CN113177544A - 一种罗非鱼加工过程损伤、血污残留的检测方法 - Google Patents

Abstract

本发明属于机器视觉技术领域，具体涉及一种罗非鱼加工过程损伤、血污残留的检测方法，更具体地，涉及一种基于决策树分类的罗非鱼加工过程轻微损伤、鳃盖损伤和血污的检测方法。该方法能够通过构建基于加工罗非鱼图像中质量缺陷区域内平均像素点的色相H、饱和度S、明度L特征量的DT分类模型，能够准确识别罗非鱼在去鳞和去脏的过程中产生的轻微损伤、鳃盖损伤和血污，且能为罗非鱼生产线机器视觉检测提供理论基础，具有较高的工程实用价值。

Description

一种罗非鱼加工过程损伤、血污残留的检测方法

技术领域

本发明属于机器视觉技术领域，具体涉及一种罗非鱼加工过程损伤、血污残留的检测方法，更具体地，涉及一种基于决策树(Decision Tress，DT)分类的罗非鱼加工过程轻微损伤、鳃盖损伤和血污的检测方法。

背景技术

罗非鱼的肉味鲜美、肉质细嫩，含有多种不饱和脂肪酸和丰富的蛋白质。目前罗非鱼是世界水产业重点科研培养的淡水养殖鱼类，且被誉为未来动物性蛋白质的主要来源之一。除了鲜食外，罗非鱼的加工产品主要是冻鱼片和冻全鱼，故去鳞和去脏是罗非鱼产品的首要加工过程。已知罗非鱼在去鳞和去脏的加工过程中会有不同程度的损伤，如“轻微损伤(鱼体表面黑膜磨损或无黑膜，但体表无伤口)”、“鳃盖损伤(鱼头鳃盖膜磨损或鳃盖有轻微裂纹)”和“血污(鱼体受损，体表带有血渍)”。这些不同程度的损伤会对罗非鱼的后续加工造成影响，故针对罗非鱼加工过程中产生的轻微损伤、鳃盖损伤和血污的检测具有重要的研究意义。

目前针对罗非鱼生产线加工产生的鱼体轻微损伤、鳃盖损伤和血污多采用人工检测方法(生产线工人主观评判后手动挑拣)，机器视觉检测作为一种新型的无损检测方法在罗非鱼生产线上应用相对较少。已知人工检测方法具有检测准确率高、检测结果可靠等特点，但人工检测方法耗时费力、效率低，且人为因素影响较大。相较于人工检测方法，机器视觉检测不仅具有省时省力、效率高的特点，而且具有检测准确率高、检测结果客观全面和环境适应性强等特点，有利于罗非鱼生产线面向更加智能化的方向发展。

实验表明，罗非鱼在去鳞和去脏的过程中，鱼身轻微损伤、鳃盖损伤和血污是三种常见的加工质量缺陷，且在紫外灯照射下，三种加工质量缺陷区域分别有不同的颜色差异。故基于紫外灯条件下，对加工罗非鱼进行图像采集，提取图像中质量缺陷区域内平均像素点的色相(Hue)、饱和度(Saturation)、明度(Lightness)即：H、S、L为颜色特征量来判别罗非鱼加工过程中产生的轻微损伤、鳃盖损伤和血污具有重要的研究意义。已知决策树(DT)是一种监督型机器学习方法，它能对已确定的样本属性和类别进行学习，构建一种自上至下的树型结构。通过内部节点进行属性测试，以各分支代表输出、各叶子节点代表类别的方式进行模型创建，具有分类速度快、分类精度高、易于被人理解等特点，是一种较好的分类学习方法。文献“秦之湄，熊阳欣，费怡等.基于决策树的城市在用车环检首检结果预测模型研究[J/OL].环境科学学报:1-10[2021-04-07].”中使用决策树方法，建立以车龄、排放规格、燃料规格、车辆类别、车辆品牌等七个特征量的城市用车首检结果预测模型，实现了城市用车的首检合格与否进行预测；“石颉，丁飞，申海锋等.电力互感器智能诊断系统及基于决策树分类的诊断方法.202011146437.8[P].”中利用电力互感器关键部位的三个特征属性：电流、温度和异响，建立决策树预测模型，能偶对电力互感器出现的二次回路开路、过负荷、绝缘损坏、其余故障和正常情况进行判别。

