疫苗毒株胚蛋成活性检测方法研究

黄 超 刘衍聪

(1.中国石油大学(华东)机电工程学院，青岛 266580； 2.滨州学院电气工程学院，滨州 256600)

疫苗毒株胚蛋成活性检测方法研究

黄 超1,2刘衍聪1

(1.中国石油大学(华东)机电工程学院，青岛 266580； 2.滨州学院电气工程学院，滨州 256600)

针对人工光照法在生物疫苗毒株(胚蛋)成活性检测中，存在劳动强度大、效率低、准确性差的缺点，提出了一种仿生胚蛋成活性图像无损检测方法。针对以往研究中胚蛋图像上下灰度不一、胚蛋蛋壳质量不一等因素影响胚蛋血脉提取的问题，提出了一种基于最小类内指数方差的自适应阈值图像处理方法。通过对去噪后的胚蛋图像进行图像边缘检测及数学形态学处理，准确构建了成活胚蛋主血脉二值形态，通过计算胚蛋内主血脉二值面积百分比判定胚蛋成活性。对胚蛋图像进行识别实验，结果表明，该系统识别一枚胚蛋用时0.093 s，胚蛋活性判定准确率为100%，可满足灭活疫苗、冻干疫苗生产的活性准确率要求。

疫苗毒株； 成活性检测； 图像分割； 自适应阈值

引言

生物疫苗主要采用“鸡胚法”生产，即将毒种注入鸡胚中，毒种伴随鸡胚的发育自然繁殖，鸡胚继续发育3 d左右，每枚鸡胚含有8～12 mL的半成品抗原[1-2]。鸡胚孵化培养9～11 d后，向鸡胚注射毒种(接种)，接种后继续孵化2～3 d后，进行尿囊液提取(收获)。在流感疫苗接种和收获前，均需要对鸡胚进行成活性检测，剔除无精蛋、弱胚、死胚蛋，避免其污染正常胚蛋。国内疫苗毒株的成活性检测采用光照法，查看鸡胚血脉的粗细、血脉纹路确定鸡胚的活性。长时间光照检测不仅造成人眼视觉疲劳，易发生胚蛋的误判，而且劳动强度大、效率低，鸡胚离开孵化器时间长，影响鸡胚的发育。因此，研制一种快速有效的鸡胚成活性检测方法，对疫苗制造行业具有重要意义。

国内学者对胚蛋成活性检测技术进行了大量的研究[3-8]，研究成果加速了我国在胚蛋成活性自动检测领域的发展。主要检测手段有胚蛋透光度检测、胚蛋表面温度检测、胚蛋失水率检测等相关特征信息的自动检测。由于胚蛋的蛋壳质量不一、胚蛋重量差别较大、孵化温度变化率和环境温湿度变化的影响，使得批量自动检测胚蛋时，区分度变弱，难以准确判别胚蛋的活性。中国电子科技集团41所研发的胚蛋成活性自动检测技术，实现了对孵化18 d后胚蛋的自动检测。但是该技术不能应用于孵化16 d以内的胚蛋，针对这一问题，结合胚蛋检测现状和技术要求，提出一种仿生图像自动检测方法[9-22]，用以判别活胚、死胚和无精蛋，以确保胚蛋活性判断的准确率。

1 胚蛋图像的获取

1.1 成像系统

成像系统采用海康威视30万像素1/4″ CMOS 千兆以太网工业相机MV-CA003-20GM/GC，每个光源采用功率为1 W的LED冷白灯珠3颗。为得到蛋胚的清晰血纹图像，采用内置LED灯珠的吸盘将蛋胚吸起后，通过胚蛋气室投光，经胚蛋透光漫反射，在胚蛋侧面成像。一次吸持15枚胚蛋，采用15台工业相机同时取相，取相速度为15幅/(1.4 s)，每小时采集胚蛋图像约为35 000幅。胚蛋图像采集装置如图1所示。

图1 胚蛋图像采集装置简图Fig.1 Acquisition device of embryonic image1.桁架移动电动机 2.胚蛋传送带 3.胚蛋吸盘 4.LED灯珠 5.工业相机 6.计算机 7.传送带电动机

