异质冷却猪肉快速判别装置的设计及验证

刘文营，田寒友，邹 昊，乔晓玲,*，李家鹏，陈文华，张睿梅，郭 建

（1. 北京食品科学研究院，中国肉 类食品综合研究中心，肉类加工技术北京市重点实验室，北京 100068；2.北京二商大红门肉类食品有限公司，北京 101107）

异质冷却猪肉快速判别装置的设计及验证

刘文营1，田寒友1，邹 昊1，乔晓玲1,*，李家鹏1，陈文华1，张睿梅1，郭 建2

（1. 北京食品科学研究院，中国肉 类食品综合研究中心，肉类加工技术北京市重点实验室，北京 100068；2.北京二商大红门肉类食品有限公司，北京 101107）

基于计算机视觉技术，设计了冷却猪肉异质肉判别装置。介绍了系统装置的工作原理、工作过程、硬件组成及软件系统功能。硬件系统包括快速测定pH计和图像信息采集装置，软件系统将获得的图像，进行二值化处理、高斯去噪、边缘检测、霍夫变化定位和投影算法来提取目标颜色特征参数，并辅助pH值对冷却猪肉进行判别。验证结果显示，设计的判别装置对白肌（pale, soft, exudative，PSE）肉、异于正常（reddish-pink, firm, nonexudative，RFN）肉、黑干（dark, fi rm, dry，DFD）肉的判断上可以实现94.0%、96.8%和98.0%的准确判断；不仅具有良好的准确性，而且缩短了处理时间，提高了作业效率。

冷却猪肉；判别；pH值；比色板

生猪在屠宰不当时产生应激反应，或者能量大量消耗和长时间受到低强度的应激源刺激等作用时，会产生异于正常（reddish-pink, fi rm, non-exudative，RFN）猪肉颜色的暗红色黑干（dark, fi rm, dry，DFD）肉或淡白色的白肌（pale, soft, exudative，PSE）肉，DFD肉和PSE肉感官较差，与注水肉和病死猪肉均属于异质肉[1]。正常猪肉和 异质肉之间明显的颜色差异，严重影响着肉品的市场价值和消费者的消费行为[2-3]。目前进行肉品分级和异质肉判别时主要基于比色板的颜色差异，准确度不高[4]。因此，结合图像处理和计算机视觉技术，通过颜色进行猪肉与异质肉判定，成为国内外专家学者进行猪肉快速无损检测的重要研究内容。

在对猪肉颜色的分析上，McDonagh等[5]通过对猪肉颜色进行测量，利用CIE L*值和反射比，探讨了猪肉颜色与主观评价之间的潜在相关性；贾渊等[6]通过对猪肉彩色数字图像颜色规律的分析，结合猪肉红（R）、绿（G）、蓝（B）颜色分量及其亮度和饱和度值，构建了颜色维度，并利用支持向量机进行了分级，具有较高的准确度；Iqbal等[7]对数字图像处理后，获得了26 个肉色特征和40 个纹理特征，通过最优特征维向量和线性判别式分析（linear discriminant analysis，LDA）对猪肉火腿进行 了较高准确度的分类。

当引入计算机视觉技术后，周彤等[8]基于计算机视觉技术和图像处理技术，提出了一种实用的牛肉大理石花纹自动评估和分级方法，能够在短时间内进行牛肉的分割和特征参数的提取处理，且具有较高的准确度；Chmiel等[9]则运用计算机视觉技术对禽肉中的脂肪含量进行了预测，获得结果具有较好的准确度，能够应用于禽肉的脂肪含量的预测。

在对其他技术应用研究上，对肉质中的单组分进行分析时，已有报道[10-12]应用高光谱成像技术成功进行了对猪肉中脂肪含量的预测研究，说明单组分分析的可行性；或采用近红外高光谱技术成功进行了对猪肉的分级、牛肉的货架期预测和肉品微生物的检测[13-18]；利用生鲜猪肉的近红外光谱性质，设计了一套在线无损检测装备，并应用于了生鲜猪肉的水分含量在线检测[19-20]。

但是这些检测大多是基于光谱技术或者检测机理方面的研究，设备费用较高，难以满足生猪屠宰中小型企业的需求。目前针对冷却猪肉异质肉判别的装置研究较少，尤其鲜有利用计算机视觉技术进行冷却猪肉异质肉判别装备的相关报道。

本实验基于计算机视觉技术和图像处理技术，设计了一套冷却猪肉异质肉判别的装置。包括系统总体设计、硬件结构、系统工作原理和流程、软件开发过程等，实验结果表明装置耗时较短且具有良好的准确性。

1 检测装置设计方案

冷却猪肉分级和异质肉判别的原理是比色板比对与pH值结合法（表1）。具体为：在生猪宰后1 h内和宰后冷却24 h后分别检测左半胴体第3～4根肋骨间通脊肉pH值，在生猪宰后冷却24 h对照肉色分级标准比色板判定肉色分值。其中，宰后1 h pH值小于6且宰后冷却24 h肉色分值为1和2判定为PSE肉，宰后冷却24 h pH值大于6且宰后冷却24 h肉色分值为5和6判定为DFD肉[21-22]。为避免排酸过程中与空气接触的肉表面颜色产生不均匀变化，选用新切剖面[23]。

表 1 冷却猪肉判别标准Table 1 Grading standard of chilled pork

设计方案如下：1）生猪屠宰1 h内，测定左半胴体第3～4根肋骨间通脊肉pH值；2）生猪屠宰冷却排酸24 h后，选取步骤1）测定pH值附近位置肉块，取完整冷却猪通脊截面置于图像采集装置内（采用日本肉色分级标准比色板，通脊肉截面与比色板处于同一垂直与镜头方向的平面，镜头处于光源的中心位置，保证光源均匀照亮通脊肉横截面和日本肉色分级标准比色板），通过CCD将照片传输至计算机肉颜色等级判定软件内，通过通脊肉颜色与比色板6 个等级颜色比对确定通脊肉颜色等级；3）取出通脊肉，测 量pH值；4）综合1）、2）和3），宰后1 h pH值小于6且宰后冷却24 h肉色分值为1和2判定为PSE肉，宰后冷却24 h pH值大于6且宰后冷却24 h肉色分值为5和6判定为DFD肉，宰后1 h pH值小于6且宰后冷却24 h肉色分值为3和4判定为RFN肉。

2 检测装置系统

2.1 肉色等级检测硬件系统

冷却肉快速判别装置包括手持肉用pH计、暗箱组件、肉颜色等级判定软件等。暗箱组件由CCD、镜头、漫反射光源、载物台、比色板悬挂支架、比色板等组成（图1）。

图 1 快速判定装置组件（前后剖面）Fig.1 Fabrication of the equipment

组件基本信息：1）暗箱（50 cm×50 cm×50 cm，采用黑色不反射光铝板）；2）比色板（日本比色板，置于悬挂支架上，与载物台前端保持同一平面，与肉样处于镜头中线的两侧）；3）载物台（台板面积30 cm×15 cm，高度可调，黑色不反射光）；4）漫反射光源（LED光源，40 cm×40 cm漫反射板，中间开孔置放CCD和镜头）；5）CCD（全局曝光方式，固定在光源中间位置）；6）镜头（4 mm百万像素工业镜头）；7）肉颜色等级判定软件（基于计算机语言编写）；8）肉用pH计。

2.2 装置软件系统

图 2 肉色判定软件图片分析界面Fig.2 Software interface of meat color image analysis

软件分析界面如图2所示。软件程序基于C++语言进行编写，利用暗箱采集肉样和比色板图像（图3a），然后根据图像特征确定阈值进行二值化处理，采用高斯滤波法去噪，利用Canny算子边缘检测（图3b），利用霍夫变换定位比色板，然后利用投影算法进行计算（图3c）。

图 3 通脊肉颜色提取过程流程图Fig.3 Flow chart of loin image extraction process

经过上述图像处理后，提取颜色特征信息（包括R、G、B和灰度的平均值），然后分别计算通脊肉平均R、G、B值与6 个等级比色板平均R、G、B值的欧氏距离，同时结合灰度平均值比对，判定通脊肉颜色等级。

3 检测系统运作及验证

将所研制的检测系统装置用于冷却猪肉的异质肉检测，以验证该系统的应用效果。实验分为两部分：一是样品准备；二是利用检测系统进行检测，并和人工比色板对照结果比对。样品中RFN 520 份（采集自北京大红门肉类食品有限公司）、PSE 50 份（收集自北京大红门肉类食品有限公司和批发市场）、DFD 50 份（收集自北京大红门肉类食品有限公 司和批发市场）。

验证系统操作如下：猪屠宰后1 h内测定肉样pH值；排酸24 h后，利用装置采集肉样和比色板图像；应用软件对采集的图像进行分析，得出肉颜色等级；辅助24 h时肉样pH值，给出报告。

人工 检测时，肉色等级由6 人感官评定小组事先根据AMSA[26]指南程序进行训练，之后对照比色板（美国NPPC肉质比色板）进行评分，每个样品的分值为所有感官评定小组人员评分的平均值。

针对570 份样品的验证实验结果如表2所示，在准确度上，快速分级装置具有较高的准确率，对PSE、RFN和DFD的判断上可以实现94.0%、96.8%和98.0%的准确判断；在耗用时间上，判别装置单样品检测仅需要10 s，而人工检测则需要30 s，节省了操作时间。

表 2 装置系统的验证Table 2 Verifi cation of the identifi cation system

4 结 论

基于计算机视觉技术的异质肉判别装置的设计，为劣质冷却猪肉的判断提供了一种快速准确检测的方法和装置。相比较传统人工检测，该系统不仅具有良好的准备度，而且克服了人工检测容易产生检测疲劳和费时的问题。该装置系统为冷却猪肉异质肉判断提供了参考，为工业化装置的开发和研制提供了技术支持，尤其是针对中小型企业，具有良好的应用前景和重要的社会价值。

[1] 任发政, 李兴民, 张原飞, 等. 现代肉制品加工与质量控制[M]. 北京: 中国农业大学出版社, 2006.

[2] MANCINI R A, HUNT M C. Current research in meat color[J]. Meat Science, 2005, 71(1): 100-121.

[3] van OECKEL M J, WARNANTS N, BOUCQUÉ CH V. Measurement and prediction of pork colour[J]. Meat Science, 1999, 52(4): 347-354.

[4] LU J, TAN J, SHATADAL P, et al. Evalution of pork color by using computer vision[J]. Meat Science, 2000, 56(1): 57-60.

[5] McDONAGH C, TROY D J, KERRY J P, et al. Relationship between the subjective and objective assessment of pork M. semimembranosus and classi fi cation of further processed pork quality[J]. Food Science and Technology International, 2005, 11(2): 149-154.

[6] 贾渊, 李振江, 彭增起. 结合 LLE流形学习和支持向量机的猪肉颜色分级[J]. 农业工程学报, 2012, 28(9): 147-152.

[7] IQBAL A, VALOUS N A, MENDOZA F, et al. Pork and turkey hams classification from colour and textural features using computer vision[C]//5thInternational Technical Symposium on Food Processing, Monitoring Technology in Bioprocesses and Food Quality Management, 20 09: 653-658.

[8] 周彤, 彭彦昆. 牛肉大理石花纹图像特征信息提取及自动分级方法[J].农业工程学报, 2013, 29(15): 286-293.

[9] CHMIEL M, SŁOWIŃSKI M, DASIEWICZ K. Application of computer vision systems for estimation of fat content in poultry meat[J]. Food Control, 2011, 22(8): 1424-1427.

[10] XIONG Zhengjie, SUN Dawen, ZENG Xinan, et al. Recent developments of hyperspectral imaging systems and their applications in detecting quality attributes of red meats: a r eview[J]. Journa l of Food Engineering, 2014, 132(1): 1-13.

[11] WU Di, SUN Dawen. Advanced applications of hyperspectral imaging technology for food quality and safety analysis a nd assessment: a review. Part Ⅱ: applications[J]. Innovative Food Science and Emerging Technologies, 2013, 19(3): 15-28.

[12] LIU L, NGADI M O. Predicting intramuscular fat content of pork using hyperspectr al imaging[J]. Journal of Food Engineering, 2014, 134(12): 16-23.

[13] BARBIN D, ELMASRY G, SUN Dawen, et al. Near-infrared hyperspectral imag ing for grading and classifi cation of pork[J]. Meat Science, 2012, 90(1): 259-268.

[14] 马世榜, 徐杨, 汤 修映, 等. 利用可见近红外光谱多指标综合预测生肉储存期[J]. 光谱学与光谱分析, 2012, 32(12): 3242-3246.

[15] TAO F F, PENG Y K, LI Y Y, et al. Simultaneous determination of tenderness and Escherichia coli contamination of pork using hyperspectral scattering technique[J]. Meat Science, 2012, 90(3): 851-857.

[16] PENG Yankun, ZHANG Jing, WANG Wei, et al. Potential prediction of the microbial spoilage of beef using spatially resolved hyperspectral scattering profi les[J]. Journal of Food Engineering, 2011, 102(2): 163-169. [17] PARK B, LAWRENCE K C, WINDHAM W R. Performance of hyperspectral imaging system for poultry surface fecal contaminant detection[J]. Journal of Food Engineering, 2006, 75(3): 340-348.

[18] PARK B, LAWRENCE K C, WINDHAM W R, et al. Detection of cecal contaminants in visceral cavity of broiler carcasses using hyperspectral imaging[J]. Applied Engineering in Agriculture, 2005, 21(4): 627-635.

[19] 张海云, 彭彦昆, 王伟, 等. 生鲜猪肉主要品质参数无损在线检测系统[J]. 农业机械学报, 2013, 44(4): 146-151.

[20] ZHANG Haiyun, PENG Yankun, WANG Wei, et al. Nondestructive real time detection system for assessing main quality parameters of fresh pork spectroscopy[J]. Transactions of the Chinese Society for Agricultural Machinery, 2010, 41(9): 104-107; 137.

[21] O'NEILL D J, LYNCH P B, TROY D J, et al. Infl uence of the time of year on the incidence of PSE and DFD in Irish pigmeat[J]. Meat Science, 2003, 64(2): 105-111.

[22] 孙京新, 汤晓艳, 周光宏, 等. 宰后冷却工艺对冷却猪肉肉色、质量分类的影响[J]. 农业工程学报, 2006, 22(8): 203-208.

[23] QUEVEDO R, VALENCIA E, CUEVAS G, et al. Color changes in the surface of fresh cut meat: a fractal kinetic application[J]. Food Research International, 2013, 54(2): 1430-14 36.

[24] WARNER R D, KAUFFMAN R G, GREASER M L. Muscle protein changes post mortem in relation to pork quality traits[J]. Meat Science, 1997, 45(3): 339-352.

[25] FLORES M, ARMERO E, ARISTOY M C, et al. Sensory characteristics of cooked pork loin as affected by nucleotide content a nd post-mortem meat quality[J]. Meat Science, 1999, 51(1): 53-59.

[26] AMSA. Guidelines for meat color evaluation[C]//Proceedings 44thAnnual Reciprocal Meat Conference. Kansas, USA: National Live Stock and Meat Board, 1991: 1-17.

Equipment Design and Validation for Rapid Identifi cation of Heterogeneous Chilled Pork

LIU Wenying1, TIAN Hanyou1, ZOU Hao1, QIAO Xiaoling1,*, LI Jiapeng1, CHEN Wenhua1, ZHANG Ruimei1, GUO Jian2
(1. Beijing Key Laboratory of Meat Processing Technology, China Meat Research Center, Beijing Academy of Food Sciences, Beijing 100068, China; 2. Beijing Ershang Dahongmen Meat Food Co. Ltd., Beijing 101107, China)

Color is an important property that infl uences the consumers’ purchase decision of a food or agricultural product and its market value. A non-destructive and rapid detection system for assessing chilled pork quality based on computer vision system was developed. The working principle, process and hardware composition of the system as well as the software system were introduced. The hardware system included a pH meter and an image collector, and the acquired images were processed by binarization, Gauss denoising, edge detection and Hough-transform positioning for the extraction of the characteristics color parameters by projection algorithm. In addition, pH was used to aid in identifying chilled pork quality. The experimental results showed that the system could be used for distinguishing chilled pork with high accuracy and reliability as well as good repeatability.

chilled pork; distinguishing; pH; colorimetric plate

TS251.8

A

1002-6630（2015）02-0184-04

10.7506/spkx1002-6630-201502035

2014-08-06

“十二五”国家科技支撑计划项目（2014BAD04B05）；农业部公益性行业（农业）科研专项（201303083-3）

刘文营（1983—），男，工程师，硕士，主要从事肉制品加工及安全性分析研究。E-mail：skyocean_2004@163.com

*通信作者：乔晓玲（1964—），女，教授级高级工程师，主要从事肉制品加工与加工装备研究。E-mail：cmrcsen@126.com