基于机器视觉与深度学习的分级技术

● 技术原理

首先以胴体解刨图谱为先验知识，明确胸骨末端点、6至7肋骨生长方向、背膘测量点间的空间位置关联性；随后，基于U-Net的卷积神经网络模型，对猪胴体特征图像中胸骨、肋骨和背膘区域进行分类标识。最后，利用图像中胸骨末端-肋骨-背膘测量点间形态学位置关系，实现猪胴体背膘测量区域的快速定位与背膘厚度的精确测量。基于机器视觉和深度学习，建立猪胴体胸腔区域分割模型，开发胸骨末端特征点自动定位算法，解决猪胴体分级过程中无法准确自动定位问题的关键难题。结合猪胴体6至7肋间背膘测量点及胸腔肋骨解剖学位置关系，构建胸腔、肋骨、背膘区域精准分割算法。基于胸骨末端特征点自动定位和胸腔形态学特征实现背膘厚度测量位置的准确定位，并建立了基于机器视觉的背膘厚度快速测量方法，实现了背膘厚度的准确快速测量。猪胴体背膘厚度单次检测速度≤0.5秒，测量误差＜1 毫米。算法测量与人工测量的定级一致率相差5%左右，但是该数值受人工操作影响，这将是未来实际生产应用中的一个难点。

● 硬件布置

● 软件设计

基于肉品特性指标的多元精细化猪胴体智能分级预测模型

屠宰前，利用生猪的标记号跟踪并采集生猪养殖过程中的历史养殖饲喂信息；屠宰中实时采集生猪屠宰信息，并编制计算机程序，建立多元精细化的分阶段智能猪胴体分级模型；然后在自动化生产线屠宰过程中，将实时获取的胴体各项指标输入所述的模型中，执行运算程序即可实现生猪胴体肉品的自动分级。该分级方法科学地引入养殖过程中养殖方式、饲料投喂与喂药等信息，并采用适用于屠宰生产线的自动检测装置，快速有效地获取屠宰过程中胴体参数，使生猪肉品分级更加合理科学，易于推广，适用于现代化大规模自动化屠宰生产线。

具体过程如下：

（1）获取生猪屠宰前地历史养殖饲喂信息（包括品种、性别、年龄、放养模式、采食方式、饲料蛋白质含量、生病喂药和养殖场地理位置）；

（2）获取生猪屠宰并劈半后测定的生猪屠宰信息（包括屠宰率、背膘率、瘦肉率、肉色等级、大理石花纹等级、pH值）；

（3）采用层次分析法，建立生猪养殖饲喂等级评定模型，计算生猪养殖饲喂等级；根据步骤（1）中获得的历史养殖饲喂信息，划分生猪养殖饲喂等级；

（4）根据生猪养殖饲喂等级与生猪屠宰信息，采用灰色AHP-白化权函数聚类综合分级评定模型，进行猪胴体肉品综合智能分级。

基于近红外光的探针式猪胴体肥瘦率检测系统

猪胴体肥瘦率作为猪肉分级标准体系关键指标,其客观性和精确性显得尤为重要。猪胴体瘦肉率测定包括：生猪指定部位的脂肪/肌肉厚度识别检测以及基于脂肪/肌肉厚度建立的生猪整体瘦肉率统计回归模型。基于近红外的探针式瘦肉率测定系统，着重针对脂肪/肌肉厚度的识别和检测进行研究，以提高瘦肉率测定效率和精确性，实现低成本、智能化猪胴体分级。近红外光谱分析技术由于具有检测效率高、对肉品低损坏等特点，在肉品的新鲜度、含水量、蛋白质、残留物等特性检测中得到广泛应用。该系统利用脂肪/肌肉对近红外光具有不同反射特性的特点，实现了瘦肉率的探针式快速准确测定。

基于近红外光探针式瘦肉率测定系统结构和技术方案包括：近红外检测光学模块、探针模块、光电转换模块、信号处理模块、时序产生模块、探针位移检测模块、通信模块和瘦肉率计算处理软件模块。作者对各个模块进行了详细设计，提出了探针位移检测方法，设计了探针式测定仪结构，着重对光学模块及光路系统、锁相放大信号处理进行了研究。针对肉品近红外光反射信号特点，建立了红外光反射信号采集和处理硬件电路构架，对电源模块、CCD探测模块、时序控制模块、锁相放大器模块、编码器采集模块、A/D转换模块、通信模块等进行了器件选型和接口电路详细设计，对CCD工作时序、A/D转换时序、编码器采集时序、通信时序等进行了研究和分析。在此基础上，完成了硬件电路的PCB板绘制和制板，以及硬件系统开发。设计开发了系统数据采集、脂肪/肌肉厚度识别和测定软件，对系统功能进行了分析，着重研究了反射率计算、肥瘦识别、肥瘦肉厚度及其分布计算，完成了上位机软件系统开发。最后，对开发的瘦肉率测定仪硬件和软件进行了测定实验，获得了理想的肉品反射率光谱数据，得到了肥瘦肉判定和识别阈值，并对实际猪肉样品进行了探针穿刺实验，所测定的肥瘦肉厚度及其分布与样品实际厚度吻合，表明所开发的瘦肉率测定仪基本达到设计要求。

基于近红外光的探针式猪胴体肥瘦率检测系统

光电检测技术

随着集成电子技术和光电检测技术的发展，通过光电效应进行猪肉分级的技术应运而生。光电检测技术原理简单、操作方便、成本较低，易被市场接受。经过国内外学者的不断研究和完善，基于光电技术的分级方法是目前业内主流分级检测手段。大量实验表明，猪胴体整体瘦肉率与猪胴体某些特征部位的背膘厚度、眼肌肉厚度具有相关性。其中，猪胴体背部第三、四根肋骨间的背膘厚度和眼肌厚度能够比较准确地反映整个猪胴体的瘦肉率。主要方法是利用穿刺探头刺入被测样品内部，穿刺探头内部设计光路，通过光路中光纤接受反射光，根据反射光的采样值确定瘦肉率。我国对生猪瘦肉率光电检测设备的开发目前仍处于空白。丹麦SFK公司生产的FOM系列在业界应用广泛，如图23所示，使用光纤探针刺入肉品内部，每0.5毫米采集一次近红外光反射率，由于采样芯片发展迅速，采样频率越来越高，分辨精度也随之提高。新西兰Hennessy公司研制Hennessy Grading Probe与加拿大Destron公司研发的PG-100都是基于光电传感技术的主流猪胴体分级设备。国内双汇集团在加拿大景通公司的协助下，建立了基于光电技术的测试系统。检测能力每小时可达1000头。林婉团队设计了便携式生鲜肉品无损检测装置；赵家松团队完成了基于近红外技术的猪肉新鲜度检测仪，该装置借助光电检测技术完成了对肉品新鲜度的检测。

超声波检测技术

超声波技术利用猪肉组织对超声波的不同反射特性，根据获得的超声波反射信号识别和检测不同组织。相对光电技术，该方法无需破坏猪肉的表皮组织，降低了猪肉内部组织被污染的可能性，属于无损检测。尽管该类设备有良好的测量性能，但是设备成本及维护成本较高，中小企业很难承受，所以未被市场广泛接受。该技术应用的典型代表为日本的TokyoKeiKi公司，该产品利用超声波传感器阵列同时采集猪胴体不同部位的超声波信号，可以实时地测量猪肉内部的脂肪含量，且不需要肥瘦分隔明显，更具有普遍性，测量速度可达每小时1150头，对3200个测量点进行快速测量，并计算猪胴体肥瘦率，为猪胴体分级系统提供了更精确的瘦肉率指标。丹麦 SFK 公司也基于此技术研制了全自动肉脂仪系统。

基于光谱选择增强成像的分割肉断面脂肪特征提取方法

猪胴体特定位置的背膘厚度是分级的关键参数与重要依据。猪分割肉的图像采集是整个断面脂肪最大厚度检测流程的基础环节。基于此图像采集结果而进行的特征提取环节是整个流程的关键。本方法利用高光谱分析组织表面反射特性，确定出最佳成像区间，从而达到关键特征增强的效果。

分割肉断面脂肪最大厚度检测思路如下：（1）利用高光谱成像仪对不同品种猪分割肉不同组织特征表面反射特性进行分析，探究不同猪品种、不同组织特征光谱成像特性，确定出可显著增强断面脂肪区域成像质量的特征波段，实现断面脂肪特征图像的清晰获取；（2）结合图像处理后断面脂肪最大厚度点定位结果，构建断面脂肪检测ROI区域，结合测量需求提出了左、右图像断面脂肪边缘特征差异化提取策略，提取特征进行空间匹配及三维重建，进而实现分割肉断面脂肪最大厚度的准确测量。具体检测流程如图所示。

基于光谱选择增强成像的分割肉断面脂肪特征提取方法

猪胴体特定位置的背膘厚度是分级的关键参数与重要依据。猪分割肉的图像采集是整个断面脂肪最大厚度检测流程的基础环节。基于此图像采集结果而进行的特征提取环节是整个流程的关键。本方法利用高光谱分析组织表面反射特性，确定出最佳成像区间，从而达到关键特征增强的效果。

分割肉断面脂肪最大厚度检测思路如下：（1）利用高光谱成像仪对不同品种猪分割肉不同组织特征表面反射特性进行分析，探究不同猪品种、不同组织特征光谱成像特性，确定出可显著增强断面脂肪区域成像质量的特征波段，实现断面脂肪特征图像的清晰获取；（2）结合图像处理后断面脂肪最大厚度点定位结果，构建断面脂肪检测ROI区域，结合测量需求提出了左、右图像断面脂肪边缘特征差异化提取策略，提取特征进行空间匹配及三维重建，进而实现分割肉断面脂肪最大厚度的准确测量。具体检测流程如图所示。

● 自然光下猪分割肉断面图像检测难点

猪分割肉断面检测区域存在脂肪与肌肉、筋膜组织、猪皮、骨头等各组织相互连接的特点，猪分割肉在自然光条件下获得的各组织成像效果如图所示。由图可知，在分割肉被切割的过程中由于切割位置和角度的差异，会出现筋膜组织与断面脂肪相互融合，且筋膜组织呈白色，其在自然光下的成像效果与待检测的断面脂肪部分极为相似，导致断面脂肪特征难以准确识别与提取，使后续断面脂肪最大厚度检测精度与可靠性难以保证。因此，在图像采集环节对断面脂肪特征有效增强，实现图像中脂肪特征与非检测目标特征差异性成像，能够为后期脂肪区域的准确识别奠定坚实的基础。

基于参数特征波长的猪肉品质无损检测技术及掌上式装置

近年来，农畜产品品质常用的无损检测方法主要包括光谱技术、图像技术及仿生传感技术等。这些方法普遍需要依赖集成的光谱仪、图像或传感阵列等硬件系统，价格昂贵、机构复杂且不易移动，多用于实验室或固定场合，不便于消费者等个人用户使用，也不利于在市场上推广。魏文松提出了一种利用与参数相关的特征波长检测猪肉品质的方法，并利用近似波段融合及模型回归系数最大化原则选取与猪肉品质参数相关的特征波长。以猪肉中挥发性盐基氮含量（TVB-N），利用波段400-1100纳米的漫反射系统对猪肉样品进行检测。利用逐步回归算法（SRA）、连续投影算法（SPA）和基因遗传算法（GA）对原始光谱和预处理光谱筛选特征波长，最终提出了一种基于特征波长光源设计集成光学检测器的方法，并搭建了掌上式检测装置硬件，开发了与硬件设备匹配的上位机软件。

基于仿生电子鼻的肉品新鲜度多信息融合识别技术

为有效提高肉品检测的效率，建立了基于仿生触觉和仿生电子鼻的多传感器信息融合技术，用于肉品新鲜度识别。基于人体鼻腔CT图像，构建了三维鼻腔模型，使气味可到达每个传感器的敏感元件处，其接触反应时间能够满足传感器的有效吸附时间。研究不同特征值对肉新鲜度识别效果影响，对仿生电子鼻传感器阵列的响应信号完成特征提取。并采用RBF神经网络、BP神经网络及支持向量机（SVM）进行识别分析，对比不同特征选择方法的预测结果，全段数据平均值（Mean）特征突出。探讨仿生电子鼻技术的肉品新鲜度模式识别，在三种识别模型预测结果，SVM识别模型识别率最优，且样本数越少，优势越明显。

针对不同冷藏条件下的鸡肉样品、猪肉样品，提取其弹性信息和“指纹”气味信息的原始特征信息。肉品新鲜度的多传感器融合识别模型的识别率优于基于各单项技术识别模型，该模型对猪肉样品的识别率在8℃时为93.45%；0℃时，分别为94.23%和92.11%。研究结果表明，将仿生触觉和仿生电子鼻两项技术进行融合应用于肉新鲜度的识别具有高效性和准确性。