CN104297439B - 一种基于计算机视觉的双黄鸭蛋自动识别检测方法 - Google Patents
一种基于计算机视觉的双黄鸭蛋自动识别检测方法 Download PDFInfo
- Publication number
- CN104297439B CN104297439B CN201410588912.5A CN201410588912A CN104297439B CN 104297439 B CN104297439 B CN 104297439B CN 201410588912 A CN201410588912 A CN 201410588912A CN 104297439 B CN104297439 B CN 104297439B
- Authority
- CN
- China
- Prior art keywords
- egg
- double
- yolk
- image
- duck
- 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.)
- Active
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于计算机视觉的双黄鸭蛋自动识别检测方法,属于农畜产品无损检测技术领域。利用CCD相机采集样品鸭蛋的透射图像,通过图像采集卡或USB数据线把透射图像输入计算机,并用计算机对所采集的图像进行处理,分割出蛋黄区域图像,从中提取蛋黄轮廓形状特征参数,再用Fisher线性判别模型对蛋黄轮廓形状特征参数进行判别,确定样品蛋是否为双黄蛋。本发明应用计算机视觉方法自动识别双黄蛋,可以减轻劳动强度,提高检测准确率。试验证明,本鸭蛋双黄蛋的自动识别方法所建立的判别模型的准确率达到100%,对模型验证的准确率达100%。
Description
技术领域
本发明涉及一种基于计算机视觉的双黄鸭蛋自动识别检测方法,属于农畜产品无损检测技术领域,特指基于计算机视觉技术,通过对鸭蛋蛋黄轮廓形状特征参数的提取和分析,自动判别其是否为双黄蛋的无损检测方法。
背景技术
双黄鸭蛋是指一个蛋壳中含有两个蛋黄的鸭蛋。我国民间将双黄蛋视为可给人们带来吉利祥和的“祥瑞食品”。日本民间则将双黄蛋视为夫妻“百年好合”的象征,用之作为新婚或结婚纪念日的喜庆赠品。由于双黄鸭蛋较为难得且营养丰富,深受消费者青睐,其价格远超普通单黄鸭蛋,商业价值较高。
目前,我国鸭蛋生产企业对双黄鸭蛋的识别还是采用人工照蛋检测方法完成。该方法劳动强度大,生产效率低,且工人长时间用眼会造成视觉疲劳及情绪不稳定,导致检测时误差大、可靠性低,漏检率高,给生产企业的声誉和消费者的经济利益带来很大的影响。
近年来,国内外利用计算机视觉技术对禽蛋品质进行无损、自动化检测和分级的研究比较广泛。国内已有学者利用计算机视觉技术进行双黄鸡蛋自动检测的研究,如汪俊德在《农机化研究》2012年第9期的文章“基于计算机视觉技术的双黄鸡蛋检测系统研究”中,通过从鸡蛋图像中提取蛋形尺寸、蛋黄特征和蛋黄指数等图像特征参数,建立关系模型完成识别检测。但该方法以这些图像特征参数在双黄鸡蛋中出现的概率分析为基础,若待测蛋为反常蛋,如:单黄蛋个体过大或是双黄蛋过小,使用蛋形尺寸时就会出现误判,或者单黄蛋出现散黄现象使用蛋黄特征和蛋黄指数时也会出现误判。检索现有专利,双黄鸭蛋自动识别检测相关专利未见报道。
发明内容
技术问题
为了克服人工和现有基于计算机视觉的双黄鸭蛋判别方法所存在的效率和准确性的不足,本发明提供了一种以蛋黄轮廓形状特征参数为判别特征参数的双黄鸭蛋自动识别的计算机视觉无损检测方法。直接以人眼观测到的蛋黄形状为信息依据,利用描述物体边界信息的复数傅里叶描述子识别蛋黄轮廓形状信息,一般单黄蛋蛋黄的形状为近圆形,双黄蛋蛋黄的形状为双圆形,即将问题转换为蛋黄形状为“近圆形”还是“非圆形”的判别分析来实现双黄鸭蛋的识别。
技术方案
本发明首先在一定的光照条件下利用CCD相机采集样品鸭蛋的透射图像,并通过图像采集卡或USB数据线把透射图像输入计算机,再用计算机对所采集的图像进行处理,分割出蛋黄区域图像,从中提取蛋黄轮廓形状特征信息,最后根据Fisher线性判别模型判断样品蛋是否是双黄蛋。
本发明的目的通过以下方法实现:
基于计算机视觉的双黄鸭蛋自动识别检测方法,具体步骤包括:图像采集、图像处理、特征值提取和分类判别。
1)图像采集
利用CCD相机在一定的光照条件下采集样品鸭蛋的透射图像,再通过图像采集卡或USB数据线把透射图像传输到计算机,并以RGB彩色图像格式保存。
2)图像处理
