機器視覺判別牛肉新鮮度的多模型定量分析

陸鐘超,邱月,張安強,張建友,崔蓬勃,翔云,金霞,呂飛*

1(浙江工業大學 食品科學與工程學院,浙江 杭州,310014)

2(浙江工業大學 網絡空間安全研究院,浙江 杭州,310014)

3(杭州冠華王食品有限公司,浙江 杭州,310014)

牛肉營養豐富、風味獨特、脂肪含量低,在全球肉品消費中位列第三,但在貯存、運輸過程中,極易發生脂質氧化、蛋白質分解和微生物繁殖,導致品質下降和貨架期縮短。揮發性鹽基氮(total volatile base nitrogen, TVB-N)、硫代巴比妥酸(thiobarbituric acid, TBA)、菌落總數(total viable count, TVC)和感官評定是傳統牛肉新鮮度評價的常用指標[1-2]。然而,這些常規指標屬于有損檢測,一般需要在實驗室中進行,且效率較低。此外,對于消費者而言,色澤等感官特征是判斷新鮮度的第一印象。然而,這種人眼視覺判定方法主觀性較強,且難以量化。機器視覺是利用圖像攝取裝置替代人眼,并通過圖像信號提取,利用計算機模擬人眼判別獲得客觀分析評價結果的技術。因具有可靠、經濟、高效、非侵入性和非破壞性等優勢,機器視覺已成為極具潛力的質量檢測工具[3-4]。機器視覺在肉品檢測中通過圖像獲取肉品的特征信息并將其轉化為數字信息從而對實現對肉品特征的判別。最初大部分的研究主要通過對顏色、紋理等特征進行提取來實現圖像識別。目前,基于機器視覺牛肉品質評價研究大多集中在對嫩度預測[5-7]或牛肉質量等級分類如大理石花紋等級、新鮮度等級[8-9]。在新鮮度檢測方面,現有研究通常僅對新鮮度等級進行定性判別,但單純的新鮮度等級判別無法體現牛肉新鮮度指標的細微變化,并且缺乏關于新鮮度量化檢測的研究。

因此,本研究擬利用機器視覺技術,建立一種基于顏色參數的冷鮮牛肉新鮮度量化識別模型,實現冷鮮牛肉的實時、無損的新鮮度定量判別的同時實現貨架期預測。首先,通過機器視覺系統獲取4 ℃下貯存的牛肉圖像并提取在Red-Green-Blue(RGB,紅色,綠色,藍色)、L*a*b*(亮度、紅度和綠度、黃度和藍度)和Hue-Saturation-Intensity(HSI,色調、飽和度、強度)顏色空間的顏色參數,分別采用在食品新鮮度與貨架期預測研究中使用廣泛、準確性高、泛化能力強的多元線性回歸(multiple linear regression, MLR)、反向傳播神經網絡(back propagation neural network, BPNN)和支持向量回歸(support vector regression, SVR)模型[10-12],對轉化為數字化信號的顏色參數與傳統新鮮度評價指標(TVB-N、TBA、TVC和感官評價)進行關聯建模,以確定基于機器視覺建模預測牛肉新鮮度指標的可行性。在此基礎上,選擇預測性能最優的SVR模型,基于顏色參數預測冷鮮牛肉的貨架期,并與傳統貨架期預測模型結果進行對比評價模型的可靠性。

1 材料與方法

1.1 實驗材料

排酸冷鮮牛肉樣本,購自當地肉店,選取經過排酸處理且全程冷鏈物流運輸的西門塔爾牛的眼肉6 kg。購買后30 min內用冷卻箱(0～4 ℃)送到實驗室,并沿垂直肌纖維方向分割為約600 mm×600 mm×100 mm的均勻切片,每塊質量(40±5) g。后用聚氯乙烯袋獨立包裝后置于4 ℃冰箱中待用。

1.2 機器視覺系統的搭建

1.2.1 圖像采集

本實驗圖像采集系統的搭建參考羅禮純[13]的方法并適當修改,其系統由暗箱、光源、鋁箔反光膜、智能手機組成,圖1為整個采集系統的結構示意圖。使用智能手機小米K40后置攝像頭在室溫(25±1) ℃下拍攝牛肉圖像,相機設置為閃光燈關閉、白平衡自動、ISO感光度自動、自動操作模式。暗箱里面使用了符合國際照明委員會規定的近似于日光的真實光率分布的D65光源。2個LED(3.6 W)燈條平行排列放置于暗箱的頂部。在暗箱內壁四周和頂部張貼鋁箔反光波,保證光照均勻且無死角。

