本申请涉及肉品检测领域，特别涉及一种肉品新鲜度检测方法、装置、计算设备和存储介质。
背景技术：
随着生活质量的提高，人们越来越关注肉质食品的新鲜程度。肉品新鲜度，是衡量肉品是否符合食用要求的客观标准，是评价肉品品质的重要指标，也是消费者选购肉类食品的主要依据。提高肉类产品新鲜度的判定精度，对于人们身体健康也更加有利。而如何提高肉类产品新鲜度的判定精度，成为亟需解决的问题之一。
技术实现要素：
本申请的目的是提供一种肉品新鲜度检测方法、装置、计算设备和存储介质，以为提高肉类产品新鲜度的检测精度提供支持。
第一方面，本申请实施例提供了一种肉品新鲜度检测方法，包括：
对待检测肉品的检测图像进行阈值分割，以得到至少两个分类的图像块集合；
对每一分类的图像块集合进行分析，得到每一分类对应的多个肉品质量指标；
将每一分类对应的多个肉品质量指标输入该分类对应的检测模型，得到每个分类的肉品检测结果；
根据各检测模型的肉品检测结果，确定述待检测肉品的新鲜度。
可选的，各分类对应的检测模型为预先训练得到的adaboost-bp神经网络模型，且各adaboost-bp神经网络模型具有相应的权重因子，
根据各检测模型的肉品检测结果，确定述待检测肉品的新鲜度，包括：
基于各检测模型的肉品检测结果以及各分类对应的检测模型的权重因子，得到所述待检测肉品的新鲜度。
可选的，各分类对应的检测模型是基于下述方法训练得到的：
获取各分类的训练样本，其中，各分类的训练样本包括基于样本图像得到的相应分类的图像块集合、多个肉品质量指标以及标注，其中，所述标注用于表征所述图像块集合与所述肉品质量指标的相关程度；
基于各分类的训练样本训练各分类的检测模型的模型参数以及权重因子。
可选的，所述肉品质量指标包括下述的至少一项：
肉品色泽；
肉品纹理。
可选的，对待检测肉品的检测图像进行阈值分割，以得到至少两个分类的图像块集合，包括：
基于图像自适应阈值分割算法对所述检测图像进行阈值分割，以得到至少两个分类的图像块集合，其中，每一分类对应于一个灰度区间。
可选的，对待检测肉品的检测图像进行阈值分割之前，所述方法还包括：
对所述检测图像进行图像预处理。
第二方面，本申请实施例提供了一种肉品新鲜度检测装置，所述装置包括：
阈值分割单元，用于对待检测肉品的检测图像进行阈值分割，以得到至少两个分类的图像块集合；
分析单元，用于对每一分类的图像块集合进行分析，得到每一分类对应的多个肉品质量指标；
检测单元，用于将每一分类对应的多个肉品质量指标输入该分类对应的检测模型，得到每个分类的肉品检测结果；
新鲜度确定单元，用于根据各检测模型的肉品检测结果，确定述待检测肉品的新鲜度。
可选的，各分类对应的检测模型为预先训练得到的adaboost-bp神经网络模型，且各adaboost-bp神经网络模型具有相应的权重因子，
新鲜度确定单元具体用于：
基于各检测模型的肉品检测结果以及各分类对应的检测模型的权重因子，得到所述待检测肉品的新鲜度。
可选的，各分类对应的检测模型是基于下述方法训练得到的：
获取各分类的训练样本，其中，各分类的训练样本包括基于样本图像得到的相应分类的图像块集合、多个肉品质量指标以及标注，其中，所述标注用于表征所述图像块集合与所述肉品质量指标的相关程度；
基于各分类的训练样本训练各分类的检测模型的模型参数以及权重因子。
可选的，所述肉品质量指标包括下述的至少一项：
肉品色泽；
肉品纹理。
可选的，阈值分割单元具体用于：
基于图像自适应阈值分割算法对所述检测图像进行阈值分割，以得到至少两个分类的图像块集合，其中，每一分类对应于一个灰度区间。
可选的，所述装置还包括：
图像预处理单元，用于在对待检测肉品的检测图像进行阈值分割之前，对所述检测图像进行图像预处理。
第三方面，本申请另一实施例还提供了一种计算设备，包括至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请实施例提供的任一肉品新鲜度检测方法。
第四方面，本申请另一实施例还提供了一种计算机存储介质，其中，所述计算机存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行本申请实施例中的任一肉品新鲜度检测方法。
本申请如上所述的肉品新鲜度检测方案，通过训练对应于对个分类的检测模型，以使得能够获得较细粒度的肉品检测结果，并可采用加权法综合各个检测模型的肉品检测结果得到肉品新鲜度，为提高肉品的检测精度提供支持。
