基于機(jī)器視覺(jué)技術(shù)的雞翅質(zhì)量預(yù)測(cè)

丁筱玲++吳玉紅++周田田++左潤(rùn)國(guó)++郭言國(guó)++趙立新

摘要：旨在設(shè)計(jì)一種基于機(jī)器視覺(jué)技術(shù)對(duì)雞翅質(zhì)量智能識(shí)別的方法，實(shí)現(xiàn)對(duì)雞翅質(zhì)量的預(yù)測(cè)。運(yùn)用機(jī)器視覺(jué)技術(shù)采集140根雞翅的俯視和側(cè)視圖像建立圖像庫(kù)，并對(duì)庫(kù)中圖像進(jìn)行灰度化、形態(tài)學(xué)運(yùn)算等處理；分別提取雞翅俯視圖和側(cè)視圖的面積、輪廓周長(zhǎng)、長(zhǎng)軸、短軸特征，并采用相機(jī)標(biāo)定方法計(jì)算出實(shí)際各項(xiàng)特征值，分別建立雞翅實(shí)際質(zhì)量和樣本實(shí)際特征值之間的一元線性、冪指數(shù)及多元混合預(yù)測(cè)模型。試驗(yàn)結(jié)果顯示，采用多元混合預(yù)測(cè)模型效果最佳，相關(guān)系數(shù)達(dá)到0.971 7，估計(jì)誤差方差為0.505 5；運(yùn)用檢驗(yàn)數(shù)據(jù)對(duì)該預(yù)測(cè)模型進(jìn)行驗(yàn)證，得到預(yù)測(cè)雞翅質(zhì)量與實(shí)際雞翅質(zhì)量的絕對(duì)誤差均值為0.265 6 g，相對(duì)誤差均值為0.57%。試驗(yàn)結(jié)果表明，基于機(jī)器視覺(jué)技術(shù)的雞翅質(zhì)量預(yù)測(cè)方法可行，可應(yīng)用于雞翅質(zhì)量分級(jí)。

關(guān)鍵詞：機(jī)器視覺(jué)技術(shù)；質(zhì)量預(yù)測(cè)；預(yù)測(cè)模型；雞翅

中圖分類號(hào)： TP391.4文獻(xiàn)標(biāo)志碼： A

文章編號(hào)：1002-1302（2017）09-0208-05

近年，我國(guó)雞肉產(chǎn)量持續(xù)增長(zhǎng)，總產(chǎn)量居世界前三，雞肉已成為我國(guó)僅次于豬肉的第二大肉類消費(fèi)品。肉雞加工廠出售雞肉時(shí)，可整雞出售，亦可將其分割成雞脯肉、雞雜、雞胗、雞血、翅尖、翅中、翅根、雞爪、雞腿、雞架、半邊雞等出售，并根據(jù)不同需求按照各類別的重量或品質(zhì)進(jìn)行分級(jí)。目前，雞翅分級(jí)普遍采用人工分級(jí)，這種分級(jí)方法工作效率低，且易受人工主觀鑒別因素影響造成較大誤差，難以滿足生產(chǎn)需要[1]。隨著計(jì)算機(jī)技術(shù)的發(fā)展，機(jī)器視覺(jué)技術(shù)日臻成熟，已成為當(dāng)今自動(dòng)化企業(yè)不可或缺的產(chǎn)品，廣泛應(yīng)用在制藥、食品、金屬加工等方面[2-7]。為提升產(chǎn)品質(zhì)量，提高生產(chǎn)效率，利用機(jī)器視覺(jué)技術(shù)代替人工檢測(cè)的方法是未來(lái)發(fā)展的必然趨勢(shì)。由于機(jī)器視覺(jué)系統(tǒng)處理精度高、獲取信息量大、自動(dòng)處理及集成控制信息簡(jiǎn)單等[8-9]，因此，在自動(dòng)化生產(chǎn)過(guò)程中，人們將機(jī)器視覺(jué)系統(tǒng)廣泛應(yīng)用于質(zhì)量控制和成品檢驗(yàn)等領(lǐng)域[10]。目前國(guó)內(nèi)外將機(jī)器視覺(jué)技術(shù)運(yùn)用到生產(chǎn)線上的產(chǎn)品多種多樣，比如番茄質(zhì)量檢測(cè)、芒果重量檢測(cè)、雞蛋品質(zhì)檢測(cè)、蘋(píng)果大小分級(jí)、淡水魚(yú)質(zhì)量分級(jí)等。本研究主要是利用機(jī)器視覺(jué)技術(shù)對(duì)雞翅圖像進(jìn)行批量采集、處理，提取有效特征并對(duì)特征進(jìn)行分析，建立雞翅質(zhì)量預(yù)測(cè)模型，為探究雞翅質(zhì)量自動(dòng)分級(jí)新方法提供理論依據(jù)。

