基于生豬外形特征圖像的瘦肉率估測方法

張 萌，鐘 南，劉瑩瑩

?

基于生豬外形特征圖像的瘦肉率估測方法

張 萌1,2，鐘 南1※，劉瑩瑩1

（1. 華南農業(yè)大學工程學院/教育部南方農業(yè)機械與裝備關鍵技術重點實驗室/廣東省食品質量安全重點實驗室，廣州 510642；2. 安徽省農業(yè)科學院農業(yè)經濟與信息研究所，合肥 230031）

為實現(xiàn)生豬瘦肉率的快速無損檢測，以機器視覺為主要技術，通過生豬的外形特征圖像進行瘦肉率估測，為飼養(yǎng)者與收購者提供生豬品級的決策依據(jù)。采用MATLAB為開發(fā)工具，通過圖形用戶界面（graphical user interface，GUI）實現(xiàn)軟件操作界面，以生豬的側面及背面圖像為研究對象，利用圖像處理技術從目標中提取體長、體高、胸深、腹長、臀寬、腰寬等數(shù)據(jù)，以這些體尺的比例（胸深體高比、臀寬體長比、臀寬腰寬比、腹長體長比）為參數(shù)，通過徑向基函數(shù)（radial basis function，RBF）神經網(wǎng)絡進行瘦肉率估測。該文分別對7組生豬外形圖像進行處理，4項比例指標的平均估測準確率分別為92.90%、92.44%、95.17%、96.51%，瘦肉率的平均估測準確率為94.35%。結果表明，該文所構造的基于生豬外形特征圖像的瘦肉率估測方法工作效率高，成本低，可用于估測生豬瘦肉率。

機器視覺；圖像分割；模型；瘦肉率；活體豬；RBF神經網(wǎng)絡

0 引 言

隨著人民生活水平的提高，養(yǎng)豬生產發(fā)生了從數(shù)量型到質量型的轉變，檢測機構、生產企業(yè)和消費者對生豬品級的要求逐漸提高，而瘦肉率是生豬品級最重要的指標之一，各國也是根據(jù)胴體瘦肉率的不同將豬胴體劃分為不同等級[1]。對于生豬屠宰行業(yè)和部分食品加工行業(yè)來說，擁有一套可以快速無損檢測生豬瘦肉率的方法十分必要。

目前，國內外對瘦肉率的評測大概分為兩種：一種是在屠宰線上進行，將豬胴體的皮、脂、肉、骨分離，稱質量后計算其百分比[2]，這種方法耗時耗力，操作過程復雜；第二種是使用背膘測定儀、瘦肉率測定儀等儀器設備進行無損檢測[3]。這類設備價格昂貴，實際操作時需要逐一檢測，不適合中小型企業(yè)使用。

國內還有以人工感官為依據(jù)，憑借專家經驗，根據(jù)生豬的外形特征對生豬品級進行評定。這種方法雖然過程簡單，但受主觀意識影響大，可重復性差，相關專家的培訓也存在一定的難度。機器視覺技術以代替人工感官為目的[4]，用計算機技術模擬人的視覺，從目標圖像中提取所需要的特征信息，并對信息進行分析決策，將人 的感官數(shù)據(jù)化、標準化、智能化[5]，解決了人工感覺受主觀意識影響的問題，具有信息量大、檢測速度快等特點[6]。國外對于機器視覺在豬肉品質檢測方面的應用，主要集中在分割后豬肉的紋理檢測，無法獲得瘦肉率、屠宰率等全局指標[7]。

本文以MATLAB為開發(fā)工具，通過工具中的GUI功能編寫操作界面，利用圖像處理技術從目標圖像中提取系統(tǒng)所需的特征參數(shù)，用實測數(shù)據(jù)庫訓練RBF神經網(wǎng)絡，通過訓練好的網(wǎng)絡估測出對應目標的瘦肉率。以機器視覺代替人工感官，從而解決人工感官方法中出現(xiàn)的受主觀意識影響、可重復性差等問題，為高效率、低成本估測活體豬瘦肉率提供方法指導。