本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，显而易见地，下面所介绍的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为根据本申请一个实施例的肉品检测方法的流程示意图；
图2为根据本申请一个实施例的检测模型的示意图；
图3为根据本申请一个实施例的肉品新鲜度检测流程示意图；
图4为根据本申请一个实施例的肉品检测装置的示意图；
图5为根据本申请一个实施例的计算设备的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
图1为根据本申请一个实施例的肉品检测方法的流程示意图。
如图1所示，在步骤s110,对待检测肉品的检测图像进行阈值分割，以得到至少两个分类的图像块集合。
本申请实施例中，待检测肉品的检测图像例如可以是通过选取高分辨率的摄像设备来采集的，以获得高分辨率的检测图像。作为示例，例如可以使用ov7670摄像头。该ov7670摄像头的分辨率为640(像素)*480(像素)。应当理解的是，在此仅是对所采用的摄像设备的举例说明而非任何限定，在其它实施例中，还可以使用其它摄像设备，本申请对此不做限制。
在一个实施例中，例如还可以通过所选取的高分辨率的摄像设备采集待检测肉品在同一场景下的多帧检测图像，这样，在后续检测过程中，则可以针对所获取的多帧检测图像来获取更多的图像特征，以为提高对待检测肉品的检测精度提供支持。
作为示例，对待检测肉品的检测图像进行阈值分割，以得到至少两个分类的图像块集合，具体可以包括：基于图像自适应阈值分割算法对所述检测图像进行阈值分割，以得到至少两个分类的图像块集合，其中，每一分类对应于一个灰度区间，且每一分类可以对应于一个训练得到的检测模型。其中，自适应阈值分割所采用的图像阈值也可以是根据自适应阈值计算的算法确定的最优分割阈值。或者，自适应阈值分割所采用的图像阈值可以是根据实验设定并基于对各检测模型的训练结果确定的，以保障训练得到的各检测模型的准确率尽可能地最高。
另外，在一个实施例中，在对待检测肉品的检测图像进行阈值分割之前，还可以对所述检测图像进行图像预处理。例如，可以对检测图像进行去噪处理，以去除噪声干扰。作为示例，例如可以采用中值滤波法对样本图像进行去噪处理。应当理解的是，在其它实施例中，还可以采用其它类型的去噪滤波处理，例如高斯滤波法、均值滤波法、傅里叶滤波法等，本申请对此不做限制。
在步骤s120,对每一分类的图像块集合进行分析，得到每一分类对应的多个肉品质量指标。
在本申请实施例中，肉品质量指标例如可以是通过对每一分类的图像块集合进行特征提取和特征分析后得到的特征值，该特征值能够表征待检测肉品的图像特征与评估肉品质量的相关因素的相关程度。
实施时，可以通过多种方式实现对每一分类的图像块集合进行分析，以获得相应的多个肉品质量指标。作为示例，所述肉品质量指标包括下述的至少一项：肉品色泽；肉品纹理；表面菌落等。对每一分类的图像块集合进行分析时，可以通过图像分析技术，提取相应的图像特征，例如颜色特征、纹理特征等，从而确定每一分类对应的多个肉品质量指标。
此外，由于肉品在腐坏变质过程中，还可能会产生例如硫化物和氨气等气体。因此，本申请实施例中，除了基于所采集的检测图像，例如还以通过相应的传感器来采集待检测肉品自身挥发的气体，以便根据相应气体的浓度来辅助确定待检测肉品的新鲜度，以提高检测精度。
与此相似，由于肉品在腐坏变质过程中，肉品的弹性、粘度等也会发生变化，因此，本申请实施例中，也可以对待检测肉品进行称重、测量含水量等，以得到待检测肉品的对应于肉品弹性、肉品粘度等的肉品质量指标，以辅助确定待检测肉品的新鲜度，以提高检测精度。
应当理解的是，上述仅是对确定肉品质量指标的方式的举例说明而非任何限定，本申请实施例可以通过多种方式确定相应的肉品质量指标，以使得能够根据所获得的肉品质量指标和相应的检测模型，最终确定待检测肉品的新鲜度。
之后，在步骤s130,将每一分类对应的多个肉品质量指标输入该分类对应的检测模型，得到每个分类的肉品检测结果。
在步骤s140,根据各检测模型的肉品检测结果，确定述待检测肉品的新鲜度。
本申请实施例中，每一分类相应地对应于一个检测模型。如图2所示，每个检测模型可以包括输入层、隐藏层和输出层。输入层的输入参数可以是每一分类所确定的多个肉品质量指标，例如对应于肉品色泽、肉品纹理、表面菌落、肉品弹性、肉品粘度等的特征值。输出层则对应于每个检测模型测得的肉品检测结果。在将每一分类所确定的多个肉品质量指标输入相应的检测模型后，即可输出该检测模型测得的肉品检测结果。应当理解的是，本申请实施例中，在不同的场景或是不同的分类下，不同检测模型的输入层所设置的评估肉品质量的相关因素可以不完全相同，本申请对此不做限制，实际应用中，可以根据每一分类对应的检测模型的输入层确定在对每一分类的图像块集合进行分析时所需要确定的实际肉品质量指标。
