豬肉新鮮度智能檢測分級系統研究

郭培源，畢 松，袁 芳

(北京工商大學信息工程學院， 北京 100037)

豬肉新鮮度智能檢測分級系統研究

郭培源，畢 松，袁 芳

(北京工商大學信息工程學院， 北京 100037)

對表征豬肉新鮮度的氨氣和硫化氫氣味、圖像顏色值、脂肪細胞數和細菌菌斑信息特征量進行檢測，通過神經網絡技術研究非相干微量參數的多數據融合檢測方法，以總揮發性鹽基氮(TVB-N)值序列作為SOM網絡的輸入，利用SOM神經網絡對TVB-N值序列進行聚類研究，將新鮮度細分為5個等級，實現了新鮮度等級劃分與國家標準和感官檢驗相一致的結果，從而實現對豬肉新鮮度檢測分級辨識。

細斑面積；數字圖像處理；神經網絡；新鮮度等級劃分

Abstract：Ammoniacal odor, hydrogen sulphide odor, hue, saturation and brightness in the collected image, the number of adipocytes and bacterial plaque of pork reflecting its freshness were measured. A backpropagation (BP) neural network structure, in which TVB-N value was the output and the above 7 non-coherent parameters composed the input was established.Based on this, a SOM network structure, in which TVB-N value was the input, was established for the cluster analysis of TVB-N values collected during pork spoilage and 5 TVB-N value based pork freshness rates were obtained. The rating results were in accordance with the national standard and those from sensory evaluation. This demonstrates high reliability of this rating method.

Key words ：plaque area；digital image processing；neural network；freshness rating

本研究基于豬肉腐敗過程中釋放的氨氣和硫化氫氣味，同時提取其圖像顏色值(H、S、I)、脂肪細胞數和細菌菌斑信息特征[1]，通過神經網絡技術研究非相干微量參數的多數據融合檢測方法。通過基于無監督競爭學習的SOM神經網絡技術，將任意維數的輸入模式以拓撲有序的方式變換到一維的離散空間上。由于新鮮度等級劃分是一種聚類，沒有指導信息，需要一種有能力進行無導師聚類的神經網絡?；谝陨峡紤]，新鮮度等級劃分選擇SOM網絡。通過對豬肉腐敗過程中國家肉類檢測標準揮發性鹽基氮(TVB-N)值序列進行聚類分析得到豬肉新鮮度等級劃分標準，技術上建立了一個基于顏色值、脂肪細胞數和細菌菌斑與TVB-N值進行擬合映射的智能辨識系統，從而獲得肉品新鮮度的分類。

1 豬肉氨氣和硫化氫氣體的測定

當豬肉由于各種微生物的污染和作用引起腐敗現象或由于自身酶分解作用引起酸臭性發酵時，會產生硫化物和氨氣。將其用于豬肉新鮮度的檢測和分析，可以從一定程度上表征豬肉的腐敗程度。

圖1 氣體采集系統Fig.1 Gas collection system

氣體采集卡采用北京華控技術公司的HK-PCI812數據采集接口卡。H2S傳感器為MQ136；NH3傳感器為MQ137。6個氣體傳感器(3個MQ136和3個MQ137)組合成陣列，每次采集的6個值不是獨立存在的，而是從整體上反映當前氣體的模態。氣體采集系統如圖1所示，由3部分組成，分別是氣體傳感器陣列、數據采集卡、PC機數據庫。

氨氣、硫化氫氣體隨豬肉腐敗的變化規律如圖2所示，隨著時間的延長，氣體的體積分數在不斷升高。

圖2 氨氣、硫化氫氣體變化規律Fig.2 Changes in ammonia odor and hydrogen sulphide odor during pork spoilage measured using different gas sensors

在每個氣體采樣點分別取H2S和NH3氣體體積分數以獲得加權平均值變化規律，作為圖7中SOM神經網絡中氨氣、硫化氫的輸入。在氣體變化量實驗中，NH3傳感器4的檢測值發生了異常變化，是由于傳感器4突然“檢測失靈”造成的，而另外兩個傳感器沒有發生其突變。計算NH3平均值時需要除去該數據。

