一、应用MATLAB图像处理技术评判牛肉大理石花纹（论文文献综述）
赵丽华[1]（2020）在《高寒草原安格斯牛不同部位肉大理石花纹沉降状况的研究》文中指出牛肉大理石花纹的沉降情况是判断牛肉质量等级的重要标准,判断牛肉大理石花纹的沉降情况需要从脂肪的沉降和肌内脂肪的数量进行综合判断。本试验为了设计建立高寒草原安格斯牛肉质量等级标准,以高寒草原饲养安格斯牛肉为研究对象,测定不同部位牛肉肌内脂肪含量、大理石花纹的沉降状况、肌肉和脂肪颜色、肌肉弹性,制定高寒草原安格斯牛肉分级方法,并通过测定不同部位牛肉理化性质和质构特性,评定牛肉的等级与品质的关系,验证高寒草原安格斯牛肉分级方法的可行性。本试验确定高寒草原饲养安格斯牛肉分为五个等级。依据分级方法,试验使用6个部位牛肉分级结果为:上脑和西冷属于等级1、肩肉和米龙属于等级2,里脊和牛领属于等级3。常规营养成分测定结果显示,蛋白质、水分和灰分在不同部位牛肉之间具有显着性差异（P<0.05）,胆固醇含量和pH值差异不显着（P>0.05）,但随着肉等级的提高牛肉水分和胆固醇含量降低,蛋白质含量上升;不同部位牛肉之间的失水率、熟肉率和系水率,以及弹性、硬度、胶着度、粘聚性、咀嚼度和肉色呈显着性差异（P<0.05）,而回复性差异不显着（P>0.05）,随着肉等级的提高失水率下降,熟肉率和系水率增加,硬度和粘聚性下降,弹性升高,L*值随等级提高而增加,而a*值与之相反。上述试验结果表明,本试验设计的高寒草原饲养安格斯牛肉分级方法可行,可以有效评定牛肉的等级和品质的关系。
陈祉岐[2]（2020）在《不同品种猪肉品质特性及瘦肉型商品猪肉质量分级研究》文中研究指明猪肉质量分级标准的制定是我国猪肉市场优质优价的有效依据。我国相比国外的猪肉分级起步较晚,目前现有质量分级标准是2009年和2012年先后修订的猪肉分级行业标准。随着育种水平的提升,目前猪胴体性能发生较大改变,之前的标准在一定程度上难以适应如今的猪胴体情况。同时我国也逐渐形成了独特的分割肉消费市场,对分割肉等级标准的需求显得尤为突出。基于此,本文针对不同地方品种和瘦肉型大宗商品猪肉质量特性进行差异分析,建立适合我国国情的猪肉质量分级模型及我国特色猪分割肉——五花肉的分级图谱。研究结果可为我国猪肉质量分级标准的制定提供一定理论依据。主要研究结果如下:（1）以纯种东北民猪、巴民黑猪、北京黑猪、五指山猪四种地方品种猪肉和瘦肉型商品猪肉为研究对象,进行了不同品种猪肉质量特性差异分析。结果表明,瘦肉型商品猪和地方猪品种的持水性、嫩度、pH值、肌内脂肪、蛋白质和水分含量均存在显着差异（P<0.05）;宰后1 h的四种地方猪外脊pH值均高于瘦肉型商品猪,纯种东北民猪和巴民黑猪外脊的剪切力值显着低于瘦肉型商品猪（P<0.01）,嫩度较好;此外,纯种东北民猪和巴民黑猪外脊的肌内脂肪、蛋白质含量均显着高于瘦肉型商品猪（P<0.05）。这些结果可为瘦肉型商品猪质量分级标准的制定提供一定的理论依据。（2）以瘦肉型商品猪胴体为研究对象,拟构建猪胴体分级模型。本研究采集了316头瘦肉型商品猪胴体数据,结果显示屠宰排酸后胴体重范围为57.70～106.80 kg;瘦肉率范围为44.22～63.35%,5～6肋和5～6腰椎眼肌面积分别为26.00～66.00 cm2和23.00～76.00 cm2;平均背膘厚度最大处为颈胸结合处,其中最大背膘厚度达到61.25 mm;平均背膘厚度最小处为11～12肋处,其中最小背膘厚度达到13.51mm;背膘厚度按照从头至尾方向即颈胸结合处到5～6腰椎处呈现逐步下降趋势,在达到最后一肋（第十四肋）时出现小幅增大。采用主成分回归的方法对所采集数据进行了统计分析,建立了商品猪胴体产量预测模型:瘦肉率（%）=0.745+0.006×6～7肋背膘厚度-0.006×胴体重量+0.002×5～6肋眼肌面积,R2=0.842;并结合背膘厚度、胴体重等指标对猪胴体等级进行了综合评价,将商品猪等级划分为1级至4级共4个等级。（3）五花肉是我国居民喜好的特色部位肉,目前尚缺乏五花肉质量分级标准。以采集的125个瘦肉型商品猪五花分割肉为研究对象,利用计算机视觉技术,对五花肉截面照片中的瘦肉和肥肉使用MATLAB进行图像处理,提取其中的瘦肉占比、瘦肉层数、瘦肉区域数、皮下脂肪厚度、瘦肉均匀度等特征参数,进行五花分割肉等级标准研究。结果显示瘦肉占比、瘦肉层数、瘦肉区域数与感官评价等级呈极显着负相关（P<0.01）,皮下脂肪厚度、瘦肉均匀度与感官评价等级呈极显着正相关（P<0.01）;构建的五花分割肉等级预测方程为:y=1.434+3.445×瘦肉均匀度-0.288×瘦肉区域数,R2=0.859;并根据特征参数结合采集图像情况,构建了从1级至5级共5个等级的五花分割肉等级图谱,以实现五花分割肉等级的快速鉴别。
季方芳[3]（2019）在《基于图像处理技术的牛肉生理成熟度预测方法研究》文中认为最近十几年来,国内的饮食消费结构发生了很大变化,随着人们对高品质生活的追求,高质量牛肉的市场需求越来越大。在对宰后牛胴体或已分割的肉块进行质量等级评定时,生理成熟度是重要的评定指标,因此,研究出一种可以在屠宰或加工过程中对牛肉进行生理成熟度判定的方法对于完善牛肉的质量等级评定系统具有有效意义。通过对国内外关于牛肉的生理成熟度预测研究的现状进行综合分析,发现不同生理成熟度的牛肉在外观特征及内部组织结构上都具有差别。本文采集了牛肉的彩色图像及牛肉肌纤维的显微图像,经过图像处理技术获取牛肉彩色图像和肌纤维显微图像中的几何特征量,基于几何特征量建立牛肉生理成熟度的预测模型,并对比了不同的模型参数优化算法下的模型预测性能。主要的研究内容和结论如下:（1）采集了 4种不同生理成熟度的牛肉样本肌纤维的显微图像,通过Image-Pro Plus软件对牛肉肌纤维显微图像进行处理并提取出牛肉肌纤维的直径特征、周长特征及密度特征;对肌纤维的特征参数进行统计分析,分析结果显示,牛肉肌纤维的直径和周长特征与其生理成熟度呈正相关关系,相关系数分别为0.8967和0.9891,肌纤维的密度特征与其生理成熟度呈负相关关系,相关系数为0.9972;皮尔森相关系数分析结果表明,肌纤维密度特征与肌纤维周长和肌纤维直径特征之间呈负相关关系,相关系数分别为-0.705和-0.604;基于牛肉肌纤维的直径、周长和密度特征分别建立单一特征输入量的线性模型,其生理成熟度预测准确率分别为66.67%,83.33%和87.50%。（2）通过图像在线采集平台获取了不同生理成熟度的牛肉样本的彩色图像,经过图像预处理包括灰度化、滤波降噪、图像锐化增强以及阈值分割、二值化、腐蚀及膨胀处理、牛眼肌区域提取及边缘检测等操作提取出牛肉大理石花纹的面积及周长特征;对大理石花纹的特征参数进行统计分析,分析结果显示,牛肉大理石花纹的面积和周长特征与其生理成熟度呈正相关关系,相关系数分别为0.9985和0.9396;基于牛肉大理石花纹面积和周长特征分别建立单一特征输入量的线性模型,其生理成熟度预测准确率分别为20.83%和25%,模型效果较差;皮尔森相关系数分析结果表明,牛肉的大理石花纹特征与牛肉的肌纤维特征之间相关性较低。（3）基于多个特征输入量建立预测牛肉生理成熟度的支持向量机模型。针对支持向量机模型的惩罚参数C及核函数参数g的寻优,在交叉验证思想下,依次使用网格搜索法、改进网格搜索法、遗传算法和粒子群算法实现参数寻优,不同寻优算法结果显示,改进的网格搜索法优化参数后的支持向量机模型分类准确率及寻优时间的综合效果最佳,适用于本研究的牛肉生理成熟度预测模型。（4）基于改进的网格搜索法,综合牛肉大理石花纹的面积和周长特征建立支持向量机模型,测试集的预测结果显示,该模型对生理成熟度的预测准确率为54.17%,模型效果优于输入量为大理石花纹单一特征的线性模型;综合牛肉肌纤维的直径、周长及密度特征建立支持向量机分类模型,该模型对测试集的生理成熟度预测结果显示,预测准确率为83.33%,模型效果稍稍优于输入量为肌纤维的单一特征的线性模型;进一步地,综合牛肉大理石花纹的特征及肌纤维的特征建立多特征输入的支持向量机模型,该模型对测试集生理成熟度的预测准确率达到95.83%,模型效果优于上述其它模型。
郭爱玲,马世榜,刘伟,李艳辉[4]（2017）在《基于机器视觉技术的牛肉大理石花纹自动检测系统》文中研究说明为实现牛肉大理石花纹自动分级,运用机器视觉技术开发了牛内大理石花纹自动检测系统.阐述了检测系统的构成原理及功能,利用图像预处理和分割算法对牛肉大理石花纹进行提取,根据牛肉大理石花纹比率对牛肉进行分级.利用Matlab GUI组件开发了能够交互可视化的软件操作系统,实现了牛肉大理石花纹的自动快速分级.
