CN103729623A - 一种家禽电击晕效果的判定方法 - Google Patents
一种家禽电击晕效果的判定方法 Download PDFInfo
- Publication number
- CN103729623A CN103729623A CN201310726058.XA CN201310726058A CN103729623A CN 103729623 A CN103729623 A CN 103729623A CN 201310726058 A CN201310726058 A CN 201310726058A CN 103729623 A CN103729623 A CN 103729623A
- Authority
- CN
- China
- Prior art keywords
- image
- poultry
- sample
- electric shock
- dizzy
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种家禽电击晕效果的判定方法,其特征在于:包括图像采集、图像处理、家禽电击晕晕厥比例模型的建模和家禽电击晕晕厥比例的测试四个步骤。本发明提供的一种家禽电击晕效果的判定方法,利用图像处理与BP神经网络模型相结合来自动判定家禽晕厥比例和晕厥等级,根据判定得出的晕厥比例和晕厥等级,对水浴电解槽中的击晕电压进行调节,使每一只家禽都处于最佳的电击晕状态,提高家禽宰杀质量并保证家禽的食用品质。
Description
技术领域
本发明涉及一种家禽电击晕效果的判定方法,尤其涉及一种利用图像处理与数学模型相结合来判定家禽电击晕效果的方法。
背景技术
电击晕(电麻)是家禽家畜屠宰加工工序中的一个重要环节,在家禽宰杀前,通过瞬间击晕,除了可以有效防止家禽因紧张扑翅而造成的断翅和淤血,使家禽便于屠宰以外,也是促进放血,有效保证产品品质的手段。随着计算机硬件技术、人工智能技术、机器视觉与图像处理技术的发展,以及世界各国对肉鸡宰前击晕体系的完善,越来越多的现代科技与传统电击晕技术相结合。但是,目前电击晕家禽的方法很多,但是,尚未发现判定家禽电击晕效果的方法,由于电击晕程度不同对家禽肉质的色泽、pH值、保水性、嫩度、营养度以及放血量和放血速度的影响均不同,故保持家禽处于最佳的电击晕程度能够保证家禽的食用品质和营养程度,所以,目前急需一种对家禽电击晕效果的判定方法。本发明利用图像处理与BP(Back Propagation)神经网络模型相结合的方法来判定家禽电击晕效果,BP神经网络模型是一种按误差逆传播算法训练的多层前馈网络,是目前应用最广泛的神经网络模型之一,BP神经网络能学习和存贮大量的输入-输出模式映射关系,而无需事前揭示描述这种映射关系的数学方程,它的学习规则是使用最速下降法,通过反向传播来不断调整网络的权值和阈值,使网络的误差平方和最小。
发明内容
本发明所要解决的技术问题是,提供一种家禽电击晕效果的判定方法,利用图像处理与数学模型相结合的方法来判定家禽电击晕效果,有效保证了家禽电击晕效果的一致性。
为解决上述技术问题,本发明采用的技术方案为:
一种家禽电击晕效果的判定方法,其特征在于:具体包括以下步骤:
一、图像采集:利用工业相机连续采集被水浴电解槽电击晕的家禽图像,每张图像上包含4只家禽,获得原始图像;
二、图像处理:将所述原始图像由所述工业相机传输至工控机,所述工控机内设置有图像模型转换模块、图像背景处理模块和图像特征参数提取模块,各模块的功能如下:
图像模型转换模块:用于将所述原始图像由RGB模型转换为HSV模型,同时将所述原始图像进行灰度化处理,获得初级处理图像;
图像背景处理模块:用于将所述初级处理图像的背景去除,获得二级处理图像;
图像特征参数提取模块:用于将所述二级处理图像进行特征参数提取操作,依次包括孔洞填充和去除小区域的操作,获得分割样本图像及特征参数;
三、家禽电击晕晕厥比例模型的建模:将所述分割样本图像进行BP神经网络模型的建模,用于建模的所述分割样本图像的个数大于240个,所述BP神经网络模型包括输入层、隐含层和输出层,各层的功能如下:
输入层:用于输入所述分割样本图像的特征参数;
隐含层:用于计算一个连续函数来确定输入层和输出层的非线性关系;
输出层:用于输出家禽电击晕晕厥比例,根据输出的家禽电击晕晕厥比例设定家禽晕厥等级为1~5级;
四、家禽电击晕晕厥比例的测试:利用所述BP神经网络模型来计算家禽的晕厥比例和晕厥等级,用于测试的测试样本的个数大于60个,所述测试样本为所述分割样本图像。
从所述分割样本图像中获得的特征参数包括总面积、最大区域面积、平均面积和连通个数,各特征参数的概念如下:
总面积:指的是所述分割样本图像中实验个体像素总和,所述实验个体为4只家禽;
