基于原型网络的小样本禽蛋图像特征检测方法

机器视觉因具有检测速度快、稳定性高及成本低等优点，已发展成为禽蛋无损检测领域主流检测手段。使用该技术对禽蛋进行无损检测时，需要依赖大量禽蛋图像作为数据支撑才能取得较好的检测效果。由于养殖安全等限制，禽蛋图像数据的采集成本较高，针对该问题，提出了一种适应于小样本禽蛋图像检测的原型网络（Prototypical network）。该网络利用引入注意力机制的逆残差结构搭建的卷积神经网络将不同类别的禽蛋图像映射至嵌入空间，并利用欧氏距离度量测试禽蛋图像在嵌入空间的类别，从而完成禽蛋图像的分类。本文利用该网络分别验证了小样本条件下受精蛋与无精蛋、双黄蛋与单黄蛋及裂纹蛋与正常蛋的分类检测效果，其检测精度分别为95%、98%、88%。试验结果表明本文方法能够有效地解决禽蛋图像检测中样本不足的问题，为禽蛋图像无损检测研究提供了新的思路。     

利用机器视觉与近红外光谱技术的皮蛋无损检测与分级

为了对优质蛋、次品蛋和劣质蛋这3种皮蛋进行检测及分级,该文应用机器视觉结合近红外光谱技术,研究利用皮蛋凝胶品质无损检测的分级方法。首先采集皮蛋透射光图像,提取18个图像颜色特征值,然后将所提取的18维特征利用主成分分析(principal component analysis,PCA)进行降维,对PCA降维后的3个主成分建立遗传算法优化支持向量机(genetic algorithm-support vector machine,GA-SVM)分级模型,把皮蛋样本分为两大类:可食用蛋(优质蛋与次品蛋)与不可食用蛋(劣质蛋),劣质蛋测试集识别率为100%。然后在机器视觉分类结果的基础上,利用近红外光谱技术获取可食用蛋(优质蛋与次品蛋)的原始光谱,并进行多元散射矫正(multiplicative scatter correction,MSC),利用竞争性自适应重加权算法(competitive adaptive reweighted sampling,CARS)降维提取特征波长,基于支持向量机(support vector machine,SVM)对特征波长变量建立分级模型,区分出优质蛋与次品蛋,优质蛋测试集识别率为96.49%,次品蛋识别率为94.12%。研究结果表明:基于机器视觉和近红外光谱进行皮蛋凝胶品质无损检测分级是可行的。     

基于可见近红外光谱及增强回归树算法的鸡蛋种类鉴别

利用可见-近红外光谱技术,选取湖北地区同一品种不同饲养环境下的鸡蛋,提取鸡蛋的光谱透射率(500~900nm),利用标准正态变量变换对光谱数据进行预处理,结合竞争性自适应重加权与主成分分析对光谱数据进行二次降维,并将提取的特征信息输入增强回归树算法,建立鸡蛋土洋种类鉴别模型,模型的训练集和测试集判别正确率分别为98.33%和97.00%。结果表明,应用基于可见-近红外光谱及增强回归树方法,针对同一母鸡品种但不同饲料产出的土洋鸡蛋的种类鉴别是可行的。     

机采棉中残地膜静电吸附法分级去除

提出一种基于静电吸附方法分级去除机采棉中残地膜的方法,以新疆阿拉尔地区种植的新陆早26号机采棉为研究对象,根据机采棉中残地膜曲直形态与荷电极化程度存在一定的相关性,利用图像处理提取机采棉中各种残地膜杂质特征并进行聚类算法分级,将残地膜分成Ⅰ、Ⅱ、Ⅲ等级。搭建静电吸附分离平台,对掺有不同等级残地膜的机采棉进行不同荷电时间、飞入速度、极板电压下的试验,以除杂率为测定指标,找出对应级别残地膜的最佳参数组合,以期达到残地膜杂质与机采棉的分离最大化。试验表明,对除杂率影响显著的因素由大到小为:飞入速度、荷电时间、极板电压。掺有Ⅰ级残地膜的机采棉除杂最佳荷电时间为24 s,飞入速度为4. 7 m/s,极板电压为39 k V,分离率为96. 2%;Ⅱ级最佳荷电时间为29. 8 s,飞入速度为5. 8 m/s,极板电压为37. 6 k V,分离率为98. 1%;Ⅲ级最佳荷电时间为30. 1 s,飞入速度为3. 5 m/s,极板电压为46. 2 k V,分离率为97. 2%。研究结果表明:基于静电吸附分级去除残地膜的方法可行,能够满足实际生产需要。     

基于改进YOLO v4的群体棉种双面破损检测方法

针对研究人员难以利用计算机视觉对棉种这类尺寸较小的物体进行双面检测,导致检测效果不佳的问题,设计了一款新型棉种检测分选装置,利用亚克力板在强光和白色背景下透明的特点,将棉种通过上料装置滑入透明亚克力板的凹槽中,随着转盘的转动,同一批棉种的正反两面图像分别由2个不同位置的CCD相机采集得到.利用改进YOLO v4的目标检...     

鸡蛋新鲜度神经网络检测系统的研究

鸡蛋内部颜色信息（H、I、S）的变化表征蛋的新鲜度等内部品质的变化。用计算机视觉装置获取鸡蛋颜色参数（H、I、S）,通过试验获得鸡蛋的新鲜度大小（哈夫值）,用它们作为样本数据建立BP神经网络模型,获取鸡蛋新鲜度与其图像颜色参数之间的最优关系,达到自动检测鸡蛋新鲜度。经检验,系统正确识别率为90．8％。     

基于神经网络与图像处理的花生仁霉变识别方法

为了采用机器视觉对霉变花生仁的自动识别与分选，研究了一种基于花生仁图像特征和人工神经网络的霉变识别方法。首先，利用Sobel算子直接对噪声含量少、边缘保存较完整的B分量灰度图进行边缘检测，经过形态学滤波、填充、合成等处理去除背景，得到分割后的彩色花生仁图像。然后提取颜色特征H、I、S及纹理特征RW、GW、BW，将其作为MATLAB所创建的神经网络的输入，并分别定义正常、轻度霉变、严重霉变3组代码为100、010、001的类型作为网络的输出，建立特征参数与霉变等级之间的神经网络识别模式。试验结果表明，该方法对正常花生仁、轻度霉变花生仁、严重霉变花生仁的检测准确率分别为95%、90%、100%，得到了较好的识别效果。     

鸭蛋大小及蛋心颜色自动分级系统软件研制

用VC 6 .0编制的鸭蛋大小及蛋心颜色自动分级系统软件由初始化模块、启动停止模块、图像采集模块、图像处理模块、信号I O模块及系统日志模块组成。初始化模块完成图像采集卡和数字量I O卡的初始化 ;启动停止模块建立和消亡用于监控光室状况和进行图像处理与分析的线程 ;信号I O模块将获得的分级信号送到分级执行机构 ,同时也将鸭蛋到达光室信号反馈至计算机 ;图像采集模块将CCD摄取的鸭蛋图像由图像采集卡采集到主机内存中 ;图像处理模块对主机内存中的图像进行分析后得出分级信息 ;系统日志模块记录系统的启动运行情况和当前系统检测鸭蛋的数量。系统软件运行试验结果表明 ,软件工作稳定可靠 ,大小分级误差± 3g ,颜色分级准确度达 90 %以上     

鸡蛋蛋壳膜超微结构与呼吸强度的相关关系

蛋壳膜作为蛋壳的有机层是呼吸的必经通道,研究蛋壳膜的超微结构与鸡蛋呼吸强度的相关关系对于鸡蛋贮藏保鲜具有重大意义。该研究利用扫描电子显微镜（Scanning Electron Microscope,SEM）对蛋壳膜的超微结构图像进行表征。结果表明：强呼吸强度（≥3 mg/(kg?h)）与弱呼吸强度（≤1 mg/(kg?h)）鸡蛋的蛋壳膜纤维直径、孔隙度与厚度均存在显著性差异（P<0.05）;鸡蛋蛋壳膜纤维直径、外膜以及内膜外侧的孔隙度与呼吸强度存在极显著的正相关关系（P<0.01）,蛋壳膜厚度与呼吸强度存在极显著的负相关关系（P<0.01）。蛋壳膜外膜纤维直径大于内膜,厚度为内膜的3-4倍。以蛋壳膜外膜外侧孔隙度、外膜内侧孔隙度、内膜外侧孔隙度、内膜内侧孔隙度、外膜外侧纤维直径、外膜内侧纤维直径、内膜外侧纤维直径、内膜内侧纤维直径与外膜厚度、内膜厚度共10个指标特征参数为自变量,鸡蛋呼吸强度为因变量,建立较佳偏最小二乘回归模型,测试集相关系数为0.976 7,蛋壳膜超微结构可以很好地表征呼吸强度的大小;以弱、中与强呼吸强度作为分类依据,建立了偏最小二乘判别分析,测试集准确率为83.33%,说明在25 ℃空气环境下蛋壳膜超微结构对呼吸强度具有较好的判别效果。研究结果为更好地利用蛋壳膜超微结构特性来改良涂膜保鲜技术提供参考。     

禽蛋品质检测现状及展望

阐述了禽蛋品质检测的有关项目要求 ,分析了目前国内外禽蛋品质检测和分级的现状及存在问题 ,介绍了无损检测技术在禽蛋品质检测与分级研究中的应用概况 ,提出了今后研究的方向与发展途径。