Page 259 - 农产品质量检验检测与质量控制

» 第九章 人工智能技术与农产品质量安全

评估肉的新鲜度。除此之外，应用 RGB 及 HIS 颜色空间模型可获取肉的颜色参数，
提取样本表面的质构特征，鉴别肉的新鲜度。例如，在牛肉新鲜度检测中，可依托计
算机视觉技术，观察牛肉表面的大理石花纹及肌肉间脂肪分布，判断牛肉的适口性及
价值。借助计算机视觉技术，研究牛胴体 6~7 肋横断面图像，提取牛肉眼肌总面积比、
脂肪分布均匀度及肉质色度，借助特征参数判断肉质。常规而言，眼肌面积及圆度越

大、肌肉及脂肪色度越高、大理石纹分布均匀的牛肉品质最好，如和牛。针对羊肉贮
存，可借助 RGB 与 HIS 颜色空间的特征分量，依托神经网络建立羊肉新鲜度分级模
型，可提高羊肉新鲜度检测准确率。针对猪肉新鲜度检测，可利用计算机视觉技术的

RGB 成像中的红色分成区分，红色分层颜色区域比和猪肉新鲜度有较高关联度。通
过确定颜色分类阈值的方式判断猪肉新鲜度，如果大于阈值为新鲜猪肉，如果小于阈
值则为腐败猪肉，可有效评估猪肉新鲜度，确定猪肉价值。猪肉新鲜度检测还可以利
用 RGB-HIS 颜色特征参数组合，依托 BP 神经网络及支持向量机构造猪肉新鲜度等级

预测模型，依托神经网络及支持向量机，猪肉新鲜度检测精准度可达到 90% 左右。
（四）在蔬菜质量检测中的应用
蔬菜质量检测重点与水果类似，关注大小、形状、颜色及缺陷四个关键性指标，

依托计算机视觉技术对蔬菜进行分级，如常见的精品蔬菜区与折扣蔬菜区就是不同级
别的蔬菜产品。在蔬菜质量检测中最具代表性的就是土豆与胡萝卜。
1. 土豆
土豆之间的大小、形状和规则性各不相同，很不容易分级。ElMasry 等尝试通过
运用自动的计算机视觉系统将不规则的土豆分为不同等级。他们建立了土豆图片的

第 1 个数据库，提取了一些必不可少的物理特征，包括周长、质心、惯性矩、面积、
长和宽。通过 2 次测试来证实分类的准确性，最成功的分类结果是测试 228 个土豆有
96.5% 的正确分类率。在土豆质量和形状自动分级系统中，系统对每幅图片的处理时

间只需要 1.5s，可以实现 40 个 /min 的自动分级速度。另一方面，为实现土豆绿皮、
内部发芽以及发芽状态和损失的判定，向静等分别利用感知器学习算法、K- 最近邻
分类算法以及角点检测法和长短轴的比值来表征绿皮、发芽和损失，识别正确率分别
为 89.7%，96% 和 90.4%。

2. 胡萝卜
胡萝卜外观品质包括青头、开裂、须根、弯曲、断折等。韩仲志等对 520 个胡萝
卜样本进行分级，分别通过提取骨架检测端点数、R 分量上二值化、S 分量结合区域
标记的方法来实现须根、青头和开裂检测，正确率分别为 97.5%，81.8% 和 92.3%，

总体识别率 91.3%。同样，杜宏伟等对含有以上不同种类的缺陷的 520 个胡萝卜样本
进行分级检测，识别率达 93.5%。

• 245 •