牛肉大理石花纹图像特征信息提取及自动分级方法.pdf

第 29 卷 第 15 期 农 业 工 程 学 报 Vol.29 No.15 286 2013 年 8 月 Transactions of the Chinese Society of Agricultural Engineering Aug. 2013 牛肉大理石花纹图像特征信息提取及自动分级方法 周 彤，彭彦昆 （中国农业大学工学院，国家农产品加工技术装备研发分中心，北京 100083） 摘 要：为了解决牛肉大理石花纹在人工分级中准确率和效率低的问题，该文基于计算机视觉和图像处理技术提 出一种实用的牛肉大理石花纹自动评估和分级方法。通过图像解析，利用所提出的分级算法实现牛肉大理石花纹 的快速提取，并计算反映大理石花纹丰富程度的 10 个特征参数。使用特征参数建立主成分回归模型，对牛肉大理 石花纹等级进行预测，预测相关系数 Rv=0.88，预测标准差 SEP=0.56。校正时模型总体的回判正确率为 97.0%， 验证时总体的判别正确率为 91.2%。在此基础上，开发了大理石花纹自动分级软件系统和硬件装置，并且在该试 验室前期研制的样机上进行了试验，验证了算法的运算速度和准确率。结果表明，所提出的分级方法的检测速度 和精度均能够满足企业中对牛肉大理石花纹分级的要求。 关键词：无损检测，图像处理，模型，牛肉大理石花纹，品质分级，计算机视觉技术 doi：10.3969/j.issn.1002-6819.2013.15.035 中图分类号：TS207 文献标志码：A 文章编号：1002-6819(2013)-15-0286-06 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)： 286293. Zhou Tong, Peng Yankun. Method of information extraction of marbling image characteristic and automatic classification for beefJ. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(15): 286293. (in Chinese with English abstract) 0 引 言 牛肉大理石花纹也叫脂肪杂交，指肌内脂肪含 量和分布数量，根据行业标准 NY/T 676-2010 由第 1113 肋间背长肌横切面的肌内脂肪分布程度来 判定1。牛肉大理石花纹等级是确定牛肉质量等级 的主要评价指标之一。目前，国内牛肉屠宰加工企 业对牛肉大理石花纹的评估基本上都是由专门培 训的分级员利用视觉感官或参照牛肉大理石花纹 标准图版来完成。这种方法耗费劳动力，分级精度 受人的主观因素影响。 而利用机器视觉2-7和图像处 理技术8-9则可对牛肉大理石花纹等级进行自动、 快 速、准确的评价。 国内外很多学者对牛肉大理石花纹的分级方 法进行了研究10-21，将牛肉眼肌部分从背景中分割 出来，准确地提取大理石花纹图像的特征参数，并 利用这些特征参数进行花纹等级的判定是牛肉大 理石花纹自动分级的研究重点。Yoshikawa 等22采 收稿日期：2013-04-17 修订日期：2013-07-27 基金项目：国家科技支撑计划项目（编号：2012BAH04B00） ；公益性 行业（农业）科研专项经费项目（编号：201003008） 作者简介：周 彤（1990） ，女，四川人，从事农产品无损检测方面 的研究。北京 中国农业大学工学院，国家农产品加工技术装备研发分 中心，100083。Email：zhoutong0901 通信作者：彭彦昆（1960） ，男，山东人，教授，博士生导师，从 事农畜产品无损检测技术与装置研究。北京 中国农业大学工学院，国 家农产品加工技术装备研发分中心，100083。Email：ypeng 用步长矢量和作为牛肉大理石花纹等级的量化判 定指标，等级判断正确率可达 95.8%，但其算法复杂 性和速度还需得到改进。Shiranita 等23-24定义大理石 花纹比值、大中小脂肪颗粒数量和花纹的分布程度 这 5 个特征参数来对牛肉大理石花纹进行评分。并 建立对等级影响较高的其中 3 个变量（大理石花纹 比值、大脂肪颗粒数量和花纹的分布程度）的线性 回归方程来判定牛肉大理石花纹等级。回归方程判 定的结果与专业评定师评出的等级基本一致。仇金 宏等25提出一种基于改进型模糊 C 均值聚类算法 的牛肉大理石花纹提取方法，该方法能使大理石花 纹提取的准确度提高到 85.7%。陈坤杰等26-27利用 牛肉大理石花纹的面积比率、总脂肪颗粒数、大小 脂肪颗粒数以及每个牛肉大理石花纹样本图像的 计盒维数和信息维数这些参数为基础，分别建立了 牛肉大理石花纹等级判定的多元线性模型和多元 多项式模型，两个模型预测正确率分别为 75%和 87.5%。尽管这些研究均取得较好的结果，但在实 际应用时，大理石花纹的提取速度在图像处理算法 中还需进一步提高，以及如何利用大理石花纹的量 化特征参数的全面信息进行等级的准确评价也有 待于进一步研究。 