论文部分内容阅读
羊肉产品作为我国家畜产品加工业的重要组成部分及城乡居民主要的肉类消费品,其需求量与生产量日益增加。在羊肉加工过程中,羊骨架切割是依据行业标准和大众饮食喜好,将羊骨架关键部位切割为相应多类羊骨分体的过程,是实现羊肉产品增值的重要环节,但目前我国羊肉加工企业在该环节普遍采用人工辅助流水线作业的形式完成,存在生产效率低、作业环境恶劣等一系列问题,制约着我国羊产业的发展。为响应“肉类工业”发展号召,提高羊骨架切割过程的自动化与智能化水平,本文以羊骨架及其切割后的羊骨多分体为研究对象,围绕羊肉产品加工过程中的实际要求,基于计算机视觉、自动控制技术,针对羊骨架图像数据生成、羊骨架图像3部位(脊椎、胸腔、颈部)语义分割、羊颈—锁骨切割距离预测、羊骨多分体实时分类检测展开深入研究,并基于以上研究成果提出羊骨架自动切割系统,并进行切割试验,主要研究内容如下:(1)羊骨架图像数据生成。针对羊骨架样本获取困难、图像数据量有限的问题,采用生成对抗网络生成具备完整语义信息的羊骨架图像,达到扩充羊骨架图像样本数据规模的目的。为保证生成的羊骨架图像各部位自然特征表达正确、清晰,将原始小数据规模的羊骨架图像分辨率,以比例不变性原则设定为512像素×512像素并归一化。引入DCGAN、Sin GAN与Big GAN 3种高分辨图像生成对抗网络,针对羊骨架原始图像进行训练,利用生成器G学习羊骨架特征分布规律、判别器D判定生成羊骨架图像效果的方式,提高生成羊骨架图像的真实性。通过对比分析3种网络生成器G_loss、判别器D_loss在相同迭代次数情况下的变化趋势,并基于定性评价指标判断各生成对抗网络对羊骨架图像生成能力的优劣,优选Big GAN作为最终的羊骨架图像生成网络,实现羊骨架图像数据规模的有效扩充。(2)羊骨架图像三部位实时语义分割。羊骨架由脊椎、胸腔、颈部3部位组成,各部分相互黏连,颜色、纹理等特征相似,区分不显著,不利于羊骨架图像的精准语义分割。针对以上问题,提出了基于ICNet的羊骨架图像3部位实时语义分割方法。该方法在原有羊骨架图像数据集的基础上与生成羊骨架图像建立组合数据集,基于迁移学习训练模型,利用低分辨率图像完成语义分割、高分辨率图像细化分割结果的策略,实现羊骨架3部位的实时、准确语义分割。选用PA、MIo U以及单幅图像平均处理时间作为羊骨架图像3部位语义分割模型性能的评判标准,并通过模拟不同光照水平的羊骨架图像,测试模型的泛化能力。另外,引入U-Net、Deep Lab V3、PSPNet、Fast-SCNN 4种常用的图像语义分割方法进一步对比其综合能力。结果表明,基于ICNet的羊骨架图像3部位语义分割模型的PA、MIo U以及单幅图像平均处理时间分别为97.36%、88.10%和87ms,综合分割性能最优。(3)羊颈—锁骨切割距离获取。不同羊骨架个体大小不同,各羊颈、锁骨切割距离存在差异,为实现无接触状态下,不同形体羊骨架羊颈、锁骨的正确、精准切割,基于高斯过程回归理论结合机器视觉技术进行羊颈—锁骨切割距离的预测。通过分析羊骨架形体变化的主要部位,采集120副羊骨架的肋部长度、肋部宽度、脊椎长度、脊椎宽度、总长度、去颈后总长度、羊颈和锁骨切割距离共8组体尺特征,在剔除离群值与各体尺特征相关性分析之后,选择与羊颈、锁骨切割距离变化呈强相关的体尺特征,基于高斯过程回归得到羊颈—锁骨切割距离预测模型,并与常用的RF、GBRT、SVR和SLR 4种回归算法进行对比试验。