排序方式: 共有6条查询结果,搜索用时 0 毫秒
1
1.
2.
基于CT图像技术的三黄鸡胴体物理特征分析 总被引:1,自引:0,他引:1
选择7只50日龄、屠体质量在1.741~2.508 kg之间的三黄鸡为试验对象,测量其体尺参数、全净膛质量、主要内脏器官质量及内脏总质量,分析这些参数随屠体质量的变化关系。利用螺旋CT机采集样本的CT断层扫描图像,根据样本的横纵切面图像,分别分析确定心脏、肺脏、肌胃和肾脏等主要脏器的相对位置,并估算出内脏腔体的尺寸及净膛切口的位置和尺寸。试验结果显示,随着三黄鸡胴体屠体质量的增加,胸深和胫长逐步增大,而体斜长、胸宽和胫围则显著的线性增加(P0.01)。心脏、肺脏、肌胃和肾脏的质量也随屠体质量的增加而呈增大趋势,且具有一定的相关性。另外,根据胴体的横纵CT图像,可以清楚地确定心脏、肺脏、肌胃和肾脏的相对位置;对屠体质量分布为1.741~2.508 kg的三黄鸡样本,估算出腔体尺寸为:内脏腔体长度(15.560±0.540)cm,最大宽度(7.722±0.253)cm,最大净膛开口尺寸(4.783±0.467)cm。 相似文献
3.
4.
基于高光谱和频谱特征的注水肉识别方法 总被引:1,自引:0,他引:1
为实现注水肉快捷有效的识别,以猪肉为研究对象,利用高光谱技术分析了注水肉和正常肉的光谱特征,通过傅里叶变换的方法,提取样本的频谱特征参数,然后分别基于猪肉样本的全光谱、特征光谱和频谱特征参数,分别建立正常猪肉和注水猪肉的支持向量机(SVM)和BP神经网络分类识别模型,并采用验证集对模型性能进行试验验证。结果表明,基于频谱特征参数建立的神经网络分类识别模型具有最优的分类识别效果,正确识别率达98.8%;基于特征光谱建立的神经网络分类识别模型分类识别效果次之,正确识别率为96.4%;而基于全光谱建立的支持向量机分类识别模型分类识别效果最差,正确识别率只有84.5%。说明采用高光谱技术可以对注水猪肉进行快速而有效的检测识别。 相似文献
5.
6.
近年来肉鸡中出现的肌肉缺陷疾病——木质肉(Woody/wooden breast,WB)越来越受到关注。为了探索WB在线检测方法及熟肉肉质区别,以完整的鸡胸肉样本(左、右2部分)作为实验研究对象,左半部分样本进行挤压力(Compression force,CF)测量,同时通过高压空气无损检测系统采集不同实验高度(12、15、18 cm)下样本的形变参量;右半部分样本进行蒸煮后,以蒸煮损失率、2种剪切探头做功(MORSE、BMORSE)及剪切力产生的峰值个数(PC-MORS、PC-BMORS)作为熟肉肉质评价参量。实验结果表明:生肉实验中,CF随WB等级升高显著增大,而12、15、18 cm处圆形变形量随WB等级升高显著减小;18 cm处圆形变形量与WB等级极显著相关,可作为WB在线检测潜在的特征参量,结合图像处理技术可能实现对WB在线检测分级。熟肉实验中蒸煮损失率、BMORSE、PCBMORS随WB等级升高显著增大,但MORSE在各等级间无差异,说明BMORS探头更适合WB熟肉肉质分析。此外,PC-MORS、PC-BMORS比传统的剪切能量评价体系更加容易区分WB等级,不仅可作为新的特征参量评价WB熟肉肉质,同时也客观地描述了不同WB等级间肌肉内部结构及纹理特征。 相似文献
1