牛肉是人们日常生活中最常食用的肉制品之一,具有高蛋白低脂肪的特点,富含蛋白质、氨基酸、微量元素[1]。2024年,全国牛肉产量779万t,较去年增加26万t,增长率3.5%[2]。外观是人们能最先感知到的特征[3],牛肉的表面状态在消费者的购买决定中起着至关重要的作用。有经验的消费者会根据颜色和表面的感官信息来判断肉制品的新鲜程度和食用品质。每年因色泽劣变、质构劣化造成的质量损耗占总产量的8%左右[4]。
冷藏是牛肉最常见的流通与销售方式,在冷藏期间牛肉会经历水分迁移和肌纤维破坏,肌肉中的“结合水→不易流动水→自由水”逐步向外迁移,渗出液增加[5-6];同时,蛋白质和脂质被氧化,结构蛋白逐渐降解或交联,组织结构也直接受到影响[7-8]。这些变化不仅最终影响肉品的感官品质,也直接影响消费者对一块肉新鲜度的判断。
目前,对牛肉冷藏过程中表面纹理的评价还主要依赖于理化指标的测量和与感官相关的参数。传统的理化指标诸如pH、剪切力、肌原纤维断裂指数等,能够较为准确地表征肉所处的僵直、解僵阶段和嫩度[9],但此类方法通常具有破坏性,检测流程复杂,且难以实现快速或在线检测,在实际生产与流通过程中的应用受到限制[10]。
随着机器视觉技术的发展,其低成本、快速、精度高、无损的优点使其在食品检测领域得到广泛运用。它利用摄像工具代替人眼,提取图片中与品质相关的信息,再利用图像分析算法精准进行质量检测[11]。目前常见的应用包括测量肉品表面的颜色、对肉肌间脂肪的分布情况(大理石花纹)进行评级、对肉嫩度、新鲜度[12-13]、脂肪含量进行分类[14]或预测[15]。然而现有的研究多集中在针对不同肉类、采取不同色彩空间和颜色评判标准,或结合不断迭代出新的算法和机器学习模型来准确预测肉品质、分类分级,对于冷藏期间由于失水、氧化等引起的表面微观结构变化研究较少,对图像纹理特征的利用和分析与颜色相比明显不足,尤其是针对牛肉冷藏期间表面纹理变化的系统量化研究比较有限。因此,有必要引入能够表征牛肉表面纹理随贮藏时间变化的分析方法,对牛肉表面结构变化进行更全面和准确的描述。
灰度共生矩阵(gray-level cooccurrence matrix, GLCM)是一种经典的纹理特征提取方法,其在图像识别、分割、分类中都得到了广泛应用。GLCM的原理是将图像本身使用的颜色空间转换成平均灰度颜色通道。基于确定的角度和间距,从基础矩阵中获取GLCM特征。随后,通过将该基础矩阵与其转置矩阵相加,将其转换为对称矩阵。所得的求和矩阵经过归一化处理,以消除矩阵间的依赖性(即消除图像尺寸的影响)。基于最终结果,可以计算多种统计指标,并将这些指标作为纹理特征[16]。在医学领域,可通过对组织病理学图像的分析区分良恶性、不同分级的肿瘤,并作为机器学习/深度学习的输入特征[17-18];在遥感领域,GLCM可用来分析卫星照片或无人机图像,识别不同类型的地形地貌[19];在食品领域,ASMARA等[20]利用机器视觉获得的纹理指标和颜色指标对不同新鲜程度的牛肉、猪肉进行了分级;KISWANTO等[21]利用GLCM获得的纹理特征和k-NN算法准确地识别出新鲜、冷冻和腐败肉。
本研究以冷藏条件下的牛背最长肌为研究对象,基于机器视觉先获得表面有效像素点,再利用GLCM对牛肉表面拍摄图像的纹理特征进行提取、分析和量化,系统分析不同贮藏时间下纹理参数的变化规律。同时,引入主成分分析(principal component analysis, PCA)对多种纹理特征进行降维整合,试图揭示冷藏期间牛肉表面纹理结构变化的主要模式,为建立通过图像纹理特征评价牛肉品质的方法提供理论依据。
1 材料与方法
1.1 样品制备
在当地肉类批发市场(天鹏肉类批发市场,无锡)分3个批次采购了鲁西黄牛背最长肌,采购时间距屠宰时间约4 h。每一批次均取自同一胴体的同侧整条背最长肌肌肉。采购后将肌肉置于保温箱中,在30 min内运输至实验室,整个运输过程中温度保持在0～4 ℃。到达实验室后,使用消毒的道具将每条背最长肌切割为规格统一的牛排,每块牛排厚度约为1.5 cm(±0.1 cm),质量为150 g(±10 g)。在全部3个批次中共制备得到30块牛排样品。
