CN101052306A - 用于对被屠宰的牲畜躯体进行分类及其定性和定量测定的数据采集 - Google Patents

Abstract

描述了一种识别具有复杂结构的轮廓的非侵入式的方法，该方法具有的错误识别率趋近于零，可用来借助图像处理，基于特征切片区分和识别被屠宰的牲畜躯体的特征，特别是用来确定用于计算肌肉百分比、销售分类以及相关的销售值和市场价值的数据，还可用来考虑法规要求评定被屠宰的牲畜躯体的质量。根据本发明，在要区分和标识的被屠宰的牲畜躯体的具有复杂结构的轮廓的误差识别过程中，在PC形式的工作站上的操作人员与计算机进行互动，提供关于要搜寻的未被识别的或被错误识别的轮廓的足够指示，借助图像再现装置，将至少一个支撑点设置在被屠宰的牲畜躯体的一个或多个通过测量确定数据的区域中感兴趣的区域内的图像中。

Description

用于对被屠宰的牲畜躯体进行分类及其定性和定量测定的数据采集

本发明涉及借助图像处理、基于特征片断来区分和识别具有作为被屠宰的牲畜躯体特征的复杂结构的轮廓的一种非侵入式的方法，所述方法尤其是可以用来测定用于计算肌肉百分比、销售分类以及相关的销售值和市场价值的数据，还可考虑法规要求优选地在屠宰场和肉类加工厂中评定被屠宰的牲畜躯体的质量。

由现有技术已知有一系列的自动处理过程，用于通过光学图像处理测定在其沿脊柱的分割面上的被屠宰牲畜的躯体的数据以用于后续的分类和质量评定。

因此，文件DD 298 310 A5/DE 41 31 556 C2和DE 41 09 345 C2描述了用于通过图像处理来测定或分析被屠宰牲畜的肉半的方法，其中外部轮廓、脂肪层、肉与背部脂肪的比率被测定，这是通过以下方式实现的：即记录了被屠宰牲畜的整个肉半的图像，包括脊柱和所有的中间椎骨层。作为确定用来分割或分类被屠宰牲畜躯体的参数的固定点，其起点是脊骨的骶骨，通过对象分析利用与其它椎骨相同的方法被测定，其中在实际处理期间，并不总是能够以足够可靠的方式来选择所需要的轮廓进行分析。

文件DE 197 33 216 C1描述了使用光学图像处理来估计被屠宰牲畜的肉半的方法，这使得可以基于标准的两点法、使用对扩展的腰部区域的光学图像估计来执行分类，同时排除了主观的错误源。

通过光学图像处理来估计被屠宰牲畜肉半的一种方法还从文件DE 198 47 232 C2中已知，其中摄影制图方法被用作传统的两点法的仿真。在腰部和后臀部区域内，有两个被明确定义的点，第一个点是股骨在躯干侧的末端，第二个点是MGM(中臀肌)在躯干侧的末端，沿背部脂肪的中间系列方向的直线通过摄影制图被记录。出于实际的估计目的，使用了局部部位的长度，它在该直线的垂线上被提供，穿过背部脂肪层在第二个明确定义的点的水平高度上与股骨平行移位。虽然在该方法的情况下人工执行的两点法的主观测量错误被根除，但先决条件是所需要的轮廓和结构通过光学图像处理被可靠地识别。

另一种方法由文件DE 199 36 032 C1已知，其中确保了被屠宰牲畜的肉半的质量，特别是被屠宰的猪的质量，使用光学图像处理自动评定，相对于已知的方法实现了更高水平的可再现的估计准确性，它仅受分割被屠宰牲畜的方法期间的错误的微弱影响，而不会受到并不绝对垂直于分割面的图像的影响，其中被屠宰牲畜肉半在分割面上的光学图像在后臀部和腰部区域内通过摄影制图基于特定的明确定义的参考点被估计。

选定区域内的脊骨、股骨、中臀肌的最薄脂肪层和背部脂肪轮廓被用作明确定义的参考点。对于评定质量起决定性作用的肌肉百分比通过部分长度的累加被计算出来，这些长度彼此使用常数按比例设置，并在肌肉和脂肪层区域内垂直于脊髓导管的直线部分，这些常数通过每项的回归计算和一个基本常数来确定。虽然在该方法范围内，脂肪量(S)的测量值根据法规被测定在正确的点上，但肌肉量(F)未被确定，其结果是肌肉百分比(MF％)没有使用正式的公式进行计算，这样就不大可能对销售类别进行分类。

