CN109472798A

CN109472798A - 生猪脂肪含量检测模型训练方法及生猪脂肪含量检测方法

Info

Publication number: CN109472798A
Application number: CN201811504063.5A
Authority: CN
Inventors: 陈虹伶; 张建勋; 朱佳宝
Original assignee: Chongqing University of Technology
Current assignee: Chongqing University of Technology
Priority date: 2018-12-10
Filing date: 2018-12-10
Publication date: 2019-03-15

Abstract

本发明公开了一种生猪脂肪含量检测模型训练方法以及使用这种生猪脂肪含量检测模型的生猪脂肪含量检测方法。本发明采用卷积神经网络构建生猪脂肪含量检测模型，相对于传统算法，本发明可以从大数据中自动学习特征的表示，其可以包含成千上万的参数，模型的泛化能力和鲁棒性更好。采用这种生猪脂肪含量检测模型进行生猪的脂肪含量检测，可以实现对目标生猪的无损检测，并且，检测精度更高。

Description

生猪脂肪含量检测模型训练方法及生猪脂肪含量检测方法

技术领域

本发明涉及动物活体检验技术领域，具体涉及生猪脂肪含量检测模型训练方法及生猪脂肪含量检测方法。

背景技术

猪肉因其纤维细软、结缔组织较少等原因，一直以来是人们最主要的肉类选择，2017年全球猪肉产量为11103.4万吨，较2015年的10996.9万吨增长0.97%。而随着人们生活水平的不断提高，消费者对肉质的要求也不断提高。猪肉不仅要健康，而且还要有营养。决定猪肉品质的因素有很多，主要包括遗传、环境等，但其中对于评价整头猪的营养价值最准确的标准还是猪眼肌区域（俗称里脊肉）脂肪含量的高低情况。而评价其脂肪含量高低情况的两个关键指标又是其猪眼肌面积和背膘厚度，猪眼肌面积指猪最后肋骨处背最长肌横截面的面积，背膘厚度是皮肤到背最长肌的外筋膜的距离。猪背膘厚和眼肌面积与猪瘦肉率直接相关，在猪眼肌区域的质量检测和评价上作为两项重要的指标参数深受重视，其精确测定具有重要意义。猪眼肌脂肪含量的检测判断也就成为判断猪肉营养价值的一个十分重要的指标，也成为了研究人员的研究重点。

以往对于检测猪肉脂肪含量的方法通常有以下三类：第一类是感官检测法，通俗讲就是检测人员根据自己的实践经验来判断猪肉的质量。但缺点是容易受到主观因素的影响，效率低、精度不高，从而很大范围限制了该种检测方法的应用。第二类是理化检测法，最经典的一种方法为索氏提取法，其主要原理是利用脂溶剂抽提。这种方法能够比较客观准确的检测出与猪肉脂肪相关的参数指标，精度也比较高。但是缺点就是必须屠宰生猪、进行抽样检测，对检测对象具有很大破坏性。第三类是计算机视觉测定方法，例如超声波检测法。国外研究人员研究了利用超声波图像来活体预测特定品种的猪和牛的肌内脂肪含量，其研究结果显示,超声波检测方法最大的优点就是不破坏检测目标的前提下获得相应的参数指标。但由于该技术的局限性，其方法对于不同猪种的鲁棒性不够。现有技术中，有研究人员利用灰度共生矩阵算法对猪眼肌B超图像提取纹理特征量，再将提取的特征向量作为输入数据，用多项式核函数和RBF核函数以及相应的参数组合设计了支持向量机分类器，从而得到猪眼肌脂肪含量检测的分类结果。在传统的机器学习算法中，通常将图像特征与分类或回归是分开来的，而且特征的提取规则往往是由人工设定的。实际应用中，当数据量过大且数据较复杂时，这种方式提取到的特征往往并不具有代表性，无法表示不同类别数据间的独特性，因此也就限制了识别精度。