本发明提供了一种基于决策树分类模型的罗非鱼加工过程损伤和血污残留的检测方法。该方法是基于提取加工罗非鱼图像中质量缺陷区域内平均像素点的H、S、L特征量，将其作为分类判别的颜色特征量，建立DT分类学习模型，对罗非鱼在去鳞和去脏的加工过程中产生的轻微损伤、鳃盖损伤和血污进行判别，具有重要的工程实用价值。

发明内容

本发明的目的是针对罗非鱼在去鳞和去脏的加工过程中产生的轻微损伤、鳃盖损伤和血污进行识别，提出了一种基于DT方法的罗非鱼加工过程损伤和血污残留的检测方法。该方法能够对加工罗非鱼轻微损伤、鳃盖损伤和血污等三种质量缺陷区域进行判别。

本发明提供的一种罗非鱼加工过程损伤、血污残留的检测方法，包括：

一种罗非鱼加工过程损伤、血污残留的检测方法，其包括以下步骤：

步骤1、获取紫外灯条件下加工罗非鱼图像，分别提取图像中轻微损伤区域、鳃盖损伤区域和血污区域内各自的平均像素点的色相H、饱和度S、明度L特征量，并保存；

步骤2、将步骤1)中获得的色相H、饱和度S、明度L特征量，根据轻微损伤、鳃盖损伤和血污的类别，分别分成训练集样本和测试集样本；

步骤3、使用MATLAB中randperm函数，将步骤2)中的训练集样本和测试集样本进行随机化处理，使样本分到训练集和测试集的概率相同；

步骤4、将步骤3)中的经随机化处理的训练集样本进行决策树构建，测试集样本进行准确率验证；所述步骤4)中，决策树的构建采用CART算法，其中CART算法的Gini系数运算式为：

式中：M为分类数，P_m为样本点属于第m类的概率。

进一步地，所述的步骤1包括：

步骤1.1、加工罗非鱼图像获取：

基于暗箱、紫外灯、滤光片、工业相机和传送带搭建了罗非鱼图像采集系统，对放置在传送带上的加工罗非鱼送至暗箱内进行图像采集；其中紫外灯为图像采集光源，滤光片放置于紫外灯上，用于过滤杂光，工业相机对加工罗非鱼图像进行自动采集，触发模式为软件触发；

步骤1.2、色相H、饱和度S、明度L特征量获取：将步骤1.1)中得到的加工罗非鱼的样品图像进行去噪声处理和超像素分割，分别提取经去噪声处理和超像素分割后获得的图像中轻微损伤区域、鳃盖损伤区域和血污区域内平均像素点的色相H、饱和度S、明度L特征量，其中：

轻微损伤区域、鳃盖损伤区域或血污区域内平均像素点的色相H、饱和度S、明度L特征量计算式分别为：

式中，K为轻微损伤区域、鳃盖损伤区域或血污区域内像素点的个数，i为轻微损伤区域、鳃盖损伤区域或血污区域内像素点数，H_i为轻微损伤区域、鳃盖损伤区域或血污区域内第i像素点的色相特征量，S_i为轻微损伤区域、鳃盖损伤区域或血污区域内第i像素点的饱和度特征量，L_i为轻微损伤区域、鳃盖损伤区域或血污区域内第i像素点的明度特征量。

进一步地，所述的步骤2中，训练集样本和测试集样本比例为3:1。

进一步地，所述的步骤4中，所述的决策树包括四层结构，第一层，包括一个节点：第一层第一节点；第二层，包括2个节点：第二层第一个节点，第二层第二个节点；第三层，包括2个节点：第三层第一个节点，第三层第二个节点；第四层，包括2个节点：第四层第一个节点，第四层第二个节点；

所述第一层第一节点，即根节点，输入样本属性明度L，第一层节点生成2个新的节点树：“第一层第一节点-第二层第一节点”节点树，其判断准则为：明度L＜0.383，第二层第一节点为：输出结果3，即鳃盖损伤，第二层第一节点不再生成新的节点树；“第一层第一节点-第二层第二节点”节点数，其判断准则为：明度L≥0.383，第二层第二节点为输入样本属性色相H；

所述第二层第二节点生成2个节点树：“第二层第二节点-第三层第一节点”节点树，其判断准则为：色相H＜293.8，第三层第一节点为样本输入属性色相H；“第二层第二节点-第三层第二节点”节点树，其判断准则为色相H≥293.8，第三层第二节点为：输出结果2，即血污，第三层第二节点不再生成新的节点树；

所述第三层第一节点生成2个节点树：“第三层第一节点-第四层第一节点”节点树，其判断准则为色相H＜112.5，第四层第一节点为：输出结果2，即血污，第四层第一节点不再生成新的节点树；“第三层第一节点-第四层第二节点”节点树，其判断准则为：色相H≥112.5，第四层第二节点为：输出结果1，即轻微损伤，第四层第二节点不再生成新的节点树。

本发明的效果和益处是：

本发明提供一种罗非鱼加工过程损伤、血污残留检测方法。该方法能够通过构建基于加工罗非鱼图像中质量缺陷区域内平均像素点的色相H、饱和度S、明度L特征量的DT分类模型，能够准确识别罗非鱼在去鳞和去脏的过程中产生的轻微损伤、鳃盖损伤和血污，且能为罗非鱼生产线机器视觉检测提供理论基础，具有较高的工程实用价值。

附图说明

图1为本发明实施例的罗非鱼轻微损伤、鳃盖损伤和血污的检测方法框图；

图2为本发明实施例的DT构建流程图；

图3为本发明实施例的DT分类结果图；

图4为本发明实施例的测试集验证可视化图。

具体实施方式

以下结合附图和技术方案，进一步说明本发明的具体实施方式。

实施例：

图1为本发明实施例的罗非鱼轻微损伤、鳃盖损伤和血污的检测方法框图；在本实施例中，罗非鱼加工过程损伤、血污残留的检测方法，其包括以下步骤：

步骤1、获取紫外灯条件下加工罗非鱼图像，分别提取图像中轻微损伤区域、鳃盖损伤区域和血污区域内各自的平均像素点的色相H、饱和度S、明度L特征量，并将其保存至excel中。

进一步地，步骤1包括：

步骤1.1、加工罗非鱼图像获取：基于暗箱、紫外灯、滤光片、工业相机和传送带搭建了罗非鱼图像采集系统，对放置在传送带上的加工罗非鱼送至暗箱内进行图像采集。其中紫外灯为图像采集光源，滤光片放置于紫外灯上，用于过滤杂光，工业相机对加工罗非鱼图像进行自动采集，触发模式为软件触发。

步骤1.2、色相H、饱和度S、明度L特征量获取：将步骤1.1)中得到的加工罗非鱼的样品图像进行去噪声处理和超像素分割，分别提取经去噪声处理和超像素分割后获得的图像中轻微损伤区域、鳃盖损伤区域和血污区域内平均像素点的色相H、饱和度S、明度L特征量，其中：

