猪肉脂肪含量检测对于猪种选育的畜牧商具有重要意义,另外中国国民对于猪肉的质量要求也越来越高。比较各类被用于猪肌内脂肪(intramuscular fat,IMF)含量的检测方法,传统采用屠宰养猪后通过人工或物理化学等检测方式,破坏性强、员工技术要求高,无法达到无损检测。最近几年,深度学习作为机器学习的一个分支,是计算机视觉领域的研究热点,尤其卷积神经网络作为深度学习主要研究算法之一,在目标检测和图像处理任务上取得了突破性的进展。卷积神经网络为利用深度学习算法对猪B超图像进行肌内脂肪含量检测提供了思路,通过分析猪肉的移动B超图像方法实现脂肪含量无损检测。本论文研究以135组猪眼肌B超图像以及理化检测数据作为实验样本,采用深度学习技术来研究猪眼肌B超图像脂肪含量检测的无损检测方法。研究目标是建立卷积网络预测模型从猪B超图像中预测猪眼肌区域肌内脂肪含量。论文以猪眼肌B超图像以及该图像对应的脂肪含量标签为出发点,建立了预测回归模型,实现了猪眼肌B超图像脂肪含量检测。然后,针对预测效率低及空间连续性差问题,针对卷积神经网络预测模型存在的不足,以及目前级联网络思想不断被提出,论文将两者结合,提出基于深度级联网络的猪B超图像脂肪含量检测方法,本文先利用全卷积神经网络将猪眼肌区域分割出来,该方法能从猪B超图像中快速分割出猪眼肌区域,再进行猪眼肌肌内脂肪含量预测,该方法不仅能有效分割出完整猪眼肌区域,还显著提高了猪眼肌肌内脂肪含量预测的精度。论文的主要内容如下:(1)数据样本的预处理。本文所提供的数据集由于图像质量以及数量不足等问题,需要在训练模型前对数据集进行相应的图像增强和数据增强,根据模型的需要对猪眼肌B超图像做标签处理。(2)研究一种基于深度学习的猪眼肌B超图像脂肪含量检测的方法,采用卷积神经网络构建了一个回归预测模型。LeNet主要用来进行手写字符的识别,并在美国的银行中投入了使用。说明该模型能够有效的识别猪B超图像并进行脂肪含量预测,但精确度还存在提高。(3)针对基于卷积神经网络的猪B超脂肪含量检测的不足,引入全卷积网络,论文提出了一种基于深度级联网络的猪B超脂肪含量检测方法。该方法分为两个阶段训练,第一个阶段训练全卷积网络用于定位猪眼肌区域并对猪眼肌进行分割,第二阶段训练深层网络进行猪脂肪含量预测。实验结果表明,该方法不仅提高了猪脂肪含量检测的精度,而且预测效率也得到了很大的改善。(4)根据改进的猪眼肌B超脂肪含量检测方法,开发一套可供B超生产商使用的精度高,鲁棒性强的B超图像脂肪含量检测系统。