1材料與方法

1.1研究材料

該研究采用雞翅的翅中為研究對(duì)象，探究一種雞翅質(zhì)量自動(dòng)分級(jí)新方法。在超市隨機(jī)挑選42～55 g質(zhì)量區(qū)間的翅中140根，為易于對(duì)圖像庫(kù)進(jìn)行管理，首先對(duì)購(gòu)買回來(lái)的雞翅進(jìn)行編號(hào)，并將其隨機(jī)分成2組，一組作為原樣本用于對(duì)質(zhì)量預(yù)測(cè)模型建模，另一組作為檢驗(yàn)樣本用于對(duì)預(yù)測(cè)模型檢測(cè)。

1.2研究方案

該質(zhì)量預(yù)測(cè)系統(tǒng)主要分為硬件和軟件兩部分。硬件部分主要有試驗(yàn)采集支架、采集平臺(tái)、CCD工業(yè)相機(jī)、計(jì)算機(jī)等。試驗(yàn)采集支架是為了固定采集距離。工業(yè)相機(jī)選用高清500萬(wàn)像素、USB 2.0帶緩存的彩色CCD工業(yè)相機(jī)。計(jì)算機(jī)使用Windows 7操作系統(tǒng)，運(yùn)行速度快，存儲(chǔ)能力強(qiáng)。為更好地顯現(xiàn)目標(biāo)顏色，試驗(yàn)采集平臺(tái)選取黑色橡膠為采集背景。軟件部分采用Matlab 8.1.0編程，分為圖像采集模塊、圖像預(yù)處理模塊和特征提取模塊。研究技術(shù)路線如圖1所示。

1.3圖像采集系統(tǒng)

由于雞翅翅中部分呈扁平狀，單獨(dú)采集翅中的俯視或側(cè)視圖像特征不能反映其與翅中質(zhì)量的關(guān)系，比如一組雞翅俯視圖翅中面積小，但側(cè)視圖翅中面積大，另一組雞翅俯視圖翅中面積大，但側(cè)視圖翅中面積小，兩者質(zhì)量就極可能相似，故本研究采集雞翅俯視圖及側(cè)視圖圖像。

采集140根雞翅圖像，使用CCD相機(jī)在2盞白熾燈中間靜態(tài)取像，采集雞翅俯視圖和側(cè)視圖時(shí)保持相機(jī)與雞翅的距離均為20 cm，對(duì)應(yīng)保存并建立圖像采集庫(kù)。圖像采集部分如圖2所示，CCD工業(yè)相機(jī)通過(guò)USB與計(jì)算機(jī)相連，方便取像。

1.4圖像處理

1.4.1圖像灰度化處理

為減少計(jì)算量及提高處理速度，將彩色圖像轉(zhuǎn)換為只含亮度信息的灰度圖像。灰度化處理方法有最大值法、分量法、加權(quán)平均值法和平均值法。本試驗(yàn)采用加權(quán)平均值法，根據(jù)三基色的相對(duì)光譜能量分布和轉(zhuǎn)換過(guò)程中人的感覺(jué)等賦予R、G、B不同的權(quán)值[11]。灰度值輸出為Y

通道的亮度信息，表達(dá)為：

式中：r、g、b依次為0.299、0.587、0.114[12]。

雞翅圖像灰度化后的處理如圖3所示。從圖3可以看出，雞翅俯視圖像的灰度直方圖中有明顯雙峰，可采用雙峰法進(jìn)行目標(biāo)圖像與背景的分割，而側(cè)視圖像灰度直方圖的雙峰不是特別明顯，需要結(jié)合最大類間方差法進(jìn)行多次測(cè)試，方可得到最佳閾值。

