CN109191461A - 一种基于机器视觉技术的土鸡蛋识别方法及识别装置 - Google Patents
一种基于机器视觉技术的土鸡蛋识别方法及识别装置 Download PDFInfo
- Publication number
- CN109191461A CN109191461A CN201811231267.6A CN201811231267A CN109191461A CN 109191461 A CN109191461 A CN 109191461A CN 201811231267 A CN201811231267 A CN 201811231267A CN 109191461 A CN109191461 A CN 109191461A
- Authority
- CN
- China
- Prior art keywords
- egg
- measured
- countryside
- impurity level
- information entropy
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30128—Food products
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于机器视觉技术的土鸡蛋识别方法及识别装置,首先对待测鸡蛋进行拍照,并根据照片计算出待测鸡蛋的蛋形指数、灰度值信息熵、蛋壳表面杂质量,然后将待测鸡蛋的蛋形指数、灰度值信息熵、蛋壳表面杂质量分别逐步与基准指数范围、基准信息熵、基准杂质量进行比较,从而对待测鸡蛋进行识别,判断其是否为土鸡蛋。通过机器视觉技术获取待测鸡蛋的蛋形指数、灰度值信息熵、蛋壳表面杂质量,再将其与基准值进行比较,可快速地识别土鸡蛋,大大地降低人工识别成本,由于利用待测鸡蛋多个特性进行比较,可更有效地实现识别的目的,使识别更准确。
Description
技术领域
本发明涉及农产品生产的技术领域,尤其涉及一种基于机器视觉技术的土鸡蛋识别方法及识别装置。
背景技术
我国是鸡蛋生产和出口大国,也是鸡蛋的消费大户。作为人们餐桌上最常见的食品之一,鸡蛋以其物美价廉的特性在人们的日常生活中扮演着重要的角色。相比于圈养鸡所产的蛋,土鸡产出的土鸡蛋具有相对更好的品质,土鸡蛋凭籍其无污染、富含维生素、口感好的特点而深受大众的喜爱。市场上便出现一些以圈养鸡蛋冒充土鸡蛋出售的现象,而依靠人工经验判断土鸡蛋的方式是惯用的识别方式,当鸡蛋数目较多时,人工识别的方式就会存在效率低、成本高的问题。
然而,随着计算机和图像处理技术的发展,自动识别技术已逐渐被应用于农产行业领域中。现有技术中,鸡蛋自动识别设备主要是根据待测鸡蛋的尺寸参数来识别土鸡蛋,这种方式虽然能有效解决人工识别土鸡蛋而带来的效率低、成本高的问题,但是,上述的识别方式只适用于尺寸差异较大的土鸡蛋和圈养鸡蛋,当两种鸡蛋之间的尺寸差异较小,就可能会出现无效判断的情况,使得圈养鸡蛋和土鸡蛋会因误识别而发生混淆,一旦该批次的鸡蛋流入市场,就会对农产商和消费者的权益造成损害。
因此,如何寻找一种能克服上述问题的土鸡蛋识别方法,已成为本领域技术人员的重要研究课题。
发明内容
本发明要解决的技术问题在于,针对现有技术的不足,提供一种基于机器视觉技术的土鸡蛋识别方法及识别装置,以解决现有的土鸡蛋识别方式因存在识别不准确,而间接造成农产商和消费者的权益受到损害的问题。
为实现上述目的,本发明提供以下的技术方案:
一种基于机器视觉技术的土鸡蛋识别方法,包括:
拍摄待测鸡蛋的照片;
根据所述待测鸡蛋的照片计算出所述待测鸡蛋的蛋形指数、灰度值信息熵、蛋壳表面杂质量;
将所述待测鸡蛋的蛋形指数与基准指数范围进行比较;
若所述待测鸡蛋的蛋形指数属于所述基准指数范围之内,将所述待测鸡蛋的灰度值信息熵与基准信息熵进行比较,若所述待测鸡蛋的灰度值信息熵大于基准信息熵,判断所述待测鸡蛋为土鸡蛋;
若所述待测鸡蛋的灰度值信息熵小于或等于所述基准信息熵,将所述待测鸡蛋的蛋壳表面杂质量与基准杂质量进行比较,若所述待测鸡蛋的蛋壳表面杂质量大于所述基准杂质量,判断所述待测鸡蛋为土鸡蛋;若所述待测鸡蛋的蛋壳表面杂质量小于或等于所述基准杂质量,判断所述待测鸡蛋为圈养鸡蛋。
