CN113057598A - 一种面向动物活体无屠宰的肉质品质分级方法与系统 - Google Patents

一种面向动物活体无屠宰的肉质品质分级方法与系统 Download PDF

Info

Publication number
CN113057598A
CN113057598A CN202110424231.5A CN202110424231A CN113057598A CN 113057598 A CN113057598 A CN 113057598A CN 202110424231 A CN202110424231 A CN 202110424231A CN 113057598 A CN113057598 A CN 113057598A
Authority
CN
China
Prior art keywords
self
value
selection coefficient
characteristic value
partition
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.)
Granted
Application number
CN202110424231.5A
Other languages
English (en)
Other versions
CN113057598B (zh
Inventor
马瑞芹
张露巍
张梦杰
张小栓
傅泽田
刘鹏飞
冯欢欢
汪学沛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Agricultural University
Original Assignee
China Agricultural University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Agricultural University filed Critical China Agricultural University
Priority to CN202110424231.5A priority Critical patent/CN113057598B/zh
Publication of CN113057598A publication Critical patent/CN113057598A/zh
Application granted granted Critical
Publication of CN113057598B publication Critical patent/CN113057598B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/45—For evaluating or diagnosing the musculoskeletal system or teeth
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
    • A61B5/0062—Arrangements for scanning
    • A61B5/0064—Body surface scanning
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
    • A61B5/0077—Devices for viewing the surface of the body, e.g. camera, magnifying lens
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
    • A61B5/0082—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence adapted for particular medical purposes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/021—Measuring pressure in heart or blood vessels
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14542—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring blood gases
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/44—Detecting, measuring or recording for evaluating the integumentary system, e.g. skin, hair or nails
    • A61B5/441—Skin evaluation, e.g. for skin disorder diagnosis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/44—Detecting, measuring or recording for evaluating the integumentary system, e.g. skin, hair or nails
    • A61B5/441—Skin evaluation, e.g. for skin disorder diagnosis
    • A61B5/444—Evaluating skin marks, e.g. mole, nevi, tumour, scar
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4869—Determining body composition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2503/00—Evaluating a particular growth phase or type of persons or animals
    • A61B2503/40—Animals

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Cardiology (AREA)
  • Optics & Photonics (AREA)
  • Dermatology (AREA)
  • Physiology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Orthopedic Medicine & Surgery (AREA)
  • Rheumatology (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Emergency Medicine (AREA)
  • Vascular Medicine (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种面向动物活体无屠宰的肉质品质分级方法与系统。所述方法包括获取养殖时限内动物的体重和三维图像；根据体重集合得到动物的体重增长值，并根据体重增长值对养殖时限进行分段形成多个时间段；根据三维图像对动物进行分区得到各分区的分区重量集；构建分区各获取时刻的特征值集合；根据各特征值对应的设定参考值将特征值划分为正向和反向自择系数；根据时间段的段数、特征值、设定参考值、正向自择系数集合中特征值的总数量、反向自择系数集合中特征值的总数量和特征值的归一化值，计算正向自择系数集合和反向自择系数集合的分值；根据分值确定分区的肉质品质的等级。本发明不需要伤害动物就可以对动物的肉质品质进行分级。