郭丹丹[5]（2016）在《牛肉显微结构特性及大理石花纹特征与嫩度品质的关联研究》文中提出完善牛肉分级制度与方法,是建立和健全牛肉分级和质量检测标准、拉开牛肉的质量差价、引导市场消费、行成优质优价的牛肉市场的重要措施。影响消费者评定牛肉质量的因素主要包括嫩度、色泽、风味和多汁性,其中嫩度是最为重要的一个因素。目前,世界各国对牛肉嫩度评价的方法主要分为人工判定法和机械判定法。人工判定法易产生视觉疲劳,受主观因素的影响,误检率高,效率低。机械判定法尽管正确率高,但对牛肉具有一定的破坏性,且操作繁琐,耗时长。因此开发出一种高效率、高正确率的牛肉在线检测技术对于完善牛肉分级体系具有重要的意义。通过对国内外牛肉分级方法现状的深入分析,本文从影响牛肉嫩度的宏观特性大理石花纹特征与微观特性肌纤维特征这两个角度出发,寻找和嫩度相关性较高的指标,建立嫩度预测的模型,为牛肉分级提供理论依据。本文主要的研究工作及结果如下:1、本文搭建了由采集灯箱和输送带构成的图像在线采集实验平台,此实验平台通过计算机、光电传感器、相机、光源控制图片的采集,通过触摸屏、变频器、电机、输送带实现牛肉的输送。经过实验验证此实验平台能够实现在线采集图片、并且采集到的图片背景单一、清晰、利于后续图像处理。2、运用Matlab图像处理方法对采集到的80个实验样本的牛肉图像进行图像预处理、背景的去除、二值化、腐蚀膨胀、眼肌区域提取、边缘检测等操作,最终提取出大理石花纹面积和周长特征值,并进行样本剪切力的测定。分别分析不同牛龄的牛肉剪切力值、大理石花纹面积、大理石花纹周长的变化,结果表明随着牛龄的增加,剪切力值显着增加,大理石花纹面积增加但不显着,大理石花纹周长增加但不显着。分别分析大理花纹面积和周长与剪切力之间的相关性,结果显示,大理石花纹面积与剪切力之间显着负相关且相关性系数为0.540,大理石花纹周长与剪切力之间显着负相关且相关性系数为0.366。大理石花纹面积与剪切力的相关性高于大理石花纹周长与剪切力的相关性。3、通过冷冻切片实验,使用显微镜采集牛肉肌纤维图片。利用image-pro plus专业图像处理软件,对显微图片进行选色、修饰、计数和测量等操作,最终输出牛肉肌纤维的直径、周长和密度值并进行样本剪切力的测定。分别分析不同牛龄的牛肉肌纤维直径、周长、密度的变化,结果表明随着牛龄的增加,肌纤维直径显着增加,肌纤维周长显着增加,肌纤维密度减小但不显着。分别分析肌纤维直径、周长、密度与剪切力之间的相关性,结果显示,肌纤维直径与剪切力之间显着正相关且相关性系数为0.798,肌纤维周长与剪切力之间显着正相关且相关性系数为0.788,肌纤维密度与剪切力之间显着负相关且相关性系数为0.778,三者当中肌纤维直径与剪切力的相关性最高。4、根据相关性分析,分别从牛肉的宏观特性和微观特性中选取与牛肉剪切力值相关性最高的特征指标,建立牛肉嫩度预测模型为Y=17.445-1.525f1+2.231f2,其中Y为剪切力值,1为大理石花纹面积,f2为肌纤维直径。该模型的判定系数R2为0.731,属于高度相关。选取20组牛肉样本数据进行模型验证,将牛肉剪切力的模型预测值与仪器实际测量值进行比较,结果表明,模型预测值与仪器实际测量值之间的平均误差只有3.97N,为可接受水平,该预测模型准确性较高。
曹鹏祥[6]（2015）在《基于图像处理的畜肉品质分级方法研究》文中认为随着畜牧生产规模的增加,我国对畜肉品质的检测评定日趋严格和标准化。通常用于评定畜肉品质的方法都需要进行大量物理化学测试,不能适用于快速的自动化生产线。将图像处理技术应用于畜肉品质评定系统中,可望实现畜肉品质的自动化无损检测。本文深入研究了利用图像处理技术进行畜肉品质分级的方法,具体包括畜肉图像的去噪、分割、特征提取和分类等关键技术,主要工作如下:首先,研究了基于Harris角点检测和空间自适应迭代奇异值阈值的畜肉图像去噪方法。先利用Harris算子检测并滤除脉冲噪声;接着使用空间自适应迭代奇异值阈值方法进一步做去噪处理,滤除剩余的高斯噪声。实验结果表明,与基于小波变换的方法、基于脉冲耦合神经网络和中值滤波的方法及基于联合统计模型的方法相比,该方法所获得的畜肉图像在主观视觉效果和客观评价指标方面都更优。其次,提出了一种基于二维Arimoto灰度熵的畜肉图像分割方法。直接考虑图像的类内灰度均匀性,构建出一维Arimoto灰度熵阈值选取公式;再推导出灰度-梯度直方图二维Arimoto灰度熵阈值选取公式;采用基于Tent映射混沌序列改进的人工蜂群算法提高最佳阈值的搜索精度与速度。实验结果表明,该方法总体性能优于二维Shannon熵、二维Tsallis灰度熵以及二维Arimoto熵等分割方法。再次,实现了基于广义核函数或混合核函数的模糊局部信息C均值畜肉图像分割方法:KFLICMUG（Kernel Fuzzy Local Information C-means-Universal Gaussian）方法和KFLICMMG（Kernel Fuzzy Local Information C-means-Mixed Gaussian）方法。首先利用广义核函数或混合核函数能有效兼顾学习能力和泛化能力的优势,像素经过映射后在高维特征空间拥有更优的线性可聚性;然后结合像素的局部空间和灰度信息,实现畜肉图像的模糊局部信息C均值聚类分割。实验结果表明,相比模糊C均值分割方法、核模糊C均值分割方法和模糊局部信息C均值分割方法,KFLICMUG方法和KFLICMMG方法具有更强的噪声适应能力和鲁棒性。接着,提出了一种基于不变矩、灰度共生矩阵和混沌蜂群优化混合核函数支持向量机的牛肉大理石纹分级方法。首先计算牛肉大理石纹图像的不变矩和灰度共生矩阵统计量并由此构造出特征向量;采用混沌蜂群算法优化混合核函数支持向量机中的惩罚因子及核参数,使其分类识别性能达到最优;最后输入待分级样本进行分类识别。与基于灰度矩和支持向量机方法、基于灰度共生矩阵和反向传播神经网络方法相比,该方法所得分级正确率最高。最后,给出了基于完整局部二值模式、改进核主成分分析和随机森林的牛肉大理石纹分级方法。首先通过融合中心描述子、符号描述子和大小描述子三者的编码信息构成完整编码,并作为表征牛肉大理石纹图像的特征向量;其次,采用混沌蜂群算法改进后的核主成分分析对特征向量降维;最终,利用随机森林完成分类。大量实验结果表明,相较基于分形维和图像特征方法、基于灰度共生矩阵和反向传播神经网络方法,本文方法所得识别正确率最高。
