CN101936894B - 一种基于近红外光谱及显微脂肪细胞数据融合的猪肉新鲜度无损检测技术 - Google Patents

Abstract

一种肉类质量检测系统，包括：一图像采集模块，采集一肉类样品的脂肪组织图像；一图像处理模块，提取脂肪组织图像中圆形或椭圆形边界以获取一目标图像；一脂肪细胞数测量模块，在判定目标图像单位面积中的脂肪细胞的边界，并统计脂肪细胞边界的数量，该数量为所述脂肪组织单位面积中的脂肪细胞数；一光谱分析模块，解析样品的近红外光谱以获取样品的结构组成数据；及一数据融合处理模块，对脂肪细胞数和样品的结构组成数据进行融合处理以得到一实际输出值，所述实际输出值表征所述肉类样品的质量。本发明还提供一种肉类质量检测方法，所述肉类质量检测系统及方法可快速、准确检测肉类质量，且结构和检测过程简单。

Description

一种基于近红外光谱及显微脂肪细胞数据融合的猪肉新鲜度无损检测技术

技术领域

本发明涉及一种检测系统，尤其涉及一种肉类质量检测系统及方法。

背景技术

近年来，公共卫生突发事件严重威胁国民健康，因此，卫生检验，尤其是对猪肉、羊肉、牛肉等肉类的质量检测引起了高度重视。目前，肉类质量的检测技术有感官检测、微生物检测及理化检测等。感官检测依赖检测人员的感官来判断肉的新鲜程度，因此，对检测人员能力要求较高，必须是经过系统培训和长期实践的人才能胜任，且受主观因素影响较多，检测人员的个体感官差异直接影响检测结果的准确性。微生物检测和理化检测需要依赖一系列化学装置来完成，过程复杂、检测时间长、设备昂贵，不能快速进行现场实时检测。

发明内容

鉴于现有技术中存在的上述问题，本发明的主要目的在于解决现有技术的缺陷，提供一种可快速、准确检测肉类质量且结构、过程简单的肉类质量检测系统及方法。

一种肉类质量检测系统，所述肉类质量检测系统包括：

一图像采集模块，采集一肉类样品的脂肪组织图像；

一图像处理模块，提取所述脂肪组织图像中圆形或椭圆形边界以获取-目标图像；

一脂肪细胞数测量模块，判定在所述目标图像单位面积中提取的圆形或椭圆形边界是否为脂肪细胞的边界，并统计被判定为脂肪细胞的边界的圆形或椭圆形边界的数量，该数量为所述肉类样品脂肪组织单位面积中的脂肪细胞数；

一光谱分析模块，解析所述肉类样品的近红外光谱以获取所述肉类样品的结构组成数据，所述光谱分析模块包括一照射所述肉类样品的近红外光源及一解析所述肉类样品近红外光谱的检测单元，所述近红外光源通过两束不同波长的近红外光照射所述肉类样品，所述检测单元采集所述肉类样品在所述两不同波长下的光谱，并通过计算所述肉类样品对所述两不同波长的近红外光的吸收度差来分析所述肉类样品的结构组成数据；及

一数据融合处理模块，对所述肉类样品脂肪组织单位面积中的脂肪细胞数和所述肉类样品的结构组成数据进行融合处理以得到一实际输出值，所述实际输出值表征所述肉类样品的质量。

一种肉类质量检测方法，包括以下步骤：

采集步骤：采集一肉类样品的脂肪组织图像；

边界提取步骤：提取所述脂肪组织图像中圆形或椭圆形边界以获取一目标图像；

脂肪细胞数测量步骤：判定在所述目标图像单位面积中作为脂肪细胞的边界的圆形或椭圆形边界，并统计被判定为脂肪细胞的边界的圆形或椭圆形边界的数量，该数量为所述肉类样品脂肪组织单位面积中的脂肪细胞数；

光谱分析步骤：通过解析所述肉类样品的近红外光谱来获取所述肉类样品的结构组成数据，所述光谱分析步骤通过计算所述肉类样品对两不同波长的近红外光的吸光度差来分析所述肉类样品的结构组成数据；以及

数据融合步骤：将所述肉类样品脂肪组织单位面积中的脂肪细胞数以及所述肉类样品的结构组成数据代入-预设的运算法则中进行融合运算，以输出一实际输出值，所述实际输出值用以表征所述肉类样品的质量。

