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。