基于機器視覺的鴿子種蛋識別技術與裝置

馮燕柱，蔡 肯，宋安亮，林欽永，鐵風蓮

（仲愷農業工程學院自動化學院，廣州 510550）

0 引言

鴿子是一種肉質好、營養豐富、蛋白高、脂肪低的健康美食［1］。隨著社會的發展和居民消費水平的提高，居民對肉鴿的需求量逐漸增加，肉鴿產業迅速發展［2］。目前肉鴿生產主要依靠人工孵化技術，但在進行人工孵化前需要對鴿子種蛋進行挑選［3］。鴿子種蛋挑選仍以傳統人工方式為主，效率低、人工成本高，肉鴿產業的發展和經濟效益收到嚴重制約。因此，急迫需要研究鴿子種蛋識別技術與裝置，以提高效率、降低成本、釋放勞動力，實現鴿子種蛋挑選自動化和智能化。

鴿子種蛋挑選主要為了選出受精的種蛋。目前，種蛋受精無損識別的方法主要有機器視覺法［4］、光譜技術［5］和光電檢測技術［6］等。機器視覺法主要根據種蛋圖像里的血絲特征進行受精判別［7］。光譜技術依據受精蛋與無精蛋內部物質的不同進而導致獲取的光譜信息不同，從而能夠判斷是否受精［7］。光電檢測技術依據種蛋的透光度進行受精識別［7］。研究表明，蛋重和蛋形指數對受精率無顯著影響，但對鴿子活胚蛋孵化率影響較大［8］。光譜技術和光電檢測技術都無法獲得種蛋的蛋重和蛋形指數數據，而通過機器視覺法可以獲得這些數據。國內外學者基于機器視覺對雞蛋和鴨蛋的研究較多［9-10］，對鴿子蛋的研究較少。因此，提出采用機器視覺法對鴿子種蛋進行識別篩選。

目前，機器視覺技術在工業領域得到廣泛應用，其中在產品的識別分類［11-12］、尺寸測量［13-14］、抓取安裝［15］和檢測［16-17］方面應用廣泛。本文基于機器視覺檢測技術，結合鴿子種蛋的特征，設計了一臺鴿子種蛋識別裝置。通過機器視覺成像、中值濾波、二值化、形態學膨脹處理、最大類間方差法和自適應直方圖均衡算法等方法準確識別鴿子種蛋受精特征和獲取鴿子種蛋的蛋重和蛋形指數數據。

1 機器視覺鴿子種蛋識別原理及裝置

機器視覺鴿子種蛋識別技術是利用工業相機對鴿子種蛋進行圖像采集，并使用合適的圖像處理算法對所獲得的圖像進行處理、計算，最終在鴿子種蛋圖像中找出受精特征和計算出蛋重、蛋形指數。如圖1 所示，機器視覺鴿子種蛋識別裝置主要由工業計算機、工業相機、照蛋光源、避光箱、數據傳輸線和支撐架組成。照蛋光源提供合適的亮度，突顯鴿子種蛋內部的特征信息，照蛋光源可以選用LED光源；避光箱相當于是黑箱，使得成像不受外部環境的影響，提高成像質量，避光箱由亞克力板加工組裝而成；工業相機獲取鴿子種蛋圖像，通過數據傳輸線傳給工業計算機處理；工業計算機應用圖像處理算法對圖像進行處理，獲得鴿子種蛋的受精、蛋重和蛋形指數信息，最后結合這3種信息判斷是否適合作種蛋。

圖1 機器視覺鴿子種蛋識別裝置示意圖

2 鴿子種蛋圖像處理

工業相機獲取的圖像由前景區域（鴿子蛋）和背景區域組成，如圖2（a）所示。為了提高處理速度和簡化圖像處理算法，需要對所采集圖像進行預處理提取前景區域。從圖2（b）鴿子種蛋圖像的三維圖可以發現背景區域存在很多噪聲點。中值濾波法是一種非線性數字濾波技術，去除椒鹽類噪聲較好，而且模糊輕微，邊緣保留較好，本研究采用中值濾波去除背景區域的噪聲點，處理結果如圖3 所示。

圖2 機器視覺系統采集的鴿子種蛋圖像

圖3 鴿子種蛋圖像中值濾波處理前后結果

圖像二值化處理是基于給定的閾值T 將前景區域和背景區域進行劃分，從而獲得相應的二值化圖像。若前景區域中的點（x，y）滿足f（x，y）≥T，則剩余點組成背景區域，二值化圖像g（x，y）表示如下：

式中：T為給定的閾值。

自適應閾值分割算法（Otsu）是最大類間方差法，利用整幅圖像的直方圖特性確定全局的閾值T。基于中值濾波處理的結果，使用Otsu算法進行二值化處理，再進行形態學處理獲取前景區域，處理結果如圖4 所示。

圖4 鴿子種蛋圖像預處理前后結果

2.1 鴿子種蛋的蛋重和蛋形指數信息提取

研究表明鴿子蛋重為21.8 ～24.9 g，鴿子活胚蛋孵化率最高［8］。鴿子蛋的外形類似橢球形，所以可把鴿子蛋假設成橢球形狀，那鴿子蛋的蛋重表示如下：

式中：me為蛋重；a 為鴿子蛋的長半徑；b 為鴿子蛋的短半徑；c為鴿子蛋的極半徑；ρ為鴿子蛋的密度。

由于鴿子蛋的短半徑b 和極半徑c 相等，蛋重me只與長半徑a、短半徑b 和密度ρ 相關。鴿子蛋的橫截面為橢圓形，其面積為πab，而每個鴿子蛋的密度可以看作常數，鴿子蛋的橫截面面積和蛋重都是關于長半徑a和短半徑b 的函數，所以可以用鴿子蛋的橫截面面積代表鴿子蛋的蛋重。基于預處理好的二值化種蛋圖像，從二值圖像中刪除像素小于1 000 pixel 的連通域，然后計算連通域的面積，最后求最大的連通域面積即得到鴿子蛋的橫截面面積，實例如圖5 所示。

圖5 鴿子種蛋的蛋重信息

研究發現鴿子活種蛋的孵化率隨蛋形指數的增加而降低［8］。蛋形指數用蛋的橫直徑與縱直徑的比值表示，鴿子蛋的橫直徑和縱直徑如圖6 所示。

圖6 鴿子蛋的橫直徑與縱直徑示意圖

基于預處理好的二值化種蛋圖像，求與該區域具有歸一化二階中心矩的橢圓長軸和短軸的長度，即可得到鴿子蛋的橫直徑與縱直徑，蛋形指數也可得到，處理結果如圖7 所示。

圖7 鴿子種蛋的蛋形指數

2.2 鴿子種蛋的受精特征識別

工業相機采集到的受精蛋和無精蛋的圖像如圖8 所示，對比發現受精蛋圖像比無精蛋圖像顏色偏黃、透光率低，受精蛋圖像中存在紅色的血絲網特征，而無精蛋圖像中沒有血絲網。所以可以通過識別血絲網特征進行受精判斷。

圖8 受精蛋與無精蛋圖像

彩色圖像以一個三維矩陣的方式進行存儲，包含紅、綠、藍3 個通道的信息，圖像矩陣的第一維表示紅色通道信息，第二維表示綠色通道信息，第三維表示藍色通道信息。若用A表示一張彩色圖像，則紅、綠、藍三通道圖像可以表示為：

式中：R為紅色通道圖像；G 為綠色通道圖像；B 為藍色通道圖像。

首先從原圖像中獲取前景區域即鴿子蛋區域作為處理對象，針對受精蛋圖像中紅色血絲網的特征，獲取圖像的紅、綠和藍三通道圖像。然后將鴿子種蛋區域圖像進行灰度轉換，使用每個像素周圍的局部一階圖像統計量來確定局部自適應圖像閾值，使用該閾值進行二值化處理。膨脹運算是將與模板接觸的背景點合并到目標對象中，能使對象的邊界向外部擴大。將二值化結果圖像取反，再用2 ×2 單位矩陣模板與取反的二值化圖像進行形態學膨脹運算以獲得受精特征的大概區域。通過對比發現，綠色通道圖像中受精特征比較明顯，將綠色通道圖像與處理后的鴿子種蛋區域圖像作點乘運算以獲得綠色通道圖像里的受精特征區域。再將處理后的綠色通道圖像進行自適應直方圖均衡化和局部自適應閾值二值化處理以增強受精特征區域。其次將處理的圖像結果分別與紅、綠、藍三通道圖像作點乘運算以獲得各個通道圖像中的受精特征區域；由于受精特征顏色為紅色，對受精特征區域的紅、綠、藍三通道的像素進行篩選。當紅色通道圖像點R（x，y）比綠色通道圖像點G（x，y）的值大于70 以上，同時比藍色通道圖像點B（x，y）的值大于70 以上，則判斷該點（x，y）為紅色特征即受精特征，保留該點（x，y）像素值，反之將該點像素值設為255。將處理得到的圖像轉化成灰度圖像，使用Otsu算法進行二值化處理，將處理后的圖像取反運算。最后通過求連通域的面積來計算受精特征的面積，與設定的閾值100 比較，若受精特征的面積大于閾值時即判斷為受精成功，否則判斷為受精未成功，處理結果如圖9 所示。

圖9 鴿子種蛋受精特征識別結果

3 試驗結果分析

為了驗證所應用方法的有效性，對采集到的樣本鴿子種蛋圖像進行測試。測試的樣本圖像數量為12 幅，其中6 幅為受精蛋圖像，6幅為無精蛋圖像，原圖像的大小都為770 pixel×1 028 pixel，受精蛋和無精蛋圖像都被成功識別。本文定義蛋的橫截面面積的選擇范圍為110 000 ～160 000，蛋形指數的選擇范圍為0.65 ～0.76。若鴿子蛋為受精蛋，蛋的橫截面面積在110 000 ～160 000 之間，且蛋形指數在0.65 ～0.76 范圍內，則該鴿子蛋適合作種蛋，否則不適合作種蛋。鴿子種蛋的識別結果如表1 ～2 所示。從表中數據，可以發現無精蛋的蛋重結果偏小，這主要是無精蛋的透光率高，導致邊緣區域不納入計算范圍。

表1 鴿子種蛋的識別結果1

表2 鴿子種蛋的識別結果2

4 結束語

為解決人工挑選鴿子受精蛋存在的效率低、勞動強度大、主觀性強等問題，本文設計了基于機器視覺的鴿子種蛋識別裝置，運用灰度化、二值化等算法提取鴿子蛋的蛋重和蛋形指數數據。對鴿子蛋受精識別問題，通過分析鴿子蛋受精特征的特點，提出了利用綠色通道圖像增強受精特征的方法，將紅色通道圖像與其余兩通道圖像對比獲得受精特征，再結合受精特征的區域大小判斷是否為受精蛋。實驗結果表明該方法能夠識別鴿子蛋的受精特征，有一定的適應性。結合蛋重、蛋形指數和受精情況3 項數據判斷鴿子蛋是否適用作種蛋。在實際生產過程中，可以使用所提出的方法與裝置對鴿子種蛋進行識別篩選。