1.2 光源与投射方式的确定

成相系统是对一行15个胚蛋同时拍照，胚蛋的间距较近。由于光源与胚蛋耦合不好，导致漏光现象，使光源照射到相邻的胚蛋外壳上，产生反射光，从而将该胚蛋的折射光覆盖掉，取照时容易取到蛋壳的本色，而不是胚蛋的血管纹理，因此失去判定依据，造成误判。为此，吸盘采用多层皱褶式硅胶吸盘，吸盘的盘口形状为倒锥形，在负压的作用下，容易和胚蛋的外壳耦合。吸盘采用黑色，起到光线的阻挡作用，避免产生背景光，影响暗室拍照。胚蛋处于孵化10～11 d时，作为疫苗毒株培养毒种，该时期胚蛋发育的皮肤羽毛原基遍及全身，翼和腿部羽毛的尖端已微露，尿囊血管已在小端合拢，血管变多变粗，成树状分布。

胚蛋的大头(有气室端)朝上放置于蛋盘中，由于蛋盘的影响，注光灯在胚蛋上方和下方进行注光较方便且效率高。为确定注光方位，进行上下注光取相比较试验，如图2所示。大头注光成像，图像的灰度自上而下逐渐增大，胚蛋的血管纹路有2/3可以清晰可辨，能够完成胚蛋的成活性判断。小头注光成像，图像的灰度自下而上灰度逐渐增大，胚蛋的血管纹路只有1/3清晰可辨，不足以作为胚蛋成活性判定的依据。因此本系统的注光取相，采用胚蛋大头吸持注光方式。

图2 同一枚胚蛋大、小头注光成像图Fig.2 Light injection imagings of embryo egg’s different heads

1.3 成像过程

胚蛋大头朝上放置于10行×15列的蛋盘中, 由传送带将整盘蛋传送至暗箱中。到达暗箱后, 桁架在电动机的驱动下定位至最后一行胚蛋的正上方。胚蛋专用吸盘将15枚胚蛋吸起一定高度，脱离蛋盘，内置于吸盘的LED启动，冷白光透过胚蛋的气室将光投入胚蛋中，由15个相机一一对应进行取照，相机通过千兆交换机将胚蛋照片传至计算机，吸盘下落将胚蛋放下，启动桁架定位至下一行胚蛋的上方进行取照，完成10行胚蛋的取照后，传送带将蛋盘送出暗室。

1.4 相机视野的确定

胚蛋在10～11 d时，需完成接种前的胚蛋成活性检测，以及入库前的成活性检测。胚蛋在这个时期，尿囊血管在胚蛋小头合拢，整个胚蛋除了气室都布满了血管，且血管变粗、颜色变暗。这个时期给胚蛋投光成像，上半部分血管纹理清晰，而下半部分由于胚胎及血管对光线的吸收和阻碍作用，图像变得灰暗不清。为确保相机取相传输的速度，每个相机为30万像素，在1.4 s时间内完成15幅图像的传输。图像的大小影响图像的处理和血管纹路的提取速度，影响胚蛋的成活性判定效率。为了使胚蛋图像信息能够满足图像识别的要求，又能实现图像的快速处理和提高血管纹理的提取效率，因此只需按照图像上半部分血管纹路就能判定胚蛋的活性。调整相机的视野时，应尽量避免包含暗箱背景和相邻胚蛋，来提高胚蛋图像的有效信息比。相机视野范围的调整，不影响图像的大小，对图像传输、处理存储没有影响。采用无畸变镜头的放大倍数为6～12，在调整相机视野时，由于相机视野的长宽比，胚蛋的小端部分图像采集不到，图像的采集如图3所示。

2 基于图像处理的胚蛋成活性判断

2.1 胚蛋血脉纹理分割

由于图像在采集过程中受到环境影响，不同批次所采集的图像会有所差异(图3)，从而影响毒株血脉纹理的提取。在兼顾图像采集效率的情况下，无法完全保证拍摄环境亮度一致，针对这一问题，本文提出了自适应血脉纹理提取方法。按照图像的明暗程度进行分类，采用不同图像处理方法对所采集的图像进行血脉分割和提取。