Description

一种面向动物活体无屠宰的肉质品质分级方法与系统
技术领域
本发明涉及动物肉质品质分级领域，特别是涉及一种面向动物活体无屠宰的肉质品质分级方法与系统。
背景技术
目前动物养殖规模壮大，产生了巨大的经济效益。但是现在市场上的动物肉质状况复杂。对于企业来说，从养殖户手中收购动物的标准目前主要基于动物体重，企业根据经验收购理想体重范围的动物，但是该体重范围下动物的肉质品质并不一定是最优的，因此简单的以体重挑选收购动物不够科学，容易损失优质动物。
而对于养殖户来说，限定了活体动物的体重范围，根据该范围进行动物体重控制，从而符合企业收购标准。但是这种情况下并不能保证动物肉质的最优。动物肉质的优劣涉及到多方面问题，并不仅仅是体重，还包括脂肪量、肥瘦度、紧实度等，体重高于或低于收购标准的活体动物肉质并不一定差。
目前除了根据体重选择动物的方法，还有对动物肉质的检测，但是此种方法需要将动物进行切割乃至屠宰，用于测量肉质品质对动物产生较大的伤害，养殖户不可能为了检测肉质而宰杀正在饲喂的动物。而且在对动物进行优质品选育的过程中，基于宰杀检测动物肉质的提升效果，会损失选育样本得不偿失。
因此针对以上问题，需要提供一种不需要伤害动物的肉质品质分级方法。
发明内容
本发明的目的是提供一种面向动物活体无屠宰的肉质品质分级方法与系统，本发明不需要伤害动物就可以对动物的肉质品质进行分级。
为实现上述目的，本发明提供了如下方案：
一种面向动物活体无屠宰的肉质品质分级方法，包括：
以设定时间间隔获取养殖时限内动物的体重和三维图像形成体重集合和三维图像集；
根据所述体重集合得到各获取时刻所述动物的体重增长值，并根据所述体重增长值和设定增长阈值对所述养殖时限进行分段形成多个时间段；
根据所述三维图像集对所述动物按照部位进行分区得到各分区的分区重量集；所述分区重量集包括所述分区在各获取时刻的分区重量；
对于任意一个分区，构建所述分区各获取时刻的特征值集合；所述特征值集合包括养殖环境信息和体征特征；所述体征特征包括血糖含量、血氧含量、血压、脱毛、伤口、疤痕和所述分区重量；
根据所述特征值集合中各特征值对应的设定参考值将所述特征值集合中特征值划分为正向自择系数和反向自择系数，得到正向自择系数集合和反向自择系数集合；
根据所述时间段的段数、所述特征值、所述设定参考值、所述正向自择系数集合中特征值的总数量、所述反向自择系数集合中特征值的总数量和所述特征值的归一化值，计算正向自择系数集合的分值和反向自择系数集合的分值；
根据所述正向自择系数集合的分值和所述反向自择系数集合的分值确定所述分区的肉质品质的等级。
可选的，在所述根据所述特征值集合中各特征值对应的设定参考值将所述特征值集合中特征值划分为正向自择系数和反向自择系数，得到正向自择系数集合和反向自择系数集合，之前还包括：
判断所述特征值集合中相邻特征值的类别；所述类别为养殖环境信息或体征特征；
当所述特征值集合中第i个特征值的类别与所述特征值集合中第i+1个特征值的类别不相同时，则删除类别为养殖环境信息的特征值；
当所述特征值集合中第i个特征值的类别和所述特征值集合中第i+1个特征值的类别相同时，则将所述特征值集合中第i个特征值和所述特征值集合中第i+1个特征值同时作为前位特征，分别计算与所述特征值集合中第i+2个特征值的非通量得到非通量集合，删除所述非通量集合中最小的非通量对应的前位特征；i＝1,2,...,I，I为特征值集合中特征值的总数量。
可选的，所述根据所述时间段的段数、所述特征值、所述设定参考值、所述正向自择系数集合中特征值的总数量、所述反向自择系数集合中特征值的总数量和所述特征值的归一化值，计算正向自择系数集合的分值和反向自择系数集合的分值，具体包括：
根据公式
Figure BDA0003028682090000031
计算特征值的优选值，其中，Δx＝x-x0，ω为特征值的优选值，x为特征值，x0为x对应的设定参考值；
根据公式
Figure BDA0003028682090000032
计算正向自择系数集合的分值，其中，Cs表示正向自择系数集合的分值，xi表示正向自择系数集合中第i个特征值的归一化值，ωi表示正向自择系数集合中第i个特征值的优选值，n表示正向自择系数集合中特征值的总数量；r表示品质适中的概率，m表示时间段的段数；
根据公式
Figure BDA0003028682090000033
计算反向自择系数集合的分值，其中，Cf表示反向自择系数集合的分值，xj表示反向自择系数集合中第j个特征值的归一化值，ωj表示反向自择系数集合中第j个特征值的优选值，n表示反向自择系数集合中特征值的总数量。
可选的，所述根据所述正向自择系数集合的分值和所述反向自择系数集合的分值确定所述分区的肉质品质的等级，具体包括：
根据公式
Figure BDA0003028682090000034
计算分区的分级参数，其中，P表示分区的分级参数，N表示自择系数的数量，θ表示确定因子；
计算正向自择系数集合的分值和反向自择系数集合的分值的差值；
根据所述差值和所述分级参数确定所述分区的肉质品质的等级。
可选的，所述根据所述三维图像集对所述动物按照部位进行分区得到各分区的分区重量集，具体包括：
根据所述三维图像集对所述动物进行三维重建，得到所述动物在各获取时刻的三维模型；
对所述动物在所有获取时刻的三维模型按照部位进行分区，得到多个分区模型集；所述分区模型集包括所述动物的同一分区在各获取时刻的三维模型；
根据所述分区模型集得到各分区的分区重量集。
一种面向动物活体无屠宰的肉质品质分级系统，包括：
获取模块，用于以设定时间间隔获取养殖时限内动物的体重和三维图像形成体重集合和三维图像集；
时间轴分段模块，用于根据所述体重集合得到各获取时刻所述动物的体重增长值，并根据所述体重增长值和设定增长阈值对所述养殖时限进行分段形成多个时间段；
分区重量集确定模块，用于根据所述三维图像集对所述动物按照部位进行分区得到各分区的分区重量集；所述分区重量集包括所述分区在各获取时刻的分区重量；
特征值集合确定模块，用于对于任意一个分区，构建所述分区各获取时刻的特征值集合；所述特征值集合包括养殖环境信息和体征特征；所述体征特征包括血糖含量、血氧含量、血压、脱毛、伤口、疤痕和所述分区重量；
