基于IGS-SVM模型的牛肉生理成熟度預測方法

季方芳，吳明清，趙 陽，陳坤杰*

（南京農業大學工學院，江蘇 南京 210031）

生理成熟度是牛肉質量等級評定中的一個重要指標[1]。在傳統的牛肉品質評定中，通常使用牛齡來表示牛肉的生理成熟度。牛齡一般通過牛的永久門齒數量進行人工判斷，也可以通過對牛肉的生產供應鏈進行追溯的方法來判斷，這需要每頭牛從出生到進入加工生產線的信息都被完整記錄；但由于我國牛肉的生產、加工市場尚未發展完善，大多數中小型肉類加工企業都未完善此項功能，所以這種方法在國內并不適用[2]。李巖等[2]研究牛的脊椎骨末端軟骨圖像，利用神經網絡提取軟骨的內角方差、凹凸度等圖像特征，作為牛的生理成熟度評判標準。潘超等[3]通過對不同生理成熟度牛的脊椎骨質化程度進行研究，認為牛脊椎骨質化程度可以作為預測牛肉生理成熟度的主要指標。李春保[4]利用化學實驗的方法，研究了不同生理成熟度的中國黃牛脊椎棘突的化學組成與牛齡的關系，認為隨著牛齡的增長，薦椎和腰椎棘突中灰分和鈣含量有所增加。目前，國外部分先進國家已經利用機器視覺技術實現了牛肉質量等級的自動判定[5-6]，我國也在基于機器視覺技術進行牛肉質量等級自動判定方面取得了一定的研究成果[7-9]。但是如何實現牛肉生理成熟度的自動判定，目前還是一個尚未解決的技術難題。有文獻指出，隨著牛齡的增長，牛肉肌纖維的微觀結構（包括肌纖維直徑和單根肌纖維面積）會發生變化，牛齡與肌纖維微觀結構參數之間存在一定的關系[10-13]，因此，通過對肌纖維微觀結構參數的測定，可以實現對牛齡的預測和判定。

支持向量機（support vector machine，SVM）因其具有處理小樣本數據集的優點，成為一種流行的分類以及回歸模型建立方法[14]。劉木華等[15]利用SVM結合牛肉的大理石花紋特征對大理石花紋進行等級評定。吳一全等[16]利用圖像處理技術采集牛肉大理石花紋圖像的不變矩和灰度共生矩陣特征，結合混沌蜂群參數優化算法建立牛肉大理石花紋評級模型，不同等級的大理石花紋評級正確率最低可達93.3%。魏麗冉等[17]采用基于核函數的SVM多分類方法，通過采集不同病害植物葉片的圖像特征，作為分類模型的輸入，以病害類別作為輸出，建立了4 種植物葉部病害的識別模型，識別率最低可達70%。上述研究結果顯示，SVM是一種適合小樣本分類建模的有效方法。

本研究以不同月齡的東北沃金黑牛為實驗材料，利用機器視覺技術獲取不同月齡牛肉的顯微圖像，提取牛肉肌纖維的周長、直徑和密度特征參數，并在傳統網格搜索（grid search，GS）算法的基礎上，提出一種改進的網格搜索（improved grid search，IGS）算法，對SVM模型的約束參數C以及核函數參數g進行優化，建立基于牛肉肌纖維特征的IGS-SVM牛齡分類預測模型，并進行實驗驗證。

1 材料與方法

1.1 材料與試劑

沃金黑牛肉由吉林省長春皓月清真肉業股份有限公司提供。

液氮 南京龍盛特種氣體有限公司；蘇木精-伊紅染色液（包括核染液以及漿染液） 南京建成生物工程研究所。

1.2 儀器與設備

CM1990冷凍切片機 德國Leica公司；Scope.A1正置熒光顯微鏡 德國Carl Zeiss公司；M30-H2圓形鉆孔取樣器（直徑1.5 cm） 哈爾濱量具刃具集團有限公司。

1.3 方法

1.3.1 實驗樣本獲取

分別選擇18、36、54、72 月齡的育肥公牛各25 頭，共100 頭，在長春皓月屠宰場經過宰殺，放血，去除四肢、內臟以及牛皮，劈半，沖洗，經72 h排酸處理以及胴體分割之后，選取每頭牛背最長肌部位的牛肉3 kg，經過－30 ℃速凍之后運到實驗室，置于－18 ℃冰柜中保存。