可选的,所述根据所述待测鸡蛋的照片计算出所述待测鸡蛋的蛋形指数、灰度值信息熵、蛋壳表面杂质量,具体为:
将所述待测鸡蛋的照片进行灰度化处理;
根据灰度化后的所述待测鸡蛋的照片计算出所述待测鸡蛋的蛋形指数、灰度值信息熵、蛋壳表面杂质量。
可选的,所述基准指数范围、基准信息熵、基准杂质量的确定方式,具体为:
拍摄土鸡蛋和圈养鸡蛋的照片;
将所述土鸡蛋和圈养鸡蛋的照片进行灰度化处理;
根据灰度化后的所述土鸡蛋的照片,计算出所述土鸡蛋的蛋形指数、灰度值信息熵、蛋壳表面杂质量;
根据灰度化后的所述圈养鸡蛋的照片,计算出通所述圈养鸡蛋的蛋形指数、灰度值信息熵、蛋壳表面杂质量;
根据所述土鸡蛋的蛋形指数和所述圈养鸡蛋的蛋形指数,通过机器学习算法计算出所述基准指数范围;
根据所述土鸡蛋的灰度值信息熵和所述圈养鸡蛋的灰度值信息熵,通过机器学习算法计算出所述基准信息熵;
根据所述土鸡蛋的蛋壳表面杂质量和所述圈养鸡蛋的蛋壳表面杂质量,通过机器学习算法计算出所述基准杂质量。
可选的,所述蛋形指数具体通过以下方式获得:
根据灰度化后的照片采集鸡蛋的直径和高度;
根据所述直径和高度,计算出直径和高度之间的比值,将所述比值作为所述蛋形指数。
可选的,所述灰度值信息熵具体通过以下方式获得:
根据灰度化后的照片采集鸡蛋表面若干个区域的灰度值;
根据所述若干个区域的灰度值计算出所述灰度值信息熵。
可选的,所述蛋壳表面杂质量具体通过以下方式获得:
根据灰度化后的照片中蛋壳和杂质之间的灰度差值,计算出所述蛋壳表面杂质量。
本发明还相应地公开了一种基于机器视觉技术的土鸡蛋识别装置,包括:
摄像模块,用于拍摄待测鸡蛋的照片;
第一计算模块,用于根据所述待测鸡蛋的照片计算出所述待测鸡蛋的蛋形指数、灰度值信息熵、蛋壳表面杂质量;
第一比较模块,用于将所述待测鸡蛋的蛋形指数与基准指数范围进行比较;
第二比较模块,用于若所述待测鸡蛋的蛋形指数属于所述基准指数范围之内,将所述待测鸡蛋的灰度值信息熵与基准信息熵进行比较,若所述待测鸡蛋的灰度值信息熵大于基准信息熵,判断所述待测鸡蛋为土鸡蛋;
第三比较模块,用于若所述待测鸡蛋的灰度值信息熵小于或等于所述基准信息熵,将所述待测鸡蛋的蛋壳表面杂质量与基准杂质量进行比较,若所述待测鸡蛋的蛋壳表面杂质量大于所述基准杂质量,判断所述待测鸡蛋为土鸡蛋;若所述待测鸡蛋的蛋壳表面杂质量小于或等于所述基准杂质量,判断所述待测鸡蛋为圈养鸡蛋。
可选的,还包括:
图像处理模块,用于将所述待测鸡蛋的照片进行灰度化处理;
第二计算模块,用于根据灰度化后的所述待测鸡蛋的照片计算出所述待测鸡蛋的蛋形指数、灰度值信息熵、蛋壳表面杂质量。
可选的,还包括:
第三计算模块,用于根据灰度化后的所述土鸡蛋的照片,计算出所述土鸡蛋的蛋形指数、灰度值信息熵、蛋壳表面杂质量;根据灰度化后的所述圈养鸡蛋的照片,计算出通所述圈养鸡蛋的蛋形指数、灰度值信息熵、蛋壳表面杂质量;
学习模块,用于根据所述土鸡蛋的蛋形指数和所述圈养鸡蛋的蛋形指数,通过机器学习算法计算出所述基准指数范围;根据所述土鸡蛋的灰度值信息熵和所述圈养鸡蛋的灰度值信息熵,通过机器学习算法计算出所述基准信息熵;根据所述土鸡蛋的蛋壳表面杂质量和所述圈养鸡蛋的蛋壳表面杂质量,通过机器学习算法计算出所述基准杂质量。
与现有技术相比,本发明具有以下有益效果:
本发明提供了一种基于机器视觉技术的土鸡蛋识别方法及识别装置,首先对待测鸡蛋进行拍照,并根据照片计算出待测鸡蛋的蛋形指数、灰度值信息熵、蛋壳表面杂质量,然后将待测鸡蛋的蛋形指数、灰度值信息熵、蛋壳表面杂质量分别逐步与基准指数范围、基准信息熵、基准杂质量进行比较,从而对待测鸡蛋进行识别,判断其是否为土鸡蛋。通过机器视觉技术获取待测鸡蛋的蛋形指数、灰度值信息熵、蛋壳表面杂质量,再将其与基准值进行比较,可快速地识别土鸡蛋,大大地降低人工识别成本,由于利用待测鸡蛋多个特性进行比较,可更有效地实现识别的目的,使识别更准确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本实施例提供的一种基于机器视觉技术的土鸡蛋识别方法的流程图;
图2为本实施例提供的另一种基于机器视觉技术的土鸡蛋识别方法的流程图;
图3为本实施例提供的又一种基于机器视觉技术的土鸡蛋识别方法的流程图;
图4为本实施例提供的一种基于机器视觉技术的土鸡蛋识别装置的结构示意图。
具体实施方式
为使得本发明的目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
在本发明的描述中,需要理解的是,当一个组件被认为是“连接”另一个组件,它可以是直接连接到另一个组件或者可能同时存在居中设置的组件。当一个组件被认为是“设置在”另一个组件,它可以是直接设置在另一个组件上或者可能同时存在居中设置的组件。
此外,术语“长”“短”“内”“外”等指示方位或位置关系为基于附图所展示的方位或者位置关系,仅是为了便于描述本发明,而不是指示或暗示所指的装置或原件必须具有此特定的方位、以特定的方位构造进行操作,以此不能理解为本发明的限制。
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
如图1所示,本实施例提供了一种基于机器视觉技术的土鸡蛋识别方法,包括:
步骤S101、拍摄待测鸡蛋的照片;
步骤S102、根据所述待测鸡蛋的照片计算出所述待测鸡蛋的蛋形指数、灰度值信息熵、蛋壳表面杂质量;
步骤S103、将所述待测鸡蛋的蛋形指数与基准指数范围进行比较,判断所述待测鸡蛋的蛋形指数是否属于所述基准指数范围之内;
若所述待测鸡蛋的蛋形指数属于所述基准指数范围之内,则执行步骤S104;
步骤S104、将所述待测鸡蛋的灰度值信息熵与基准信息熵进行比较,判断所述待测鸡蛋的灰度值信息熵是否大于基准信息熵;
若所述待测鸡蛋的灰度值信息熵大于基准信息熵,则执行步骤S105;
步骤S105、判断所述待测鸡蛋为土鸡蛋;
若所述待测鸡蛋的灰度值信息熵小于或等于基准信息熵,则执行步骤S106;
步骤S106、将所述待测鸡蛋的蛋壳表面杂质量与基准杂质量进行比较,判断所述待测鸡蛋的蛋壳表面杂质量是否大于所述基准杂质量;
若所述待测鸡蛋的蛋壳表面杂质量大于所述基准杂质量,则执行步骤S105,判断所述待测鸡蛋为土鸡蛋;
若所述待测鸡蛋的蛋壳表面杂质量小于或等于所述基准杂质量,则执行步骤S107;
步骤S107、判断所述待测鸡蛋为圈养鸡蛋。
需要说明的是,蛋形指数是根据鸡蛋的直径和高度换算而来的,其反映了鸡蛋的形状特点。由于圈养鸡营养摄入量较为固定,且生产周期较短,产蛋时间较为规律,所以,圈养鸡蛋所产的蛋,其直径和高度较为固定,相对的,土鸡蛋由于营养摄入不固定的影响,生产周期较长,产蛋时间不规律等因素,导致土鸡蛋直径和高度之间的比值不会是一个固定的值,所以利用蛋形指数这一形状特点,就可以对鸡蛋进行初步的筛选;
为了使圈养鸡蛋的蛋壳表面看起来色泽均匀美观,圈养鸡蛋饲料中还常常添加带有色素的添加剂,正因为土鸡和圈养鸡摄入的食物不同,土鸡蛋与圈养鸡蛋产出因素具有较大的差异,导致两者的灰度值信息熵也存在差别,而灰度值信息熵反映的是鸡蛋表面多个区域灰度值的不确定程度,灰度值信息熵越大,鸡蛋表面多个区域灰度值的不确定程度就越大,就越能肯定为土鸡蛋;基于这种思想,将待测鸡蛋的灰度值信息熵与基准信息熵进行对比,即可达到进一步的识别目的;
另外,土鸡与圈养鸡的产蛋环境也存在差异,由于圈养鸡的产蛋环境较为整洁,所以圈养鸡蛋的表面的杂质量相当于土鸡蛋会少得多,因此运用这样特性进行最后的筛选,可更有效对鸡蛋地识别。
可见,本发明提供的一种基于机器视觉技术的土鸡蛋识别方法,首先对待测鸡蛋进行拍照,并根据照片计算出待测鸡蛋的蛋形指数、灰度值信息熵、蛋壳表面杂质量,然后将待测鸡蛋的蛋形指数、灰度值信息熵、蛋壳表面杂质量分别逐步与基准指数范围、基准信息熵、基准杂质量进行比较,从而对待测鸡蛋进行识别,判断其是否为土鸡蛋。通过机器视觉技术获取待测鸡蛋的蛋形指数等特点,再将其与基准值进行比较,可快速地识别土鸡蛋,大大地降低人工识别成本,由于利用待测鸡蛋多个特性进行比较,可更有效地实现识别的目的,使识别更准确。
如图2所示,在实际的操作中,本实施例提供的一种基于机器视觉技术的土鸡蛋识别方法中,所述根据所述待测鸡蛋的照片计算出所述待测鸡蛋的蛋形指数、灰度值信息熵、蛋壳表面杂质量,具体为:
S201、将所述待测鸡蛋的照片进行灰度化处理;