逄滨[7]（2014）在《牛肉质量在线分级技术的研究与系统开发》文中进行了进一步梳理目前,世界各国的牛肉质量分级方法一般是采用主观的人工视觉评定。牛肉等级分级员通过观察牛肉眼肌处脂肪的丰富程度,评定出牛肉大理石花纹等级,然后参考牛肉的肌肉色等级、脂肪色等级以及生理成熟度,最终评定出牛肉质量等级。由于人工视觉评定方法依赖分级员的感官和经验,具有很强的主观性,因此,研究和开发客观高效的牛肉自动分级系统,具有广阔的应用前景和研究价值。基于嵌入式技术开发牛肉自动分级系统具有易携带、易用、成本低等特点,利用嵌入式机器视觉技术对牛肉加工现场的牛肉图像进行在线采集与质量分级,不仅能够提高分级员工作效率,降低检测成本,而且基于嵌入式机器视觉技术开发的牛肉自动分级系统还具有良好的便携性和易用性,可以实现牛肉质量的在线分级。因此,研究基于嵌入式机器视觉技术的牛肉质量在线自动分级技术具有十分重要的理论意义和实践意义。本文结合机器视觉技术与模式识别技术,研究开发基于嵌入式机器视觉技术的牛肉质量在线分级系统。围绕牛肉加工现场牛肉图像在线采集与图像分割以及牛肉质量分级建模的适用性展开了研究,对能够反应牛肉质量等级的牛肉眼肌切面图像进行了图像采集并进行了图像分割处理,对反映牛肉质量等级的大理石花纹特征、肌肉色特征和脂肪色特征进行了提取,并建立了相应的牛肉大理石花纹分级模型、肌肉色分级模型和脂肪色分级模型,最后基于ARM与Windows Mobile研制开发了牛肉质量在线分级系统。主要研究工作和研究结论如下:1、提出了基于图像重采样的图像二值化牛肉样本图像分割算法对采集得到的牛肉样本图像,首先将牛肉样本图像由RGB颜色空间转换到Lab颜色空间,将Lab图像的L分量图像进行二值化分割得到牛肉脂肪区域,将a分量图像进行二值化分割得到牛肉肌肉区域。然后提出了基于图像重采样的图像二值化方法以提高图像分割速度适应嵌入式系统的要求,选定重采样率0.3125对2592*1552像素的a分量图像进行二值化,选定重采样率0.375对2592*1552像素的L分量图像进行二值化。利用八邻域区域标记法标记牛肉肌肉区域的连通区域,通过保留最大连通区域得到了牛肉眼肌肌肉区域,之后对牛肉眼肌肌肉区域再次应用区域标记法,通过保留最大背景区域的方法得到了牛肉眼肌区域,最后将牛肉眼肌区域与眼肌肌肉区域的二值化图像进行逻辑“亦或”操作成功提取了牛肉大理石花纹。2、研究并提出基于同态滤波的牛肉大理石花纹提取方法提出利用同态滤波法对牛肉眼肌区域图像不均匀光照进行校正,研究分析不同滤波系数以及不同颜色分量图像对牛肉大理石花纹提取误差和精度的影响,在此基础上提出一种在G颜色分量图像下基于同态滤波的牛肉大理石花纹提取方法。实验结果表明,当选取rL=0.6和rH= 1.425作为增益系数,牛肉大理石花纹提取的误差率显着降低,在此系数下,经同态滤波后,相较于其它分量图像,G颜色分量图像的大理石花纹提取误差率最低,其平均值为5.38%,较不经过同态滤波处理的平均提取误差率下降了 3.73%,因此选择G颜色分量图像经同态滤波提取牛肉大理石花纹可取得最好的图像分割效果。3、建立了牛肉大理石花纹分级模型首先从已分割好的图像中提取大理石花纹面积、眼肌区域面积、脂肪颗粒总数、平均脂肪面积、大脂肪颗粒面积、大脂肪颗粒数、小脂肪颗粒面积、小脂肪颗粒数8个参数,然后根据这些参数计算出7个牛肉大理石花纹特征。对各个特征参数进行线性拟合分析发现,MF1、MF3、MF4、MF6、MF7这5个特征与牛肉大理石花纹等级存在线性关系。然后采用主成分分析法对这5个特征重新进行筛选,选取前2个主成分代表原有的5个牛肉大理石花纹特征参数。最后基于2个牛肉大理石花纹主成分分别建立了牛肉大理石花纹的多元线性回归分级模型（分级正确率100%）和BP神经网络分级模型（分级正确率100%）。4、建立了牛肉肌肉色分级模型和脂肪色分级模型首先使用RGB和Lab两个颜色模型,将图像的R、G、B、L、a、b六个颜色分量的平均值和标准差共12个颜色特征参数作为牛肉颜色的定量描述,分别提取了牛肉肌肉色和脂肪色的12个特征参数。对肌肉色各个特征参数进行线性拟合分析发现,肌肉的全部12个特征均与牛肉肌肉色等级存在线性关系;对脂肪色各个特征参数进行线性拟合分析发现,脂肪色的全部12个特征除了特征F12外的11个特征均与牛肉脂肪色等级存在线性关系。然后采用主成分分析法对牛肉肌肉色的12个特征和牛肉脂肪色的11个特征分别重新进行筛选,选取前2个主成分代表原有的12个牛肉肌肉色特征参数,反映牛肉肌肉色等级;选取前2个主成分代表原有的11个牛肉脂肪色特征参数。最后基于2个肌肉色主成分分别建立了牛肉肌肉色多元线性回归分级模型（分级准确率82.61%）和BP神经网络分级模型（分级准确率82.61%）,基于2个脂肪色主成分分别建立了牛肉脂肪色多元线性回归分级模型（分级准确率65.22%）和BP神经网络分级模型（准确率 78.26%）。5、开发了一种基于ARM与Windows Mobile的牛肉质量在线分级系统针对基于ARM与Windows Mobile的牛肉质量在线分级系统的实时性与可行性进行了研究,重点讨论了嵌入式系统的牛肉图像分割算法以及各个牛肉质量分级模型的选择问题。实验结果表明,对于从PC端采集的23个牛肉样本图像,利用所设计的嵌入式牛肉质量在线分级系统进行分级,牛肉大理石花纹分级正确率为86.96%,肌肉色分级正确率为73.91%,脂肪色分级正确率为65.22%。实验时间从人工采集牛肉样本图像开始计算,总操作时间在15-20秒,和人工分级相比,时间在可接受范围之内,这表明系统可以正常工作,能够实现牛肉质量等级的在线分级任务。
田潇瑜[8]（2014）在《基于光谱与图像分析的生鲜牛肉嫩度快速检测技术研究》文中认为牛肉作为人类日常消费的一种重要的肉品,因其高蛋白质、低脂肪、维生素及矿物质含量高等特点,受到消费者的青睐。随着人民生活水平的提高,牛肉的品质受到了前所未有的重视。传统检测牛肉品质的方法因其耗时长,效率低,破坏性己不能满足现代化生产的需要,而随着光谱分析技术在农产品检测领域的广泛应用和发展,牛肉品质的快速无损检测技术也成为了研究的热点。本文基于可见近红外光谱和高光谱成像技术,研究了生鲜牛肉嫩度以及相关品质参数的预测模型和评价方法,以实现对牛肉嫩度品质的无损快速检测和评价。具体研究内容及结果如下：（1）对不同光谱系统预测牛肉嫩度进行可行性分析及预测效果评价,得到400-1700nm光谱系统性能更优越,对牛肉嫩度预测准确。研究结果表明光源差异导致不同的信号预处理方式,使用大功率面光源的光谱信号应用变量标准化校正（SNV）后预测模型精度较高。而静态光源系统进行数据平滑（S G）使预测精度改善。两系统都能对牛肉剪切力值进行预测,全波段建模两系统精度相当,筛选特征变量建模时,400-1700nm的光谱系统表现出更优越和稳定的性能。同时考虑系统成本及系统结构以及快速检测需求,最终选择400-1700nm光谱系统为牛肉嫩度最佳检测系统,其预测相关系数和均方根误差为0.9085和7.5212,RPD值为2.16。（2）计算嫩度品质各指标的光谱预处理、最佳预测模型及模型验证,能够实现对各指标较高的预测精度。研究对比了不同预处理方法对各指标的预测效果,并通过建立全波段偏最小二乘回归（PLSR）以及联合区间偏最小二乘回归（si-PLSR）、遗传算法-偏最小二乘回归（GA-PLSR）模型,最后得到剪切力值、a*的最佳预测模型为si-PLSR模型,预测相关系数和标准差分别达到0.9085、0.9027和7.5212、1.4878,模型RPD值为2.16和2.65。L*的最佳预测模型为GA-PLSR,预测相关系数和标准差为0.9457和1.7250,RPD达到了3.24。而对蒸煮损失率的预测效果较差,最佳预测模型为PLSR全波段建模,预测相关系数和标准差为0.8453和2.5054,RPD值为1.84。利用线性判别（LDA）和支持向量机（SVM）对牛肉嫩度等级进行判别,并对牛肉按部位和食用方式确定分级阈值,最后对嫩度等级判别准确率最高达到92.85%。