分别提取透射图像的R分量灰度图和B分量灰度图;采用灰度均衡化的方法对B分量灰度图进行图像增强;用3×3的正方形模板对R分量灰度图和图像增强后的B分量灰度图进行中值滤波;采用Otsu大津法阈值分割,获得R分量和B分量的二值图;对R分量二值图与B分量二值图运行减运算,分割出蛋黄区域图像;用3×3正方形模板对蛋黄区域图像进行中值滤波;用半径15的圆盘形结构元素对蛋黄区域图像进行开-闭滤波,最终获得边缘光滑的蛋黄轮廓。
3)特征参数提取
对经图像处理所得到的蛋黄轮廓二值图像进行八近邻边界跟踪,获取边界的坐标;用边界坐标计算复数傅里叶描述子;用前16个傅立叶系数进行蛋黄轮廓形态的描述;以前16个傅立叶系数计算得到14个归一化傅立叶描述子,将其作为蛋黄轮廓形状特征参数。
4)分类判别
利用Fisher线性判别模型对鸭蛋是否为双黄蛋进行判别,Fisher线性判别模型为:
双黄鸭蛋:Y0=a+b X1+c X2+d X3+e X4+fX5+g X6+h X7+iX8+j X9+k X10+l X11+mX12+n X13+o X14
单黄鸭蛋:Y1=a+b X1+c X2+d X3+e X4+f X5+g X6+h X7+iXs+j X9+k Xi0+l X11+mX12+n X13+o X14
其中,X1~X14为14个归一化傅立叶描述子,a~o为系数,判别时将14个归一化傅立叶描述子代入判别模型,计算并比较Y0和Y1。若Y0>Y1则将鸭蛋判别为双黄鸭蛋,反之则为单黄鸭蛋。
有益效果
本发明的有益效果是:通过自动化在线采集鸭蛋的透射图像,经过简单的图像处理获取蛋黄轮廓形状特征,即可实现双黄蛋的计算机自动识别。与现有的人工照蛋检测方法和无损检测方法相比,检测速度快,准确度高,可以减轻劳动强度和降低漏检率。
试验证明,本发明方法对双黄鸭蛋的自动识别,模型的准确率达到100%,对模型验证的准确率达100%。
附图说明
图1为本发明的技术方案流程图。
图2为样品蛋透射图像采集装置示意图。
图中:1、CCD相机;2、光室;3、输送辊;4、链条;5、光源;6、红外触发器;7、计算机;8、鸭蛋。
图3为前16个复数傅立叶系数进行蛋黄轮廓形态重建的效果图。
具体实施方式
1、试验材料
试验材料为产后1~2天的新鲜鸭蛋,江苏省淮安市金湖县朗清农场提供,经过人工仔细检查,判断为单黄蛋或双黄蛋。所有试验用的鸭蛋分为两批,第一批鸭蛋用于建立Fisher线性判别模型,共有165枚,其中单黄蛋110枚,双黄蛋55枚;第二批鸭蛋用于检验判别模型的准确率,共有45枚,其中单黄蛋30枚,双黄蛋15枚。系统分类结果的正确率通过与人工破坏性检测结果相比较得出。
2、试验装置
基于计算机视觉的双黄鸭蛋自动识别检测装置如图1所示,包括CCD相机(1),光室(2),输送辊(3),链条(4),光源(5),红外触发器(6)和计算机(7),其中CCD相机(1)固定在光室(2)顶部正中并使镜头垂直向下,CCD相机(1)通过USB数据线与计算机(7)相连;输送辊(3)可在链条(4)的驱动下运动通过光室(2)的中间位置,光源(5)固定在光室(2)下方,与CCD相机(1)镜头正对;红外触发器(6)安装在光室(2)内链条(4)两侧的合适位置,使得当鸭蛋(8)移动至CCD相机(1)正下方时触发图像采集。
CCD相机:德国The Imaging Source公司DFK 31BU03.H工业相机,USB2.0接口,最大分辨率1024×768像素。
光室:不透光暗箱,内壁涂黑,以消除反射光造成的噪声。
输送辊:哑铃形蛋品输送辊,表面涂黑,以形成黑色背景。
光源:LED灯杯,型号MR16,电压12V,功率5W,发光颜色暖白,色温3500K。
3、试验方法和步骤
1)图像采集
将鸭蛋(8)洗净,晾干,放置于输送辊(3)间隙,启动检测装置,当链条(4)驱动鸭蛋(8)运动至CCD相机(1)正下方时,红外触发器(6)触发CCD相机(1)采集鸭蛋的透射图像,通过USB数据线传输到计算机(7),图像保存为RGB格式的彩色图像。
2)图像处理
读入鸭蛋透射彩色图像,分别提取R分量灰度图和B分量灰度图;对B分量灰度图进行灰度均衡化处理,使蛋黄的图像更加清晰;对R分量灰度图和图像增强后的B分量灰度图采用正方形3×3模板进行中值滤波;采用Otsu大津法阈值分割,获得R分量和B分量的二值图,其中R分量二值图呈现出整蛋外形特征,B分量二值图呈现出整蛋外形特征加上蛋黄外形特征;对R分量二值图与B分量二值图运行减运算,分割出蛋黄区域图像,但包含整蛋边界信息;再次采用正方形3×3模板进行中值滤波后,消除整蛋边界信息;用半径15的平面圆盘形结构元素进行开-闭滤波,最终获得边缘光滑的蛋黄轮廓。
