基于手机图像的不同贮藏时间下冷却羊肉的部位判别

孟令峰，朱荣光*，白宗秀，郑敏冲，顾剑峰，马本学

（石河子大学机械电气工程学院，新疆 石河子 832003）

羊肉含有较低的胆固醇、脂肪和丰富的蛋白质、维生素、钙、铁等，是滋补身体的绝佳肉类食品，深受人们的喜爱，不同部位羊肉的蛋白质、脂肪酸等营养成分的含量不同[1-2]，在贮藏过程中，其品质（嫩度、吸水力、风味、色泽等）会产生变化[3]，随着贮藏时间延长和微生物繁殖作用，肉品新鲜度逐渐降低，风味和口感也不同，因此不同部位不同贮藏时间下的羊肉品质也不一样。但市场上很多商家将不同贮存时间下不同部位的肉相互混淆，从而导致很多羊肉异质同价，削减了消费者对羊肉的青睐。随着消费水平的提高，人们对羊肉的品质也越发的关注。因此对不同贮藏时间下不同部位羊肉的检测研究有较高的现实意义。

对于不同部位和不同贮藏时间下肉类的检测，国内外通常采用传统理化指标检测[4-7]，机器视觉[8-13]、电子鼻技术[14-16]、近红外光谱（near infrared spectroscopy，NIRS）技术[17-19]和高光谱成像（hyper-spectral image，HSI）技术[20-22]等进行检测。其中在不同类别肌肉分类方面，Sanz等[23]利用HSI技术与几种机器学习算法相结合，实现了对羔羊背长肌、腰大肌、半膜肌和半腱肌4 种不同羔羊肌肉的鉴别，准确度达到96.67%。Kamruzzaman等[24]利用近红外高光谱成像系统，结合多元分析，对夏洛莱羊的半腱肌、背长肌和腰大肌3 种类型的羊肌肉进行了鉴别，总准确度可达100%；在不同贮藏时间的预测方面，李文采等[25]基于机器视觉和图像处理技术分析了冷冻猪肉表面图像RGB颜色特征，将无光泽肌肉像素点比例作为自动判定冷冻猪肉贮藏时间的特征参数，实现了冷冻猪肉贮藏时间的判别，贮藏时间在3 个月以内和超过12 个月的判别准确度分别为90%和81.67% 。但是电子鼻、NIRS和HSI等检测技术装置价格昂贵，对操作人员专业要求高，而且对不同部位和不同贮藏时间羊肉的检测研究较少，因此不适于广大普通消费者的需求。近年来随着手机摄像技术得到突飞猛进的发展，越来越多的检测技术都运用手机进行图像采集，其中Cruz-Fernández等[26]利用手机采集不同冷肉制品的图片，以RGB颜色空间模型下的R、G、B均值为输入变量，采用偏最小二乘法（partial least squares，PLS）和支持向量机（support vector machine，SVM）对样品脂肪含量进行预测，其预测集的相关系数r为0.84。Muhammadiy等[27]利用手机采集牛肉和猪肉图像，利用纹理分析和神经网络相结合的方法对不同肉类进行了判别，判别率达89%。Adi等[28]使用手机采集了牛肉图像，在RGB空间下对图像进行分割，通过计算出的脂肪面积来对大理石纹理进行评分，并开发基于Andriod平台的牛肉大理石花纹分类鉴定的应用程序。然而对不同贮藏时间下羊肉的部位判别研究鲜有报道。

因此，本实验利用手机图像开展不同贮藏时间下不同部位羊肉的判别研究，以冷却羊肉为研究对象，制备不同贮藏时间下的羊背脊肉、羊前腿肉和羊后腿肉样品，利用手机采集羊肉样品图像，进行图像预处理和颜色特征提取，并进行不同部位判别模型的比较，得出不同贮藏时间下羊肉部位准确判别的优选模型，本研究为以后利用手机实现对冷却羊肉不同部位的快速检测提供了一定的理论依据和技术支持。

1 材料与方法

1.1 材料

实验所用羊肉全部采购于石河子市中心农贸市场，刚屠宰的6 只小尾寒羊的羊背脊肉、羊前腿肉和羊后腿肉，经30 h排酸后制备成冷却羊肉，送至石河子大学农畜产品实验室进行分割处理，共制备羊背脊肉、羊前腿肉和羊后腿肉各20 份。样品大小为40 mm×30 mm×10 mm，表面无明显的脂肪和结缔组织。样品制备完成后进行编号，装入聚乙烯塑料盒中进行非真空包装，放置在4 ℃的恒温箱中进行冷藏。