本研究根据国内屠宰企业对牛肉大理石花纹 分级自动、便携、快速、准确的需求，提出一种 牛肉大理石花纹实用分级方法， 研究主要目标为： 1）通过图像处理和数值解析，提出一种快速准确 第 15 期 周 彤等：牛肉大理石花纹图像特征信息提取及自动分级方法 287 进行牛肉大理石花纹和特征参数提取的实用算法； 2）利用能反映花纹全面信息的多个指标建立预测 模型，对牛肉大理石花纹等级进行判定；3）利用 大理石花纹等级判定的软硬件构建检测样机，进行 试验验证。 1 材料与方法 1.1 试验材料 在北京御香苑畜牧有限公司分割车间，选鲁西 黄牛为检测对象，采集 1213 胸肋间眼肌切面处 样本。本试验随机抽取 100 头牛进行采样，每头牛 选取一个样本，切成厚 3 cm 的块，真空包装，用 冷藏箱（4）运回实验室冷藏。其中 66 个样品作 为校正集用来建立大理石花纹等级预测模型，其余 34 个样品作为验证集用来验证模型。 将采集到的样品由专业牛肉分级员对照标准 牛肉大理石花纹分级板，按照企业分级方法分成 3 个等级（SY 级、A 级、B 级），下文称为 1、2、3 级，1 级样品花纹极丰富，2 级样品花纹丰富，3 级 样品花纹较少或几乎没有。 1.2 图像采集系统及方法 构建的图像采集系统由便携式图像采集装置、 计算机和分级软件组成，如图 1 所示。图像采集装 置中相机采用 USB2.0 接口的 CCD 工业相机， 直接 与计算机相连。该工业相机采用帧曝光 CCD 作为 传感器，数字面阵 CCD 逐行扫描，图像质量高， 颜色还原性好，最大分辨率 1280960 像素。输出 达 15 帧/s，信号稳定。为减小装置的空间尺寸，光 源采用 OSE 直射型环形光源， 光照分布均匀。 CCD 相机安置于环形光源的中心部。装置壳体下部是一 个遮光罩，其完全封闭，且内部材料不反光，为图 像采集提供了良好的环境。 1. 平移台 2. CCD工业相机 3. 光源控制器 4. 装置外壳 5. 白光环形 光源 6. 牛肉样品 7. 计算机 1. Translation stages 2. Detector 3. Light controller 4. Device shell 5. Ring light 6. Beef samples 7. Computer 图 1 牛肉图像采集系统 Fig.1 An acquisition system of beef images 牛肉样品置于铝制背景底板上，然后将便携式 图像采集装置完全罩上样品，背景板表面和装置遮 光罩内部均喷有黑无光漆，可有效地防止样品图像 的反光。打开光源并调节到适当强度的光照，使得 牛肉样品图片中脂肪和瘦肉差别较大，将采集到的 图片保存在计算机中，以便图像处理。图 2 是在该 系统中采集到的牛肉样品图像。 a. 1 级 b. 2 级 c. 3 级 a. Grade 1 b. Grade 2 c. Grade 3 图 2 不同等级的牛肉样品图像 Fig.2 Images of beef samples in different grades 1.3 分级算法 首先选择适当的预处理方法（图像平滑、二值 化、掩膜处理、图像增强等）去除背景得到牛肉图 像，减小算法计算量；然后对分割后的大理石花纹 图像，通过设定区域面积大小阈值去除眼肌外敷脂 肪，能够快速得到有效眼肌部分（即等级评定区 域）；利用优化后的数学算法计算能够表征大理石 花纹丰富程度的特征参数；最后，根据多种预测模 型方法分析结果，利用分级效率最高的主成分分析 法和 Fisher 判别建立预测模型，得到大理石花纹分 级结果。采用 VC+对分级算法的程序进行封装， 可直接调用，实现图像处理和结果输出。 具体的牛肉大理石花纹分级计算过程如图 3 所 示。 图 3 牛肉大理石花纹分级算法 Fig.3 Grading algorithm for beef marbling 1.3.1 目标图像与背景分割 将采集到的灰度图像首先进行平滑处理来减 少图像上的噪声或者失真。利用中值滤波方法去除 农业工程学报 2013 年 288 背景上的小污点或落在背景上的小肉粒，将中心像 素的正方形领域内的每个像素的灰度值用中间灰 度值替换， 窗口大小设置为中心点的 3 像素3 像素 领域内。图像平滑后，能消除背景上大部分噪音并 且能较好的保存牛肉图像边缘部分，有利于下一步 将牛肉从背景中提取处理。 对牛肉图像进行处理前，需要将牛肉图像与背 景分割开来。从图 4a 原始图像可以看出，背景颜 色较暗，目标区域较亮，它们之间存在一定的灰度 差别，但是每张样品图像灰度有差异，不具有确定 的分割阈值。所以本文采用自适应阈值分割方法 （Otsu）28，实现自动分割。该方法是建立在一幅 图像的灰度直方图基础上，依据类间距离极大准则 来确定区域分割门限。图 4b 为利用该方法得到的 二值图像，可以看出该方法能很好的将牛肉与背景 分离开，此时牛肉灰度值全置为 255，背景的灰度 值全置为 0。 将得到的二值图像中的目标区域 （牛肉） 还原， 背景不变，以达到去除铝制底板的目的，即可将牛 肉从背景中提取出来。