CN110264464A - 一种肉牛肌内脂肪含量预测模型、其构建方法及应用 - Google Patents
一种肉牛肌内脂肪含量预测模型、其构建方法及应用 Download PDFInfo
- Publication number
- CN110264464A CN110264464A CN201910561448.3A CN201910561448A CN110264464A CN 110264464 A CN110264464 A CN 110264464A CN 201910561448 A CN201910561448 A CN 201910561448A CN 110264464 A CN110264464 A CN 110264464A
- Authority
- CN
- China
- Prior art keywords
- beef cattle
- fat content
- intramuscular fat
- image
- prediction model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 235000015278 beef Nutrition 0.000 title claims abstract description 79
- 241000283690 Bos taurus Species 0.000 title claims abstract description 78
- 238000007918 intramuscular administration Methods 0.000 title claims abstract description 63
- 238000010276 construction Methods 0.000 title claims abstract description 17
- 210000003205 muscle Anatomy 0.000 claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000002604 ultrasonography Methods 0.000 claims abstract description 26
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 238000005259 measurement Methods 0.000 claims abstract description 18
- 238000009395 breeding Methods 0.000 claims abstract description 5
- 230000001488 breeding effect Effects 0.000 claims abstract description 5
- 238000010191 image analysis Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims description 9
- 210000000038 chest Anatomy 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 238000000611 regression analysis Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 abstract description 3
- 230000007812 deficiency Effects 0.000 abstract description 2
- 238000010561 standard procedure Methods 0.000 abstract description 2
- 230000001737 promoting effect Effects 0.000 abstract 1
- 239000000523 sample Substances 0.000 description 17
- RTZKZFJDLAIYFH-UHFFFAOYSA-N Diethyl ether Chemical compound CCOCC RTZKZFJDLAIYFH-UHFFFAOYSA-N 0.000 description 13
- 235000013372 meat Nutrition 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 239000003208 petroleum Substances 0.000 description 5
- 241001465754 Metazoa Species 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 239000007822 coupling agent Substances 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 102100021411 C-terminal-binding protein 2 Human genes 0.000 description 2
