基于机器视觉的肉鸡胴体淤血检测技术

赵正东，王虎虎，徐幸莲

基于机器视觉的肉鸡胴体淤血检测技术

赵正东，王虎虎，徐幸莲※

（南京农业大学肉品加工与质量控制教育部重点实验室，南京 210095）

肉鸡胴体淤血是一种品质异常现象，给屠宰企业带来较大的经济损失。建立胴体淤血的快速、准确识别技术是产业当前的迫切需求。该研究利用自行设计搭建的肉鸡胴体图像采集装置，研发了一种快速识别胴体淤血的技术方法。采用三方位视觉采集（搭载三光源）系统，实现视场对肉鸡胴体的全覆盖。采用基于全局RGB阈值分割提取出图像的14个特征参数，采用主成分分析降维后得到7个主成分，结合遗传算法训练支持向量机模型。然后基于滑动窗口分割胴体子图像，人工将子图像分为四类并提取出颜色矩信息，结合遗传算法训练支持向量机模型并采用相似性度量对模型分类结果进行修正。发现正视图和侧视图中基于7个主成分的支持向量机模型中，分类准确率分别为86.0%和89.8%，预测时间为0.006 s，RGB阈值分割淤血的效果不理想；基于局部颜色矩支持向量机模型中，分类准确率分别为98.3%和97.9%，预测时间为0.001 s。在测试样本上，结合欧氏距离进行相似性度量对模型分类结果修正后，淤血的识别召回率得到提升，误报率和漏报率降低。该研究提出的基于胴体子图像局部颜色矩信息训练支持向量机模型结合相似性度量方法，可以弥补全局RGB阈值分割淤血的不足，有效识别胴体淤血，为工厂进行胴体淤血的实时检测提供参考。

机器视觉；支持向量机；肉鸡胴体；淤血；相似性度量

0 引 言

中国是仅次于美国的世界第二大肉鸡生产国，2021年肉鸡生产和消费量分别达到1 470万t和1 503万t[1]。黄羽肉鸡作为中国本土品种，与白羽肉鸡相比存在着许多优势。但在禽类疫情频发以及新冠疫情的大背景下，分散养殖屠宰和活禽销售逐步被取消，“集中屠宰、冰鲜上市”是肉鸡产业发展的必然趋势。但是肉鸡在产业链的各个环节中，容易受到各种因素的影响而产生淤血，会在胴体表面产生肉眼可见的、形状不一的异色现象，造成胴体品质的降级[2]。例如育种时追求过快的生长速度和高饲料转化率容易导致血管发育缓慢密度低[3]；工人捕捉或挂鸡时力量过大容易导致血管破裂[4]；电击晕时不适的电流、电压以及电击时间也容易导致血管破裂[5]。因此，在屠宰的过程中需要对胴体检测以进行分类。利用机器视觉开展肉鸡淤血检测的研究目前还比较少，当前是依靠质检工人的经验判断是否为淤血次品，依靠肉眼进行淤血特征识别，常常因工厂较快的生产速度以及较长的工作时间，导致工人质检效率下降从而产生误判。肉鸡胴体次品分类不易，很难将胴体淤血情况量化。因此，结合机器视觉研究一种快速、准确的肉鸡胴体淤血识别技术是当前产业的迫切需求。

现有的利用机器视觉技术对肉鸡进行检测的研究主要包括胴体品质预测、鸡肉品质检测、表面污染物检测等方面。在胴体品质预测方面，从胴体图像中提取体长、投影面积、轮廓长度、鸡胸长度、宽度、面积作为特征参数，建立预测模型，平均准确率均高于90%[6–11]。在鸡肉品质检测方面，研究者们根据鸡肉图像中的颜色特征与理化指标的相关性，建立回归模型进行货架期及品质的检测[8–10]。在胴体表面污染物检测方面，研究主要集中在利用高光谱相机获得不同污染物的平均反射曲线，提取与正常皮肤相差最大的特征波段，再采用滤光片加工业相机的方式，对污染物进行分割识别[11–14]。应用机器视觉对肉鸡胴体缺陷检测的研究较少，但用于检测植物病害等的研究已有很多。例如对马铃薯叶片晚疫病[15]、木材表面缺陷[16]、番茄叶部早疫病[17]和番茄裂果[18]的检测中，学者们根据颜色、纹理和形状等特征参数，分别采用基于全局特征阈值分割和基于滑动窗口裁剪局部子图像的方法，提取上述特征并训练单特征或特征融合模型，可以达到较高的识别准确率，对于不同类型缺陷的检测具有指导意义。

