疫苗毒株胚蛋成活性檢測(cè)方法研究

黃 超 劉衍聰

(1.中國石油大學(xué)(華東)機(jī)電工程學(xué)院，青島 266580； 2.濱州學(xué)院電氣工程學(xué)院，濱州 256600)

疫苗毒株胚蛋成活性檢測(cè)方法研究

黃 超1,2劉衍聰1

(1.中國石油大學(xué)(華東)機(jī)電工程學(xué)院，青島 266580； 2.濱州學(xué)院電氣工程學(xué)院，濱州 256600)

針對(duì)人工光照法在生物疫苗毒株(胚蛋)成活性檢測(cè)中，存在勞動(dòng)強(qiáng)度大、效率低、準(zhǔn)確性差的缺點(diǎn)，提出了一種仿生胚蛋成活性圖像無損檢測(cè)方法。針對(duì)以往研究中胚蛋圖像上下灰度不一、胚蛋蛋殼質(zhì)量不一等因素影響胚蛋血脈提取的問題，提出了一種基于最小類內(nèi)指數(shù)方差的自適應(yīng)閾值圖像處理方法。通過對(duì)去噪后的胚蛋圖像進(jìn)行圖像邊緣檢測(cè)及數(shù)學(xué)形態(tài)學(xué)處理，準(zhǔn)確構(gòu)建了成活胚蛋主血脈二值形態(tài)，通過計(jì)算胚蛋內(nèi)主血脈二值面積百分比判定胚蛋成活性。對(duì)胚蛋圖像進(jìn)行識(shí)別實(shí)驗(yàn)，結(jié)果表明，該系統(tǒng)識(shí)別一枚胚蛋用時(shí)0.093 s，胚蛋活性判定準(zhǔn)確率為100%，可滿足滅活疫苗、凍干疫苗生產(chǎn)的活性準(zhǔn)確率要求。

疫苗毒株； 成活性檢測(cè)； 圖像分割； 自適應(yīng)閾值

引言

生物疫苗主要采用“雞胚法”生產(chǎn)，即將毒種注入雞胚中，毒種伴隨雞胚的發(fā)育自然繁殖，雞胚繼續(xù)發(fā)育3 d左右，每枚雞胚含有8～12 mL的半成品抗原[1-2]。雞胚孵化培養(yǎng)9～11 d后，向雞胚注射毒種(接種)，接種后繼續(xù)孵化2～3 d后，進(jìn)行尿囊液提取(收獲)。在流感疫苗接種和收獲前，均需要對(duì)雞胚進(jìn)行成活性檢測(cè)，剔除無精蛋、弱胚、死胚蛋，避免其污染正常胚蛋。國內(nèi)疫苗毒株的成活性檢測(cè)采用光照法，查看雞胚血脈的粗細(xì)、血脈紋路確定雞胚的活性。長(zhǎng)時(shí)間光照檢測(cè)不僅造成人眼視覺疲勞，易發(fā)生胚蛋的誤判，而且勞動(dòng)強(qiáng)度大、效率低，雞胚離開孵化器時(shí)間長(zhǎng)，影響雞胚的發(fā)育。因此，研制一種快速有效的雞胚成活性檢測(cè)方法，對(duì)疫苗制造行業(yè)具有重要意義。

國內(nèi)學(xué)者對(duì)胚蛋成活性檢測(cè)技術(shù)進(jìn)行了大量的研究[3-8]，研究成果加速了我國在胚蛋成活性自動(dòng)檢測(cè)領(lǐng)域的發(fā)展。主要檢測(cè)手段有胚蛋透光度檢測(cè)、胚蛋表面溫度檢測(cè)、胚蛋失水率檢測(cè)等相關(guān)特征信息的自動(dòng)檢測(cè)。由于胚蛋的蛋殼質(zhì)量不一、胚蛋重量差別較大、孵化溫度變化率和環(huán)境溫濕度變化的影響，使得批量自動(dòng)檢測(cè)胚蛋時(shí)，區(qū)分度變?nèi)?，難以準(zhǔn)確判別胚蛋的活性。中國電子科技集團(tuán)41所研發(fā)的胚蛋成活性自動(dòng)檢測(cè)技術(shù)，實(shí)現(xiàn)了對(duì)孵化18 d后胚蛋的自動(dòng)檢測(cè)。但是該技術(shù)不能應(yīng)用于孵化16 d以內(nèi)的胚蛋，針對(duì)這一問題，結(jié)合胚蛋檢測(cè)現(xiàn)狀和技術(shù)要求，提出一種仿生圖像自動(dòng)檢測(cè)方法[9-22]，用以判別活胚、死胚和無精蛋，以確保胚蛋活性判斷的準(zhǔn)確率。

