CN115620283A - 基于计算机视觉的猪肉大理石纹表型数据测量方法及装置 - Google Patents

基于计算机视觉的猪肉大理石纹表型数据测量方法及装置 Download PDF

Info

Publication number
CN115620283A
CN115620283A CN202211462683.3A CN202211462683A CN115620283A CN 115620283 A CN115620283 A CN 115620283A CN 202211462683 A CN202211462683 A CN 202211462683A CN 115620283 A CN115620283 A CN 115620283A
Authority
CN
China
Prior art keywords
pork
marbling
image
network model
segmentation network
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
CN202211462683.3A
Other languages
English (en)
Other versions
CN115620283B (zh
Inventor
刘唯真
张树峰
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.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
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 Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202211462683.3A priority Critical patent/CN115620283B/zh
Publication of CN115620283A publication Critical patent/CN115620283A/zh
Application granted granted Critical
Publication of CN115620283B publication Critical patent/CN115620283B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/68—Food, e.g. fruit or vegetables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于计算机视觉的猪肉大理石纹表型数据测量方法及装置，其方法包括：基于油脂反光特征建立图像采集装置获取猪肉图像；对所述猪肉图像进行预处理，得到猪肉背最长肌肌肉图像；将所述猪肉背最长肌肌肉图像输入预设的猪肉大理石纹分割网络模型，得到猪肉大理石纹图像；基于预设的大理石纹表型提取模型对所述猪肉大理石纹图像进行特征提取，得到猪肉大理石纹表型数据。本发明提供的基于计算机视觉的猪肉大理石纹表型数据测量方法能够实现定量测定猪肉大理石纹表型，并兼顾测量的成本、效率、准确性及公正性。

Description

基于计算机视觉的猪肉大理石纹表型数据测量方法及装置
技术领域
本发明涉及计算机视觉、图像处理技术和肉制品检测领域，具体涉及一种基于计算机视觉的猪肉大理石纹表型数据测量方法及装置。
背景技术
大理石花纹是决定肉质品质的最重要特征之一，由于其对肉的感官特性的贡献，大理石花纹的丰富程度对肉的外观、味道、加工和储存特性有重要影响，此外，它与肉的肌内脂肪含量、嫩度、多汁性和口感高度相关，往往被消费者视为购买肉类的首要因素。在市场上，对具有一定程度大理石花纹的肉制品的需求一直存在。
传统上，肉的大理石花纹是通过视觉评估或化学分析来评估的，其中目测法主要是由经验丰富的技工根据猪肉的石纹及手感进行等级评定，具有主观性和耗时耗力的缺点，化学分析法具有费力、耗时、昂贵且步骤繁琐，属破坏性检测的缺点。为了提高检测精度和生产效率，各种现代仪器技术，包括光谱技术、成像技术和高光谱成像技术，已被开发用于大理石纹分析。包括 CIA（Computer image analysis计算机图像分析）、UI（Ultrasonicimaging超声图像）和 X-ray CT （X-ray computed tomography X 射线计算机断层扫描）。但都具有相应的优缺点，比如传统数字图像处理容易受强噪声比如反光的影响，无法保证大理石花纹程度的预测准确性；UI、X-ray CT具有门槛、操作难度和成本较高的缺点，且现有技术中的化学方法只能测定大理石纹含量，各种图像方法都是对猪肉的大理石纹进行等级评定，属于定性评价，缺乏一种对大理石纹分布相关表型进行定量测定的方法。
综上，现有技术中对猪肉的大理石纹表型数据的测量存在无法实现定量测定猪肉大理石纹表型，且无法兼顾测量的成本、效率、准确性及公正性的技术问题。
发明内容
有鉴于此，有必要提供一种基于计算机视觉的猪肉大理石纹表型数据测量方法及装置，解决现有技术中对猪肉的大理石纹表型数据的测量存在的无法实现定量测定猪肉大理石纹表型，且无法兼顾测量的成本、效率、准确性及公正性的技术问题。
为了解决上述技术问题，一方面，本发明提供了一种基于计算机视觉的猪肉大理石纹表型测量方法，包括：
基于具有油脂反光特征的图像采集装置获取猪肉图像；
对所述猪肉图像进行预处理，得到猪肉背最长肌肌肉图像；
将所述猪肉背最长肌肌肉图像输入预设的猪肉大理石纹分割网络模型，得到猪肉大理石纹图像；
基于预设的大理石纹表型提取模型对所述猪肉大理石纹图像进行特征提取，得到猪肉大理石纹表型数据。
在一些可能实现的方式中，所述基于预设的大理石纹表型提取模型对所述猪肉大理石纹图像进行特征提取，得到猪肉大理石纹表型数据，包括：
基于灰度直方图原理对所述猪肉大理石纹图像进行自适应阈值二值化处理，得到猪肉大理石纹图像的二值图像；
根据所述二值图像中猪肉的大理石纹面积大小，将不同尺寸大小的猪肉大理石纹划分为第一尺寸类别、第二尺寸类别和第三尺寸类别；
根据所述二值图像获取猪肉的大理石纹分布程度特征、面积、眼肌面积、面积密度、大理石纹数量、大理石纹计数密度、以及所述第一尺寸类别、第二尺寸类别和第三尺寸类别下的大理石纹数量、面积密度和计数密度，作为所述猪肉大理石纹表型数据；
其中，得到所述大理石纹分布程度特征包括：旋转所述二值图像使图像的长轴处于水平位置，将旋转后二值图像沿所述长轴方向等分为多个子区域，计算每个子区域大理石纹的面积密度，并根据所述每个子区域大理石纹面积密度的标准差和偏度表示猪肉大理石纹分布的均匀程度，作为所述大理石纹分布程度特征。
在一些可能实现的方式中，所述具有油脂反光特征的图像采集装置，包括：由不透光材料构成的黑匣子、分布于所述黑匣子里侧的反射材料、位于所述黑匣子顶部的荧光灯以及摄像装置。
在一些可能实现的方式中，所述对所述猪肉图像进行预处理，得到猪肉背最长肌肌肉图像，包括：
对所述猪肉图像进行高斯去噪处理，得到去噪图像；
对所述去噪图像进行阈值分割，得到去除背景信息的图像；
对所述去除背景信息的图像进行先膨胀再腐蚀的形态学操作，确定最大外轮廓区域并填充生成猪肉背最长肌肌肉掩码；
通过生成的所述猪肉背最长肌肌肉掩码与所述猪肉图像的与运算结果，得到所述猪肉背最长肌肌肉图像。
在一些可能实现的方式中，确定所述预设的猪肉大理石纹分割网络模型，包括：
基于所述具有油脂反光特征的图像采集装置采集猪肉样本图像，构建样本集；
基于U-Net算法构建初始猪肉大理石纹分割网络模型；
基于所述样本集迭代训练所述初始猪肉大理石纹分割网络模型，得到所述预设的猪肉大理石纹分割网络模型。
在一些可能实现的方式中，所述基于所述具有油脂反光特征的图像采集装置采集猪肉样本图像，构建样本集，包括：
基于所述具有油脂反光特征的图像采集装置获取多张包含大理石纹的猪肉样本图像；
对所述多张包含大理石纹的猪肉图像进行预处理，得到多张猪肉背最长肌肌肉样本图像；
对所述多张猪肉背最长肌肌肉样本图像中的大理石纹区域进行标注，得到多张猪肉大理石纹样本图像；
以所述多张猪肉背最长肌肌肉样本图像中的每张猪肉背最长肌肌肉样本图像及其对应的猪肉大理石纹样本图像为一个样本，构建所述样本集。
在一些可能实现的方式中，所述基于U-Net算法构建初始猪肉大理石纹分割网络模型，包括：
基于U-Net算法以vgg16网络为框架构建初始猪肉大理石纹分割网络模型，所述初始猪肉大理石纹分割网络模型包含多个特征编码器及多个特征解码器；
其中，所述多个特征编码器均由两个卷积层、激活函数及一个最大池化层组成；所述特征解码器由一个上采样卷积层、特征拼接函数及两个的卷积层构成。
在一些可能实现的方式中，所述基于所述样本集迭代训练所述初始猪肉大理石纹分割网络模型，得到所述预设的猪肉大理石纹分割网络模型，包括:
将所述样本集划分为训练样本集、验证样本集和测试样本集；
利用所述训练样本集以所述猪肉背最长肌肌肉样本图像为输入，所述猪肉大理石纹样本图像为输出，对所述初始猪肉大理石纹分割网络模型进行训练；
利用所述验证样本集对训练后的猪肉大理石纹分割网络模型进行验证，并根据训练样本集和验证样本集的损失函数调整训练后的猪肉大理石纹分割网络模型的超参数；
利用所述测试样本集对调整超参数后的猪肉大理石纹分割网络模型进行测试，计算精确率、召回率、平均交并比，当所述精确率、召回率和平均交并比均达到设定阈值时，得到所述预设的猪肉大理石纹分割网络模型。
在一些可能实现的方式中，所述预设的猪肉大理石纹分割网络模型采用交叉熵损失函数和语义分割损失函数作为模型的整体损失函数。
另一方面，本发明还提供了一种基于计算机视觉的猪肉大理石纹表型数据测量装置，包括：
图像采集模块，用于建立图像采集装置获取猪肉图像；
预处理模块，用于对所述猪肉图像进行预处理，得到猪肉背最长肌肌肉图像；
图像分割模块，用于将所述猪肉背最长肌肌肉图像输入预设的猪肉大理石纹分割网络模型，得到猪肉大理石纹图像；
数据提取模块，用于基于预设的大理石纹表型提取算法对所述猪肉大理石纹图像进行特征提取，得到猪肉大理石纹表型数据。
采用上述实施例的有益效果是：本发明提供的基于计算机视觉的猪肉大理石纹表型数据测量方法，一方面，通过构建具有油脂反光特征的图像采集装置可以均匀光线，有效的去除图像采集过程中由于猪肉表面油脂反光而产生的影响，获取更高质量的图像，为数据测量提供良好的数据基础，另一方面基于传统数字图像处理分割得到猪肉背最长肌肌肉图像，然后基于vgg16网络框架和U-Net算法构建并训练得到猪肉大理石纹分割网络模型，实现了猪肉大理石纹图像的自动分割，进而计算大理石纹表型，相对于传统算法，可以从采集的大量图像数据中自动学习提取相关特征，使得模型的泛化能力和鲁棒性更好，提高了猪肉大理石纹图像分割的精度与效率，最后通过对大理石纹分布相关表型进行定义及定量测定，使得对猪肉大理石表纹型数据的测量成本降低、效率提高、准确性提升，并保证了数据测量结果的公正性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述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，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的基于计算机视觉的猪肉大理石纹表型数据测量方法的一个实施例流程示意图；
图2为本发明提供的图像采集装置一实施例的结构示意图；
图3为本发明提供的图1中步骤S102一实施例的流程示意图；
图4为本方发明提供的训练得到预设的猪肉大理石纹分割网络模型一实施例的流程示意图；
图5为本发明提供的图4中步骤S401一实施例的流程示意图；
图6为本发明提供的图4中步骤S403一实施例的流程示意图；
图7为本发明提供的标注大理石纹图像一实施例的示意图；
图8为本发明提供的输入的猪肉背最长肌肌肉图像一实施例的示意图；
图9为本发明提供的输出的猪肉大理石纹图像一实施例的示意图；
图10为本发明提供的图1中步骤S104一实施例的流程示意图；
图11为本发明提供的基于计算机视觉的猪肉大理石纹表型数据测量装置一实施例的结构示意图。
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。
应当理解，示意性的附图并未按实物比例绘制。本发明中使用的流程图示出了根据本发明的一些实施例实现的操作。应当理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本发明内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器系统和/或微控制器系统中实现这些功能实体。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
在对具体的实施例进行描述之前，对本发明的应用场景及发明构思进行相关说明：
猪肉大理石纹不像牛肉大理石纹，由于牛肉大理石纹与肉质区域对比度高，大理石纹含量高，其特征易于提取，对牛肉大理石纹分割的算法已比较成熟，但是对于猪肉来说，其大理石纹含量低且不够明显，对猪肉大理石纹分割算法的研究尚不成熟。
到目前为止，目测仍然是肉类行业评价大理石花纹程度的首选方法。此外，作为另一种常规方法，化学分析法也被广泛用作测定大理石纹度的标准方法。然而，目测法主要是由经验丰富的技工根据猪肉的石纹及手感进行等级评定，具有主观性和耗时耗力的缺点，化学分析法具有费力、耗时、昂贵且步骤繁琐，属破坏性检测的缺点。这两种方法均阻碍了对其基因决定因素的理解和改进。耗时且繁琐的实验方法严重阻碍了肉质参数的快速检测，进而影响肉质的提高。目前，我国肉品大理石花纹分级标准主要采用人工测量和感官评定相结合的方法，这种方法是主观的、定性的，由于个人因素（如视觉疲劳、偏好），测量往往不准确，无法整合不同研究和实验的感官评分结果。在实际生产中效率低、误差大、公平和公正性难以保证。
因此，本发明旨在提出一种能够兼顾猪肉大理石纹表型的测量的成本、效率、准确性及公正性的猪肉大理石纹表型数据测量方法。
本发明实施例提供了一种基于计算机视觉的猪肉大理石纹表型数据测量方法及装置，以下分别进行说明。
如图1所示，图1为本发明提供的基于计算机视觉的猪肉大理石纹表型数据测量方法的一个实施例流程示意图，基于计算机视觉的猪肉大理石纹表型数据测量方法包括：
S101、基于具有油脂反光特征的图像采集装置获取猪肉图像；
S102、对所述猪肉图像进行预处理，得到猪肉背最长肌肌肉图像；
S103、将所述猪肉背最长肌肌肉图像输入预设的猪肉大理石纹分割网络模型，得到猪肉大理石纹图像；
S104、基于预设的大理石纹表型提取模型对所述猪肉大理石纹图像进行特征提取，得到猪肉大理石纹表型数据。
与现有技术相比，本发明实施例提供的基于计算机视觉的猪肉大理石纹表型数据测量方法，一方面通过构建具有油脂反光特征的图像采集装置可以均匀光线，有效的去除图像采集过程中由于猪肉表面油脂反光而产生的影响，获取更高质量的图像，为数据测量提供良好的数据基础，另一方面基于预设的猪肉大理石纹分割网络模型，实现了猪肉大理石纹图像的自动分割，进而计算大理石纹表型，相对于传统算法，可以从采集的大量图像数据中自动学习提取相关特征，使得模型的泛化能力和鲁棒性更好，提高了猪肉大理石纹图像分割的精度与效率，使得对猪肉大理石表纹型数据的测量成本降低、效率提高、准确性提升，并保证了数据测量结果的公正性。
在本发明的一些实施例中，如图2所示，图2为本发明提供的图像采集装置一实施例的结构示意图，图像采集装置200，包括：由不透光材料构成的黑匣子201、分布于所述黑匣子里侧的反射材料202、位于所述黑匣子顶部的荧光灯203及摄像装置204。
在本发明具体的实施例中，图像采集装置，包括四个组件：一个不透光材料构成的黑匣子201（40 cm × 40 cm × 40 cm）；分布于黑匣子里侧的反射聚乙烯材料202以帮助均匀分布光线；位于黑匣子顶部的圆形荧光灯203（飞利浦 T5-40W/6500K；荷兰皇家飞利浦电子有限公司）；摄像装置204为彩色数码相机（D5200 型；尼康公司）。
其中步骤S101中获取猪肉图像的具体过程为：
将刚屠宰的猪肉胴体在-10℃至-15℃急冷2-4小时后，胴体表面温度接近-2℃；将胴体转移到 4℃冷藏库并冷却至少 20 小时；在冷藏24小时后对胴体左半部第5至第6根肋骨（5-7厘米厚）的背最长肌（LD）进行取样；切除皮下和结缔组织的2.5 cm的LD切片作为需要提取大理石纹的猪肉图像；切掉猪肉切片的皮下组织和结缔组织，将LD切片放置在图像采集装置的中心（相机镜头下方40厘米）进行图像采集。
本发明实施例通过构建图像采集装置可以均匀光线，有效的去除图像采集过程中由于猪肉表面油脂反光而产生的影响，获取更高质量的图像，为数据测量提供良好的数据基础。
进一步地，在本发明的一些实施例中，如图3所示，图3为本发明提供的图1中步骤S102一实施例的流程示意图，步骤S102包括：
S301、对所述猪肉图像进行高斯去噪处理，得到去噪图像；
S302、对所述去噪图像进行阈值分割，得到去除背景信息的图像；
S303、对所述去除背景信息的图像进行先膨胀再腐蚀的形态学操作，确定最大外轮廓区域并填充生成猪肉背最长肌肌肉掩码；
S304、通过生成的所述猪肉背最长肌肌肉掩码与所述猪肉图像的与运算结果，得到所述猪肉背最长肌肌肉图像。
在本发明具体的实施例中，对所述猪肉图像进行预处理包括：首先对猪肉图像进行高斯去噪处理，再将图像从RGB空间转到HSV空间进行阈值分割去除背景图像，对去除背景信息的图像进行先膨胀再腐蚀的形态学操作，寻找最大外轮廓区域并填充生成猪肉背最长肌肌肉掩码；通过生成的猪肉背最长肌肌肉掩码与所述猪肉图像的与运算，得到猪肉背最长肌肌肉图像。
本发明实施例通过对猪肉图像进行高斯去噪、阈值分割及图像的形态学处理后与原始图像进行与运算得到猪肉背最长肌肌肉图像，为后续对猪肉大理石纹图像进行识别和分割提供数据基础，初步保证大理石纹表型的测量准确性。
进一步地，在本发明的一些实施例中，如图4所示，图4为本方发明提供的训练得到预设的猪肉大理石纹分割网络模型一实施例的流程示意图，确定预设的猪肉大理石纹分割网络模型，包括：
S401、基于所述具有油脂反光特征的图像采集装置采集猪肉样本图像，构建样本集；
S402、基于U-Net算法构建初始猪肉大理石纹分割网络模型；
S403、基于所述样本集迭代训练所述初始猪肉大理石纹分割网络模型，得到所述预设的猪肉大理石纹分割网络模型。
进一步地，在本发明的一些实施例中，如图5所示，图5为本发明提供的图4中步骤S401一实施例的流程示意图，步骤S401包括：
S501、基于所述具有油脂反光特征的图像采集装置获取多张包含大理石纹的猪肉样本图像；
S502、对所述多张包含大理石纹的猪肉图像进行预处理，得到多张猪肉背最长肌肌肉样本图像；
S503、对所述多张猪肉背最长肌肌肉样本图像中的大理石纹区域进行标注，得到多张猪肉大理石纹样本图像；
S504、以所述多张猪肉背最长肌肌肉样本图像中的每张猪肉背最长肌肌肉样本图像及其对应的猪肉大理石纹样本图像为一个样本，构建所述样本集。
进一步地，在本发明的一些实施例中，基于U-Net算法构建初始猪肉大理石纹分割网络模型，包括：基于U-Net算法以vgg16网络为框架构建初始猪肉大理石纹分割网络模型，所述初始猪肉大理石纹分割网络模型包含多个特征编码器及多个特征解码器；
其中，所述多个特征编码器均由两个卷积层、激活函数及一个最大池化层组成；所述特征解码器由一个上采样卷积层、特征拼接函数及两个的卷积层构成。
进一步地，在本发明的一些实施例中，如图6所示，图6为本发明提供的图4中步骤S403一实施例的流程示意图，步骤S403包括：
S601、将所述样本集划分为训练样本集、验证样本集和测试样本集；
S602、利用所述训练样本集以所述猪肉背最长肌肌肉样本图像为输入，所述猪肉大理石纹样本图像为输出，对所述初始猪肉大理石纹分割网络模型进行训练；
S602、利用所述验证样本集对训练后的猪肉大理石纹分割网络模型进行验证，并根据训练样本集和验证样本集的损失函数调整训练后的猪肉大理石纹分割网络模型的超参数；
S602、利用所述测试样本集对调整超参数后的猪肉大理石纹分割网络模型进行测试，计算精确率、召回率、平均交并比，当所述精确率、召回率和平均交并比均达到设定阈值时，得到所述预设的猪肉大理石纹分割网络模型。
其中，预设的猪肉大理石纹分割网络模型采用交叉熵损失函数和语义分割损失函数作为模型的整体损失函数。
在本发明具体的实施例中，要得到预设的猪肉大理石纹分割网络模型，首先基于图像采集装置获取多张包含大理石纹的猪肉样本图像分割出猪肉背最长肌肌肉，构成图像集；
如图7所示，图7为本发明提供的标注大理石纹图像一实施例的示意图，对每张图像中每个大理石纹进行标注；
以每张猪肉背最长肌肌肉图像、每张猪肉大理石纹图像为一个样本，构建样本集A；将样本集A中的样本按照6:2:2的比例分为训练样本集A1、验证样本集A2、测试样本集A3；
以猪肉背最长肌肌肉图像为输入、猪肉大理石纹图像为输出，基于U-Net算法，构建初始猪肉大理石纹分割网络模型。
其中构建初始猪肉大理石纹分割网络模型，包括：构建的U-Net网络模型，采用vgg16网络模型为框架，U-Net网络模型包含特征编码器模块及特征解码器模块。特征编码器模块由两个3x3的卷积层(RELU)再加上一个2x2的maxpooling层组成一个下采样的模块；特征解码器模块由一个上采样的卷积层、特征拼接concat、两个3x3的卷积层(RELU)构成。
一个具体的实施例中，初始猪肉大理石纹分割网络模型的工作流程如下：假设输入为1024×1024×3的猪肉背最长肌肌肉图像，如图8所示，图8为本发明提供的输入的猪肉背最长肌肌肉图像一实施例的示意图，初始猪肉大理石纹分割网络模型的工作流程如下：
第一步，输入图像大小为1024×1024×3，通过64个大小为3×3卷积核，按步长为1个像素，填充为1个像素的2维卷积后进行归一化处理，归一化处理的结果经过激活函数ReLu激活，激活后再通过64个大小为3×3卷积核，按步长为1个像素，填充为1个像素的2维卷积后进行归一化处理，归一化处理的结果经过激活函数ReLu激活，得到1024×1024×64的结果；
第二步，将第一步得到的结果使用最大池化，得到512×512×64的池化结果，通过128个大小为3×3卷积核，按步长为1个像素，填充为1个像素的2维卷积后进行归一化处理，归一化处理的结果经过激活函数ReLu激活，激活后再通过128个大小为3×3卷积核，按步长为1个像素，填充为1个像素的2维卷积后进行归一化处理，归一化处理的结果经过激活函数ReLu激活，得到512×512×128的结果；
