逄 濱

(青島農業大學食品科學與工程學院，山東青島 266109)

摘 要：為彌補傳統鵝肥肝色澤評級中人工評級的不足，結合機器視覺技術和統計模式識別方法建立了鵝肥肝色澤自動分級模型。首先通過機器視覺技術采集4種不同色澤等級的鵝肥肝樣本圖像，然后對鵝肥肝樣本圖像進行分割，對分割出的鵝肥肝目標區域提取12個色澤特征參數，最后分別建立了鵝肥肝色澤的多元線性回歸分級模型和典型判別函數分級模型。研究結果顯示，多元線性回歸分級模型的分級正確率為92%，典型判別函數分級模型的分級正確率為100%，表明利用機器視覺結合統計模式識別方法可以對鵝肥肝色澤等級進行有效的自動判定。

關鍵詞：鵝肥肝;色澤;顏色分級;機器視覺

Automatic Color Grading Model of Foie Gras Based on Machine Vision

PANG Bin

(College of Food Science and Engineering, Qingdao Agricultural University, Qingdao 266109, China)

Abstract: To make up the disadvantage of traditional manual grading method, an automatic color grading model of foie gras was proposed based on machine vision and statistic pattern recognition. Foie gras sample images of different color grade were collected by machine vision technology. Then the foie gras area was segmented from the image and 12 color features were extracted from the foie gras area. Finally, a multiple linear regression (MLR) model and a canonical discriminate analysis (CDA) model were set up respectively to predict the color grade. The MLR model achieved the accuracy of 92% and the CDA model of 100%, showing that the machine vision combined with statistic pattern recognition can provide an effective way for predicting foie gras color grades automatically.

Keywords: foie gras; color; color grading; machine vision

目前，我國鵝肥肝質量分級主要包括感官指標分級、重量分級、理化指標分級等。其中感官指標分級主要根據鵝肥肝的色澤等級并輔之以彈性、損征和氣味等進行人工評級。這種人工分級方法依賴評級員的感官和經驗，具有很強的主觀性和不一致性，而且評級效率低，不能滿足現代鵝肥肝產業的發展要求。

采用機器視覺技術實現農產品品質檢測與自動分級應用已成為近年來農產品加工與檢測領域的研究熱點，主要涉及了農產品顏色[1-7]、面積大小及形狀[8-13]、表面損傷及缺陷檢測[14-16]等。目前應用機器視覺技術進行鵝肥肝色澤自動分級的研究較少，但在其他肉類(牛肉、豬肉等)顏色分級領域的研究已經較為成熟。在牛肉顏色分級研究方面，陳坤杰等[1]采用計算機圖像處理技術，計算得到了牛肉肌肉區域的R、G、B、H、S、I顏色特征分量，并分析了這些顏色特征分量在牛肉儲藏期間的變化規律;陳坤杰等[2]以這些顏色特征分量的參數值作為輸入，構建了基于BP神經網絡的牛肉肌肉顏色等級預測模型，模型的預測準確率可達95%;CHEN等[3]提取了牛肉眼肌切面的皮下脂肪區域的12個脂肪顏色特征，并以12個顏色特征參數為輸入、脂肪顏色等級為輸出，建立了一個最優支持向量機(SVM)分級模型，模型的預測準確率為97.4%;SUN等[4]分析并提取了21個牛肉精肉圖像的顏色特征，并分別利用多元線性回歸法(MLR)和支持向量機法(SVM)建立了牛肉肌肉顏色分級模型，其模型的預測準確率分別為86.8%和94.7%。在豬肉顏色分級研究方面，賈淵等[5]將豬肉的R、G、B顏色分量以及亮度和飽和度構建了一個新的顏色維度，并建立了SVM顏色分級模型，模型的分級正確率為96.5%。

本研究提出一種基于機器視覺技術的鵝肥肝色澤自動分級模型，用以彌補傳統人工色澤評級的不足，通過機器視覺技術提取反映鵝肥肝色澤等級的色澤特征參數，分別建立多元線性回歸分級模型和典型判別函數分級模型，實現鵝肥肝色澤等級的自動判定。