可以理解的是,通过灰度化处理后,可减少机器识别的颜色干预因素,提供后续识别的准确性;
S202、根据灰度化后的所述待测鸡蛋的照片计算出所述待测鸡蛋的蛋形指数、灰度值信息熵、蛋壳表面杂质量;
具体的,步骤S103之后,若所述待测鸡蛋的蛋形指数不属于所述基准指数范围之内,则执行步骤S105,即可判断该待测鸡蛋为土鸡蛋;
可以理解的是,可利用待测鸡蛋的形状特点对鸡蛋进行快速识别,进而提高识别效率。
在实际的操作中,通入如下方式获取待测鸡蛋或土鸡蛋或圈养鸡蛋的图片:将多个土鸡蛋放入包装测试盒中,包装测试盒可排布10×10个蛋孔,孔的直径可设置在3cm左右,宽度约2.5cm,且包装测试盒跟鸡蛋色差较大以便机器区分鸡蛋和测试包装盒;将鸡蛋摆正排列整齐后用摄像头拍摄鸡蛋图片,机器视觉技术使用的摄像头像素可为2592×1944以上,每次拍摄时摄像头与鸡蛋的高度保持一致。
进一步的,本实施例提供的一种基于机器视觉技术的土鸡蛋识别方法中,所述基准指数范围、基准信息熵、基准杂质量的确定方式,具体为:
拍摄多个土鸡蛋和圈养鸡蛋的照片;
将所述土鸡蛋和圈养鸡蛋的照片进行灰度化处理;
根据灰度化后的所述土鸡蛋的照片,计算出所述土鸡蛋的蛋形指数、灰度值信息熵、蛋壳表面杂质量;
根据灰度化后的所述圈养鸡蛋的照片,计算出通所述圈养鸡蛋的蛋形指数、灰度值信息熵、蛋壳表面杂质量;
根据所述土鸡蛋的蛋形指数和所述圈养鸡蛋的蛋形指数,通过机器学习算法计算出所述基准指数范围;
根据所述土鸡蛋的灰度值信息熵和所述圈养鸡蛋的灰度值信息熵,通过机器学习算法计算出所述基准信息熵;
根据所述土鸡蛋的蛋壳表面杂质量和所述圈养鸡蛋的蛋壳表面杂质量,通过机器学习算法计算出所述基准杂质量。
具体的,根据上述获取的土鸡蛋和圈养鸡蛋的蛋形指数、灰度值信息熵、蛋壳表面杂质量设置相关机器学习算法,结合土鸡蛋的蛋形指数范围计算统计圈养鸡蛋的蛋形指数范围,通过机器深度学习的算法自动对所述蛋形指数范围进行修正后作为基准指数范围;类似的,通过深度学习的算法计算区分圈养鸡蛋和土鸡蛋灰度值信息熵的阈值作为基准信息熵;类似的,通过机器深度学习的算法计算区分圈养鸡蛋和土鸡蛋蛋壳杂质量的阈值作为基准杂质量;
可以理解的是,利用灰度化的图片获取土鸡蛋和圈养鸡蛋的蛋形指数、灰度值信息熵、蛋壳表面杂质量,再根据这些鸡蛋特性运用机器学习算法计算出基准指数范围、基准信息熵、基准杂质量,可进一步地保障了识别的正确率,减轻人工识别的工作量。
如图3所示,进一步的,本方法可适用于大批量的鸡蛋识别,当一个批次的待测鸡蛋完全识别完后,还包括:
在判断所述待测鸡蛋为土鸡蛋之后,执行S301;
S301、将待测鸡蛋中的土鸡蛋进行标记;
S302、根据土鸡蛋的标记,计算出待测鸡蛋中土鸡蛋的比例。
可以理解的是,利用上述方式可对大批量的待测鸡蛋进行识别,并将其中土鸡蛋和圈养鸡蛋进行分类标记,计算出土鸡蛋的比例,有效减轻人工统计的工作量,提高工作效率。
于本实施例中,进一步的,所述蛋形指数具体通过以下方式获得:
根据灰度化后的照片采集鸡蛋的直径和高度;
根据所述直径和高度,计算出直径和高度之间的比值,将所述比值作为所述蛋形指数。
具体的,用程序自动寻找图片上每个摆正的鸡蛋最上、下、左、右四个点并输出四个点的坐标。将图片灰度化,接着进行二值化处理,这时候每个鸡蛋图片中间所有白色的区域即为鸡蛋所在的区域,二值化后鸡蛋所在区域坐标点的值为1,鸡蛋外部黑色部分坐标点的值为0。在处理后的图片上以图片最左上角的点为原点建立直角坐标系,可得到一个[m,n]的0-1矩阵,检测鸡蛋轮廓边缘最左边的点时,设计程序从左上第一个坐标点所在列的值开始自上往下加,若值未大于0则按同样的顺序继续加下一列的坐标值,当值大于0时就输出该点的坐标(Ds1,Hs1),此点即为鸡蛋轮廓边缘最左边点的坐标,相同的,鸡蛋轮廓边缘最右点和最上、下点可得其坐标(Ds2,Hs2),(Dl1,Hl1),(Dl2,Hl2),通过坐标即可计算每个鸡蛋直径和高度的长度,利用公式:分别计算其直径和高度D、H;
根据所述直径和高度,利用公式R=D/H计算出直径和高度之间的比值,将所述比值R作为所述蛋形指数。
进一步的,所述灰度值信息熵具体通过以下方式获得:
根据灰度化后的照片采集鸡蛋表面若干个区域的灰度值;
