吳江春,王虎虎,徐幸蓮
(南京農(nóng)業(yè)大學(xué)食品科技學(xué)院,肉品質(zhì)量控制與新資源創(chuàng)制全國重點實驗室,江蘇 南京 210095)
雞肉營養(yǎng)價值豐富,含有多種易被人體吸收的蛋白質(zhì)和氨基酸,同時具有低脂肪、低能量和低膽固醇的優(yōu)勢。我國是雞肉生產(chǎn)和消費大國,在新冠肺炎疫情與禽流感的影響下,2021年全球肉雞產(chǎn)量增速下調(diào),我國肉雞產(chǎn)量仍有小幅上升,據(jù)預(yù)測,2022年我國肉雞供需仍將延續(xù)增長趨勢[1]。日益增長的需求量要求肉雞市場有足夠的供應(yīng)量。目前我國肉雞產(chǎn)業(yè)向著集中屠宰、冰鮮上市的生產(chǎn)方式轉(zhuǎn)型升級,大型屠宰線在屠宰過程中基本實現(xiàn)了機械化[2-3]。如圖1所示,在肉雞屠宰工藝流程中,殘次品挑選是保證產(chǎn)品品質(zhì)的重要環(huán)節(jié),但該環(huán)節(jié)對勞動力的依賴度高。
圖1 肉雞屠宰工藝流程Fig.1 Flow chart of broiler slaughtering
據(jù)調(diào)研,某大型肉雞屠宰廠一天屠宰的雞胴體缺陷率為3%~6%。在所有缺陷雞胴體中,原發(fā)性皮炎雞胴體占比約為7.4%,原發(fā)性皮炎是雞胴體質(zhì)檢的一個重要指標。雞胴體原發(fā)性皮炎是指雞胴體表面可見、分散不均勻的一種缺陷類型,在外觀上表現(xiàn)為粗糙、紅或黑的皮炎與結(jié)痂,由外傷、理化性、細菌和外寄生蟲以及感光過敏性刺激等因素造成[4]。質(zhì)檢人員將雞胴體表面發(fā)炎、結(jié)痂面積達3 cm2以上且無法修復(fù)的雞胴體分為皮炎品。雞胴體表面皮炎分布分散、面積占比小,且不同個體皮炎嚴重程度各不相同,因此人工識別存在速率慢、效率低、主觀性強等不足。此外,長時間、高強度的用眼會導(dǎo)致視覺疲勞,降低識別準確率,給工廠帶來損失。
機器視覺技術(shù)是近年興起的一項技術(shù),廣泛用于工業(yè)、農(nóng)業(yè)、食品等領(lǐng)域。在禽類養(yǎng)殖、屠宰和加工過程中,機器視覺技術(shù)可用于禽類飼養(yǎng)環(huán)境的監(jiān)控[5]、形態(tài)與行為的診斷[6-7]、出欄體質(zhì)量的控制[8-9],可用于冰鮮類產(chǎn)品的分割與品質(zhì)控制過程,如雞胴體的分割與掏膛[10-11]、質(zhì)量預(yù)測[12-13]、淤血識別[14]、表面污染物檢測[15-16]與雞胸肉的木質(zhì)化程度判定[17]。此外,在副食品加工中,機器視覺技術(shù)可用于熏雞腿顏色的識別[18]。但冰鮮雞質(zhì)檢所研究的產(chǎn)品缺陷類型以淤血、木質(zhì)化、新鮮度為主,并未涉及雞胴體表面的原發(fā)性皮炎檢測。因此,為利用機器視覺技術(shù)實現(xiàn)對肉雞屠宰后道質(zhì)檢端皮炎雞胴體的快速檢測,本研究利用機器視覺裝置采集及雞胴體表面圖像,根據(jù)皮炎的顏色、紋理特征和面積大小,提取相關(guān)特征值構(gòu)建皮炎檢測模型,以期為肉雞胴體的皮炎檢測提供技術(shù)參考。
本研究的實驗對象為肉雞胴體,所有雞胴體圖像均采集于某大型肉雞屠宰線。選取生產(chǎn)線上經(jīng)人工質(zhì)檢的皮炎與正常雞胴體,用機器視覺裝置采集其3 個方位的視圖,共采集316 只雞胴體(皮炎、正常各158 只),獲得948 張樣本圖片。經(jīng)質(zhì)檢員判定,158 只皮炎雞胴體樣本皮膚發(fā)炎、結(jié)痂面積均大于3 cm2,且無法修復(fù)。皮炎和正常雞胴體的代表性樣本如圖2所示。
圖2 代表性皮炎樣本(A)和正常樣本(B)Fig.2 Representative dermatitis samples (A) and qualified samples (B)
光源、相機、工控機等設(shè)備是機器視覺系統(tǒng)的重要組成部分[19-20]。雞胴體原發(fā)性皮炎主要分布在背部和兩側(cè)區(qū)域,本研究用含3 個相機的機器視覺裝置采集雞胴體后側(cè)、左側(cè)和右側(cè)3 個方位的視圖,各組成的選型均基于屠宰線的實際需求,安裝連接方法參考趙正東等[21]的研究,光源、相機和工控機的參數(shù)如表1所示。
