CN114663359A - 用于对猪只肌内脂肪含量进行检测的方法及其相关产品 - Google Patents

Abstract

本发明提供了一种用于对猪只肌内脂肪含量进行检测的方法及其相关产品，该方法包括：基于采集到的包含猪只眼肌区域的待检测图像，确定所述待检测图像中的最下层背膘曲线；基于所述最下层背膘曲线，在所述待检测图像中截取目标区域图像；以及利用基于深度神经网络的检测模型对所述目标区域图像进行检测，以确定所述猪只的肌内脂肪含量。利用本发明的方案可以实现在活体猪只上进行肌内脂肪含量的检测，并且可以提高检测猪只肌内脂肪含量的精确度和效率。

Description

用于对猪只肌内脂肪含量进行检测的方法及其相关产品

技术领域

本发明一般地涉及脂肪含量检测领域。更具体地，本发明涉及一种用于对猪只肌内脂肪含量进行检测的方法、设备和计算机可读存储介质。

背景技术

随着经济的快速发展及生活水平的提高，人们更加注重食品的健康安全和营养成分，对猪肉品质的要求也逐渐从高瘦肉率到鲜嫩多汁的口感进行转变，其中猪肌内脂肪含量是影响猪肉品质的重要因素之一。因此，猪肉肌内脂肪含量的检测对于猪种选育的畜牧商具有重要意义。目前，最常用的猪只肌内脂肪含量的检测方法包括两种，其中一种是通过人工主观检测，另外一种是基于理化检测的方法。

人工检测方法需要依赖检测人员的专业实践经验来对猪只肌内脂肪含量进行判断，该检测方法的检测结果通常仅能得到一个宏观的范围，而不能精确的计算参数，例如，人工检测可以得到如图1中所示的不同猪只的肌内脂肪含量等级。进一步地，人工检测的检测结果极易受检测人员的情绪、疲劳、主观因素等问题影响，进而会导致检测结果长期重复检测性较差、精度低且效率低下等问题。

上述理化检测方法以索氏抽提法最为典型，该方法通常需要屠宰猪只来获得其眼肌区域的肉块，并通过实验室的理化检测方法来对肉块进行检测，以确定所测猪只的肌内脂肪含量。然而，使用理化检测方法需要将猪只进行屠宰，而死亡猪无法用于猪只育种。另外，在利用索氏抽提法的过程中，任何一个步骤错误将导致检测结果产生较大的偏差，进而对采用索氏抽提法进行猪只肌内脂肪含量测定的人员操作要求高，这将不利于获得准确且稳定的检测结果。进一步地，索氏抽提法通常需要一到两天的检测时间，从而无法实时获得检测结果。鉴于此，亟需一种快速、准确以及能够对活体猪只肌内脂肪含量进行检测的方法。

发明内容

为了至少解决上述背景技术中的一个或多个技术问题，本发明提出了一种用于对猪只肌内脂肪含量进行检测的方法及其相关产品。通过本发明的方案，可以实现在活体猪只上进行猪只肌内脂肪含量的测量，并且可以显著提高肌内脂肪含量测量的精确度以及肌内脂肪含量的检测效率。为此，本发明在如下的多个方面中提供解决方案。

在第一方面中，本发明公开了一种用于对猪只肌内脂肪含量进行检测的方法，该方法包括：基于采集到的包含猪只眼肌区域的待检测图像，确定所述待检测图像中的最下层背膘曲线；基于所述最下层背膘曲线，在所述待检测图像中截取目标区域图像；以及利用基于深度神经网络的检测模型对所述目标区域图像进行检测，以确定所述猪只的肌内脂肪含量。

在一个实施例中，确定所述待检测图像中的最下层背膘曲线包括：对所述待检测图像进行二值化处理，以得到二值化图像；确定所述二值化图像中的背膘层区域；以及基于所述背膘层区域的二值化像素值，确定所述最下层背膘曲线。

在另一个实施例中，该方法进一步包括：确定所述二值化图像中的前景区域和背景区域；遍历所述前景区域，确定所述前景区域中宽度大于预设宽度阈值且高度小于预设高度阈值的背膘层区域；以及基于所述背膘层区域中最下层区域的二值化像素值，确定所述最下层背膘曲线。

在又一个实施例中，在截取目标区域图像之前，所述方法还包括：确定所述待检测图像中的目标肋骨位置；以及截取目标区域图像包括：在所述最下层背膘曲线和所述目标肋骨位置之间截取所述目标区域图像。

在一个实施例中，所述目标肋骨位置包括至少两根目标肋骨的横坐标。

在一个实施例中，确定所述待检测图像中的目标肋骨位置包括：提取所述待检测图像中的目标肋骨区域；基于所述目标肋骨区域中每列像素的平均值绘制平均值曲线；以及基于所述平均值曲线的极值来确定所述目标肋骨位置。

在另一个实施例中，在确定所述目标肋骨位置之前，所述方法还包括：根据所述待检测图像采集的猪只的部位，确定所述待检测图像中各肋骨与所述极值之间的对应关系。

在另一个实施例中，基于所述平均值曲线的极值来确定所述目标肋骨位置包括：基于所述平均值曲线中相邻的极小值的横坐标均值，确定所述待检测图像中目标肋骨的横坐标。

在又一个实施例中，在利用检测模型进行检测之前，所述方法还包括：获取包含眼肌区域的样本图像和所述眼肌区域中的肌内脂肪含量的样本值；以及使用所述样本图像和所述样本值训练深度神经网络模型，以便得到所述检测模型。