- 101000894375 Homo sapiens C-terminal-binding protein 2 Proteins 0.000 description 2
- 244000309466 calf Species 0.000 description 2
- 239000003153 chemical reaction reagent Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000005337 ground glass Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 1
- 235000017491 Bambusa tulda Nutrition 0.000 description 1
- 241001330002 Bambuseae Species 0.000 description 1
- 229920000742 Cotton Polymers 0.000 description 1
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 1
- 238000000944 Soxhlet extraction Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 239000011425 bamboo Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009835 boiling Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 239000002274 desiccant Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000005183 dynamical system Methods 0.000 description 1
- 238000005485 electric heating Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000012149 noodles Nutrition 0.000 description 1
- 238000013386 optimize process Methods 0.000 description 1
- 235000019629 palatability Nutrition 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 210000002027 skeletal muscle Anatomy 0.000 description 1
- 238000003307 slaughter Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000002137 ultrasound extraction Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- G06T5/90—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20004—Adaptive image processing
Abstract
本公开属于肉牛肌内脂肪含量检测领域,具体涉及一种肉牛肌内脂肪含量预测模型、其构建方法及应用。随着消费者对于牛肉质量的追求在提升,肌内脂肪成为牛肉和肉牛选育的重要指标。现有技术中相关研究表明,超声活体成像应用于肉牛肌内脂肪测定具有可行性。但是目前相关检测技术的准确性较低,样本数量少,代表性较差。针对该技术缺陷,本公开提供了一种用于肉牛肌内脂肪含量检测的预测模型建立方法。通过超声采集眼肌部位横截面图像,通过图像分析获取脂肪肌肉比例与国标方法检测该部位的肌内脂肪含量值建立回归模型,经优化,该方法建立的模型具有良好的检测准确性,应用于肉牛选育工作,具有良好的应用意义。
Description
技术领域
本公开属于肉牛肌内脂肪含量检测领域,具体涉及一种通过超声波活体测定肉牛肌内脂肪含量的预测模型构建方法以及该模型在肉牛选育方面的应用。
背景技术
公开该背景技术部分的信息仅仅旨在增加对本公开的总体背景的理解,而不必然被视为承认或以任何形式暗示该信息构成已经成为本领域一般技术人员所公知的现有技术。
