小尾寒羊胴体产量等级评定研究

Evaluation of carcass yield grading for Small-tailed Han sheep

摘要

目的 小尾寒羊是我国肉裘兼用型、高繁殖力绵羊。对成年去势小尾寒羊胴体进行产量等级划分，旨在合理地确定小尾寒羊胴体价格。 方法 对224只成年小尾寒羊胴体、前腿、后腿称质量，采集其全胴体图像与眼肌图像，基于Python的图像灰度化、Otsu二值化、中值滤波以及Canny边缘化算法等图像处理技术对小尾寒羊胴体结构指标进行处理，并提取具体数据；通过对胴体质量、体长、胸宽、正臀宽、后腿宽、腹部脂肪覆盖度和眼肌面积进行相关性分析、主成分分析（PCA）和多元线性回归分析，确定小尾寒羊产量分级指标为胴体质量和后腿宽，并建立产量预测模型，通过聚类分析和置信分析对小尾寒羊胴体进行产量等级划分。 结果 以胴体质量和后腿宽为分级指标将成年小尾寒羊分为4个产量等级，分别是A级：胴体质量>31.40 kg，后腿宽>16.8 cm； B级：胴体质量27.00~31.40 kg，后腿宽16.2~16.8 cm；C级：胴体质量21.80~27.00 kg，后腿宽15.6~16.2 cm；D级：胴体质量<21.8 kg，后腿宽<15.6 cm。 结论 建立了成年小尾寒羊产量等级划分标准，使其产量分级更加准确，为小尾寒羊胴体产业智能化自动分级提供理论基础及参考依据。

Abstract

Objective Small-tailed Han sheep is a high yielding sheep in our country with both meat and skin.The carcass yield grading of adult Small-tailed Han rams plays an important role in determining reasonable prices and distribution channels. Method 224 adult Small-tailed Han sheep carcasses， front legs and hind legs were weighed， and their whole carcass images and eye muscle images were collected.The carcass structure indexes of Small-tailed Han sheep were processed by using image processing technology such as image graying， Otsu binarization， median filter and Canny edge algorithm based on Python， and the specific data were extracted.Through the correlation analysis， principal component analysis （PCA） and multiple linear regression analysis of carcass weight， body length， chest width， right hip width， hind leg width， backfat coverage and eye muscle area， it was determined that the yield classification indicators of Small-tailed Han sheep were carcass weight and hind leg width， and the yield prediction model was established， the carcass yield of Small-tailed Han sheep was classified by cluster analysis and confidence analysis. Result Based on the indicators of carcass weight and hind leg width， adult Small-tailed Han sheep were classified into 4 yield grades， for grade A：carcass weight>31.40 kg， hind leg width>16.8 cm； Grade B： carcass weight 27.00~31.40 kg， hind leg width 16.2~16.8 cm；grade C：carcass weight 21.80~27.00 kg， hind leg width 15.6~16.2 cm；grade D：carcass weight <21.8 kg， hind leg width<15.6 cm. Conclusion This paper establishes a classification standard for the production of adult Small-tailed Han sheep， which makes the production classification more accurate， and provides a theoretical basis and reference for the intelligent automatic classification of the Small-tailed Han sheep industry.

Graphical abstract

关键词

小尾寒羊 / 产量分级 / 等级划分 / 图像处理

Key words

Small-tailed Han sheep / yield grade / classification / image processing

小尾寒羊是一种具有高繁殖能力的蒙古羊系绵羊，具有高腿、小尾的外貌特征，早期生长发育速度较快，产肉率高，肉质优良。2021年全国肉羊出栏33 045.0万只，羊肉产量为514万t，而小尾寒羊是我国北方养殖最多的品种，平均产羔率高达270%，具有“世界超级羊”之称^［1-3］。