2 圖像顏色值分析及圖象處理

2.1 RGB模式轉變為HIS圖像模式

圖象采集系統由光室、光源、CCD、圖像采集卡和PC機組成。光源與光室提供檢測豬肉片圖像的環境；攝像頭攝取被檢測肉片與脂肪組織透射光圖像，并由圖像采集卡數字化后送入計算機。

肌肉的顏色值主要是指肉的顏色和光澤，最佳顏色為櫻桃紅色且有光澤。人肉眼能見到的光，是指波長在400～800nm之間的可見光。豬肉因其以肌紅蛋白為主的色素吸收了相應的可見光而呈現肉特有的紅色。肉的顏色能很好地表征其品質特征。肉在貯藏過程中，其色澤往往隨著肉的變質而發生變化。新鮮肉色澤紅潤，且紅色均勻；次鮮肉顏色發暗；而變質肉呈紅褐色無光澤，且在局部區域有不均勻的綠色斑塊。肉的色澤變化可通過其顏色值的變化來反映，通過測定豬肉的顏色值可以判斷豬肉的新鮮度。

豬肉色澤的測量可以量化。通過CCD獲得的圖片是基于紅(R)、綠(G)、藍(B)模型。而人眼觀察到的色彩則是以另一種稱為HIS模型分類的。有色物體反射光線的定量可以表示為三個部分，分別為亮度(I)、色度(H)、飽和度(S)。亮度是顏色的明暗程度，即黑白對比；色度是反射的主要波長，它決定人眼所觀察到的顏色；飽和度為彩度，指色澤的強度。將采集的樣品圖像由RGB模式轉變為HIS模式，為樣品色澤特征的定量化分析提供了解決方案。

2.2 直方圖均衡化

直方圖表明了圖象中灰度值的分布情況，可以通過直方圖均衡化改變形狀來達到增強圖象的對比度效果。圖象增強處理結果如圖3所示。

圖3 直方圖均衡變換Fig.3 Contrast change of pork image before and after histogram equalization

3 脂肪細胞數分析

圖4 脂肪細胞數變化(×100)Fig.4 Morphological change in adipocytes during pork spoilage(×100)

采用放大100倍CCD可以清晰的觀察到脂肪細胞形態。由圖4a可知，通過樣本觀察可以看出新鮮脂肪組織中脂肪細胞呈圓形或卵圓形，細胞飽滿均勻，細胞壁清晰，容易分辨出細胞個數；由圖4b可知，隨著脂肪組織的氧化腐敗深入，脂肪細胞之間邊緣逐漸彎曲并模糊化，細胞膜結構變彎曲不平滑，出現細胞壁重疊和破裂現象，部分細胞不再完整；由圖4c可知，只有少量完整細胞，已經分辨不出完整的細胞體結構。通過對單位面積內脂肪細胞的計數，為豬肉新鮮度檢測提供了一個新的參考標準。

通過對脂肪細胞大小分析，對經歷不同腐敗時間后細胞的數量進行統計。圖5所示為細胞數量統計結果。經數據分析，可以比較明顯地看出，隨著氧化腐敗的加快，豬肉脂肪組織中完整細胞數量在不斷地減少。

圖5 脂肪細胞數隨時間的變化Fig.5 Change in the number of adipocytes during pork spoilage

4 細菌菌斑分析

由于外界微生物的污染，以及肉品自身分解過程中形成了易于細菌生長的環境，細菌會在肉品中大量生長聚集。由于肉品脂肪組織是最先腐敗的部分，同時脂肪組織的結構較為單一，生長在脂肪組織中的細菌菌斑圖像比較容易提取?？蛇x擇脂肪組織中生長的細菌菌斑圖像作為樣本數據，提取菌斑的面積并對其進行數字圖像處理，作為判定肉品品質的一個重要判定依據[2]。