最终,预测模型对羊颈、锁骨切割距离预测的决定系数R~2,均方根误差RMSE和平均绝对误差MAE分别达到0.97、0.30、0.18和0.83、0.29、0.22,预测精度最高。在此基础上,利用羊骨架图像3部位实时语义分割结果,依据颜色特征进一步调整分割阈值,结合图像形态学处理,将得到的羊骨架各体尺像素距离转换为其实际物理长度,输入预测模型,获取羊颈、锁骨切割距离结果。将模型输出的羊颈、锁骨预测切割距离结果数据与人工测量对照组数据进行对比分析,2组数据的平均绝对百分比误差MAPE分别为3.72%、6.82%,达到无接触状态下,正确获取不同羊骨架羊颈、锁骨切割距离的目的。(4)羊骨多分体实时分类检测。羊骨架切割后产生的羊骨多分体需要分类检测,以羊腰椎骨、胸椎骨、颈部、腹肋、肩胛骨、腿骨为研究对象,利用单阶段目标检测算法,提出一种羊骨多分体实时分类检测方法。在羊屠宰车间输送带场景下,采集包含多类、多个羊骨多分体图像,经图像增广及归一化后建立羊骨多分体图像数据集。引入迁移学习训练分别基于YOLOv3、SSD的羊骨多分体分类检测模型,并通过对比二者的平均检测精度与单幅图像平均处理时间,优选基于YOLOv3的羊骨多分体实时分类检测检测模型,实现图像中羊骨多分体类别及位置的实时分类检测。以更换特征提取网络为轻量型神经网络的方式优化模型检测速度,并在此基础上,利用多尺度特征显著的附加多尺寸数据集、代表“亮”、“暗”两种亮度条件的附加光照数据集以及表示遮挡情形的附加遮挡数据集,分别测试优化后模型的鲁棒性、泛化能力和抗遮挡能力。通过Mask-RCNN、Faster-RCNN、Cascade-RCNN 3种常用的目标检测算法,以及更换特征提取网络为Mobile Netv1、Res Net34和Res Net50,进一步与优化后模型展开对比试验。结果表明,针对羊骨多分体图像验证集,优化后模型的平均检测精度和单幅图像检测时间分别为88.05%、64.7ms,较原始模型提升0.26%与32.67%,并且具备良好的鲁棒性,较强的泛化能力和抗遮挡能力,综合检测能力最优。(5)羊骨架自动切割系统设计与试验分析。为实现羊骨架的智能化、自动化切割,提出“先切割羊骨架3部位,再切割剩余羊胸腔”羊骨架2步切割工艺,并设计加工羊骨架3部位自动切割装置和羊胸腔自动切割装置构建自动切割系统。通过三维扫描、重建羊骨架空间立体结构,参考羊骨架形体特征规律及切割要求,设计羊骨架仿形夹具,用于切割过程中的夹持操作。构建羊骨架链式输送装置,用于匀速输送夹紧状态的羊骨架,再依据羊骨架3部位切割位置,交错布置切割刀具,利用羊颈—锁骨智能切割系统结合2组可移动式圆盘锯,完成羊骨架3部位的自动、正确切割。针对羊胸腔自动切割,基于羊胸腔结构特征,设计羊胸腔仿形内模与羊胸腔气动夹紧系统,仿形内模在气动夹紧系统“气吹”、“气吸”两种模式的辅助下,达到羊胸腔切割前夹紧、切割后各分体分离的目的。依据羊胸腔切割规范,构建羊胸腔5锯切割台,完成羊胸腔的自动切割作业。以平均切割偏差θ、切割效率P和切割损耗率η3项评价指标,展开羊骨架自动切割系统切割性能测试试验。结果表明,上述3种评价指标分别达到8.6mm、99.5副/h、1.11%。本研究以实现羊骨架关键部位识别检测及提升羊骨架切割作业自动化水平为目标,开展了羊骨架图像生成、羊骨架3部位识别、羊颈—锁骨切割距离获取、羊骨多分体分类检测方法及羊骨架自动切割系统研究,为羊体屠宰加工生产线的自动化作业提供技术支持。