摘要：猪胴体作为猪肉生产加工企业将猪肉交付给经销商的最主要形式，其品质直接关系着广大民众的饮食质量。传统的猪胴体分级方法普遍存在不够准确或硬件价格过高的问题。近年来，随着深度学习理论的日趋成熟以及设备计算能力的极大发展，使深度学习在许多不同领域大放异彩。卷积神经网络作为深度学习在图像视觉领域最有效的手段之一，在图像分类问题中有着非常广泛的应用。本文构建了针对卷积神经网络的猪胴体图像数据集，通过研究设计实现了通过猪胴体图片基于深度学习理论中的卷积神经网络原理对猪胴体进行自动分级的系统。
针对现有数据集在猪胴体图像方面的空白。根据铁岭九星集团的生猪加工生产线的实际情况，采集了在生产线环境下的猪胴体图片，通过数据增广、SMOTE算法和针对CNN网络特点的数据预处理，构建了二进制格式的猪胴体图像数据集。设计了基于AlexNet的卷积神经网络模型，将其应用于猪胴体图像的训练与识别实验中，通过对实验中分类结果的分析对网络模型进行不断优化，得出采用较小的卷积核尺寸和更多的卷积核数量、增加卷积层的数量以及缩小池化范围能够提升分类效果的结论。最终形成了猪胴体图像分级的模型CNN-P。基于模型CNN-P，利用构建的猪胴体图像数据集进行训练和测试，并将识别结果与其他基于计算机视觉方法的猪胴体分级方法进行比较。
研究结果表明，通过调整卷积核尺寸及数量以及调整网络卷积层数等方法，实现应用卷积神经网络模型对猪胴体图像进行分级。目前其对猪胴体图像等级的识别效果可以达到92.7%，作为国内外将卷积神经网络应用于猪胴体无损分级中的第一次尝试，系统在解决了传统分级技术繁复的预处理步骤且较低的泛化能力等问题的同时，极大地降低了自动化猪胴体分级设备的价格，具有一定的研究意义和实用价值。
关键词：深度学习，卷积神经网络，图像分类，猪胴体分级，构建数据集
第1章 绪论
1.1 课题背景及意义
中国是世界生猪生产第一大国，每年的猪肉产量占世界猪肉总产量的一半以上，但对于国际公认的衡量猪肉品质的重要标准瘦肉率而言，我国商品猪平均瘦肉率仅50%，与欧盟、加拿大等畜牧业管理体系更加健全的国家相比还有很大差距。对于我国高产量却没有高质量的现状，究其原因，很重要的一点是因为我国的猪胴体分级体系落后且落实不到位。毋庸置疑我国是一个猪肉生产大国，却并不是猪肉强国。排除对肉猪进行选育改良的品种因素，加拿大、美国、欧盟等猪肉生产强国的经验证明，规范并落实合理的分级体系可以在短时间内有效地改善商品猪肉的品质。
分级体系落后的原因不仅是在建立分级标准以及对适合我国商品猪的相应分类技术的研究都远远落后于其他畜牧业发达的国家，更重要的是各地生猪屠宰加工企业对国家标准的选择和应用程度不一。虽然目前对整猪进行全面机械化处理的相关生产设备已经在一些欧美国家的大型猪肉加工企业投入使用，但国内大部分猪肉屠宰加工企业对全自动生产线的引进仍保持着观望的态度，目前我国绝大多数的猪肉屠宰加工企业的生产线仍然处于半自动化生产线与工人混搭生产的现状。中国作为猪肉生产大国却持续应用较低端生产技术的主要原因在于相关分类专用机械仪器普遍需要从国外进口，一旦应用不仅需要大量资金引进设备、同时还需要对现有生产线进行大规模的改造并要专门引进相关专业人才用于使用及维护设备，其投入之巨大以及其创造利益的可靠性都令众多企业望而却步。在这样的行业大环境下，绝大多数猪肉企业仍选择了通过人工目视及粗略测量来进行分级的方法。分级水平参差不齐，使市场对于猪肉品级的重视性不高，导致我国的猪肉流通过程中优质肉和次品肉的区分性不够强。