在又一个实施例中，确定所述猪只的肌内脂肪含量包括：利用所述检测模型对同一猪只的多个待检测图像中相应截取的多个目标区域图像进行分别检测；以及根据多个目标区域图像的检测结果的平均值，确定所述猪只的肌内脂肪含量。

在第二方面中，本发明公开了一种用于对猪只肌内脂肪含量进行检测的设备，包括：处理器；存储器，其存储有用于对猪只肌内脂肪含量进行检测的程序指令，当所述程序指令由所述处理器执行时，实现上述的方法步骤。

在第三方面中，本发明公开了一种计算机可读存储介质，存储用于对猪只肌内脂肪含量进行检测的程序指令，当所述程序指令由处理器执行时，实现上述的方法步骤。

通过利用本发明上述及其多个实施例中所描述的方法，本发明可以通过对采集的活体猪只的图像进行图像处理以及利用检测模型对目标区域图像进行肌内脂肪含量检测，可以避免对猪只的物理伤害，并且可以简单有效地实现对猪只的肌内脂肪含量检测，从而可以根据活体猪只的肌内脂肪含量检测结果实现对猪只的选良育种。在一些实施例中，本发明实施例还可以通过利用检测模型对同一猪只的多个待检测图像中相应截取的多个目标区域图像进行分别检测，并且对该多个目标区域图像的检测结果取均值，有利于进一步提高对猪只肌内脂肪含量的测量的准确性。

附图说明

通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，并且相同或对应的标号表示相同或对应的部分其中：

图1是示出不同猪只的肌内脂肪含量等级的示意图；

图2是示出根据本发明实施例的用于对猪只肌内脂肪含量进行检测的方法流程图；

图3是示出根据本发明实施例的采集待检测图像的示意图；

图4是示出根据本发明实施例的用于猪只肌内脂肪含量的检测模型的结构图；

图5是示出根据本发明另一个实施例的用于对猪只肌内脂肪含量进行检测的方法流程图；

图6是示出根据本发明实施例的二值化图像的示意图；

图7是示出根据图6中背膘层区域确定最下层背膘曲线的示意图；

图8是示出根据图6中最下层区域确定最下层背膘曲线的示意图；

图9是示出根据本发明实施例的待检测图像中最下层背膘曲线的示意图；

图10是示出根据本发明实施例的包括确定目标肋骨位置的方法流程图；

图11a是示出根据本发明实施例的提取的目标肋骨区域的示意图；

图11b是示出根据图11a绘制的平均值曲线；

图12是示出根据本发明实施例的截取目标区域图像的示意图；以及

图13是示出根据本发明实施例的用于对猪只肌内脂肪含量进行检测的设备示意框图。

具体实施方式

现在将参考附图描述实施例。应当理解，为了说明的简单和清楚，在认为合适的情况下，可以在附图中重复附图标记以指示对应或类似的元件。另外，本发明阐述了许多具体细节以便提供对本文所述实施例的透彻理解。然而，本领域普通技术人员将理解，可以在没有这些具体细节的情况下实践本文描述的实施例。在其他情况下，没有详细描述公知的方法、过程和组件，以免模糊本文描述的实施例。而且，该描述不应被视为限制本文描述的实施例的范围。

图2是示出根据本发明实施例的用于对猪只肌内脂肪含量进行检测的方法流程图。如图2中所示，方法200可以包括：在步骤S202处，基于采集到的包含猪只眼肌区域的待检测图像，确定待检测图像中的最下层背膘曲线。在一个实施例中，待检测图像可以通过无损采集手段获得，例如通过图像采集设备直接在活体猪只体表检测获得。在另一些实施例中，待检测图像可以包括医学图像，例如B超图像、X光图像等。作为举例，图像采集设备可以是B超检测仪、X射线图像检测仪等。可以理解的是，B超检测仪是基于反射和散射的原理来采集人体组织声学信息，并且可以将采集到的声学信息以波形或图像的形式在显示器上进行显示，其中波形或图像是以灰阶(即亮度)模式来显示在显示器上。

在一个实施例中，采集的待检测图像可以是包含猪只眼肌区域的图像。可以理解的是，眼肌是猪只全身最长、最大的多裂肌，又可称为“背最长肌”，因其肌肉的横断面呈三菱形或椭圆形且类似眼睛，故俗称“眼肌”。由于猪只的眼肌区域的肌内脂肪含量更具代表性，因此通过采集包含猪只眼肌区域的图像并对眼肌区域的猪只肌肉进行肌内脂肪含量检测，可以更加准确地检测出猪只的肌内脂肪含量。

在一个应用场景中，采集包含猪只眼肌区域的待检测图像的方法可以包括例如平行法、垂直法等中的至少一种。在一个具体实施例中，采用平行法可以是将B超检测仪探头放置在与猪只背中线平行、倒数第3-4肋骨处且距离背中线5cm处进行图像采集。在另一个实施例中，包含猪只眼肌区域的待检测图像可以是在活体猪只体表的背腰部1/2处采集得到，例如，可以在图3中所示的活体猪只的背腰部301处利用B超检测仪进行图像采集，进而可以得到B超图像302，该B超图像302可以作为本发明实施例的待检测图像。

进一步地，可以理解的是，背膘位于猪只的真皮之下和背最长肌(即眼肌)之上，可以被分为外、中、内三层背膘层，并且该三层背膘层不连续且被致密的结缔组织包围。在一些应用场景中，在活体猪只的体表进行图像采集，使得待检测图像中可能包括背膘层。在一些实施例中，可以通过对待检测图像进行图像处理和识别，以确定待检测图像中的最下层背膘曲线，该最下层背膘曲线可以包括最下层背膘层(或称内层背膘层)的轮廓曲线，或者最下层背膘层本身所形成的线条，或者最下层背膘层的底边线条。通过确定最下层背膘曲线可以辅助确定待检测图像中的眼肌区域，以便后续对肌内脂肪含量的检测。

接着，返回图2中继续描述，在步骤S204处，可以基于最下层背膘曲线，在待检测图像中截取目标区域图像。在一些实施例中，当待检测图像中包括背膘层和背最长肌层时，可以截取最下层背膘曲线下方的区域作为目标区域图像。在另一些实施例中，当待检测图像中包括背膘层、背最长肌层和肋骨(或者其他非肌肉结构)，可以截取最下层背膘曲线与肋骨(或者其他非肌肉结构)之间的区域的图像作为目标区域图像。在一个应用场景中，在待检测图像中截取的目标区域图像可以是包含肌内脂肪的图像，其中肌内脂肪是决定猪肉品质的重要因素，进而可以通过截取包含肌内脂肪的目标区域图像来进行猪只肌内脂肪含量的检测，以便可以利用肌内脂肪含量的检测结果来实现对猪肉品质的改良。

如图2中进一步示出的，在步骤S206处，可以利用基于深度神经网络的检测模型对目标区域图像进行检测，以确定猪只的肌内脂肪含量。在一个实施例中，确定猪只的肌内脂肪含量可以包括利用检测模型对同一猪只的多个待检测图像中相应截取的多个目标区域图像进行分别检测，并且根据多个目标区域图像的检测结果的平均值，来确定猪只的肌内脂肪含量。可以理解的是，多个检测结果的平均值有利于提高猪只的肌内脂肪含量检测的准确性和可靠性。

在一个实施例中，同一猪只的多个待检测图像可以是通过在一只猪的同一体表部位进行多次图像采集而获得。相比于在同一猪只的不同部位进行多次图像采集或者在不同猪只的相同部位采集，根据本发明实施例的在同一猪只的相同部位进行多次图像采集能够保证肌内脂肪含量的检测结果更加准确。

在另一个实施例中，对同一猪只的多个待检测图像相应截取多个目标区域图像可以是对多个待检测图像中的每个待检测图像分别进行目标区域图像截取。在又一个实施例中，对同一猪只的多个待检测图像相应截取多个目标区域图像可以是指多个待检测图像与多个目标区域图像一一对应，例如，在一个具体实施例中，可以对同一猪只的三张待检测图像中相应截取的三个目标区域图像进行分别检测，并且可以对三张图像的猪只的肌内脂肪含量的检测结果取平均，以作为这头猪只的最终检测结果。

可以理解的是，在一些实施例中，在利用检测模型进行检测之前可以对基于深度神经网络的检测模型进行预先训练，例如，在一个实施例中，可以获取包含眼肌区域的样本图像和眼肌区域中的肌内脂肪含量的样本值；以及使用样本图像和样本值训练深度神经网络模型，以便得到检测模型。在一些实施例中，深度神经网络模型可以包括例如HRNet(“high-resolution network”)、卷积神经网络等。在另一些实施例中，样本图像可以通过无损采集手段获得，例如通过图像采集设备直接在活体猪只体表检测获得。在另一些实施例中，样本图像可以包括医学图像，例如B超图像、X光图像等。在又一些实施例中，获取样本图像可以包括获取一个或多个样本图像。

在一些实施例中，样本值可以通过例如索氏提取法获得。具体地，可以利用脂溶剂抽取样本图像对应区域的猪肉脂肪，在等待脂肪完全与溶剂相融合后，可以根据脂肪与溶剂沸点的不同采用加热的操作将溶剂去除后再进行测量脂肪含量操作，从而可以得出眼肌区域中的肌内脂肪含量的样本值。为了进一步理解根据本发明实施例的基于深度神经网络的检测模型，下面将结合图4对神经网络的另一个实施例进行简要说明。

图4是示出根据本发明另一个实施例的用于猪只肌内脂肪含量的检测模型的结构示意图。如上所述，本发明的方案利用基于深度神经网络的检测模型来对猪只肌内脂肪含量进行高效和准确地识别。为了便于理解，下文将对神经网络进行简要介绍。

如本领域技术人员所知，神经网络通常需要进行训练，以得到经训练后实际能够执行推断操作的神经网络模型(如本发明实施例的检测模型)。前述的训练过程通常可以分为前向传播和反向传播。这里，前向传播可以涉及对信号(例如已知的训练数据，具体到本发明为包含眼肌区域的样本图像和眼肌区域中的肌内脂肪含量的样本值数据)的正向处理，包括从神经网络的输入层经过隐含层，最后到达神经网络的输出层的数据处理。反向传播主要涉及反向传播梯度，包括从神经网络的输出层到隐含层，最后到输入层的数据处理，具体可以是根据梯度依次调节神经网络中每层的权值和偏置。

在上述的正向处理过程中，输入值将输入到神经网络的输入层，并从神经网络的输出层得到预测值的输出。在隐含层中，第二个隐含层从第一个隐含层获取预测中间结果值并进行计算操作和激活操作，然后将得到的预测中间结果值传递给下一个隐含层。在后续的隐藏层中执行前述的相同操作，直至最后在神经网络的输出层得到被称为预测值的输出值。为了计算误差，将预测值与实际输出值进行比较，获得对应的误差值。

反向传播通常使用微分学的链式法则。在链式法则中，首先计算对应神经网络的最后一层权值的误差值的导数(称这些导数为梯度)。接着，使用这些梯度来计算神经网络中的倒数第二层的梯度。重复此过程，直到得到神经网络中每个权值对应的梯度。最后，将神经网络中每个权值减去对应的梯度，从而对权值进行一次更新，以达到减少误差值的目的。对于一些神经网络来说，还可以执行对训练过的神经网络的微调操作，以获得最终可以执行实际数据的神经网络模型。

具体到本发明的方案，可以将本发明实施例的用于对猪只肌内脂肪含量进行检测的训练数据(样本图像和样本值)提前输入至例如图4中所示深度神经网络的模型中。接着，在前向传播中，可以经由该模型中的卷积层、池化层和全连接层的计算来获得训练输出结果。此后，可以利用训练输出结果和损失函数来在反向传播方向上调节分类网络模型中各个层的参数。重复执行前述的前向传播和反向传播操作，直到得到满足检测预期的检测结果，也即可以得到本发明实施例的对猪只肌内脂肪含量进行检测的检测模型。

图5是示出根据本发明另一个实施例的用于对猪只肌内脂肪含量进行检测的方法流程图。通过下面的描述可知，图5中所示的方法500可以是前文中结合图2所描述的方法200的一个具体化表现形式，因此前文中关于方法200的描述也可以适用于下面对方法500的描述中。

如图5所示，方法500可以包括：在步骤S510处，采集包含猪只眼肌区域的待检测图像。前文中结合图2中的步骤S202已经对待检测图像的采集方法进行了示例性的描述，此处不再赘述。接着，流程可以前进到步骤S520，在步骤S520处，可以基于包含猪只眼肌区域的待检测图像确定待检测图像中的最下层背膘曲线。

在一个实施例中，确定待检测图像中的最下层背膘曲线可以包括对待检测图像进行二值化处理，以得到二值化图像。具体地，如图5中所示，步骤S520可以包括：在步骤S522(虚线框示出)中，对待检测图像进行二值化处理。在一个实施例中，对待检测图像进行二值化处理可以包括：将待检测图像中像素值大于或等于阈值的像素赋值为255，以及将待检测图像中像素值小于阈值的像素赋值为0。又例如，在另一个实施例中，也可以根据需要将待检测图像中像素值大于或等于阈值的像素赋值为0，以及将待检测图像中像素值小于阈值的像素赋值为255。

在执行完步骤S522之后，流程可以前进到步骤S523(虚线框示出)处，确定二值化图像中的背膘层区域。在一个实施例中，步骤S523可以包括：确定二值化图像中的前景区域和背景区域；以及遍历前景区域，确定前景区域中宽度大于预设宽度阈值且高度小于预设高度阈值的背膘层区域。在一些实施例中，前景区域可以包括背膘层区域。在另一些实施例中，前景区域的面积小于背景区域的面积。在又一些实施例中，当对待检测图像进行二值化处理，并将待检测图像中像素值大于或等于阈值的像素赋值为255时，二值化像素为255(白色)的区域即为前景区域；相应的，赋值为0(黑色)的区域即为背景区域。在一些实施例中，当对待检测图像进行二值化处理，并将待检测图像中像素值大于或等于阈值的像素赋值为0时，二值化像素为0的区域即为前景区域；相应的，赋值为255的区域即为背景区域。

在一些实施例中，预设宽度阈值可以大于预设高度阈值。在另一些实施例中，遍历前景区域可以包括遍历前景区域中的每个二值化像素，可以通过判断前景区域中连续的二值化像素组成的区域的宽度和高度，来确定背膘层区域。在又一些实施例中，宽度可以是二值化图像的x坐标轴的方向上的距离，高度可以是二值化图像的y坐标轴的方向上的距离。通过遍历二值化图像中前景区域满足预定范围的区域，可以有效消除二值化图像中的非脂肪区域，进而避免非脂肪区域对检测结果的干扰。

如图5中所示，在执行完上述步骤S523之后，流程可以前进到步骤S524(虚线框示出)。在步骤S524处，可以基于背膘层区域的二值化像素值，确定最下层背膘曲线。在一些实施例中，背膘层区域可以包括多层背膘层，最下层背膘曲线可以是由背膘层区域中最下层二值化像素值所组成的曲线，也可以是由背膘层区域中最下层区域的二值化像素值所组成的粗线条。在另一些实施例中，可以遍历背膘层区域及其附近区域的二值化像素值，并通过识别背膘层区域二值化像素值的位置关系，确定背膘层区域中的最下层背膘曲线。

在又一个实施例中，步骤S524可以包括：基于背膘层区域中最下层区域的二值化像素值，确定最下层背膘曲线。具体地，可以通过识别背膘层区域中最下层区域(或称最下层背膘层，或者内层背膘层)的二值化像素值，并且保留最下层区域中的最下层二值化像素值(或称最下层区域的底边)作为最下层背膘曲线。在一个实施例中，可以通过识别背膘层区域中最下层区域的二值化像素值，并且保留最下层区域的二值化像素值整体作为最下层背膘曲线。

如图5中进一步示出的，在另一些实施例中，在执行步骤S522之前，步骤S520还可以包括：在步骤S521(虚线框示出)中，可以对待检测图像进行去噪处理，以获得去噪后的待检测图像。在一些实施例中，可以使用高斯滤波算法对待检测图像进行去噪处理，例如可以通过如下所示的公式(1)生成用于进行图像去噪的高斯卷积核，其中该高斯卷积核越靠近中心点的权重越高。