表1 機器視覺裝置各組成的參數(shù)Table 1 Parameters of each component of machine vision system
相機支架與胴體支架的安裝方位如圖3所示,雞胴體以背部朝向相機1,倒掛在胴體支架上,各個相機的中軸線夾角為120°,相機鏡頭光心與雞胴體表面的距離固定為50 cm,3 個相機覆蓋的視野可完整獲取雞胴體表面信息。
如圖4所示,該裝置運用于肉雞屠宰廠后道質(zhì)檢端。相機的最小曝光時間為26 μs,快于肉雞495 mm/s的平均運動速率。該裝置可以成功捕獲清晰、無拖影的雞胴體圖像,并通過模型識別后在輸出端進行分開運輸?shù)牟僮?,實現(xiàn)雞胴體原發(fā)性皮炎的靜態(tài)檢測。
圖4 機器視覺裝置的安裝效果Fig.4 Installation diagram of machine vision device
1.3.1 圖像的預(yù)處理
在授精前需要做好相關(guān)的飼養(yǎng)管理,輸精后的飼養(yǎng)管理也尤為重要。如在輸精后5~8 min時,可為母牛注射一定劑量的催產(chǎn)素,可使受胎率提高25%。在輸精后當天也可以注射50萬U的維生素A,這對提高母牛的受胎率也有很大幫助。有些母牛自身體質(zhì)較差,受胎率不高,這時也可以人工注射一些激素完善母牛的各項機能,較為常見的是注射新斯的明注射液,可有效提升母牛的卵巢機能,提高母牛配種后受孕率[3]。
從工廠采集的原始圖像存在干擾信息,因此需對圖像預(yù)處理,以減少噪聲,改善圖像的質(zhì)量,增加特征識別的準確性[22]。本研究采用加權(quán)平均值法將原始RGB圖轉(zhuǎn)換成灰度圖,經(jīng)二維中值濾波處理后采用迭代閾值法分割出雞胴體區(qū)域,將雞胴體二值圖與原始RGB圖點乘,獲得去除背景的雞胴體圖。
不同皮炎雞胴體的皮炎面積各不相同,且分布不集中,整體識別存在難度。因此采用提取雞胴體局部皮炎信息的方式,如圖5所示,將皮炎雞胴體的去背景圖用網(wǎng)格(單個網(wǎng)格邊長為128 像素)劃分成若干區(qū)域,從中篩選出顏色斑駁、紋理粗糙且黑色背景面積占比小的皮炎皮膚圖片;同理,劃分正常雞胴體去背景圖像,從中篩選出顏色均勻、表面光滑且黑色背景面積占比小的正常皮膚圖片。對所有雞胴體樣本進行分割和篩選后共獲得1537 張樣本圖片(皮炎皮膚762 張,正常皮膚775 張),在此基礎(chǔ)上提取特征值和建模。
圖5 皮炎皮膚(A)與正常皮膚(B)圖片篩選流程Fig.5 Dermatitic skin (A) and normal skin (B) image screening process
1.3.2 特征值的提取
如圖6所示,皮炎和正常皮膚在顏色和紋理上均有差異。皮炎樣本的皮膚為紅橙色或黑棕色;與正常皮膚相比,皮炎皮膚表面更粗糙、斑駁。故提取圖像的顏色特征、紋理特征以及皮炎面積作為皮炎檢測的特征值。
圖6 代表性皮炎(A)和正常(B)皮膚樣本Fig.6 Representative dermatitic skin sample (A) and normal skin sample (B)
1.3.21 顏色特征值的提取
顏色矩可用來表示圖像不同通道的顏色分布特征,由于顏色分布的信息主要存在顏色矩的低階矩中,本研究選取一、二、三階矩表示RGB圖像各分量圖的顏色分布[23-24]。其中一階矩為圖像顏色均值(μi),表示明暗程度;二階矩是圖像顏色的方差(σi),表示顏色分布的均勻性;三階矩是圖像顏色的斜度(si),表示顏色分布的對稱性,計算公式如下所示。分別提取上述皮炎與正常皮膚圖像R、G、B通道的三階顏色矩,共9 個顏色特征,記為μ1、σ1、s1;μ2、σ2、s2;μ3、σ3、s3。
式中:N為圖像的像素個數(shù);i為通道數(shù);pi,j為第i個通道的第j個像素。
1.3.22 紋理特征值的提取
表2 灰度共生矩陣特征值的英文縮寫對照Table 2 Abbreviations of gray-level co-occurrence matrix eigenvalues
1.3.23 皮炎面積的提取