本申请实施例中，每个检测模型可以具有相应的权重因子，根据各检测模型的肉品检测结果，确定述待检测肉品的新鲜度，具体可以包括：基于各检测模型的肉品检测结果以及各分类对应的检测模型的权重因子，得到所述待检测肉品的新鲜度。这样，每个检测模型可以作为弱分类器，各检测模型组合可以作为强分类器，通过采用加权法综合考虑多个分类的肉品检测结果，以提高整个检测系统的检测精度。
本申请实施例中，各个分类对应的检测模型可以是预先基于训练样本训练得到的。具体地，对于作为样本的肉品，可以通过与前述相似的方法获取肉品样本的各分类的训练样本，其中，各分类的训练样本包括基于样本图像得到的相应分类的图像块集合、多个肉品质量指标以及标注，其中，所述标注用于表征所述图像块集合与所述肉品质量指标的相关程度；基于各分类的训练样本训练各分类的检测模型的模型参数以及权重因子。由此，通过模型自身的误差函数以及结合样本的不断迭代训练，最终得到各检测模型相应的模型参数和权重因子。
由此，在实际应用中，通过对待检测肉品的检测图像进行阈值分割以及图像分析，获得各个分类对应的多个肉品质量指标，并结合相应的检测模型，得到每个检测模型的肉品检测结果，进一步地，根据各检测模型的肉品检测结果，确定肉品的新鲜度，以避免错过肉品的最佳食用时间。
在一个实施例中，上述各分类对应的检测模型可以为预先训练得到的adaboost-bp神经网络模型。
图3为根据本申请一个实施例的肉品新鲜度检测流程示意图。
如图3所示，在步骤s301，获取待检测肉品的多帧检测图像。
在步骤s302，对多帧检测图像进行去噪滤波处理。
之后，在步骤s303，基于图像自适应阈值算法对检测图像进行阈值分割，得到对应于预设的三个分类的图像块集合。在此，可以将检测图像依据不同的灰度级分割成三个等级的图像，其中，灰度级可以为一个灰度区间，例如可以记为高光区域、过渡区域、阴影区域三部分。
在步骤s304，对每一分类的图像块集合进行分析，得到每一分类的多个肉品质量指标。上述每一分类的图像块集合中都会存在与adaboost-bp神经网络模型的输入特征值相关的图像特征。在此步骤中，可以对每一分类的图像块集合进行特征提取以及特征分析，以得到相应bp神经网络模型的多个输入特征值，也即如前所述的多个肉品质量指标。
在步骤s305，将每一分类各自对应的多个肉品质量指标输入相应的adaboost-bp神经网络模型，得到各adaboost-bp神经网络模型测得的相应分类的肉品检测结果。
如前所述，由于在模型训练阶段时已训练得到各adaboost-bp神经网络模型相应的权重因子。在步骤s306，可以根据基于各adaboost-bp神经网络模型的肉品检测结果以及各分类对应的检测模型的权重因子，得到所述待检测肉品的新鲜度。
本申请如上所述的检测方案具有适用性强、精度高等优点，可以应用于多个场合，基于所确定的肉品新鲜度，即可确定待检测肉品的新鲜度等级、最佳食用时间等，以为人们判定肉品是否能够食用、以及是否是最佳食用时间等方面，具有极好的研究意义和广阔的应用前景。
基于相同的构思，本申请实施例还提供了一种肉品新鲜度检测装置。
如图4所示，该肉品新鲜度检测装置400可以包括：
阈值分割单元410，用于对待检测肉品的检测图像进行阈值分割，以得到至少两个分类的图像块集合；
分析单元420，用于对每一分类的图像块集合进行分析，得到每一分类对应的多个肉品质量指标；
检测单元430，用于将每一分类对应的多个肉品质量指标输入该分类对应的检测模型，得到每个分类的肉品检测结果；
新鲜度确定单元440，用于根据各检测模型的肉品检测结果，确定述待检测肉品的新鲜度。
在一个实施例中，各分类对应的检测模型为预先训练得到的adaboost-bp神经网络模型，且各adaboost-bp神经网络模型具有相应的权重因子，
新鲜度确定单元具体用于：
基于各检测模型的肉品检测结果以及各分类对应的检测模型的权重因子，得到所述待检测肉品的新鲜度。
在一个实施例中，各分类对应的检测模型是基于下述方法训练得到的：
获取各分类的训练样本，其中，各分类的训练样本包括基于样本图像得到的相应分类的图像块集合、多个肉品质量指标以及标注，其中，所述标注用于表征所述图像块集合与所述肉品质量指标的相关程度；
基于各分类的训练样本训练各分类的检测模型的模型参数以及权重因子。
在一个实施例中，所述肉品质量指标包括下述的至少一项：肉品色泽；肉品纹理。
在一个实施例中，阈值分割单元具体用于：基于图像自适应阈值分割算法对所述检测图像进行阈值分割，以得到至少两个分类的图像块集合，其中，每一分类对应于一个灰度区间。
在一个实施例中，所述装置还包括：图像预处理单元，用于在对待检测肉品的检测图像进行阈值分割之前，对所述检测图像进行图像预处理。
上述肉品新鲜度检测装置及其功能模块的具体实现可参见上文结合附图1-3的相关描述，在此不再赘述。
在介绍了本申请示例性实施方式的一种肉品新鲜度检测方法和装置之后，接下来，介绍根据本申请的另一示例性实施方式的计算设备。
所属技术领域的技术人员能够理解，本申请的各个方面可以实现为系统、方法或程序产品。因此，本申请的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
在一些可能的实施方式中，根据本申请的计算设备可以至少包括至少一个处理器、以及至少一个存储器。其中，存储器存储有程序代码，当程序代码被处理器执行时，使得处理器执行本说明书上述描述的根据本申请各种示例性实施方式的肉品新鲜度检测方法中的步骤。例如，处理器可以执行如图1、3所示的步骤。
下面参照图5来描述根据本申请的这种实施方式的计算设备130。图5显示的计算设备130仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图5所示，计算设备130以通用计算设备的形式表现。计算设备130的组件可以包括但不限于：上述至少一个处理器131、上述至少一个存储器132、连接不同系统组件(包括存储器132和处理器131)的总线133。
总线133表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器、外围总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。
存储器132可以包括易失性存储器形式的可读介质，例如随机存取存储器(ram)1321和/或高速缓存存储器1322，还可以进一步包括只读存储器(rom)1323。
存储器132还可以包括具有一组(至少一个)程序模块1324的程序/实用工具1325，这样的程序模块1324包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
计算设备130也可以与一个或多个外部设备134(例如键盘、指向设备等)通信，还可与一个或者多个使得用户能与计算设备130交互的设备通信，和/或与使得该计算设备130能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口135进行。并且，计算设备130还可以通过网络适配器136与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器136通过总线133与用于计算设备130的其它模块通信。应当理解，尽管图中未示出，可以结合计算设备130使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
在一些可能的实施方式中，本申请提供的一种肉品新鲜度检测方法的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在计算机设备上运行时，程序代码用于使计算机设备执行本说明书上述描述的根据本申请各种示例性实施方式的一种肉品新鲜度检测方法中的步骤，例如，计算机设备可以执行如图1、图3所示的步骤。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
本申请的实施方式的用于肉品新鲜度检测的程序产品可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在计算设备上运行。然而，本申请的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、有线、光缆、rf等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本申请操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如java、c 等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意，尽管在上文详细描述中提及了装置的若干单元或子单元，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之，上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