1.4.2圖像二值化與形態(tài)學(xué)去噪

圖像二值化就是將背景信息濾除，保留目標(biāo)信息的過(guò)程。為便于將目標(biāo)圖像從多值灰度圖中提取出來(lái)，需設(shè)定一閾值θ，將灰度圖像中多個(gè)數(shù)值分成兩部分。其計(jì)算公式為：

式中：F（x，y）為二值化后圖像數(shù)據(jù)，f（x，y）是灰度圖像數(shù)據(jù)，x和y為灰度圖像中每點(diǎn)的橫縱坐標(biāo)。閾值θ可通過(guò)雙峰法、迭代法、最大類間方差法等獲得[13-14]。因雞翅俯視圖像的灰度直方圖有明顯雙峰，故雞翅俯視圖二值化可通過(guò)雙峰法獲?。欢鴤?cè)視圖灰度直方圖中雙峰不明顯，運(yùn)用迭代法獲取閾值也會(huì)有很大困難，故雞翅側(cè)視圖二值化通過(guò)最大類間方差法獲得。

灰度圖像二值化后，二值圖像中難免有一些噪聲點(diǎn)，本研究采用形態(tài)學(xué)的開(kāi)運(yùn)算平滑目標(biāo)圖像的輪廓，消弱狹窄部分并去掉細(xì)的突出[15]。二值化后圖像如圖4所示。從圖4可以看出，二值化后的噪聲點(diǎn)經(jīng)形態(tài)學(xué)運(yùn)算后被消除，為下一步特征提取提供保障。

1.5特征提取

提取俯視圖二值化圖像的面積S1、輪廓周長(zhǎng)L1、長(zhǎng)軸D1、短軸d1及側(cè)視圖二值化圖像的面積S2、輪廓周長(zhǎng)L2、長(zhǎng)軸D2、短軸d2特征。首先對(duì)二值化圖像作最小外接矩形處理，后運(yùn)用MATLAB自帶的regionprops計(jì)算各項(xiàng)特征參數(shù)值，并將提取的特征參數(shù)存入Excel中。擁有最小外接矩形的二值化圖像如圖5所示，分別是雞翅俯視圖和側(cè)視圖的最小外接矩形圖像。

由于特征參數(shù)信息是通過(guò)圖片信息獲取，故所得的8個(gè)特征參數(shù)值都是以像素為單位。為了確定物理尺寸和像素間的換算關(guān)系，需要通過(guò)標(biāo)定模板建立相機(jī)成像的幾何模型[16]。本試驗(yàn)采用棋盤(pán)格系列標(biāo)定模板，在相同條件下對(duì)其進(jìn)行圖像處理，計(jì)算物理尺寸和像素間的比例系數(shù)。由物理尺寸和像素值的比值得到標(biāo)定結(jié)果為：雞翅面積系數(shù)為1346 3×10-5cm2，周長(zhǎng)系數(shù)為0.003 5 cm，長(zhǎng)短軸系數(shù)為0003 2 cm。標(biāo)定結(jié)果如表1所示，分別對(duì)應(yīng)面積Area、周長(zhǎng)Perimeter、長(zhǎng)軸Major Axis Length、短軸Minor Axis Length。部分樣本數(shù)據(jù)如表2所示，每一行代表一個(gè)樣本。

2結(jié)果與分析

2.1預(yù)測(cè)模型建立

以8個(gè)特征參數(shù)值為自變量，雞翅實(shí)際質(zhì)量為因變量，分別建立一元線性、冪指數(shù)、多元線性[17-18]和多元混合函數(shù)預(yù)測(cè)模型：一元線性函數(shù)模型為y=a+bxi，冪指數(shù)函數(shù)模型為 y=axib，多元線性函數(shù)模型為y=a+∑ 8i=1 bixi，多元混合函數(shù)模型為y=a+∑ 8i=1 bixi+∑ 8i=1 cixi2。其中y為雞翅實(shí)際質(zhì)量，a、b、bi、ci（i=1，2，…，8）為系數(shù)，xi（i=1，2，…，8）為8個(gè)特征參數(shù)值。

