CN114708233A - 一种用于对猪胴体膘厚进行测量的方法及其相关产品 - Google Patents
一种用于对猪胴体膘厚进行测量的方法及其相关产品 Download PDFInfo
- Publication number
- CN114708233A CN114708233A CN202210376515.6A CN202210376515A CN114708233A CN 114708233 A CN114708233 A CN 114708233A CN 202210376515 A CN202210376515 A CN 202210376515A CN 114708233 A CN114708233 A CN 114708233A
- Authority
- CN
- China
- Prior art keywords
- fat
- pig
- thickness
- image
- measurement
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000005259 measurement Methods 0.000 claims abstract description 99
- 241000282898 Sus scrofa Species 0.000 claims description 129
- 238000005070 sampling Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 210000000845 cartilage Anatomy 0.000 claims description 8
- 235000020989 red meat Nutrition 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 210000001015 abdomen Anatomy 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 11
- 235000015277 pork Nutrition 0.000 description 11
- 238000004519 manufacturing process Methods 0.000 description 9
- 239000000523 sample Substances 0.000 description 9
- 238000001514 detection method Methods 0.000 description 8
- 238000003307 slaughter Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000010365 information processing Effects 0.000 description 6
- 238000000691 measurement method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000004044 response Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 230000008447 perception Effects 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 241000282887 Suidae Species 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 235000013372 meat Nutrition 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 210000003205 muscle Anatomy 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 210000000115 thoracic cavity Anatomy 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 241000283070 Equus zebra Species 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000007822 coupling agent Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 210000003195 fascia Anatomy 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 235000020997 lean meat Nutrition 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A22—BUTCHERING; MEAT TREATMENT; PROCESSING POULTRY OR FISH