所述肉类质量检测系统及方法通过采集所述样品的脂肪组织图像并对图像进行处理并从所述图像中提取圆形或椭圆形边界，通过在提取的圆形或椭圆形边界中判定脂肪细胞边界并统计在单位面积中的脂肪细胞边界的数量以得到样品脂肪组织单位面积中的脂肪细胞数，且通过解析所述样品的近红外光谱以获取所述肉类样品的结构组成数据，最后对所述脂肪组织单位面积中的脂肪细胞数及所述肉类样品的结构组成数据进行数据融合处理来输出表征待检测肉质量的数据，可快速、准确检测肉类质量，且检测结构和过程简单。

附图说明

图1为本发明肉类质量检测系统较佳实施方式的方框图。

图2A-2B分别为转换为HSI模型后的脂肪组织图像和增强对比度后HSI模型的脂肪组织图像。

图3A-3D分别为样品在腐败0小时、3小时、6小时、9小时时所得到的目标图像。

图4为图1中的神经网络单元的结构示意图。

图5为本发明肉类质量检测方法较佳实施方式的流程图。

图6为图1中的脂肪细胞数测量模块获取脂肪组织单位面积中的脂肪细胞数的流程图。

图7为图1中的神经网络单元根据所述样品的第一、第二特征值获取表征待检测肉质量的数据的流程图。

具体实施方式

下面将结合附图及具体实施例对本发明作进一步说明。

请参考图1至图4，本发明肉类质量检测系统1的较佳实施方式包括一图像采集模块10、一图像处理模块20、一脂肪细胞数测量模块30、一光谱分析模块40、及一数据融合处理模块50。所述图像处理模块20包括一图像转换单元22、一图像增强单元24及一边界提取单元26。

所述图像采集模块10包括一CCD(Charge-coupled Device，电荷耦合元件)显微镜，用于采集待检测肉样品的脂肪组织图像，所述脂肪组织包括大量密集的脂肪细胞。具体操作时，可用消毒的手术刀在待检测肉的脂肪组织中提取长2厘米、宽1厘米、厚2毫米的样品，将提取的样品放置在载玻片上，再将载玻片放置在所述CCD显微镜的载物台上，调整载物台的位置，并对所述CCD显微镜设置一合适的放大系数，如100倍，由所述CCD显微镜对样品进行拍摄，以得到所述脂肪组织的RGB(红色通道、绿色通道、蓝色通道)图像。

所述图像转换单元22将所述脂肪组织图像由RGB模型转换为HSI(Hue、Saturation、Intensity，色相、色饱和度、亮度)模型，所述HSI模型的图像通过色相值、色饱和度值和亮度值来描述图像，转换为HSI模型后的脂肪组织图像如图2A所示。将图像由RGB模型转换为HSI模型通过以下公式实现：

$I=\frac{1}{3}(R+G+B)---\left(1\right)$

$S=1-\frac{3}{(R+G+B)}\left[\min (R,G,B)\right]---\left(2\right)$

$H=\arccos \mathrm{\θ}[\frac{[(R-G)+(R-B)]/2}{{[(R-G)+(R-G)(R-B)]}^{1/2}}---\left(3\right)$

其中，I为像点的亮度值，S为像点的色饱和度值，H为像点的色相值，R、G、B分别为像点的RGB值的红色、绿色和蓝色颜色值，θ为像点所在的色环角度。上式(1)-(3)为G大于B时的算法，当G小于B时，像点的色相值H通过以下公式(4)计算：

所述图像增强单元24利用直方图均衡变换法对所述HSI模型的脂肪组织图像进行增强图像对比度的处理，并将增强了对比度之后图像传送至所述边界提取单元24，所述增强了对比度之后的图像如图2B所示，所述HSI模型的脂肪组织图像在增强对比度之后更加清晰。

所述边界提取单元26通过拉普拉斯算子增强所接收图像中的边界，由于脂肪细胞的形状为圆形或近似于椭圆形的卵圆形，所述边界提取单元26利用霍夫变换法提取图像中圆形或椭圆形的边界，再对提取的圆形或椭圆形边界进行自动分割，以得到一目标图像。如图3A-3E所示，分别为样品在腐败0小时、3小时、6小时、9小时时所得到的目标图像，由图3A-3E可知，随着样品的腐败程度增加，脂肪细胞的细胞膜弯曲和重叠现象加重，完整细胞数减少，在样品腐败12小时后，已经观测不到完整的脂肪细胞。通过拉普拉斯算子增强图像边界、通过霍夫变换法在图像中提取圆和椭圆、以及对提取的边界进行自动分割均为图像处理的公知技术，在此不再赘述。

