基于视觉引导的鸡部位在线切割系统的研究.pdfVIP

摘要

家禽产品是我国食物结构中动物蛋白的重要来源，家禽产业近年来发展迅速，禽

肉产量增长较快，在肉类所占比重逐年上升。中国现有的大部分加工企业在处理家禽

的过程中。存在着生产效率低，作业环境恶劣等一系列问题。为了实现在线自动鸡部

位分体实时检测与分割，本文选取三黄鸡为研究对象，围绕实际加工需求展开研究，

利用计算机视觉与机器人技术深入研究鸡部位识别与分割。实现了鸡部位图像语义分

割、切割距离预测和机械臂轨迹规划等关键技术，并在此基础上建立了鸡部位切割系

统，同时进行了切割试验。

（1）鸡部位分类检测。经过整只鸡的切割，需要对鸡翅、鸡腿和翅中部位进行

分类检测。本研究采用目标检测模型YOLOV4-CSPDarknet53，提出了针对鸡部位的

分类检测方法。在传送带上采集了各种鸡部位的图像，通过图像处理技术增强和标准

化，建立了鸡部位图像数据集。使用迁移学习对基于YOLOV3-Darknet53、YOLOV4-

CSPDarkent53和YOLOV3-MobileNetv3的鸡部位分类检测模型进行训练。通过对模

型平均识别准确率与每帧图像处理耗时的对比分析，最终确定YOLOV4-

CSPDarknet53的分类检测模型展表现最优。同时通过将特征提取模块更换为

MobileNetv3来优化检测模型的检测速度，最终实验结果表明，更换主干网络后的模

型对图像检测时间减少11.1毫秒。

（2）鸡部位图像实时语义分割。在对鸡部位进行实时语义分割时，各部位之间

存在紧密粘连及显著的相互遮挡现象，这些因素共同作用，导致鸡部位之间的边界区

分变得模糊不清，从而严重影响了分割的精准性。针对以上问题，提出ICNet,U-net,

DeepLabV33种语义分割方法，并选取MIOU，Precision以及单幅图像处理时间作为

语义分割模型的评判标准。结果表明，基于U-Net的鸡部位图像分割模型的MIOU和

准确率分别为81.03%和97%，并通过对比三种分割模型的实际分割效果，选取最优

分割模型U-net作为鸡部位的分割模型。

（3）为了在无接触状态下对不同形态的整鸡实现精准、正确的切割，首先需要

获取鸡部位切割的具体距离。由于每只整鸡的个体大小不尽相同，其各个部位的切割

距离自然存在差异。为此，需要借助高斯过程回归理论与机器视觉技术，共同预测这

些切割距离。首先分析每只鸡的各部位体征，如鸡腿的长度与宽度、鸡翅的长度以及

鸡翅中的长度等。然而，这些数据中难免存在一些离群值，可能影响分析结果的准确

性，因此，必须进行离群值的剔除，并对各体征进行相关性分析。在这个基础上，采

用高斯过程回归方法建立了一个预测鸡部位切割距离的模型。接着，利用鸡部位的图

像语义分割结果，通过调整颜色特征的分割阈值，并结合图像形态学处理，将鸡部位

在图像中的像素距离转化为实际的物理长度。这样就能准确获取鸡部位的实际切割距

离，为后续的无接触切割提供精准的数据支持。

（4）鸡部位自动切割系统设计与试验分析。为实现鸡部位的智能化，自动化切

割，根据鸡胴体的形态以及切割要求选择合适的切割工具。最后以切割鸡部位的残留

率来对测试结果进行评价和分析。采用铣刀对鸡腿切割的残留率均值为11.83%，对

鸡翅切割的残留率均值为11.68%。

为了促进家禽分割自动化技术的进步，本研究开展了一系列深入而系统的研究，

旨在提升鸡肉切割领域的自动化程度。研究覆盖了从鸡部位图像的生成和精准识别，

关键切割点的精确定位，分类检测算法以及切割设备与系统的技术开发等。这一系列

研究成果为实现家禽屠宰加工及加工流水线的高效自动化奠定了坚实的基础。

关键词：鸡部位；深度学习；机械臂；分类检测；语义分割

ABSTRACT

PoultryproductsareanimportantsourceofanimalproteininChinasfoodstructure,

thepoultryindustryhasbeendevelopingrapidlyinrecentyears,andtheoutputofpoultry

meathasbeengrowingfast,withtheproportionofmeatincreasingyearbyyear