CN101916366A - 上孵前无精蛋识别方法及装置 - Google Patents

Abstract

本发明公开一种孵化前未受精鸡蛋检测装置及方法，属于鸡蛋检测类制造技术领域。本发明构建了无精蛋识别的嵌入式系统，系统的硬件为ARM S3C2410嵌入式系统开发板、CMOS图像传感器OV7620、LED和蜂鸣器。本发明在ARM S3C2410提供的linux环境下，使用C语言和汇编语言构建了无精蛋识别软件。软件主要组成部分有：种蛋图像获取、图像边缘检测、特征参数提取、三层BP神经网络；实现的主要功能是根据采集图像的特征参数(圆度、复杂性、伸长度、球状性、长短轴比、变动系数)使用神经网络识别出无精蛋和受精蛋。神经网络的输出为10或01，此输出作为驱动电平，通过放大电路使LED做出显示，让蜂鸣器发出响声。使用本方法和装置检测无精蛋方便快捷，完全能满足上孵前剔除无精蛋的要求，是一种高效实用的无精蛋识别系统。

Description

上孵前无精蛋识别方法及装置

技术领域

本发明为一种孵化前无精蛋识别检测装置及方法，属于种蛋孵化前检测类技术及方法领域。

背景技术

种蛋的孵化过程大约需要21天，对环境温湿度条件要求较高，是一个耗时、耗能的过程。据80年代中后期统计资料，1988年美国约孵化59.7亿只蛋，未受精蛋约占总孵化蛋的8％～9％，而每只蛋孵化需花费3美分，因此造成的经济损失相当可观。我国江苏省1988年入孵蛋约3亿只，未受精蛋按8％～9％计算，仅江苏一省损失达几百万元。这意味着每年都有大量的未受精种蛋不能孵化，其造成的经济损失相当大。实现在种蛋入孵前检测出无精蛋不仅能有效地节省时间、空间、劳动力和能源，提高孵化效率，还能保证孵化环境的卫生和生产质量，而且无精蛋可以用于食品，有着巨大的经济和社会效益。在实际应用中，剔除无精蛋，此技术依然采用手持简易照蛋器在孵化的第5天进行头照，该方法工作量大、速度慢、人为因素影响较大，而新鲜蛋孵化72h后，品质降为乙级以下，不宜加工成蛋制品，浪费大量食用蛋，消耗无用的能量。因此开发出一套能在种蛋上孵前自动检测无精蛋系统，对降低人工照蛋的劳动强度，提高检测准确性和生产效率，保障生产者的利益，具有十分重要的意义。早在20世纪30年代末，国外就有学者利用无损检测的技术研究种蛋的孵化品质，但总的来说，所做的相关研究还是不多，真正实际应用的较少。日前，国外应用于种蛋孵化检查的无损方法主要有：计算机视觉法、敲击振动法、光学检测法和高光谱图像检测法。近年来，国内的一些学者也开始对种蛋孵化成活性检测进行研究，主要是运用了计算机视觉检测法和光电特性检测法，取得了丰硕的研究成果。杨秀坤^[7]运用计算机视觉技术与遗传神经网络相结合的方法根据种蛋表面颜色特征进行孵化鸡蛋的可成活性判别。周维忠利用量化后的色度值作为种蛋颜色内部特征参数，采用小波神经网络分类器判别孵化过程中种蛋成活可能性。陈佳娟等将计算机视觉技术与遗传神经网络相结合，建立一套适合于孵化种蛋可成活性自动检测的计算机视觉系统，实现了孵化种蛋可成活性的自动检测。于景滨等利用自行设计制作的光电测试装置，在孵化早期剔除无精蛋。郁志宏等提出了一种基于改进粒子群神经网络进行孵化种蛋成活性自动检测的方法。国内主要是采用了计算机视觉法检测种蛋。前人的研究表明无损检测技术确实能有效地应用在种蛋上孵以后的检测上，但是也存在着一些问题，如研究主要集中在孵化早期无精蛋的检测，而孵化前对无精蛋的检测国内外还未见相关报导，而且研究都是在实验室水平下完成，离实际应用还有一段距离。本文研究一种适合国内外需要的基于机器视觉检测无精蛋方法，并能够形成一套便携式、商品化无精蛋筛选仪器，以满足目前孵化市场对种蛋上孵前剔除无精蛋的要求。