1 材料與方法

1.1 試驗材料

鵝肥肝樣本取自于青島農業大學優質水禽研究所育種基地，根據文獻[17]方法對75只青農灰鵝進行統一填飼、殺鵝取肝，得到75個新鮮鵝肥肝樣本，將所有鵝肥肝樣本在育種基地加工現場用真空薄膜袋封裝打包，并使用醫療冷藏箱將樣本從加工現場運至實驗室。封裝打包前，參照國家行業標準(NY 67—1988)對鵝肥肝樣本的色澤進行人工評級，將肝表面光澤良好、色度均勻且為淡黃、米黃或淺粉色的樣本劃分為特級，用數值1(級)標記;將呈現淡黃、米黃或淺粉色的樣本劃分為一級，用數值2(級)標記;將呈現淡黃、米黃、黃色或淺粉色的樣本劃分為二級，用數值3(級)標記;將呈現淡黃、米黃、黃色、淺粉或淺紅色的樣本劃分為三級，用數值4(級)標記。

1.2 鵝肥肝樣本圖像采集與分割

鵝肥肝樣本圖像的采集采用機器視覺系統，主要由工業相機、光源、計算機組成，如圖1所示。

將不同色澤等級的鵝肥肝樣本置于工業相機下方，依次采集鵝肥肝樣本圖像數據，根據文獻[3]方法應用MATLAB R2014a軟件對圖像進行背景分割，不同色澤等級的典型鵝肥肝樣本圖像如圖2所示。

1.3 鵝肥肝色澤特征參數提取

對于經圖像分割處理后的鵝肥肝樣本圖像，根據文獻[2]的顏色特征提取方法提取鵝肥肝的色澤特征參數，修改如下。將HIS顏色模型中H、S、I顏色分量的平均值和標準偏差改為Lab顏色模型中的L、a、b顏色分量的平均值和標準偏差。因此，對于圖像的鵝肥肝目標區域，通過提取相應的R、G、B、L、a、b顏色分量的平均值(μR、μG、μB、μL、μa、μb)和標準偏差(σR、σG、σB、σL、σa、σb)共12個色澤特征參數來定量描述鵝肥肝樣本的色澤特征。應用MATLAB 2014b軟件完成色澤特征參數的提取工作。

1.4 色澤分級模型建立與數據分析

針對12個鵝肥肝色澤特征參數與色澤等級間的關系，本研究采用主成分分析法對這12個色澤特征參數進行重新篩選，按主成分貢方差獻率選取對色澤具有綜合解釋能力的色澤主成分，并用色澤主成分進行多元線性回歸建模和典型判別函數建模，分別得到兩種鵝肥肝色澤自動分級模型。應用SPSS 19.0軟件完成數據的統計、分析和建模工作。

2 結果與分析

2.1 鵝肥肝色澤特征的統計分析

經感官評定，鵝肥肝色澤等級為1級、2級、3級、4級的樣本數分別為14、15、30、16。對75幅鵝肥肝圖像進行圖像處理，提取12個色澤特征μR、μG、μB、μL、μa、μb、σR、σG、σB、σL、σa和σb，并分別用1～12表示，計算出不同色澤等級下12個色澤特征的均值和標準差，如表1所示。

由表1可知，對于不同色澤等級的鵝肥肝，其色澤特征差異較顯著。隨著鵝肥肝色澤等級的降低(從1級降到4級)，特征X2、X3、X4、X9的均值隨等級逐步降低，特征X1、X7、X8、X10的均值隨等級呈下降趨勢，其余色澤特征無明顯的變化規律。

2.2 鵝肥肝色澤特征的主成分分析

對75個鵝肥肝圖像的12個色澤特征進行主成分分析，得到12個主成分PC1 ～ PC12，主成分方差貢獻率如表2所示，主成分系數矩陣如表3所示，表3中的Z1 ～ Z12是輸入變量X1 ～ X12標準化后的數據。標準化計算公式如式(1)：

式中：Xi 為提取的第 i 個鵝肥肝色澤特征，Zi 為 Xi 標準化后的數據，X—i 為所有鵝肥肝樣本第 i 個色澤特征的均值，Si 為所有鵝肥肝樣本第 i 個色澤特征的標準差，X—i 與 Si 的具體取值詳見表 1 的總計部分。

