吳林峰 余懷鑫 祝志慧

(華中農(nóng)業(yè)大學(xué)，湖北 武漢 430070)

雞蛋孵化過(guò)程大約需要21 d，對(duì)環(huán)境溫濕度條件要求較高，是個(gè)耗時(shí)、耗能的過(guò)程[1]。據(jù)統(tǒng)計(jì)[2]，種蛋的成活率在85%～95%。目前市場(chǎng)上檢測(cè)種蛋最常見(jiàn)的方法主要是人工照蛋法，速度慢、效率低、準(zhǔn)確性差，且受到工人主觀判斷的影響，并不能滿足當(dāng)前自動(dòng)化生產(chǎn)的需要。有許多學(xué)者利用機(jī)器視覺(jué)技術(shù)[3]、近紅外光譜[4]、高光譜圖像[5-6]實(shí)現(xiàn)了對(duì)雞種蛋內(nèi)部特性的無(wú)損檢測(cè)，這些方法具有檢測(cè)速度快、精度高、所需時(shí)間短、勞動(dòng)強(qiáng)度低等優(yōu)點(diǎn)[7]。但光譜設(shè)備對(duì)于低成本的農(nóng)業(yè)生產(chǎn)來(lái)說(shuō)過(guò)于昂貴，對(duì)檢測(cè)環(huán)境也有較高的要求，限制了這些方法的推廣；機(jī)器視覺(jué)技術(shù)目前對(duì)種蛋孵化信息的無(wú)損檢測(cè)僅處于靜態(tài)單個(gè)蛋的模型檢測(cè)研究。

本試驗(yàn)擬利用機(jī)器視覺(jué)技術(shù)，直接以工業(yè)蛋托為基礎(chǔ)，將整托蛋直接從孵化箱放進(jìn)檢測(cè)裝置采集群體種蛋的圖像，從群蛋圖像中分割出單個(gè)蛋圖像，提取圖像信息，利用不同方法建立無(wú)損檢測(cè)模型，為高通量在線檢測(cè)提供有力的理論依據(jù)。

1 材料與方法

1.1 試驗(yàn)材料

種蛋：京粉2號(hào)褐殼蛋，峪口禽業(yè)有限公司，共計(jì)164枚，其中受精蛋96枚，無(wú)精蛋68枚，孵化溫度37.8 ℃，濕度63.5%，翻蛋時(shí)間間隔2 h，每天對(duì)雞蛋進(jìn)行稱重，從第3天開(kāi)始采集整托種蛋圖像，蛋托為6枚×6枚規(guī)格，共計(jì)5托，第5托數(shù)量不足部分用其他托中的蛋補(bǔ)齊，防止漏光現(xiàn)象。

1.2 圖像采集系統(tǒng)

搭建如圖1所示機(jī)器視覺(jué)系統(tǒng)，由工業(yè)相機(jī)、鏡頭、光源、暗箱和計(jì)算機(jī)組成。相機(jī)選用DLC500型工業(yè)相機(jī)，鏡頭選用精工XW0612型，其焦距為6～12 mm，光圈為f1.6。光源選用35 W的鹵素?zé)糁糜诜N蛋下方，用橡膠環(huán)托住雞蛋減少漏光現(xiàn)象；暗箱用于隔絕環(huán)境光，減少外界干擾。工業(yè)相機(jī)通過(guò)USB接口與計(jì)算機(jī)連接，計(jì)算機(jī)保存圖像數(shù)據(jù)并進(jìn)行處理。

1.光源 2.工業(yè)蛋托 3.種蛋 4.暗箱 5.攝像頭 6.USB線 7.計(jì)算機(jī)

圖1 圖像采集系統(tǒng)
Figure 1 Schematic diagram of image collection system

1.3 蛋重?cái)?shù)據(jù)的采集與分析

受精蛋和無(wú)精蛋的蛋重存在一定的差異，種蛋蛋重的大小對(duì)受精率和孵化率有顯著的影響[8]。使用XYSCALE的JAP型電子天平，精度為0.001 g，在每天固定時(shí)間測(cè)量蛋重信息，如圖2所示，在孵化0～8 d受精蛋與無(wú)精蛋的平均蛋重均緩慢下降，其中受精蛋共失重2.736 g，平均日失重率為0.55%；無(wú)精蛋共失重2.395 g，平均日失重率為0.53%。

將受精蛋和無(wú)精蛋每天的蛋重進(jìn)行對(duì)照試驗(yàn)T檢驗(yàn)，所有P值<0.05，即證明在孵化0～8 d的受精蛋和無(wú)精蛋蛋重都符合正態(tài)分布，再進(jìn)行獨(dú)立樣本T檢驗(yàn)，所有P值<0.05，即認(rèn)為2個(gè)總體之間的均值不相等，受精蛋平均蛋重大于無(wú)精蛋。雖然受精蛋與無(wú)精蛋的平均蛋重存在顯著差異，可以將蛋重用作特征參數(shù)，但是每個(gè)雞蛋的大小、蛋殼厚度都不一，無(wú)法單一用蛋重來(lái)區(qū)分受精和未受精的雞蛋，需加上其他的特征來(lái)區(qū)分。

1.4 圖像預(yù)處理

1.4.1 群蛋圖像的分割 采集整托蛋的圖像上共有36枚雞蛋，首先需要對(duì)圖像進(jìn)行分割。由于蛋殼厚度、孵化程度等因素，種蛋之間的亮度差異較大，局部閾值分割只能將少數(shù)亮度均勻的雞蛋分割出來(lái)。為了提高處理的速度和準(zhǔn)確性，將所有種蛋看作圓形，通過(guò)建立坐標(biāo)系確定每枚雞蛋中心的坐標(biāo)，圖3(a)為第7天群蛋圖像，分別拾取左上、左下和右下3個(gè)雞蛋的中心，再通過(guò)蛋托的距離計(jì)算拿出每個(gè)雞蛋中心的坐標(biāo)。雞蛋的半徑主要分布在區(qū)間[135，180]的像素長(zhǎng)度上，為了防止拾取到非雞蛋像素，以125像素為半徑畫圓，如圖3(b)所示，保留圓形內(nèi)部像素，再按照順序分割為單個(gè)種蛋圖像。

1.4.2 特征值提取 采集后的圖像包含一些干擾信息，運(yùn)用平滑處理對(duì)圖像去噪[9]，如圖4所示，通過(guò)平滑處理后直方圖的兩端更加突出，特征更加顯著。

圖2 孵化早期受精蛋與無(wú)精蛋蛋重變化Figure 2 The change of average weight in early days of hatching

圖3 分割得到的單個(gè)雞蛋圖像Figure 3 Single egg obtained by division

在此基礎(chǔ)上，再提取出圖像的RGB值，通過(guò)數(shù)學(xué)關(guān)系轉(zhuǎn)換為HIS值。分別挑選40個(gè)無(wú)精蛋和受精蛋統(tǒng)計(jì)各分量均值的散點(diǎn)圖，如圖5、6所示，第3天無(wú)精蛋與受精蛋的特征參數(shù)區(qū)分不明顯，到第7天多數(shù)無(wú)精蛋的G、B、I分量均值以及灰度均值都高于受精蛋，S分量均值低于受精蛋，無(wú)精蛋的R分量均值分布區(qū)間比受精蛋大。

2 判別模型的建立

種蛋數(shù)量按約為5∶3的比例分為訓(xùn)練集和測(cè)試集，從164枚中隨機(jī)挑選104個(gè)作為訓(xùn)練集，其中受精蛋61枚，無(wú)精蛋43枚，剩余的60個(gè)作為預(yù)測(cè)集，其中受精蛋35枚，無(wú)精蛋25枚，用Matlab對(duì)圖像中提取的R、G、B、H、S、I、灰度均值以及蛋重這8個(gè)特征參數(shù)分別建立多元線性回歸、SVM和BP神經(jīng)網(wǎng)絡(luò)模型。

圖4 預(yù)處理對(duì)于圖像質(zhì)量的影響Figure 4 Effects of image preprocessing

圖5 第3天蛋重特征參數(shù)Figure 5 Egg weight parameters on third day after hatching

圖6 第7天蛋重特征參數(shù)Figure 6 Egg weight parameters on seventh day after hatching

2.1 多元線性回歸方程

因變量y表示種蛋類別，設(shè)定受精蛋的y值為1，無(wú)精蛋為0，最后的擬合結(jié)果中將0.5及以上的值看做1，即受精蛋，小于0.5的值看做0，即無(wú)精蛋。RGB和HSI之間具有一定的數(shù)學(xué)關(guān)系，因此在建模前需去除其中的冗余信息。通過(guò)計(jì)算變量的方差膨脹因子(VIF)對(duì)變量的多重共線性進(jìn)行檢測(cè)，當(dāng)VIF<5時(shí)可以認(rèn)為不存在共線性，當(dāng)5≤VIF<10時(shí)認(rèn)為存在中等程度的共線性；當(dāng)VIF>10時(shí)，認(rèn)為共線性嚴(yán)重。每次剔除一個(gè)最大VIF值的變量，直到所有剩余變量VIF值都<5，如表1所示。建立線性回歸模型，結(jié)果如表1、2所示，在孵化3～6 d時(shí)，蛋重是一個(gè)顯著性的影響因素，隨著孵化天數(shù)的增加，受精蛋圖像的顏色會(huì)逐漸變深，蛋重變量逐漸變得不顯著，故逐步判別時(shí)被剔除。從表2中可以看出，隨著孵化天數(shù)的延長(zhǎng)，檢測(cè)精度逐漸提高。

2.2 SVM模型

SVM模型在高維數(shù)據(jù)、小樣本數(shù)據(jù)和非線性數(shù)據(jù)模式識(shí)別方面都有出色的表現(xiàn)[10]，建立一個(gè)分類準(zhǔn)確的支持向量機(jī)模型需要選擇合適的核函數(shù)[11]。常用核函數(shù)有線性核函數(shù)、多項(xiàng)式核函數(shù)、高斯徑向基核函數(shù)(RBF)和Sigmoid核函數(shù)，在其他參數(shù)相同的情況下進(jìn)行比較，結(jié)果如表3所示，Sigmoid核函數(shù)的結(jié)果非常低，RBF核函數(shù)準(zhǔn)確率略高，僅在第5天略低于Linear核函數(shù)建立的模型，且RBF核函數(shù)的收斂域相對(duì)較寬，不受訓(xùn)練樣本數(shù)量的制約，因此選用RBF作為核函數(shù)。

表1 多元線性回歸模型Table 1 Model of linear regression

表2 多元線性回歸方程結(jié)果Table 2 Results of linear regression

運(yùn)用SVM對(duì)種蛋進(jìn)行分類，首先通過(guò)網(wǎng)格搜索尋找最優(yōu)參數(shù)，結(jié)果如圖7所示，根據(jù)等高線圖和3D圖得出懲罰因子c和核參數(shù)g的值分別為0.25和0.062 5。

運(yùn)用SVM模型對(duì)60個(gè)預(yù)測(cè)集進(jìn)行分類，結(jié)果如表4所示，隨著孵化天數(shù)，準(zhǔn)確率逐步提升，在5 d之后準(zhǔn)確率達(dá)到了90%以上。

表3采用不同核函數(shù)時(shí)早期種蛋鑒別準(zhǔn)確率的對(duì)比
Table 3 Results of egg identification in early hatching period with different kernel functions

核函數(shù)第3 d第4 d第5 d第6 d第7 d第8 dLinear80.080.093.391.796.796.7Polynomial80.081.791.793.396.796.7RBF81.783.391.795.096.796.7Sigmoid58.358.358.358.358.358.3

表4 SVM模型鑒別結(jié)果Table 4 Results of SVM model

2.3 BP神經(jīng)網(wǎng)絡(luò)

綜上表2、4、5可知，對(duì)孵化3～8 d的褐殼種蛋運(yùn)用多元線性回歸模型、SVM模型和BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行鑒別，種蛋鑒別的準(zhǔn)確率隨著孵化時(shí)間的延長(zhǎng)而逐漸升高，在第6天均能達(dá)到90%以上，都可以用來(lái)對(duì)群體褐殼種蛋的受精信息進(jìn)行判別，其中SVM鑒別模型最穩(wěn)定、準(zhǔn)確率最高，在第3天和第7天的準(zhǔn)確率分別達(dá)到81.7% 和96.7%。對(duì)比已有研究，利用機(jī)器視覺(jué)對(duì)整托白殼蛋的受精信息進(jìn)行判別在第7天達(dá)到了97%[13]，利用機(jī)器視覺(jué)對(duì)單枚褐殼蛋橫向放置采集圖像，在孵化第6天達(dá)到90%以上[14]，目前，褐殼蛋受精信息的研究?jī)H處于對(duì)單枚蛋，并無(wú)對(duì)整托褐殼蛋受精信息的研究，因此本研究提出的利用機(jī)器視覺(jué)技術(shù)和提取的特征參數(shù)來(lái)建模鑒別群體褐殼受精蛋和無(wú)精蛋是可行的，后續(xù)將進(jìn)一步提高鑒別精度。

c=0.25,g=0.062 5,CVAccuracy=98.076 9%

表5 BP神經(jīng)網(wǎng)絡(luò)鑒別結(jié)果Table 5 Results of BP neural network

3 結(jié)論

本試驗(yàn)對(duì)整托褐殼蛋受精信息進(jìn)行檢測(cè)，通過(guò)對(duì)蛋重?cái)?shù)據(jù)的分析表明了蛋重可以作為判別受精蛋和無(wú)精蛋的特征參數(shù)；利用機(jī)器視覺(jué)技術(shù)采集群體種蛋孵化信息，將群蛋圖像分割并從圖像中提取RGB值，用RGB、HIS、灰度均值和蛋重作為特征值建立了多元線性模型、SVM模型和BP神經(jīng)網(wǎng)絡(luò)模型。對(duì)比了SVM3種核函數(shù)，其中RBF核函數(shù)的準(zhǔn)確率較高。利用相同的測(cè)試集對(duì)3個(gè)模型進(jìn)行驗(yàn)證，綜合考慮，在檢測(cè)群體種蛋孵化情況時(shí)，SVM模型準(zhǔn)確率較高，在第3天和第7天分別達(dá)到了81.7% 和96.7%，具有最好的穩(wěn)定性和判別準(zhǔn)確率，說(shuō)明利用機(jī)器視覺(jué)技術(shù)對(duì)整托褐殼蛋進(jìn)行孵化受精信息檢測(cè)是可行的。但在孵化前3 d檢測(cè)精度有待提高，可以嘗試尋找其他特征值和改進(jìn)模型。