[0103] 其中,M31和M32分别为分类器训练后得到的阈值参数。
[0104] 本发明能够检测出成活鸡胚和不成活鸡胚的类型,为后续对不成活鸡胚的处理方法提供指导,以及对不同种类的成活鸡胚进行不同的处理。具体分类时,可以有多种方法,如串行方法,即条件一至条件九先后判断,先后顺序可不按照条件一至条件九(即可打乱顺序),或者并行方法,即条件一和条件九同时判断,也可以串行和并行混合使用,这里给出串行方法的一个实施例:
[0105] S1041:判断N1是否小于M11,若是,执行下一步,否则判断鸡胚为臭蛋,输出结果并结束;
[0106] S1042:判断N2是否小于M12,若是,执行下一步,否则判断鸡胚为白蛋,输出结果并结束;
[0107] S1043:判断N3是否小于M13,若是,执行下一步,否则判断鸡胚为溶血蛋,输出结果并结束;
[0108] S1044:判断N4是否小于M21,若是,执行下一步,否则判断鸡胚为裂缝蛋,输出结果并结束;
[0109] S1045:判断N5是否小于M22,若是,执行下一步,否则判断鸡胚为坏死蛋,输出结果并结束;
[0110] S1046:判断N6是否小于M23,若是,执行下一步,否则判断鸡胚为弱胚蛋,输出结果并结束;
[0111] S1047:判断N7是否小于M31,若是,执行下一步,否则判断鸡胚为翻头蛋,输出结果并结束;
[0112] S1048:判断N8是否小于M33,若是,执判断鸡胚为正常蛋,输出结果并结束,否则判断鸡胚为偏气室蛋,输出结果并结束。
[0113] 本发明中,分类器在检测之前就已经训练完毕,此处对分类器及其训练过程进行阐述:
[0114] 本发明优选采用SVM分类器,在
机器学习领域,SVM(
支持向量机,Support Vector Machine)是一个有监督的学习模型,通常用来进行模式识别、分类、以及回归分析。SVM经常用在二分类问题上。
[0115] 首先,通过模式分类的方式训练分类器,本识别为类内识别,分类识别采用机器学习中基于样本的训练分类器方法,根据特征的差异性,选择不同的学习算法,每个特征值训练一个分类器,也即得到阈值参数M11、M12、M13、M21、M22、M23、M31和M32,然后对多个特征分类器进行决策融合,这里采用的决策是将各分类器进行逻辑与的判断,只有满足所有分类器的判断才是合格胚蛋,否则即是不合格胚蛋,本发明将满足各特征条件的像素数作为
训练数据集合。
[0116] 本发明采集并计算出了近500万合格胚和不合格胚的特征数据,用Matlab的SVM训练函数svmtrain来训练分类器。
[0117] 这些特征数据中,训练样本是300万份(其中合格胚100万份,不合格胚200万份),测试样本是200万份(其中活体70万份、非活体130万份),并且标记合格胚为+1,不合格胚为-1。在训练时选取最佳的参数,在Matlab的SVM训练函数svmtrain的参数中,设定了采取高斯核函数、并设置了sigma=4。)
[0118] 然后,从数据出发,分析数据,提取数据特征,抽象出数据的模型。融合的方式采用机器学习中
随机森林的方法给每个分类器不同的权重,对特征空间进行划分,进一步优化判别结果,使有相似性的样本在模式空间中互相接近,并形成“集团”,即“物以类聚”,从而达到识别不同特征的对象的目的。其分析方法是根据模式所测得的
特征向量Xi=(xi1,xi2,…,xid)T,(i=1,2,…,N),将一个给定的模式归入C个类w1,w2,…,wc中,然后根据模式之间的距离函数来判别分类。其中,T表示转置,N为样本点数,d为样本特征数。
[0119] 这里我们会训练大量(数十万)的正负样本,其中涉及到的数据特征就是下面步骤特征提取部分中所提取到的颜色、气室和血管等特征,通过大量的现场试验和机器学习训练,利用分类器得到的最优模型和阈值参数对鸡胚图像进行分类识别:
[0120] (1)基于R、G、B颜色信息进行初步分类(即前述S1041-S1043);
[0121] 由于采集到的鸡胚图像为24位R、G、B三通道彩色
位图图像,首先通过遍历整幅图像分别提取