根据所述若干个区域的灰度值计算出所述灰度值信息熵。
具体的,提取每个圈养鸡蛋和土鸡蛋的灰度值,对得到的灰度值按同样的步长进行分组,这样每个灰度值都分配到每一组中,算出每一组灰度值出现的概率P(xi),利用公式算出其灰度值信息熵。
进一步的,所述蛋壳表面杂质量具体通过以下方式获得:
根据灰度化后的照片中蛋壳和杂质之间的灰度差值,计算出所述蛋壳表面杂质量。
具体的,将鸡蛋灰度化后,根据灰度差值设置程序计算灰度阈值K将蛋壳跟大部分杂质分离开,并将大于该阈值的灰度值存放在[1,m]的一维矩阵中,则每个鸡蛋可用1×m表示其杂质量。
结合机器视觉识别技术的方式,可快速准确地获得待测鸡蛋或土鸡蛋或圈养鸡蛋的蛋形指数、灰度值信息熵、蛋壳表面杂质量,为后续的识别步骤提供有效的数据支持,间接地提高了识别准确性。
相应的,本发明还提供了一种基于机器视觉技术的土鸡蛋识别装置,如图4所示,包括:
摄像模块11,用于拍摄待测鸡蛋的照片;
第一计算模块21,用于根据所述待测鸡蛋的照片计算出所述待测鸡蛋的蛋形指数、灰度值信息熵、蛋壳表面杂质量;
第一比较模块31,用于将所述待测鸡蛋的蛋形指数与基准指数范围进行比较;
第二比较模块32,用于若所述待测鸡蛋的蛋形指数属于所述基准指数范围之内,将所述待测鸡蛋的灰度值信息熵与基准信息熵进行比较,若所述待测鸡蛋的灰度值信息熵大于基准信息熵,判断所述待测鸡蛋为土鸡蛋;
第三比较模块33,用于若所述待测鸡蛋的灰度值信息熵小于或等于所述基准信息熵,将所述待测鸡蛋的蛋壳表面杂质量与基准杂质量进行比较,若所述待测鸡蛋的蛋壳表面杂质量大于所述基准杂质量,判断所述待测鸡蛋为土鸡蛋;若所述待测鸡蛋的蛋壳表面杂质量小于或等于所述基准杂质量,判断所述待测鸡蛋为圈养鸡蛋。
于本实施例中,本发明提供的土鸡蛋识别装置,还包括:
图像处理模块12,用于将所述待测鸡蛋的照片进行灰度化处理;
第二计算模块22,用于根据灰度化后的所述待测鸡蛋的照片计算出所述待测鸡蛋的蛋形指数、灰度值信息熵、蛋壳表面杂质量。
于本实施例中,本发明提供的土鸡蛋识别装置,还包括:
第三计算模块23,用于根据灰度化后的所述土鸡蛋的照片,计算出所述土鸡蛋的蛋形指数、灰度值信息熵、蛋壳表面杂质量;根据灰度化后的所述圈养鸡蛋的照片,计算出通所述圈养鸡蛋的蛋形指数、灰度值信息熵、蛋壳表面杂质量;
学习模块40,用于根据所述土鸡蛋的蛋形指数和所述圈养鸡蛋的蛋形指数,通过机器学习算法计算出所述基准指数范围;根据所述土鸡蛋的灰度值信息熵和所述圈养鸡蛋的灰度值信息熵,通过机器学习算法计算出所述基准信息熵;根据所述土鸡蛋的蛋壳表面杂质量和所述圈养鸡蛋的蛋壳表面杂质量,通过机器学习算法计算出所述基准杂质量。
可以理解的是,上述各个模块的具体工作流程可以参考本发明提供的土鸡蛋识别方法,在此不再进行赘述。本发明提供的一种基于机器视觉技术的土鸡蛋识别装置,首先对待测鸡蛋进行拍照,并根据照片计算出待测鸡蛋的蛋形指数、灰度值信息熵、蛋壳表面杂质量,然后将待测鸡蛋的蛋形指数、灰度值信息熵、蛋壳表面杂质量分别逐步与基准指数范围、基准信息熵、基准杂质量进行比较,从而对待测鸡蛋进行识别,判断其是否为土鸡蛋。通过机器视觉技术获取待测鸡蛋的蛋形指数等特点,再将其与基准值进行比较,可快速地识别土鸡蛋,大大地降低人工识别成本,由于利用待测鸡蛋多个特性进行比较,可更有效地实现识别的目的,使识别更准确。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种基于机器视觉技术的土鸡蛋识别方法,其特征在于,包括:
拍摄待测鸡蛋的照片;
根据所述待测鸡蛋的照片计算出所述待测鸡蛋的蛋形指数、灰度值信息熵、蛋壳表面杂质量;
将所述待测鸡蛋的蛋形指数与基准指数范围进行比较;
若所述待测鸡蛋的蛋形指数属于所述基准指数范围之内,将所述待测鸡蛋的灰度值信息熵与基准信息熵进行比较,若所述待测鸡蛋的灰度值信息熵大于基准信息熵,判断所述待测鸡蛋为土鸡蛋;
若所述待测鸡蛋的灰度值信息熵小于或等于所述基准信息熵,将所述待测鸡蛋的蛋壳表面杂质量与基准杂质量进行比较,若所述待测鸡蛋的蛋壳表面杂质量大于所述基准杂质量,判断所述待测鸡蛋为土鸡蛋;若所述待测鸡蛋的蛋壳表面杂质量小于或等于所述基准杂质量,判断所述待测鸡蛋为圈养鸡蛋。