圖6 細菌菌斑圖像Fig.6 Plaques of bacteria growing in pork fatty tissue after 12- and 24-hour spoilage

通過圖6對比分析發現：以菌斑特征標定肉品新鮮度，隨著腐敗時間的增加，樣品菌斑面積是隨著腐敗的時間增加而增加的，這表明菌斑面積能很好地表征樣品的品質，細菌菌斑面積可以作為檢測豬肉新鮮度的一個主要特征指標。

5 肉類新鮮度分級分析

目前，按照國家標準肉類新鮮度分類方法將肉類分為3個等級，分級標準是根據TVB-N值來確定的(表1)。該分級標準比較粗糙，在實際應用中不能滿足需要[3-4]。隨著市場競爭的加劇，各企業都對自己生產的各個環節采取精細化控制，不同新鮮度等級的豬肉將應用到不同肉類食品生產中。根據調查，將肉品進行更細致的新鮮度等級劃分將對實際應用起到有效的指導作用[5]。如何合理的在國家新鮮度分級標準基礎上對新鮮度等級進行細化，將對豬肉新鮮度分級系統應用起到重要的推動作用。

表1 國家肉類新鮮度等級標準與TVB-N值的關系Table 1 TVB-N value based meat freshness rating (from the national standard)

6 基于SOM新鮮度分級系統設計

6.1 新鮮度分級規則

圖7 新鮮度分級算法整體結構Fig.7 Freshness algorithm structure diagram

新鮮度分級算法整體結構如圖7所示。肉類新鮮度等級劃分標準是根據TVB-N值多少來確定的。首先根據神經網絡進行TVB-N值的確定，再利用SOM型神經網絡對豬肉腐敗過程中TVB-N值序列進行聚類分析，可以得到不同新鮮度等級的聚類中心。SOM網的輸入是TVB-N值序列，輸出是不同新鮮度等級的聚類中心對應的TVB-N值。將兩個不同的聚類中心之間的中點對應的TVB-N值作為分界點，可得到不同新鮮度等級所對應的TVB-N值的區間，也就是新鮮度等級分類規則。

6.2 BP神經網絡設計

新鮮度等級的聚類中心確定，首先要根據神經網絡進行TVB-N值序列聚類，選擇神經網絡進行新鮮度的智能辨識，需要根據系統的要求選擇神經網絡模型并確定結構，包括：輸入層及向量個數、隱含層層數、隱含層神經元個數、輸出層向量個數、各層神經元傳遞函數等。對建立的神經網絡進行離線學習，確定網絡的連接權值和連接結構，最后用于新鮮度辨識。

6.2.1 輸入層神經元個數確定

影響新鮮度檢測的主要指標個數是神經網絡輸入層向量個數。本課題研究的參數有：氨氣和硫化氫氣體、顏色值、細胞個數及細菌菌斑面積參數，確定輸入層的神經元向量個數為7。

6.2.2 隱含層層數確定

神經網絡的許多特性是由隱含層決定的，然而，具體取多少合適卻沒有規律可循，不同的應用對象，與其相適應的網絡結構差別很大。理論上已經證明：具有偏差和至少一個S型隱含層加上一個線性輸出層的網絡，能夠逼近任何有理函數。也即含有一個隱含層的3層BP網絡即可完成非線性函數的逼近。多于一個隱含層的BP網絡雖然具有更快的訓練速度，但在實際中需要較多的計算時間。另一方面，訓練速度和精度可以通過增加隱含層神經元數來達到。基于此，本研究采用具有一個隱含層的3層BP神經網絡。

6.2.3 輸出層神經元個數

國家標準中表征肉品新鮮程度是TVB-N值，建立神經網絡的目的就是找出氨氣、硫化氫、色度、亮度、飽和度、脂肪細胞數及細菌菌斑同TVB-N值的關系，所以輸出層的神經元個數取1。BP神經網絡結構如圖8所示。

圖8 BP神經網絡結構Fig.8 BP neural network structure

選取數據中具有代表性的80組數據作為樣本數據，并將輸入與輸出數據分別以文本文件的形式存儲。MATLAB可以直接對這些文本文件進行操作。實現這部分功能的MATLAB程序段為：

fid=fopen('樣本氨氣、硫化氫、色度、亮度、飽和度、脂肪細胞數及細菌菌斑輸入數據.txt ')；

執行上述語句后得到網絡的訓練誤差。網絡的訓練誤差變化曲線如圖9所示。

圖9 網絡訓練誤差變化曲線Fig.9 Network training error curve

由圖9可知，網絡訓練至63步時，誤差達到目標值，說明網絡有很好的收斂性能。

6.3 豬肉新鮮度SOM神經網絡等級劃分

在豬肉腐敗過程中采集多個TVB-N值序列，利用SOM網絡對這些序列進行聚類。根據聚類中心以及聚類中心之間的距離，并在新鮮度國家等級劃分標準上，將新鮮度重新劃分成5類，以滿足實際生產需求。

設計SOM網絡需要確定網絡輸入、輸出層的形式和神經元的數量。等級劃分主要是將豬肉腐敗過程中TVB-N值序列進行合理的劃分。SOM網絡的輸入是TVB-N值序列，網絡輸入層只需要一個節點。網絡將一維的數據序列劃分為5個類，則設計網絡的輸出層為一維形式，網絡的輸出層的神經元個數為5個。所設計的SOM網絡的結構圖如圖10所示。

圖10 等級劃分SOM網絡結構Fig.10 SOM network structure showing TVB-N value based pork freshness rating

6.3.1 SOM網絡的生成及初始化

訓練神經網絡首先要生成一個神經網絡的構架，格式為：

其中：PR為R×2維矩陣，表示R維輸入矢量中每維輸入的最小值與最大值之間的范圍；[D1,D2,...]中各元素分別表示各層神經元的數目；TFCN表示神經網絡中拓撲函數，缺省值為“hextop”；DFCN表示神經網絡中距離函數，缺省值為“linkdist”。

針對新鮮度等級劃分問題建立SOM網絡，該網絡有一個單神經元的輸入層，輸出層由5個神經元組成一維結構。

6.3.2 SOM神經網絡訓練

在確定了SOM網絡的結構、拓撲函數以及學習算法后，需要對神經網絡進行訓練，即利用輸入樣本對其進行訓練，通過對神經網絡的權值進行不斷調整，使得網絡的輸出層的特定神經元對特定的輸入有最大的響應。SOM網絡學習過程是無導師學習，所以在對神經網絡訓練參數進行設置時，只需設置訓練步數。通過對SOM進行訓練100步，利用SOM網絡進行聚類操作，其聚類中心是輸出層的神經元的權值。權值分布如圖11所示。

圖11 SOM網絡輸出層權值分布Fig.11 SOM distribution of network output layer weights

由圖11可知，縱軸對應輸出層神經元的權值向量。其橫坐標位置是豬肉新鮮度劃分過程中的聚類中心所對應的TVB-N值。由于本研究設計的SOM網絡輸出層是一維的，所有輸出點在縱軸上所對應的值為0。橫坐標紅點為聚類中心，經過訓練其聚類中心對應的TVB-N值分別為：9.383、13.597、20.055、29.21mg/100g和36.573mg/100g。

利用MATLAB中神經網絡工具箱對SOM網絡進行訓練和仿真。如表2所示，針對不同聚類中心所對應的TVB-N值，同時參照國家豬肉新鮮度分級標準中對不同等級確定的名稱，將5類豬肉新鮮度等級定義為：新鮮肉、中鮮肉、次鮮肉、中腐肉和腐敗肉5個等級。

表2 SOM網絡聚類后新鮮度等級Table 2 Relationship between pork freshness rates and TVB-N value obtained from SOM network

將不同聚類中心之間的中點作為分界點，從而得到不同豬肉新鮮度等級對應的TVB-N值的區間。其對應關系如表3所示。

表3 豬肉新鮮度等級及對應的TVB-N值區間Table 3 Divided TVB-N value intervals corresponding to pork freshness rates