3)特征参数提取
对图像处理得到的蛋黄轮廓二值图像进行八近邻边界跟踪,获取边界的坐标,用以计算复数傅里叶描述子,如下公式:
仅使用前16个低频傅立叶系数即能够较好地重现蛋黄轮廓的形态特征,重建效果见图2,故用前16个傅立叶系数进行蛋黄轮廓形态的描述。
以a(1)为基准进行归一化处理,计算得到归一化傅里叶描述子,如下公式:
归一化后的傅立叶描述子具有尺度、旋转和平移的不变性,故以前16个傅立叶系数计算得到的14个归一化傅立叶描述子作为特征参数。
4)Fisher线性判别模型的建立
以第一批鸭蛋的类别为因变量,以提取的14个归一化傅立叶描述子为自变量,构建Fisher线性判别模型,模型如下:
双黄鸭蛋:Y0=-63.806+1382.344 X1+1276.425 X2+151.833 X3+1564.229X4+356.663 X5+387.678 X6-76.653 X7+295.165 X8-79.390 X9-575.759 X10-152.930 X11+219.806 X12-135.824 X13-993.542 X14
单黄鸭蛋:Y1=-17.779+991.877 X1+1161.936 X2+511.492 X3+1257.047 X4+270.790X5+30.311 X6+148.434 X7+83.162 X8-8.182 X9-493.018 X10-165.781 X11-212.940 X12+103.866 X13+28.960 X14
对模型进行Willksλ检验,模型P值小于0.0001,即所建判别模型具有统计学意义,可以用于判别预测。
将未知类别的鸭蛋复数傅里叶描述子的模代入双黄蛋自动识别的两个判别模型,得出的Y值最大者即为相应的鸭蛋类别。
5)判别模型精度的验证
为了验证判别模型的准确性,以第二批鸭蛋为检测对象,采集透射图像,提取蛋黄轮廓特征参数,并用已建立的判别模型进行识别,得出系统判断分类结果。通过与人工破坏性检测结果相比较得出模型的准确率。建模组和验证组的判别结果见表1,建模组和验证组的总体准确率均为100%。
表1本发明的装置和方法自动识别双黄蛋的精度
Claims (1)
1.一种基于计算机视觉技术的双黄鸭蛋自动识别检测方法,具体步骤包括:(一)图像采集:在一定的光照条件下利用CCD相机采集样品鸭蛋的透射图像,并输入计算机;(二)图像处理:用计算机对所采集的图像进行处理,利用颜色空间信息分割出蛋黄区域图像;(三)从蛋黄区域图像中提取蛋黄轮廓形状特征信息;(四)根据Fisher线性判别模型判断样品蛋是否是双黄蛋;其特征在于:
1)特征参数提取步骤为:对经图像处理所得到的蛋黄轮廓二值图像进行八近邻边界跟踪,获取边界的坐标;用边界坐标计算复数傅里叶描述子;用前16个傅立叶系数进行蛋黄轮廓形态的描述;以前16个傅立叶系数计算得到14个归一化傅立叶描述子,将其作为蛋黄轮廓形状特征参数;
2)分类判别过程利用Fisher线性判别模型对鸭蛋是否为双黄蛋进行判别,Fisher线性判别模型为:
双黄鸭蛋:Y0=-63.806+1382.344 X1+1276.425 X2+151.833 X3+1564.229 X4+356.663X5+387.678 X6-76.653 X7+295.165 X8-79.390 X9-575.759 X10-152.930 X11+219.806 X12-135.824 X13-993.542 X14
单黄鸭蛋:Y1=-17.779+991.877 X1+1161.936 X2+511.492 X3+1257.047 X4+270.790X5+30.311 X6+148.434 X7+83.162 X8-8.182 X9-493.018 X10-165.781 X11-212.940 X12+103.866 X13+28.960 X14
其中,X1~X14为14个归一化傅立叶描述子;
3)判别时将14个归一化傅立叶描述子代入判别模型,计算并比较Y0和Y1;若Y0>Y1则将鸭蛋判别为双黄蛋,反之则为单黄蛋。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410588912.5A CN104297439B (zh) | 2014-10-21 | 2014-10-21 | 一种基于计算机视觉的双黄鸭蛋自动识别检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410588912.5A CN104297439B (zh) | 2014-10-21 | 2014-10-21 | 一种基于计算机视觉的双黄鸭蛋自动识别检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104297439A CN104297439A (zh) | 2015-01-21 |