因此，如何提高生猪脂肪含量检测的精度，成为了本领域技术人员急需解决的问题。

发明内容

针对现有技术中存在的上述不足，本发明实际要解决的问题是：如何提高生猪脂肪含量检测的精度。

为解决上述技术问题，本发明采用了如下的技术方案：

生猪脂肪含量检测模型训练方法，包括如下步骤：

S1、获取生猪眼肌区域B超图像集以及所述B超图像集对应的眼肌区域脂肪含量信息，执行S2；

S2、对所述B超图像集进行预处理，获得训练样本集和测试样本集，执行S3；

S3、将训练样本集作为卷积神经网络的输入，将训练样本集对应的眼肌区域脂肪含量信息作为卷积神经网络的输出，对所述卷积神经网络进行训练，执行S4；

S4、采用测试样本集对训练后的卷积神经网络进行测试，若所述卷积神经网络的准确率大于或等于预设准确率阈值，则将所述卷积神经网络作为生猪脂肪含量检测模型，完成训练，否则，执行S3。

优选地，S2包括如下步骤：

S201、分别从B超图像集的每张B超图像中截取脂肪区域图像及肌肉区域图像，将脂肪区域图像及肌肉区域图像作为对应的B超图像的待测图像；

S202、将预设比例的待测图像作为训练样本集，将其他的待测图像作为测试样本集。

优选地，S201中：

将B超图像的下半部分区域去除，剩余部分左右两侧分别去除第一预设宽度的区域，剩余区域作为脂肪区域图像；

将B超图像的下半部分区域去除，剩余部分左右两侧分别去除第二预设宽度的区域，剩余部分由上至下去除预设高度的区域，剩余区域作为肌肉区域图像。

优选地，S2中，S201之前还包括：

S2001、对B超图像集中的B超图像进行图像变换处理，获得新的B朝图像；

S2002、将所述新的B超图像加入B超图像集，增加B超图像集中B超图像的数量。

优选地，S2001中对B超图像的变换处理包括将B超图像旋转预设角度、将B超图像左右翻转及将B超图像左右两侧分别去除第三预设宽度的区域中任意一种或多种方法。

优选地，采用图形处理器进行生猪脂肪含量检测模型的训练。

生猪脂肪含量检测方法，包括如下步骤：

获取待测生猪的眼肌区域B超图像；

基于待测生猪的眼肌区域B超图像获取待测样本；

将待测样本输入上述方法训练得到的生猪脂肪含量检测模型，由所述生猪脂肪含量检测模型输出得到待测生猪的脂肪含量信息。

优选地，采用图形处理器进行待测生猪的脂肪含量检测。

优选地，所述基于待测生猪的眼肌区域B超图像获取待测样本包括：

从待测生猪的眼肌区域B超图像中截取脂肪区域图像及肌肉区域图像作为待测样本。

优选地，将B超图像的下半部分区域去除，剩余部分左右两侧分别去除第一预设宽度的区域，剩余区域作为脂肪区域图像；

附图说明

图1为本发明公开的一种生猪脂肪含量检测模型训练方法的流程图；

图2为生猪的背膘厚度的示意图；

图3为生猪的眼肌面积的示意图。

具体实施方式

下面结合附图对本发明作进一步的详细说明。

如图1所示，本发明公开了一种生猪脂肪含量检测模型训练方法，包括如下步骤：

本发明可采用兽用全数字B超仪采集生猪眼肌区域B超图像集。

首先用B超仪对准生猪的背部，多次获取眼肌区域的候选B超图像，筛选出图像清晰较好的作为最终保存的B超图像；然后对该头生猪进行屠宰，并对背部猪眼肌区域肉质进行理化的检测以及相关的测量，并记录检测数据得到眼肌区域脂肪含量信息。理化的检测以及相关的测量可参考《基于B超图像的生猪脂肪含量检测研究》（李涛. 重庆理工大学,2013）。