- A22B—SLAUGHTERING
- A22B5/00—Accessories for use during or after slaughtering
- A22B5/0064—Accessories for use during or after slaughtering for classifying or grading carcasses; for measuring back fat
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Food Science & Technology (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种用于对猪胴体膘厚进行测量的方法及其相关产品,所述方法包括获取猪胴体图像;将所述猪胴体图像输入图像识别模型进行识别,以确定测量定位点,所述测量定位点包括猪胴体中的肋骨定位位置;根据测量定位点从猪胴体图像中提取膘厚测量区域;以及利用图像像素级求解对膘厚测量区域中的猪膘进行计算,以得到猪膘的厚度。利用本发明的方案,解决了猪胴体膘厚测量效率低、测量误差较大的问题。
Description
技术领域
本发明一般地涉及无接触测量、机器视觉以及图像处理技术领域。更具体地,本发明涉及一种用于对猪胴体膘厚进行测量的方法及其相关产品。
背景技术
脂肪厚度一直为生产瘦肉、肥肉和猪鲜肉的重要指标。随着我国人民生活的改善,提供适当比例的瘦肉和肥肉,满足人民的要求,需要饲养和收购部门准确地测定猪的脂肪发育及厚度参数,以便于有计划的采取对应的养殖措施和产品定级方案,实现对猪肉质量的严格保障。
在畜牧屠宰行业中,背瞟厚度是评定猪肉等级的重要参数指标,是企业在生产过程中必须测量的参数,其能够直接反应猪胴体等级。在行业内,生猪经屠宰、加工的鲜、冻片猪肉对应的背瞟厚度,主要以鲜片猪肉的第六、第七肋骨中间平行至第六胸椎棘突前下方,除皮后的脂肪层厚度(背膘厚)为分级标准。
目前国内外主要通过测量猪肉二分体背瞟厚度来对猪胴体进行定级。
基于此,国内外屠宰企业主要采用以下方法测量猪胴体背膘厚度:
第一种是手工测量。利用人工在生产线上用钢尺测量背膘厚度。具体地,工作人员采用钢尺在鲜猪胴体的第六、第七肋骨中间平行至第六胸椎棘突前下方进行测量并记录膘的厚度。该方法需要测量、记录、盖章的三个工作人员同时配合才能完成屠宰线的胴体定级,存在人工成本高、测量记录存在人为误差以及不同测量人员具有测量偏差的问题。因此,目前所采用的手工测量的方法主观误差大、人工成本高、效率低,难以实现定级的标准化、智能化。
第二种是超声波技术测量。根据超声回波的波纹特征自动识别脂间筋膜位置,进而根据成像结果计算出猪背膘厚度。该测量方法需要将超声探头和背膘直接接触并涂抹超声耦合剂,存在操作困难的缺点,也难以实现大批量推广应用。
第三种是光电探针技术测量。将探针刺入猪胴体内部,检测猪胴体背膘厚度。这种方式需要工作人员不断的拔插探针,基于猪肉本身具有的弹性特性,在拔插探针的过程中会导致猪胴体产生一定的形变量,从而改变被检测参数的大小,导致数据准确率严重下降;同时检测效率比较低等缺点。
第四种是机器视觉技术测量。当前屠宰行业机器视觉技术测量膘厚的工程应用以理论研究为主。通过拍摄劈半后单侧的测量点背膘图像,结合图像识别技术提取灰度线、聚类等方法获取整根肋骨的目标像素特征从而映射到待测量背膘部位进行计算,又或者是通过先验的胴体批次长度和测量位置比例关系定位对应膘厚测量位置信息;此类方案中整根肋骨测量特征提取和背膘测量方法思路非常具有工程应用的参考性;但是应用场景的复杂性整根肋骨特征提取稳定性弱,另外依靠胴体长度及测量位置比例关系定位测量膘厚的浮动误差较大,在屠宰厂生产实际大量应用推广落地上有待改进提升。
以上集中测量方法中,人工测量方法虽然是目前最直接、最为广泛的方法,但是该方法存在人为误差大,用工成本高等缺点。超声模膘厚测量方法需要较为复杂的操作,操作不当会存在较大的测量误差。因此需要专业的人进行操作,不适合生猪屠宰行业的大批量应用。光电探针技术易导致猪胴体形变,具有较大的不确定性,准确率不能保证。目前的基于机器视觉的膘厚测量解决方案都是采用传统的图像处理方案,过于依赖胴体批次、长度等经验值、固定的光线场景和变化不大的猪胴体。算法的鲁棒性较差,达不到大批量生产应用标准。
因此,如何实现快速、准确地猪胴体膘厚测量,对促进完善猪恫体分级系统、提升我国猪胴体品质以及推动我国猪肉行业的发展具有重要作用。
发明内容
为解决上述一个或多个技术问题,本发明提出通过利用图像识别技术快速找出猪胴体图像中的测量定位点,并根据测量定位点准确分割出猪胴体中猪膘厚度区域进行检测计算的方法,从而实现猪胴体膘厚的快速、准确、非接触随线测量。为此,本发明在如下的多个方面中提供方案。
在第一方面中,本发明提供了一种用于对猪胴体膘厚进行测量的方法,包括:获取猪胴体图像;将所述猪胴体图像输入图像识别模型进行识别,以确定测量定位点,所述测量定位点包括猪胴体中的肋骨;根据测量定位点从猪胴体图像中提取膘厚测量区域;以及利用图像像素级求解对膘厚测量区域中的猪膘进行计算,以得到猪膘的厚度。