胴体分类及分级是确定胴体价值和品质特征的关键过程，有助于为市场上不同规格的胴体进行赋值和分类，是生产者和加工商之间交易的基础，在肉类行业中发挥着重要作用^［4］。一套完整、系统的胴体分级标准是国内外进行肉羊生产的显著标志。目前，我国及世界上其他国家（新西兰、美国、澳大利亚等）均根据生理成熟度建立了羊胴体分级标准。新西兰根据胴体质量将羊胴体分为A 级（轻且瘦）、L 级（轻）、M 级（中等）、X级（较重）和 H级（很重），并根据肋脂厚将胴体分为A级（无脂）、Y级（较瘦）、P级（优质）、T级（修整）和F级（过肥），结合胴体质量和肋脂厚度等级评定最终胴体等级^［5］。在美国羊胴体分级标准中，成年羊根据羊胴体第12到13肋之间脂肪厚度分为1、2、3、4、5级，产量分级方程为：产量级=0.4+（10×脂肪厚度）^［6-7］。澳大利亚将成年羊根据胴体质量将羊胴体分为轻级（L）、中级（M）、重级（H）和特重级（X）4个等级，并结合脂肪厚度对羊胴体进行具体分级^［8］。我国采用NY/T 2781-2015《羊胴体等级规格评定规范》标准，根据肋脂厚度和胴体质量将每类羊胴体分为特等级、优等级、良好级和普通级，在每一个分级基础上，根据肌肉颜色与大理石花纹级别确定最终羊胴体等级。对比不同国家的分级标准，中国、新西兰和澳大利亚均以胴体质量和肋脂厚度为分级指标对羊胴体进行分级，然而在美国的羊胴体分级标准中，与胴体质量相比，肋脂厚度对羊胴体产肉量的影响更加显著，因此只选取肋脂厚度对羊胴体进行产量分级^［6］。此外，由于各国家的生产区域及饲养品种的不同，其羊胴体分级标准也有所差异。

我国拥有100多种羊品种，品种繁多导致羊胴体产肉量存在显著差异，因此对小尾寒羊胴体进行产量分级，科学评判羊胴体产肉性能，对于生产商确定合理的生产价格及销售渠道具有规范性和导向性作用，且能够在消费者和生产商之间建立良好的交流平台^［9］。在我国的分级标准和以往的研究中，往往采用人工测量方法对胴体分级指标进行测定，如用硫酸纸描绘眼肌横断面轮廓，再利用方格纸或求积仪计算眼肌面积^［9］；采用测量工具对体长、体高、胸宽和肋脂厚度等胴体指标进行测量^［10］。这些传统测量方法过程繁琐、误差较大且测量效率低^［11-12］。近年来，随着计算机视觉技术的发展，国内外利用图像处理技术在畜禽产品检测和分级方面已有广泛研究和应用，其不仅能够避免人工测量分级指标的误差，而且可以提高指标测量效率。Lisa等^［13］利用基于视频图像分析的视频摄像系统VBG 2000准确地测量了牛大理石花纹分数和产量分级。Nyalala等^［14］将计算机视觉技术中的背景消除、提取ROI区域和机器学习算法相结合建立了一种无损、非侵入性和高准确性的肉鸡胴体及胴体切割质量预测系统。Iglesia等^［15］利用传感器网络系统、图像标准化、颜色矫正、Canny边缘检测与机器学习相结合建立了无损牛胴自动分类系统。张丽等^［16］采用边缘检测、二值化处理和图像分割技术等图像处理技术对牛眼肌横切面特征值进行自动提取和估算，并通过大量试验对比证明了计算机图像处理技术的准确性。然而，在目前的研究中，并未有利用计算机视觉技术对小尾寒羊进行产量等级划分的研究，因此，本文以小尾寒羊为研究对象，利用图像处理技术对小尾寒羊胴体指标数据的提取，初步制定小尾寒羊的产量等级划分标准，旨在提高小尾寒羊企业的生产水平及产业效率，为羊胴体智能化自动分级技术提供理论基础和参考依据。

