猪肉新鲜度智能检测分级系统研究

郭培源，毕 松，袁 芳

(北京工商大学信息工程学院， 北京 100037)

猪肉新鲜度智能检测分级系统研究

郭培源，毕 松，袁 芳

(北京工商大学信息工程学院， 北京 100037)

对表征猪肉新鲜度的氨气和硫化氢气味、图像颜色值、脂肪细胞数和细菌菌斑信息特征量进行检测，通过神经网络技术研究非相干微量参数的多数据融合检测方法，以总挥发性盐基氮(TVB-N)值序列作为SOM网络的输入，利用SOM神经网络对TVB-N值序列进行聚类研究，将新鲜度细分为5个等级，实现了新鲜度等级划分与国家标准和感官检验相一致的结果，从而实现对猪肉新鲜度检测分级辨识。

细斑面积；数字图像处理；神经网络；新鲜度等级划分

Abstract：Ammoniacal odor, hydrogen sulphide odor, hue, saturation and brightness in the collected image, the number of adipocytes and bacterial plaque of pork reflecting its freshness were measured. A backpropagation (BP) neural network structure, in which TVB-N value was the output and the above 7 non-coherent parameters composed the input was established.Based on this, a SOM network structure, in which TVB-N value was the input, was established for the cluster analysis of TVB-N values collected during pork spoilage and 5 TVB-N value based pork freshness rates were obtained. The rating results were in accordance with the national standard and those from sensory evaluation. This demonstrates high reliability of this rating method.

Key words ：plaque area；digital image processing；neural network；freshness rating

本研究基于猪肉腐败过程中释放的氨气和硫化氢气味，同时提取其图像颜色值(H、S、I)、脂肪细胞数和细菌菌斑信息特征[1]，通过神经网络技术研究非相干微量参数的多数据融合检测方法。通过基于无监督竞争学习的SOM神经网络技术，将任意维数的输入模式以拓扑有序的方式变换到一维的离散空间上。由于新鲜度等级划分是一种聚类，没有指导信息，需要一种有能力进行无导师聚类的神经网络。基于以上考虑，新鲜度等级划分选择SOM网络。通过对猪肉腐败过程中国家肉类检测标准挥发性盐基氮(TVB-N)值序列进行聚类分析得到猪肉新鲜度等级划分标准，技术上建立了一个基于颜色值、脂肪细胞数和细菌菌斑与TVB-N值进行拟合映射的智能辨识系统，从而获得肉品新鲜度的分类。

1 猪肉氨气和硫化氢气体的测定

当猪肉由于各种微生物的污染和作用引起腐败现象或由于自身酶分解作用引起酸臭性发酵时，会产生硫化物和氨气。将其用于猪肉新鲜度的检测和分析，可以从一定程度上表征猪肉的腐败程度。

图1 气体采集系统Fig.1 Gas collection system

气体采集卡采用北京华控技术公司的HK-PCI812数据采集接口卡。H2S传感器为MQ136；NH3传感器为MQ137。6个气体传感器(3个MQ136和3个MQ137)组合成阵列，每次采集的6个值不是独立存在的，而是从整体上反映当前气体的模态。气体采集系统如图1所示，由3部分组成，分别是气体传感器阵列、数据采集卡、PC机数据库。

氨气、硫化氢气体随猪肉腐败的变化规律如图2所示，随着时间的延长，气体的体积分数在不断升高。

图2 氨气、硫化氢气体变化规律Fig.2 Changes in ammonia odor and hydrogen sulphide odor during pork spoilage measured using different gas sensors

在每个气体采样点分别取H2S和NH3气体体积分数以获得加权平均值变化规律，作为图7中SOM神经网络中氨气、硫化氢的输入。在气体变化量实验中，NH3传感器4的检测值发生了异常变化，是由于传感器4突然“检测失灵”造成的，而另外两个传感器没有发生其突变。计算NH3平均值时需要除去该数据。

2 图像颜色值分析及图象处理

2.1 RGB模式转变为HIS图像模式

图象采集系统由光室、光源、CCD、图像采集卡和PC机组成。光源与光室提供检测猪肉片图像的环境；摄像头摄取被检测肉片与脂肪组织透射光图像，并由图像采集卡数字化后送入计算机。

肌肉的颜色值主要是指肉的颜色和光泽，最佳颜色为樱桃红色且有光泽。人肉眼能见到的光，是指波长在400～800nm之间的可见光。猪肉因其以肌红蛋白为主的色素吸收了相应的可见光而呈现肉特有的红色。肉的颜色能很好地表征其品质特征。肉在贮藏过程中，其色泽往往随着肉的变质而发生变化。新鲜肉色泽红润，且红色均匀；次鲜肉颜色发暗；而变质肉呈红褐色无光泽，且在局部区域有不均匀的绿色斑块。肉的色泽变化可通过其颜色值的变化来反映，通过测定猪肉的颜色值可以判断猪肉的新鲜度。

