基于機器視覺的肉雞胴體淤血檢測技術(shù)

趙正東，王虎虎，徐幸蓮

基于機器視覺的肉雞胴體淤血檢測技術(shù)

趙正東，王虎虎，徐幸蓮※

（南京農(nóng)業(yè)大學肉品加工與質(zhì)量控制教育部重點實驗室，南京 210095）

肉雞胴體淤血是一種品質(zhì)異常現(xiàn)象，給屠宰企業(yè)帶來較大的經(jīng)濟損失。建立胴體淤血的快速、準確識別技術(shù)是產(chǎn)業(yè)當前的迫切需求。該研究利用自行設(shè)計搭建的肉雞胴體圖像采集裝置，研發(fā)了一種快速識別胴體淤血的技術(shù)方法。采用三方位視覺采集（搭載三光源）系統(tǒng)，實現(xiàn)視場對肉雞胴體的全覆蓋。采用基于全局RGB閾值分割提取出圖像的14個特征參數(shù)，采用主成分分析降維后得到7個主成分，結(jié)合遺傳算法訓練支持向量機模型。然后基于滑動窗口分割胴體子圖像，人工將子圖像分為四類并提取出顏色矩信息，結(jié)合遺傳算法訓練支持向量機模型并采用相似性度量對模型分類結(jié)果進行修正。發(fā)現(xiàn)正視圖和側(cè)視圖中基于7個主成分的支持向量機模型中，分類準確率分別為86.0%和89.8%，預(yù)測時間為0.006 s，RGB閾值分割淤血的效果不理想；基于局部顏色矩支持向量機模型中，分類準確率分別為98.3%和97.9%，預(yù)測時間為0.001 s。在測試樣本上，結(jié)合歐氏距離進行相似性度量對模型分類結(jié)果修正后，淤血的識別召回率得到提升，誤報率和漏報率降低。該研究提出的基于胴體子圖像局部顏色矩信息訓練支持向量機模型結(jié)合相似性度量方法，可以彌補全局RGB閾值分割淤血的不足，有效識別胴體淤血，為工廠進行胴體淤血的實時檢測提供參考。

機器視覺；支持向量機；肉雞胴體；淤血；相似性度量

0 引 言

中國是僅次于美國的世界第二大肉雞生產(chǎn)國，2021年肉雞生產(chǎn)和消費量分別達到1 470萬t和1 503萬t[1]。黃羽肉雞作為中國本土品種，與白羽肉雞相比存在著許多優(yōu)勢。但在禽類疫情頻發(fā)以及新冠疫情的大背景下，分散養(yǎng)殖屠宰和活禽銷售逐步被取消，“集中屠宰、冰鮮上市”是肉雞產(chǎn)業(yè)發(fā)展的必然趨勢。但是肉雞在產(chǎn)業(yè)鏈的各個環(huán)節(jié)中，容易受到各種因素的影響而產(chǎn)生淤血，會在胴體表面產(chǎn)生肉眼可見的、形狀不一的異色現(xiàn)象，造成胴體品質(zhì)的降級[2]。例如育種時追求過快的生長速度和高飼料轉(zhuǎn)化率容易導(dǎo)致血管發(fā)育緩慢密度低[3]；工人捕捉或掛雞時力量過大容易導(dǎo)致血管破裂[4]；電擊暈時不適的電流、電壓以及電擊時間也容易導(dǎo)致血管破裂[5]。因此，在屠宰的過程中需要對胴體檢測以進行分類。利用機器視覺開展肉雞淤血檢測的研究目前還比較少，當前是依靠質(zhì)檢工人的經(jīng)驗判斷是否為淤血次品，依靠肉眼進行淤血特征識別，常常因工廠較快的生產(chǎn)速度以及較長的工作時間，導(dǎo)致工人質(zhì)檢效率下降從而產(chǎn)生誤判。肉雞胴體次品分類不易，很難將胴體淤血情況量化。因此，結(jié)合機器視覺研究一種快速、準確的肉雞胴體淤血識別技術(shù)是當前產(chǎn)業(yè)的迫切需求。

現(xiàn)有的利用機器視覺技術(shù)對肉雞進行檢測的研究主要包括胴體品質(zhì)預(yù)測、雞肉品質(zhì)檢測、表面污染物檢測等方面。在胴體品質(zhì)預(yù)測方面，從胴體圖像中提取體長、投影面積、輪廓長度、雞胸長度、寬度、面積作為特征參數(shù)，建立預(yù)測模型，平均準確率均高于90%[6–11]。在雞肉品質(zhì)檢測方面，研究者們根據(jù)雞肉圖像中的顏色特征與理化指標的相關(guān)性，建立回歸模型進行貨架期及品質(zhì)的檢測[8–10]。在胴體表面污染物檢測方面，研究主要集中在利用高光譜相機獲得不同污染物的平均反射曲線，提取與正常皮膚相差最大的特征波段，再采用濾光片加工業(yè)相機的方式，對污染物進行分割識別[11–14]。應(yīng)用機器視覺對肉雞胴體缺陷檢測的研究較少，但用于檢測植物病害等的研究已有很多。例如對馬鈴薯葉片晚疫病[15]、木材表面缺陷[16]、番茄葉部早疫病[17]和番茄裂果[18]的檢測中，學者們根據(jù)顏色、紋理和形狀等特征參數(shù)，分別采用基于全局特征閾值分割和基于滑動窗口裁剪局部子圖像的方法，提取上述特征并訓練單特征或特征融合模型，可以達到較高的識別準確率，對于不同類型缺陷的檢測具有指導(dǎo)意義。