另外，經(jīng)過(guò)對(duì)自變量分析，因變量有可能對(duì)同一根雞翅2組圖像的面積之和（S=S1+S2）、周長(zhǎng)之和（L=L1+L2）、長(zhǎng)軸之和（D=D1+D2）、短軸之和（d=d1+d2）存在一定的關(guān)系，故可作關(guān)于因變量與新的特征參數(shù)S、L、D、d之間的函數(shù)模型。分別建立一元線性、冪指數(shù)、多元線性、多元交叉函數(shù)預(yù)測(cè)模型：一元線性函數(shù)模型為y=a+bXi，冪指數(shù)函數(shù)模型為y=aXib，多元線性函數(shù)模型為y=a+∑ 4i=1 biXi，多元混合函數(shù)模型為y=a+∑ 4i=1 biXi+∑ 4i=1 ciXi2和y=a+∑ 4i=1 biXi+∑ 4i=1 ciXi2+∑ 3i=1 XiXi+1+∑[DD（]2i=1[DD）]XiXi+2+∑ 1i=1 XiXi+3。其中y為雞翅實(shí)際質(zhì)量，a、b、bi、ci（i=1，2，3，4）為系數(shù)，Xi（i=1，2，3，4）為新特征參數(shù)值。分別用以上模型進(jìn)行目標(biāo)函數(shù)與特征參數(shù)之間的擬合，以相關(guān)系數(shù)R2和誤差方差S2為評(píng)價(jià)指標(biāo)，建立雞翅質(zhì)量預(yù)測(cè)模型，預(yù)測(cè)模型的統(tǒng)計(jì)結(jié)果如表3、表4所示。

以8個(gè)特征參數(shù)為自變量建立多元線性及多元混合模型分別為：y=22.717 4+0.249 7S1+0.065 2L1+1.702 9D1-2.755 9d1+0.217 6S2-0.073 2L2+1.979 9D2-2.779 9d2和y=-47.395 0-0.230 5S1+0.255 6L1+23.713 9D1-8436 5d1+0.597 9S2-0.533 5L2+1.458 5D2-0.263 4d2+0.007 0S12-0.004 6L12-1.383 5D12+0.672 4d12-0005 2S22+0.005 7L22+0.021 1D22-0.247 3d22。其中S1、L1、D1、d1、S2、L2、D2、d2分別為雞翅俯視圖和側(cè)視圖的投影面積[CM（25]、周長(zhǎng)、長(zhǎng)軸、短軸。兩模型相關(guān)系數(shù)分別為 0.952 1、 0.960 7，誤差方差分別為0.816 7、0.714 0。

以4個(gè)新特征參數(shù)為自變量建立多元線性及多元混合模型分別為：y=23.371 5+0.236 3S-0.090 7L+2.089 4D-2752 8d和y=24.782 0+1.549 5S+1.771 1L-10.962 9D+0.024 0d-0.010 7S2-0.017 1L2+0.381 3D2-0.048 1d2及y=19.814 1-6.528 9S+1.639 8L-0.554 5D+46.241 2d-0.007 3S2+0.130 7L2+2.226 8D2-12.105 7d2-0.085 5SL-0.301 8SD+2.227 1Sd-0.797 5LD+0.329 0Ld-1.111 9Dd。其中S、L、D、d分別為雞翅俯視圖和側(cè)視圖的投影面積之和、周長(zhǎng)之和、長(zhǎng)軸之和、短軸之和。三模型相關(guān)系數(shù)分別為0.947 9、0.959 8、0.971 7，誤差方差分別為0.863 0、0.686 4、0.505 5。

從表3、表4可以看出，目標(biāo)函數(shù)與4個(gè)新特征參數(shù)進(jìn)行擬合比與8個(gè)特征參數(shù)函數(shù)擬合的相關(guān)系數(shù)明顯提高，說(shuō)明雞翅實(shí)際質(zhì)量與同一根雞翅的2組圖像的面積之和（S=S1+S2）、周長(zhǎng)之和（L=L1+L2）、長(zhǎng)軸之和（D=D1+D2）、短軸之和（d=d1+d2）存在較高相關(guān)性。目標(biāo)函數(shù)與8個(gè)特征參數(shù)進(jìn)行函數(shù)擬合時(shí)無(wú)論是一元線性還是冪指數(shù)擬合都對(duì)側(cè)視圖長(zhǎng)軸參數(shù)有較高的相關(guān)性，分別為0.900 0、0.901 9。目標(biāo)函數(shù)與4個(gè)新特征參數(shù)進(jìn)行函數(shù)擬合時(shí)一元線性和冪指數(shù)擬合對(duì)俯視圖和側(cè)視圖長(zhǎng)軸之和的參數(shù)有較高的相關(guān)性，分別為0.931 1、0.925 4。

通過(guò)比較與綜合分析可知，采用4個(gè)新特征參數(shù)（俯視和側(cè)視圖像的面積之和S、周長(zhǎng)之和L、長(zhǎng)軸之和D、短軸之和d）與因變量（實(shí)際雞翅質(zhì)量y）進(jìn)行擬合的多元混合函數(shù)y=a+∑4i=1biXi+∑4i=1ciXi2+∑3i=1XiXi+1+∑2i=1XiXi+2+∑1i=1XiXi+3相對(duì)于其他模型有較高的相關(guān)系數(shù)及較低的誤差方差，故將它選為最優(yōu)雞翅質(zhì)量預(yù)測(cè)模型。

2.2預(yù)測(cè)模型驗(yàn)證

采集70根雞翅檢驗(yàn)樣本圖像，并對(duì)其進(jìn)行以上相關(guān)圖像處理得到像素特征值，并將其轉(zhuǎn)換成實(shí)際物理量后對(duì)預(yù)測(cè)模型進(jìn)行驗(yàn)證，部分驗(yàn)證結(jié)果如表5所示。預(yù)測(cè)模型驗(yàn)證相關(guān)圖如圖6所示。由質(zhì)量預(yù)測(cè)圖能明顯看出實(shí)際質(zhì)量與預(yù)測(cè)質(zhì)量之間的差距。由誤差曲線圖可看出相對(duì)誤差在0%附近浮動(dòng)，而絕對(duì)誤差最大小于1 g。經(jīng)過(guò)對(duì)檢測(cè)數(shù)據(jù)中誤差的計(jì)算，得到單根雞翅預(yù)測(cè)質(zhì)量與實(shí)際雞翅質(zhì)量的最大絕對(duì)誤差和最大相對(duì)誤差分別為0.981 3 g、1.85%，其均值分別為0265 6 g、0.57%。

3討論

由試驗(yàn)結(jié)果可知，采用多元混合預(yù)測(cè)模型能取得較好的預(yù)測(cè)結(jié)果，但與實(shí)際質(zhì)量仍存在一定偏差，通過(guò)對(duì)誤差的分析，可能存在以下3個(gè)問(wèn)題：一是由于受試驗(yàn)條件限制，采集雞翅俯視圖像時(shí)，底部黑色橡膠背景有一點(diǎn)反光，影響閾值分割及參數(shù)值，從而影響預(yù)測(cè)精度；二是不同雞翅品種密度等差異引起預(yù)測(cè)誤差；三是提出的預(yù)測(cè)模型有限。為提高預(yù)測(cè)模型精度，可尋找不反光背景進(jìn)行背景替換，增加樣本多樣性、樣本數(shù)量，建立更加復(fù)雜的預(yù)測(cè)模型。

4結(jié)論

（1）本研究同時(shí)采集雞翅俯視圖和側(cè)視圖，并對(duì)其進(jìn)行圖像處理獲取有效特征參數(shù)，然后建立特征參數(shù)與實(shí)際質(zhì)量之間的擬合模型。

（2）試驗(yàn)分析原自變量（S1、L1、D1、d1、S2、L2、D2、d2）之間的關(guān)系，建立新的自變量（S、L、D、d）與目標(biāo)函數(shù)之間的預(yù)測(cè)模型，其多元混合擬合相關(guān)系數(shù)為0.971 7。

（3）由試驗(yàn)結(jié)果可知，通過(guò)機(jī)器視覺(jué)技術(shù)可以準(zhǔn)確預(yù)測(cè)雞翅質(zhì)量。今后研究中可將MATLAB語(yǔ)言進(jìn)一步轉(zhuǎn)換成 VC++ 語(yǔ)言應(yīng)用于在線質(zhì)量分級(jí)。

參考文獻(xiàn)：

[1]王福娟. 機(jī)器視覺(jué)技術(shù)在農(nóng)產(chǎn)品分級(jí)分選中的應(yīng)用[J]. 農(nóng)機(jī)化研究，2011，33（5）：249-252.