本发明可采用生猪脂肪含量检测模型，得到生猪的背膘厚度和眼肌面积，从而通过现有的计算公式得到生猪脂肪含量，此外，还可以直接通过生猪脂肪含量检测模型得到生猪的脂肪含量。卷积神经网络是模仿视觉神经中单细胞和复杂细胞的视觉信息处理过程，包含卷积层、激励层、池化层和全连接层等多层神经网络。它不需要任何精确的数学表达式来表达输入和输出，只需要大量的数据集来学习输入与输出之间的映射关系。第一层一般是卷积层，本发明具体实施时可设计一个二维卷积层Conv2D对二维输入进行滑动窗卷积，其中预测猪眼肌面积时可设置输入形状参数为112*249*3，预测背膘厚度时可设置输入形状参数大小为127*249*3。设置B超图片为3通道，卷积核的数目为32，卷积核的大小为3*3。设计一个二维池化层MaxPooling2D，其中池化核的参数大小为2*2。Activation激活层对一个层的输出施加激活函数。为了从卷积层过渡到全连接层，加入Flatten层来将输入“压平”，即把多维的输入一维化。为了防止过拟合，加入Dropout，在训练过程中每次更新参数时可以随机断开0.5的输入神经元连接。经过发明人研究发现，5层的卷积神经网络的损失函数最小，效果最好。表1为具体实施时的一种网络模型结构超参数表。

表1 网络模型结构超参数表

序号

层名字

核大小

步长

卷积核数量

特征图数量

全连接层神经元数量

1

卷积层1

3*3

1

32

/

2

池化层1

2*2

2

/

3

卷积层2

3*3

1

64

32

/

4

池化层2

2*2

2

/

5

卷积层3

3*3

1

64

/

6

池化层3

2*2

2

/

7

卷积层4

3*3

1

64

/

8

池化层4

2*2

2

/

9

卷积层5

3*3

1

64

/

10

池化层5

2*2

2

/

11

全连接层6

/

128

12

全连接层7

/

128

13

输出层

/

1

学习率优选为0.01,损失函数优选log-cosh损失函数。

本发明采用卷积神经网络构建生猪脂肪含量检测模型，相对于传统算法，本发明可以从大数据中自动学习特征的表示，其可以包含成千上万的参数，模型的泛化能力和鲁棒性更好。采用这种生猪脂肪含量检测模型进行生猪的脂肪含量检测，可以实现对目标生猪的无损检测，并且，检测精度更高。

具体实施时，S2包括如下步骤：

可将70%的待测图像作为训练样本集，其他30%的待测图像作为测试样本集。

具体实施时，S201中：

以获取的B超图像形状为245*309为例，因根据大量B超图像可以归纳出眼肌区域都在图片上部分，为了提高准确性，故对获取的数据进行预处理。如图2所示，由于活体背膘厚测量起止点位于B超影像中亮白弧线中间点的纵线上，起点为影像中最上端亮白弧线顶部的上缘（通常为弧线的中间），止点为眼肌上缘筋膜层形成的白色亮带中间点。本发明对活体背膘厚测量时将图片高截取1/2，宽左截取30pt,右截取30pt。将图片重新统一设置大小为127*249。

如图3所示，活体眼肌面积测量起止点位于影像中眼肌筋膜层形成的，近似椭圆形的亮白弧线上，此亮白弧线上的任意一点均可作为起点，止点应与起点完全重合。由于对眼肌面积测量时不用考虑最上端到眼肌边缘距离，将图片高的顶部截取15pt，底截取1/2，宽左截取30pt,右截取30pt。将图片重新统一设置大小为112*249。

具体实施时，S2中，S201之前还包括：

由于深度学习具备需要大数据学习的特征，所以我们对数据集进行增强，本文利用图像旋转10°，左右裁剪30pt，左右翻转等方法将135组生猪眼肌B超图像增加到4050张，对应以其眼肌面积与背膘厚度作为标签。