为了实现利用机器视觉进行肉鸡胴体淤血的检测，本研究利用自行设计搭建的肉鸡胴体图像采集装置在肉鸡屠宰产线旁采集肉鸡完整胴体图像，能够采集到实际生产中各种类型的淤血。对比了全局RGB特征阈值法提取胴体淤血以及基于滑动窗口的局部颜色矩特征识别淤血的方法，以期为工厂进行肉鸡胴体淤血的在线检测提供参考。

1 材料与方法

1.1 图像采集装置

图像采集装置中光源、镜头和相机的设计参考了Steger等[19]的方法，经过自主设计确定了各部件的相关参数[20]：相机型号为LUSTER LBAS-GE23-30C，曝光时间最小26s，分辨率为(1 936×1 216)像素，靶面尺寸为1/1.2英寸，芯片类型CMOS，曝光方式为全局曝光，像元尺寸为5.86m，帧率为30帧/s，光学接口C-Mount，传输方式网口GigE，触发方式为外触发或软件触发，电源12 V直流电，功率<3 W；镜头型号为DZO FA1202D，焦距12 mm，TV畸变率<-0.8%；光源型号为HDR2-210-60W，颜色为白色，色温为6 500 K，亮度等级为255，功率30 W[21]；工控机配有Intel CoreTM i7 处理器，AMDRadeon Pro WX 3200 4 GB LP显卡，16 GB内存，512 GB固态硬盘。

图像采集装置采用三方位视觉采集（搭载三光源）的组合形式，将肉鸡胴体放在中心，然后每组光源和相机按照间隔120°的方式放置在胴体周围，以满足所有相机覆盖整个胴体的需求。由图1a，图像采集装置包含三个设备支架和一个胴体支架。胴体支架由底座、支撑杆和胴体连接杆组成，设备支架由底座、支撑杆、相机连接杆和光源连接杆组成，如图1b、1c所示。

a. 装置各部件总览a. Overview of components of the deviceb. 胴体支架b. Carcass bracketc. 设备支架c. Device bracket

将肉鸡固定在胴体支架上后，通过观察胴体在相机采集界面的成像，确保胴体大腿及以下的部位能完整的进入相机视野，并据此来调整设备支架中光源连接杆和相机连接杆的高度，最终确定光源连接杆的高度距离底座55 cm，相机连接杆的高度距离底座41.5 cm。三个设备支架的位置都是围绕胴体支架来确定，因此固定好胴体及胴体支架后，首先确认正对胴体的设备支架的位置：保持工业相机镜头光心距离胴体投影切面50 cm，左右调整支架位置并同时观察相机采集界面的图像，使视野覆盖正对镜头的胴体鸡胸、翅、脖和琵琶腿部分。确认好正面设备支架后，再利用同样的方法，保持镜头光心距离胴体投影切面50 cm，左右调整侧面支架位置，使两侧视野分别覆盖正对镜头的胴体两侧鸡翅、大腿、琵琶腿、背、脖和头部。使用电子量角器将3个镜头按照120°夹角，且距离胴体投影切面固定为50 cm的方式摆放。在理论上视野是不存在重合的部分，而实际情况中由于胴体表面是不规则的曲面，会不可避免地存在重合的部分，主要集中在胴体图像的边缘部分以及胴体不同部位交界处（例如鸡翅与鸡胸交界处），约占胴体区域5%，因此在统计淤血面积时需去除这部分。

1.2 胴体图像采集

本研究所用样品为肉鸡。以工厂长期从事质检工作的工人为基础，将他们每日从流水线上人工挑选的肉鸡淤血胴体以及合格胴体进行收集。然后统一装筐，运至采集装置旁，按照上述方法将图像采集装置搭建好，然后将每个胴体按照上述的悬挂方式悬挂好后，分别进行正面和侧面的图像采集。采集淤血和合格的肉鸡胴体图像共1 020张（淤血642张，合格378张），部分图像示例如图2所示。

a. 正面合格a. Qualified drawing of frontal carcassb. 侧面合格b. Qualified drawing of side carcassc. 正面淤血c. Congested blood drawing of frontal carcassd. 侧面淤血d. Congested blood drawing of side carcass

结合工厂的分拣规范以及两位质检工人的经验积累，确定了胴体淤血和合格的分类标准，见表1。

1.3 胴体图像预处理

本研究采用的预处理操作包括灰度化、高斯滤波、二值化以及形态学处理[22–24]。其中灰度化采用加权平均法。对比了中值滤波、直方图均衡化、3×3、5×5算术均值滤波以及高斯滤波的效果如图3，可以发现对正视图和侧视图采用高斯滤波的方法获得的图像效果最好，可以使胴体区域与背景产生明显的对比。

表1 胴体质检分类标准

注：3 cm2约为一角硬币大小。

Note: 3 cm2is about the size of a dime.