轻微损伤区域、鳃盖损伤区域或血污区域内平均像素点的色相H、饱和度S、明度L特征量计算式分别为：

式中，K为轻微损伤区域、鳃盖损伤区域或血污区域内像素点的个数，i为轻微损伤区域、鳃盖损伤区域或血污区域内像素点数，H_i为轻微损伤区域、鳃盖损伤区域或血污区域内第i像素点的色相特征量，S_i为轻微损伤区域、鳃盖损伤区域或血污区域内第i像素点的饱和度特征量，L_i为轻微损伤区域、鳃盖损伤区域或血污区域内第i像素点的明度特征量。

步骤2、将步骤1)中获得的色相H、饱和度S、明度L特征量，根据轻微损伤、鳃盖损伤和血污的类别，分别分成训练集样本和测试集样本；其中，训练集样本和测试集样本比例为3:1。

在本实施例中，提取加工罗非鱼图像中轻微损伤区域、鳃盖损伤区域和血污区域内平均像素点的色相H、饱和度S、明度L特征量，根据三种加工质量缺陷类别不同，将色相H、饱和度S、明度L特征量分别分成训练集样本和测试集样本，并分别保存至excel表格中。

步骤3、使用MATLAB中randperm函数，将步骤2)中的训练集样本和测试集样本进行随机化处理，使样本分到训练集和测试集的概率相同，提高模型的泛化能力。

在本实施例中，获取步骤2)中在excel表格中的训练集样本和测试集样本，将其进行随机化处理，使样本分入训练集和测试集的概率相同，保证DT模型构建的随机性。样本进行随机化处理后，训练集样本用于依据CART算法构建DT分类模型，测试集样本用于验证模型的分类结果，并对DT模型的分类准确性进行验证。

步骤4、将步骤3)中的经随机化处理的训练集样本进行决策树构建，测试集样本进行准确率验证。所述步骤4)中，决策树的构建采用CART算法，其中CART算法的Gini系数运算式为：

式中：M为分类数，P_m为样本点属于第m类的概率。

图2为DT构建流程图。如图2所示，在本实施例中，将加工罗非鱼图像中轻微损伤、鳃盖损伤和血污三种加工质量缺陷内平均像素点的色相H、饱和度S、明度L特征量作为DT构建模型的输入样本。其中三种类别各取30个样本作为训练样本，即90个训练样本；同时在三种类别中各取10个样本作为测试样本，即30个测试样本。将训练样本和测试样本进行随机化处理后，90个训练样本依据CART算法构建DT分类模型。DT分类模型构建完成后，将30个测试样本输入模型中进行准确率验证。

图3为DT分类结果图。在本实施例中，如图3所示，决策树的结构采用自上至下的建树方式，其中节点对应于分类对象的属性，由某一节点引出的分支对应属性的取值，叶子节点对应于分类的结果。如色相H和明度L为分类的属性；数字1、2和3为叶子节点，分别代表轻微损伤、血污和鳃盖损伤。

具体而言，决策树包括四层结构，第一层，包括一个节点：第一层第一节点；第二层，包括2个节点：第二层第一个节点，第二层第二个节点；第三层，包括2个节点：第三层第一个节点，第三层第二个节点；第四层，包括2个节点：第四层第一个节点，第四层第二个节点。

所述第一层第一节点(根节点)输入样本属性明度L，第一层节点生成2个新的节点树：“第一层第一节点-第二层第一节点”节点树，其判断准则为：明度L＜0.383，第二层第一节点为：输出结果3(鳃盖损伤)，第二层第一节点不再生成新的节点树；“第一层第一节点-第二层第二节点”节点数，其判断准则为：明度L≥0.383，第二层第二节点为输入样本属性色相H；

所述第二层第二节点生成2个节点树：“第二层第二节点-第三层第一节点”节点树，其判断准则为：色相H＜293.8，第三层第一节点为样本输入属性色相H；“第二层第二节点-第三层第二节点”节点树，其判断准则为色相H≥293.8，第三层第二节点为：输出结果2(血污)，第三层第二节点不再生成新的节点树；

