劉又夫，肖德琴，王春桃

華南農(nóng)業(yè)大學(xué)數(shù)學(xué)與信息學(xué)院/廣東省農(nóng)業(yè)大數(shù)據(jù)工程技術(shù)研究中心，廣東 廣州 510642

引 言

種蛋孵化過(guò)程中的監(jiān)測(cè)對(duì)種蛋的孵化率起重要作用。在孵化過(guò)程中，喪失孵化能力的種蛋會(huì)在孵化箱中變質(zhì)，產(chǎn)生的細(xì)菌會(huì)感染周圍其他正常的蛋[1]。目前種蛋的篩查監(jiān)測(cè)主要以人工照蛋的形式為主[2]，該方法費(fèi)時(shí)費(fèi)力，且易漏檢誤檢。因此當(dāng)務(wù)之急是要基于種蛋的孵化機(jī)理，研發(fā)出一種能對(duì)種蛋孵化過(guò)程進(jìn)行實(shí)時(shí)高效監(jiān)測(cè)的系統(tǒng)，才能取代人工監(jiān)測(cè)，提高監(jiān)測(cè)效率。

目前，人工智能、機(jī)器視覺(jué)技術(shù)逐漸滲透到各個(gè)行業(yè)[3]，在對(duì)種蛋的孵化檢測(cè)方面也逐漸發(fā)展起來(lái)。機(jī)器視覺(jué)技術(shù)具有高效率、低成本、多信息量、綠色、無(wú)損等優(yōu)點(diǎn)，再結(jié)合人工智能算法，擁有取代人工監(jiān)測(cè)種蛋的可能性。Lin等[4]使用熱成像技術(shù)提取單個(gè)種蛋的熱圖像灰度共生矩陣，并結(jié)合種蛋周圍環(huán)境的溫度來(lái)判斷種蛋受精狀況。張偉等[5]將機(jī)器視覺(jué)與敲擊振動(dòng)相結(jié)合，提取種蛋的顏色參數(shù)與敲擊震動(dòng)參數(shù)作為特征向量，使用LVQ神經(jīng)網(wǎng)絡(luò)判別種蛋的受精狀況。祝志慧等[6]提取種蛋RGB圖像的能量、對(duì)比度、相關(guān)性、熵、均勻度等5種特征作為輸入向量構(gòu)建深度置信網(wǎng)絡(luò)模型，用于識(shí)別種蛋中的雞胚性別。但上述試驗(yàn)都存在著限制，一是監(jiān)測(cè)都需在無(wú)背景干擾的條件下進(jìn)行單個(gè)種蛋的分析檢測(cè)，二是監(jiān)測(cè)的種蛋多為側(cè)面，而實(shí)際生產(chǎn)中，雞蛋多以豎立在托盤上的姿勢(shì)為主，因此對(duì)于種蛋側(cè)面的監(jiān)測(cè)意義不大。

針對(duì)上述問(wèn)題，探索了一種基于熱圖像俯視監(jiān)測(cè)種蛋孵化過(guò)程狀態(tài)的方法。該方法是以種蛋的氣室大小變化為監(jiān)測(cè)目標(biāo)。種蛋氣室大小是種蛋孵化過(guò)程中的重要監(jiān)測(cè)指標(biāo)，種蛋氣室大小能反映種蛋孵化過(guò)程的失重量[7-8]、種蛋胚胎的水分蒸發(fā)速度，進(jìn)而能反映種蛋的孵化成功率。由種蛋的熱力學(xué)結(jié)構(gòu)可知，在高溫環(huán)境下，氣室與非氣室部分的外殼會(huì)產(chǎn)生溫差，從而可以在種蛋的蛋殼溫差中反映出種蛋氣室的大小。紅外熱圖像技術(shù)是一種測(cè)量目標(biāo)物體表面溫度的技術(shù)，具有綠色、遠(yuǎn)程以及無(wú)損等優(yōu)點(diǎn)[9-10]。為貼合實(shí)際生產(chǎn)條件，本試驗(yàn)是以雞蛋托盤為背景，結(jié)合Faster-RCNN與BP神經(jīng)網(wǎng)絡(luò)，對(duì)種蛋的熱圖像進(jìn)行目標(biāo)檢測(cè)與圖像分割，實(shí)現(xiàn)對(duì)孵化過(guò)程中種蛋氣室的高效無(wú)損監(jiān)測(cè)。