图3 不同滤波方式处理的效果

本研究中，随机选取了一张正视图和侧视图，先通过迭代阈值法和大津法[25]确定了分割阈值0.239 2和0.211 8，但是经过分割后可以明显地看到光线较暗区域形成了阴影如图4d，迭代阈值法和大津法确定的阈值均将此区域分为背景，进而在后续的去除小区域的处理中导致腿部被去除影响胴体的识别，如图4e所示。因此需要采用固定阈值法，结合分割效果图手动设定一个阈值，并在其他图像上进行验证以确保适用性[26]。将阈值进行微调至正视图0.05和侧视图0.04后通过图像处理能获得满意的分割效果，如图4e所示。

本研究采用孔洞填充将胴体区域内部的小区域进行填充。并采用最大连通区域法标记和保留胴体所在的区域，将其他无关的小区域进行去除。将原始图与最大连通区域图进行点乘，得到的结果为胴体区域原始信息不变，而不属于胴体区域的背景部分全部的像素三通道值为0[22]。

1.4 基于全局的特征参数提取

图5为基于全局特征的支持向量机模型训练及测试流程。

1.4.1 颜色特征提取

淤血和合格品通过肉眼观察，可以发现在视觉上有明显的差异性。这些差异主要存在于颜色上。因此本研究在不同颜色模型下提取和各分量均值作为颜色特征参数[22-23]。由于和均表示亮度，故只提取作为亮度特征。

a. 灰度图a. Grayscale imageb. 二值图b. Binary imagec. 孔洞填充c. Hole filling d. 局部放大d. Local magnificatione. 最大连通区域e. Maximum connected area

图5 基于全局特征的支持向量机模型训练及测试流程图

1.4.2 淤血像素百分比特征提取

胴体淤血处与非淤血处具有明显的颜色差异。RGB图像中每个像素的颜色都是由红、绿、蓝3个基本颜色合成的彩色图像[27]。因此，通过设定合适的RGB三通道数值的取值范围可以将胴体淤血分割提取。在分割的过程中发现淤血有两类，第一类呈现鲜红或紫红色如图6a所示，第二类类呈现深黑色如图6b所示。故对于两种淤血需要采用不同的特征阈值。本研究中自行编写了一段手动截取图像中某一区域并获取此区域RGB三通道数值分布直方图的代码，根据其分布直方图的最小值和最大值确定了RGB的特征阈值见表2。两类淤血分割后的效果如图6c和6d所示。

图6 两类淤血分割效果

表2 基于RGB颜色特征的两类淤血分割阈值

通过for循环将淤血分割后的图像中的像素进行累加求和，并同时对胴体区域的像素进行累加求和，相除求出两类淤血的百分比。第一类淤血百分比记为1，第二类为2。

1.4.3 淤血的参考面积

使用一张10 cm×10 cm的标准正方形卡片作为标定图像[28]，粘贴于背景布上，将背景布悬挂于图1b中胴体连接杆的胴体夹下方，以保证其位于胴体的中部。采集到的标定图像，计算出其白色像素数量后，便可得出标定系数0.002 5 cm2/pixel。将提取出的淤血像素数乘以标定系数可得淤血参考面积，记为，单位cm2。第一类淤血面积记为1，第二类为2。

1.4.4 最大淤血区域

本研究中，不仅计算了淤血的比例，还使用最大连通区域法[29]求取了两类淤血最大区域的像素数。第一类淤血最大连通区域像素数记为1，第二类为2。

1.4.5 主成分分析筛选特征参数

1.4.6 颜色面积支持向量机模型

支持向量机模型被广泛用于模式识别问题中，其中关键在于不同核函数的选择。常用的有径向基核函数、二次核函数等。通过核函数可以将低维线性不可分的问题投影至高维空间线性可分，从而达到分类的效果[15]。本研究采用径向基核函数结合遗传算法以及十折交叉验证，寻找最优参数训练支持向量机模型。