所述第三层第一节点生成2个节点树：“第三层第一节点-第四层第一节点”节点树，其判断准则为色相H＜112.5，第四层第一节点为：输出结果2(血污)，第四层第一节点不再生成新的节点树；“第三层第一节点-第四层第二节点”节点树，其判断准则为：色相H≥112.5，第四层第二节点为：输出结果1(轻微损伤)，第四层第二节点不再生成新的节点树。由此，可以说明构建的DT能够对三种加工质量缺陷进行分类。

图4为测试集验证可视化图。由图3可知DT在属性判别中用到了色相H特征量和明度L特征量而没有用饱和度S特征量，故根据DT属性判别准则，构造了H-L的坐标系，将测试集样本对DT模型的分类结果进行验证。由图4所示，横坐标为色相H特征量，范围为[0°,360°]；纵坐标为明度L特征量，范围为[0,1]。根据图3所示分类规则将30个测试样本数据投射到H-L坐标系上，能够对罗非鱼轻微损伤、鳃盖损伤和血污三个加工质量缺陷进行识别。

表1为本发明实施例的测试集分类统计表，表2为本发明实施例的DT分类准确率验证表。

表1测试集样本分类表

表2 DT分类准确率评估表

以上示例性实施方式所呈现的描述仅用以说明本发明的技术方案，并不想要成为毫无遗漏的，也不想要把本发明限制为所描述的精确形式。显然，本领域的普通技术人员根据上述教导做出很多改变和变化都是可能的。选择示例性实施方式并进行描述是为了解释本发明的特定原理及其实际应用，从而使得本领域的其它技术人员便于理解、实现并利用本发明的各种示例性实施方式及其各种选择形式和修改形式。本发明的保护范围意在由所附权利要求书及其等效形式所限定。

Claims (5)

1.一种罗非鱼加工过程损伤、血污残留的检测方法，其特征在于，所述的罗非鱼加工过程损伤、血污残留的检测方法包括以下步骤：

步骤1、获取紫外灯条件下加工罗非鱼图像，分别提取图像中轻微损伤区域、鳃盖损伤区域和血污区域内各自的平均像素点的色相H、饱和度S、明度L特征量，并保存；

步骤2、将步骤1)中获得的色相H、饱和度S、明度L特征量，根据轻微损伤、鳃盖损伤和血污的类别，分别分成训练集样本和测试集样本；

步骤3、使用MATLAB中randperm函数，将步骤2)中的训练集样本和测试集样本进行随机化处理，使样本分到训练集和测试集的概率相同；

步骤4、将步骤3)中的经随机化处理的训练集样本进行决策树构建，测试集样本进行准确率验证；所述步骤4)中，决策树的构建采用CART算法，其中CART算法的Gini系数运算式为：

式中：M为分类数，P_m为样本点属于第m类的概率。

2.根据权利要求1所述的罗非鱼加工过程损伤、血污残留的检测方法，其特征在于，所述的步骤1包括：

步骤1.1、加工罗非鱼图像获取：

基于暗箱、紫外灯、滤光片、工业相机和传送带搭建了罗非鱼图像采集系统，对放置在传送带上的加工罗非鱼送至暗箱内进行图像采集；其中紫外灯为图像采集光源，滤光片放置于紫外灯上，用于过滤杂光，工业相机对加工罗非鱼图像进行自动采集，触发模式为软件触发；

步骤1.2、色相H、饱和度S、明度L特征量获取：将步骤1.1)中得到的加工罗非鱼的样品图像进行去噪声处理和超像素分割，分别提取经去噪声处理和超像素分割后获得的图像中轻微损伤区域、鳃盖损伤区域和血污区域内平均像素点的色相H、饱和度S、明度L特征量，其中：