发明内容

本发明的目的就是针对上述已有技术存在的问题，研究一种上孵前无精蛋识别方法及装置，达到种蛋上孵前剔除无精蛋。

本发明的目的是这样实现的：一种上孵前无精蛋识别方法，该方法包括以下几个步骤：

(1)首先获取种蛋图像；

(2)然后对图像进行灰度化处理；

(3)接着使用中值滤波方法除去噪声；

对完成上述3个过程的种蛋使用边缘检测算法提取种蛋边缘，接着从边缘提取种蛋图像区域6个不变性特征参数(圆度、复杂性、伸长度、球状性、长短轴比和变动系数)，利用已建立的神经网络进行识别，即完成种蛋上孵前无精蛋的筛选工作。上孵前无精蛋识别器由图像传感器①、中央处理器②、动态存储器③、海量存储器④、LED指示灯和蜂鸣器⑤五部分组成。各部分接口信号连接如下：

(1)中央处理器②的GPIO模拟SCCB总线协议，控制图像传感器①的功能寄存器。使用中央处理器②3个中断引脚引入图像传感器①的图像输出同步信号VSYNC，HSYNC，PCLK，以中断方式同步图像数据输出。图像传感器①的YUV通道输出的16位并行数据通过中央处理器②的16个I/O口接入。

(2)动态存储器③有2片，一片的数据引脚(D0～D15)与中央处理器②的低16位数据线相连，另一片的数据引脚(D0～D15)与中央处理器②的高16位数据线相连，地址引脚(A0～A12)及片选信号引脚(nCS)相互连在一起，并与中央处理器②的引脚(nSCS0)连接，nWE、nRAS、nCAS也分别与中央处理器②的对应引脚LnWE、nSRAS、nSCAS相连。

(3)海量存储器④的ALE和CLE端分别接中央处理器②的ALE和CLE端，8位的I/O[7～0]与中央处理器②低8位数据总线相连，/WE，/RE，/CE分别与中央处理器②的nFWE，nFRE，nFCE相连，R/B与R/nB相连。

(4)LED指示灯和蜂鸣器⑤有两个指示灯和一个蜂鸣器组成，中央处理器②的GPE2位、GPE3位输出控制两个指示灯，中央处理器②的GPE4位输出控制一个蜂鸣器。

本发明的优点是：识别方法高效快捷，检测精度高，装置结构简单，实时性强，体积小，运行稳定。

附图说明

图1系统硬件结构方框图；

图2系统软件结构框图

图3系统识别流程图

图4神经网络分类器的结构

具体实施方式

下面结合附图对本发明实施例进行详细描述：

1.硬件系统

本系统的硬件包括光照箱、摄像头、ARM S3C2410嵌入式系统开发板、CMOS图像传感器OV7620、LED和蜂鸣器。根据系统需求，在ARM S3C2410开发平台上选用了支持ARM9的HY57V561620CT-H(SRAM)硬件系统的组成如图1所示。注意拍摄背景要与鸡蛋蛋壳表面颜色反差明显，以利于后续图像的处理与识别。

无精蛋检测流程：首先获取彩色鸡蛋图像，然后对图像进行灰度化处理，接着使用中值滤波除去噪声，然后使用边缘检测算法提取鸡蛋边缘，对检测到的边缘进行椭圆近似拟合，接着从边缘图像提取特征参数，建立神经网络，把特征参数作为输入，输出为10(无精蛋)和01(受精蛋)，然后通过放大电路输入到LED和蜂鸣器。

2系统软件组成

2.1软件结构框图

采用面向对象的思想进行软件设计，以实现模块化、可复用、易修改和易扩充的软件。根据系统检测的目标，即种蛋图像处理和识别过程，构建4个功能模块：图像卡控制算法模块、图像预处理算法模块、图像特征参数提取模块和模式识别算法模块。如图2所示。

图像卡控制算法模块用于操作图像采集卡，实现图像卡的打开、设置、采集图像和关闭等功能；图像预处理算法模块提供了图像的处理算法，包括灰度化、中值滤波、Canny算子边缘检测的处理算法；图像特征参数提取模块用于计算种蛋的各种不变性参数；模式识别算法模块采用人工神经网络分类器用于分离无精蛋和受精蛋。

2.2系统筛选流程

通过上面对种蛋识别系统软件模块设计，已经选定了种蛋图像预处理和识别部分的算法，结合种蛋图像特征提取的实际要求，制定了种蛋图像预筛选流程。种蛋筛选的流程如图3所示。