1.5 基于滑动窗口的局部特征参数提取

图7为基于滑动窗口的局部颜色矩支持向量机模型训练及测试流程。

图7 基于滑动窗口的局部颜色矩支持向量机模型训练及测试流程图

1.5.1 样本生成与人工分类

本研究中相机采集到的图像尺寸为（1 936×1 216）像素，经预处理后获取胴体最大外接矩形，其尺寸并不固定但波动范围不大，结合淤血质检标准阈值3 cm2和标定系数，初步得到子图像的尺寸约为（35×35）像素。考虑到肉鸡胴体是一个不规则的粗糙曲面，并非一块光滑的平面，因此将子图像尺寸调整为（50×50）像素，一个子图像对应的参考面积约为6 cm2。在340只鸡胴体正视图和侧视图上滑动遍历每幅图像，生成子图像[17]。将子图像人工分为淤血、正常皮肤、胴体背景交界和背景四大类，并从正视图和侧视图子图像中挑选特征明显的图像，其中前三类各775张，背景35张。

1.5.2 颜色矩特征提取

颜色矩是一种简单有效的颜色特征表示方法，其中一阶矩、二阶矩和三阶矩代表的低阶矩信息丰富。本研究计算子图像RGB三通道的均值、标准差和斜度作为颜色特征[17]。

2.5 ACR影响因素分析 Pearson分析结果(表2)表明：ACR与GLU、FINS、FFA、IL-1、TNF-α、IL-6正相关(P<0.05)。以ACR为因变量，GLU、FINS、FFA、IL-1、TNF-α、IL-6为自变量，进行logistic多元逐步回归分析，结果显示：IL-6与ACR独立正相关[OR=1.18，95%CI 1.03～1.35，P=0.014]。

1.5.3 颜色矩支持向量机模型

将颜色矩作为特征，结合径向基核函数和遗传算法，采用十折交叉验证，寻找最优参数训练支持向量机模型。

1.5.4 相似性度量

采用均值聚类算法将淤血、正常皮肤、胴体背景交界和背景进行聚类，其中淤血和正常皮肤为2，胴体背景交界和背景为1，并获取6个质心。在经模型识别为淤血、正常皮肤和胴体背景交界处的子图像中，采用欧氏距离将各子图像特征向量与6个质心进行相似性度量[16]。比较6个欧式距离，若与淤血2个质心中的任何一个距离最小，说明此子图像与淤血相似，可以判别为淤血，对模型的分类结果作进一步修正，提升分类准确率。

在判别为淤血的子图像中，取距离两质心最短的距离，按照0≤<0.1取系数0.7、0.1≤<0.5取系数0.4、0.5≤<1取系数0.1和≥1取系数0.01的方式加权求和计算淤血参考面积。在实际验证过程中，发现胴体边缘部分由于光线较暗，容易被误识别为淤血，这部分与两侧相机视野重叠的部分基本重合，因此总淤血面积需减去正视图胴体区域的5%和一侧图像胴体区域的5%。

2 结果与分析

2.1 特征参数数据分析

将采集到的1 020张图像样本，按照正视图和侧视图导入到自行编写的提取上述特征参数的代码中，并汇总，得到图像样本特征参数的数理统计和方差分析[31]，如表3所示。可以看出，除了特征参数的类内均值检验的显著性概率略大于0.05外，其他13个特征参数的类内均值检验的显著性概率均不超过0.05。13个特征参数的类内均值均存在显著差异。

表3 特征参数数理统计结果和方差分析

注：*.均值差的显著性水平为0.05；显著性水平>0.05 表示不同类别之间该特征参数差异性不显著；0.01<<0.05 表示不同类别之间该特征参数差异性显著；<0.01 表示不同类别之间该特征参数差异性极其显著。

Note: *. The significance level of the mean difference is 0.05; the significance level>0.05 means that the difference of the characteristic parameter between different categories is not significant; 0.01<<0.05 means the difference of the characteristic parameter is significant;<0.01 indicates that the difference of the characteristic parameter between different categories is extremely significant.

皮尔森相关系数可以用来表征肉鸡样本图像各特征参数间的线性相关程度，图8中可以看出，、和间，1、1和1间，2、2和2间正相关性高，、和间负相关性高，不同特征参数间存在着明显的相关性，说明参数之间存在信息冗杂重复表述的问题，因此进一步采用输出碎石图分析以消除特征参数间的相关性。从输出碎石图9可以看出，第8个主成分开始就不再具有坡度。因此可以选取前7个主成分（主要反映了1和2）代表原有的14个特征参数，来反映淤血和合格的肉鸡胴体。

2.2 分类模型与测试

2.2.1 基于全局特征的支持向量机模型

利用14个特征参数降维后的7个主成分建立支持向量机分类模型。选择径向基核函数、结合遗传算法自动寻找最优的惩罚系数和，采用十折交叉验证，以达到最高的准确率[32]。正视图340张图像和侧视图680张图像中分别选取70%作为训练集，30%作为测试集。基于全局特征支持向量机模型分类结果如表4所示。可以看出，正视图分类准确率为86.0%，侧视图的分类准确率为89.8%（低于90%）。

注：图中变量含义见表3。

图9 输出碎石图

表4 基于全局特征支持向量机模型分类结果

注：1代表淤血品，2代表合格品；为惩罚系数，为径向基核函数自带的参数；准确率代表所有样本中被正确预测的百分比。下同。

Note: 1 represents congestion products and 2 represents qualified products;is the penalty coefficient, andis the argument of the radial kernel function; accuracy represents the percentage of all samples that were correctly predicted. The same below.

2.2.2 基于局部颜色矩的支持向量机模型

基于滑动窗口遍历原始图像进行裁剪获取子图像，从子图像中人工挑选特征明显的图像，其中淤血、正常皮肤和胴体背景交界各为775张，背景35张；正视图2 360张子图像和侧视图2 360张子图像中分别选取70%作为训练集，30%作为测试集。并导入支持向量机分类模型，选择径向基核函数、结合遗传算法自动寻找最优的惩罚系数和，采用十折交叉验证。正视图与侧视图的基于局部颜色矩支持向量机模型分类结果如表5所示。

表5 基于局部颜色矩支持向量机模型分类结果

注：1代表淤血，2代表正常皮肤，3代表胴体背景交界，4代表背景。

Note: 1 represents congestion, 2 represents normal skin, 3 represents carcass background junction and 4 represents background.

由表5基于局部颜色矩支持向量机的正视图与侧视图分类准确率没有明显差异，但高于基于全局特征的模型，可能的原因是基于局部颜色矩支持向量机模型中的样本为人工挑选出的特征区分明显的子图像。因此需要将原始图像导入此模型用于验证其分类效果。将图2中2张正面和2张侧面图像用以验证。表6为4张图像中模型对淤血的识别结果以及使用相似性度量方法对模型识别结果进行修正后的结果。可以发现，结合欧氏距离进行相似性度量后，淤血的识别召回率有一定提升，误报率和漏报率有一定下降。

表6 测试图像中模型对淤血的识别结果以及使用相似性度量法进行二次修正后的结果

注：召回率代表所有淤血子图像中被识别出的百分比，误报率代表所有非淤血子图像被识别为淤血的百分比，漏报率代表所有淤血子图像中未被识别出的百分比。

Note: The recall rate represents the percentage recognized in all congestion sub-images, the false positive rate represents the percentage of all non-congestion sub-images that are recognized as congestion, and the miss rate represents the unrecognized percentage of all congestion sub-images.

对表4、5和6的识别结果进行分析，造成识别效果差异的原因如下：

1）基于全局特征模型的分类准确率均低于基于局部颜色矩的模型，这是由于固定的RGB阈值在不同胴体淤血提取的效果相差较大，提取出的淤血往往包含黄色部分，造成识别结果偏大。其次，表5中样本为人工挑选出来的特征明显的子图像，不同类别间视觉差异显著，造成分类准确率较高。

2）表6中经过相似性度量修正后的分类效果有一定的提升，尤其是误报率和漏报率均有一定下降。这是由于均值算法有效地将大部分淤血、正常皮肤、胴体背景交界和背景进行了聚类。

3）相似性度量修正后的结果仍会有一定的偏差，查看测试样本的结果后发现被误识别的部分为胴体边缘处以及胴体不同部位交界处（例如鸡翅与鸡胸交界处），此部分由于光线非直射或被遮挡造成亮度较低，容易发生误识别。

需要指出的是，本研究使用的是人工控制光源的频闪配合相机间歇曝光的方式进行图像的采集，因此还未达到全自动化图像采集。后续需要采用信号触发器传输触发信号给相机和光源，以实现光源自动频闪和相机自动曝光。

3 结 论

1）本研究自行设计搭建了一套肉鸡胴体图像采集装置，采用三方位视觉采集（搭载三光源）系统，在肉鸡产线旁获取了经质检工人筛选后的淤血和合格胴体的正面及两侧图像。使用灰度化、高斯滤波、二值化及形态学处理后能有效提取胴体图像。

2）利用RGB特征阈值法分割出胴体淤血，并从图像中提取了14个特征参数以及利用主成分可以有效进行降维，获取了累计贡献率高的7个主成分。训练后模型的分类准确率较低（低于90%），表明采用固定阈值分割淤血的效果并不理想。

3）提出基于滑动窗口分割出胴体子图像并结合人工将子图像分为四类，提取胴体图像局部颜色矩信息，训练后的模型分类准确率大于97.9%。均值聚类后，结合欧氏距离进行相似性度量，可对模型分类结果进行修正，进一步提升识别的效果。在判别为淤血的子图像中，取距离两质心最短的距离，加权求和计算淤血参考面积。

4）本文提出的基于胴体子图像局部颜色矩信息训练支持向量机模型结合相似性度量方法，可以弥补全局RGB阈值分割淤血的不足，有效识别胴体淤血，为工厂进行胴体淤血的实时检测提供参考。

[1] 张怡，肖彬杉，王昆，等. 2021年全球肉鸡生产、贸易及产业经济发展研究[J]. 中国畜牧杂志，2022，58(3)：216-222.

[2] Kranen R W, Lambooy E, Veerkamp C H, et al. Histological characterization of hemorrhages in muscles of broiler chickens[J]. Poultry Science, 2000, 79(1): 110-116.

[3] Kranen R W, Lambooij E, Veerkamp C H, et al. Haemorrhages in muscles of broiler chickens[J]. Worlds Poultry Science Journal, 2000, 56(2): 93-126.

[4] Nijdam E, Delezie E, Lambooij E, et al. Comparison of bruises and mortality, stress parameters, and meat quality in manually and mechanically caught broilers[J]. Poultry Science, 2005, 84(3): 467-474.

[5] Huang J C, Huang M, Wang P, et al. Effects of physical restraint and electrical stunning on plasma corticosterone, postmortem metabolism, and quality of broiler breast muscle1[J]. Journal of Animal Science, 2014, 92(12): 5749-5756.

[6] 李航. 基于机器视觉的鸡胴体质量在线分级系统[D]. 南京：南京农业大学，2017.

Li Hang. On-line Weight Grading System of Chicken Carcass Based on Machine Vision[D]. Nanjing: Nanjing Agricultural University, 2017. (in Chinese with English abstract)

[7] 戚超，徐佳琪，刘超，等. 基于机器视觉和机器学习技术的鸡胴体质量自动分级方法[J]. 南京农业大学学报，2019，42(3)：551-558.

Qi Chao, Xu Jiaqi, Liu Chao, et al. Automatic weight grading method of chicken carcass based on machine vision and machine learning technique[J]. Journal of Nanjing Agricultural University, 2019, 42(3): 551-558. (in Chinese with English abstract)

[8] Divya Y, Kumar C. Machine vision based color recognition by robotic arm using LabVIEW[J]. CVR Journal of Science & Technology, 2020, 18: 100-104.

[9] 熊振杰. 基于高光谱成像技术的鸡肉品质快速无损检测[D]. 广州：华南理工大学，2015.

Xiong Zhenjie. Rapid and Non-destructive Detection of Chicken Meat Quality Based on Hyperspectral Imaging Technique[D]. Guangzhou: South China University of Technology, 2015. (in Chinese with English abstract)

[10] 李文采，李家鹏，田寒友，等. 基于RGB颜色空间的冷冻猪肉储藏时间机器视觉判定[J]. 农业工程学报，2019，35(3)：294-300.

Li Wencai, Li Jiapeng, Tian Hanyou, et al. Determination of storage time for chilled pork by using RGB color space method based on machine vision[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(3): 294-300. (in Chinese with English abstract)

[11] 陈坤杰，杨凯，康睿，等. 基于机器视觉的鸡胴体表面污染物在线检测技术[J]. 农业机械学报，2015，46(9)：228-232.

Chen Kunjie, Yang Kai, Kang Rui, et al. Online detection technology for contaminants on chicken carcass surface based on machine vision[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(9): 228-232. (in Chinese with English abstract)

[12] Wu W, Chen G Y, Wu M Q, et al. Detection of diluted contaminants on chicken carcasses using a two-dimensional scatter plot based on a two-dimensional hyperspectral correlation spectrum[J]. Applied Optics, 2017, 56(9): D72-D78.

[13] Wu W, Chen G Y, Kang R, et al. Successive projections algorithm-multivariable linear regression classifier for the detection of contaminants on chicken carcasses in hyper-spectral images[J]. Journal of Applied Spectroscopy, 2017, 84: 535-541.

[14] Kang R, Yang K, Zhang X X, et al. Development of online detection and processing system for contaminants on chicken carcass surface[J]. Applied Engineering in Agriculture, 2016, 32(1): 133-139.

