种蛋外形的计算机视觉识别研究

提出一种利用计算机视觉对种蛋进行筛选的方法。蛋形指数有两个指标：质量与形状,将质量的测量转为对尺寸的测量,采用第一个神经网络检测种蛋的主要特征点,并根据视觉测量原理得到其尺寸大小。利用带小波变换对原始的边缘形状参数进行特征提取,第二个神经网络以此为输入来识别种蛋外形的规则性。试验表明：该方法与人工筛选相比较,其一致性可达到93%。     

基于Zernike矩的马铃薯薯形检测

目前基于机器视觉的马铃薯薯形检测的形状特征单一,相关研究较少,为了进一步探索合适的形状特征参数及检测方法,该文将Zernike矩作为特征参数并利用支持向量机实现了马铃薯薯形的检测分类,准确度较高。首先用截取最佳图像的方法对马铃薯图像进行归一化,使得归一化后的图像具有平移和尺度不变性,然后从归一化的图像中计算具有旋转不变性的Zernike矩参数,通过特征筛选确定分类的19个Zernike特征参数,最后将这些特征输入到支持向量机中,用高斯径向基核函数（RBF）和Sigmoid核函数构建混合核函数,完成马铃薯薯形检测分类,对薯形良好和畸形的检测准确率达93%和100%,能够准确剔除畸形马铃薯并满足实际检测的要求。     

多对象特征提取和优化神经网络的玉米种子品种识别

为了实现机器视觉代替人的视觉,对玉米种子品种进行实时、客观、准确和无损伤识别,研制了玉米品种识别硬件系统和软件系统。针对玉米种子及种子图像的特点,对玉米种子品种识别技术与算法进行了深入地研究和探索,提出了一种基于多对象有效特征提取和主成分分析优化神经网络的玉米种子品种识别方法,提取了玉米种子的几何特征和颜色特征参数,优化了基于机器视觉的玉米种子图像处理策略和品种识别算法,提高了玉米品种识别的速度和准确率。对农大108、鲁单981、郑单958、五岳18共4个品种玉米种子进行了品种识别试验,每粒种子识别的平均耗时为 0.127 s,综合识别率达到97%以上。研究表明,基于机器视觉的玉米种子品种识别与检测方法是可行的,该方法可提高玉米种子品种识别效率和正确率。     

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。     

基于近红外光谱和机器视觉融合技术的板栗缺陷检测

为提高合格和缺陷板栗分级检测识别精度,提出了近红外光谱和机器视觉的多源信息融合技术的板栗缺陷检测方法。试验以湖北京山板栗为试验对象,利用BP神经网络方法建立了基于近红外光谱、机器视觉和多源信息融合技术的板栗分级检测模型。试验结果表明,3种识别模型对对训练集板栗回判率分别为96.25%、96.67%和97.92%;对测试集板栗的识别率为86.25%、83.75%和90.00%。基于近红外光谱和机器视觉的多源信息融合技术进行板栗分级检测的方法是可行的,融合模型较单独采用机器视觉技术或近红外光谱分析技术建立模型的识别率均有显著提高。     

基于机器视觉的马铃薯质量和形状分选方法

马铃薯的质量和形状是机器视觉分级的2个重要特征和依据,为实现马铃薯质量与形状检测分级,该文提出了一种基于图像综合特征参数的分选方法。首先提取马铃薯俯视图的面积参数和侧视图的周长参数,通过回归分析建立马铃薯的质量检测模型,实现对马铃薯的质量分选;然后提取马铃薯俯视图像的6个不变矩参数,输入到已训练好的神经网络,完成对马铃薯形状分选。试验结果表明:该方法可以有效的检测马铃薯的质量并区分其形状,质量分选准确率为95.3%,薯形分选准确率为96%。可满足实际应用的要求。     

基于RF-DS图谱信息融合的孵化早期鸡胚蛋性别无损检测

针对图像或光谱单一信息检测孵化早期胚蛋性别识别率不高的问题，该研究提出一种随机森林（Random Forest，RF）和证据理论（Dempster-Shafer，D-S）的图谱信息融合的无损检测方法。利用机器视觉和光谱仪分别采集孵化期第4天水平横放的胚蛋信息，在对胚蛋图像和光谱预处理的基础上，提取图像纹理特征和光谱特征，再分别以2类单特征的RF分类结果作为独立证据构造基本概率分配函数，运用D-S证据理论进行决策级融合，根据分类判决门限得出最终的识别结果。试验结果表明，图像和光谱单特征RF模型识别准确率最高分别达78.00%和82.67%，多特征决策融合识别法准确率达到88.00%，其中雌雄识别率分别达到90.00%和86.25%，单个鸡蛋的平均判别用时为2.843 s。结果表明，该光谱-图像信息融合方法可以提高孵化早期胚蛋雌雄识别准确率。     

利用敲击声音信号进行禽蛋破损检测和模糊识别

为了在蛋品加工中能够快速检测并剔除异常蛋(钢壳蛋、尖嘴蛋)和破损蛋，利用一个微型话筒和声卡采集蛋在敲击时的声脉冲信号，将采集到的声脉冲信号送计算机处理和分析。研究结果表明：正常蛋、破损蛋、钢壳蛋、尖嘴蛋的敲击声音信号在衰竭时间、最小共振峰频率和四点最大频率差等参数上存在差异，且差异的边界是模糊的。利用最大隶属度原则进行模糊识别，破损蛋的识别准确率达95%。     

基于自动Hough变换累加阈值的蔬菜作物行提取方法研究

为解决机器视觉对生菜和绿甘蓝两种作物在整个生长时期内多环境变量对作物行识别影响的问题,同时提高机器视觉作物行识别算法的有效性,该文提出了一种基于自动Hough变换累加阈值的多作物行提取算法。首先,选用Lab颜色空间中与光照无关a分量对绿色作物进行提取,通过最优自适应阈值进行图像分割,并采用先闭后开形态学运算对杂草和作物边缘进行滤波。其次,采用双阈值分段垂直投影法对作物行特征点进行提取,通过对亮度投影视图中的目标像素占比阈值和噪声判断阈值设置,实现特征点位置判断和杂草噪声过滤,并对相邻特征点进行优化,剔除部分干扰特征。最后,采用Hough变化对特征点进行直线拟合,将不同Hough变换累加阈值获得的拟合直线映射到累加平面上,通过K-means聚类将累加平面数据聚类为与作物行数相同的类数,根据相机成像的透视原理提出基于聚类质心距离差和组内方差的最优累加阈值获取方法,将最优累加阈值下累加平面中的聚类质心作为识别出的真实作物行线。温室和田间试验表明,针对不同生长时期的生菜和绿甘蓝作物,该文算法均可有效识别出作物行线,最优阈值算法耗时小于1.5 s,作物行提取平均耗时为0.2 s,在田间和温室中作物行的平均识别准确率分别为94.6%、97.1%,识别准确率为100%的占比分别为86.7%和93.3%。研究结果为解决多环境变量影响因素下的算法鲁棒性和适用性问题提供依据。     

基于计算机视觉和神经网络检测鸡蛋裂纹的研究

为了提高鸡蛋裂纹检测的准确性和效率，综合运用计算机视觉技术和BP神经网络技术，实现对鸡蛋表面裂纹的无损检测和分级。首先，通过计算机视觉系统获取鸡蛋表面的图像，对图像分析处理，提取了裂纹区域和噪声区域的5个几何特征参数。其次，将5个参数作为输入，建立结构为5-10-2的BP神经网络模型，对裂纹进行识别和鸡蛋的自动分级。试验结果表明模型对裂纹鸡蛋的识别准确率达到了92.9%，对整批鸡蛋的分级准确率达到了96.8%。     

基于图像处理-深度学习的孵前种鸭蛋外部品质在线无损检测

种鸭蛋的品质影响着孵化率和健雏率,挑选优质种鸭蛋孵化不仅可以减少孵化占用的资源,还可以及时将不适宜孵化的种鸭蛋筛选出另做它用,避免其孵化失败造成浪费。为了对不同外部品质的孵前种鸭蛋进行检测分级,该研究设计了一种基于图像处理和深度学习的种鸭蛋外部品质检测系统。在传送轨道上获取种鸭蛋的透射图像后,选取多张鸭蛋图像中的最大长轴计算形状特征,通过交错值衡量大小头相似度;在伽马变换平衡图像颜色后,使用HSV分割提取脏污特征图来计算脏污面积;采用自适应阈值分割和脏污特征图掩膜对图像样本数据进行预处理,搭建裂纹识别网络CrackNet来识别脏污鸭蛋的裂纹。结果表明,该检测系统可计算种鸭蛋的大小、蛋形指数、脏污面积和大小头相似度,检测表面裂纹,计算所得长轴和蛋形指数的均方误差仅0.220 2 mm²和0.000 058,CrackNet的裂纹识别准确率为98.03%,研究结果可为入孵前种鸭蛋的筛选工作提供技术支持。     

基于高光谱信息融合和相关向量机的种蛋无损检测

为了尽可能早的检测出无精蛋和受精蛋,该文提出采用透射高光谱成像技术,融合图像和光谱信息,对其受精信息进行检测。利用高光谱图像系统采集孵化前种蛋在400~1 000 nm的高光谱图像,提取图像特征(长短轴之比、伸长度、圆度、蛋黄面积与整蛋面积之比);筛选出400~760 nm的波段,通过Normalize预处理结合相关系数法提取155个光谱特征变量;运用主成分分析法对图像和光谱的融合信息进行降维,采用相关向量机(relevance vector machine,RVM)分别建立基于图像、光谱和图像-光谱融合信息的受精蛋和无精蛋分类判别模型,并与支持向量机(support vector machine,SVM)模型进行比较,RVM模型检测正确率分别为90%,91%,96%;测试集检测时间分别为0.6619,1.0821,0.5016 s。SVM模型检测正确率分别为84%,90%,93%;测试集检测时间分别为5.9386,5.9886,5.6672 s。结果表明,基于图像-光谱融合所建立的模型优于单一信息的模型,在分类精度上,采用RVM分类精度高于SVM的分类精度;在分类时间上,RVM的分类时间比SVM短,因此,利用高光谱融合信息和相关向量机可以提高种蛋检测精度,研究结果为孵前无精蛋和受精蛋的在线实时检测提供参考。     

基于改进YOLOv7的破壳鸡蛋在线实时检测系统

针对破壳鸡蛋（破口蛋和裂纹蛋）缺陷差异性大，在线检测要求实时，以及人工检测依靠主观经验且检测速度慢、检测精度不高等问题，该研究提出一种基于改进的YOLOv7（You Only Look Once v7）模型的破壳鸡蛋在线实时检测系统。即以YOLOv7网络为基础，将YOLOv7网络的损失函数CIoU（complete-IoU）替换为WIoUv2（wise-IoU），在骨干网络（backbone）中嵌入坐标注意力模块（coordinate attention，CA）和添加可变形卷积DCNv2（deformable convnet）模块，同时将YOLOv7网络中的检测头（IDetect）替换为具有隐式知识学习的解耦检测头(IDetect_Decoupled)模块。在PC端的试验结果表明，改进后的模型在测试集上平均精度均值（mean average precision，mAP）为94.0%，单张图片检测时间为13.1 ms，与模型改进之前相比，其mAP提高了2.9个百分点，检测时间仅延长1.0 ms；改进后模型的参数量为3.64×10⁷，较原始模型降低了2.1%。最后通过格式转换并利用ONNXRuntime深度学习框架把模型部署至设备端，在ONNXRuntime推理框架下进行在线检测验证。试验结果表明：该算法相较原始YOLOv7误检率降低了3.8个百分点，漏检率不变，并且在线检测平均帧率约为54帧/s，满足在线实时性检测需求。该研究可为破壳鸡蛋在线检测研究提供技术参考。     

果实形状的计算机识别方法研究

在综合分析果实形状的基础上，提出用6个特征参数表示果形，这6个特征参数分别为半径指标、连续性指标、曲率指标、半径指标的对称性、连续性指标的对称性、曲率指标的对称性。首次将参考形状分析法用于果形判别，利用人工神经网络对果形进行识别和分级。结果表明，用提取的特征参数和果形识别技术，计算机视觉与人工分级的平均一致率在93%以上。     

低剂量γ辐射对鸡产蛋性能的影响

1985—1990年间,用~(60)Coγ源辐照滨白鸡种蛋,结果表明,辐照促进受精蛋胚胎发育,孵化率提高6.86％,健雏率提高5.52％,雏鸡增重5—6％,提高辐照当代母鸡产蛋率8.03％,辐照二代(商品代)母鸡开产日龄提前6—7周,拉长产蛋期,72周龄产蛋量提高10.48％。     

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。     

鸡蛋超弱发光与其新鲜程度的相关分析

使用超弱发光图像探测系统研究了鸡蛋在贮藏期中的发光情况，发现不同鸡蛋的发光强度在第3天达到最大，随后又表现出振荡衰减，这说明第3天的鸡蛋活性最强；对鸡蛋延迟发光进行了研究，发现普遍服从双曲衰减规律，这一点与生物光子的相干理论相一致。不同鸡蛋的超弱发光强度是不同的，这与鸡蛋生命活动的强弱有关，生命力越旺盛的鸡蛋发光也就越强。超弱发光作为鸡蛋生理生化反应的综合指标，用于测定鸡蛋鲜度，方法简单、无损伤、灵敏度高；它不仅可以用来检测鸡蛋的鲜度，还可以检测其它方法难以反映或不能反映的鸡蛋随各种外界条件（如光照、温度等）的变化规律。     

基于改进MobileNetV3-Large的鸡蛋新鲜度识别模型

鸡蛋在运输贮存过程中一直伴随着品质的不断衰减,如何快速、准确地识别鸡蛋新鲜度是业界和学者们共同关注的话题。针对鸡蛋内部气室和蛋黄等新鲜度特征差异不显著的问题,该研究提出一种基于改进MobileNetV3-Large的轻量级鸡蛋新鲜度识别模型。首先在深度可分离卷积中引入动态卷积（Dynamic Convolution, DC）模块,改进后的深度可分离动态卷积模块能够为不同的鸡蛋图像动态生成卷积核参数,提高模型特征提取能力;其次在注意力模块中引入坐标注意力（Coordinate Attention, CA）模块,增强模型对位置信息的感知能力;最后采用3 276张鸡蛋图像训练并测试改进的MobileNetV3-DA模型。试验结果表明,MobileNetV3-DA模型在测试集上的准确率为97.26%,分别比ResNet18、VGG19和ShuffleNetV2模型高5.19、0.84和5.91个百分点;模型参数量和计算量分别比MobileNetV3-Large减少1.03和78.64 M;在实际应用中,MobileNetV3-DA模型精确率、召回率和加权分数的平均值分别为95.95%、95.48%和97.82%,达到了理想的识别效果。改进的MobileNetV3-DA模型为鸡蛋供应链各环节进行鸡蛋新鲜度快速、准确识别提供了算法支持。