由表2可知，前3個主成分(PC1、PC2、PC3)的特征值均大于1，且累計方差貢獻率高達86.24%，基本能夠涵蓋樣本的色澤信息，因此可以選取前3個主成分來代表原有12個鵝肥肝色澤特征，反映鵝肥肝色澤等級。75個鵝肝樣本色澤特征前3個主成分的數據點分布如圖3所示。由圖3可知，不同色澤等級對應的主成分數據點區域無明顯重疊現象，能夠大致分布在4個區域，但3級樣本標準化數據點之間分布較為分散，在實際應用中可能會其他等級樣本發生混淆，其他3個等級的樣本標準化數據點分布較為集中，區分效果良好。

2.3 鵝肥肝色澤多元線性回歸分級模型

在保證各等級樣本內部抽取比例為2∶1的前提下，隨機從75個鵝肥肝樣本中抽取50個樣本作為訓練集，抽取25個樣本作為測試集。對訓練集50個樣本的前3個主成分進行多元線性回歸分析，得到回歸方程：

Y=-0.39PC1+0.01PC2+0.19PC3+2.63 (2)

式(2)即為鵝肥肝色澤多元線性回歸分級模型，其中，為該模型預測的鵝肥肝色澤等級，1、2、3分別為主成分分析提取的前3個主成分。

根據式(2)所建立的主成分回歸方程預測訓練集的色澤等級，模型的預測結果如圖4所示，其中訓練集的相關系數R2=0.912，訓練標準差為0.307。

測試集的模型預測結果如圖5所示，其測試集的相關系數2=0.935，測試標準差為0.271，與訓練集的預測結果接近，說明所建立的色澤回歸分級模型具有一定的穩定性。

利用所建立的鵝肥肝色澤MLR分級模型對訓練集和測試集的色澤等級進行計算，將計算結果四舍五入保留整數，且小于0.5的結果判定為1，大于4.5的結果判定為4，即可得到該模型的實際色澤判定等級。模型對訓練集和測試集的分級結果分別如表4、表5所示。

由表4可知，模型在訓練集中，將2個2級樣本誤判為3級，將1個3級樣本誤判為4級，將2個4級樣本誤判為3級，模型在訓練集中的分級正確率為90%。由表5可知，模型在測試集中，將1個2級樣本誤判為3級，模型在測試集中的分級正確率為96%。綜上所述，通過鵝肥肝色澤MLR分級模型判定75個樣本色澤等級，共有6個樣本發生了誤判，模型的總體分級正確率為92%。結果表明，模型的識別率和穩定性都達到了較好的水平。而發生誤判的樣本全部發生在相鄰色澤等級之間，這是由于相鄰色澤等級的樣本之間提取的特征相似所導致的，所以使得模型的判定結果存在了一定的誤差。

2.4 鵝肥肝色澤典型判別函數分級模型

對訓練集50個樣本的前3個主成分進行典型判別分析，得到3個典型判別函數，其特征值及方差貢獻率如表6所示，其中前2個典型判別函數的累積方差貢獻率為97.18%，能夠描述鵝肥肝色澤特征前3個主成分的主要信息。經計算可知，前2個典型判別函數與前3個主成分的轉換關系如式(3)：

式(3)即為鵝肥肝色澤典型判別函數分級模型，其中，F1、F2分別為前2個典型判別函數值，PC1、PC2、PC3分別為主成分分析提取的前3個主成分。

根據鵝肥肝典型判別函數分級模型，繪制訓練集50個樣本的F1、F2數據點分布如圖6所示。由圖6可知，不同色澤等級對應的1、2數據點均圍繞組質心分布，其中1級組質心為(-11.29,0.38)，2級組質心為(-1.86,-1.16)，3級組質心為(3.78,3.16)，4級組質心為(4.04,-5.00)，4個不同等級的組質心能夠較好分開，且不同等級間數據點沒有明顯重疊顯現，說明模型分級效果較好。

為驗證模型效果，計算分別訓練集50個樣本的(1,2)數據點與各級別組中心的歐式距離，依據距離值最小原則判定樣本色澤等級。訓練集樣本的回判結果如表7所示。由表7可知，4個等級的樣本判定正確率均為100.00%，總判別正確率為100%?？紤]到模型是根據訓練集樣本特征的前3個主成分信息得到的，故可能夸大模型判定效果，為了驗證模型的有效性，以未參加建模的測試集25個樣本對模型進一步檢驗，繪制訓練集1、2數據點分布如圖7所示。由圖7可知，測試集的1、2分布與訓練集的1、2分布(圖6)大致相同。測試集的模型判定結果如表8所示。由表8可知，模型對測試集中4個等級樣本的判定正確率同樣為100%，說明利用訓練集構建的模型分級效果良好。

