摘要：为有效检测并防止屠宰注水生猪，笔者利用屠宰厂现有的监控系统采集生猪开膛的图像，研究了一种判定生猪是否注水的图像识别方法。宰前注水的生猪在开膛时形态异常，尤其以膨胀的胃脏最为明显。依据此特征笔者研究了猪开膛工位图像的采集方法，并对图像进行消噪、二值化、腐蚀与膨胀的预处理，对注水猪图像胃脏的面积、周长、宽长比、圆形度、复杂度形状特征进行计算和分析，采用BP神经网络训练样本数据，实现注水猪图像自动识别算法。结果表明：该方法能够取得很好的自动识别效果，在生猪屠宰监管环节发挥一定作用，实现生猪屠宰监管的自动化。
关键词：屠宰；注水生猪；图像识别；形状特征提取；BP神经网络
生猪注水危害极大，猪胃肠注入大量水分后严重松弛，肠道蠕动变得极其缓慢，胃肠道内的腐败食物分解产生大量有毒物质，这些有毒物质通过重吸收后遍布全身肌肉，对人体造成极大伤害。为了保证市场上出售的猪肉及其制品的安全，“生猪屠宰”是动物监管部门必须把好的最后一道关。有效地进行屠宰监管能够发现注水猪及病害猪等，杜绝问题猪肉进入市场。为此，在生猪屠宰时，监管部门会派工作人员进行驻场监管，为合格的猪肉加盖合格印章并签发售卖许可证；但是这种监管方式每个屠宰厂（点）均需要派工作人员2人以上，耗费大量人力。另外，这种监管方式存在宰前监管的空白，一些屠宰厂（点）为追逐利润在临宰前向活猪体内大量注水。为解决私宰注水猪问题，天津市西青区动物卫生监督所开发出带有注水猪自动识别功能的生猪屠宰监控系统。该系统拟辅助并逐步替代人工，以更严密地监管生猪屠宰的各个环节，达到节省人力、无间断监控、防止屠宰期的违规行为的目的。现将开膛屠宰时注水猪的图像自动识别方法介绍如下。
1 图像采集与预处理
1.1 注水猪解剖特征
正常猪屠宰前需要停食、停水12h以上，而注水猪在临宰前向猪胃内注入30～40kg水，因此注水猪开膛时可以观察到胃脏增大明显，是正常猪胃脏的5倍左右，有时从倒挂开膛猪体内倾覆而出。此外，可以观察到肝脏体积增大、肿胀、边缘增厚，呈盾形；肺脏明显肿胀，表面湿润光亮；肠壁变薄，呈半透明状，外观像充气气球。注水猪与正常猪的胃部形态特征差异最为明显，准确地提取注水猪胃部的形状特征是识别生猪是否注水的关键。
1.2 图像采集
在猪开膛取内脏操作工位安装RFID读卡器，读取猪耳标，并触发摄像机对该头猪连续抓拍5幅图像，用于自动识别。
1.3 转换成灰度图像
由于摄像机抓取的图像为彩色图像，因此在图像预处理阶段需要将彩色图像转换成灰度图像，既不会降低处理效果，还能极大地提高运算速度。将彩色图像转换为灰度图像有很多种方法，根据猪屠宰时彩色图像的特点，本研究采用最大值法，即图像上各像素的灰度值取原彩色图像三色（红、绿、蓝）分量值中的最大值。公式为f（i，j）=Max[R（i，j），G（i，j），B（i，j）]。式中：i，j为像素的横纵坐标；R（i，j）为该点的红色分量值；G（i，j）为该点的绿色分量值；B（i，j）为该点的蓝色分量值。灰度图像见图1。
1.4 图像消噪
为了尽量减少噪声对目标区域识别的影响，对灰度图像进行平滑滤波。常用的滤波方法有很多，中值滤波算法是复杂度较低的一种，其原理是把图像中一点的值用该点的一个邻域中各点值的中值代替，使周围的像素值更接近，从而消除孤立的噪声点。本研究采用3×3作为领域范围，能够有效抑制图像中的噪声并保留边的锐度和图像的细节。
1.5 图像二值化
图像二值化是将一幅灰度图像的所有像素点分成256个灰度级别（灰阶），每个像素点表示为一个灰阶，将高于某一灰阶阈值的像素全部显示成白色，低于这一灰阶阈值的像素全部显示成黑色。阈值的选取是图像二值化的关键。本研究采用最大类间方差法（OTSU，大津法），自适应确定阈值。
记T为前景与背景的分割阀值，前景点数占图像比例为ω0，平均灰度为μ0；背景点数占图像比例为ω1，平均灰度为μ1，则图像的总平均灰度为：
μ=ω0μ0+ω1μ1 （1）
前景和背景图像的方差为：
g=ω0（μ0-μ）（μ0-μ）+ω1（μ1-μ）（μ1-μ） （2）