1 材料與方法

1.1 系統(tǒng)界面設計

MATLAB（matrix laboratory，矩陣實驗室）是一款用于矩陣數(shù)值計算的軟件，軟件中很多運算都是通過矩陣的形式進行的。MATLAB擁有專業(yè)的圖像處理工具箱（image processing toolbox）和神經網(wǎng)絡工具箱（neural network toolbox）[8]，工具箱內包含大量內建函數(shù)，可以簡單實現(xiàn)大多數(shù)固定和成熟的算法。本研究以MATLAB為開發(fā)軟件，通過圖形用戶界面（graphical user interface，GUI）功能實現(xiàn)的操作界面如圖1。

操作界面包括基本操作模塊、形態(tài)學操作模塊、圖像顯示模塊和數(shù)據(jù)顯示模塊。基本操作包括圖像輸入、圖像預處理、圖像分割、智能分割優(yōu)化、特征提取、數(shù)據(jù)預測和清空選項。形態(tài)學可選操作主要是形態(tài)學的各項操作，當用戶對智能分割優(yōu)化效果不滿意時，可以自由選擇結構元素大小和具體形態(tài)學運算操作，直到達到滿意的分割效果為止。數(shù)據(jù)顯示包括從圖像中提取的側面體長、背面體長、體高、胸深、腹長、臀寬和腰寬7項體尺指標，通過計算得到的胸深體高比、臀寬體長比、臀寬腰寬比和腹長體長比4項比例指標，以及系統(tǒng)預測的瘦肉率等數(shù)據(jù)指標。所有的指標數(shù)據(jù)都設置有一定的范圍，當檢測的指標超出這個范圍，即判定為系統(tǒng)故障或檢測目標異常，檢測狀態(tài)顯示為“異?！保敊z測指標均在范圍內時，則檢測狀態(tài)顯示為“正?！薄D像顯示模塊包括原始圖像和分割圖像，通過這個模塊可以判斷圖像處理模塊是否正常工作，同時檢測圖像的分割效果，為用戶提供判斷依據(jù)。

圖1 圖形處理界面

1.2 數(shù)據(jù)采集

挑選123頭皖北地區(qū)商品豬（安徽省東升食品有限公司提供）作為試驗材料，品種均為外三元（杜長大，杜大長），年齡均為6個月左右。將樣品豬逐一趕到鐵質固定欄內，使之自然站立，為了避免對活體豬造成外界刺激，用皮尺緊貼固定欄外側進行體尺測量[5]，得到側面體長、背面體長、體高、胸深、腹長、臀寬、腰寬7項體尺指標，并在屠宰后使用分割稱質量的方法計算得出瘦肉率。

為了與圖像處理中特征提取的方法相一致，所有數(shù)據(jù)均取關鍵點的直線距離，而非沿輪廓的曲線距離，具體測量方法如下：側面體長是指鼻后端到后臀部的水平距離；背面體長是指豬頸部中點到后臀部中點的距離；體高是指背部最高點到前足最低點的垂直距離；胸深是指前足與腹部交界處到背部最高點的垂直距離；腹長是指前足與腹部交界處到后足與腹部交界處的水平距離；根據(jù)生豬外形的固有特性，臀寬是指背部最大體寬；腰寬是指除去頭頸部和尾部外的最小體寬[9]。體尺測量參數(shù)示意如圖2。

圖像采集工具選用Sony WX350相機，影像尺寸設置為S：2.5 M，采用程序自動曝光模式進行拍攝，圖像格式為JPG，并在后期將所有圖像的分辨率統(tǒng)一處理為1 024×768像素?；铙w豬在不同形態(tài)下，外形特征會有所差異，但是系統(tǒng)所選用的特征參數(shù)不用考慮細節(jié)差異，只有活體豬在蜷縮狀態(tài)下才會產生較大誤差[10]，而活體豬在自然站立或行走時不會出現(xiàn)蜷縮的狀態(tài)[11]。為了避免豬體蜷縮所造成的數(shù)據(jù)誤差和固定欄對采集照片的遮擋，在豬棚內，任生豬靠墻壁自由行走，使用相機采集側面圖像；在活體豬行走時，在其正上方采集背面圖像[12]。本研究從123頭樣本豬中隨機挑選7頭作為拍攝對象，一共采集了7組圖像。