近些年来,随着消费者生活质量的提高,对于牛肉的口感和质量也有更高的要求。嫩度是影响感官质量最重要的品质特征之一,主要由肌内脂肪的含量决定。肌内脂肪是肉类适口性的主要决定因素之一。 Nogalski,Z等人(2017)认为,肌内脂肪描述了骨骼肌的脂肪含量,并且是以大理石花纹的形式出现在了牛肉之中。随着大理石花纹丰富度的提高,牛肉的剪切力会随之降低,相对的嫩度就会有所提升。大理石花纹的密集程度-丰富度可以反映出牛肉肌内脂肪的多少,不少的研究者认为,活体估测肉牛胴体大理石的花纹级别可以实现良好的检测精度,通过实时超声波技术获取在活体肉牛肌肉纹理的清晰图像,通过软件对图像进行分析,可以快速对肉牛的大理石花纹做出评估甚至可以进行等级划分(李静和郭雪峰2010)。
Hassen等人(2001)利用超声波技术在犊牛活体上进行了肌内脂肪测定。Aass等人(2006)用180头肉牛利用超声波技术对其背最长肌肌内脂肪进行检测测量,并与其中145头肉牛用化学检测方法检测出来的肌内脂肪含量进行对比分析,发现相关系数达到0.67。赵庆明等人(2005)对138头肉牛进行试验,对比了活体测定分析和实际屠宰后的测定,发现:牛第12至第13肋骨之间的眼肌面积与其胴体脂肪含量呈高度正相关,达到0.9683。
发明人认为,上述研究成果证实了通过超声活体成像对肉牛肌肉脂肪含量进行检测具有可行性。魏成斌等人(2010)认为,对肉牛进行超声波测定活体测定,得到的结果可以作为优质肉牛选育改良的重要依据,可以直接对肌内脂肪含量、眼肌面积、背膘厚度、大理石花纹级别等重要经济性状进行客观的测量,也为适时屠宰提供了重要的客观判断依据。然而,此项技术的短板在于准确性均不是很高,选用肉牛样本头数较少,而且研究时的设备不够先进,并且都没有单独的一种、针对肉牛活体肌内脂肪含量这一经济性状进行精准测定的方法。
发明内容
针对上述研究背景,发明人认为建立一套肉牛活体肌内脂肪含量的精准预测模型可以在肉牛培养的早期,通过精确的活体肌内脂肪含量测定技术选择出表现良好的小牛,根据其需要进行精细化饲养,不断地对牛群进行改良,从而获得可生产高档牛肉的肉牛品种。因此,建立精准预测的模型对于肉牛培育工作具有重要的意义。
本公开利用超声波技术对肉牛的眼肌进行图像提取,对图像进行处理后,建立模型。并通过国标GB5009.6—2016(索氏抽提)方法测定相应部位的脂肪含量,对上述模型进行校正,最后得到较准确的估测方法,研发出一种肉牛活体肌内脂肪含量的精准测定技术。通过该预测模型的建立,本领域技术人员只需要对活体肉牛进行超声扫描,获取待测部位的超声图像,即可对待测个体的肌肉脂肪含量进行检测,操作方便,准确度高。
为了实现上述技术方案,本公开提供以下技术方案:
本公开第一方面,提供一种肉牛肌内脂肪含量预测模型的构建方法,所述模型构建方法如下:对肉牛眼肌部分进行图像采集,通过图像分析对图像内容进行提取,获取图像特征参数;对超声部位的肌内脂肪含量进行检测获取肌内脂肪含量测定值;通过回归分析建立图像特征参数与肌内脂肪含量的回归模型。
优选的,所述模型构建方法还包括以下步骤:通过扩充肉牛眼肌样本数量从而对模型进行优化。
进一步优选的,所述模型构建方法还包括采集不同牛群的眼肌样本对所建立的回归模型进行验证和优化;
所述优化方法为:增加其他肉牛群体B超采集12-13肋骨眼肌图像及肌内脂肪含量样本数量从而对模型进行验证优化。
优选的,所述图像采集:通过超声采集待测肉牛第12至13肋骨位置的眼肌截面超声波图像。
优选的,所述图像分析包括获取图像中的眼肌区域,对该区域进行模糊增强处理,通过图像二值化法获取该区域内的脂肪像素面积与眼肌区域的面积之比,即图像特征参数。
进一步优选的,所述获取图像中的眼肌区域,利用在B超图像所标记的眼肌轮廓与B超图像的颜色差异,基于颜色阈值分割的方式进行眼肌区域的提取,即自适应阈值分割方法。
进一步优选的,所述模糊增强,针对B超图像中肌肉与脂肪区域对比度不强的问题,通过颜色空间转换,在HSI颜色空间中计算其亮度分量的隶属度函数,实现脂肪区域亮度区域的模糊集增强。
进一步优选的,所述基于灰度直方图的肌内脂肪分割方法,利用增强后脂肪与肌肉在灰度上的差异,利用自适应阈值分割方法,实现肌肉与脂肪区域的自适应分割,通过计算该区域脂肪区域像素点面积与眼肌像素面积之比的方式实现肌内脂肪含量的测定,即图像特征参数。
优选的,所述肌内脂肪含量测定值的获取方式如下:将待测个体宰杀后,获取超声部位,采用国标GB5009.6—2016方法,抽取肌内脂肪,对肌内脂肪含量进行精准测定。
本公开第二方面,提供第一方面所述肉牛肌内脂肪含量预测模型建立方法得到的预测模型。
本公开第三方面,还进一步提供了基于第二方面所述预测模型的肉牛肌内脂肪含量测算方法,包括:按照上述方法获取待测肉牛的图像特征参数,并利用上述回归模型获得肉牛肌内脂肪含量的步骤。
本公开第四方面,提供了一种肉牛肌内脂肪含量测算方法,包括:
1)获取肉牛第12至13肋骨位置的眼肌截面超声波图像;
2)基于阈值分割的待测区域提取;
3)基于模糊理论对图像增强处理:
4)基于灰度直方图进行肌内脂肪分割处理;
5)肌内脂肪含量计算。
具体的,步骤1)中获得图像的方法为:将超声探头与肉牛背最长肌相垂直放置进行测量,位于背最长肌12至13肋骨,脊柱下侧 5cm处,探头和待测量区域处均涂抹耦合剂,调整以得到清晰的图像。
具体的,步骤2)中基于Metalab分析,提取设定封闭曲线区域内的眼肌区域,在获得该区域之后,对其余区域置零。