猪肉色泽的测量可以量化。通过CCD获得的图片是基于红(R)、绿(G)、蓝(B)模型。而人眼观察到的色彩则是以另一种称为HIS模型分类的。有色物体反射光线的定量可以表示为三个部分，分别为亮度(I)、色度(H)、饱和度(S)。亮度是颜色的明暗程度，即黑白对比；色度是反射的主要波长，它决定人眼所观察到的颜色；饱和度为彩度，指色泽的强度。将采集的样品图像由RGB模式转变为HIS模式，为样品色泽特征的定量化分析提供了解决方案。

2.2 直方图均衡化

直方图表明了图象中灰度值的分布情况，可以通过直方图均衡化改变形状来达到增强图象的对比度效果。图象增强处理结果如图3所示。

图3 直方图均衡变换Fig.3 Contrast change of pork image before and after histogram equalization

3 脂肪细胞数分析

图4 脂肪细胞数变化(×100)Fig.4 Morphological change in adipocytes during pork spoilage(×100)

采用放大100倍CCD可以清晰的观察到脂肪细胞形态。由图4a可知，通过样本观察可以看出新鲜脂肪组织中脂肪细胞呈圆形或卵圆形，细胞饱满均匀，细胞壁清晰，容易分辨出细胞个数；由图4b可知，随着脂肪组织的氧化腐败深入，脂肪细胞之间边缘逐渐弯曲并模糊化，细胞膜结构变弯曲不平滑，出现细胞壁重叠和破裂现象，部分细胞不再完整；由图4c可知，只有少量完整细胞，已经分辨不出完整的细胞体结构。通过对单位面积内脂肪细胞的计数，为猪肉新鲜度检测提供了一个新的参考标准。

通过对脂肪细胞大小分析，对经历不同腐败时间后细胞的数量进行统计。图5所示为细胞数量统计结果。经数据分析，可以比较明显地看出，随着氧化腐败的加快，猪肉脂肪组织中完整细胞数量在不断地减少。

图5 脂肪细胞数随时间的变化Fig.5 Change in the number of adipocytes during pork spoilage

4 细菌菌斑分析

由于外界微生物的污染，以及肉品自身分解过程中形成了易于细菌生长的环境，细菌会在肉品中大量生长聚集。由于肉品脂肪组织是最先腐败的部分，同时脂肪组织的结构较为单一，生长在脂肪组织中的细菌菌斑图像比较容易提取。可选择脂肪组织中生长的细菌菌斑图像作为样本数据，提取菌斑的面积并对其进行数字图像处理，作为判定肉品品质的一个重要判定依据[2]。

图6 细菌菌斑图像Fig.6 Plaques of bacteria growing in pork fatty tissue after 12- and 24-hour spoilage

通过图6对比分析发现：以菌斑特征标定肉品新鲜度，随着腐败时间的增加，样品菌斑面积是随着腐败的时间增加而增加的，这表明菌斑面积能很好地表征样品的品质，细菌菌斑面积可以作为检测猪肉新鲜度的一个主要特征指标。

5 肉类新鲜度分级分析

目前，按照国家标准肉类新鲜度分类方法将肉类分为3个等级，分级标准是根据TVB-N值来确定的(表1)。该分级标准比较粗糙，在实际应用中不能满足需要[3-4]。随着市场竞争的加剧，各企业都对自己生产的各个环节采取精细化控制，不同新鲜度等级的猪肉将应用到不同肉类食品生产中。根据调查，将肉品进行更细致的新鲜度等级划分将对实际应用起到有效的指导作用[5]。如何合理的在国家新鲜度分级标准基础上对新鲜度等级进行细化，将对猪肉新鲜度分级系统应用起到重要的推动作用。

表1 国家肉类新鲜度等级标准与TVB-N值的关系Table 1 TVB-N value based meat freshness rating (from the national standard)

6 基于SOM新鲜度分级系统设计

6.1 新鲜度分级规则

图7 新鲜度分级算法整体结构Fig.7 Freshness algorithm structure diagram

新鲜度分级算法整体结构如图7所示。肉类新鲜度等级划分标准是根据TVB-N值多少来确定的。首先根据神经网络进行TVB-N值的确定，再利用SOM型神经网络对猪肉腐败过程中TVB-N值序列进行聚类分析，可以得到不同新鲜度等级的聚类中心。SOM网的输入是TVB-N值序列，输出是不同新鲜度等级的聚类中心对应的TVB-N值。将两个不同的聚类中心之间的中点对应的TVB-N值作为分界点，可得到不同新鲜度等级所对应的TVB-N值的区间，也就是新鲜度等级分类规则。

