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.     

鸭蛋品质自动检测分级机的研制

鸭蛋营养丰富,易于消化和吸收,是人们日常生活中重要的动物性营养食品。用鸭蛋加工出的盐蛋、皮蛋,风味独特,深受消费者喜爱,是出口创汇的传统商品。为此,介绍了鸭蛋品质自动检测分级机的总体结构、工作原理、性能特点;对输送装置、分级执行装置、计算机视觉系统等主要部件进行了设计,该机可以实现鸭蛋大小、壳厚、新鲜度和蛋心颜色的自动检测和分级。     

鸭蛋品质无损自动检测分级系统

设计了基于计算机视觉技术的鸭蛋品质无损自动检测分级设备的硬件系统和软件系统。阐述了总体结构、工作原理及检测方法。该设备可一次完成蛋心颜色、蛋壳厚度、蛋大小、新鲜度 4个指标的检测和分级 ,具有快速、准确、高效、可操作性强等特点 ,实现了鸭蛋品质在线检测、分级过程的自动化。     

鸭蛋壳厚等级模型研究

研制了基于机器视觉技术的鸭蛋品质无损检测系统中的鸭蛋壳厚分级模型。阐述了壳厚试验的装置和方法,并对试验数据进行分析,根据不同新鲜度水平得到不同模型。试验结果表明,无论是白壳蛋还是青壳蛋,其蛋壳厚度K与颜色参数H、S、I三个变量之间存在显著线性相关关系。试验所得两组模型可以作为鸭蛋品质无损检测系统的部分模型直接用于壳厚检测。     

基于深度学习的种鸭蛋孵化早期受精信息无损检测

针对我国鸭蛋孵化行业剔除无精蛋的方法效率低、剔除的无精蛋已丧失食用价值、造成资源巨大浪费的问题,运用机器视觉技术,以孵化至第3天的种鸭蛋为研究对象,运用深度卷积神经网络(Convolutional neural networks,CNN)端对端的特点,在Alexnet神经网络基础上进行改进,将孵化第3天的种鸭蛋透射图像直接输入到深度卷积神经网络。用卷积层代替全连接层,改变卷积核的尺寸,搭建了种鸭蛋受精信息识别网络(Eggnet)模型,实现了对种鸭蛋孵化早期受精信息的无损判别。试验结果表明,该方法对孵化第3天的种鸭蛋图像测试集分类准确率高达98.87%,验证集分类准确率为97.97%,平均单枚蛋检测时间仅为0.24 s。     

基于深度学习的群体种鸭蛋受精信息检测方法

针对我国禽蛋孵化行业以人工方式剔除无精蛋自动化程度低的问题,以孵化5d的群体种鸭蛋为研究对象,利用图像采集装置采集群体种鸭蛋图像,在常用单步多框检测器(Single shot multibox detector,SSD)网络的基础上提出一种改进SSD目标检测算法,并采用该方法对孵化早期整盘群体种鸭蛋中的受精蛋与无精蛋进...     

基于机器视觉和PNN神经网络的鸭蛋表面缺陷检测研究

本章提出了一种基于概率神经网络（PNN）结合机器视觉的鸭蛋表面裂痕检测方法,配合背景光照法,结合灰度图像处理、图像高斯滤波处理、图像分割处理等算法去除图像杂质干扰,采用反锐化掩模局部对比度增强的分段增益改进算法来增强裂痕,收集裂痕、污点的相关信息作为数据集录入PNN神经网络,进行识别判断。本研究对1 600张鸭蛋图片样本进行采样分析,将鸭蛋分为好蛋、脏污蛋、裂纹蛋3种。试验表明,该系统对干净无损蛋、脏污无损蛋、裂纹蛋的检测准确率分别达到了95.1%、77.9%、95.3%,具有较好的泛化性和鲁棒性,符合复杂鸭蛋生产加工环境的应用需求。     

基于计算机视觉和神经网络的牛肉颜色自动分

将采集的牛胴体眼肌切面图像人工确定其颜色等级,然后通过计算机图像处理方法,分割出肌肉区域并提取出其在RGB和HIS颜色空间的颜色特征参数.设计一个以牛肉的颜色特征参数为输入、牛肉的颜色等级为输出的BP神经网络模型,通过训练,确定模型的结构参数,用测试样本对该模型进行验证.结果显示,用该模型进行牛肉颜色等级预测的正确率可达95%,耗时仅0.25s.表明利用所设计的模型可以对牛肉的颜色等级进行快速、准确的自动判定.     

基于BP神经网络的烟叶颜色自动分级研究

在形状、身份、油分及颜色等因素中,颜色是影响烟叶等级的一个重要因子。为实现根据烟叶颜色特征对烟叶等级的自动区分,选取贵州黔南地区中部六个等级的烟叶作为实验样本,经过样本采集、预处理,提取出样本的颜色特征值,分析RGB、HIS及HSV三种颜色模型下各颜色分量对烟叶等级影响的研究;基于BP神经网络,依据烟叶等级间差异较大的颜色分量作为神经网络输入因子,从而实现烟叶等级的预测识别。结果显示,用该模型进行烟叶等级预测识别的准确率可达89.17%,耗时仅0.39s。说明根据设计的BP神经网络可实现通过颜色特征对烟叶等级较为准确的预测,可靠性高。     

糟蛋的加工技术

糟蛋以其质地柔软、气味芬芳、沙甜可口,食后余味无穷等独特风味而著称。是我国传统的冷食特产,其加工技术如下：　　(1)酿酒制糟 选择米粒饱满、颜色洁白、无异味和杂质少的糯米,经蒸煮后拌上酒药 (每缸拌黄酒 300g、甜酒 150g)装缸, 7天左右即制成色白、味略甜、浓香的酒糟。　　(2)选蛋击蛋 挑选优质鲜鸭蛋作为原料蛋,用清水漂洗净上面的污物后放竹匾上晾干,为使糟渍过程中产生的醇、酸、糖、脂等成分易于渗入蛋中,须将晾干的蛋壳击破。击蛋时,将蛋放入左手掌内,右手拿竹片,对准蛋的纵侧,从大头部分轻轻一击,然后转动半周再…     

面向微型蛋禽养殖产业的蛋类称量分拣系统设计

设计了面向微型蛋禽养殖产业的蛋类称量分拣系统，其是以单片机控制为核心，以6个曲面托盘为质量承载面，通过按键模块设定称量的质量等级，利用6个双孔悬臂平行梁应变式称量传感器测量对应曲面托盘中的蛋类质量，并通过液晶显示器显示各个曲面托盘称量的质量和所处等级。采用曲面托盘更利于蛋类的放置，该系统体积小巧，使用简单，相对于一人一秤的分蛋模式，分蛋效率大大提高，而对于大型流水线分蛋模式，其使用成本大幅度降低，灵活性比较高，适用于微型蛋禽养殖产业中的蛋类快速称量分拣。      

鸡蛋新鲜度光特性分级系统的研究

通过鸡蛋在无损状态下光特性透射率的追踪试验及其新鲜度指标(哈夫单位)的同步试验,建立了鸡蛋在光透射率敏感波长下的光特性透射率与新鲜度指标(哈夫单位)的相关数学模型,并得到了鸡蛋按光透射率特性的分级。在此基础上,编制了鸡蛋的新鲜度光特性透射率分级程序。此程序分级准确率达到95%以上,可为鸡蛋无损状态下新鲜度光特性分级装置的研究提供理论依据。     

基于BP神经网络的鸡蛋新鲜度无损检测方法

用计算机视觉装置和Matlab软件获取鸡蛋颜色参数（H、I、S）,通过试验获得鸡蛋的新鲜度指标（哈夫值）,用其作为样本数据建立BP神经网络模型,得到鸡蛋新鲜度与其图像颜色参数之间的最优关系。系统先自动判别鸡蛋壳色再分类检测鸡蛋新鲜度,经检验,建立的BP神经网络具有较好的泛化功能和鲁棒性,对褐壳蛋和白壳蛋新鲜度的正确识别率分别为87．258％、89．029％。     

鸡蛋质量与长短轴在线检测方法

开发了一套基于动态称量和图像处理的鸡蛋在线检测系统。通过应变片式传感器动态检测质量,用图像处理检测鸡蛋长短轴。对117个鸡蛋进行在线验证,建立了鸡蛋长短轴检测模型,实现了鸡蛋质量和长短轴的在线检测,并对通过不同方法所得到的鸡蛋长短轴及鸡蛋质量进行了对比。结果表明,在线系统检测鸡蛋质量误差小于±1 g,短轴误差范围-0.5~0.7 mm,长轴误差范围±0.6 mm,鸡蛋检测速率为4枚/s,满足在线检测的要求,证明在线系统具有较强的合理性及鲁棒性。     

鸡蛋外形参数预测模型的研究

在分析单目定距采集到的鸡蛋图像的各颜色分量直方图的基础上,提出了一种检测鸡蛋外形参数的方法,即针对鸡蛋原始图像的R分量图像,采用最小二乘法的椭圆拟合方法。应用30枚鸡蛋样本分别建立了鸡蛋外形参数长轴、短轴的预测模型,其相关系数分别为0.984 3,0.984 2,定标标准误差分别为0.24,0.12;应用5枚鸡蛋样本验证预测模型,其预测误差分别为0.09,0.05,并通过了F验证,为鸡蛋的机械化加工、分级和生物力学特性研究等奠定了一定的基础。     

山竹的计算机视觉分级方法

提出了一种基于计算机视觉技术的山竹大小和颜色分级方法.针对以蓝色滚子为背景的山竹图像,在RGB色彩空间使用双阈值对图像进行初步分割;然后通过形态学运算、轮廓跟踪、区域填充提取出整个山竹目标;最后由颜色因子2G-R-B和G识别出果柄、果蒂和果皮.由果柄、果蒂区域形心和果皮区域形心位置判断水果的姿态,提取水果的最大横径作为大小分级指标;在HIS颜色空间以果皮区域的饱和度S和色调H的差值作为颜色分级指标.选取200个山竹进行分级试验,试验结果表明:果径检测精度为±1.8 mm,颜色分级串级果最大比例为10.2%.     

基于机器视觉和YOLOv4的破损鸡蛋在线检测研究

破损鸡蛋导致的漏液会污染自动化生产线和完好鸡蛋,不仅影响生产效率,还会干扰裂纹鸡蛋的检测.为实现破损鸡蛋快速、准确、低成本的识别,本文利用机器视觉技术,并结合深度学习网络深层次特征提取、高精度检测分类的特性,提出一种基于YOLOv4网络的破损鸡蛋检测方法.构建破损鸡蛋图像数据集,搭建YOLOv4深度学习网络,训练含有破...