自择系数分类模块，用于根据所述特征值集合中各特征值对应的设定参考值将所述特征值集合中特征值划分为正向自择系数和反向自择系数，得到正向自择系数集合和反向自择系数集合；
分值确定模块，用于根据所述时间段的段数、所述特征值、所述设定参考值、所述正向自择系数集合中特征值的总数量、所述反向自择系数集合中特征值的总数量和所述特征值的归一化值，计算正向自择系数集合的分值和反向自择系数集合的分值；
品质分级模块，用于根据所述正向自择系数集合的分值和所述反向自择系数集合的分值确定所述分区的肉质品质的等级。
可选的，所述面向动物活体无屠宰的肉质品质分级系统，还包括：
判断模块，用于判断所述特征值集合中相邻特征值的类别；所述类别为养殖环境信息或体征特征；
第一结果模块，用于当所述特征值集合中第i个特征值的类别与所述特征值集合中第i+1个特征值的类别不相同时，则删除类别为养殖环境信息的特征值；
第二结果模块，用于当所述特征值集合中第i个特征值的类别和所述特征值集合中第i+1个特征值的类别相同时，则将所述特征值集合中第i个特征值和所述特征值集合中第i+1个特征值同时作为前位特征，分别计算与所述特征值集合中第i+2个特征值的非通量得到非通量集合，删除所述非通量集合中最小的非通量对应的前位特征；i＝1,2,...,I，I为特征值集合中特征值的总数量。
可选的，所述分值确定模块，包括：
优选值确定子模块，用于根据公式
Figure BDA0003028682090000051
计算特征值的优选值，其中，Δx＝x-x0，ω为特征值的优选值，x为特征值，x0为x对应的设定参考值；
正向自择系数集合的分值确定子模块，用于根据公式
Figure BDA0003028682090000052
计算正向自择系数集合的分值，其中，Cs表示正向自择系数集合的分值，xi表示正向自择系数集合中第i个特征值的归一化值，ωi表示正向自择系数集合中第i个特征值的优选值，n表示正向自择系数集合中特征值的总数量；r表示品质适中的概率，m表示时间段的段数；
反向自择系数集合的分值确定子模块，用于根据公式
Figure BDA0003028682090000053
计算反向自择系数集合的分值，其中，Cf表示反向自择系数集合的分值，xj表示反向自择系数集合中第j个特征值的归一化值，ωj表示反向自择系数集合中第j个特征值的优选值，n表示反向自择系数集合中特征值的总数量。
可选的，所述品质分级模块，包括：
分级参数确定子模块，用于根据公式
Figure BDA0003028682090000061
计算分区的分级参数，其中，P表示分区的分级参数，N表示自择系数的数量，θ表示确定因子；
差值确定子模块，用于计算正向自择系数集合的分值和反向自择系数集合的分值的差值；
品质分级子模块，用于根据所述差值和所述分级参数确定所述分区的肉质品质的等级。
可选的，所述分区重量集确定模块，包括：
三维模型建立子模块，用于根据所述三维图像集对所述动物进行三维重建，得到所述动物在各获取时刻的三维模型；
分取模型集确定子模块，用于对所述动物在所有获取时刻的三维模型按照部位进行分区，得到多个分区模型集；所述分区模型集包括所述动物的同一分区在各获取时刻的三维模型；
分区重量集确定子模块，用于根据所述分区模型集得到各分区的分区重量集。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明通过对动物的三维模型进行处理和对动物的体征信息和养殖环境进行无损伤获取不需要对动物进行屠宰，就能确定动物的肉质品质的等级，实现了不需要对动物进行屠宰和损伤就能够确定动物的肉质品质的等级，便于收购。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种面向动物活体无屠宰的肉质品质分级方法的流程图；
图2为本发明实施例提供的一种面向动物活体无屠宰的肉质品质分级系统的结构框图；
图3为本发明实施例提供的更加具体的系统结构框图；
图4为本发明实施例提供的更加具体的面向动物活体无屠宰的肉质品质分级方法的具体流程图；
图5为本发明实施例提供的更加具体的面向动物活体无屠宰的肉质品质分级方法的总体流程图；
图6为本发明实施例提供的正向自择系数和反向自择系数的计算过程图；
图7为本发明实施例提供的当相邻特征值的种类不同时特征值集合的处理过程示意图；
图8为本发明实施例提供的当相邻特征值的种类相同时特征值集合的处理过程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本实施例提供了一种面向动物活体无屠宰的肉质品质分级方法。所述方法包括：
步骤101：以设定时间间隔获取养殖时限内动物的体重和三维图像形成体重集合和三维图像集。
步骤102：根据所述体重集合得到各获取时刻所述动物的体重增长值，并根据所述体重增长值和设定增长阈值对所述养殖时限进行分段形成多个时间段。
步骤103：根据所述三维图像集对所述动物按照部位进行分区得到各分区的分区重量集；所述分区重量集包括所述分区在各获取时刻的分区重量。
步骤104：对于任意一个分区，构建所述分区各获取时刻的特征值集合；所述特征值集合包括养殖环境信息和体征特征；所述体征特征包括血糖含量、血氧含量、血压、脱毛、伤口、疤痕和所述分区重量。
步骤105：根据所述特征值集合中各特征值对应的设定参考值将所述特征值集合中特征值划分为正向自择系数和反向自择系数，得到正向自择系数集合和反向自择系数集合。
步骤106：根据所述时间段的段数、所述特征值、所述设定参考值、所述正向自择系数集合中特征值的总数量、所述反向自择系数集合中特征值的总数量和所述特征值的归一化值，计算正向自择系数集合的分值和反向自择系数集合的分值。
步骤107：根据所述正向自择系数集合的分值和所述反向自择系数集合的分值确定所述分区的肉质品质的等级。
在实际应用中，步骤103具体包括：
根据所述三维图像集对所述动物进行三维重建，得到所述动物在各获取时刻的三维模型。
对所述动物在所有获取时刻的三维模型按照部位进行分区，得到多个分区模型集；所述分区模型集包括所述动物的同一分区在各获取时刻的三维模型。
根据所述分区模型集得到各分区的分区重量集。
在实际应用中，在步骤105之前还包括：
判断所述特征值集合中相邻特征值的类别；所述类别为养殖环境信息或体征特征。
当所述特征值集合中第i个特征值的类别与所述特征值集合中第i+1个特征值的类别不相同时，则删除类别为养殖环境信息的特征值。
当所述特征值集合中第i个特征值的类别和所述特征值集合中第i+1个特征值的类别相同时，则将所述特征值集合中第i个特征值和所述特征值集合中第i+1个特征值同时作为前位特征，分别计算与所述特征值集合中第i+2个特征值的非通量得到非通量集合，删除所述非通量集合中最小的非通量对应的前位特征；i＝1,2,...,I，I为特征值集合中特征值的总数量。
在实际应用中，步骤106具体包括：
根据公式
Figure BDA0003028682090000091
计算特征值的优选值，其中，Δx＝x-x0，ω为特征值的优选值，x为特征值，x0为x对应的设定参考值。
根据公式
Figure BDA0003028682090000092
计算正向自择系数集合的分值，其中，Cs表示正向自择系数集合的分值，xi表示正向自择系数集合中第i个特征值的归一化值，ωi表示正向自择系数集合中第i个特征值的优选值，n表示正向自择系数集合中特征值的总数量；r表示品质适中的概率取0.5，m表示时间段的段数。
根据公式
Figure BDA0003028682090000093
计算反向自择系数集合的分值，其中，Cf表示反向自择系数集合的分值，xj表示反向自择系数集合中第j个特征值的归一化值，ωj表示反向自择系数集合中第j个特征值的优选值，n表示反向自择系数集合中特征值的总数量。
在实际应用中，步骤107具体包括：
根据公式
Figure BDA0003028682090000094
计算分区的分级参数，其中，P表示分区的分级参数，N表示自择系数的数量，θ表示确定因子。
计算正向自择系数集合的分值和反向自择系数集合的分值的差值。
根据所述差值和所述分级参数确定所述分区的肉质品质的等级。
如图2所示，本实施例还提供了一种与上述方法对应的面向动物活体无屠宰的肉质品质分级系统。所述系统包括：
获取模块A1，用于以设定时间间隔获取养殖时限内动物的体重和三维图像形成体重集合和三维图像集。
时间轴分段模块A2，用于根据所述体重集合得到各获取时刻所述动物的体重增长值，并根据所述体重增长值和设定增长阈值对所述养殖时限进行分段形成多个时间段。
分区重量集确定模块A3，用于根据所述三维图像集对所述动物按照部位进行分区得到各分区的分区重量集；所述分区重量集包括所述分区在各获取时刻的分区重量。
特征值集合确定模块A4，用于对于任意一个分区，构建所述分区各获取时刻的特征值集合；所述特征值集合包括养殖环境信息和体征特征；所述体征特征包括血糖含量、血氧含量、血压、脱毛、伤口、疤痕和所述分区重量。
自择系数分类模块A5，用于根据所述特征值集合中各特征值对应的设定参考值将所述特征值集合中特征值划分为正向自择系数和反向自择系数，得到正向自择系数集合和反向自择系数集合。
分值确定模块A6，用于根据所述时间段的段数、所述特征值、所述设定参考值、所述正向自择系数集合中特征值的总数量、所述反向自择系数集合中特征值的总数量和所述特征值的归一化值，计算正向自择系数集合的分值和反向自择系数集合的分值。
品质分级模块A7，用于根据所述正向自择系数集合的分值和所述反向自择系数集合的分值确定所述分区的肉质品质的等级。
作为一种可选的实施方式，所述面向动物活体无屠宰的肉质品质分级系统，还包括：
判断模块，用于判断所述特征值集合中相邻特征值的类别；所述类别为养殖环境信息或体征特征。
第一结果模块，用于当所述特征值集合中第i个特征值的类别与所述特征值集合中第i+1个特征值的类别不相同时，则删除类别为养殖环境信息的特征值。
第二结果模块，用于当所述特征值集合中第i个特征值的类别和所述特征值集合中第i+1个特征值的类别相同时，则将所述特征值集合中第i个特征值和所述特征值集合中第i+1个特征值同时作为前位特征，分别计算与所述特征值集合中第i+2个特征值的非通量得到非通量集合，删除所述非通量集合中最小的非通量对应的前位特征；i＝1,2,...,I，I为特征值集合中特征值的总数量。
作为一种可选的实施方式，所述分值确定模块，包括：
优选值确定子模块，用于根据公式
Figure BDA0003028682090000111
计算特征值的优选值，其中，Δx＝x-x0，ω为特征值的优选值，x为特征值，x0为x对应的设定参考值。
正向自择系数集合的分值确定子模块，用于根据公式
Figure BDA0003028682090000112
计算正向自择系数集合的分值，其中，Cs表示正向自择系数集合的分值，xi表示正向自择系数集合中第i个特征值的归一化值，ωi表示正向自择系数集合中第i个特征值的优选值，n表示正向自择系数集合中特征值的总数量；r表示品质适中的概率，m表示时间段的段数。
反向自择系数集合的分值确定子模块，用于根据公式
Figure BDA0003028682090000113
计算反向自择系数集合的分值，其中，Cf表示反向自择系数集合的分值，xj表示反向自择系数集合中第j个特征值的归一化值，ωj表示反向自择系数集合中第j个特征值的优选值，n表示反向自择系数集合中特征值的总数量。
作为一种可选的实施方式，所述品质分级模块，包括：
分级参数确定子模块，用于根据公式
Figure BDA0003028682090000121
计算分区的分级参数，其中，P表示分区的分级参数，N表示自择系数的数量，θ表示确定因子。
差值确定子模块，用于计算正向自择系数集合的分值和反向自择系数集合的分值的差值。
品质分级子模块，用于根据所述差值和所述分级参数确定所述分区的肉质品质的等级。
作为一种可选的实施方式，所述分区重量集确定模块，包括：
三维模型建立子模块，用于根据所述三维图像集对所述动物进行三维重建，得到所述动物在各获取时刻的三维模型。
分取模型集确定子模块，用于对所述动物在所有获取时刻的三维模型按照部位进行分区，得到多个分区模型集；所述分区模型集包括所述动物的同一分区在各获取时刻的三维模型。