对嫩度品质指标的预测模型和嫩度分级模型分别进行了实验验证,各指标验证相关系数和标准差分别为0.8875、0.9060、0.8972、0.8217和10.16、2.319、1.055、2.493,嫩度判别模型验证预测识别率达到100%。（3）手持式快速检测系统的模型植入和校正,基本实现牛肉品质的在线生产快速检测。根据在线检测的特点和实际检测遇到的问题,对植入的预测模型进行校正,确定了对原始数据进行变量标准化校正（SNV）的预处理最为合理,然后对剪切力值、颜色a*参数使用si-PLSR模型,L*和蒸煮损失率采用PLSR全波建模预测,相关系数和预测均方根误差分别为0.9068、0.9031、0.9049,0.8276和7.1963N、1.8246、1.4931、3.0876,RPD都在2以上,稳定性比较好。用检测系统进行实际生产验证,基本实现了牛肉嫩度品质的在线快速检测,满足了实际生产的需求。并设计开发了软件系统及后台数据库对多模型灵活调用和牛肉嫩度品质多指标实时预测和结果显示,同时可对检测结果进行存储和后期数据查询统计,便于模型的普适性改进。（4）利用高光谱图像分析牛肉特性分布情况,对牛肉样品每一点嫩度分布进行预测。鉴于牛肉样品的结构复杂性和可见近红外光谱单点检测的缺点,本研究利用高光谱成像系统采集牛肉高光谱三维图像,通过逐步回归结合遗传算法（GA）筛选牛肉剪切力值、颜色相关的特征光谱并建立PLSR预测模型,对牛肉高光谱图像进行降维。应用建立的特征波段预测模型,可计算出图像中任一像素点的剪切力值和颜色预测结果,宏观上显示了牛肉样品表面嫩度、颜色特征分布情况；另一方面通过计算特征光谱图像的纹理特征,建立牛肉嫩度等级判别模型并分析牛肉样品嫩度分布情况。
孙啸,逄滨,刘德营,陈坤杰[9]（2013）在《基于高光谱图像光谱信息的牛肉大理石花纹分割》文中研究表明利用高光谱成像系统采集牛肉眼肌横截面4001 000 nm波段的高光谱图像,对牛肉图像脂肪区域和肌肉区域光谱曲线进行对比分析,发现在不同波段,牛肉图像脂肪区域与肌肉区域的反射强度有明显不同。由脂肪区域与肌肉区域反射强度的比值曲线发现,在534 nm处牛肉图像脂肪区域和肌肉区域光谱反射强度有最大差值。采用中值滤波、区域生长和自动取阈值等图像处理方法,分别对牛肉的彩色原始图像和534 nm波长图像进行大理石花纹分割,结果显示,相较于原始彩色图像,基于534 nm波长牛肉图像分割出的大理石花纹,具有更高的分割精度。
周彤,彭彦昆[10]（2013）在《牛肉大理石花纹图像特征信息提取及自动分级方法》文中研究指明为了解决牛肉大理石花纹在人工分级中准确率和效率低的问题,该文基于计算机视觉和图像处理技术提出一种实用的牛肉大理石花纹自动评估和分级方法。通过图像解析,利用所提出的分级算法实现牛肉大理石花纹的快速提取,并计算反映大理石花纹丰富程度的10个特征参数。使用特征参数建立主成分回归模型,对牛肉大理石花纹等级进行预测,预测相关系数Rv=0.88,预测标准差SEP=0.56。校正时模型总体的回判正确率为97.0%,验证时总体的判别正确率为91.2%。在此基础上,开发了大理石花纹自动分级软件系统和硬件装置,并且在该试验室前期研制的样机上进行了试验,验证了算法的运算速度和准确率。结果表明,所提出的分级方法的检测速度和精度均能够满足企业中对牛肉大理石花纹分级的要求。
二、应用MATLAB图像处理技术评判牛肉大理石花纹（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、应用MATLAB图像处理技术评判牛肉大理石花纹（论文提纲范文）
（1）高寒草原安格斯牛不同部位肉大理石花纹沉降状况的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 引言 |
| 1.1 牛肉生产利用现状 |
| 1.2 安格斯牛简介 |
| 1.3 国内外牛胴体质量等级研究现状 |
| 1.3.1 美国牛肉分级标准 |
| 1.3.2 日本牛肉分级标准 |
| 1.3.3 我国牛肉分级标准 |
| 1.4 国内外计算机视觉牛肉分级技术研究进展 |
| 1.4.1 国外计算机视觉牛肉分级技术研究进展 |
| 1.4.2 国内计算机视觉牛肉分级技术研究进展 |
| 1.5 大理石花纹与牛肉品质 |
| 1.6 研究目的及意义 |
| 1.6.1 研究目的 |
| 1.6.2 研究意义 |
| 2 材料与方法 |
| 2.1 研究内容及技术路线 |
| 2.1.1 研究内容 |
| 2.1.2 技术路线 |
| 2.2 样品的采集 |
| 2.3 主要试验试剂与设备 |
| 2.3.1 试验试剂 |
| 2.3.2 主要仪器与设备 |
| 2.4 试验方法 |
| 2.4.1 高寒草原安格斯牛大理石花纹沉降状况的分析 |
| 2.4.2 高寒草原安格斯牛肉分级标准的制定 |
| 2.4.3 高寒草原安格斯牛不同部位肉常规营养成分的测定 |
| 2.4.4 高寒草原安格斯牛不同部位肉食用品质的测定 |
| 2.4.5 高寒草原安格斯牛不同部位肉质构特性的测定 |
| 2.5 数据处理 |
| 3 结果与分析 |
| 3.1 高寒草原安格斯牛不同部位肉大理石花纹沉降状况 |
| 3.1.1 高寒草原安格斯牛不同部位肉大理石花纹的提取 |
| 3.1.2 高寒草原安格斯牛不同部位肉大理石花纹纹理特征 |
| 3.1.3 高寒草原安格斯牛不同部位肉脂肪含量的测定结果 |
| 3.1.4 高寒草原安格斯牛不同部位肉大理石花纹沉降状况的分级结果 |
| 3.2 高寒草原安格斯牛不同部位肉分级结果 |
| 3.2.1 高寒草原安格斯牛不同部位肉肉色的分级结果 |
| 3.2.2 高寒草原安格斯牛不同部位肉脂肪颜色的分级结果 |
| 3.2.3 高寒草原安格斯牛不同部位肉肉质弹性的分级结果 |
| 3.2.4 高寒草原安格斯牛不同部位肉最终分级结果 |
| 3.3 高寒草原安格斯牛不同部位肉理化品质的测定结果 |
| 3.3.1 高寒草原安格斯牛不同部位肉常规营养成分的测定结果 |
| 3.3.2 高寒草原安格斯牛不同部位肉保水性的测定结果 |
| 3.3.3 高寒草原安格斯牛不同部位肉pH值与肉色的测定结果 |
| 3.3.4 高寒草原安格斯牛不同部位肉质构特性的测定结果 |
| 4 结论 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（2）不同品种猪肉品质特性及瘦肉型商品猪肉质量分级研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 前言 |
| 1.1 品种对猪肉食用品质的影响 |
| 1.1.1 我国地方猪品种 |
| 1.1.2 猪肉品质影响因素 |
| 1.1.3 品种对猪肉品质的影响 |
| 1.2 国内外猪胴体质量分级标准 |
| 1.2.1 美国猪胴体分级概况 |
| 1.2.2 加拿大猪胴体分级概况 |
| 1.2.3 日本猪胴体分级概况 |
| 1.2.4 欧盟猪胴体分级概况 |
| 1.2.5 我国猪胴体分级概况 |