1 材料与方法

1.1 试验材料

本试验选取健康无病舍饲的280只成年一岁龄去势小尾寒羊，所用饲料为玉米（33%）、豆粕（9.7%）、小麦麸（5.0%）、青贮玉米（30%）、混合草粉（20.0%）、碳酸氢钙（0.8%）、食盐（0.5%）、预混料（1.0%），于甘肃武威古浪县屠宰场进行屠宰，屠宰前12 h禁食，3 h禁水。屠宰过程按照DB37/T3878-2020《肉羊屠宰操作规程》进行，在放血、剥皮、结扎肛门、割羊头、取内脏冲洗后，在-1~4 ℃，湿度85%~90%，胴体吊挂间距不小于10 cm条件下预冷排酸12~24 h，使得后腿肌肉最厚处中心温度降至4 ℃以下。将其中224只小尾寒羊样本作为试验集进行小尾寒羊胴体产量分级研究，56只作为验证集进行产量分级标准的验证。

1.2 仪器设备

计算机（DESKTOP-S99JM6M）、尼康D600相机（总像素2466万）、电子秤、三脚架、便签纸、钢尺、T字尺等。

1.3 方法

1.3.1 数据采集

屠宰场加工轨道装有无限体质量传感器，对排酸后的胴体称质量；在胴体分割之后，对去骨后腿肉、去骨前腿肉称质量，完成胴体质量和胴体前后腿的质量数据收集。

1.3.2 图像采集

对280只排酸之后的小尾寒羊胴体进行编号，配有T字尺，使用数码相机对全胴体侧视图图像进行采集。如图1-A所示，全胴体侧视图中测定的5个胴体指标分别为：胸宽（AB，cm），正臀宽（CD，cm），后腿宽（EF，cm），体长（EG，cm），腹部脂肪覆盖度（cm²）。

在小尾寒羊的12~13肋骨处切开，进行眼肌图像采集，在12~13肋横截面上贴标签，并在眼肌旁配有标尺。在眼肌图像中测定眼肌面积（cm²），如图1-B所示。利用相机采集时，灯光采用工厂灯光及相机自带闪光灯，闪光灯工作时光能量集中，照明时间短促，亮度高，光照较均匀，采集图像的效果最理想^［17］，在采集过程中固定相机焦距与物距。利用PhotoShop软件的抠图功能对图像进行去除背景处理，所有照片为JPG格式。

1.3.3 图像处理及数据提取

参考牛珺等^［18-19］的方法，对224张小尾寒羊全胴体图像中的腹部脂肪覆盖区域、眼肌面积、体长、胸宽、正臀宽和后腿宽进行分割提取，最终计算小尾寒羊腹部脂肪覆盖度和胴体指标值。主要步骤如下：1）中值滤波：去除干扰；2）图像预处理：图像灰度化；3）图像二值化；4）Canny边缘化检测或眼肌面积和腹部脂肪有效部分的提取及计算，即统计所提取区域的像素个数，根据图像与真实尺寸的比例换算，即可得到胴体指标真实数值、腹部脂肪覆盖面积和眼肌面积。具体流程如图2和图3所示。

1.4 数据分析

试验数据经Excel 2016描述性统计分析后，使用SPSS 26.0软件对所得数据进行相关性分析、主成分分析、聚类分析和置信分析。图像处理采用Photo Shop软件，图像分析利用Python进行灰度化处理、二值化算法、中值滤波、Canny边缘化算法。

2 结果与分析

2.1 小尾寒羊胴体指标的描述性分析

224只小尾寒羊的胴体质量、前后腿质量指标由现场称量得到，胸宽、体长、正臀宽、后腿宽、腹部脂肪覆盖度和眼肌面积由图像处理得到。对胴体质量、胸宽、体长、正臀宽、后腿宽、腹部脂肪覆盖度、眼肌面积和前后腿质量8个胴体指标进行描述统计分析。结果如表1所示。