分区重量集确定子模块，用于根据所述分区模型集得到各分区的分区重量集。
如图3所示，作为一种可选的实施方式，还包括：
至少一个用户输入模块，包含用户登录以及活体动物编号查找，用于确认活体动物个体。
至少三个数据库，时间轴数据库主要存储活体动物的实时体重数据；动物分区数据库主要存储动物躯干分区结果；自择系数数据库主要存储影响动物品质的自择系数信息。
至少一个可视化输出展示界面，用于各模块的信息可视化，包括时间轴分段结果、动物分区及相应的体重结果、自择系数结果以及品质分级结果的可视化等。
至少一个数据预警模块，将传感器或人工采集的数据周期性动态传入数据预警模块，根据系统预设的预警阈值对各模块信息进行分析，超过阈值时系统停止运作并即时向养殖人员发送预警信息，由养殖人员处理风险。若养殖人员并没有对预警做出反应，系统标记当前预警信息后继续运行，对没有问题的数据实时存储到数据库中。
一个数据采集分析模块用于系统数据获取和进行时间轴分段、动物分区以及自择系数分类，根据数据预警模块的预警信息，如当时间轴发生改变或者自择系数分类发生改变时，系统对其进行实时更新。另外每个时间分轴结束时，系统会自动当前时间轴结束时的结果作为下一时间轴开始时的初始活体动物各项处理结果。
如图4和图5所示，本实施例还提供了一种更加具体的面向动物活体无屠宰的肉质品质分级方法，所述方法包括：
S1，对养殖区域内的活体动物进行独立标识，获取活体动物体重，对活体动物生长各阶段进行时间轴分段：
使用RFID标签对活体动物进行标识，当佩戴RFID标签的动物经过体重机进行自动称重时，阅读器会自动采集标签信息，记录动物体重，上传至时间轴数据库保存体重信息。自动称重时间间隔根据需要设定，当到达时间间隔有动物未进行称重时，系统发送预警信息，有养殖户进行处理，当到达下一次称重间隔养殖户仍没有处理，而且该动物也没有在此期间称得体重，系统将自动以上一时间间隔的体重信息进行保存。
确定活体动物养殖时限t，绘制活体动物生长时间轴并进行分段t＝{t1，t2，…，tn}，所述获取分段时间轴的步骤具体包括：根据时间轴数据库保存的活体动物各阶段体重集合Gt＝{G1，G2，…，Gm}，t＝(1，2，…，m)，绘制往期活体动物时间体重波动曲线，然后对该体重曲线进行平稳化G＝Gm+1-Gm，形成一个新的集合s＝{s1，s2，…，sn}，并绘制体重增长曲线。遍历该体重集合寻找体重波动较大的极值点，根据预设的预警阈值，结合新的体重增长曲线，将超过预设阈值的时间作为时间轴节点进行分段，形成一个新的时间轴集合t＝{t1，t2，…，tn}。
S2，采集活体动物图像，进行三维虚拟重建，进行活体动物躯干分区，获取动物各用途分区的肉重：
在养殖区域预装若干个成像系统，设定采样频率后用于采集活体动物的三维特征信息，从不同拍摄高度(平摄、仰摄、俯摄、顶摄等)、拍摄方向(正面、侧面、斜侧等)以及拍摄距离(根据养殖动物密度和个体大小等决定)进行图像采集。
根据采集到的活体动物图像计算动物身体各点的点距，根据点距和动物图像特征进行三维虚拟重建，对该三维图像进行标定划区，分割为不同的区域；对分区后的三维重建图像进行特征提取，实时提取区域轮廓、体积等信息，结合当前区域的脂肪含量、骨密度等信息，通过计算得到活体动物各分区质量，此时不经屠宰即可得到动物各种区域的肉(例如羊可以根据产出羊排、羊里脊等)的重量并将结果保存到动物分区数据库。
S3，获取养殖环境、活体动物的品质等信息，将获取的信息进行重组，计算自择系数：
在养殖环境中放置多种环境传感器如温度传感器、湿度传感器、氧气传感器、二氧化碳传感器等，用于实时监测活体动物养殖环境信息。
根据前述对活体动物躯干进行划分区域后，在活体动物各分区分别安装各类体征传感器(血糖、血氧、血压传感器等)进行连续监测，根据预设的采样频率采集活体动物品质信息如血糖、血氧、血压等。根据前述采集的图像信息，获取活体动物各分区的损伤信息，如脱毛、伤口、疤痕等。
将所获取的多源特征进行重组，获取新的特征集。将获取的养殖环境、动物体征等特征建立特征集xi＝{x1，x2，…，xn}，对特征进行逐个检索，计算前位特征对各后位特征的非通量
Figure BDA0003028682090000141
其中I∈[0，1]为通量，I-∈[0，1]为非通量。非通量越小，表明前一特征对后一特征的通度越大。当非通量I-∈[0，0.2]时，删除其中一个特征进行信息重组，当非通量I-∈[0.2，1]时，保留此刻两组特征，并继续向后检索。最后形成一个新的特征集，其中，I(xi+1)表示特征值集合中第i+1个特征值的通量，I(xi)表示特征值集合中第i个特征值的通量，I-(xi→xi+1)表示特征值集合中第i个特征值对第i+1个特征值的非通量。如图7和图8所示，删除规则如下：
·当xi为养殖环境特征，xi+1为体征特征时，删除xi，保留xi+1，并将xi+1作为前位特征与各后位特征进行非通量计算。
·当xi为体征特征，xi+1为养殖环境特征时，删除xi+1，保留xi，并将xi继续与各后位特征进行非通量计算比较。
·当xi，xi+1均为养殖环境特征或均为体征特征时，将两组特征同时作为前位特征，分别计算与xi+2的非通量，删除非通量更小的前位特征。如果此时无后位特征，将xi，xi+1全部保留。将新获取的特征集的特征分为外部特征和内部特征两个部分，并将每个部分进行自择系数计算的步骤具体包括：首先确定养殖过程中影响活体动物品质的自择系数如温度、湿度、气体、血糖、血压等，将其分为正向自择系数和反向自择系数，进行后续活体动物品质预测模型的计算。
如图6所示，系统从传感器以及数据库中提取自择系数信息，将每种自择系数根据公式Δx＝xi-x0计算结果进行判别，当Δx≥0时为正向自择系数，反之则为反向自择系数。
特别的正向自择系数和反向自择系数并不是固定的，在不同时间轴其自择系数也存在差异，系统会根据需要定期对自择系数进行动态校正，重新分配初始正向自择系数和反向自择系数。在对自择系数进行获取的过程中，传感器根据各时间轴的长短进行自适应的调整采集间隔时间，系统对传感器数据周期动态读取；特别的对传感监测设备的布局基于活体动物分区大小和可穿戴传感设备的辐射范围及测量精度。