所述脂肪细胞数测量模块30用于通过所述目标图像获取所述样品的一第一特征值，所述第一特征值为所述样品脂肪组织单位面积中的脂肪细胞数。所述脂肪细胞数测量模块30包括-直径测量单元32、一运算单元34及一判断单元36，所述直径测量单元32检测目标图像单位面积中的椭圆形和圆形边界的直径(椭圆形边界的直径包括其长轴直径和短轴直径)，并将检测到的直径数据发送给所述运算单元34，所述运算单元34将接收的直径数据按照大小顺序排列，并计算最大直径与最小直径之间的比值，所述判断单元36将所述最大直径与最小直径之间的比值与一预设值进行比较，如果所述最大直径与最小直径之间的比值小于或等于所述预设值，则判定检测到的椭圆形和圆形边界均为脂肪细胞的边界；如果所述最大直径与最小直径之间的比值大于所述预设值，则由所述运算单元34去掉所述最大直径计算次大直径与最小直径之间的比值，或去掉所述最小直径最大直径与次小直径之间的比值，以此类推，当计算得到的比值小于或等于所述预设值时，所述判断单元36则判定后除去掉的直径所对应的边界外，其他圆形或椭圆形边界均为脂肪细胞的边界。所述运算单元34统计被判定为脂肪细胞边界的圆形或椭圆形边界的数量，数量越小，说明样品的腐败程度越深，如图4所示，为样品腐败时间与完整的脂肪细胞数的关系图，其中完整脂肪细胞数随样品的腐败程度加深而减少。所述预设值是经过大量实验后得到的，一般，脂肪细胞均匀分布在脂肪组织中，直径大约在30到250微米(μm)之间，所述预设值即为最大直径(250微米)与最小直径(30微米)的比值，为8.33。

例如，当在样品脂肪组织中检测到200个圆形或椭圆形边界时，经过检测得到其直径为25到205微米不等，则最大直径与最小直径之间的比值为8.2，小于所述预设值8.33，则判定该200个圆形或椭圆形边界均为脂肪细胞边界，因此，得到脂肪细胞数为200个。如果200个圆形或椭圆形边界中的最小直径为15微米，次小直径为25微米，最大直径为205微米，由于205微米与15微米的比值大于8.33，因此，忽略所述最小直径15微米，计算所述最大直径(205微米)与次小直径(25微米)的比值，该比值小于8.33，因此，除了直径为15微米的边界外，其它检测得到的圆形或椭圆形边界均为脂肪细胞边界，可得脂肪细胞数为199。

所述光谱分析模块40用于检测样品的一第二特征值，所述第二特征值包括所述样品的结构组成数据。所述光谱分析模块40包括一近红外光源42及一检测单元44，所述近红外光源42照射所述样品，所述检测单元44采集所述样品的近红外光谱，通过解析所述样品的近红外光谱来分析肉品的结构组成，作为判断肉品新鲜度的基础。如下表(肉品含氢基团合频与各级倍频吸收带成分构成表)所示，由于近红外光谱区与有机分子中含氢基团振动的合频和各级倍频的吸收区一致，样品的结构组成和近红外光谱之间有一定的函数关系，通过扫描样品的近红外光谱，并根据所述样品的结构组成和近红外光谱之间的函数关系，利用化学计量方法得到样品中有机分子含氢基团的特征信息，由于肉类的成分(如蛋白质、水、多层生物组织、蛋白质分解等)大多由这些含氢基团构成，因此通过解析所述样品的近红外光谱可得到待检测肉品的结构组成数据。

进一步地，为了降低近红外光源42的发光强度对检测结果的影响，所述近红外光源42通过两束不同波长的近红外光照射所述样品并分别采集样品在该两不同波长下的光谱，通过计算样品对该两不同波长的近红外光的吸光度差来分析待检测肉品结构组成数据

更进一步地，所述第二特征值还包括所述样品的各组成成分的含量数据，所述光谱分析模块40还可包括一中红外光源46，辅助所述近红外光源42及所述检测单元44进行待检测肉的质量检测，所述中红外光源46照射所述样品，所述检测单元44采集样品的中红外光谱，利用样品对中红外光的吸收谱带的吸收强度与分子组成或含氢基团含量的关系，对待样品进行定量分析，进一步检测肉的纯度。

