面向畜禽加工的智能化装备与技术研究现状和发展趋势

　　《续》

　　2  智能化技术

　　当前，国内外畜禽智能化加工过程中，主要应用机器视觉、神经网络、红外光检测、虚拟仿真和智能控制等技术，以实现具有自动分割、在线分级、故障诊断与远程监控等功能的集成化智能检测与控制系统。

　　2.1  机器视觉技术

　　机器视觉检测系统是通过图像获取设备将目标转换成图像信号，通过图像处理系统得到目标的形态信息，根据像素信息运算获取目标特征进而得到相应的参数。在畜禽加工过程中，机器视觉主要被用来进行目标检测与颜色识别以实现对胴体的精准定位与品质检测。

　　2.1.1  机器视觉定位技术胴体分割

　　在畜胴体分割中，国外大多采用激光扫描技术，澳大利亚Craig Mostyn公司在自动切割系统中通过激光对猪胴体扫描获得三维外形和骨骼结构，驱使机器人进行胴体分割。随着计算机视觉技术的发展，澳大利亚CSRO实验室引入视觉图像系统进行定位，设计了头部肉类分割设备，提高了肉产出量。

　　在家禽胴体分割中，主要依靠机器视觉定位技术，通过在线采集图像获取胴体外形轮廓质心坐标及各切分割处位置。王树才等采用寻找家禽胴体外形轮廓质心及膛口中心的方式进行定位，实现了家禽净膛的工序，其轮廓质心、膛口中心坐标重复定位精度分别为±1.6像素、±1.52像素。

　　2.1.2  机器视觉肉质分级技术

　　当前机器视觉技术在肉品分级中主要应用于大理石花纹、脂肪含量、肉颜色和嫩度等关键指标检测。

　　机器视觉检测技术属于无损检测，不需要用探针刺入胴体内部对肉块厚度和背膘厚进行测量，不会对胴体进行破坏。20世纪80年代，丹麦开始利用视觉图像分析技术对牛肉进行分级，分别在灯光和临界光条件下拍摄图像，通过图像比较分析消除临界光影响，从图像中获得牛胴体轮廓信息。1991年，MCDONALDTP等对牛肉分级方面展开了研究，首先采用机器视觉检测技术对牛肉产品进行分级量化研究，将肌肉和脂肪进行区分，通过布尔运算模型来描述大理石花纹的空间分布，并且提出仅根据可见的总脂肪面积来区分不同种类的大理石纹，但方法效果不理想。随后，在大理石纹和牛肉颜色等级研究方面，LIJ等对两种方法进行研究，通过在预测模型中加入图像纹理参数，可提高模型预测能力，结果表明图像纹理特征可准确预测牛肉新鲜度。GERRARD DE等采用RGB和Lab色彩纹理成功预测了颜色和牛肉大理石花纹等级。

　　罗明等的研究表明瘦肉率与背膘厚、腿臀围、眼肌面积等特性指标存在关系，屠宰率与猪的外形有关，肉色与图像颜色密切相关。于铂等基于图像和人工神经网络技术建立特征与等级关系得出大理石纹与肌肉脂肪含量密切相关，眼肌面积、肌肉脂肪含量等特性指标与相应图像特征线性相关。郑丽敏等通过视觉图像技术提取轮廓图像、判断特征点，对猪胴体相关检测指标进行自动评定。唐毅通过采集猪胴体图像进行边界检测、特征提取、面积计算可实现猪胴体等级在线评定，其检测结果与企业定级结果对比准确率可达93%。李青等通过轮廓面积分割提取出背膘区域及其边缘轮廓，利用拟合线对轮廓边框进行拟合、通过直线映射确定背膘厚度检测，检测正确率可达93.5%。

　　在对禽肉分级中，机器视觉主要通过颜色、外形轮廓对禽肉质量进行判定。丁筱玲等设计了一种基于机器视觉技术对鸡翅质量智能识别的方法，通过建立140根鸡翅俯视和侧视图像的数据库，并对数据库图像灰度化、形态学运算等处理，提取面积、轮廓周长和长短轴等特征，实现了对鸡翅质量的预测误差达0.57%。陈坤杰等提出了一种基于图像特征的鸡胴体质量分级方法，通过采集95幅鸡胴体图像并提取特征，通过线性回归的方法，分别建立了一元、多元线性回归模型进行对比分析，结果表明多元线性回归模型的预测能力更精准，平均正确率可达89% 。