圖像分割是根據(jù)圖像中目標對象的特點,分割出感興趣區(qū)域的圖像處理方法[29]。如圖7所示,采用Otsu閾值分割法提取皮炎區(qū)域面積,將樣本圖片從RGB顏色空間轉(zhuǎn)換到HIS空間,提取S分量圖,用Matlab中的graythresh()函數(shù)計算分割閾值,記為T。如圖8所示,隨機選取皮炎和正常皮膚樣本各30 個,計算其閾值。發(fā)現(xiàn)皮炎與正常皮膚樣本圖片的分割閾值大致以0.20為分界線,當S分量圖的分割閾值大于0.20時,則將其處理成二值圖,并計算皮炎面積,記為A1。A1為圖像中皮炎的像素個數(shù),不是實際坐標的皮炎面積,因此在采集雞胴體時還需對圖像進行標定[30-31]。本研究采用10 cm×10 cm的標準正方形標定圖像,如圖9所示,經(jīng)計算得標定系數(shù)為1594.29 像素/cm2。記實際皮炎面積為A,計算公式如下:
圖7 皮炎面積提取示意圖Fig.7 Schematic diagram of dermatitis area extraction
圖8 皮炎與正常樣本圖的分割閾值分布Fig.8 Segmentation threshold distribution of dermatitis versus normal sample maps
圖9 標準正方形標定圖像[21]Fig.9 Standard square diagram for calibration
式中:A1為圖像中皮炎的像素個數(shù)。
1.3.3 模型的建立與驗證
用主成分分析(principal component analysis,PCA)法對特征值降維,選取方差累計貢獻率在95%以上的PC,分別將特征值與PC導(dǎo)入線性判別分析(linear discriminant analysis,LDA)模型、二次判別分析(quadratic discriminant analysis,QDA)模型、隨機森林(random forest,RF)、支持向量機(support vector machines,SVM)、反向傳播(back propagation,BP)神經(jīng)網(wǎng)絡(luò)模型。GoogLeNet模型則以皮炎與正常皮膚圖片為輸入數(shù)據(jù)。所有模型均在MATLAB R 2020b中建立和運行,模型的訓(xùn)練集為1000 張皮膚圖片(皮炎與正常各500 張),測試集為537 張皮膚圖片(皮炎262 張、正常275 張),模型的分類效果采用召回率、精確度、F1分數(shù)、總準確率和平均檢測速率表示。
上述模型均基于128 像素×128 像素的圖像建立,為檢測最終模型對整只雞胴體的分類效果,隨機選取40 只雞胴體進行驗證(皮炎與正常各20 只)。以雞胴體后視圖為例,單側(cè)視圖檢測流程如圖10、11所示。僅當后視圖與兩側(cè)視圖全判定為正常時,所檢測的雞胴體為正常,否則為皮炎。
圖10 雞胴體后視圖檢測過程Fig.10 Chicken carcass rear view inspection process
圖11 雞胴體單側(cè)視圖檢測流程圖Fig.11 Flow chart of chicken carcass single-side view inspection
特征值的PCA結(jié)果如圖12和表3所示,在PCA碎石圖中可以觀察到從第6個PC開始,特征值的下降趨勢趨于平緩,但前6 個PC的方差累計貢獻率僅為87.92%,經(jīng)過綜合考慮選取方差累計貢獻率為96.29%的前10 個PC作為模型的輸入?yún)?shù)。
表3 PC方差貢獻率Table 3 Variance contribution of principal components
圖12 PCA碎石圖Fig.12 Principal component analysis scree plot
以特征值和PC為輸入?yún)?shù)的模型分類效果如表4、5所示。在以特征值為輸入?yún)?shù)的模型中,QDA模型召回率最高,為90.08%;精確度、F1分數(shù)和總準確率最高的模型均為SVM,分別為90.38%、90.03%、90.32%。在以PC為輸入?yún)?shù)的模型中,RF模型的分類效果優(yōu)于其他模型,皮炎樣本的召回率為88.93%,識別精度為89.30%,F(xiàn)1分數(shù)為89.11%識別總準確率為87.71%;通過比較不同輸入?yún)?shù)的模型可發(fā)現(xiàn),經(jīng)PCA降維后,LDA、QDA、SVM模型總準確率均有不同程度的下降。其原因是降維后數(shù)據(jù)是原始數(shù)據(jù)的近似表達,減少了原始數(shù)據(jù)特征,這與章振原[23]、劉廣昊[32]和王敏[33]等的研究一致。
