CN107220972B - 一种基于红外图像的禽蛋品质鉴别方法 - Google Patents
一种基于红外图像的禽蛋品质鉴别方法 Download PDFInfo
- Publication number
- CN107220972B CN107220972B CN201710423144.1A CN201710423144A CN107220972B CN 107220972 B CN107220972 B CN 107220972B CN 201710423144 A CN201710423144 A CN 201710423144A CN 107220972 B CN107220972 B CN 107220972B
- Authority
- CN
- China
- Prior art keywords
- eggs
- beasts
- birds
- quality
- infrared image
- 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
- 235000013601 eggs Nutrition 0.000 title claims abstract description 183
- 244000144977 poultry Species 0.000 title claims abstract description 30
- 238000012850 discrimination method Methods 0.000 title claims abstract description 16
- 239000013598 vector Substances 0.000 claims abstract description 28
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 230000011218 segmentation Effects 0.000 claims abstract description 11
- 238000012512 characterization method Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 29
- 230000009466 transformation Effects 0.000 claims description 18
- 238000005070 sampling Methods 0.000 claims description 14
- 238000000034 method Methods 0.000 claims description 11
- 238000012797 qualification Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 2
- 241000271566 Aves Species 0.000 description 112
- 102000002322 Egg Proteins Human genes 0.000 description 3
- 108010000912 Egg Proteins Proteins 0.000 description 3
- 210000003278 egg shell Anatomy 0.000 description 3
- 238000002329 infrared spectrum Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009545 invasion Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000002503 metabolic effect Effects 0.000 description 2
