基于生成对抗网络与ICNet的羊骨架图像实时语义分割

研究了羊骨架图像生成技术与基于ICNet的羊骨架图像实时语义分割方法。通过DCGAN、SinGAN、BigGAN 3种生成对抗网络生成图像效果对比,优选BigGAN作为羊骨架图像生成网络,扩充了羊骨架图像数据量。在此基础上,将生成图像与原始图像建立组合数据集,引入迁移学习训练ICNet,并保存最优模型,获取该模型对羊骨架脊椎、肋部、颈部的分割精度、MIoU以及单幅图像平均处理时间,并以此作为羊骨架图像语义分割效果的评判标准。结果表明,最优模型对羊骨架3部位分割精度和MIoU分别为93.68%、96.37%、89.77%和85.85%、90.64%、75.77%,单幅图像平均处理时间为87 ms。通过模拟不同光照条件下羊骨架图像来判断ICNet的泛化能力,通过与常用的U Net、DeepLabV3、PSPNet、Fast SCNN 4种图像语义分割模型进行对比来验证ICNet综合分割能力,通过对比中分辨率下不同分支权重的网络分割精度来寻求最优权值。结果表明,ICNet与前3种模型的分割精度、MIoU相差不大,但处理时间分别缩短了72.98%、40.82%、88.86%;虽然Fast SCNN单幅图像处理时间较ICNet缩短了43.68%,但MIoU降低了4.5个百分点,且当中分辨率分支权重为0.42时,ICNet分割精度达到最高。研究表明本文方法具有较高的分割精度、良好的实时性和一定的泛化能力,综合分割能力较优。

基于单阶段目标检测算法的羊肉多分体实时分类检测

针对输送带场景中羊肉分体需要进一步分类检测问题,提出一种基于单阶段目标检测算法的羊肉多分体实时分类检测方法。在羊屠宰车间环境下采集包含多类、多个羊肉分体图像,经图像增广及归一化后建立羊肉多分体图像数据集,其中训练集7200幅,测试集1400幅,验证集400幅。利用单阶段目标检测算法YOLO v3引入迁移学习对羊肉多分体图像数据集展开训练并获得最优模型,基于最优模型返回图像中各羊肉分体的类别及其位置,从而实现羊肉分体的分类检测。选用平均精度及单幅图像平均处理时间作为评判模型检测精度与速度指标。然后通过更换羊肉多分体识别模型的特征提取网络优化检测速度。另外设置包含亮、暗两种亮度水平的附加光照数据集以及代表羊肉分体遮挡情形的附加遮挡数据集,分别验证优化后模型的泛化能力与抗干扰能力,并通过多尺度特征明显的颈部与腹肋肉测试优化后模型的鲁棒性。最后引入Mask R-CNN、Faster R-CNN、Cascade R-CNN和SSD 4种常用目标检测算法针对不同数据集分别进行对比试验,在此基础上,进一步更换特征提取网络为MobileNet V1、ResNet34和ResNet50验证优化后模型的综合检测能力。试验结果表明,优化后模型的检测速度较原始模型提升48.53%,同时对光照、遮挡复杂环境下羊肉多分体识别具备较强的泛化能力与抗干扰能力,以及对多尺度特征显著的羊肉分体检测具有良好的鲁棒性,针对羊肉多分体图像验证集,优化后羊肉多分体识别模型的平均精度达到88.05%,单幅图像处理时间为64.7 ms,综合检测能力优于其他算法,说明该方法具备较高的检测精度和良好的实时性,能够满足实际生产需求。

基于点云变形分析的羊胴体最佳宰后成熟时间确定方法

为探索羊胴体最佳宰后成熟时间在实际生产过程中应用的方法,以变形检测技术为主要手段,研究通过观测羊胴体宰后成熟过程中的变形情况来确定胴体最佳宰后成熟时间的可行性。以同批宰杀的杜泊绵羊和巴美肉羊胴体作为试验样本,宰杀后静置于恒温排酸间并在宰后一定时间点使用激光扫描仪采集整只胴体的三维点云模型,经过预处理和配准后借助三维色谱图确定胴体上变形显著的感兴趣区域,计算其变形量的同时测定其肉样的pH值和水分含量随时间的损失率两项指标,通过分析两项指标初始值的分布性和一致性筛选用于相关性分析样本集,通过相关系数判断其变形量与上述两项指标之间变化的相关程度。结果表明,试验样本在感兴趣区域的变形量与上述两项指标在宰后成熟过程中变化的相关系数均分别达到0.875和0.944以上,呈现高度相关性。结合从传统方法中得出的研究结论,验证了通过外部观测宰后胴体的变形情况来判断胴体最佳宰后成熟时间的可行性。