Med. Weter. 2013, 69 (11) 670
Artyku³ przegl¹dowy Review
Od wielu lat przemysł mięsny poszukuje nowych, dokładnych, szybkich i obiektywnych metod klasy-fikacji i oceny tusz dużych zwierząt rzeźnych oraz oceny jakości mięsa (2, 4, 10, 22, 25, 35). Metody obecnie stosowane są subiektywne lub inwazyjne, a ponadto często czaso- i pracochłonne. Jedną z coraz częściej stosowanych w przemyśle mięsnym metod jest komputerowa analiza obrazu (KAO, video image analysis – VIA). Zasada działania komputerowej ana-lizy obrazu polega na wykonaniu zdjęcia w technice cyfrowej, wprowadzeniu informacji o obrazie do kom-putera, a następnie określeniu m.in. jego parametrów geometrycznych, barwy i/lub poziomów jasności. Jak podaje wielu autorów (3, 5, 10, 13, 15, 20, 23, 27, 35), wykonanie zdjęć badanego surowca oraz przeprowa-dzenie analizy obrazu za pomocą odpowiednich apli-kacji komputerowych pozwala przede wszystkim na szybkie, powtarzalne i nieinwazyjne określenie jego jakości. Metoda ta umożliwia także zobiektywizowanie oceny wzrokowej poprzez wyeliminowanie z procesu oceny czynnika ludzkiego, obarczającego ją błędem (13, 33, 35).
Wykorzystanie KAO do oceny tusz zwierząt rzeźnych Intensywne prace nad wykorzystaniem analizy obrazu do klasyfikacji tusz dużych zwierząt rzeźnych (w systemie EUROP) i tuszek drobiowych prowadzo-no już w latach 80. i 90. ubiegłego wieku (3, 10, 19).
W rezultacie opracowano i wprowadzono do praktyki przemysłowej kilka systemów oceny tusz (10):
• VBS 2000 (firmy E + V GmbH Germany, po-nad 40 urządzeń wprowadzonych do użycia m.in. w Niemczech, Francji, Norwegii, Wielkiej Brytanii, Irlandii, Węgrzech i Urugwaju),
• VIAscan® (firmy Cedar Creek Company Austra- lia, wprowadzony do użycia m.in. w Australii, Nowej Zelandii i Urugwaju),
• BCC-2 (firmy Carometic A/S Denmark, 14 urzą- dzeń wprowadzonych do użycia m.in. w Danii, Niemczech, Francji i Hiszpanii),
• Normaclass MAC-2 (zastępowane obecnie przez MAC-S, firmy Normaclass France, 32 urządzenia wprowadzone do użycia m.in. we Francji i Szwajcarii),
• CVS (firmy RMS Boulder Colorado, Kanada i USA).
W 2003 r. Unia Europejska zezwoliła na zastąpie-nie licencjonowanych klasyfikatorów tusz wołowych przez automatyczną klasyfikację, po otrzymaniu przez urządzenie odpowiedniej certyfikacji (Rozporządzenie WE 1215/2003) (24, 31). Jednymi z nich są duński system BCC-2 (Beef Classification Center) oraz nie-miecki system VBS 2000 (Video Beef System). Oba systemy służą do klasyfikacji tusz wołowych i działają na zasadzie dwu- (2D) i trójwymiarowej analizy (3D) obrazów. Systemy te zainstalowane są na końcu linii ubojowej i służą do oceny jakościowej tusz wołowych
Zastosowanie komputerowej analizy obrazu
w technologii mięsa
MARTA CHMIEL, MIROSŁAW SŁOWIŃSKI
Zakład Technologii Mięsa, Wydział Nauk o Żywności, Szkoła Główna Gospodarstwa Wiejskiego w Warszawie, ul. Nowoursynowska 159c, 02-787 Warszawa
Chmiel M., Słowiński M.