描述性统计分析结果表明，小尾寒羊的胴体质量、胸宽、体长、正臀宽、后腿宽、腹部脂肪覆盖度和眼肌面积的平均值分别为26.58 kg、30.52 cm、67.30 cm、19.82 cm、16.40 cm、456.87 cm²、14.97 cm²，其胴体质量、胸宽、体长、正臀宽、后腿宽、腹部脂肪覆盖度和眼肌面积的变异系数在3.52%~17.73%之间，其中，眼肌面积的变异系数最高，变异系数为17.73%，其次为胴体质量和前后腿质量，变异系数依次为14.11%、12.98%，说明成年去势小尾寒羊胴体的眼肌面积、胴体质量和前后腿质量差异较大。周雨等^［9］在对藏系绵羊的研究中发现，眼肌面积的变异系数高达31.80%，与本文研究结果类似。

2.2 小尾寒羊胴体指标的相关性分析

本文采用相关性分析表征224只小尾寒羊胴体质量、体长、胸宽、后腿宽、腹部脂肪覆盖度以及眼肌面积之间的相关性关系，其不同胴体指标之间的相关性规律如图4所示。

由小尾寒羊胴体指标相关性分析可知（图4），胴体质量、胸宽、体长、正臀宽、后腿宽、腹部脂肪覆盖度和眼肌面积之间具有显著正相关（P<0.05）。其中，胴体质量与胸宽、体长、正臀宽、后腿宽、腹部脂肪覆盖度以及眼肌面积呈显著正相关（P<0.05），相关性系数分别为0.77、0.79、0.57、0.52、0.44、0.62；胸宽与体长、正臀宽、后臀宽、腹部脂肪覆盖度、眼肌面积呈显著正相关（P<0.05），相关性系数分别为0.61、0.51、0.42、0.29、0.51；正臀宽与后腿宽、腹部脂肪覆盖度、眼肌面积为显著正相关（P<0.05），相关性系数为0.50、0.37、0.34；后腿宽与腹部脂肪覆盖度、眼肌面积呈显著正相关（P<0.05），相关性系数为0.34和0.41；腹部脂肪覆盖度和眼肌面积呈显著正相关（P<0.05），相关系数为0.25。因此，上述分析结果表明，小尾寒羊胴体质量、胸宽、体长等各胴体指标均相关。张宏博等^［20］在对巴美肉羊的屠宰性能和胴体质量的研究中也有类似发现，小尾寒羊的胴体质量、体长和眼肌面积之间存在显著相关性（P<0.05）。

2.3 小尾寒羊胴体指标的PCA分析

基于小尾寒羊各胴体指标间的相关性分析，以胴体指标间的相关性系数是否大于0.3为判断依据，通过PCA分析研究小尾寒羊胴体质量、体长、胸宽、正臀宽、后腿宽、腹部脂肪覆盖度和眼肌面积与产肉量之间的关系（表2）。

由表2小尾寒羊胴体指标的PCA因子提取表可知，通过PCA分析提取出3个主成分因子（PC₁、PC₂、PC₃），方差贡献率分别为56.467%、11.705%、10.245%，累积贡献率为77.773%，大于75%，符合提取的主成分涵盖样本全部信息的要求^［21］，因此PC₁、PC₂、PC₃可作为影响小尾寒羊胴体产肉量的关键因子。

由小尾寒羊胴体指标的PCA因子载荷矩阵表可知（表3），PC₁中的胴体质量、体长和胸宽的载荷系数较高，分别为0.923、0.823、0.811，PC₂中的载荷系数较高的为腹部脂肪覆盖度，载荷系数为0.809。结合图5也可看出，胴体质量、体长和胸宽集中分布在PC₁的正象限，腹部脂肪覆盖度分布在PC₂的正象限。PC₃中载荷系数较高的为正臀宽和后腿宽，集中分布在PC₃的正象限，载荷系数为0.555和0.409。因此，影响胴体产肉量的关键指标分别为胴体质量、胸宽、体长、正臀宽、后腿宽和腹部脂肪覆盖度。