1.3.2 肌纖維圖像采集

將實驗肉樣置于常溫下解凍之后，沿著肌纖維的生長方向取0.5 cm×0.5 cm×0.5 cm的肉塊作為樣品，之后使用冷凍切片機進行橫向切片，切片厚度為8 μm，最后進行蘇木精-伊紅染色處理。每塊背最長肌肉樣取3 個樣品，每個樣品取3 個切片，單個切片在相同的顯微鏡距離下放大200 倍拍攝3 幅照片。采集的樣品肌纖維的顯微圖像如圖1所示。

圖1 牛肉肌纖維顯微圖像Fig. 1 Micrographs of beef muscle fibers

1.3.3 圖像預處理

由于在實驗操作過程中會存在一些誤差，所以在獲取肌纖維相關特征和測量前，先運用Image-Pro Plus軟件對采集到的牛肉肌纖維顯微圖像進行預處理，具體操作如下。1）選色分割：染色之后的肌纖維與背景在顏色上具有較大差異，因此，利用Image-Pro Plus軟件的選色工具將肌纖維與背景分割開；2）圖像二值化：經過二值化處理后的圖像有利于肌纖維特征參數的準確測量以及Filter工具的修飾處理；3）修飾：肌纖維之間還存在一些細小的黏連，若直接進行參數測量會導致較大的誤差，因此利用Filter工具對肌纖維的形狀進行修飾，并使用close工具對圖像作腐蝕膨脹處理以去除圖像中的大尺度噪聲，使得肌纖維之間界限分明；4）計數：利用軟件的計數工具對需要測量的區域計數并標記，每個被標記的待測量紅色區域稱為一個感興趣區域。圖像的預處理過程及結果如圖2所示。

圖2 牛肉肌纖維顯微圖像預處理Fig. 2 Preprocessing of micrographs of beef muscle fibers

1.3.4 肌纖維特征獲取

對預處理過的牛肉肌纖維圖像進行分析后，使用Image-Pro Plus軟件的測量工具測量與牛肉生理成熟度相關的3 個特征參數即肌纖維的直徑、周長和密度。

1.3.4.1 肌纖維直徑的獲取

從牛肉肌纖維圖片可以看出，肌纖維截面大多是不規則的多邊形或近似圓形，因此，利用Image-Pro Plus軟件的多邊圖形的直徑測量工具測量肌纖維的直徑參數，測量原理如圖3所示。從多邊形區域的中心出發，每隔2°向測量區域的邊緣繪制線段，統計每條線段的長度，取所有線段長度的平均值，作為該肌纖維的直徑。

圖3 肌纖維直徑測量原理示意圖Fig. 3 Schematic diagram for the measurement of muscle fiber diameter

1.3.4.2 肌纖維周長的獲取

利用Image-Pro Plus軟件通過統計多邊形圖形的邊界像素點個數即圖4中多邊形計數區域的輪廓長度，計算肌纖維的輪廓長度，從而得到一根肌纖維的周長。

圖4 肌纖維周長測量原理圖Fig. 4 Schematic diagram for the measurement of muscle fiber perimeter

1.3.4.3 肌纖維密度的獲取

肌纖維的密度指單位面積內輪廓完整的肌纖維根數，由于本實驗中顯微鏡的視野面積相同，都是1.23 mm2，本實驗將顯微鏡視野內完整肌纖維的數量設為肌纖維的密度。

1.3.5 基于SVM的牛齡預測模型

由于牛的育肥速度通常較為緩慢，相鄰月齡的牛肉品質差別不大，所以牛齡預測問題可以看作是分類問題，建立牛齡預測模型即建立多分類模型。基于課題組已有研究[18-19]，本實驗選取牛肉肌纖維直徑、肌纖維周長以及肌纖維密度這3 個與肉牛生長周期有關聯的特征量作為模型輸入，牛齡作為模型輸出，建立不同牛齡的預測模型。

SVM是一種流行的機器學習算法，主要思想是通過核函數將樣本數據映射到一個高維空間，建立一個滿足約束條件的最優分類超平面，滿足公式（1）、（2）。

式中：xi和yi是第i個樣本的特征值和類別標簽；ω是分類超平面法向量；b是超平面偏置；C是懲罰因子，控制對樣本錯分的懲罰程度；ξi是松弛變量。

最終最優分類函數如式（3）所示。

式中：ai是二次規劃問題中求解的拉格朗日乘子；K（xi，x）表示核函數。本實驗運用的是目前應用最廣泛的徑向基核函數，其表達式如式（4）所示。

式中：g是核函數的參數，表示影響分類算法的復雜程度[20]。

1.3.6 IGS參數尋優算法

SVM分類模型的分類精度和泛化性取決于懲罰參數C和核函數參數g，若這兩個模型參數選取不合適，會導致模型運行時間較長，模型預測精度較低[21-24]。

SVM的參數選取通常有多種方法，其中GS最為簡單且易于操作。GS的原理是在一定范圍內針對懲罰因子C和核函數參數g分別取M個和N個值，用M×N個（C，g）參數組合對SVM分類器進行訓練，再在交叉驗證（cross validation，CV）思想下得到各組（C，g）參數組合下訓練集的分類準確率，取最高的分類準確率對應的C、g參數作為最優參數[25]。傳統網格搜索法一般采用大范圍、小步距的搜索策略，由于在運算的時候，要遍歷網格中的每個（C，g）參數組合，所以GS計算量大，分類效率較低。

針對這個問題，本實驗采用了一種IGS算法。首先，在較大范圍內用GS算法以大步距進行粗略搜索，搜索出的第一組使得局部分類準確率最高的（C，g）組合作為局部最優參數解。得到局部最優解參數組合之后，在這組參數附近的小區間依舊使用GS算法以小步距進行二次搜索，尋找最終的最優解。小區間的范圍一般通過觀察第一次粗略搜索的結果結合經驗進行選擇。

1.4 數據處理與分析

采用SPSS Statistics 20軟件進行單因素方差分析，采用Excel 2016軟件作圖；牛齡預測模型的開發環境為：Intel雙核處理器、2.53 GHz、4 GB內存、64 位操作系統、Windows 7系統。在Matlab R2010a實驗仿真環境下，采用LibSVM工具包編程完成對數據的分類和建模。

2 結果與分析

2.1 數據歸一化

由于測量得到的牛肉3 種特征參數肌纖維直徑、周長和密度數值分布范圍相差較大且數量級不相同，如果直接采用原始實驗數據來建立牛齡預測模型以及進行參數優化，可能會影響預測模型的準確性。因此，需要對原始實驗數據進行歸一化預處理，采用式（5）的歸一化映射f[26]。

式中：x表示某個原始實驗數據；xmin和xmax分別是數據集的最小值和最大值；y是歸一化后的數據。歸一化后的原始實驗數據規整到[0，1]范圍內。數據歸一化過程通過Matlab 2010a軟件實現。

2.2 不同牛齡牛肉肌纖維特征的統計分析

對采集到的不同牛齡的特征參數數據進行統計和方差分析，結果如表1所示。

表1 不同牛齡牛肉肌纖維特征參數統計及方差分析Table 1 Statistical characteristics and analysis of variance of beef muscle fiber diameters at different slaughter ages

為了更直觀地反映肌纖維特征參數的分布規律，作出不同牛齡牛肉肌纖維特征參數的箱形圖，如圖5所示。結合表1以及圖5可知，除18 月齡與36 月齡以及36 月齡與54 月齡之間，其余每兩組月齡的牛肉肌纖維直徑之間均有顯著差異（P＜0.05）；除36 月齡與54 月齡的牛肉肌纖維周長差異性不顯著，其余每兩組月齡的肌纖維周長差異均顯著（P＜0.05），且牛齡差距越大，差異顯著性越高；但對于肌纖維密度，則只有18 月齡與54 月齡以及72 月齡的牛肉肌纖維密度之間差異性顯著（P＜0.05），其余各兩組牛齡的牛肉肌纖維密度之間差異性均不顯著。

圖5 牛肉肌纖維特征參數箱形圖Fig. 5 Box figures of muscle fiber characteristic values

為了進一步研究牛肉肌纖維各個特征參數與牛齡之間的關系，對肌纖維特征參數平均值和牛齡之間的關系進行線性擬合，以牛齡參數作為縱坐標，肌纖維特征參數作為橫坐標，擬合結果如圖6所示。

圖6 牛肉肌纖維特征參數均值與牛齡線性擬合Fig. 6 Linear regression fitting between mean values of muscle fiber characteristic parameters and slaughter age

由圖6A可以看出，隨著牛齡的增長，肌纖維直徑顯著增大，該結果與文獻[1]的結論完全一致。進一步的回歸分析表明，肌纖維直徑與牛齡之間存在顯著的線性關系（P＜0.05）；圖6B顯示，隨著牛齡的增加，牛肉肌纖維周長呈遞增趨勢，肌纖維周長與牛齡之間的線性關系極顯著（P＜0.01）；由圖6C可知，隨著牛齡的增加，肌纖維密度有所降低，這與文獻[27]的研究結果基本一致，回歸分析結果顯示，肌纖維密度與牛齡之間存在顯著的線性關系（P＜0.05）。

2.3 牛齡預測模型結果與分析

將100 個實驗樣本隨機分成兩組，其中的76 個樣本作為訓練集用于建模。將實驗數據通過Excel 2016軟件數據功能中的“宏”插件Format Data Libsvm轉換成LibSVM所需的數據格式。IGS算法優化SVM參數C和g的具體步驟如下：1）初次粗略搜索時，設置參數C和g的范圍以及搜索步距。C和g的初始搜索范圍均設置為[2－10，210]，搜索步距設置為1。2）在CV思想下，檢測步驟1中（C，g）組合訓練模型的性能。由于本實驗數據量較少，故采用留一交叉驗證法（leave-one-out CV，LOO-CV）進行參數優化選擇[28]，從而得到局部最優參數。3）根據步驟2中得到的局部最優參數，在該最優參數組合附近重新選擇幾組不同的參數組合區間進行二次精細搜索，步距設置為0.1，比較不同區間的搜索范圍對分類準確率以及運行時間的影響，選擇使得分類準確率達標且運行時間較合適的區間，訓練結果顯示：bestC=2.394 5、bestg=27.613 9。

為了測試模型的預測效果，剩余24 個樣本用作獨立測試集，測試集數據具體如表2所示。

表2 測試樣本數據Table 2 Basic data of test samples

將上述測試集數據中的牛肉肌纖維特征參數輸入到訓練好的參數最佳的IGS-SVM分類模型中，模型預測結果與實際測試數據的類別對比結果如圖7所示，縱坐標類別標簽的2、4、6、8分別代表18、36、54、72 月齡的樣本，橫坐標代表樣本序號。將不同牛齡的樣本測試數據具體分類情況及分類準確率進行統計，結果如表3所示。

圖7 IGS-SVM模型測試集分類結果Fig. 7 Classification results from IGS-SVM prediction model

表3 IGS-SVM牛齡預測模型分類結果Table 3 Classification results from IGS-SVM prediction model for slaughter age

由圖7可以看出，序號為3的測試樣本，其實際月齡18被錯分為36；序號為12的測試樣本，實際月齡為36被錯分為54，其余月齡的測試樣本均分類正確。

2.4 模型比較

為了比較IGS與GS在牛肉生理成熟度預測方面性能的優劣，以訓練時間和測試集的分類準確率作為評價指標，將運用GS算法和IGS算法進行參數優化后的SVM模型測試結果進行對比。傳統GS算法中，將懲罰因子C和核函數參數g的搜索范圍均設置為[2－10，210]，步距設置為0.1，直接以小步距搜索。圖8為GS-SVM模型對測試集牛肉樣本生理成熟度的預測結果。兩種算法優化后的參數以及模型預測結果對比如表4所示。

圖8 GS-SVM模型測試集分類結果Fig. 8 Classification results from GS-SVM prediction model

表4 GS與IGS算法優化結果比較Table 4 Comparison of results from GS and IGS algorithms

從表4可以看出，在測試集分類準確率上，IGS算法相比較于GS算法使得牛肉生理成熟度SVM預測模型在實際測試集分類準確率上降低了4.16%，模型訓練時間上卻縮短了1 755.41 s，可見IGS-SVM模型雖然分類準確率有所降低，但大幅縮短了分類時間，提高了分類效率，這與文獻[29]的結果一致。同時兩種模型的分類準確率均達到了90%以上，表明這兩種算法優化參數的SVM模型針對牛肉生理成熟度預測功能的實現具有良好的適用性。

3 結 論

本研究運用機器視覺和圖像處理方法采集并提取了4 種不同月齡牛肉肌纖維的直徑、周長以及密度3 個方面的特征參數，運用SVM分類算法建立了一種牛肉生理成熟度的預測模型。針對SVM參數優化方面，在GS算法的基礎上運用IGS算法，在得到最佳的參數的同時，計算量減少，程序運算復雜度降低。進一步選取具有代表性的實驗數據作為測試集對模型性能進行測試，結果表明牛齡預測模型的預測準確率可達91.67%，研究表明基于IGS-SVM的分類預測模型對于牛肉生理成熟度的預測研究是適用的。本實驗運用了Image-Pro Plus軟件對牛肉肌纖維顯微圖像進行處理，并對特征參數進行提取，下一步工作可從圖像處理過程入手，研究采用誤差更小的圖像處理方法獲取肌纖維特征參數以及尋找更多與牛齡相關的圖像特征，提高預測模型的精度。