圖1 圖像采集系統

獲取圖像時,牛肉樣品單獨放置在物臺上,相機與牛肉之間的垂直距離為30 cm,關閉暗箱使之密閉以避免外界光照干擾。通過頂端手機攝像頭獲取牛肉的圖像信息,圖像統一生成為JPG格式。采集之后的圖像自動保存在手機相冊中,后續通過USB端口傳輸到計算機。

1.2.2 圖像數據增強

數據增強,也稱為數據擴展,是提升機器視覺模型魯棒性和泛化性的常用策略。本研究采用MATLAB編譯腳本文件,通過圖像的旋轉和翻轉操作對牛肉數據集進行擴充[14]。先將1.2.1節中采集的每個樣本圖像繞中心點逆時針依次旋轉0°、90°、180°、270°,得到4張不同角度的圖像,再以圖像垂直中線為軸左右對調,最終將1張采集獲得的樣本圖像擴展為8張。

1.2.3 圖像預處理與分割

本研究使用MATLAB編譯腳本文件實現圖片像素的統一化處理,分辨率降低至1 000×1 000像素,以提高運算效率。采用中值濾波器(3×3)為圖像降噪工具,在計算分析之前降低水分、肉末以及不平整性對圖像的干擾并去除因設備傳輸造成的噪聲,提高圖像質量與特征提取準確性。

圖像分割指將圖像劃分為具有相似特征的區域,從分割圖像中提取的數據的準確性很大程度上取決于此步驟。牛肉中的脂肪和筋膜組織在每塊樣品中的分布和占比差異會給后續的特征提取帶來較大的不確定性,而圖像分割的目標正是去除背景、脂肪與筋膜組織,僅保留肌肉組織區域。因此,本研究首先對牛肉圖像進行灰度化處理,將RGB圖像轉換為單通道灰度圖像,利用Otsu二值化方法運算確定適合每張的閾值,隨后通過閾值分割方法對圖像中的背景區域、脂肪組織與肌肉組織進行分割。在此基礎上,通過圖像處理算法分別對分割后的圖像進行RGB、L*a*b*和HSI色彩空間分析,獲取不同顏色空間對應的顏色參數。

1.3 牛肉新鮮度指標的測定

1.3.1 傳統鮮度指標測定

TBA采用GB 5009.181—2016《食品安全國家標準 食品中丙二醛的測定》中的分光光度法進行測定。TVB-N采用GB 5009.228—2016《食品安全國家標準 食品中揮發性鹽基氮的測定》中的自動凱氏定氮法進行測定。

TVC在GB 4789.2—2022《食品安全國家標準 食品微生物學檢驗 菌落總數測定》方法基礎上適當修改。將5 g樣品與45 mL無菌生理鹽水(0.9%)在無菌密封袋中混合,用拍擊式無菌均質機均質1 min。取均質后的勻漿1 mL與9 mL無菌生理鹽混合并振蕩均勻,用于平板計數。孵育條件為(36±1) ℃、48 h,菌落計數結果以lg CFU/g表示。

1.3.2 感官評定

感官評價參照LUO等[5]的方法。感官品評小組由10名(5男5女)經培訓的專業人員組成,根據表1對牛肉的色澤、氣味、質地、整體可接受度4個方面進行打分,計算感官指數(sensory index,SI)評價牛肉整體情況,如公式(1)所示:

表1 牛肉感官評分Table 1 Beef sensory score

SI=(2.5×C+2×O+2.5T+3×F)/10

(1)

式中:SI,感官評分;C,顏色;O,氣味;T,質地;F,整體接受喜愛度。

1.4 新鮮度模型的建立與評價

分別于第0、2、4、6、8、10天隨機選取20個樣本采集圖像,并進行傳統鮮度指標測定與感官評價。

對牛肉圖像進行預處理和肌肉組織顏色參數提取作為圖像特征,分別采用MLR、BPNN、SVR模型構建顏色參數與牛肉新鮮度指標之間的映射關系預測模型。

MLR模型是一種用于建立因變量與多個自變量之間線性關系的統計模型[15],通過擬合線性關系來預測或解釋因變量的變化,如公式(2)所示:

y=β0+β1x1+β2x2+…+βkxk+ε

(2)

式中:y,因變量;x1,x2, …,xk,自變量;β0,β1,β2,…,βk,回歸系數;ε,誤差項。

本研究采用非線性映射的能力較強的3層BPNN構建模型,包括1個輸入層、1個輸出層和1個隱含層,并將牛肉圖像樣本數據集以4∶1比例隨機劃分為訓練集與測試集。以顏色參數為輸入值,以傳統鮮度指標(TVB-N、TBA、TVC)或SI作為輸出值,分別構建模型。模型參數:trainlm作為訓練函數,learngdm為學習函數,Sigmoid函數作為隱含層傳輸函數,purelin函數為輸出層傳輸函數,網絡性能目標誤差為0.001,學習速率0.01,最大訓練步數10 000次。

本研究使用MATLAB中LIBSVM工具箱構建SVR牛肉新鮮度預測模型,將牛肉圖像樣本數據集以4∶1比例隨機劃分為訓練集與測試集。模型以顏色參數為輸入值,以新鮮度指標為輸出值,以徑向基函數為核函數,利用網格搜索法和5折交叉驗證法對模型懲罰因子c和核參數g尋優。c和g的搜索范圍均在[2-10, 210],搜索步距設置為0.5。

1.5 基于顏色特征值的牛肉貨架期預測模型

基于1.4節中對3種模型的比較,選擇預測性能最高的SVR模型以顏色參數作為輸入值,以實際貨架期作為輸出值,以徑向基函數為核函數,通過網格搜索法和5折交叉驗證法對模型懲罰因子c和徑向核參數g尋優。利用尋優后的c和g構建基于顏色參數的冷鮮牛肉SVR貨架期預測模型。同時,根據傳統動力學貨架期預測理論,分別構建基于TVB-N、TBA、TVC和SI的傳統貨架期預測模型用于驗證SVR模型預測結果。

1.6 數據處理

傳統鮮度指標測定中,每個試驗重復3次,結果表示為平均值±標準差。數據統計分析采用SPSS Statistics 19軟件完成,使用Origin 2018繪圖。使用MATLAB R2021a軟件進行回歸建模,通過模型的決定系數(R2)、均方根誤差(root mean squard error, RMSE)評價模型的預測性能。

2 結果與分析

2.1 機器視覺對冷鮮牛肉的成像和分析

為豐富圖像數據集,更好地提取牛肉特征,增強模型的魯棒性,本研究使用MATLAB中imrotate函數對每張牛肉圖像進行旋轉,后使用flipud函數對旋轉后的牛肉圖像進行翻折變換,最終得到8張不同圖像,如圖2所示。隨后,采用medfilt 2函數進行圖像的中值濾波降噪。

圖2 牛肉樣品圖像增強示意圖

圖像的灰度化處理能夠簡化圖像像素矩陣,加速后續圖像處理,同時通過不同的灰度級別有效傳達圖像明暗和細節特征,特別是在光線不足的情況下,能提高圖像清晰度,減少光線不穩定對圖像質量的影響[16](圖3)。本研究通過MATALB中rgb2 gray函數將原始圖像轉換為灰度圖像以增強背景與牛肉樣本區域之間差別,如牛肉圖像的灰度直方圖(圖4)示。隨后采用基于灰度直方圖的Otsu二值化閾值分割方法消除圖像中的背景區域。

a-牛肉原始圖像;b-牛肉灰度圖;c-背景分割圖像;d-有效肌肉區域圖

圖4 灰度直方圖

進一步利用閾值法分割肌肉與脂肪筋膜組織,將肌肉部分作為特征區域(圖3-d)提取圖像的R、G、B值。同時,利用MATLAB中rgb2lab和rgb2 hsi函數將RGB顏色空間轉換為L*a*b*和HSI顏色空間并分別提取各顏色通道值,結果如圖5所示。

圖5 4 ℃貯藏期間的牛肉肌肉顏色參數變化

由圖5-a可知,貯藏期內牛肉圖像的R值呈顯著(P<0.05)下降趨勢,G值和B值則呈明顯上升趨勢。RGB值的變化表明,牛肉顏色的構成中紅色的占比隨貯藏時間的延長逐漸降低,而綠色和藍色的占比逐漸增加。R值變化與感官評價結果牛肉顏色先由鮮紅向暗紅色甚至灰暗色轉變一致,G值與B值的變化與腐敗變質后牛肉出現藍綠色斑點相符合。

L*a*b*顏色空間模型與RGB模型的不同之處在于,其對顏色的表達主要是基于顏色的亮度L*以及描述紅綠色度a*和藍黃色度b*的變化。該表色系統能較全面反映牛肉表面的色澤和色差。由圖5-b可知,L*值在貯藏期內呈顯著(P<0.05)下降趨勢,牛肉色澤逐漸變暗。在a*分量值中,a*值上升可定義為紅度增加,a*值降低可定義為綠度增加,圖中牛肉a*值在0～2 d時有所上升,在后續貯藏期內顯著(P<0.05)下降。這是由于新鮮牛肉肌肉組織中的肌紅蛋白尚未能與空氣中的氧氣充分接觸,故呈深紅櫻桃色,當與包裝內氧氣接觸一段時間后,氧合肌紅蛋白含量增加且呈鮮紅色,a*值上升;隨著貯藏時間的進一步延長,氧合肌紅蛋白中的Fe2+被氧化形成高鐵肌紅蛋白,此時牛肉轉變成深棕紅色,a*值下降[9]。b*值在貯藏期內的變化不明顯。

HSI顏色空間是一種將顏色信息與人眼感知相關聯的顏色表示方法,H表示色調,S表示飽和度,I表示亮度[17]。根據圖5-c顯示,牛肉初始H值為0.100(偏紅),后H值隨貯藏時間延長而增加,說明牛肉顏色從紅色向藍綠色變化。S值表示顏色的純度或鮮艷程度,在第4～10天的貯藏期內顯著(P<0.05)下降,說明肌肉顏色變暗。I值是一個主觀描述值,僅代表圖像的亮度,與圖像的顏色信息無關。在貯藏期內,I值上下波動,沒有明顯趨勢。

2.2 牛肉新鮮度指標分析

4 ℃下貯藏期牛肉樣品中TVB-N、TBA、TVC和SI值的變化如圖6所示。TVB-N被廣泛用作判定肉類變質的指標,根據GB 2707—2016《食品安全國家標準 鮮(凍)畜禽產品》規定,TVB-N值小于15 mg/100 g時牛肉被認定為新鮮肉,TVB-N值為15～25 mg/100 g為次新鮮肉,TVB-N值大于25 mg/100 g為腐敗肉。本研究中,TVB-N的初始值為5.88 mg/100 g,在貯藏期內TVB-N顯著(P<0.05)上升至31.44 mg/100 g。第8天時TVB-N為25.59 mg/100 g,已經超過最大可接受水平(≥25 mg/100 g),認定牛肉已經腐敗。

a-TVB-N;b-TBA;c-TVC;d-SI

肉品中不飽和脂肪酸的二次氧化產物丙二醛與TBA在一定條件下反應生成有色物質,可反映脂肪的氧化酸敗程度。通常,當TBA值大于0.5 mg/kg時即有可感知的脂肪氧化異味[18]。一般情況下,牛肉TBA值為0.20～0.66 mg/kg被認定為新鮮肉,0.66～1 mg/kg為次新鮮肉,大于1 mg/kg為腐敗肉[19]。本研究中牛肉初始TBA值為0.28 mg/kg,在貯藏期內上升至1.21 mg/kg,且在第8天就已經達到1.13 mg/kg,即第8天牛肉已經腐敗,與TVB-N判定結果一致。

微生物的生長繁殖是引起肉類食品腐敗變質的主要因素。根據TVC的評判標準,新鮮肉TVC<4.0 lg CFU/g,次新鮮肉TVC為4.0～6.0 lg CFU/g,腐敗肉TVC>6.0 lg CFU/g[20]。由圖6-c可知,牛肉初始TVC值為3.56 lg CFU/g,在貯藏期內TVC顯著增加(P<0.05),第10天時達到6.93 lg CFU/g。第8天時TVC值為6.07 lg CFU/g,超過肉類的最大可接受水平。

感官評定也是判斷牛肉新鮮度的重要方法。結合表1分析,牛肉初始總體感官良好,在貯藏期內SI值顯著(P<0.05)下降,在第8天降低至6.0到達臨界水平,說明第8天牛肉已經出現腐敗跡象。

2.3 新鮮度預測模型的建立與驗證

為進一步探究貯藏期間牛肉肌肉顏色變化與其新鮮度之間的關聯,將R、G、B、L*、a*、b*、H、S、I分量值與牛肉新鮮度指標進行Pearson相關性分析,結果如表2所示。TVC與肌肉顏色參數中R、L*、H值呈極顯著相關(P<0.01),與S值呈顯著相關(P<0.05)。SI與R、L*、H、S值呈極顯著相關(P<0.01),與G、B、a*值呈顯著相關(P<0.05)。TBA值與R、H值呈極顯著相關(P<0.01),與L*、S值呈顯著相關(P<0.05)。TVB-N值與R、L*、H值呈極顯著相關(P<0.01),與G、S值呈顯著相關(P<0.05)。這些關聯關系是由于隨著貯藏時間的延長,牛肉由于氧化反應、蛋白質分解、微生物繁殖代謝等綜合作用導致牛肉TVB-N、TBA、TVC值的上升與感官評分下降,顏色上表現出紅色逐漸變暗甚至出現灰綠色[21]的變化趨勢。R、L*、H、S所代表的顏色參數在視覺上與顏色的感知和外觀密切相關,R值、L*值與S值根據牛肉肌肉的顏色變化隨貯藏時間的延長而降低。故這些顏色參數與TVC、TBA、TVB-N值呈負相關,與SI值呈正相關。而在HSI顏色空間中,H值為0表示紅色,H值的增加表示牛肉顏色從紅色逐漸向黃綠色過渡。故H值與TVC、TBA、TVB-N值呈現正相關性,與SI值呈負相關。H值的變化也與G、B值的隨時間的延長以及感官評價結果一致。

表2 牛肉肌肉顏色參數與新鮮度相關性分析Table 2 Correlation analysis between beef muscle color parameters and freshness

盡管牛肉肌肉顏色變化與其新鮮度指標TVB-N、TBA、TVC和SI值之間存在較強的相關性,但這種關系可能是復雜且非線性的。故本研究選擇與新鮮度指標極顯著與顯著相關的顏色參數作為后續新鮮度預測的變量,并利用MLR、BPNN、SVR建立了牛肉TVB-N、TBA、TVC和SI值的預測模型。表3為基于肌肉顏色參數的牛肉新鮮度MLR回歸方程預測模型。結果顯示MLR方程對TVB-N、TBA、TVC和SI值都有良好的擬合效果,R2分別為0.940 6、0.931 6、0.958 2和0.954 8。

表3 4 ℃貯藏期間基于牛肉肌肉指標與顏色參數的預測新鮮度MLR模型Table 3 MLR models for freshness prediction between indicators and color parameters of beef muscle during storage at 4 ℃

BPNN模型的隱含層節點數對預測精度有較大的影響,故本研究對比了不同隱含層節點數下模型在驗證集上的性能表現,根據R2與RMSE為評價模型預測性能,尋找最優隱含層節點參數。由表4可知,預測TVB-N、TBA、TVC、SI值的BPNN模型隱含層最優節點分別為7、11、9和9,R2分別為0.962 7、0.964 1、0.992 0和0.986 4。且RMSE均小于MLR模型,證明BPNN模型比MLR模型對牛肉新鮮度指標預測效果更好。

表4 4 ℃貯藏期間基于牛肉新鮮度指標和肌肉顏色 參數之間的預測新鮮度BPNN模型Table 4 BPNN models for freshness prediction between indicators and color parameters of beef muscle during storage at 4 ℃

常用的SVR的核函數有:多項式、Sigmoid和徑向基,其中徑向基核函數因具有良好的非線性映射能力和適用性而成為最普遍使用的核函數[22]。因此,本研究以徑向基核函數為核函數,利用網格搜索法和5折交叉驗證法,以交叉驗證最小均方誤差為目標,對模型中的懲罰參數c以及核函數g值進行尋優,尋優過程如圖7所示。以搜尋到的最優參數c和g進行新鮮度SVR模型訓練,訓練結果如表5所示。預測TVB-N、TBA、TVC、SI值的SVR模型R2分別為0.971 2、0.967 9、0.992 8和0.988 3,表明SVR模型對于新鮮度指標具有良好的預測效果。

表5 4 ℃貯藏期間基于牛肉肌肉指標與顏色參數的 預測新鮮度SVR模型Table 5 SVR models for freshness prediction between indicators and color parameters of beef muscle during storage at 4 ℃

a-TVB-N模型;b-TBA模型;c-TVC模型;d-SI模型

MLR模型、BPNN模型和SVR模型證明了利用計算機視覺技術預測新鮮度的可行性。表6為3種模型分別預測TVB-N、TBA、TVC和SI值的相對誤差比較。如果相對誤差在±10%之內,則該模型被認為是可接受的[23]。據觀察,SVR模型相對誤差均在±10%以內,且預測指標方面優于MLR和BPNN。MLR模型預測誤差較大的原因是顏色參數與牛肉新鮮度之間的關系可能是非線性,并且多個顏色參數之間高度相關的情況導致MLR模型受多重共線性影響,降低了模型的性能。而BPNN模型容易陷入局部最優解的問題,在小樣本問題上SVR通常比BPNN預測效果更好[24]。因此,基于肌肉顏色參數的SVR模型是預測牛肉整體新鮮度的有效方法和最優選擇。

表6 4 ℃貯藏下MLR、BPNN和SVR模型對TVB-N、TBA、 TVC和SI預測值與真實值之間的相對誤差比較Table 6 Comparison of MLR, BPNN, and SVR relative errors between predicted and experimental values of TVB-N, TBA, TVC, and SI value storage at 4 ℃

2.4 貨架期模型的建立與分析

傳統貨架期預測通常以食品腐敗過程中微生物生長、化學物質衰變或感官特征失效為基礎,選擇合適的動力學模型和數據分析方法建立預測方程,結合實驗不斷調試和修正參數從而獲得相對準確的貨架期預測模型。本研究基于“食品品質變化規律通常符合零級或一級反應”理論[25],分別對TVB-N、TBA、SI值進行反應方程擬合(表7)根據模型擬合結果,選擇零級化學動力學反應作為TVB-N、TBA、SI值的化學反應能級,并根據公式(3)建立貨架期預測模型;對TVC值采用修正的Gompertz模型擬合,并建立貨架期預測模型(公式4),結果如表8所示。

(3)

表7 4 ℃下牛肉各新鮮度指標的回歸方程Table 7 The regression equation of beef freshness index at 4 ℃

表8 4 ℃下動力學模型的預測貨架期與實際貨架期的比較Table 8 Comparison between predicted shelf-life by dynamics model and the actual shelf-life at 4 ℃

(4)

式中:SL,剩余貨架期時間,d;Amax,新鮮度指標閾值;A,新鮮度指標實時檢測值;k,反應速率常數;λ,延滯期,d;Nmax;N0,初始菌落總數,lg CFU/g;μmax,微生物最大比生長速率;Ns,最小腐敗量,lg CFU/g。

基于顏色參數的牛肉SVR貨架期預測模型的以顏色參數(R、G、B、L*、a*、b*、H、S、I)為輸入值,以剩余貨架期為輸出值。將輸入值歸一化處理后,利用網格搜索法進行參數尋優,尋得最優c為45.254 8,g為1.414 2。利用得到的最優參數對SVR進行訓練,以隨機60組數據作為驗證集。預測結果如圖8所示,R2為0.964 8,與實際貨架期的平均絕對誤差為0.379 1 d,說明SVR模型的預測值與實際值的關聯度很高,且預測值與實際值偏差小。與傳統動力學貨架期預測模型相比,各單一指標的傳統貨架期模型絕對誤差均大于SVR模型,說明SVR貨架期模型比傳統貨架期模型預測更加準確。因此,本研究建立的基于肌肉顏色參數的SVR貨架期預測模型可作為無損預測牛肉貨架期的有效方法。

圖8 牛肉貨架期SVR模型預測結果

3 結論

本項研究開發了一種基于牛肉肌肉顏色的機器視覺技術,可同時預測牛肉在4 ℃貯藏期間的TVB-N、TBA、TVC、SI值和貨架期。通過對牛肉圖像進行預處理與圖像分析,并選擇與牛肉新鮮度指標相關性高的顏色參數用于新鮮度建模。在對基于肌肉顏色參數的MLR、BPNN和SVR牛肉新鮮度預測模型性能進行評估中,SVR模型性能最優,對TVB-N、TBA、TVC和SI值預測模型R2分別0.971 2、0.967 9、0.992 8和0.988 3,且預測相對誤差均在10%之內。在此基礎上,進一步建立了基于肌肉顏色的SVR牛肉貨架期預測模型。與傳統貨架期建模方式相比,SVR模型顯示出良好的預測結果(R2=0.964 8),平均絕對誤差更小且<0.5 d,實現了冷鮮牛肉貨架期的高效、無損、精準預測。綜上所述,本研究建立的基于肌肉顏色參數的機器視覺系統能提供準確、實時、在線的冷鮮牛肉新鮮度與貨架期預測,為進一步開展肉品快速無損檢測相關研究提供參考。