1 胚蛋圖像的獲取

1.1 成像系統(tǒng)

成像系統(tǒng)采用?？低?0萬像素1/4″ CMOS 千兆以太網(wǎng)工業(yè)相機(jī)MV-CA003-20GM/GC，每個(gè)光源采用功率為1 W的LED冷白燈珠3顆。為得到蛋胚的清晰血紋圖像，采用內(nèi)置LED燈珠的吸盤將蛋胚吸起后，通過胚蛋氣室投光，經(jīng)胚蛋透光漫反射，在胚蛋側(cè)面成像。一次吸持15枚胚蛋，采用15臺(tái)工業(yè)相機(jī)同時(shí)取相，取相速度為15幅/(1.4 s)，每小時(shí)采集胚蛋圖像約為35 000幅。胚蛋圖像采集裝置如圖1所示。

圖1 胚蛋圖像采集裝置簡(jiǎn)圖Fig.1 Acquisition device of embryonic image1.桁架移動(dòng)電動(dòng)機(jī) 2.胚蛋傳送帶 3.胚蛋吸盤 4.LED燈珠 5.工業(yè)相機(jī) 6.計(jì)算機(jī) 7.傳送帶電動(dòng)機(jī)

1.2 光源與投射方式的確定

成相系統(tǒng)是對(duì)一行15個(gè)胚蛋同時(shí)拍照，胚蛋的間距較近。由于光源與胚蛋耦合不好，導(dǎo)致漏光現(xiàn)象，使光源照射到相鄰的胚蛋外殼上，產(chǎn)生反射光，從而將該胚蛋的折射光覆蓋掉，取照時(shí)容易取到蛋殼的本色，而不是胚蛋的血管紋理，因此失去判定依據(jù)，造成誤判。為此，吸盤采用多層皺褶式硅膠吸盤，吸盤的盤口形狀為倒錐形，在負(fù)壓的作用下，容易和胚蛋的外殼耦合。吸盤采用黑色，起到光線的阻擋作用，避免產(chǎn)生背景光，影響暗室拍照。胚蛋處于孵化10～11 d時(shí)，作為疫苗毒株培養(yǎng)毒種，該時(shí)期胚蛋發(fā)育的皮膚羽毛原基遍及全身，翼和腿部羽毛的尖端已微露，尿囊血管已在小端合攏，血管變多變粗，成樹狀分布。

胚蛋的大頭(有氣室端)朝上放置于蛋盤中，由于蛋盤的影響，注光燈在胚蛋上方和下方進(jìn)行注光較方便且效率高。為確定注光方位，進(jìn)行上下注光取相比較試驗(yàn)，如圖2所示。大頭注光成像，圖像的灰度自上而下逐漸增大，胚蛋的血管紋路有2/3可以清晰可辨，能夠完成胚蛋的成活性判斷。小頭注光成像，圖像的灰度自下而上灰度逐漸增大，胚蛋的血管紋路只有1/3清晰可辨，不足以作為胚蛋成活性判定的依據(jù)。因此本系統(tǒng)的注光取相，采用胚蛋大頭吸持注光方式。

圖2 同一枚胚蛋大、小頭注光成像圖Fig.2 Light injection imagings of embryo egg’s different heads

1.3 成像過程

胚蛋大頭朝上放置于10行×15列的蛋盤中, 由傳送帶將整盤蛋傳送至暗箱中。到達(dá)暗箱后, 桁架在電動(dòng)機(jī)的驅(qū)動(dòng)下定位至最后一行胚蛋的正上方。胚蛋專用吸盤將15枚胚蛋吸起一定高度，脫離蛋盤，內(nèi)置于吸盤的LED啟動(dòng)，冷白光透過胚蛋的氣室將光投入胚蛋中，由15個(gè)相機(jī)一一對(duì)應(yīng)進(jìn)行取照，相機(jī)通過千兆交換機(jī)將胚蛋照片傳至計(jì)算機(jī)，吸盤下落將胚蛋放下，啟動(dòng)桁架定位至下一行胚蛋的上方進(jìn)行取照，完成10行胚蛋的取照后，傳送帶將蛋盤送出暗室。