Application of video image analysis in meat technology Summary
In recent years, video image analysis (VIA) has found an increasing range of applications in the food industry, including the meat industry. The main advantages of image analysis are objectivity, speed, repeatability, non-invasiveness, and the potential to be used on-line. These advantages make VIA an attractive alternative to the previously used traditional, often labor- and time-consuming, and subjective methods of quality assessment. This paper presents image analysis systems, such as VBS 2000, VIAscan®, BCC-2 and Normaclass MAC-2,
used in industrial practice for the post-slaughter grading of large animal carcasses in the EUROP system. The paper also discusses the possibility of using this method to estimate the fat content in pork trimmings and turkey tight meat, to evaluate the pH level in meat, and to detect quality defects in pork and beef .
Med. Weter. 2013, 69 (11) 671
po zakończeniu czynności ubojowych. Półtusze wo-łowe przemieszczane są automatycznie, podawane pojedynczo i pozycjonowane mechanicznie na odchy-lonej do przodu ramie, za którą znajduje się zielone/ niebieskie tło. Kamera dwukrotnie rejestruje obraz półtuszy przy różnym oświetleniu – reflektora (obraz 2D) i projektora (nakładającego na tuszę poziome pasy – obraz 3D). System komputerowy wykorzystując dane dostarczone z BCC-2 lub VBS 2000 i wprowadzone przez operatora (numer identyfikacyjny zwierzęcia, masa tuszy), oblicza i podaje między innymi nastę-pujące informacje o jakości tusz: klasę uformowania i otłuszczenia w systemie EUROP oraz procentowy i wagowy udział najcenniejszych elementów, tłuszczu i kości w tuszy. Najważniejszą zaletą tych systemów jest pełna automatyzacja pomiarów ułatwiająca i przy-spieszająca klasyfikację tusz wołowych. Rejestrowanie przez kamerę obrazu kolorowego pozwala dodatkowo na uwzględnienie barwy okrywy tłuszczowej w klasy-fikacji. Szybkość pomiaru w przypadku systemu VBS 2000 wynosi 120-450, natomiast w przypadku systemu BCC-2 – 80-100 szt./h (1, 4, 9, 21, 28, 32). W przypad-ku australijskiego systemu VIAscan® i francuskiego
Normalclass MAC-2 analizie poddawane są natomiast tylko obrazy 2D obu stron każdej tuszy, a szybkość pomiaru wynosi, odpowiednio, > 1200 i do 120 szt./h (9). System CVS od lutego 2012 r. nie jest wykorzy-stywany (9). W większości wymienionych systemów w obliczeniach wykorzystywana jest masa tuszy ciepłej (wyjątek stanowi system Normaclass MAC-2).
Do stosowania w praktyce przemysłowej zatwier-dzono także urządzenia do klasyfikacji tusz wieprzo-wych. Decyzją Komisji Europejskiej (2011/506/UE) z dnia 16.08.2011 r. (12) zostało dopuszczone w Polsce i z dniem 12.12.2011 r. może być stosowane w za-kładach mięsnych urządzenie CSB-Image-Meater®.
Urządzenie to służy do klasyfikacji tusz wieprzowych zarówno na linii ubojowej, jak i podczas przyjęcia półtusz do zakładu. Wyznaczanie klasy handlowej następuje na podstawie weryfikacji zarejestrowanego obrazu półtuszy w obszarze polędwicy i szynki, po-niżej mięśnia pośladkowego pośrodkowego (m. glu-teus medius), jak również znajdującej się ponad nimi warstwy słoniny. Urządzenie CSB-Image-Meater®
wylicza dodatkowo udział procentowy i wagowy wy-branych wyrębów tuszy (np. szynki, łopatki, schabu). Zaletami CSB-Image-Meater® są m.in.: precyzyjne
określenie klasy handlowych wg EUROP, dokładne określenie wartości handlowej elementów oraz duża szybkość procesu klasyfikacji (do 1500 półtusz na godzinę) (22).
W przypadku tuszek kurcząt oraz indyków KAO znalazła głównie zastosowanie do określania masy, wykrywania złamań, stłuczeń i przebarwień na skó-rze (25, 26, 33). Metodę tę wykorzystuje się także do oceny ilości mięsa w tuszach jagniąt i owiec (18, 30, 33).
Wykorzystanie KAO do oceny jakości mięsa Komputerowa analiza obrazu może znaleźć za-stosowanie także do oceny jakości mięsa, farszów i gotowych przetworów oraz monitoringu procesu produkcyjnego (3, 13, 19, 20). Potencjalna możliwość aplikacji tej metody w ocenie jakości mięsa wynika z istnienia istotnych zależności pomiędzy barwą mięsa a wieloma wyróżnikami jego jakości m.in.: pH, wodo-chłonnością i zawartością podstawowych składników chemicznych.
W ostatnich latach podjęto szereg prac nad możliwo-ścią zastosowania KAO do oceny jakości wołowiny (8, 10, 11, 19, 20). Wykazano możliwość wykorzystania jej m.in. do:
• szacowania zawartości tłuszczu śródmięśniowego w wołowym m. najdłuższym grzbietu (m. longissimus dorsi); stwierdzono, że z około 83% prawidłowością można szacować marmurkowatość (14),
• oceny kruchości, smakowitości oraz soczystości wołowiny; stwierdzono istotne korelacje pomiędzy wymienionymi cechami a barwą, marmurkowatością oraz fakturą powierzchni mięsa oznaczonymi metodą KAO (18, 19),
• szacowania siły cięcia steków wołowych (pozy-skanych z m. longissimus) i na tej podstawie do kla-syfikacji tego surowca ze względu na jego kruchość (próby w warunkach przemysłowych). W tym celu system CVS wyposażono w moduł BeefCam (CVS BeefCam) (34).
Wskazano także na możliwość wykorzystania kom- puterowej analizy obrazu do oceny jakości techno-logicznej mięsa wołowego pozyskanego z mięśnia najdłuższego, stwierdzono bowiem istotne korelacje pomiędzy pH1, pH2 (mierzonymi, odpowiednio, po 45 min. i 24 h od uboju) oraz ilością wycieku po obróbce termicznej a składowymi barwy oznaczonymi metodą KAO (11). Według najnowszych badań, składowe bar-wy charakteryzujące jasność, oznaczone metodą KAO mogą być użyte do klasyfikacji mięsa wołowego na normalne oraz na obarczone wadą DFD (dark, firm, dry – ciemnopurpurowo-czerwone, bardzo twarde, suche – niewilgotne na powierzchni) (8), stwierdzono bowiem istotną zależność pomiędzy pH będącym wskaźnikiem występowania wady DFD mięsa wołowego a składo-wymi barwy oznaczonymi metodą KAO. Dokładność klasyfikacji surowca tą metodą wynosiła 90%.
W świetle zmieniających się przepisów o obowiąz-ku znakowania żywności wartością odżywczą należy zwrócić szczególną uwagę na przydatność KAO do szacowania zawartości tłuszczu w drobnym mięsie wołowym (5). Wykorzystanie KAO do tego celu po-lega na określeniu udziału pól białych w badanym ob-razie (odpowiadającym tkance tłuszczowej). Wartość ta jest istotnie skorelowana z zawartością tłuszczu oznaczoną metodami odwoławczymi. Wykazano m.in., że istnieje możliwość wykorzystania KAO do szacowania zawartości tłuszczu w mięsie wołowym
Med. Weter. 2013, 69 (11) 672
nierozdrobnionym (drobnym) i rozdrobnionym w wil-ku. Wyliczone współczynniki korelacji i determinacji pomiędzy udziałem pól białych (odpowiadającym tkance tłuszczowej) a zawartością tłuszczu oznaczoną metodą Soxhleta wynosiły, odpowiednio, dla mięsa rozdrobnionego w wilku: r = 0,87 i R2 = 75,7%,
nato-miast dla mięsa drobnego: r = 0,79 i R2 = 62,4% (5).
Składowe barwy oznaczone metodą KAO mogą być także wykorzystane do szacowania m.in. zawartości wody w mięsie wołowym (33, 36).
Podobnie jak w przypadku mięsa wołowego, kom- puterową analizę obrazu wykorzystano do oceny marmurkowatości mięsa wieprzowego (13, 15). Stwierdzono istotne korelacje pomiędzy ilością tłusz-czu śródmięśniowego w wieprzowym m. longissimus a wyróżnikami oznaczonymi metodą KAO. Metoda ta może zostać zatem wykorzystana do oceny marmurko-watości i kruchości wieprzowiny. Jednocześnie wyka-zano, że liczba i rozmieszczenie „wysepek” tłuszczu śródmięśniowego były bardziej związane z kruchością mięsa niż ich wielkość (15). Wielu autorów potwier-dziło przydatność KAO do pomiaru barwy mięsa wieprzowego, a w powiązaniu z nią – jego jakości (14, 23, 27, 33, 35). Stwierdzono m.in. możliwość wykrywania wady PSE (pale, soft, exudative – jasne--blade, różowo-szare, miękkie, wodniste-cieknące), a także DFD mięsa wieprzowego pozyskanego z m. najdłuższego lędźwi (m. longissimus lumborum) oraz jego klasyfikacji na grupy jakości metodą komputero-wej analizy obrazu. Prawidłowość klasyfikacji surowca metodą KAO wynosiła 81,7%. Wykorzystano w tym przypadku istniejącą zależność pomiędzy pH mięsa a jasnością jego barwy. Mięso PSE jest jaśniejsze, a DFD ciemniejsze od mięsa normalnego (7).
Podobnie jak w przypadku mięsa wołowego, także w przypadku mięsa wieprzowego stwierdzono moż-liwość wykorzystania komputerowej analizy obrazu do szacowania zawartości tłuszczu w drobnym mięsie przerobowym klasy II (10). Wyniki niektórych badań wskazują ponadto na możliwość zastosowania składo-wych barwy oznaczonych metodą KAO do szacowania wybranych wyróżników jakości technologicznej wie-przowiny (16, 29), m.in. do oceny zdolności utrzymy-wania wody własnej, ilości wycieku swobodnego oraz pH tego rodzaju mięsa.
W piśmiennictwie dostępne są informacje na temat wykorzystania KAO do oceny jakości mięsa dro-biowego, jagnięcego czy też mięsa ryb (25, 26, 33). W przypadku mięsa drobiowego przeprowadzone badania wskazały na możliwość wykorzystania KAO do szacowania zawartości tłuszczu w mięsie z ud in-dyków, natomiast wykorzystanie tej metody do ozna-czania zawartości tłuszczu w mięsie z piersi kurcząt nie znalazłoby praktycznego zastosowania (6).
Z przedstawionych w niniejszym opracowaniu danych wynika, że możliwości zastosowania kompu-terowej analizy obrazu w technologii mięsa są bardzo
szerokie, a metoda w skali przemysłowej jest głównie wykorzystywana do klasyfikacji tusz dużych zwierząt rzeźnych w systemie EUROP. W świetle zmieniających się przepisów o obowiązku znakowania żywności wartością odżywczą należy zwrócić uwagę na fakt, że istnieją duże szanse na zastosowanie KAO do oce-ny jakości mięsa, m.in. do wykrywania wad mięsa wieprzowego i wołowego. Potencjalna możliwość aplikacji tej metody wynika m.in. z istnienia istotnych współzależności pomiędzy barwą mięsa a zawartoś- cią podstawowych składników chemicznych oraz pomiędzy wyróżnikami jakości technologicznej: pH i zdolnością utrzymywania wody własnej.
Piśmiennictwo
1. Borggaard C., Madsen N. T., Thodberg H. H.: In-line Image Analysis in the Slaughter Industry, Illustrated by Beef Carcass Classification. Meat Sci. 1996, 43, 151-163.
2. Branschied W., Hoereth R., Baulain U., Tholen E., Dobrowolski A.: Estimation of the carcass composition based on the combination of the video imaging analysis with the other grading systems. Fleischwirtschaft 2004, 84, 98-101.
3. Brosnan T., Sun D.: Improving quality inspection of food products by computer vision – a review. J. Food Eng. 2004, 61, 3-16.
4. Cannell R. C., Belk K. E., Tatum J. D., Wise J. W., Chapman P. L.,
Scanga J. A., Smith G. C.: Online evaluation of a commercial video image
analysis system (Computer Vision System) to predict beef carcass red meat yield and for augmenting the assignment of USDA yield grades. J. Anim. Sci. 2002, 80, 1195-1201.
5. Chmiel M., Dasiewicz K., Słowiński M.: Wpływ rozdrobnienia mięsa wołowego na dokładność szacowania zawartości tłuszczu metodą kompute-rowej analizy obrazu. ŻYWN. Nauk. Technol. Jak. 2010, 17, 5(72), 159-166. 6. Chmiel M., Słowiński M., Dasiewicz K.: Application of computer vision
systems for estimation of fat content in poultry meat. Food Control 2011, 22, 1424-1427.
7. Chmiel M., Słowiński M., Dasiewicz K.: Lightness of the color mea-sured by computer image analysis as a factor for assessing the quality of pork meat. Meat Sci. 2011, 88, 566-570.
8. Chmiel M., Słowiński M., Dasiewicz K., Florowski T.: Application of a computer vision system (CVS) to classify beef as normal or dark, firm, and dry. J. Anim. Sci. 2012, 90, 4126-4130.
9. Craigie C. R., Navajas E. A., Purchas R. W., Maltin C. A., Bünger L.,
Hoskin S. O., Ross D. W., Morris S. T., Roehe R.: A review of the
develop-ment and use of video image analysis (VIA) for beef carcass evaluation as an alternative to the current EUROP system and other subjective systems. Meat Sci. 2012, 92, 307-318.
10. Dasiewicz K., Pisula A., Słowiński M., Noga A.: Zastosowanie komputerowej analizy obrazu do szacowania jakości peklowanego drobnego mięsa wieprzo-wego klasy II. ŻYWN. Nauk. Technol. Jak. 2008, 15, 4(59), 52-60. 11. Dasiewicz K., Słowiński M., Sakowski T.: Próba zastosowania komputerowej
analizy obrazu do oceny jakości mięsa wołowego. Mięso i Wędliny 1998, (04), 40-44.
12. Decyzja wykonawcza Komisji z dnia 16 sierpnia 2011 r. zmieniająca decyzję 2005/240/WE zatwierdzającą metody klasyfikacji tusz wieprzowych w Polsce (notyfikowana jako dokument nr C(2011) 5745), 2011/506/UE, Dz. Urz. UE, L 209/43.
13. Du C. J., Sun D. W.: Recent developments in the applications of image pro-cessing techniques for food quality evaluation. Trends Food Sci. Tech. 2004, 15, 230-249.
14. Du C. J., Sun D. W., Jackman P., Allen P.: Development of a hybrid image processing algorithm for automatic evaluation of intramuscular fat content in beef m. longissimus dorsi. Meat Sci. 2008, 80, 1231-1237.
15. Faucitano L., Huff P., Teuscher F., Gariepy C., Wegner J.: Application of computer image analysis to measure pork marbling characteristics. Meat Sci. 2005, 69, 537-543.
16. Florowski T.: Próba zastosowania komputerowej analizy obrazu do oceny jakości mięsa wieprzowego. ŻYWN. Nauk Technol. Jak. 2003, 10, 3(37), 63-71.
17. Fortin A., Tong A. K. W., Robertson W. M., Zawadski S. M., Landry S. J.,
Robinson D. J., Liu T., Mockford R. J.: A novel approach to grading pork
Med. Weter. 2013, 69 (11) 673
18. Hopkins D. L., Safari E., Thompson J. M., Smith C. R.: Video image analysis in the Australian meat industry – precision and accuracy of predicting lean meat yield in lamb carcasses. Meat Sci. 2004, 67, 269-274.
19. Jackman P., Sun D. W., Allen P.: Prediction of beef palatability from colour, marbling and surface texture features of longissimus dorsi. J. Food Eng. 2010, 96, 151-165.
20. Jackman P., Sun D. W., Allen P.: Recent advances in the use of computer vision technology in the quality assessment of fresh meats. Trends Food Sci. Tech. 2011, 22, 185-197.
21. Klasyfikacja tusz wołowych – stan obecny. Mięso i Wędliny 2008, (8), 30-36. 22. Krzywiński A., Schalk H.: Urządzenie do wydajnej klasyfikacji tusz
wieprzo-wych ciepłych i wieprzo-wychłodzonych. Gosp. Mięsna 2011, (12), 32-33.
23. Lu J., Tan J., Shatadal P., Gerrard D. E.: Evaluation of pork color by using computer vision. Meat Sci. 2000, 56, 57-60.
24. Madsen N. T.: Beef Classification. Perspectives and challenge when intro-ducing objective classification. ProOptiBeef, SGGW Warsaw, 12 September 2011.
25. Marty-Mahe P., Marchal P.: Grading turkey carcass by colour machine vision: colour defect detection. Cr. Acad. Agr. France 1997, 83, 128.
26. Mollah B. R., Hasan A., Sala, A., Ali A.: Digital image analysis to estimate the live weight of broiler. Comput. Electron. Agr. 2010, 72, 48-52.
27. O’Sullivan M. G., Byrne D. V., Martens H., Gidskehaug L. H., Andersen H. J.,
Martens M.: Evaluation of pork colour: prediction of visual sensory quality
of meat from instrumental and computer vision methods of colour analysis. Meat Sci. 2003, 65, 909-918.
28. Pabiou T., Fikse W. F., Cromie A. R., Keane M. G., Näsholm A., Berry D. P.: Use of digital images to predict carcass cut yields in cattle. Livest. Sci. 2011, 137, 130-140.
29. Qiao J., Wang N., Ngadi M., Guenec O., Monroy M., Gariepy C.: Prediction of drip loss, pH, and color for pork by using a hyperspectral imaging technique. Meat Sci. 2007, 76, 1-8.
30. Rius-Vilarrasa E., Bünger L., Maltin C., Matthews K. R., Roehe R.: Evaluation of Video Image Analysis (VIA) technology to predict meat yield of sheep carcasses on-line under UK abattoir conditions. Meat Sci. 2009, 82, 94-100. 31. Rozporządzenie Komisji (WE) Nr 1215/2003 z dnia 7 lipca 2003 r. zmienia-jące rozporządzenie (EWG) nr 344/91 ustanawiazmienia-jące szczegółowe zasady stosowania rozporządzenia Rady (EWG) nr 1186/90 rozszerzającego zakres wspólnotowej skali klasyfikacji tusz wołowych. Dz. Urz. UE, L 169/32, 03/t. 39, 32003R1215.
32. Steiner R., Wyle A. M., Vote D. J., Belk E., Scanga J. A., Wise W., Tatum J. D.,
Smith G. C.: Real-time augmentation of USDA yield grade application to beef
carcasses using video image analysis. J. Anim. Sci. 2003, 81, 2239-2246. 33. Sun D. W.: Computer vision technology for food quality evaluation. Food
Science and Technology, International Series 2007, Academic Press, #583. 34. Vote D. J., Belk K. E., Tatum J. D., Scanga J. A., Smith G. C.: Online prediction
of beef tenderness using a computer vision system equipped with a BeefCam module. J. Anim. Sci. 2003.
35. Wu D., Sun D. W.: Colour measurements by computer vision for food quality control – A review. Trends Food Sci. Techn. 2013, 29, 5-20.
36. Zheng C., Sun D. W., Zheng L.: Recent developments and applications of image features for food quality evaluation and inspection – a review. Trends Food Sci. Tech. 2006, 17, 642-655.
Adres autora: dr inż. Marta Chmiel, ul. Nowoursynowska 159c, 02-787 Warszawa; e-mail: marta_chmiel@sggw.pl
