基于計算機視覺技術的豬肌內脂肪含量和眼肌面積測定系統的研發

摘 要： 旨在開發基于計算機視覺技術的豬肉質圖像快速鑒別方法，為解決豬肉質傳統測定方法缺陷和構建豬肉質快速測定系統奠定技術基礎。本研究采用canny邊緣檢測算法、歸一化、伽馬校正、自適應直方圖均衡化和閾值化等方法進行圖像處理，利用二維信息模擬了豬背最長肌的三維模型，開發了基于圖像的豬肌內脂肪含量計算機視覺測定方法。利用人工描繪和計算機視覺輪廓搜尋技術開發了基于圖像處理的眼肌面積識別方法。利用Open CV和C++實現各方法的底層算法程序，研發了一套豬肌內脂肪含量和眼肌面積的測定系統，并利用250頭不同品種的試驗豬進行了應用測試。測試結果顯示，肌內脂肪含量檢測模塊能夠快速實現肌內脂肪圖形信息的提取與預測，單個樣品檢測時間平均不超過2 min，準確性可達0.54，且測定離散系數為0.062，具有較強的穩定性。眼肌面積與背膘厚檢測模塊能夠通過人工與計算機結合的方式快速測定眼肌面積和背膘厚。本研究建立的檢測方法和軟件系統能夠實現豬肌內脂肪含量、背膘厚和眼肌面積的快速檢測。

關鍵詞： 計算機視覺；圖像處理；肌內脂肪含量；豬

中圖分類號：S828.2

文獻標志碼：A

文章編號： 0366-6964（2024）09-3843-10

Development of a Pig Intramuscular Fat Content and Eye Muscle Area Measurement System

Based on Computer Vision Technology

CHEN" Dong 3， ZHOU" Wenxuan 3， ZHAO" Zhenjian 3， SHEN" Qi 3， YU" Yang 3，

CUI" Shengdi 3， WANG" Junge 3， CHEN" Ziyang 3， YU" Shixin 3， CHEN" Jiamiao 3， WANG" Xiangfeng 3， WU" Pingxian4， GUO" Zongyi4， WANG" Jinyong4， TANG" Guoqing 3*

（1.State Key Laboratory of Swine and Poultry Breeding Industry， College of Animal

Science and Technology，

Sichuan Agricultural University， Chengdu 611130，" China;

2.Key Laboratory of Livestock and Poultry Multi-omics of Ministry of Agriculture and

Rural Affairs， College of Animal Science and Technology， Sichuan Agricultural University，

Chengdu 611130，" China;

3.Farm Animal Genetic Resources Exploration and Innovation

Key Laboratory of Sichuan Province， Sichuan Agricultural University， Chengdu 611130，

China;

4.National Center of Technology Innovation for Pigs， Chongqing 402460，" China）

Abstract：" The aim of this study was to develop a rapid identification method of pork quality images based on computer vision technology， and to lay a technical foundation for solving the defects of traditional pork quality determination methods and constructing a rapid pork quality determination system. In this study， canny edge detection algorithm， normalization， gamma correction， adaptive histogram equalization and thresholding were used for image processing to simulate a three-dimensional model of porcine dorsal longest muscle using two-dimensional information， and an image-based computer vision method for determining porcine intramuscular fat content was developed. An image-processing-based eye muscle area recognition method was developed using manual depiction and computer vision contour search techniques. The underlying algorithmic programs of each method were implemented using Open CV and C++， and a system for the determination of porcine intramuscular fat content and eye muscle area was developed and tested using 250 test pigs of different breeds. The test results showed that the intramuscular fat content detection module could quickly realize the extraction and prediction of intramuscular fat graphical information， with an average detection time of no more than 2 minutes for a single sample， an accuracy of up to 0.54， and a discrete coefficient of 0.062， which was highly stable. The eye muscle area and backfat thickness detection module can quickly determine eye muscle area and backfat thickness by combining manual and computerized methods. The assay method and software system developed in this study enable rapid detection of intramuscular fat content， backfat thickness and eye muscle area in pigs.

Key words： computer vision; image processing; intramuscular fat content; pig

*Corresponding author： TANG Guoqing， E-mail：tyq003@163.com

豬肉在我國占據著肉類消費的主導地位［1］。隨著經濟水平的迅速發展和生活質量的改善，人們對于豬肉產品質量的要求也在迅速地提升［2］。而種豬的遺傳改良離不開重要經濟性狀的獲取［3］。平均背膘厚、眼肌面積和肌內脂肪含量是豬育種中非常重要的胴體組成和肉質性狀［4-6］。但目前肌內脂肪含量和眼肌面積的測定仍然采用傳統的索氏提取法和人工描繪法［7-9］，存在預處理步驟復雜、測定周期長、人為誤差環節多、數據匯總慢等缺陷［10-11］。

越來越多的新興技術正在被應用于肉質檢測領域［12-17］。計算機視覺技術能夠更好地在信息捕獲和處理上實現肉質檢測技術的更新，進而推動肉質測定物聯網體系的構建［18］。它通過對周邊環境的感知模擬人類視覺功能處理和分析圖像，從而達到分析和解決問題的目的［19-21］，具有對樣本要求小、檢測便捷、處理速度快、無損檢測、準確性和客觀性高、結果穩定的優點［22-25］。此外，基于計算機視覺技術的測定方法能夠較好的實現胴體肉質的快速檢測和數據同步。

根據前期研究成果［26］，本試驗研發了一套基于計算機視覺的肌內脂肪含量和眼肌面積測定系統（meat image visual handling system， MIVHS），擬解決規模化測定背景下豬肌內脂肪含量和眼肌面積的快速測定與數據同步的問題，提高肉質檢測的效率，并進一步推動肉質檢測智能化發展。

1 材料與方法

1.1 供試材料及數據獲取

系統開發和測試階段所用供試的250頭試驗豬來自于四川省江油市新希望海波爾種豬育種有限公司江油豬場，其中杜洛克豬187頭、約克夏豬57頭、長白豬6頭。肌內脂肪含量測定方法參考中華人民共和國農業行業標準《豬肉品質測定技術規程》（NY/T 821—2019），用于背膘厚、眼肌面積測定的B超圖像獲取方法參考中華人民共和國農業行業標準《豬活體背膘厚和眼肌面積的測定 B型超聲波法》（NY/T 2894—2016）。

1.2 功能模塊設計

MIVHS配備兩個功能模塊，分別基于不同的圖像處理功能實現肌內脂肪含量和眼肌面積的測定（圖1）。最終測定結果自動同步至軟件數據庫，可通過數據導出功能導出輸出。

1.3 肌內脂肪含量檢測模塊研發

1.3.1 圖像采集方式

豬背最長肌的大理石花紋圖像采集時間約為屠宰后約24 h后，通過定制的圖像采集室獲取待測樣品的眼肌圖像。圖像采集室由一臺計算機（Intel（R） Core（TM） i9-12900H，16G內存）和采用CMOS掃描元件且光學分辨率為4 896×3 672 dpi的高速掃描儀（GP1900AF，科密有限公司，中國）組成。采集室內部包裹了黑色攝影絨布，用于吸收多余光線。

1.3.2 特征區域提取

規模化屠宰的過程中，無法實現對背最長肌外周的皮下脂肪和結締組織的細致處理。這些與大理石花紋顏色一致的組織會對算法的決斷產生負面影響，本研究通過圖像處理的策略解決這一問題。首先采用邊緣識別算法獲取掩膜，它的作用是用于分離特征區域。但在利用掩膜提取圖像特征區域前，通過對掩膜進行圖像形態學處理從而達到對圖像特征區域進行處理的目的。掩膜的獲取通過canny邊緣檢測算法實現，首先利用Sobel算子計算圖像的梯度幅值和方向確定圖像的梯度。再根據非最大抑制方法過濾非邊緣像素，使圖像模糊的邊界更加清晰。接著通過雙閾值方法決定圖像的潛在邊界。然后通過滯后技術跟蹤邊界，得到圖像邊緣后進行填充就可以獲得掩膜。最終利用圖像腐蝕方法對掩膜進行腐蝕操作，間接實現對背最長肌區域的皮下脂肪和結締組織的處理。

1.3.3 灰度轉化

通過高速掃描儀獲取的眼肌圖像屬于RGB圖像，存在復雜的顏色信息。通過把圖像的紅、綠、藍三色分量轉化為相應的灰度強度值使圖像轉化為灰度圖像，進而能更高效地實現圖像的處理。灰度轉化公式如下：

Grey=0.99R+0.587G+0.114B（1）

式中，Grey為灰度值，R、G、B分別為圖像的RGB圖像的三色分量。

1.3.4 噪聲去除

由于光線問題產生的圖像噪聲會較大地影響計算機對背最長肌圖像的判斷，采用自適應直方圖均衡化的方法對經過歸一化和伽馬校正的特征區域進行處理，能夠解決部分圖像亮度不均的問題。剩余部分自動處理效果較差的圖像，根據反光像素點灰度閾值通過人工篩選的方式去除反光造成的圖像噪聲。

1.3.5 脂肪分布圖獲取

閾值化處理能夠根據特征圖像像素點灰度值的不同，對圖像進行區域劃分。根據前期研究，通過特征區域灰度值與圖像分割最優閾值的線性關系，對圖像最優分割閾值進行預測能夠實現圖像自動閾值化的處理。但這一方法更側重圖像處理的速度，忽視了圖像處理的準確性。本研究中選擇了準確性更高的人工閾值確定方式，通過人工標記圖像特征區域的大理石花紋像素灰度值的范圍作為閾值對圖像進行閾值化處理，最終獲得脂肪分布圖。

1.3.6 圖像肌內脂肪含量與個體肌內脂肪含量的獲取

僅通過一張圖片預測豬只個體的肌內脂肪含量是不可靠的，本研究首先通過計算機像素計數法計算每頭試驗豬每張圖像大理石花紋占比，利用每頭試驗豬多張圖像的預測均值代表該豬的圖像肌內脂肪含量（graphic intramuscular fat content grading，GIMF）。另外，我們認為僅通過二維的圖像預測存在于三維空間中豬的肌內脂肪含量是片面的。于是在個體肌內脂肪含量（individual intramuscular fat content grading，IIMF）的預測中加入了密度參數，結合同部位多個眼肌切片的圖像信息就可以利用二維圖像模擬出三維的豬肌內脂肪信息。GIMF與IIMF的計算公式如下：

GIMF=∑Ni=1PmiPmi+PliN×100%（2）

式中，Pm為大理石花紋區域像素數量，Pl為瘦肉區域像素數量。

IIMF=∑Ni=1PmiρmPmiρm+PliρlN×100%（3）

式中，ρm和ρl分別為脂肪密度和肌肉密度，由于缺乏豬的脂肪密度和肌肉密度的特定參數，這里使用人類脂肪密度（0.74 g·cm-3）和肌肉密度（1.12 g·cm-3）代替。

1.4 眼肌面積檢測模塊研發

1.4.1 圖像采集方式

為了能更好的服務生產實踐，軟件所需圖像可直接采用B超儀導出圖像。

1.4.2 圖像處理

將B超圖像導入系統眼肌面積檢測模塊，通過人工描繪和計算機視覺輪廓搜尋技術識別眼肌區域的邊緣。再對搜尋到的眼肌區域邊緣進行圖像填充，獲得眼肌剪影。最終通過計算機計算眼肌剪影的輪廓面積，利用格林公式的方法計算豬只眼肌面積。背膘厚的檢測方法同樣基于人工描繪和圖像處理完成。首先利用人工描繪確定背"" 膘厚度檢測區域，再通過提取該區域骨骼線長度進行計算，最終獲取豬只背膘厚。此外，眼肌面積和背膘厚的檢測結果可直接同步至軟件，也可以直接輸出Excel表格。

1.5 軟件應用實例一：肌內脂肪含量測定

1.5.1 眼肌圖像準備

試驗豬屠宰后，在15 min內從豬第九肋骨向后取背最長肌約10cm。盡可能的去除結締組織與外周皮下脂肪并將其分割為約1cm厚的切片，用錫箔紙包裹，將正面標記后放入4℃冰箱保存。24h后將待測肉樣盛出，正面向上放入圖像采集室獲取豬眼肌圖像。

1.5.2 肌內脂肪含量檢測

利用圖像導入功能將眼肌圖像導入軟件。使用裁剪功能從彈出窗口中眼肌主體的左上角的位置向右下滑動，選取眼肌主體區域。然后通過去除背景功能，采用邊緣識別和掩膜過濾的方式一鍵將前景肉樣與背景、部分外周脂肪和結締組織分離。接著可以選擇不同大小的圖像清掃工具對上一步未完美處理的小部分區域進行修理。完成圖像預處理工作后，通過圖像轉換將背最長肌區域轉換為灰度圖像。然后使用反光去除功能喚出操作窗口逐步點擊反光區域像素點，去除與反光像素點灰度相同的所有反光點。最后通過閾值化和內置函數獲取脂肪分布圖并計算GIMF，進而計算IIMF。

1.5.3 結果準確性檢驗

肌內脂肪含量識別的準確性由軟件預測的IIMF與索氏抽提獲取的肌內脂肪含量（intramuscular fat content，IMF）之間的相關系數（r）確定，即：預測值與實際測定值的相關系數越高表明軟件的準確性越高。

r=cov（IIMF，IMF）var（IIMF）var（IMF）（4）

1.5.4 人員誤差分析

最后，通過13位人員應用本軟件對同一圖像處理，分析處理結果進而對軟件在不同人員操作下得到結果的誤差水平進行驗證，進而探討軟件的有效性和可行性。

1.6 軟件應用實例二：背膘厚與眼肌面積測定

參考《豬活體背膘厚和眼肌面積的測定 B型超聲波法》（NY/T 2894—2016），利用B超儀獲取豬的B超圖像。通過圖像導入功能將B超圖像導入軟件。接著利用鼠標畫出背膘實際厚度，計算背膘厚。然后利用鼠標描繪眼肌邊緣，即可選中眼肌面積區域實現眼肌面積計算。

2 結 果

2.1 肌內脂肪含量測定

2.1.1 軟件功能展示

圖2A為MIVHS肌內脂肪含量檢測界面，軟件界面分為上方的工具欄，左側的功能欄，中間的圖像展示窗口和右側的數據展示窗口。軟件界面友好，操縱便捷，具體操作方式見“1.2.2”部分。通過圖像導入即可上傳圖像，簡單裁剪后得到眼肌主體區域圖像。利用邊緣識別算法一鍵去除背景，未自動去除的異常區域可通過工具欄圖像清掃功能進行修剪。圖2B為最終獲取的脂肪分布圖與測定結果。如果需要，也可以通過工具欄的數據導出功能將脂肪分布圖和肌內脂肪含量檢測結果以圖片和Excel的形式導出。

2.1.2 預測結果準確性

預測結果分布圖見圖3A，通過三維模擬的檢測策略，最終獲取的IIMF比GIMF的分布更接近IMF，且標準差與標準誤更小，結果離散性更小。預測結果的相關性分析顯示（圖3B），實際肌內脂肪含量與軟件預測肌內脂肪含量存在較大的相關性，相關系數達0.54。表明軟件檢測圖像肌內脂肪含量可以在較大程度上表征實際肌內脂肪含量。

2.1.3 系統人員測試及差異性分析

不同人員應用軟件獲取的檢測結果見表1。

不同人員檢測結果的差異性分析見表2，數據間離散系數為0.062，表明該系統具有較強的穩定性，并初步實現了應用目標。

2.2 背膘厚及眼肌面積測定

背膘厚及眼肌面積的測定如圖4所示，軟件能夠實現背膘厚和眼肌面積的描繪與計算。

3 討 論

隨著畜禽種業振興的推動和人們對于肉類品質要求的提升，傳統肉質測定方法的缺陷逐漸暴露，無法滿足現代肉質工業的檢測需求［27-30］。各類新興技術的發展有望彌補傳統測定方法的缺陷，推動肉質檢測技術的發展進入新時代［31-33］。利用超聲波檢測、近紅外光譜、核磁共振成像等技術進行肉質檢測存在較為嚴重的技術壁壘或較高的測定成本，無法滿足肉質測定的需要。計算機視覺技術是目前更具潛力的測定方法。MIVHS的開發希望通過計算機視覺技術替代傳統索氏提取法進行肌內脂肪含量的快速檢測，這有助于減少在化學抽提過程中損耗的大量人力與時間，且規避了測定人員與危險化學品的直接接觸［34］。

基于計算機視覺技術檢測方法的重點在于圖像對測定樣品的表征程度、圖像處理方法和對結果預測的準確性［35］。以往的研究更多的是通過直接對樣品拍照，采集二維的圖像信息實現性狀測定。但肌內脂肪是沉積于三維空間下肌肉組織中的，二維圖像的表征程度嚴重不足。在本研究中，通過數份厚度約1 cm的背最長肌樣品截面圖像近似地模擬了沉積在肌肉組織中的脂肪分布信息。而僅僅通過分布信息預測肌內脂肪含量也是不足的，所以本研究還考慮了密度差異，并將肌肉和脂肪的密度信息加入到了IIMF的預測公式中。通過這樣的模擬方式，獲得了待測個體在三維空間中肌內脂肪信息。此外，肉質測定的實際環境與實驗室環境存在較大區別，而基于計算機視覺的測定方法一定要保證測定環境中的光源穩定。所以本研究定制了圖像采集室并用攝影吸光絨布將內表面覆蓋，在一定程度上減少了眼肌的反光和光照不均的問題。在圖像處理環節，根據對豬背最長肌圖像的分析，采用了canny邊緣檢測算法、歸一化、伽馬校正、自適應直方圖均衡化和閾值化等方法最終較為精確地捕獲了豬肉圖像中肌肉內部的脂肪區域（圖2）。

對于結果的準確性，我們認為索氏抽提方法采樣量太少，且采樣部位并不能完全代表豬的整個眼肌，所以測定結果也并非完全準確，這對本研究進行實測IMF和IIMF相關性（0.54）比較造成了一定的影響。此外，后續也將考慮嘗試采用精度更高的設備、更多圖像特征和例如卷積神經網絡等深度學習算法對系統進一步升級，提升系統肉質性狀測定的范圍和準確性。隨著計算機視覺技術的進步和軟件的逐步完善升級，MIVHS系統將在肉質測定和肉品質分級領域中展現更多的應用價值。

背膘厚及眼肌面積檢測功能的加入意味著其他胴體、肉質性狀的智能化檢測方法也具備融合的潛力。不同檢測技術的融合可以實現通過一套設備完成多項胴體、肉質檢測工作，且檢測數據可以無障礙的互通［36］。既能減少數據在不同設備間流動產生的誤差，又能提升數據傳遞效率。還可以利用性狀間的相互關系通過機器學習等方法，間接預測部分難以直接測定的性狀［37-40］，充分提升數據的利用率，極大地提升肉質檢測的效率和準確性［41］。

最后，通過MIVHS的開發和后續升級，希望實現肉質測定物聯網的構建。通過一套或幾套設備將整個肉質檢測流程進行有機的整合，這將有助于畜禽育種和肉質分級行業的快速發展，推動肉質測定技術進入新的時代，加速智慧農業物聯網體系的形成。

4 結 論

本軟件整合了肌內脂肪含量和背膘厚及眼肌面積檢測功能模塊。通過眼肌圖像和背膘圖像的采集，能夠在面對大批量的肉質檢測下，實現肌內脂肪含量、背膘厚、眼肌面積的快速檢測。為豬胴體、肉質快速檢測物聯網體系的建設提供一款實用的軟件工具。

參考文獻（References）：

［1］ 崔晟頔，王 凱，趙真堅，等.利用GWAS和DNA甲基化共定位鑒定豬肉質性狀的候選基因［J］.畜牧獸醫學報，2024，55（5）：1945-1957.

CUI S D，WANG K，ZHAO Z J，et al.Identification of candidate genes for pork texture traits using GWAS combined with Co-localisation of DNA methylation［J］.Acta Veterinaria et Zootechnica Sinica，2024，55（5）：1945-1957.（in Chinese）

［2］ DREWNOWSKI A.Perspective：the place of pork meat in sustainable healthy diets［J］.Adv Nutr，2024，15（5）：100213.

［3］ 張 潤，劉 海，楊 曼，等.北京黑豬肌內脂肪含量高、低組間脂質組差異分析［J］.畜牧獸醫學報，2022，53（9）：3262-71.

ZHANG R，LIU H，YANG M，et al.Analysis of lipidome difference between high and low intramuscular fat content groups in Beijing Black Pigs［J］.Acta Veterinaria et Zootechnica Sinica，2022，53（9）：3262-3271.（in Chinese）

［4］ LIM K S，LEE K T，PARK J E，et al.Identification of differentially expressed genes in longissimus muscle of pigs with high and low intramuscular fat content using RNA sequencing［J］.Anim Genet，2017，48（2）：166-174.

［5］ GUO Z Y，CHEN X L，CHEN D W，et al.Effects of slaughter age on carcass traits and meat quality of crossbred （Duroc×Landrace×Yorkshire） finishing pigs［J］.Anim Biotechnol，2022，33（2）：339-345.

［6］ GONG X L，ZHENG M，ZHANG J，et al.Transcriptomics-based study of differentially expressed genes related to fat deposition in Tibetan and Yorkshire Pigs［J］.Front Vet Sci，2022，9：919904.

［7］ 高振偉.一種全自動測膘情和眼肌系統［J］.湖北農機化，2019（21）：138.

GAO Z W.A fully automated fat and eye muscle measurement system［J］.Hubei Agricultural Mechanization，2019（21）：138.（in Chinese）

［8］ FOLCH J，LEES M，SLOANE STANLEY G H.A simple method for the isolation and purification of total lipides from animal tissues［J］.J Biol Chem，1957，226（1）：497-509.

［9］ 楊海悅.肌纖維內脂肪含量測定方法的建立及其與肌肉相關基因表達的相關分析［D］.南京：南京農業大學，2021.

YANG H Y.The establishment of a method for measuring intrafiber fat content and its correlation withmuscle-related genes［D］.Nanjing：Nanjing Agricultural University，2021.（in Chinese）

［10］ LIN Y D，MA J，WANG Q J，et al.Applications of machine learning techniques for enhancing nondestructive food quality and safety detection［J］.Crit Rev Food Sci Nutr，2023，63（12）：1649-1669.

［11］ HE Y，BAI X L，XIAO Q L，et al.Detection of adulteration in food based on nondestructive analysis techniques：a review［J］.Crit Rev Food Sci Nutr，2021，61（14）：2351-2371.

［12］ ZHANG L H，ZHANG M，MUJUMDAR A S.Technological innovations or advancement in detecting frozen and thawed meat quality：a review［J］.Crit Rev Food Sci Nutr，2023，63（11）：1483-1499.

［13］ MUNEKATA P E S，FINARDI S，DE SOUZA C K，et al.Applications of electronic nose，electronic eye and electronic tongue in quality，safety and shelf life of meat and meat products：a review［J］.Sensors （Basel），2023，23（2）：672.

［14］ TANG X，RAO L，XIE L，et al.Quantification and visualization of meat quality traits in pork using hyperspectral imaging［J］.Meat Sci，2023，196：109052.

［15］ KATEMALA S，MOLEE A，THUMANU K，et al.A comparative study of meat quality and vibrational spectroscopic properties of different chicken breeds［J］.Poult Sci，2022，101（6）：101829.

［16］ FAN K J，SU W H.Applications of fluorescence spectroscopy，RGB- and MultiSpectral imaging for quality determinations of white meat：a review［J］.Biosensors （Basel），2022，12（2）：76.

［17］ PEREZ DE VARGAS-SANSALVADOR I M，ERENAS M M，MARTíNEZ-OLMOS A，et al.Smartphone based meat freshness detection［J］.Talanta，2020，216：120985.

［18］ COLLINS L M，SMITH L M.Review：smart agri-systems for the pig industry［J］.Animal，2022，16（S2）：100518.

［19］ PANERU S，JEELANI I.Computer vision applications in construction：current state，opportunities amp; challenges［J］.Autom Constr，2021，132（1）：103940.

［20］ KAKANI V，NGUYEN V H，KUMAR B P，et al.A critical review on computer vision and artificial intelligence in food industry［J］.J Agric Food Res，2020，2：100033.

［21］ HE H J，WU D，SUN D W.Nondestructive spectroscopic and imaging techniques for quality evaluation and assessment of fish and fish products［J］.Crit Rev Food Sci Nutr，2015，55（6）：864-886.

［22］ WEINSTEIN B G. A computer vision for animal ecology［J］.J Anim Ecol，2018，87（3）：533-545.

［23］ BLEHM C，VISHNU S，KHATTAK A，et al.Computer vision syndrome：a review［J］.Surv Ophthalmol，2005，50（3）：253-262.

［24］ D’ANTONI F，RUSSO F，AMBROSIO L，et al.Artificial intelligence and computer vision in low back pain：a systematic review［J］.Int J Environ Res Public Health，2021，18（20）：10909.

［25］ TIAN J.Computer vision and machine learning for intelligent sensing systems［J］.Sensors （Basel），2023，23（9）：4214.

［26］ CHEN D，WU P X，WANG K，et al.Combining computer vision score and conventional meat quality traits to estimate the intramuscular fat content using machine learning in pigs［J］.Meat Sci，2022，185：108727.

［27］ WAIMIN J，GOPALAKRISHNAN S，HEREDIA-RIVERA U，et al.Low-cost nonreversible electronic-free wireless pH sensor for spoilage detection in packaged meat products［J］.ACS Appl Mater Interfaces，2022，14（40）：45752-45764.

［28］ ISTIF E，MIRZAJANI H，DAGˇ "，et al.Miniaturized wireless sensor enables real-time monitoring of food spoilage［J］.Nat Food，2023，4（5）：427-436.

［29］ NIE W G，CHEN Y F，ZHANG H，et al.A novel colorimetric sensor array for real-time and on-site monitoring of meat freshness［J］. Anal Bioanal Chem，2022，414（20）：6017-6027.

［30］ DUAN X Y，LI Z R，WANG L，et al.Engineered nanomaterials-based sensing systems for assessing the freshness of meat and aquatic products：a state-of-the-art review［J］.Comp Rev Food Sci Food Safe，2023，22（1）：430-450.

［31］ ZHOU L，ZHANG C，LIU F，et al.Application of deep learning in food：a review［J］.Comp Rev Food Sci Food Safe，2019，18（6）： 1793-1811.

［32］ MA J，SUN D W，QU J H，et al.Applications of computer vision for assessing quality of Agri-food products：a review of recent research advances［J］.Crit Rev Food Sci Nutr，2016，56（1）：113-127.

［33］ HUANG L，ZHAO J W，CHEN Q S，et al.Nondestructive measurement of total volatile basic nitrogen （TVB-N） in pork meat by integrating near infrared spectroscopy，computer vision and electronic nose techniques［J］.Food Chem，2014，145（1）：228-236.

［34］ LIU J H，SUN X，YOUNG J M，et al.Predicting pork loin intramuscular fat using computer vision system［J］.Meat Sci，2018，143：18-23.

［35］ LIN L L，GUO J X，LIU L C.Multi-scene application of intelligent inspection robot based on computer vision in power plant［J］.Sci Rep，2024，14（1）：10657.

［36］ ZHANG J J，HUANG H X，SONG G C，et al.Intelligent biosensing strategies for rapid detection in food safety：a review［J］. Biosens Bioelectron，2022，202：114003.

［37］ GUO L L，WANG T，WU Z H，et al.Portable food-freshness prediction platform based on colorimetric barcode combinatorics and deep convolutional neural networks［J］.Adv Mater，2020，32（45）：2004805.

［38］ AHETO J H，HUANG X Y，TIAN X Y，et al.Multi-sensor integration approach based on hyperspectral imaging and electronic nose for quantitation of fat and peroxide value of pork meat［J］.Anal Bioanal Chem，2020，412（5）：1169-1179.

［39］ OPPEN D，ATTIG T，WEISS J，et al.Anticipating food structure of meat products from mastication physics applying machine learning［J］.Food Res Int，2023，174：113576.

［40］ HUANG C Q，GU Y.A machine learning method for the quantitative detection of adulterated meat using a MOS-based E-nose［J］. Foods，2022，11（4）：602.

［41］ LIM H R，KHOO K S，CHIA W Y，et al.Smart microalgae farming with internet-of-things for sustainable agriculture［J］. Biotechnol Adv，2022，57：107931.

（編輯 郭云雁）