圖2 體尺測量參數(shù)示意圖

活體豬經沐浴、擊暈、放血、去頭蹄、取內臟、分割成二分體后，將肉、脂、骨、皮等分割并分別稱質量，計算瘦肉占總質量的百分比[13-14]，即

式中LMP是瘦肉率（%），LM是瘦肉的總質量（kg），Total是豬體總質量（kg）。用沒有采集圖像的116頭豬對應的數(shù)據(jù)建立數(shù)據(jù)庫，進行試驗分析[15]，從而建立關系模型，116組實測數(shù)據(jù)的統(tǒng)計結果如表1。

表1 實測值的基本統(tǒng)計

1.3 數(shù)據(jù)分析

不同的焦距、物距會使圖像存在不同的比例尺度，為了避免這些因素，本研究不使用具體的長度、面積等參數(shù)，而是選用它們的比例值。系統(tǒng)選取胸深體高比、臀寬體長比、臀寬腰寬比和腹長體長比4項比例值作為外形特征參數(shù)[16-17]，并通過SPSS軟件分析這些外形特征與瘦肉率之間的關系，可得瘦肉率與外形特征之間存在關系模型：

式中cbr是胸深體高比，hbr是臀寬體長比，hwr是臀寬腰寬比，bbr是腹長體長比。分析結果表明，瘦肉率與胸深體高比、臀寬體長比、臀寬腰寬比成正比關系，與腹長體長比成反比關系。

1.4 圖像處理與特征提取

圖像處理流程如圖3。

圖3 不同圖像處理階段比較

1.4.1 圖像預處理

系統(tǒng)中的圖像處理均是對圖像的灰度值進行運算，灰度值的大小只代表像素點的亮度強弱，與彩色因素無關，故先將采集的彩色圖像轉換為灰度圖像。采集到的圖像中難免存在一些影響分割的噪聲，需要進行相關操作減弱噪聲[18]，故采用雙邊濾波和直方圖均衡化2種方法進行圖像平滑。

圖像濾波是指將目標點與其鄰域內的其他點進行各類運算，將運算的結果替代原點的灰度值，以此來改善圖像質量的方法。雙邊濾波是一種保邊去噪的濾波器，運算過程由2個函數(shù)組成，一個函數(shù)的濾波器系數(shù)是由幾何空間的距離決定，另一個函數(shù)的濾波器系數(shù)由像素的差值決定[19]。輸出像素為

式中（，）為輸入像素的位置，（，）為鄰域像素的位置，為鄰域像素的值，權重系數(shù)由定義域核和值域核的乘積決定

（4）

對比度反映了圖像中亮區(qū)域和暗區(qū)域的層次感，調節(jié)對比度實際上就是在保持亮度不變的前提下，擴大或縮小亮點與暗點的差距，直方圖均衡化是比較常見的一種間接增強方法。直方圖均衡化是一種點運算，通過對原始圖像中每一個像素點進行運算，進而得到處理后的圖像[20]。主要思想是將灰度值重新進行分配，以實現(xiàn)最大程度上的均勻分布。首先統(tǒng)計原始圖像的灰度值分布情況，得直方圖，然后通過直方圖計算累計分布曲線[21]，將累計分布函數(shù)作為變換函數(shù)對圖像進行修正處理。

1.4.2 圖像分割和輪廓提取

圖像預處理的目的就是讓圖像更易于分割，本研究采用最大類間方差法對圖像進行閾值分割[22]。由于預處理無法消除所有噪聲，閾值分割可能出現(xiàn)誤分割區(qū)域，本研究采用形態(tài)學圖像處理對分割后的圖像進行修正[23]。形態(tài)學操作包括膨脹和腐蝕兩個基本算子，先膨脹后腐蝕的操作叫開運算，它可以消除細小物體、分離相近物體；先腐蝕后膨脹的操作叫閉運算，它可以填充細小空間、連接相近物體[24]。本研究對分割后的圖像先使用閉運算處理連通狹窄區(qū)域，再使用開運算填充噪聲造成的孔洞。系統(tǒng)中圖像的分辨率為1 024×768像素，根據(jù)實際情況，形態(tài)學處理過程選擇10×10像素的圓盤型結構元素處理圖像，先進行閉運算處理，再進行開運算處理。