1）从上到下、从左到右逐 像素扫描二值图像（图 4b），当遇到白色像素时， 在相同的位置将输出图像（图 4c）像素的灰度值设 为原始图像（图 4a）的灰度值；遇到黑色像素时， 在相同的位置将输出图像像素的灰度值设为 0；2） 输出图像即为掩膜图像，达到去除背景的目的，此 时牛肉部分还原，背景为黑（0）。 a. 原始图像 b. 二值图像 a. Original image b. Binary image c. 掩膜图像 d. 图像增强 c. Mask image d. Image enhancement 图 4 图像预处理 Fig.4 Image preprocessing 从图 4c 看出牛肉图像中肌肉部分偏亮，脂肪 边缘模糊，且与肌肉部分相混杂，不利于进一步处 理，所以采用图像增强，利用直方图均衡化方法改 善对比度使得肌内脂肪和肌肉的区别更加明显，细 节清晰，边缘不模糊。算法实现：1）创建图 4c 的 直方图，并统计直方图每个灰度级出现的次数；2） 将直方图的每个灰度级进行归一化处理，求每种灰 度的累积分布；3）计算新的像素值，并修正原图 （图 4c）中的每个像素。直方图均衡化后结果如图 4d，能很好的将牛肉从背景中提取出来，更有利于 下一步的处理。 1.3.2 大理石花纹提取 利用迭代法29对牛肉眼肌部分进行分割，背景 不变，图 5a 为大理石花纹分割图像。将大理石花 纹分割图像进行形态学转换去除噪声，分别为两次 腐蚀两次膨胀。腐蚀是将位于参考点中心 3 像素 3 像素核与图像卷积，计算核覆盖的区域的像素点 的最小值，并把该最小值赋值给参考点指定的像 素。膨胀即腐蚀的反操作，将核覆盖区域的最大像 素值赋给参考点。 处理后， 得到清晰的花纹区域 （图 5b），图中白色区域包括大理石花纹和无效的眼肌 外敷脂肪，在提取特征参数时，需要将无效的脂肪 去除。该外敷脂肪是最大的脂肪连通区，根据这一 特征，将每个脂肪颗粒进行区域标记，并计算面积 （图 5c），找到面积界限。试验得到脂肪颗粒的面 积一般都在 8 000 个像素以下，提取面积8 000 个 像素的区域即多余的牛肉部分（图 5d），提取面积 8 000 个像素的区域即大理石花纹图像（图 5e）。 a. 图像分割 b. 图像去噪 a. Image segmentation b. Image denoising c. 区域标记 d. 多余区域提取 c. Labeling d. Redundant area extraction e. 大理石花纹图像 f. 有效眼肌图像 e. Beef marbling image f. Effective rib-eye image 图 5 有效眼肌部分的提取 Fig.5 Effective rib-eye region extraction 第 15 期 周 彤等：牛肉大理石花纹图像特征信息提取及自动分级方法 289 将图 4d 与图 5d 进行减运算则得到有效的眼肌部分 （图 5f）。该方法能很好的去除无效的肥肉部分得 到有效眼肌。对不同样品图像进行处理，该方法均 能得到清晰、准确的花纹分割图像（图 5e）。 1.3.3 特征参数提取 为全面评价大理石花纹的丰富程度，选取大理 石花纹面积比值、大脂肪颗粒个数和密度、中等脂 肪颗粒个数和密度、小脂肪颗粒个数和密度、总脂 肪颗粒个数和密度、脂肪分布均匀度 10 个指标为 特征参数对牛肉大理石花纹进行评分。 大理石花纹比值，即花纹总面积与有效眼肌面 积的比值，计算大理石花纹图像（图 5e）中白色像 素与有效眼肌图像（图 5f）非 0 像素的个数之比即 可。 大、中、小、总脂肪颗粒个数：将图 5e 中白 色区域进行标记，并计算区域数量。利用 1mm 1mm 标定片确定本采集环境的图像像素实际大小 为 0.0225 mm2。根据相关研究30，选择大脂肪颗粒 面积大于 14.88 mm2（大于 661 个像素），中等颗 粒脂肪面积介于 3.72 与 14.88 mm2之间（像素个数 在 165661 个），小脂肪颗粒面积小于 3.72 mm2 （小于 165 个像素），总脂肪颗粒个数即所有脂肪 颗粒个数的总和。 大、中、小、总脂肪颗粒密度：单位面积上的 脂肪颗粒数量（个/cm2），即相应大小的脂肪颗粒 个数与有效眼肌部分实际面积的比值。有效眼肌的 实际面积（cm2）=有效眼肌部分像素个数0.0225 10-2。 脂肪分布均匀度，即脂肪颗粒分布变异系数。 其计算过程：1）从下到上，从左到右逐像素扫描 图 5f，发现某行有非 0 像素时，标记该行为 j2；2） 继续往上扫描，标记有非 0 像素的最后一行，标记 为 j1；3）有效眼肌部分共有 n=j2j1行；4）从 j1到 j2行，计算每行中白色像素个数与非 0 像素个数的 比值 wi(i=j1, j1+1, , j2)，w 为 wi的平均值；5）计 算出脂肪分布均匀度 C 1 )( 1 2 1 2 = = n ww w C j ji i （1） 2 结果与分析 由于所提取的各特征参数对等级的贡献程度 不同以及参数之间会有相互影响，为了不改变指标 体系对花纹等级的解释程度，故采用主成分分析将 多个指标化为少数几个综合指标，充分利用所有的 特征参数来构建预测大理石花纹等级的主成分回 归模型。 