智能化畜牧养殖，智能化畜牧业的技术

智能加工装备和技术代表生产力，是提高生产效率、转变发展方式的重要基础。智能装备技术在畜禽加工过程中的应用，不仅保证了生产过程的稳定可靠，而且带来了显着的经济效益。

目前，国内外畜禽智能加工主要采用机器视觉、神经网络、红外检测、虚拟仿真、智能控制等技术，并与自动分割、在线分级、故障检测等相结合。其他功能已经实现。诊断与远程监控，智能检测与控制。

用于表面污染物检测的机器视觉技术

机器视觉检测系统通过图像采集装置将目标转换为图像信号，通过图像处理系统获取目标的形态信息，并基于像素信息计算获取目标的特征以获得相应的参数。在牲畜和家禽加工期间，机器视觉主要用于目标检测和颜色识别，以实现尸体的精确定位和质量检查。

1.使用机器视觉的尸体细分和定位技术

激光扫描技术在大多数外国都用于分裂牲畜尸体，而澳大利亚的Craig Mostyn使用自动切割系统来激光扫描猪car体，以获得其三维形状和骨骼。尸体通过驾驶机器人划分。澳大利亚的CSRO研究所推出了一个可视化成像系统，用于定位，并设计了一种肉食分裂设备，以增加肉类的产量。

家禽屠体分割主要依靠机器视觉定位技术，通过在线图像采集获得屠体轮廓的质心坐标以及每次切割和分割的位置。

国内研究中采用寻找家禽胴体轮廓重心和枪口中心的方法来实现去除家禽内脏的过程，以及对家禽屠体重心坐标的重复定位。轮廓和枪口精度的中心为。 1.6像素和1.52像素。

2.使用机器视觉的肉质特殊技术

机器视觉技术主要用于肉级，以检测重要的指标，例如大理石花纹，脂肪含量，肉色和压痛。

丹麦从20世纪80年代开始引入视觉图像分析技术进行牛肉分级，在亮光条件和边缘光条件下拍摄图像，通过图像比较分析消除边缘光的影响，确定牛肉胴体的轮廓从图像中获得信息。

1991年，国外有研究利用机器视觉检测技术对牛肉产品进行分级和定量研究，区分肌肉和脂肪，并利用布尔模型描述大理石花纹的空间分布，提出仅根据其可见光来区分不同产品总价值。脂肪区。这就像一个大理石图案，但效果并不理想。

关于大理石花纹和牛肉颜色等级的研究，一些学者认为，在预测模型中添加图像纹理参数可以提高模型的预测能力，以便图像纹理特征可以准确地确定牛肉的新鲜度。可以预测使用RGB 和Lab 颜色纹理可以很好地预测牛肉的颜色和大理石花纹等级。

国内也有不少学者通过分割提取边缘轮廓，基于视觉图像技术评估胴体相关检测指标。

在禽肉分级中，机器视觉主要通过颜色和轮廓来判断禽肉的品质。

光谱检测分析技术鸡枝体X射线扫描及鸡枝体CT图像

光谱分析技术综合了光谱测量技术、计算机技术、化学计量学技术和基础检验技术，通过选择合适的化学计量学方法，将样品光谱信息与指标参考值关联起来，具有较高的准确度和稳定性，建立较高的数学模型并进行预测标准。无损、快速、环保的定位样本值。

20世纪90年代初，有学者提出可以利用多光谱技术来检测鸡尸体表面的皮肤病。后来，一些使用高光谱图像的学者提出了以高分子精度检测牛肉大理石花纹。通过将高光谱成像技术应用于农产品检测，研究人员在检测屠体表面污染物方面取得了进展。

高光谱成像技术虽然可以检测更加准确，但由于检测时间较长，无法成功应用于在线生产。

随着光谱检测技术的发展，采用线扫描高光谱技术和可见/近红外检测技术对鸡胴体表面污染物进行在线检测，但线扫描高光谱成像设备价格昂贵，因此国内大部分设备未使用。公司仍然使用手动目视检查。

国内学者提出了一种在线采集图像特征并利用机器视觉快速识别的方法来在线检测鸡屠体表面污染物，检测准确率达到90.5%，污染点位置和稀释率分别为未知。降低污染物的含水量会减少污染物的含量，但识别程度会影响检测质量。

近红外光谱（NIR）技术是目前较为成熟的光谱分析技术之一，广泛应用于肉类行业，可实现对生肉的快速、在线、准确、无损检测。影响所有生肉质量和安全性的重要分析方法之一。

在肉质检查中，近红外光谱法主要用于分析肉质检查的特征指标，例如物理特性，化学成分和有害物质。

多传感器融合技术基于融合技术的猪肉中TVB-N含量检测

在肉类检验中，单一的检测技术往往会造成指标信息缺乏、检测方法局限性、适用范围窄等问题，而评级预测模型的准确性较高。

研究人员提出了一种基于近红外光谱和机器视觉等技术检测肉类品质的分析方法，可以定量检测蛋白质和TVB-N（挥发性碱性氮）。诸如机器视觉之类的指标可以检测物理特征，例如颜色和纹理，提供适合生产地板应用的快速，方便的非破坏性检查。

国内外的学者进行了大量研究，一些专家已经整合了三种近红外光谱（NIR），计算机视觉（CV）和电子鼻子（E-Nose）技术的技术。内容。由于创建数据库并预测了猪肉的判断准确性，因此发现在组合三种技术时的判断准确性比使用单个技术更高。

国内研究人员还根据机器视觉和近红外光谱检测技术评估了牛肉的新鲜度，通过主成分分析进行了综合特征层信息，并建立了一个牛肉新鲜评估模型，预测准确性为98.31。

通过X射线扫描和CT成像技术对猪脂肪厚度模型的超声检测

X射线断层扫描技术可以检测屠体的三个主要成分（红肉、脂肪肉和骨头），并且该技术可用于对屠体进行虚拟分割和分级。法国学者利用X射线断层扫描技术检测了三种成分：红肉、肥肉和骨头。

欧洲科学家正在努力建立用于肉类分级的欧洲精益扫描参考技术。 X射线扫描技术为基于肌肉刚度测量的不同部分的图像研究提供了理想的检查结果，从而可以在处理结束前评估火腿的质量。

随着实验研究的进行，X射线扫描技术开始在实际检测中应用，一些学者使用CT成像技术来扫描Sanyang鸡肉的尸体以获得其物理特征，并确定主要器官在尸体中的相对位置并提供。机器人取出指南为自动取出内脏设备的设计提供数据

超声波扫描成像技术超声波检测是一种无损检测，可以快速测量身体成分并提供直观的图像结果，同时确保动物身体的完整性。无需穿透胴体而损伤肉本身，并且可以利用超声波的透明度来获取反射信息并估计胴体脂肪层的厚度。

关于检查牲畜肉的检查，海外学者使用了超声检查技术来建立一个用于背部脂肪厚度和大理石花纹评估的预测模型，因此，可以使用超声检查技术来预测屠宰后的尸体的特征。这是可以做到的。 CVT-2，UltraFom 300和自动fom超声探测器也用于预测猪的肉产量和质量，并且设计了实时的超声在线检测系统，用于大理石花纹和猪尸体内肌内脂肪。

国内学者建立了一种通过超声扫描图像获取各种组织特征参数来预测猪肉组织结构的方法。一些学者已经建立了一种绵羊生物量化模型，该模型可以使用超声生物调节技术屠宰后的缩写厚度和眼部肌肉区域。或者，使用线性回归方法来建立一个从反脂肪厚度和眼部肌肉区域数据的肉形的预测模型。

关于禽肉检验，研究表明，家禽的胸肌厚度、胸肌重量、胸肌百分比之间存在高度相关性；鸭肉可以通过超声波测量厚度来预测。生产性能。国外一些学者通过对鸭子进行活体测试，预测了鸭子的产肉能力。一些专家利用超声波检测去骨鸡胸肉中的骨头碎片，以提高鸡胸肉的质量。

发展趋势信息技术和智能技术的发展和渗透是牲畜和家禽加工行业的革命性创新，这不仅促进了牲畜和家禽加工领域的发展，而且在牲畜和家禽行业中取得了进步整个。可能。

例如，使用近红外的光学分析技术来检测化学成分，使用多光谱和高光谱技术同时检测肉的内部和外部质量，并且使用机器视觉成像技术来检测化学成分。作为颜色，肌肉脂肪含量和质地。但目前仍处于实验研究阶段，还需进一步加强检测方法、模型、设备和装置的研发，实现生产过程中快速、准确的在线检测。

在肉类检查中，开发方向是对多个测量结果进行综合分析，并且有必要使用不同的评估机制和指标来全面评估检查目标。通常不可能使用单个检测方法理想，全面地检测肉质质量。为了实现稳定且全面的评估机制，有必要提高质量检测准确性并通过补充信息来监视范围。整合和整合技术，例如扩展