图3 胚蛋图像Fig.3 Embryonic images

胚蛋图像亮度对其内部纹理的提取具有很大程度的影响，且胚蛋区域基本位于图像的中间。首先将RGB图像转换成HSV图像，然后在V分量图像中提取位于中部的一个50像素×50像素子区域，并计算此区域的亮度均值，实现依据图像采集质量进行自动分类。然后设定阈值，来判断图像的亮度，针对不同亮度的图像，采用不同的血脉提取方法。

2.1.1较亮图像的处理

对于质量较高的图像，图像亮度较高，比较容易将胚蛋从背景中分割出来。经过对胚蛋图像各分量的研究发现，血脉在G分量图像上相对比较明显，因而在G分量图像上进行血脉提取。具体步骤如图4所示。

(1)对G分量图像G=fg(x,y)采用全局阈值T进行分割，得到二值图像，记为Ib1，与自适应阈值得到二值图像进行异或。

图4 较亮图像的血脉提取过程Fig.4 Blood extraction process for lighter image

(1)

式中b(x,y)——图像二值函数

(2)由于所采集图像的亮度差别较大，采用全局阈值无法直接将血管分离出来，为使分割算法适应不同亮度图像，采用基于最小类内指数方差的自适应阈值分割方法进行图像分割。

假设图像I=f(x,y)的尺寸为M×N，且具有L个灰度等级，设J={0,1,2,…,L-1}为灰度级集合，g(x,y)表示像素点(x,y)处的区域平均灰度。因此，图像的像素本身灰度f(x,y)和其邻域均值g(x,y)联合概率函数为

h(m,n)=Prob(f(x,y)=m&g(x,y)=n)

(2)

图像的二维直方图综合了像素的空间关系，便于更好地呈现像素的分布情况。通过阈值向量(t，s)对图像进行分割，t为图像像素本身灰度f(x，y)的阈值，s为其邻域均值g(x，y)的阈值[6]。将图像的二维直方图进行划分，如图5所示。

图5 二维直方图的区域划分Fig.5 Division of two-dimensional histogram

图5中，分割线L1和L2平行于主对角线((0，0)到(L-1，L-1))，直线L1和L2之间区域像素点的灰度级及其邻域平均灰度差别不大，认为是图像的目标和背景内点区；L3、L4平行于主对角线，L2与L4和L1与L3之间的两区域点的灰度级及其邻域平均灰度有一定差别，将该区域定义为目标和背景之间过渡的边界区；L4右下方及L3左上方区域像素的灰度级与其邻域灰度均值差别很大，认为是图像的噪声点区。设直线L5的方程为

g=-f+T

(3)

令L5的右上方为目标O，L5的左下方为背景B，背景和目标的类概率分别为

(4)

PO(T)=1-PB(T)

(5)

式中P(i,j)——联合灰度值概率

i——像素本身灰度

j——邻域灰度均值

图像的所有像素对于自身灰度和邻域平均灰度均值矢量为

(6)

式中μi——像素对于自身灰度矢量

μj——像素对于邻域平均灰度矢量

背景和目标类的均值矢量为

(7)

(8)

式中μBi——背景自身灰度均值矢量

μBj——背景邻域灰度均值矢量

μOi——目标自身灰度均值矢量

μOj——目标邻域灰度均值矢量

背景和目标的类内指数方差分别为

(9)

(10)

(11)

最小化图像的总体类内指数方差，得到最佳阈值

(12)

得到最佳阈值T*后，将图像二值化为目标、背景

(13)

其中，fb(x，y)为分割后的二值化图像，目标灰度为1，背景灰度为 0，将得到的二值图像记为Ib2。

(3)将二值图像Ib1和Ib2进行异或操作(XOR)得到图像Ib，将胚蛋内的血管纹理变成白色

fb(x,y)=fb1(x,y)⊕fb2(x,y)

(14)

式中fb1(x,y)——全局阈值得到的二值图像

fb2(x,y)——自适应阈值得到的二值图像

(4)为得到胚蛋内的血脉，将步骤(3)得到的图像Ib与腐蚀后的Ib1进行与运算(AND)，这样就只保留了胚蛋内的血脉纹理图像。

fb(x,y)=fb(x,y)∧fb1(x,y)

(15)

2.1.2较暗图像的处理

对于较暗图像，直接对G分量进行图像分割不能将胚蛋从背景中提取出来。经过对胚蛋图像的RGB各颜色分量进行分析，参考Ohta颜色系统[7]，经过多次实验验证，发现使用

I=2.5R-2G-0.5B

(16)

计算特征值I(其中R、G、B分别表示3个颜色分量)能够将胚蛋从复杂背景分离出来，并将复杂的背景转换为单一的黑色，使用全局阈值就可以很容易将胚蛋从背景中分离出来。

血脉提取的效果如图6所示，具体步骤为：

(1)根据式(16)计算特征值I，并采用全局阈值52(实验测得)进行二值化，得到二值图像Ib1。

(2)根据所得到的二值图像Ib1，将G分量图像的背景部分变为黑色，然后对其采用自适应阈值法[6]进行图像分割，得到二值图像Ib2。

(3)将二值图像Ib1和Ib2进行异或操作，将胚蛋内的血管脉络变成白色。

(4)为了得到胚蛋内的血脉，将步骤(3)得到的图像与腐蚀后的图像Ib1进行与运算，这样只保留了胚蛋内的血脉纹理图像。

图6 较暗图像的血脉提取过程Fig.6 Blood extraction process for darker image

2.2 疫苗毒株成活性判断

通过分类识别，识别率基本满足需求，生产工艺允许将活胚误判定为死胚，但不允许将弱胚或者死胚判定为活胚。将胚蛋里面的血脉提取出来后，接下来就根据所提取的脉络判断是否为活胚。如果所提取的脉络为树状血脉(图7a)，则为活胚；若为血脉不连续或模糊团块(图7b、7c)，则为死胚。

为了判定可靠，采用两步判定法。第1步，在二值图像中寻找最大连通区域记为P，然后分别计算区域P的轮廓周长和面积(像素数)，记为Pl和Pa，接着计算区域P的面积和周长比R=Pa/Pl。通过样本测试，选取阈值为0.94，如果R≥0.94，则为死胚；否则为活胚。通过该判别方法，将图7c中的死胚剔除，但无法剔除图7b中的死胚。第2步，对所提取的血脉结果的二值图像，寻找最大联通区域，将最大血脉区域面积与胚蛋的面积百分比作为胚蛋成活性判断的标准

图7 不同类型的胚蛋血脉提取结果Fig.7 Extraction results of different types embryo blood

(17)

式中Au——胚蛋血脉最大联通区域面积

Ae——整个胚蛋面积

通过求取图7中二值图像的最大血脉面积占整个胚蛋面积的百分比，即使最后获得的二值血脉结构图中存在少量的孤点噪声像素，也不会影响γ值，不会对最终的判别结果产生实质性影响。

根据获取的胚蛋特征值γ，可以使用贝叶斯分类器对被检胚蛋进行快速分类[8]。首先对样本训练组的1 000枚胚蛋(840枚活胚、160枚死胚)进行训练，提取特征参数γ并生成盒状图(图8)。

图8 特征参数γ盒图Fig.8 Box diagram of characteristic parameter γ

可见，特征参数γ对活胚和死胚具有很大的区分度，我们使用贝叶斯分类器来确定特征参数γ的分类阈值，贝叶斯分类函数可定义为[5]

g(x)=WTx-W0

(18)

其中

(19)

W——系数矩阵W0——分类阈值

根据所提取的活胚和死胚两类样本的γ特征均值，可以得到分类阈值W0。但由于在实际检测中，生产工艺允许将活胚误判定为死胚，但不允许将弱胚或者死胚判定为活胚。因此，我们在确定分类阈值时，还需要考虑死胚的特征参数γ的最大值，分类阈值W可定义为

(20)

其中，W0是由式(17)计算得到的分类阈值，γmax为死胚的特征参数γ的最大值。通过分类阈值，将图7b中的死胚进行剔除。经过两步判定，针对不同类型的死胚，可实现对图7b、7c中死胚的剔除。

3 实验结果与分析

实验在某疫苗厂进行，实验样机如图9所示。

图9 检测装置测试图Fig.9 Test chart of test device1.数字相机 2.垂直桁架电动机 3.水平桁架电动机 4.水平传动模组 5.垂直传动模组 6.胚蛋吸持模组

根据上述两步的毒株成活性判定法，对疫苗厂的600枚10日龄胚蛋进行胚蛋成活性在线实时检测，检测结果如表1所示，其中准确率Pe、漏判率Pm和误判率Pw定义为

(21)

式中Qa——活胚个数QTA——胚蛋总数

Qm——死胚被误判成活胚个数

Qw——活胚被错判为死胚个数

表1 胚蛋成活性检测结果Tab.1 Test results of embryo egg activity

由表1可以发现，人工检测和无损检测的漏判率均为0。自动检测在胚蛋判别的准确度上接近人工检测，影响自动检测准确度的原因主要是图像采集角度和采集质量，以致获得的图像的血管面积比较小。为了确保活胚的健康性，特意将血管纹理面积比的参数调高，因此使得自动检测的错判率稍高，但在允许范围内，保证了活胚率。人工检测平均效率为0.4 s/枚，自动检测的平均效率为0.093 s/枚，综合检测效率和稳定性，自动检测的优势更为明显。

4 结束语

为了提高接毒胚蛋成活性自动检测的准确性和高效性，采用气室注光的透射取相法，最大限度地得到胚蛋清晰血管纹路图像。提出了基于最小类内指数方差的灰度自适应算法，实现了胚蛋图像上、下两部分的血管纹路提取。通过对所提取的纹路采用基于面积周长比的区域形状判断法，消除了胚蛋图像血环、干涸胚胎、蛋壳裂纹的影响。通过计算胚蛋的最大血脉区域面积与胚蛋的面积比，采用贝叶斯分类方法完成了胚蛋在线实时分类。实验数据表明，无损检测系统的每枚胚蛋成活性判定平均用时0.093 s，分拣出胚蛋的活胚率为100%，满足灭活、冻干苗的疫苗毒株活性判别的生产要求。

1 闫峰, 张辉.孵化温湿度对鸡胚尿囊液的影响[J].中国兽医杂志,2011, 47(4): 28-30.

YAN Feng,ZHANG Hui.The incubation temperature and humidity effects on chicken embryo allantoic fluid[J].Chinese Journal of Veterinary Medicine,2011, 47(4): 28-30.(in Chinese)

2 张彦杰, 贾玲霞，李爱芬，等.禽流感H9亚型SD696株疫苗生产工艺改进试验[J].中国兽药杂志,2011, 45(1): 45-48.

ZHANG Yanjie, JIA Lingxia,LI Aifen,et al.Experiment of improve technological processon avian influen zaVirus(H9) strain SD696 vaccine production[J].Chinese Journal of Veterinary Medicine,2011, 45(1): 45-48.(in Chinese)

3 邓立苗，陈辉，马文杰.基于反射与透射图像的糯玉米叶片机器视觉识别效果分析[J].粮油食品科技,2013,21(4):80-83.

DENG Limiao，CHEN Hui，MA Wenjie.Study on identification of waxy corn leaf by computer vision based on reflection and transmission image[J].Science and Technology of Cereals,Oils and Foods, 2013,21(4):80-83.(in Chinese)

4 杨简,石莹,刘海燕,等.基于DSP和模糊神经网络种蛋识别系统[J].中国农机化学报, 2014,35(5):175-178.

YANG Jian,SHI Ying,LIU Haiyan,et al.Unfertilized eggs verification system based on DSP system and fuzzy neural networks [J].Journal of Chinese Agricultural Mechanization, 2014,35(5):175-178.(in Chinese)

5 单宝明.基于机器视觉的疫苗制备中胚蛋成活性检测[J].农业机械学报, 2010,41(5):178-181.

SHAN Baoming.Hatchingegg fertility detection in vaccine preparation based on machine vision[J].Transactions of the Chinese Society for Agricultural Machinery, 2010,41(5):178-181.(in Chinese)

6 阳树洪.灰度图像阈值分割的自适应和快速算法研究[D].重庆：重庆大学, 2014.

7 吴迪，陈孝敬，何勇.基于离散余弦变换和支持向量机的多光谱纹理图像的茶叶分类研究[J].光谱学与光谱分析，2009,29(5):1382-1385.

WU Di, CHEN Xiaojing, HE Yong.Application of multispectral image texture to discriminating tea categories based on DCT and LS-SVM[J].Spectroscopy and Spetral Analysis, 2009,29(5):1382-1385.(in Chinese)

8 张学工.模式识别[M].3版.北京：清华大学出版社，2010.

9 刘川来, 呼进国.疫苗制造中接毒SPF胚蛋成活性无损检测系统[J].中国科技论文, 2013, 8(7):711-716.

LIU Chuanlai,HU Jinguo.Non-destructive detection of the survival of inoculated SPF eggs in vaccine production[J].China Science Paper, 2013, 8(7):711-716.(in Chinese)

10 冯娟,曾立华,刘刚，等.融合多源图像信息的果实识别方法[J/OL].农业机械学报, 2014,45(2):72-79.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20140213&flag=1.DOI：10.6041/j.issn.1000-1298.2014.02.013.

FENG Juan,ZENG Lihua,LIU Gang,et al.Fruit recognition algorithm based on multi-source images fusion[J/OL].Transactions of the Chinese Society for Agricultural Machinery, 2014,45(2):72-79.(in Chinese)

11 吕继东,赵德安,姬伟.苹果采摘机器人目标果实快速跟踪识别方法[J/OL].农业机械学报, 2014,45(1):65-71.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20140111&flag=1.DOI：10.6041/j.issn.1000-1298.2014.01.011.

LÜ Jidong,ZHAO Dean,JI Wei.Fasttracing recognition method of target fruit for apple harvesting robot[J/OL].Transactions of the Chinese Society for Agricultural Machinery, 2014,45(1):65-71.(in Chinese)

12 张春龙，张楫，张俊雄，等.近色背景中树上绿色苹果识别方法[J/OL].农业机械学报, 2014,45(10):277-281.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20141043&flag=1.DOI：10.6041/j.issn.1000-1298.2014.10.043.

ZHANG Chunlong,ZHANG Ji,ZHANG Junxiong,et al．Recognition of green apple in similar backgroud[J/OL].Transactions of the Chinese Society for Agricultural Machinery, 2014,45(10):277-281.(in Chinese)

13 张建华，孔繁涛，李哲敏,等.基于最优二叉树支持向量机的蜜柚叶部病害识别[J].农业工程学报, 2014,30(19):222-231.

ZHANG Jianhua, KONG Fantao,LI Zhemin,et al．Recognition of honey pomelo leaf diseases based on optimal binary tree support vector machine[J].Transactions of the CSAE, 2014,30(19):222-231.(in Chinese)

14 王献锋，张善文, 王震,等.基于叶片图像和环境信息的黄瓜病害识别方法[J].农业工程学报, 2014,30(14):148-153.

WANG Xianfeng,ZHANG Shanwen,WANG Zhen,et al.Recognition of cucumber diseases based on leaf image and environmental information[J].Transactions of the CSAE, 2014,30(14):148-153.(in Chinese)

15 陶华伟，赵力, 奚吉,等.基于颜色及纹理特征的果蔬种类识别方法[J].农业工程学报, 2014,30(16):305-311.

TAO Huawei, ZHAO Li, XI Ji,et al.Fruits and vegetables recognition based on color and texture features[J].Transactions of the CSAE, 2014,30(16):305-311.(in Chinese)

16 张善文，张传雷.基于局部判别映射算法的玉米病害识别方法[J].农业工程学报, 2014,30(11):167-172.

ZHANG Shanwen, ZHANG Chuanlei.Maize disease recognition based on local discriminant algorithm[J].Transactions of the CSAE, 2014,30(11):167-172.(in Chinese)

17 熊俊涛，邹湘军, 王红军,等.基于Retinex图像增强的不同光照条件下的成熟荔枝识别[J].农业工程学报, 2013,29(12):170-177.

