机器视觉技术在牛肉大理石花纹识别中的应用

吴海娟，彭增起，沈明霞,，刘璎瑛，仇金宏，史 杰

(1.南京农业大学工学院，江苏 南京 210031；2.南京农业大学 农业部农畜产品加工与质量控制重点开放实验室，江苏 南京 210095)

机器视觉技术在牛肉大理石花纹识别中的应用

吴海娟1，彭增起2，沈明霞1,*，刘璎瑛1，仇金宏1，史 杰2

(1.南京农业大学工学院，江苏 南京 210031；2.南京农业大学 农业部农畜产品加工与质量控制重点开放实验室，江苏 南京 210095)

牛肉眼肌区域大理石花纹的丰富程度是牛肉分级的重要指标之一。采用工业相机采集多幅牛肉眼肌切面图像，利用VC++图像处理技术，对图像进行平滑去噪操作，采用自适应阈值法将眼肌区域从背景中分离，然后运用数学形态学的方法以及基于区域分割的方法确定有效眼肌区域，最终通过数理统计的算法识别大理石花纹。结果表明，该技术能有效识别眼肌区域中的大理石花纹，其耗时短、识别结果准确，利于牛肉等级的准确判定。

牛肉眼肌；大理石花纹；腐蚀；膨胀；图像分割；识别

采用机器视觉技术实现牛肉分级，是近年来牛肉质量自动分级研究的热点[1-4]。早在1990年，Mcdonald等[5]运用图像处理的办法，依据瘦肉与脂肪不同的反射特性，对背最长肌的瘦肉和脂肪进行了区分。1996年，Gerrand等[6]对60个大排的大理石纹和颜色等级进行感官评定和计算机图像处理，结果表明计算机图像处理能有效预测大理石纹和颜色等级(相关指数为0.86和0.84)。在国内，任发政等[7]尝试用Matlab来提取牛肉的大理石纹。赵杰文等[8]则研究利用数学形态学的方法对牛胴体眼肌切面图像中背长肌区域进行分割，以提取牛胴体眼肌的大理石纹。无论是对二值化后的图像运用差影法或是面积阈值法，还是对灰度图像运用数学形态学及区域增长法，都有可能提取的不够准确，造成识别结果的精度不高，同时识别处理也只是统计了大理石花纹的多少，并未体现花纹的分布情况。

牛肉眼肌区域大理石花纹的识别关键在于精确提取牛肉切面的有效眼肌区域。主要运用了基于区域的图像分割技术等算法对二值化后的牛肉眼肌切面图像进行了再次分割处理，提取有效的牛肉眼肌区域效果较好，以此区域为研究对象运用数理统计的方法识别出有效眼肌区域的大理石花纹，并将识别结果以对话框的形式直观的呈现。

1 材料与方法

1.1 材料

实验采集了第12～13根肋骨间的50幅牛肉眼肌切面图片，所有图片均用白色荧光灯管作为照明装置，使用暗白色作为背景便于后续的各种图像处理以及简化处理过程，使用维视工业相机获取牛肉图片。将获得的图片放到自己设计编写的VC++图像处理软件界面中进行处理。VC++牛肉图像处理的软件界面如图1所示。

图1 VC++牛肉图像处理的软件界面Fig.1 Software interface of beef image processing using VC++

1.2 图像预处理

从采集的牛肉图像样本中任选了一幅牛肉眼肌切面图像，如图2a所示。构成该牛肉图像的各部分为暗白色背景区域1、有效眼肌区域2、附生肌3、背膘4。图像处理过程：对图像进行平滑去噪操作；用自适应阈值法将眼肌区域从背景中分离；运用多次腐蚀、膨胀以及区域生长的方法确定有效眼肌区域，最终通过数理统计的方法识别大理石花纹。图像预处理包括图像平滑、图像灰度化、图像二值化、腐蚀去噪和边缘细化等[9]。为了消除噪声及一些细小的结缔组织，采用了中值滤波对图像进行去噪处理，将去噪后的彩色图像转化为灰度图像，以减少存储空间。利用自适应阈值法[10]，由程序自动计算得到一个阈值，进行图像二值化处理，分离牛肉切面图像的前景与背景部分。牛肉眼肌切面如图2a所示，其对应的预处理过程如图2b~2d所示。

图2 预处理图片Fig.2 Pretreatment images

1.3 基于眼肌区域分割的牛肉大理石花纹识别

1.3.1 基于眼肌区域分割处理

牛肉眼肌切面图像的分割方法很多[11-13]，分割效果各异。本课题研究的关键即为区域的分割处理，经预处理后的牛肉图片必须将其中的附生肌去除，否则难以得到有效眼肌区域。有效眼肌区域的提取方法较多，如面积阈值法和图像差影法等，本实验运用了区域生长法的基本原理[14]对二值图像进行分割。

图像分割是图像处理中的一个经典难题，但又是进行图像分析的关键步骤。一幅二维灰度图像以像素点的集合g(x,y)，其中0≤x≤Maxx，0≤y≤Maxy进行分割就是将图像划分为满足如下条件的子区域(g1,g2,g3,…,gn：

1)Ugi(x,y)=g(x,y)，表示有效眼肌区域及附生肌组织构成整个图像。

2)gi是连通的区域；通过腐蚀、膨胀，将图像中各组成部分变成连通区域，便于区域生长。

3)gi(x,y)∩ gi(x,y)= φ(i=1,2,…,n；j=1,2,…,n；i≠ j)，即任意两个子域不存在公共元素。

实验将区域生长法用于预处理后的牛肉眼肌切面二值化图像而非灰度图像，在预处理后可能会有非连通区域出现，这将不利于区域生长的进行(图像分割定义的3)中指出)。采用多次腐蚀运算消除物体边界点，使边界向内部收缩，把小于结构元素的物体去除[15]，这里使用了3×3结构元素(当前点周边的八个像素点)，扫描图像的每一个像素，用结构元素与其覆盖的二值图像做“与”操作如果都为1，那么图像的该像素为1，否则为0。使二值图像减小一圈。图中在进行完区域生长后，再利用膨胀操作(与腐蚀相反的操作)恢复向内收缩的边界。区域生长算法的关键在于初始种子点的选取、生长准则的确定以及终止条件的设定。这里通过自定义种子点将初始生长点定在有效眼肌区域内(种子点的选取应排除有效眼肌区域内的大理石花纹，否则将影响有效眼肌区域的提取效果)，基于灰度差准则(种子点像素值与4邻域点像素值的绝对值不大于设定的灰度门限值。通过实验发现，若与其邻域的8个像素值进行比较，将使得有效眼肌区域生长不完全)，当生长过程在进行到没有满足生长准则需要的象素时终止生长，保证区域生长能正常提取有效眼肌区域。有效眼肌区域的分割效果如图3所示。

图3 有效眼肌区域的分割效果图Fig.3 Segmentation of the effective rib-eye region beef

1.3.2 眼肌区域大理石花纹的识别

通过图像预处理以及基于区域的有效眼肌的分割，得到了最终的有效眼肌区域。如图4所示，大理石花纹的识别过程：1)统计有效眼肌区域中白色点的个数得到大理石花纹的面积A；2)使用边缘标记法标出眼肌区域中的大理石花纹，统计大理石花纹的个数G；3)利用边缘跟踪的方法得到整个眼肌区域边界，用像素统计法得眼肌总面积S；4)通过得出的大理石花纹面积占有效眼肌区域总面积的比，即T=A/S。5)利用T这一概率以及大理石花纹个数G，这两个数值同时说明整个有效眼肌区域大理石花纹的丰富程度。

以上过程完成了牛肉切面有效眼肌区域大理石花纹的识别。识别结果既能体现大理石花纹区域的大小又能体现大理石花纹的多少，结果相对准确、全面。

图4 牛肉大理石花纹的识别结果图Fig.4 Result of beef marbling recognition

2 结果与分析

在自己编写的VC++环境下，根据图像处理方法，从采集的50幅样品图像中取S、A、B、C等级的牛肉图片各一幅进行图像处理，得到每幅图片的有效眼肌区域以及大理石花纹的识别结果。表1为得出牛肉有效眼肌区域的提取准确度以及牛肉大理石花纹的识别结果。各等级牛肉眼肌切面及其对应的处理过程如图5a～h所示。

表1 牛肉图片的识别结果对比Table1 Comparison of beef image recognition

图5 各等级牛肉眼肌切面及其处理图Fig.5 Section image and processed images of different grades of beef rib-eye

用图像处理方法，分别对其余的46幅样品图像进行了相应处理，并对大理石花纹的识别结果进行了统计，得出这46幅各等级牛肉图像的眼肌面积S、花纹总面积A、花纹个数G及面积比T如表2所示。

表2 46幅牛肉图片的识别结果统计Table2 Statistics of 46 beef images recognition

续表2

由表1中4幅S、A、B、C等级的大理石花纹识别结果对比及表2中46幅各等级大理石花纹识别结果的数据统计，分析可知：1)由牛肉有效眼肌区域的提取效果，可已看出各等级牛肉眼肌有效区域的提取效果较好。2)通过有效眼肌区域大理石花纹的识别结果可知，面积比T具有反应花纹等级的作用，而大理石花纹的个数，则会出现等级交叉现象。但是个数G还是可以反应级别相差较大时的花纹等级的，如S、B、C或A、B、C。两者同时考虑，才能较准确的给出大理石花纹的等级。

3 结 论

国内外对于牛肉眼肌区域的分割和识别已做了很多研究，其最终目的均是为了在较短的时间内，较为准确的得到有效的处理结果。本研究采用VC++图像处理技术对牛肉眼肌切面的大理石花纹进行了有效识别，主要结论如下：1)使用暗白色的背景有利于得到牛肉眼肌切面的前景区域，减少了像素分布的范围及处理时间，简化了处理过程。使用了3×3的结构元素对二值化后的图像进行腐蚀，得到均匀的连通目标，使得基于区域的分割效果很好，利于大理石花纹的提取。2)实验程序通过对话框的形式很好的呈现了大理石花纹的丰富程度。其中大理石花纹的面积与有效眼肌区域的总面积比以及大理石花纹的总个数这两个数字，能很好的表现牛肉大理石的花纹等级。整个处理过程耗时为0.21s，识别结果准确。

[1] 陈坤杰, 姬长英. 牛肉自动分级技术研究进展分析[J]. 农业机械学报, 2006, 37(3): 153-156.

[2] TAN Jinglu. Meat quality evaluation by computer vision[J]. Journal of Food Engineering, 2004, 61(1): 27-35.

[3] JEYAMKONDAN S, RAY N, KRANZLER G A, et al. Beef quality grading using machine vision[C]//Conference on Biological Quality and Precision AgricultureⅡ, Boston, USA, 2000: 91-101.

[4] 孙永海, 鲜于建川, 石晶. 基于计算机视觉的冷却牛肉嫩度分析方法[J]. 农业机械学报, 2003, 34(5): 102-105.

[5] McDONALD T, CHEN Y R.A geometric model of marbling in beef longissimus dorsi[J]. Trans of the ASAE, 1992, 35(3): 1057-1062.

[6] GERRAND D E, GAO X, TAN J. Beef marbling and colour score determination by image processing[J]. Journal of Food Science, 1996,61(1): 145-148.

[7] 任发政, 郑丽敏. 应用Matlab图像处理技术评判牛肉大理石花纹[J].肉类研究, 2002, 16(4): 14-15.

[8] 赵杰文, 刘木华, 张海东. 基于数学形态学的牛肉图像中背长肌分割和大理石纹提取技术研究[J]. 农业工程学报, 2004, 20(1): 143-146.

[9] 周长发. 精通Visual C++图像处理编程[M]. 3版. 北京: 电子工业出版社, 2006: 284-318.

[10] 徐慧. Visual C++数字图像实用工程案例精选[M]. 北京: 人民邮电出版社, 2004: 64-65.

[11] CHEN K, QIN C. Segmentation of beef marbling based on vision threshold[J]. Computers and Electronics in Agriculture, 2008, 62: 223-230.

[12] 陈坤杰, 秦春芳, 姬长英. 牛胴体眼肌切面图像的分割方法很多[J].农业机械学报, 2006, 37(6): 155-157.

[13] 陈坤杰, 姬长英. 基于图像运算的牛肉大理石花纹提取方法[J]. 农业机械学报, 2007, 38(5): 195-196.

[14] 杨淑莹. VC++图像处理程序设计[M]. 北京: 清华大学出版社, 2003:194-195.

[15] 郎锐. 数字图像处理学VC++实现[M]. 北京: 北京希望电子出版社,2003: 286-287.

Application of Machine Vision Technology in Beef Marbling Recognition

WU Hai-juan1，PENG Zeng-qi2，SHEN Ming-xia1,*，LIU Ying-ying1，QIU Jin-hong1，SHI Jie2
(1. College of Engineering, Nanjing Agricultural University, Nanjing 210031, China；2. Key Laboratory of Agricultural and Animal Products Processing and Quality Control, Ministry of Agriculture, Nanjing Agricultural University, Nanjing 210095, China)

Marbling level of beef rib-eye region is one of the important indicators in beef classification. A total of 50 rib-eye images were taken by using industrial cameras, then VC++ image processing technology was used to denoise image through smoothing operation; then the rib-eye region was isolated from background with adaptive threshold before the effective rib-eye region was determined by using mathematical and segmentation-based method. Eventually we could identify marbling through mathematical statistics method. Experimental results show that machine vision can effectively identify rib-eye region of the marbling, and its short time-consuming and accurate identification will help determine the exact quality level of beef.

beef rib-eye；marbling；erosion；dilation；image segmentation；recognition

TS243.8

A

1002-6630(2011)03-0010-04

2010-04-23

国家现代农业(肉牛)产业技术体系项目(08060023180600232)

吴海娟(1986—)，女，硕士研究生，主要从事计算机图像识别系统研究。E-mail：haijuanwu2008@sina.com

*通信作者：沈明霞(1964—)，女，教授，博士，主要从事机器视觉和信息农业研究。E-mail：mingxia@njau.edu.cn