具体的,步骤3)中对图像进行模糊增强处理,扩大脂肪区域与肌肉区域的灰度差。
具体的,步骤4)中利用Otsu方法进行脂肪区域的分割。
具体的,步骤5)中利用所获取的脂肪像素面积与眼肌区域的面积之比,获得最终的脂肪比例。
本公开第五方面,提供一种肉牛肌内脂肪含量测算系统,其包含执行上述方法的计算机程序单元。
本公开第六方面,提供第二方面所述肉牛肌内脂肪含量预测模型在肉牛选育方面的应用。
与现有技术相比,本公开的有益效果是:
本公开提供了一种肉牛肌内脂肪预测模型的建立方法,通过超声提取肉牛眼肌部位清晰图像,通过图像处理获取特征参数与国标方法检测的肌内脂肪含量值建立回归模型。并且本公开提供的建模方法还包括通过肌内脂肪含量值进行校正及不同牛群进行优化的过程,有利于得到精确程度更高的检测模型,提高检测技术的准确性。
依靠该检测技术在活体情况下即可准确的预测肉牛的肌内脂肪含量,在牛群均匀度较好的情况下可以准确的挑选出性状优良的肉牛进行选择,在商业的选择中可以将损失降到最小。对于性状指标达不到平均水平的肉牛,可以在合适的时候进行剔除,保证收益最大化。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1为实施例1中所述图像处理的基本思路;
图2为实施例1中所述超声波图像的截取;
图3为实施例1中超声波图像中眼肌部分的确定;
图4为实施例1中线性拟合结果图。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
正如背景技术所介绍的,超声活体成像应用于肉牛肌内脂肪测定具有可行性。但是目前相关检测技术的准确性较低,样本数量少,代表性较差。针对该技术缺陷,本公开提供了一种用于肉牛肌内脂肪含量检测的预测模型建立方法。
为了使得本领域技术人员能够更加清楚地了解本公开的技术方案,以下将结合具体的实施例与对比例详细说明本公开的技术方案。
实施例1
1.1试验材料
本实施例所用的肉牛为山东新天地黑牛集团有限公司提供黑牛3 头,山东齐鲁远航黑牛21头,均为母牛(黑牛为日本和牛和当地黄牛杂交品种);脱脂棉。
1.2仪器设备
超声波仪器为S8彩色多普勒动物超声诊断仪(DW-PF522);索氏抽提器;电热鼓风干燥箱;恒温水浴锅;分析天平:感量0.0001g;干燥器:内装有效干燥剂;滤纸筒。
1.3试验试剂
采取的肉样脂肪含量检测方法为国标GB5009.6—2016(索氏抽提法)用到的主要试剂有:石油醚(CnH2n+2):石油醚沸程为30℃~60℃,购自杨凌新三力化玻站。
2.试验方法
2.1肉牛待测部位的处理
首先将待测肉牛在尽量减少或避免应激的情况下移至保定架内,确保动物和检测人员的安全的同时方便了测量。为了获得较清晰的图像,对检测部位的毛发进行清理,剪除毛发,如果条件不允许,可以用温水先进行打湿,再用刷子或金属梳子除去杂质,以得到改善图像的效果。在超声波图像的测量中,空气是最影响图像效果的因素之一,所以对毛发进行清理后,涂抹耦合剂,以排除空气。
2.2超声图像的截取
将S8彩色多普勒动物超声诊断仪(DW-PF522,江苏,大为医疗有限公司)调为兽用(牛)的模式,将探头与肉牛背最长肌相垂直放置进行测量,位于背最长肌12至13肋骨,脊柱下侧5cm处。探头和待测量区域处均涂抹耦合剂,稍许用力按压,逐渐调整以得到清晰的图像,根据图像的具体位置进行调节,使得清晰的眼肌图像呈现在屏幕的中央,冻结图像,得到30秒的测量图像,选取最清晰的图像,测量图像的面积进行编号,以便后续工作的进行。
如图2所示,为测量30秒内所有图片中,选择的较清晰的图像进行保留。选择眼肌部分,测量出眼肌面积,用封闭曲线描边标记,以便图像处理时能够准确的识别,如图3所示。
2.3对采集的肉样进行肌内脂肪含量的测量
(1)样品处理
固体试样:称取充分混匀后的试样2g~5g,准确至0.001g,全部移入滤纸筒内。
(2)抽提
将滤纸筒放入索氏抽提器的抽提筒内,连接已干燥至恒重的接收瓶,由抽提器冷凝管上端加入无水乙醚或石油醚至瓶内容积的三分之二处,于水浴上加热,使无水乙醚或石油醚不断回流抽提(6次/h~8 次/h),一般抽提6h~10h。提取结束时,用磨砂玻璃棒接取1滴提取液,磨砂玻璃棒上无油斑表明提取完毕。
(3)称量
取下接收瓶,回收无水乙醚或石油醚,待接收瓶内溶剂剩余1 mL~2mL时在水浴上蒸干,再于100℃±5℃干燥1h,放干燥器内冷却0.5h后称量。重复以上操作直至恒重(直至两次称量的差不超过2 mg)。
(4)分析结果
试样中脂肪的含量按式(2-1)计算:
式中:
X———试样中脂肪的含量,单位为克每百克(g/100g);
m1———恒重后接收瓶和脂肪的含量,单位为克(g);
m0———接收瓶的质量,单位为克(g);
m2———试样的质量,单位为克(g);
100———换算系数。
计算结果表示到小数点后一位。
(5)精密度
在重复性条件下获得的两次独立测定结果的绝对差值不得超过算术平均值的10%。
2.4对图像的处理
(1)软件说明
