摘要：首先对手机拍摄的猪肉图像进行预处理，利用Otsu算法较好地分割出图像中的猪肉部分和背景，然后用颜色因子∣R-G∣+∣R-B∣的值对图像进行彩色分层从而计算出颜色区域比值，建立了用猪肉的色泽、黏度、弹性、氨气、硫化氢、表面菌落总数、颜色区域比等7个特征为输入的BP网络分类模型。试验结果表明，该方法能够较好地对猪肉新鲜度进行检测。
关键词：猪肉；新鲜度；颜色因子；BP神经网络
中图分类号：TP751.1 文献标识码：A 文章编号：0439-8114（2013）13-3168-03
我国是世界上最大的猪肉生产和消费国，据中国国家统计局统计，2011年我国猪肉产量为5 053万t，约占全球总产量的50%。猪肉新鲜度是猪肉品质最重要的评价标准。
随着《中华人民共和国动物防疫法》和《生猪屠宰管理条例》的颁布实施[1]，全国各地均开展了定点屠宰、集中检疫工作，从根本上杜绝了私屠滥宰，尤其是防止对染疫及死因不明动物的屠宰，从而保证了上市肉品的安全性及品质。但肉品在屠宰、分割、包装、运输、销售等过程中有很多被微生物污染的机会，会导致肉品发生变质甚至腐败。近期以来，消费者对猪肉产品的安全问题日益关注，我国生猪产业已处于发展的瓶颈阶段[2]。因此，如何快速有效地检测猪肉的新鲜度是亟待解决的问题。
常用的猪肉新鲜度检验方法有猪肉表面菌落总数[3，4]、挥发性盐基氨（TVB-N）[5]、pH、硫化氢，还有K值、球蛋白、氨等测定方法。这些方法大多操作复杂，技术含量高，检测时间长，不便于对猪肉新鲜度进行快速检测。该系统基于计算机视觉，用手机拍摄猪肉图片，输入到手机中安装的猪肉新鲜度检测系统中进行评定。此方法快速有效，简单易行，适用于任何单位和个人。
1 材料与方法
1.1 检测材料
试验材料为河北省保定市的超市以及农贸市场的市售鲜猪肉，每个采样点分前膀、里脊、后座3个部位取样，购回后用清水洗净，沥干，切为约2 mm厚、6 cm长、2 cm宽的肉条，制作15个样本，室温置于灭菌的培养皿中保存，使猪肉自然腐败，连续进行3 d。每天9∶00开始检测，间隔6～8 h进行一次样本图像采集，每天采集3次图像，并通过对TVB-N的检测记录其新鲜度。
1.2 检测原理
此方法主要是根据猪肉色泽的变化检测肉质新鲜度。猪肉的色泽主要由肌红蛋白的化学特性所决定[6]。当猪被屠宰后，由于刚切开的肌肉表面尚未与氧结合而呈暗红色；当在空气中与氧接触后，肌红蛋白成为氧合肌红蛋白，从而呈鲜红色；但在空气中放久之后氧合肌红蛋白变成变性肌红蛋白，使肉呈暗褐色。因此肌肉表面的颜色可以用来表征猪肉的新鲜程度。
1.3 图像采集方法
将猪肉置于黑色背景下，在非强光照射条件下用三星S5230手机获取猪肉图像样本。拍摄时尽量使手机的镜头与猪肉所在的平面平行，使光线在猪肉上均匀分布，避免产生明显的形变导致后续处理困难[7]。
1.4 图像分割
图像分割是将图像分成一些有意义的区域，然后对这些区域进行描述，相当于提取出某些目标区域图像的特征，判断图像中是否有感兴趣的目标。在自然环境下用手机拍摄的彩色图像存在分辨率低、对比度不明显等情况。因此有必要在分割之前对猪肉图像样本进行预处理。
首先采用中值滤波法去除图像中的噪声，然后去除图像背景，采用Otsu算法较好地分割出了图像中的猪肉部分和背景。试验用Otsu算法公式计算图像最佳阈值，然后用这个阈值将灰度图像二值化，结果如图1。
图1（a）为原始图像，图1（b）为图像分割并去除背景后的结果。
1.5 特征提取
对多种图像特征提取方法的研究和对比，根据猪肉颜色与新鲜度相关的特点，对彩色图像处理中的彩色分层[8]方法进行了深入研究，在此基础上提出了一种新的表征新鲜度的图像特征——颜色区域比。彩色分层方法能够突出图像中特殊的彩色区域，从而分离出目标物。其基本思路是：①显示感兴趣的颜色以便从背景中把它们分离出来，②像模板那样使用由彩色定义的区域，以便进一步处理。此次颜色区域比利用颜色分层后的区域[9]，计算颜色分层区域与图像总体区域的面积比值，即颜色分层区域像素点数量与图像像素总数之比，颜色区域比的计算公式如下：
R=■ （1）
其中，I（x，y）为图像（x，y）点像素值，T为图像分层阈值，sum（）为求和运算。
由于猪肉红色变化与新鲜度相关，根据图像中颜色特征R，以及颜色因子R-G、R-B、∣R-G∣+∣R-B∣的值对图像进行分层，进而计算颜色区域比。在试验中，对于颜色特征R的分层阈值T经过大量试验，得到最佳值为T=110；对于颜色因子R-G、R-B、∣R-G∣+∣R-B∣的分层阈值T经过大量试验，得到最佳值为T=30。以上结果是通过对彩色分层计算出大于阈值的颜色区域比比值，作为新鲜度分类特征值。
2 结果与分析
2.1 试验结果
如表1所示，表1中的数据是对15组猪肉样本数据进行平均，由此看出猪肉在腐败过程中的颜色区域比变化过程。由表1通过对比发现，用合成的颜色因子R-G、R-B对图像进行彩色分层得到的猪肉颜色区域比变化没有什么规律。通过颜色特征R对图像进行分层，从第1天全天到第2天的15∶00，同一时刻15组肉样的颜色区域比平均值都在0.880以上，对应肉样的新鲜等级可以划分为新鲜和次新鲜；从第2天21∶00到第3天全天，同一时刻15组肉样的颜色区域比平均值都在0.782以下，对应肉样的新鲜等级可以划分为次新鲜和腐败。这种彩色分层方法可以很好地评定猪肉的新鲜等级，但是无法评定猪肉的新鲜和次新鲜等级。
由表1可以看出用颜色因子∣R-G∣+∣R-B∣的值对图像进行彩色分层从而计算出的颜色区域比值有明显的变化规律。第1天全天同一时刻15组肉样的颜色区域比平均值都在0.8以上，对应肉样的新鲜等级可以划分为新鲜；第2天全天同一时刻15组肉样的颜色区域比平均值都在0.6～0.8之间，对应肉样的新鲜等级可以划分为次新鲜；第3天全天同一时刻15组肉样的颜色区域比平均值都在0.5～0.6之间，对应肉样的新鲜等级可以划分为腐败。这种彩色分层方法可以很好地检测猪肉新鲜度。
2.2 BP网络识别方法
提取图像特征并归纳出新鲜度分类阈值后，就要使用分类方法对检测样本分类，并在手机的检测软件中显示检测结果。这里使用BP神经网络方法对特征值进行模糊分类，进一步提高分类准确率。BP神经网络是一种多层前馈神经网络[10]，具有3层或3层以上的神经元，包括输入层、中间层（隐层）和输出层。对于猪肉新鲜度检测问题，可以看输入特征到输出新鲜度等级的非线性映射问题。输入层矢量反映猪肉的特征，输出层矢量对应猪肉的新鲜度等级。根据前人经验，一个具有无限隐含层节点的3层BP网络可以实现任意从输入到输出的非线性映射，故本文采用3层BP神经网络。选用猪肉的色泽、黏度、弹性、氨气、硫化氢、表面菌落总数、颜色区域比等7个特征参数，故确定输入层节点数为7。输出层节点数即为猪肉新鲜度等级包括新鲜、次新鲜、腐败，所以输出层节点数为3。经过多次试验，最终确定隐层节点数为4。网络结构如图2所示。隐含层神经元的激励函数采用tansig函数，输出层神经元的激励函数采用purelin函数。
3 小结
该系统成本低，使用方便，以计算机视觉为基础，通过对采集到的猪肉图像进行噪声去除、背景分割，然后用颜色因子∣R-G∣+∣R-B∣的值对图像进行彩色分层从而计算出颜色区域比值，最后建立了用猪肉的色泽、黏度、弹性、氨气、硫化氢、表面菌落总数、颜色区域比等7个特征为输入的BP网络分类模型。此研究方法符合国家猪肉新鲜度分级标准和猪肉卫生标准，能够取得较好的新鲜度分类效果。
参考文献：
[1] 宋 超，于宏伟，贾英民.市售鲜猪肉微生物调查分析[J].食品科技，2009，34（8）：86-88.
[2] 赵颖文，李 晓.基于RFID技术的生猪产业链信息采集系统研究[J].湖北农业科学，2012， 51（9）：1886-1889，1894.
[3] 张文治.新编食品微生物科学[M].北京：中国轻工业出版社，1995.
[4] 黄 蓉，刘敦华.猪肉新鲜度评价指标、存在问题及应对措施[J].肉类工业，2010（6）：43-46.
[5] GB 5009.1～5009.100，食品卫生检验方法 理化部分[S].
[6] 孙建广，张石蕊.猪肉品质研究进展[J]. 中国猪业，2008（7）：58-59.
[7] 李宗瑞，何东健.基于手机拍摄图像分析的苹果病害识别技术研究[J]. 计算机工程与设计， 2010，31（13）：3051-3053，3095.
[8] 冈萨雷斯.数字图像处理[M].阮秋琦，译.北京：电子工业出版社，2003.
[9] 肖 珂，段晓霞，高冠东.基于图像特征的猪肉新鲜度无损检测方法[J].河北农业大学学报，2012，35（4）：111-113，122.
[10] 葛哲学，孙志强.神经网络理论与MATLAB R2007实现[M].北京：电子工业出版社，2007.