第三步，将第二步得到的结果使用最大池化，得到256×256×128的池化结果，通过256个大小为3×3卷积核，按步长为1个像素，填充为1个像素的2维卷积后进行归一化处理，归一化处理的结果经过激活函数ReLu激活，激活后再通过256个大小为3×3卷积核，按步长为1个像素，填充为1个像素的2维卷积后进行归一化处理，归一化处理的结果经过激活函数ReLu激活，得到256×256×256的结果；
第四步，将第三步得到的256×256×256的结果通过256个大小为3×3卷积核，按步长为1个像素，填充为1个像素的2维卷积后进行归一化处理，归一化处理的结果经过激活函数ReLu激活，激活后使用最大池化，得到128×128×256的结果，然后再通过512个大小为3×3卷积核，按步长为1个像素，填充为1个像素的2维卷积后进行归一化处理，归一化处理的结果经过激活函数ReLu激活，得到128×128×512的结果；
第五步，将第四步得到的128×128×512的结果通过512个大小为3×3卷积核，按步长为1个像素，填充为1个像素的2维卷积后进行归一化处理，归一化处理的结果经过激活函数ReLu激活，激活后再通过512个大小为3×3卷积核，按步长为1个像素，填充为1个像素的2维卷积后进行归一化处理，归一化处理的结果经过激活函数ReLu激活，激活后使用最大池化，得到64×64×256的结果；
第六步，将第五步得到的64×64×256的结果通过512个大小为3×3卷积核，按步长为1个像素，填充为1个像素的2维卷积后进行归一化处理，归一化处理的结果经过激活函数ReLu激活，激活后再通过512个大小为3×3卷积核，按步长为1个像素，填充为1个像素的2维卷积后进行归一化处理，归一化处理的结果经过激活函数ReLu激活，激活后再通过512个大小为3×3卷积核，按步长为1个像素，填充为1个像素的2维卷积后进行归一化处理，归一化处理的结果经过激活函数ReLu激活，将第激活得到的结果使用最大池化得到32×32×512的结果；
第七步，将第六步得到的32×32×512的结果通过1024个大小为3×3卷积核，按步长为1个像素，填充为1个像素的2维卷积后进行归一化处理，归一化处理的结果经过激活函数ReLu激活，激活后再通过1024个大小为3×3卷积核，按步长为1个像素，填充为1个像素的2维卷积后进行归一化处理，归一化处理的结果经过激活函数ReLu激活，得到32×32×1024的结果；
第八步，将第七步得到的32×32×1024的结果通过512个大小为2×2卷积核进行上采样，得到64×64×512的结果，与第五步得到的64×64×256的结果在dim=1的维度进行拼接得到64×64×1024的结果，然后再通过512个大小为3×3卷积核，按步长为1个像素，填充为1个像素的2维卷积后进行归一化处理，归一化处理的结果经过激活函数ReLu激活，再通过512个大小为3×3卷积核，按步长为1个像素，填充为1个像素的2维卷积后进行归一化处理，归一化处理的结果经过激活函数ReLu激活，得到64×64×512的结果；
第九步，将第八步得到的64×64×512的结果通过256个大小为2×2卷积核进行上采样，得到128×128×256的结果，与第四步得到的128×128×256的结果在dim=1的维度进行拼接得到128×128×512的结果，然后再通过256个大小为3×3卷积核，按步长为1个像素，填充为1个像素的2维卷积后进行归一化处理，归一化处理的结果经过激活函数ReLu激活，再通过256个大小为3×3卷积核，按步长为1个像素，填充为1个像素的2维卷积后进行归一化处理，归一化处理的结果经过激活函数ReLu激活，得到128×128×256的结果；
第十步，将第九步得到的128×128×256的结果通过128个大小为2×2卷积核进行上采样，得到256×256×128的结果，与第三步得到的256×256×128的结果在dim=1的维度进行拼接得到256×256×256的结果，然后再通过128个大小为3×3卷积核，按步长为1个像素，填充为1个像素的2维卷积后进行归一化处理，归一化处理的结果经过激活函数ReLu激活，再通过128个大小为3×3卷积核，按步长为1个像素，填充为1个像素的2维卷积后进行归一化处理，归一化处理的结果经过激活函数ReLu激活，得到256×256×128的结果；
第十一步，将第十步得到的256×256×128的结果通过64个大小为2×2卷积核进行上采样，得到512×512×64的结果，与第二步得到的512×512×64的结果在dim=1的维度进行拼接得到512×512×128的结果，然后再通过64个大小为3×3卷积核，按步长为1个像素，填充为1个像素的2维卷积后进行归一化处理，归一化处理的结果经过激活函数ReLu激活，再通过64个大小为3×3卷积核，按步长为1个像素，填充为1个像素的2维卷积后进行归一化处理，归一化处理的结果经过激活函数ReLu激活，得到512×512×64的结果；
第十二步，将第十一步得到的512×512×64的结果通过32个大小为2×2卷积核进行上采样，得到1024×1024×32的结果，与第二步得到的1024×1024×32的结果在dim=1的维度进行拼接得到1024×1024×64的结果，然后再通过32个大小为3×3卷积核，按步长为1个像素，填充为1个像素的2维卷积后进行归一化处理，归一化处理的结果经过激活函数ReLu激活，再通过32个大小为3×3卷积核，按步长为1个像素，填充为1个像素的2维卷积后进行归一化处理，归一化处理的结果经过激活函数ReLu激活，得到1024×1024×32的结果。最后，将得到1024×1024×32的结果通过2个大小为2×2卷积核，按步长为1个像素的2维卷积后得到维度为1024×1024×2的输出图片，如图9所示，图9为本发明提供的输出的猪肉大理石纹图像一实施例的示意图。
进一步地，基于样本集迭代训练初始猪肉大理石纹分割网络模型，包括：
首先，利用训练样本集A1对初始大理石纹分割模型进行训练，得到训练后的大理石纹分割模型。
其中，在大理石纹分割模型的训练过程中，U-net语义分割网络通过下采样对训练样本集A1中的数据增强后的图像进行特征提取，然后将每层的特征图与经过上采样的对应特征图进行特征拼接，得到大理石纹网络预测图像，再将大理石纹网络预测图像和groundtruth图像中的每个像素一一对应计算损失函数，进行反向传播，做像素级别分类。
其次，根据训练样本集A1的损失函数判断大理石纹分割模型的泛化性，调整大理石纹分割模型的超参数，直至损失函数收敛。
预设损失函数为交叉熵损失函数和语义分割损失函数：Cross Entropy Loss +Lovasz-Softmax Loss。
Figure 702403DEST_PATH_IMAGE001
其中，
Figure 370144DEST_PATH_IMAGE002
为Cross Entropy Loss;，
Figure 507865DEST_PATH_IMAGE003
为Lovasz-Softmax Loss，p是一张图片或一个minibatch的像素数量，
Figure 235649DEST_PATH_IMAGE004
是像素i的GT类别，
Figure 724399DEST_PATH_IMAGE005
是像素i的Softmax概率估计，c是类别，如0，1。
Figure 195832DEST_PATH_IMAGE006
，
Figure 686594DEST_PATH_IMAGE007
为
Figure 585280DEST_PATH_IMAGE008
的Lovasz拓展。
最后，利用测试样本集A3对训练后的大理石纹分割模型进行测试，计算精确率、召回率、平均交并比MloU，当精确率、召回率和平均交并比均达到设定阈值时，得到预设的猪肉大理石纹分割网络模型。其中，平均交并比MIoU为：
Figure 295747DEST_PATH_IMAGE009
其中，k+1为类别数（包括一个背景），
Figure 305291DEST_PATH_IMAGE010
表示本属于类i但被预测为类j的像素数量，
Figure 417604DEST_PATH_IMAGE011
表示真正（TP）的像素数量，
Figure 487191DEST_PATH_IMAGE012
分别为假正（FP）、假负（FN）的数量。
本发明实施例基于传统数字图像处理分割得到猪肉背最长肌肌肉图像，然后基于vgg16网络框架和U-Net算法构建并训练得到猪肉大理石纹分割网络模型，实现了猪肉大理石纹图像的自动分割，进而计算大理石纹表型，相对于传统算法，可以从采集的大量图像数据中自动学习提取相关特征，使得模型的泛化能力和鲁棒性更好，提高了猪肉大理石纹图像分割的精度与效率。
进一步地，在本方面的些实施例中，如图10所示，图10为本发明提供的图1中步骤S104一实施例的流程示意图，步骤S104包括：
S1001、基于灰度直方图原理对所述猪肉大理石纹图像进行自适应阈值二值化处理，得到猪肉大理石纹图像的二值图像；
S1002、根据所述二值图像中猪肉的大理石纹面积大小，将不同尺寸大小的猪肉大理石纹划分为第一尺寸类别、第二尺寸类别和第三尺寸类别；
S1003、根据所述二值图像获取猪肉的大理石纹分布程度特征、面积、眼肌面积、面积密度、大理石纹数量、大理石纹计数密度以及所述第一尺寸类别、第二尺寸类别和第三尺寸类别下的大理石纹数量、面积密度和计数密度，作为所述猪肉大理石纹表型数据。
其中，得到所述大理石纹分布程度特征包括：旋转所述二值图像使图像的长轴处于水平位置，将旋转后二值图像沿所述长轴方向等分为多个子区域，计算每个子区域大理石纹的面积密度，并根据所述每个子区域大理石纹面积密度的标准差和偏度表示猪肉大理石纹分布的均匀程度，作为所述大理石纹分布程度特征。
在本发明具体的实施例中，根据猪肉大理石纹分割网络模型输出的猪肉大理石纹图像利用灰度直方图原理进行自适应阈值二值化处理，得到猪肉大理石纹图像的二值图像：
Figure 684954DEST_PATH_IMAGE013
根据所述二值图像中猪肉的大理石纹面积大小，大理石纹面积通过和像素点个数进行换算得到，将不同尺寸大小的猪肉大理石纹划分为第一尺寸类别a1、第二尺寸类别a2和第三尺寸类别a3，其中：a1≤3.72mm^2 、3.72mm^2<a2≤14.88mm^2、a3>14.88mm^2
根据二值图像计算的大理石纹表型数据如表1所示：
表1表型数据
Figure 967031DEST_PATH_IMAGE014
本发明实施例提供的基于计算机视觉的猪肉大理石纹表型数据测量方法，一方面，通过构建具有油脂反光特征的图像采集装置可以均匀光线，有效的去除图像采集过程中由于猪肉表面油脂反光而产生的影响，获取更高质量的图像，为数据测量提供良好的数据基础，另一方面基于传统数字图像处理分割得到猪肉背最长肌肌肉图像，然后基于vgg16网络框架和U-Net算法构建并训练得到猪肉大理石纹分割网络模型，实现了猪肉大理石纹图像的自动分割，进而计算大理石纹表型，相对于传统算法，可以从采集的大量图像数据中自动学习提取相关特征，使得模型的泛化能力和鲁棒性更好，提高了猪肉大理石纹图像分割的精度与效率，最后通过对大理石纹分布相关表型进行定义及定量测定，使得对猪肉大理石表纹型数据的测量成本降低、效率提高、准确性提升，并保证了数据测量结果的公正性。
为了更好实施本发明实施例中的基于计算机视觉的猪肉大理石纹表型数据测量方法，在基于计算机视觉的猪肉大理石纹表型数据测量方法的基础之上，对应的，本发明实施例还提供了基于计算机视觉的猪肉大理石纹表型数据测量装置，如图11所示，基于计算机视觉的猪肉大理石纹表型数据测量装置1100包括：
图像采集模块1101，用于建立图像采集装置获取猪肉图像；
预处理模块1102，用于对所述猪肉图像进行预处理，得到猪肉背最长肌肌肉图像；
图像分割模块1103，用于将所述猪肉背最长肌肌肉图像输入预设的猪肉大理石纹分割网络模型，得到猪肉大理石纹图像；
数据提取模块1104，用于基于预设的大理石纹表型提取算法对所述猪肉大理石纹图像进行特征提取，得到猪肉大理石纹表型数据。
上述实施例提供的基于计算机视觉的猪肉大理石纹表型数据测量装置1100可实现上述基于计算机视觉的猪肉大理石纹表型数据测量方法实施例中描述的技术方案，上述各模块或单元具体实现的原理可参见上述基于计算机视觉的猪肉大理石纹表型数据测量方法实施例中的相应内容，此处不再赘述。
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件（如处理器，控制器等）来完成，计算机程序可存储于计算机可读存储介质中。其中，计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上对本发明所提供的基于计算机视觉的猪肉大理石纹表型数据测量方法及装置进行了详细介绍，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)

1.一种基于计算机视觉的猪肉大理石纹表型数据测量方法，其特征在于，包括：
基于具有油脂反光特征的图像采集装置获取猪肉图像；
对所述猪肉图像进行预处理，得到猪肉背最长肌肌肉图像；
将所述猪肉背最长肌肌肉图像输入预设的猪肉大理石纹分割网络模型，得到猪肉大理石纹图像；
基于预设的大理石纹表型提取模型对所述猪肉大理石纹图像进行特征提取，得到猪肉大理石纹表型数据。
2.根据权利要求1所述的基于计算机视觉的猪肉大理石纹表型数据测量方法，其特征在于，所述基于预设的大理石纹表型提取模型对所述猪肉大理石纹图像进行特征提取，得到猪肉大理石纹表型数据，包括：
基于灰度直方图原理对所述猪肉大理石纹图像进行自适应阈值二值化处理，得到猪肉大理石纹图像的二值图像；
根据所述二值图像中猪肉的大理石纹面积大小，将不同尺寸大小的猪肉大理石纹划分为第一尺寸类别、第二尺寸类别和第三尺寸类别；
根据所述二值图像获取猪肉的大理石纹分布程度特征、面积、眼肌面积、面积密度、大理石纹数量、大理石纹计数密度、以及所述第一尺寸类别、第二尺寸类别和第三尺寸类别下的大理石纹数量、面积密度和计数密度，作为所述猪肉大理石纹表型数据；
其中，得到所述大理石纹分布程度特征包括：旋转所述二值图像使图像的长轴处于水平位置，将旋转后二值图像沿所述长轴方向等分为多个子区域，计算每个子区域大理石纹的面积密度，并根据所述每个子区域大理石纹面积密度的标准差和偏度表示猪肉大理石纹分布的均匀程度，作为所述大理石纹分布程度特征。
3.根据权利要求1所述的基于计算机视觉的猪肉大理石纹表型数据测量方法，其特征在于，所述具有油脂反光特征的图像采集装置，包括：不透光黑匣子、分布于所述黑匣子里侧的反射材料、位于所述黑匣子顶部的荧光灯以及摄像装置。
4.根据权利要求1所述的基于计算机视觉的猪肉大理石纹表型数据测量方法，其特征在于，所述对所述猪肉图像进行预处理，得到猪肉背最长肌肌肉图像，包括：
对所述猪肉图像进行高斯去噪处理，得到去噪图像；
对所述去噪图像进行阈值分割，得到去除背景信息的图像；
对所述去除背景信息的图像进行先膨胀再腐蚀的形态学操作，确定最大外轮廓区域并填充生成猪肉背最长肌肌肉掩码；
通过所述猪肉背最长肌肌肉掩码与所述猪肉图像的与运算结果，得到所述猪肉背最长肌肌肉图像。
5.根据权利要求1所述的基于计算机视觉的猪肉大理石纹表型数据测量方法，其特征在于，确定所述预设的猪肉大理石纹分割网络模型，包括：
基于所述具有油脂反光特征的图像采集装置采集猪肉样本图像，构建样本集；
基于U-Net算法构建初始猪肉大理石纹分割网络模型；
基于所述样本集迭代训练所述初始猪肉大理石纹分割网络模型，得到所述预设的猪肉大理石纹分割网络模型。
6.根据权利要求5所述的基于计算机视觉的猪肉大理石纹表型数据测量方法，其特征在于，所述基于所述具有油脂反光特征的图像采集装置采集猪肉样本图像，构建样本集，包括：
基于所述具有油脂反光特征的图像采集装置获取多张包含大理石纹的猪肉样本图像；
对所述多张包含大理石纹的猪肉图像进行预处理，得到多张猪肉背最长肌肌肉样本图像；
对所述多张猪肉背最长肌肌肉样本图像中的大理石纹区域进行标注，得到多张猪肉大理石纹样本图像；
以所述多张猪肉背最长肌肌肉样本图像中的每张猪肉背最长肌肌肉样本图像及其对应的猪肉大理石纹样本图像为一个样本，构建所述样本集。
7.根据权利要求6所述的基于计算机视觉的猪肉大理石纹表型数据测量方法，其特征在于，所述基于U-Net算法构建初始猪肉大理石纹分割网络模型，包括：
基于U-Net算法以vgg16网络为框架构建初始猪肉大理石纹分割网络模型，所述初始猪肉大理石纹分割网络模型包含多个特征编码器及多个特征解码器；
其中，所述多个特征编码器均由两个卷积层、激活函数及一个最大池化层组成；所述特征解码器由一个上采样卷积层、特征拼接函数及两个的卷积层构成。
8.根据权利要求6所述的基于计算机视觉的猪肉大理石纹表型数据测量方法，其特征在于，所述基于所述样本集迭代训练所述初始猪肉大理石纹分割网络模型，得到所述预设的猪肉大理石纹分割网络模型，包括:
将所述样本集划分为训练样本集、验证样本集和测试样本集；
利用所述训练样本集以所述猪肉背最长肌肌肉样本图像为输入，所述猪肉大理石纹样本图像为输出，对所述初始猪肉大理石纹分割网络模型进行训练；
利用所述验证样本集对训练后的猪肉大理石纹分割网络模型进行验证，并根据训练样本集和验证样本集的损失函数调整训练后的猪肉大理石纹分割网络模型的超参数；
利用所述测试样本集对调整超参数后的猪肉大理石纹分割网络模型进行测试，计算精确率、召回率、平均交并比，当所述精确率、召回率和平均交并比均达到设定阈值时，得到所述预设的猪肉大理石纹分割网络模型。
9.根据权利要求6所述的基于计算机视觉的猪肉大理石纹表型数据测量方法，其特征在于，所述预设的猪肉大理石纹分割网络模型采用交叉熵损失函数和语义分割损失函数作为模型的整体损失函数。
10.一种基于计算机视觉的猪肉大理石纹表型数据测量装置，其特征在于，包括：
图像采集模块，用于建立图像采集装置获取猪肉图像；
预处理模块，用于对所述猪肉图像进行预处理，得到猪肉背最长肌肌肉图像；
图像分割模块，用于将所述猪肉背最长肌肌肉图像输入预设的猪肉大理石纹分割网络模型，得到猪肉大理石纹图像；
数据提取模块，用于基于预设的大理石纹表型提取算法对所述猪肉大理石纹图像进行特征提取，得到猪肉大理石纹表型数据。
CN202211462683.3A 2022-11-17 2022-11-17 基于计算机视觉的猪肉大理石纹表型数据测量方法及装置 Active CN115620283B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211462683.3A CN115620283B (zh) 2022-11-17 2022-11-17 基于计算机视觉的猪肉大理石纹表型数据测量方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211462683.3A CN115620283B (zh) 2022-11-17 2022-11-17 基于计算机视觉的猪肉大理石纹表型数据测量方法及装置

Publications (2)

Publication Number Publication Date
CN115620283A true CN115620283A (zh) 2023-01-17
CN115620283B CN115620283B (zh) 2023-04-28

Family

ID=84878494

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211462683.3A Active CN115620283B (zh) 2022-11-17 2022-11-17 基于计算机视觉的猪肉大理石纹表型数据测量方法及装置

Country Status (1)

Country Link
CN (1) CN115620283B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116757507A (zh) * 2023-08-14 2023-09-15 武汉理工大学 一种作物灌浆过程预测方法、系统、电子设备及存储介质
CN116908178A (zh) * 2023-09-13 2023-10-20 吉林农业大学 一种菌丝表型获取装置及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6198834B1 (en) * 1998-02-20 2001-03-06 Keith E. Belk Meat imaging system for palatability yield prediction
CN102507459A (zh) * 2011-11-23 2012-06-20 中国农业大学 一种生鲜牛肉新鲜度快速无损评价方法及系统
KR20210004121A (ko) * 2019-07-03 2021-01-13 강원대학교산학협력단 고기의 신선도 측정을 위한 분석 장치 및 방법
CN113077420A (zh) * 2021-03-19 2021-07-06 江南大学 一种基于卷积神经网络的鱼肉纤维评价方法和系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6198834B1 (en) * 1998-02-20 2001-03-06 Keith E. Belk Meat imaging system for palatability yield prediction
CN102507459A (zh) * 2011-11-23 2012-06-20 中国农业大学 一种生鲜牛肉新鲜度快速无损评价方法及系统
KR20210004121A (ko) * 2019-07-03 2021-01-13 강원대학교산학협력단 고기의 신선도 측정을 위한 분석 장치 및 방법
CN113077420A (zh) * 2021-03-19 2021-07-06 江南大学 一种基于卷积神经网络的鱼肉纤维评价方法和系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MAXIMILIAN JADERSON DE MELO等: "Automatic segmentation of cattle rib-eye area in ultrasound images using the UNet++ deep neural network", 《COMPUTERS AND ELECTRONICS IN AGRICULTURE》 *
王迪: "基于图像和光谱技术的猪肉大理石纹和新鲜度无损检测方法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116757507A (zh) * 2023-08-14 2023-09-15 武汉理工大学 一种作物灌浆过程预测方法、系统、电子设备及存储介质
CN116757507B (zh) * 2023-08-14 2023-11-10 武汉理工大学 一种作物灌浆过程预测方法、系统、电子设备及存储介质
CN116908178A (zh) * 2023-09-13 2023-10-20 吉林农业大学 一种菌丝表型获取装置及方法
CN116908178B (zh) * 2023-09-13 2024-03-08 吉林农业大学 一种菌丝表型获取装置及方法

Also Published As

Publication number Publication date
CN115620283B (zh) 2023-04-28

Similar Documents

Publication Publication Date Title
CN115620283B (zh) 基于计算机视觉的猪肉大理石纹表型数据测量方法及装置
US10810469B2 (en) Extracting material properties from a single image
Hu et al. Single image defogging based on illumination decomposition for visual maritime surveillance
Hu et al. The potential of double K‐means clustering for banana image segmentation
Luo et al. A physical model-based approach to detecting sky in photographic images
Yuan et al. Image haze removal via reference retrieval and scene prior
CN112132012B (zh) 基于生成对抗网络的高分辨率sar船舶图像生成方法
CN114663346A (zh) 一种基于改进YOLOv5网络的带钢表面缺陷检测方法
CN112990392A (zh) 基于改进YOLOv5算法的新材料地板缺陷目标检测系统
CN112926652B (zh) 一种基于深度学习的鱼类细粒度图像识别方法
CN111445454A (zh) 一种图像真伪鉴别方法及其在证照识别中的应用
CN113869300A (zh) 基于多视觉融合的工件表面缺陷和字符识别的方法及系统
CN114359235A (zh) 一种基于改进YOLOv5l网络的木材表面缺陷检测方法
CN116468690B (zh) 基于深度学习的浸润性非粘液性肺腺癌的亚型分析系统
CN115656952A (zh) 一种基于u型多维多尺度融合神经网络的地下目标多分类检测方法
Bergman et al. Comprehensive solutions for automatic removal of dust and scratches from images
KR20220111214A (ko) 인공지능 기반 제품 결함 검사 방법, 장치 및 컴퓨터 프로그램
CN113706636A (zh) 一种用于篡改图像识别的方法与装置
Xiang et al. Blockwise based detection of local defects
US20230316481A1 (en) System, method and device for meat marbling assessment
CN116596904B (zh) 一种基于自适应尺度感知的输电检测模型构建方法及装置
Minakhin et al. Compensation for local defects in an image created using a triple-color photo technique
CN111950565B (zh) 基于特征融合和朴素贝叶斯的抽象画图像方向识别方法
Vargas-Campos et al. Optimization of DCP dehazing algorithm through sky segmentation
Saxena et al. Performance Analysis of Single Image Fog Expulsion Techniques

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