Meat@ppli, a smartphone application to predict fat content of beef
À cette fin, des images de coupe transversale de la 6ème côte de 164 carcasses représentatives de la variabilité biologique des quantités de persillé et de marbré de la viande bovine, ont été acquises avec un smartphone Samsung® Galaxy S8 équipé de filtres polarisants. Les côtes ont ensuite été prélevées pour réaliser les mesures de référence : détermination de la teneur totale en graisse par dissection et pesée, et détermination de la teneur en graisse intramusculaire par la méthode de Soxhlet. À partir de plus de 3 500 images de 6èmes côtes et les mesures de référence, plusieurs réseaux neuronaux artificiels ont été formés pour segmenter la côte, la noix d'entrecôte, le persillé dans la noix d'entrecôte et la graisse totale dans la côte. Les résultats sont encourageants, avec des corrélations plus ou moins étroites avec les méthodes de références (0,79 < r < 0,91).
Le projet Meat@ppli a abouti à une preuve de concept réussie pour mesurer le gras dans la viande bovine par analyse d’image. Un dispositif de prise de vue simple – un smartphone équipé de filtres polarisants – a été mis au point pour obtenir des images de bonne qualité dans un environnement peu contrôlé. Des algorithmes d’analyse d’image automatiques, utilisant des réseaux de neurones artificiels, ont été développés pour la prédiction de la teneur en gras intramusculaire de la noix et du gras total de la 6ème côte. Dans l'avenir, l'application Meat@ppli pourrait être utilisée par la filière pour orienter les carcasses vers les circuits de distribution les plus adaptés et pour réaliser du phénotypage massif en vue de la sélection des animaux de demain.
Fat has a major economic importance in the beef sector. It affects all the meat food chain steps: from the farmer to the consumers, through the slaughterer-processor or the retailers. However, nowadays, fat estimation in beef, and especially marbling, is difficult, due to the lack of a suitable assessment tool, i.e., reliable, simple, fast, non-destructive and inexpensive. The Meat@ppli project aimed to predict intramuscular and total fat content of 6th rib from its image captured under non-standardized and uncontrolled conditions, using image analysis methods and deep learning, and then to embed the algorithms in a smartphone application.
For this purpose, cross section images of the 6th rib of 164 carcasses chosen to be representative of the beef marbling variability, were captured with a smartphone Samsung® Galaxy S8 fitted with polarizing filters. The ribs were then removed to determined gold standard measures: total fat content by dissection and weighing, and intramuscular fat content by the Soxhlet method. From more than 3500 images of 6th ribs and gold standard measures, several artificial neural networks were trained to segment the rib, the ribeye, intramuscular fat content in the ribeye and total fat in the rib. The correlations between the gold standards and the parameters from the image analysis were strong (0.79 < r 0.91)).
The Meat@ppli application is a successful proof-of-concept for estimating the fat content of the 6th rib of a bovine carcass in real time from its photo. A simple imaging device – a smartphone fitted with polarizing filter – was developed to obtain good-quality images in a poorly controlled environment. Automatic image analysis algorithms, using artificial neural networks, were developed to predict the intramuscular fat content of the ribeye and the total fat content of the 6th rib. In the future, Meat@ppli could be used by the beef industry to route carcasses to the most suitable distribution channels and to perform massive phenotyping for the selection of bovines with appropriate marbling.