2.根据权利要求1所述的土鸡蛋识别方法,其特征在于,所述根据所述待测鸡蛋的照片计算出所述待测鸡蛋的蛋形指数、灰度值信息熵、蛋壳表面杂质量,具体为:
将所述待测鸡蛋的照片进行灰度化处理;
根据灰度化后的所述待测鸡蛋的照片计算出所述待测鸡蛋的蛋形指数、灰度值信息熵、蛋壳表面杂质量。
3.根据权利要求1所述的土鸡蛋识别方法,其特征在于,所述基准指数范围、基准信息熵、基准杂质量的确定方式,具体为:
拍摄土鸡蛋和圈养鸡蛋的照片;
将所述土鸡蛋和圈养鸡蛋的照片进行灰度化处理;
根据灰度化后的所述土鸡蛋的照片,计算出所述土鸡蛋的蛋形指数、灰度值信息熵、蛋壳表面杂质量;
根据灰度化后的所述圈养鸡蛋的照片,计算出通所述圈养鸡蛋的蛋形指数、灰度值信息熵、蛋壳表面杂质量;
根据所述土鸡蛋的蛋形指数和所述圈养鸡蛋的蛋形指数,通过机器学习算法计算出所述基准指数范围;
根据所述土鸡蛋的灰度值信息熵和所述圈养鸡蛋的灰度值信息熵,通过机器学习算法计算出所述基准信息熵;
根据所述土鸡蛋的蛋壳表面杂质量和所述圈养鸡蛋的蛋壳表面杂质量,通过机器学习算法计算出所述基准杂质量。
4.根据权利要求2或3所述的土鸡蛋识别方法,其特征在于,所述蛋形指数具体通过以下方式获得:
根据灰度化后的照片采集鸡蛋的直径和高度;
根据所述直径和高度,计算出直径和高度之间的比值,将所述比值作为所述蛋形指数。
5.根据权利要求2或3所述的土鸡蛋识别方法,其特征在于,所述灰度值信息熵具体通过以下方式获得:
根据灰度化后的照片采集鸡蛋表面若干个区域的灰度值;
根据所述若干个区域的灰度值计算出所述灰度值信息熵。
6.根据权利要求2或3所述的土鸡蛋识别方法,其特征在于,所述蛋壳表面杂质量具体通过以下方式获得:
根据灰度化后的照片中蛋壳和杂质之间的灰度差值,计算出所述蛋壳表面杂质量。
7.一种基于机器视觉技术的土鸡蛋识别装置,其特征在于,包括:
摄像模块,用于拍摄待测鸡蛋的照片;
第一计算模块,用于根据所述待测鸡蛋的照片计算出所述待测鸡蛋的蛋形指数、灰度值信息熵、蛋壳表面杂质量;
第一比较模块,用于将所述待测鸡蛋的蛋形指数与基准指数范围进行比较;
第二比较模块,用于若所述待测鸡蛋的蛋形指数属于所述基准指数范围之内,将所述待测鸡蛋的灰度值信息熵与基准信息熵进行比较,若所述待测鸡蛋的灰度值信息熵大于基准信息熵,判断所述待测鸡蛋为土鸡蛋;
第三比较模块,用于若所述待测鸡蛋的灰度值信息熵小于或等于所述基准信息熵,将所述待测鸡蛋的蛋壳表面杂质量与基准杂质量进行比较,若所述待测鸡蛋的蛋壳表面杂质量大于所述基准杂质量,判断所述待测鸡蛋为土鸡蛋;若所述待测鸡蛋的蛋壳表面杂质量小于或等于所述基准杂质量,判断所述待测鸡蛋为圈养鸡蛋。
8.根据权利要求7所述的土鸡蛋识别装置,其特征在于,还包括:
图像处理模块,用于将所述待测鸡蛋的照片进行灰度化处理;
第二计算模块,用于根据灰度化后的所述待测鸡蛋的照片计算出所述待测鸡蛋的蛋形指数、灰度值信息熵、蛋壳表面杂质量。
9.根据权利要求8所述的土鸡蛋识别方法,其特征在于,还包括:
第三计算模块,用于根据灰度化后的所述土鸡蛋的照片,计算出所述土鸡蛋的蛋形指数、灰度值信息熵、蛋壳表面杂质量;根据灰度化后的所述圈养鸡蛋的照片,计算出通所述圈养鸡蛋的蛋形指数、灰度值信息熵、蛋壳表面杂质量;
学习模块,用于根据所述土鸡蛋的蛋形指数和所述圈养鸡蛋的蛋形指数,通过机器学习算法计算出所述基准指数范围;根据所述土鸡蛋的灰度值信息熵和所述圈养鸡蛋的灰度值信息熵,通过机器学习算法计算出所述基准信息熵;根据所述土鸡蛋的蛋壳表面杂质量和所述圈养鸡蛋的蛋壳表面杂质量,通过机器学习算法计算出所述基准杂质量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811231267.6A CN109191461A (zh) | 2018-10-22 | 2018-10-22 | 一种基于机器视觉技术的土鸡蛋识别方法及识别装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811231267.6A CN109191461A (zh) | 2018-10-22 | 2018-10-22 | 一种基于机器视觉技术的土鸡蛋识别方法及识别装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109191461A true CN109191461A (zh) | 2019-01-11 |