1.4 相機(jī)視野的確定

胚蛋在10～11 d時(shí)，需完成接種前的胚蛋成活性檢測(cè)，以及入庫前的成活性檢測(cè)。胚蛋在這個(gè)時(shí)期，尿囊血管在胚蛋小頭合攏，整個(gè)胚蛋除了氣室都布滿了血管，且血管變粗、顏色變暗。這個(gè)時(shí)期給胚蛋投光成像，上半部分血管紋理清晰，而下半部分由于胚胎及血管對(duì)光線的吸收和阻礙作用，圖像變得灰暗不清。為確保相機(jī)取相傳輸?shù)乃俣?，每個(gè)相機(jī)為30萬像素，在1.4 s時(shí)間內(nèi)完成15幅圖像的傳輸。圖像的大小影響圖像的處理和血管紋路的提取速度，影響胚蛋的成活性判定效率。為了使胚蛋圖像信息能夠滿足圖像識(shí)別的要求，又能實(shí)現(xiàn)圖像的快速處理和提高血管紋理的提取效率，因此只需按照?qǐng)D像上半部分血管紋路就能判定胚蛋的活性。調(diào)整相機(jī)的視野時(shí)，應(yīng)盡量避免包含暗箱背景和相鄰胚蛋，來提高胚蛋圖像的有效信息比。相機(jī)視野范圍的調(diào)整，不影響圖像的大小，對(duì)圖像傳輸、處理存儲(chǔ)沒有影響。采用無畸變鏡頭的放大倍數(shù)為6～12，在調(diào)整相機(jī)視野時(shí)，由于相機(jī)視野的長(zhǎng)寬比，胚蛋的小端部分圖像采集不到，圖像的采集如圖3所示。

2 基于圖像處理的胚蛋成活性判斷

2.1 胚蛋血脈紋理分割

由于圖像在采集過程中受到環(huán)境影響，不同批次所采集的圖像會(huì)有所差異(圖3)，從而影響毒株血脈紋理的提取。在兼顧圖像采集效率的情況下，無法完全保證拍攝環(huán)境亮度一致，針對(duì)這一問題，本文提出了自適應(yīng)血脈紋理提取方法。按照?qǐng)D像的明暗程度進(jìn)行分類，采用不同圖像處理方法對(duì)所采集的圖像進(jìn)行血脈分割和提取。

圖3 胚蛋圖像Fig.3 Embryonic images

胚蛋圖像亮度對(duì)其內(nèi)部紋理的提取具有很大程度的影響，且胚蛋區(qū)域基本位于圖像的中間。首先將RGB圖像轉(zhuǎn)換成HSV圖像，然后在V分量圖像中提取位于中部的一個(gè)50像素×50像素子區(qū)域，并計(jì)算此區(qū)域的亮度均值，實(shí)現(xiàn)依據(jù)圖像采集質(zhì)量進(jìn)行自動(dòng)分類。然后設(shè)定閾值，來判斷圖像的亮度，針對(duì)不同亮度的圖像，采用不同的血脈提取方法。

2.1.1較亮圖像的處理

對(duì)于質(zhì)量較高的圖像，圖像亮度較高，比較容易將胚蛋從背景中分割出來。經(jīng)過對(duì)胚蛋圖像各分量的研究發(fā)現(xiàn)，血脈在G分量圖像上相對(duì)比較明顯，因而在G分量圖像上進(jìn)行血脈提取。具體步驟如圖4所示。

(1)對(duì)G分量圖像G=fg(x,y)采用全局閾值T進(jìn)行分割，得到二值圖像，記為Ib1，與自適應(yīng)閾值得到二值圖像進(jìn)行異或。

圖4 較亮圖像的血脈提取過程Fig.4 Blood extraction process for lighter image

(1)

式中b(x,y)——圖像二值函數(shù)

(2)由于所采集圖像的亮度差別較大，采用全局閾值無法直接將血管分離出來，為使分割算法適應(yīng)不同亮度圖像，采用基于最小類內(nèi)指數(shù)方差的自適應(yīng)閾值分割方法進(jìn)行圖像分割。

假設(shè)圖像I=f(x,y)的尺寸為M×N，且具有L個(gè)灰度等級(jí)，設(shè)J={0,1,2,…,L-1}為灰度級(jí)集合，g(x,y)表示像素點(diǎn)(x,y)處的區(qū)域平均灰度。因此，圖像的像素本身灰度f(x,y)和其鄰域均值g(x,y)聯(lián)合概率函數(shù)為

h(m,n)=Prob(f(x,y)=m&g(x,y)=n)

(2)

圖像的二維直方圖綜合了像素的空間關(guān)系，便于更好地呈現(xiàn)像素的分布情況。通過閾值向量(t，s)對(duì)圖像進(jìn)行分割，t為圖像像素本身灰度f(x，y)的閾值，s為其鄰域均值g(x，y)的閾值[6]。將圖像的二維直方圖進(jìn)行劃分，如圖5所示。

圖5 二維直方圖的區(qū)域劃分Fig.5 Division of two-dimensional histogram

圖5中，分割線L1和L2平行于主對(duì)角線((0，0)到(L-1，L-1))，直線L1和L2之間區(qū)域像素點(diǎn)的灰度級(jí)及其鄰域平均灰度差別不大，認(rèn)為是圖像的目標(biāo)和背景內(nèi)點(diǎn)區(qū)；L3、L4平行于主對(duì)角線，L2與L4和L1與L3之間的兩區(qū)域點(diǎn)的灰度級(jí)及其鄰域平均灰度有一定差別，將該區(qū)域定義為目標(biāo)和背景之間過渡的邊界區(qū)；L4右下方及L3左上方區(qū)域像素的灰度級(jí)與其鄰域灰度均值差別很大，認(rèn)為是圖像的噪聲點(diǎn)區(qū)。設(shè)直線L5的方程為

g=-f+T

(3)

令L5的右上方為目標(biāo)O，L5的左下方為背景B，背景和目標(biāo)的類概率分別為

(4)

PO(T)=1-PB(T)

(5)

式中P(i,j)——聯(lián)合灰度值概率

i——像素本身灰度

j——鄰域灰度均值

圖像的所有像素對(duì)于自身灰度和鄰域平均灰度均值矢量為

(6)

式中μi——像素對(duì)于自身灰度矢量

μj——像素對(duì)于鄰域平均灰度矢量

背景和目標(biāo)類的均值矢量為

(7)

(8)

式中μBi——背景自身灰度均值矢量

μBj——背景鄰域灰度均值矢量

μOi——目標(biāo)自身灰度均值矢量

μOj——目標(biāo)鄰域灰度均值矢量

背景和目標(biāo)的類內(nèi)指數(shù)方差分別為

(9)

(10)

(11)

最小化圖像的總體類內(nèi)指數(shù)方差，得到最佳閾值

(12)

得到最佳閾值T*后，將圖像二值化為目標(biāo)、背景

(13)

其中，fb(x，y)為分割后的二值化圖像，目標(biāo)灰度為1，背景灰度為 0，將得到的二值圖像記為Ib2。

(3)將二值圖像Ib1和Ib2進(jìn)行異或操作(XOR)得到圖像Ib，將胚蛋內(nèi)的血管紋理變成白色

fb(x,y)=fb1(x,y)⊕fb2(x,y)

(14)

式中fb1(x,y)——全局閾值得到的二值圖像

fb2(x,y)——自適應(yīng)閾值得到的二值圖像

(4)為得到胚蛋內(nèi)的血脈，將步驟(3)得到的圖像Ib與腐蝕后的Ib1進(jìn)行與運(yùn)算(AND)，這樣就只保留了胚蛋內(nèi)的血脈紋理圖像。

fb(x,y)=fb(x,y)∧fb1(x,y)

(15)

2.1.2較暗圖像的處理

對(duì)于較暗圖像，直接對(duì)G分量進(jìn)行圖像分割不能將胚蛋從背景中提取出來。經(jīng)過對(duì)胚蛋圖像的RGB各顏色分量進(jìn)行分析，參考Ohta顏色系統(tǒng)[7]，經(jīng)過多次實(shí)驗(yàn)驗(yàn)證，發(fā)現(xiàn)使用

I=2.5R-2G-0.5B

(16)

計(jì)算特征值I(其中R、G、B分別表示3個(gè)顏色分量)能夠?qū)⑴叩皬膹?fù)雜背景分離出來，并將復(fù)雜的背景轉(zhuǎn)換為單一的黑色，使用全局閾值就可以很容易將胚蛋從背景中分離出來。

血脈提取的效果如圖6所示，具體步驟為：

(1)根據(jù)式(16)計(jì)算特征值I，并采用全局閾值52(實(shí)驗(yàn)測(cè)得)進(jìn)行二值化，得到二值圖像Ib1。

(2)根據(jù)所得到的二值圖像Ib1，將G分量圖像的背景部分變?yōu)楹谏?，然后?duì)其采用自適應(yīng)閾值法[6]進(jìn)行圖像分割，得到二值圖像Ib2。

(3)將二值圖像Ib1和Ib2進(jìn)行異或操作，將胚蛋內(nèi)的血管脈絡(luò)變成白色。

(4)為了得到胚蛋內(nèi)的血脈，將步驟(3)得到的圖像與腐蝕后的圖像Ib1進(jìn)行與運(yùn)算，這樣只保留了胚蛋內(nèi)的血脈紋理圖像。

圖6 較暗圖像的血脈提取過程Fig.6 Blood extraction process for darker image

2.2 疫苗毒株成活性判斷

通過分類識(shí)別，識(shí)別率基本滿足需求，生產(chǎn)工藝允許將活胚誤判定為死胚，但不允許將弱胚或者死胚判定為活胚。將胚蛋里面的血脈提取出來后，接下來就根據(jù)所提取的脈絡(luò)判斷是否為活胚。如果所提取的脈絡(luò)為樹狀血脈(圖7a)，則為活胚；若為血脈不連續(xù)或模糊團(tuán)塊(圖7b、7c)，則為死胚。

為了判定可靠，采用兩步判定法。第1步，在二值圖像中尋找最大連通區(qū)域記為P，然后分別計(jì)算區(qū)域P的輪廓周長(zhǎng)和面積(像素?cái)?shù))，記為Pl和Pa，接著計(jì)算區(qū)域P的面積和周長(zhǎng)比R=Pa/Pl。通過樣本測(cè)試，選取閾值為0.94，如果R≥0.94，則為死胚；否則為活胚。通過該判別方法，將圖7c中的死胚剔除，但無法剔除圖7b中的死胚。第2步，對(duì)所提取的血脈結(jié)果的二值圖像，尋找最大聯(lián)通區(qū)域，將最大血脈區(qū)域面積與胚蛋的面積百分比作為胚蛋成活性判斷的標(biāo)準(zhǔn)

圖7 不同類型的胚蛋血脈提取結(jié)果Fig.7 Extraction results of different types embryo blood

(17)

式中Au——胚蛋血脈最大聯(lián)通區(qū)域面積

Ae——整個(gè)胚蛋面積

通過求取圖7中二值圖像的最大血脈面積占整個(gè)胚蛋面積的百分比，即使最后獲得的二值血脈結(jié)構(gòu)圖中存在少量的孤點(diǎn)噪聲像素，也不會(huì)影響γ值，不會(huì)對(duì)最終的判別結(jié)果產(chǎn)生實(shí)質(zhì)性影響。

根據(jù)獲取的胚蛋特征值γ，可以使用貝葉斯分類器對(duì)被檢胚蛋進(jìn)行快速分類[8]。首先對(duì)樣本訓(xùn)練組的1 000枚胚蛋(840枚活胚、160枚死胚)進(jìn)行訓(xùn)練，提取特征參數(shù)γ并生成盒狀圖(圖8)。

圖8 特征參數(shù)γ盒圖Fig.8 Box diagram of characteristic parameter γ

可見，特征參數(shù)γ對(duì)活胚和死胚具有很大的區(qū)分度，我們使用貝葉斯分類器來確定特征參數(shù)γ的分類閾值，貝葉斯分類函數(shù)可定義為[5]

g(x)=WTx-W0

(18)

其中

(19)

W——系數(shù)矩陣W0——分類閾值

根據(jù)所提取的活胚和死胚兩類樣本的γ特征均值，可以得到分類閾值W0。但由于在實(shí)際檢測(cè)中，生產(chǎn)工藝允許將活胚誤判定為死胚，但不允許將弱胚或者死胚判定為活胚。因此，我們?cè)诖_定分類閾值時(shí)，還需要考慮死胚的特征參數(shù)γ的最大值，分類閾值W可定義為

(20)

其中，W0是由式(17)計(jì)算得到的分類閾值，γmax為死胚的特征參數(shù)γ的最大值。通過分類閾值，將圖7b中的死胚進(jìn)行剔除。經(jīng)過兩步判定，針對(duì)不同類型的死胚，可實(shí)現(xiàn)對(duì)圖7b、7c中死胚的剔除。

3 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)在某疫苗廠進(jìn)行，實(shí)驗(yàn)樣機(jī)如圖9所示。

圖9 檢測(cè)裝置測(cè)試圖Fig.9 Test chart of test device1.數(shù)字相機(jī) 2.垂直桁架電動(dòng)機(jī) 3.水平桁架電動(dòng)機(jī) 4.水平傳動(dòng)模組 5.垂直傳動(dòng)模組 6.胚蛋吸持模組

根據(jù)上述兩步的毒株成活性判定法，對(duì)疫苗廠的600枚10日齡胚蛋進(jìn)行胚蛋成活性在線實(shí)時(shí)檢測(cè)，檢測(cè)結(jié)果如表1所示，其中準(zhǔn)確率Pe、漏判率Pm和誤判率Pw定義為

(21)

式中Qa——活胚個(gè)數(shù)QTA——胚蛋總數(shù)

Qm——死胚被誤判成活胚個(gè)數(shù)

Qw——活胚被錯(cuò)判為死胚個(gè)數(shù)

表1 胚蛋成活性檢測(cè)結(jié)果Tab.1 Test results of embryo egg activity

由表1可以發(fā)現(xiàn)，人工檢測(cè)和無損檢測(cè)的漏判率均為0。自動(dòng)檢測(cè)在胚蛋判別的準(zhǔn)確度上接近人工檢測(cè)，影響自動(dòng)檢測(cè)準(zhǔn)確度的原因主要是圖像采集角度和采集質(zhì)量，以致獲得的圖像的血管面積比較小。為了確?；钆叩慕】敌裕匾鈱⒀芗y理面積比的參數(shù)調(diào)高，因此使得自動(dòng)檢測(cè)的錯(cuò)判率稍高，但在允許范圍內(nèi)，保證了活胚率。人工檢測(cè)平均效率為0.4 s/枚，自動(dòng)檢測(cè)的平均效率為0.093 s/枚，綜合檢測(cè)效率和穩(wěn)定性，自動(dòng)檢測(cè)的優(yōu)勢(shì)更為明顯。

4 結(jié)束語

為了提高接毒胚蛋成活性自動(dòng)檢測(cè)的準(zhǔn)確性和高效性，采用氣室注光的透射取相法，最大限度地得到胚蛋清晰血管紋路圖像。提出了基于最小類內(nèi)指數(shù)方差的灰度自適應(yīng)算法，實(shí)現(xiàn)了胚蛋圖像上、下兩部分的血管紋路提取。通過對(duì)所提取的紋路采用基于面積周長(zhǎng)比的區(qū)域形狀判斷法，消除了胚蛋圖像血環(huán)、干涸胚胎、蛋殼裂紋的影響。通過計(jì)算胚蛋的最大血脈區(qū)域面積與胚蛋的面積比，采用貝葉斯分類方法完成了胚蛋在線實(shí)時(shí)分類。實(shí)驗(yàn)數(shù)據(jù)表明，無損檢測(cè)系統(tǒng)的每枚胚蛋成活性判定平均用時(shí)0.093 s，分揀出胚蛋的活胚率為100%，滿足滅活、凍干苗的疫苗毒株活性判別的生產(chǎn)要求。

1 閆峰, 張輝.孵化溫濕度對(duì)雞胚尿囊液的影響[J].中國獸醫(yī)雜志,2011, 47(4): 28-30.

YAN Feng,ZHANG Hui.The incubation temperature and humidity effects on chicken embryo allantoic fluid[J].Chinese Journal of Veterinary Medicine,2011, 47(4): 28-30.(in Chinese)

2 張彥杰, 賈玲霞，李愛芬，等.禽流感H9亞型SD696株疫苗生產(chǎn)工藝改進(jìn)試驗(yàn)[J].中國獸藥雜志,2011, 45(1): 45-48.

ZHANG Yanjie, JIA Lingxia,LI Aifen,et al.Experiment of improve technological processon avian influen zaVirus(H9) strain SD696 vaccine production[J].Chinese Journal of Veterinary Medicine,2011, 45(1): 45-48.(in Chinese)

3 鄧立苗，陳輝，馬文杰.基于反射與透射圖像的糯玉米葉片機(jī)器視覺識(shí)別效果分析[J].糧油食品科技,2013,21(4):80-83.

DENG Limiao，CHEN Hui，MA Wenjie.Study on identification of waxy corn leaf by computer vision based on reflection and transmission image[J].Science and Technology of Cereals,Oils and Foods, 2013,21(4):80-83.(in Chinese)

4 楊簡(jiǎn),石瑩,劉海燕,等.基于DSP和模糊神經(jīng)網(wǎng)絡(luò)種蛋識(shí)別系統(tǒng)[J].中國農(nóng)機(jī)化學(xué)報(bào), 2014,35(5):175-178.

YANG Jian,SHI Ying,LIU Haiyan,et al.Unfertilized eggs verification system based on DSP system and fuzzy neural networks [J].Journal of Chinese Agricultural Mechanization, 2014,35(5):175-178.(in Chinese)

5 單寶明.基于機(jī)器視覺的疫苗制備中胚蛋成活性檢測(cè)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào), 2010,41(5):178-181.

SHAN Baoming.Hatchingegg fertility detection in vaccine preparation based on machine vision[J].Transactions of the Chinese Society for Agricultural Machinery, 2010,41(5):178-181.(in Chinese)

6 陽樹洪.灰度圖像閾值分割的自適應(yīng)和快速算法研究[D].重慶：重慶大學(xué), 2014.