| 1.3 猪胴体质量分级研究进展 |
| 1.3.1 猪胴体瘦肉率估测的研究综述 |
| 1.3.2 计算机技术在猪胴体瘦肉率估测上的应用 |
| 1.4 猪分割肉质量分级概况 |
| 1.4.1 分割肉种类 |
| 1.4.2 分割肉分级 |
| 1.5 本研究选题的目的和意义 |
| 1.6 研究内容 |
| 第二章 不同品种猪肉的食用品质差异研究 |
| 2.1 实验材料 |
| 2.1.1 样品与试剂 |
| 2.1.2 仪器与设备 |
| 2.2 实验方法 |
| 2.2.1 样本的选取与制备 |
| 2.2.2 pH值的测定 |
| 2.2.3 蒸煮损失的测定 |
| 2.2.4 剪切力的测定 |
| 2.2.5 色差的测定 |
| 2.2.6 水分含量的测定 |
| 2.2.7 肌内脂肪含量的测定 |
| 2.2.8 蛋白质含量的测定 |
| 2.2.9 数据处理 |
| 2.3 结果与分析 |
| 2.3.1 样本基本信息 |
| 2.3.2 不同品种间猪肉肉质性状比较 |
| 2.3.3 不同品种及部位间营养成分比较 |
| 2.3.4 肉质性状与营养成分间相关性分析 |
| 2.4 讨论 |
| 2.4.1 pH值对肉质性状的影响 |
| 2.4.2 肌内脂肪与食用品质的关系 |
| 2.4.3 不同品种间猪肉品质的差异比较 |
| 2.5 本章小结 |
| 第三章 猪胴体分级预测模型建立 |
| 3.1 材料与样本 |
| 3.1.1 实验动物选取 |
| 3.1.2 实验工具 |
| 3.2 实验方法 |
| 3.2.1 胴体数据采集 |
| 3.2.2 指标测定部位及方法 |
| 3.2.3 统计方法 |
| 3.3 结果与分析 |
| 3.3.1 胴体指标基本统计信息 |
| 3.3.2 胴体指标之间相关性分析 |
| 3.3.3 主成分分析 |
| 3.3.4 瘦肉率预测模型的建立 |
| 3.3.5 商品猪胴体性状的分布规律 |
| 3.4 讨论 |
| 3.5 本章小结 |
| 第四章 分割部位五花肉分级模型构建 |
| 4.1 实验材料与工具 |
| 4.1.1 实验样本 |
| 4.1.2 实验工具 |
| 4.2 实验方法 |
| 4.2.1 实验样本的制备 |
| 4.2.2 五花肉样本图像信息采集 |
| 4.2.3 五花分割肉图像信息的提取 |
| 4.2.4 五花分割肉等级评定指标及相关概念 |
| 4.2.5 数据统计方法 |
| 4.2.6 五花肉分割感官等级的界定 |
| 4.3 结果与分析 |
| 4.3.1 五花肉样本图像信息基本统计 |
| 4.3.2 五花肉样本各指标间相关性分析 |
| 4.3.3 不同等级间五花分割肉指标的多重比较 |
| 4.3.4 五花分割肉等级预测模型的建立 |
| 4.3.5 五花分割肉等级图谱的构建 |
| 4.4 讨论 |
| 4.5 本章小结 |
| 第五章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 附录 |
| 致谢 |
| 攻读硕士学位期间发表的论文 |
（3）基于图像处理技术的牛肉生理成熟度预测方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 牛肉生理成熟度研究现状 |
| 1.2.2 支持向量机的应用现状 |
| 1.3 研究内容和技术路线 |
| 1.4 本章小结 |
| 第二章 牛肉肌纤维特征与生理成熟度的关系研究 |
| 2.1 引言 |
| 2.2 牛肉肌纤维图像采集和处理 |
| 2.2.1 试验材料和试剂 |
| 2.2.2 试验设备和仪器 |
| 2.2.3 牛肉肌纤维图像采集 |
| 2.2.4 Image-Pro Plus介绍 |
| 2.2.5 肌纤维特征提取方法 |
| 2.3 牛肉肌纤维特征提取结果与分析 |
| 2.4 基于单一肌纤维特征对牛肉生理成熟度的区分 |
| 2.5 本章小结 |
| 第三章 牛肉大理石花纹特征与生理成熟度的关系研究 |
| 3.1 引言 |
| 3.2 牛肉大理石花纹图像采集和处理 |
| 3.2.1 试验材料 |
| 3.2.2 试验设备 |
| 3.2.3 牛肉图像的采集 |
| 3.2.4 数字图像处理基本概念 |
| 3.2.5 牛肉大理石花纹提取方法 |
| 3.2.5.1 图像预处理 |
| 3.2.5.2 背景的去除 |
| 3.2.5.3 二值化 |
| 3.2.5.4 腐蚀和膨胀 |
| 3.2.5.5 眼肌区域的提取 |
| 3.2.5.6 提取大理石花纹特征 |
| 3.3 牛肉大理石花纹特征提取结果与分析 |
| 3.4 基于单一大理石花纹特征对牛肉生理成熟度的区分 |
| 3.5 牛肉大理石花纹特征与肌纤维特征的相关性分析 |
| 3.6 本章小结 |
| 第四章 基于支持向量机的牛肉生理成熟度预测研究 |
| 4.1 引言 |
| 4.2 开发平台 |
| 4.3 支持向量机介绍 |
| 4.3.1 支持向量机基本概念 |
| 4.3.2 交叉验证 |
| 4.3.3 SVM参数寻优算法 |
| 4.3.3.1 改进网格搜索法 |
| 4.3.3.2 遗传算法 |
| 4.3.3.3 粒子群算法 |
| 4.4 数据归一化 |
| 4.5 评价指标 |
| 4.6 牛肉生理成熟度预测模型 |
| 4.6.1 基于大理石花纹特征的牛肉生理成熟度预测模型 |
| 4.6.2 基于肌纤维特征的牛肉生理成熟度预测模型 |
| 4.6.3 基于多特征量的牛肉生理成熟度预测模型 |
| 4.6.4 结果与分析 |
| 4.7 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 附录 |
| 致谢 |
| 攻读硕士学位期间发表的学术论文 |
（4）基于机器视觉技术的牛肉大理石花纹自动检测系统（论文提纲范文）
| 0 引言 |
| 1 检测系统构成原理与功能 |
| 1.1 系统构成原理 |
| 1.2 系统功能 |
| 2 图像处理及分级方法 |
| 2.1 图像预处理 |
| 2.2 大理石花纹提取 |
| 2.3 分级方法 |
| 3 检测系统软件实现 |
| 4 结束语 |
（5）牛肉显微结构特性及大理石花纹特征与嫩度品质的关联研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于生物学因素的牛肉嫩度预测国内外研究现状 |
| 1.2.2 基于机器视觉的牛肉嫩度预测国内外研究现状 |
| 1.3 本文的研究内容及技术路线 |
| 1.4 本章小结 |
| 第二章 牛肉图像在线采集实验平台的搭建 |
| 2.1 引言 |
| 2.2 图像在线采集实验平台的整体结构设计 |
| 2.2.1 图像在线采集实验平台尺寸参数的设计 |
| 2.2.2 图像在线采集实验平台的组成结构 |
| 2.3 图像在线采集实验平台硬件设计 |
| 2.3.1 灯箱外部材料的选择 |
| 2.3.2 光源的选择及照明方式的确定 |
| 2.3.2.1 光源的选择 |
| 2.3.2.2 照明方式的确定 |