為了實現(xiàn)利用機器視覺進行肉雞胴體淤血的檢測，本研究利用自行設(shè)計搭建的肉雞胴體圖像采集裝置在肉雞屠宰產(chǎn)線旁采集肉雞完整胴體圖像，能夠采集到實際生產(chǎn)中各種類型的淤血。對比了全局RGB特征閾值法提取胴體淤血以及基于滑動窗口的局部顏色矩特征識別淤血的方法，以期為工廠進行肉雞胴體淤血的在線檢測提供參考。

1 材料與方法

1.1 圖像采集裝置

圖像采集裝置中光源、鏡頭和相機的設(shè)計參考了Steger等[19]的方法，經(jīng)過自主設(shè)計確定了各部件的相關(guān)參數(shù)[20]：相機型號為LUSTER LBAS-GE23-30C，曝光時間最小26s，分辨率為(1 936×1 216)像素，靶面尺寸為1/1.2英寸，芯片類型CMOS，曝光方式為全局曝光，像元尺寸為5.86m，幀率為30幀/s，光學接口C-Mount，傳輸方式網(wǎng)口GigE，觸發(fā)方式為外觸發(fā)或軟件觸發(fā)，電源12 V直流電，功率<3 W；鏡頭型號為DZO FA1202D，焦距12 mm，TV畸變率<-0.8%；光源型號為HDR2-210-60W，顏色為白色，色溫為6 500 K，亮度等級為255，功率30 W[21]；工控機配有Intel CoreTM i7 處理器，AMDRadeon Pro WX 3200 4 GB LP顯卡，16 GB內(nèi)存，512 GB固態(tài)硬盤。

圖像采集裝置采用三方位視覺采集（搭載三光源）的組合形式，將肉雞胴體放在中心，然后每組光源和相機按照間隔120°的方式放置在胴體周圍，以滿足所有相機覆蓋整個胴體的需求。由圖1a，圖像采集裝置包含三個設(shè)備支架和一個胴體支架。胴體支架由底座、支撐桿和胴體連接桿組成，設(shè)備支架由底座、支撐桿、相機連接桿和光源連接桿組成，如圖1b、1c所示。

a. 裝置各部件總覽a. Overview of components of the deviceb. 胴體支架b. Carcass bracketc. 設(shè)備支架c. Device bracket

將肉雞固定在胴體支架上后，通過觀察胴體在相機采集界面的成像，確保胴體大腿及以下的部位能完整的進入相機視野，并據(jù)此來調(diào)整設(shè)備支架中光源連接桿和相機連接桿的高度，最終確定光源連接桿的高度距離底座55 cm，相機連接桿的高度距離底座41.5 cm。三個設(shè)備支架的位置都是圍繞胴體支架來確定，因此固定好胴體及胴體支架后，首先確認正對胴體的設(shè)備支架的位置：保持工業(yè)相機鏡頭光心距離胴體投影切面50 cm，左右調(diào)整支架位置并同時觀察相機采集界面的圖像，使視野覆蓋正對鏡頭的胴體雞胸、翅、脖和琵琶腿部分。確認好正面設(shè)備支架后，再利用同樣的方法，保持鏡頭光心距離胴體投影切面50 cm，左右調(diào)整側(cè)面支架位置，使兩側(cè)視野分別覆蓋正對鏡頭的胴體兩側(cè)雞翅、大腿、琵琶腿、背、脖和頭部。使用電子量角器將3個鏡頭按照120°夾角，且距離胴體投影切面固定為50 cm的方式擺放。在理論上視野是不存在重合的部分，而實際情況中由于胴體表面是不規(guī)則的曲面，會不可避免地存在重合的部分，主要集中在胴體圖像的邊緣部分以及胴體不同部位交界處（例如雞翅與雞胸交界處），約占胴體區(qū)域5%，因此在統(tǒng)計淤血面積時需去除這部分。

1.2 胴體圖像采集

本研究所用樣品為肉雞。以工廠長期從事質(zhì)檢工作的工人為基礎(chǔ)，將他們每日從流水線上人工挑選的肉雞淤血胴體以及合格胴體進行收集。然后統(tǒng)一裝筐，運至采集裝置旁，按照上述方法將圖像采集裝置搭建好，然后將每個胴體按照上述的懸掛方式懸掛好后，分別進行正面和側(cè)面的圖像采集。采集淤血和合格的肉雞胴體圖像共1 020張（淤血642張，合格378張），部分圖像示例如圖2所示。

a. 正面合格a. Qualified drawing of frontal carcassb. 側(cè)面合格b. Qualified drawing of side carcassc. 正面淤血c. Congested blood drawing of frontal carcassd. 側(cè)面淤血d. Congested blood drawing of side carcass