[15] 党满意，孟庆魁，谷芳，等. 基于机器视觉的马铃薯晚疫病快速识别[J]. 农业工程学报，2020，36(2)：193-200.

Dang Manyi, Meng Qingkui, Gu Fang, et al. Rapid recognition of potato late blight based on machine vision[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(2): 193-200. (in Chinese with English abstract)

[16] Wang B, Yang C, Ding Y, et al. Detection of wood surface defects based on improved YOLOv3 algorithm[J]. BioResources, 2021, 16: 6766-6780.

[17] 张燕，田国英，杨英茹，等. 基于SVM的设施番茄早疫病在线识别方法研究[J]. 农业机械学报，2021，52(S1)：125-133，206.

Zhang Yan, Tian Guoying, Yang Yingru, et al. Online detection method of tomato early blight disease based on SVM[J]. Transactions of the Chinese Society for Agricultural Machinery, 2021, 52(S1): 125-133, 206. (in Chinese with English abstract)

[18] 刘鸿飞，黄敏敏，赵旭东，等. 基于机器视觉的温室番茄裂果检测[J]. 农业工程学报，2018，34(16)：170-176.

Liu Hongfei, Huang Minmin, Zhao Xudong, et al. Detection of cracking tomato based on machine vision in greenhouse[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(16): 170-176. (in Chinese with English abstract)

[19] Steger C，Ulrich M，Wiedemann C. 机器视觉算法与应用[M]. 杨少荣，吴迪靖，段德山，译. 北京：清华大学出版社，2008：5-85.

[20] 张广宇，朱家昌. 智能制造装备视觉成像技术应用现状[J]. 现代计算机，2021，27(35)：84-89.

Zhang Guangyu, Zhu Jiachang. Application status of visual imaging technology for intelligent manufacturing equipment[J]. Modern Computer, 2021, 27(35): 84-89. (in Chinese with English abstract)

[21] Kamruzzaman M, Makino Y, Oshita S. Non-invasive analytical technology for the detection of contamination, adulteration, and authenticity of meat, poultry, and fish: A review[J]. Analytica Chimica Acta, 2015, 853: 19-29.

[22] Taheri-Garavand A, Fatahi S, Omid M, et al. Meat quality evaluation based on computer vision technique: A review[J]. Meat Science, 2019, 156: 183-195.

[23] Sun X, Young J, Liu J H, et al. Prediction of pork color attributes using computer vision system[J]. Meat Science, 2016, 113: 62-64.

[24] 张彦娥，魏颖慧，梅树立，等. 基于多尺度区间插值小波法的牛肉图像中大理石花纹分割[J]. 农业工程学报，2016，32(21)：296-304.

Zhang Yane, Wei Yinhui, Mei Shuli, et al. Application of multi-scale interval interpolation wavelet in beef image of marbling segmentation[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(21): 296-304. (in Chinese with English abstract)

[25] Larijani M R, Asli-Ardeh E A, Kozegar E, et al. Evaluation of image processing technique in identifying rice blast disease in field conditions based on KNN algorithm improvement by K-means[J]. Food Science & Nutrition, 2019, 7(12): 3922-3930.

[26] 刘硕. 阈值分割技术发展现状综述[J]. 科技创新与应用，2020(24)：129-130.

Liu Shuo. Overview of the development status of threshold segmentation technology[J]. Technological Innovation and Application, 2020(24): 129-130. (in Chinese with English abstract)

[27] 潘磊庆，王振杰，孙柯，等. 基于计算机视觉的稻谷霉变程度检测[J]. 农业工程学报，2017，33(3)：272-280.

Pan Leiqing, Wang Zhenjie, Sun Ke, et al. Detection of paddy mildew degree based on computer vision[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(3): 272-280. (in Chinese with English abstract)

[28] 马垚. 基于机器视觉的苹果定向和分级方法研究[D]. 无锡：江南大学，2017.

Ma Yao. Research on Apple Orientation and Grading Method Based on Machine Vision[D]. Wuxi: Jiangnan University, 2017. (in Chinese with English abstract)

[29] Sonawane V, Gaikwad N, Mandekar H, et al. Rice quality analysis and classification using image processing techniques[J]. International Journal of Computer Science and Mobile Computing, 2021, 10: 79-82.

[30] Hu Y, Suzuki T, Noguchi G, et al. Study on evaluation of carcass traits and pork quality using principal component analysis[J]. Journal of the Society of Agricultural Structures, 2006, 37(4): 173-182.

[31] 钟冲，郭强. 费歇尔判别法及其应用[J]. 西南交通大学学报，2008(1)：136-141.

Zhong Chong, Guo Qiang. Fisher's discriminant method and its application[J]. Journal of Southwest Jiaotong University, 2008(1): 136-141. (in Chinese with English abstract)

[32] 王金星，刘雪梅，刘双喜，等. 基于组合色彩特征的苹果树叶片各生长期氮含量预测[J]. 农业机械学报，2021，52(10)：272-281，376.

Wang Jinxing, Liu Xuemei, Liu Shuangxi, et al. Prediction of nitrogen content in apple leaves in each growth period based on combined color characteristics[J]. Transactions of the Chinese Society for Agricultural Machinery, 2021, 52(10): 272-281, 376. (in Chinese with English abstract)

Broiler carcass congestion detection technology using machine vision

Zhao Zhengdong, Wang Huhu, Xu Xinglian※

(,,,, 210095,)

Poultry carcass defects and condemnation (such as bruises) have posed a great threat to the broiler industry in recent years. Among abnormal quality, the broiler carcass congestion has also brought serious economic losses to slaughtering enterprises. It is an urgent need to establish a rapid and accurate identification of carcass congestion in the industry. In this study, an image acquisition device was developed for the rapid detection of broiler carcass congestion using machine vision. A three-directional visual acquisition system (equipped with three light sources) was adopted to realize the full coverage of the broiler carcass in the field of view. The image was also captured and then preprocessed using the grayscale, Gaussian filter denoising, binarization, and morphological processing. The maximum circumscribed rectangle of the carcass was obtained, and then the image was divided into the front and side view. Firstly, the global RGB color threshold was determined to segment the congestion in the carcass image. 14 characteristic parameters of the image were also extracted, including the,,,,,,,,1 (the total area of the first type of congestion),2 (the total area of the second type of congestion),1 (the percentage of the first type of congestion),2 (the percentage of the second type of congestion),1 (the largest area in the first type of congestion), and2 (the largest area in the second type of congestion). A Pearson correlation analysis was performed on the characteristic parameters. A principal component analysis was implemented to obtain the seven principal components after dimension reduction. The classification model was trained using a Support Vector Machine (SVM) combined with the Genetic Algorithm (GA). Secondly, the maximum circumscribed rectangular images of carcasses were traversed using the sliding window. The sub-images of (50 × 50) pixels were then divided into the images. The calibration coefficient was integrated to determine the real area of a sub-image (6 cm2) for each image. The sub-images were then divided into four categories, namely congestion, normal skin, carcass-background junction, and background. Four types of large sub-images with outstanding characteristics were manually selected to extract the color moment. The SVM-GA model was also achieved in this case. Finally, the similarity measure was used to revise the classification of the model. The results show that the classification accuracies of the SVM model using seven principal components were 86.0% and 89.8%, respectively, in the front and side view. The prediction time was 0.006 s. Nevertheless, there was no ideal effect of RGB threshold segmentation. By contrast, the classification accuracies of the SVM model using color moment were 98.3% and 97.9%, respectively, where the prediction time was 0.001 s. Furthermore, the recognition recall rate of congestion in the test sample was improved significantly after the revision of the model combining the Euclidean distance with the similarity measure. More importantly, there was a great decrease in the false positive rate and the miss rate. Consequently, the trained SVM model with the similarity measurement can be expected to effectively identify the carcass congestion using the local color moment of carcass sub-images, compared with the global RGB threshold segmentation at present. The finding can provide a strong reference to conduct the real-time detection of carcass congestion in poultry production.

machine vision; support vector machine; broiler carcass; congestion; similarity measure

10.11975/j.issn.1002-6819.2022.16.036

TS251.7

A

1002-6819(2022)-16-0330-09

赵正东，王虎虎，徐幸莲. 基于机器视觉的肉鸡胴体淤血检测技术 [J]. 农业工程学报，2022，38(16)：330-338.doi：10.11975/j.issn.1002-6819.2022.16.036 http://www.tcsae.org

Zhao Zhengdong, Wang Huhu, Xu Xinglian. Broiler carcass congestion detection technology using machine vision[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(16): 330-338. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2022.16.036 http://www.tcsae.org

2022-03-30

2022-08-07

国家现代农业产业技术体系项目（CARS-41）

赵正东，研究方向为肉品加工与质量安全控制。Email：1123090074@qq.com

徐幸莲，博士，教授，研究方向为肉品加工与质量控制。Email：xlxu@njau.edu.cn