基于機器視覺的雞胴體質量分級方法

陳坤杰 李 航 于鎮偉 白龍飛

(南京農業大學工學院， 南京 210031)

基于機器視覺的雞胴體質量分級方法

陳坤杰 李 航 于鎮偉 白龍飛

(南京農業大學工學院， 南京 210031)

提出一種基于機器視覺技術的雞胴體質量分級方法。使用數碼相機在肉雞屠宰廠隨機采集95幅雞胴體圖像，對采集圖像預處理后，提取出雞胴體投影面積、輪廓長度和胸寬等6個圖像特征。然后以這6個特征參數為輸入，利用95個樣本為訓練集，通過回歸分析的方法，分別建立預測雞胴體質量的一元線性回歸模型和多元線性回歸模型，找出預測質量的最佳模型，最后采集5組共100個樣本為驗證集，對最佳分級模型進行驗證。結果顯示，雞胴體圖像的6個特征參數中，基于投影面積的一元線性模型決定系數最大，為0.827；基于投影面積等4個特征量的多元線性模型決定系數最大，為0.880。根據樣本數據的學生化殘差剔除了8個異常點的數據，修正后的多元線性模型決定系數為0.933，并將其作為最佳模型。利用最佳模型對驗證集樣本進行質量分級，模型對雞胴體質量等級判定的平均正確率可達89%。結果表明基于圖像特征的雞胴體自動分級方法是可行的。

雞胴體; 質量分級; 特征提取; 機器視覺

引言

近年來，隨著肉雞消費量的增長，我國肉雞屠宰加工業有了迅速發展，但我國肉雞屠宰加工裝備的技術水平與發達國家之間仍有較大差距[1-2]。對于雞胴體的宰后質量分級，國外已普遍使用在線自動稱量系統，而國內除了極少數大型家禽屠宰企業引進國外此類設備實現在線自動稱量分級外，大多數中小型企業均采用人工臺秤稱量分級的方法，不僅效率低、差錯多，還造成了雞胴體的二次污染[3]。盡管國內有企業開發出輸送帶自動稱量分級裝置，使雞胴體稱量分級效率有了很大提高，但是雞胴體與輸送帶的直接接觸將不可避免地造成其在加工過程中的交叉污染[4]。大量研究證明，在整個家禽屠宰加工生產環節中，雞胴體表面菌落總數在分級、分割環節中會有明顯上升，這其中，案板、臺秤和人手是二次污染的主要來源[5-6]。目前家禽屠宰加工過程中減少或避免交叉感染的主要方法是在生產中采用懸掛輸送的方式，因此，采用基于懸掛輸送的質量分級方法可以避免家禽胴體加工過程中的二次污染。

隨著計算機技術的發展，機器視覺技術在農產品分級領域獲得廣泛研究和應用[7-9]。通過這種技術建立物體質量的預測模型，可實現對物體體積或質量的預測[10-12]。MAKKY等[13]提出一種圖像面積檢測質量的方法，以油棕圖像面積為自變量，建立其與質量的一元非線性模型，平均預測精度達到88.7%。SA’AD等[14]將芒果近似成圓柱體，以圓柱體參數為自變量建立模型預測質量，平均誤差低于5%。這種基于機器視覺的物體質量預測方法，不僅效率高，而且其非接觸的方式可以有效減少二次污染，可用于農產品質量的在線分級。因此，該方法的研究具有現實意義。

本文以肉雞屠宰場生產線中進入分級環節前的雞胴體為研究對象，在線采集雞胴體圖像，然后運用圖像處理技術，提取雞胴體圖像的6個幾何特征，以這6個特征參量建立雞胴體的質量預測模型，實現對雞胴體質量的預測與分級。

1 實驗材料與方法

1.1 圖像采集

圖像采集地點在青島六合集團肉雞屠宰廠間，圖像采集設備為一臺Nikon J1型數碼相機，在相機水平線左右60 cm處，分別放置2個帶有柔光罩的LED燈(功率3 W，色溫6 500 K)為采集圖像提供光照，另外，在雞胴體背后布置黑色背景布，以減少復雜背景干擾。鏡頭與雞胴體距離60 cm，相機焦距30 mm，光圈F5.6，主光軸高度117 cm，圖像采集示意圖如圖1所示。

