛肉顏色變化特征中的應(yīng)用[J].食品科學(xué)，2008，29（9）：92-96.

[2]陳坤杰，孫鑫，陸秋琰.基于計(jì)算機(jī)視覺和神經(jīng)網(wǎng)絡(luò)的牛肉顏色自動(dòng)分級(jí)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2009，40（4）：173-178.

[3]CHEN K，SUN X，QIN C，et al.Color grading of beef fat by using computer vision and support vector machine[J].Computers and Electronics in Agriculture，2010，70：27-32.

[4]SUN X，CHEN K，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，2011，10：1504-1511.

[5]賈淵，李振江，彭增起.結(jié)合LLE流形學(xué)習(xí)和支持向量機(jī)的豬肉顏色分級(jí)[J].農(nóng)業(yè)工程學(xué)報(bào)，2012，28（9）：147-152.

[6]陳全勝，趙杰文，張海東，等.利用計(jì)算機(jī)視覺識(shí)別茶葉的色澤類型[J].江蘇大學(xué)學(xué)報(bào)：自然科學(xué)版，2005，26（6）：461-464.

[7]PEDRESCHI F，MERY D，BUNGER A，et al.Computer vision classification of potato chips by color[J].Journal of Food Process Engineering，2011，34：1714-1728.

[8]陳紅，夏青，左婷，等.基于機(jī)器視覺的花菇分選技術(shù)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2014，45（1）：281-287.

[9]周平，趙春江，王紀(jì)華，等.基于機(jī)器視覺的雞蛋體積與表面積計(jì)算方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2010，41（5）：168-171.

[10]王輝，雷雨春，康峰，等.基于機(jī)器視覺的櫻桃外徑檢測(cè)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2012，43（增刊1）：246-249.

[11]夏營(yíng)威，徐大勇，堵勁松，等.基于機(jī)器視覺的煙葉面積在線測(cè)量[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2012，43（10）：167-173.

[12]司永勝，喬軍，劉剛，等.基于機(jī)器視覺的蘋果識(shí)別和形狀特征提[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2009，40（8）：161-165.

[13]李鴻強(qiáng)，孫紅，李民贊.基于機(jī)器視覺的結(jié)球甘藍(lán)形狀鑒別方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2015，46（增刊1）：141-146.

[14]陳紅，夏青，左婷，等.破損花菇機(jī)器視覺檢測(cè)技術(shù)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2014，45（11）：60-67.

[15]趙娟，彭彥昆，DHAKAL S，等.基于機(jī)器視覺的蘋果外觀缺陷在線檢測(cè)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2013，44（增刊1）：

260-263.

[16]趙杰文，劉少鵬，鄒小波，等.基于支持向量機(jī)的缺陷紅棗機(jī)器視覺識(shí)別[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2008，39（3）：113-115.

[17]孫倩，王寶維，葛文化，等.基于SPSS聚類分析的鵝肥肝重量分級(jí)標(biāo)準(zhǔn)研究[J].中國(guó)家禽，2012，34（2）：31-36.