Family
ID=64942497
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811231267.6A Pending CN109191461A (zh) | 2018-10-22 | 2018-10-22 | 一种基于机器视觉技术的土鸡蛋识别方法及识别装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109191461A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109916901A (zh) * | 2019-02-26 | 2019-06-21 | 中国农业科学院农产品加工研究所 | 泰和乌鸡蛋和杂交乌鸡蛋的快速鉴别方法 |
CN110929755A (zh) * | 2019-10-21 | 2020-03-27 | 北京海益同展信息科技有限公司 | 一种禽蛋检测方法、装置、***、电子设备及存储介质 |
CN113793328A (zh) * | 2021-09-23 | 2021-12-14 | 中国农业大学 | 一种基于SE-ResNet结构的轻量级种蛋蛋形识别方法 |
CN114897784A (zh) * | 2022-04-13 | 2022-08-12 | 广东工业大学 | 一种单目鸡蛋尺寸流水线测定方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1804620A (zh) * | 2005-12-30 | 2006-07-19 | 南京农业大学 | 一种禽蛋表面品质检测的方法和装置 |
CN106954563A (zh) * | 2017-04-24 | 2017-07-18 | 广东工业大学 | 一种土禽蛋的识别方法及其识别装置 |
CN108647675A (zh) * | 2018-05-10 | 2018-10-12 | 众安信息技术服务有限公司 | 一种鸡蛋类型鉴别方法及装置 |
-
2018
- 2018-10-22 CN CN201811231267.6A patent/CN109191461A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1804620A (zh) * | 2005-12-30 | 2006-07-19 | 南京农业大学 | 一种禽蛋表面品质检测的方法和装置 |
CN106954563A (zh) * | 2017-04-24 | 2017-07-18 | 广东工业大学 | 一种土禽蛋的识别方法及其识别装置 |
CN108647675A (zh) * | 2018-05-10 | 2018-10-12 | 众安信息技术服务有限公司 | 一种鸡蛋类型鉴别方法及装置 |
Non-Patent Citations (1)
Title |
---|
陆拾,江灼华,张瑛编: "《假冒伪劣视频识别》", 31 December 1992 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109916901A (zh) * | 2019-02-26 | 2019-06-21 | 中国农业科学院农产品加工研究所 | 泰和乌鸡蛋和杂交乌鸡蛋的快速鉴别方法 |
CN109916901B (zh) * | 2019-02-26 | 2021-07-20 | 中国农业科学院农产品加工研究所 | 泰和乌鸡蛋和杂交乌鸡蛋的快速鉴别方法 |
CN110929755A (zh) * | 2019-10-21 | 2020-03-27 | 北京海益同展信息科技有限公司 | 一种禽蛋检测方法、装置、***、电子设备及存储介质 |