MATLAB是美国MathWorks公司出品的商业数学软件,用于算法开发、数据可视化、数据分析以及数值计算的高级技术计算语言和交互式环境,主要面对科学计算、可视化以及交互式程序设计的高科技计算环境。它将数值分析、矩阵计算、科学数据可视化以及非线性动态系统的建模和仿真等诸多强大功能集成在一个易于使用的视窗环境中,为科学研究、工程设计以及必须进行有效数值计算的众多科学领域提供了一种全面的解决方案,代表了当今国际科学计算软件的先进水平。
(2)图像处理的基本思想
在前面所获得超声波图像中,已经使用特定颜色的封闭曲线获得了眼肌区域,通过数字图像处理手段,首先提取封闭曲线区域内的眼肌区域,在获得该区域之后,对其余区域置零,由于超声波图像较为模糊,对图像进行模糊增强处理,进一步扩大脂肪区域与肌肉区域的灰度差,进而利用自适应阈值方法进行脂肪区域的分割,最终利用所获取的脂肪像素面积与眼肌区域的面积之比,获得最终的脂肪比例。算法流程图如图1所示。
3试验结果
3.1肉样肌内脂肪含量测量结果
本实施例中共选取24头肉牛,均为母牛(黑牛)进行试验,对每头肉牛的眼肌肉糜进行编号,对应肉牛的眼肌部位超声波图像,经处理预测后的脂肪含量;及对应部位的肉糜脂肪含量均如表1所示。
表1肌内脂肪含量测量结果:
3.2对预测值与真实值进行线性拟合,得到的线性拟合结果
如图4所示将预测值与真实值进行线性拟合,纵坐标为真实值,横坐标为预测值,得到拟合结果:y=0.81733x+6.2102,R2=0.9048。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (10)
1.一种肉牛肌内脂肪含量预测模型的构建方法,其特征在于,所述模型构建方法如下:对肉牛眼肌部分进行B超图像采集,通过图像分析对B超图像内容进行自动提取,获取图像特征参数;对超声部位的肌内脂肪含量进行检测获取肌内脂肪含量测定值;通过回归分析建立图像特征参数与肌内脂肪含量的回归模型。
2.如权利要求1所述肉牛肌内脂肪含量预测模型的构建方法,其特征在于,所述模型构建方法还包括以下步骤:通过扩充肉牛眼肌样本数量从而对模型进行优化。
3.如权利要求2所述肉牛肌内脂肪含量预测模型的构建方法,其特征在于,所述模型构建方法还包括以下步骤:所述模型构建方法还包括采集不同牛群的眼肌样本对所建立的回归模型进行验证和优化。
4.如权利要求1所述肉牛肌内脂肪含量预测模型的构建方法,其特征在于,所述图像采集:通过超声采集待测肉牛第12至13肋骨位置的眼肌截面超声波图像。
5.如权利要求1所述肉牛肌内脂肪含量预测模型的构建方法,其特征在于,所述图像分析包括获取图像中的眼肌区域,对该区域进行模糊增强处理,通过图像二值化法获取该区域内的脂肪像素面积与眼肌区域的面积之比,即图像特征参数。
6.如权利要求5所述肉牛肌内脂肪含量预测模型的构建方法,其特征在于,所述获取图像中的眼肌区域,利用在B超图像所标记的眼肌轮廓与B超图像的颜色差异,基于颜色阈值分割的方式进行眼肌区域的提取。
7.如权利要求5所述肉牛肌内脂肪含量预测模型的构建方法,其特征在于,所述模糊增强为基于模糊集理论的图像增强,针对B超图像中肌肉与脂肪区域对比度不强的问题,通过颜色空间转换,在HSI颜色空间中计算其亮度分量的隶属度函数,实现脂肪区域亮度区域的模糊集增强。
8.如权利要求5所述肉牛肌内脂肪含量预测模型的构建方法,其特征在于,所述基于灰度直方图的肌内脂肪分割方法,利用增强后脂肪与肌肉在灰度上的差异,利用自适应阈值分割方法,实现肌肉与脂肪区域的自适应分割,通过计算该区域脂肪区域像素点面积与眼肌像素面积之比的方式实现肌内脂肪含量的测定,即图像特征参数。
9.权利要求1-8任一项所述肉牛肌内脂肪含量预测模型的构建方法得到的肉牛脂肪预测模型。
10.权利要求9所述肉牛脂肪预测模型在肉牛选育方面的应用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910561448.3A CN110264464A (zh) | 2019-06-26 | 2019-06-26 | 一种肉牛肌内脂肪含量预测模型、其构建方法及应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910561448.3A CN110264464A (zh) | 2019-06-26 | 2019-06-26 | 一种肉牛肌内脂肪含量预测模型、其构建方法及应用 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110264464A true CN110264464A (zh) | 2019-09-20 |
Family
ID=67921815
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910561448.3A Pending CN110264464A (zh) | 2019-06-26 | 2019-06-26 | 一种肉牛肌内脂肪含量预测模型、其构建方法及应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110264464A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112508890A (zh) * | 2020-11-26 | 2021-03-16 | 河南科技大学 | 一种基于二级评测模型的奶牛体脂率检测方法 |