具体的操作方式可以包括：利用经由公式(1)生成的7*7高斯卷积核遍历待检测图像中的所有像素，并且移动该高斯卷积核的中心元素，使得该高斯卷积核位于输入的待检测图像像素的正上方；接着，可以将输入的待检测图像的像素值作为权重，以用于乘以位于待检测图像像素的正上方的高斯卷积核；以及在待检测图像像素值与高斯卷积核进行相乘操作后，可以将高斯卷积核与待检测图像中每一像素值相乘的结果进行相加，以便可以将相加操作的输出结果作为去噪后的待检测图像。然后，步骤S522中可以是对去噪后的待检测图像进行二值化处理。

接着，在执行完上述步骤S520后，流程可以前进到步骤S530。在步骤S530处，可以基于最下层背膘曲线，在待检测图像中截取目标区域图像。进一步地，在步骤S540处，可以利用基于深度神经网络的检测模型对目标区域图像进行检测，以确定猪只的肌内脂肪含量。步骤S530和步骤S540可以与前文中结合图2描述的步骤S204和步骤S206相同或相似，此处不再赘述。

以上结合图5对根据本发明实施例的确定最下层背膘曲线的方法进行了示例性的描述，可以理解的是，通过对待检测图像进行二值化处理，可以更方便且准确的识别出脂肪区域以及背膘层区域。还可以理解的是，上面的描述是示例性的而非限制性的。例如，在一些实施例中，步骤S524还可以包括：将在二值化图像中确定的最下层背膘曲线映射到待检测图像中，以获得待检测图像中的最下层背膘曲线。另外，为了便于理解上述利用二值化图像确定最下层背膘曲线的过程，下文将结合图6-图9进行示例性的描述。

图6是示出根据本发明实施例的二值化图像600的示意图。在一些实施例中，二值化图像600可以包括前景区域和背景区域。例如，图示中的前景区域可以为白色区域，背景区域可以为黑色区域，其中白色区域可以为待检测图像中像素值大于或等于阈值的区域，黑色区域为待检测图像中像素值小于阈值的区域。通过遍历二值化图像600中的所有白色区域，可以确定前景区域中宽度大于预设宽度阈值且高度小于预设高度阈值的背膘层区域，进而可以排除二值化图像600中的非脂肪区域620以及非背膘层区域630，其中背膘层区域可以包括例如图示中的上层(或称外层背膘层)区域611、中间层区域612以及最下层(或称内层背膘层)区域613。在一些实施例中，通过图像识别技术或者利用基于神经网络的定位模型等方式可以实现在二值化图像600中定位出最下层区域613。在另一些实施例中，该最下层区域613可以整体用作最下层背膘曲线。

图7是示出根据图6中背膘层区域确定最下层背膘曲线的示意图。如图7中的(a)图所示的背膘层区域及其附近背景区域的二值化像素值，其中上层二值化像素值为255的区域701可以对应于图6中所示的上层区域611，中间层二值化像素值为255的区域702可以对应于图6中所示的中间层区域612，最下层二值化像素值为255的区域703可以对应于图6中所示的最下层区域613。接着，在一个实施例中，通过对图7中的(a)图进行处理，可以保留背膘层区域的最下层区域613对应的二值化像素值区域703整体(如图7中的(b)图中所示的二值化像素值区域704)作为待检测图像中的最下层背膘曲线。

图8是示出根据图6中最下层区域确定最下层背膘曲线的示意图。如图8中的(a)图所示的背膘层区域中最下层区域以及附近背景区域的二值化像素值，其中二值化像素值为255的区域801可以对应于图6中所示的最下层区域613。进一步，在一个实施例中，通过对图8中的(a)图进行处理，可以保留区域801中最下层(或称底层)的二值化像素值(如图8中的(b)图中所示的最下层二值化像素值802)作为待检测图像中的最下层背膘曲线。

图9是示出根据本发明实施例的待检测图像中最下层背膘曲线的示意图。如图9所示，在一个实施例中，待检测图像可以是B超图像。在另一个实施例中，可以根据例如图8中的(b)图中所示的最下层二值化像素值802在待检测图像的相应位置确定如图9中所示的最下层背膘曲线901。

图10是示出根据本发明实施例的包括确定目标肋骨位置的方法流程图。通过下面的描述可知，图10中所示的方法1000可以是前文中结合图2所描述的方法200的一个具体化表现形式，因此前文中关于方法200的描述也可以适用于下面对方法1000的描述。

如图10中所示，方法1000可以包括：在步骤S1010中，可以基于采集到的包含猪只眼肌区域的待检测图像，确定待检测图像中的最下层背膘曲线。接着，在步骤S1021处，可以确定待检测图像中的目标肋骨位置。在一些实施例中，确定目标肋骨位置可以包括确定待检测图像中所有肋骨的位置。在另一些实施例中，确定目标肋骨位置可以包括确定待检测图像中多根肋骨中的部分肋骨位置。在又一些实施例中，目标肋骨位置可以包括以下中的至少一种：目标肋骨的坐标(横坐标和/或纵坐标)；目标肋骨区域；目标肋骨与最下层背膘曲线的相对位置；目标肋骨与背膘层区域之间的相对位置等。在一个实施例中，目标肋骨位置可以包括至少两根目标肋骨的横坐标。作为举例，目标肋骨可以包括猪只的倒数第3根和倒数第4根肋骨。

在一个实施例中，确定待检测图像中的目标肋骨位置可以包括：提取待检测图像中的目标肋骨区域；基于目标肋骨区域中每列像素的平均值绘制平均值曲线；以及基于平均值曲线的极值来确定目标肋骨位置。在一些实施例中，提取目标肋骨区域可以包括从待检测图像中截取目标肋骨区域。在另一些实施例中，可以利用图像识别技术或者基于机器学习的定位模型来对待检测图像进行处理，以确定目标肋骨区域。