結(jié)合工廠的分揀規(guī)范以及兩位質(zhì)檢工人的經(jīng)驗積累，確定了胴體淤血和合格的分類標準，見表1。

1.3 胴體圖像預(yù)處理

本研究采用的預(yù)處理操作包括灰度化、高斯濾波、二值化以及形態(tài)學處理[22–24]。其中灰度化采用加權(quán)平均法。對比了中值濾波、直方圖均衡化、3×3、5×5算術(shù)均值濾波以及高斯濾波的效果如圖3，可以發(fā)現(xiàn)對正視圖和側(cè)視圖采用高斯濾波的方法獲得的圖像效果最好，可以使胴體區(qū)域與背景產(chǎn)生明顯的對比。

表1 胴體質(zhì)檢分類標準

注：3 cm2約為一角硬幣大小。

Note: 3 cm2is about the size of a dime.

圖3 不同濾波方式處理的效果

本研究中，隨機選取了一張正視圖和側(cè)視圖，先通過迭代閾值法和大津法[25]確定了分割閾值0.239 2和0.211 8，但是經(jīng)過分割后可以明顯地看到光線較暗區(qū)域形成了陰影如圖4d，迭代閾值法和大津法確定的閾值均將此區(qū)域分為背景，進而在后續(xù)的去除小區(qū)域的處理中導(dǎo)致腿部被去除影響胴體的識別，如圖4e所示。因此需要采用固定閾值法，結(jié)合分割效果圖手動設(shè)定一個閾值，并在其他圖像上進行驗證以確保適用性[26]。將閾值進行微調(diào)至正視圖0.05和側(cè)視圖0.04后通過圖像處理能獲得滿意的分割效果，如圖4e所示。

本研究采用孔洞填充將胴體區(qū)域內(nèi)部的小區(qū)域進行填充。并采用最大連通區(qū)域法標記和保留胴體所在的區(qū)域，將其他無關(guān)的小區(qū)域進行去除。將原始圖與最大連通區(qū)域圖進行點乘，得到的結(jié)果為胴體區(qū)域原始信息不變，而不屬于胴體區(qū)域的背景部分全部的像素三通道值為0[22]。

1.4 基于全局的特征參數(shù)提取

圖5為基于全局特征的支持向量機模型訓練及測試流程。

1.4.1 顏色特征提取

淤血和合格品通過肉眼觀察，可以發(fā)現(xiàn)在視覺上有明顯的差異性。這些差異主要存在于顏色上。因此本研究在不同顏色模型下提取和各分量均值作為顏色特征參數(shù)[22-23]。由于和均表示亮度，故只提取作為亮度特征。

a. 灰度圖a. Grayscale imageb. 二值圖b. Binary imagec. 孔洞填充c. Hole filling d. 局部放大d. Local magnificatione. 最大連通區(qū)域e. Maximum connected area

圖5 基于全局特征的支持向量機模型訓練及測試流程圖

1.4.2 淤血像素百分比特征提取

胴體淤血處與非淤血處具有明顯的顏色差異。RGB圖像中每個像素的顏色都是由紅、綠、藍3個基本顏色合成的彩色圖像[27]。因此，通過設(shè)定合適的RGB三通道數(shù)值的取值范圍可以將胴體淤血分割提取。在分割的過程中發(fā)現(xiàn)淤血有兩類，第一類呈現(xiàn)鮮紅或紫紅色如圖6a所示，第二類類呈現(xiàn)深黑色如圖6b所示。故對于兩種淤血需要采用不同的特征閾值。本研究中自行編寫了一段手動截取圖像中某一區(qū)域并獲取此區(qū)域RGB三通道數(shù)值分布直方圖的代碼，根據(jù)其分布直方圖的最小值和最大值確定了RGB的特征閾值見表2。兩類淤血分割后的效果如圖6c和6d所示。

圖6 兩類淤血分割效果

表2 基于RGB顏色特征的兩類淤血分割閾值

通過for循環(huán)將淤血分割后的圖像中的像素進行累加求和，并同時對胴體區(qū)域的像素進行累加求和，相除求出兩類淤血的百分比。第一類淤血百分比記為1，第二類為2。

1.4.3 淤血的參考面積

使用一張10 cm×10 cm的標準正方形卡片作為標定圖像[28]，粘貼于背景布上，將背景布懸掛于圖1b中胴體連接桿的胴體夾下方，以保證其位于胴體的中部。采集到的標定圖像，計算出其白色像素數(shù)量后，便可得出標定系數(shù)0.002 5 cm2/pixel。將提取出的淤血像素數(shù)乘以標定系數(shù)可得淤血參考面積，記為，單位cm2。第一類淤血面積記為1，第二類為2。

1.4.4 最大淤血區(qū)域

本研究中，不僅計算了淤血的比例，還使用最大連通區(qū)域法[29]求取了兩類淤血最大區(qū)域的像素數(shù)。第一類淤血最大連通區(qū)域像素數(shù)記為1，第二類為2。

1.4.5 主成分分析篩選特征參數(shù)