最大区域面积:指所述分割样本图像中最大区域的像素数,所述最大区域即为最大实验个体或相连的2~4实验个体;当4个实验个体都分开时,最大区域为面积最大的实验个体;当4个实验个体未分开时,最大区域为相连的2~4实验个体;
连通个数:指所述分割样本图像中样本分割区域的个数,所述样本为单个家禽;当样本全部被电击晕时,样本分割区域为4个,则连通个数为4;当样本未被全部电击晕时,样本分割区域小于4个,则连通个数小于4;
平均面积:指的是总面积与连通个数之比。
所述工业相机两侧均设置有光源,所述工业相机与所述工控机由传输线相连。
所述光源为卤素光源或惰性气体光源。
本发明经过水浴电解槽电击晕处理的家禽有击晕和未击晕两种表现,击晕的鸡自由垂下,双翅合拢挂在生产线上,在分割样本图像中的显示则为样本分割区域为4个,即一只家禽形成一个分割区域,连通个数为4;而未击晕的家禽则有不同程度的拍打翅膀现象,这样导致在分割样本图像中显示出两个或三个或四个对象连接在一起的现象,若两个对象连接在一起,通过图像处理后则为这两个对象形成一个连通区域,样本分割区域为3个,连通个数为3;若三个对象连接在一起,通过图像处理后则为这三个对象形成一个连通区域,样本分割区域为2个,连通个数为2;若四个对象连接在一起,通过图像处理后则为这四个对象形成一个连通区域,样本分割区域为1个,连通个数为1。连通个数为1~4的分割样本图像均可进行BP神经网络模型运算来计算家禽晕厥比例和晕厥等级,最终确定连通个数为1~3中的哪个个体未被击晕及连通个数为1~4中各个对象的晕厥等级。
BP神经网络是当前在各个领域最为广泛应用的多层状型人工网络模型,由输入层、隐含层和输出层构成。其采用的是反向传播学习算法,经过训练可以对样本不集中的输入给出合适的输出,实现输入和输出之间的任意非线性映射,具有一定的泛化功能。通过BP神经网络构建的模型可以避免各参数的权重带来的主观性,从而提高模型的预测准确性,本发明的判定方法的具体内如如下:
1、样本数据来源
BP神经网络方法建模需要有足够的样本,同时为了避免训练学习过程不发生过拟合,以提高模型的性能和适应性,需将收集到的样本数据随机分成训练样本、检验样本和测试样本。相关研究表明,训练样本过少会造成模型的鲁棒性、适用性较差,因此不能对实测数据进行准确的识别和判定。本发明所采用的判定方法在综合上述因素的基础上,采用300个鸡击晕图像样本进行BP神经网络建模,通过图像处理后获取建模所需的实验数据(总面积、最大区域面积、平均面积、连通个数),其中随机选取240个样本进行模型训练和检验,剩下的60个样本进行测试。
2、传递函数
为了保证BP神经网络模型的非线性,从输入层到隐含层采用S型对数传递函数logsig函数;从隐含层到输出层采用线性函数purlin函数;同时网络采用的调整函数为trainlm函数。
3、BP神经网络拓扑结构
BP神经网络隐含层层数是确定网络层数的关键所在,相关研究表明,当各节点具有不同界限时,对于在闭区间内的一个连续函数可以用一个隐含层的网络来逼近,一个3层的BP神经网络模型可以完成任意n维到m维的映射。所以,本研究中鸡晕阙比例的BP神经网络模型层数为3层,即输入层、隐含层和输出层。输入层和输出层节点数是由模型需要解决的实际问题所决定的,由于本研究鸡分割样本图像处理提取的特征参数有4个,因此模型输入层节点数为4。同理,目标输出为鸡晕阙比例,故模型输出层节点数为1。
BP神经网络的隐含层节点数对BP神经网络预测精度有较大的影响:节点数太少,网络不能很好的学习,需要增加训练次数,训练的精度也受影响;节点数过多,训练时间增加,网络容易过拟合。最佳隐含层节点数选择可参考下列公式:
L<n-1 (1)
L=log2n (3)
式中L----隐含层节点数
m----输出层节点数
n----输入层节点数
a----0~10之间的常数
隐含层节点数的选择参照公式确定大概范围,然后进行建立网络模型进行检验最终确定最佳节点数。本发明通过不同节点建模后的平均误差率来确定节点数,平均误差越低表明节点数越合适。在1~20个节点范围内,本发明当隐含层节点数为6的时候,BP神经网络的平均误差最小为0.0825%,达到最优。由此可以确定鸡晕阙比例BP神经网络模型拓扑结构为4-6-1。
4、BP神经网络模型的建立
通过Matlab软件对上述所确定的神经网络结构及实验数据参数进行训练和检验。此神经网络最大迭代系数为2500,误差性能目标位0.0002,最小训练速率为0.1,动态参数为0.3。将剩下的样本用于训练好的BP神经网络模型测试,得到模拟结果,并和实际结果进行比对,评定模型的准确性。将建好的网络模型保存,以此来对新的样本图片进行鸡晕厥比例判定。
本发明提供的一种家禽电击晕效果的判定装置及判定方法,利用图像处理与BP神经网络模型相结合来判定家禽晕厥比例和晕厥等级,通过判定的晕厥比例和晕厥等级能够调整水浴电解槽和导轨的电击晕家禽的时间和强度,使每一只家禽都处于最佳的电击晕状态,保证家禽的食用品质和营养程度。