随后,将牛排置于托盘中,用透明聚乙烯保鲜膜覆盖[厚度为9 μm,透氧率约为8 000 cm3/(m2·d·atm)],放置于4 ℃冰箱贮藏。为模拟商超环境,在冰箱内安装了一个固定光源(长度40 cm,色温5 700 K,功率10 W),对牛肉表面进行持续照明。
将30块牛排样品随机分配至10个贮藏时间点(0、2、4、8、10、12、14、24、28、30 h),每个时间点包含3块来自不同胴体的独立样品。将牛排放入冰箱的时刻定义为“0 h”,对样品进行了如下的数据采集和操作。
1.2 图像采集
1.2.1 系统搭建
图像采集系统由暗箱、光源和相机组成。暗箱的内部尺寸为70 cm×70 cm×70 cm。箱体内部铺设铝箔反射材料,外部覆盖黑色遮光布,以消除外界光源干扰。暗箱顶部安装两条长度为60 cm,色温5 500 K的LED灯带作为照明系统。将相机(EOS 90D,佳能公司)固定安装在暗箱正上方的中心位置,并与牛排样品保持90°的垂直拍摄角度。相机参数设置如下:快门速度1/200 s,光圈F8.0,ISO=640,焦距24 mm,白平衡设置为自动。在每次测量时,将牛肉样品从冰箱中取出,放置于白色餐盘上,贮藏时与氧气接触的一面朝上。样品表面与相机镜头之间的距离约70 cm,图1为图像采集系统的示意图。
a-图像采集装置示意图;b-采集图像示例
图1 图像采集系统
Fig.1 Image acquisition system
1.2.2 图像分割
为排除肉样表面结缔组织和肌间脂肪的干扰,获得纯肉部分的ROI(region of interest),对图像进行了分割处理。牛肉中白色脂肪和筋膜组织并不是想获得信息的区域,其分布及占比在不同样品间差异较大,为后续特征提取引入不确定性。图像分割步骤需要先去除图像中的背景,留下整块肉,再获得所有样品的红色肌肉部分,保证准确提取到色泽信息。因此,本研究在Python中使用Grabcut函数进行分割,具体来说,输入图片样例后,算法将图像识别分割为背景和牛肉2部分,随后将原始图像转变为灰度图像。根据如图2所示的灰度直方图,选取初始阈值T为114,将特异性图像分割成G1(灰度值>T)和G2(灰度值<T)区域,采用基于灰度直方图所得结果的Otsu二值化阈值分割法在图像中生成掩膜。分割流程如图3和图4所示。
图2 图像的灰度直方图
Fig.2 Grayscale histogram of the beef surface image
a-分割前图像;b-通过Grabcut法分割背景,仅获得牛肉和餐盘;c-生成掩膜
图3 图像分割肉和背景示意图
Fig.3 Schematic illustration of image segmentation for separating beef and background
a-掩膜操作后所得图像;b-最终有效肌肉组织
图4 掩膜效果展示和最终提取示意图
Fig.4 Visualization of mask application and final results
通过上一步骤中获得的掩膜筛选出需要剔除的区域和保留区域,并将这2个区域在原图像中显示,如图4-a所示。依据此结果进行图像分割,最终获得去除了白色肌间脂肪、结缔组织的红色有效肌肉组织,并将其作为每个样品的最终输入图片。
1.2.3 灰度共生矩阵的计算
图像分割后的图片先用基于亮度加权的方法进行灰度域变换(grayscale transformation),将图片中的彩色RGB空间转换为单通道灰度图像。然后进行尺寸统一,将每张照片分辨率都缩放至512像素×512像素,这是为了消除不同图像分辨率对GLCM统计结果的影响,保证不同样本间的纹理特征具有可比性,在减少数据维度的同时,聚焦于牛肉表面的组织结构与纹理特征。然后,为提高GLCM计算的稳定性,将预处理后的图像从原来的256个灰度级转化成64个离散灰度级,兼顾了纹理细节信息的保留与共生矩阵稀疏性控制。过高的灰度级数易导致GLCM过于稀疏,从而降低纹理特征的稳定性;而过低的灰度级数则可能掩盖与肌肉微观结构相关的细微纹理差异。处理流程如图5所示。
图5 图像的灰度处理流程示意图
Fig.5 Workflow of grayscale image processing.