CN113057598A (zh) * | 2021-04-20 | 2021-07-02 | 中国农业大学 | 一种面向动物活体无屠宰的肉质品质分级方法与系统 |
CN113640319A (zh) * | 2021-08-06 | 2021-11-12 | 电子科技大学 | 一种基于微波热声技术的雪花牛肉成像装置 |
CN113797121A (zh) * | 2021-09-08 | 2021-12-17 | 随昌进 | 一种动物提取物制取环保健康化妆品的方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101561402A (zh) * | 2009-05-07 | 2009-10-21 | 浙江大学 | 基于机器视觉的猪肉外观品质实时检测分级方法与装置 |
CN101706445A (zh) * | 2009-11-10 | 2010-05-12 | 吉林大学 | 牛肉大理石花纹等级评分方法及装置 |
CN103743819A (zh) * | 2013-12-31 | 2014-04-23 | 美声克(成都)科技有限公司 | 一种猪肌内脂肪含量检测方法及装置 |
CN104950091A (zh) * | 2015-06-16 | 2015-09-30 | 黄涛 | 一种快速测定杜长大三元杂交育肥猪肌内脂肪含量的方法 |
CN105701805A (zh) * | 2016-01-07 | 2016-06-22 | 中国农业大学 | 一种基于计算机视觉的猪肉肌内脂肪含量无损检测方法 |
CN107590801A (zh) * | 2017-09-08 | 2018-01-16 | 王虎峰 | 一种用于牛肉眼肌大理石花纹分割和评级的图像处理方法 |
WO2019051358A1 (en) * | 2017-09-08 | 2019-03-14 | The General Hospital Corporation | STRATIFICATION OF PATIENT RISKS ON THE BASIS OF A BODILY COMPOSITION DEDUCTED FROM AUTOMATIC LEARNING TOMODENSITOMETRY IMAGES |
CN109472798A (zh) * | 2018-12-10 | 2019-03-15 | 重庆理工大学 | 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 |
-
2019
- 2019-06-26 CN CN201910561448.3A patent/CN110264464A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101561402A (zh) * | 2009-05-07 | 2009-10-21 | 浙江大学 | 基于机器视觉的猪肉外观品质实时检测分级方法与装置 |
CN101706445A (zh) * | 2009-11-10 | 2010-05-12 | 吉林大学 | 牛肉大理石花纹等级评分方法及装置 |
CN103743819A (zh) * | 2013-12-31 | 2014-04-23 | 美声克(成都)科技有限公司 | 一种猪肌内脂肪含量检测方法及装置 |
CN104950091A (zh) * | 2015-06-16 | 2015-09-30 | 黄涛 | 一种快速测定杜长大三元杂交育肥猪肌内脂肪含量的方法 |
CN105701805A (zh) * | 2016-01-07 | 2016-06-22 | 中国农业大学 | 一种基于计算机视觉的猪肉肌内脂肪含量无损检测方法 |
CN107590801A (zh) * | 2017-09-08 | 2018-01-16 | 王虎峰 | 一种用于牛肉眼肌大理石花纹分割和评级的图像处理方法 |
WO2019051358A1 (en) * | 2017-09-08 | 2019-03-14 | The General Hospital Corporation | STRATIFICATION OF PATIENT RISKS ON THE BASIS OF A BODILY COMPOSITION DEDUCTED FROM AUTOMATIC LEARNING TOMODENSITOMETRY IMAGES |
CN109472798A (zh) * | 2018-12-10 | 2019-03-15 | 重庆理工大学 | 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 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112508890A (zh) * | 2020-11-26 | 2021-03-16 | 河南科技大学 | 一种基于二级评测模型的奶牛体脂率检测方法 |