所述数据融合处理模块50包括一BP(Back Propagation，反向传播)神经网络单元52，所述神经网络单元52中预存有多个训练样本和对应的期望输出值，各训练样本包括一脂肪细胞数量数据和对应的样品结构组成和成分含量数据，各期望输出值是将对应的训练样本中的数据代入一预设运算法则中计算出的值，代表不同样本的质量，如图4所示，所述神经网络单元52具有一接收输入参数的输入层A、一进行数据处理的隐层B和一输出结果的输出层C，当检测所述待检测肉的质量时，所神经网络单元52的输入层A接收所述样品的第一、第二特征值，并在所述隐层B将所述第一、第二特征值代入所述预设的运算法则中进行融合运算，以得到一实际输出值，找到与接收的第一、第二特征值最接近的训练样本，并运算对应该训练样本的期望输出值和所述实际输出值之间的误差值，辨识所述实际输出值与所述期望输出值之间的误差值是否在一允许的误差范围内，如果所述实际输出值与所述期望输出值之间的误差值在所述允许的误差范围内，则所述由所述输出层C输出所述实际输出值，用以表征所述待检测肉品的质量；如果所述实际输出值与所述期望输出值之间的误差在所述允许的误差范围外，则所述神经网络单元52在其隐层B改变所述预设运算法则的权值，重新根据所述第一、第二特征值计算实际输出值，直至计算得到的实际输出值与所述期望输出值之间的误差值在所述允许的误差范围内，再由所述输出层C输出所述实际输出值。

请继续参考图5，本发明肉类质量检测方法的较佳实施方式利用所述肉类质量检测系统1检测所述待检测肉的质量时，包括以下步骤：

步骤S1：所述图像采集模块10通过所述CCD显微镜拍摄所述样品，以得到所述样品的脂肪组织图像，所述脂肪组织图像为RGB模型；

步骤S2：所述图像转换单元22将所述脂肪组织图像由RGB模型转换为HSI模型，即通过色相值、色饱和度值和亮度值来描述所述脂肪组织图像。

步骤S3：所述图像增强单元24利用直方图均衡变换法增强所述HSI模型的脂肪组织图像的对比度。

步骤S4：所述边界提取单元26接收所述增强了对比度之后的图像，并通过霍夫变换法提取所接收图像中圆形或椭圆形的边界，以得到所述目标图像。本步骤中，在进行边界提取之前，所述边界提取单元26还通过拉普拉斯算子增强所接收图像中的边界，在提取圆形或椭圆形边界之后，还对提取的圆形或椭圆形边界进行自动分割。

步骤S5：所述脂肪细胞数测量模块30通过判定所述目标图像单位面积中作为脂肪细胞的边界的圆形或椭圆形边界，并统计被判定为脂肪细胞的边界的圆形或椭圆形边界的数量，以得到所述样品脂肪组织单位面积中的脂肪细胞数，所述样品脂肪组织单位面积中的脂肪细胞数作为所述样品的第一特征值。

步骤S6：所述光谱分析模块40通过解析所述样品的近红外光谱来获取样品的结构组成数据，作为所述第二特征值。本步骤是通过计算样品对两不同波长的近红外光的吸光度差来分析样品结构组成的。所述红外光谱分析模块40还通过采集样品的中红外光谱，利用样品对中红外光的吸收谱带的吸收强度与分子组成或含氢基团含量的关系检测样品的各组成成分的含量数据，此时，所述第二特征值还包括所述样品的各组成成分的含量数据；以及

步骤S7：所述神经网络单元52将所述第一、第二特征值代入所述预设的运算法则中进行融合运算，以输出一实际输出值，用以表征所述待检测肉的质量。

请继续参考图6，步骤S5包括以下步骤：

步骤S51：所述直径测量单元32测量目标图像单位面积中的椭圆形和圆形边界的直径(椭圆形边界的直径包括其长轴直径和短轴直径)；

步骤S52：所述运算单元34将测量的直径数据按照大小顺序排列，并计算最大直径与最小直径之间的比值；

步骤S53：所述判断单元36判断计算所得的比值与是否小于或等于所述预设值，如果所述最大直径与最小直径之间的比值小于或等于所述预设值，则执行步骤S55，否则，执行步骤S54；

步骤S54：所述运算单元34忽略最大直径计算次大直径与最小直径之间的比值，或忽略最小直径最大直径与次小直径之间的比值，并返回所述步骤S53判断得到的比值与所述预设值之间的关系，直至得到的比值小于或等于所述预设值；