在空间尺度设置方面,选取1、3、5像素条件(DISTANCES=[1, 3, 5])作为统计距离,以同时表征不同尺度下的纹理特征。例如,d=1捕捉微细纹理,如肌纤维的细微间隙,与肌原纤维排列及表面微结构密切相关,d=5则能捕捉宏观纹理,如干斑或较大的肌肉束结构,反映肌肉组织的整体结构和表面不均匀性。多尺度距离的引入有助于全面刻画贮藏期间肉品组织结构的变化特征。
在方向参数设置上,选取方向为0°、45°、90°和135°(ANGLES=[0, np.pi/4, np.pi/2, 3*np.pi/4]),这主要基于对肉表面纹理可能存在的方向性特征的考量,通过对不同方向计算结果取平均值,有效降低了纹理特征对取向变化的敏感性,提高了特征的旋转不变性,这对于纤维取向不完全一致的生物组织尤为重要。图6是灰度共生矩阵计算的示意图。
图6 灰度共生矩阵像素点计算示意图
Fig.6 Schematic diagram of pixel pair computation in GLCM
在计算过程中启用对称化处理,并对共生矩阵进行归一化,使其表示为联合概率分布。基于上述GLCM,共提取了6种Haralick纹理特征,包括对比度(contrast)、非相似性(dissimilarity)、同质性(homogeneity)、能量(energy)和角二阶矩(angular second moment, ASM),引入熵(entropy)用于定量描述纹理结构的复杂性和无序程度。熵值基于多距离、多方向GLCM的平均概率矩阵,按照Shannon信息熵公式进行计算,如公式(1)所示:
(1)
式中:p(i,j),不同距离和方向条件下GLCM的平均概率矩阵;L,灰度量化级数。
最终对所有距离和方向条件下的特征值取平均值作为单个样品的纹理特征结果,计算公式如公式(2)所示,代表该样品在综合尺度下的平均纹理状态。
(2)
式中:Feature,最终得到的纹理特征值,用于表征单个样品在综合尺度和综合方向下的平均纹理状态;D和d,特定距离;θ和A为特定方向/角度。
1.3 数据分析与统计
在每个贮藏时间点,随机选取来自不同牛肉胴体的3块牛背最长肌作为实验样本,以确保样本之间的生物学独立性(n= 3),其中胴体作为随机效应,贮藏时间作为固定效应。GLCM算法的构建与调试在Visual Studio Code环境下基于Python 3.11.2完成。每块样品经图像预处理后获得相同数量的有效像素点,先分别计算单块样品的GLCM纹理参数,再将同一贮藏时间点的3块样品结果合并取平均值,所得结果作为该时间点牛肉样品的纹理特征参数,数据以“平均值±标准差”表示。
不同贮藏时间点之间各项指标的差异采用单因素方差分析(one-way ANOVA)进行检验,当P<0.05时认为差异具有统计学显著性,统计分析均在IBM SPSS Statistics 24软件中完成。PCA使用SIMCA 13.1软件进行,所有图形绘制均通过GraphPad Prism 10和Python输出得到。
2 结果与分析
2.1 GLCM结果
牛肉在冷藏过程中,GLCM纹理特征参数随贮藏时间的演变如表1所示,从表中可以归纳发现,肉表面的微观结构和灰度分布的特征随时间发生了显著变化。对比度随贮藏时间整体呈显著上升的趋势(P<0.05)。在贮藏早期(0～4 h),对比度处在较低的水平(37.824～39.169),至24～30 h,对比度显著升高并达到最高水平,这表明图像中像素点之间的灰度差逐渐增大。不相似性与对比度呈现相似的变化趋势。不相似性在0～10 h间保持相对稳定,12 h后逐渐升高,并在30 h达到显著高值(3.502,P<0.05),原因是新鲜肉表面湿润、充盈,像素间的过渡比较平滑,像素之间的灰值差异小,对比度通常较低,而随着贮藏时间的延长,肌肉表面水分蒸发,组织结构变得松散,肉表面出现微小的干缩纹路,或因局部氧化出现了色斑,像素之间的灰度差异变大,亮白色的脂肪和变暗的肌肉之间的对比也更为强烈,2个指标的同步变化进一步说明肉表面纹理的细微灰度差异不断累积,表面结构复杂性增强。
