考虑光照条件的蛋壳蛋心颜色识别方法

研究了机器视觉识别中光照条件对蛋壳蛋心颜色的影响;根据白壳与青壳蛋透光性的差异,对比分析了鸭蛋不同壳色在不同光照强度下的颜色信息,找出了白壳蛋与青壳蛋图像信息差异最大的参数以及对应的光照条件.同时,分析了与蛋黄颜色相关性较大的特征参数及光照条件.实验表明:光照条件的亮度等级为120时,鸭蛋图像的可分度最好,利用形心区域的尺分量来判断蛋壳的颜色,计算量减少,分类准确,易实现;白壳蛋在180亮度及青壳蛋在210亮度等级下,根据形心区域的H分量建立判别模型,预测精度高.     

基于VFW的鸡蛋图像采集与品质识别

利用Windows平台下的视频应用程序和应用程序编程接口,采集鸡蛋图像,并对采集的图像进行去噪、边缘检测、特征值提取等处理;然后由模式识别,判别出被检蛋品质(重量和新鲜度)等级。试验结果表明,基于VFW的试验装置检测蛋重测量误差在(-0.9g,+0.9g)之间。白壳蛋新鲜度检测准确率为86.5%,褐壳蛋新鲜度检测准确率为83.6%,基本能满足检测要求。     

翻转课堂教学模式在《工程测试与信息处理》中的应用

在分析《工程测试与信息处理》课程特点和教学中存在问题的基础上，提出了对“传感器原理”这章实施翻转课堂，按照翻转课堂模式设计教学方案，并予以实施。采用对照试验和问卷调查研究方法，对学习效果进行分析。最后，对翻转课堂的优势、局限性和应用范围进行了分析和讨论。实践证明，翻转课堂教学模式对提高学生综合能力以及增强学习兴趣有积极作用。      

基于改进YOLOv7模型的复杂环境下鸭蛋识别定位

在干扰、遮挡等复杂环境下,对鸭蛋进行快速、准确识别定位是开发鸭蛋拾取机器人的关键技术,该研究提出一种基于改进YOLOv7（you only look once）模型的复杂环境鸭蛋检测方法,在主干网络加入卷积注意力模块（CBAM,convolutional block attention module）,加强网络信息传递,提高模型对特征的敏感程度,减少复杂环境对鸭蛋识别干扰;利用深度可分离卷积(DSC,depthwise separable convolution)、调整空间金字塔池化结构（SPP,spatial pyramid pooling）,降低模型参数数量和运算成本。试验结果表明,与SSD、YOLOv4、YOLOv5_M以及YOLOv7相比,改进YOLOv7模型的F1分数（F1 score）分别提高了8.3、10.1、8.7和7.6个百分点,F1分数达95.5%,占内存空间68.7 M,单张图片检测平均用时0.022 s。与不同模型在复杂环境的检测对比试验表明,改进的YOLOv7模型,在遮挡、簇拥、昏暗等复杂环境下,均能对鸭蛋进行准确快速的识别定位,具有较强鲁棒性和适用性。该研究可为后续开发鸭蛋拾取机器人提供技术支撑。     

基于血线纹理特征和GA-BP神经网络的鸡种蛋性别鉴定

为了对鸡种蛋孵化早期胚胎性别进行鉴别,构建机器视觉图像采集系统,在LED光源下获取186枚种蛋孵化第4天的图像。采用对鸡种蛋图像进行分量提取、去背景化和二值化等预处理方法,利用自适应直方图均衡化、高低帽变换增强图像,通过迭代阈值分割和"与"运算凸显血线纹理。运用差分计盒法、灰度共生矩阵法、灰度直方图统计法和几何法提取图像的11维特征参数,并构建鸡种蛋胚胎性别识别的BP模型(back propagation neural network,BPNN),利用遗传算法(genetic algorithm,GA)优化BP神经网络的初始权值和阈值。试验结果表明,GA-BP模型的训练集识别综合准确率为99.73%,预测集识别综合准确率为82.80%。     

基于种蛋图像血线特征和深度置信网络的早期鸡胚雌雄识别

为了实现孵化早期鸡胚雌雄识别,构建了机器视觉采集系统,在LED光源下获取180枚鸡种蛋孵化第4天的图像。首先对鸡种蛋图像进行RGB分量提取、中值滤波、感兴趣区域提取等预处理,然后利用限制对比度自适应直方图均衡化、形态学处理、最大类间方差阈值分割和八连通域去噪等方法凸显血线纹理,并通过方向梯度直方图(histogram of oriented gradient,HOG)提取图像的全信息特征和利用灰度共生矩阵提取能量、对比度、相关性、熵、均匀度等5个特征,对HOG全信息特征采用主成分分析(principal component analysis,PCA)降维,最后利用全信息特征和PCA降维特征-灰度共生矩阵特征组合的简化特征,分别构建支持向量机(support vector machine,SVM)、反向传递(back propagation,BP)神经网络、深度置信网络(deep belief networks,DBN)3种鸡胚雌雄识别模型,并比较不同模型的识别准确率。试验中,全信息特征比简化特征构建的模型识别准确率高,基于简化特征的BP、SVM、DBN模型测试集识别综合准确率分别为51.67%、60%和58.33%,基于全信息特征的BP、SVM、DBN模型测试集识别综合准确率分别为58.33%、63.33%和83.33%。其中,基于全信息特征的DBN模型识别准确率最高,达到83.33%。结果表明机器视觉技术为孵化早期鸡胚雌雄识别提供了一种可行方法。     

基于近红外光谱技术检测全蛋粉掺假

为提高全蛋粉掺假检测的准确度和检测效果,应用近红外光谱技术对全蛋粉掺假进行定性判别并对掺假含量进行定量分析。分别采用标准正态变换、多元散射校正、卷积平滑、归一化、一阶导数、二阶导数等6种不同预处理方法,对原始光谱数据进行预处理,采用竞争性自适应重加权算法（CARS）、连续投影算法（SPA）及CARS-SPA结合算法对光谱数据进行特征波长筛选,建立集成学习（ensemble learning,EL）模型对掺假蛋粉进行定性判别,建立偏最小二乘模型（PLSR）对掺假含量进行定量分析。结果显示：在对掺假蛋粉进行定性判别方面,一阶导数为最佳预处理方法,CARS算法特征筛选效果最佳,EL模型对掺假蛋粉样本总体判别准确率达到98.18%,对各类掺假蛋粉样品的判别准确率在97.78%以上。在对蛋粉掺假含量进行定量分析方面,多元散射校正为最佳预处理方法,CARS算法特征筛选效果更佳,对一组分掺假、二组分掺假、三组分掺假和所有掺假样本的PLSR浓度预测模型的预测集相关系数（R_p）分别为0.958 5、0.931 2、0.945 6和0.955 8,均方根误差（RMSEP）分别为4.689 1、5.813 4、4.604 1和3.802 9。研究结果表明,近红外光谱技术可用于蛋粉掺假检测,为监管机构检测蛋粉掺假提供参考。     

基于Adaboosting_SVM算法的多特征蛋壳裂纹识别

以无裂纹蛋和裂纹蛋为测试对象,采用机器视觉技术和支持向量机等技术手段,分析无裂纹蛋和裂纹蛋在图像上的差异,提取特征参数,实现蛋壳裂纹的自动识别;针对蛋壳表面的亮斑,对预处理后的图像运行消除亮斑算法并进行区域标记。在此基础上,从5个不同视角提取13个能够表征无裂纹蛋和裂纹蛋的特征参数,分别是图像标记区域参数(区域标记数和标记点数)、几何特征参数(长轴和短轴)、基于Freeman链码的形状参数(形状数)、纹理特征参数(均值、标准偏差、平滑度、三阶矩、一致性、熵)和频谱特性参数(最大幅值和最大相位)。采用Adaboosting算子对上述特征参数进行优化,突出影响因子较大的参数组合,作为SVM的输入向量,建立蛋壳裂纹的识别模型。结果表明:该方法对蛋壳表面的亮斑、微小裂纹及普通裂纹均具有识别能力,模型正确率达97.5%,符合蛋品企业对蛋壳裂纹检测的精度要求。     

白莱航鸡受精蛋和无精蛋孵化 早期品质差异研究

通过对白莱航鸡受精蛋和无精蛋进行试验、分析孵化 0~4 d 受精蛋和无精蛋品质变化规律、比较两种蛋 的品质差异。 结果表明、受精蛋与无精蛋平均日失重率不同、受精蛋为 0. 71% 、无精蛋为 1. 00% 。 受精蛋蛋白 pH 在孵 化早期有一个先上升后下降的过程、在孵化第 2 d达到最高值（9. 44）、而无精蛋蛋白 pH 则一直缓慢上升。 孵化开始 后、受精蛋蛋白高度先下降后上升、孵化第 2 d 达到最低值（7. 0 mm）、无精蛋蛋白高度则一直下降。 受精蛋与无精蛋 哈夫单位在孵化第 0~3 d没有显著性差异、第 4 d 差异显著。 受精蛋与无精蛋蛋黄颜色均随着孵化的进行发生波动 变化。 受精蛋在孵化 0~4 d 中、蛋壳逐渐变薄、气孔数增加、而无精蛋蛋壳厚度与气孔数均变化不显著。     

种蛋孵化信息的无损检测研究进展

种蛋孵化信息检测对于提升孵化品质、合理利用种蛋资源、提高孵化效益具有重要意义。目前我国种蛋孵化信息检测技术应用落后、劳动强度大、自动化程度较低、禽蛋资源浪费严重,迫切需要加强种蛋孵化信息无损检测技术研究创新,确保孵化质量,实现公母分养,保护动物福利,提高企业经济效益,促进蛋鸡养殖产业健康发展。本文着重从家鸡种蛋的孵前受精检测、孵化期成活性检测及孵化期性别检测三个方面,总结了近十多年来国内外种蛋孵化信息检测领域的新兴技术和研究进展,指出了有待解决的问题和发展前景,以期为种蛋孵化信息无损检测提供综合性参考。