步骤S55：判定除忽略的直径所对应的边界外，其它椭圆形和圆形边界均为脂肪细胞的边界，如果没有忽略的直径，则所有直径对应的椭圆形和圆形边界均为脂肪细胞的边界。

步骤S56：所述运算单元34统计被判定为脂肪细胞边界的圆形或椭圆形边界的数量，该数量为所述样品脂肪组织单位面积中的脂肪细胞数，即所述样品的第一特征值。

请继续参考图7，所述步骤S7包括以下步骤：

步骤S71：所述神经网络单元52的输入层A接收所述第一、第二特征值；

步骤S72：在所述隐层B将所述第一、第二特征值代入所述预设的运算法则中进行融合运算，以得到一实际输出值；

步骤S73：找到与接收的第一、第二特征值最接近的训练样本，并运算对应该训练样本的期望输出值和所述实际输出值之间的误差值；

步骤S74：判断所述实际输出值与所述期望输出值之间的误差值是否在一允许的误差范围内，如果所述实际输出值与所述期望输出值之间的误差值在所述允许的误差范围内，则执行步骤S75，否则，执行步骤S76；

步骤S75：由所述输出层C输出所述实际输出值；以及

步骤S76：改变所述预设运算法则的权值，并返回步骤S71重新根据所述第一、第二特征值计算实际输出值，直至计算得到的实际输出值与所述期望输出值之间的误差值在所述允许的误差范围内，再执行所述步骤S75。

所述肉类质量检测系统及方法通过采集所述样品的脂肪组织图像并对图像进行处理并从所述图像中检测脂肪细胞边界，通过统计单位面积中的脂肪细胞边界的数量得到样品脂肪组织单位面积中的脂肪细胞数，作为分析待检测肉的质量的第一特征值，且通过解析所述样品的近红外光谱以获取所述肉类样品的结构组成数据作为分析待检测肉质量的第二特征值，最后对所述第一、第二特征值进行数据融合处理来输出表征待检测肉质量的数据，可快速、准确检测肉类质量，且检测结构和过程简单，另外，经实验，证明采用所述肉类质量检测系统及方法对肉类质量的检测结果符合国家TVB-N(总挥发性盐基氮)标准。

Claims (8)

1.一种肉类质量检测系统，所述肉类质量检测系统包括：

一图像采集模块，采集一肉类样品的脂肪组织图像；

一图像处理模块，提取所述脂肪组织图像中圆形或椭圆形边界以获取一目标图像；

一脂肪细胞数测量模块，判定在所述目标图像单位面积中提取的圆形或椭圆形边界是否为脂肪细胞的边界，并统计被判定为脂肪细胞的边界的圆形或椭圆形边界的数量，该数量为所述肉类样品脂肪组织单位面积中的脂肪细胞数；

一光谱分析模块，解析所述肉类样品的近红外光谱以获取所述肉类样品的结构组成数据，所述光谱分析模块包括一照射所述肉类样品的近红外光源及一解析所述肉类样品近红外光谱的检测单元，所述近红外光源通过两束不同波长的近红外光照射所述肉类样品，所述检测单元采集所述肉类样品在所述两不同波长下的光谱，并通过计算所述肉类样品对所述两不同波长的近红外光的吸收度差来分析所述肉类样品的结构组成数据；及

一数据融合处理模块，对所述肉类样品脂肪组织单位面积中的脂肪细胞数和所述肉类样品的结构组成数据进行融合处理以得到一实际输出值，所述实际输出值表征所述肉类样品的质量。

2.如权利要求1所述的肉类质量检测系统，其特征在于，所述图像处理模块包括：

一图像转换单元，用于将所述脂肪组织图像由RGB模型转换为由色相值、色饱和度值和亮度值来描述图像的HSI模型；

一图像增强单元，用于增强所述HSI模型的脂肪组织图像的对比度；及

一边界提取单元，用于提取增强对比度之后的所述HSI模型的脂肪组织图像中的圆形或椭圆形边界，以得到所述目标图像。

3.如权利要求2所述的肉类质量检测系统，其特征在于，所述脂肪细胞数测量模块包括：

一直径测量单元，测量目标图像单位面积中的椭圆形和圆形边界的直径，其中椭圆形边界的直径包括其长轴直径和短轴直径；

一运算单元，将测量的直径按照大小顺序排列，并计算最大直径与最小直径之间的比值；及

一判断单元，根据计算所得的比值和一预设值之间的大小关系判定所述目标图像单位面积中作为脂肪细胞边界的圆形或椭圆形边界。

4.如权利要求1所述的肉类质量检测系统，其特征在于，所述光谱分析模块还包括一照射所述肉类样品的中红外光源，所述检测单元通过解析所述肉类样品的中红外光谱得到所述肉类样品的各组成成分的含量数据，所述数据融合处理模块对所述特征值提取模块获取的比值、所述红外光谱分析模块获取的肉类样品的结构组成数据和各组成成分的含量数据进行融合处理以得到所述实际输出值。

5.一种肉类质量检测方法，包括以下步骤：

采集步骤：采集一肉类样品的脂肪组织图像；

边界提取步骤：提取所述脂肪组织图像中圆形或椭圆形边界以获取一目标图像；

脂肪细胞数测量步骤：判定在所述目标图像单位面积中作为脂肪细胞的边界的圆形或椭圆形边界，并统计被判定为脂肪细胞的边界的圆形或椭圆形边界的数量，该数量为所述肉类样品脂肪组织单位面积中的脂肪细胞数；

光谱分析步骤：通过解析所述肉类样品的近红外光谱来获取所述肉类样品的结构组成数据，所述光谱分析步骤通过计算所述肉类样品对两不同波长的近红外光的吸光度差来分析所述肉类样品的结构组成数据；以及

数据融合步骤：将所述肉类样品脂肪组织单位面积中的脂肪细胞数以及所述肉类样品的结构组成数据代入一预设的运算法则中进行融合运算，以输出一实际输出值，所述实际输出值用以表征所述肉类样品的质量。

6.如权利要求5所述的肉类质量检测方法，其特征在于，所述边界提取步骤包括：

将所述脂肪组织图像由RGB模型转换为由色相值、色饱和度值、亮度值来描述图像的HSI模型；

利用直方图均衡变换法对所述HSI模型的脂肪组织图像进行增强图像对比度的处理；

通过拉普拉斯算子增强所述HSI模型的脂肪组织图像中的边界；

通过霍夫变换法提取所述HSI模型的脂肪组织图像中的圆形或椭圆形边界；及

对所提取的圆形或椭圆形边界进行自动分割以获得所述目标图像。

7.如权利要求5所述的肉类质量检测方法，其特征在于，所述脂肪细胞数测量步骤包括；

测量所述目标图像单位面积中的椭圆形和圆形边界的直径，其中椭圆形边界的直径包括其长轴直径和短轴直径；

将测得的直径按照大小顺序排列，并计算最大直径与最小直径之间的比值；

判断计算所得的比值是否小于或等于一预设值，如果所述比值小于或等于所述预设值，则判定所述目标图像单位面积中的椭圆形和圆形边界均为脂肪细胞的边界，如果所述最大直径与最小直径之间的比值大于所述预设值，则忽略最大直径计算次大直径与最小直径之间的比值，或忽略最小直径计算最大直径与次小直径之间的比值，直至计算得到的比值小于或等于所述预设值时，判定除忽略的直径所对应的圆形或椭圆形边界外，其他圆形或椭圆形边界均为脂肪细胞的边界；及

统计被判定为脂肪细胞的边界的圆形或椭圆形边界的数量，该数量等于所述样品脂肪组织单位面积中的脂肪细胞数。

8.如权利要求5所述的肉类质量检测方法，其特征在于，所述数据融合步骤包括：

通过一网络神经单元的输入层接收所述脂肪细胞数以及所述肉类样品的结构组成数据；

将所述脂肪细胞数以及所述肉类样品的结构组成数据代入一预设的运算法则中进行融合运算，以得到一实际输出值；

找到与接收的数据最接近的训练样本，并运算对应该训练样本的期望输出值和所述实际输出值之间的误差值，所述训练样本包括一脂肪细胞数量数据和对应的样品结构组成数据，各期望输出值是将对应的训练样本中的数据代入所述预设运算法则中计算出的值，代表不同样本的质量；

判断所述实际输出值与所述期望输出值之间的误差值是否在一允许的误差范围内；

如果所述实际输出值与所述期望输出值之间的误差值在所述允许的误差范围内，由所述神经网络单元的一输出层输出所述实际输出值；以及

如果所述实际输出值与所述期望输出值之间的误差值不在所述允许的误差范围内，改变所述预设运算法则的权值，并重新将所述脂肪细胞数及所述肉类样品的结构组成数据代入所述预设的运算法则中进行融合运算，直至计算得到的实际输出值与所述期望输出值之间的误差值在所述允许的误差范围内，再由所述输出层输出符合条件的实际输出值。

Images