表1 六种GLCM特征参数随时间变化情况
Table 1 Changes in six GLCM texture features of beef surface during refrigerated storage
贮藏时间/h对比度不相似性同质性能量角二阶矩熵037.824±1.357c3.002±0.051b0.486±0.0140.314±0.0190.132±0.022a6.653±0.212a238.757±0.275c3.113±0.045b0.48±0.0070.285±0.0190.082±0.007ab7.132±0.222a439.169±0.322c3.113±0.057b0.471±0.0110.277±0.0130.069±0.006b7.214±0.064a842.704±1.068bc3.122±0.056b0.463±0.0140.263±0.0110.070±0.002b7.372±0.079a1044.751±0.345bc3.107±0.025b0.465±0.0020.264±0.0040.071±0.006b7.360±0.038a1246.629±1.089b3.193±0.051ab0.46±0.0050.261±0.020.069±0.003b7.353±0.064a1447.706±0.027b3.184±0.161ab0.462±0.0180.264±0.0050.072±0.007b7.401±0.093a2451.827±2.136ab3.266±0.054ab0.457±0.0060.267±0.0130.069±0.01b7.441±0.03ab2853.109±2.236ab3.442±0.069ab0.458±0.0130.260±0.0040.063±0.017b7.45±0.161ab3054.306±0.669a3.502±0.02a0.434±0.0170.245±0.0350.05±0.013b7.517±0.017b
注：同一列中不同小写字母(a～c)表示经单因素方差分析(one-way ANOVA)及Tukey多重比较检验后,贮藏时间之间差异显著(P<0.05)。
同质性反映了灰度共生矩阵中像素对分布相对于主对角线的集中程度。主对角线对应相邻像素灰度值相同或相近的情况下,其附近概率分布越集中,图像纹理越均匀。随贮藏时间延长,其整体呈下降趋势,从0 h时的0.486逐步下降至30 h的0.434,反映出像素灰度值分布逐渐远离主对角线。图像整体由均匀、平滑的状态向非均匀的转变。能量和角二阶矩均表现出随贮藏时间延长而降低的趋势。能量从0 h的0.314逐步下降至30 h的0.245,角二阶矩由0 h的0.132显著降低至30 h的0.050(P<0.05)。这3个指标均是对牛肉纹理的整齐程度和统一感的反映。新鲜切面的肌肉组织紧密、规则,纹理分布均匀。随着蛋白质降解或组织松散,原本整齐的肌肉纹理被破坏;或者因为表面渗水/干斑导致纹理变得杂乱。肉表面的均一感下降。同时,熵也随时间整体呈上升趋势,并在30 h达到显著最高值(7.517,P<0.05)。这反映出图像信息的混乱度、不确定性、复杂程度加剧,贮藏后期肉表面结构变得无序。图7直观清晰地展示了牛肉表面灰度随时间变化的情况。
a～j分别为0、2、4、8、10、12、14、24、28、30 h
图7 牛肉表面灰度图随时间变化情况
Fig.7 Grayscale images of beef surface at different storage times
2.2 PCA
尽管对6个GLCM纹理特征参数进行单独分析能够揭示其随贮藏时间变化的基本规律,但各纹理指标在表征图像结构时往往具有一定的信息重叠性和相关性,单一参数难以全面反映牛肉表面纹理变化的整体特征。为进一步整合多位纹理信息,降低特征冗余,并在整体上揭示指标间的内在联系及其随时间变化的主要模式,对所提取的6种GLCM纹理特征进行了PCA,将多种特征降维处理。
