牛肉质量在线分级技术的研究与系统开发

摘要

目前，世界各国的牛肉质量分级方法一般是采用主观的人工视觉评定。牛肉等级分级员通过观察牛肉眼肌处脂肪的丰富程度，评定出牛肉大理石花纹等级，然后参考牛肉的肌肉色等级、脂肪色等级以及生理成熟度，最终评定出牛肉质量等级。由于人工视觉评定方法依赖分级员的感官和经验，具有很强的主观性，因此，研究和开发客观高效的牛肉自动分级系统，具有广阔的应用前景和研究价值。基于嵌入式技术开发牛肉自动分级系统具有易携带、易用、成本低等特点，利用嵌入式机器视觉技术对牛肉加工现场的牛肉图像进行在线采集与质量分级，不仅能够提高分级员工作效率，降低检测成本，而且基于嵌入式机器视觉技术开发的牛肉自动分级系统还具有良好的便携性和易用性，可以实现牛肉质量的在线分级。因此，研究基于嵌入式机器视觉技术的牛肉质量在线自动分级技术具有十分重要的理论意义和实践意义。
　　本文结合机器视觉技术与模式识别技术，研究开发基于嵌入式机器视觉技术的牛肉质量在线分级系统。围绕牛肉加工现场牛肉图像在线采集与图像分割以及牛肉质量分级建模的适用性展开了研究，对能够反应牛肉质量等级的牛肉眼肌切面图像进行了图像采集并进行了图像分割处理，对反映牛肉质量等级的大理石花纹特征、肌肉色特征和脂肪色特征进行了提取，并建立了相应的牛肉大理石花纹分级模型、肌肉色分级模型和脂肪色分级模型，最后基于ARM与Windows Mobile研制开发了牛肉质量在线分级系统。主要研究工作和研究结论如下:
　　1、提出了基于图像重采样的图像二值化牛肉样本图像分割算法
　　对采集得到的牛肉样本图像，首先将牛肉样本图像由RGB颜色空间转换到Lab颜色空间，将Lab图像的L分量图像进行二值化分割得到牛肉脂肪区域，将a分量图像进行二值化分割得到牛肉肌肉区域。然后提出了基于图像重采样的图像二值化方法以提高图像分割速度适应嵌入式系统的要求，选定重采样率0.3125对2592*1552像素的a分量图像进行二值化，选定重采样率0.375对2592*1552像素的L分量图像进行二值化。利用八邻域区域标记法标记牛肉肌肉区域的连通区域，通过保留最大连通区域得到了牛肉眼肌肌肉区域，之后对牛肉眼肌肌肉区域再次应用区域标记法，通过保留最大背景区域的方法得到了牛肉眼肌区域，最后将牛肉眼肌区域与眼肌肌肉区域的二值化图像进行逻辑“亦或”操作成功提取了牛肉大理石花纹。
　　2、研究并提出基于同态滤波的牛肉大理石花纹提取方法
　　提出利用同态滤波法对牛肉眼肌区域图像不均匀光照进行校正，研究分析不同滤波系数以及不同颜色分量图像对牛肉大理石花纹提取误差和精度的影响，在此基础上提出一种在G颜色分量图像下基于同态滤波的牛肉大理石花纹提取方法。实验结果表明，当选取rL=0.6和rH=1.425作为增益系数，牛肉大理石花纹提取的误差率显著降低，在此系数下，经同态滤波后，相较于其它分量图像，G颜色分量图像的大理石花纹提取误差率最低，其平均值为5.38％，较不经过同态滤波处理的平均提取误差率下降了3.73％，因此选择G颜色分量图像经同态滤波提取牛肉大理石花纹可取得最好的图像分割效果。
　　3、建立了牛肉大理石花纹分级模型
　　首先从已分割好的图像中提取大理石花纹面积、眼肌区域面积、脂肪颗粒总数、平均脂肪面积、大脂肪颗粒面积、大脂肪颗粒数、小脂肪颗粒面积、小脂肪颗粒数8个参数，然后根据这些参数计算出7个牛肉大理石花纹特征。对各个特征参数进行线性拟合分析发现，MF1、MF3、MF4、MF6、MF7这5个特征与牛肉大理石花纹等级存在线性关系。然后采用主成分分析法对这5个特征重新进行筛选，选取前2个主成分代表原有的5个牛肉大理石花纹特征参数。最后基于2个牛肉大理石花纹主成分分别建立了牛肉大理石花纹的多元线性回归分级模型（分级正确率100％）和BP神经网络分级模型（分级正确率100％）。
　　4、建立了牛肉肌肉色分级模型和脂肪色分级模型
　　首先使用RGB和Lab两个颜色模型，将图像的R、G、B、L、a、b六个颜色分量的平均值和标准差共12个颜色特征参数作为牛肉颜色的定量描述，分别提取了牛肉肌肉色和脂肪色的12个特征参数。对肌肉色各个特征参数进行线性拟合分析发现，肌肉的全部12个特征均与牛肉肌肉色等级存在线性关系;对脂肪色各个特征参数进行线性拟合分析发现，脂肪色的全部12个特征除了特征F12外的11个特征均与牛肉脂肪色等级存在线性关系。然后采用主成分分析法对牛肉肌肉色的12个特征和牛肉脂肪色的11个特征分别重新进行筛选，选取前2个主成分代表原有的12个牛肉肌肉色特征参数，反映牛肉肌肉色等级;选取前2个主成分代表原有的11个牛肉脂肪色特征参数。最后基于2个肌肉色主成分分别建立了牛肉肌肉色多元线性回归分级模型（分级准确率82.61％）和BP神经网络分级模型（分级准确率82.61％），基于2个脂肪色主成分分别建立了牛肉脂肪色多元线性回归分级模型（分级准确率65.22％）和BP神经网络分级模型（准确率78.26％）。
　　5、开发了一种基于ARM与Windows Mobile的牛肉质量在线分级系统
　　针对基于ARM与Windows Mobile的牛肉质量在线分级系统的实时性与可行性进行了研究，重点讨论了嵌入式系统的牛肉图像分割算法以及各个牛肉质量分级模型的选择问题。实验结果表明，对于从PC端采集的23个牛肉样本图像，利用所设计的嵌入式牛肉质量在线分级系统进行分级，牛肉大理石花纹分级正确率为86.96％，肌肉色分级正确率为73.91％，脂肪色分级正确率为65.22％。实验时间从人工采集牛肉样本图像开始计算，总操作时间在15-20秒，和人工分级相比，时间在可接受范围之内，这表明系统可以正常工作，能够实现牛肉质量等级的在线分级任务。