1.4.6 顏色面積支持向量機模型

支持向量機模型被廣泛用于模式識別問題中，其中關(guān)鍵在于不同核函數(shù)的選擇。常用的有徑向基核函數(shù)、二次核函數(shù)等。通過核函數(shù)可以將低維線性不可分的問題投影至高維空間線性可分，從而達到分類的效果[15]。本研究采用徑向基核函數(shù)結(jié)合遺傳算法以及十折交叉驗證，尋找最優(yōu)參數(shù)訓練支持向量機模型。

1.5 基于滑動窗口的局部特征參數(shù)提取

圖7為基于滑動窗口的局部顏色矩支持向量機模型訓練及測試流程。

圖7 基于滑動窗口的局部顏色矩支持向量機模型訓練及測試流程圖

1.5.1 樣本生成與人工分類

本研究中相機采集到的圖像尺寸為（1 936×1 216）像素，經(jīng)預(yù)處理后獲取胴體最大外接矩形，其尺寸并不固定但波動范圍不大，結(jié)合淤血質(zhì)檢標準閾值3 cm2和標定系數(shù)，初步得到子圖像的尺寸約為（35×35）像素。考慮到肉雞胴體是一個不規(guī)則的粗糙曲面，并非一塊光滑的平面，因此將子圖像尺寸調(diào)整為（50×50）像素，一個子圖像對應(yīng)的參考面積約為6 cm2。在340只雞胴體正視圖和側(cè)視圖上滑動遍歷每幅圖像，生成子圖像[17]。將子圖像人工分為淤血、正常皮膚、胴體背景交界和背景四大類，并從正視圖和側(cè)視圖子圖像中挑選特征明顯的圖像，其中前三類各775張，背景35張。

1.5.2 顏色矩特征提取

顏色矩是一種簡單有效的顏色特征表示方法，其中一階矩、二階矩和三階矩代表的低階矩信息豐富。本研究計算子圖像RGB三通道的均值、標準差和斜度作為顏色特征[17]。

2.5 ACR影響因素分析 Pearson分析結(jié)果(表2)表明：ACR與GLU、FINS、FFA、IL-1、TNF-α、IL-6正相關(guān)(P<0.05)。以ACR為因變量，GLU、FINS、FFA、IL-1、TNF-α、IL-6為自變量，進行l(wèi)ogistic多元逐步回歸分析，結(jié)果顯示：IL-6與ACR獨立正相關(guān)[OR=1.18，95%CI 1.03～1.35，P=0.014]。

1.5.3 顏色矩支持向量機模型

將顏色矩作為特征，結(jié)合徑向基核函數(shù)和遺傳算法，采用十折交叉驗證，尋找最優(yōu)參數(shù)訓練支持向量機模型。

1.5.4 相似性度量

采用均值聚類算法將淤血、正常皮膚、胴體背景交界和背景進行聚類，其中淤血和正常皮膚為2，胴體背景交界和背景為1，并獲取6個質(zhì)心。在經(jīng)模型識別為淤血、正常皮膚和胴體背景交界處的子圖像中，采用歐氏距離將各子圖像特征向量與6個質(zhì)心進行相似性度量[16]。比較6個歐式距離，若與淤血2個質(zhì)心中的任何一個距離最小，說明此子圖像與淤血相似，可以判別為淤血，對模型的分類結(jié)果作進一步修正，提升分類準確率。

在判別為淤血的子圖像中，取距離兩質(zhì)心最短的距離，按照0≤<0.1取系數(shù)0.7、0.1≤<0.5取系數(shù)0.4、0.5≤<1取系數(shù)0.1和≥1取系數(shù)0.01的方式加權(quán)求和計算淤血參考面積。在實際驗證過程中，發(fā)現(xiàn)胴體邊緣部分由于光線較暗，容易被誤識別為淤血，這部分與兩側(cè)相機視野重疊的部分基本重合，因此總淤血面積需減去正視圖胴體區(qū)域的5%和一側(cè)圖像胴體區(qū)域的5%。

2 結(jié)果與分析

2.1 特征參數(shù)數(shù)據(jù)分析

將采集到的1 020張圖像樣本，按照正視圖和側(cè)視圖導(dǎo)入到自行編寫的提取上述特征參數(shù)的代碼中，并匯總，得到圖像樣本特征參數(shù)的數(shù)理統(tǒng)計和方差分析[31]，如表3所示?？梢钥闯觯颂卣鲄?shù)的類內(nèi)均值檢驗的顯著性概率略大于0.05外，其他13個特征參數(shù)的類內(nèi)均值檢驗的顯著性概率均不超過0.05。13個特征參數(shù)的類內(nèi)均值均存在顯著差異。

表3 特征參數(shù)數(shù)理統(tǒng)計結(jié)果和方差分析

注：*.均值差的顯著性水平為0.05；顯著性水平>0.05 表示不同類別之間該特征參數(shù)差異性不顯著；0.01<<0.05 表示不同類別之間該特征參數(shù)差異性顯著；<0.01 表示不同類別之間該特征參數(shù)差異性極其顯著。

Note: *. The significance level of the mean difference is 0.05; the significance level>0.05 means that the difference of the characteristic parameter between different categories is not significant; 0.01<<0.05 means the difference of the characteristic parameter is significant;<0.01 indicates that the difference of the characteristic parameter between different categories is extremely significant.