在PCA之前,对所有纹理特征进行Z-score标准化处理,以消除不同特征量纲和数值范围差异,确保各变量在分析过程中具有同等权重。随后,基于标准化后的特征矩阵构建PCA模型。
2.2.1 载荷矩阵分析与特征相关性
由图8可知,第一主成分(PC1)解释了总方差的59.76%,PC2则解释了13.16%,前2位主成分累计解释方差达到了72.92%。这表明原始的6个纹理特征指标所表征的信息可以有效地被压缩至低维空间,二维得分图足以清晰地捕捉和说明牛肉样本在贮藏期间最显著的纹理变化信息。
图8 主成分解释变量能力
Fig.8 Explained variance of variables obtained from principal component analysis.
图9的载荷矩阵揭示了各GLCM参数对主成分的贡献度,其中,沿PC1轴方向,对比度(0.438)、不相似性(0.406)和熵(0.455)呈正向贡献,而同质性(-0.345)、能量(-0.397)和角二阶矩(-0.400)呈负向贡献。正载荷特征反映出,PC1主要反映了牛肉表面的纹理从新鲜时的平滑、均匀状态向不均、复杂的转变,是对牛肉结构破坏程度的直观反映因素,而PC2主要由不相似性(0.574)、对比度(0.474)和角二阶矩(0.539)正向驱动,熵(-0.341)负向贡献。
图9 各参数在PC1、PC2方向上的载荷
Fig.9 Loadings of GLCM texture features on the first two principal components (PC1 and PC2)
样品沿PC1方向呈现出较为明显的时间分布趋势(图10)。具体来看,0 h样品主要分布于PC1的负值区域,随着贮藏时间的延长,样品整体沿PC1正方向移动,24～30 h阶段的样品整体位于PC1的正向区域。这也表明PC1主要反映了牛肉在贮藏期间随时间发生的整体表面纹理演变,是样品的主要变化轴,能够作为区分不同冷藏阶段样品的变化参数。相比之下,PC2的解释率较低,且不同贮藏时间的样品在PC2方向上存在一定程度的交叉与重叠,并未展示清晰的时间-参数变化关系。与PC1相比,PC2并不能展示由贮藏时间驱使的系统性变化。此外,除10 h组外,同一组别的样品在两方向上基本均存在一定的离散性,说明牛肉表面纹理仍存在一些个体差异。
图10 各样品在PC1、PC2方向上的分布情况
Fig.10 Score distribution of samples along PC1 and PC2
在上述对各样品得分分布的基础上,为进一步定量表征贮藏时间对主成分变化的影响,将每一组样品在对应时间点的PC1得分取平均值,并分析其随时间的变化趋势,如图11所示。
图11 PC1随贮藏时间的变化规律
Fig.11 Variation of PC1 scores as a function of storage time
注:不同小写字母(a～c)表示贮藏时间之间差异显著(P<0.05)。
PC1的平均得分随贮藏时间呈现出明显的时间依赖性变化特征。随着贮藏时间的延长,PC1整体表现为由负值逐步向正值移动的趋势,且在早期和中后期冷藏阶段变化幅度较显著。这一结果与图10中样品随时间迁移沿PC1正向移动的结果高度一致,两者综合来看,进一步验证了PC1具有良好的时间敏感性,和其作为反映4 ℃贮藏过程中牛肉表面纹理整体演变的主导指标的可行性。相比独立样品的得分分布,基于固定时间点平均后的PC1变化曲线能够有效地削弱样品的个体差异带来的影响,也更清晰地揭示时间驱动下牛肉表面纹理特征的整体变化规律。因此,PC1不仅能在多变量空间中区分出不同冷藏阶段的样品,也能够作为一个综合表征牛肉表面纹理演变程度的定量指标,用于描述冷藏过程中肉表面结构的变化。
