基于機器視覺的雞胴體原發性皮炎快速檢測

吳江春，王虎虎，徐幸蓮

（南京農業大學食品科技學院，肉品質量控制與新資源創制全國重點實驗室，江蘇 南京 210095）

雞肉營養價值豐富，含有多種易被人體吸收的蛋白質和氨基酸，同時具有低脂肪、低能量和低膽固醇的優勢。我國是雞肉生產和消費大國，在新冠肺炎疫情與禽流感的影響下，2021年全球肉雞產量增速下調，我國肉雞產量仍有小幅上升，據預測，2022年我國肉雞供需仍將延續增長趨勢[1]。日益增長的需求量要求肉雞市場有足夠的供應量。目前我國肉雞產業向著集中屠宰、冰鮮上市的生產方式轉型升級，大型屠宰線在屠宰過程中基本實現了機械化[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品品質的重要環節，但該環節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

據調研，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，原發性皮炎雞胴體占比約為7.4%，原發性皮炎是雞胴體質檢的一個重要指標。雞胴體原發性皮炎是指雞胴體表面可見、分散不均勻的一種缺陷類型，在外觀上表現為粗糙、紅或黑的皮炎與結痂，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]。質檢人員將雞胴體表面發炎、結痂面積達3 cm2以上且無法修復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。

機器視覺技術是近年興起的一項技術，廣泛用于工業、農業、食品等領域。在禽類養殖、屠宰和加工過程中，機器視覺技術可用于禽類飼養環境的監控[5]、形態與行為的診斷[6-7]、出欄體質量的控制[8-9]，可用于冰鮮類產品的分割與品質控制過程，如雞胴體的分割與掏膛[10-11]、質量預測[12-13]、淤血識別[14]、表面污染物檢測[15-16]與雞胸肉的木質化程度判定[17]。此外，在副食品加工中，機器視覺技術可用于熏雞腿顏色的識別[18]。但冰鮮雞質檢所研究的產品缺陷類型以淤血、木質化、新鮮度為主，并未涉及雞胴體表面的原發性皮炎檢測。因此，為利用機器視覺技術實現對肉雞屠宰后道質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，根據皮炎的顏色、紋理特征和面積大小，提取相關特征值構建皮炎檢測模型，以期為肉雞胴體的皮炎檢測提供技術參考。

1 材料與方法

1.1 材料

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。選取生產線上經人工質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。經質檢員判定，158 只皮炎雞胴體樣本皮膚發炎、結痂面積均大于3 cm2，且無法修復。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)

1.2 圖像采集裝置

光源、相機、工控機等設備是機器視覺系統的重要組成部分[19-20]。雞胴體原發性皮炎主要分布在背部和兩側區域，本研究用含3 個相機的機器視覺裝置采集雞胴體后側、左側和右側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如表1所示。

表1 機器視覺裝置各組成的參數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的操作，實現雞胴體原發性皮炎的靜態檢測。

圖4 機器視覺裝置的安裝效果Fig.4 Installation diagram of machine vision device

1.3 雞胴體皮炎檢測

1.3.1 圖像的預處理

在授精前需要做好相關的飼養管理，輸精后的飼養管理也尤為重要。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，因此需對圖像預處理，以減少噪聲，改善圖像的質量，增加特征識別的準確性[22]。本研究采用加權平均值法將原始RGB圖轉換成灰度圖，經二維中值濾波處理后采用迭代閾值法分割出雞胴體區域，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格（單個網格邊長為128 像素）劃分成若干區域，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；i為通道數；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

圖像分割是根據圖像中目標對象的特點，分割出感興趣區域的圖像處理方法[29]。如圖7所示，采用Otsu閾值分割法提取皮炎區域面積，將樣本圖片從RGB顏色空間轉換到HIS空間，提取S分量圖，用Matlab中的graythresh()函數計算分割閾值，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。發現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，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，經計算得標定系數為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。

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）神經網絡模型。GoogLeNet模型則以皮炎與正常皮膚圖片為輸入數據。所有模型均在MATLAB R 2020b中建立和運行，模型的訓練集為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、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，單側視圖檢測流程如圖10、11所示。僅當后視圖與兩側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 雞胴體單側視圖檢測流程圖Fig.11 Flow chart of chicken carcass single-side view inspection

2 結果與分析

2.1 特征值的PCA

特征值的PCA結果如圖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作為模型的輸入參數。

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

2.2 模型分類結果

以特征值和PC為輸入參數的模型分類效果如表4、5所示。在以特征值為輸入參數的模型中，QDA模型召回率最高，為90.08%；精確度、F1分數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為輸入參數的模型中，RF模型的分類效果優于其他模型，皮炎樣本的召回率為88.93%，識別精度為89.30%，F1分數為89.11%識別總準確率為87.71%；通過比較不同輸入參數的模型可發現，經PCA降維后，LDA、QDA、SVM模型總準確率均有不同程度的下降。其原因是降維后數據是原始數據的近似表達，減少了原始數據特征，這與章振原[23]、劉廣昊[32]和王敏[33]等的研究一致。

表4 以特征值作為輸入參數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作為輸入參數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%，F1分數為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

模型的預測速率如圖14所示，其中以特征值為輸入參數的SVM模型預測速率最快，高達405895.69 張/s。GoogLeNet模型的預測速率為122.65 張/s，遠低于其他模型，但其預測速率仍高于人工質檢速率。

綜合比較模型分類效果可發現，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，2 個樣本皮炎面積在2～3 cm2內。

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

3 結論

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視圖，經圖像預處理去除背景和干擾后，用邊長為128 像素的網格劃分，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PCA降維后，用特征值與PC分別建立LDA、QDA、RF、SVM與BP神經網絡模型。GoogLeNet卷積神經網絡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、總準確率和平均檢測速率判斷，經過綜合分析發現所有模型中以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%，F1分數為90.0%，總準確率可達90.5%，預測時間為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性皮炎有較好的識別能力，可為雞胴體原發性皮炎的快速識別與分類提供技術參考。