2.4 小尾寒羊胴体产肉量预测方程

2.4.1 基于胴体质量和后腿宽的小尾寒羊胴体产肉量预测方程

基于PCA分析（表2、表3、图5）结果，以小尾寒羊胴体前后腿质量为因变量，选取胴体质量、体长和胸宽等6个胴体指标为自变量，进行多元线性回归分析。

由表4可知，在6个回归系数中，只有胴体质量和后腿宽达到了显著水平（P<0.05），因此将胴体质量和后腿宽代入线性回归方程中。

如表5所示，建立的最优回归方程为Y=0.256胴体质量+0.096后腿宽，R²=0.88，D-W=2.096，即方程服从正态分布，不存在伪回归，且回归关系达到显著水平（P<0.05），说明模型预测能力相对较高，具有较高的参考水平。

2.4.2 小尾寒羊胴体产肉量预测方程的验证

为了进一步验证回归方程的准确性，采集56只小尾寒羊胴体指标作为验证集对小尾寒羊胴体指标产肉量进行预测，并与真实值进行比较，结果如图6所示。

由图6可知，56只小尾寒羊胴体产肉量的真实值与预测值符合线性回归方程模型基本特征，建立的回归模型方程为y=0.885 2x+1.292 2，R²=0.885 7，结果表明，小尾寒羊胴体产肉量预测方程能够较好地预测小尾寒羊胴体产肉量，预测效果较佳。

2.5 小尾寒羊胴体产量的等级划分

基于多元线性回归分析，以胴体指标是否能够显著影响胴体产肉量为判断依据，得出胴体质量和后腿宽为影响小尾寒羊胴体产肉量的关键因子。因此，以胴体质量和后腿宽对小尾寒羊胴体指标进行聚类分析（图7），224只小尾寒羊样本根据胴体质量和后腿宽在欧氏距离5~10之间被聚为4大类。

通过对Ⅰ、Ⅱ、Ⅲ、Ⅳ组的胴体质量和后腿宽胴体特性指标进行置信区间分析（表6），将置信区间分析结果与各组的极值相结合，确定每组的分界点，对小尾寒羊胴体产量分级，分级结果见表7。以胴体质量、后腿宽为分级指标将成年小尾寒羊分为4个产量等级标准，分别是A级：胴体质质量>31.40 kg，后腿宽>16.8 cm；B级：胴体质量27.00~31.40 kg，前腿重16.2~16.8 cm；C级：胴体质量21.80~27.00 kg，后腿宽15.6~16.2 cm；D级：胴体质量<21.8 kg，后腿宽<15.6 cm。在分级的过程中，若有一个指标未达到临界值，则降至第二等级。

3 讨论

计算机视觉技术在畜禽胴体分级方面已有广泛的应用，本试验基于Python的计算机视觉中的图像处理技术，利用图像灰度化、二值化、Canny边缘化检测等算法对小尾寒羊胴体体长、胸宽、正臀宽、后腿宽、腹部脂肪覆盖度和眼肌面积等胴体特性指标进行检测并提取数据。在国内外也有学者利用图像处理技术对动物体尺指标进行提取，如Zhang等^［22］在青藏高原牦牛的活体质量预测的研究中，采用滤波、边缘检测等图像处理技术对牦牛身高、斜体长、胸深等体尺指标进行数据提取。向成毅等^［23］利用基于像素级的去噪算法、Otsu阈值分割算法对羊皮轮廓进行提取，并研究了羊皮的特征提取算法。此外，Stewart等^［24］采用与本文相同的图像灰度化和图像二值化算法，利用Python建立模型预测了牛羊眼肌面积、大理石花纹和肌肉内化学脂肪含量，结果表明，模型预测准确性依次为R²=0.83、R²=0.76、R²=0.70，但本文在此技术基础上又增加了中值滤波算法，能够抑制图像的滤波脉冲干扰和图像扫描噪声，并且可以保护图像的边缘信息。Shiranita等^［25］在对大理石花纹分级的过程中也应用了图像处理中的二值化方法，并进一步与神经网络技术相结合，开发了大理石花纹分级系统。