皮爾森相關(guān)系數(shù)可以用來表征肉雞樣本圖像各特征參數(shù)間的線性相關(guān)程度，圖8中可以看出，、和間，1、1和1間，2、2和2間正相關(guān)性高，、和間負相關(guān)性高，不同特征參數(shù)間存在著明顯的相關(guān)性，說明參數(shù)之間存在信息冗雜重復(fù)表述的問題，因此進一步采用輸出碎石圖分析以消除特征參數(shù)間的相關(guān)性。從輸出碎石圖9可以看出，第8個主成分開始就不再具有坡度。因此可以選取前7個主成分（主要反映了1和2）代表原有的14個特征參數(shù)，來反映淤血和合格的肉雞胴體。

2.2 分類模型與測試

2.2.1 基于全局特征的支持向量機模型

利用14個特征參數(shù)降維后的7個主成分建立支持向量機分類模型。選擇徑向基核函數(shù)、結(jié)合遺傳算法自動尋找最優(yōu)的懲罰系數(shù)和，采用十折交叉驗證，以達到最高的準確率[32]。正視圖340張圖像和側(cè)視圖680張圖像中分別選取70%作為訓練集，30%作為測試集?；谌痔卣髦С窒蛄繖C模型分類結(jié)果如表4所示?？梢钥闯觯晥D分類準確率為86.0%，側(cè)視圖的分類準確率為89.8%（低于90%）。

注：圖中變量含義見表3。

圖9 輸出碎石圖

表4 基于全局特征支持向量機模型分類結(jié)果

注：1代表淤血品，2代表合格品；為懲罰系數(shù)，為徑向基核函數(shù)自帶的參數(shù)；準確率代表所有樣本中被正確預(yù)測的百分比。下同。

Note: 1 represents congestion products and 2 represents qualified products;is the penalty coefficient, andis the argument of the radial kernel function; accuracy represents the percentage of all samples that were correctly predicted. The same below.

2.2.2 基于局部顏色矩的支持向量機模型

基于滑動窗口遍歷原始圖像進行裁剪獲取子圖像，從子圖像中人工挑選特征明顯的圖像，其中淤血、正常皮膚和胴體背景交界各為775張，背景35張；正視圖2 360張子圖像和側(cè)視圖2 360張子圖像中分別選取70%作為訓練集，30%作為測試集。并導(dǎo)入支持向量機分類模型，選擇徑向基核函數(shù)、結(jié)合遺傳算法自動尋找最優(yōu)的懲罰系數(shù)和，采用十折交叉驗證。正視圖與側(cè)視圖的基于局部顏色矩支持向量機模型分類結(jié)果如表5所示。

表5 基于局部顏色矩支持向量機模型分類結(jié)果

注：1代表淤血，2代表正常皮膚，3代表胴體背景交界，4代表背景。

Note: 1 represents congestion, 2 represents normal skin, 3 represents carcass background junction and 4 represents background.

由表5基于局部顏色矩支持向量機的正視圖與側(cè)視圖分類準確率沒有明顯差異，但高于基于全局特征的模型，可能的原因是基于局部顏色矩支持向量機模型中的樣本為人工挑選出的特征區(qū)分明顯的子圖像。因此需要將原始圖像導(dǎo)入此模型用于驗證其分類效果。將圖2中2張正面和2張側(cè)面圖像用以驗證。表6為4張圖像中模型對淤血的識別結(jié)果以及使用相似性度量方法對模型識別結(jié)果進行修正后的結(jié)果。可以發(fā)現(xiàn)，結(jié)合歐氏距離進行相似性度量后，淤血的識別召回率有一定提升，誤報率和漏報率有一定下降。

表6 測試圖像中模型對淤血的識別結(jié)果以及使用相似性度量法進行二次修正后的結(jié)果

注：召回率代表所有淤血子圖像中被識別出的百分比，誤報率代表所有非淤血子圖像被識別為淤血的百分比，漏報率代表所有淤血子圖像中未被識別出的百分比。

Note: The recall rate represents the percentage recognized in all congestion sub-images, the false positive rate represents the percentage of all non-congestion sub-images that are recognized as congestion, and the miss rate represents the unrecognized percentage of all congestion sub-images.

對表4、5和6的識別結(jié)果進行分析，造成識別效果差異的原因如下：

1）基于全局特征模型的分類準確率均低于基于局部顏色矩的模型，這是由于固定的RGB閾值在不同胴體淤血提取的效果相差較大，提取出的淤血往往包含黃色部分，造成識別結(jié)果偏大。其次，表5中樣本為人工挑選出來的特征明顯的子圖像，不同類別間視覺差異顯著，造成分類準確率較高。

2）表6中經(jīng)過相似性度量修正后的分類效果有一定的提升，尤其是誤報率和漏報率均有一定下降。這是由于均值算法有效地將大部分淤血、正常皮膚、胴體背景交界和背景進行了聚類。

3）相似性度量修正后的結(jié)果仍會有一定的偏差，查看測試樣本的結(jié)果后發(fā)現(xiàn)被誤識別的部分為胴體邊緣處以及胴體不同部位交界處（例如雞翅與雞胸交界處），此部分由于光線非直射或被遮擋造成亮度較低，容易發(fā)生誤識別。