2.1 主成分回归(PCR)模型的建立 对校正集中 66 个样品的 10 个特征参数进行主 成分分析， 输入变量分别为大理石花纹比值 X1， 大、 中、小脂肪颗粒个数 X2、X3、X4，总脂肪颗粒个数 X5，大、中、小脂肪颗粒密度 X6、X7、X8，总脂肪 颗粒密度 X9和脂肪分布均匀度 X10。所得的方差分 解主成分分析如表 1 所示，因子得分矩阵如表 2 所 示， 表 2 中 Z1Z10是输入变量 X1X10标准化后的 数据。 表 1 方差分解主成分提取分析表 Table 1 Total variance explained 方差载荷量提取 Extraction sums of squared loading 主成分 Principal component 特征值 Extracting eigenvalue 方差贡献率 Variance contribution rate/% 累计贡献率 Cumulative contribution rate/% 1 6.121 61.210 61.210 2 1.757 17.575 78.784 3 1.016 10.164 88.949 表 2 因子得分矩阵 Table 2 Component score coefficient matrix 主成分 Principal component F1 F2 F3 Z1 0.351 -0.226 0.028 Z2 0.366 -0.147 0.111 Z3 0.366 -0.172 0.051 Z4 0.371 -0.025 -0.351 Z5 0.390 -0.087 -0.189 Z6 0.224 0.238 0.621 Z7 0.272 0.175 0.469 Z8 0.140 0.622 -0.425 Z9 0.258 0.573 -0.031 Z10 0.329 -0.295 -0.195 注：F1、F2、F3分别为提取的前 3 个主成分，Z1Z10是输入变量 X1X10 标准化后的数据。 Note: F1, F2, F3 are the first three extracted principal components, Z1Z10 are standardization data of input variable X1X10. 表 1 显示前 3 个主成分的特征值大于 1，且累 计贡献率为 88.9%，基本反映全部参数的信息，所 以用 3 个新变量代替原来的 10 个变量。表 2 为经 过数据标准化后各参数在 3 个主成分中所对应的系 数，可以得到主成分表达式。 对 3 个主成分 F1、F2、F3做大理石花纹等级 Y 标准化后的数据 ZY的线性回归分析，得到回归方 程： 123 0.3400.2810.049 Y ZFFF= + （2） 式中，ZY为专业分级员判定的大理石花纹等级Y标 准化后的数据；F1、F2、F3分别为主成分分析提取 的前3个主成分。 农业工程学报 2013 年 290 将方程各参数还原到原始变量得： 123 456 789 10 5.19970.02750.0121 0.00390.00310.5728 0.46750.56820.2111 0.08943.5570 YXXX XXX XXX X = + + （3） 式中，Y为专业分级员判定的大理石花纹等级；X1 X10分别为大理石花纹比值，大、中、小脂肪颗粒 个数，总脂肪颗粒个数，大、中、小脂肪颗粒密度， 总脂肪颗粒密度和脂肪分布均匀度。 式（3）所建立的主成分回归方程，模型的校 正结果如图6所示。 图 6 主成分回归模型校正结果 Fig.6 Calibration results of PCR model 校正集的相关系数Rc=0.92，校正标准差 SEC=0.59。模型的计算结果依照大理石花纹的等级 分成3组， 用每组模型的标准分析误差SEE来反映 每组中的数据的分散程度， 1 )( 1 2 = = n yy SEE n i i （4） 其中 i y为每个样品的模型计算结果，y为每组 数据的平均值，n为该组的样品个数。计算得到每 组数据的平均值分别为602. 0 1= y，671. 1 2= y， 301. 2 3= y，标准分析误差分别为SEE1=0.307， SEE2=0.203，SEE3=0.198，从图6中看出，虽然每 组数据都有一定程度的偏差，但是其总体均在一定 的偏差范围内，每个级别的分组结果较好。 其余34个样品的模型验证结果如图7所示， 验证集的相关系数Rv=0.88， 验证标准差SEP=0.56， 与校正结果接近，模型具有一定的稳定性。 从主成分回归模型的结果（图6、图7）可以 看到牛肉样品的PCR模型计算结果与大理石花纹 等级具有很高的相关性，且大理石花纹比值对等级 的影响最大。 下面将样品的PCR模型计算结果作为 基础，构建大理石花纹等级判别函数。 图 7 主成分回归模型验证结果 Fig.7 Validation results of PCR model 2.2 基于 PCR 模型的大理石花纹等级判别 根据校正集中66个样品的PCR模型的计算结 果和专业人员判定的大理石花纹等级，利用同级样 品差异较小不同级别样品差异较大的原则构建 Fisher线性判别函数为： 1 2 3 7.0753.230 19.62517.494 27.02832.195 dy dy dy = = = （5） 式中，d1、d2、d3为相应3个等级的Fisher判别函 数值；y为样品的PCR模型计算结果。 将每个样品的模型值y分别代入3个Fisher判 别函数进行计算，以函数值大小作比较，函数值最 大的表明该样品属于该组。进入第一组的样品，大 理石花纹等级为1级，依次类推。样品的回判结果 如表3所示。 表 3 校正集中牛肉大理石花纹等级判定结果 Table 3 Estimated results of beef marbling grades in calibration set 预测结果 Recognition result 等级 Grade 样品数 Sample number 1 级 Grade 1 2 级 Grade 2 3 级 Grade 3 正确率 Accuracy rate/% 1 级 Grade 1 24 24 0 0 100 2 级 Grade 2 19 0 18 1 94.7 3 级 Grade 3 23 0 1 22 95.7 合计 Total 66 24 19 23 97.0 为了验证分级方法的准确性，取其余34个样 品由专业分级员进行分级，再通过本研究的分级系 统对其进行判定，各个级别的样品预测结果如表4 所示。 第 15 期 周 彤等：牛肉大理石花纹图像特征信息提取及自动分级方法 291 表 4 预测集中牛肉大理石花纹等级判定结果 Table 4 Estimated results of beef marbling grades in prediction set 预测结果 Recognition result 等级 Grade 样品数 Sample number 1 级 Grade 1 2 级 Grade 2 3 级 Grade 2 正确率 Accuracy rate/% 1 级 Grade 1 4 4 0 0 100 2 级 Grade 2 17 1 15 1 88.2 3 级 Grade 3 13 0 1 12 92.3 合计 Total 34 5 16 13 91.2 利用提取到的大理石花纹的10个特征参数建 立主成分回归模型，根据模型的计算结果进行等级 的判定。 从表3中可以看到，模型在校正时，将1个2 级样品误判为3级，将1个3级样品误判为2级， 总体回判正确率为97.0%。表4显示，在等级预测 时，将2个2级样品分别误判为1级和3级，将1 个3级样品误判为2级， 总体预测正确率为91.2%。 结果表明，模型的识别率和稳定性都达到较好的水 平。而发生误判的样品大部分发生在相邻的级别之 间，这是由于等级相邻的样品特征指标相近，所以 使得模型的判定结果产生一定的误差。后续研究可 提高相邻等级样品的识别正确率。 2.3 算法速度测试 对牛肉大理石花纹分级算法，重复100个样品 试验，进行速度测试。每张样品图像分辨率均为 1280960。每个等级的各过程平均运算时间如表5 所示。 表 5 算法速度测试结果 Table 5 Algorithm speed test results 各过程平均运算时间/ms The process average operation time 等级 Grade 样品数 Sample number 图像预处理 Image preprocessing 大理石花纹 提取 Extraction of beef marbling 特征参数 计算 Characteristic parameter calculation 判定时间 Recognition time/ms 1 级 Grade 1 28 94 1 014 16 1124 2 级 Grade 2 36 93 749 16 858 3 级 Grade 3 36 78 562 15 655 合计 Total 100 88 775 16 879 从表5可以看到，大理石花纹等级越高的样品 所需的处理时间越长，这与花纹的数量密切相关。 当花纹越丰富越密集时，判定所需时间越长。单幅 样品的平均检测处理时间为0.879s，完全能满足企 业中的实际需求。 与现有研究相比，该方法检测快速，满足实时 性的同时，选取的多个特征参数能全面反映牛肉大 理石花纹的丰富程度，等级判定模型成熟。对于大 理石花纹等级91.2%的识别率，均高于国内现有研 究的分级正确率（文献1584.8%，文献2585.7%， 文献2787.5%）。研究开发的样机在多个企业进行 示范，验证了算法的稳定性和实用性。 3 结 论 该文通过不同图像处理方法分析和实际编程 应用，确定一种快速且准确率高的图像处理算法， 用于牛肉大理石花纹的分割和特征参数的提取。建 立了多个特征参数的主成分回归模型，模型的相关 系数Rv=0.88，预测标准差SEP=0.56。利用模型计 算结果与大理石花纹等级构建Fisher线性判别函 数， 用于大理石花纹的等级判定。 并进行模型验证， 总的分级正确率为91.2%，平均每个样品的检测时 间为0.879s。结果达到企业的分级标准，符合企业 需求。 试验表明，本研究所提出的分级方法能够实现 对牛肉大理石花纹的快速、准确分级，具有实用价 值，可应用于企业实际生产中的分级系统。 参 考 文 献 1 NY/T 676-2010 牛肉质量分级标准S.2003. 2 贾渊，姬长英，汤晓艳. 基于计算机视觉的牛肉分级 技术综述J. 农业工程学报，2004，20(5)：4750. Jia Yuan, Ji Changying, Tang Xiaoyan. Review of beef grading with computer visionJ. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2004, 20(5): 4750. (in Chinese with English abstract) 3 陈坤杰，姬长英. 牛肉自动分级技术研究进展分析J. 农业机械学报，2006，37(3)：153156. Chen Kunjie, Ji Changying. Research on techniques for automated beef steak gradingJ. Transactions of the Chinese Society for Agricultural Machinery, 2006, 37(3): 153156. (in Chinese with English abstract) 4 沈振宁，高峰，李春保，等. 基于计算机视觉的牛肉 分级技术研究进展J. 食品工业科技，2008，29(6)： 304309. Shen Zhenning, Gao Feng, Li Chunbao, et al. Study advances of beef grading techniques based on computer visionJ. Science and Technology of Food Industry, 2008, 29(6): 304 309. (in Chinese with English abstract) 5 董庆利，胡孟晗. 应用计算机视觉评定肉类品质的研 究进展J. 现代食品科技，2011，27(2)：209212. Dong Qingli, Hu Menghan. Application of computer vision in meat quality evaluationJ. Modern Food Science and Technology, 2011, 27(2): 209212. (in Chinese with English abstract) 6 郭辉，彭彦昆，江发潮，等. 手持式牛肉大理石花纹 农业工程学报 2013 年 292 检测系统J.农业机械学报， 2012， 43(增刊)： 207210. Guo Hui, Peng Yankun, Jiang Fachao, et al. Development of conveyable beef-marbling detection systemJ. Transactions of the Chinese Society for Agricultural Machinery, 2012, 43(Supp): 207210. (in Chinese with English abstract) 7 Yoshikawa F, Toraichi K, Wada K, et al.On a grading system for beef marblingJ. Pattern Recognition Letters, 2000, 21(12): 10371050. 8 任发政，郑丽敏，王桂芹，等. 应用 MATLAB 图像处 理技术评判牛肉大理石花纹J. 肉类研究，2002(4)： 1415. Ren Fazheng, Zheng Limin, Wang Guiqin, et al. The judgment of the beef texture as marble applying for the MATLAB image treatment technologyJ. Meat Research, 2002(4): 1415. (in Chinese with English abstract) 9 刘木华，段武貌，黎静，等. 基于图像处理和支持向 量机分类的牛肉大理石花纹等级评定J. 