| 2.3.3 图像在线采集控制系统的硬件设计 |
| 2.3.3.1 工业相机的选型 |
| 2.3.3.2 光学镜头选型 |
| 2.3.3.3 光电传感器选型 |
| 2.3.4 输送带控制系统硬件设计 |
| 2.3.4.1 触摸屏的选型 |
| 2.3.4.2 变频器选型 |
| 2.4 图像采集实验平台控制系统的设计 |
| 2.4.1 触发采集控制的设计 |
| 2.4.1.1 工业相机网段、参数软件设置 |
| 2.4.1.2 图像采集软件界面设置 |
| 2.4.1.3 光电传感器工作过程 |
| 2.4.2 输送带运转控制的设计 |
| 2.4.2.1 触摸屏程序的设计 |
| 2.4.2.2 触摸屏与变频器的通讯 |
| 2.4.2.3 变频器参数的设定 |
| 2.5 图像在线采集实验平台采集效果验证 |
| 2.6 本章小结 |
| 第三章 牛肉图像大理石花纹的提取及其与剪切力的关系 |
| 3.1 引言 |
| 3.2 材料与方法 |
| 3.2.1 试验材料 |
| 3.2.2 试验设备与仪器 |
| 3.2.3 实验方法 |
| 3.2.3.1 牛肉图像的采集 |
| 3.2.3.2 牛肉嫩度的测定 |
| 3.3 牛肉大理石花纹提取 |
| 3.3.1 牛肉大理石花纹的提取流程 |
| 3.3.2 大理石花纹提取的方法 |
| 3.3.2.1 图像预处理 |
| 3.3.2.2 背景的去除 |
| 3.3.2.3 二值化 |
| 3.3.2.4 腐蚀和膨胀 |
| 3.3.2.5 眼肌区域的提取 |
| 3.3.2.6 大理石花纹特征的提取 |
| 3.4 结果与分析 |
| 3.4.1 不同牛龄剪切力的变化分析 |
| 3.4.2 不同牛龄大理石花纹面积的变化及其与剪切力的关系 |
| 3.4.2.1 不同牛龄大理石花纹面积变化 |
| 3.4.2.2 大理石花纹面积与剪切力值的相关性分析 |
| 3.4.3 不同牛龄大理石花纹周长的变化及其与剪切力的关系 |
| 3.4.3.1 不同牛龄的大理石花纹周长变化分析 |
| 3.4.3.2 大理石花纹周长与剪切力值的相关性分析 |
| 3.5 本章小结 |
| 第四章 牛肉肌纤维相关参数的测量及其与剪切力的关系 |
| 4.1 引言 |
| 4.2 材料与方法 |
| 4.2.1 实验材料与实验试剂 |
| 4.2.2 实验仪器和设备 |
| 4.2.3 实验方法 |
| 4.2.3.1 肌纤维显微图片的采集 |
| 4.2.3.2 牛肉嫩度的测定 |
| 4.3 肌纤维相关参数的测量 |
| 4.3.1 Image-pro plus简介 |
| 4.3.2 肌纤维相关参数测量方法 |
| 4.4 结果与分析 |
| 4.4.1 不同牛龄肌纤维直径的变化及其与剪切力的关系 |
| 4.4.1.1 不同牛龄肌纤维直径变化 |
| 4.4.1.2 肌纤维直径与剪切力值的相关性分析 |
| 4.4.2 不同牛龄肌纤维周长的变化及其与剪切力的关系 |
| 4.4.2.1 不同牛龄肌纤维周长变化 |
| 4.4.2.2 肌纤维周长与剪切力值的相关性分析 |
| 4.4.3 不同牛龄肌纤维密度的变化及其与剪切力的关系 |
| 4.4.3.1 不同牛龄肌纤维密度的变化 |
| 4.4.3.2 肌纤维密度与剪切力值的相关性分析 |
| 4.5 本章小结 |
| 第五章 牛肉嫩度预测模型的建立与实验验证 |
| 5.1 牛肉嫩度预测模型的建立 |
| 5.2 牛肉嫩度预测模型的试验验证 |
| 5.2.1 牛肉等级的划分 |
| 5.2.2 模型验证 |
| 5.3 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 本文创新点 |
| 6.3 展望 |
| 参考文献 |
| 致谢 |
（6）基于图像处理的畜肉品质分级方法研究（论文提纲范文）
| 中文摘要 |
| abstract |
| 注释表 |
| 缩略词 |
| 第一章 绪论 |
| 1.1 课题的研究背景和意义 |
| 1.2 课题的国内外研究概况 |
| 1.2.1 畜肉图像的去噪 |
| 1.2.2 畜肉图像的分割 |
| 1.2.3 畜肉图像的特征提取和分类 |
| 1.3 本文的章节安排及创新点 |
| 1.3.1 本文的章节安排 |
| 1.3.2 本文的主要创新点 |
| 第二章 基于Harris角点检测和SAIST的畜肉图像混合噪声滤除方法 |
| 2.1 引言 |
| 2.2 基于Harris角点检测的脉冲噪声滤除原理 |
| 2.2.1 Harris算子角点检测 |
| 2.2.2 改进的均值滤波方法滤除脉冲噪声 |
| 2.3 基于空间自适应迭代奇异值阈值的高斯噪声滤除原理 |
| 2.3.1 基于低秩逼近的同步稀疏编码 |
| 2.3.2 奇异值分解的双边误差估计 |
| 2.3.3 高斯噪声滤除的步骤 |
| 2.4 畜肉图像混合噪声滤除方法的实现流程 |
| 2.5 实验结果与分析 |
| 2.6 本章小结 |
| 第三章 二维Arimoto灰度熵畜肉图像分割方法 |
| 3.1 引言 |
| 3.2 一维Arimoto灰度熵阈值选取 |
| 3.3 灰度-梯度直方图二维Arimoto灰度熵阈值选取 |
| 3.4 二维Arimoto灰度熵阈值选取的混沌蜂群优化算法 |
| 3.4.1 人工蜂群优化算法 |
| 3.4.2 基于Tent映射混沌的局部搜索算法 |
| 3.4.3 算法步骤 |
| 3.5 实验结果与分析 |
| 3.6 本章小结 |
| 第四章 广义核或混合核FLICM畜肉图像分割方法 |
| 4.1 引言 |
| 4.2 基于广义核或混合核函数的FLICM聚类算法原理及步骤 |
| 4.2.1 KFCM算法 |
| 4.2.2 基于广义核或混合核函数的FLICM聚类算法 |
| 4.3 实验结果与分析 |
| 4.4 本章小结 |
| 第五章 基于不变矩和改进SVM的牛肉大理石纹分级方法 |
| 5.1 引言 |
| 5.2 基于不变矩和灰度共生矩阵的牛肉大理石纹图像特征提取 |
| 5.2.1 不变矩特征提取 |
| 5.2.2 灰度共生矩阵特征提取 |
| 5.3 混沌蜂群优化混合核函数SVM |
| 5.3.1 混合核函数SVM的基本原理 |
| 5.3.2 SVM中惩罚因子及核参数的混沌蜂群优化算法 |
| 5.4 实验结果与分析 |
| 5.5 本章小结 |
| 第六章 基于CLBP、改进KPCA和随机森林的牛肉大理石纹分级方法 |
| 6.1 引言 |
| 6.2 CLBP特征提取 |
| 6.3 混沌蜂群优化的KPCA降维 |
| 6.3.1 KPCA的基本原理 |
| 6.3.2 混沌蜂群优化KPCA的算法步骤 |
| 6.4 基于随机森林的分类方法步骤 |
| 6.5 实验结果与分析 |
| 6.6 本章小结 |
| 第七章 总结和展望 |
| 7.1 本文的主要工作 |
| 7.2 进一步的研究工作及展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的学术论文 |