CN104297439B true CN104297439B (zh) | 2019-09-13 |
Family
ID=52317260
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410588912.5A Active CN104297439B (zh) | 2014-10-21 | 2014-10-21 | 一种基于计算机视觉的双黄鸭蛋自动识别检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104297439B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096569B (zh) * | 2016-06-20 | 2019-07-09 | 广州中国科学院先进技术研究所 | 一种手指静脉识别方法 |
CN107576660B (zh) * | 2017-09-04 | 2019-07-05 | 华中农业大学 | 一种基于距离等高线的双黄鸭蛋自动视觉检测方法 |
CN107609564B (zh) * | 2017-09-19 | 2020-01-10 | 浙江大学 | 基于联合分割和傅里叶描述子库的水下目标图像识别方法 |
CN108801926B (zh) * | 2018-05-18 | 2021-01-19 | 华南理工大学 | 一种用于鸡蛋单双黄自动检测的装置及方法 |
CN109937912B (zh) * | 2019-04-08 | 2021-06-15 | 武汉科技大学 | 一种基于机器视觉的鸡蛋分类系统及方法 |
CN111078732A (zh) * | 2019-12-31 | 2020-04-28 | 新疆农业科学院园艺作物研究所 | 一种扁桃品种鉴定方法 |
CN112784769B (zh) * | 2021-01-26 | 2022-06-14 | 江苏师范大学 | 一种基于树莓派和机器视觉的双黄蛋在线识别系统和方法 |
CN113175898A (zh) * | 2021-06-10 | 2021-07-27 | 泉州市旺达五金制品有限公司 | 一种视觉检测装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5734403A (en) * | 1980-08-09 | 1982-02-24 | Hitachi Cable Ltd | Inspecting device for shape and defect of linear object |
CN101413928A (zh) * | 2008-11-14 | 2009-04-22 | 江苏大学 | 基于声学特性的禽蛋裂纹快速在线无损检测装置及方法 |
CN101915823A (zh) * | 2010-07-05 | 2010-12-15 | 华中农业大学 | 一种外壳带菌蛋的紫外检测方法及其装置 |
CN102147402A (zh) * | 2011-03-08 | 2011-08-10 | 江苏大学 | 机器视觉技术快速检测鸡蛋新鲜度的方法 |
CN101672839B (zh) * | 2009-09-25 | 2012-11-14 | 南京农业大学 | 一种基于计算机视觉的种蛋孵化品质检测方法 |
CN103954570A (zh) * | 2014-04-21 | 2014-07-30 | 江苏大学 | 一种基于光谱成像技术的粮食虫害程度判别方法 |
-
2014
- 2014-10-21 CN CN201410588912.5A patent/CN104297439B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5734403A (en) * | 1980-08-09 | 1982-02-24 | Hitachi Cable Ltd | Inspecting device for shape and defect of linear object |
CN101413928A (zh) * | 2008-11-14 | 2009-04-22 | 江苏大学 | 基于声学特性的禽蛋裂纹快速在线无损检测装置及方法 |
CN101672839B (zh) * | 2009-09-25 | 2012-11-14 | 南京农业大学 | 一种基于计算机视觉的种蛋孵化品质检测方法 |
CN101915823A (zh) * | 2010-07-05 | 2010-12-15 | 华中农业大学 | 一种外壳带菌蛋的紫外检测方法及其装置 |
CN102147402A (zh) * | 2011-03-08 | 2011-08-10 | 江苏大学 | 机器视觉技术快速检测鸡蛋新鲜度的方法 |
CN103954570A (zh) * | 2014-04-21 | 2014-07-30 | 江苏大学 | 一种基于光谱成像技术的粮食虫害程度判别方法 |
Non-Patent Citations (1)
Title |
---|
基于计算机视觉技术的双黄鸡蛋检测系统研究;汪俊德等;《农机化研究》;20120901(第9期);第195页1.2实验方法 * |
Also Published As
Publication number | Publication date |
---|---|
CN104297439A (zh) | 2015-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104297439B (zh) | 一种基于计算机视觉的双黄鸭蛋自动识别检测方法 | |
CN107486415B (zh) | 基于机器视觉的篾片缺陷在线检测系统及检测方法 | |
CN102445456B (zh) | 基于dsp机器视觉的鸡蛋品质无损检测装置及检测方法 | |
CN106370668B (zh) | 一种咸蛋内部品质的在线视觉检测装置及其方法 | |
CN104764744A (zh) | 一种禽蛋新鲜度的视觉检测装置及其方法 | |
CN112184648A (zh) | 一种基于深度学习的活塞表面缺陷检测方法及系统 | |
CN109187553B (zh) | 一种基于机器视觉的变质鸡蛋在线智能识别方法 | |
CN102654464A (zh) | 基于多特征模糊识别的铜带表面缺陷检测系统 | |
Deng et al. | A carrot sorting system using machine vision technique | |
CN104897581A (zh) | 基于高光谱的识别新鲜肉、冷却肉和冷冻肉的方法及装置 | |
CN210071686U (zh) | 基于正交双目机器视觉的水果分级装置 | |
Najeeb et al. | Dates maturity status and classification using image processing | |
CN207238542U (zh) | 一种基于机器视觉的篾片缺陷在线检测系统 | |
CN109115775B (zh) | 一种基于机器视觉的槟榔等级检测方法 | |
CN107576660B (zh) | 一种基于距离等高线的双黄鸭蛋自动视觉检测方法 | |
CN108318494A (zh) | 红提果粉的在线视觉检测分级装置及其方法 | |
CN109975292A (zh) | 一种基于机器视觉的大西洋鲑鱼和虹鳟鱼快速鉴别方法 | |
CN109937912B (zh) | 一种基于机器视觉的鸡蛋分类系统及方法 | |
CN102507008A (zh) | 一种多模板颜色自动光学检测方法 | |
Saifullah et al. | K-means segmentation based-on lab color space for embryo detection in incubated egg | |
CN112816487B (zh) | 一种基于机器视觉的皮蛋内部品质无损检测方法 | |
CN102680488B (zh) | 一种基于pca的块状农产品在线识别装置及方法 | |
Xu et al. | Non-destructive detection on the fertility of injected SPF eggs in vaccine manufacture | |
Zhang et al. | Fabric defect detection based on visual saliency map and SVM | |
CN107220972B (zh) | 一种基于红外图像的禽蛋品质鉴别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |