一种基于机器视觉的肥育猪肉肉质评价方法及系统
本公开属于机器视觉处理、肉类新鲜度品质检测调度领域，具体涉及一种基于机器视觉的肥育猪肉肉质评价方法及系统。
背景技术：
在猪肉的品质检测方面，目前对于猪肉的品质检测主要是通过人工以主观评价，按照猪肉颜色标准图谱来进行评价，由于人工判断比较主观，而且在大量的比对工作时误差很大，无法形成量化标准，不能够快速、准确的对猪肉的品质进行评定，其不仅流程繁琐而且时常出现不同人检测结果不一样的情况，很大一部分取决于评价人员的业务水平，难以客观形成量化的评价。
在以机器视觉检测畜肉质量的现有技术中，公开号为kr100514471(b1)的发明用近红外光谱检测肉新鲜度，只建立了光谱信息与挥发性盐基氮指标之间的关系对肉类新鲜度进行预测，指标过于单一，难以评价肉类新鲜度；而申请号为cn200910098332.7的发明公开了一种基于机器视觉的猪肉外观品质实时检测分级方法，通过采集猪肉图像；利用分级软件进行实时图像处理和特征提取；得到反映猪肉外观品质的特征信息；再利用预测模型对肉品质进行评价，对眼肌肉完成颜色、大理石纹和嫩度以及综合品质的等级评定，对五花肉完成肌肉颜色、肥瘦性以及综合品质的等级评定。虽然能够对肌肉颜色、大理石纹和嫩度等单品质指标及综合品质的检测与分级，但是其依赖于特定的硬件装置结构，并且需要构建复杂的数学模型，时间复杂度和空间复杂度太高，难以达到快速的实时检测效果，检测效率低，效果不佳。
技术实现要素：
本发明的目的在于提出一种基于机器视觉的肥育猪肉肉质评价方法，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。
由于刚屠宰的猪肉的ph值一般在6-7，由于猪肉在屠宰后会发生糖酵解作用，并失去部分水分，肌肉内的糖原和肌磷酸分别逐渐降解为乳酸和磷酸，使得猪肉的ph值逐渐转化为酸性，肉的ph下降至极限值5.4-5.5左右时，此ph值是多数肌原纤维的蛋白质等电点，蛋白质的变形导致肌肉纤维的保水性能丧失，从而影响到肉的品质。ph达到极值以后，由于微生物，氧化分解等因素蛋白质分解为氨胺类碱性物质，产生大量挥发性盐基氮，挥发性盐基氮具有挥发性，其含量越高，表明氨基酸被破坏的越多，特别是蛋氨酸和酪氨酸，挥发性盐基氮的增多使ph值升高。因此，ph值可以反映肉的新鲜品质程度。
同时肌肉中的颜色和肌红蛋白的状态密切相关，其主要有3种氧化还原态，即紫红色的脱氧肌红蛋白、鲜红色的氧合肌红蛋白和褐色的高铁肌红蛋白。在肉品贮藏和加工中，不同氧化还原态肌红蛋白之间相互转化以及肌红蛋白与外源性化学物质形成复合物，均会引起肉品色泽的变化。低ph值可减弱肌红蛋白中血红素与珠蛋白的结合力，使得不再缠绕在血红素周围，导致血红素暴露于空气中，引起血红素铁的氧化，肉品变红，因此生猪肉ph值与肉色的红度值与黄色度值呈显着正相关，由于由于红色和黄色的亮度值（亮度值y取rgb三分量的加权平均值，y=(r+g+b)/3，r、g、b为图像的rgb三分量；或者，亮度值y取灰度图像的灰度值）大于蓝色的亮度值，这就导致猪肉图像转化的灰度图像的红黄区域比较暗，而蓝色区域比较亮，因此可以使用与灰度图像中与颜色等效的亮度值以评价肥育猪肉肉质。
为了实现上述目的，根据本公开的一方面，提供一种基于机器视觉的肥育猪肉肉质评价方法，所述方法包括以下步骤：
s100：采集待测猪肉的猪肉图像；
其中，待测猪肉为将猪的胴体纵向剖开，取左侧胴体背最长肌，去除周围的脂肪组织或者骨得到的肉片。
s200：将猪肉图像分割成多个子区域图像；
s300，筛选各个子区域图像中的所有肌肉子图像作为肌肉子图像集合；
s400，建立肌肉子图像集合中各个肌肉子图像的快速扫描序列表；