3.关键技术

3.1图像预处理

鸡蛋图像处理关键是对外形边缘特征提取，这是后续分离和分析的基础。常用图像分割方法有阈值分割、区域生长、边缘检测、纹理分析、统计模式识别、神经网络等，本研究采用边缘检测提取无精蛋轮廓。边缘检测基本思想是先检测图像中的边缘点，再按照某种策略将边缘点连接成轮廓，构成分割区域。图像中物体边界上像素点的邻域是一个灰度级变化带，衡量该变化最有效的两个特征值是灰度的变化率和变化方向，分别以梯度向量的幅值和方向来表示。对连续图像f(x，y)，边缘检测即求f(x，y)梯度的局部最大值和方向。已知f(x，y)在θ方向沿r的梯度定义为：

$\frac{\∂f}{\∂r}=\frac{\∂f}{\∂x}\·\frac{\∂x}{\∂r}+\frac{\∂f}{\∂y}\·\frac{\∂f}{\∂y}=f_x\cos \mathrm{\θ}+f_y\sin \mathrm{\θ}---\left(1\right)$

达到最大值的条件是得

θ_g＝tan^-1(f_y/f_x)，或π+tan^-1(f_y/f_x)(2)

梯度最大值

也称梯度模。梯度模算子具有位移不变性和各向同性的性质，适用于边缘检测，而灰度变化的方向，即边界的方向则可由θ_g＝tan^-1(f_y/f_x)得到。边缘检测常见算子有微分算子、拉普拉斯高斯算子和canny算子等。Canny算子进行了非极大值抑制和形态学连接操作，更能清晰地提取物体的边缘，且边缘连续性好，本研究的图像边缘检测采用Canny算子。

3.2特征提取

通过对大量图像分析，无精蛋和受精蛋的外形差异明显，可从形状特征区分，各参数计算公式如下：

(1)面积S

通过扫描种蛋图像，对同一标记的区域中象素的个数进行累加从而表示病斑区域面积S。

(2)周长L

种蛋图像外边界轮廓通过轮廓跟踪法得到，对同一标记的区域中象素的个数进行累加从而表示种蛋图像区域的周长L。

(3)圆度C

种蛋图像区域形状接近圆形的程度用其圆度C用来表示，计算公式：

$C=\frac{4\mathrm{\πS}}{L^2}---\left(3\right)$

式中，S：种蛋图像区域的面积，L：种蛋图像区域的周长；C的范围取值是0～1，若S相同，种蛋图像区域为圆形，则其L最短，这时C＝1。种蛋图像区域越偏离圆形，则C值较小。

(4)复杂性e

种蛋图像区域的形状复杂性用离散指数e表示，计算公式：

$e=\frac{L^2}{S}---\left(4\right)$

式中，S：种蛋图像区域的面积，L：种蛋图像区域的周长；如果单位面积的周长越大，那么e值越大，表示种蛋图形较复杂，即图形离散；反之，表示种蛋图像图形简单。

(5)伸长度E

$E=\frac{\min \{W,H\}}{\max \{W,H\}}---\left(5\right)$

式中，W：种蛋图像区域的宽度；H：种蛋图像区域的高度。种蛋图像区域的紧凑性可以通过它在一定程度上刻画。E值越小，表示种蛋图像区域越呈细长型，E＝1，表示种蛋图像区域为圆形。

(6)球状性s

s＝r_i/r_c  (6)

式中，r_i：种蛋图像区域内切圆的半径，r_c：种蛋图像区域外接圆的半径。若s＝1，种蛋图像区域为圆，若s＜1，种蛋图像区域为其他形状。图形的旋转、平移和尺度变化的对种蛋图像区域球状性无影响。

(7)长短轴比a/b

等效椭圆是指与种蛋图像区域图形的面积和极惯性矩相同的椭圆相似度。计算公式：

$\left.\begin{array}{c}a=2\sqrt{(2M+\sqrt{{4M}^2-S^4/{\mathrm{\π}}^2})/S}\\ b=2\sqrt{(2M-\sqrt{{4M}^2-S^4/{\mathrm{\π}}^2})/S}\end{array}\right\}---\left(7\right)$

式中，a：种蛋图像长轴，b：种蛋图像短轴，S：种蛋图像的面积，M：极惯性矩是两个二阶矩之和，计算公式为M＝M(2，0)+M(0，2)。

(8)平均变动系数d

$d=\frac{1}{N}\left(\underset{n=0}{\overset{355}{\mathrm{\Σ}}}\frac{|V_n-V_{n-1}|}{V_{n-1}}\right)---\left(8\right)$

式中，V_n：从重心到轮廓线的长度，其中，n＝0°，5°，10°…355°；通过种蛋图像的重心将其以5°的间隔均分，将其称为从种蛋图像区域重心到轮廓线的长度的平均变动系数。