圖1 圖像采集示意圖Fig.1 Diagram of image capture1.黑色背景布 2.橫梁 3.雞胴體 4.LED光源 5.相機 6.三腳架

采集圖像時，從生產線上選擇大小有明顯差別的95只雞胴體進行拍攝。拍攝完成后取下該雞胴體，放置在電子臺秤上進行稱量，記錄質量并標號。獲取的雞胴體原始圖像如圖2所示，圖像中包括雞胴體和黑色背景兩部分。

圖2 雞胴體原始圖像Fig.2 Original photo of chicken carcass sample

1.2 圖像預處理

為能夠從圖像中提取相關特征量，首先對所采集的圖像進行預處理。圖像處理算法的設計基于OpenCV 2.4.8，開發平臺為VS 2010，編程語言為C++。

1.2.1 灰度化

灰度化是將彩色圖像轉變成單色圖像的過程，因不需考慮人眼視覺感受[15]，本文采用簡單的算術平均值法計算每個像素的灰度L，計算公式為

L=(R+G+B)/3

(1)

圖3 雞胴體灰度圖像Fig.3 Gray image of chicken carcass

式中R、G、B分別代表彩色圖像3個基本單色光(紅色、綠色、藍色)的強度等級，其取值范圍均為0～255。灰度化處理后的圖像如圖3所示。

1.2.2 濾波

為消除圖像因拍攝、傳輸過程中產生的噪聲，需對灰度化后的圖像進行濾波處理。中值濾波可以消除椒鹽噪聲，同時又能較好保存邊緣細節[16]。為盡可能保存雞胴體輪廓信息，保證特征提取的準確性，本文采用中值濾波方法對灰度化后的圖像降噪處理，結果如圖4所示。

1.2.3 二值化

本文分別比較了矩量保持、一維最大熵和Otsu 3種算法[17]對雞胴體圖像進行二值化處理的效果(圖5)，發現矩量保持法丟失了許多邊緣細節，一維最大熵法由于閾值過高，背景中許多像素被錯誤地置為黑色。只有Otsu法兼顧了邊緣細節和分割效果。因此，本文選取Otsu算法進行圖像樣本的二值化及目標分割。

圖4 濾波處理后雞胸部分的邊緣保存效果Fig.4 Border preservation effect of chicken breast after filter

圖5 不同閾值分割算法分割效果對比Fig.5 Threshold segmentation results comparison of different algorithms

1.2.4 孔洞填充

圖6 二值圖中的孔洞及孔洞填充后的圖像Fig.6 Hole in binary image and image after hole filling

觀察圖2發現圖中雞胸表面多處存在點狀血跡，由于血跡的灰度較低，與背景灰度接近，因此，灰度圖二值化以后，會在白色雞胴體區域內出現黑色斑點，如圖6a所示。為消除這些斑點，采用孔洞填充法對這些黑色孔洞進行填充，方法如下：首先運用Opencv中的findContours()與drawContours()函數，對雞胴體的二值圖像進行輪廓檢查與繪制。然后用findContours()將檢測到的輪廓拓撲信息存儲到4個元素hierarchy[index][0]～hierarchy[index][3](index表示輪廓序號)中，這4個元素分別代表當前輪廓的后一輪廓、前一輪廓、父輪廓、內嵌輪廓，其中父輪廓是指包圍當前輪廓的輪廓，內嵌輪廓指當前輪廓的內部輪廓，即孔洞。用hierarchy[index][0]遍歷所有輪廓，再使用hierarchy[index][2]找到所有孔洞。最后用drawContours()繪制所有孔洞并將該函數內輪廓線條粗細參數thickness設置為-1，即實現孔洞的填充。結果如圖6b所示。

1.3 圖像特征的提取

每一只雞胴體在質量上的差異，通常都會在視覺形態上表現出來，可以用某些圖像的幾何特征對雞胴體在質量上的差異進行描述，本文提取以下6個常規的圖像幾何特征參數對雞胴體質量進行預測。

1.3.1 投影面積

雞胴體投影面積主要體現雞胴體體型大小，表現為經過前述預處理后圖片中白色區域面積。其圖像測量方法為：從圖像的左上角開始，遍歷所有像素，對所有灰度值為255的像素計數，得到以像素個數為單位的該樣本投影面積，記作Sp。

1.3.2 胴體長度

胴體長度以圖像中雞胴體最高點到最低點的垂直距離表示，其計算方法為：按行遍歷圖像中像素，在每一行中，從左到右對每一個像素進行掃描，若遇灰度為255的像素，記錄該行行數i，同時停止掃描，跳轉至下一行最左邊像素向右掃描，如此循環，最后將記錄的行數中最大值減去最小值，便得到胴體長度Hp。即

Hp=imax-imin

(2)

式中imax——行數最大值，代表雞胴體區域最底一行行數

imin——行數最小值，代表雞胴體區域最頂一行行數

合并糖尿病的手術患者，在實施手術治療的過程中，由于受到手術應激刺激，易出現血糖波動情況，從而導致血糖升高，易引起切口感染等并發癥。術后切口感染會對患者的康復帶來諸多不利，因此，積極采取有效的手段控制切口感染發生率，十分重要[4]。

1.3.3 輪廓長度

雞胴體的輪廓長度是在一維空間描述雞胴體體型大小的幾何參數，表現為二值化圖像中白色區域輪廓曲線的長度，通過輪廓檢測函數findContours()實現[18]，以像素的個數表示為Cp。檢測獲得的雞胴體輪廓曲線如圖7所示。

圖7 提取的雞胴體輪廓線Fig.7 Contour extracted from chicken carcass

1.3.4 雞胸長度、寬度

雞胸投影代表了雞胴體的軀干部分，包含了雞胴體大部分質量，因此，其垂直、水平方向的長度、寬度是表示雞胴體質量的重要參數。

由于雞胴體的雞胸類似橢圓，因此，雞胸長度可表示為橢圓長軸，雞胸寬度表示為橢圓短軸。本文使用一種改進的霍夫變換橢圓檢測方法[19]從圖像中提取橢圓，具體方法如下：利用OpenCV中的Canny()函數，檢測雞胴體邊緣；利用橢圓3條不同切線確定橢圓中心(xc,yc)；獲得最合適橢圓匹配。

極坐標系中，一個橢圓可以通過中心點坐標(xc，yc)、長半軸長度a、短半軸長度b以及旋轉角度ρ確定。若已經確定了(xc，yc)，采用最小二乘法[20]，通過計算雞胴體邊緣所有像素點到橢圓中心距離的最小平均值法獲得最佳擬合橢圓，如圖8所示，綠色曲線即為最佳擬合的橢圓。該橢圓的長軸長度即為雞胸長度Ap，短軸長度則為雞胸寬度Bp。

圖8 雞胸擬合橢圓示意圖Fig.8 Diagram of fitting ellipse for chicken breast

1.3.5 雞胸面積

雞胸的投影面積描述了雞胸部分的大小，可表示為雞胸擬合橢圓的面積，計算公式為

Ep=πApBp

(3)

按上述方法提取的圖像特征量Sp、Hp、Cp、Ap、Bp、Ep均以像素數為單位，為將其轉換成實際值，參照TSAI[21]提出的方法進行圖像尺寸標定，得到以下特征量轉換計算公式：

投影面積實際值(單位：cm2)

Sr=Sp/169

(4)

胴體長度實際值(單位：cm)

Hr=Hp/13

(5)

輪廓長度實際值(單位：cm)

Cr=Cp/13

(6)

雞胸長度實際值(單位：cm)

Ar=Ap/13

(7)

雞胸寬度實際值(單位：cm)

Br=Bp/13

(8)

雞胸面積實際值(單位：cm2)

Er=Ep/169

(9)

2 結果與分析

2.1 雞胴體質量統計分析

本研究的樣本品種為白羽肉雞，市售每只白羽雞的質量通常為1.5～3.3 kg，胴體率(雞胴體質量占活體質量的百分比)約為70%。本文采集的雞胴體質量數據如表1所示，樣本的質量分布較廣，與市售白羽雞的質量分布基本一致，因此本研究所用樣本具有良好的代表性。

表1 雞胴體樣本質量數據

2.2 一元線性回歸分析

分別以6個特征量為單一自變量，雞胴體質量為因變量，建立雞胴體質量預測的一元線性回歸模型，統計分析結果如表2所示，表中W表示雞胴體質量的預測值。R2表示決定系數、F檢驗為模型的假設檢驗，t檢驗為相關系數假設檢驗。

表2數據表明，W-Sr模型具有最大的R2值，最小的均方根誤差，顯示其具有最高的擬合程度、最高的預測精度；因此，W-Sr模型是最佳的一元線性回歸模型，雞胴體質量可以表示為

W=-356.54+2.313Sr

(10)

表2 6個特征量的一元線性回歸分析結果

2.3 多元線性回歸分析

圖9 異常點樣本圖像的3種問題Fig.9 Three kinds of problems in images of outliers

建立多元線性回歸方程

W=b+a1Sr+a2Hr+a3Cr+a4Ar+a5Br+a6Er

(11)

對各自變量間的相關性進行分析，結果如表3所示，雞胸面積Er與雞胸寬度Br間的相關系數高達0.936 7，存在嚴重的共線性問題，因此，在將自變量Er剔除后，用其余5個自變量根據參數顯著性檢驗結果，進行逐步回歸建模。

表3 各自變量間相關系數

采用投影面積Sr、輪廓長度Cr、雞胸長度Ar和雞胸寬度Br建立雞胴體質量多元線性回歸模型，模型的R2為0.880，均方根誤差為100.8 g，模型和4個自變量的影響均高度顯著(表4)，參照文獻[22]所述方法用方差膨脹因子對模型進行檢驗，各參數也沒有共線性問題，雞胴體質量的多元線性預測模型可表示為

W=-1 110.505+1.882Sr-1.916Cr+

對建模所用的訓練集數據進行分析，發現有很多異常數據，為此，采用學生化殘差分析法[23]，對訓練集數據進行異常數據診斷和剔除，發現共有3號、7號和15號等8個數據為異常數據，對這8個數據對應樣本圖像進行分析后發現，它們成像時均受到人工或外界影響，其受影響原因分為3種：雞翅完全未展開、胴體旋轉、拍攝模糊，如圖9所示。

其中前2種原因都會對特征量Sr、Cr有嚴重影響，而對焦失敗的圖像則對4個特征量均有很大影響，因此將它們剔除。剔除這8個異常數據后，重新進行回歸分析，得到修正后的雞胴體質量多元線性預測模型為

W=-1 232.423+1.933Sr-2.317Cr+

44.758Ar+18.349Br

(13)

模型R2達到0.933，均方根誤差減小為77.18 g，式(13)顯示了更好的擬合度和預測效果。

3 雞胴體質量等級預測模型的驗證

為驗證模型預測質量等級的準確度，另外采集了100個雞胴體樣本作為驗證集對模型進行驗證。國內尚無統一質量分級標準，各企業因市場需求擁有不同分級標準，因此參照我國出口禽肉分級標準[24]，將胴體質量劃分為5個均勻等級，即1～5共5個等級，質量區間分別為1 000～1 300 g、1 300～1 600 g、1 600～1 900 g、1 900～2 200 g、2 200～2 500 g。

將驗證集樣本分為5組，每組20個樣本。使用式(13)計算驗證集100個樣本的預測質量，并劃入相應的等級，稱之為判定等級；根據每個樣本實際質量劃分的等級，稱之為實際等級。判定等級與實際等級一致，則表示模型分級正確；反之，則表示分級錯誤。5組樣本分級結果如表5所示。

表5 質量預測模型的分級結果

5組驗證數據中，分級正確率最高為95%，最低為80%，平均正確率為89%，表明質量預測模型進行質量分級有良好的準確性，可用于雞胴體質量的等級判定。

4 結束語

本文利用數字圖像處理技術提取出有關雞胴體大小的幾何特征參數，然后采用投影面積Sp、輪廓長度Cp、雞胸長度Ap和雞胸寬度Bp4個參數建立雞胴體質量的多元線性預測模型，利用此模型可以實現對雞胴體質量等級的判定，從而實現質量分級，平均正確率為89%，基本滿足生產線要求。研究結果表明利用機器視覺技術對雞胴體質量分級技術上可行，為將來研制雞胴體質量在線分級系統提供了理論支持。

1 湯曉艷,顏成英,王敏,等.我國肉雞加工產業現狀及發展對策[J].中國家禽,2013,35(24):2-6.