沈阳农业大 学学报，2005，36(6)：650654. Liu Muhua, Duan Wumao, Li Jing, et al. Determination of beef marbling grade by image processing and SVM classificationJ. Journal of Shenyang Agricultural University, 2005, 36(6): 650654. (in Chinese with English abstract) 10 Gerrard D E, Gao X, Tan J. Beef marbling and color score determination by image processingJ. Journal of food science, 1996, 61(1): 145148. 11 Park B, Chen Y R, Hruschka W R, et al. Near-infrared reflectance analysis for predicting beef longissimus tendernessJ. Journal of Animal Science, 1998, 76(8): 21152120. 12 Shackelford S D, Wheeler T L, Koohmaraie M, et al. Coupling of image analysis and tenderness classification to simultaneously valuate carcass cutability, longissimus area, subprimal cut weights and tenderness of beefJ. Journal of Animal Science, 1998, 76(10): 26312640. 13 陈坤杰. 牛肉大理石花纹计盒维和信息维的测定J. 农业工程学报，2007，23(7)：145149. Chen Kunjie. Determination of the box-counting fractal dimension and information fractal dimension of beef marblingJ. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2007, 23(7): 145149. (in Chinese with English abstract) 14 Jackman P, Sun Dawen, Du Chengjin, et al. Predietion of beef eating quality from color，marbling and wavelet surface texture features using homogenous carcass treatmentJ. Pattern Recognition, 2009, 42(5): 751 763. 15 高晓东，吴建虎，彭彦昆，等. 基于高光谱成像技术 的牛肉大理石花纹的评估J. 农产品加工学刊， 2009(10)：3337. Gao Xiaodong, Wu Jianhu, Peng Yankun, et al. Analysis of beef-marbling grade using hyperspectral imaging technologyJ. Academic Periodical of Farm Products Processing, 2009(10): 3337. (in Chinese with English abstract) 16 高晓东. 基于高光谱成像技术的牛肉大理石花纹的评 估D. 北京：中国农业大学，2009. Gao Xiaodong. Analysis of Beef-Marbling Grade Using Hyperspectral Imaging TechnologyD. Beijing: China Agricultural University, 2009. (in Chinese with English abstract) 17 Hwang H, Park B, Nguyen M, et al. Hybrid image processing for robust extraction of lean tissue on beef cut surfacesJ. Computers and Electronics in Agriculture, 1997, 17(3): 281294. 18 Lee C H, Hwang H. Extraction of the lean tissue boundary of a beef carcassC/ Conference: IFAC Workshop Bio-Robotics，Information Technology and Intelligent Control for Bio-production Systems-BIO- ROBOTICS II Osaka, 2001: 271274. 19 赵杰文，刘木华，张海东. 基于数学形态学的牛肉图 像中背最长肌分割和大理石纹提取技术研究J. 