在一个实施例中,所述将所述猪胴体图像输入图像识别模型进行识别,以确定测量定位点包括:将所述猪胴体图像输入图像识别模型,以得到识别结果,其中所述识别结果包括先验定位点和测量定位点的相对误差;根据所述识别结果确定所述测量定位点的位置信息,所述先验定位点为定位点的经验值。
在一个实施例中,其中定位点是猪腹中第6、7根肋骨。
在一个实施例中,所述根据测量定位点从猪胴体图像中提取膘厚测量区域包括:以所述测量定位点为中心分别向上和向下偏移设定像素值,对所述猪胴体图像进行截取,以得到膘厚测量区域。
在一个实施例中,所述利用图像像素级求解对膘厚测量区域中的猪膘进行计算以得到猪膘的厚度包括:根据图像像素级求解确定所述膘厚测量区域中的猪膘;对所述膘厚测量区域中的猪膘进行采样,以根据采样结果计算所述猪膘的厚度。
在一个实施例中,所述根据图像像素级求解确定所述膘厚测量区域中的猪膘包括:对所述膘厚测量区域进行灰度化处理和二值化处理,以得到二值化图像中的猪膘。
在一个实施例中,所述对所述膘厚测量区域中的猪膘进行采样以根据采样结果计算所述猪膘的厚度包括:通过对所述二值化图像在宽度方向上进行闭合区域的间隔采样,以得到采样结果;根据加权平均算法对所述采样结果进行计算,以得到所述猪膘的厚度。
在一个实施例中,所述方法还包括:对所述猪膘的边界进行检测,以判断边界处是否存在软骨或红肉;响应于所述猪膘的边界处存在软骨或红肉,对所述猪膘的厚度进行补偿。
在第二方面中,本发明还提供了一种用于对猪胴体膘厚进行测量的设备,包括:工业相机、处理器、以及存储器,工业相机用于采集包含待检测膘厚区域的胴体图像原始数据;存储器其用于存储计算机可执行的指令,当所述指令由所述处理器执行时,实现根据前述第一方面中多个实施例所述的方法。
在第三方面中,本发明还提供了一种计算机可读存储介质,其存储有用于对猪胴体膘厚进行测量的程序指令,当所述程序指令由处理器执行时,实现根据前述第一方面中多个实施例所述的方法。
通过本发明的方案,可以根据图像识别技术快速而准确地定位膘厚测量区域,然后利用图像处理技术中得到胴体的实际膘厚值。相较于人工测量的方法、超声波测量方法和光电探针技术测量方法,可以实现对猪胴体无接触式、高速、高精度、随线实时的尺寸测量。相较于现有传统的机器视觉测量方案,本发明中的方法并不依赖胴体批次、长度等,具有较高的鲁棒性。进一步,该方案的测量方法可以用于屠宰厂实际生产线中,具有测量灵活度高的优势。
附图说明
通过参考附图阅读下文的详细描述,本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本发明的若干实施方式,并且相同或对应的标号表示相同或对应的部分,其中:
图1是示意性示出根据本发明的实施例的测量猪胴体膘厚的场景的示意图;
图2是示意性示出根据本发明的实施例的用于对猪胴体膘厚进行测量的方法的示意图;
图3是示意性示出根据本发明的实施例的用于对猪胴体膘厚进行测量的一种方法的示意图;
图4是示意性示出根据本发明的实施例的提取出的膘厚测量区域的示意图;
图5是示意性示出根据本发明的实施例的膘厚测量区域的二值化图像的示意图;
图6是示意性示出根据本发明的实施例的膘厚测量区域中猪膘间隔采样的示意图;
图7是示意性示出根据本发明的实施例的对采样误差进行补偿的方法的示意图;
图8是是示意性示出根据本发明的实施例的用于对猪胴体膘厚进行测量的设备的示意图。
具体实施方式
下面将结合本发明实施方式中的附图,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
应当理解,本发明的权利要求、说明书及附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象,而不是用于描述特定顺序。本发明的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施方式的目的,而并不意在限定本发明。如在本发明说明书和权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。还应当进一步理解,在本发明说明书和权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本说明书和权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
下面结合附图来详细描述本发明的具体实施方式。
图1是示意性示出根据本发明的实施例的测量猪胴体膘厚的场景100的示意图。
如图1所示,根据本发明的方案,可以利用感知设备12采集猪胴体11的图像。在一些实施例中,该感知设备12可以包括照相机和/或摄像机。利用该感知设备12可以采集多张清晰且包含检测区域的背膘图像。该背膘图像中包括从前到后至少7根肋骨的胸腔图像。为了保证测量精度,所采集的猪胴体的图像不允许有可见的重影。在一个实施场景中,可以将该感知设备固定安装于检测区域中,例如猪胴体加工生产线的地面上,并通过螺栓进行固定。在该感知设备安装完成后可以采用标准块进行校准,以得到实际的物理尺寸与图像像素的比例关系。