2 徐幸蓮,王虎虎.我國肉雞加工業科技現狀及發展趨勢分析[J].食品科學,2010,31(7):1-5. XU Xinglian, WANG Huhu. Analysis on technological status and trend of chicken processing industry in China[J]. Food Science, 2010,31(7):1-5.(in Chinese)

3 李虹敏,徐幸蓮,周光宏.禽類屠宰加工過程中微生物污染及減菌措施[J].肉類工業,2009(2):7-9. LI Hongmin,XU Xinglian, ZHOU Guanghong. Bacterial contaminaion and decontamination techonlogies in commercial slaughter and processing of poultry[J]. Meat Industry, 2009(2):7-9.(in Chinese)

4 夏小龍,彭珍,劉書亮,等.肉雞屠宰加工中減菌處理前后細菌菌相分析[J].食品科學,2015,36(10):189-194. XIA Xiaolong, PENG Zhen, LIU Shuliang, et al. Bacterial flora before and after bacterial reduction during slaughtering and processing broiler chickens[J]. Food Science, 2015,36(10):189-194.(in Chinese)

5 彭珍,劉書亮,朱冬梅,等.肉雞屠宰加工過程中胴體微生物污染分析及不同沖淋條件對胴體減菌的影響[J].食品與發酵工業,2014,40(3):216-221. PENG Zhen, LIU Shuliang, ZHU Dongmei, et al. Analysis of microbial contamination of chicken carcasses during slaughter processing and the effects of different drenching conditions on decontamination of chicken carcasses[J]. Food and Fermentation Industries, 2014,40(3):216-221.(in Chinese)

6 李虹敏,馮憲超,徐幸蓮,等.肉雞屠宰加工及冷藏中的微生物污染來源及菌相分析[J].肉類工業,2008(6):33-37. LI Hongmin, FENG Xianchao, XU Xinglian, et al. Source of bacterial contamination and changes of microflora in processing and refrigerated storage[J]. Meat Industry, 2008(6):33-37.(in Chinese)

7 鄧繼忠,李山,張建瓴,等.小型農產品分選機設計與試驗[J/OL].農業機械學報,2015,46(9):245-250,313. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20150936&flag=1. DOI：10.6041/j.issn.1000-1298.2015.09.036. DENG Jizhong, LI Shan, ZHANG Jianling, et al. Design and test of small-scale sorting machine for agricultural products[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2015,46(9):245-250,313.(in Chinese)

8 SIRISATHITKUL Y, THUMPEN N, PUANGTONG W. Automated chokun orange maturity sorting by color grading[J]. Walailak Journal of Science and Technology, 2006, 3(2): 195-205.

9 陳坤杰,孫鑫,陸秋琰. 基于計算機視覺和神經網絡的牛肉顏色自動分級[J]. 農業機械學報,2009,40(4):173-178. CHEN Kunjie, SUN Xin, LU Qiuyan. Automatic color grading of beef lean tissue based on BP neural network and computer vision[J]. Transactions of the Chinese Society for Agricultural Machinery, 2009,40(4):173-178.(in Chinese)

10 VIVEK V G, IQBAL S M, GOPAL A, et al. Estimation of volume and mass of axi-symmetric fruits using image processing technique[J]. International Journal of Food Properties, 2015, 18(3): 608-626.

11 EIFERT J D, SANGLAY G C, LEE D J, et al. Prediction of raw produce surface area from weight measurement[J]. Food Engineering, 2006,74:552-556.

12 BAILEY D G, MERCER K A, PLAW C, et al. High speed weight estimation by image analysis[C]∥Proceedings of the New Zealand National Conference on Non Destructive Testing,2004: 27-39.

13 MAKKY M, SONI P. Development of an automatic grading machine for oil palm fresh fruits bunches (FFBs) based on machine vision[J]. Computers and Electronics in Agriculture, 2013, 93: 129-139.

14 SA’AD F S A, IBRAHIM M F, SHAKAFF A Y M, et al. Shape and weight grading of mangoes using visible imaging[J]. Computers and Electronics in Agriculture, 2015, 115: 51-56.

15 周金和,彭福堂.一種有選擇的圖像灰度化方法[J].計算機工程,2006,32(20):198-200. ZHOU Jinhe, PENG Futang. A method of selective image graying[J]. Computer Engineering, 2006,32(20):198-200.(in Chinese)

16 王曉凱,李鋒.改進的自適應中值濾波[J].計算機工程與應用,2010,46(3):175-176,218. WANG Xiaokai, LI Feng. Improved adaptive median filtering[J]. Computer Engineering and Applications, 2010,46(3):175-176,218.(in Chinese)

17 劉東菊.基于閾值的圖像分割算法的研究[D].北京：北京交通大學，2009. LIU Dongju. The research of image segmentation based on thresholds[D]. Beijing: Beijing Jiaotong University, 2009.(in Chinese)

18 SUZUKI S. Topological structural analysis of digitized binary images by border following[J]. Computer Vision, Graphics, and Image Processing, 1985, 30(1): 32-46.

19 ALVAREZ L, SALGADO A, SANCHEZ J. Robust detection and ordering of ellipses on a calibration pattern[J]. Pattern Recognition and Image Analysis, 2007,17(4):508-522.

20 ALEMAN-FLORES M, ALEMAN-FLORES P,LVAREZ-LEON L, et al. Computational techniques for the support of breast tumor diagnosis on ultrasound images[J]. Cuadernos del Instituto Universitario de Ciencias y Tecnologías Cibernéticas, ULPGC, 2003, 27: 1-12.

21 TSAI R Y. An efficient and accurate camera calibration technique for 3D machine vision[C]∥Proceedings of IEEE Conference on Computer Vision and Pattern Recognition,1986.

22 [美]羅伯特·卡弗.探索性數據分析[M].上海財經大學統計與管理學院，譯.上海：上海財經大學出版社，2013.

23 王玉梅.線性回歸模型中的異常點分析[D].武漢：華中科技大學,2006. WANG Yumei. Outlier analysis of linear regression model[D]. Wuhan: Huazhong University of Science and Technology,2006.(in Chinese)

24 廣東省飼料工業協會.出口禽肉的分級標準[R].肇慶：南方飼料快訊,2001.

Grading of Chicken Carcass Weight Based on Machine Vision

CHEN Kunjie LI Hang YU Zhenwei BAI Longfei

(CollegeofEngineering,NanjingAgriculturalUniversity,Nanjing210031,China)

An automated grading method of chicken weight using image processing was proposed. Ninety-five images of chicken were acquired randomly in a poultry slaughtering plant by using a digital camera. After these images were preprocessed, six parameters such as projection area (Sp), contour length (Cp), length (Hp), breast width (Ap), breast length (Bp) and fitting ellipse (Ep) of chicken carcass were extracted from the processed images. Then taking the six parameters as the inputs and ninety-five samples as the training set， the simple linear regression model and multiple linear regression model were established for predicting of chicken weight, respectively. Furthermore, the optimal model was found out among these developed ones according to regression correlation coefficient. Finally, the independent validation set was formed by using 100 samples divided into five groups and employed to validate the optimal model. Results showed that the simple linear model based on the projection area (Sp) of the chicken carcass had the largestR2of 0.827 in the six simple linear models developed. The multiple linear regression model developed based on the indicators ofSp,Cp,ApandBphad the largestR2of 0.880 in all multiple linear models developed. The adjusted multiple linear regression model had a adjustedR2of 0.933 after eliminating eight outliers detected by students residuals. When the validation set samples were used to validate the optimal multiple linear model, the average correct rate for weight grading of chicken carcass was 89%, indicating that the proposed method based on image processing was feasible for automatic weight grading of chicken carcasses.

chicken carcass; weight grading； feature extraction; machine vision

10.6041/j.issn.1000-1298.2017.06.038

2016-10-21

2016-11-23

公益性行業科研專項(201303083-2)

陳坤杰(1963—)，男，教授，主要從事農產品加工、檢測及智能化裝備研究,E-mail： kunjiechen@njau.edu.cn

S24; TS251.3

A

1000-1298(2017)06-0290-06