PCA分析可以将复杂的指标进行降维处理，利用更少的指标来解释总变量的更多信息。因此，本研究利用PCA提取出影响小尾寒羊胴体产肉量的关键胴体指标为胴体质量、胸宽、体长、正臀宽、后腿宽和腹部脂肪覆盖度。Mavule等^［26］在对祖鲁羊的形态结构的分析中，也采用了PCA分析提取出影响祖鲁羊体型的关键指标为体质量、胸围、胸宽、尾周长、小腿围、臀部宽度和臀部长度。基于PCA分析结论，本研究利用多元线性回归分析对小尾寒羊胴体产肉量进行预测，得出胴体质量和后腿宽为影响小尾寒羊胴体产肉量的关键胴体指标。在我国、新西兰和澳大利亚的羊胴体分级标准中，均将胴体质量作为羊胴体分级指标，与本文研究结果相似。Rius 等^［27］对羊胴体产肉量预测的研究中也发现，以胴体质量作为产肉量预测因子，可使R²从0.41提升至0.99，羊胴体产肉量预测更加精确。此外，邢路阳等^［11］在不同地区乌拉特山羊的胴体分级研究中发现，选取胴体质量、背膘厚度和眼肌面积做为胴体分级指标，可将乌拉特山羊分为特等级、优等级、良好级和可用级4个等级。周雨等^［9］根据胴体质量、肋脂厚度、眼肌面积和背膘厚度将阿旺绵羊胴体、多玛绵羊胴体、彭波半细毛羊胴体和岗巴绵羊胴体分为特等级、良好级、普通级和良好级4个等级。以上学者在对内蒙古山羊、西藏绵羊等胴体分级研究中，均采用了传统测量方法提取胴体指标数据，而本研究在对甘肃小尾寒羊胴体产量分级研究中，采用图像灰度化、二值化、Canny边缘检测等图像处理技术对胴体指标数据采集，将小尾寒羊胴体产量等级分为A、B、C、D共4个产量等级。因此在羊胴体产量分级中，羊的不同生长地域、品种及数据采集技术均可能造成胴体分级结果差异。

4 结论

本文应用计算机视觉中的中值滤波、图像灰度化、二值化和Canny边缘检测图像处理技术对小尾寒羊胴体体长、胸宽、正臀宽、后腿宽、腹部脂肪覆盖度和眼肌面积进行数据提取，对小尾寒羊胴体、前后腿称质量，通过PCA分析和多元线性回归分析提取胴体质量和后腿宽为小尾寒羊胴体产量分级指标，并建立小尾寒羊胴体产肉量预测模型，方程为Y=0.256胴体质量+0.096后腿宽，R²=0.88，能够有效的预测小尾寒羊胴体产肉量。通过聚类分析和置信区间分析将小尾寒羊胴体划分为A、B、C、D共4个产量等级，提高了小尾寒羊企业胴体产量分级效率，为后续研究及小尾寒羊胴体智能化自动分级技术提供参考。

本试验只对小尾寒羊一个品种进行了研究，因此，模型并不适用于其他品种。如果要建立其他品种或多品种适用的产肉量预测模型和产量分级评价标准，需要收集多品种的羊胴体样本进行研究。本文利用机器视觉中的图像处理技术提取小尾寒羊胴体特性指标数据，后续研究可以通过结合图像处理技术和人工智能技术，开发小尾寒羊或其他品种羊的智能化自动分级系统。

参考文献

[1] 陈玉武.小尾寒羊羔羊期饲养管理方案［J］.中国动物保健，2021，23（8）：92-93.

[2] 姜桂平.浅谈小尾寒羊主要疾病的防治［J］.畜牧兽医科技信息，2020（12）：96.

[3] 陈佳佳，张小丽，马小军，等.感染金黄色葡萄球菌小尾寒羊外周血白细胞和乳腺组织中TLRs基因的表达［J］.甘肃农业大学学报，2018，53（5）：8-14.

[4] Juarez M， Oscar L C， Cyril R J，et al.Exploration of methods for lamb carcass yield estimation in Canada［J］.Canadian Journal of Animal Science，2018，98（4）：760-768.

[5] Chandraratne M R， Kulasiri D， Frampton C，et al.Prediction of lamb carcass grades using features extracted from lamb chop images［J］.Journal of Food Engineering，2006，74（1）：116-124.