S4，通过表1对活体动物进行品质分级预测。
表1
等级 P c<sub>s</sub>-c<sub>f</sub>
优质 ＜0.5 ＞0
标准 ＝0.5 ＝0
低质 ＞0.5 ＜0
其中，品质概率与正向自择系数的分值负相关，与反向自择系数的分值正相关；品质概率与正向自择系数的分值和反向自择系数的分值之差负相关；活体动物在各时间轴的品质与品质概率负相关。
特别的基于前述活体动物品质分级方法，可以进一步预测活体动物各分区内的价值，活体动物在各时间轴的价值与品质分级概率负相关。在一些实施例中，在时间轴t预测的活体动物价值表示为
Figure BDA0003028682090000161
其中，
Figure BDA0003028682090000162
Ht0表示在t时间轴基于成本计算的活体动物的价值，Pt表示在时间轴t的品质概率，p0表示正向自择系数的分值与反向自择系数的分值相等时的品质概率，Hu表示在t时间轴该动物的价值预测高值，Hd表示在t时间轴该动物的价值预测低值。
时间轴的划分也可以依据需要确定，以活羊为例，我们需要得到羔羊里脊肉的价值。我们可以计算得到羔羊期里脊肉分区的信息，考虑该时间区间内引起活体动物价值改变的正向自择系数与反向自择系数，在羔羊期通过分析发现正向自择系数为环境温度、动物血压，分值分别为(90、80)，反向自择系数为环境湿度、动物脂肪含量，分值分别为(85，60)。因此我们计算得到Cs＝170，Cf＝145，羔羊期有四个自择系数，θ取值为50，Ht0取值200元。则羔羊期活体动物品质概率为
Figure BDA0003028682090000163
此时因此我们计算此时活体动物预估高值
Figure BDA0003028682090000164
元，则羔羊活体动物里脊肉分区的实际预期价值
Figure BDA0003028682090000165
元。则我们得到此时动物活体分区中里脊肉区的价值为320元。
根据本公开的一些实施例，提供了一种基于信息重组的动物活体品质分级系统，包括：
本发明结合了养殖环境、动物体征等各种因素，能够对未屠宰的动物活体进行实时的品质监测，一方面通过本发明提供的方法，能够有效的预测动物活体各用途的肉的重量，不需要屠宰分割，也能得到动物腿肉、肋排、里脊等各区域的重量。另一方面通过结合养殖环境、动物体征信息，我们能够对动物体各区域的肉质品质进行预测。因此企业不仅仅能够根据体重进行选择，而且可以得到动物活体的肉质品质。而养殖户不再受限于动物体重，可以实时根据动物体重结合肉质品质进行综合饲养。涉及到动物选育过程也不会出现屠宰测量品质等得不偿失的做法。因此使用本发明的方法能够实现非屠宰、无损伤的动物活体实时重量和肉质品质监测。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种面向动物活体无屠宰的肉质品质分级方法，其特征在于，包括：
以设定时间间隔获取养殖时限内动物的体重和三维图像形成体重集合和三维图像集；
根据所述体重集合得到各获取时刻所述动物的体重增长值，并根据所述体重增长值和设定增长阈值对所述养殖时限进行分段形成多个时间段；
根据所述三维图像集对所述动物按照部位进行分区得到各分区的分区重量集；所述分区重量集包括所述分区在各获取时刻的分区重量；
对于任意一个分区，构建所述分区各获取时刻的特征值集合；所述特征值集合包括养殖环境信息和体征特征；所述体征特征包括血糖含量、血氧含量、血压、脱毛、伤口、疤痕和所述分区重量；
根据所述特征值集合中各特征值对应的设定参考值将所述特征值集合中特征值划分为正向自择系数和反向自择系数，得到正向自择系数集合和反向自择系数集合；
根据所述时间段的段数、所述特征值、所述设定参考值、所述正向自择系数集合中特征值的总数量、所述反向自择系数集合中特征值的总数量和所述特征值的归一化值，计算正向自择系数集合的分值和反向自择系数集合的分值；
根据所述正向自择系数集合的分值和所述反向自择系数集合的分值确定所述分区的肉质品质的等级。
2.根据权利要求1所述的一种面向动物活体无屠宰的肉质品质分级方法，其特征在于，在所述根据所述特征值集合中各特征值对应的设定参考值将所述特征值集合中特征值划分为正向自择系数和反向自择系数，得到正向自择系数集合和反向自择系数集合，之前还包括：
判断所述特征值集合中相邻特征值的类别；所述类别为养殖环境信息或体征特征；
当所述特征值集合中第i个特征值的类别与所述特征值集合中第i+1个特征值的类别不相同时，则删除类别为养殖环境信息的特征值；
当所述特征值集合中第i个特征值的类别和所述特征值集合中第i+1个特征值的类别相同时，则将所述特征值集合中第i个特征值和所述特征值集合中第i+1个特征值同时作为前位特征，分别计算与所述特征值集合中第i+2个特征值的非通量得到非通量集合，删除所述非通量集合中最小的非通量对应的前位特征；i＝1,2,...,I，I为特征值集合中特征值的总数量。
3.根据权利要求1所述的一种面向动物活体无屠宰的肉质品质分级方法，其特征在于，所述根据所述时间段的段数、所述特征值、所述设定参考值、所述正向自择系数集合中特征值的总数量、所述反向自择系数集合中特征值的总数量和所述特征值的归一化值，计算正向自择系数集合的分值和反向自择系数集合的分值，具体包括：
根据公式
Figure FDA0003028682080000021
计算特征值的优选值，其中，Δx＝x-x0，ω为特征值的优选值，x为特征值，x0为x对应的设定参考值；
根据公式
Figure FDA0003028682080000022
计算正向自择系数集合的分值，其中，Cs表示正向自择系数集合的分值，xi表示正向自择系数集合中第i个特征值的归一化值，ωi表示正向自择系数集合中第i个特征值的优选值，n表示正向自择系数集合中特征值的总数量；r表示品质适中的概率，m表示时间段的段数；
根据公式
Figure FDA0003028682080000023
计算反向自择系数集合的分值，其中，Cf表示反向自择系数集合的分值，xj表示反向自择系数集合中第j个特征值的归一化值，ωj表示反向自择系数集合中第j个特征值的优选值，n表示反向自择系数集合中特征值的总数量。