3.3神经网络分类器设计

本研究的分类器主要功能是把蛋分为无精蛋和受精蛋。采用经典的BP神经网络，设计如下：

(1)神经网络结构设计。多层网络在处理模式识别领域的问题时的优点是较容易完成学习目标，更能适应平移、旋转或其他变换的不变性。缺点是：存在着较多的神经元节点和连接权值，因而需要更多的调整与运算，计算量较大，易于陷入局部极小值中。无精蛋识别的主要任务是根据蛋形特征区分出无精蛋和受精蛋，属于小类别的分类问题，因此采用具有1个隐含层的3层BP神经网络。

(2)输入层神经元的个数由特征参数的维数大小决定。本研究中，特征用6个特征参数(圆度、复杂性、伸长度、球状性、长短轴比和变动系数)表示，构成特征向量。输出层采用2个节点，用10、01来分别表示受精蛋和无精蛋。

(3)隐含层节点数的确定。对于隐含层节点数，到目前为止仍不能通过理论方法确定，只能凭经验或实验估计。按R.P.Gorman的方法，在100种模式下，隐节点数可估算为6～14个。根据以往经验，取11个隐藏节点。神经网络的结构如图4所示。

(4)激活函数的选择。S型函数是激活函数φ(·)的最佳选择，如logisic函数、双曲正切函数等。S型函数一般具有光滑、可微、非线性和饱和等特性，而且导函数φ′(·)容易用φ(·)本身来表达，计算简单。本研究中，隐含层神经元的激活函数选用logsic()函数，输出层的激活函数选pureline()函数。

(5)神经网络的参数设置。经过多次试验，系统设置训练步长为1000，每隔10步显示1次，网络训练的目标值为0.001，学习率为0.01，使用trainlm()函数作为训练网络。

Claims (2)

1.一种上孵前无精蛋识别方法，该方法包括以下几个步骤：

(1)首先获取种蛋图像；

(2)然后对图像进行灰度化处理；

(3)接着使用中值滤波方法除去噪声；

(4)对完成上述3个过程的种蛋使用边缘检测算法提取种蛋边缘；其特征在于：接着从边缘提取种蛋图像区域6个不变性特征参数，该6个不变性特征参数是圆度、复杂性、伸长度、球状性、长短轴比和变动系数；神经网络分类器设计采用具有1个隐含层的3层BP神经网络，输入层神经元用6个不变性特征参数构成特征向量，输出层采用2个节点，用10、01来分别表示受精蛋和无精蛋，隐含层节点数确定为11个，隐含层神经元的激活函数选用logsic()函数，输出层的激活函数选pureline()函数，神经网络的系统参数设置：训练步长为1000，每隔10步显示1次，网络训练的目标值为0.001，学习率为0.01，使用trainlm()函数作为训练网络，利用上述已建立的神经网络进行识别，即完成种蛋上孵前无精蛋的筛选工作。

2.一种上孵前无精蛋识别装置，其特征在于该识别器由图像传感器①、中央处理器②、动态存储器③、海量存储器④、LED指示灯和蜂鸣器⑤五部分组成，各部分接口信号连接如下：

(1)中央处理器②的GPIO模拟SCCB总线协议，控制图像传感器①的功能寄存器，使用中央处理器②3个中断引脚引入图像传感器①的图像输出同步信号VSYNC、HSYNC、PCLK，以中断方式同步图像数据输出，图像传感器①的YUV通道输出的16位并行数据通过中央处理器②的16个I/O口接入；

(2)动态存储器③有2片，一片的数据引脚D0～D15与中央处理器②的低16位数据线相连，另一片的数据引脚D0～D15与中央处理器②的高16位数据线相连，地址引脚A0～A12及片选信号引脚nCS相互连在一起，并与中央处理器②的引脚nSCS0连接，nWE、nRAS、nCAS也分别与中央处理器②的对应引脚LnWE、nSRAS、nSCAS相连；

(3)海量存储器④的ALE和CLE端分别接中央处理器②的ALE和CLE端，8位的I/O 7～0与中央处理器②低8位数据总线相连，/WE，/RE，/CE分别与中央处理器②的nFWE，nFRE，nFCE相连，R/B与R/nB相连；

(4)LED指示灯和蜂鸣器⑤有两个指示灯和一个蜂鸣器组成，中央处理器②的GPE2位、GPE3位输出控制两个指示灯，中央处理器②的GPE4位输出控制一个蜂鸣器。

Images