XIONG Juntao, ZOU Xiangjun,WANG Hongjun,et al.Recognition of ripe litchi in different illumination conditions based on Retinex image enhancement[J].Transactions of the CSAE, 2013,29(12):170-177.(in Chinese)

18 徐彦伟，徐爱军, 颉潭成,等.基于多信息融合的疫苗制备中鸡蛋胚体分拣系统[J/OL].农业机械学报, 2015,46(2):20-26.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20150204&flag=1.DOI：10.6041/j.issn.1000-1298.2015.02.004.

XU Yanwei,XU Aijun,XIE Tancheng,et al.Automatic sorting system of egg embryo in biological vaccines production based on multi-information fusion[J/OL].Transactions of the Chinese Society for Agricultural Machinery, 2015,46(2):20-26.(in Chinese)

19 吴一全,吴文怡,潘喆,等.基于二维直方图斜分的最小类内方差阈值分割[J].仪器仪表学报, 2008,29(12):2651-2657.

WU Yiquan,WU Wenyi, PAN Zhe,et al.Minimum within-class variance thresholding based on two-dimensional histogram oblique segmentation[J].Chinese Journal of Scientific Instrument,2008,29(12):2651-2657.(in Chinese)

20 LIEW A W C，SHU H L，WING H L.Lip contour extraction from color images using a deformable model[J].Pattern Recognition,2002,35: 2949-2962.

21 LEE H H，HONG K S.Automatic recognition of flower species in the natural environment[J].Image and Vision Computing, 2017,61:98-114.

22 袁挺,纪超,张震华,等.基于近红外图像的温室小型西瓜采摘信息获取技术[J/OL].农业机械学报, 2012,43(7):174-178.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20120732&flag=1.DOI：10.6041/j.issn.1000-1298.2012.07.032.

YUAN Ting,JI Chao,ZHANG Zhenhua,et al.Information acquisition technique of mini-watermelon for harvesting based on near-infrared image in greenhouse[J/OL].Transactions of the Chinese Society for Agricultural Machinery, 2012,43(7):174-178.(in Chinese)

ExperimentonDetectionMethodofVaccineStrainActivity

HUANG Chao1,2LIU Yancong1

(1.CollegeofMechanicalandElectronicEngineering,ChinaUniversityofPetroleum,Qingdao266580,China2.CollegeofElectricalEngineering,BinzhouUniversity,Binzhou256600,China)

Given the high labor intensity, low efficiency and poor accuracy of the artificial lighting method in the detection of biological vaccine strain, embryo egg, activity, a bionic embryonic egg activity image nondestructive detection system was designed.Considering the blood vessel extraction was affected by factors such as the uneven gray level of the embryo egg image and the uneven eggshell quality of the embryo egg, an adaptive threshold method based on the minimum class inner exponential variance was proposed to segment the image and extract the blood.Arterial inclusion of egg embryo imaging was a critical factor for the accuracy of the fertility detection.By analyzing the development process and lighting experiment of egg embryo, it was found that the method shooting light at the bigger part and imaging from the side was an optimal way for the egg embryo imaging.In embryo egg image acquisition, the brightness of the image was varied under the influence of the camera environment and the image acquisition system.In view of this problem, the V component was used to realize automatic image classification, and then the image process was performed respectively.The main blood vessel of the active embryo egg was constructed accurately through the image edge detection and mathematical morphology process of the denoised embryo egg image, and the embryo egg activity was determined by calculating the two values area percentage and area perimeter ratio of the main blood vessel in the embryo egg.Experimental results showed that the system can recognize one embryo egg with 0.093 s, and the detection accuracy of embryo egg activity was 100%.This system can meet the accuracy requirement of the production of inactivated vaccine and freeze-dried vaccine.

vaccine strains； fertility detection； image segmentation； adaptive gray value

10.6041/j.issn.1000-1298.2017.10.038

TP391.4

A

1000-1298(2017)10-0300-07

2017-06-03

2017-07-25

国家自然科学基金项目(51405512)和山东省重点研发计划项目(2016GNC112015)

黄超(1981—)，男，博士生，滨州学院讲师，主要从事智能控制与检测技术研究，E-mail：hc8247@163.com

刘衍聪(1962—)，男，教授，博士，主要从事工程图学及机器视觉识别技术研究，E-mail：liuycupc@163.com