s500，根据快速扫描序列表中各个肌肉子图像的序号依次检测肌肉子图像集合的各个肌肉子图像中是否存在亮度高于酸化亮度阈值的肌肉子图像；
s600，如果存在亮度高于酸化亮度阈值的肌肉子图像则标记待测猪肉为不新鲜猪肉，否则标记待测猪肉为新鲜猪肉。
进一步地，在s100中，采集待测猪肉的猪肉图像的方法为：将待测猪肉置于ct机或者ccd线阵相机的视场范围内，以波长范围600nm到800nm的标准光源进行扫描得到猪肉图像。
进一步地，在s200中，将猪肉图像分割成多个子区域图像的方法为：将猪肉图像进行高斯滤波，并且进行灰度化得到灰度图像，通过canny边缘检测算法识别出灰度图像中的图像边缘线，以各个图像边缘线将猪肉图像分割成多个子区域图像。
进一步地，在s200中，将猪肉图像分割成多个子区域图像的方法为：通过最大类间方差法去除猪肉图像的背景，并且以中值滤波对图像降噪，将降噪后的图像灰度化得到灰度图像，使用sobel算子或者laplacian算子计算灰度图像的梯度图像，然后通过分水岭算法对梯度图像进行分割得到多个子区域图像。
进一步地，在s300中，筛选各个子区域图像中的所有肌肉子图像作为肌肉子图像集合的方法为：（由于猪肉的肌肉细胞的特点是呈纤维状的肌纤维，而脂肪组织为肌间脂肪，使在肌肉纤维细胞之间使猪肉呈现不同程度的大理石纹，为了加快扫描速度，剔除掉相对于肌肉组织不容易变酸的脂肪）；
s301,依次计算各个子区域图像中所有像素的平均灰度值a1；
s302,计算所有子区域图像的a1的算术平均值a2；或者，选取所有子区域图像的平均灰度值a1的最大值和最小值，求最大值和最小值的算术平均值作为a2，即取最大值和最小值的中值为a2；
s303,筛选出平均灰度值a1高于a2的子区域图像作为对比图像；（由于各个子区域图像中存在脂肪组织的子区域图像相较于大部分肌肉组织子区域的图像亮度显著较高，因此还需要再次筛选出高于a2的子区域图像）；
s304,计算所有对比图像的平均灰度值a1的算术平均值a3；
s305,筛选出所有平均灰度值a1小于a3的子区域图像作为肌肉子图像从而得到肌肉子图像集合，肌肉子图像集合中的肌肉子图像按照筛选得到的先后顺序依次排列。
进一步地，在s400中，建立肌肉子图像集合中各个肌肉子图像的快速扫描序列表的方法为：
s401，设置一个快速扫描序列表，快速扫描序列表用于存储肌肉子图像集合中各个肌肉子图像的序号；令肌肉子图像集合中的肌肉子图像为di1，变量i1的初值为1，i1取值范围为[1,n1]，n1为肌肉子图像集合中肌肉子图像的数量；设置变量j1的初值为1,肌肉子图像集合中第i1个肌肉子图像中第j1个像素点为mi1,j1,j1取值范围为[1,m1]，m1为肌肉子图像di1中的像素数量；为每个肌肉子图像di1对应设置1个对应的计数器counti1,counti1为第i1个计数器，所有计数器counti1的初始值为0；
s402，当i1小于或等于n1并且j1小于或等于m1时，令子图像di1中的第j1个像素的像素坐标为(x,y),分别计算像素坐标为(x,y)、(x+1,y)、(x-1,y)、(x,y+1)、(x,y-1)、(x+1,y+1)、(x+1,y-1)、(x-1,y+1)、(x-1,y-1)的像素的亮度值；（为了建立快速扫描序列表，快速的对图像右下进行跳跃式的逐行扫描，所以选取亮度值最高的，(x+1,y)即(x,y)右方坐标、(x,y-1)即(x,y)下方坐标、(x+1,y-1)即(x,y)右下方坐标）；
s403，如果像素坐标为(x+1,y)、(x-1,y)、(x,y+1)、(x,y-1)、(x+1,y+1)、(x+1,y-1)、(x-1,y+1)、(x-1,y-1)的像素的亮度值中不存在大于亮度平均值a1的像素，则通过步骤s4031到步骤s4035）进行移位扫描操作，如果像素坐标为(x+1,y)、(x-1,y)、(x,y+1)、(x,y-1)、(x+1,y+1)、(x+1,y-1)、(x-1,y+1)、(x-1,y-1)的像素的亮度值中存在大于亮度平均值a1的像素则跳转到步骤s404；
s4031,设置变量q的初值为1；
s4032,计算像素坐标为(x+q,y)、(x,y-q)、(x+1,y-q)三个像素的亮度值l1、l2、l3，令三个像素分别为w1,w2,w3；
s4033,令像素w1的坐标为(x1,y1)，依次计算(x1+1,y1)、(x1-1,y1)、(x1,y1+1)、(x1,y1-1)、(x1+1,y1+1)、(x1+1,y1-1)、(x1-1,y1+1)、(x1-1,y1-1)的像素的亮度值，取其中最小值min_w1；
s4034,令像素w2的坐标为(x2,y2)，依次计算(x2+1,y2)、(x2-1,y2)、(x2,y2+1)、(x2,y2-1)、(x2+1,y2+1)、(x2+1,y2-1)、(x2-1,y2+1)、(x2-1,y2-1)的像素的亮度值，取其中最小值min_w2；
s4035,令像素w3的坐标为(x3,y3)，依次计算(x3+1,y3)、(x3-1,y3)、(x3,y3+1)、(x3,y3-1)、(x3+1,y3+1)、(x3+1,y3-1)、(x3-1,y3+1)、(x3-1,y3-1)的像素的亮度值，取其中最小值min_w3；
s4035,如果min(l1、l2、l3)＜(min_w1+min_w2+min_w3)/3,则当前扫描的中心的像素点从(x,y)跳转到像素坐标为(x+1,y)、(x,y-1)、(x+1,y-1)中像素的亮度值最小的坐标并将所述坐标对应的像素点的序号设置为j1并跳转到步骤s402；否则，如果min(l1、l2、l3)≥(min_w1+min_w2+min_w3)/3，则令变量q的值增加1，并跳转到步骤s4032；
其中，min(l1、l2、l3)为l1、l2、l3中像素的亮度值最小的值；
其中，亮度平均值a1为肌肉子图像di1中所有像素的平均亮度值；x和y为x-y像素坐标系的横轴值和纵轴值；
其中，像素的亮度值xs取像素的rgb三分量的加权平均值的平均值，y2=(r+g+b)/3，r、g、b为图像的rgb三分量；或者，像素的亮度值xs取图像进行高斯滤波并且灰度化后得到的灰度化图像中像素点的灰度值；
s404，若j1小于或等于m1，将计数器counti1增加1并将j1增加1跳转到步骤s402；否则将i1增加1并跳转到步骤s402；当i1大于n1时跳转到步骤s405；
s405，按照各个计数器counti1的数值的大小的顺序将counti1的对应下标i1依次保存到快速扫描序列表中形成一个检测序列，从而得到快速扫描序列表。
进一步地，在s400中，获取酸化亮度阈值ta的方法包括以下步骤：
设定时间间隔tgs的取值范围为[1,30]分钟；设置变量i3，i3的初始值为1，i3取值范围为[1,n3]，n3为当前时刻已经采集的猪肉样本的图像数量；肉色度量值d的初始值为0；酸化亮度阈值ta的初始值为0；
s401，每隔设定时间间隔tgs获取猪肉样本的图像并同时采集猪肉样本的ph值；
其中，获取猪肉样本的图像的方法为：在4℃下，将猪肉样本置于ct机或者ccd线阵相机的视场范围内，以波长范围600nm到800nm的标准光源进行扫描得到猪肉图像；
其中，采集猪肉样本的ph值的方法为，通过设置于猪肉样本内部或者表面的多个ph传感器（一般设置3个以上ph传感器设置在猪肉上随机的不同位置进行采集）的读取猪肉样本肌肉的ph值，并计算所有采集到的ph值的平均值得到猪肉样本的ph值，ph传感器包括但不限于testo205ph计；当首次采集猪肉样本的ph值时候，取首次采集到的猪肉样本的ph值作为ph阈值；
s402，当监测到猪肉样本的ph值大于或等于ph阈值时，如果当前时刻t的ph值小于t-tgs时刻的ph值（即猪肉在逐渐酸化，亮度越低，肉色越好），则将i3的值增加1并且将当前时刻采集的猪肉样本图像标记为酸化图像（酸化图像总共有i3个，按照被标记的先后顺序排列，酸化图像的序号为1到i3个），计算肉色度量值d：
s403，当监测到猪肉样本的ph值大于或等于ph阈值时，转到步骤s401，若监测到猪肉样本的猪肉样本的ph值小于ph阈值，转到步骤s404；
s404，如果肉色度量值d不为0，则将最近的肉色度量值作为酸化亮度阈值ta；如果肉色度量值d为0（即猪肉一开始的ph值就是小于ph阈值从而没有经过s402），则将当前时刻采集的猪肉样本图像的亮度值作为酸化亮度阈值ta。
其中，图像的亮度值y2取图像中所有像素的rgb三分量的加权平均值的平均值，y2=(r+g+b)/3，r、g、b为图像的rgb三分量；或者，图像的亮度值y2取图像进行高斯滤波并且灰度化后得到的灰度化图像中所有像素的平均灰度值；
其中，待测猪肉和猪肉样本为以gb/t9959.1-2019《鲜、冻猪肉及猪副产品第1部分：片猪肉》或者gb/t9959.3-2019《鲜、冻猪肉及猪副产品第3部分：分部位分割猪肉》加工并且符合标准猪肉肉色图样和标准猪脂肪色图样；标准猪肉肉色图样和标准猪脂肪色图样来自于东北农业大学的陈润生教授制作的猪肉颜色与大理石纹评分标准图，或者采用南京农业大学国家肉品质量安全控制工程技术研究中心制作的国家标准样品gsb11-3708-2020《商品猪肉色分级用标准样照》和gsb11-3709-2020《商品猪脂肪色分级用标准样照》。
本发明还提供了一种基于机器视觉的肥育猪肉肉质评价系统，所述系统包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在以下系统的单元中：
猪肉图像采集单元，用于采集待测猪肉的猪肉图像；
图像区域分割单元，用于将猪肉图像分割成多个子区域图像；
子图像筛选单元，用于筛选各个子区域图像中的所有肌肉子图像作为肌肉子图像集合；
扫描表建立单元，用于建立肌肉子图像集合中各个肌肉子图像的快速扫描序列表；
酸化亮度检测单元，用于根据快速扫描序列表中各个肌肉子图像的序号依次检测肌肉子图像集合的各个肌肉子图像中是否存在亮度高于酸化亮度阈值的肌肉子图像；
检测结果输出单元，用于如果存在亮度高于酸化亮度阈值的肌肉子图像则标记待测猪肉为不新鲜猪肉，否则标记待测猪肉为新鲜猪肉。
本公开的有益效果为：本发明提供一种基于机器视觉的肥育猪肉肉质评价方法及系统，形成量化的评价，快速、准确的对猪肉的品质进行评定，并且不用依赖于特定的硬件装置结构，对猪肉图像的实时检测效果好，检测效率高，图像处理的速度快，并且快速的得到猪肉品质的结果。
附图说明
通过对结合附图所示出的实施方式进行详细说明，本公开的上述以及其他特征将更加明显，本公开附图中相同的参考标号表示相同或相似的元素，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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，在附图中：
图1所示为一种基于机器视觉的肥育猪肉肉质评价方法的流程图；
图2所示为一种基于机器视觉的肥育猪肉肉质评价系统结构图。
具体实施方式
以下将结合实施例和附图对本公开的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本公开的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
如图1所示为根据本发明的一种基于机器视觉的肥育猪肉肉质评价方法的流程图，下面结合图1来阐述根据本发明的实施方式的一种基于机器视觉的肥育猪肉肉质评价方法。
本公开提出一种基于机器视觉的肥育猪肉肉质评价方法，所述方法具体包括以下步骤：
s100：采集待测猪肉的猪肉图像；
其中，待测猪肉为将猪的胴体纵向剖开，取左侧胴体背最长肌，去除周围的脂肪组织或者骨得到的肉片。
s200：将猪肉图像分割成多个子区域图像；
s300，筛选各个子区域图像中的所有肌肉子图像作为肌肉子图像集合；
s400，建立肌肉子图像集合中各个肌肉子图像的快速扫描序列表；
s500，根据快速扫描序列表中各个肌肉子图像的序号依次检测肌肉子图像集合的各个肌肉子图像中是否存在亮度高于酸化亮度阈值的肌肉子图像；
s600，如果存在亮度高于酸化亮度阈值的肌肉子图像则标记待测猪肉为不新鲜猪肉，否则标记待测猪肉为新鲜猪肉。
进一步地，在s100中，采集待测猪肉的猪肉图像的方法为：将待测猪肉置于ct机或者ccd线阵相机的视场范围内，以波长范围600nm到800nm的标准光源进行扫描得到猪肉图像。
进一步地，在s200中，将猪肉图像分割成多个子区域图像的方法为：将猪肉图像进行高斯滤波，并且进行灰度化得到灰度图像，通过canny边缘检测算法识别出灰度图像中的图像边缘线，以各个图像边缘线将猪肉图像分割成多个子区域图像。
进一步地，在s200中，将猪肉图像分割成多个子区域图像的方法为：通过最大类间方差法去除猪肉图像的背景，并且以中值滤波对图像降噪，将降噪后的图像灰度化得到灰度图像，使用sobel算子或者laplacian算子计算灰度图像的梯度图像，然后通过分水岭算法对梯度图像进行分割得到多个子区域图像。
进一步地，在s300中，筛选各个子区域图像中的所有肌肉子图像作为肌肉子图像集合的方法为：（由于猪肉的肌肉细胞的特点是呈纤维状的肌纤维，而脂肪组织为肌间脂肪，使在肌肉纤维细胞之间使猪肉呈现不同程度的大理石纹，为了加快扫描速度，剔除掉相对于肌肉组织不容易变酸的脂肪）；
s301,依次计算各个子区域图像中所有像素的平均灰度值a1；
s302,计算所有子区域图像的a1的算术平均值a2；或者，选取所有子区域图像的平均灰度值a1的最大值和最小值，求最大值和最小值的算术平均值作为a2，即取最大值和最小值的中值为a2；
s303,筛选出平均灰度值a1高于a2的子区域图像作为对比图像；（由于各个子区域图像中存在脂肪组织的子区域图像相较于大部分肌肉组织子区域的图像亮度显著较高，因此还需要再次筛选出高于a2的子区域图像）；
s304,计算所有对比图像的平均灰度值a1的算术平均值a3；
s305,筛选出所有平均灰度值a1小于a3的子区域图像作为肌肉子图像从而得到肌肉子图像集合，肌肉子图像集合中的肌肉子图像按照筛选得到的先后顺序依次排列。
进一步地，在s400中，建立肌肉子图像集合中各个肌肉子图像的快速扫描序列表的方法为：
s401，设置一个快速扫描序列表，快速扫描序列表用于存储肌肉子图像集合中各个肌肉子图像的序号；令肌肉子图像集合中的肌肉子图像为di1，变量i1的初值为1，i1取值范围为[1,n1]，n1为肌肉子图像集合中肌肉子图像的数量；设置变量j1的初值为1,肌肉子图像集合中第i1个肌肉子图像中第j1个像素点为mi1,j1,j1取值范围为[1,m1]，m1为肌肉子图像di1中的像素数量；为每个肌肉子图像di1对应设置1个对应的计数器counti1,counti1为第i1个计数器，所有计数器counti1的初始值为0；
s402，当i1小于或等于n1并且j1小于或等于m1时，令子图像di1中的第j1个像素的像素坐标为(x,y),分别计算像素坐标为(x,y)、(x+1,y)、(x-1,y)、(x,y+1)、(x,y-1)、(x+1,y+1)、(x+1,y-1)、(x-1,y+1)、(x-1,y-1)的像素的灰度值；（为了建立快速扫描序列表，快速的对图像右下进行跳跃式的逐行扫描，所以选取亮度值最低的，(x+1,y)即(x,y)右方坐标、(x,y-1)即(x,y)下方坐标、(x+1,y-1)即(x,y)右下方坐标）；
s403，如果像素坐标为(x+1,y)、(x-1,y)、(x,y+1)、(x,y-1)、(x+1,y+1)、(x+1,y-1)、(x-1,y+1)、(x-1,y-1)的像素的灰度值中不存在大于灰度平均值a1的像素，则进行移位扫描操作，即当前扫描的中心的像素点从(x,y)跳转到像素坐标为(x+1,y)、(x,y-1)、(x+1,y-1)中像素的灰度值最小的坐标并将所述坐标对应的像素点的序号设置为j1并跳转到步骤s402；否则，如果存在大于灰度平均值a1的像素则跳转到步骤s404；
其中，灰度平均值a1为肌肉子图像di1中所有像素的平均灰度值；x和y为x-y像素坐标系的横轴值和纵轴值；
s404，若j1小于或等于m1，将计数器counti1增加1并将j1增加1跳转到步骤s402；否则将i1增加1并跳转到步骤s402；当i1大于n1时跳转到步骤s405；
s405，按照各个计数器counti1的数值的大小的顺序将counti1的对应下标i1依次保存到快速扫描序列表中形成一个检测序列，从而得到快速扫描序列表。
进一步地，在s400中，获取酸化亮度阈值ta的方法包括以下步骤：
设定时间间隔tgs的取值范围为[1,30]分钟；设置变量i3，i3的初始值为1，i3取值范围为[1,n3]，n3为当前时刻已经采集的猪肉样本的图像数量；肉色度量值d的初始值为0；酸化亮度阈值ta的初始值为0；
s401，每隔设定时间间隔tgs获取猪肉样本的图像并同时采集猪肉样本的ph值；
其中，获取猪肉样本的图像的方法为：在4℃下，将猪肉样本置于ct机或者ccd线阵相机的视场范围内，以波长范围600nm到800nm的标准光源进行扫描得到猪肉图像；
其中，采集猪肉样本的ph值的方法为，通过设置于猪肉样本内部或者表面的多个ph传感器（一般设置3个以上ph传感器进行采集）的读取猪肉样本肌肉的ph值，并计算所有采集到的ph值的平均值得到猪肉样本的ph值，ph传感器包括但不限于testo205ph计；（注：猪肉ph值等于7时呈中性，ph值小于7时呈酸性，ph值大于7时呈碱性）；
s402，当监测到猪肉样本的ph值大于或等于7时，如果当前时刻t的ph值小于t-tgs时刻的ph值（即猪肉在逐渐酸化，亮度越低，肉色越好），则将i3的值增加1并且将当前时刻采集的猪肉样本图像标记为酸化图像（酸化图像总共有i3个，按照被标记的先后顺序排列，酸化图像的序号为1到i3个），计算肉色度量值d：
s403，当监测到猪肉样本的ph值大于或等于7时，转到步骤s401，若监测到猪肉样本的猪肉样本的ph值小于7，转到步骤s404；
s404，如果肉色度量值d不为0，则将最近的肉色度量值作为酸化亮度阈值ta；如果肉色度量值d为0（即肉一开始就是ph值小于7没有经过s402），则将当前时刻采集的猪肉样本图像进行高斯滤波并且灰度化后得到的灰度化图像中所有像素的平均灰度值作为酸化亮度阈值ta。
其中，待测猪肉和猪肉样本为以gb/t9959.1-2019《鲜、冻猪肉及猪副产品第1部分：片猪肉》或者gb/t9959.3-2019《鲜、冻猪肉及猪副产品第3部分：分部位分割猪肉》加工并且符合标准猪肉肉色图样和标准猪脂肪色图样；标准猪肉肉色图样和标准猪脂肪色图样来自于东北农业大学的陈润生教授制作的猪肉颜色与大理石纹评分标准图，或者采用南京农业大学国家肉品质量安全控制工程技术研究中心制作的国家标准样品gsb11-3708-2020《商品猪肉色分级用标准样照》和gsb11-3709-2020《商品猪脂肪色分级用标准样照》。
本公开的实施例提供的一种基于机器视觉的肥育猪肉肉质评价系统，如图2所示为本公开的一种基于机器视觉的肥育猪肉肉质评价系统结构图，该实施例的一种基于机器视觉的肥育猪肉肉质评价系统包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种基于机器视觉的肥育猪肉肉质评价系统实施例中的步骤。
所述系统包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在以下系统的单元中：
猪肉图像采集单元，用于采集待测猪肉的猪肉图像；
图像区域分割单元，用于将猪肉图像分割成多个子区域图像；
子图像筛选单元，用于筛选各个子区域图像中的所有肌肉子图像作为肌肉子图像集合；
扫描表建立单元，用于建立肌肉子图像集合中各个肌肉子图像的快速扫描序列表；
酸化亮度检测单元，用于根据快速扫描序列表中各个肌肉子图像的序号依次检测肌肉子图像集合的各个肌肉子图像中是否存在亮度高于酸化亮度阈值的肌肉子图像；
检测结果输出单元，用于如果存在亮度高于酸化亮度阈值的肌肉子图像则标记待测猪肉为不新鲜猪肉，否则标记待测猪肉为新鲜猪肉。
所述一种基于机器视觉的肥育猪肉肉质评价系统可以运行于桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备中。所述一种基于机器视觉的肥育猪肉肉质评价系统，可运行的系统可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述例子仅仅是一种基于机器视觉的肥育猪肉肉质评价系统的示例，并不构成对一种基于机器视觉的肥育猪肉肉质评价系统的限定，可以包括比例子更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述一种基于机器视觉的肥育猪肉肉质评价系统还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现场可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述一种基于机器视觉的肥育猪肉肉质评价系统运行系统的控制中心，利用各种接口和线路连接整个一种基于机器视觉的肥育猪肉肉质评价系统可运行系统的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述一种基于机器视觉的肥育猪肉肉质评价系统的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（smartmediacard,smc），安全数字（securedigital,sd）卡，闪存卡（flashcard）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
尽管本公开的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，而是应当将其视作是通过参考所附权利要求考虑到现有技术为这些权利要求提供广义的可能性解释，从而有效地涵盖本公开的预定范围。此外，上文以发明人可预见的实施例对本公开进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本公开的非实质性改动仍可代表本公开的等效改动。
- 还没有人留言评论。精彩留言会获得点赞！