　　2.2  光谱检测分析技术

　　光谱分析技术集成了光谱测量技术、计算机技术、化学计量学技术和基础测试技术，通过选择合适的化学计量学方法，将样品光谱信息和指标参考值相关联，构建高精度、高稳定性的数学模型预测位置样品参考值，具有无损、快捷和环保的特点。

　　20世纪90年代初，PARKB等提出可以利用多光谱技术对鸡胴体表面进行检测，从而检测出鸡胴体表面皮肤病。随后，孙啸等利用高光谱图像对牛肉大理石纹进行检测，相对于原始图像具有较高的分割精度。随着高光谱成像技术在农产品方面的检测应用，研究人员在检测胴体表面污染物方面取得了相关的研究进展。赵进辉等应用高光谱图像技术结合分段主成分分析和波段比等数据处理方法检测鸡胴体表面粪便污染物，结果表明检测总正确率为93.3%。虽然高光谱图像技术可较准确地对鸡胴体表面污染物进行检测，但是，由于其检测时间长的问题，无法很好地应用于在线生产实践。

　　随着光谱检测技术的发展，线扫描高光谱技术和可见近红外检测技术应用于鸡胴体表面污染物在线检测。CHAOK将近红外检测技术应用于鸡肉生产线，对鸡肉进行实时在线检测，成功区分了卫生和不卫生的鸡肉。线扫描高光谱成像技术尽管能满足鸡胴体表面污染物在线检测的要求，但其成像设备价格昂贵，国内大多数企业仍主要采用人工目测的方式，陈坤杰等提出一种通过机器视觉在线采集图像特征并快速识别的方法，实现鸡胴体表面污染物的在线检测，实现了对表面有污染物残留鸡胴体的总体平均检测正确率为90.5%，但污染点的位置和污染物水分稀释会降低污染物的可识别度进而影响检测质量。

　　近红外光谱 ( NIＲ) 技术是发展相对较为成熟的光谱分析技术之一，作为无损快速检测技术在肉品行业中已得到广泛应用，该技术能实现生鲜肉快速、在线、准确无损检测，是各类生鲜肉品质安全分析的重要技术之一。近红外光谱在肉质检测方面主要被用于肉品物理属性(颜色、嫩度、纹理)和化学组分(脂肪、水分、蛋白质)以及有害物质( 挥发性盐基氮)等肉类品质检测的特征指标分析。目前，近红外技术在肉类品质快速检测方面有大量研究，在检测物理属性方面，孙宏伟等基于可见近红外(400～1000nm)光谱分析肉品颜色，通过标准正态变量变换和SG平滑预处理建立了猪里脊肉颜色的偏最小二乘模型，满足猪肉颜色和pH值等品质参数检测的要求。与目前已经应用于生产的pH值测量法相比，受测量人员和环境的影响均较小。彭彦昆等基于近红外光谱技术，优化光纤探头检测距离，分别建立了单波段(第1、2波段)和双波段的含水率偏最小二乘回归模型，采集静态和在线条件下猪肉光谱图，对比结果表明双波段融合建模效果优于单波段(表1)。根据陶琳丽等的研究表明，众多研究人员采用不同的建模方法，对牛、羊、猪、鸡肉建立预测模型，并对肉中FA(Fatty Acid)含量的热点问题进行了研究，GJERLAUG-ENER E等、罗香等、González-Martin NI等、RIPOCHE A等建立了NIRS在猪肉FA含量预测的校正模型，PRIETO N等、SIERRA V等、REALNICE等、CECCHINATOA等建立了牛肉校正模型，MAＲ-CHIMD等、ZHOULJ等、RIOVANTOR等、BERZAGHI P等建立了鸡肉的校正模型，GUY F等建立了羊肉的校正模型。根据相关研究对比不同建模方法对预测结果有较大的差异性。

表 1 不同波段和检测距离条件下含水率PLS模型

　　2.3  多传感器融合技术

　　在肉品检测过程中，单一检测技术往往出现指标信息不足、检测方法局限性、应用范围小等问题，近年来许多研究人员通过对比研究发现，通过多源信息融合建立的肉品分级预测模型的精确度更高。基于以上问题，研究人员提出了基于近红外光谱与机器视觉等技术检测肉类品质的分析方法，近红外光谱分析可定量检测肉制品pH值、肌内脂肪、蛋白质、TVB-N(挥发性盐碱基氮)等指标，机器视觉可检测颜色、纹理等物理特征，并且可以实现快速便捷地无损检测，适合应用于生产实践。

　　在此方面国内外学者进行了大量的研究，HUANG L等利用近红外光谱(NIＲS)、计算机视觉(CV)和电子鼻( E-nose)技术3种技术融合，检测猪肉中TVB-N含量，通过采集90份新鲜度不同的猪肉样品建立3种技术采集的数据库，预测模型结果表明，3种技术融合要优于单一技术的判定准确率。姜沛宏等基于机器视觉与近红外光谱检测技术对牛肉新鲜度进行评价，通过主成分分析将特征层信息融合，建立了牛肉新鲜度的评判模型，预测准确率可达98.31% 。

　　2.4  X射线扫描CT成像技术

　　X 射线断层技术可以实现对胴体3个主要组分的检测：瘦肉、肥肉、骨。这一技术可以用来虚拟分割胴体以进行分级。法国NASSYG等采用X射线断层扫描技术，实现了对瘦肉、肥肉、骨3个组分的检测，在剔骨分割车间，这一技术被用来设定机器人的分割程序，以根据每块胴体的构造进行适宜的分割。欧洲科学家网络致力于研究建立一个欧洲的瘦肉率扫描参考技术用于肉类分级。X射线扫描技术通过根据肌肉的紧密程度的测量，对火腿不同切面的成像研究获得了理想的试验结果，可在加工结束前对火腿质量进行评定。

　　随着试验研究的进行，X射线扫描技术开始应用于实际检测，陈坤杰等利用CT成像技术对三黄鸡胴体进行扫描以获得其物理特征，确定鸡胴体主要器官的相对位置，为机械手摘取提供引导，为自动净膛装置的设计提供基本数据。沈杰通过用双能X射线对鸡肉、鸭肉和鹅肉的脂肪含量进行了预测，分别建立了相应的线性回归方程，相关系数在0.8以上。刘斌等通过双能X射线测定绵羊肌内脂肪，将营养指标进行相关性分析、通径分析及回归方程的构建，证明了双能射线扫描对羊胴体肌内脂肪的预测能力。

　　2.5  超声波扫描成像技术

　　超声波检测属于无损检测，可在保证动物躯体完整的情况下迅速测量机体组分，并提供直观图像结果。其不需要刺进胴体内部对肉本身进行损坏，可利用超声波的穿透性获取反射信息，对胴体脂肪层厚度进行推算。

　　在畜肉检测方面，BRETHOURJR利用超声波检测技术对545头牛的背膘厚和大理石纹进行了测定，建立了背膘厚和大理石纹评定预测模型，结果显示应用超声波检测技术预测屠宰后胴体性状是可行

　　的。FORTINA等分别采用 CVT-2、UltraFom300和AutoFom等3种超声波检测仪对生猪出肉率和质量进行预测，并设计了对猪胴体的大理石花纹和肌内脂肪的实时超声波在线检测系统，但结果表明检测效果并不理想。胡晓亮等通过超声波扫描从图像中获得不同组织的特征参数，建立了猪肉组织结构预测方法，分析所得图像采集噪声、家畜种类和组织特异性将会对检测结果的准确度产生影响。魏彩虹等利用超声波活体检测技术，建立了羊的活体预测模型可成功预测宰后背膘厚度和眼肌面积。胡宝利等利用线性回归方法，通过背膘厚和眼肌面积数据建立了肉质形状的预测模型，结果显示只有高档肉产出量预测较为精确，后部肉和优质肉预测结果不理想。

　　在禽肉检测方面，研究表明家禽的胸肌厚度与胸肌重、胸肌率之间存在着高度相关性。朱峰等通过超声波实时测量技术测定肉鸭胸肌厚度、皮脂厚度，可预估鸭肉生产性能。BOCHNOR通过对鸭活体进行检测预测其产肉性能，预测值与真实值相关系数可达0.9。KLECZEK K等建立了肉鸭胸肌重、胸肉率的回归方程，其决定系数可达64%。COREIALR等通过超声波检测剔骨鸡胸肉中的碎骨，可提高鸡胸肉的品质。

　　3  发展趋势

　　目前，随着信息化、智能化技术的发展和渗透应用，对于畜禽加工行业将是一次变革性创新，其不仅会促进畜禽加工领域的发展，更会实现畜禽产业的全面进步。

　　3.1  设备类型标准、多样化

　　在当前的畜禽加工过程中，生产设备之间不同标准，是当前设备不能实现全过程自动化、智能化作业的主要原因之一，在未来的研发过程中，应根据畜禽加工过程工序进行设备标准的制定，达成工艺与装备配套，以实现有序化排列连续性生产。

　　面对不同应用场合与肉类本身的差异化问题，需要生产设备具备相当的智能和柔性生产能力以适应复杂的非结构环境，因此，开发多样化的设备尤为重要。将稳定成熟的技术与设计应用于多环境、多对象的多样化设备，可实现人工便携使用，又可在线稳定使用。

　　3.2  提高设备智能集成化水平

　　当前国内外应用在畜禽加工产业的智能设备主要解决单一环节智能作业需求，未来应朝向智能加工生产线应用发展。当前畜禽生产加工过程中设备的种类、智能化程度的不同制约着生产效率与卫生安全。为实现畜禽屠宰加工规模化生产、智能化过程管理，提高设备的智能集成化水平十分重要。通过在生产车间设备、环节植入数据采集芯片、传感器，对设备、工艺和生产参数等数据进行实时采集、监控等，可实现建立生产信息管理系统，对畜禽生产加工环节进行实时管理。实现装备与管理智能化，更利于全程品质及安全管控。

　　近红外光分析技术可用于对其化学成分进行检测，多光谱和高光谱技术可同时对肉品的内外品质进行检测，机器视觉图像技术可对颜色、肌肉脂肪按量、纹理等信息进行分级，但目前仍停留于实验研究阶段，要进一步加强检测方法、模型及仪器设备的研发，在生产过程中实现在线快速准确检测。

　　在肉品检测方面，多测量结果融合分析是较好的未来发展方向，应根据需要，结合多种检测方法，通过不同的评价机制与指标对检测目标进行综合评价。单一的检测手段往往不能实现对肉品品质进行理想且全面的检测，需要将技术融合与集成，通过信息互补提高品质检测精度与扩大监测范围，使评价机制具有很好的稳定性且综合度高。

　　4  结束语

　　智能装备可大大节约畜禽肉加工过程人力物力，降低成本、提高生产效率，且成套性强，可对加工过程有序化排列连续性生产，保证每一环节对产品信息可追溯，保证肉质安全、提高肉品品质等具有重要作用，是畜禽加工产业发展方向。通过归纳智能化装备在畜禽屠宰、分割和分级等加工过程中的应用，总结国内外学者在机器视觉、光谱检测、多种技术融合、X射线CT成像和超声波成像等智能化技术在畜禽加工领域的诸多研究成果，分析当前装备产品研发应用与技术研究过程中存在的设备智能化集成度不高、技术不成熟等问题，提出了未来畜禽加工领域的发展趋势，智能装备应标准化、多样化，以适用于不同应用环境与加工肉品种类，提高装备集成化水平，推进畜禽加工智能化发展，实现技术应用落地与探索技术融合，提高技术应用可靠性与全面性。本文为畜禽加工智能化装备技术研究与行业智能化发展提供相关信息和参考。

　　《完》