需要指出的是，本研究使用的是人工控制光源的頻閃配合相機間歇曝光的方式進行圖像的采集，因此還未達到全自動化圖像采集。后續(xù)需要采用信號觸發(fā)器傳輸觸發(fā)信號給相機和光源，以實現(xiàn)光源自動頻閃和相機自動曝光。

3 結(jié) 論

1）本研究自行設(shè)計搭建了一套肉雞胴體圖像采集裝置，采用三方位視覺采集（搭載三光源）系統(tǒng)，在肉雞產(chǎn)線旁獲取了經(jīng)質(zhì)檢工人篩選后的淤血和合格胴體的正面及兩側(cè)圖像。使用灰度化、高斯濾波、二值化及形態(tài)學處理后能有效提取胴體圖像。

2）利用RGB特征閾值法分割出胴體淤血，并從圖像中提取了14個特征參數(shù)以及利用主成分可以有效進行降維，獲取了累計貢獻率高的7個主成分。訓練后模型的分類準確率較低（低于90%），表明采用固定閾值分割淤血的效果并不理想。

3）提出基于滑動窗口分割出胴體子圖像并結(jié)合人工將子圖像分為四類，提取胴體圖像局部顏色矩信息，訓練后的模型分類準確率大于97.9%。均值聚類后，結(jié)合歐氏距離進行相似性度量，可對模型分類結(jié)果進行修正，進一步提升識別的效果。在判別為淤血的子圖像中，取距離兩質(zhì)心最短的距離，加權(quán)求和計算淤血參考面積。

4）本文提出的基于胴體子圖像局部顏色矩信息訓練支持向量機模型結(jié)合相似性度量方法，可以彌補全局RGB閾值分割淤血的不足，有效識別胴體淤血，為工廠進行胴體淤血的實時檢測提供參考。

[1] 張怡，肖彬杉，王昆，等. 2021年全球肉雞生產(chǎn)、貿(mào)易及產(chǎn)業(yè)經(jīng)濟發(fā)展研究[J]. 中國畜牧雜志，2022，58(3)：216-222.

[2] Kranen R W, Lambooy E, Veerkamp C H, et al. Histological characterization of hemorrhages in muscles of broiler chickens[J]. Poultry Science, 2000, 79(1): 110-116.

[3] Kranen R W, Lambooij E, Veerkamp C H, et al. Haemorrhages in muscles of broiler chickens[J]. Worlds Poultry Science Journal, 2000, 56(2): 93-126.

[4] Nijdam E, Delezie E, Lambooij E, et al. Comparison of bruises and mortality, stress parameters, and meat quality in manually and mechanically caught broilers[J]. Poultry Science, 2005, 84(3): 467-474.

[5] Huang J C, Huang M, Wang P, et al. Effects of physical restraint and electrical stunning on plasma corticosterone, postmortem metabolism, and quality of broiler breast muscle1[J]. Journal of Animal Science, 2014, 92(12): 5749-5756.

[6] 李航. 基于機器視覺的雞胴體質(zhì)量在線分級系統(tǒng)[D]. 南京：南京農(nóng)業(yè)大學，2017.

Li Hang. On-line Weight Grading System of Chicken Carcass Based on Machine Vision[D]. Nanjing: Nanjing Agricultural University, 2017. (in Chinese with English abstract)

[7] 戚超，徐佳琪，劉超，等. 基于機器視覺和機器學習技術(shù)的雞胴體質(zhì)量自動分級方法[J]. 南京農(nóng)業(yè)大學學報，2019，42(3)：551-558.

Qi Chao, Xu Jiaqi, Liu Chao, et al. Automatic weight grading method of chicken carcass based on machine vision and machine learning technique[J]. Journal of Nanjing Agricultural University, 2019, 42(3): 551-558. (in Chinese with English abstract)

[8] Divya Y, Kumar C. Machine vision based color recognition by robotic arm using LabVIEW[J]. CVR Journal of Science & Technology, 2020, 18: 100-104.

[9] 熊振杰. 基于高光譜成像技術(shù)的雞肉品質(zhì)快速無損檢測[D]. 廣州：華南理工大學，2015.

Xiong Zhenjie. Rapid and Non-destructive Detection of Chicken Meat Quality Based on Hyperspectral Imaging Technique[D]. Guangzhou: South China University of Technology, 2015. (in Chinese with English abstract)

[10] 李文采，李家鵬，田寒友，等. 基于RGB顏色空間的冷凍豬肉儲藏時間機器視覺判定[J]. 農(nóng)業(yè)工程學報，2019，35(3)：294-300.

Li Wencai, Li Jiapeng, Tian Hanyou, et al. Determination of storage time for chilled pork by using RGB color space method based on machine vision[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(3): 294-300. (in Chinese with English abstract)

[11] 陳坤杰，楊凱，康睿，等. 基于機器視覺的雞胴體表面污染物在線檢測技術(shù)[J]. 農(nóng)業(yè)機械學報，2015，46(9)：228-232.