轻微损伤区域、鳃盖损伤区域或血污区域内平均像素点的色相H、饱和度S、明度L特征量计算式分别为：

式中，K为轻微损伤区域、鳃盖损伤区域或血污区域内像素点的个数，i为轻微损伤区域、鳃盖损伤区域或血污区域内像素点数，H_i为轻微损伤区域、鳃盖损伤区域或血污区域内第i像素点的色相特征量，S_i为轻微损伤区域、鳃盖损伤区域或血污区域内第i像素点的饱和度特征量，L_i为轻微损伤区域、鳃盖损伤区域或血污区域内第i像素点的明度特征量。

3.根据权利要求1或2所述的罗非鱼加工过程损伤、血污残留的检测方法，其特征在于，所述的步骤2中，训练集样本和测试集样本比例为3:1。

4.根据权利要求1或2所述的罗非鱼加工过程损伤、血污残留的检测方法，其特征在于，所述的步骤4中，所述的决策树包括四层结构，第一层，包括一个节点：第一层第一节点；第二层，包括2个节点：第二层第一个节点，第二层第二个节点；第三层，包括2个节点：第三层第一个节点，第三层第二个节点；第四层，包括2个节点：第四层第一个节点，第四层第二个节点；

所述第一层第一节点，即根节点，输入样本属性明度L，第一层节点生成2个新的节点树：“第一层第一节点-第二层第一节点”节点树，其判断准则为：明度L＜0.383，第二层第一节点为：输出结果3，即鳃盖损伤，第二层第一节点不再生成新的节点树；“第一层第一节点-第二层第二节点”节点数，其判断准则为：明度L≥0.383，第二层第二节点为输入样本属性色相H；

所述第二层第二节点生成2个节点树：“第二层第二节点-第三层第一节点”节点树，其判断准则为：色相H＜293.8，第三层第一节点为样本输入属性色相H；“第二层第二节点-第三层第二节点”节点树，其判断准则为色相H≥293.8，第三层第二节点为：输出结果2，即血污，第三层第二节点不再生成新的节点树；

所述第三层第一节点生成2个节点树：“第三层第一节点-第四层第一节点”节点树，其判断准则为色相H＜112.5，第四层第一节点为：输出结果2，即血污，第四层第一节点不再生成新的节点树；“第三层第一节点-第四层第二节点”节点树，其判断准则为：色相H≥112.5，第四层第二节点为：输出结果1，即轻微损伤，第四层第二节点不再生成新的节点树。

5.根据权利要求3所述的罗非鱼加工过程损伤、血污残留的检测方法，其特征在于，所述的步骤4中，所述的决策树包括四层结构，第一层，包括一个节点：第一层第一节点；第二层，包括2个节点：第二层第一个节点，第二层第二个节点；第三层，包括2个节点：第三层第一个节点，第三层第二个节点；第四层，包括2个节点：第四层第一个节点，第四层第二个节点；

所述第一层第一节点，即根节点，输入样本属性明度L，第一层节点生成2个新的节点树：“第一层第一节点-第二层第一节点”节点树，其判断准则为：明度L＜0.383，第二层第一节点为：输出结果3，即鳃盖损伤，第二层第一节点不再生成新的节点树；“第一层第一节点-第二层第二节点”节点数，其判断准则为：明度L≥0.383，第二层第二节点为输入样本属性色相H；

所述第二层第二节点生成2个节点树：“第二层第二节点-第三层第一节点”节点树，其判断准则为：色相H＜293.8，第三层第一节点为样本输入属性色相H；“第二层第二节点-第三层第二节点”节点树，其判断准则为色相H≥293.8，第三层第二节点为：输出结果2，即血污，第三层第二节点不再生成新的节点树；

所述第三层第一节点生成2个节点树：“第三层第一节点-第四层第一节点”节点树，其判断准则为色相H＜112.5，第四层第一节点为：输出结果2，即血污，第四层第一节点不再生成新的节点树；“第三层第一节点-第四层第二节点”节点树，其判断准则为：色相H≥112.5，第四层第二节点为：输出结果1，即轻微损伤，第四层第二节点不再生成新的节点树。

Images