附图说明
图1为本发明的判定方法的流程图;
图2为本发明的初级处理图像;
图3为本发明的二级处理图像;
图4为本发明的分割样本图像;
图5为本发明未被电击晕家禽的分割样本图像;
图6为本发明的BP神经网络模型结构示意图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
如图1-6所示,一种家禽电击晕效果的判定方法,其特征在于:具体包括以下步骤:
一、图像采集:利用工业相机连续采集被水浴电解槽电击晕的家禽图像,每张图像上包含4只家禽,获得原始图像;
二、图像处理:将所述原始图像由所述工业相机传输至工控机,所述工控机内设置有图像模型转换模块、图像背景处理模块和图像特征参数提取模块,各模块的功能如下:
图像模型转换模块:用于将所述原始图像由RGB模型转换为HSV模型,同时将所述原始图像进行灰度化处理,获得初级处理图像;
图像背景处理模块:用于将所述初级处理图像的背景去除,获得二级处理图像;
图像特征参数提取模块:用于将所述二级处理图像进行特征参数提取操作,依次包括孔洞填充和去除小区域的操作,获得分割样本图像及特征参数;
三、家禽电击晕晕厥比例模型的建模:将所述分割样本图像进行BP神经网络模型的建模,用于建模的所述分割样本图像的个数大于240个,所述BP神经网络模型包括输入层、隐含层和输出层,各层的功能如下:
输入层:用于输入所述分割样本图像的特征参数;
隐含层:用于计算一个连续函数来确定输入层和输出层的非线性关系;
输出层:用于输出家禽电击晕晕厥比例,根据输出的家禽电击晕晕厥比例设定家禽晕厥等级为1~5级;
四、家禽电击晕晕厥比例的测试:利用所述BP神经网络模型来计算家禽的晕厥比例和晕厥等级,用于测试的测试样本的个数大于60个,所述测试样本为所述分割样本图像。
从所述分割样本图像中获得的特征参数包括总面积、最大区域面积、平均面积和连通个数,各特征参数的概念如下:
总面积:指的是所述分割样本图像中实验个体像素总和,所述实验个体为4只家禽;
最大区域面积:指所述分割样本图像中最大区域的像素数,所述最大区域即为最大实验个体或相连的2~4实验个体;
连通个数:指所述分割样本图像中样本分割区域的个数,所述样本为单个家禽;当样本全部被电击晕时,样本分割区域为4个,则连通个数为4;当样本未被全部电击晕时,样本分割区域小于4个,则连通个数小于4;
平均面积:指的是总面积与连通个数之比。
所述工业相机两侧均设置有光源,所述工业相机与所述工控机由传输线相连。
所述光源为卤素光源。以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (4)
1.一种家禽电击晕效果的判定方法,其特征在于:具体包括以下步骤:
一、图像采集:利用工业相机连续采集被水浴电解槽电击晕的家禽图像,每张图像上包含4只家禽,获得原始图像;
二、图像处理:将所述原始图像由所述工业相机传输至工控机,所述工控机内设置有图像模型转换模块、图像背景处理模块和图像特征参数提取模块,各模块的功能如下:
图像模型转换模块:用于将所述原始图像由RGB模型转换为HSV模型,同时将所述原始图像进行灰度化处理,获得初级处理图像;
图像背景处理模块:用于将所述初级处理图像的背景去除,获得二级处理图像;
图像特征参数提取模块:用于将所述二级处理图像进行特征参数提取操作,依次包括孔洞填充和去除小区域的操作,获得分割样本图像及特征参数;
三、家禽电击晕晕厥比例模型的建模:将所述分割样本图像进行BP神经网络模型的建模,用于建模的所述分割样本图像的个数大于240个,所述BP神经网络模型包括输入层、隐含层和输出层,各层的功能如下:
输入层:用于输入所述分割样本图像的特征参数;
隐含层:用于计算一个连续函数来确定输入层和输出层的非线性关系;
输出层:用于输出家禽电击晕晕厥比例,根据输出的家禽电击晕晕厥比例设定家禽晕厥等级为1~5级;
四、家禽电击晕晕厥比例的测试:利用所述BP神经网络模型来计算家禽的晕厥比例和晕厥等级,用于测试的测试样本的个数大于60个,所述测试样本为所述分割样本图像。
2.根据权利要求1所述的一种家禽电击晕效果的判定方法,其特征在于:从所述分割样本图像中获得的特征参数包括总面积、最大区域面积、平均面积和连通个数,各特征参数的概念如下:
总面积:指的是所述分割样本图像中实验个体像素总和,所述实验个体为4只家禽;
最大区域面积:指所述分割样本图像中最大区域的像素数,所述最大区域为最大实验个体或相连的2~4个实验个体;
连通个数:指所述分割样本图像中样本分割区域的个数,所述样本为单个家禽;当样本全部被电击晕时,样本分割区域为4个,则连通个数为4;当样本未被全部电击晕时,样本分割区域小于4个,则连通个数小于4;
平均面积:指的是总面积与连通个数之比。