3 結論

本研究利用機器視覺技術和統計模式識別方法對不同色澤等級的鵝肥肝樣本進行了色澤等級自動判定，得到結論如下：①鵝肥肝線性回歸分級模型的識別率和穩定性均達到了較高水平，模型的總體分級正確率為92%，模型中訓練集與測試集的相關系數接近、標準差相近;②鵝肥肝典型判別函數分級模型的識別率高于線性回歸分級模型，其模型的總體分級正確率為100%，模型中訓練集與測試集的典型判別函數數據點分布規律大致相同。因此，本研究可用于鵝肥肝色澤的自動分級，而且有望在此研究基礎上開發鵝肥肝色澤在線分級系統，從而取代人工并且為鵝肥肝的生產加工提供技術支持。但本研究中訓練集和測試集的樣本均較少，使得模型預測結果不能較全面的包含各個色澤等級樣本，今后應該擴大樣本數量并分多批次做重復試驗，以期得到更加準確和穩定的鵝肥肝色澤分級模型。

參考文獻

[1]陳坤杰,尹文慶.機器視覺技術在分析牛肉顏色變化特征中的應用[J].食品科學,2008,29(9):92-96.

[2]陳坤杰,孫鑫,陸秋琰.基于計算機視覺和神經網絡的牛肉顏色自動分級[J].農業機械學報,2009,40(4):173-178.

[3]CHEN K,SUN X,QIN C,et al.Color grading of beef fat by using computer vision and support vector machine[J].Computers and Electronics in Agriculture,2010,70:27-32.

[4]SUN X,CHEN K,BERG E P,et al.Predicting fresh beef color grade using machine vision imaging and support vector machine (SVM) analysis[J].Journal of Animal and Veterinary Advances,2011,10:1504-1511.

[5]賈淵,李振江,彭增起.結合LLE流形學習和支持向量機的豬肉顏色分級[J].農業工程學報,2012,28(9):147-152.

[6]陳全勝,趙杰文,張海東,等.利用計算機視覺識別茶葉的色澤類型[J].江蘇大學學報:自然科學版,2005,26(6):461-464.

[7]PEDRESCHI F,MERY D,BUNGER A,et al.Computer vision classification of potato chips by color[J].Journal of Food Process Engineering,2011,34:1714-1728.

[8]陳紅,夏青,左婷,等.基于機器視覺的花菇分選技術[J].農業機械學報,2014,45(1):281-287.

[9]周平,趙春江,王紀華,等.基于機器視覺的雞蛋體積與表面積計算方法[J].農業機械學報,2010,41(5):168-171.

[10]王輝,雷雨春,康峰,等.基于機器視覺的櫻桃外徑檢測[J].農業機械學報,2012,43(增刊1):246-249.

[11]夏營威,徐大勇,堵勁松,等.基于機器視覺的煙葉面積在線測量[J].農業機械學報,2012,43(10):167-173.

[12]司永勝,喬軍,劉剛,等.基于機器視覺的蘋果識別和形狀特征提[J].農業機械學報,2009,40(8):161-165.

[13]李鴻強,孫紅,李民贊.基于機器視覺的結球甘藍形狀鑒別方法[J].農業機械學報,2015,46(增刊1):141-146.

[14]陳紅,夏青,左婷,等.破損花菇機器視覺檢測技術[J].農業機械學報,2014,45(11):60-67.

[15]趙娟,彭彥昆,DHAKAL S,等.基于機器視覺的蘋果外觀缺陷在線檢測[J].農業機械學報,2013,44(增刊1):260-263.

[16]趙杰文,劉少鵬,鄒小波,等.基于支持向量機的缺陷紅棗機器視覺識別[J].農業機械學報,2008,39(3):113-115.

[17]孫倩,王寶維,葛文化,等.基于SPSS聚類分析的鵝肥肝重量分級標準研究[J].中國家禽,2012,34(2):31-36.

基金項目：青島農業大學高層次人才科研基金“基于機器視覺的鵝肥肝感官指標及重量自動分級研究”(663-1115020)。

作者簡介：逄濱(1986—)，男，漢族，山東青島人，博士，講師。研究方向：食品質量檢測。