在利用感知设备获取猪胴体的图像后,将该猪胴体的图像发送至本发明的信息处理中心13。在一些实施例中,此处的信息处理中心13可以实施为计算单元或模块,并且用于执行信息的处理(包括各种数据的融合操作)以及可选地对互联的各类设备进行主控操作。在操作中,信息处理中心13可以根据猪胴体的图像,提取膘厚测量区域,并利用视觉算法模型和图像像素级求解对膘厚测量区域中的猪膘进行计算,以得到猪膘的厚度。由此,本发明的方案为猪膘的厚度的快速而准确地测量提供了可靠的方式。
以上结合图1对本发明的方案进行了描述,可以理解的是上面的描述仅仅是示例性的而非限制性的,本领域技术人员根据本发明的教导可以对图1中所示场景进行改变而不脱离本发明的精神和实质。例如,将该感知设备设置于猪肉产品生产线的上方。
图2是示意性示出根据本发明的实施例的用于对猪胴体膘厚进行测量的方法200的示意图。可以理解的是图2中所示出的方法流程可以在图1中所示出的示例性场景中实施,因此关于图1所描述内容(例如关于感知设备)也同样适用于图2。
如图2所示,在步骤S201处,获取猪胴体图像。如前所述,当感知设备为照相机或摄像机时,其感知信息可以是猪胴体的图像或视频。
接着,在步骤S202处,将猪胴体图像输入图像识别模型进行识别,以确定测量定位点。其中该测量定位点可以包括猪胴体中的肋骨。如图1所示,该识别动作可以例如由图1中所示的信息处理中心来执行。
在利用该猪胴体的图像确定测量定位点后,在步骤S203处,根据测量定位点从猪胴体图像中提取膘厚测量区域。在一些实施例中,该提取过程可以获取图像中适于检测膘厚的区域,从而提升检测的便捷性和准确性。
最后,在步骤S204处,利用图像像素级求解对膘厚测量区域中的猪膘进行计算,以得到猪膘的厚度。在一些实施例中,可以利用图像像素级求解对猪胴体图像进行灰度化、二值化处理,使得该图像可以清晰的显示出猪膘。
图3是示意性示出根据本发明的实施例的用于对猪胴体膘厚进行测量的一种方法300的示意图。可以理解的是,图3流程所示出的方案可以是图2方法步骤S202至步骤S204的一种可能实现方式,因此关于图2中方法的描述也同样适用于下文关于图3的描述。
如图3所示,在步骤S301处,将所述猪胴体图像输入图像识别模型,以得到识别结果,其中所述识别结果包括先验定位点和测量定位点的相对误差。
在步骤S302处,根据所述识别结果确定所述测量定位点的位置信息,所述先验定位点为定位点的经验值。在一些实施例中,该定位点可以是猪腹中第6、7根肋骨。可以理解的是,本发明中的定位点采用猪腹中第6、7根肋骨仅仅是示意性的而非限制性的,本领域技术人员还可以根据实际需要选择其他定位点,以测量其他部位的膘厚。例如,该定位点还可以是肩部最厚处、最后肋骨、臀部半月肌中点,基于该定位点可以测量肩部最厚处膘厚、最后肋骨处膘厚、臀部半月肌中点处膘厚。
在步骤S303处,以测量定位点为中心分别向上和向下偏移设定像素值,对猪胴体图像进行截取,以得到膘厚测量区域。利用该方式可以将猪膘清晰的显示出来,并截取处合适的区域进行膘厚检测。
在步骤S304处,根据图像像素级求解确定膘厚测量区域中的猪膘。在一些实施例中,可以对膘厚测量区域进行灰度化处理和二值化处理,以得到二值化图像中的猪膘。
在步骤S305处,对所述膘厚测量区域中的猪膘进行采样,以根据采样结果计算所述猪膘的厚度。在一个应用场景中,可以通过对包含猪膘的二值化图像在宽度方向上进行闭合区域的间隔采样,以得到采样结果。然后根据加权平均算法对采样结果进行计算,以得到猪膘的厚度,从而实现了对膘厚测量区域中的猪膘的图像像素级求解。
进一步,本发明中还可以对检测的猪膘厚度进行补偿,以提高膘厚测量的准确性。在步骤S306处,对猪膘的边界进行检测,以判断边界处是否存在软骨或红肉。在步骤S307处,响应于猪膘的边界处存在软骨或红肉,对猪膘的厚度进行补偿。
下面将结合图4至图7对本发明的方案的膘厚测量过程进行详细阐述。图4是示意性示出根据本发明的实施例的提取出的膘厚测量区域的示意图。图5是示意性示出根据本发明的实施例的膘厚测量区域的二值化图像的示意图。图6是示意性示出根据本发明的实施例的膘厚测量区域中猪膘间隔采样的示意图。图7是示意性示出根据本发明的实施例的对采样误差进行补偿的方法的示意图。
首先,基于深度卷积神经网络配合全连接网络实现的图像识别模型,可以预测猪胴体的图像中第6、7根肋骨的位置,即测量定位点。为提高神经网络的预测精度,该部分模型的输出结果可以是先验定位点和实际定位点的相对误差,该误差值通过解码网络得到准确的测量定位点的像素坐标。先验定位点位置的确定可以根据大量统计猪劈半后二分体第6、7根肋骨的位置而得到。先验定位点和实际定位点的相对误差包括二者的高度偏差和角度偏差。解码网络是将先验定位点的坐标值和角度值与神经网络预测的误差值相融合而得到最后测量定位点坐标的计算过程。
接着,在采集的猪胴体图像中,根据测量定位点选取其上下设定像素范围内的图像,以将猪膘和其他部位分割开,便于信息处理中心对猪背膘厚度的测量。具体地,可以将采样得到的猪胴体的图像剪裁下来,剪裁宽度包含猪胴体全部,剪裁高度以测量定位点为中心上下偏移固定经验像素值,如图4中示出了该薄厚检测区域的图像。所提取的膘厚测量区域中可以将猪膘和其他部分区分开。
