基于颜色传感器和遗传算法的牛肉系水力快速检测

王笑丹，武瑞玾，徐丽萍，王 莹

（1. 吉林大学食品科学与工程学院，长春 130062；2. 青岛农业大学食品科学与工程学院，青岛 266109）

0 引 言

牛肉是一种营养丰富、口感鲜美的高蛋白优质红肉，其品质主要从嫩度、新鲜度、系水力、滋味、多汁性、肉色6方面进行评定[1]。系水力也称保水性，是指肉类产品保持水分的能力[2]，它是衡量牛肉品质的重要指标，对肌肉的物理形态、风味、肉色等有重要意义，也影响着肉制品的生产、加工与消费[3-6]。影响肉制品系水力的因素有很多，包括肌肉净电荷含量、肌肉蛋白降解、pH值、基因遗传以及包装方式等[7-9]。

目前，国内外使用的系水力检测方法按照测定原理可以分为 2类，包括直接法和间接法，直接法有：压力法[10]、滴水损失法[11]、拿破率法[12]、离心法[13]等，其中压力法测量较为准确，但消耗的时间超过3 h，同时破坏了肉样，消耗较多资源；间接法有：近红外光谱法[14]、高光谱成像法[15]、低场核磁共振法[16]等，间接法用时较短，但检测成本较高。近年来很多学者针对系水力的检测开展了不同程度的工作研究，胡耀华等[17]利用近红外光谱技术验证了系水力快速检测的方法的可行性，常规法与近红外法预测值的相关系数为 0.73～0.79，郑岩[18]利用液位传感器技术研究了牛肉系水力检测方法，通过分析肉样受压后渗出液的液位高度，实现对系水力的间接测量，Goh等[19]研制了一种微波传感器，利用微波分光光度法研究测定肉中的系水力；Zhu等[20]以X射线谱作为输入层，核磁共振值作为输出层，采用偏最小二乘回归法建立校准模型，验证了核磁共振技术可应用于系水力检测。

本研究利用颜色传感器结合遗传算法检测牛肉系水力。构建并调试颜色传感器，变色试纸与牛肉样品表面进行贴附，通过颜色传感器和压力法分别检测试纸的R、G、B值与牛肉的系水力值，建立基于遗传算法优化的神经网络预测模型，为牛肉系水力提供了一种快速检测方法。

1 材料与方法

1.1 材料与试剂

试验牛肉样品购于吉林省长春市皓月清真肉业有限公司，试验牛品种均为沃金黑牛，体质量为400～550 kg，月龄为30～36个月，育肥6个月以上。屠宰前24 h禁食，8 h禁水；按照《牛肉等级标准》（NY/Y676-2003）要求的操作规程屠宰，屠宰后冷却24 h排酸，从宰后成熟胴体中取背最长肌的一段，除去肌肉表面结缔组织和脂肪。随机选取83头试验牛，其中3头作为优化组用于优化试纸贴附时间，60头作为训练组用于构建和优化神经网络，20头作为验证组用于验证模型预测的准确性。

氯化钴为分析纯，购于天津市光复精细化工研究所；中速定性滤纸，购于通用电气生物科技有限公司。

1.2 仪器与设备

Arduino Uno R3控制器（上海智位机器人股份有限公司），TCS34725颜色传感器（上海智位机器人股份有限公司），电子天平（上海京诺埃尔电子设备有限公司，A1003-100 g/0.001 g），DH070A干燥箱（上海一恒科学仪器有限公司）。

1.3 试验方法

1.3.1 样品制备

每头试验牛对应1个试验组，每组肉样包含3个平行样，鲜肉置于4℃的环境中储存12 h后，将牛肉样品垂直于肌纤维方向切成4 cm×1 cm×0.5 cm的试验样品，试验样品截面切割平整，不含肌间脂肪和结缔组织，将试验样品置于培养皿中，用保鲜膜密封口，避免试验样品在检测前受外界环境的影响。

1.3.2 系水力变色试纸的研制

氯化钴是一种稳定性的无机氯化物，在干燥空气中放出结晶水呈现天蓝色，当与含水物质接触后，变成含有结晶水的氯化物，根据氯化钴所含结晶水的多少而呈现不同的颜色，其遇水变色的过程为[16]：由天蓝色的CoCl2变为蓝紫色的 CoCl2·H2O，接着变为紫红色的CoCl2·2H2O，最终变为粉红色的 CoCl2·6H2O。基于前期试验基础，选取中速定性滤纸，裁剪成5 cm×2 cm的纸条，将纸条浸泡于3 g/mL氯化钴溶液中，20 min后用镊子从氯化钴溶液中取出纸条，沥除多余水分，平铺于玻璃培养皿中，放入75 ℃干燥箱中30 min，即得变色试纸，放入密封袋中隔绝空气保存，以备试验使用[21-22]。尽管氯化钴具有微弱的毒性[23]，但检测对象是针对切取的一小块牛肉样品，不会对其它未被检测部分造成污染。

1.3.3 构建颜色传感装置

TCS34725颜色传感器支持红（R）、绿（G）、蓝（B）三原色和明光感应，可以输出对应的具体数值，以还原颜色本真。图1为颜色传感装置连接结构示意图。

图1 颜色传感装置结构示意图Fig.1 Structure of color sensor device

由图1可知，颜色传感器由1个3×4光电二极管阵列和 4个模数转换器组成，光电二极管阵列有红色滤波管、绿色滤波管、蓝色滤波管和清除管，不同的颜色光波会改变光电二极管的电流，通过数模转换器将电流转化为颜色参数，因而传感器可以通过光学感应来识别物体的表面颜色[24]。颜色传感器板载自带 4个高亮 LED（light- emitting diode），可以让传感器在低环境光的情况下依然能够正常使用，实现“补光”的功能。计算机与Arduino控制器通过USB（universal serial bus）数据线调试程序，Arduino控制器通过4根杜邦线实现对颜色传感器的操控：VCC（volt current condenser）连接5 V电源正极，GND（ground）连接电源负极，SDA（serial data）连接模拟输入接口A4实现数据信号的传递，SCL（serial clock）连接模拟输入接口A5实现时钟信号的传递[25]。

1.3.4 调试颜色传感器

颜色传感器与Arduino控制器连接完成后，将程序上传至Arduino控制器，实现颜色传感器的检测功能，并进行检测实时数据的串口通信。由于颜色传感器测量的准确度受到测量距离的影响[26]，为保证测量距离的一致性，在颜色传感器上安装2根长度为0.5 cm的六角柱，使颜色传感器与被测试纸之间的测定距离始终为 0.5 cm。在每次检测开始之前，都需要对颜色进行白平衡调整[27-28]：将颜色传感器放在白色卡片0.5 cm处，在自带LED灯的照射下进行数据采集，根据采集的数据值，基于map函数修改Arduino代码系数，使检测的白色物体的颜色参数为R=255、G=255、B=255；再使颜色传感器对准黑色卡片，调整相应代码，使检测黑色物体的颜色参数为R=0、G=0、B=0。

为避免肉样中血液颜色对变色试纸的影响，将中速定性滤纸裁剪成与变色试纸同样尺寸的空白试纸，对试验肉样进行贴附，用颜色传感器采集颜色参数 R0、G0、B0，空白试纸的颜色变化为 ΔR=255–R0，ΔG=255–G0，ΔB=255–B0。贴附过试验样品的变色试纸，其颜色参数为R、G、B，通过R–ΔR、G–ΔG、B–ΔB即可消除血液颜色对变色试纸的影响。

1.3.5 优化试纸贴附方式

如果将试纸附于肉样，在不施加外力的条件下，试纸不能与肉样表面平整地贴附，会导致试纸颜色变化不均匀，影响检测的准确性。本研究选择将一个玻璃块（76 mm×26 mm×6 mm）作为试纸挤压工具，在试纸与试验样品接触时，将玻璃块平放于试纸之上，在重力作用下使试纸与试验样品表面贴附更加平整。

1.3.6 优化试纸贴附时间

系水力变色试纸与试验肉样表面接触会立即发生颜色反应，但贴附时间的长短会之间影响试纸的变色效果。贴附时间过短，由于受到肉样纹路影响，颜色变化不均匀；贴附时间过长，会影响检测速度。为此需要对试纸贴附时间进行优化：选择优化组中的 3头试验牛作为试验样品，选取相同部位的肌肉，每头试验牛按样品制备中的方法切成尺寸相同的样品进行试验，变色试纸在玻璃块的作用下与试验样品进行贴附，每个样品在贴附时长分别10、20、30、40、50 s的条件下进行单因素试验，揭下变色试纸，用颜色传感器测定每张试纸10个点的颜色参数，用变异系数（coefficient of variation，CV）判断颜色参数R、G、B的离散程度，取3组试验样品变异系数的平均值，选择离散程度低且耗时短的水平作为最佳贴附时间。

系水力变色试纸与试验样品贴附后，迅速用镊子从样品表面揭下，平铺于洁净工作台，将调试好的颜色传感器正对试纸表面，选取10个测量位点进行检测，计算颜色参数R、G、B的平均值。

1.3.7 牛肉系水力的压力法检测

本文参考国家农业行业标准NY/T1333-2007，选择压力法测量系水力。首先称量试验样品的质量，再将试验样品置于2层纱布之间，纱布上下两面各垫18层滤纸，滤纸外层各放1块硬塑料垫板，加压至350 N，保持300 s，撤除压力后立即从纱布中剥出肉样，称其质量；将挤压过的肉样置于恒温干燥箱中，在 100～105℃下烘干 3 h后取出，放入干燥箱中冷却0.5 h后称其质量；重复以上操作，直至前后2次质量相差不超过2 mg[10]。

按式（1）计算系水力（water-holding capacity，WHC）。

式中FM为压前样品质量，g；PM为压后样品质量，g；DM为烘干后式样品质量，g。

1.3.8 系水力等级评定

为验证颜色传感器检测牛肉系水力等级的准确性，以压力法作为牛肉系水力等级的评定的验证标准。根据国标规定与国内外研究设计系水力等级评定表[29]，如表1所示。

表1 系水力等级评定Table 1 Ranks of water-holding capacity（WHC）

系水力等级与试纸颜色具有一一对应关系，试验肉样的系水力越小，其表面保持水分的能力越弱，试纸变色的程度越大，系水力等级为 1级的试验样品，试纸变红的程度最大，说明此时试验样品维持水分的能力最低，系水力最小；随着系水力等级提高，试纸变红的程度逐渐越低，说明肉样维持水分的能力逐渐增强，5级代表着系水力的最高等级。颜色传感器可以灵敏地捕捉到试纸微小的颜色变化，将可见光谱数据化为颜色参数，为牛肉系水力等级的评定提供了依据。

1.4 构建预测模型

以60组试验样品的试纸颜色参数与系水力值作为训练样本，选择3个颜色参数R、G、B值作为输入集，将压力法测得的牛肉系水力作为输出值，构建Back Propagation（BP）神经网络模型，使用遗传算法对神经网络的权值和阈值进行优化，另取20组试验肉样作为预测样本对系水力等级进行评定。

1.4.1 构建BP神经网络

BP神经网络是一种按照误差逆向传播算法训练的多层前馈网络，是应用最广泛的人工神经网络之一[30]，本研究首先使用BP神经网络建立预测模型，基于前期试验基础设置相关参数：输入神经元个数设为3，输出神经元个数设为1，隐藏神经元个数设为10，学习率设为0.1，最大训练次数设为1×103，最小均方差设为1×10–6。但是 BP神经网络存在网络全局研究能力不足、收敛速度慢，局部最优迭代不足等缺陷。本研究选择用遗传算法来优化神经网络，遗传算法（genetic algorithm，GA）是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型，具有很强的全局优化性和全局搜索能力，用遗传算法优化 BP神经网络，不仅可以提升网络模型预测的准确性，还能加快收敛速度[31]。

1.4.2 优化神经网络

本研究利用遗传算法来优化 BP神经网络的权值和阈值，其流程图如图2所示。

图2 遗传算法优化神经网络流程图Fig.2 Flow diagram of neural network optimized by genetic algorithm

为确定神经网络权值的个数，对个体进行编码，编码长度S算法如式（2）。

式中m为隐含层节点数；n为输入层节点数；l为输出层节点数。

本研究将适应度函数 f设定为神经网络误差平方和的倒数如式（3）。

式中SE为神经网络期望输出与预测输出的误差平方和。神经网络预测误差越小，适应性越好。

本研究依据概率值Pi公式对个体进行选择如式（4）。

式中fi为个体的适应度值，k为种群个体数目。

对于最优个体直接复制到下一代，对于非最优个体需要进行交叉操作和变异操作。本研究设置交叉概率pc=0.4，变异概率pm=0.09，种群大小设置为50，进化迭代数为100。

2 结果与分析

2.1 最优试纸贴附时间

基于颜色参数的变异系数判断最优试纸贴附时间，R、G、B的变异系数越小代表颜色参数的离散程度越低。如图 3所示，总体来看，颜色参数的变异系数随时间的延长而降低，这说明接触时间越长，试纸颜色参数的离散程度越来越小。在10 s时颜色参数的变异系数R、G、B分别为17.07%、5.76%、3.69%，在20 s时迅速降低至5.72%、3.77%、2.35%，之后虽然变异系数随着接触时间的延长也在降低，但降低的速度较为平缓。为提高检测效率，在变异系数相差不大的条件下选择时间较短的水平，因此将20 s作为试纸贴附的最优时间。

图3 RGB变异系数趋势Fig.3 Trend of RGB variable coefficient

2.2 基于遗传算法优化神经网络

本研究选择神经网络误差平方和的倒数作为遗传算法的适应度函数[31]，经过 100次迭代，得到最佳适应度函数，如图4所示，在进化迭代到20代之后适应度函数值基本趋向于稳定，这说明遗传算法在改善BP神经网络的误差和收敛速度方面起到突出的作用。

图4 适度函数进化曲线Fig.4 Curve of fitness function evolution

将遗传算法优化后的权值和阈值带入BP神经网络，用60个训练组试验样品进行重新训练，20组验证组试验样品的系水力进行预测。如图 5所示，横坐标为试验样品牛肉系水力的测量值；纵坐标为遗传算法优化后的模型对牛肉系水力的预测值。回归方程的相关系数 R2是0.987，最佳线性回归方程的斜率是 0.96，这表明经遗传算法优化后的 BP神经网络的预测值与实际测量值偏差极小，优化后的模型符合试验需求。

图5 训练样本输出回归线Fig.5 Regression line of network output for training samples

基于遗传算法优化后的神经网络模型，对20个验证组试验样品的系水力等级进行预测。如表 2所示，颜色参数R、G、B为试纸颜色测量值，系水力为压力法对样品的测量值，将颜色参数分别代入优化前后的神经网络模型中得到系水力预测值。在置信区间百分比为 95%的条件下进行配对样本t检验，系水力测量值与优化后预测值无显著性差异（P＞0.05）。将系水力的预测值等级与测量值对比判断，可知在优化前的神经网络模型中，20个验证组的样品中有18个预测准确，2个预测错误；BP神经网络模型经遗传算法优化后，20个验证组的样品中有19个预测准确，1个预测错误，对牛肉系水力等级的预测准确率从90%提高到95%。

表2 系水力等级评定Table 2 Prediction result of model

使用颜色传感器检测1个样品的时间约为1 min，与使用压力法[10]至少需要4 h相比，此方法不仅大大缩短了检测时间，而且减少了检测过程中资源的浪费；与近红外光谱法[14]、高光谱成像法[15]、低场核磁共振法[16]等间接检测方法相比，使用颜色传感器作为检测设备成本更低，因此本检测方法具有快速、准确、低成本的特点。

3 结 论

本研究采用颜色识别和遗传算法优化技术，针对牛肉系水力的快速检测问题，建立了系水力快速检测模型，研究表明：

1）利用颜色传感器获取颜色参数R、G、B，研究了不同时间下颜色参数的变异系数，得到了最优试纸贴附时间为20 s，检测系水力的时间降低到1 min之内，实现了对牛肉系水力等级的快速检测。

2）颜色传感器可以灵敏地捕捉到微小的颜色变化，将可见光谱转化为颜色参数，为牛肉系水力等级的评定提供了依据。颜色参数的变色程度越低，所代表的牛肉系水力等级越高，减小了人工判断所产生的误差。

3）基于遗传算法优化的BP神经网络模型具有更好的拟合效果，模型预测值与实际检测值的回归直线相关系数R2为0.987，系水力等级的预测准确率从90%提高到95%，具有良好的检测准确性，为今后肉制品系水力智能检测设备的开发奠定了基础。

[1] Harris J J, Miller R K, Savell J W, et al. Evaluation of the tenderness of beef top sirlon steaks[J]. Journal of Food Science, 2010, 57(1): 6－9.

[2] 李春，张录达，任发政，等. 利用低场核磁共振研究冷却条件对猪肉保水性的影响[J]. 农业工程学报，2012，28(23)：243－249.Li Chun, Zhang Luda, Ren Fazheng, et al. Study on different chilling factors influencing water-holding capacity of pork based on low-field nuclear magnetic resonance (LF-NMR)[J].Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2012, 28(23): 243－249. (in Chinese with English abstract)

[3] 左惠心，殷元虎，韩玲，等. 宰后牦牛肉保水性变化与差异蛋白的生物信息学分析[J]. 农业机械学报，2017，48(7)：325－331.Zuo Huixin, Yin Yuanhu, Han Ling, et al. Changes of postmortem water-holding capacity in yak muscle and bioinformatic analysis of differentially abundant proteins[J].Transactions of the Chinese Society for Agricultural Machinery,2017, 48(7): 325－331. (in Chinese with English abstract)

[4] Hughes J M, Oiseth S K, Purslow P P, et al. A structural approach to understanding the interactions between colour,water-holding capacity and tenderness[J]. Meat Science,2014, 98(3): 520－532.

[5] Sun D W. Factors Affecting the water holding capacity of red meat products: A review of recent research advances[J].Critical Reviews in Food Science & Nutrition, 2008, 48(2):137－159.

[6] Huff-Lonergan E, Lonergan S M. Mechanisms of waterholding capacity of meat: The role of postmortem biochemical and structural changes[J]. Meat Science, 2005, 71(1): 194－204.

[7] 张玉伟，罗海玲，贾慧娜，等. 肌肉系水力的影响因素及其可能机制[J]. 动物营养学报，2012，24(8)：1389－1396.Zhang Yuwei, Luo Hailing, Jia Huina, et al. Effect factors of water holding capacity of meats and its potential mechanism[J].Chinese Journal of Animal Nutrition, 2012, 24 (8): 1389－1396. (in Chinese with English abstract)

[8] 李侠，李银，张春晖，等. 高氧气调包装对不同品种冷却猪肉贮藏品质及持水性的影响[J]. 农业工程学报，2016，32(2)：236－243.Li Xia, Li Yin, Zhang Chunhui, et al. Influence of high oxygen modified atmosphere packaging on different breeds of chilled pork meat quality and water holding capacity during storage[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016,32(2): 236－243. (in Chinese with English abstract)

[9] Yin Y, Zhang W G, Zhou G H, et al. Comparison of protein degradation, protein oxidation, and μ-calpain activation between pale, soft, and exudative and red, firm, and nonexudative pork during postmortem aging[J]. Journal of Animal Science, 2014, 92(8): 3745－3752.

[10] 刘立意，刘影，刘冬梅，等. 鲜猪肉系水力与应力松弛特性相关性的试验研究[J]. 东北农业大学学报，2015，46(8)：88－93.Liu Liyi, Liu Ying, Liu Dongmei, et al. Study on relationship between stress relaxation and the water holding capacity of fresh pork[J]. Journal of Northeast Agricultural University,2015, 46(8): 88－93. (in Chinese with English abstract)

[11] Forrest J C, Morgan M T, Borggaard C, et al. Development of technology for the early post mortem prediction of water holding capacity and drip loss in fresh pork[J]. Meat Science,2000, 55(1): 115－122.

[12] Bertram H C, Andersen H J, Karlsson A H, et al. Prediction of technological quality (cooking loss and napole yield) of pork based on fresh meat characteristics[J]. Meat Science,2003, 65(2): 707－712.

[13] Zhang M, Mittal G S, Barbut S. Effects of test conditions on the water holding capacity of meat by a centrifugal method[J]. LWT - Food Science and Technology, 1995, 28(1):50－55.

[14] 郑晓春，李永玉，彭彦昆，等. 基于可见/近红外光谱的牛肉品质无损检测系统改进[J]. 农业机械学报，2016，47(增刊 1)：332－339.Zheng Xiaochun, Li Yongyu, Peng Yankun, et al. Improvement of nondestructive detection system of beef quality based on visible/near infrared spectroscopy[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(supp.1):332－339. (in Chinese with English abstract)

[15] Kamruzzaman M, Makino Y, Oshita S. Hyperspectral imaging for real-time monitoring of water holding capacity in red meat[J]. LWT-Food Science and Technology, 2016, 66:685－691.

[16] Li C, Liu D, Zhou G, et al. Meat quality and cooking attributes of thawed pork with different low field NMR T(21)[J]. Meat Science, 2012, 92(2): 79－83.

[17] 胡耀华，郭康权，野口刚，等. 基于近红外光谱检测猪肉系水力的研究[J]. 光谱学与光谱分析，2009，29(12)：3259－3262.Hu Yaohua, Guo Kangquan, Noguchi Gou, et al. Prediction of water-holding capacity of fresh pork using infrared spectroscopy[J]. Spectroscopy and Spectral Analysis. 2009,29(12): 3259－3262. (in Chinese with English abstract)

[18] 郑岩. 基于液位传感器的牛肉系水力检测方法研究[D].长春：吉林大学，2009.Zheng Yan. Study on Detection Method of Water-holding Capacity of Beef Based on Liquid Level Sensor[D].Changchun: Jilin University, 2009. (in Chinese with English abstract)

[19] Goh J H, Korostynska O, Mason A, et al. Investigating water holding capacity (WHC) of meat using microwave spectroscopy[C]// Sixth International Conference on Sensing Technology. IEEE, 2013: 243－247.

[20] Zhu H, O'Farrell M, Bouquet G, et al. Evaluating nuclear magnetic resonance (NMR) as a robust reference method for online spectroscopic measurement of water holding capacity(WHC)[J]. Journal of Food Engineering, 2016, 175(175):51－57.

[21] Masai H, Okano Y, Fujii M, et al. The simple measuring method of water evaporation rate from the skin using anhydrous cobalt chloride paper[J]. 2010, 20(3): 206－209.

[22] Moser J, Kriehuber E, Trautinger F. A simple and rapid quantitative sweat test based on cobalt chloride color change[J]. Skin Pharmacol Physiol, 2012, 25(3): 150－154.

[23] Speijers G J, Krajnc E I, Berkvens J M, et al. Acute oral toxicity of inorganic cobalt compounds in rats[J]. Food &Chemical Toxicology, 1982, 20(3): 311－314.

[24] 程楠，何景，董凯，等. 试纸法在食品安全快速检测中的研究进展[J]. 食品科学，2015，36(1)：256－261.Cheng Nan, He Jing, Dong Kai, et al. A review on research progress of test strips for rapid food safety detection[J]. Food Science, 2015, 36(1): 256－261. (in Chinese with English abstract)

[25] Fisher D K. Rapid deployment of internet-connected environmental monitoring devices[J]. Advances in Internet of Things, 2014, 4(4): 46－54.

[26] D'Ausilio A. Arduino: A low-cost multipurpose lab equipment[J].Behavior Research Methods, 2012, 44(2): 305－313.

[27] 卢川英，于浩成，孙敬辉，等. 基于TCS230传感器的颜色检测系统[J]. 吉林大学学报(信息科学版)，2008，26(6)：621－626.Lu Chuanying, Yu Haocheng, Sun Jinghui, et al. Colorimeter system based on TCS230 sensors[J]. Journal of Jilin University(Information Science Edition), 2008, 26 (6): 621－626. (in Chinese with English abstract)

[28] 彭波，李旭宇. TCS230颜色传感器结合BP神经网络在颜色识别系统上的研究[J]. 食品与机械，2010，26(3)：108－112.Peng Bo, Li Xuyu. Research on color identification by TCS230 color sensor combined BP neural network[J]. Food and Machinery, 2010, 26 (3): 108－112. (in Chinese with English abstract)

[29] Brøndum J, Munck L, Henckel P, et al. Prediction of water-holding capacity and composition of porcine meat by comparative spectroscopy[J]. Meat Science, 2000, 55(2):177－85.

[30] 贾渊，姬长英，罗霞，等. 用基于遗传算法的 BP神经网络识别牛肉肌肉与脂肪[J]. 农业工程学报，2007，23(11)：216－219.Jia Yuan, Ji Changying, Luo Xia, et al. Classifying beef muscle and fat pixels using BP-GA neural network[J].Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2007, 23(11):216－219. (in Chinese with English abstract)

[31] 张宏，马岩，李勇，等. 基于遗传 BP神经网络的核桃破裂功预测模型[J]. 农业工程学报，2014，30(18)：78－84.Zhang Hong, Ma Yan, Li Yong, et al. Rupture energy prediction model for walnut shell breaking based on genetic BP neural network[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014,30(18): 78－84. (in Chinese with English abstract)