4.根据权利要求3所述的一种面向动物活体无屠宰的肉质品质分级方法，其特征在于，所述根据所述正向自择系数集合的分值和所述反向自择系数集合的分值确定所述分区的肉质品质的等级，具体包括：
根据公式
Figure FDA0003028682080000031
计算分区的分级参数，其中，P表示分区的分级参数，N表示自择系数的数量，θ表示确定因子；
计算正向自择系数集合的分值和反向自择系数集合的分值的差值；
根据所述差值和所述分级参数确定所述分区的肉质品质的等级。
5.根据权利要求1所述的一种面向动物活体无屠宰的肉质品质分级系统，其特征在于，所述根据所述三维图像集对所述动物按照部位进行分区得到各分区的分区重量集，具体包括：
根据所述三维图像集对所述动物进行三维重建，得到所述动物在各获取时刻的三维模型；
对所述动物在所有获取时刻的三维模型按照部位进行分区，得到多个分区模型集；所述分区模型集包括所述动物的同一分区在各获取时刻的三维模型；
根据所述分区模型集得到各分区的分区重量集。
6.一种面向动物活体无屠宰的肉质品质分级系统，其特征在于，包括：
获取模块，用于以设定时间间隔获取养殖时限内动物的体重和三维图像形成体重集合和三维图像集；
时间轴分段模块，用于根据所述体重集合得到各获取时刻所述动物的体重增长值，并根据所述体重增长值和设定增长阈值对所述养殖时限进行分段形成多个时间段；
分区重量集确定模块，用于根据所述三维图像集对所述动物按照部位进行分区得到各分区的分区重量集；所述分区重量集包括所述分区在各获取时刻的分区重量；
特征值集合确定模块，用于对于任意一个分区，构建所述分区各获取时刻的特征值集合；所述特征值集合包括养殖环境信息和体征特征；所述体征特征包括血糖含量、血氧含量、血压、脱毛、伤口、疤痕和所述分区重量；
自择系数分类模块，用于根据所述特征值集合中各特征值对应的设定参考值将所述特征值集合中特征值划分为正向自择系数和反向自择系数，得到正向自择系数集合和反向自择系数集合；
分值确定模块，用于根据所述时间段的段数、所述特征值、所述设定参考值、所述正向自择系数集合中特征值的总数量、所述反向自择系数集合中特征值的总数量和所述特征值的归一化值，计算正向自择系数集合的分值和反向自择系数集合的分值；
品质分级模块，用于根据所述正向自择系数集合的分值和所述反向自择系数集合的分值确定所述分区的肉质品质的等级。
7.根据权利要求6所述的一种面向动物活体无屠宰的肉质品质分级系统，其特征在于，还包括：
判断模块，用于判断所述特征值集合中相邻特征值的类别；所述类别为养殖环境信息或体征特征；
第一结果模块，用于当所述特征值集合中第i个特征值的类别与所述特征值集合中第i+1个特征值的类别不相同时，则删除类别为养殖环境信息的特征值；
第二结果模块，用于当所述特征值集合中第i个特征值的类别和所述特征值集合中第i+1个特征值的类别相同时，则将所述特征值集合中第i个特征值和所述特征值集合中第i+1个特征值同时作为前位特征，分别计算与所述特征值集合中第i+2个特征值的非通量得到非通量集合，删除所述非通量集合中最小的非通量对应的前位特征；i＝1,2,...,I，I为特征值集合中特征值的总数量。
8.根据权利要求6所述的一种面向动物活体无屠宰的肉质品质分级系统，其特征在于，所述分值确定模块，包括：
优选值确定子模块，用于根据公式
Figure FDA0003028682080000041
计算特征值的优选值，其中，Δx＝x-x0，ω为特征值的优选值，x为特征值，x0为x对应的设定参考值；
正向自择系数集合的分值确定子模块，用于根据公式
Figure FDA0003028682080000051
计算正向自择系数集合的分值，其中，Cs表示正向自择系数集合的分值，xi表示正向自择系数集合中第i个特征值的归一化值，ωi表示正向自择系数集合中第i个特征值的优选值，n表示正向自择系数集合中特征值的总数量；r表示品质适中的概率，m表示时间段的段数；
反向自择系数集合的分值确定子模块，用于根据公式
Figure FDA0003028682080000052
计算反向自择系数集合的分值，其中，Cf表示反向自择系数集合的分值，xj表示反向自择系数集合中第j个特征值的归一化值，ωj表示反向自择系数集合中第j个特征值的优选值，n表示反向自择系数集合中特征值的总数量。
9.根据权利要求8所述的一种面向动物活体无屠宰的肉质品质分级系统，其特征在于，所述品质分级模块，包括：
分级参数确定子模块，用于根据公式
Figure FDA0003028682080000053
计算分区的分级参数，其中，P表示分区的分级参数，N表示自择系数的数量，θ表示确定因子；
差值确定子模块，用于计算正向自择系数集合的分值和反向自择系数集合的分值的差值；
品质分级子模块，用于根据所述差值和所述分级参数确定所述分区的肉质品质的等级。
10.根据权利要求6所述的一种面向动物活体无屠宰的肉质品质分级系统，其特征在于，所述分区重量集确定模块，包括：
三维模型建立子模块，用于根据所述三维图像集对所述动物进行三维重建，得到所述动物在各获取时刻的三维模型；
分取模型集确定子模块，用于对所述动物在所有获取时刻的三维模型按照部位进行分区，得到多个分区模型集；所述分区模型集包括所述动物的同一分区在各获取时刻的三维模型；
分区重量集确定子模块，用于根据所述分区模型集得到各分区的分区重量集。
CN202110424231.5A 2021-04-20 2021-04-20 一种面向动物活体无屠宰的肉质品质分级方法与系统 Active CN113057598B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110424231.5A CN113057598B (zh) 2021-04-20 2021-04-20 一种面向动物活体无屠宰的肉质品质分级方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110424231.5A CN113057598B (zh) 2021-04-20 2021-04-20 一种面向动物活体无屠宰的肉质品质分级方法与系统