7 吳迪，陳孝敬，何勇.基于離散余弦變換和支持向量機(jī)的多光譜紋理圖像的茶葉分類研究[J].光譜學(xué)與光譜分析，2009,29(5):1382-1385.

WU Di, CHEN Xiaojing, HE Yong.Application of multispectral image texture to discriminating tea categories based on DCT and LS-SVM[J].Spectroscopy and Spetral Analysis, 2009,29(5):1382-1385.(in Chinese)

8 張學(xué)工.模式識(shí)別[M].3版.北京：清華大學(xué)出版社，2010.

9 劉川來, 呼進(jìn)國.疫苗制造中接毒SPF胚蛋成活性無損檢測(cè)系統(tǒng)[J].中國科技論文, 2013, 8(7):711-716.

LIU Chuanlai,HU Jinguo.Non-destructive detection of the survival of inoculated SPF eggs in vaccine production[J].China Science Paper, 2013, 8(7):711-716.(in Chinese)

10 馮娟,曾立華,劉剛，等.融合多源圖像信息的果實(shí)識(shí)別方法[J/OL].農(nóng)業(yè)機(jī)械學(xué)報(bào), 2014,45(2):72-79.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20140213&flag=1.DOI：10.6041/j.issn.1000-1298.2014.02.013.

FENG Juan,ZENG Lihua,LIU Gang,et al.Fruit recognition algorithm based on multi-source images fusion[J/OL].Transactions of the Chinese Society for Agricultural Machinery, 2014,45(2):72-79.(in Chinese)

11 呂繼東,趙德安,姬偉.蘋果采摘機(jī)器人目標(biāo)果實(shí)快速跟蹤識(shí)別方法[J/OL].農(nóng)業(yè)機(jī)械學(xué)報(bào), 2014,45(1):65-71.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20140111&flag=1.DOI：10.6041/j.issn.1000-1298.2014.01.011.

Lü Jidong,ZHAO Dean,JI Wei.Fasttracing recognition method of target fruit for apple harvesting robot[J/OL].Transactions of the Chinese Society for Agricultural Machinery, 2014,45(1):65-71.(in Chinese)

12 張春龍，張楫，張俊雄，等.近色背景中樹上綠色蘋果識(shí)別方法[J/OL].農(nóng)業(yè)機(jī)械學(xué)報(bào), 2014,45(10):277-281.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20141043&flag=1.DOI：10.6041/j.issn.1000-1298.2014.10.043.

ZHANG Chunlong,ZHANG Ji,ZHANG Junxiong,et al．Recognition of green apple in similar backgroud[J/OL].Transactions of the Chinese Society for Agricultural Machinery, 2014,45(10):277-281.(in Chinese)

13 張建華，孔繁濤，李哲敏,等.基于最優(yōu)二叉樹支持向量機(jī)的蜜柚葉部病害識(shí)別[J].農(nóng)業(yè)工程學(xué)報(bào), 2014,30(19):222-231.

ZHANG Jianhua, KONG Fantao,LI Zhemin,et al．Recognition of honey pomelo leaf diseases based on optimal binary tree support vector machine[J].Transactions of the CSAE, 2014,30(19):222-231.(in Chinese)

14 王獻(xiàn)鋒，張善文, 王震,等.基于葉片圖像和環(huán)境信息的黃瓜病害識(shí)別方法[J].農(nóng)業(yè)工程學(xué)報(bào), 2014,30(14):148-153.

WANG Xianfeng,ZHANG Shanwen,WANG Zhen,et al.Recognition of cucumber diseases based on leaf image and environmental information[J].Transactions of the CSAE, 2014,30(14):148-153.(in Chinese)

15 陶華偉，趙力, 奚吉,等.基于顏色及紋理特征的果蔬種類識(shí)別方法[J].農(nóng)業(yè)工程學(xué)報(bào), 2014,30(16):305-311.

TAO Huawei, ZHAO Li, XI Ji,et al.Fruits and vegetables recognition based on color and texture features[J].Transactions of the CSAE, 2014,30(16):305-311.(in Chinese)

16 張善文，張傳雷.基于局部判別映射算法的玉米病害識(shí)別方法[J].農(nóng)業(yè)工程學(xué)報(bào), 2014,30(11):167-172.

ZHANG Shanwen, ZHANG Chuanlei.Maize disease recognition based on local discriminant algorithm[J].Transactions of the CSAE, 2014,30(11):167-172.(in Chinese)

17 熊俊濤，鄒湘軍, 王紅軍,等.基于Retinex圖像增強(qiáng)的不同光照條件下的成熟荔枝識(shí)別[J].農(nóng)業(yè)工程學(xué)報(bào), 2013,29(12):170-177.