通过以上分析进一步说明,PCA提取的主成分结果不仅在对GLCM多项特征指标的降维和样品区分上具有统计意义,同时在表征冷藏过程中牛肉表面的品质演变趋势时也具有明确的实际意义,这也为后续将PC1作为独立的纹理表征指标,并探究其与牛肉内部生理变化、与理化品质指标进行关联分析提供了理论基础。
3 结论
本研究基于机器视觉与灰度共生矩阵方法,对冷藏条件下牛背最长肌表面纹理特征的演变规律进行了系统分析。结果表明,牛肉在冷藏早期即发生可被图像纹理参数敏感捕捉的表面结构变化。随着贮藏时间延长,对比度、不相似性和熵显著升高,而同质性、能量和角二阶矩逐步降低,反映出肉表面灰度分布由集中、均匀向分散、复杂状态转变。这一变化与冷藏过程中水分迁移、组织松散及表面干缩等现象相一致。主成分分析进一步整合了多维纹理信息,结果显示第一主成分能够有效概括牛肉表面纹理的主要变化模式,并随贮藏时间呈现稳定的单向演变趋势,表明其可作为综合表征牛肉表面纹理演变程度的关键指标。相比单一纹理参数,主成分在削弱个体差异、增强时间敏感性方面具有明显优势。总的来说,GLCM纹理特征不仅能够定量描述冷藏过程中牛肉表面结构的细微变化,还为表面品质的无损评价提供了新的表征维度,弥补了传统颜色指标和理化检测方法在表面结构信息获取方面的不足。然而,本研究侧重于纹理特征的提取方法与演变规律分析,尚未涉及基于纹理特征的预测模型构建与验证,未来研究可在以下几个方面进一步拓展:在扩大样本规模的基础上,引入机器学习/深度学习算法,构建牛肉的纹理指标与其他理化指标(例如剪切力)的预测模型,通过读取牛肉表明的纹理特征准确预测牛肉嫩度;通过读取肉表面的纹理指标对肉进行新鲜/腐败级别的准确判断,并将机器学习的预测结果与感官小组结果进行比较;将GLCM纹理特征与颜色特征、光谱信息相结合,构建一个系统性、多模态融合的牛肉品质评价模型;探索纹理主成分在不同品种、包装方式及贮藏条件下的区别和适用性,为建立可推广的快速无损检测方法提供依据。
[1] DE CASTRO CARDOSO PEREIRA P M, DOS REIS BALTAZAR VICENTE A F. Meat nutritional composition and nutritive role in the human diet[J]. Meat Science, 2013, 93(3):586-592.
[2] 国家统计局城市社会经济调查司. 中国统计摘要-2024[M]. 北京: 中国统计出版社, 2024.
[3] JORDAAN D, MIELMANN A, BRITS C. Consumers’ perceived value of pork meat: A segmentation on intrinsic and extrinsic cues[J]. Foods, 2025, 14(13):2324.
[4] 生鲜肉品质调控机制研究取得重大进展[J]. 中国食品学报, 2020, 20(9): 322.Significant progress has been made in the research on the quality control mechanism of raw meat[J]. Journal of Chinese Institute of Food Science and Technology, 2020, 20(9): 322.
[5] CHENG S S, WANG X H, YANG H M, et al. Characterization of moisture migration of beef during refrigeration storage by low-field NMR and its relationship to beef quality[J]. Journal of the Science of Food and Agriculture, 2020, 100(5):1940-1948.