Chen Kunjie, Yang Kai, Kang Rui, et al. Online detection technology for contaminants on chicken carcass surface based on machine vision[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(9): 228-232. (in Chinese with English abstract)

[12] Wu W, Chen G Y, Wu M Q, et al. Detection of diluted contaminants on chicken carcasses using a two-dimensional scatter plot based on a two-dimensional hyperspectral correlation spectrum[J]. Applied Optics, 2017, 56(9): D72-D78.

[13] Wu W, Chen G Y, Kang R, et al. Successive projections algorithm-multivariable linear regression classifier for the detection of contaminants on chicken carcasses in hyper-spectral images[J]. Journal of Applied Spectroscopy, 2017, 84: 535-541.

[14] Kang R, Yang K, Zhang X X, et al. Development of online detection and processing system for contaminants on chicken carcass surface[J]. Applied Engineering in Agriculture, 2016, 32(1): 133-139.

[15] 黨滿意，孟慶魁，谷芳，等. 基于機器視覺的馬鈴薯晚疫病快速識別[J]. 農(nóng)業(yè)工程學報，2020，36(2)：193-200.

Dang Manyi, Meng Qingkui, Gu Fang, et al. Rapid recognition of potato late blight based on machine vision[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(2): 193-200. (in Chinese with English abstract)

[16] Wang B, Yang C, Ding Y, et al. Detection of wood surface defects based on improved YOLOv3 algorithm[J]. BioResources, 2021, 16: 6766-6780.

[17] 張燕，田國英，楊英茹，等. 基于SVM的設(shè)施番茄早疫病在線識別方法研究[J]. 農(nóng)業(yè)機械學報，2021，52(S1)：125-133，206.

Zhang Yan, Tian Guoying, Yang Yingru, et al. Online detection method of tomato early blight disease based on SVM[J]. Transactions of the Chinese Society for Agricultural Machinery, 2021, 52(S1): 125-133, 206. (in Chinese with English abstract)

[18] 劉鴻飛，黃敏敏，趙旭東，等. 基于機器視覺的溫室番茄裂果檢測[J]. 農(nóng)業(yè)工程學報，2018，34(16)：170-176.

Liu Hongfei, Huang Minmin, Zhao Xudong, et al. Detection of cracking tomato based on machine vision in greenhouse[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(16): 170-176. (in Chinese with English abstract)

[19] Steger C，Ulrich M，Wiedemann C. 機器視覺算法與應(yīng)用[M]. 楊少榮，吳迪靖，段德山，譯. 北京：清華大學出版社，2008：5-85.

[20] 張廣宇，朱家昌. 智能制造裝備視覺成像技術(shù)應(yīng)用現(xiàn)狀[J]. 現(xiàn)代計算機，2021，27(35)：84-89.

Zhang Guangyu, Zhu Jiachang. Application status of visual imaging technology for intelligent manufacturing equipment[J]. Modern Computer, 2021, 27(35): 84-89. (in Chinese with English abstract)

[21] Kamruzzaman M, Makino Y, Oshita S. Non-invasive analytical technology for the detection of contamination, adulteration, and authenticity of meat, poultry, and fish: A review[J]. Analytica Chimica Acta, 2015, 853: 19-29.

[22] Taheri-Garavand A, Fatahi S, Omid M, et al. Meat quality evaluation based on computer vision technique: A review[J]. Meat Science, 2019, 156: 183-195.

[23] Sun X, Young J, Liu J H, et al. Prediction of pork color attributes using computer vision system[J]. Meat Science, 2016, 113: 62-64.

[24] 張彥娥，魏穎慧，梅樹立，等. 基于多尺度區(qū)間插值小波法的牛肉圖像中大理石花紋分割[J]. 農(nóng)業(yè)工程學報，2016，32(21)：296-304.

Zhang Yane, Wei Yinhui, Mei Shuli, et al. Application of multi-scale interval interpolation wavelet in beef image of marbling segmentation[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(21): 296-304. (in Chinese with English abstract)

[25] Larijani M R, Asli-Ardeh E A, Kozegar E, et al. Evaluation of image processing technique in identifying rice blast disease in field conditions based on KNN algorithm improvement by K-means[J]. Food Science & Nutrition, 2019, 7(12): 3922-3930.

[26] 劉碩. 閾值分割技術(shù)發(fā)展現(xiàn)狀綜述[J]. 科技創(chuàng)新與應(yīng)用，2020(24)：129-130.

Liu Shuo. Overview of the development status of threshold segmentation technology[J]. Technological Innovation and Application, 2020(24): 129-130. (in Chinese with English abstract)

[27] 潘磊慶，王振杰，孫柯，等. 基于計算機視覺的稻谷霉變程度檢測[J]. 農(nóng)業(yè)工程學報，2017，33(3)：272-280.

Pan Leiqing, Wang Zhenjie, Sun Ke, et al. Detection of paddy mildew degree based on computer vision[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(3): 272-280. (in Chinese with English abstract)

[28] 馬垚. 基于機器視覺的蘋果定向和分級方法研究[D]. 無錫：江南大學，2017.

Ma Yao. Research on Apple Orientation and Grading Method Based on Machine Vision[D]. Wuxi: Jiangnan University, 2017. (in Chinese with English abstract)

[29] Sonawane V, Gaikwad N, Mandekar H, et al. Rice quality analysis and classification using image processing techniques[J]. International Journal of Computer Science and Mobile Computing, 2021, 10: 79-82.

[30] Hu Y, Suzuki T, Noguchi G, et al. Study on evaluation of carcass traits and pork quality using principal component analysis[J]. Journal of the Society of Agricultural Structures, 2006, 37(4): 173-182.

[31] 鐘沖，郭強. 費歇爾判別法及其應(yīng)用[J]. 西南交通大學學報，2008(1)：136-141.

Zhong Chong, Guo Qiang. Fisher's discriminant method and its application[J]. Journal of Southwest Jiaotong University, 2008(1): 136-141. (in Chinese with English abstract)

[32] 王金星，劉雪梅，劉雙喜，等. 基于組合色彩特征的蘋果樹葉片各生長期氮含量預(yù)測[J]. 農(nóng)業(yè)機械學報，2021，52(10)：272-281，376.

Wang Jinxing, Liu Xuemei, Liu Shuangxi, et al. Prediction of nitrogen content in apple leaves in each growth period based on combined color characteristics[J]. Transactions of the Chinese Society for Agricultural Machinery, 2021, 52(10): 272-281, 376. (in Chinese with English abstract)

Broiler carcass congestion detection technology using machine vision

Zhao Zhengdong, Wang Huhu, Xu Xinglian※

(,,,, 210095,)

Poultry carcass defects and condemnation (such as bruises) have posed a great threat to the broiler industry in recent years. Among abnormal quality, the broiler carcass congestion has also brought serious economic losses to slaughtering enterprises. It is an urgent need to establish a rapid and accurate identification of carcass congestion in the industry. In this study, an image acquisition device was developed for the rapid detection of broiler carcass congestion using machine vision. A three-directional visual acquisition system (equipped with three light sources) was adopted to realize the full coverage of the broiler carcass in the field of view. The image was also captured and then preprocessed using the grayscale, Gaussian filter denoising, binarization, and morphological processing. The maximum circumscribed rectangle of the carcass was obtained, and then the image was divided into the front and side view. Firstly, the global RGB color threshold was determined to segment the congestion in the carcass image. 14 characteristic parameters of the image were also extracted, including the,,,,,,,,1 (the total area of the first type of congestion),2 (the total area of the second type of congestion),1 (the percentage of the first type of congestion),2 (the percentage of the second type of congestion),1 (the largest area in the first type of congestion), and2 (the largest area in the second type of congestion). A Pearson correlation analysis was performed on the characteristic parameters. A principal component analysis was implemented to obtain the seven principal components after dimension reduction. The classification model was trained using a Support Vector Machine (SVM) combined with the Genetic Algorithm (GA). Secondly, the maximum circumscribed rectangular images of carcasses were traversed using the sliding window. The sub-images of (50 × 50) pixels were then divided into the images. The calibration coefficient was integrated to determine the real area of a sub-image (6 cm2) for each image. The sub-images were then divided into four categories, namely congestion, normal skin, carcass-background junction, and background. Four types of large sub-images with outstanding characteristics were manually selected to extract the color moment. The SVM-GA model was also achieved in this case. Finally, the similarity measure was used to revise the classification of the model. The results show that the classification accuracies of the SVM model using seven principal components were 86.0% and 89.8%, respectively, in the front and side view. The prediction time was 0.006 s. Nevertheless, there was no ideal effect of RGB threshold segmentation. By contrast, the classification accuracies of the SVM model using color moment were 98.3% and 97.9%, respectively, where the prediction time was 0.001 s. Furthermore, the recognition recall rate of congestion in the test sample was improved significantly after the revision of the model combining the Euclidean distance with the similarity measure. More importantly, there was a great decrease in the false positive rate and the miss rate. Consequently, the trained SVM model with the similarity measurement can be expected to effectively identify the carcass congestion using the local color moment of carcass sub-images, compared with the global RGB threshold segmentation at present. The finding can provide a strong reference to conduct the real-time detection of carcass congestion in poultry production.

machine vision; support vector machine; broiler carcass; congestion; similarity measure

10.11975/j.issn.1002-6819.2022.16.036

TS251.7

A

1002-6819(2022)-16-0330-09

趙正東，王虎虎，徐幸蓮. 基于機器視覺的肉雞胴體淤血檢測技術(shù) [J]. 農(nóng)業(yè)工程學報，2022，38(16)：330-338.doi：10.11975/j.issn.1002-6819.2022.16.036 http://www.tcsae.org

Zhao Zhengdong, Wang Huhu, Xu Xinglian. Broiler carcass congestion detection technology using machine vision[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(16): 330-338. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2022.16.036 http://www.tcsae.org

2022-03-30

2022-08-07

國家現(xiàn)代農(nóng)業(yè)產(chǎn)業(yè)技術(shù)體系項目（CARS-41）

趙正東，研究方向為肉品加工與質(zhì)量安全控制。Email：1123090074@qq.com

徐幸蓮，博士，教授，研究方向為肉品加工與質(zhì)量控制。Email：xlxu@njau.edu.cn