近日，中国农业大学动物科学技术学院韩红兵课题组联合信息与电气工程学院赵景博团队，在计算机与农林交叉学科领域国际权威期刊Computers and Electronics in Agriculture上发表了题为《基于超声图像利用三阶段卷积神经网络预测绵羊肌内脂肪含量》（EIMFS: Estimating intramuscular fat in sheep using a three-stage convolutional neural network based on ultrasound images）的研究论文，开发了一种基于深度学习的绵羊活体肌内脂肪（IMF）实时检测技术。该技术通过超声图像结合三阶段卷积神经网络，首次实现了活羊肌内脂肪含量的非侵入式、高精度快速评估，为羊肉品质提升和绵羊选育提供了创新工具。
随着人们生活质量提升，对高品质羊肉的需求日益增加，其中肌内脂肪（IMF）是决定羊肉食用品质的核心指标之一，直接影响嫩度、多汁性和风味。高IMF含量通常与更佳的口感体验和市场价格密切相关，是优质羊肉的重要标志之一。不同绵羊品种IMF含量存在差异，通过选育可以培育出高含量IMF品种，因此，活体测定和评估IMF含量对品种选育具有重要意义。然而，传统IMF检测方法存在显著局限，其中化学提取法（如索氏抽提法）需屠宰后取样，破坏性强、成本高（且涉及有毒溶剂，无法用于活体评估；感官评价法依赖人工经验，主观性强，重复性差，难以实现标准化。新型CT测定虽具非侵入性，但设备昂贵、操作复杂，耗时耗力，难以大规模测定。因此，开发高效、精准的活体IMF检测技术，对育种，肉质分级、饲养管理等具有重要意义。
研究团队提出了一种EIMFS的三阶段深度学习模型，利用超声图像，将IMF预测值的平均绝对百分比误差（MAPE）降至7.25%（即准确性接近93%），与化学检测值相关系数（ICC）高达0.905，显著优于现有技术。
图1.基于绵羊背部超声图像估测眼肌肌内脂肪含量
EIMFS模型基于“分割-特征融合-预测”三阶段架构：
1.一阶段精准分割：采用改进的U-Net网络，精准分割超声图像中的眼肌区域，分割精度（Dice系数）达0.916，参数量仅9.22M，显著优于FCN、SegNet等传统模型。
表1.不同分割方法比较
2. 二阶段多模态特征提取：创新性融合彩色与灰度图像的分割结果，引入深度可分离卷积（DPConv）和通道注意力机制（SE模块），有效提取肌肉纹理、脂肪分布等多维特征。同时结合眼肌面积占比，通过线性映射增强特征关联性。
图2.特征提取网络
3.三阶段动态预测：采用多层感知机（MLP）融合高维特征，实现毫秒级实时预测。模型训练采用两阶段策略，先冻结分割网络参数，再联合优化特征提取与回归模块，确保全局收敛性。
图3.EIMFS分析策略
研究团队采集和测定了172只肉羊的858张超声图像构建数据集，并通过角度旋转、伽马变换等数据增强技术将样本量扩展至7722张，确保模型泛化能力。实验表明，该技术在肌内脂肪含量2.0%-6.5%范围内均表现稳定，与MobileNet、EfficientNet等主流网络相比，EIMFS的MAPE（7.25%）较MobileNet（20.8%）降低65%，较EfficientNet（26.4%）降低72%。对比专为IMF设计的PIMFP模型（MAPE 14.1%），EIMFS误差再降48%，验证其架构优越性。
表2.不同方法预测效果比较
图4. 真实值与估测值相关分析
该技术可集成至便携式超声设备或养殖管理软件，帮助养殖户实时监测羊群肉质，优化饲养方案。此外，活体测定肌内脂肪含量为绵羊遗传育种提供关键数据支撑，加速优质肉羊品种选育进程。
中国农业大学动科学院硕士研究生杨宇晨和中国农业大学信电学院硕士研究生郭自豪为论文的第一作者，中国农业大学韩红兵和赵景博为论文的通讯作者。该研究得到了内蒙古赛诺种羊科技有限公司和国家农业生物育种重大专项支持。