6.2 BP神经网络设计

新鲜度等级的聚类中心确定，首先要根据神经网络进行TVB-N值序列聚类，选择神经网络进行新鲜度的智能辨识，需要根据系统的要求选择神经网络模型并确定结构，包括：输入层及向量个数、隐含层层数、隐含层神经元个数、输出层向量个数、各层神经元传递函数等。对建立的神经网络进行离线学习，确定网络的连接权值和连接结构，最后用于新鲜度辨识。

6.2.1 输入层神经元个数确定

影响新鲜度检测的主要指标个数是神经网络输入层向量个数。本课题研究的参数有：氨气和硫化氢气体、颜色值、细胞个数及细菌菌斑面积参数，确定输入层的神经元向量个数为7。

6.2.2 隐含层层数确定

神经网络的许多特性是由隐含层决定的，然而，具体取多少合适却没有规律可循，不同的应用对象，与其相适应的网络结构差别很大。理论上已经证明：具有偏差和至少一个S型隐含层加上一个线性输出层的网络，能够逼近任何有理函数。也即含有一个隐含层的3层BP网络即可完成非线性函数的逼近。多于一个隐含层的BP网络虽然具有更快的训练速度，但在实际中需要较多的计算时间。另一方面，训练速度和精度可以通过增加隐含层神经元数来达到。基于此，本研究采用具有一个隐含层的3层BP神经网络。

6.2.3 输出层神经元个数

国家标准中表征肉品新鲜程度是TVB-N值，建立神经网络的目的就是找出氨气、硫化氢、色度、亮度、饱和度、脂肪细胞数及细菌菌斑同TVB-N值的关系，所以输出层的神经元个数取1。BP神经网络结构如图8所示。

图8 BP神经网络结构Fig.8 BP neural network structure

选取数据中具有代表性的80组数据作为样本数据，并将输入与输出数据分别以文本文件的形式存储。MATLAB可以直接对这些文本文件进行操作。实现这部分功能的MATLAB程序段为：

fid=fopen('样本氨气、硫化氢、色度、亮度、饱和度、脂肪细胞数及细菌菌斑输入数据.txt ')；

执行上述语句后得到网络的训练误差。网络的训练误差变化曲线如图9所示。

图9 网络训练误差变化曲线Fig.9 Network training error curve

由图9可知，网络训练至63步时，误差达到目标值，说明网络有很好的收敛性能。

6.3 猪肉新鲜度SOM神经网络等级划分

在猪肉腐败过程中采集多个TVB-N值序列，利用SOM网络对这些序列进行聚类。根据聚类中心以及聚类中心之间的距离，并在新鲜度国家等级划分标准上，将新鲜度重新划分成5类，以满足实际生产需求。

设计SOM网络需要确定网络输入、输出层的形式和神经元的数量。等级划分主要是将猪肉腐败过程中TVB-N值序列进行合理的划分。SOM网络的输入是TVB-N值序列，网络输入层只需要一个节点。网络将一维的数据序列划分为5个类，则设计网络的输出层为一维形式，网络的输出层的神经元个数为5个。所设计的SOM网络的结构图如图10所示。

图10 等级划分SOM网络结构Fig.10 SOM network structure showing TVB-N value based pork freshness rating

6.3.1 SOM网络的生成及初始化

训练神经网络首先要生成一个神经网络的构架，格式为：

其中：PR为R×2维矩阵，表示R维输入矢量中每维输入的最小值与最大值之间的范围；[D1,D2,...]中各元素分别表示各层神经元的数目；TFCN表示神经网络中拓扑函数，缺省值为“hextop”；DFCN表示神经网络中距离函数，缺省值为“linkdist”。

针对新鲜度等级划分问题建立SOM网络，该网络有一个单神经元的输入层，输出层由5个神经元组成一维结构。

6.3.2 SOM神经网络训练

在确定了SOM网络的结构、拓扑函数以及学习算法后，需要对神经网络进行训练，即利用输入样本对其进行训练，通过对神经网络的权值进行不断调整，使得网络的输出层的特定神经元对特定的输入有最大的响应。SOM网络学习过程是无导师学习，所以在对神经网络训练参数进行设置时，只需设置训练步数。通过对SOM进行训练100步，利用SOM网络进行聚类操作，其聚类中心是输出层的神经元的权值。权值分布如图11所示。

图11 SOM网络输出层权值分布Fig.11 SOM distribution of network output layer weights

由图11可知，纵轴对应输出层神经元的权值向量。其横坐标位置是猪肉新鲜度划分过程中的聚类中心所对应的TVB-N值。由于本研究设计的SOM网络输出层是一维的，所有输出点在纵轴上所对应的值为0。横坐标红点为聚类中心，经过训练其聚类中心对应的TVB-N值分别为：9.383、13.597、20.055、29.21mg/100g和36.573mg/100g。

利用MATLAB中神经网络工具箱对SOM网络进行训练和仿真。如表2所示，针对不同聚类中心所对应的TVB-N值，同时参照国家猪肉新鲜度分级标准中对不同等级确定的名称，将5类猪肉新鲜度等级定义为：新鲜肉、中鲜肉、次鲜肉、中腐肉和腐败肉5个等级。

表2 SOM网络聚类后新鲜度等级Table 2 Relationship between pork freshness rates and TVB-N value obtained from SOM network

将不同聚类中心之间的中点作为分界点，从而得到不同猪肉新鲜度等级对应的TVB-N值的区间。其对应关系如表3所示。

表3 猪肉新鲜度等级及对应的TVB-N值区间Table 3 Divided TVB-N value intervals corresponding to pork freshness rates

通过表3可以看出，猪肉新鲜度等级进行重新划分后，中鲜肉的TVB-N值对应区间为[11.5，16.8)，与国家标准新鲜肉和次鲜肉之间的区域对应。中腐肉也与国家标准中次鲜肉和腐败肉之间的状态对应。

通过对TVB-N值进行聚类得到的猪肉新鲜度等级与国家标准对比分析得到：对猪肉新鲜度进行划分的结果与国家标准指标吻合，可以满足实际应用中对猪肉新鲜度等级细分的要求。

6.4 猪肉新鲜度辨识软件的实现

图12是猪肉新鲜度辨识软件界面。界面左边显示所检测的参数，包括：氨气、硫化氢、颜色值(H、S、I)、脂肪细胞个数和细菌菌斑面积。界面右边显示辨识结果，包括：多数据融合后预测的TVB-N值和新鲜度等级分级结果。

图12 猪肉新鲜度辨识系统软件界面Fig.12 Pork freshness identification system software interface

在使用过程中，点击新鲜度辨识按钮后，系统对特征量进行采集，包括：氨气、硫化氢、颜色值、脂肪细胞个数和细菌菌斑面积。然后系统对所采集的数据进行处理，利用颜色值模型变换提取样品颜色值(H、S、I)；对样品图像进行霍夫变换取得脂肪细胞轮廓，并计算完整脂肪细胞个数；利用数学形态学处理所拍摄的细菌菌斑图像并统计菌斑面积；将处理后的特征量送入BP神经网络，网络的输出为对该样品预测的TVB-N值，并在分级规则库中寻找同该TVB-N值对应的新鲜度等级。从图12可以看到，该样品氨气值为35，硫化氢值为150，颜色值中H为178.63、S为0.2013、I为0.995，细胞个数为36个，菌斑面积为1196，经BP神经网络辨识，其预测TVB-N值为5.02，在分级数据库中搜索后得到该样品新鲜度等级为：新鲜肉。

7 结 论

本研究进行了表征猪肉新鲜度的特征量氨气、硫化氢、颜色值(H、S、I)、完整脂肪细胞个数、细菌含量检测。利用信息处理技术将多个特征量融合在一起，应用BP神经网络对猪肉腐败过程中的TVB-N值序列进行聚类研究，并且利用SOM网络对猪肉新鲜度进行了分级研究，实现了猪肉新鲜度智能辨识，研究方法达到了国家猪肉新鲜度分级标准要求。

[1] 郭培源, 曲世海. 猪肉新鲜度的智能检测方法[J]. 农业机械学报, 2006(8): 78-81.

[2] 毕松, 郭培源. 基于细菌菌斑变化的猪肉新鲜度检测方法研究[J]. 农机化研究, 2009(5): 67-71.

[3] 侯瑞锋, 黄岚, 王忠义, 等. 用近红外漫反射光谱检测肉品新鲜度的初步研究[J]. 光谱学与光谱分析, 2006, 26(12): 2192-2195.

[4] 韩剑众, 黄丽娟, 顾振宇, 等. 基于电子舌的肉品品质及新鲜度评价研究[J]. 中国食品学报, 2008, 8(3): 126-133.

[5] 彭勇, 娄飞, 陈尚武, 等. 流动注射-化学发光法快速评价冷猪肉新鲜度[J]. 肉类研究, 2005(6): 32-34.

An Intellectual Rating System for Pork Freshness

GUO Pei-yuan，BI Song，YUAN Fang
(College of Information Engineering, Beijing Technology and Business University, Beijing 100037, China)

TS251.7

A

1002-6630(2010)15-0068-05

2009-12-28

北京市自然科学基金资助项目(4092012)

郭培源(1958—)，男，教授，博士，研究方向为智能检测、多数据信息融合。E-mail：ggppyy@126.com