（7）牛肉质量在线分级技术的研究与系统开发（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外牛肉质量分级技术的研究现状 |
| 1.2.1 牛胴体眼肌切面的图像分割方法 |
| 1.2.2 牛肉大理石花纹自动分级方法 |
| 1.2.3 牛肉颜色自动分级方法 |
| 1.2.4 嵌入式机器视觉系统研究概况 |
| 1.2.5 现有牛肉自动分级系统及其存在的问题 |
| 1.3 技术路线和研究内容 |
| 1.3.1 技术路线 |
| 1.3.2 研究内容 |
| 参考文献 |
| 第二章 牛肉眼肌切面图像分割方法研究 |
| 2.1 牛肉眼肌切面样本图像的采集和实验设备 |
| 2.1.1 样本图像采集 |
| 2.1.2 牛肉质量等级的人工评定 |
| 2.1.3 实验设备 |
| 2.2 牛肉眼肌切面图像分割处理流程 |
| 2.3 颜色模型选择 |
| 2.3.1 RGB模型 |
| 2.3.2 Lab模型 |
| 2.3.3 颜色模型选择 |
| 2.4 肌肉区域和脂肪区域的分割 |
| 2.4.1 图像二值化 |
| 2.4.2 实验结果 |
| 2.4.3 基于图像重采样的图像二值化方法 |
| 2.4.3.1 图像重采样 |
| 2.4.3.2 重采样率对图像分割结果和图像分割效率的影响 |
| 2.5 牛肉眼肌区域的分割 |
| 2.5.1 像素邻接 |
| 2.5.2 区域标记 |
| 2.5.3 实验结果 |
| 2.6 牛肉大理石花纹区域的提取 |
| 2.7 基于同态滤波的牛肉大理石花纹提取 |
| 2.7.1 同态滤波原理 |
| 2.7.2 大理石花纹提取 |
| 2.7.3 牛肉大理石花纹提取精度 |
| 2.7.4 结果和讨论 |
| 2.7.4.1 基于同态滤波的牛肉大理石花纹提取 |
| 2.7.4.2 同态滤波器增益系数的选择及其对牛肉大理石花纹提取精度的影响 |
| 2.7.4.3 基于同态滤波的牛肉大理石花纹提取误差分析与比较 |
| 2.7.5 结论 |
| 2.8 牛肉样本图像分割结果 |
| 2.9 本章小结 |
| 参考文献 |
| 第三章 牛肉大理石花纹分级模型 |
| 3.1 牛肉大理石花纹特征参数的提取与计算 |
| 3.2 牛肉大理石花纹特征提取结果与分析 |
| 3.2.1 MF1特征与牛肉大理石花纹等级的关系 |
| 3.2.2 MF2特征与牛肉大理石花纹等级的关系 |
| 3.2.3 MF3特征与牛肉大理石花纹等级的关系 |
| 3.2.4 MF4特征与牛肉大理石花纹等级的关系 |
| 3.2.5 MF5特征与牛肉大理石花纹等级的关系 |
| 3.2.6 MF6特征与牛肉大理石花纹等级的关系 |
| 3.2.7 MF7特征与牛肉大理石花纹等级的关系 |
| 3.3 主成分分析 |
| 3.3.1 主成分分析简介 |
| 3.3.2 主成分的导出 |
| 3.3.3 牛肉大理石花纹图像特征参数的主成份分析 |
| 3.4 牛肉大理石花纹多元线性回归分级模型 |
| 3.4.1 简介 |
| 3.4.2 基于牛肉大理石花纹2个主成分的多元线性回归分级模型 |
| 3.5 BP神经网络分级模型 |
| 3.5.1 神经网络基本概念 |
| 3.5.2 BP神经网络简介 |
| 3.5.3 基于牛肉大理石花纹2个主成分的BP神经网络分级模型 |
| 3.5.3.1 BP神经网络构建 |
| 3.5.3.2 BP神经网络的训练 |
| 3.5.3.3 基于2个牛肉大理石花纹主成分的BP神经网络训练与预测 |
| 3.6 本章小结 |
| 参考文献 |
| 第四章 牛肉颜色分级模型 |
| 4.1 牛肉大理石花纹特征参数的提取与计算 |
| 4.2 牛肉颜色特征提取结果与分析 |
| 4.2.1 颜色特征与牛肉肌肉色等级的关系 |
| 4.2.1.1 特征M1与牛肉肌肉色等级的关系 |
| 4.2.1.2 特征M2与牛肉肌肉色等级的关系 |
| 4.2.1.3 特征M3与牛肉肌肉色等级的关系 |
| 4.2.1.4 特征M4与牛肉肌肉色等级的关系 |
| 4.2.1.5 特征M5与牛肉肌肉色等级的关系 |
| 4.2.1.6 特征M6与牛肉肌肉色等级的关系 |
| 4.2.1.7 特征M7与牛肉肌肉色等级的关系 |
| 4.2.1.8 特征M8与牛肉肌肉色等级的关系 |
| 4.2.1.9 特征M9与牛肉肌肉色等级的关系 |
| 4.2.1.10 特征M10与牛肉肌肉色等级的关系 |
| 4.2.1.11 特征M11与牛肉肌肉色等级的关系 |
| 4.2.1.12 特征M12与牛肉肌肉色等级的关系 |
| 4.2.2 颜色特征与牛肉脂肪色等级的关系 |
| 4.2.2.1 特征F1与牛肉脂肪色等级的关系 |
| 4.2.2.2 特征F2与牛肉脂肪色等级的关系 |
| 4.2.2.3 特征F3与牛肉脂肪色等级的关系 |
| 4.2.2.4 特征F4与牛肉脂肪色等级的关系 |
| 4.2.2.5 特征F5与牛肉脂肪色等级的关系 |
| 4.2.2.6 特征F6与牛肉脂肪色等级的关系 |
| 4.2.2.7 特征F7与牛肉脂肪色等级的关系 |
| 4.2.2.8 特征F8与牛肉脂肪色等级的关系 |
| 4.2.2.9 特征F9与牛肉脂肪色等级的关系 |
| 4.2.2.10 特征F10与牛肉脂肪色等级的关系 |
| 4.2.2.11 特征F11与牛肉脂肪色等级的关系 |
| 4.2.2.12 特征F12与牛肉脂肪色等级的关系 |
| 4.3 牛肉颜色特征主成分分析 |
| 4.3.1 牛肉肌肉颜色特征参数的主成分分析 |
| 4.3.2 牛肉脂肪颜色特征参数的主成分分析 |
| 4.4 牛肉颜色多元线性回归分级模型 |
| 4.4.1 牛肉肌肉色多元线性回归分级模型 |
| 4.4.2 牛肉脂肪颜色多元线性回归分级模型 |
| 4.5 牛肉颜色BP神经网络分级模型 |
| 4.5.1 牛肉肌肉颜色BP神经网络分级模型 |
| 4.5.2 牛肉脂肪颜色多元线性回归分级模型 |
| 4.6 本章小结 |
| 参考文献 |
| 第五章 嵌入式牛肉质量在线分级系统设计 |
| 5.1 引言 |
| 5.2 嵌入式操作系统 |
| 5.2.1 精简的模块化操作系统 |
| 5.2.2 多硬件平台支持 |
| 5.2.3 支持有线和无线的网络连接 |
| 5.2.4 稳健的实时性支持 |
| 5.3 硬件平台 |
| 5.3.1 PXA270微处理器 |
| 5.3.2 ARM开发平台 |
| 5.4 嵌入式牛肉质量在线分级系统的设计方案 |
| 5.5 开发嵌入式牛肉质量在线分级系统关键问题的研究 |
| 5.5.1 问题的提出 |
| 5.5.2 在嵌入式系统中运行牛肉眼肌切面图像分割算法的可行性 |
| 5.5.3 在嵌入式系统中运行牛肉质量分级模型的可行性 |
| 5.6 系统软件设计 |
| 5.7 系统实验结果 |
| 5.8 实验结果 |
| 5.9 本章小结 |
| 第六章 结论与建议 |
| 6.1 结论 |
| 6.2 主要创新点 |
| 6.3 后续工作 |
| 致谢 |
| 博士期间发表的论文 |