1 實(shí)驗(yàn)部分

1.1 材料與種蛋孵化方法

試驗(yàn)材料為珠海市裕禾農(nóng)牧有限公司種蛋150枚。種蛋經(jīng)消毒處理后，分5個(gè)托盤置于孵化箱中，每個(gè)托盤30枚種蛋。孵化箱的孵化溫度為37.8 ℃，相對(duì)濕度為68%。托盤每2 h翻轉(zhuǎn)一次。共孵化20 d。

1.2 設(shè)備及種蛋采集方法

使用FLIR T400熱像儀采集種蛋熱圖像。FLIR T400是美國(guó)FILR公司的產(chǎn)品，擁有可視化界面、自動(dòng)定時(shí)拍攝功能。孵化箱擁有自動(dòng)翻蛋、控溫控濕等功能。產(chǎn)品部分參數(shù)如表1所示。

表1 儀器參數(shù)值Table 1 Instrument parameter value

從孵化第5天開(kāi)始圖像采集，熱像儀發(fā)射率設(shè)為0.95。每天采集2次，采集時(shí)間分別為中午12：00與晚上20：00。試驗(yàn)中，是以一個(gè)托盤為拍攝對(duì)象進(jìn)行熱圖像的采集。同一個(gè)托盤熱圖像采集3次。孵化第20天停止采集。

1.3 基于熱圖像的種蛋氣室大小檢測(cè)原理

從熱力學(xué)與傳熱學(xué)的角度分析，種蛋氣室中的物質(zhì)以氣體為主，相較于呈固態(tài)液態(tài)的胚胎部分，氣態(tài)物質(zhì)流動(dòng)性更強(qiáng)，熱阻更低，與外界物質(zhì)能量交換速率更高[11]，且由于胚胎部分自身屬于發(fā)熱源[12]，從而導(dǎo)致種蛋氣室內(nèi)的溫度低于胚胎部分，進(jìn)而導(dǎo)致氣室所在的外殼溫度相較包裹胚胎部分的外殼更低。熱紅外成像技術(shù)的原理是把目標(biāo)對(duì)象表面發(fā)射出的熱輻射場(chǎng)轉(zhuǎn)變?yōu)榛叶葦?shù)字矩陣，因此可使用熱成像技術(shù)獲取種蛋的外殼溫度場(chǎng)，進(jìn)而表征出種蛋的氣室大小。

圖1 采集熱圖像示意圖Fig.1 Collecting thermal images

1.4 種蛋目標(biāo)檢測(cè)方法

為實(shí)現(xiàn)種蛋的個(gè)體監(jiān)測(cè)，先將整個(gè)托盤的種蛋進(jìn)行圖像切分。切分方法是先使用目標(biāo)檢測(cè)算法Faster-RCNN對(duì)種蛋進(jìn)行目標(biāo)檢測(cè)，算法反饋回來(lái)的坐標(biāo)用于切分圖像。Faster-RCNN是任少卿等在2015年Fast-RCNN基礎(chǔ)上作進(jìn)一步改進(jìn)的算法[13]，在Fast-RCNN基礎(chǔ)上添加了RPN網(wǎng)絡(luò)。RPN網(wǎng)絡(luò)生成的候選框也較YOLO與SSD的更精準(zhǔn)[14]。雖然Faster-RCNN算法的檢測(cè)速度較慢，但目標(biāo)檢測(cè)的位置更精準(zhǔn)，能為之后的圖像分割奠定更好的處理?xiàng)l件。因此選用Faster-RCNN作為目標(biāo)檢測(cè)的算法。Faster-RCNN網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 Faster-RCNN結(jié)構(gòu)簡(jiǎn)圖Fig.2 Schematic diagram of Faster-RCNN

種蛋的熱圖像總拍攝數(shù)量為450張，種蛋個(gè)體熱圖像數(shù)量約為13 500張(平均每個(gè)熱圖像中約有30個(gè)種蛋)，由于種蛋作為目標(biāo)對(duì)象與背景差異較大，且形狀較單一，特征較明顯，因此選用較少樣本訓(xùn)練網(wǎng)絡(luò)即可達(dá)到較好的效果。采用隨機(jī)選取的200張種蛋熱圖像，約6 000個(gè)種蛋個(gè)體熱圖像作為訓(xùn)練集，余下的作為測(cè)試集。

經(jīng)過(guò)訓(xùn)練后的網(wǎng)絡(luò)，根據(jù)模型得出的預(yù)測(cè)坐標(biāo)，將熱圖像中的種蛋進(jìn)行轉(zhuǎn)換計(jì)算并切分，并將切分出的種蛋圖片重新調(diào)整為30×30像素的大小，用作下一步的圖像分割。

1.5 種蛋圖像分割算法

種蛋的分割，目的是為了二值化切分后的種蛋圖像，從而計(jì)算氣室與種蛋總體的大小。首先需灰度化切分后的種蛋熱圖像，灰度化的效果直接影響著分割效果。由于種蛋在孵化箱中溫度相對(duì)恒定且較周圍環(huán)境溫度高，可嘗試多通道灰度化進(jìn)行對(duì)比。

圖3 切分流程圖Fig.3 Flow chart of segment

圖4中為隨機(jī)選取的5張種蛋圖，分別使用默認(rèn)值、R通道、G通道以及B通道進(jìn)行灰度化。受熱紅外偽彩選擇的影響，種蛋的熱圖像色調(diào)主要以暖色調(diào)為主，因此B通道的種蛋灰度圖較暗，且種蛋輪廓不明顯，無(wú)助于分割。R通道的種蛋灰度圖雞蛋輪廓明顯，但背景中蛋框也得到了增強(qiáng)，增加了與種蛋混淆的概率，且種蛋氣室輪廓丟失嚴(yán)重，也不適用于分割。G通道保留的信息較多，與默認(rèn)的灰度化效果較接近，雖然G通道的種蛋氣室顏色稍加明顯，但G通道的氣室邊緣出現(xiàn)不規(guī)則現(xiàn)象，因此最終使用默認(rèn)通道作下一步的分割。

圖4 多通道灰度化(a)：默認(rèn)灰度化；(b)：R通道；(c)：G通道；(b)：B通道Fig.4 Multi-channel grayscale(a)：Default grayscale；(b)：R channel； (c)：G channel；(b)：B channel

分割種蛋的方法先使用Otsu算法作嘗試，通過(guò)選定閾值分割圖像，為了適應(yīng)各種條件的分割狀況，采用自適應(yīng)分割的方式。結(jié)果如圖5所示。

圖5 Otsu算法分割圖(a)：種蛋熱圖像；(b)：默認(rèn)灰度化圖；(c)：自適應(yīng)閾值Fig.5 Otsu segment(a)：Thermal image of breeding eggs；(b)：Default grayscale； (c)：Otsu algorithm

由Otsu算法的結(jié)果可看出，自適應(yīng)閾值的方法效果較差，分割結(jié)果存在蛋框，氣室的輪廓形狀走形，如果切分的種蛋熱紅外圖中存在相鄰的種蛋，也會(huì)被分割出。這些缺陷并非能使用傳統(tǒng)的圖像處理來(lái)應(yīng)對(duì)這種復(fù)雜的情況。為了能適應(yīng)這種多變的情形，本工作采用BP神經(jīng)網(wǎng)絡(luò)的方法進(jìn)行圖像的分割。