在又一些实施例中，绘制平均值曲线可以包括以目标肋骨区域中每列像素的平均值作为每个坐标点的纵坐标值来进行绘制。基于目标肋骨区域绘制平均值曲线，可以排除待检测图像中的非肋骨区域(例如眼肌区域、背膘层区域等)的像素的影响，有利于更准确的确定目标肋骨位置。作为举例，从待检测图像中提取的目标肋骨区域可以是提取包含目标肋骨区域的宽度为1000像素和高度为500像素的图像。在对该图像每列中的500个像素值进行求平均值后，可以得到表示目标肋骨区域各列像素的1000个平均值，进而可以基于该1000个平均值以及该1000个平均值的像素横坐标值绘制平均值曲线。

在另一个实施例中，基于平均值曲线的极值来确定目标肋骨位置可以包括基于平均值曲线的极大值和/或极小值。在又一些实施例中，基于平均值曲线的极值来确定目标肋骨位置可以包括：基于平均值曲线中相邻的极小值的横坐标均值，确定待检测图像中目标肋骨的横坐标。在一个实施例中，相邻的极小值可以包括相邻的两个极小值。在另一个实施例中，可以根据平均值曲线中第一个和第二个极小值的横坐标均值确定第一目标肋骨的横坐标，根据第二个和第三个极小值的横坐标均值确定第二目标肋骨的横坐标，其中第一目标肋骨可以包括例如猪只的倒数第三根肋骨，第二目标肋骨可以包括例如猪只的倒数第四根肋骨。

如图10中所示，在确定了目标肋骨位置和最下层背膘曲线后，流程可以前进到步骤S1020。在步骤S1020处，可以基于最下层背膘曲线，在待检测图像中截取目标区域图像。在一个实施例中，步骤S1020可以包括：在步骤S1022(虚线框示出)中，可以在最下层背膘曲线和目标肋骨位置之间截取目标区域图像。在一个实施例中，可以先截取最下层背膘曲线下方的区域，然后再利用确定的目标肋骨位置对最下层背膘曲线下方的区域进行截取。在另一个实施例中，可以先利用确定的目标肋骨位置对待检测图像进行截取，然后再根据截取后的图像中最下层背膘曲线的位置，在截取的图像中的最下层背膘曲线的下方进行再次截取。

在又一个实施例中，截取目标区域图像可以包括截取最下层背膘曲线和目标肋骨位置之间的全部区域的图像作为目标区域图像，或者可以包括截取最下层背膘曲线和目标肋骨位置之间的部分区域的图像作为目标区域图像。例如，在一个实施例中，可以截取距离最下层背膘曲线下方预设像素距离的位置与目标肋骨位置之间的区域的图像作为目标区域图像。在另一个实施例中，预设像素距离可以为50像素。

进一步地，流程可以继续前进到步骤S1030，在步骤S1030处，可以利用基于深度神经网络的检测模型对目标区域图像进行检测，以确定猪只的肌内脂肪含量。步骤S1030已经在前文中结合图2所描述的步骤S206进行了详细的说明，此处不再赘述。

以上结合图10对根据本发明实施例的包括确定目标肋骨位置的方法进行了示例性的描述，例如，步骤S1021可以不限于在步骤S1010之后执行，也可以与步骤S1010同时执行，或者在步骤S1010之前执行。还例如，方法1000可以不限于仅包括图示中的步骤，在另一个实施例中，在确定目标肋骨位置之前，方法1000还可以包括：根据待检测图像采集的猪只的部位，确定待检测图像中各肋骨与极值之间的对应关系，进而可以更方便的根据平均值曲线的极值来确定目标肋骨位置。为了便于理解基于平均值曲线的极值确定目标肋骨位置，以及基于目标肋骨位置和最下层背膘曲线截取目标区域图像的具体操作过程，下面将结合图11a-图12进行详细的说明。

图11a是示出根据本发明实施例的提取的目标肋骨区域的示意图。图11a所示的目标肋骨区域可以是从例如前文中结合图3所示出的待检测图像302中提取获得。如图11a中所示，提取的目标肋骨区域中可以包括多根肋骨的图像，为了便于描述，下面将以图示中的肋骨1101和1102为目标肋骨为例进行示例性的说明。在一些实施例中，根据待检测图像采集的猪只的部位，可以确定待检测图像中的目标肋骨，例如待检测图像为猪只倒数第三根肋骨和倒数第四根肋骨之间采集得到，那么目标肋骨1101可以为猪只的倒数第三根肋骨，目标肋骨1102可以为猪只的倒数第四根肋骨。在另一个实施例中，图11a所示的目标肋骨区域的图像可以是224*224大小的图像。

图11b是示出根据图11a绘制的平均值曲线。基于图11a中每列像素的平均值，可以得到图11b中所示的平均值曲线。由于图11a中相邻肋骨之间的像素值较低(颜色深)，因此相应列平均值较低，从而可以根据图11b中所示的平均值曲线中的极小值确定相邻肋骨之间的区域。在另一些实施例中，可以根据极小值的数量和位置确定其与目标肋骨区域图像中各肋骨的对应关系，进而可以确定极小值与目标肋骨的对应关系，例如，可以根据图11b中的极小值1103和极小值1104来确定图11a中的目标肋骨1101的位置，可以根据图11b中的极小值1104和极小值1105来确定图11a中的目标肋骨1102的位置。在一个实施例中，可以根据图11b中所示平均值曲线的极小值1103和1104的横坐标均值，得到极小值1103和1104的中心横坐标，进而可以通过该中心横坐标来确定目标肋骨1101的位置。类似地，可以通过极小值1104和1105的横坐标均值确定目标肋骨1102的位置。