[6] LIU J, LIU D H, ZHENG A R, et al. Haem-mediated protein oxidation affects water-holding capacity of beef during refrigerated storage[J]. Food Chemistry: X, 2022, 14:100304.
[7] MANHEEM K, ADIAMO O, ROOBAB U, et al. A comparative study on changes in protein, lipid and meat-quality attributes of camel meat, beef and sheep meat (mutton) during refrigerated storage[J]. Animals, 2023, 13(5):904.
[8] ZHANG S L, WANG L N, WANG Q Y, et al. Effects of different types of starch on physicochemical properties and microstructure of beef during cold storage[J]. Foods, 2024, 13(17):2767.
[9] OLSON D G, PARRISH F C JR. Relationship of myofibril fragmentation index to measures of beefsteak tenderness[J]. Journal of Food Science, 1977, 42(2):506-509.
[10] CHEN Q M, ZHANG Y C, GUO Y H, et al. Non-destructive prediction of texture of frozen/thaw raw beef by Raman spectroscopy[J]. Journal of Food Engineering, 2020, 266:109693.
[11] SHI Y Y, WANG X C, BORHAN M S, et al. A review on meat quality evaluation methods based on non-destructive computer vision and artificial intelligence technologies[J]. Food Science of Animal Resources, 2021, 41(4):563-588.
[12] 陆钟超, 邱月, 张安强, 等. 机器视觉判别牛肉新鲜度的多模型定量分析[J]. 食品与发酵工业, 2024, 50(8):262-270; 277.LU Z C, QIU Y, ZHANG A Q, et al. Multi-model quantitative analysis of beef freshness judgment by machine vision[J]. Food and Fermentation Industries, 2024, 50(8):262-270; 277.
[13] 张茹, 张奋楠, 周星宇, 等. 基于机器视觉的生鲜牛肉冷藏时间识别研究[J]. 食品与发酵工业, 2022, 48(18): 75-80.ZHANG R, ZHANG F N, ZHOU X Y, et al. Identification of the refrigerated time for chilled beef based on machine vision[J]. Food and Fermentation Industries, 2022, 48(18): 75-80.
[14] DA COSTA BARBON A P A, BARBON S, CAMPOS G F C, et al. Development of a flexible computer vision system for marbling classification[J]. Computers and Electronics in Agriculture, 2017, 142:536-544.
[15] JACKMAN P, SUN D W, ALLEN P, et al. Correlation of consumer assessment of longissimus dorsi beef palatability with image colour, marbling and surface texture features[J]. Meat Science, 2010, 84(3):564-568.
[16] KHALDI B, AIADI O, KHERFI M L. Combining colour and grey-level co-occurrence matrix features: A comparative study[J]. IET Image Processing, 2019, 13(9):1401-1410.
[17] ALYAMI J, SADAD T, REHMAN A, et al. Cloud computing-based framework for breast tumor image classification using fusion of AlexNet and GLCM texture features with ensemble multi-kernel support vector machine (MK-SVM)[J]. Computational Intelligence and Neuroscience, 2022, 2022:7403302.
[18] ALQUDAH A M, ALQUDAH A. Improving machine learning recognition of colorectal cancer using 3D GLCM applied to different color spaces[J]. Multimedia Tools and Applications, 2022, 81(8):10839-10860.
[19] IQBAL N, MUMTAZ R, SHAFI U, et al. Gray level co-occurrence matrix (GLCM) texture based crop classification using low altitude remote sensing platforms[J]. PeerJ Computer Science, 2021, 7: e536.
[20] ASMARA R A, ROMARIO R, BATUBULAN K S, et al. Classification of pork and beef meat images using extraction of color and texture feature by grey level co-occurrence matrix method[J]. IOP Conference Series: Materials Science and Engineering, 2018, 434:012072.
[21] KISWANTO K, HADIYANTO H, SEDIYONO E. Meat texture image classification using the haar wavelet approach and a gray-level co-occurrence matrix[J]. Applied System Innovation, 2024, 7(3):49.