為了更好地找出關鍵點，還需要提取生豬的外形輪廓，通過對二值圖像進行Canny邊緣檢測可以實現(xiàn)。Canny邊緣檢測器在圖像中每一點計算局部梯度和邊緣方向，根據(jù)這些信息找出邊緣點，即梯度方向上強度局部最大的點[25]。

1.4.3 關鍵點檢測

根據(jù)關系模型，需要從圖像中提取側面體長、背面體長、體高、胸深、腹長、臀寬、腰寬7個體尺特征，為了提取這些特征值，對應需要找到圖中17個關鍵點。圖3中，點1、5、6、7、8、10、11在圖像中均為凹點，可以通過角點檢測獲得；點2、3、4可以通過二值圖像的最小外接矩陣獲得，分別為側面圖像中的最右、最高和最低點；點9為點7到點8線段的中間點，點12為點10到點11線段的中間點；通過點9、12的坐標和豬體輪廓線確定質點17的坐標，經過點9、17、12的線段為豬體的中軸線；點13、14為中軸線后半段到豬體輪廓線的最小距離點，點15、16為中軸線后半段到豬體輪廓線的最大距離點[26]。

分別對側面、背面輪廓圖進行角點檢測，本研究選用一種Harris的改進算法[27]。像素點在軸方向和軸方向上的一階導數(shù)分別為、，定義角點函數(shù)為

計算出所有點的角點函數(shù)值后，尋找一定鄰域內最大角點值大于零的點，并列為候補點，并將候補點按坐標值的大小從小往大排列。根據(jù)生豬外形的特殊性，將候補點聚集在外形圖像中的凹邊緣上[28]。同時，根據(jù)圖像具體情況設定一個距離閾值，當兩個候補點的距離小于時，判斷這兩個點屬于同一組的特征點，否則判斷為下一組的特征點[29]。對每個特征點組內的坐標值進行比較，坐標值最大的點即為所求點。通過角點檢測，可以得到點1、5、6、7、8、10、11共7個所需關鍵點的位置。

通過點7和點8的坐標，可以確定其中間點9；通過點10和點11的坐標，可以確定其中間點12；通過點9、點12和質點17可以得到豬體的中軸線。從而確定豬體輪廓線到中軸線后半段上的最小距離點13、14，以及最大距離點15、16，具體算法[26]如下：

1）通過點17和點12的直線一般式為

式中-表示直線斜率，當=0時，直線平行于軸，此時-為在軸上的截距，（）為直線上的任一點坐標值，通過點17和點12的坐標值可以獲得、、的值，進而獲得后半段中軸線的一般式。

2）豬體輪廓線到后半段中軸線的距離為

式中（）為點17到點12在軸上坐標區(qū)間內豬體輪廓線上的任一點，為輪廓線上的點到后半段中軸線上的距離。通過公式（7）求得的最小值，從而得到點13和點14的坐標值。

3）同理，通過公式（7）求得的最大值，從而得到點15和點16的坐標值。

通過計算關鍵點之間的距離，可得到7個體尺特征，具體如下：點1到點2在軸上的水平距離為側面體長；點9到點17的距離，加上點17到點12的距離為背面體長；點3到點4在軸上的垂直距離為體高；點3到點5在軸上的垂直距離為胸深；點5到點6在軸上的水平距離為腹長；點15到中軸線上的距離，加上點16到中軸線上的距離為臀寬；點13到中軸線上的距離，加上點14到中軸線上的距離為腰寬。

1.5 RBF網(wǎng)絡預測

從用于分析關系模型的116組數(shù)據(jù)中隨機選取100組數(shù)據(jù)作為訓練樣本，剩余的16組數(shù)據(jù)作為驗證樣本[30]，將胸深體高比、臀寬體長比、臀寬腰寬比和腹長體長比4個參數(shù)作為輸入信號，將瘦肉率作為輸出信號，隱含層傳遞函數(shù)選取高斯函數(shù)，輸出層傳遞函數(shù)選取線性函數(shù)，在該試驗中分布密度為0.2時網(wǎng)絡誤差最小，確定參數(shù)后訓練RBF神經網(wǎng)絡[31]，驗證樣本的實際值與預測值的曲線擬合如圖4。