但总体来说近年来我国的养猪生产观念发生了从数量型到质量型的转变，猪肉消费从脂肪型转为瘦肉型。热胴体重和瘦肉产量仍然普遍反映了猪胴体的商业价值。在基于市场和行业的需求下，如果可以实现一种更适合地方猪肉加工企业使用的准确统一的猪肉分级标准和设备，使猪肉加工企业可以用极少量的资金实现对其生产的猪胴体进行稳定而准确地分级，地方猪肉加工企业将更愿意接受使用猪胴体自动分级设备。随之改变的将是我国对于猪肉消费的整体理念发生的变化，将对在猪肉流通过程中真正地实现优质优价产生推动作用。将对我国的养猪业、屠宰业及肉食产业的发展有很大的促进作用。
1.2 国内外猪肉分级研究现状
在猪胴体影像分级领域，国内外的主要差异有两个方面：猪肉分级标准的不同以及猪肉分级实施方法的不同。猪肉分级的标准国内外的总体思想是一致的：决定了猪胴体优质与否的关键要素是猪胴体的质量和猪胴体的瘦肉率两个参数。其中猪胴体瘦肉率的精确测定方法是将猪胴体完全分解，分别对瘦肉和脂肪进行称重。但这种方法严重破坏了猪肉的完整性，无法对每一片胴体进行这样的精确测量。现在普遍应用的方法是通过大量的数据积累来建立猪胴体特定位置的脂肪厚度与猪胴体瘦肉率的联系，通过测定指定位置的背部脂肪厚度（后文统称膘厚）来估算猪胴体瘦肉率，这种方法早已被证明有效且准确率较高。
1.2.1 我国的猪胴体分级标准及设备研发使用现状
我国在二十世纪五十年代后，也陆续开始了对猪肉优劣区分标准的研究，但由于产能与市场需求的限制，发展速度一直比较缓慢，针对国内生猪种类的相关规则制定研究一直进展不大。到改革开放后，政府对供应肉食的生猪活体选择以及猪肉品质的评定上发展出了一系列条例和规则，其中被猪肉加工企业应用较广泛的包括NY/T1759-2009《猪肉等级规格》、GB9959.1-2001《鲜、冻片猪肉》和SB /T10656-2012《猪肉分级》。作为近二十年来中国农业部下发的标准有效地推进了我国猪肉品质的提升，也促进了更多对分级标准判别方法的研究。欧美国家中的一些猪肉强国对猪肉分级标准比较严格，中国通过这几年猪肉分级标准的完善，也在向国际化接轨。在二十世纪末被广泛使用GB9959.2-1988《无皮鲜、冻片猪肉》和GB9959.1-1988《带皮鲜、冻片猪肉》由于内容分散、不易实施等原因，在二十一世纪初经过农业部的完善，将条例升级成为GB9959.1-2001《鲜、冻片猪肉》。在《鲜、冻片猪肉》中判断猪胴体分类级别的因素在于背部特定点的脂肪尺寸以及猪胴体的整体重量，胴体重量与背膘厚度共同将不同将猪肉分为I-III三个等级，但背膘厚度与整体质量存在潜在的矛盾情况，这也构成了该标准的潜在不足。而NY/T1759-2009《猪肉等级规格》中对这一部分进行了改进，由猪胴体的瘦肉比例以及整体重量对猪进行第一轮评级，得到A-C的标准，然后再根据其他因素如外观状态的不同、肌肉颜色与脂肪颜色鲜亮的的程度等将猪肉分为I-III三个等级。
而在实际生产中，辽宁省的地方肉类加工企业普遍应用的仍是2001年颁布的《鲜、冻片猪肉》，相对于世界各国猪胴体分级标准，我国的GB9959.1-2001《鲜、冻片猪肉》分级标准内容并不完善，且没有标明具体的评定方法。分级标准不仅大幅落后于国外相关标准，而且采用的分级方法也严重落后于国家出台的新标准。
而在对相关分级设备的使用方面，目前我国并没有专门设计制造拥有自主产权的相关设备的企业，若决定采用专业设备则必须从国外进口设备与技术。目前只有极少数规模极大的肉类企业从国外引进了成体系的大型猪肉分级设备，还有一部分企业使用国外进口的手持探针式瘦肉率检测仪进行猪肉分级作业。前者从国外成套引进的价格不菲，而后者价格虽不及前者，但花销仍十分高昂，同时因为使用手持式设备，仍需有经验的工人进行人工操作。两者同时存在对使用者技术水平要求高、维护难度大的问题。