然后,在提取的膘厚测量区域中,可以采用加权平均的方法得到膘厚数据。具体地,可以对膘厚测量区域进行灰度化、干扰去除、闭合区域宽度间隔采样,并基于方差自适应选择频率出现前N名的宽度数据,以利用加权平均计算最终的背膘厚度。如图5中示出了对膘厚测量区域进行灰度化和二值化后的图像。利用闭合区域宽度间隔采样的方法可以将图5中示出的白色区域的像素进行统计,以实现对膘厚的测量。
闭合区域宽度间隔采样是指将二值化且去除干扰后的猪膘剪裁成斑马线的形状,并统计每个小矩形条的长度数据。如图6中示出了猪膘测量区域中利用闭合区域宽度间隔采样后的猪膘的效果。通过遍历二值化的膘厚检测区域,在像素坐标Y轴方向上每间隔三行像素将连续三行像素值均赋零来实现。
再接着,根据间隔采样得到的数据分布方差,设计对应的回归网络返回出最优的需要计入加权平均的数据个数。该回归网络的具体实现可以采用BP神经网络将数据方差值映射到需要计入加权平均的数据个数。在本发明的方案中,加权平均是数据处理的方法,该方法能够尽量避免错误数据的影响,具体是指将选择出的需要计入加权平均的宽度数据根据其出现的频率为权重得到最后的计算结果,从而实现了对膘厚测量区域中的猪膘的图像像素级求解。如下述公式(1)说明了利用加权平均的计算方式计算对应的膘厚的过程。
公式(1)中n为每个宽度数据的出现次数,r为该权重下的宽度数据。i=1-F,其中F为回归网络根据数据分布的方差得到的最优的需要计入加权平均的数据个数。
进一步,在利用上述方法计算得到膘厚数据后,还可以对背膘厚测量产生的干扰进行补偿,以提高测量精度。误差来源主要包括肉压膘导致结果偏低,并且膘与骨分界不明显导致部分软骨被分割为膘进而引起最终结果偏高。如图7所示,在进行误差补偿时,可以先得到膘的左右边界,在右边界线左右侧均匀采样20个10×10像素的矩形块,每个矩形块采用分类识别算法(基于残差卷积神经网络的分类算法)判定其是不是红肉。一旦发现超过10个矩形块被判定为红肉,就认定为肉档膘严重,此时就在最后结果上添加一个正的误差补偿量。同样地,当发现界线左侧出现超过五个矩形块采样区域被分类网络判定问软骨时,就在最后结果上添加一个负的误差补偿量。
需要说明的是上述对误差补偿的判定中矩形块数量的选取是示意性的而非限制性的,本领域技术人员可以根据实际需要进行设定。例如还可以采样圆形的像素块,或者采样更多数量的矩形块。
本发明中基于视觉算法配合合适的图像采集分析方式能够实现无人化的膘厚测量。在实际应用时,单个屠宰线能够节约2到3位工人。经过生产线上上万组数据的实际测试,算法整体测量精确度和稳定性较高,测试数据显示平均精度高于人工的测量精度,可以满足生产上针对猪背膘的测量需求。
图8是示出根据本发明实施例的用于对猪胴体膘厚进行测量的设备800的示意框图。该设备800可以包括根据本发明实施例的设备801以及其外围设备和外部网络。设备801实现图像识别、图像提取和分析等操作,以实现前述结合图1至图3所述的本发明的方案。
如图8中所示,设备801可以包括CPU8011,其可以是通用CPU、专用CPU或者其他信息处理以及程序运行的执行单元。进一步,设备801还可以包括大容量存储器8012和只读存储器ROM 8013,其中大容量存储器8012可以配置用于加密明文数据的各种程序,ROM 8013可以配置成存储对于设备801的加电自检、系统中各功能模块的初始化、系统的基本输入/输出的驱动程序及引导操作系统所需的数据。
进一步,设备801还包括其他的硬件平台或组件,例如示出的TPU(TensorProcessing Unit,张量处理单元)8014、GPU(Graphic Processing Unit,图形处理器)8015、FPGA(Field Programmable Gate Array,现场可编程逻辑门阵列)8016和MLU(MemoryLogic Unit),存储器逻辑单元)8017。可以理解的是,尽管在设备801中示出了多种硬件平台或组件,但这里仅仅是示例性的而非限制性的,本领域技术人员可以根据实际需要增加或移除相应的硬件。例如,设备801可以仅包括CPU作为公知硬件平台和另一硬件平台作为本发明的测试硬件平台。
本发明的设备801还包括通信接口8018,从而可以通过该通信接口8018连接到局域网/无线局域网(LAN/WLAN)805,进而可以通过LAN/WLAN连接到本地服务器806或连接到因特网(“Internet”)807。替代地或附加地,本发明的设备801还可以通过通信接口8018基于无线通信技术直接连接到因特网或蜂窝网络,例如基于第三代(“3G”)、第四代(“4G”)或第5代(“5G”)的无线通信技术。在一些应用场景中,本发明的设备801还可以根据需要访问外部网络的服务器808以及可能的数据库809。
设备801的外围设备可以包括显示装置802、输入装置803以及数据传输接口804。在一个实施例中,显示装置802可以例如包括一个或多个扬声器和/或一个或多个视觉显示器。输入装置803可以包括例如键盘、鼠标、麦克风、姿势捕捉相机,或其他输入按钮或控件,其配置用于接收数据的输入或用户指令。数据传输接口804可以包括例如串行接口、并行接口或通用串行总线接口(“USB”)、小型计算机系统接口(“SCSI”)、串行ATA、火线(“FireWire”)、PCI Express和高清多媒体接口(“HDMI”)等,其配置用于与其他设备或系统的数据传输和交互。