CN112508890B (zh) * | 2020-11-26 | 2022-12-09 | 河南科技大学 | 一种基于二级评测模型的奶牛体脂率检测方法 |
CN113057598A (zh) * | 2021-04-20 | 2021-07-02 | 中国农业大学 | 一种面向动物活体无屠宰的肉质品质分级方法与系统 |
CN113057598B (zh) * | 2021-04-20 | 2022-02-11 | 中国农业大学 | 一种面向动物活体无屠宰的肉质品质分级方法与系统 |
CN113640319A (zh) * | 2021-08-06 | 2021-11-12 | 电子科技大学 | 一种基于微波热声技术的雪花牛肉成像装置 |
CN113797121A (zh) * | 2021-09-08 | 2021-12-17 | 随昌进 | 一种动物提取物制取环保健康化妆品的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110264464A (zh) | 一种肉牛肌内脂肪含量预测模型、其构建方法及应用 | |
Halachmi et al. | Cow body shape and automation of condition scoring | |
CN100387196C (zh) | 用于测量与疾病相关的组织变化的方法和系统 | |
CN109858540B (zh) | 一种基于多模态融合的医学图像识别系统及方法 | |
US6123451A (en) | Process for determining a tissue composition characteristic of an animal | |
CN107330263A (zh) | 一种计算机辅助乳腺浸润性导管癌组织学分级的方法 | |
CN109272492A (zh) | 一种细胞病理涂片的处理方法及系统 | |
CN106645605B (zh) | 基于机器视觉的禽类受精蛋检测方法 | |
CN109060143B (zh) | 基于热红外技术的种猪体温监测系统及方法 | |
CN102436551B (zh) | 基于目标跟踪的胃部切片图像处理方法 | |
CN106340000A (zh) | 骨龄评估方法 | |
Stewart et al. | Objective grading of eye muscle area, intramuscular fat and marbling in Australian beef and lamb | |
CN108151670A (zh) | 一种后背三维对称度评价装置及方法 | |
CN101292864A (zh) | 人体疾病信息手区成像的影像表达测定方法及其装置 | |
CN109712141A (zh) | 连铸钢方坯中心偏析缺陷检验量化评级方法 | |
CN111325754B (zh) | 一种基于ct序列图像的腰椎骨自动定位方法 | |
Stewart et al. | Association between visual marbling score and chemical intramuscular fat with camera marbling percentage in Australian beef carcasses | |
CN110796661A (zh) | 基于卷积神经网络的真菌显微图像分割检测方法及系统 | |
CN105232050A (zh) | 一种人体舌苔厚度的无创检测装置 | |
Kordi et al. | Reliability and validity of depth camera 3D scanning to determine thigh volume | |
CN104266612A (zh) | 一种对种猪进行活体的测定方法 | |
Felix et al. | Thricology for identifying mammal species and breeds: a review of its use in scientific research and applications in agriculture | |
CN107610196B (zh) | 双能量ct图像处理方法、装置以及图像处理设备 | |
Bozkurt et al. | Digital Image Analysis to Predict Carcass Weight and | |
KR102598065B1 (ko) | 한우 및 육우의 육량 예측 방법 및 그 시스템 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190920 |
|
RJ01 | Rejection of invention patent application after publication |