在对猪胴体图像进行分析的研究在我国远不及对牛肉图像进行分析这样广泛与深入，计算机视觉方面在猪胴体瘦肉率及分级的检测中远没有发挥出足够的作用，针对猪胴体图像进行的研究在国内寥寥无几，研究方向也普遍集中于肉类新鲜度及肉质分析方面，如周光宏通过神经网络对切块牛肉的图像进行分析与估算从而确定其新鲜程度。而少数涉及猪胴体分级内容的研究重点也是集中在对我国相关标准中固定指标的测量，李青、彭彦昆利用机器视觉，在获得猪胴体的标准化图像后，根据我国制定的背膘测量标准，对图像进行处理与分析，从而获得猪胴体的背膘厚度来计算猪胴体的瘦肉率。而对通过标准化猪胴体图像对猪胴体重量进行估算这一研究方向在国内基本是空白的。
值得注意的一点是，目前在国内关于猪胴体图像分析现有的研究成果中，其中有一部分是依托于国外进口的分析设备来开展的，张楠利用PG-100探针式测定仪便于操作、反馈明确的特点，结合原有的非自动化分级方法，对大量商品猪进行了一系列相关的指标测量，通过对数据的分析，创立了面向国内生猪的全新生猪品级预测模型。但由于国内猪肉企业对相关设备的需求度不高，所以这也不符合地方猪肉加工企业的生产现状的，少部分研究如李青、彭彦昆进行的另一项基于机器视觉的猪胴体背膘厚度在线检测技术研究中，研究者设计了一个较符合实际生产需求的摄影模块来捕捉猪胴体的标准化图像。
1.2.2 国外的猪胴体分级标准及设备研发使用现状
其他国家在猪肉分级标准的制定上也在不断地发展完善，加拿大、美国等老牌猪肉强国在猪肉分级领域较我国起步早、规模大、发展快且自动化程度更高。同时日本和欧盟等国也有独立的分级标准。加拿大作为最早对肉品行业颁布行政要求的国家，其对猪胴体评级的标准实施具有政府强制性，达到一定规模的生猪饲养及猪肉加工企业必须根据猪胴体品质的不同对猪胴体进行标记分级；率先建立了一套根据猪胴体特定位置脂肪的厚度来判别猪胴体品级的计算模型。利用该模型，猪胴体品级信息得到了有效的量化。同时这样的规定更方便政府实时的计算不同等级的猪肉的价格，提高猪肉质量的同时，也推动了国家的经济发展。美国的猪肉分级标准由分块品质和整体瘦肉率两方面组成，其中分块品质部分将商品肉用猪的评级分为U.S.1-4级，首先对猪胴体的外观进行评定，确认四块主要商品瘦肉的品质，四块主要分割部分均达标，可以进行参评US1-4级标准，若存在外部特征不达标则只能划分到U.S.utility品级。同时，另一种评级方法应用于供应肉食的商品猪肉中，对猪胴体进行瘦肉率的检测，根据其重量和脂肪比例的情况，决定其评级分划为1-3级。同时美国在猪肉分级规定的制定过程中也构建了胴体特征与胴体等级的关系模型。与其他国家分级方法不同的是，美国的关系模型中引入了“瘦肉饱满度”这一指标，将胴体的瘦肉饱满度根据胴体瘦肉的丰满情况分为1-3的不同级别。与在外观检测合格的情况下，通过代入(1.58×背膘厚,cm)-(1.0×肌肉丰度)公式计算相应的产量等级。