此外，尽管在附图中以特定顺序描述了本申请方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
1.一种肉品新鲜度检测方法，其特征在于，所述方法包括：
对待检测肉品的检测图像进行阈值分割，以得到至少两个分类的图像块集合；
对每一分类的图像块集合进行分析，得到每一分类对应的多个肉品质量指标；
将每一分类对应的多个肉品质量指标输入该分类对应的检测模型，得到每个分类的肉品检测结果；
根据各检测模型的肉品检测结果，确定述待检测肉品的新鲜度。
2.根据权利要求1所述的方法，其特征在于，各分类对应的检测模型为预先训练得到的adaboost-bp神经网络模型，且各adaboost-bp神经网络模型具有相应的权重因子，
根据各检测模型的肉品检测结果，确定述待检测肉品的新鲜度，包括：
基于各检测模型的肉品检测结果以及各分类对应的检测模型的权重因子，得到所述待检测肉品的新鲜度。
3.根据权利要求2所述的方法，其特征在于，各分类对应的检测模型是基于下述方法训练得到的：
获取各分类的训练样本，其中，各分类的训练样本包括基于样本图像得到的相应分类的图像块集合、多个肉品质量指标以及标注，其中，所述标注用于表征所述图像块集合与所述肉品质量指标的相关程度；
基于各分类的训练样本训练各分类的检测模型的模型参数以及权重因子。
4.根据权利要求1所述的方法，其特征在于，所述肉品质量指标包括下述的至少一项：
肉品色泽；
肉品纹理。
5.根据权利要求1所述的方法，其特征在于，对待检测肉品的检测图像进行阈值分割，以得到至少两个分类的图像块集合，包括：
基于图像自适应阈值分割算法对所述检测图像进行阈值分割，以得到至少两个分类的图像块集合，其中，每一分类对应于一个灰度区间。
6.根据权利要求1所述的方法，其特征在于，对待检测肉品的检测图像进行阈值分割之前，所述方法还包括：
对所述检测图像进行图像预处理。
7.一种肉品新鲜度检测装置，其特征在于，所述装置包括：
阈值分割单元，用于对待检测肉品的检测图像进行阈值分割，以得到至少两个分类的图像块集合；
分析单元，用于对每一分类的图像块集合进行分析，得到每一分类对应的多个肉品质量指标；
检测单元，用于将每一分类对应的多个肉品质量指标输入该分类对应的检测模型，得到每个分类的肉品检测结果；
新鲜度确定单元，用于根据各检测模型的肉品检测结果，确定述待检测肉品的新鲜度。
8.根据权利要求7所述的装置，其特征在于，各分类对应的检测模型为预先训练得到的adaboost-bp神经网络模型，且各adaboost-bp神经网络模型具有相应的权重因子，
新鲜度确定单元具体用于：
基于各检测模型的肉品检测结果以及各分类对应的检测模型的权重因子，得到所述待检测肉品的新鲜度。
9.根据权利要求8所述的装置，其特征在于，各分类对应的检测模型是基于下述方法训练得到的：
获取各分类的训练样本，其中，各分类的训练样本包括基于样本图像得到的相应分类的图像块集合、多个肉品质量指标以及标注，其中，所述标注用于表征所述图像块集合与所述肉品质量指标的相关程度；
基于各分类的训练样本训练各分类的检测模型的模型参数以及权重因子。
10.根据权利要求7所述的装置，其特征在于，所述肉品质量指标包括下述的至少一项：
肉品色泽；
肉品纹理。
11.根据权利要求7所述的装置，其特征在于，阈值分割单元具体用于：
基于图像自适应阈值分割算法对所述检测图像进行阈值分割，以得到至少两个分类的图像块集合，其中，每一分类对应于一个灰度区间。
12.根据权利要求7所述的装置，其特征在于，所述装置还包括：
图像预处理单元，用于在对待检测肉品的检测图像进行阈值分割之前，对所述检测图像进行图像预处理。
13.一种计算设备，其特征在于，包括至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行根据权利要求1-6任一项所述的方法。
14.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行根据权利要求1-6任一项所述的方法。
技术总结