本发明的设备801的上述CPU 8011、大容量存储器8012、只读存储器ROM 8013、TPU8014、GPU 8015、FPGA 8016、MLU 8017和通信接口8018可以通过总线8019相互连接,并且通过该总线与外围设备实现数据交互。在一个实施例中,通过该总线8019,CPU 8011可以控制设备801中的其他硬件组件及其外围设备。
在工作中,本发明的设备801的处理器CPU 8011可以通过输入装置803或数据传输接口804获取明文数据,并调取存储于存储器8012中的计算机程序指令或代码进行数据处理,以完成对猪胴体膘厚进行测量的过程。
从上面关于本发明模块化设计的描述可以看出,本发明的系统可以根据应用场景或需求进行灵活地布置而不限于附图所示出的架构。进一步,还应当理解,本发明示例的执行操作的任何模块、单元、组件、服务器、计算机或设备可以包括或以其他方式访问计算机可读介质,诸如存储介质、计算机存储介质或数据存储设备(可移除的)和/或不可移动的)例如磁盘、光盘或磁带。计算机存储介质可以包括以用于存储信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质,例如计算机可读指令、数据结构、程序模块或其他数据。基于此,本发明也公开了一种计算机可读存储介质,其上存储有对猪胴体膘厚进行测量的计算机可读指令,该计算机可读指令被一个或多个处理器执行时,实现在前结合附图所描述的方法和操作。
虽然本说明书已经示出和描述了本发明的多个实施方式,但对于本领域技术人员显而易见的是,这样的实施方式是仅以示例的方式提供的。本领域技术人员在不偏离本发明思想和精神的情况下想到许多更改、改变和替代的方式。应当理解在实践本发明的过程中,可以采用本文所描述的本发明实施方式的各种替代方案。所附权利要求书旨在限定本发明的保护范围,并因此覆盖这些权利要求范围内的模块组成、等同或替代方案。
Claims (10)
1.一种用于对猪胴体膘厚进行测量的方法,其特征在于,包括:
获取猪胴体图像;
将所述猪胴体图像输入图像识别模型进行识别,以确定测量定位点,所述测量定位点包括猪胴体中的肋骨;
根据测量定位点从猪胴体图像中提取膘厚测量区域;以及
利用图像像素级求解对膘厚测量区域中的猪膘进行计算,以得到猪膘的厚度。
2.根据权利要求1所述的方法,其特征在于,所述将所述猪胴体图像输入图像识别模型进行识别,以确定测量定位点包括:
将所述猪胴体图像输入图像识别模型,以得到识别结果,其中所述识别结果包括先验定位点和测量定位点的相对误差;
根据所述识别结果确定所述测量定位点的位置信息,所述先验定位点为定位点的经验值。
3.根据权利要求2所述的方法,其特征在于,其中定位点是猪腹中第6、7根肋骨。
4.根据权利要求1所述的方法,其特征在于,所述根据测量定位点从猪胴体图像中提取膘厚测量区域包括:
以所述测量定位点为中心分别向上和向下偏移设定像素值,对所述猪胴体图像进行截取,以得到膘厚测量区域。
5.根据权利要求1所述的方法,其特征在于,所述利用图像像素级求解对膘厚测量区域中的猪膘进行计算以得到猪膘的厚度包括:
根据图像像素级求解确定所述膘厚测量区域中的猪膘;
对所述膘厚测量区域中的猪膘进行采样,以根据采样结果计算所述猪膘的厚度。
6.根据权利要求5所述的方法,其特征在于,所述根据图像像素级求解确定所述膘厚测量区域中的猪膘包括:
对所述膘厚测量区域进行灰度化处理和二值化处理,以得到二值化图像中的猪膘。
7.根据权利要求6所述的方法,其特征在于,所述对所述膘厚测量区域中的猪膘进行采样以根据采样结果计算所述猪膘的厚度包括:
通过对所述二值化图像在宽度方向上进行闭合区域的间隔采样,以得到采样结果;
根据加权平均算法对所述采样结果进行计算,以得到所述猪膘的厚度。
8.根据权利要求1所述的方法,其特征在于,所述方法还包括:
对所述猪膘的边界进行检测,以判断边界处是否存在软骨或红肉;
当所述猪膘的边界处存在软骨或红肉情况时,对所述猪膘的厚度进行补偿。
9.一种用于对猪胴体膘厚进行测量的设备,其特征在于,包括:
处理器;以及存储器,其用于存储计算机可执行的指令,当所述指令由所述处理器执行时,实现根据权利要求1-8的任意一项所述的方法。
10.一种计算机可读存储介质,其特征在于,其存储有用于对猪胴体膘厚进行测量的程序指令,当所述程序指令由处理器执行时,实现根据权利要求1-8的任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210376515.6A CN114708233A (zh) | 2022-04-11 | 2022-04-11 | 一种用于对猪胴体膘厚进行测量的方法及其相关产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210376515.6A CN114708233A (zh) | 2022-04-11 | 2022-04-11 | 一种用于对猪胴体膘厚进行测量的方法及其相关产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114708233A true CN114708233A (zh) | 2022-07-05 |