对猪胴体外表特征的选取方式的区别和强制性是国外与中国分类方法的主要不同之处。相比我国标准中选取猪胴体第六条肋骨与第七条肋骨之间的背部脂肪尺寸作为评判猪胴体瘦肉率的关键指标，日本猪半胴体分级标准中所测量的位置为第九条肋骨至第十三条肋骨之间背部脂肪尺寸的极小值；欧盟公认采用的分级手段中采用双测量点F（指臀肌中间位置与背中线成90度角位置的脂肪尺寸极小值，如图1.1所示）、M（指臀肌中部由末端到脊椎锥孔轮廓处的长度，如图1.1所示）作为衡量的指标；加拿大猪胴体产量分级标准所测量的位置为X（指猪胴体腰椎位置到腰部瘦肉前端脂肪厚度极大值处）。针对不同国家的测量标准，刘海龙等人的研究中指出与胴体瘦肉率相关性最强的是F位置膘厚（达- 0.89843），第九条肋骨到第十三条肋骨之间背部脂肪厚度最小值位置与加拿大出台的规则中的X点作为测量点，通过分析比对确定了其于生猪瘦肉比例呈现明显的负相关性，数值分别是- 0.80699和-0.78241；而周光宏的研究中显示：欧盟标准中的F标定点处脂肪尺寸与生猪胴体瘦肉比例的相关系数为各个样本点中最高，数值是-0.92463，相关度很高的标定点还包括第六条肋骨至第七条肋骨之间的脂肪尺寸以及最后一条肋骨处的背部脂肪厚度，分别呈现了-0.80372以及-0.85216的负相关率。这在一定程度上反映了我国标准选取的不准确性，欧盟的选取方法虽然对于人工操作而言较我国的选取方法更难以测量，但其准确性更高。若能将两个变量共同测量，则准确性将更加提高。
二十世纪九十年代至今，针对猪肉品质的检测仪器层出不穷，有针对猪肉颜色进行检测的色值计，通过猪胴体表面PH值进而检测猪肉新鲜程度的PH计，还有判断猪胴体脂肪含量的脂肪分析仪，检测猪肉肉质的肌肉嫩度计，通过超声波技术对猪胴体实施无损检测的超声波测定仪，利用近红外线判断背膘厚度的近红外线探针，通过猪胴体表面荧光性质判断新鲜程度的分光光度计，利用光导纤维进行猪胴体背膘检测的光学探针，利用医用核磁共振原理对猪胴体进行扫描确定猪胴体瘦肉率的核磁共振扫描仪等。
而现今应用最广的肉质检测仪器普遍是探针式的，其中电子探针仪利用辐射射线技术，设备通过对受检样品极小的区域进行检测，避免了对商品猪肉的损坏，可通过不同的扫描方式对猪胴体进行化学组成等方面的分析。
图 1.1 欧盟标准中F和M两个点的测量位置
在利用电子探针对猪胴体进行检测的领域，加拿大Destron公司设计制造的探针式检测仪PG-100作为一款经典型号，广受国内外大型猪肉加工企业的青睐，PG-100瘦肉率检测仪基于猪胴体瘦肉与脂肪具有不同的可见光反射比例的原理，是一款利用了光电传感器的智能化设备。在进行猪胴体瘦肉率检测时，探针发出光信号，光信号照射到脂肪和瘦肉时会有不同的信号反馈，当探针到达脂肪与瘦肉的交界处时，信号反馈会出现一次大的波动，将此点记为脂肪的边界点，从而获得探测处的脂肪厚度，通过特定点的背膘厚度确定其瘦肉率。在我国的猪胴体分级标准发展过程中，由于国外猪种与国内品种的不同，猪胴体瘦肉率的判定一直没有准确的模型。加拿大、德国、捷克、日本等国都研发有相关的大型或手持式专业设备应用于猪肉生产中的品质区分，而我国在猪胴体相关检测仪器的领域一直未能实现自主研发，主要原因在于现阶段国内猪肉生产企业长期依靠人工粗略分级，对一次性耗巨资引进相关仪器存在一定的抵触情绪，需求情况不强烈。
1.3 利用图像进行肉类分级的研究现状
目前，利用机器视觉技术在生猪无损检测的领域，国外对猪胴体图像分级的研究早已开展：早在2000年，美国的Lu等人在《Evaluation of pork color by using computervision》一文中发表了使用图像视觉技术对猪肉进行采样，通过对肉质颜色的分析，得出猪肉的品质信息。研究的目的在于对相关图像处理方法进行测试，以确定其是否能够应用于猪肉品质的判断中，为了实现其研究，Lu等人构建了浅层神经网络模型用以对猪肉颜色进行评价，同时设计了传统的统计模型用以支持网络模型的工作，其结论为利用浅层学习的方法解决猪胴体分级问题是一种可靠有效的方法。