XIONG Juntao, ZOU Xiangjun,WANG Hongjun,et al.Recognition of ripe litchi in different illumination conditions based on Retinex image enhancement[J].Transactions of the CSAE, 2013,29(12):170-177.(in Chinese)

18 徐彥偉，徐愛軍, 頡潭成,等.基于多信息融合的疫苗制備中雞蛋胚體分揀系統(tǒng)[J/OL].農(nóng)業(yè)機(jī)械學(xué)報(bào), 2015,46(2):20-26.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20150204&flag=1.DOI：10.6041/j.issn.1000-1298.2015.02.004.

XU Yanwei,XU Aijun,XIE Tancheng,et al.Automatic sorting system of egg embryo in biological vaccines production based on multi-information fusion[J/OL].Transactions of the Chinese Society for Agricultural Machinery, 2015,46(2):20-26.(in Chinese)

19 吳一全,吳文怡,潘喆,等.基于二維直方圖斜分的最小類內(nèi)方差閾值分割[J].儀器儀表學(xué)報(bào), 2008,29(12):2651-2657.

WU Yiquan,WU Wenyi, PAN Zhe,et al.Minimum within-class variance thresholding based on two-dimensional histogram oblique segmentation[J].Chinese Journal of Scientific Instrument,2008,29(12):2651-2657.(in Chinese)

20 LIEW A W C，SHU H L，WING H L.Lip contour extraction from color images using a deformable model[J].Pattern Recognition,2002,35: 2949-2962.

21 LEE H H，HONG K S.Automatic recognition of flower species in the natural environment[J].Image and Vision Computing, 2017,61:98-114.

22 袁挺,紀(jì)超,張震華,等.基于近紅外圖像的溫室小型西瓜采摘信息獲取技術(shù)[J/OL].農(nóng)業(yè)機(jī)械學(xué)報(bào), 2012,43(7):174-178.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20120732&flag=1.DOI：10.6041/j.issn.1000-1298.2012.07.032.

YUAN Ting,JI Chao,ZHANG Zhenhua,et al.Information acquisition technique of mini-watermelon for harvesting based on near-infrared image in greenhouse[J/OL].Transactions of the Chinese Society for Agricultural Machinery, 2012,43(7):174-178.(in Chinese)

ExperimentonDetectionMethodofVaccineStrainActivity

HUANG Chao1,2LIU Yancong1

(1.CollegeofMechanicalandElectronicEngineering,ChinaUniversityofPetroleum,Qingdao266580,China2.CollegeofElectricalEngineering,BinzhouUniversity,Binzhou256600,China)

Given the high labor intensity, low efficiency and poor accuracy of the artificial lighting method in the detection of biological vaccine strain, embryo egg, activity, a bionic embryonic egg activity image nondestructive detection system was designed.Considering the blood vessel extraction was affected by factors such as the uneven gray level of the embryo egg image and the uneven eggshell quality of the embryo egg, an adaptive threshold method based on the minimum class inner exponential variance was proposed to segment the image and extract the blood.Arterial inclusion of egg embryo imaging was a critical factor for the accuracy of the fertility detection.By analyzing the development process and lighting experiment of egg embryo, it was found that the method shooting light at the bigger part and imaging from the side was an optimal way for the egg embryo imaging.In embryo egg image acquisition, the brightness of the image was varied under the influence of the camera environment and the image acquisition system.In view of this problem, the V component was used to realize automatic image classification, and then the image process was performed respectively.The main blood vessel of the active embryo egg was constructed accurately through the image edge detection and mathematical morphology process of the denoised embryo egg image, and the embryo egg activity was determined by calculating the two values area percentage and area perimeter ratio of the main blood vessel in the embryo egg.Experimental results showed that the system can recognize one embryo egg with 0.093 s, and the detection accuracy of embryo egg activity was 100%.This system can meet the accuracy requirement of the production of inactivated vaccine and freeze-dried vaccine.

vaccine strains； fertility detection； image segmentation； adaptive gray value

10.6041/j.issn.1000-1298.2017.10.038

TP391.4

A

1000-1298(2017)10-0300-07

2017-06-03

2017-07-25

國家自然科學(xué)基金項(xiàng)目(51405512)和山東省重點(diǎn)研發(fā)計(jì)劃項(xiàng)目(2016GNC112015)

黃超(1981—)，男，博士生，濱州學(xué)院講師，主要從事智能控制與檢測(cè)技術(shù)研究，E-mail：hc8247@163.com

劉衍聰(1962—)，男，教授，博士，主要從事工程圖學(xué)及機(jī)器視覺識(shí)別技術(shù)研究，E-mail：liuycupc@163.com