将式（1）代入式（2），推导出等价方差式：g=ω0μ0（μ0-μ1）（μ0-μ1）。当方差g最大时可以认为此时前景和背景差异最大。采用遍历的方法得到使方差g最大的阀值T，即为所求。二值化图像见图2。
1.6 腐蚀与膨胀
在二值化图像中，胃脏区域与肠区域是连通的，需要将两个区域分离，以便更好地判断猪胃脏的形态特征。先将图像用3×3结构元素作一次腐蚀运算，腐蚀运算后图像缩小一圈，为得到更准确的胃脏区域形态，再用3×3结构元素对图像作一次膨胀运算，腐蚀后膨胀处理结果见图3。
2 形态特征提取
2.1 分离最大连通区域
从腐蚀后膨胀处理的图像中选取最大的连通前景区域，忽略其他前景部分，见图4。
由图4可见，注水猪图像中胃部成为最大连通区域，在整个图像中具有显著的形态特征，而正常猪最大连通区域部位不确定，面积小、形状不定。因此，对注水猪图像中最大连通区域进行特征提取是研究的关键。
2.2 注水猪胃部形状特征的提取
根据注水猪胃部的形状，选用以下特征作为识别依据：1）面积指目标区域的总像素个数，记为S。2）周长指围绕目标区域的外边界像素个数，记为P。3）宽长比指目标区域最小外接矩形的短边与长边的比值，记为K。4）圆形度指目标区域内切圆半径与外接圆半径的比值，记为C。5）复杂度描述目标区域边界的复杂程度，公式为D=4πS/P2。
选取60幅注水猪图像和60幅正常猪图像计算以上特征参数，结果见表1。
3 基于BP神经网络的注水猪识别
将上述60幅注水猪图像的面积、周长、宽长比、圆形度、复杂度5项特征参数作为BP神经网络的输入层，建立一个3层神经网络模型，各层传递函数均用S型函数。网络输入层节点数为5，经多次试验确定隐含层节点数为9，输出层节点数为1，目标误差为0.01，训练迭代次数为5000次，进行训练。
表1 注水猪和正常猪形状特征参数
| 最大连通区域 | 注水猪 | 正常猪 | ||||
| 最小值 | 最大值 | 平均值 | 最小值 | 最大值 | 平均值 | |
| 面积 | 5220 | 7062 | 6620 | 1100 | 3662 | 2414 |
| 周长 | 300 | 336 | 322 | 133 | 245 | 147 |
| 宽长比 | 0.77 | 0.96 | 0.90 | 0.12 | 0.95 | 0.56 |
| 圆形度 | 0.75 | 0.89 | 0.81 | 0.10 | 0.90 | 0.52 |
| 复杂度 | 0.58 | 0.78 | 0.71 | 0.20 | 0.79 | 0.49 |
对训练结果进行测试。某批次共屠宰100头生猪，其中2头注水猪，98头正常猪，每头猪在开膛工位抓拍图像5幅，共获得500幅图像。对BP神经网络的训练结果进行注水猪识别，识别出注水猪图像15幅，其中9幅图像来自注水的2头猪，有1头猪的全部图像（5幅）被认定为注水猪图像，另1头猪80%（4幅/5幅）的图像被认定为注水猪图像；另外6幅图像分别来自不同的5头猪，4头猪20%（1幅/5幅）的图像被认定为注水猪图像，1头猪40%（2幅/5幅）的图像被认定为注水猪图像。直接判定出注水猪1头，正常猪93头，待定猪6头。系统检测的准确率为94%，注水猪召回率为50%，注水猪精确率为100%。
根据大量数据分析，系统将怀疑度≥80%的猪判定为注水猪，怀疑度≤20%的猪判定为正常猪，20%＜怀疑度＜80%的猪判定为疑似注水猪，报告人工进一步核查，这样进一步提高了系统的自动判定能力，得到的判定结果为：注水猪2头，正常猪97头，待定猪1头。本批检测准确率为99%，注水猪召回率、精确率达到100%。
4 总结
图像识别技术在自动监管领域的应用已比较成熟，而畜牧业生产加工监管自动化起步较晚，发展滞后。随着生活水平的提高，人们越来越关注食品的质量安全，畜牧业监管自动化的经济和社会效益日趋显著。图像识别技术在生猪屠宰监管领域未见研究先例，本研究与整个生猪屠宰监管系统的研制解决了基层动物监管部门的实际问题，也为今后相关农业监管领域的自动化尝试提供新的思路。