表4 以特征值作為輸入?yún)?shù)的不同模型分類效果Table 4 Classification performance of different models with eigenvalues as input parameters
表5 以PC作為輸入?yún)?shù)的不同模型分類效果Table 5 Classification performance of different models with principal components as input parameters
如圖13所示,在GoogLeNet模型中,皮炎樣本的召回率為89.5%,識別精確度為90.6%,F(xiàn)1分數(shù)為90.0%,模型識別總準確率可達90.5%。
圖13 GoogLeNet混淆矩陣Fig.13 GoogLeNet Confusion matrix
模型的預(yù)測速率如圖14所示,其中以特征值為輸入?yún)?shù)的SVM模型預(yù)測速率最快,高達405895.69 張/s。GoogLeNet模型的預(yù)測速率為122.65 張/s,遠低于其他模型,但其預(yù)測速率仍高于人工質(zhì)檢速率。
綜合比較模型分類效果可發(fā)現(xiàn),GoogLeNet模型對皮炎皮膚圖片的識別整體效果最好,因此利用該模型對40 只雞胴體樣本進行驗證。如表6所示,該模型對皮炎雞胴體的識別準確率為100%,對正常雞胴體的識別準確率為90%。部分樣本的檢測結(jié)果如表7所示,被誤分類的正常雞胴體皮炎面積分別為3.3981、3.9270 cm2。
表6 GoogLeNet模型對整雞的分類效果Table 6 Classification performance of GoogLeNet model for whole chicken carcasses
表7 部分雞胴體樣本檢測結(jié)果Table 7 Test results of selected chicken carcass samples
如圖15所示,在誤檢樣本中,樣本A與B側(cè)視圖翅膀上方均可觀察到如圖16所示的黃色小絨毛,這些絨毛被識別成皮炎,從而造成誤差。正確分類的18 個正常雞胴體樣本中均有皮炎檢出,其中12 個樣本皮炎面積小于1 cm2,4 個樣本皮炎面積在1~2 cm2內(nèi),2 個樣本皮炎面積在2~3 cm2內(nèi)。
圖15 正常雞胴體的誤檢樣本A(A)與樣本B(B)Fig.15 False examination samples A (A) and B (B) of normal chicken carcasses
本研究利用機器視覺裝置采集肉雞屠宰線上316 只雞胴體的正視圖與兩側(cè)視圖,經(jīng)圖像預(yù)處理去除背景和干擾后,用邊長為128 像素的網(wǎng)格劃分,并從皮炎雞胴體中篩選出皮炎皮膚圖片762 張,從正常雞胴體中篩選出正常皮膚圖片775 張。提取皮膚圖片的顏色矩、不同方向灰度共生矩陣特征的均值與方差、Tamura紋理特征以及皮炎分割閾值和面積共計24 個特征值,經(jīng)PCA降維后,用特征值與PC分別建立LDA、QDA、RF、SVM與BP神經(jīng)網(wǎng)絡(luò)模型。GoogLeNet卷積神經(jīng)網(wǎng)絡(luò)模型則用篩選出的皮膚圖片建立。模型的分類效果采用召回率、精確度、F1分數(shù)、總準確率和平均檢測速率判斷,經(jīng)過綜合分析發(fā)現(xiàn)所有模型中以GoogLeNet模型的分類效果最好,皮炎樣本的召回率為89.5%,識別精確度為90.6%,F(xiàn)1分數(shù)為90.0%,總準確率可達90.5%,預(yù)測時間為122.65 張/s。在對整雞胴體圖像識別的驗證實驗中,GoogLeNet模型對皮炎雞胴體的識別準確率為100%,正常雞胴體的識別準確率為90%。該模型對雞胴體原發(fā)性皮炎有較好的識別能力,可為雞胴體原發(fā)性皮炎的快速識別與分類提供技術(shù)參考。