3.根据权利要求1所述的一种家禽电击晕效果的判定方法,其特征在于:所述工业相机两侧均设置有光源,所述工业相机与所述工控机由传输线相连。
4.根据权利要求3所述的一种家禽电击晕效果的判定方法,其特征在于:所述光源为卤素光源或惰性气体光源。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310726058.XA CN103729623B (zh) | 2013-12-25 | 2013-12-25 | 一种家禽电击晕效果的判定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310726058.XA CN103729623B (zh) | 2013-12-25 | 2013-12-25 | 一种家禽电击晕效果的判定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103729623A true CN103729623A (zh) | 2014-04-16 |
CN103729623B CN103729623B (zh) | 2016-08-31 |
Family
ID=50453689
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310726058.XA Active CN103729623B (zh) | 2013-12-25 | 2013-12-25 | 一种家禽电击晕效果的判定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103729623B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105913121A (zh) * | 2015-02-23 | 2016-08-31 | 三星电子株式会社 | 神经网络训练方法和设备以及识别方法和设备 |
CN106659171A (zh) * | 2014-08-13 | 2017-05-10 | Csb-系统公司 | 用于肉畜的麻醉检查的装置 |
CN109548839A (zh) * | 2017-09-26 | 2019-04-02 | 容县科学实验研究所 | 一种家禽电击晕效果的判定装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101793887B (zh) * | 2010-01-09 | 2013-03-20 | 中国水产科学研究院黄海水产研究所 | 大菱鲆养殖水质评价的模糊神经网络专家系统的构建方法 |
CN101775434A (zh) * | 2010-04-02 | 2010-07-14 | 天津大学 | 基于bp神经网络的饮用水管网细菌总数快速预测方法 |
CN102599221A (zh) * | 2012-03-19 | 2012-07-25 | 陈坤杰 | 一种智能型家禽自动化屠宰用高频低压电麻机 |
-
2013
- 2013-12-25 CN CN201310726058.XA patent/CN103729623B/zh active Active
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106659171A (zh) * | 2014-08-13 | 2017-05-10 | Csb-系统公司 | 用于肉畜的麻醉检查的装置 |
CN105913121A (zh) * | 2015-02-23 | 2016-08-31 | 三星电子株式会社 | 神经网络训练方法和设备以及识别方法和设备 |
CN105913121B (zh) * | 2015-02-23 | 2021-08-10 | 三星电子株式会社 | 神经网络训练方法和设备以及识别方法和设备 |
CN109548839A (zh) * | 2017-09-26 | 2019-04-02 | 容县科学实验研究所 | 一种家禽电击晕效果的判定装置 |
Also Published As
Publication number | Publication date |
---|---|
CN103729623B (zh) | 2016-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105159216B (zh) | 鸡舍环境氨气浓度智能监测系统 | |
Chen et al. | Feed intake prediction model for group fish using the MEA-BP neural network in intensive aquaculture | |