CN113793328A (zh) * | 2021-09-23 | 2021-12-14 | 中国农业大学 | 一种基于SE-ResNet结构的轻量级种蛋蛋形识别方法 |
CN114897784A (zh) * | 2022-04-13 | 2022-08-12 | 广东工业大学 | 一种单目鸡蛋尺寸流水线测定方法 |
CN114897784B (zh) * | 2022-04-13 | 2023-02-21 | 广东工业大学 | 一种单目鸡蛋尺寸流水线测定方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109191461A (zh) | 一种基于机器视觉技术的土鸡蛋识别方法及识别装置 | |
Ward et al. | Deep leaf segmentation using synthetic data | |
Aquino et al. | vitisBerry: An Android-smartphone application to early evaluate the number of grapevine berries by means of image analysis | |
CN107844797A (zh) | 一种基于深度图像的哺乳母猪姿态自动识别的方法 | |
CN107657639A (zh) | 一种快速定位目标的方法和装置 | |
CN107871316B (zh) | 基于深度神经网络的x光片手骨兴趣区域自动提取方法 | |
CN108921057B (zh) | 基于卷积神经网络的对虾形态测量方法、介质、终端设备及装置 | |
CN108491788A (zh) | 一种用于财务报表单元格的智能提取方法及装置 | |
TW200307810A (en) | Method and apparatus for determining the sex of a fertilized egg | |
CN105825168B (zh) | 一种基于s-tld的川金丝猴面部检测和追踪方法 | |
CN102704215A (zh) | 基于dst文件解析与机器视觉结合的绣布自动切割方法 | |
CN109636779A (zh) | 识别家禽体积体尺的方法、装置及存储介质 | |
CN112634237A (zh) | 一种基于YOLOv3改进网络的长竹条表面缺陷检测方法及*** | |
CN108133471A (zh) | 一种自然光照条件下基于人工蜂群算法的农业移动机器人导航路径提取方法及装置 | |
CN112288793B (zh) | 畜类个体背膘检测方法、装置、电子设备及存储介质 | |
CN103729621B (zh) | 基于叶片骨架模型的植物叶片图像自动识别方法 | |
CN115311316A (zh) | 基于深度学习的立体栽培模式下小型西瓜识别与定位方法 | |
CN108629762A (zh) | 一种骨龄评测模型减少干扰特征的图像预处理方法及*** | |
CN111145205B (zh) | 基于红外图像的多猪只场景下猪体温检测方法 | |
CN116740758A (zh) | 一种防止误判的鸟类图像识别方法及*** | |
CN113222889A (zh) | 高分辨率图像下水产养殖物的工厂化养殖计数方法及装置 | |
CN110348344A (zh) | 一种基于二维和三维融合的特殊人脸表情识别的方法 | |
Zhang et al. | Fully automatic system for fish biomass estimation based on deep neural network | |
CN111369497B (zh) | 一种行走式树上果实连续计数方法及装置 | |
CN117456358A (zh) | 一种基于YOLOv5神经网络的植物病虫害检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190111 |
|
RJ01 | Rejection of invention patent application after publication |