Family
ID=82172631
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210376515.6A Pending CN114708233A (zh) | 2022-04-11 | 2022-04-11 | 一种用于对猪胴体膘厚进行测量的方法及其相关产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114708233A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116596999A (zh) * | 2023-04-19 | 2023-08-15 | 大连工业大学 | 一种深度学习与图像处理相结合的猪胴体背膘厚度测量位置自动定位方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050257748A1 (en) * | 2002-08-02 | 2005-11-24 | Kriesel Marshall S | Apparatus and methods for the volumetric and dimensional measurement of livestock |
CN110619621A (zh) * | 2018-06-04 | 2019-12-27 | 青岛海信医疗设备股份有限公司 | 识别图像中肋骨区域的方法、装置、电子设备和存储介质 |
KR102118103B1 (ko) * | 2018-12-03 | 2020-06-02 | 충남대학교 산학협력단 | 한우 등심 영상정보를 이용한 근내지방 섬세도 측정방법 |
CN111476776A (zh) * | 2020-04-07 | 2020-07-31 | 上海联影智能医疗科技有限公司 | 胸部病灶位置确定方法、系统、可读存储介质和设备 |
CN112258530A (zh) * | 2020-12-21 | 2021-01-22 | 四川大学 | 基于神经网络的计算机辅助肺结节自动分割方法 |
CN112712088A (zh) * | 2020-12-31 | 2021-04-27 | 洛阳语音云创新研究院 | 动物膘情检测方法、装置及计算机可读存储介质 |
CN112906773A (zh) * | 2021-02-04 | 2021-06-04 | 中国农业大学 | 基于云服务的生猪屠宰线胴体品质分级和监控方法及系统 |
CN113989353A (zh) * | 2021-09-18 | 2022-01-28 | 华南农业大学 | 一种猪只背膘厚度测定方法及系统 |
-
2022
- 2022-04-11 CN CN202210376515.6A patent/CN114708233A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050257748A1 (en) * | 2002-08-02 | 2005-11-24 | Kriesel Marshall S | Apparatus and methods for the volumetric and dimensional measurement of livestock |
CN110619621A (zh) * | 2018-06-04 | 2019-12-27 | 青岛海信医疗设备股份有限公司 | 识别图像中肋骨区域的方法、装置、电子设备和存储介质 |
KR102118103B1 (ko) * | 2018-12-03 | 2020-06-02 | 충남대학교 산학협력단 | 한우 등심 영상정보를 이용한 근내지방 섬세도 측정방법 |
CN111476776A (zh) * | 2020-04-07 | 2020-07-31 | 上海联影智能医疗科技有限公司 | 胸部病灶位置确定方法、系统、可读存储介质和设备 |
CN112258530A (zh) * | 2020-12-21 | 2021-01-22 | 四川大学 | 基于神经网络的计算机辅助肺结节自动分割方法 |
CN112712088A (zh) * | 2020-12-31 | 2021-04-27 | 洛阳语音云创新研究院 | 动物膘情检测方法、装置及计算机可读存储介质 |
CN112906773A (zh) * | 2021-02-04 | 2021-06-04 | 中国农业大学 | 基于云服务的生猪屠宰线胴体品质分级和监控方法及系统 |
CN113989353A (zh) * | 2021-09-18 | 2022-01-28 | 华南农业大学 | 一种猪只背膘厚度测定方法及系统 |
Non-Patent Citations (2)
