CN117173192A - 一种猪肉肉质智能化检测方法及系统 - Google Patents

Abstract

本发明涉及图像数据处理技术领域，具体涉及一种猪肉肉质智能化检测方法及系统，包括：根据猪肉灰度图像的灰度分布进行高斯曲线拟合，获得猪肉灰度图像的新全局均值；遍历灰度值并结合新全局均值获得猪肉灰度图像的最终分割阈值，并对猪肉灰度图像进行阈值分割，获得阈值分割图像，根据阈值分割图像进行猪肉肉质智能化检测。本发明能够避免猪肉的大理石纹少时，利用大津法获取的最大类间方差的准确性低的问题，以提高对猪肉灰度图像进行阈值分割的准确性，获得完整的大理石纹部分，提高对猪肉肉质进行智能化检测的准确性。

Description

一种猪肉肉质智能化检测方法及系统

技术领域

本发明涉及图像数据处理技术领域，具体涉及一种猪肉肉质智能化检测方法及系统。

背景技术

含有大理石纹的猪肉通常被称为雪花肉，指脂肪沉积到肌肉纤维之间，形成明显的红、白相间，状似大理石花纹的肉类；雪花猪肉丰富的肌内脂肪会减弱肌原纤维间作用，改善肉的嫩度，肌内脂肪含量高；目前为了检测猪肉肉质，通常结合计算机视觉利用图像分割的方法，进行检测，但是不同肉质的猪肉中，大理石纹的数量不一，当大理石纹的数量少时，所选取的阈值不准确，影响肉质检测准确性；

本发明提出了一种猪肉肉质智能化检测方法及系统，根据猪肉灰度图像中不同灰度值所形成的高斯曲线，获得猪肉灰度图像的新全局均值，以调节利用大津法获取的猪肉灰度图像的类间方差，提高猪肉肉质的智能化检测准确性。

发明内容

本发明提供一种猪肉肉质智能化检测方法及系统，以解决现有的问题。

本发明的一种猪肉肉质智能化检测方法及系统采用如下技术方案：

本发明提供了一种猪肉肉质智能化检测方法及系统，该方法包括以下步骤：

获取猪肉灰度图像；

获取猪肉灰度图像的灰度分布直方图，以及灰度分布直方图中的峰值点；根据峰值点的峰值和对应的灰度值，获得线性分配权重，结合灰度分布直方图和线性分配权重，获得瘦肉高斯曲线和脂肪高斯曲线；根据瘦肉高斯曲线和脂肪高斯曲线获得猪肉灰度图像的新全局均值；

根据新全局均值、瘦肉高斯曲线和脂肪高斯曲线获得第一权重因子；将任意灰度值记为待选阈值，根据待选阈值对猪肉灰度图像进行分割获得阈值分割结果，根据阈值分割结果中的连通域获得对应待选阈值下的轮廓特征，根据轮廓特征获得第二权重因子；根据第一权重因子和第二权重因子获得脂肪权重，结合脂肪权重和待选阈值获得阈值分割图像；

根据阈值分割图像实现猪肉肉质智能化检测。

进一步的，所述获取猪肉灰度图像的灰度分布直方图，以及灰度分布直方图中的峰值点，包括的具体步骤如下：

获取猪肉灰度图像的灰度分布直方图，并利用峰值点检测算法，获取灰度分布直方图中若干个峰值点。

进一步的，所述瘦肉高斯曲线和脂肪高斯曲线获取方法如下：

首先，获取灰度分布直方图中所有峰值点以及对应的灰度值，将峰值点对应的峰值与猪肉灰度图像包含像素点的数量之间的比值，记为峰值占比，获取峰值占比最大时的灰度值，记为第一灰度值；另外获取所有峰值点中灰度值最大时的峰值点，记为第二灰度值；将第一灰度值与第二灰度值之间差值绝对值的倒数结果，记为线性分配权重；当灰度值大于第一灰度值，将线性分配权重作为灰度值对应权重，当灰度值小于第一灰度值，将灰度值对应权重设为0；

然后，以预设步长在预设方差范围中，获取以第一灰度值为均值，得到不同方差下的单高斯曲线；

将[0,255]区间内所有灰度值分别输入到单高斯曲线中，获得对应的单高斯曲线结果，将每个灰度值对应的单高斯曲线结果，与对应的峰值占比之间的差值绝对值累加值，记为累加结果；将累加结果最小时，单高斯曲线对应的方差，记为瘦肉方差；利用瘦肉方差得到灰度分布直方图中的高斯曲线模型，记为瘦肉高斯曲线；

最后，利用每个灰度值的线性灰度权重，结合高斯拟合算法对灰度分布直方图进行加权高斯曲线拟合，获得脂肪高斯曲线。

进一步的，所述新全局均值获取方法如下：

首先，根据瘦肉高斯曲线和脂肪高斯曲线中各灰度值对应的概率，分别获得第一占比更新和第二占比更新；

然后，根据第一占比更新和第二占比更新获得第一更新和第二更新；

最后，将第一更新和瘦肉高斯曲线对应的灰度均值之间的相乘结果，记为第一结果；将第二更新和脂肪高斯曲线对应的灰度均值之间的相乘结果，记为第二结果；将第一结果和第二结果的累加值记为猪肉灰度图像的新全局均值。

进一步的，所述第一占比更新和第二占比更新获取方法如下：

获取瘦肉高斯曲线中各灰度值对应的概率，记为瘦肉概率；将瘦肉高斯曲线中各灰度值的峰值占比与对应的瘦肉概率相乘，记为各灰度值对应的瘦肉部分的占比更新，将所有瘦肉部分的占比更新进行累加，记为第一占比更新；利用第一占比更新的获取方法，获取脂肪部分的占比更新，将所有脂肪部分的占比更新累加结果记为第二占比更新。

进一步的，所述第一更新和第二更新获取方法如下：

对第一占比更新和第二占比更新进行归一化，将第一占比更新，与第一占比更新和第二占比更新和值的比值，记为第一更新；将第二占比更新，与第一占比更新和第二占比更新和值的比值，记为第二更新。

进一步的，所述第一权重因子获取方法如下：

首先，将瘦肉高斯曲线的灰度均值与新全局均值的差值，记为瘦肉差值；将脂肪高斯曲线的灰度均值与新全局均值的差值，记为脂肪差值；将瘦肉差值与脂肪差值的比值结果，记为第一比值；将第一更新和第二更新的比值，记为第二比值；

然后，将第一比值和第二比值相乘结果记为第一权重因子。

进一步的，所述根据轮廓特征获得第二权重因子，包括的具体步骤如下：

首先，将待选阈值对猪肉灰度图像进行阈值分割后的分割结果，记为阈值分割结果，并通过连通域检测算法，获取阈值分割结果中的各个连通域，将任意连通域的最小外接矩形的长边，记为连通域的长度值；再通过细化算法，获取各个连通域对应的脊线；获取连通域上各个像素点到脊线的最短距离；将最短距离与连通域的长度值的比值，记为轮廓特征；

然后，将轮廓特征的数值大小作为横轴，将同样大小的轮廓特征对应像素点的数量作为纵轴，统计阈值分割结果中任意连通域中所有像素点的轮廓特征分布直方图，将任意数值的轮廓特征对应像素点的数量，与连通域包含的像素点的数量之间的比值，记为轮廓特征占比；将任意轮廓特征占比与1减轮廓特征进行相乘，相乘结果记为第二权重因子。

进一步的，所述根据第一权重因子和第二权重因子获得脂肪权重，结合脂肪权重和待选阈值获得阈值分割图像，包括的具体步骤如下：

首先，将第一权重因子和第二权重因子的乘积结果记为脂肪权重，利用脂肪权重获取所有待选阈值对应的类间方差值，记为新类间方差；

然后，获取所有新类间方差的最大值所对应的待选阈值，记为猪肉灰度图像的最终分割阈值；利用最终分割阈值对猪肉灰度图像进行分割，将分割结果记为阈值分割图像。

进一步的，一种猪肉肉质智能化检测系统包括以下模块：

图像准备模块：用于获取猪肉灰度图像；

图像分析模块：用于获取猪肉灰度图像的灰度分布直方图，以及灰度分布直方图中的峰值点；根据峰值点的峰值和对应的灰度值，获得线性分配权重，结合灰度分布直方图和线性分配权重，获得瘦肉高斯曲线和脂肪高斯曲线；根据瘦肉高斯曲线和脂肪高斯曲线获得猪肉灰度图像的新全局均值；

图像分割模块：根据新全局均值、瘦肉高斯曲线和脂肪高斯曲线获得第一权重因子；将任意灰度值记为待选阈值，根据待选阈值对猪肉灰度图像进行分割获得阈值分割结果，根据阈值分割结果中的连通域获得对应待选阈值下的轮廓特征，根据轮廓特征获得第二权重因子；根据第一权重因子和第二权重因子获得脂肪权重，结合脂肪权重和待选阈值获得阈值分割图像；

肉质检测模块：根据阈值分割图像实现猪肉肉质智能化检测。

本发明的技术方案的有益效果是：根据猪肉灰度图像的灰度分布进行高斯曲线拟合，获得猪肉灰度图像的新全局均值；遍历灰度值并结合新全局均值获得猪肉灰度图像的最终分割阈值，并对猪肉灰度图像进行阈值分割，获得阈值分割图像，根据阈值分割图像进行猪肉肉质智能化检测，通过以上方法能够避免猪肉的大理石纹少时，利用大津法获取的最大类间方差的准确性低的问题，以提高对猪肉灰度图像进行阈值分割的准确性，获得完整的大理石纹部分，提高对猪肉肉质进行智能化检测的准确性。

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，下面将对实施例或现有技术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，对于本领域普通技术人员来讲，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为本发明一种猪肉肉质智能化检测系统的模块流程图；

图2为本发明一种猪肉肉质智能化检测方法的步骤流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种猪肉肉质智能化检测方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种猪肉肉质智能化检测方法及系统的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种猪肉肉质智能化检测系统的模块流程图，该系统包括以下模块：

图像准备模块：用于获取猪肉图像，并对猪肉图像进行预处理，获得猪肉灰度图像。

图像分析模块：用于分析猪肉灰度图像，根据猪肉灰度图像的灰度分布直方图，获得猪肉灰度图像的新全局均值。

图像分割模块：用于遍历灰度值并结合新全局均值获得猪肉灰度图像的最终分割阈值，并对猪肉灰度图像进行阈值分割，获得阈值分割图像。

肉质检测模块：用于根据阈值分割图像进行猪肉肉质智能化检测。

请参阅图2，其示出了本发明一个实施例提供的一种猪肉肉质智能化检测方法的步骤流程图，该方法包括以下步骤：

步骤S001，通过相机获取猪肉图像，并对猪肉图像进行预处理，获得猪肉灰度图像。

首先，在猪肉生产线上，通过架设固定相机采集猪肉的俯视图像，记为猪肉图像；

相机在采集得到猪肉图像后，将采集的图像数据发送至猪肉肉质检测系统中，其中猪肉肉质检测系统具有一定的数据分析处理能力。

然后，对猪肉图像进行灰度化处理，并利用高斯滤波算法对灰度化后的猪肉图像进行去噪，实现对猪肉图像的预处理，将预处理后的猪肉图像记为猪肉灰度图像。

需要说明的是，在利用高斯滤波对猪肉图像进行滤波处理时，高斯滤波的滤波核大小可根据具体实施场景进行调整；另外本实施例选择以猪肉眼肌部位的肉质作为实施例，可由实施者根据具体实施情况选择猪肉其他需要进行大理石纹品质检测的部位。

步骤S002，根据猪肉灰度图像的灰度分布，获得新全局均值。

由于猪肉的瘦肉部分为红色，而脂肪部分呈现为白色的大理石纹，因此猪肉灰度图像中，瘦肉和脂肪具有一定的灰度差异，因此可以利用大津法对猪肉灰度图像进行阈值分割，但是大津法对猪肉灰度图像进行阈值分割时，根据各部分灰度对应的占比获取最大类间方差，导致在脂肪纹理占比较少时，无法有效分割出猪肉灰度图像中的大理石纹，进一步影响后续猪肉肉质间监测结果。

由于猪肉中的部分为红色瘦肉部分，在直方图中占比较大，在利用大津法获取最大类间方差以阈值分割时，根据瘦肉和脂肪之间的灰度差异对分割阈值进行优化调整。

另外，由于猪肉中的大理石纹难以呈现出面积较大的区域，而大津法通过遍历猪肉灰度图像中所有灰度获取分割阈值，以得到分割图像，本实施例根据不同阈值下的区域变化，进行初始权重的动态调整，以得到有效且准确的分割阈值，用于猪肉灰度图像的二值化，得到大理石纹分割结果。

获取新全局均值的具体过程为：

步骤（1），获取猪肉灰度图像的灰度分布直方图；

灰度分布直方图中，虽然存在猪肉大理石纹部分的灰度，但是瘦肉部分仍然占比较大，由于瘦肉和脂肪对应灰度中，中间部分的灰度值对应像素点数量少，导致猪肉脂肪部分的灰度在灰度分布直方图中会形成小高峰，且由于猪肉脂肪的灰度接近白色，则对应的灰度值偏高。

步骤（2），利用峰值点检测算法，获取灰度分布直方图中若干个峰值点；

最高的峰值点对应的灰度值一定为瘦肉部分，其余峰值点中最大灰度值对应的峰值点一定为脂肪部分，但是由于猪肉表面存在部分脂肪没有完全显露，导致可能在靠近最大灰度值对应峰值点的其他峰值点也很有可能是脂肪部分。

步骤（3），利用高斯曲线拟合对灰度分布直方图进行拟合，具体步骤为：

通过对灰度分布直方图进行高斯拟合，以获得各灰度值属于猪肉灰度图像中瘦肉部分的概率和脂肪部分的概率，在常规高斯曲线拟合过程中，需要根据方差和均值获取高斯函数，但是由于在瘦肉中可以明确最大峰值点的灰度值为瘦肉部分；

为了得到准确的高斯模型，则本方案选择采用不同大小的方差，去遍历所有方差对应高斯函数拟合结果与瘦肉部分的误差，其中在衡量误差时，由于瘦肉部分和脂肪部分会相互干扰，所以本方案选择先采用线性权重分配的方法进行权重分配，得到不同误差的重要性，使得误差更加的准确。

首先，获取灰度分布直方图中所有峰值点以及对应的灰度值，将峰值点对应的峰值与猪肉灰度图像包含像素点的数量之间的比值，记为峰值占比，获取峰值占比最大时的灰度值，记为第一灰度值；另外获取所有峰值点中灰度值最大时的峰值点，记为第二灰度值；将第一灰度值与第二灰度值之间差值绝对值的倒数结果，记为线性分配权重；

由于高斯函数模型为对称结构，因此在利用线性分配权重，对猪肉灰度图像中瘦肉部分和脂肪部分的灰度值进行权重分配，当灰度值大于第一灰度值，将线性分配权重作为灰度值对应权重，当灰度值小于第一灰度值，将灰度值对应权重设为0，得到每个灰度值属于脂肪部分的线性灰度权重；利用每个灰度值属于脂肪部分的线性灰度权重的获取方法，获取每个灰度值属于瘦肉部分的线性灰度权重。

然后，预设步长为0.1，在预设方差范围中从0.5开始，获取以第一灰度值为均值对应的高斯曲线，由于高斯曲线的峰值可能过大，将不同方差对应的高斯曲线乘以对应峰值的倒数，与最大峰值占比的峰值相乘，得到不同方差的单高斯曲线；