具体实施时，S2001中对B超图像的变换处理包括将B超图像旋转预设角度、将B超图像左右翻转及将B超图像左右两侧分别去除第三预设宽度的区域中任意一种或多种方法。

由于卷积神经网络的深度学习具备需要大数据学习的特征，为了节省数据收集的时间和成本，本发明可利用图像旋转10°，左右裁剪30pt，增加B超图像数量。

具体实施时，采用图形处理器进行生猪脂肪含量检测模型的训练。

GPU（图像处理器）在大规模并发计算中越来越突出，应用范围逐渐变得广泛，所以成为近年来的热点话题之一。因为CPU的内部结构异常复杂，而GPU面对的则是类型高度统一的、相互无依赖的大规模数据和不需要被打断的纯净的计算环境。在计算速度方面 GPU已经远远走在了 CPU的前面,并且 GPU的价格也相对低廉 ,使得运用 GPU进行科学运算具有很高的性价比。同时在大数据中可以利用SLI技术使用多个显卡同时进行科学运算 ,计算能力得到成倍提高。因此，本发明可以采用GPU进行生猪脂肪含量检测模型的训练，从而提高训练效率。

本发明还公开了一种生猪脂肪含量检测方法，包括如下步骤：

获取待测生猪的眼肌区域B超图像；

基于待测生猪的眼肌区域B超图像获取待测样本；

本发明可采用生猪脂肪含量检测模型，得到生猪的背膘厚度和眼肌面积，从而通过现有的计算公式得到生猪脂肪含量，此外，还可以直接通过生猪脂肪含量检测模型得到生猪的脂肪含量。若采用生猪脂肪含量检测模型，得到生猪的背膘厚度和眼肌面积，则本发明的生猪脂肪含量检测方法中，待测生猪的脂肪含量信息为待测生猪的背膘厚度和眼肌面积，则还可包括基于待测生猪的背膘厚度和眼肌面积计算待测生猪的脂肪含量的步骤。

采用这种生猪脂肪含量检测模型进行生猪的脂肪含量检测，可以实现对目标生猪的无损检测，并且，检测精度更高。

具体实施时，采用图形处理器进行待测生猪的脂肪含量检测。

GPU（图像处理器）在大规模并发计算中越来越突出，应用范围逐渐变得广泛，所以成为近年来的热点话题之一。因为CPU的内部结构异常复杂，而GPU面对的则是类型高度统一的、相互无依赖的大规模数据和不需要被打断的纯净的计算环境。在计算速度方面 GPU已经远远走在了 CPU的前面,并且 GPU的价格也相对低廉 ,使得运用 GPU进行科学运算具有很高的性价比。同时在大数据中可以利用SLI技术使用多个显卡同时进行科学运算 ,计算能力得到成倍提高。因此，本发明可以采用GPU进行生猪脂肪含量的检测，从而提高检测效率。