指定区域部分的R、G、B颜色值,并统计满足条件(即白蛋、臭蛋与溶血蛋)的像素数,然后将像素数与训练得到的参数阈值进行比较,这种条件的判定是多种准则的逻辑与的关系,通过这一步即可将白蛋、臭蛋与溶血蛋分类识别出来,并且这一数据可作为其它种类胚蛋的辅助判别条件。
[0122] (2)基于血管形状、数量和分布进行进一步分类(即前述S1045-S1046);
[0123] 其次,在遍历整幅图像的同时,基于颜色信息找出符合血管特征的像素数,并进行统计,当统计数达到一定的阈值后,并结合(1)所得到的统计信息,即可认为满足判定准则,进而归类为活胚、死胚或弱胚,其中阈值参数的获取是通过机器学习训练得到的,这一步可将坏死蛋、弱胚蛋分类识别出来。
[0124] (3)基于气室的形态和位置分布进行再次分类(即前述S1044、S1047-S1048);
[0125] 最后,在遍历整幅图像的同时,再基于颜色信息找出符合气室特征的像素并进行统计,目的是找出图像中的血管、气室和裂缝等相关信息,同时这些像素对空间位置关系和分布特性也得到了体现,从而根据学习得到的分类准则并结合步骤(1)(2)所得到的统计信息进行分类识别,这一步可将裂缝蛋、翻头蛋和偏气室蛋分类识别出来。
[0126] 通过上述方法我们可以将9种类型的胚蛋进行有效地区分与识别看,9种类型胚蛋的具体信息如下:
[0127] 1.正常蛋
[0128] 正常蛋,是成活鸡胚的一种,即受精胚,胚胎发育正常,其生命特征强,血管发育完好且分布均匀有序,脉络清晰,呈放射状分布,气室占比在10%左右,且位置在鸡胚图像的正上方,背景干净,胚蛋颜色呈暗红色或暗黄色,并且胚蛋摆放方向和位置正确,将这些信息融合即可识别出好蛋,如图3所示。
[0129] 2.白蛋
[0130] 白蛋即未受精蛋,其特征明显,无血管和胚胎,无生命特征,图像整体通透高亮,呈现亮黄色,气室界限模糊,基于这些特征的统计信息即可将其识别出来,如图4所示。
[0131] 3.臭蛋
[0132] 臭蛋的图像整体发暗发黑,几乎看不到鸡胚内部,无血管分布和生命特征,气室小,并伴有刺鼻的恶臭气味,基于这些信息即可识别出臭蛋,如图5所示。
[0133] 4.溶血蛋
[0134] 溶血蛋特征明显,颜色较浅,内有不规则的血弧、血环,紧贴内壳面,无放射状血管,只能看到蛋黄,其血管只有一条,背景干净,结合这些信息即可识别出溶血蛋,如图6所示。
[0135] 5.坏死蛋
[0136] 坏死蛋无生命特征,背景不干净,血管不够健壮且分布杂乱,边缘模糊,部分坏死蛋血管脱落,基于这些统计信息即可识别出坏死蛋,如图7所示。
[0137] 6.裂缝蛋
[0138] 裂缝蛋气室偏大,血管分布杂乱,背景不干净,融合这些特征的统计信息即可识别出裂缝蛋,如图8所示。
[0139] 7.弱胚蛋
[0140] 弱胚蛋,血管不明显且分布杂乱无章,大部分弱胚血管脱落,生命特征较弱,基于这些特征即可识别出弱胚蛋,如图9所示。
[0141] 8.偏气室蛋
[0142] 正常蛋气室在大头,偏气室蛋气室位置不在鸡胚图像的正上方,而是随机分布在图像的侧面,在鸡胚内部任意游动,判断气室的位置分布即可识别出此类胚蛋,如图10所示,偏气室蛋也是成活鸡胚,也可以用来培育疫苗。
[0143] 9.翻头蛋
[0144] 翻头蛋即鸡蛋的上下两侧:大头与小头在培育的时候放反了,此类蛋的特征是无气室,通过判断气室的有无即可将其识别出来,如图11所示,翻头蛋也是成活鸡胚,只是方向摆放不合理,也可以用来培育疫苗。
[0145] 作为本发明的鸡胚成活性检测方法的再一种改进,获取鸡胚图像之前,提取鸡胚图像中各个像素点的R、G、B值之后还包括:
[0146] S102:对鸡胚图像进行预处理,预处理包括:
[0147] S1021:对鸡胚图像进行中值滤波,优选模板大小为3x3,增强图像有效信息以减少噪声点对后续操作的影响。
[0148] S1022:对滤波后的鸡胚图像进行基于区域生长的
图像分割,分割方法采用基于颜色直方图的自适应阈值分割方法。