通過表3可以看出，豬肉新鮮度等級進行重新劃分后，中鮮肉的TVB-N值對應區間為[11.5，16.8)，與國家標準新鮮肉和次鮮肉之間的區域對應。中腐肉也與國家標準中次鮮肉和腐敗肉之間的狀態對應。

通過對TVB-N值進行聚類得到的豬肉新鮮度等級與國家標準對比分析得到：對豬肉新鮮度進行劃分的結果與國家標準指標吻合，可以滿足實際應用中對豬肉新鮮度等級細分的要求。

6.4 豬肉新鮮度辨識軟件的實現

圖12是豬肉新鮮度辨識軟件界面。界面左邊顯示所檢測的參數，包括：氨氣、硫化氫、顏色值(H、S、I)、脂肪細胞個數和細菌菌斑面積。界面右邊顯示辨識結果，包括：多數據融合后預測的TVB-N值和新鮮度等級分級結果。

圖12 豬肉新鮮度辨識系統軟件界面Fig.12 Pork freshness identification system software interface

在使用過程中，點擊新鮮度辨識按鈕后，系統對特征量進行采集，包括：氨氣、硫化氫、顏色值、脂肪細胞個數和細菌菌斑面積。然后系統對所采集的數據進行處理，利用顏色值模型變換提取樣品顏色值(H、S、I)；對樣品圖像進行霍夫變換取得脂肪細胞輪廓，并計算完整脂肪細胞個數；利用數學形態學處理所拍攝的細菌菌斑圖像并統計菌斑面積；將處理后的特征量送入BP神經網絡，網絡的輸出為對該樣品預測的TVB-N值，并在分級規則庫中尋找同該TVB-N值對應的新鮮度等級。從圖12可以看到，該樣品氨氣值為35，硫化氫值為150，顏色值中H為178.63、S為0.2013、I為0.995，細胞個數為36個，菌斑面積為1196，經BP神經網絡辨識，其預測TVB-N值為5.02，在分級數據庫中搜索后得到該樣品新鮮度等級為：新鮮肉。

7 結 論

本研究進行了表征豬肉新鮮度的特征量氨氣、硫化氫、顏色值(H、S、I)、完整脂肪細胞個數、細菌含量檢測。利用信息處理技術將多個特征量融合在一起，應用BP神經網絡對豬肉腐敗過程中的TVB-N值序列進行聚類研究，并且利用SOM網絡對豬肉新鮮度進行了分級研究，實現了豬肉新鮮度智能辨識，研究方法達到了國家豬肉新鮮度分級標準要求。

[1] 郭培源, 曲世海. 豬肉新鮮度的智能檢測方法[J]. 農業機械學報, 2006(8): 78-81.

[2] 畢松, 郭培源. 基于細菌菌斑變化的豬肉新鮮度檢測方法研究[J]. 農機化研究, 2009(5): 67-71.

[3] 侯瑞鋒, 黃嵐, 王忠義, 等. 用近紅外漫反射光譜檢測肉品新鮮度的初步研究[J]. 光譜學與光譜分析, 2006, 26(12): 2192-2195.

[4] 韓劍眾, 黃麗娟, 顧振宇, 等. 基于電子舌的肉品品質及新鮮度評價研究[J]. 中國食品學報, 2008, 8(3): 126-133.

[5] 彭勇, 婁飛, 陳尚武, 等. 流動注射-化學發光法快速評價冷豬肉新鮮度[J]. 肉類研究, 2005(6): 32-34.

An Intellectual Rating System for Pork Freshness

GUO Pei-yuan，BI Song，YUAN Fang
(College of Information Engineering, Beijing Technology and Business University, Beijing 100037, China)

TS251.7

A

1002-6630(2010)15-0068-05

2009-12-28

北京市自然科學基金資助項目(4092012)

郭培源(1958—)，男，教授，博士，研究方向為智能檢測、多數據信息融合。E-mail：ggppyy@126.com