具体实施时，所述基于待测生猪的眼肌区域B超图像获取待测样本包括：

具体实施时，将B超图像的下半部分区域去除，剩余部分左右两侧分别去除第一预设宽度的区域，剩余区域作为脂肪区域图像；

将本发明中的生猪脂肪含量检测模型与现有技术中的方法进行比较，包括支持向量机算法设计的实验模型和BP神经网络算法实验模型。为了公平比较，本发明在相同的输入标记下测试生猪脂肪含量检测模型、支持向量机算法设计的实验模型和BP神经网络算法实验模型。实验数据一共获得135组猪眼肌B超图像以及对应的已检测脂肪含量数据。经过数据增广为4050组，随机将其中3000组用于训练，剩余1050组用于测试。这里，BP神经网络算法实验模型将输入节点数设计为12个，输出节点设计为3个，将输出层的每一个结点的输出值设为0或1，将训练数据集分为脂肪含量过低、脂肪含量合适、脂肪含量过高三类，隐含层设计为1层，层内的结点数确定为25个，正确识别率可达到60%。支持向量机算法设计的实验模型将训练数据集分为脂肪含量过低、脂肪含量合适、脂肪含量过高三类，每两类样本设计一个SVM进行训练，每两个分类设计一个SVM进行训练，将两类分别记为1和-1，正确识别率可达到89%。而生猪脂肪含量检测模型采用5层卷积层、5层池化层和两层全连接层，为了提高生猪脂肪含量检测模型对猪眼肌B超图像脂肪含量检测分类的准确率，在实验中本发明设定生猪脂肪含量检测模型的学习速率为0.01，损失函数为Log-cosh，batch-size取32。在实验中本发明用3000组训练样本数据集对网络进行反复训练，经过训练后网络达到稳定，正确识别率可达到95%。三种实验模型的识别率见表2：

表2 BP神经网络、SVM与CNN识别率比较

序号	网络名	识别率
			1	BP	60%
2	SVM	89%
			3	卷积神经网络	95%

本发明实验硬件平台为Intel(R)core(TM)i5-6400 CPU E7500 @ 2.70GHz 2.71GHz、存为8.00GB、操作系统为Windows 10、64位。因为训练数据比较大，花费时间较长。为提高数据处理能力，本发明在后来的实验中应用了GPU加速器，采用的GPU为NVIDIA GEFORCE GTX1080、内存为8.00GB、GPU的核心频率为1607/1733 MHz。二者的实验情况比较见表3：

表3 CNN模型在CPU与GPU下的时间比较

序号	训练集数据	测试集数据量	迭代次数	名称	时间/s
						1	2000	857	40	CPU	8748
2	2000	857	40	GPU	1836
						3	3000	1050	40	CPU	11232
4	3000	1050	40	GPU	2808

上述仅是本发明优选的实施方式，需指出是，对于本领域技术人员在不脱离本技术方案的前提下，还可以作出若干变形和改进，上述变形和改进的技术方案应同样视为落入本发明要求保护的范围。

Claims

1.生猪脂肪含量检测模型训练方法，其特征在于，包括如下步骤：

2.如权利要求1所述的生猪脂肪含量检测模型训练方法，其特征在于，S2包括如下步骤：

3.如权利要求2所述的生猪脂肪含量检测模型训练方法，其特征在于，S201中：

4.如权利要求2所述的生猪脂肪含量检测模型训练方法，其特征在于，S2中，S201之前还包括：

5.如权利要求4所述的生猪脂肪含量检测模型训练方法，其特征在于，S2001中对B超图像的变换处理包括将B超图像旋转预设角度、将B超图像左右翻转及将B超图像左右两侧分别去除第三预设宽度的区域中任意一种或多种方法。

6.如权利要求1所述的生猪脂肪含量检测模型训练方法，其特征在于，采用图形处理器进行生猪脂肪含量检测模型的训练。

7.生猪脂肪含量检测方法，其特征在于，包括如下步骤：

获取待测生猪的眼肌区域B超图像；

基于待测生猪的眼肌区域B超图像获取待测样本；

将待测样本输入权利要求1-6任一项所述方法训练得到的生猪脂肪含量检测模型，由所述生猪脂肪含量检测模型输出得到待测生猪的脂肪含量信息。

8.如权利要求7所述的生猪脂肪含量检测方法，其特征在于，采用图形处理器进行待测生猪的脂肪含量检测。

9.如权利要求7所述的生猪脂肪含量检测方法，其特征在于，所述基于待测生猪的眼肌区域B超图像获取待测样本包括：

10.如权利要求9所述的生猪脂肪含量检测方法，其特征在于，将B超图像的下半部分区域去除，剩余部分左右两侧分别去除第一预设宽度的区域，剩余区域作为脂肪区域图像；