农业 工程学报，2004，20(1)：144146. Zhao Jiewen, Liu Muhua, Zhang Haidong. Segmentation of longissimus dorsi and marbling in ribeye imaging based on mathematical morphologyJ. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2004, 20(1): 144146. (in Chinese with English abstract) 20 刘木华，赵杰文，张海东. 基于模糊 C 均值聚类的牛 肉图像中脂肪和肌肉区域分割技术J. 农业工程学 报，2004，20(2)：161163. Liu Muhua, Zhao Jiewen, Zhang Haidong. Segmentation of fat and lean meat in beef images based on fuzzy C-means clusteringJ. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2004, 20(2): 161163. (in Chinese with English abstract) 21 陈坤杰，秦春芳，姬长英. 牛胴体眼肌切面图像的分割 方法J. 农业机械学报，2006，37(6)：155158. Chen Kunjie, Qin Chunfang, Ji Changying. Segmentation methods used in rib-eye image of beef caracssJ. Transactions of the Chinese Society for Agricultural Machinery, 2006, 37(6): 155158. (in Chinese with English abstract) 22 Yoshikawa F, Toraichi K, Wada K, et al. Feature extraction algorithm for beef marblingC/1999 IEEE Pacific Rim Conference on Communications, Victoria, Canada, 1999. 23 Shiranita K, Hayashi K, Otsubo A, et al. Grading meat quality by image processingJ. Pattern Recognition, 2000, 33(1): 97104. 24 Shiraniata K, Hayashi K, Otsubo A. Determination of meat quality by image processing and neural network techniquesJ. Journal of Robotcs and Mechatronics, 2000, 12(4): 474479. 25 仇金宏，沈明霞，彭增起，等. 基于改进型 FCM 算法 的牛肉大理石花纹提取方法J. 农业机械学报，2010， 41(8)：184188. Qiu Jinhong, Shen Mingxia, Peng Zengai, et al. Beef marbling extraction based on modified fuzzy c-means clustering algorithmJ. Transactions of the Chinese Society for Agricultural Machinery, 2010, 41(8): 184 188. (in Chinese with English abstract) 26 陈坤杰，姬长英. 基于图像运算的牛肉大理石花纹分 割方法J. 农业机械学报，2007，38(5)：195196. 第 15 期 周 彤等：牛肉大理石花纹图像特征信息提取及自动分级方法 293 Chen Kunjie, Ji Changying. Beef marbling segmentation method based on image processingJ. Transactions of the Chinese Society for Agricultural Machinery, 2007, 38(5): 195196. (in Chinese with English abstract) 27 陈坤杰，吴贵茹，於海明，等. 基于分形维和图像特 征的牛肉大理石花纹等级判定模型J. 农业机械学 报，2012，43(5)：147151. Chen Kunjie, Wu Guiru, Yu Haiming, et al. Prediction model of beef marbling grades based on fractal dimension and image featuresJ. Transactions of the Chinese Soci