[0149] 基于区域生长的图像分割:区域增长方法是根据同一物体区域内象素的相似性质来聚集象素点的方法,从初始区域(如小邻域或甚至于每个象素)开始,将相邻的具有同样性质的象素或其它区域归并到目前的区域中从而逐步增长区域,直至没有可以归并的点或其它小区域为止。区域内象素的相似性度量可以包括平均灰度值、纹理、颜色等信息。本发明采用颜色信息进行区域内象素的相似性度量。
[0150] 区域生长是一种串行区域分割的图像分割方法。区域生长是指从某个像素出发,按照一定的准则,逐步加入邻近像素,当满足一定的条件时,区域生长终止。区域生长的好坏决定于1.初始点(
种子点)的选取。2.生长准则。3.终止条件。区域生长是从某个或者某些像素点出发,最后得到整个区域,进而实现目标的提取。
[0151] S1023:对分割后的鸡胚图像进行先
腐蚀后膨胀的形态学处理,去除噪声增强血管等特征信息。
[0152] 形态学处理:用B(x)代表结构元素,对
工作空间E中的每一点x,腐蚀和膨胀的定义为:
[0153] 腐蚀:
[0154] 膨胀:
[0155] 用B(x)对E进行腐蚀的结果就是把结构元素B平移后使B包含于E的所有点构成的集合。用B(x)对E进行膨胀的结果就是把结构元素B平移后使B与E的交集非空的点构成的集合。先腐蚀后膨胀的过程称为开运算。它具有消除细小物体,在纤细处分离物体和平滑较大物体边界的作用。先膨胀后腐蚀的过程称为闭运算。它具有填充物体内细小空洞,连接邻近物体和平滑边界的作用。
[0156] 通过上述预处理,可以最大限度地把干扰减到最小,从而提取出有效区域,排除噪声和背景区域的影响,并对鸡胚识别性能的稳定性起到一定的作用。
[0157] 另一方面,本发明提供一种鸡胚成活性检测装置,如图13所示,包括:
[0158] 图像获取模块11,用于获取鸡胚图像。
[0159] R、G、B值提取模块12,用于提取鸡胚图像中各个像素点的R、G、B值。
[0160] 特征值提取模块13,用于基于R、G、B值,进行血管和气室检测,得到表征鸡胚图像颜色、血管和气室的一系列特征值。
[0161] 分类模块14,用于利用预先训练的分类器对一系列特征值进行分类,得到鸡胚成活性检测结果。
[0162] 本发明有以下有益效果:
[0163] 首先,本发明采用机器代替人眼进行检测鸡胚的成活性,用以判断鸡胚是否满足疫苗制备的需求,效率高效,工作稳定,可靠性高,克服了人眼检测的弊端;并且可以对检测结果实时存储,并统计胚蛋的检测结果与信息,方便后续分析研究。
[0164] 其次,本发明使用能够反映鸡胚图像颜色、血管和气室的一系列特征值来检测鸡胚的成活性,特征信息丰富,准确性好,不仅适用于白壳蛋,还适用于红壳蛋,适用范围广。
[0165] 再次,本发明并不需要对物体进行建模,通过图像的全局特征进行匹配分析,可以有效地避免局部特征方法在复杂姿态和遮挡关系情况下出现的特征匹配歧义性问题,鲁棒性与旋转不变性好。
[0166] 而且,本发明能简单描述一幅图像中颜色的全局分布,即不同色彩在整幅图像中所占的比例,特别适用于描述那些难以自动分割的图像和不需要考虑物体空间位置的图像,如本应用领域的鸡胚图像。
[0167] 进一步的,由于工业现场环境和搬运蛋盘运动过程的危险性,本发明可在一定程度上保障人身安全,减少事故,扩展性强,故障率低,符合工业现代化与智能化的发展趋势。
[0168] 另外,本发明的特征值能够反映鸡胚图像颜色,可间接反映出鸡胚表面是否干净,可提高获得鸡胚的质量、产量和低消耗,解决了易造成局部污染的问题。
[0169] 最后,本发明的表征鸡胚图像颜色、血管和气室的一系列特征值是统计得到的像素数,并且对特征值进行分类时,是将特征值和相应的阈值参数进行比较,即本发明的算法只用到加减法,计算量小,处理速度快,并且数据存储量小,可以满足工业现场生产线实时检测速度要求。
[0170] 综上,本发明的鸡胚成活性检测装置能够提高鸡胚成活性检测的处理速度、准确性、鲁棒性。
[0171] 作为本发明的鸡胚成活性检测装置的一种改进,特征值提取模块包括:
[0172] 有效区域确定单元,用于根据R、G、B值确定鸡胚图像的有效区域;
[0173] 第一特征值值提取单元,用于基于Blob分析技术遍历整个有效区域,并统计满足特定条件的像素数,得到第一特征值N1、第二特征值N2、第三特征值N3、第四特征值N4、第五特征值N5和第六特征值N6,其中:
[0174] 第一特征值N1表征有效区域的黑暗程度特征;
[0175] 第二特征值N2表征有效区域的明亮程度特征;
[0176] 第三特征值N3表征有效区域的颜色偏向特征;
[0177] 第四特征值N4表征有效区域的裂缝特征;
[0178] 第五特征值N5和第六特征值N6表征有效区域的血管特征。
[0179] 通过第一特征值N1、第二特征值N2、第三特征值N3、第四特征值N4、第五特征值N5和第六特征值N6能够判断出鸡胚测成活性。第一特征值N1、第二特征值N2、第三特征值N3、第四特征值N4、第五特征值N5和第六特征值N6的一个具体实施方式如下:
[0180] N1为R∈[0,20]且G∈[0,15]且B∈[0,10]的像素点数量;
[0181] N2为R∈[100,255]且G∈[150,255]且B∈[160,255]的像素点数量;
[0182] N3为R∈[180,220]且G∈[20,60]且B∈[0,50]且 的像素点数量;
[0183] N4为|R-RLi|>70或|G-GLi|>40或|B-BLi|>30的像素点数量;
[0184] N5为R∈[50,150]且G∈[100,200]且B∈[40,70]的像素点数量;
[0185] N6为R∈[20,50]且G∈[120,180]且B∈[70,100]的像素点数量;
[0186] RLi、GLi、BLi分别代表距离当前像素点上、下各20个像素的像素点的R、G、B值,i=1、2,即RL1、GL1、BL1为距离当前像素点上方20个像素的像素点的R、G、B值,RL2、GL2、BL2为距离当前像素点下方20个像素的像素点的R、G、B值,当距离当前像素点上、下各20个像素的像素点的R、G、B值都满足上述条件时,将该像素点统计到第四特征值N4。
[0187] 或者RLi、GLi、BLi分别代表距离当前像素点左、右各20个像素的像素点的R、G、B值,i=1、2,即RL1、GL1、BL1为距离当前像素点左侧20个像素的像素点的R、G、B值,RL2、GL2、BL2为距离当前像素点左侧20个像素的像素点的R、G、B值,当距离当前像素点左、右各20个像素的像素点的R、G、B值都满足上述条件时,将该像素点统计到第四特征值N4。
[0188] 分别代表上述的N1、N2、N3、N4、N5和N6分别为臭蛋、白蛋、溶血蛋、裂缝蛋、坏死蛋和弱胚蛋相应的统计特征值,这些统计特征值是经过大量的观察和人工经验提取出来的。
[0189] 本发明采用统计模式识别方法,即以实验样本在特征空间中的概率密度函数为基础进行的,算法执行效率高,实现简单方便,具有高可靠性和稳定性。
[0190] 得到上述特征值后,就可以使用分类器将上述特征值与预先训练得到的阈值参数进行比较,根据比较结果,判断鸡胚成活性,即分类模块用于:
[0191] 判断N1、N2、N3、N4、N5和N6是否满足N1
[0192] 其中,M11、M12、M13、M21、M22和M23分别为分类器训练后得到的阈值参数。
[0193] 前述能够判断出鸡胚是否成活本发明还可以对成活鸡胚和不成活鸡胚进行分类,此时,特征值提取模块还包括:
[0194] 第二特征值提取单元,用于基于Blob分析技术遍历整个有效区域,并统计满足特定条件的像素数,得到第七特征值N7和第八特征值N8,第七特征值N7和第八特征值N8表征有效区域的气室特征。
[0195] 第七特征值N7和第八特征值N8表征有效区域的气室特征,气室特征也是基于R、G、B值统计得到的,如果某一像素点的R、G、B值满足某一条件,则判断该像素点位于气室处,将该像素点统计到第七特征值N7或第八特征值N8。由于成活鸡胚和不成活鸡胚的气室特征并不相同,不成活鸡胚也分种类,其气室特征也可能不同,因此使用两个或两个以上的特征值(第七特征值N7和第八特征值N8,或者更多)表征不同类型的气室特征。第七特征值N7和第八特征值N8的一个具体实施方式如下:
[0196] 第七特征值N7为R∈[200,255]且G∈[220,255]且B∈[230,255]的像素点数量;
[0197] 第八特征值N8为有效区域上半部分的R∈[200,240]且G∈[200,255]且B∈[200,250]且|R-B|>40的像素点数量。
[0198] 上述的N7和N8分别为翻头蛋和偏气室蛋相应的统计特征值,这些统计特征值的范围是经过大量的观察和人工经验提取出来的。
[0199] 基于上述得到的N1、N2、N3、N4、N5、N6、N7和N8,即可对成活鸡胚和不成活鸡胚进行分类,成活鸡胚包括正常蛋、翻头蛋和偏气室蛋,不成活鸡胚包括臭蛋、白蛋、溶血蛋、裂缝蛋、坏死蛋和弱胚蛋,分类模块还用于:
[0200] 根据N1、N2、N3、N4、N5、N6、N7和N8满足的条件,判断鸡胚的类型,其中:若满足条件一,则鸡胚为臭蛋;若满足条件二,则鸡胚为白蛋;若满足条件三,则鸡胚为溶血蛋;若满足条件四,则鸡胚为裂缝蛋;若满足条件五,则鸡胚为坏死蛋;若满足条件六,则鸡胚为弱胚蛋;若满足条件七,则鸡胚为成活蛋中的翻头蛋;若满足条件八,则鸡胚为成活蛋中的偏气室蛋;若满足条件九,则鸡胚为成活蛋中的正常蛋;
[0201] 条件一为:N1≥M11;
[0202] 条件二为:N1
[0203] 条件三为:N1
[0204] 条件四为:N1
[0205] 条件五为:N1
[0206] 条件六为:N1
[0207] 条件七为:N1
[0208] 条件八为:N1
[0209] 条件九为:N1
[0210] 其中,M31和M32分别为分类器训练后得到的阈值参数。
[0211] 本发明能够检测出成活鸡胚和不成活鸡胚的类型,为后续对不成活鸡胚的处理方法提供指导,以及对不同种类的成活鸡胚进行不同的处理。这里给出分类模块的一个具体实施例,包括:
[0212] 第一判断单元,用于判断N1是否小于M11,若是,执行下一步,否则判断鸡胚为臭蛋,输出结果并结束;
[0213] 第二判断单元,用于判断N2是否小于M12,若是,执行下一步,否则判断鸡胚为白蛋,输出结果并结束;
[0214] 第三判断单元,用于判断N3是否小于M13,若是,执行下一步,否则判断鸡胚为溶血蛋,输出结果并结束;
[0215] 第四判断单元,用于判断N4是否小于M21,若是,执行下一步,否则判断鸡胚为裂缝蛋,输出结果并结束;
[0216] 第五判断单元,用于判断N5是否小于M22,若是,执行下一步,否则判断鸡胚为坏死蛋,输出结果并结束;
[0217] 第六判断单元,用于判断N6是否小于M23,若是,执行下一步,否则判断鸡胚为弱胚蛋,输出结果并结束;
[0218] 第七判断单元,用于判断N7是否小于M31,若是,执行下一步,否则判断鸡胚为翻头蛋,输出结果并结束;
[0219] 第八判断单元,用于判断N8是否小于M33,若是,执判断鸡胚为成活蛋,输出结果并结束,否则判断鸡胚为偏气室蛋,输出结果并结束;
[0220] 作为本发明的鸡胚成活性检测装置的再一种改进,该装置还包括:
[0221] 预处理模块,用于对鸡胚图像进行预处理,预处理模块包括:
[0222] 中值滤波单元,用于对鸡胚图像进行中值滤波;
[0223] 图像分割单元,用于对滤波后的鸡胚图像进行基于区域生长的图像分割;
[0224] 形态学处理单元,用于对分割后的鸡胚图像进行先腐蚀后膨胀的形态学处理。
[0225] 通过上述预处理,可以最大限度地把干扰减到最小,从而提取出有效区域,排除噪声和背景区域的影响,并对鸡胚识别性能的稳定性起到一定的作用。
[0226] 以上所述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,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
高效检索全球专利
专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。
申请试用
专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。
申请试用
该功能需要专业版企业版VIP权限,您可以:
您也可以联系官方QQ: 2157717237 电话: 13264338900