Title |
---|
赵松玮;彭彦昆;王伟;张海云;宋育霖;赵娟;: "猪肉瘦肉率和背膘厚度在线检测系统的研究", 食品安全质量检测学报, no. 06, 25 December 2012 (2012-12-25), pages 39 - 44 * |
郑丽敏 等: "利用图像处理技术自动估算猪胴体参数", 计算机应用研究, 5 March 2007 (2007-03-05), pages 203 - 206 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116596999A (zh) * | 2023-04-19 | 2023-08-15 | 大连工业大学 | 一种深度学习与图像处理相结合的猪胴体背膘厚度测量位置自动定位方法 |
CN116596999B (zh) * | 2023-04-19 | 2024-04-05 | 大连工业大学 | 一种深度学习与图像处理相结合的猪胴体背膘厚度测量位置自动定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107767376B (zh) | 基于深度学习的x线片骨龄预测方法及系统 | |
CN109785337B (zh) | 一种基于实例分割算法的栏内哺乳动物清点方法 | |
AU2010219406B2 (en) | Image analysis for making animal measurements | |
CN109636779B (zh) | 识别家禽体积体尺的方法、装置及存储介质 | |
EP1026516B1 (en) | Method and apparatus for analyzing an ultrasonic image of a carcass | |
CN110672189A (zh) | 体重估计方法、装置、系统和存储介质 | |
Salau et al. | Feasibility of automated body trait determination using the SR4K time-of-flight camera in cow barns | |
US20160012278A1 (en) | Image analysis for making animal measurements including 3-d image analysis | |
CN108961330B (zh) | 基于图像的猪体长测算方法及系统 | |
KR101926015B1 (ko) | 영상 처리 장치 및 방법 | |
EP3353744B1 (en) | Image analysis for making animal measurements including 3-d image analysis | |
CN108711148A (zh) | 一种基于深度学习的轮胎缺陷智能检测方法 | |
CN110569735A (zh) | 一种基于奶牛背部体况的分析方法及装置 | |
CN113989353A (zh) | 一种猪只背膘厚度测定方法及系统 | |
CN114708233A (zh) | 一种用于对猪胴体膘厚进行测量的方法及其相关产品 | |
CN111145205B (zh) | 基于红外图像的多猪只场景下猪体温检测方法 | |
Lohumi et al. | Nondestructive estimation of lean meat yield of South Korean pig carcasses using machine vision technique | |
CN115752683A (zh) | 一种基于深度相机的体重预估方法、系统及终端 | |
CN112634274B (zh) | 一种基于机器视觉的肥育猪肉肉质评价方法及系统 | |
CN112906773A (zh) | 基于云服务的生猪屠宰线胴体品质分级和监控方法及系统 | |
CN110991300B (zh) | 一种肉鸡腹部异常肿胀状态的自动识别方法 | |
CN104266612A (zh) | 一种对种猪进行活体的测定方法 | |
KR102285112B1 (ko) | 디지털 영상 분석을 활용한 소 도체 정육량 비파괴 측정 시스템 | |
Tao et al. | Development and implementation of a training dataset to ensure clear boundary value of body condition score classification of dairy cows in automatic system | |
Li et al. | Extraction of key regions of beef cattle based on bidirectional tomographic slice features from point cloud data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |