北京地区三元杂交猪胴体的分级优化
开篇：润墨网以专业的文秘视角，为您筛选了一篇北京地区三元杂交猪胴体的分级优化范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！
摘 要：为了提高猪胴体分级的准确性，利用计算机视觉技术、图像处理技术及统计分析方法，对已建立的猪胴体分级标准及预测方程进行修订。结果表明，以左半胴体质量、臀中肌横长和臀中肌膘厚预测瘦肉率绝对误差小于4%；同时以瘦肉率含量、臀中肌膘厚、1/2横长处膘厚及6～7肋处膘厚等特征作为分级主要参数，使分级准确率达90%。将各处膘厚与瘦肉率含量相结合，并对猪胴体级别根据实际需求进行调整，可使分级工作更加合理、准确性也有提高。
关键词：猪胴体；计算机视觉；分级标准；瘦肉率；膘厚
Optimization Research on Pork Carcass Grading Standard for
Sanyuan Crossbred Pigs in Beijing
ZHANG Li-ping1，ZHENG Li-min1，2，*，REN Fa-zheng2，ZHU Hong1，TIAN Li-jun1，LIU Yin1
（1. College of Information and Electrical Engineering， China Agricultural University， Beijing 100083， China；
2. Laboratory of Food Quality and Safety， Beijing 100083， China）
Abstract：To increase the accuracy for pig carcass grading， the computer vision technology， image processing technology and statistical methods are used to revise the existing pig carcass grading standard and prediction equations. The experiment showed that half carcass weight， gluteus medium length and gluteus medium fat thickness can predict lean meat percentage with absolute error less than 4%； the lean meat percentage， gluteus medium fat thickness， midbody fat thickness and 6-7 rib fat thickness are the main parameters to grade carcass and they make the accuracy of grade high to 90%. The result indicated that combining a couple of fat thickness with lean meat percentage， and adjusting the grade according to the practical needs， can make the processing more reasonable and more accurately.
Key words：pig carcass；computer vision； grading standard；lean meat percentage；fat thickness
中图分类号：TS251.41 文献标志码： A 文章编号：
胴体分级是为了促进商品猪质量的提高，根据猪胴体的一些相关性状，人为的将其划分为不同的等级，世界各地关于分级采用的标准和方法各不相同，但都是为了促进生猪养殖业的发展[1-3]。从国内外多年的研究经验来看，分级参考的指标多集中在瘦肉率、肌肉的发达程度和脂肪的薄厚等方面[4-8]。
鉴于传统的分级方式多为人工凭借经验在屠宰线上通过观察胴体体型、后臀紧实程度、肥膘厚度来评判，这种方法灵活可以同时参考多个指标，但是却不可避免的误差大、重现性差、交叉污染风险大等缺点，近年来已经很少被采用[9-10]。
利用设备快速测量胴体上一些指标来估测瘦肉率进而指导分级的研究在国内外由来已久，如丹麦的FOM肉脂仪通过测定左半胴体上最后一根肋骨处离背中线4～5cm处的背膘厚和倒数第3、4肋骨之间离背中线4～5cm处的背膘厚及眼肌厚度，并结合胴体质量来实现级别的划分[11]；PG-100瘦肉率测定仪根据测量胴体大排肌肉厚度和倒数3、4根肋骨之间离背中线7～8cm处膘厚为依据获取瘦肉率的含量并实现分级[12]；德国CSB Image-Meater通过测量臀中肌处最薄膘厚和臀中肌末端到脊髓管边缘处垂直距离来计算瘦肉率并指导分级[13]。针对北京地区三元杂交猪，任兴超[14-15]的研究表明胴体的级别和胴体质量、臀中肌膘厚、1/2处膘厚、6～7肋处膘厚相关，并可通过臀中肌膘厚和6～7肋处膘厚值预测瘦肉率。
但是在长期的应用和探索过程中大家逐渐发现已经建立的回归方程并不能永久适合之后的群体，因此需要定期检验回归方程的可靠性，并发现不同品种或者相同品种的不同时期也会存在不同的瘦肉率和等级的预测方程[16]。本实验旨在讨论针对北京地区三元杂交猪分级标准的修订和特征方程优化研究。
1 材料与方法
1.1 实验材料
北京资源食品城屠宰线上随机抽取155头猪的左半胴体，品种为北京地区杜大长三元杂交猪，抽取样品涵盖不同等级、不同养殖户。
米尺（cm）、钢尺（mm）、游标卡尺（0.02mm）、电子称（10g）。
1.2 方法
生猪经检疫、禁食、沐浴、CO2致晕、宰杀放血、去毛、倒挂、去尾、开膛、去内脏、劈半、去头蹄、修整、分级、喷淋入库等流程。利用现有在线分级设备测量屠宰线上125片左半胴体级别、瘦肉量和胴体质量。
分级设备是同时利用两个摄像头对左半胴体拍照，经过去噪、补光、图像分割等图像处理，并在图像上提取出臀中肌横长及膘厚、1/2处横长及膘厚、6～7肋处横长及膘厚，通过特征方程计算得出胴体质量、瘦肉率及级别。
待胴体0～4℃排酸24h后，专人负责记录其中125片左半胴体质量、胴体长、臀中肌横长及膘厚、 1/2处横长及膘厚、后1/3处横长及膘厚、尾根处宽、6～7肋处横长及膘厚、后腿顶部分别到尾根处、后1/3处和6～7肋处长。
测量后猪胴体由专人负责分割，记录猪皮质量、精修1#（肩胛肉）、精修2#（前腿）、精修3#（通脊）、精修4#（后腿）、5#（小里脊）、排骨、带皮五花、肥膘、碎肉及2、4#肉处骨头质量（单位为kg）。
2 结果与分析
2.1 分级特征方程适宜性检验
分级系统可以实现的功能是通过提取左半胴体中的臀中肌膘厚、1/2处膘厚、6～7肋处膘厚及体横长等特征值，计算得出胴体面积进而依靠预测方程得出瘦肉率含量、左半胴体重和胴体级别。特征方程为Y =-3.5187 +0.4430X1+0.8751X2+0.4360X3+0.9183X4-0.0126X5，其中，Y为胴体级别，X1为胴体质量（10kg），X2为臀中肌膘厚（cm），X3为1/2处膘厚（cm），X4为6～7肋膘厚（cm），X5为胴体面积（m2），为了验证该特征方程是否仍能准确预测胴体级别，将本次实验的125片胴体相关数据代入该方程，对比预测级别和真实级别之间的差距，发现准确性在75%左右，表明已建立的方程不能提供准确的结果；同时有研究表明即使是相同的猪场提供活猪，随着群体背膘厚度在遗传上的减少也会逐渐引起体型上的变化[17-18]，这就表明及时检测和更新胴体分级标准及预测方程是必要的。
2.2 与级别相关的特征数据分析
本次实验采样时根据不同特征将胴体级别划分为7级，其中第7级为等外，包含膘厚异常或胴体表面存在烫伤、放血不充分、骨折等不适宜以白条形式出售的胴体。以下将1～6级内各特征平均值进行柱状图对比。
图1 胴体面积及体横长平均值
Fig 1. Average of carcass area and width
图2 瘦肉率及各处膘厚平均值
Fig 2. Average of lean meat percentage and fat thickness
通过图1、2可以发现，胴体面积、臀中肌横长、6～7处肋横长及胴体1/2处横长在各级别之间变化不明显；而胴体瘦肉率随着等级的增加明显呈下降趋势，同时6～7肋处膘厚、胴体1/2横长处膘厚及臀中肌膘厚随着等级的增加呈上升趋势，抛开分级的误差，依旧可以充分的说明胴体的级别和各处膘厚及瘦肉率的含量密切相关。
2.3 分级标准的修订及验证
2.3.1 标准的修订
原来的分级标准是将胴体分为9个级别，其中8、9两级都为等外，8级为膘厚异常，9级为胴体表面瘀伤、骨折等不适合白条出售的情况，参考的特征指标为胴体面积及各处膘厚。上述分析表明针对目前的胴体分级实验中，随着胴体级别的变化胴体面积变化平稳，但瘦肉率含量变化趋势明显，所以考虑采用瘦肉率含量替代胴体面积来结合其他膘厚指导分级。另外从实际生产来看1级胴体出现的次数极少，所以本次标准修订将胴体级别划分为7级，1～6级为正常级别，7级为膘厚异常和胴体表面异常的情况，这样会使分级更为明了简单，容易实现。表1表示不同级别特征指标平均值随等级变化趋势。
表1各特征指标平均值随等级变化趋势
Table 1 Changing trend of characteristic indexes in different grades
等级 瘦肉率/% 臀中肌膘厚/mm 1/2横长处膘厚/mm 6～7肋处膘厚/mm
1 50.47 12.60 21.30 15.30
2 49.27 12.63 22.75 16.88
3 47.90 15.09 25.41 18.82
4 47.49 17.23 24.77 19.46
5 44.59 21.96 28.68 24.07
6 42.59 26.22 35.00 29.56
修订后的标准如表2后标。
表2修订后分级标准
Table 2 Grading standard after revision
等级 瘦肉率/% 臀中肌膘厚/mm 1/2横长处膘厚/mm 6～7肋处膘厚/mm
1 47～52 10～15 18～25 15～20
2 45～50 10～15 21～28 15～20
3 44～54 12～17 20～30 15～25
4 45～50 15～20 20～30 16～27
5 38～50 15～28 22～35 17～31
6 38～50 15～28 22～35 17～31
7
该分级标准中用到了瘦肉率含量和3处膘厚的值共同指导分级，其中瘦肉率含量需要通过特征方程进行预测得出。
2.3.2 瘦肉率预测方程的建立及检验
利用样本回归分析可以得出瘦肉率含量和左半胴体质量、臀中肌横长及膘厚紧密相关，结果见方程：
Y=42.342-0.151X1+0.664X2-0.475X3
式中：Y为瘦肉率/%；X1为左半胴体质量/kg；X2为臀中肌横长/cm；X3为臀中肌膘厚/mm。相关系数r=0.866； 经检验统计量F=48.460>Fa=2.88×10-20，α
利用该预测方程对生产线上随机抽取的30片左半胴体进行验证，对比结果见表3。
表3 瘦肉率预测方程检验结果
Table 3 Test results of the lean meat percentage prediction equation
真实瘦肉率/% 左半胴体质量/kg 臀中肌膘厚/mm 臀中肌横长/cm 预测瘦肉率/% 绝对误差
51.786 36.400 10.000 29.200 52.124 0.338
47.205 32.200 10.000 26.200 50.151 -2.947
43.372 43.000 20.000 27.400 43.575 0.203
50.833 24.000 9.000 23.200 49.865 0.967
46.937 41.200 24.000 29.000 43.058 -3.879
45.793 41.600 19.000 28.200 45.088 -0.705
49.145 23.400 10.000 22.600 49.082 0.063
50.111 45.000 18.000 32.000 47.574 -2.537
46.829 41.000 15.000 26.600 46.238 -0.592
47.483 29.800 22.000 28.000 46.006 1.477
42.000 35.000 20.000 26.400 44.939 2.939
45.058 34.400 16.000 28.200 48.626 3.568
43.193 40.400 25.000 31.000 44.216 1.023
47.208 39.400 10.000 28.600 50.664 -3.456
结果表明预测值和真实值之间的绝对误差最大不超过4%，准确度较高。
2.3.3 胴体级别预测准确性验证
利用修改后的分级标准对生产线上随机抽取的30片左半胴体进行验证。
表4 修订后分级标准验证结果
Table 4 Test results of grading standard after revision
瘦肉率/% 臀中肌膘厚/mm 1/2横长处膘厚/mm 6～7肋处膘厚/mm 修订等级 预测等级
42.486 28 25 10 5 5
47.205 12 21 16 3 3
47.208 10 32 18 2 2
47.483 22 27 23 5 5
48.494 18 25 10 5 4
49.145 10 10 10 7 7
49.214 11 23 18 1 1
50.833 9 14 13 5 7
52.428 10 18 17 1 1
48.323 15 23 27 3 4
42.43 25 23 18 5 5
43.932 29 30 19 6 6
由表4可以看出，该标准可以很好地预测胴体的级别，即使是结果稍有出入，也是相邻等级，同时由于体型特征如膘厚异常导致的等外级别，也能得到很好地判别，准确性达到90%。
3 结 论
指导胴体分级的标准和预测方程需要根据市场需求和猪品种的变化定期进行调整和更新，随着人们对高蛋白、低糖低脂生活方式的追求，高瘦肉率的猪胴体有更好的市场需求量。本文在制定标准时将各处膘厚同瘦肉率含量结合起来考虑，同时对猪胴体级别根据实际需求进行了调整，使得分级工作更加清晰合理，准确性也有提高。
参考文献：
[1] 李强. 猪胴体分级技术的研究[D]. 成都： 四川农业大学， 2002.
[2] 高莉， 郑丽敏， 尹健玲， 等. 我国屠宰企业猪胴体分级技术的研究进展与建议[J]. 肉类研究， 2009， 23（4）： 3-6.
[3] 张楠， 周光宏， 徐幸莲. 国内外猪胴体分级标准体系的现状与发展趋势[J]. 食品与发酵工业， 2005， 31（7）： 86-89.
[4] 李诚. 猪肉的分级、分割及分割肉加工[J]. 肉类工业， 2003 （3）： 5-7.
[5] 李业国， 高峰， 周光宏， 等. 地方猪种胴体瘦肉率预测及分级指标筛选[J]. 江苏农业科学， 2006（3）： 122-125.
[6]ENGEL B， LAMBOOIJ E， BUIST W G， et al. Predition of the percentage lean of pig carcasses with a small or a large number of instrumental carcass measurements ： an illustration with HGP and Vision[J]. Animal Science， 2006， 82： 919-928.
[7] ENGEL B， LAMBOOIJ E， BUIST W G， et al. Lean meat prediction with HGP， CGM and CSB-Image-Meater， with prediction accuracy evaluated for different proportions of gilts， boars and castrated boars in the pig population[J]. Meat Science， 2012， 90： 338-344.
[8] JIA Jiancheng， SCHINCKEL A P， FORREST J C， et al. Prediction of lean and fat composition in swine carcasses from ham area measurements with image analysis[J]. Meat Science， 2010， 85： 240-244.
[9] 于铂. 基于图像处理技术的猪肉无损定级系统[D]. 北京： 中国农业大学， 2005.
[10] 唐毅. 基于计算机视觉技术的猪胴体等级在线评定系统[D]. 北京： 中国农业大学， 2006.
[11]CHEN Yieshiung， CHEN Wenshyan. FOM carcass grading system applied to a commercial slaughter line four predicting pork cutability and quality[J]. Journal of Taiwan Livestock Reasearch， 1998， 31（3）： 273-278.
[12] 张楠. PG-100猪胴体分级仪瘦肉率预测及猪胴体分级标准的研究[D]. 南京： 南京农业大学， 2006.
[13] 尹佳. CSB Image Meater 猪智能化影像分级仪瘦肉率预测及猪胴体等级评定标准的研究[D]. 南京： 南京农业大学， 2010.
[14] 任兴超. 北京地区三元杂交猪胴体分级标准探索[J]. 肉类研究， 2010， 24（9）： 42-44.
[15] 任兴超. 基于三维重建技术的猪胴体等级评定系统研究与应用[D]. 北京： 中国农业大学， 2010.
[16]DIESTRE A， GISPERT M， OLIVER M A. The Evaluation of automatic probes in spain for the new scheme for pig carcass grading according to the EC regulations[J]. Animal Production， 1989， 48： 443-448.
[17] RAE W， JONES S D M ， KEUNEDY B W. Pork carcass grading： the magnitude of breed and sex biases in the prediction of meat yield from a single fat measurement[J]. Canadian Journal of Animal Science， 1985， 65： 619-626.
[18] KEMPSTER A J， EVANS D G. A comparison of different predictors of the lean content of pig careasses[J]. Predictors for use in cornmercial classification and grading[J]. Anim Prod， 1979， 28（1）： 87-96.