1.2 仪器与设备

P10智能手机 华为技术有限公司。

1.3 方法

1.3.1 图像采集

将冷却羊肉从恒温箱中取出，放在图1装置上用P10手机进行图像采集。其中摄像头的感光度ISO为500、快门S为1/17 s、像素为800万、色温参数为5 600 K，自动白平衡，采用20 W日光灯光源，在实验室中进行图像采集。为避免外界光的干扰，对实验室窗户进行遮挡形成一个模拟暗箱，室内采集处光照强度为70～80 lx，室温为28 ℃，选取最佳成像采集高度为12 cm。采集图像时将样品放在背景板上，调节固定器高度，设置好摄像头的参数聚焦后，进行图像采集。样品共贮存12 d，每天早上10点进行图像采集，每隔12 h进行一次样品采集，共采集24 次，获得1 440 张手机图像。因实验过程中有个别羊肉提前腐败，剔除异常样后得到羊背脊肉19 份，羊后腿肉18 份，羊前腿肉20 份。

图1 手机图像采集装置Fig.1 Schematic illustration of the mobile phone image acquisition device

1.3.2 图像预处理

为消除图像采集过程中背景、光照影响所产生的噪声以及在腐败变质过程中脂肪与筋膜等同肌肉组织呈现的差异性问题，本实验图像预处理主要的流程如图2所示，采用色差法[29]（R-B）来使背景和样品区分度增大，并将分割阈值设定为0～20以去除背景中的阴影和水印，然后利用高低帽变换使脂肪和肌肉的特征差异明显化，最后选取25～35的阈值，通过分水岭分割算法[30]对样品图像内的脂肪、筋膜等进行分割，并对分水岭分割后的图像进行开运算将样品中的脂肪、筋膜等非肌肉组织部分进行去除。

1.3.3 图像特征提取

由于颜色特征对视角、尺寸、方向的依赖性较小，呈现很强的鲁棒性，所以本研究选取RGB、L*a*b*、HIS和rg色度空间（RGB归一化）4 种颜色空间模型[31]，提取各颜色空间的特征参数均值和RGB颜色空间下的二阶、三阶颜色矩，以定量描述不同部位羊肉的颜色特征，然后对不同部位的羊肉在不同贮藏周期的颜色特征进行研究。

其颜色均值、二阶和三阶颜色矩的计算分别见公式（1）～（3）。

式中：i为像素点的水平坐标；j为像素点的垂直坐标；pi,j表示彩色图像第j个像素的第i个颜色分量；D为目标区域；N为D区域内的总像素点数；μR、μG、μB、μr、μg、μb、μL*、μa*、μb*、μH、μS和μI为R、G、B、r、g、b、L*、a*、b*、H、S和I的颜色均值；δR、δG、δB分别为RGB空间的二阶矩；SR、SG、SB分别为RGB空间的三阶矩。

1.4 数据处理与判别模型的建立

在提取不同贮藏时间下不同部位羊肉的颜色特征之后，对颜色特征进行非参数独立样本显著性差异分析，考虑不同部位羊肉颜色特征之间以及不同颜色空间的差异性，选取不同颜色特征组合作为模型输入，对不同部位的羊肉样品建立极限学习机（extreme learning machine，ELM）、SVM和反向传播（back propagation，BP）神经网络分类模型，并进行比较，选出优选模型。数据处理软件包括SPSS 22、Matlab 2016b软件。

ELM是一类基于前馈神经网络（feedforward neuron network，FNN）构建的机器学习系统或方法，适用于监督学习和非监督学习问题，其特点是隐含层节点的权重为随机或人为给定的，且不需要更新，学习过程仅计算输出权重，具有泛化能力强、计算速度快的特点。本研究中选用Sigmoid函数，以隐层神经元数目10为步长，交叉验证集判别准确率最高为寻优目标进行隐层神经元数目寻优，并用10折交叉法进行验证。

SVM是一种监督方式的机器学习算法，基本模型定义是在特征空间上找到最佳的分离超平面使得训练集上正负样本间隔最大。本研究中将SVM采用遗传算法（genetic algorithm，GA）进行寻优，以交叉验证集的判别准确率作为适应度函数值，当适应度值达到最大时，得出最佳核函数参数g和惩罚因子参数c的值，并用10折交叉法进行验证。

BP神经网络是基于误差反向传播的多层前馈网络算法，主要通过学习来实现输入与输出之间的非线性映射，本研究首先以隐含层节点数5为步长，交叉验证集判别准确率最高为寻优目标，从0到50对BP隐含层节点数进行寻优，同时采用粒子群算法（particle swarm optimization，PSO）对BP神经网络的权值和阈值进行优化，以归一化后的预测值和实际值之差的绝对值作为适应度函数值，当适应度值达到最小时，得最优的权值和阈值，并用10折交叉法进行验证[32]。

本研究根据训练集、交叉验证集和测试集的判别准确率来综合评价所建立模型的效果，即训练集、交叉验证集和测试集等样品集中分类正确的样品数占总样品数的比例越高，模型效果越好。

2 结果与分析

2.1 不同部位羊肉图像颜色特征的差异显著性分析结果

为了获取不同贮藏时间下不同部位羊肉之间颜色特征的差异性，本研究对所提取的4 个颜色空间下的颜色均值和RGB颜色空间下的颜色矩共18 个颜色特征分别进行非参数独立样本显著性水平检验，差异显著性结果如表1所示。由表1可知，μR、μr、μg、μb、μb*、δR和sR共7 个颜色特征在不同羊肉部位之间的显著性水平P均小于0.05，具有显著性差异；而其他11 个颜色特征在不同羊肉部位之间均存在显著性水平P大于0.05的情况，不具有显著性差异。

表1 不同部位羊肉之间颜色特征的差异显著性分析Table 1 Analysis of significant differences in color characteristics among lamb cuts

2.2 不同贮藏时间下的不同部位判别模型的建立结果

本研究分别选取在不同部位之间具有显著性差异的7 个颜色特征、RGB颜色空间下的颜色均值和颜色矩共9 个颜色特征、4 种颜色空间下的12 个颜色均值特征，以及全部18 个颜色特征作为模型的输入变量，建立不同部位的ELM、SVM和BP神经网络分类模型，对羊背脊肉、羊后腿肉和羊前腿肉进行分类比较研究，从而获得优选模型。剔除异常样后，获得1 308 张样品图像，采用隔三选一法，将样本集划分为训练集和测试集，分别包含样品图像981 张和327 张。

2.2.1 不同贮藏时间下的不同部位ELM分类模型的建立结果

在分别利用不同部位间具有显著性差异的7 个颜色特征、RGB颜色空间下的9 个颜色特征、4 种颜色空间下的12 个颜色均值特征，及全部18 个颜色特征作为ELM模型的输入变量进行分类判别时，均以隐层神经元数目10为步长，以最高的交叉验证集判别准确率为寻优目标进行隐层神经元数目寻优。在上述4 种输入情况下，建立寻优后的ELM模型的隐层神经元数目分别为90、90、100和100，其中以全部18 个颜色特征作为输入构建模型时，其寻优结果如图3所示。

图3 ELM隐层神经元数目寻优图Fig.3 Optimization of the number of ELM hidden layer neurons

表2 不同贮藏时间下羊肉不同部位ELM模型分类结果Table 2 ELM model classification results of different lamb cuts at different storage times

在上述4 种输入情况下，所建立的寻优后ELM模型结果如表2所示，在ELM模型中当选用所有18 个颜色特征做模型的输入时，将羊背脊肉、羊前腿肉和羊后腿肉进行三分类的模型效果最优，模型的训练集、交叉验证集和测试集的判别准确率分别为92.05%、88.84%和88.38%。选用12 个颜色均值特征作为模型输入时，模型较优，训练集、交叉验证集和测试集的判别准确率分别为91.23%、86.46%和87.77%。当选用RGB颜色空间下的9 个颜色特征以及选用具有显著性差异的7 个颜色特征作为模型输入时，模型的训练集、交叉验证集和测试集的判别准确率分布在73.09%～85.42%之间。

2.2.2 不同贮藏时间下的不同部位SVM判别分类模型的建立结果

在分别利用不同部位间具有显著性差异的7 个颜色特征、RGB颜色空间下的9 个颜色特征、4 种颜色空间下的12 个颜色均值特征，及全部18 个颜色特征作为SVM模型的输入变量进行分类判别时，运用GA对SVM的径向基函数（radial basis function，RBF）参数g和误差惩罚因子c进行参数寻优，以最高的交叉验证集判别准确率为寻优目标，在GA遗传算法中将种群数量设置为30，终止迭代次数为50，参数c和g从0～20进行寻优取值。其中，以不同颜色空间组合下的18 个颜色特征作为模型输入，其参数寻优结果如图4所示，寻出最优的g和c分别为19.11和2.41。

图4 GA参数寻优图Fig.4 Genetic algorithm parameter optimization

表3 不同贮藏时间下羊肉不同部位SVM模型分类结果Table 3 SVM model classification results of different lamb cuts at different storage times

在上述4 种输入情况下，所建立寻优后的SVM模型结果如表3所示。考虑不同的颜色特征组合作为输入，当选用18 个颜色特征作为SVM判别模型的输入时，模型分类效果最佳，训练集、交叉验证集和测试集的判别准确率分别为97.14%、90.01%和86.24%。当选用12 个颜色均值特征作模型的输入时，模型效果次之，训练集、交叉验证集和测试集的判别准确率分别为92.97%、86.03%和85.32%。当选用RGB颜色空间下的9 个颜色特征以及选用具有显著性差异的7 个颜色特征时作为模型输入时，模型的训练集、交叉验证集和测试集的判别准确率分布在74.00%～90.32%之间。

2.2.3 不同贮藏时间下的不同部位BP分类模型的建立结果

本研究的BP神经网络选用了3 层网络结构，包含输入层、隐含层和输出层，其基本参数设置如下：训练函数选择‘traingdx’，隐含层和输出层传递函数分别为‘logsig’、‘purelin’，网络训练目标误差设为0.000 1，学习速率为0.001，训练最大步数设为1 000。另外，BP神经网络的初始权值和阈值运用PSO进行优化，PSO中的种群大小设置为30，迭代次数设置为50。在分别利用不同部位羊肉间具有显著性差异的7 个颜色特征、RGB颜色空间下的9 个颜色特征、4 种颜色空间下的12 个颜色均值特征，及全部18 个颜色特征作为BP模型的输入变量进行分类判别时，首先以隐含层节点数目5为步长，从0到50对BP隐含层节点数进行寻优，在上述4 种输入情况下，建立寻优后BP模型的隐含层节点数分别为50、50、40和35，其中以12 个颜色均值特征作为输入构建模型时，其寻优结果如图5所示。

图5 BP隐含层节点数寻优图Fig.5 Optimization of the number of BP hidden layers

在上述4 种输入情况下，所建立的寻优后的BP模型结果如表4所示。考虑不同的颜色特征组合作为输入，当选用12 个颜色均值特征作为BP判别模型的输入时，其三类模型分类效果最佳，模型的训练集、交叉验证集和测试集的判别准确率分别为96.13%、95.11%、91.44%。当选用18 个颜色特征做模型的输入时，模型效果次之，训练集、交叉验证集和测试集的判别准确率分别为93.58%、92.45%和88.07%。当选用RGB颜色空间下的9 个颜色特征以及具有显著性差异的7 个颜色特征时作为模型输入时，模型的训练集、交叉验证集和测试集的判别准确率分布在72.78%～86.85%之间，模型效果良好。

表4 不同贮藏时间下羊肉不同部位BP模型分类结果Table 4 BP model classification results of different lamb cuts at different storage times

综合分析表2～4发现，当分别选用4 种不同的颜色特征组合作为模型输入进行建模时，所建立BP模型的分类效果均优于SVM和ELM模型的分类效果。其中，选用12 个颜色均值特征作为BP判别模型的输入时，建立的BP分类模型分类效果最佳，模型的训练集、交叉验证集和测试集的判别准确率分别为96.13%、95.11%、91.44%。另外，在4 种不同的颜色特征组合中，最少输入变量为不同部位间具有显著性差异的7 个颜色特征，此时所建立BP模型的训练集、交叉验证集和测试集的判别准确率分别为86.85%、86.54%和72.78%，仍能取得良好的分类效果。该结果表明通过显著性差异分析选择颜色特征作为模型输入参数，对改善模型效果具有一定的意义。

3 结 论

本研究使用智能手机采集整个贮藏时间（0～12 d）下的羊背脊肉、羊前腿肉和羊后腿肉样品图像，提取4 种不同颜色空间组合下的颜色均值以及RGB颜色空间下的颜色矩并进行显著性差异分析，以不同的颜色特征组合作为ELM、SVM和BP神经网络不同建模方法的输入，开展羊背脊肉、羊前腿肉和羊后腿肉的判别分析比较研究。结果表明，以不同的颜色特征组合作为模型输入时，所建立的BP模型分类效果均优于SVM和ELM模型；当以12 个颜色均值特征作为输入时所建立的BP模型分类效果最优，模型的训练集、交叉验证集和测试集的判别准确率分别为96.13%、95.11%、91.44%，可以实现对不同贮藏时间下不同部位羊肉的定性判别分析。上述研究为后续开发手机应用APP及利用手机实现对不同贮藏时间下冷却羊肉部位的快速判别分析提供了理论依据和技术支撑。