目录

声明

摘要

第一章 绪论

1．1 研究背景和意义

1．2 国内外牛肉质量分级技术的研究现状

1．2．1 牛胴体眼肌切面的图像分割方法

1．2．2 牛肉大理石花纹自动分级方法

1．2．3 牛肉颜色自动分级方法

1．2．4 嵌入式机器视觉系统研究概况

1．2．5 现有牛肉自动分级系统及其存在的问题

1．3 技术路线和研究内容

1．3．1 技术路线

1．3．2 研究内容

参考文献

第二章 牛肉眼肌切面图像分割方法研究

2．1 牛肉眼肌切面样本图像的采集和实验设备

2．1．1 样本图像采集

2．1．2 牛肉质量等级的人工评定

2．1．3 实验设备

2．2 牛肉眼肌切面图像分割处理流程

2．3 颜色模型选择

2．3．1 RGB模型

2．3．2 Lab模型

2．3．3 颜色模型选择

2．4 肌肉区域和脂肪区域的分割

2．4．1 图像二值化

2．4．2 实验结果

2．4．3 基于图像重采样的图像二值化方法

2．5 牛肉眼肌区域的分割

2．5．1 像素邻接

2．5．2 区域标记

2．5．3 实验结果

2．6 牛肉大理石花纹区域的提取

2．7 基于同态滤波的牛肉大理石花纹提取

2．7．1 同态滤波原理

2．7．2 大理石花纹提取

2．7．3 牛肉大理石花纹提取精度

2．7．4 结果和讨论

2．7．5 结论

2．8 牛肉样本图像分割结果

2．9 本章小结

参考文献

第三章 牛肉大理石花纹分级模型

3．1 牛肉大理石花纹特征参数的提取与计算

3．2 牛肉大理石花纹特征提取结果与分析

3．2．2 MF2特征与牛肉大理石花纹等级的关系

3．2．3 MF3特征与牛肉大理石花纹等级的关系

3．2．4 MF4特征与牛肉大理石花纹等级的关系

3．2．5 MF5特征与牛肉大理石花纹等级的关系

3．2．6 MF6特征与牛肉大理石花纹等级的关系

3．2．7 MF7特征与牛肉大理石花纹等级的关系

3．3 主成分分析

3．3．1 主成分分析简介

3．3．2 主成分的导出

3．3．3 牛肉大理石花纹图像特征参数的主成份分析

3．4 牛肉大理石花纹多元线性回归分级模型

3．4．1 简介

3．4．2 基于牛肉大理石花纹2个主成分的多元线性回归分级模型

3．5 BP神经网络分级模型

3．5．1 神经网络基本概念

3．5．2 BP神经网络简介

3．5．3 基于牛肉大理石花纹2个主成分的BP神经网络分级模型

3．6 本章小结

参考文献

第四章 牛肉颜色分级模型

4．1 牛肉大理石花纹特征参数的提取与计算

4．2 牛肉颜色特征提取结果与分析

4．2．1 颜色特征与牛肉肌肉色等级的关系

4．2．2 颜色特征与牛肉脂肪色等级的关系

4．3 牛肉颜色特征主成分分析

4．3．1 牛肉肌肉颜色特征参数的主成分分析

4．3．2 牛肉脂肪颜色特征参数的主成分分析

4．4 牛肉颜色多元线性回归分级模型

4．4．1 牛肉肌肉色多元线性回归分级模型

4．4．2 牛肉脂肪颜色多元线性回归分级模型

4．5 牛肉颜色BP神经网络分级模型

4．5．1 牛肉肌肉颜色BP神经网络分级模型

4．5．2 牛肉脂肪颜色多元线性回归分级模型

4．6 本章小结

参考文献

第五章 嵌入式牛肉质量在线分级系统设计

5．1 引言

5．2 嵌入式操作系统

5．2．1 精简的模块化操作系统

5．2．2 多硬件平台支持

5．2．3 支持有线和无线的网络连接

5．2．4 稳健的实时性支持

5．3 硬件平台

5．3．1 PXA270微处理器

5．3．2 ARM开发平台

5．4 嵌入式牛肉质量在线分级系统的设计方案

5．5 开发嵌入式牛肉质量在线分级系统关键问题的研究

5．5．1 问题的提出

5．5．2 在嵌入式系统中运行牛肉眼肌切面图像分割算法的可行性

5．5．3 在嵌入式系统中运行牛肉质量分级模型的可行性

5．6 系统软件设计

5．7 系统实验结果

5．8 实验结果

5．9 本章小结

第六章 结论与建议

6．1 结论

6．2 主要创新点

6．3 后续工作

致谢

博士期间发表的论文

附录