开题报告_基于机器视觉的牛肉品质检测终端研究.doc

本科生毕业论文（设计） 开题报告 题 目: 基于机器视觉的牛肉品质检测终端研究 姓 名: 林盛业 学 院: 工学院 专 业: 电子信息科学与技术 班 级: 信息92 学 号: 指导教师: 沈明霞 职称: 教授 2012 年03 月 17 日 南京农业大学教务处制 本课题的意义、国内外研究概况、应用前景等（列出主要参考文献） 上世纪八十年代左右，机器视觉和模式识别等相关技术飞速地发展，许多学者开始将机器视觉技术引入到牛肉分级领域中。传统人工的评级方式主要是由分级员把真实肉样对照每个等级的标准图片，依靠视觉进行比较，评判肉样的质量等级。但由于评级员主要根据个人经验做出主观、定性的评价，加之外在环境因素对评级员的影响，评级员容易产生疲劳，从而评价效率下降，整个评定过程不仅缺乏公平性，而且还存在相当大误差，甚至影响后续的肉品标价销售环节的正常进行。所以研究牛肉质量分级的定量指标和客观评定方法，探究牛肉的自动分级技术势在必行。经过许多学者的不懈努力，基于机器视觉的牛肉分级方法的研究已经取得了一些成果。现有的智能化牛肉分级技术能够有效地克服人工分级中存在的缺点，提高牛肉质量分级的准确率和效率，进而提高相关产业的生产效率。 机器视觉在上世纪八十年代初开始应用于牛肉质量检验与分级技术的研究中，其中眼肌图像的提取和大理石花纹分离采集是利用机器视觉进行肉品分级的关键步骤。在自动评级之前，首先要利用相关的图像处理技术从眼肌切面图像中提取出大理石花纹，接下来再采取相关的花纹数据进行机器评级。 国外研究现状： Chen(1989) [1] 等通过图像处理技术，计算出了美国牛肉分级系统中6张牛肉大理石花纹标准图版牛眼肌的肌内脂肪面积，将其作为判定牛肉质量等级的定量指标。后续研究证明要评定眼肌质量不仅要考虑到肌内脂肪颗粒的面积，还要注意不同面积大小脂肪颗粒的比例、脂肪颗粒之间的依存程度、脂肪颗粒分布的均匀程度以及结缔组织纹理的粗细等指标的综合运用。 Kazuhiko(2000) [2]等对分级员询问，得到大理石花纹分级5个主要指标:脂肪面积比、脂肪颗粒总数、大脂肪颗粒数、小脂肪颗粒数以及脂肪颗粒分布均匀度。用图像分析技术从脂肪区域和肌肉区域提取这5个特征，然后利用神经网络技术对4位灰度图像的灰度直方图进行分析，计算出该图像灰度的同现矩阵，以此作为描述该图像纹理特性的参数。他们利用了神经网络得到一种能够模拟专业分级员给出分级结果的方法，并采用多元回归分析的方法筛选出了用肌内脂肪面积比、大脂肪颗粒数和脂肪分布系数建立起的大理石花纹等级判定模型。经实践证明，该模型有着较高的精确性和准确性。 Fumito(2000) [3] 等认为模糊推论和神经网络技术难以转化为简单的算法。他们提出利用非参数判别式阈值选择法来确定图像的分割阈值。从眼肌图像的灰度直方图中判断出最佳的区分瘦肉和脂肪的阀值。他们建立了一种新颖的，能够将脂肪和肌肉的几何特征数量化的方法。它是一种基于灰度值延伸的矩阵，可以将二值化的图像中眼肌肌肉和肌内脂肪的像素进行几何特征描述，这种方法是把二者像素的规格化延伸长度向量与规格化延伸数量向量作为描述大理石花纹的几何特征参数。这种方法不仅能够精确测定脂肪面积百分比而且还能精确描述脂肪颗粒的分布。 Jeyamkondan(2000) [4]等人提出了一种基于牛肉彩色图像的大理石花纹等级和肉色等级的判别方法。通过对肉色和脂肪色的研究，他们发现肉色和脂肪色的蓝色和绿色分量直方图只表现出一个峰值，因此要找出一个合适的阈值将其分割十分困难。基于最小二乘法原理的模糊C-均值聚类模型（Fuzzy c-mean clustering，简称FCM）能有效模仿人类的视觉，非常适合于将肌肉和脂肪进行聚类分割。该方法先是计算出眼肌图像中脂肪色的蓝色和绿色分量的最小B和G值，然后以此值作为阀值，进行肌肉和脂肪的分割。由于该方法可以对每一幅眼肌图像的脂肪色进行阈值的计算，因此这种图像分割方法又称为自适应阈值法。 国内研究现状：