鸭蛋蛋心颜色模型的试验研究

应用机器视觉技术研究鸭蛋蛋壳、蛋心颜色与颜色信息R、G、B和H、I、S之间的关系,建立鸭蛋蛋心颜色等级模型,为实现鸭蛋品质的无损自动检测与分级提供依据。试验结果表明:鸭蛋蛋心颜色等级模型具有较高的回归精度,可以用于指导在线生产。     

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。     

AT89S52在鸭蛋品质无损自动检测分级中的应用

设计了基于AT89S52单片机的鸭蛋品质无损自动检测分级延时控制系统。在明确了上位机工作要求的前提下,设计了单片机硬件系统,也对下位机软件系统做了较详细的设计说明;利用串口接口电路,实现了上下位机间的协调工作;最后,对系统的位置误差与时间误差进行了分析。     

基于DSP的鸡蛋破损检测分级装置设计

阐述了基于DSP的鸡蛋破损检测分级装置。设计出以DSP为核心的前端电路,包括声音信号检测与调理、多路选择开关和A/D转换电路以及后端电路,包括驱动和分级执行电路。验证了检测装置的检测与分级性能：好壳蛋判别准确率为93.22%;破损蛋判别准确率为85.61%;系统的总体检测准确率为89.2%。系统完成一枚鸡蛋的检测与分级所需总时间小于1s,系统正常工作时可检测蛋3600枚/h。     

基于机器视觉的鸭蛋外壳检测系统

传统的鸭蛋外壳检测主要依靠人工检测进行，主观性大，检测精度差，效率低，耗费了大量的人力物力，还会造成鸭蛋的二次损坏，严重影响鸭蛋的出口和销售。为此，深入研究了机器视觉技术，并将其应用在鸭蛋外壳检测系统中，构建了基于机器视觉的鸭蛋外壳检测系统总体设计方案，完成了图像采集模块的硬件设计。工作时，对待检测鸭蛋进行自动拍照，完成摄像机图像的采集；通过建立小孔摄像机模型，确定样本图像和摄像机图像的比例关系；通过对样本图像进行图像灰度转换、二值化处理、边缘检测等处理，实现对鸭蛋外壳的智能检测。最后，进行鸭蛋外壳检测试验，结果表明：基于机器视觉的鸭蛋外壳检测系统结构能够实现对鸭蛋进行自动检测，智能区分完好鸭蛋和有裂纹鸭蛋，检测精度高、性能稳定，有效提高了鸭蛋外壳检测效率。     

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。     

鸡蛋自动检测分级与包装装置的设计

设计了一种基于机器视觉系统的鸡蛋外部品质检测分级以及包装设备。本装置首先保证了鸡蛋平稳的输送,实现了对鸡蛋的动态实时检测和图像的采集;然后通过机器视觉检测系统进行鸡蛋的图像处理分析,判断出鸡蛋外部是否有裂纹和脏斑,并将判断指令传输给分级执行装置,从而将破损蛋剔除,完成鸡蛋的初步分级。同时,包装装置满足了各等级鸡蛋的装盘,实现了鸡蛋的自动包装。     

计算机与PLC通讯在鸭蛋分级系统中的应用

在鸭蛋分级系统研究中，运用了Visual C 实现计算机与三菱PLC之间的通讯。为此，结合鸭蛋分级系统的要求，详细阐述了运用Visual C 实现计算机对PLC的控制与管理的方法。该方法主要运用MSComm控件技术，FX-485-BD通讯模块实现计算机和PLC通讯。     

粮食收购品质自动评定装置设计与试验

设计了一种粮食收购品质自动评定装置。采用电容法测量粮食含水率,真空负压法测量容积密度,该装置能够自动检测收购粮食的杂质、含水率和容积密度等重要指标,并对其进行分级。试验结果表明,该装置杂质分离纯净度达99.5%,重复误差不大于0.3%;含水率测量误差在±0.5%以内,重复误差小于0.2%;容积密度测量重复误差小于     

醋鸭蛋巧治顽咳

取鸭蛋２个，陈醋３０毫升，先将鸭蛋打碎并搅匀，放入加水的锅中煮２分钟，然后将醋（陈年米醋较佳）放入锅中同煮，蛋熟后，分２次温服，连服数醋鸭蛋巧治顽咳@李道宗     

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.     