由文件DE 119 52 628 A1已知一种用于确定猪肉块的销售值的方法，其中臀部、肉片、去除的肉片、肉条、肩部、肩部区域、腹部、和/或其它部位可被销售或进一步单独处理的肉块重量、重量与净肉率都可借助对猪肉半的在线估计来确定。为了实现该方法，描述躯体结构的预测值被确定，其中该预测值产生于猪肉半的外部轮廓部分的渐进轮廓，以及由此导出脊柱的面积、位置和渐进轮廓，并由此导出被屠宰的牲畜躯体的部分区域的长度和面积，并对于猪肉半获取关于脂肪量的信息和表示其相对厚度的信息，以及背部区域的近似全部皮下脂肪层的渐进轮廓。这些预测值被彼此相关地设置，考虑了在它们之间存在的统计关系，作为所感兴趣的肉块重量产生的结果，它们关于畜体的全部重量的重量百分比和肌肉百分比在屠宰线上被在线确定。在该方法的处理过程中，整个猪肉半必须通过视频被记录，并且该图像目标被昂贵地处理和估计，仅仅是为了确定销售值。由于整个分割面上较大的图像区域，该估计的等级受到影响，而且肉块的重量不能以足够精确的方式被确定，该图像区域中的轮廓和结构的错误识别就将产生不切实际的值。

此外，被引用为DE 103 58 487.0的专利申请描述了一种用于确定被屠宰的牲畜躯体的质量和数量的方法，该方法可用于确定销售分类、销售值、市场价值和质量，从而满足了相关的官方指令和规定的条件。从各个部分所产生的重量百分比的结果数据通过对畜体的足够数目的切块进行测试而获得，它与特征测量值和参数关联在一起，包括由后臀部和腰部区域的畜体的两个肉半所确定的总重量，并由此获得相关数据，在屠宰场中用于评估各个部分的产量的仿真计算以该相关数据来执行，其中考虑了相关联的畜体的两个肉半的总重量以及特征测量值和参数，因此所述测量值和参数特别地在后臀部和腰部区域中确定。

在一种变化中，各个部分的产量仅基于特别地从后臀部和腰部区域确定的特征测量值和参数被评估。

所有这些已知方法的一个共同方面是，用在图像处理中以识别具有复杂结构的轮廓的全自动轮廓识别算法不可避免地具有一定的错误识别率。实际上，在错误识别轮廓的情况下，在试图纠正已经产生的错误时可使用后续的优化方法，但是随着新确定的轮廓一般会产生新的估计错误，从而对后续计算导致不正确的或错误的数据或值。

本发明的一个目的是开发出一种用于识别具有复杂结构的轮廓的非侵入式的方法，该方法具有的错误识别率趋近于零，可用来区分和识别被屠宰的牲畜躯体的特征，所述方法基于特征切片来工作，尤其是通过图像处理来确定用于计算肌肉百分比、销售分类以及相关的销售值和市场价值的数据，还可考虑法规要求或特殊的规则用来评定被屠宰的牲畜躯体的质量。

该目标由权利要求1中所述的特征实现。优选的改进在从属权利要求中描述。

本发明背后的基本思想在于这样一种事实，即在要被区分和识别的具有复杂结构的被屠宰的牲畜躯体轮廓的误差识别期间，由于在图像区域内明显的不纯净性或生理特征，如不易通过用在屠宰场和肉类加工厂中的自动方法识别的肌肉表面、附着物或薄弱的肌肉，通过图像处理用于被屠宰的牲畜躯体的估计，在PC形式的相应工作站上的操作人员与计算机进行交互，提供所要求的未被识别的或被错误识别的轮廓的足够指示。

这些指示允许新排序的轮廓识别算法，以便可靠地检测所要搜索的轮廓。特别地，操作人员在图像再现装置的帮助下可将这些指示以图形方式输入到被屠宰的牲畜躯体的感兴趣的区域内的图像显示中，可选地，这可以通过视听方式或者通过文本方式输入。

在图像区域内，操作人员将至少一个支撑点设置在进行测量的一个或多个区域内。这些作为几何设定点的支撑点可表示要找到的轮廓起点、终点、中间点或任意一点。可选地，该支撑点还可以为该轮廓标记出容许或禁止区域。在具有一个以上支撑点的情况下，另外还可以确定更高阶次的张量设定点，如来自两个支撑点的向量设定点以及来自三个支撑点的曲率设定点。

此外，还可以从支撑点周围区域的分析中得到用于轮廓识别算法的起始参数。例如，这些参数可以以最小或最大或平均亮度、色度和对比度的形式给出。但是，也可以将如纹理这样的更为复杂的特征确定为参数。