图12是示出根据本发明实施例的截取目标区域图像的示意图。如图12中所示，在确定了最下层背膘曲线1201和目标肋骨位置之后，可以在最下层背膘曲线1201和目标肋骨位置之间截取目标区域图像，其中目标肋骨位置可以包括例如由图11a中所示目标肋骨1101的横坐标确定的第一目标肋骨位置1202和由图11a中所示目标肋骨1102的横坐标确定的第二目标肋骨位置1203。在一个实施例中，可以截取最下层背膘曲线1201下方以及第一目标肋骨位置1202和第二目标肋骨位置1203之间的区域1204作为目标区域图像。需要理解的是，在本发明实施例中，对确定最下层背膘曲线1201和确定目标肋骨位置(例如图示中的第一目标肋骨位置1202和第二目标肋骨位置1203)的步骤顺序并未进行限制。

以上结合图10-图12对根据本发明实施例的截取目标区域图像的方法进行了示例性的描述，可以理解的是，在截取目标区域图像之前确定待检测图像中的目标肋骨位置可以更加准确地截取目标区域图像，以便于猪只肌内脂肪含量的测量。进一步，利用平均值曲线对目标肋骨区域进行处理，可以有效反映出目标肋骨位置的像素变化情况，从而有利于可以更加准确地确定目标肋骨位置。

图13是示出根据本发明实施例的用于对猪只肌内脂肪含量进行检测的设备示意框图。系统1300可以包括根据本发明实施例的猪只肌内脂肪含量检测设备1301以及其外围设备和外部网络，以实现前述结合图1-图12所描述的根据本发明实施例的用于对猪只肌内脂肪含量进行检测的方法。

如图13中所示，猪只肌内脂肪含量检测设备1301可以包括CPU 1311，其可以是通用CPU、专用CPU或者其他信息处理以及程序运行的执行单元。进一步，猪只肌内脂肪含量检测设备1301还可以包括大容量存储器1312和只读存储器ROM 1313，其中大容量存储器1312可以配置用于存储各类数据。在本发明中，包括关于猪只的待检测图像、平均值曲线图或者本发明使用到的各种模型的相关数据等。另外，ROM 1313可以配置成存储对于猪只肌内脂肪含量检测设备1301的中各功能模块的初始化、系统的基本输入/输出的驱动程序及引导操作系统所需的数据。

进一步，系统1300还包括其他的硬件平台或组件，例如示出的张量处理单元(TPU)1314、图像处理单元(GPU)1315、现场可编程门阵列(FPGA)1316和机器学习单元(MLU)1317。可以理解的是，尽管在设备500中示出了多种硬件平台或组件，但这里仅仅是示例性的而非限制性的，本领域技术人员可以根据实际需要增加或移除相应的硬件，例如，猪只肌内脂肪含量检测设备1301可以仅包括CPU作为公知硬件平台和另一硬件平台作为本发明的猪只姿态识别硬件平台。

本发明的猪只肌内脂肪含量检测设备1301还包括通信接口1318，从而可以通过该通信接口1318连接到局域网/无线局域网(LAN/WLAN)1305，进而可以通过LAN/WLAN1305连接到本地服务器1306或连接到因特网(“Internet”)。替代地或附加地，本发明的猪只肌内脂肪含量检测设备1301还可以通过通信接口1318基于无线通信技术直接连接到因特网或蜂窝网络，例如基于第三代(“3G”)、第四代(“4G”)或第5代(“5G”)的无线通信技术。在一些应用场景中，本发明的猪只肌内脂肪含量检测设备1301还可以根据需要访问外部网络的服务器1308以及可能的数据库1309，以便获得各种已知的可以例如本发明的神经网络模型，并且可以远程地存储各种数据。

猪只肌内脂肪含量检测设备1301的外围设备可以包括显示装置1302、输入装置1303以及数据传输接口1304。在一个实施例中，显示装置1302可以例如包括一个或多个扬声器和/或一个或多个视觉显示器，其配置用于对本发明设备的检测过程或者最终结果进行语音提示和/或图像视频显示。输入装置1303可以包括例如键盘、鼠标、麦克风、姿势捕捉相机，或其他输入按钮或控件，其配置用于接收测试数据的输入或用户指令。数据传输接口1304可以包括例如串行接口、并行接口或通用串行总线接口(“USB”)、小型计算机系统接口(“SCSI”)、串行ATA、火线(“FireWire”)、PCI Express和高清多媒体接口(“HDMI”)等，其配置用于与其他设备或系统的数据传输和交互。根据本发明的方案，该数据传输接口1304可以接收经过B超检测仪采集的待检测图像。本发明的猪只肌内脂肪含量检测设备1301的上述CPU 1311、大容量存储器1312、只读存储器ROM 1313、TPU 1314、GPU 1315、FPGA 1316、MLU 1317和通信接口1318可以通过总线1319相互连接，并且通过该总线与外围设备实现数据交互。在一个实施例中，通过该总线1319，CPU 1311可以控制猪只肌内脂肪含量检测设备1301中的其他硬件组件及其外围设备。

还应当理解，本发明示例的执行指令的任何模块、单元、组件、服务器、计算机、终端或设备可以包括或以其他方式访问计算机可读介质，诸如存储介质、计算机存储介质或数据存储设备(可移除的)和/或不可移动的)例如磁盘、光盘或磁带。计算机存储介质可以包括以用于存储信息的任何方法或技术实现的易失性和非易失性，可移动和不可移动介质，例如计算机可读指令、数据结构、程序模块或其他数据。

本发明还公开了一种计算机可读存储介质，其中存储有程序指令，程序指令适于由处理器加载并执行基于采集到的包含猪只眼肌区域的待检测图像，确定所述待检测图像中的最下层背膘曲线；基于最下层背膘曲线，在待检测图像中截取目标区域图像；以及利用基于深度神经网络的检测模型对目标区域图像进行检测，以确定猪只的肌内脂肪含量。基于此，当本发明的方案以软件产品(计算机可读存储介质)的形式体现时，该软件产品可以存储在存储器中，其可以包括若干指令用以使得计算机设备(例如个人计算机、服务器或者网络设备等)执行本发明实施例所述方法的部分或全部步骤。前述的存储器可以包括但不限于U盘、闪存盘、只读存储器ROM、随机存取存储器(“Random Access Memory”，简写为RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

综上所述，通过本发明的方案可以实现对活体猪只肌内脂肪含量的检测，以便可以减少对猪只的伤害，并且可以根据检测结果利用活体猪只实现猪只育种。进一步，通过基于神经网络的检测模型来实现对肌内脂肪含量的检测，可以极大地节省猪只肌内脂肪含量的检测时间，同时还可以避免因人工操作失误而导致的结果误差。另外，本发明用于检测猪只肌内脂肪含量的方法操作简单，对人员操作要求不高，进而可以减少劳动成本的花费。

应当理解，本发明披露的权利要求、说明书及附图中的可能术语“第一”或“第二”等是用于区别不同对象，而不是用于描述特定顺序。本发明披露的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本发明披露说明书中所使用的术语仅仅是出于描述特定实施例的目的，而并不意在限定本发明披露。如在本发明披露说明书和权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。还应当进一步理解，在本发明披露说明书和权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

虽然本发明的实施方式如上，但所述内容只是为便于理解本发明而采用的实施例，并非用以限定本发明的范围和应用场景。任何本发明所述技术领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (10)

1.一种用于对猪只肌内脂肪含量进行检测的方法，其特征在于，包括：

基于采集到的包含猪只眼肌区域的待检测图像，确定所述待检测图像中的最下层背膘曲线；

基于所述最下层背膘曲线，在所述待检测图像中截取目标区域图像；以及

利用基于深度神经网络的检测模型对所述目标区域图像进行检测，以确定所述猪只的肌内脂肪含量。

2.根据权利要求1所述的方法，其特征在于，确定所述待检测图像中的最下层背膘曲线包括：

对所述待检测图像进行二值化处理，以得到二值化图像；

确定所述二值化图像中的背膘层区域；以及

基于所述背膘层区域的二值化像素值，确定所述最下层背膘曲线。

3.根据权利要求2所述的方法，其特征在于，进一步包括：

确定所述二值化图像中的前景区域和背景区域；

遍历所述前景区域，确定所述前景区域中宽度大于预设宽度阈值且高度小于预设高度阈值的背膘层区域；以及

基于所述背膘层区域中最下层区域的二值化像素值，确定所述最下层背膘曲线。

4.根据权利要求1所述的方法，其特征在于，在截取目标区域图像之前，所述方法还包括：

确定所述待检测图像中的目标肋骨位置；以及

截取目标区域图像包括：

在所述最下层背膘曲线和所述目标肋骨位置之间截取所述目标区域图像；

优选地，所述目标肋骨位置包括至少两根目标肋骨的横坐标。

5.根据权利要求4所述的方法，其特征在于，确定所述待检测图像中的目标肋骨位置包括：

提取所述待检测图像中的目标肋骨区域；

基于所述目标肋骨区域中每列像素的平均值绘制平均值曲线；以及

基于所述平均值曲线的极值来确定所述目标肋骨位置；

优选地，在确定所述目标肋骨位置之前，所述方法还包括：

根据所述待检测图像采集的猪只的部位，确定所述待检测图像中各肋骨与所述极值之间的对应关系。

6.根据权利要求5所述的方法，其特征在于，基于所述平均值曲线的极值来确定所述目标肋骨位置包括：

基于所述平均值曲线中相邻的极小值的横坐标均值，确定所述待检测图像中目标肋骨的横坐标。

7.根据权利要求1所述的方法，其特征在于，在利用检测模型进行检测之前，所述方法还包括：

获取包含眼肌区域的样本图像和所述眼肌区域中的肌内脂肪含量的样本值；以及

使用所述样本图像和所述样本值训练深度神经网络模型，以便得到所述检测模型。

8.根据权利要求1-7任意一项所述方法，其特征在于，确定所述猪只的肌内脂肪含量包括：

利用所述检测模型对同一猪只的多个待检测图像中相应截取的多个目标区域图像进行分别检测；以及

根据多个目标区域图像的检测结果的平均值，确定所述猪只的肌内脂肪含量。

9.一种用于对猪只肌内脂肪含量进行检测的设备，其特征在于，包括：

处理器；

存储器，其存储有用于对猪只肌内脂肪含量进行检测的程序指令，当所述程序指令由所述处理器执行时，实现根据权利要求1-8的任意一项所述的方法步骤。

10.一种计算机可读存储介质，其特征在于，存储用于对猪只肌内脂肪含量进行检测的程序指令，当所述程序指令由处理器执行时，实现根据权利要求1-8的任意一项所述的方法步骤。

Images