從圖4中可以看出，16個驗證樣本的預測值與實際值的誤差較小，平均誤差僅為0.31%，最大、最小誤差分別為0.47%和0.07%，說明通過RBF神經網(wǎng)絡建立的關系模型可以應用于預測瘦肉率。

圖4 RBF神經網(wǎng)絡預測結果

2 結果與分析

2.1 圖像提取特征

分別對7組圖像數(shù)據(jù)進行處理，提取胸深體高比、臀寬體長比、臀寬腰寬比和腹長體長比4項比例值，與實測數(shù)據(jù)作比較，預測準確率為

式中Acc是準確率（%），Pre是預測值，Mea是實測值，結果如表2。

表2 實測預測數(shù)值比較

鑒于活體豬的活動性，其身體狀態(tài)無法預測，采集到的圖像也存在一定程度的身體扭曲，故通過圖像處理提取到的特征值與實測值難免存在少量誤差。由上表可知，通過圖像處理技術從生豬外形圖像中提取的特征參數(shù)具有較高的準確率，胸深體高比、臀寬體長比、臀寬腰寬比和腹長體長比的平均預測準確率分別達到了92.90%、92.44%、95.17%和96.51%，基本滿足系統(tǒng)需求。

2.2 瘦肉率估測

以圖像提取的7組參數(shù)為輸入信號，通過基于實測數(shù)據(jù)訓練的RBF神經網(wǎng)絡模型估測瘦肉率，準確率的計算仍然使用公式（8），則輸出值與實測瘦肉率的比較如表3。

表3 基于圖像提取特征的RBF網(wǎng)絡預測瘦肉率

由上表可知，以圖像中提取的特征值為參數(shù)，通過RBF網(wǎng)絡模型可以成功預測出相應的瘦肉率，平均估測準確率達到了94.35%，最大、最小誤差分別為6.56%和3.57%。鑒于豬體特征的復雜性，其關系模型不是嚴格的線性關系，在特征提取及網(wǎng)絡預測環(huán)節(jié)均存在一定的誤差，但系統(tǒng)仍然得到了較高的預測準確率。

3 結 論

本文以MATLAB為開發(fā)工具，以圖像處理和RBF神經網(wǎng)絡為主要技術，設計了一套基于生豬外形特征的瘦肉率估測方法。以胸深體高比、臀寬體長比、臀寬腰寬比和腹長體長比4項比例特征為參數(shù)，通過分析實測數(shù)據(jù)找出參數(shù)與瘦肉率之間的關系（2=0.989），立相應的RBF神經網(wǎng)絡模型。針對生豬外形復雜、采集圖像噪聲偏多的特點，對側面和背面圖像進行預處理、分割、關鍵點定位等操作，通過關鍵點之間的關系提取所需的特征值。通過試驗驗證，該方法對生豬瘦肉率的估測準確率為94.35%，最大、最小誤差分別為6.56%和3.57%。該方法檢測效果較好，設計成本較低，可以為實際應用提供技術支持和參考。

本文所用方法雖然可以通過外形特征圖像較準確小地估測出生豬瘦肉率，但鑒于不同地區(qū)、不同品種的豬體均存在不同，同時活體豬存在不可預測的活動性，系統(tǒng)的魯棒性仍然不夠理想。今后需進一步分析外形特征與瘦肉率之間的關系，并考慮生豬因活動性而產生的參數(shù)誤差，不斷優(yōu)化關系模型及圖像處理算法，同時提高試驗樣本的數(shù)量，進一步提高系統(tǒng)的準確率及魯棒性。

[1] Doeschlwilson A B, Green D M, Fisher A V, et al. The relationship between body dimensions of living pigs and their carcass composition[J]. Meat Science, 2005, 70(2): 229－240.

[2] 羅明，朱礪. 屠宰加工線上瘦肉型豬胴體瘦肉率估測方法的研究[J]. 四川農業(yè)大學學報，2002，20(2)：153－155. Luo Ming, Zhu Li. Study on estimating lean percent of carcass in slaughterhouse[J]. Journal of Sichuan Agricultural University, 2002, 20(2): 153－155. (in Chinese with English abstract)

[3] 成芳，廖宜濤，馬君偉. 豬肉品質無損檢測研究進展[J]. 浙江大學學報(農業(yè)與生命科學版)，2010，36(2)：199－206. Cheng Fang, Liao Yitao, Ma Junwei. Research development on nondestructive determination of pork quality[J]. Journal of Zhejiang University Agriculture & Life Sciences, 2010, 36(2): 199－206. (in Chinese with English abstract)

[4] Einarsson E, Eythorsdottir E, Smith C R, et al. The ability of video image analysis to predict lean meat yield and EUROP score of lamb carcasses[J]. Animal, 2014, 8(7): 1－8.

[5] Chen Y R, Chao K, Kim M S. Machine vision technology for agricultural applications[J]. Computers and Electronics in Agriculture, 2002, 36(2/3): 173－191.

[6] 劉艷國. 圖像處理技術在活體豬等級評定中的應用[D]. 北京：中國農業(yè)大學，2005. Liu Yanguo. Application of Image Processing Techniques on Synthesis Evaluation of Living Pig[D]. Beijing: China Agricultural University, 2005. (in Chinese with English abstract)

[7] Faucitano L, Huff P, Teusher F, et al. Application of computer image analysis to measure pork marbling characteristics[J]. Meat Science, 2005, 69(3): 537－543.

[8] 鄭麗敏，田立軍，朱虹，等. 基于MATLAB的BP神經網(wǎng)絡在豬等級評定中的應用研究[J]. 計算機應用研究，2008，25(6)：1642－1644. Zheng Limin, Tian Lijun, Zhu Hong, et al. Study on pork grade evaluation of BP neural network based on MATLAB[J]. Application Research of Computers, 2008, 25(6): 1642－1644. (in Chinese with English abstract)

[9] 郭浩，馬欽，張勝利，等. 基于三維重建的動物體尺獲取原型系統(tǒng)[J]. 農業(yè)機械學報，2014，45(5)：227－232, 246. Guo Hao, Ma Qin, Zhang Shengli, et al. Prototype system of shape measurements of animal based on 3D reconstruction[J]. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(5): 227－232, 246. (in Chinese with English abstract)

[10] Wu J H, Tillett R, McFarlane N, et al. Extracting the three-dimensional shape of live pigs using stereo photogrammetry[J]. Computers and Electronics in Agriculture, 2004, 44(3): 203－222.

[11] 李卓，杜曉冬，毛濤濤，等. 基于深度圖像的豬體尺檢測系統(tǒng)[J]. 農業(yè)機械學報，2016，47(3)：311－318. Li Zhuo, Du Xiaodong, Mao Taotao, et al. Pig dimension detection system based on depth image[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(3): 311－318. (in Chinese with English abstract)

[12] 王海文，尹艷輝，劉艷國. 應用BP神經網(wǎng)絡進行活體豬 綜合評定[J]. 微電子學與計算機，2006，23(12)：118－119, 1. Wang Haiwen, Yin Yanhui, Liu Yanguo. Apply BP neural network on synthesis evaluation of living pig[J]. Microelectronics & Computer, 2006, 23(12): 118－119, 1. (in Chinese with English abstract)

[13] 李卓，毛濤濤，劉同海，等. 基于機器視覺的豬體質量估測模型比較與優(yōu)化[J]. 農業(yè)工程學報，2015，31(2)：155－161. Li Zhuo, Mao Taotao, Liu Tonghai, et al. Comparison and optimization of pig mass estimation models based on machine vision[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(2): 155－161. (in Chinese with English abstract)

[14] Kashiha M, Bahr C, Ott S, et al. Automatic weight estimation of individual pigs using image analysis[J]. Computers and Electronics in Agriculture, 2014, 107(9): 38－44.

[15] Doeschlwilson A B, Whittemore C T, Knap P W, et al. Using visual image analysis to describe pig growth in terms of size and shape[J]. Animal Science, 2004, 79(4): 415－427.

[16] 李業(yè)國，湯曉艷，高峰，等. 中國商品豬胴體瘦肉率預測模型的建立[J]. 西北農林科技大學學報: 自然科學版，2006，34(10)：27－31. Li Yeguo, Shang Xiaoyan, Gao Feng, et al. Establishment of prediction model of the lean percentage of swine carcasses in China[J]. Journal of Northwest a&F University: Natural Science Edition, 2006, 34(10): 27－31. (in Chinese with English abstract)

[17] 于鉑. 基于圖像處理技術的豬肉無損定級系統(tǒng)[D]. 北京：中國農業(yè)大學，2005. Yu Bo. The System for Evaluating Pork Carcass Grading Impersonally by Digital Image Processing Techniques[D]. Beijing: China Agricultural University, 2005. (in Chinese with English abstract)

[18] Lu J, Tan J, Shatadal P, et al. Evaluation of pork color by using computer vision[J]. Meat Science, 2000, 56(1): 57－60.

[19] Akar S A. Determination of optimal parameters for bilateral filter in brain MR image denoising[J]. Applied soft computing, 2016, 43: 87－96.

[20] Subbiah J, Kranzler G A, Ray N, et al. Computer vision segmentation of the longissimusdorsi for beef quality grading[J]. Transactions of the ASAE, 2004, 47(4): 1261－1268.

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

[22] 李愷，楊艷麗，劉凱，等. 基于機器視覺的紅掌檢測分級方法[J]. 農業(yè)工程學報，2013，29(24)：196－203. Li Kai, Yang Yanli, Liu Kai, et al. Determination and grading of Anthurium based on machine vision[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(24): 196－203. (in Chinese with English abstract)

[23] 郭浩，王鵬，馬欽，等. 基于深度圖像的奶牛體型評定指標獲取技術[J]. 農業(yè)機械學報，2013，44(增刊1)：273－276. Guo Hao, Wang Peng, Ma Qin, et al. Acquisition of appraisal traits for dairy cow based on depth image[J]. Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(Supp. 1): 273－276. (in Chinese with English abstract)

[24] 周竹，黃懿，李小昱，等. 基于機器視覺的馬鈴薯自動分級方法[J]. 農業(yè)工程學報，2012，28(7)：178－183. Zhou Zhu, Huang Yi, Li Xiaoyu, et al. Automatic detecting and grading method of potatoes based on machine vision[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(7): 178－183. (in Chinese with English abstract)

[25] 吳鳳和. 基于計算機視覺測量技術的圖像輪廓提取方法研究[J]. 計量學報，2007，28(1)：18－22. Wu Fenghe. A study on contour extraction method in computer vision measurement technology[J]. ACTA MetrologocaSinica, 2007, 28(1): 18－22. (in Chinese with English abstract)

[26] 劉同海，滕光輝，付為森，等. 基于機器視覺的豬體體尺測點提取算法與應用[J]. 農業(yè)工程學報，2013，29(2)：161－168. Liu Tonghai, TengGuanghui, Fu Weisen, et al. Extraction algorithms and applications of pig body size measurement points based on computer vision[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(2): 161－168. (in Chinese with English abstract)

[27] 劉富，侯濤，欒慧，等. 掌紋輪廓特征點提取新方法[J]. 吉林大學學報: 工學版，2007，37(4)：897－900. Liu Fu, Hou Tao, Luan Hui, et al. New method to detect contour characteristic points of palmprint[J]. Journal of Jilin University: Engineering and Technolngy Edition, 2007, 37(4): 897－900. (in Chinese with English abstract)

[28] 錢文光，林小竹. 基于輪廓尖銳度的圖像角點檢測算法[J]. 計算機工程，2008，34(6)：202－204. Qian Wenguang, Lin Xiaozhu. Detection algorithm of image corner based on contour sharp degree[J]. Computer Engineering, 2008, 34(6): 202－204. (in Chinese with English abstract)

[29]鄭軍，劉正文，馬兆瑞，等. 基于最小誤差逼近的輪廓特征點提取[J]. 清華大學學報: 自然科學版，2008，48(2)：165－168. Zheng Jun, Liu Zhengwen, Ma Zhaorui, et al. Extraction of outline feature points based on the minimum approach error[J]. Journal of Tsinghua University: Science and Technology, 2008, 48(2): 165－168. (in Chinese with English abstract)

[30] Ling P P, Ruzhitsky V N. Machinevision techniques for measuring the canopy of tomato seedling[J]. Journal of Agricultural Engineering Research, 1996, 65(2): 85－95.

