基于深度学习的多尺度特征融合定位与优化缺陷识别技术在鸡肉胴体质量控制中的自动检测应用

《Biosystems Engineering》：Automated detection for chicken carcass quality control: A deep learning approach with multiscale feature fusion localisation and optimised defect recognition

　　摘要
鸡肉因其高产量、低成本以及丰富的营养价值，已成为全球重要的肉类产品。随着规模化养殖的发展，屠宰和加工环节的质量控制显得尤为重要。鸡胴体的形态缺陷，如断翅、断头、关节肿胀以及腿部骨骼暴露，会严重影响整鸡的食用品质和外观。传统的人工检测方法效率低下且精度不足。不同位置的缺陷在规模上存在显著差异：关节缺陷面积较小，而翅膀缺陷则面积较大且形状多样，这给基于图像的机器视觉检测带来了诸多挑战。为此，本研究提出了一种区域处理策略，将MobileViT、SPPFS、CBAM以及MPDIoU改进技术整合到原有的YOLOv7框架中，从而实现对鸡胴体各部位——包括头部、双翼和关节——的高精度多尺度定位。根据定位结果，截取相应的局部图像并输入到结合了Focal Loss的ResNet50模型中，以实现缺陷类型的快速识别与精准分类。实验结果表明，改进后的YOLOv7基定位模型的mAP@0.5值为97.6%，而结合Focal Loss的ResNet50模型在形态缺陷识别方面的准确率可达98.1%。通过对不同生产批次数据的验证，该系统在实际生产环境中的性能稳定，改进后的YOLOv7模型mAP@0.5值为95.9%，ResNet50模型准确率为96.9%，充分展现了其在鸡肉自动化检测领域的应用潜力。

引言
2023年全球肉鸡产量达到了1.0239亿吨（美国农业部，2024年），因此确保鸡胴体的完整性对于保障鸡肉加工过程中的产品质量和市场价值至关重要。尽管从挂养到包装的整个肉鸡加工流程已高度自动化（Aslan等人，2024年），但鸡胴体缺陷的检测仍依赖人工操作。常见的缺陷包括断翅、断头、关节肿胀、腿部骨骼暴露以及淤伤，这些都会直接影响产品的等级划分和消费者接受度（Taheri-Garavand等人，2019年；Wabeck，2002年）。虽然分割后的肉制品能容忍一定程度的瑕疵，但用于直接销售或高端用途的整鸡则要求极高的形态完整性（Cevger等人，2004年）。在高端市场中，哪怕是轻微的视觉缺陷，如划痕或血迹，也会大幅降低产品的商业价值。正因如此，研究人员开始探索自动化的视觉缺陷检测方法。例如，Chunluan等人（2024年）采用二维成像技术检测表面皮肤损伤，还运用高光谱成像结合卷积神经网络来识别血迹。然而，像断翅和骨骼暴露这类复杂的形态缺陷，由于其不规则的形状，仍然难以实现自动检测，依然需要依靠人工检查（Aydin，2017年）。

肉鸡鸡胴体的形态缺陷主要源于两大方面（Baéza等人，2022年）。其一是在生长过程中出现的生理异常，如关节肿胀，表现为细微的局部异常；其二则是加工过程中造成的损伤，包括断翅和断头，这类缺陷通常由机械冲击或不当操作引起，往往会导致大规模的形态变形（Aslan等人，2024年）。这类缺陷在空间尺度上差异很大，从细微的局部异常到严重的整体形态变形都有，给传统的视觉系统带来了多尺度目标检测的难题。此外，鸡胴体的解剖结构复杂性以及成像条件的限制，进一步加剧了检测难度（Caldas-Cueva等人，2021年）。为解决这些问题，需要借助深度学习、多尺度特征融合、数据增强以及优化后的成像技术来构建智能检测系统。这样的系统不仅能提高检测精度，减少漏检现象和成本，还能在复杂的屠宰环境中提升产品质量和加工效率，尤其适用于高端整鸡产品。

近年来，深度学习技术在禽类检测领域取得了显著进展，它建立在早期基于视觉的方法之上（Brosnan & Sun，2004年），并具备强大的特征提取能力（Awasthi等人，2024年）。目前，已有新的端到端检测方法出现，简化了整个检测流程并提升了处理速度（Tran等人，2024年）。不过，这类方法在直接处理整体图像时，往往会丢失复杂区域（如关节和翅膀）的细节，进而影响定位和分类的准确性。这一问题在具有多尺度特征的形态缺陷中尤为突出，这类缺陷既包括局部的细微异常，也包括大规模的结构变形。这类方法依赖于完整的身体图像，而这些图像往往包含大量无关信息，不仅妨碍对细微缺陷特征的准确学习，还会增加计算成本，从而限制了其在实时应用场景中的使用（Qiao，2024年）。相比之下，基于区域的定位与缺陷检测两阶段框架更适于检测具有多尺度形态缺陷的禽类鸡胴体（Kim等人，2022年）。然而，现有的两阶段方法在处理多尺度缺陷以及难以分类的样本（如关节肿胀）方面仍存在局限。通过增强多尺度特征融合能力，并优化针对不平衡样本的学习机制，可以提高模型对多尺度形态缺陷的检测精度，以及区分不同类型缺陷的能力。为提升定位精度，Lai和Kuo（2023年）提出了一种针对特定身体部位的CNN模型，该模型不涉及缺陷类型的区分。此外，大多数现有方法都侧重于表面层面的缺陷检测（Brosnan & Sun，2004年），而对形态异常的关注较少。实际上，形态异常往往呈现出多尺度、层次化的特征，既包含局部变化，也存在大规模的结构变形。因此，如何实现高效、准确的关键形态缺陷检测，以适应实际应用需求，仍然是一个重大挑战。在实际工程应用领域，Zhang、Yang等人（2026年）提出了一种结合图像增强与轻量级网络的检测算法，Chen等人（2026年）引入了随机森林替代模型，而Zhang、Zhao等人（2026年）则开发了一种整合多源数据与机器学习的框架。这些研究都表明，轻量化设计与数据驱动方法能够在保证准确性的同时显著提升检测效率。

由于缺陷区域与正常解剖区域之间存在高度相似性，缺陷表现形式也千差万别，加之在不同形态尺度上难以提取具有区分度的特征，这些因素都限制了现有深度学习方法在鸡胴体缺陷检测中的应用。本研究旨在提出一种基于形态学的方法，用于鸡胴体缺陷的定位与检测。本研究假设，将多尺度形态特征与深度学习方法相结合，能够提高对复杂形态缺陷的定位和分类精度，尤其是对于那些外观相似但结构不同的异常情况。因此，本研究的目标包括三个方面：（1）建立标准化的图像采集策略，以提高形态学图像表示的一致性；（2）开发并评估一种先进的深度学习框架，用于缺陷的定位与分类；（3）研究不同模型架构在实现可靠形态缺陷识别方面的有效性。这一方法的开发将有助于推动禽类生产行业中形态缺陷评估的自动化进程，减少传统人工检测所带来的主观性和对人工的依赖，同时提升检测精度。

测试材料
测试对象为肉鸡鸡胴体。在中国广东省的一家大型肉鸡屠宰场，通过人工检查筛选出了1284张存在缺陷的肉鸡鸡胴体图像，这些缺陷包括断翅、断头、关节肿胀以及腿部骨骼暴露等。缺陷区域用红色圆圈标出（图1a）。

图像采集系统
为确保鸡胴体在检测站内的运输过程连续且姿态稳定，尤其是要能够清晰地捕捉到鸡胴体各部分的完整形状。

鸡胴体部位定位模型
为系统评估各项改进模块对提升YOLOv7模型在定位鸡胴体关键部位性能方面的作用，本研究设计并开展了系列消融实验。实验结果见表4。所有模型均在相同的实验环境和数据集设置下进行训练和测试（Yang等人，2024年）。在测试集上，原始的YOLOv7模型在精确度、召回率、mAP@0.5值以及mIoU值方面分别达到了85.4%、88.9%、91.3%和85.4%。

结论
本研究提出了一种深度融合多尺度特征定位与优化缺陷识别的深度学习方法，用于实现鸡肉鸡胴体的自动化质量管控，旨在提升部位定位的精度以及缺陷识别的可靠性。该模型以YOLOv7框架为基础，结合了SPPFS和MobileViT技术，以增强多尺度特征融合能力，提升不同大小部位的定位性能；同时，CBAM机制则增强了模型对显著特征的空间注意力。

作者贡献声明
Juanfang Bao：概念构思、数据整理、形式分析、研究设计、方法论设计、可视化处理、初稿撰写。Wude Yang：数据整理、方法论设计、软件应用、结果验证、论文修订。Wenyu Zhang：数据整理、方法论设计、论文修订。Liuqian Gao：数据整理、论文修订。Song Yang：数据整理、论文修订。Xianqiang Wang：研究设计、资源协调、结果验证。Yang Liu：概念构思、数据整理、生成式AI使用声明。在撰写本文期间，作者仅使用ChatGPT来优化手稿的语言表达。作者已对生成的内容进行了必要的审核和修改，并对本文内容承担全部责任。

数据与代码公开声明
本研究生成的数据集可应请求向作者获取。相关代码目前属于专利申请的一部分，暂不可公开。

利益冲突声明
作者声明存在以下可能构成利益冲突的财务利益/个人关系：Huihui Wang表示获得了中国国家自然科学基金的资助；Yang Liu表示获得了辽宁省教育厅基础科学研究项目的资助；Huihui Wang还表示获得了辽宁省教育厅基础科学研究项目的资助。

致谢
本研究得到了中国国家自然科学基金[项目编号32372434]以及辽宁省教育厅基础科学研究项目[项目编号LJ212410152035和LJ212410152024]的支持。

Juanfang Bao | Wude Yang | Wenyu Zhang | Liuqian Gao | Song Yang | Xianqiang Wang | Yang Liu | Huihui Wang
中国大连市116034，大连工业大学机械工程与自动化学院