将灰度值0-255分别输入到单高斯曲线中，获得对应的单高斯曲线结果，将每个灰度值对应的单高斯曲线结果，与对应的峰值占比之间的差值绝对值累加值，记为累加结果；将累加结果最小时，单高斯曲线对应的方差，记为瘦肉方差；利用瘦肉方差得到对应的高斯曲线模型，记为瘦肉高斯曲线。

需要说明的是，本实施例中所述单高斯曲线和高斯曲线即为单高斯函数和高斯函数，而高斯函数为概率模型，因此高斯函数中每个点的数值为概率值。

由于猪肉灰度图像的灰度分布直方图中可能存在其他峰值点属于脂肪部分，获取猪肉灰度图像中的脂肪部分时，利用每个灰度值属于脂肪部分的线性灰度权重，结合高斯拟合算法进行加权高斯曲线拟合，获得脂肪部分对应的高斯曲线，记为脂肪高斯曲线；

需要说明的是，加权高斯曲线拟合为公知内容，本实施例不再赘述。

步骤（4），由于大津法通过灰度值遍历的方法，获取猪肉灰度图像的分割阈值，而在获取最大类间方差时，只有猪肉灰度图像的灰度均值不变，大津法的其他参数随阈值变化而变化，为了对分割阈值进行优化，得到更为合理的大理石纹分割效果对应的阈值，则需要对全局均值进行调整优化。

首先，获取瘦肉高斯曲线中各灰度值属于猪肉灰度图像中瘦肉部分的概率，记为瘦肉概率；将瘦肉高斯曲线中包含的各个灰度值的峰值占比与对应的瘦肉概率相乘，记为各灰度值对应的瘦肉部分的占比更新，将所有瘦肉部分的占比更新进行累加，记为第一占比更新；利用第一占比更新的获取方法，获取脂肪部分的占比更新，将所有脂肪部分的占比更新累加结果记为第二占比更新。

然后，对第一占比更新和第二占比更新进行归一化，将第一占比更新，与第一占比更新和第二占比更新和值的比值，记为第一更新；将第二占比更新，与第一占比更新和第二占比更新和值的比值，记为第二更新；

最后，将第一更新和瘦肉高斯曲线对应的灰度均值之间的相乘结果，记为第一结果；将第二更新和脂肪高斯曲线对应的灰度均值之间的相乘结果，记为第二结果；将第一结果和第二结果的累加值记为新全局均值。

由于新全局均值根据猪肉灰度图像中，脂肪部分和瘦肉部分的峰值占比进行获取，因此新全局均值更能表示猪肉灰度图像中瘦肉部分和脂肪部分对应灰度的中间值，使得在衡量最大类间方差时，更能反映瘦肉部分和脂肪部分的差异。

步骤S003，遍历灰度值并结合新全局均值获得猪肉灰度图像的最终分割阈值，并对猪肉灰度图像进行阈值分割，获得阈值分割图像。

虽然通过新全局均值获取猪肉灰度图像的最大类间方差时，可以保证得到的分割阈值能够提升对猪肉灰度图像的分割准确度，但是当猪肉灰度图像中的脂肪部分过少时，分割效果不太理想；根据不同阈值下对猪肉灰度图像进行阈值分割，获得的二值化分割结果，对最大类间方差的权重分配进行调整，获取新最大类间方差值；在进行灰度值遍历时，获取每一个灰度值对应的新最大类间方差值，进而从所有新最大类间方差值中获取猪肉灰度图像的最佳分割阈值。

步骤（1），以预设步长为1，在预设灰度范围中从0开始进行遍历，将遍历过程中获得的灰度值记为待选阈值，利用不同的待选阈值，分别对猪肉灰度图像进行图像分割处理；将猪肉灰度图像中灰度值大于待选阈值的像素点的灰度值置为1，将灰度值小于待选阈值的像素点的灰度值置为0，获得猪肉二值图像；

猪肉二值图像中白色部分为猪肉的脂肪部分，黑色部分为猪肉的瘦肉部分。

通过对最大类间方差的权重分配调整，优化瘦肉部分在猪肉灰度图像中的占比较大，而脂肪部分占比较少的问题，进而获取对应阈值下的图像分割结果，如果分割后的图像中脂肪区域的轮廓更像块状且面积较大，则表示对应阈值的分割效果不好，则脂肪部分的权重应当减小。

步骤（2），将瘦肉高斯曲线的灰度均值与猪肉灰度图像的新全局均值的差值，记为瘦肉差值；将脂肪高斯曲线的灰度均值与猪肉灰度图像的新全局均值的差值，记为脂肪差值；将瘦肉差值与脂肪差值的比值结果，记为第一比值，表示获取最大类间方差时，在均值上瘦肉部分和脂肪部分之间的差异；

将第一更新和第二更新的比值，记为第二比值，表示获取最大类间方差时，在峰值占比上瘦肉部分和脂肪部分之间的差异；

将第一比值和第二比值相乘结果记为第一权重因子。

步骤（3），首先，获取在灰度值遍历过程中，将利用待选阈值对猪肉灰度图像进行阈值分割后的分割结果，记为阈值分割结果，并通过连通域检测算法，获取阈值分割结果中的各个连通域，将连通域的最小外接矩形的长边，记为连通域的长度值；再通过细化算法，获取各个连通域对应的脊线；获取连通域上各个像素点到脊线的最短距离；将最短距离与连通域的长度值的比值，记为轮廓特征；

轮廓特征数值越大，表示连通域的轮廓越像块状，数值越小，则连通域的轮廓越细长；

然后，将轮廓特征的数值大小作为横轴，将同样大小的轮廓特征对应像素点的数量作为纵轴，统计阈值分割结果中任意连通域中所有像素点的轮廓特征分布直方图，将任意数值的轮廓特征对应像素点的数量，与连通域包含的像素点的数量之间的比值，记为轮廓特征占比；将任意轮廓特征占比与1减轮廓特征进行相乘，相乘结果记为第二权重因子；

其中1减轮廓特征表示对轮廓特征进行负相关映射，使得负相关映射的轮廓特征和轮廓特征占比的相乘结果越大，表示阈值分割结果中像素点表示大理石纹的有效性越大，即分割效果越好；进而在对应待选阈值下得到的阈值分割结果中脂肪部分保留的越多，会具有更大的类间方差。

最后，将第一权重因子和第二权重因子的乘积结果记为脂肪权重，将脂肪权重作为待选阈值计算类间方差时脂肪部分的权重，利用脂肪权重获取所有待选阈值对应的类间方差值，记为新类间方差；获取所有新类间方差的最大值所对应的待选阈值，记为猪肉灰度图像的最终分割阈值；利用最终分割阈值对猪肉灰度图像进行分割，将分割结果记为阈值分割图像。

步骤S004，根据阈值分割图像进行猪肉肉质智能化检测。

首先，获取阈值分割图像中，灰度值为1的像素点的数量，记为脂肪像素点数量，将脂肪像素点数量与猪肉灰度图像中像素点的数量之间的比值，记为大理石纹占比；

然后，本实施例选择将猪肉肉质分为10档，每一档占比要求为比上一档的比值高于0.03，其中第一档要求大理石纹占比介于之间，第二档要求大理石纹占比介于之间，依次类推，根据大理石纹占比的大小，获得猪肉肉质的档位，大理石纹占比数值越大，则档位越高，猪肉肉质越好，则将获得的第一档、第二档以及第三档作为优质猪肉，第四档、第五档以及第六档作为普通猪肉，将第七档、第八档、第九档以及第十档作为劣质猪肉，并使劣质猪肉不流入市场，进行销毁，至此，实现对猪肉肉质的智能化检测；

需要说明的是，猪肉质量的档位设定和品质划分标准可由实施者根据具体实施场景进行调整，本实施例不作具体限定。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种猪肉肉质智能化检测方法，其特征在于，该方法包括以下步骤：

获取猪肉灰度图像；

获取猪肉灰度图像的灰度分布直方图，以及灰度分布直方图中的峰值点；根据峰值点的峰值和对应的灰度值，获得线性分配权重，结合灰度分布直方图和线性分配权重，获得瘦肉高斯曲线和脂肪高斯曲线；根据瘦肉高斯曲线和脂肪高斯曲线获得猪肉灰度图像的新全局均值；

根据新全局均值、瘦肉高斯曲线和脂肪高斯曲线获得第一权重因子；将任意灰度值记为待选阈值，根据待选阈值对猪肉灰度图像进行分割获得阈值分割结果，根据阈值分割结果中的连通域获得对应待选阈值下的轮廓特征，根据轮廓特征获得第二权重因子；根据第一权重因子和第二权重因子获得脂肪权重，结合脂肪权重和待选阈值获得阈值分割图像；

根据阈值分割图像实现猪肉肉质智能化检测。

2.根据权利要求1所述一种猪肉肉质智能化检测方法，其特征在于，所述获取猪肉灰度图像的灰度分布直方图，以及灰度分布直方图中的峰值点，包括的具体步骤如下：

获取猪肉灰度图像的灰度分布直方图，并利用峰值点检测算法，获取灰度分布直方图中若干个峰值点。

3.根据权利要求1所述一种猪肉肉质智能化检测方法，其特征在于，所述瘦肉高斯曲线和脂肪高斯曲线获取方法如下：

首先，获取灰度分布直方图中所有峰值点以及对应的灰度值，将峰值点对应的峰值与猪肉灰度图像包含像素点的数量之间的比值，记为峰值占比，获取峰值占比最大时的灰度值，记为第一灰度值；另外获取所有峰值点中灰度值最大时的峰值点，记为第二灰度值；将第一灰度值与第二灰度值之间差值绝对值的倒数结果，记为线性分配权重；当灰度值大于第一灰度值，将线性分配权重作为灰度值对应权重，当灰度值小于第一灰度值，将灰度值对应权重设为0；

然后，以预设步长在预设方差范围中，获取以第一灰度值为均值，得到不同方差下的单高斯曲线；

将[0,255]区间内所有灰度值分别输入到单高斯曲线中，获得对应的单高斯曲线结果，将每个灰度值对应的单高斯曲线结果，与对应的峰值占比之间的差值绝对值累加值，记为累加结果；将累加结果最小时，单高斯曲线对应的方差，记为瘦肉方差；利用瘦肉方差得到灰度分布直方图中的高斯曲线模型，记为瘦肉高斯曲线；

最后，利用每个灰度值的线性灰度权重，结合高斯拟合算法对灰度分布直方图进行加权高斯曲线拟合，获得脂肪高斯曲线。

4.根据权利要求1所述一种猪肉肉质智能化检测方法，其特征在于，所述新全局均值获取方法如下：

首先，根据瘦肉高斯曲线和脂肪高斯曲线中各灰度值对应的概率，分别获得第一占比更新和第二占比更新；

然后，根据第一占比更新和第二占比更新获得第一更新和第二更新；

最后，将第一更新和瘦肉高斯曲线对应的灰度均值之间的相乘结果，记为第一结果；将第二更新和脂肪高斯曲线对应的灰度均值之间的相乘结果，记为第二结果；将第一结果和第二结果的累加值记为猪肉灰度图像的新全局均值。

5.根据权利要求4所述一种猪肉肉质智能化检测方法，其特征在于，所述第一占比更新和第二占比更新获取方法如下：

获取瘦肉高斯曲线中各灰度值对应的概率，记为瘦肉概率；将瘦肉高斯曲线中各灰度值的峰值占比与对应的瘦肉概率相乘，记为各灰度值对应的瘦肉部分的占比更新，将所有瘦肉部分的占比更新进行累加，记为第一占比更新；利用第一占比更新的获取方法，获取脂肪部分的占比更新，将所有脂肪部分的占比更新累加结果记为第二占比更新。

6.根据权利要求5所述一种猪肉肉质智能化检测方法，其特征在于，所述第一更新和第二更新获取方法如下：

对第一占比更新和第二占比更新进行归一化，将第一占比更新，与第一占比更新和第二占比更新和值的比值，记为第一更新；将第二占比更新，与第一占比更新和第二占比更新和值的比值，记为第二更新。

7.根据权利要求1所述一种猪肉肉质智能化检测方法，其特征在于，所述第一权重因子获取方法如下：

首先，将瘦肉高斯曲线的灰度均值与新全局均值的差值，记为瘦肉差值；将脂肪高斯曲线的灰度均值与新全局均值的差值，记为脂肪差值；将瘦肉差值与脂肪差值的比值结果，记为第一比值；将第一更新和第二更新的比值，记为第二比值；

然后，将第一比值和第二比值相乘结果记为第一权重因子。

8.根据权利要求1所述一种猪肉肉质智能化检测方法，其特征在于，所述根据轮廓特征获得第二权重因子，包括的具体步骤如下：

首先，将待选阈值对猪肉灰度图像进行阈值分割后的分割结果，记为阈值分割结果，并通过连通域检测算法，获取阈值分割结果中的各个连通域，将任意连通域的最小外接矩形的长边，记为连通域的长度值；再通过细化算法，获取各个连通域对应的脊线；获取连通域上各个像素点到脊线的最短距离；将最短距离与连通域的长度值的比值，记为轮廓特征；

然后，将轮廓特征的数值大小作为横轴，将同样大小的轮廓特征对应像素点的数量作为纵轴，统计阈值分割结果中任意连通域中所有像素点的轮廓特征分布直方图，将任意数值的轮廓特征对应像素点的数量，与连通域包含的像素点的数量之间的比值，记为轮廓特征占比；将任意轮廓特征占比与1减轮廓特征进行相乘，相乘结果记为第二权重因子。

9.根据权利要求1所述一种猪肉肉质智能化检测方法，其特征在于，所述根据第一权重因子和第二权重因子获得脂肪权重，结合脂肪权重和待选阈值获得阈值分割图像，包括的具体步骤如下：

首先，将第一权重因子和第二权重因子的乘积结果记为脂肪权重，利用脂肪权重获取所有待选阈值对应的类间方差值，记为新类间方差；

然后，获取所有新类间方差的最大值所对应的待选阈值，记为猪肉灰度图像的最终分割阈值；利用最终分割阈值对猪肉灰度图像进行分割，将分割结果记为阈值分割图像。

10.一种猪肉肉质智能化检测系统，采用如权利要求1-9中任意一项所述的一种猪肉肉质智能化检测方法，其特征在于，该系统包括以下模块：

图像准备模块：用于获取猪肉灰度图像；

图像分析模块：用于获取猪肉灰度图像的灰度分布直方图，以及灰度分布直方图中的峰值点；根据峰值点的峰值和对应的灰度值，获得线性分配权重，结合灰度分布直方图和线性分配权重，获得瘦肉高斯曲线和脂肪高斯曲线；根据瘦肉高斯曲线和脂肪高斯曲线获得猪肉灰度图像的新全局均值；

图像分割模块：根据新全局均值、瘦肉高斯曲线和脂肪高斯曲线获得第一权重因子；将任意灰度值记为待选阈值，根据待选阈值对猪肉灰度图像进行分割获得阈值分割结果，根据阈值分割结果中的连通域获得对应待选阈值下的轮廓特征，根据轮廓特征获得第二权重因子；根据第一权重因子和第二权重因子获得脂肪权重，结合脂肪权重和待选阈值获得阈值分割图像；

肉质检测模块：根据阈值分割图像实现猪肉肉质智能化检测。