论文部分内容阅读
鸡胴体质量分级是鸡胴体生产加工和销售前处理的重要工序之一，从整鸡生产线来看，产品分类包装、售价和鸡胴体质量分级情况关系密切。现阶段鸡胴体的质量分级工作还没有做到真正意义上的全程自动化。许多中小型公司以人工称重分级为主，导致效率普遍偏低，分级频繁出现错误。大型屠宰加工企业虽然使用自动化装备进行分级工作，但使用接触式称重方法进行质量分级，导致鸡胴体频繁接触称重仪器造成鸡胴体的二次污染，大大增加了食品的安全风险。考虑到上述情况，市场中急需一种非接触式的分级方式，既要保证准确分级，又要解决鸡胴体二次污染问题。
本文根据图像处理的非接触特性，基于深度相机与机器视觉技术研究鸡胴体质量分级方法。依靠深度相机采集鸡胴体的三维信息，分别基于鸡胴体的三维特征参数和三维加上两维特征参数建立鸡胴体质量等级预测的线性和非线性数学模型，对鸡胴体的质量等级进行预测，主要研究内容和结论如下:
(1)在基于鸡胴体三维特征参数建立质量等级预测的线性数学模型部分，进行两次试验。试验一是基于鸡胴体鸡胸面深度信息，利用kinect2.0深度相机，仅拍摄鸡胸面的鸡胴体，假设鸡胴体的鸡胸面和脊背部面的体积相同，计算出鸡胸面的鸡胴体体积，乘以2倍就是整只鸡胴体的体积，建立鸡胴体体积与质量之间的线性数学模型，质量预测的拟合度达到0.952，分级正确率达到91.4％。试验二是基于鸡胴体鸡胸面及脊背部面深度信息，利用kinect2.0深度相机分别拍摄鸡胴体的鸡胸面和脊背部面，分别计算出鸡胴体鸡胸面和脊背部面的体积，正反两面体积的和就是整只鸡胴体的体积，同样是建立鸡胴体体积与质量之间的线性数学模型，质量预测的拟合度达到0.9983，分级正确率达到95.2％，试验二的质量预测模型的拟合度略优于试验一的预测模型。
(2)在基于三维加上两维特征参数建立质量等级预测的非线性数学模型部分。从预处理后的深度图像中提取出7个描述鸡胴体质量大小的特征量，二维特征参数分别是投影面积Sp、胴体长度Hp、轮廓长度Cp、鸡胸长度Ap、鸡胸宽度Bp、鸡胸面积Ep，三维特征参数是鸡胸深度值Hd。利用3种机器学习方法，分别是随机森林算法(RandomForest,RF)、自适应提升算法(GradientBoosting,GB)、梯度提升算法(AdaBoosting，AB)建立鸡胴体质量等级预测的非线性回归模型，自适应提升算法(GradientBoosting，GB)的R2值为0.9960，RMSE值为0.0390，质量预测模型很明显优于其他模型，而利用自适应提升算法(GradientBoosting，GB)模型进行的质量分级成功率达到95％。
(3)研究设计了鸡胴体质量分级平台，质量分级系统由图像采集部分、图像处理部分、分级执行部分组成。kinect2.0深度相机负责图像采集工作，工控机负责图像预处理工作并对鸡胴体等级进行判定，西门子s7-200PLC负责控制气动装置，全程自动化完成在线质量分级工作。在设计的分级平台上面进行质量分级实验，并对结果进行分析和评价。最后通过两组实验，对该平台在不同输送链运行速度下的分级结果进行测试，结果显示鸡胴体质量分级平台的分级正确率为87.5％。
本文根据图像处理的非接触特性，基于深度相机与机器视觉技术研究鸡胴体质量分级方法。依靠深度相机采集鸡胴体的三维信息，分别基于鸡胴体的三维特征参数和三维加上两维特征参数建立鸡胴体质量等级预测的线性和非线性数学模型，对鸡胴体的质量等级进行预测，主要研究内容和结论如下:
(1)在基于鸡胴体三维特征参数建立质量等级预测的线性数学模型部分，进行两次试验。试验一是基于鸡胴体鸡胸面深度信息，利用kinect2.0深度相机，仅拍摄鸡胸面的鸡胴体，假设鸡胴体的鸡胸面和脊背部面的体积相同，计算出鸡胸面的鸡胴体体积，乘以2倍就是整只鸡胴体的体积，建立鸡胴体体积与质量之间的线性数学模型，质量预测的拟合度达到0.952，分级正确率达到91.4％。试验二是基于鸡胴体鸡胸面及脊背部面深度信息，利用kinect2.0深度相机分别拍摄鸡胴体的鸡胸面和脊背部面，分别计算出鸡胴体鸡胸面和脊背部面的体积，正反两面体积的和就是整只鸡胴体的体积，同样是建立鸡胴体体积与质量之间的线性数学模型，质量预测的拟合度达到0.9983，分级正确率达到95.2％，试验二的质量预测模型的拟合度略优于试验一的预测模型。
(2)在基于三维加上两维特征参数建立质量等级预测的非线性数学模型部分。从预处理后的深度图像中提取出7个描述鸡胴体质量大小的特征量，二维特征参数分别是投影面积Sp、胴体长度Hp、轮廓长度Cp、鸡胸长度Ap、鸡胸宽度Bp、鸡胸面积Ep，三维特征参数是鸡胸深度值Hd。利用3种机器学习方法，分别是随机森林算法(RandomForest,RF)、自适应提升算法(GradientBoosting,GB)、梯度提升算法(AdaBoosting，AB)建立鸡胴体质量等级预测的非线性回归模型，自适应提升算法(GradientBoosting，GB)的R2值为0.9960，RMSE值为0.0390，质量预测模型很明显优于其他模型，而利用自适应提升算法(GradientBoosting，GB)模型进行的质量分级成功率达到95％。
(3)研究设计了鸡胴体质量分级平台，质量分级系统由图像采集部分、图像处理部分、分级执行部分组成。kinect2.0深度相机负责图像采集工作，工控机负责图像预处理工作并对鸡胴体等级进行判定，西门子s7-200PLC负责控制气动装置，全程自动化完成在线质量分级工作。在设计的分级平台上面进行质量分级实验，并对结果进行分析和评价。最后通过两组实验，对该平台在不同输送链运行速度下的分级结果进行测试，结果显示鸡胴体质量分级平台的分级正确率为87.5％。