[2]楊立，趙杰文，鄒小波. 基于機(jī)器視覺(jué)的軟膠囊重量在線分選研究[J]. 食品工業(yè)，2008（5）：64-66.

[3]Baigvand M，Banakar A，Minaei S，et al. Machine vision system for grading of dried figs[J]. Computers and Electronics in Agriculture，2015，119：158-165.

[4]Omid M，Soltani M，Dehrouyeh M H，et al. An expert egg grading system based on machine vision and artificial intelligence techniques[J]. Journal of Food Engineering，2013，118（1）：70-77.

[5]Hong H M，Yang X L，You Z H，et al. Visual quality detection of aquatic products using machine vision[J]. Aquacultural Engineering，2014，63：62-71.

[6]胡曉彤，董瑩瑩. 基于機(jī)器視覺(jué)的金屬罐內(nèi)壁缺陷檢測(cè)[J]. 天津科技大學(xué)學(xué)報(bào)，2014，29（3）：63-67.

[7]段能全，劉剛，王俊元. 基于機(jī)器視覺(jué)的刀具幾何參數(shù)測(cè)量技術(shù)[J]. 機(jī)械設(shè)計(jì)與制造，2008（10）：217-219.

[8]Shafiee S，Minaei S，Moghadam-Charkari N，et al. Honey characterization using computer vision system and artificial neural networks[J]. Food Chemistry，2014，159：143-150.

[9]夏永泉，JO Kang-hyun，甘勇，等. 計(jì)算機(jī)視覺(jué)在智能交通系統(tǒng)中的應(yīng)用研究綜述（英文）[J]. 鄭州輕工業(yè)學(xué)院學(xué)報(bào)（自然科學(xué)版），2014，29（6）：52-60.

[10]曾文艷，王亞剛，蔣念，等. 基于機(jī)器視覺(jué)的香煙小包裝外觀質(zhì)量檢測(cè)系統(tǒng)[J]. 信息技術(shù)，2014（1）：46-49.

[11]Yang X，Ling Y，Li S，et，al.Graying for images with color-discrete characteristic[J]. Optik-International Journal for Light and Electron Optics，2011，122（18）：1633-1637. [HJ1.5mm]

[12]張銘鈞，李煊，王玉甲. 基于灰度化權(quán)值調(diào)整的水下彩色圖像分割[J]. 哈爾濱工程大學(xué)學(xué)報(bào)，2015，36（5）：707-713.

[13]張志強(qiáng)，牛智有，趙思明，等. 視覺(jué)技術(shù)的淡水魚(yú)質(zhì)量分級(jí)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2011，27（2）：350-354.

[14]Issac A，M. Partha S M，Dutta M K. An adaptive threshold based image processing technique for improved glaucoma detection and classification[J]. Computer Methods and Programs in Biomedicine，2015，122（2）：229-244.

[15]Arco J E，Górriz J M，Ramírez J，et al.Digital image analysis for automatic enumeration of malaria parasites using morphological operations[J]. Expert Systems with Applications，2015，42（6）：3041-3047.

[16]何微，牛智有，李曉金. 基于外部特征信息的番茄果實(shí)質(zhì)量預(yù)測(cè)模型[J]. 華中農(nóng)業(yè)大學(xué)學(xué)報(bào)，2013，32（6）：144-148.

[17]Andrada M F，Vega-Hissi E G，Estrada M R，et al. Application of K-means clustering，linear discriminant analysis and multivariate linear regression for the development of a predictive QSAR model on 5-lipoxygenase inhibitors[J]. Chemometrics and Intelligent Laboratory Systems，2015，143：122-129.

[18]He Z，Zhou H，Wang J，et al. A unified framework for contrast research of the latent variable multivariate regression methods[J]. Chemometrics and Intelligent Laboratory Systems，2015，143：136-145.