Biewener | Muscle function in avian flight: achieving power and control | |
Libralato et al. | Novel index for quantification of ecosystem effects of fishing as removal of secondary production | |
CN109034388A (zh) | 一种基于遗传算法优化神经网络的卷烟材料与主流烟气成分的预测模型 | |
Mulia et al. | Hybrid ANN–GA model for predicting turbidity and chlorophyll-a concentrations | |
CN108596212A (zh) | 基于改进布谷鸟搜索优化神经网络的变压器故障诊断方法 | |
Bing | The research of IOT of agriculture based on three layers architecture | |
CN103729623A (zh) | 一种家禽电击晕效果的判定方法 | |
Filgueira et al. | Informing marine spatial planning (MSP) with numerical modelling: a case-study on shellfish aquaculture in Malpeque Bay (Eastern Canada) | |
CN106022471A (zh) | 基于粒子群优化算法的小波神经网络模型船舶横摇实时预测方法 | |
Witting et al. | Population dynamics of walruses in Greenland | |
CN113221447A (zh) | 一种基于改进遗传算法优化bp神经网络的土壤湿度预测方法 | |
Pezy et al. | The environmental impact from an offshore windfarm: Challenge and evaluation methodology based on an ecosystem approach | |
CN106529816A (zh) | 电力线信道的调整方法和系统 | |
Mo et al. | Ecosystem health assessment of Honghu Lake Wetland of China using artificial neural network approach | |
CN109359624B (zh) | 基于神经网络的蛋鸡采食行为的预测方法及预测装置 | |
CN110910263A (zh) | 一种基于ga-bp神经网络粮情监测方法 | |
CN106682651A (zh) | 一种基于神经网络的线缆绝缘皮破损监测方法 | |
Ferri et al. | Post construction monitoring of wind farms: first records of direct impact on bats in Italy | |
Jordán et al. | Strong asymmetrical inter-specific relationships in food web simulations | |
Pirisahragord et al. | Predictive Spatial Distribution Maps of Plant Species Habitats in the Khalejestan Rangelands of Qom province | |
Sathianandan et al. | Managing marine fishery in Kerala through simulation using surplus production model, genetic algorithm and spectral methods | |
Caddy | Conserving spawners and harvesting juveniles: Is this a better alternative to postponing capture until sexual maturity? | |
Dongliang | Research on coverage holes repair in wireless sensor networks based on an improved artificial fish swarm algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |