基于机器视觉的牛肉分切质量检测方法与流程

本发明涉及食品加工及机器视觉，尤其涉及基于机器视觉的牛肉分切质量检测方法。

背景技术：

1、牛肉分切是将牛胴体或大块牛肉按照规格要求切割成特定形状和尺寸肉块的关键加工环节，分切质量直接影响产品的外观品质、后续加工适应性及市场售价。随着消费者对牛肉产品品质要求的提升和食品加工自动化的发展，基于机器视觉的智能检测技术在牛肉加工领域得到日益广泛的应用。

2、目前，针对牛肉的机器视觉检测技术主要集中于两个方向：一是牛肉品质分级，通过采集牛肉切面图像，提取大理石花纹丰富度、肉色、脂肪色等特征，利用传统图像处理或深度学习模型进行等级判定；二是基于视觉引导的智能分切控制，通过rgb-d相机获取原料肉的三维信息，规划切割轨迹并控制机械臂或切割设备完成分切操作。

3、然而，现有技术普遍存在以下不足：

4、（1）缺少对分切质量的直接在线检测。现有方案主要关注“如何切准”（切割路径规划）和“切出来的产品品级如何”（品质分级），对于“切得好不好”这一反映分切工艺质量本身的指标缺乏系统性的视觉评价方法。分切过程中可能出现的边缘不平整、脂肪-肌肉分离不彻底、切面毛刺、尺寸偏差等缺陷，尚无法通过现有机器视觉系统自动识别和量化。（2）现有检测指标单一，未形成面向分切质量的多维度评价体系。少数涉及分切后肉块质量判断的技术仅通过脂肪与肉体像素的分布均匀程度进行鉴定，维度单一，难以全面刻画分切质量。（3）缺乏对不同牛肉部位分切质量的差异化检测策略。牛肉不同部位（如眼肉、外脊、里脊、牛腩等）的肌纤维结构、脂肪含量和分布形态差异显著，统一的检测标准和算法难以适应所有部位的分切质量评价需求。因此，本发明提出基于机器视觉的牛肉分切质量检测方法用来解决上述问题。

技术实现思路

1、针对上述问题，本发明提出基于机器视觉的牛肉分切质量检测方法，通过多维度指标体系刻画分切质量，采用双分支神经网络与流形注意力提升检测精度，结合部位分类实现差异化评价，结果可指导工艺调整，算法轻量、实时、易部署。

2、为实现本发明的目的，本发明通过以下技术方案实现：

3、基于机器视觉的牛肉分切质量检测方法，包括以下步骤；

4、s1：采集已完成分切的牛肉块的切面图像，并对切面图像进行去噪、光照校正和归一化预处理；

5、s2：计算包括分切边缘平整度、脂肪-肌肉分离度、切面毛刺度和分切尺寸偏差在内的至少四个维度的评价指标；

6、s3：采用双分支多任务深度神经网络对s1中预处理后的切面图像进行处理；

7、s4：将分切设备的先验信息编码为空间注意力偏置图，然后与s3中双分支多任务深度神经网络的特征图进行融合，驱动双分支多任务深度神经网络自适应提取分切区域roi；

8、s5：对牛肉块进行部位分类，然后根据识别出的部位类型调用对应的质量评价权重组合，将s2中的四个评价指标进行加权融合得到综合质量评分，最后基于预设阈值输出分切质量等级。

9、进一步改进在于：所述s3中的双分支多任务深度神经网络包括共享主干网络、用于输出边缘概率图和边缘方向图的第一分支，以及用于输出像素级语义分割概率图的第二分支。

10、进一步改进在于：所述s3中，双分支多任务深度神经网络的共享主干网络采用卷积神经网络与transformer结合的结构来输出多尺度特征图，然后第一分支接收多尺度特征图，并通过可学习的边缘锐化核和梯度直方图引导模块输出边缘概率图和边缘方向图，接着第二分支接收多尺度特征图，并通过编码器-解码器结构并加入改进的流形注意力机制，最后输出像素级语义分割概率图。

11、进一步改进在于：所述改进的流形注意力机制包括在注意力权重计算中加入基于几何关系的形状先验偏置项p，并引入流形距离正则化项。

12、进一步改进在于：所述s4中，驱动双分支多任务深度神经网络自适应提取分切区域roi时，具有为：将刀具进给方向和分切工位标定数据编码为空间注意力偏置图mspatial，与共享主干网络输出的特征图逐元素相乘，将得到的计算结果输入区域提议网络，输出候选roi框并选择置信度最高的roi框进行裁切。

13、进一步改进在于：所述s5中，对牛肉块进行部位分类时，通过部位识别模型与双分支多任务深度神经网络联合训练，输出牛肉块所属部位类别；根据识别出的部位类型调用对应的质量评价权重组合时，质量评价权重组合通过预先构建的包括部位、指标和权重的三元映射矩阵确定，不同部位对应不同的权重分布，且权重和=1。

14、进一步改进在于：所述s5中对牛肉块进行部位分类时，将牛肉块分为包括眼肉、外脊、里脊、牛腩、米龙中的至少三种类别，所述部位识别模型采用基于深度学习的分类网络。

15、进一步改进在于：所述三元映射矩阵中的权重值通过层次分析法或基于历史数据的机器学习回归方法确定，并支持根据产品规格要求进行动态调整。

16、进一步改进在于：所述方法还包括设定综合质量评分的分级阈值，根据综合质量评分进行反馈建议步骤，当综合质量评分低于预设阈值时，根据各项评价指标的得分，输出针对分切设备参数调整或刀具维护的改进建议。

17、本发明的有益效果为：

18、本发明通过面向牛肉分切工艺质量的多维度图像评价指标体系，从边缘平整度、脂肪-肌肉分离度、切面毛刺度和尺寸偏差四个维度全面刻画分切质量，弥补了现有技术中仅关注产品品质或切割路径的不足；本发明通过设计双分支多任务神经网络，第一分支负责边缘形态特征提取，第二分支负责组织界面分析，两个分支共享主干特征，既保证了检测精度又降低了计算开销，改进的流形注意力机制可针对牛肉脂肪区域形态多变的特点进行专门优化，提升了不规则脂肪与肌肉边界的分割准确性。

19、本发明通过对牛肉块进行部位分类，然后通过预先构建的部位识别模型和三元映射矩阵对不同部位分切质量的进行针对性评价，避免了传统一刀切式检测评价模式带来的误判，更符合实际生产需要。

20、本发明输出的综合质量评分和分切质量等级结果可直接用于指导分切工艺参数的调整或作为产品质量分级的依据，具有明确的应用价值，本发明的算法通过轻量化网络设计和roi自适应提取技术，可在常规工业计算平台上实现实时处理，能与现有自动分切生产线无缝对接，适配性好。

1.基于机器视觉的牛肉分切质量检测方法，其特征在于，包括以下步骤；

2.根据权利要求1所述的基于机器视觉的牛肉分切质量检测方法，其特征在于：所述s3中的双分支多任务深度神经网络包括共享主干网络、用于输出边缘概率图和边缘方向图的第一分支，以及用于输出像素级语义分割概率图的第二分支。

3.根据权利要求2所述的基于机器视觉的牛肉分切质量检测方法，其特征在于：所述s3中，双分支多任务深度神经网络的共享主干网络采用卷积神经网络与transformer结合的结构来输出多尺度特征图，然后第一分支接收多尺度特征图，并通过可学习的边缘锐化核和梯度直方图引导模块输出边缘概率图和边缘方向图，接着第二分支接收多尺度特征图，并通过编码器-解码器结构并加入改进的流形注意力机制，最后输出像素级语义分割概率图。

4.根据权利要求3所述的基于机器视觉的牛肉分切质量检测方法，其特征在于：所述改进的流形注意力机制包括在注意力权重计算中加入基于几何关系的形状先验偏置项p，并引入流形距离正则化项。

5.根据权利要求1所述的基于机器视觉的牛肉分切质量检测方法，其特征在于：所述s4中，驱动双分支多任务深度神经网络自适应提取分切区域roi时，具有为：将刀具进给方向和分切工位标定数据编码为空间注意力偏置图mspatial，与共享主干网络输出的特征图逐元素相乘，将得到的计算结果输入区域提议网络，输出候选roi框并选择置信度最高的roi框进行裁切。

6.根据权利要求4所述的基于机器视觉的牛肉分切质量检测方法，其特征在于：所述s5中，对牛肉块进行部位分类时，通过部位识别模型与双分支多任务深度神经网络联合训练，输出牛肉块所属部位类别；根据识别出的部位类型调用对应的质量评价权重组合时，质量评价权重组合通过预先构建的包括部位、指标和权重的三元映射矩阵确定，不同部位对应不同的权重分布，且权重和=1。

7.根据权利要求6所述的基于机器视觉的牛肉分切质量检测方法，其特征在于：所述s5中对牛肉块进行部位分类时，将牛肉块分为包括眼肉、外脊、里脊、牛腩、米龙中的至少三种类别，所述部位识别模型采用基于深度学习的分类网络。

8.根据权利要求7所述的基于机器视觉的牛肉分切质量检测方法，其特征在于：所述三元映射矩阵中的权重值通过层次分析法或基于历史数据的机器学习回归方法确定，并支持根据产品规格要求进行动态调整。

9.根据权利要求1所述的基于机器视觉的牛肉分切质量检测方法，其特征在于：所述方法还包括设定综合质量评分的分级阈值，根据综合质量评分进行反馈建议步骤，当综合质量评分低于预设阈值时，根据各项评价指标的得分，输出针对分切设备参数调整或刀具维护的改进建议。