| 附录1 不同大理石花纹等级牛肉样本图像的特征值 |
| 附录1(1) 不同大理石花纹等级牛肉样本图像的MF1特征 |
| 附录1(2) 不同大理石花纹等级牛肉样本图像的MF2特征 |
| 附录1(3) 不同大理石花纹等级牛肉样本图像的MF3特征 |
| 附录1(4) 不同大理石花纹等级牛肉样本图像的MF4特征 |
| 附录1(5) 不同大理石花纹等级牛肉样本图像的MF5特征 |
| 附录1(6) 不同大理石花纹等级牛肉样本图像的MF6特征 |
| 附录1(7) 不同大理石花纹等级牛肉样本图像的MF7特征 |
| 附录2 不同肌肉色等级牛肉样本图像的特征值 |
| 附录2(1) 不同肌肉色等级牛肉样本图像的M1特征 |
| 附录2(2) 不同肌肉色等级牛肉样本图像的M2特征 |
| 附录2(3) 不同肌肉色等级牛肉样本图像的M3特征 |
| 附录2(4) 不同肌肉色等级牛肉样本图像的M4特征 |
| 附录2(7) 不同肌肉色等级牛肉样本图像的M7特征 |
| 附录2(8) 不同肌肉色等级牛肉样本图像的M8特征 |
| 附录2(9) 不同肌肉色等级牛肉样本图像的M9特征 |
| 附录2(10) 不同肌肉色等级牛肉样本图像的M10特征 |
| 附录2(11) 不同肌肉色等级牛肉样本图像的M11特征 |
| 附录2(12) 不同肌肉色等级牛肉样本图像的M12特征 |
| 附录3 不同脂肪色等级牛肉样本图像的特征值 |
| 附录3(1) 不同脂肪色等级牛肉样本图像的F1特征 |
| 附录3(2) 不同脂肪色等级牛肉样本图像的F2特征 |
| 附录3(3) 不同脂肪色等级牛肉样本图像的F3特征 |
| 附录3(4) 不同脂肪色等级牛肉样本图像的F4特征 |
| 附录3(5) 不同脂肪色等级牛肉样本图像的F5特征 |
| 附录3(6) 不同脂肪色等级牛肉样本图像的F6特征 |
| 附录3(7) 不同脂肪色等级牛肉样本图像的F7特征 |
| 附录3(8) 不同脂肪色等级牛肉样本图像的F8特征 |
| 附录3(9) 不同脂肪色等级牛肉样本图像的F9特征 |
| 附录3(10) 不同脂肪色等级牛肉样本图像的F10特征 |
| 附录3(11) 不同脂肪色等级牛肉样本图像的F11特征 |
| 附录3(12) 不同脂肪色等级牛肉样本图像的F12特征 |
| 附录4 不同隐含层节点数对应牛肉大理石花纹等级预测结果 |
| 附录5 不同隐含层节点数对应牛肉肌肉色等级预测结果 |
| 附录6 不同隐含层节点数对应牛肉脂肪色等级预测结果 |
（8）基于光谱与图像分析的生鲜牛肉嫩度快速检测技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 目录 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.3 目前国内外研究存在的问题 |
| 1.4 研究目标、内容和技术路线 |
| 1.5 本章小结 |
| 第二章 光谱检测系统、材料与方法 |
| 2.1 不同光源的可见近红外光谱检测系统的构建及光谱采集 |
| 2.2 实验材料及理化值标定 |
| 2.3 牛肉嫩度的影响因素 |
| 2.4 牛肉嫩度及影响因素 |
| 2.5 光谱及图像检测生鲜牛肉嫩度的机理 |
| 2.6 光谱特征变量提取方法 |
| 2.7 光谱建模方法 |
| 2.8 本章小结 |
| 第三章 可见近红外光谱预测牛肉嫩度品质的模型研究 |
| 3.1 生鲜牛肉理化值标定及统计 |
| 3.2 不同光谱仪、不同光源的光谱信号差异分析 |
| 3.3 基于全波段的生鲜牛肉剪切力值预测模型建立及评价 |
| 3.4 基于特征变量筛选的生鲜牛肉剪切力值预测模型建立及评价 |
| 3.5 牛肉品质参数的预测模型研究及评价 |
| 3.6 牛肉嫩度等级判别模型建立及评价 |
| 3.7 模型验证及信号校正 |
| 3.8 在线检测系统模型植入及生产验证 |
| 3.9 本章小结 |
| 第四章 高光谱成像系统预测牛肉嫩度的研究 |
| 4.1 高光谱成像系统介绍 |
| 4.2 牛肉高光谱图像三维解析 |
| 4.3 基于反射光谱特征波长的牛肉多品质参数预测模型研究 |
| 4.4 牛肉高光谱图像纹理特征分析 |
| 4.5 本章小结 |
| 第五章 牛肉品质检测软件系统设计及开发 |
| 5.1 牛肉品质检测系统功能实现 |
| 5.2 后台数据库管理系统开发 |
| 5.3 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 创新点 |
| 6.3 展望 |
| 参考文献 |
| 致谢 |
| 附录 |
| 作者简介 |
（9）基于高光谱图像光谱信息的牛肉大理石花纹分割（论文提纲范文）
| 引言 |
| 1 材料与方法 |
| 1.1 牛肉样品的准备 |
| 1.2 高光谱成像系统 |
| 1.3 图像采集和校准 |
| 1.4 最优分割波段的选择 |
| 1.5 牛肉大理石花纹分割方法 |
| 1.6 分割精度评价 |
| 2 结果和讨论 |
| 2.1 最优分割波段 |
| 2.2 牛肉大理石花纹分割 |
| 2.3 分割精度 |
| 3 结束语 |
（10）牛肉大理石花纹图像特征信息提取及自动分级方法（论文提纲范文）
| 0 引言 |
| 1 材料与方法 |
| 1.1 试验材料 |
| 1.2 图像采集系统及方法 |
| 1.3 分级算法 |
| 1.3.1 目标图像与背景分割 |
| 1.3.2 大理石花纹提取 |
| 1.3.3 特征参数提取 |
| 2 结果与分析 |
| 2.1 主成分回归 (PCR) 模型的建立 |
| 2.2 基于PCR模型的大理石花纹等级判别 |
| 2.3 算法速度测试 |
| 3 结论 |
四、应用MATLAB图像处理技术评判牛肉大理石花纹（论文参考文献）
- [1]高寒草原安格斯牛不同部位肉大理石花纹沉降状况的研究[D]. 赵丽华. 内蒙古农业大学, 2020(06)
- [2]不同品种猪肉品质特性及瘦肉型商品猪肉质量分级研究[D]. 陈祉岐. 沈阳农业大学, 2020(08)
- [3]基于图像处理技术的牛肉生理成熟度预测方法研究[D]. 季方芳. 南京农业大学, 2019(08)
- [4]基于机器视觉技术的牛肉大理石花纹自动检测系统[J]. 郭爱玲,马世榜,刘伟,李艳辉. 南阳师范学院学报, 2017(06)
- [5]牛肉显微结构特性及大理石花纹特征与嫩度品质的关联研究[D]. 郭丹丹. 南京农业大学, 2016(04)
- [6]基于图像处理的畜肉品质分级方法研究[D]. 曹鹏祥. 南京航空航天大学, 2015(03)
- [7]牛肉质量在线分级技术的研究与系统开发[D]. 逄滨. 南京农业大学, 2014(06)
- [8]基于光谱与图像分析的生鲜牛肉嫩度快速检测技术研究[D]. 田潇瑜. 中国农业大学, 2014(08)
- [9]基于高光谱图像光谱信息的牛肉大理石花纹分割[J]. 孙啸,逄滨,刘德营,陈坤杰. 农业机械学报, 2013(S1)
- [10]牛肉大理石花纹图像特征信息提取及自动分级方法[J]. 周彤,彭彦昆. 农业工程学报, 2013(15)