BP神經(jīng)網(wǎng)絡(luò)在機(jī)器學(xué)習(xí)中，屬于監(jiān)督學(xué)習(xí)類型的算法，監(jiān)督學(xué)習(xí)是通過(guò)標(biāo)注樣本來(lái)擬合模型，具有較好的預(yù)測(cè)能力。BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層以及輸出層構(gòu)成，通過(guò)誤差反向傳播訓(xùn)練網(wǎng)絡(luò)。先前提到的RPN網(wǎng)絡(luò)也用到反向傳播算法進(jìn)行訓(xùn)練。

圖6 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.6 Structure of BP neural network

BP神經(jīng)網(wǎng)絡(luò)的圖像分割就是使用預(yù)先分割完成的掩膜文件進(jìn)行訓(xùn)練。將種蛋熱紅外圖灰度化后，再轉(zhuǎn)換為900維的向量輸入網(wǎng)絡(luò)，輸出也為900維且只有是0與1的向量，將輸出的向量轉(zhuǎn)換為uint8的數(shù)組，再轉(zhuǎn)化為圖片完成分割。

2 結(jié)果與討論

2.1 種蛋熱圖像目標(biāo)檢測(cè)結(jié)果

對(duì)于Faster-RCNN模型的訓(xùn)練，先要對(duì)模型的超參數(shù)進(jìn)行測(cè)試調(diào)整。平均精度均值(mAP)是用于衡量目標(biāo)檢測(cè)模型訓(xùn)練效果的常用指標(biāo)。mAP的公式為

(1)

式中，APone_class表示某一類別目標(biāo)檢測(cè)對(duì)象在所有圖片中的精度均值；Nall_classes表示所有類別目標(biāo)檢測(cè)對(duì)象的數(shù)量。本工作的目標(biāo)檢測(cè)對(duì)象只有一種，因此mAP的值與AP相等。

學(xué)習(xí)速率和動(dòng)量系數(shù)的選取對(duì)模型最終的mAP有很大的影響。通過(guò)選取較常用的幾組學(xué)習(xí)速率和動(dòng)量系數(shù)[15]進(jìn)行優(yōu)化。初始學(xué)習(xí)速率選擇0.1，0.01，0.001以及0.000 1,動(dòng)量系數(shù)選擇0.5，0.9和0.99。調(diào)參測(cè)試結(jié)果如表2所示。

表2 學(xué)習(xí)速率與動(dòng)量系數(shù)組合調(diào)參表Table 2 Learning rate and momentum coefficient

先在不加入動(dòng)量系數(shù)的情況下，測(cè)試不同的學(xué)習(xí)速率對(duì)mAP的影響。在初始學(xué)習(xí)速率為0.1時(shí)，模型的損失函數(shù)值大幅度震蕩，無(wú)法收斂。初始學(xué)習(xí)速率為0.000 1時(shí)，損失函數(shù)收斂過(guò)慢，易陷入局部最小值或在一定的迭代次數(shù)中收斂過(guò)慢而導(dǎo)致模型效果較差，mAP值僅為68%。當(dāng)初始學(xué)習(xí)率調(diào)整為0.01與0.001時(shí)，兩者的mAP值分別為96%與97%，兩者都擁有較好的收斂效果。通過(guò)不加入動(dòng)量系數(shù)的條件下測(cè)試，確定以0.001作為初始學(xué)習(xí)率。三種動(dòng)量系數(shù)經(jīng)過(guò)調(diào)試后，mAP值并未有太大的變化，從小數(shù)點(diǎn)后幾位觀察得知，當(dāng)動(dòng)量系數(shù)為0.99時(shí)，效果最好。