Publications (2)

Publication Number Publication Date
CN113057598A true CN113057598A (zh) 2021-07-02
CN113057598B CN113057598B (zh) 2022-02-11

Family

ID=76567050

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110424231.5A Active CN113057598B (zh) 2021-04-20 2021-04-20 一种面向动物活体无屠宰的肉质品质分级方法与系统

Country Status (1)

Country Link
CN (1) CN113057598B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113706483A (zh) * 2021-08-16 2021-11-26 佛山职业技术学院 一种猪肉肉质的检测方法和检测系统

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0499765A1 (en) * 1991-02-19 1992-08-26 Slagteriernes Forskningsinstitut A method and apparatus for determining and/or evaluating quality characteristics of a body of meat material
CN1129983A (zh) * 1993-07-02 1996-08-28 加拿大农业及农业食品部 用于检验活体动物中劣质肉的方法
JP2004257880A (ja) * 2003-02-26 2004-09-16 Natl Inst Of Radiological Sciences 食肉用家畜の肉質の生体検査方法および装置
CN101251526A (zh) * 2008-02-26 2008-08-27 浙江大学 食品综合品质无损检测方法与装置
CN201392319Y (zh) * 2009-04-09 2010-01-27 浙江大学 一种基于图像与光谱信息融合的肉品在线无损检测装置
CN107667904A (zh) * 2017-07-27 2018-02-09 北京奥云牧数据科技有限公司 基于物联网技术的生猪大数据系统
US9949663B1 (en) * 2014-11-13 2018-04-24 Ori Diagnostic Instruments, LLC Apparatus and method for the analysis of the change of body composition and hydration status and for dynamic indirect individualized measurement of components of the human energy metabolism
CN110072442A (zh) * 2017-10-26 2019-07-30 朴昌植 利用多重光源的皮肤状态检测装置
CN110097537A (zh) * 2019-04-12 2019-08-06 江南大学 一种基于三维纹理特征的肉质定量分析评价方法
CN110264464A (zh) * 2019-06-26 2019-09-20 西北农林科技大学 一种肉牛肌内脂肪含量预测模型、其构建方法及应用
CN111626481A (zh) * 2020-05-07 2020-09-04 中国农业大学 一种基于动态运输监测的动物肉品质评价方法及系统
CN112131921A (zh) * 2019-06-25 2020-12-25 海盛科技有限公司 基于立体视觉的生物自动量测系统及其量测方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0499765A1 (en) * 1991-02-19 1992-08-26 Slagteriernes Forskningsinstitut A method and apparatus for determining and/or evaluating quality characteristics of a body of meat material
CN1129983A (zh) * 1993-07-02 1996-08-28 加拿大农业及农业食品部 用于检验活体动物中劣质肉的方法
JP2004257880A (ja) * 2003-02-26 2004-09-16 Natl Inst Of Radiological Sciences 食肉用家畜の肉質の生体検査方法および装置
CN101251526A (zh) * 2008-02-26 2008-08-27 浙江大学 食品综合品质无损检测方法与装置
CN201392319Y (zh) * 2009-04-09 2010-01-27 浙江大学 一种基于图像与光谱信息融合的肉品在线无损检测装置
US9949663B1 (en) * 2014-11-13 2018-04-24 Ori Diagnostic Instruments, LLC Apparatus and method for the analysis of the change of body composition and hydration status and for dynamic indirect individualized measurement of components of the human energy metabolism
CN107667904A (zh) * 2017-07-27 2018-02-09 北京奥云牧数据科技有限公司 基于物联网技术的生猪大数据系统
CN110072442A (zh) * 2017-10-26 2019-07-30 朴昌植 利用多重光源的皮肤状态检测装置
CN110097537A (zh) * 2019-04-12 2019-08-06 江南大学 一种基于三维纹理特征的肉质定量分析评价方法
CN112131921A (zh) * 2019-06-25 2020-12-25 海盛科技有限公司 基于立体视觉的生物自动量测系统及其量测方法
CN110264464A (zh) * 2019-06-26 2019-09-20 西北农林科技大学 一种肉牛肌内脂肪含量预测模型、其构建方法及应用
CN111626481A (zh) * 2020-05-07 2020-09-04 中国农业大学 一种基于动态运输监测的动物肉品质评价方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CHUANSHANG CHENG ET AL: "Effect of oregano essential oil and benzoic acid supplementation to a low-protein diet on meat quality, fatty acid composition,and lipid stability of longissimus thoracis muscle in pigs", 《LIPIDS IN HEALTH AND DISEASE》 *
施亮，傅泽田，张领先: "基于RFID技术的肉牛养殖质量安全可追溯系统研究", 《计算机应用与软件》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113706483A (zh) * 2021-08-16 2021-11-26 佛山职业技术学院 一种猪肉肉质的检测方法和检测系统

Also Published As

Publication number Publication date
CN113057598B (zh) 2022-02-11

Similar Documents

Publication Publication Date Title
CN107895367B (zh) 一种骨龄识别方法、系统及电子设备
Wang et al. ASAS-NANP SYMPOSIUM: Applications of machine learning for livestock body weight prediction from digital images
Salau et al. Feasibility of automated body trait determination using the SR4K time-of-flight camera in cow barns
CN111294565A (zh) 一种智能化养猪监测方法和管理端
CN112580552B (zh) 一种鼠类行为分析方法及装置
Sant’Ana et al. Weighing live sheep using computer vision techniques and regression machine learning
CN113057598B (zh) 一种面向动物活体无屠宰的肉质品质分级方法与系统
CN108460370B (zh) 一种固定式家禽生命信息报警装置
CN111339850A (zh) 一种基于支撑时相的奶牛跛行检测方法与系统
Samperio et al. Lambs’ live weight estimation using 3D images
CN113470076A (zh) 一种平养鸡舍黄羽鸡多目标跟踪方法
CN112288793A (zh) 畜类个体背膘检测方法、装置、电子设备及存储介质
Zhao et al. Automatic body condition scoring for dairy cows based on efficient net and convex hull features of point clouds
CN110163103B (zh) 一种基于视频图像的生猪行为识别方法和装置
Beyer et al. Validation of a functional-structural tree model using terrestrial Lidar data
Guo et al. Sheep face image dataset and DT-YOLOv5s for sheep breed recognition
Lee et al. Prediction of average daily gain of swine based on machine learning
CN113516139A (zh) 数据处理方法、装置、设备和存储介质
CN110414369B (zh) 一种牛脸的训练方法及装置
CN113989538A (zh) 基于深度图像的鸡群均匀度估测方法、装置、系统及介质
Li et al. Extraction of key regions of beef cattle based on bidirectional tomographic slice features from point cloud data
Li et al. Several models combined with ultrasound techniques to predict breast muscle weight in broilers
Liu et al. Study on Pig Body Condition Scoring Based on Deep Learning Model EfficientNet-B0
JP2021026004A (ja) 線虫を用いた個体レベルの健康寿命の評価系
Tongke Research on crop leaf disease identification method based on LM-BP neural network

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
GR01 Patent grant
GR01 Patent grant