随后，如截面、角度、面积等特征测量值和参数，以及最好在腰部和后臀部区域内的图像中包括的亮度和颜色信息，参照图像区域内选出的清楚定义的点和结构以常规方式被确定。

例如，在屠宰猪的情况下，欧洲通用的两点法被用来确定脂肪量(S)和肌肉量(F)的准确测量值，由此使用正式的公式直接计算肌肉百分比(MF％)，从而将被屠宰的猪划分到销售分类中。

肉片可针对外部轮廓和脂肪渐进轮廓以及它们的彼此关系，并基于成像区域中脊柱直线部分区域内的垂直局部截面的确定长度被估计。

各个部分的产量的评估由与切片测试结果相结合的其他特征值给出。可执行的切片估计从而照常得到销售值。畜体的重量形成了用于评估切片重量的基础，并从它们的总重量依次确定市场价值。

畜体的质量由所确定的亮度和颜色信息进行评定。

本发明的优点特别是在于错误识别率在被屠宰的牲畜躯体的质量和数量的估计中事实上被减小至零，并且为肉类生产者和加工者提供了相关的积极经济效益。

被屠宰的牲畜躯体及其切片的全面估计和分类成为可能。

在所有非侵入式自动方法的情况下，交互的实现都是可能的，这些方法包括要识别其轮廓和结构、并且要确定其测量值的区域的图示表示。

附图说明

下面将参照附图以示例性实施例对本发明进行具体的阐述，其中：

图1示出了具有不清晰的轮廓的被屠宰的牲畜躯体肉半在腰部和后臀部区域中的图像；

图2示出了被屠宰的牲畜躯体肉半在腰部和后臀部区域的图像，其中示出了特征测量值和参数的错误识别；以及

图3示出了被屠宰的牲畜躯体肉半在腰部和后臀部区域中的图像，示出了作为标记的支撑点以及由此确定的特征测量值和参数。

一种对猪畜体进行分类的特殊方法，即所谓的两点法，由对中臀肌和椎骨线的识别开始。随后，脂肪量(S)，如脂肪(包括外皮)的最薄点，在中臀肌上被首先确定(毫米)，随后肌肉量(F)，如前额、中臀肌上部的颅侧终端的最短连接点，椎管的背缘(毫米)。脂肪量和肌肉量以这种方式被确定，然后根据销售分类规范(HKL-VO)的附件4提供猪畜体的肌肉百分比。根据HKL-VO的附件1，然后完成销售分类的分配。

猪畜体的分类使用所认可的分类装置来执行，该装置基本上包括图像记录装置和具有相应的软件并由中立的分类人员操作的计算机工作站。一般来说，这些分类人员是能够非常准确地估计被屠宰的牲畜躯体的脂肪、肌肉和脊椎轮廓的经过宣誓的专家。这样被屠宰的牲畜躯体的正确估计和分类就成为分类人员的责任。

在该程序开始时，以已知的方式采用成像处理来提取被屠宰的牲畜躯体的腰部和后臀部的数字图像，该躯体已经沿脊柱被分割，该图像被进行图像分析，其中肌肉组织和脂肪组织以及骨头的轮廓渐进被记录。通过轮廓渐进，各个剖面以及轮廓区域上平均得到的面积和剖面被测量，并获取亮度值和/或颜色值。

例如，根据文件DE 19936 032 C1或专利申请DE 103 58 487.0中描述的方法获取腰部和后臀部区域的特征测量值和参数。

如图1所示，猪畜体肉半的后臀部和腰部区域的图像区域1及所有细节一起被记录，随后通过摄影制图被估计。

图像区域1与黑色背景形成对比，通过其外部轮廓2记录扩展的后臀部和腰部区域的整个宽度。

借助直方图分析，首先对于猪畜体相应的平均亮度以通常的方式对门限参数进行重新归一化处理，随后是不同的组织剖面基于图像区域1中的颜色和/或亮度差别的后续计算机化选择。血液造成的杂质借助于对连贯性的自检从图像中基本上被滤除。

在下一步骤中，亮色显示的脂肪与较暗的肌肉分离，以这种形式确定脂肪区域3和肌肉区域4。

在肌肉区域4内，在其它东西中间，中臀肌(MGM)5的轮廓使用轮廓跟踪算法被识别出来，随后确定其几何位置。

如图1所示，a)MGM 5的轮廓由于肌肉区域4中的各个生理特征而没有被清楚地划分，其中其原因可能是例如MGM 5的表面的附着物或较小的构成物；b)椎管6没有清楚标识出来，因为它在分割过程中间未被撞击或其上有血，以及c)股骨7由于被脂肪组织或血液部分遮盖而不能被可靠地识别。

在图2示出的这种类型的图像中所执行的轮廓分析不可避免地具有分类人员所识别的错误识别，和/或作为警告或报警指示形式的错误消息由计算机输出。在选定的图像中，类似于MGM 5的肌肉区域8通过自动图像分析识别为MGM 5，脊柱的背部区域的椎骨9被错误分配且未发现股骨7。如果基于该分析的结果确定用于估计被屠宰的牲畜的测量值或参数，则作为结果将产生绝对错误的估计。

错误识别被分类人员识别出来，它被指示出或报告给分类人员。在图像区域1中，作为操作者的分类人员随后在其中进行测量的一个或多个区域内设置至少一个支撑点。这些作为几何设定点式的支撑点可表示要找到的轮廓的起点、终点、中点或任何一点。

在这种情况下，通常仅在未识别的结构区域中就足以标注支撑点了，如MGM 5和/或椎骨和/或股骨7。在该例中，如图3所示：

a)为了正确识别MGM 5的轮廓，第一支撑点10被设置在MGM5中以得到亮度信息，第二支撑点11被设置在MGM 5的颅侧终端作为位置信息；

b)为了有助于得到椎管6，最好两个相邻的椎骨9分别用另一个支撑点12来标注，其中附加的方向信息被确定；以及

c)为了标识和识别股骨7的轮廓，附加的支撑点13被设置在其颅侧终端区域内。

根据在设定点的帮助下再次执行的轮廓分析，a)中臀肌(MGM)5及其几何位置如图3所示被清楚地标识。而且，b)包涵椎骨9和椎管6的脊柱的低端的轮廓，如图像区域1内可见的，已经被精确地标识出来。相同的表述可用于已被清楚标识的c)股骨7，其轮廓已被确定。

在特定数量的被屠宰牲畜的情况下，其中尤其是作为用于确定图像区域中的数据和测量值的主要元素的MGM 5被微弱地形成，从而借助图像分析的自动处理将明显地导致轮廓和结构的错误识别，它可用作在图像分析开始之前标注支撑点的替代方案。

在图像区域1中，第一支撑点10可选地被设置在MGM 5中以得到亮度信息，和/或第二支撑点11被设置在MGM 5的颅侧终端作为位置信息，可选地，为了可靠地得到椎管6，最好两个相邻的椎骨9分别用另一个支撑点12来标注，以及可选地，股骨7也用附加的支撑点13来标注，只有在此之后才是用于识别轮廓和结构的图像分析，在其开始之后以已知的方式确定图像区域内的测量值和数据。

通常，脊柱的直剖面方向的直线14被设置为椎管6的上(背侧的)边缘上的后续测量的起始线。然后在MGM 5的前额(颅侧)终端的高度上产生该直线14的垂线15，所述的垂线的段长，如从MGM5的前额终端到椎管6的上(背侧的)边缘的最短连接，对应于肌肉量(F)，如腰部肌肉的厚度。垂线15直至外部轮廓2的延展定义了MGM 5颅侧上的脂肪渐进轮廓。

MGM 5上最薄层的高度上，从MGM 5的轮廓到外部轮廓2的连接线16被确定，该连接线的段长表示脂肪量(S)。

通过用毫米为单位测量的两项(F)和(S)，肌肉百分比(MF％)的计算用来自两点法的正式公式并基于已确定的肌肉百分比在线计算，该方法特别用于具有随后进行贸易类别分类的各个国家。

在图像区域1中确定的多个其它的剖面、角度和面积被用来提供与各每种情况下所分析的被屠宰的牲畜躯体相关的进一步讨论。

例如，脂肪、肌肉和骨头测量可在脊柱和股骨7的区域内进行。

作为另一个重要的特征，通过相连的组织型隔膜17可以将脂肪在组织学上划分为上部脂肪层18和下部脂肪层19。上部脂肪层18被定义为较底层的皮下脂肪，下部脂肪层19被定义为体脂肪层。

关于腹部的肌肉百分比的描述可从较底层的皮下脂肪的厚度得出。

关于肉片的精确描述最好可从椎骨9上的剖面和面积获得。另外，为了估计后臀部，也可以并入位于垂线15直至外部轮廓2的延展与在直线14上的另一垂线20之间的表面区域内的MGM 5上的平均脂肪厚度，该直线14也包含在销售值的确定中。

关于被屠宰的牲畜的整个躯体的、如后臀部或肉片等切片的百分比可直接从图像分析的测量数据中确定，以相同方式可确定各个切片的肌肉百分比。

依次地，例如没有骨头和脂肪的后臀部肌肉的百分比等更复杂的计算可被确定。

通过引入悬挂在吊钩上的两个相关联的肉半的总重量，其中该重量在移除被屠宰的牲畜躯体之后被记录，也可以计算各个部分的产量，由此产量可从切片估计的总和来计算，市场价值可从切片重量的总和来计算。

这样，参照所确定的百分比，如后臀部、肉片以及其它有价值的切片的相关部分的重量说明可基于总重量进行计算。

畜体和/或切片的质量参照这里进一步采用的亮度值和/或颜色值形式的特征的图像信息来评定。

使用的附图标记列表：

1   图像区域

2   外部轮廓

3   脂肪区域

4   肌肉区域

5   中臀肌(MGM)

6   椎管

7   股骨

8   类似的肌肉区域

9   椎骨

10  第一支撑点

11  第二支撑点

12  另外的支撑点

13  附加的支撑点

14  直线

15  垂线

16  连接线

17  隔膜

18  上部脂肪层

19  下部脂肪层

20  另一垂线

Claims (12)

1.一种识别具有复杂结构的轮廓的非侵入式的方法，该方法具有的错误识别率趋近于零，该方法可用来彼此相对地区分和识别被屠宰的牲畜躯体的特征，所述方法基于特征切片被使用，以借助图像处理确定用于计算肌肉百分比、销售分类以及相关的销售值和市场价值的数据，该数据采用参照轮廓部分的各个部分、平均部分和区域的测量值的形式，并用其它特征图像信息来评定被屠宰的牲畜躯体的质量，其特征在于

在要被区分和标识的、具有复杂结构的被屠宰的牲畜躯体的轮廓的误差识别过程中，在PC形式的工作站上的操作人员与计算机进行互动，提供关于要搜寻的未被识别的或被错误识别的轮廓的足够的指示，通过使用图像再现装置，在各种情况下，至少一个支撑点被设置在在被屠宰的牲畜躯体的一个或多个通过测量确定数据的区域中感兴趣的区域内的图像图示中。

2.一种识别具有复杂结构的轮廓的非侵入式的方法，该方法具有的错误识别率趋近于零，该方法可用来彼此相对地区分和识别被屠宰的牲畜躯体的特征，所述方法基于特征切片被使用，以借助图像处理来确定用于计算肌肉百分比、销售分类以及相关的销售值和市场价值的数据，该数据采用关于轮廓部分的各个部分、平均部分和区域的测量值的形式，并用其它特征图像信息来评定被屠宰的牲畜躯体的质量，其特征在于

在标识要被区分和标识的、具有复杂结构的被屠宰的牲畜躯体的轮廓之前，在PC形式的工作站上的操作人员与计算机进行互动，提供关于要搜寻轮廓的足够指示，通过使用图像再现装置，在各种情况下，至少一个支撑点在开始图像分析之前被设置在被屠宰的牲畜躯体的一个或多个通过测量确定数据的区域中感兴趣的区域内的图像图示中，在此之后图像分析开始，并随后以已知的方式确定测量值。

3.如权利要求1或2中所述的方法，其特征在于

作为几何设定点的支撑点表示要识别的轮廓内的起点、终点、中点或任何一点。

4.如权利要求1或2和3中所述的方法，其特征在于

第一支撑点(10)可选地被设置在MGM(5)中，以得到亮度信息，和/或第二支撑点(11)被设置在MGM(5)的颅侧终端作为位置信息。

5.如权利要求1或2和3中所述的方法，其特征在于

可选地，为了可靠地找到椎管(6)，最好两个相邻的椎骨(9)均用另一个支撑点(12)来标注。

6.如权利要求1或2和3中所述的方法，其特征在于

可选地，股骨(7)用附加的支撑点(13)来标注。

7.如权利要求1或2中所述的方法，其特征在于

支撑点表示要识别的轮廓的不能接受的区域。

8.如权利要求1或2以及3至7中任一项所述的方法，其特征在于

用于轮廓识别算法的起始参数从支撑点周围区域的分析中获得。

9.如权利要求8中所述的方法，其特征在于最小、最大或平均亮度、色度和对比度被用作起始参数。

10.如权利要求8中所述的方法，其特征在于如质地等复杂特征被确定为起始参数。

11.如权利要求1或2中所述的方法，其特征在于

对于要识别的轮廓有一个以上支撑点的说明，另外还可确定更高阶次的张量设定点，如来自两个支撑点的向量设定点以及来个三种支撑点的曲率设定点。

12.如权利要求1或2中所述的方法，其特征在于

被屠宰的牲畜躯体的切片的百分比直接从图像分析的测量值的数据来确定。

Images