發(fā)布時間：2018-06-04 21:56

  本文選題：雞胴體 + 質(zhì)量分級��； 參考：《農(nóng)業(yè)機械學報》2017年06期

【摘要】：提出一種基于機器視覺技術的雞胴體質(zhì)量分級方法。使用數(shù)碼相機在肉雞屠宰廠隨機采集95幅雞胴體圖像,對采集圖像預處理后,提取出雞胴體投影面積、輪廓長度和胸寬等6個圖像特征。然后以這6個特征參數(shù)為輸入,利用95個樣本為訓練集,通過回歸分析的方法,分別建立預測雞胴體質(zhì)量的一元線性回歸模型和多元線性回歸模型,找出預測質(zhì)量的最佳模型,最后采集5組共100個樣本為驗證集,對最佳分級模型進行驗證。結果顯示,雞胴體圖像的6個特征參數(shù)中,基于投影面積的一元線性模型決定系數(shù)最大,為0.827;基于投影面積等4個特征量的多元線性模型決定系數(shù)最大,為0.880。根據(jù)樣本數(shù)據(jù)的學生化殘差剔除了8個異常點的數(shù)據(jù),修正后的多元線性模型決定系數(shù)為0.933,并將其作為最佳模型。利用最佳模型對驗證集樣本進行質(zhì)量分級,模型對雞胴體質(zhì)量等級判定的平均正確率可達89%。結果表明基于圖像特征的雞胴體自動分級方法是可行的。
[Abstract]:A method of carcass quality classification based on machine vision is proposed. 95 carcass images were collected at random by digital camera in broiler slaughtering plant. After preprocessing, six image features such as carcass projection area, contour length and chest width were extracted. Then, with these six characteristic parameters as input and 95 samples as training set, the univariate linear regression model and multivariate linear regression model for predicting carcass quality of chicken were established by regression analysis, and the best model for predicting carcass quality was found out. Finally, five groups of 100 samples were collected to verify the optimal classification model. The results showed that, among the six characteristic parameters of carcass image, the single linear model based on projection area had the largest determining coefficient (0.827), and the multivariate linear model based on projection area had the largest determination coefficient (0.880). According to the student residual of the sample data, the data of 8 outliers are eliminated, and the decision coefficient of the modified multivariate linear model is 0.933, which is regarded as the best model. The best model was used to grade the samples of the verification set, and the average correct rate of the model for judging the carcass quality grade of chicken was up to 89%. The results show that the automatic classification method based on image features is feasible.
【作者單位】： 南京農(nóng)業(yè)大學工學院;
【基金】：公益性行業(yè)科研專項(201303083-2)
【分類號】：TP391.41;TS251.7

【相似文獻】

相關期刊論文 前10條

1 趙茂程;侯文軍;;我國基于機器視覺的水果自動分級技術及研究進展[J];包裝與食品機械;2007年05期

2 牛一帆;;機器視覺在印刷質(zhì)量檢測中的應用[J];印刷質(zhì)量與標準化;2009年09期

3 牛一帆;;機器視覺在印刷質(zhì)量檢測中的應用[J];廣東印刷;2009年05期

4 楊繼志;郭敬;;機器視覺在煙草行業(yè)的應用[J];機電產(chǎn)品開發(fā)與創(chuàng)新;2011年06期

5 張樹君;辛瑩瑩;陳大千;;基于機器視覺的飲料瓶標簽檢測設備[J];食品研究與開發(fā);2014年03期

6 黃星奕;錢媚;徐富斌;;基于機器視覺和近紅外光譜技術的杏干品質(zhì)無損檢測[J];農(nóng)業(yè)工程學報;2012年07期

7 何自芬;詹肇麟;張印輝;;基于機器視覺的凹版網(wǎng)點變形檢測技術[J];中國印刷與包裝研究;2010年S1期

8 馬連峰;張秋菊;;基于機器視覺的彩色套印檢測技術研究[J];包裝工程;2007年09期

9 周志宇;劉喜昂;楊東鶴;;機器視覺在蠶繭表面積測量中的應用[J];紡織學報;2006年12期

10 楊芳;吳進軍;;基于機器視覺的機針智能質(zhì)量檢測分揀系統(tǒng)設計[J];制造業(yè)自動化;2013年16期

相關會議論文 前2條

1 馬連峰;張秋菊;;基于機器視覺的彩色套印檢測技術研究[A];第十一屆全國包裝工程學術會議論文集（二）[C];2007年

2 管庶安;周龍;陳永強;廖明潮;;機器視覺在糧食品質(zhì)檢測中的應用研究[A];中國糧油學會第三屆學術年會論文選集（下冊）[C];2004年

相關重要報紙文章 前5條

1 紐博泰;自動檢測對印刷質(zhì)量成本進行有效控制[N];中國包裝報;2009年

2 劉詩人;印刷質(zhì)量檢測系統(tǒng)原理和技術要點[N];中國包裝報;2009年

3 秦飛;常州宏大積極拓展印染數(shù)控產(chǎn)品[N];中國紡織報;2012年

4 趙曉展;茶葉無損檢測有新思路[N];工人日報;2008年

5 記者 宦建新 通訊員 單泠;水果蔬菜檢測分級實現(xiàn)自動化[N];科技日報;2004年

相關碩士學位論文 前10條

1 冼志軍;錫膏印刷機誤差與錫膏印刷質(zhì)量檢測技術研究[D];華南理工大學;2015年

2 任磊;基于機器視覺的脫囊衣橘片分揀裝置研究[D];浙江師范大學;2015年

3 劉子龍;基于機器視覺的快速分揀食品包裝系統(tǒng)研究[D];浙江工業(yè)大學;2015年

4 洪文娟;基于機器視覺的紅茶發(fā)酵適度性研究[D];中國計量學院;2015年

5 趙卓;基于機器視覺的織物瑕疵實時在線檢測系統(tǒng)的研究[D];西安工程大學;2016年

6 許登程;油菜蜂花粉自動化篩選裝置的研究及設計[D];江蘇大學;2016年

7 王晨;基于機器視覺的生絲電子檢測方法[D];蘇州大學;2016年

8 郭健;基于機器視覺的印刷質(zhì)量在線自動檢測系統(tǒng)研究[D];華南理工大學;2016年

9 張萌;基于機器視覺的生豬瘦肉率無損檢測技術研究[D];華南農(nóng)業(yè)大學;2016年

10 吳玉紅;基于機器視覺的雞翅質(zhì)檢研究[D];山東農(nóng)業(yè)大學;2016年

，

本文編號：1978958