葉長文 康 睿 戚 超 劉 超 趙 陽 陳坤杰

(南京農(nóng)業(yè)大學(xué)工學(xué)院， 南京 210031)

0 引言

電擊暈[1-3]是家禽家畜屠宰加工工序中的一個重要環(huán)節(jié)[4-6]。在電擊暈過程中，電壓過低，被擊暈的家禽在未到達宰殺工位前蘇醒，會因為受刺激而掙扎撲翅，導(dǎo)致斷翅和淤血的情況發(fā)生；電壓過高，易使家禽因電擊死亡，導(dǎo)致放血不充分，影響雞肉品質(zhì)[7-10]。因此，在宰前電擊暈時，恰當(dāng)?shù)妮敵鰠?shù)能夠提高雞肉的品質(zhì)[11]。目前，主要通過人工檢測肉雞的擊暈狀態(tài)，手動調(diào)節(jié)電擊暈器的輸出電壓，以達到合理的擊暈效果。人工視覺判定方法依賴判定人員的感觀和經(jīng)驗，具有很強的主觀性，且檢測速度慢。

與人工檢驗相比，機器視覺技術(shù)具有非破壞性、成本低、速度快等特點[12]。文獻[13]使用圖像處理和神經(jīng)網(wǎng)絡(luò)識別6個不同的雞肉部分，總準(zhǔn)確識別率為97.57%。文獻[14]提出了一種基于機器視覺技術(shù)與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的肉雞擊暈狀態(tài)自動檢測方法，總準(zhǔn)確率為90.11%，準(zhǔn)確率有待提高。傳統(tǒng)機器視覺分類方法通常根據(jù)設(shè)定的特征提取規(guī)則提取多個特征用于訓(xùn)練分類模型，其弊端是造成有效信息的損失[15-16]。相比傳統(tǒng)方法，卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural network，CNN)[17]可以直接將原始圖像信息作為網(wǎng)絡(luò)的輸入，由卷積層訓(xùn)練數(shù)據(jù)進行特征學(xué)習(xí)，充分提取有效信息，因此在圖像識別領(lǐng)域獲得了廣泛的應(yīng)用[18-21]。

本文以屠宰生產(chǎn)線上電擊暈環(huán)節(jié)的肉雞為研究對象，在線采集經(jīng)過電擊暈處理后肉雞的圖像信息，提出基于快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(Faster region convolutional neural network, Faster-RCNN)的肉雞擊暈狀態(tài)檢測方法，對電擊暈環(huán)節(jié)肉雞的電擊暈效果進行檢測與識別，探究肉雞擊暈狀態(tài)在線檢測的可行性。

1 材料與方法

1.1 樣本數(shù)據(jù)

1.1.1樣本圖像采集

實驗所用樣本為白鹽城悅達農(nóng)業(yè)集團禽業(yè)科技有限公司(東臺)養(yǎng)殖的42日齡白羽肉雞。利用吳江安能電子科技有限公司的05系列變頻電麻機，采用水浴電擊暈方式，設(shè)定變頻電麻機輸出頻率為750 Hz，電擊時間為10 s，電壓分別為5、15、25 V，對肉雞進行電擊，用西安維視圖像公司的EM130C型CMOS相機采集了2 319幅240像素×320像素?fù)魰灪笕怆u樣本的圖像。部分樣本圖像如圖1所示。

圖1 采集的電擊處理肉雞樣本圖像Fig.1 Images of chicken sample collected by system

1.1.2擊暈狀態(tài)分類

文獻[22]提出，有效擊暈的肉雞呈現(xiàn)雙翅合攏緊貼于身體兩側(cè)，雞頭與脖子僵挺的狀態(tài)，若達不到此視覺上的表現(xiàn)形態(tài)，則認(rèn)為沒有達到有效擊暈的要求。研究發(fā)現(xiàn)肉雞擊暈后的狀態(tài)可分為擊暈不足、有效擊暈與過度擊暈3種，如圖1所示。擊暈不足的肉雞(圖1a～1d)仍有意識，經(jīng)過電流刺激后會出現(xiàn)撲騰或雞頭抬起等表現(xiàn)形態(tài)。有效擊暈的肉雞(圖1e、1f)則失去意識，出現(xiàn)靜止不動、雙翅緊貼于身體兩側(cè)且雞頭自然垂下的表現(xiàn)形態(tài)。過度擊暈的肉雞(圖1g、1h)則失去意識，同時神經(jīng)失去對身體的控制，出現(xiàn)雞頭自然垂下，同時雙翅自然張開的表現(xiàn)形態(tài)。根據(jù)電擊處理后的表現(xiàn)狀態(tài)，將肉雞擊暈狀態(tài)分為3類(a、b、c)，如表1所示。根據(jù)表1，將采集的2 319幅樣本圖像按擊暈狀態(tài)類別進行標(biāo)注。

表1 擊暈狀態(tài)分類Tab.1 Stunning status classification

1.1.3數(shù)據(jù)集制作

采用labelImg圖像標(biāo)注工具按照PASCAL VOC數(shù)據(jù)集格式對2 319幅肉雞原始圖像中的雞頭與雞翅區(qū)域進行標(biāo)注，得到肉雞各擊暈狀態(tài)類別的數(shù)據(jù)集。將數(shù)據(jù)集按照2∶1的比例隨機分為訓(xùn)練集(1 546幅)與驗證集(773幅)，由于訓(xùn)練數(shù)據(jù)集總體數(shù)量較小，為了防止訓(xùn)練出現(xiàn)過擬合問題，本文對訓(xùn)練集中樣本圖像分別旋轉(zhuǎn)0°、90°、180°、270°進行數(shù)據(jù)增強，得到6 184幅訓(xùn)練集樣本圖像。

1.2 肉雞擊暈狀態(tài)檢測方法

1.2.1模型總體構(gòu)架

圖2 Faster-RCNN肉雞擊暈狀態(tài)分類模型網(wǎng)絡(luò)結(jié)構(gòu)示意圖Fig.2 Network structure diagram of Faster-RCNN stunning state classification model for broiler chickens

Faster-RCNN[23]肉雞擊暈狀態(tài)分類模型網(wǎng)絡(luò)結(jié)構(gòu)示意圖如圖2所示。分類模型主要由4部分構(gòu)成，分別為VGG16[24]基礎(chǔ)特征提取網(wǎng)絡(luò)部分、RPN[23]候選區(qū)域提取網(wǎng)絡(luò)部分、ROI Pooling[25]固定大小的候選區(qū)域的卷積特征圖提取部分和Softmax分類與邊框回歸部分。

1.2.2模型的輸入設(shè)計

網(wǎng)絡(luò)模型支持任意尺度的圖像輸入。設(shè)定歸一化后圖像尺寸均為224像素×224像素，經(jīng)過VGG16特征提取網(wǎng)絡(luò)可得到14像素×14像素的特征圖像。

1.2.3RPN參數(shù)設(shè)計

在RPN中，anchor參數(shù)需要與歸一化后圖像的尺寸匹配。本文使用在3種尺寸(482、962、1922)、3種比例(1∶1、1∶2、2∶1)下所得的9個anchors，完成對224像素×224像素圖像中肉雞的檢測。設(shè)定被看作正樣本的IoU值為0.7，將IoU最大的和IoU大于0.7的anchor作為正樣本，而IoU值小于0.3的歸為負(fù)樣本。在訓(xùn)練時，抽取正負(fù)樣本的總數(shù)為128個，比例為1∶1。在訓(xùn)練時，去除超出圖像邊緣的候選框，將超出范圍的anchor與原標(biāo)注框的IoU值置0。經(jīng)過非極大值抑制(NMS)后，對所剩的所有預(yù)測框按正標(biāo)簽IoU分值排序，選取前50個作為輸出。

1.2.4輸出層參數(shù)設(shè)計

肉雞擊暈狀態(tài)共有3類，加上1個背景類，因此，輸出層輸出的類別數(shù)設(shè)定為4。邊框回歸層輸出的參數(shù)為4×4=16(4種類別各自含有4個邊框坐標(biāo)參數(shù))。

1.2.5實驗平臺

實驗開發(fā)環(huán)境為：臺式計算機，256 GB的固態(tài)硬盤，CPU為Intel core i7 8700K，內(nèi)存為16 GB,主頻為3.4 GHz；GPU圖像加速處理器為GTX 1070Ti AERO，CUDA8.0并行計算框架，運行環(huán)境為Linux，版本為Ubuntu16.04，Python版本為2.7.12，采用CUDNN5.1版本的深度神經(jīng)網(wǎng)絡(luò)加速庫。在Caffe[26](Convolutional architecture for fast feature embedding)框架上開發(fā)。

1.2.6遷移學(xué)習(xí)

隨機初始化權(quán)值需要花費大量的時間將模型損失值收斂于穩(wěn)定值。遷移學(xué)習(xí)[27]能夠在數(shù)據(jù)集較小的情況下快速適應(yīng)新的任務(wù)。因此采用大數(shù)據(jù)集(ImageNet，1 000類、1×107幅圖像)下訓(xùn)練好的預(yù)訓(xùn)練模型，共享底層結(jié)構(gòu)權(quán)值參數(shù)，然后修改模型的頂層網(wǎng)絡(luò)結(jié)構(gòu)進行微調(diào)。本文采用在ImageNet數(shù)據(jù)集上預(yù)訓(xùn)練的權(quán)重模型作為Faster-RCNN的初始權(quán)重模型。

1.2.7模型訓(xùn)練

本文采用交替優(yōu)化(Alternating optimization)[23]算法訓(xùn)練模型。訓(xùn)練的超參數(shù)為：初始學(xué)習(xí)率base_lr，取0.01；學(xué)習(xí)策略lr_policy選用step均勻分步策略；gamma是base_lr的衰減系數(shù)，gamma用于計算迭代過程中學(xué)習(xí)率，取0.1；stepsize是base_lr的衰減步長，stepsize參數(shù)設(shè)置為5 000，當(dāng)?shù)降?個5 000次時，base_lr第1次衰減，衰減后的base_lr為0.001,以后重復(fù)該過程；display參數(shù)設(shè)置為20，表示每批處理20個圖像樣本；上一次梯度更新的權(quán)重值momentum，用于加速梯度下降，取0.9；權(quán)重衰減項weight_decay用于防止過擬合，取0.000 5；iteration為[20 000 20 000 20 000 20 000]，分別對應(yīng)RPN第1階段、Fast-RCNN第1階段、RPN第2階段、Fast-RCNN第2階段的迭代次數(shù)。

1.2.8評價指標(biāo)

為對肉雞擊暈狀態(tài)分類模型的性能進行評價，選定召回率R(Recall)、精確度P(Precision)、F1測度F1(F1 score)和總準(zhǔn)確率Acc(Accuracy)作為模型預(yù)測性能的評價指標(biāo)，其公式為

(1)

(2)

(3)

(4)

式中TP——真陽性(True positive)，預(yù)測結(jié)果是某個類別中預(yù)測正確的樣本個數(shù)

FP——假陽性(False positive)，預(yù)測結(jié)果是某個類別中預(yù)測錯誤的樣本個數(shù)

TN——真陰性(True negative)，預(yù)測結(jié)果不是某個類別中預(yù)測正確的樣本個數(shù)

FN——假陰性(False negative)，預(yù)測結(jié)果不是某個類別中預(yù)測錯誤的樣本個數(shù)

2 結(jié)果分析

利用所建立的Faster-RCNN肉雞擊暈狀態(tài)分類模型對測試集的773幅肉雞測試樣本的擊暈狀態(tài)類別進行預(yù)測，其結(jié)果如表2所示。由表2可知，基于Faster-RCNN的肉雞擊暈狀態(tài)分類模型對類別a(擊暈不足)的預(yù)測召回率最高，達到97.21%，其原因可能是訓(xùn)練集中該類別樣本數(shù)大于其他兩個類別，使得召回率虛高。模型對類別b(有效擊暈)的預(yù)測召回率次之，為96.71%。；對類別c(過度擊暈)的預(yù)測召回率最低，為95.05%。

表2 Faster-RCNN肉雞擊暈狀態(tài)分類模型分類結(jié)果Tab.2 Classification result of broiler chickens’ stunning status of Faster-RCNN

就模型的總體分類性能而言，F(xiàn)aster-RCNN肉雞擊暈狀態(tài)分類模型對類別b(有效擊暈)的總體分類性能最佳(F1=97.40%),其原因可能是類別b的形態(tài)特征相較于其他兩個類別更易于區(qū)分。

基于Faster-RCNN的肉雞擊暈狀態(tài)分類模型預(yù)測的總準(zhǔn)確率達到96.51%，與文獻[14]中利用BP神經(jīng)網(wǎng)絡(luò)建立的分類模型的準(zhǔn)確率90.11%相比，準(zhǔn)確率提高了6.4個百分點，說明本文提出的基于Faster-RCNN的肉雞擊暈狀態(tài)分類模型能有效提高肉雞擊暈狀態(tài)識別與分類的準(zhǔn)確率。在GPU上預(yù)測單幅圖像花費的平均時間為0.095 4 s，每小時可以完成超過37 000只肉雞的擊暈狀態(tài)檢測。

圖3為Faster-RCNN肉雞擊暈狀態(tài)分類模型的結(jié)果，將原標(biāo)注框載入與預(yù)測框位置作比較，比較兩個模型在預(yù)測中定位的準(zhǔn)確性。其中綠色框為原標(biāo)注框，黃色框為預(yù)測結(jié)果框。由圖可知，所建立的Faster-RCNN肉雞擊暈狀態(tài)分類模型能有效地檢測出肉雞經(jīng)過電擊暈環(huán)節(jié)后的擊暈狀態(tài)，而且其預(yù)測框范圍與原標(biāo)注框基本一致，說明建立的Faster -RCNN肉雞擊暈狀態(tài)分類模型可以有效地完成肉雞擊暈狀態(tài)的檢測任務(wù)。

圖3 Faster-RCNN肉雞擊暈狀態(tài)分類模型的分類結(jié)果Fig.3 Classification result graph of Faster-RCNN-based stunning state classification model for broiler chickens

3 結(jié)束語

為了實現(xiàn)實時檢測肉雞經(jīng)過電擊暈環(huán)節(jié)后的擊暈狀態(tài)，提出了基于快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(Faster-RCNN)的肉雞擊暈狀態(tài)檢測方法，建立了基于Faster-RCNN的肉雞擊暈狀態(tài)分類模型并進行實驗驗證。研究表明，本文建立的基于Faster-RCNN的肉雞擊暈狀態(tài)分類模型對肉雞擊暈狀態(tài)分類的總準(zhǔn)確率達到96.51%，與文獻[14]方法相比，準(zhǔn)確率提高了6.4個百分點。對肉雞擊暈狀態(tài)的預(yù)測速度可達每小時37 000只，基本滿足肉雞屠宰生產(chǎn)線要求，為后續(xù)研制肉雞擊暈狀態(tài)在線檢測系統(tǒng)提供了理論支持。