基于单片机的鸭蛋破损声脉冲检测敲击装置

设计了基于单片机的鸭蛋破损声脉冲检测敲击装置硬件系统与软件系统；阐述了总体结构、箱体设计、敲击杆设计、单片机控制系统以及软件工作流程；通过红外发射接收接口，实现敲击频率与敲击力度的调节。该装置工作无噪声且性能稳定，为鸭蛋破损自动化检测提供了可靠的保证。     

基于机算机视觉的杨梅自动检测分级

我国是杨梅的发源地和主产区,地理环境差异大,形成了多样的品种和品质。杨梅以鲜果形式进行销售和食用,销售期很短,因此快速高效的分级具有重要意义。人工分级的劳动强度大、效率低且分级质量不稳定,这些问题在杨梅上体现得更为明显。计算机视觉技术是水果分级研究中的热点,目前已经安装在杨梅采摘机器人上,用于自然环境下的果实识别。本文设计了基于计算机视觉的杨梅自动检测分级系统,经过计算机视觉软件的预处理、灰度化和图像分割后提取杨梅轮廓;然后检测鲜果果径、圆形度和颜色深度,根据相应的等级标准进行分级。系统分级的准确达到92.7%,对大小和果形均具有较高的识别准确率;单幅图片处理耗时0.45s,能够满足实时检测分级的要求。这个系统与合适的分级执行装置结合使用可以达到高效无损的分级效果,为我国杨梅产业可持续发展提供技术支撑。     

醉蛋的制作方法

(1)煮蛋选新鲜的鸡、鸭蛋(数量不限),放在凉水锅里煮,待水开三四分钟时,将鸡蛋捞出,使蛋成为溏黄蛋(鸭蛋可煮开四五分钟)。这是做好醉蛋的关键。若鸡蛋煮得太老了,蛋黄似木渣,不好吃;鸡蛋煮得太嫩了,蛋黄还未凝固,也醉不好。要使蛋黄外面凝固,黄心粥状,成为溏黄为宜。(2)制醉卤将开水倒入水缸、玻璃缸或大碗内,水量以没过鸡蛋为宜,放入适量的盐、搅拌均匀(咸、淡以自己口味为佳),再放少许花椒粒,待水冷后,倒入一些大曲酒,使卤有酒香味即可。(3)醉蛋将煮好的鸡蛋外壳敲敲(不剥外壳),放入醉卤里,盖好盖儿。封捂五六天后,即可食用。产品特点:醉…     

油液污染度自动检测装置

本文介绍了油液污染度自动检测装置的结构与工作原理,该装置以AT89S51单片机为核心,以污染度采集装置为执行机构,以AD1674为A/D转换器,配接混浊度传感器,液晶显示器,实现了油液污染度的在线自动检测。     

自动集蛋装置的研究与设计

简述了养殖业自动化的意义及重要性,详细介绍了自动集蛋装置机械系统和控制系统的结构组成及工作原理。自动集蛋装置的传动系统采用螺旋副及二级液压缸,控制系统采用89C51单片机和步进电机。整套装置工作协调,实现了集蛋装置的准确定位以及不同高度鸡蛋的自动收集。     

基于LabVIEW的苹果擦伤分级系统设计

基于美国USDA苹果分级标准研制了苹果擦伤检测分级系统样机。系统依据所研究的苹果表面擦伤拉曼光谱PLS/CVA处理和UNEQ模型分类,通过设计的LabVIEW虚拟仪器控制系统实时完成苹果分级。对48个预先分级的美国红元帅苹果(reddelicious#4167)分别进行两轮实际分级实验来评估该系统的性能。实验结果表明该分级检测系统对无擦伤、轻擦伤和重擦伤苹果组的分级平均准确率分别为100%、99%、97%。分级系统每分钟可分级苹果3～6个,对运动苹果分级误判率较低,是实施苹果自动检测分级生产线的基本模块。