[6] U.S.Dept of Agriculture，Agricultural Marketing Service，Livestock and Seed Division. United States standards for grades of lamb，yearling mutton，and mutton carcasses ［computer file］ ［S］.1992.

[7] Cameron P N.Carcasses classification and the selection of lamb carcasses［J］.Proceedings of the Australian Society of Animal Production，1978，12： 244.

[8] Cuthbertson A， Harrington G.The MLC sheep carcasses classification scheme［C］∥Proceedings of the carcasses classification symposium.Adelaide：Australian Meat Board，1976：S2

[9] 周雨，王凤忠，央金，等.藏系绵羊肉分级标准制定初探［J］.农产品加工，2018（9）：52-54.

[10] 苗海芬，敖特根其木格，斯庆高娃.东佛里生奶绵羊与小尾寒羊杂交改良屠宰试验［J］.当代畜禽养殖业，2021（3）：9-11.

[11] 邢路阳.不同地区乌拉特山羊羊肉品质差异研究与胴体分级［D］.呼和浩特：内蒙古农业大学，2020.

[12] 李敬，郎玉苗，张丽，等.安格斯牛×秦川牛F1代产量分级模型的研究［J］.中国畜牧兽医，2016，43（4）：973-979.

[13] Lisa S， Sundrum A.Determining relationships between marbling scores and carcass yield traits of German beef bull carcasses using video-image analysis at the 12th and 10th Rib position of longissimus thoracis and EUROP Classification［J］.Applied Sciences，2021，11（1）：269.

[14] Nyalala I， Okinda C， Makange N，et al.On-line weight estimation of broiler carcass and cuts by a computer vision system［J］.Poultry Science，2021，100（12）：101474.

[15] Daniel H， González G V， García M V，et al.Non-invasive automatic beef carcass classification based on sensor network and image analysis［J］.Future Generation Computer Systems，2020，113：318-328.

[16] 张丽，李艳梅，孙宝忠，等.边缘检测、二值化处理进行牛肉分级的应用［J］.肉类研究，2013，27（4）：10-14.

[17] 王樊静.牛胴体分级信息自动检测和牛肉分级系统的研究［D］.长春：吉林大学，2009.

[18] 牛珺.牦牛胴体产量和质量等级评定研究［D］.兰州：甘肃农业大学，2017.

[19] 张丽文，田银，牛佳，等.滩羊胴体眼肌切面图像处理及分级特征值的提取［J］.肉类研究，2016，30（11）：6-10.

[20] 张宏博，刘树军，腾克，等.巴美肉羊屠宰性能与胴体质量研究［J］.食品科学，2013，34（13）：10-13.

[21] Morrison D F.Multivariate statistical methods［M］.New York： McGraw-Hill Book Company，1967

[22] Zhang Y A， Sun Z J， Zhang C，et al.Body weigth estimation of yak based on cloud edge computing［J］.EURASIP Journal on Wireless Communications and Nerworking，2021，1（6）：1-20.

[23] 向成毅.基于计算机视觉的羊皮轮廓与特征提取的研究［D］.西安：陕西科技大学，2021.

[24] Sms A， Tl B， Ht B，et al.Objective grading of eye muscle area，intramuscular fat and marbling in Australian beef and lamb［J］.Meat Science，2020.

[25] Shiranita K， Hayashi K， Otsubo A，et al.Grading meat quality by image processing，Pattern Recognition，2000，33（1）：97-104.

[26] Mavule B S， Muchenje V， Bezuidenhout C C，et al.Morphological structure of Zulu sheep based on principal component analysis of body measurements［J］.Small Ruminant Research，2013，111（1/3）：23-30.

[27] Rius-Vilarrasa E， Bünger L， Maltin C，et al.Evaluation of Video Image Analysis （VIA） technology to predict meat yield of sheep carcasses on-line under UK abattoir conditions［J］.Meat Science，2009，82（1）：94-100.

基金资助

甘肃省高等学校产业支撑引导项目(2020C-18)

甘肃省教育科技创新项目(GSSYLXM-02)