[31] 季剛，姚艷，江雙五. 基于徑向基神經網(wǎng)絡的月降水量預測模型研究[J]. 計算機技術與發(fā)展，2013，23(12)：186－189. Ji Gang, Yao Yan, Jiang Shuangwu. Research on monthly rainfall forecast model based on RBF neural network[J]. Computer Technology and Development, 2013, 23(12): 186－189. (in Chinese with English abstract)

Estimation method of pig lean meat percentage based on image of pig shape characteristics

Zhang Meng1,2, Zhong Nan1※, Liu Yingying1

(1.(),510642,; 2.230031,)

Lean meat percentage (LMP) is an important indicator of pig quality, playing an important role in pig breeding and sale. At present, methods for detection of LMP are mostly destructive,, by way of segmentation, weighing and calculation. However, advanced ultrasound equipment is expensive, and most individual farmers are unable to afford the cost. For slaughtering and food processing industries, it is very necessary to develop a rapid nondestructive LMP detection method. In this study, machine vision technology was applied to estimate LMP through external physical characteristics of pigs, so as to provide decision-making basis of pigs’ quality for breeders and buyers. Therefore, technology should have a capacity of processing a large amount of vision information and high detection speed, and use a nondestructive detection method capable of acquiring global indexes. With MATLAB as a development tool, in this study, we realized the software interface through the Graphical User Interface (GUI), and selected the side image and back image of pigs as research objects. Different focal lengths and object distances would result in different ratio scales of images. To avoid these factors, ratios of parameters were selected rather than specific length, area and so on. Firstly, 116 sets of measured data were collected and analyzed. The results showed that the ratio of chest depth to body height, the ratio of hip width to body length, the ratio of hip width to waist width and the ratio of abdomen length to body length had certain relations with the LMP. Secondly, with 100 sets of measured data as training samples and remaining 16 sets of measured data as test samples, a prediction model based on radial basis function(RBF) neural network was built. The results showed that the average error of the test samples was 0.31%, and the maximum and minimum errors were respectively 0.47% and 0.07%. The precision and rate of the network all fulfilled the requirement. Then, seven groups of pig images were photographed, and after image gray processing and preprocessing by a series of weighted formulas, binaryzation by Otsu method, and secondary image denoising by morphological operations, and outline shapes were extracted. Based on Harris algorithm and inherent external physical characteristics of living pigs, we extract body length, body height, chest depth, abdomen length, hip width, waist width and other characteristic parameters. Finally, the calculated parameters were used as the input in the model to obtain corresponding LMP values which were compared with the measured data to verify feasibility of the method. In this study, seven groups of pig shape images were processed, respectively. The average estimated accuracy rates of the four ratios were 92.90%, 92.44 %, 95.17% and 96.51%, respectively. The average estimated accuracy rate of LMP reached 94.35%, and the maximum and minimum errors were 6.56% and 3.57%, respectively. The results showed that the new assessment method based on shape characteristics could be used for estimation of LMP of pigs with low cost and high efficiency. Furthermore, the future development trends of machine vision on nondestructive test of livestock were proposed since it prevents from the animal stress and anthropozoonosis.

computer vision; image segmentation; models; lean meat percentage; living pig; RBF neural network

10.11975/j.issn.1002-6819.2017.12.040

TP391

A

1002-6819(2017)-12-0308-07

2016-11-11

2017-02-15

廣東省科技計劃項目（2012A020602039）；廣州市產學研協(xié)同創(chuàng)新重大專項（201508010013）

張萌，男，安徽亳州人，研究方向為模式識別、圖像處理。 Email：zhangmengchn@163.com

鐘南，女，湖北公安人，教授，博士生導師，研究方向為智能檢測技術。Email：zhongnan@scau.edu.cn

張 萌，鐘 南，劉瑩瑩.基于生豬外形特征圖像的瘦肉率估測方法[J]. 農業(yè)工程學報，2017，33(12)：308－314. doi：10.11975/j.issn.1002-6819.2017.12.040 http://www.tcsae.org

Zhang Meng, Zhong Nan, Liu Yingying. Estimation method of pig lean meat percentage based on image of pig shape characteristics[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(12): 308－314. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2017.12.040 http://www.tcsae.org