而在国内，针对猪胴体图片进行分级的研究中，早期最具启发性的的研究由罗明、朱砺等人（2002）进行，通过对猪肉加工生产过程中的猪胴体进行测量和检测，将获得的数据与现有线性函数进行比对，逐步获得与实际数据相符合的模型。通过对猪胴体二分体眼肉部分的面积、猪胴体背侧特定测量点的脂肪尺寸的测量，根据符合数据情况的模型函数，得到了一系列相关结论，构建了符合我国生猪种类的胴体外部特征与胴体瘦肉比例的关系模型。这是我国学者在利用机器视觉方法解决猪胴体分级问题的关键性研究，为之后许多我国学者在该领域的研究打下了基础。
而在利用神经网络解决猪胴体图像分级问题的方面，国内的研究始于2005年，研究方法大多采用浅层神经网络中的BP神经网络结合传统图像处理技术，其中于铂（2005）获取了商品猪猪胴体的的图像，通过对图像进行处理，利用边缘检测等算法获取了猪胴体图片中腿部周长与臀部周长的尺寸、眼肉部分面积以及背部脂肪厚度。通过这些数据，构建并训练了适合猪胴体分级功能的BP神经网络LNN。实现了对片猪肉等级的预测。研究表明，生猪品级评定的工作可以从图像处理技术角度入手进行解决，可以达到和人工类似的准确率且识别效率更高。刘艳国（2005）、张萌（2016）则从另一角度解决瘦肉率的预测问题，通过对圈舍中的生猪进行图像获取，对其背方向、肋方向及臀方向进行分别拍摄。在获取图像后，对图像进行一系列预处理和特征检测。其中在建立活体猪外观特点尺寸与其对应分级情况的模型的过程中，刘艳国选择了BP神经网络结构来构建。张萌则采用了BP神经网络、Elman神经网络、RBF神经网络三种神经网络进行建模并对各自性能进行了对比。研究表明，生猪活体的外部尺寸与对应的猪胴体等级存在密切的联系。
除了瘦肉率方面的检测外，李卓（2016）利用双目视觉系统采集了活体生猪的深度图像，利用其中的背面图和侧面图，通过图像处理和基于凹陷结构的拐点提取算法，筛选体尺检测关键点，计算体长、体宽、体高、臀宽、臀高5个体尺，实现了对生猪体型尺寸的测量并评估。在鸡肉、牛肉等其他种类肉品的检测中，针对鸡翅图片的颜色、形状和纹理等方面实现了对鸡翅的品质检测；国内外对于牛肉大理石花纹的图像识别分级研究屡见不鲜。
以上肉品品质检测的研究中，普遍采用的是传统的图像分类算法和浅层神经网络算法。至本文截稿时，仍未见国内外其他学者有关于利用深度学习理论对猪胴体图像进行分级的研究。
1.4 研究目标及内容
1.4.1 需求分析与研究目标
通过对铁岭九星集团生产线的实际考察并对其生产及管理人员的深入沟通，了解到九星集团的猪肉加工生产线与国内绝大多数大中型猪肉加工企业的生产线基本一致，均是采用生猪屠宰-半自动加工生产线-冷却排酸车间的一体化模式，其中加工生产线环节如图1.2所示。
图 1.2 九星集团猪肉加工生产线
猪胴体在加工流程中由顶部链式传送装置悬挂移动，加工的大部分步骤则由下方工作平台上的工人手动完成，虽然欧美等国的一些大规模猪肉加工工厂已经采用了全自动无人化车间进行猪肉加工，但由于空间、资金和人员等诸多限制，像九星集团猪肉生产线这种国内广泛采用的方式未来十年内将仍是大部分猪肉加工企业的选择。而针对胴体分级标准落后及始终采用人工分级方式的疑问经过与企业管理人员的沟通了解到：
（1）企业希望新标准和新技术的出现和使用；
（2）设备的采用与否与经济效益直接挂钩，使用先进技术的仪器价格过高，在市场整体对猪胴体分级要求不够严格的现状下，使用进口探针式检测仪器的早期型号至少需要65万人民币以上的资金来引进设备、改造生产线及雇佣专业人员（2016年数据）。价格过高且无法创造更大利润；
（3）目前单条生产线的运作中，需要人工分级员两名，企业雇佣分级员共四名，每月工资2800元左右（2016年数据）。
根据以上了解到的情况，本文实现的基于深度学习的猪胴体图像分级系统应实现以下要求：
（1）采样、检测时间短，不影响流水线工作；
（2）易于操作，工人进行简单培训即可上岗使用；
（3）整体价格低，为企业减轻资金负担；
（4）判别准确率高，真正实现替代人工目测判别的要求。
本文的研究目标就是围绕以上要求，构建基于卷积神经网络的猪胴体分级模型，且系统可以对采集到的猪胴体图像进行迅速的图像预处理并将其输入网络模型中进行判断，基于现有的模型下对有效猪胴体图像的分级准确率应高于90%。
1.4.2 研究内容
本文是已知的学术界针对猪胴体图像分级问题在深度学习领域的第一次尝试，参考前人在深度学习领域进行图像分类等方面成果的基础上对猪胴体图像分类问题进行了深入研究，本文研究内容主要包括以下几个方面：
（1）建立猪胴体图像数据集，鉴于国内外面向人工智能领域的各类数据集中普遍缺乏猪胴体的具体分类，不具备对网络模型进行专项训练的规模，所以本次研究中初步构建了一个在生产线环境下的猪胴体图像分类信息数据集，基于在铁岭九星集团获取的猪胴体图像及其分级信息，经过数据增广、数据均衡、数据预处理等步骤后制成规范二进制格式的标准数据集。
（2）以目前得到广泛应用的AlexNet为蓝本，设计构建猪胴体图像分级网络模型的初始形态，从卷积核数量及大小；池化层数、池化方法和池化大小；卷积层及全连接层数量；激活函数及dropout使用几方面对网络模型进行了实验与分析，通过实验结果逐步确定网络模型的优化方向，最终获得性能更加优秀的猪胴体图像分级网络模型CNN-P。
（3）通过构建的猪胴体图像数据集对优化的CNN-P网络模型进行测试，考察网络性能并与从计算机视觉领域解决猪胴体分级问题的前人研究成果进行对比。
1.5 本文结构
本文由5个章节组成，各个章节的主要内容如下。
第1章首先阐明了依靠猪胴体图像进行品质分级的研究背景与意义，简要介绍了国内外猪肉分级领域以及利用机器视觉搭配深度学习进行分类运算的研究现状以及相应的学术与应用成果，分析了目前相关企业对猪胴体分级方法及设备的使用情况及需求，介绍了本文的研究对象、内容和目标，最后介绍本文各个章节的主要内容安排。
第2章对神经网络及本文使用的卷积神经网络进行了详细的说明，第一部分从单个神经元的原理入手，对神经网络技术进行了简要介绍；第二部分主要对卷积神经网络的特点、网络结构及训练过程进行了说明。
第3章详细说明了猪胴体图像数据集的制作过程，为了弥补现有数据集在猪胴体图像方面的缺口，制作了针对猪肉生产企业的猪胴体分级数据集，通过一系列数据增广方法将数据集扩大，介绍了用于平衡不均衡数据集的SMOTE算法，针对深度学习的特点对图像进行了数据预处理，为了后期更多的研究。将经过处理后的图像制作成了与现有权威数据集接近的二进制形式。
第4章通过TensorFlow机器学习系统搭建了以AlexNet为基础的猪胴体图像网络模型，研究模型参数和方法对猪胴体图像分级的影响，分析结果并对原始的网络模型进行调参和优化，设计完成最终的猪胴体图像分级网络模型。将猪胴体图像数据集的训练集部分应用于该模型进行训练，通过测试集对训练所得模型进行评估，将评估结果与其他基于计算机视觉的胴体分级方法进行对比。
第5章对本次研究进行了分析和总结，得出本文结论。
《未完待续》