通過(guò)測(cè)試確定了初始學(xué)習(xí)速率為0.001，動(dòng)量系數(shù)為0.99后，對(duì)模型進(jìn)行測(cè)試。使用tensorboard可視化工具觀測(cè)損失函數(shù)值的變化趨勢(shì)。

總損失函數(shù)值是RPN網(wǎng)絡(luò)與Fast-RCNN各自分類與回歸的損失函數(shù)值之和?？倱p失函數(shù)值可以反映兩個(gè)網(wǎng)絡(luò)整體的收斂狀況。兩者的損失函數(shù)值用于各自網(wǎng)絡(luò)的訓(xùn)練。由圖7可知，在迭代到7 000次左右時(shí)，總體的損失函數(shù)值趨于穩(wěn)定。

圖7 總損失函數(shù)值趨勢(shì)圖Fig.7 Trend of total loss function

圖8為測(cè)試集種蛋的檢測(cè)結(jié)果圖。選框的左上角標(biāo)示了置信度。由圖可知，整個(gè)雞蛋盤中的雞蛋基本都可較準(zhǔn)確的檢測(cè)出雞蛋的位置并正確的分類。

圖8 種蛋檢測(cè)結(jié)果圖Fig.8 Result of eggs detection

2.2 種蛋熱圖像分割結(jié)果

由目標(biāo)檢測(cè)的結(jié)果可得到分割后的種蛋個(gè)體熱圖像，經(jīng)過(guò)變形處理后，大小變?yōu)?0×30像素。由前面分析可知，Otsu算法具有局限性，分割的結(jié)果存在嚴(yán)重的背景干擾與氣室輪廓走形的問(wèn)題，因此使用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行分割。

準(zhǔn)備的掩膜文件有240張，其中180張作為訓(xùn)練集，60張作為測(cè)試集。種蛋個(gè)體熱圖像在輸入BP網(wǎng)絡(luò)前，先進(jìn)行灰度化處理，用默認(rèn)的方式灰度化。對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化。通過(guò)F度量來(lái)綜合評(píng)判神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效果。F1度量是一種結(jié)合召回率與精準(zhǔn)率的評(píng)判分類算法效果的指標(biāo)。BP神經(jīng)網(wǎng)絡(luò)的圖像分割算法本質(zhì)是對(duì)每個(gè)像素點(diǎn)進(jìn)行0或1的分類。F1度量的公式為

(2)

式(2)中，P為精確率，表示在混淆矩陣中，分類器將像素點(diǎn)判斷為1的數(shù)量的正確個(gè)數(shù)；R為召回率，表示在混淆矩陣中，所有值為1的像素點(diǎn)中，分類器判斷正確的個(gè)數(shù)。

隱藏層的優(yōu)化結(jié)果如表3所示。在表中隱藏層結(jié)構(gòu)的欄中，是以數(shù)字與逗號(hào)結(jié)合的形式表示神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，數(shù)字表示隱藏層的神經(jīng)元數(shù)量，逗號(hào)表示分層，如“1 000,3 000,1 000”表示三層隱含層，每一層的神經(jīng)元數(shù)量分別為1 000，3 000與1 000。

表3中，網(wǎng)絡(luò)先以初始學(xué)習(xí)率為0.000 1，迭代次數(shù)為1 000進(jìn)行調(diào)參。在網(wǎng)絡(luò)達(dá)到3層時(shí)，BP網(wǎng)絡(luò)的效果基本達(dá)到了穩(wěn)定，神經(jīng)元再增加時(shí)，F(xiàn)1度量變化不大，甚至出現(xiàn)下降的狀況。為使訓(xùn)練過(guò)程加快，選擇“1 000，1 000，1 000”作為最優(yōu)結(jié)構(gòu)。

表3 BP神經(jīng)網(wǎng)絡(luò)隱藏層優(yōu)化表Table 3 Hidden layers’ optimization of BP neural network

確定網(wǎng)絡(luò)的結(jié)構(gòu)后，再對(duì)初始學(xué)習(xí)率與迭代次數(shù)進(jìn)行優(yōu)化。試驗(yàn)使用自適應(yīng)學(xué)習(xí)方式進(jìn)行優(yōu)化，且同樣使用F1度量作為網(wǎng)絡(luò)的效果評(píng)估。

對(duì)BP網(wǎng)絡(luò)的超參數(shù)優(yōu)化，先使用固定1 000次的最大迭代優(yōu)化初始學(xué)習(xí)速率。由表4可知，初始學(xué)習(xí)速率為0.000 1時(shí)，BP網(wǎng)絡(luò)的結(jié)果最好，因此選定0.000 1作為初始學(xué)習(xí)速率。再固定學(xué)習(xí)率，調(diào)試最大迭代次數(shù)，當(dāng)?shù)螖?shù)為500時(shí)，網(wǎng)絡(luò)的效果開(kāi)始趨于穩(wěn)定。所以，超參數(shù)的最終優(yōu)化結(jié)果為初始學(xué)習(xí)率為0.000 1，最大迭代次數(shù)為500。

表4 BP神經(jīng)網(wǎng)絡(luò)超參數(shù)優(yōu)化表Table 4 Hyperparameters’ optimization of BP neural network

圖9為部分種蛋熱圖像的分割結(jié)果。第三列由BP神經(jīng)網(wǎng)絡(luò)分割的圖像與第二列的Otsu算法相比，明顯少了包括來(lái)自臨近的種蛋(第二行與第四行)與孵化托盤的干擾。BP神經(jīng)網(wǎng)絡(luò)所得到的氣室形態(tài)與大小更接近原本熱圖像。

為更直觀的解釋算法的效果，采用F1-Measure作為分割效果的指標(biāo)，用兩種算法作對(duì)比。從測(cè)試集隨機(jī)抽取不同狀態(tài)的30張種蛋熱紅外圖作對(duì)比。由Faster-RCNN的切分結(jié)果看，有部分種蛋的切分圖中，存在部分相鄰種蛋，如圖9中的第二行與第五行。因此將有無(wú)相鄰蛋干擾作為兩種情況分開(kāi)對(duì)比。對(duì)比結(jié)果如表5所示。

圖9 部分種蛋熱圖像分割圖(a)：種蛋熱圖像；(b)：Otsu算法；(c)：BP神經(jīng)網(wǎng)絡(luò)Fig.9 Some segment of egg’s thermal images(a)：Thermal images；(b)：Otsu algorithm； (c)：BP neural network

表5中，使用Otsu算法在處理不同圖像狀況中，相差約7%，而BP神經(jīng)網(wǎng)絡(luò)在作兩種圖像狀況的分割時(shí)，兩者結(jié)果十分相近，基本做到了排除臨近蛋的干擾。從總體算法效果的評(píng)估結(jié)果來(lái)看，BP神經(jīng)網(wǎng)絡(luò)的算法效果為87.02%，遠(yuǎn)優(yōu)于效果為65.25%的Otsu算法。

表5 算法的分割效果對(duì)比Table 5 Comparison of algorithms for segment

2.3 種蛋氣室面積計(jì)算

從BP神經(jīng)網(wǎng)絡(luò)得出的分割圖是一個(gè)只含0和1數(shù)字的矩陣，通過(guò)連通區(qū)域的檢測(cè)將種蛋的整體與氣室分離。在實(shí)際的設(shè)備中，孵化托盤高低、紅外鏡頭的高低和雞蛋大小等因素都會(huì)影響種蛋熱圖像中得出的氣室大小，因此要將氣室大小進(jìn)行歸一化處理后求出氣室面積的相對(duì)大小。從俯視的角度看，種蛋的氣室大小總是小于整蛋的大小，因此歸一化的方式是選擇用氣室的大小除以整個(gè)種蛋的大小。

圖10左方的圖為分割的結(jié)果通過(guò)計(jì)算種蛋整體與氣室分離圖中等于1的像素點(diǎn)數(shù)量，來(lái)表征種蛋整體與氣室的大小，再對(duì)氣室進(jìn)行歸一化。歸一化表達(dá)式如式(3)所示。

圖10 種蛋整體與氣室分離圖Fig.10 Segment’s images of egg and air cell

(3)

式(3)中，Nair為種蛋氣室分離圖像素值等于1的總數(shù)量；Negg為種蛋整蛋分離圖像素值等于1的總數(shù)量。

2.4 種蛋氣室測(cè)量試驗(yàn)

種蛋試驗(yàn)從種蛋孵化的第5天開(kāi)始，孵化時(shí)間持續(xù)20 d，期間通過(guò)熱像儀記錄并觀察氣室的大小變化情況，在第20天停止采集種蛋的熱圖像。種蛋在孵化的過(guò)程中，氣室會(huì)不斷變大。

由圖11可知，實(shí)驗(yàn)中種蛋氣室會(huì)隨著天數(shù)的推移而變大，且不同雞蛋個(gè)體氣室的大小差異隨著天數(shù)的增加而不斷減小。在圖中可觀察出，數(shù)據(jù)結(jié)果表征所有蛋的氣室大小并非完全是每天都在變大，這可能是受到拍攝角度和熱像儀的性能影響，但從另一個(gè)角度說(shuō)明樣本的豐富度也增加了。氣室是一個(gè)立體的空間，會(huì)受到拍攝角度的影響，另一方面，熱像儀的性能會(huì)導(dǎo)致種蛋熱圖像中的氣室部分像素不清晰的現(xiàn)象，影響到算法的分割結(jié)果。在實(shí)際運(yùn)用中，種蛋孵化的監(jiān)測(cè)將是以全自動(dòng)化高精度裝置的形式運(yùn)作，會(huì)減少上述問(wèn)題帶來(lái)的影響。

圖11 種蛋氣室變化Fig.11 Change of air cell size

此外，隨機(jī)選取了20個(gè)種蛋作人工測(cè)量計(jì)算面積系數(shù)，并與熱紅外圖像的面積系數(shù)作相關(guān)性分析。

如圖12所示，使用人工測(cè)量法的結(jié)果與熱紅外測(cè)量法的相關(guān)性系數(shù)R2=0.934 3，擁有較好的相關(guān)性。但依然存在著部分誤差，原因有可能是因?yàn)槿斯y(cè)量誤差與算法生成的誤差造成的。

圖12 人工法與熱紅外法氣室面積系數(shù)相關(guān)性分析Fig.12 Correlation between the artificial measured value and thermal-image measured value

3 結(jié) 論

探索研究出的種蛋氣室大小監(jiān)測(cè)算法，可有效地排除來(lái)自托盤背景和相鄰雞蛋的干擾，且可以較好地提取出種蛋氣室的大小。從氣室監(jiān)測(cè)試驗(yàn)中表明該算法可有效反映出種蛋氣室變大的趨勢(shì)，用人工測(cè)量法與熱紅外測(cè)量法的結(jié)果也有著較好的相關(guān)性，為后期種蛋氣室的數(shù)據(jù)分析工作提供了數(shù)據(jù)基礎(chǔ)。目前算法還存在數(shù)據(jù)量較少的缺陷，因此在后續(xù)試驗(yàn)中會(huì)不斷擴(kuò)充訓(xùn)練樣本而完善模型。對(duì)于種蛋的氣室分割算法也可作進(jìn)一步的優(yōu)化，如使用卷積提取特征[16]、結(jié)合啟發(fā)式算法[17]進(jìn)行優(yōu)化等。而對(duì)于后期的數(shù)據(jù)挖掘分析工作，可將種蛋的溫度特征等數(shù)據(jù)作進(jìn)一步分析。