- 244000005700 microbiome Species 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000001931 thermography Methods 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 150000002632 lipids Chemical class 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
Classifications
-
- 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
-
- G06T5/70—
-
- G06T5/92—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
Abstract
本发明公开了一种基于红外图像的禽蛋品质鉴别方法,包括以下步骤:采集禽蛋的红外图像;对红外图像进行预处理,图像二值化;对二值图像的白色区域进行连通性检测,并根据禽蛋外形特征对白色连通区域进行约束,去除不符合要求的连通区域,得到禽蛋的位置分布图;对位置分布图进行降噪,得到表征禽蛋区域的连通区域图像,对各连通区域进行编号;根据红外图像和连通区域图像,计算禽蛋分割图;根据禽蛋分割图计算每个禽蛋区域特征向量xi=[μi,σi,si]T,i={1,2,...n};将特征向量xi带入预先训练好的判决模型,计算出模型值Ni;将计算出的模型值Ni与判决阈值进行比较,完成对禽蛋品质的鉴别。本发明能够通过检测禽蛋表面性质快速准确的检测出禽蛋内部是否变质,对禽蛋品质进行等级区分。
Description
技术领域
本发明属于图像处理领域,具体涉及一种利用图像处理技术鉴别禽蛋品质的方法。
背景技术
禽蛋产业不仅是我国农业的支柱产业,也是关系国计民生和社会稳定的重要产业。目前国内外已有的禽蛋品质鉴别方法有:通过人的感官直接鉴别的方法,即通过肉眼观测禽蛋表面是否清洁完整;还有采用物理指标衡量禽蛋品质的方法,例如测量禽蛋尺寸及密度并与国际标准值比较;针对表面品质的无损鉴别方法,即通过采用多个CCD摄像头拍摄禽蛋,并对采集到的数据进行综合处理;还有通过近红外光谱投射或红外光漫反射来观测禽蛋结构与内部化学成分的变化。
然而这些方法都或多或少存在着缺点。首先,通过人的感官指标来对禽蛋进行直接鉴别缺少科学严谨性,采用物理衡量指标方法的理论支撑不够充分,此外密度检测属于有损检测,不利于禽蛋的销售。对禽蛋表面的无损检测方法,只着眼于蛋壳表面情况包括裂纹、污斑,无法检测其内部是否发生变质,无法应用到生产线中。同时,红外光谱分析是利用不同物质对不同频率的红外光的不同吸收性来鉴别物质种类的,利用近红外光谱分析禽蛋品质也存在不能检测到禽蛋内部是否变质的问题。近红外主要表征的是禽蛋壳表面的性质,其内部蛋白质、脂质等有机物特性很难通过不透明的蛋壳反映到外部,故不能很好地判断禽蛋内部有机物的情况,无法有效判断禽蛋变质与否。同时,近红外光谱分析技术存在灵敏度低、抗干扰性差等缺点。
发明内容
针对上述现有技术的不足,本发明提供一种基于红外图像的禽蛋品质鉴别方法,用于解决现有技术中的禽蛋鉴别方法不能准确、高效的对禽蛋内部品质进行无损鉴别的技术问题,突破了通过观测禽蛋表面性质无法深入内部品质的局限性,能够通过检测禽蛋表面性质快速准确的检测出禽蛋内部是否变质,能对禽蛋品质进行等级区分,对禽蛋不会产生损害和诱发变质。
为了解决上述技术问题,本发明采用了如下的技术方案:一种基于红外图像的禽蛋品质鉴别方法,包括以下步骤:
步骤1:利用红外热像仪采集禽蛋的红外图像并将红外图像输入给计算机;
步骤2:对红外图像进行预处理,然后进行二值化,得到二值图像;
步骤3:对二值图像的白色区域进行连通性检测,得到若干个白色连通区域,并根据禽蛋外形特征对白色连通区域进行约束,去除掉不符合要求的连通区域,得到禽蛋的位置分布图;
步骤4:对位置分布图进行降噪,得到表征禽蛋区域的连通区域图像,每一个连通区域对应一个禽蛋,从1到n对各连通区域进行编号;
步骤5:根据红外图像和连通区域图像,计算禽蛋分割图;
步骤6:根据禽蛋分割图计算每个禽蛋区域的灰度均值μi、均方差σi以及面积si,构成特征向量xi=[μi,σi,si]T,i={1,2,...n};
步骤7:将特征向量xi带入采用训练样本预先训练好的判决模型,计算出模型值Ni;
步骤8:将计算出的模型值Ni与判决阈值进行比较,从而完成对禽蛋品质的鉴别。
优选的,训练样本中包含品质合格禽蛋、品质差禽蛋以及品质更差禽蛋;判决阈值包括Nt、Nr,其中,Nt为训练样本中品质差禽蛋按照判决模型所计算出的模型值;Nr为训练样本中品质更差禽蛋按照判决模型所计算出的模型值;当Ni>Nt,则为品质良好禽蛋;当Nt≥Ni≥Nr,则为品质较差禽蛋;当Ni<Nr,则为变质禽蛋。
优选的,判决模型按照如下步骤训练:
步骤201:收集已知品质的禽蛋作为训练样本,令禽蛋的样本特征向量为变量x,按照所述步骤1~6计算出训练样本中各个禽蛋的样本特征向量;其中,训练样本中包含品质合格禽蛋、品质差禽蛋以及品质更差禽蛋;
步骤202:采用品质合格禽蛋训练一个三维空间的高斯模型,并计算模型参数以及∑,为样本特征向量均值,∑为样本特征向量协方差,
步骤203:将模型参数以及∑代入由品质合格禽蛋训练的高斯模型,得到判决模型如下:
步骤204:将品质差禽蛋以及品质更差禽蛋的特征向量代入判决模型,计算出若干模型值,选取品质差禽蛋模型值的平均值作为判决阈值Nt,选取品质更差禽蛋模型值的平均值作为判决阈值Nr。
优选的,步骤2中图像预处理按照如下步骤进行:首先,对红外图像采用3×3模板进行均值滤波降噪;然后对红外图像中各像素点的灰度值进行线性变换,将灰度值变换到0~255范围内,保证亮度和对比度的统一。
优选的,步骤3中按如下步骤去掉不符合要求的连通区域:
步骤301:根据各个连通区域的像素点的数量计算各个连通区域的面积s′;根据拍摄的实际情况设定参数c1与c2;其中,c1为红外图像中最小禽蛋区域的像素点的数量,c2为红外图像中最大禽蛋区域的像素点的数量;
步骤302:计算各个连通区域的外接矩形,设外接矩形的宽度为W,高度为H;
步骤303:将外接矩形的宽度W与参数c1与c2进行比较,去掉W<c1和W>c2的连通区域;
步骤304:根据禽蛋形状近似于椭圆的特点,去掉W/H>1.5和H/W>1.5的连通区域;
步骤305:根据禽蛋形状近似于椭圆的特点,去掉s′/(W*H)<0.7的连通区域。
与现有技术相比,本发明的具有以下有益效果:
1、由于禽蛋内部因微生物侵入或滋生会产生生命代谢而释放热量,因此变质禽蛋表面的温度会比未变质禽蛋高,那么通过红外图像就能间接检测到禽蛋品质的变化情况:红外图像的灰度值反映了禽蛋表面的温度分布情况。这种间接检测方法,突破了观测禽蛋外表面性质无法深入内部品质检测的局限性,同时使得评价标准更加统一客观,符合工业上标准化的要求。
2、本发明的检测方法采用非接触式的检测,而且是采用被动式红外成像,不会对禽蛋造成物理损伤或者产生诱发其变质的不利因素。
3、本发明的检测方法不仅采用温度作为鉴别禽蛋品质的因素,还同时将禽蛋的大小作为品质因素,使得禽蛋品质的分级更加客观、科学。
4、本发明方便易行,大大提升了禽蛋品质检测速度,适合工业化生产场景下的应用。
5、本发明通过灰度值线性变换、滤波降噪以及根据禽蛋外形的约束去除不符合要求的连通区域,大大提高了检测的精度。
附图说明
图1是具体实施方式的流程图;
图2是禽蛋的红外图像;
图3是禽蛋的连通区域图像;
图4是禽蛋分割图;
图5禽蛋的特征向量的三维坐标图。
具体实施方式
下面结合附图和优选实施方式对本发明作进一步的详细说明。
首先对本发明的原理进行说明:禽蛋内部因为微生物侵入或滋生会有生命代谢,释放热量,造成禽蛋外表面温度升高;红外热像仪能够捕捉到不同品质禽蛋热辐射信号,得到禽蛋的红外图像,红外图像的灰度值反映了禽蛋表面温度的分布情况。对禽蛋的红外图像进行处理,实现图像中的禽蛋分割,对得到禽蛋图像信息进行分析计算,获取温度分布及面积特征,然后根据样本训练结构对禽蛋品质进行鉴别,得到禽蛋品质等级的客观评价。
如图1所示,一种基于红外图像的禽蛋品质鉴别方法,包括以下步骤:
步骤1:利用红外热像仪采集禽蛋的红外图像并将红外图像输入给计算机;采用红外热像仪,对禽蛋进行拍摄获得图像,将图像信号通过热像仪的数字接口传输到主控计算机,在主控计算机上编写软件实现网络协议、镜头对焦、数据收发及图像解码,获得清晰的红外图像,禽蛋的红外图像如图2所示。本具体实施方式中采用采用FLIR公司的PHOTON160x120红外热像仪拍摄禽蛋获得禽蛋的红外图像,为了后续处理方便,拍摄时使各禽蛋留有一定间隔,使得在图像中容易区分。
步骤2:对红外图像进行预处理,然后进行二值化,得到二值图像;
步骤3:对二值图像的白色区域(灰度为255)进行连通性检测,如果两个白色的像素点在横向、纵向和斜向相邻,则认为它们连通,属于同一个连通区域,从而得到若干个白色连通区域。由于白色连通区域包括禽蛋区域,也包括干扰区域,需要根据禽蛋外形特征对白色连通区域进行约束,去除掉不符合要求的连通区域,得到禽蛋的位置分布图;
步骤4:对位置分布图进行降噪,得到表征禽蛋区域的连通区域图像,如图3所示,每一个连通区域对应一个禽蛋,从1到n对各连通区域进行编号;
步骤5:根据红外图像和连通区域图像,计算禽蛋分割图,图4为禽蛋分割图;
步骤6:根据禽蛋分割图计算每个禽蛋区域的灰度均值μi、均方差σi以及面积si,构成特征向量xi=[μi,σi,si]T,i={1,2,...n};禽蛋的特征向量参数如下表所示:
禽蛋的特征向量xi在三维空间中可表示为一个点,如图5所示。
步骤7:将特征向量xi带入采用训练样本预先训练好的判决模型,计算出模型值Ni;
步骤8:将计算出的模型值Ni与阈值进行比较,从而完成对禽蛋品质的鉴别。
本具体实施方式中,训练样本中包含品质合格禽蛋、品质差禽蛋以及品质更差禽蛋;阈值包括Nt、Nr,其中,Nt为训练样本中品质差禽蛋按照判决模型所计算出的模型值;Nr为训练样本中品质更差禽蛋按照判决模型所计算出的模型值;当Ni>Nt,则为品质良好禽蛋;当Nt≥Ni≥Nr,则为品质较差禽蛋;当Ni<Nr,则为变质禽蛋。
本具体实施方式中,判决模型按照如下步骤训练:
步骤201:收集已知品质的禽蛋作为训练样本,样本训练是为了得得模型参数和判决阈值令禽蛋的样本特征向量为变量x,按照所述步骤1~6计算出训练样本中各个禽蛋的样本特征向量;其中,训练样本中包含品质合格禽蛋、品质差禽蛋以及品质更差禽蛋;
步骤202:采用品质合格禽蛋训练一个三维空间的高斯模型,并计算模型参数以及∑,为样本特征向量均值,∑为样本特征向量协方差,
步骤203:将模型参数以及∑代入由品质合格禽蛋训练的高斯模型,得到判决模型如下:
步骤204:将品质差禽蛋以及品质更差禽蛋的特征向量代入判决模型,计算出若干模型值,选取品质差禽蛋模型值的平均值作为判决阈值Nt,选取品质更差禽蛋模型值的平均值作为判决阈值Nr,本具体实施方式中Nt=0.25,Nr=0.1。
本具体实施方式中的判决模型是在夏季、晴天、常温下进行训练的;若是季节、气候、环境温度发生较大变化,则需要采用训练样本重新对判决模型进行训练。
本具体实施方式中,步骤2中图像预处理按照如下步骤进行:首先,对红外图像采用3×3模板进行均值滤波降噪,3×3模板是指横向、纵向分别有3个像素点的像素区域,均值滤波能够有效减弱红外图像中的噪声干扰;然后对红外图像中各像素点的灰度值进行线性变换,将灰度值变换到0~255范围内,保证亮度和对比度的统一。这样,能够避免不同批次的禽蛋因为拍摄光线等原因造成拍摄出的红外图像的亮度和对比度存在较大差异,而引起的灰度值差异较大,从而使得基于红外图像进行的禽蛋品质鉴定能够具有统一的标准,使得禽蛋品质鉴定更加规范化、标准化。
本具体实施方式中,红外图像进行线性变换的方法如下:
找到红外图像中灰度值最大的像素点以及灰度值最小的像素点,获取红外图像的最大灰度值hmax和最小灰度值hmin;令线性变换前的灰度值为h,变换后的灰度值为g,构造如下方程组以求解线性变换参数k和b:
根据求解到的线性变换参数k和b,得到线性变换方程g=kh+b,按照该线性变换方程对红外图像中各像素点的灰度值进行线性变换。
本具体实施方式中,步骤3中按如下步骤去掉不符合要求的连通区域:
步骤301:根据各个连通区域的像素点的数量计算各个连通区域的面积s′;根据拍摄的实际情况设定参数c1与c2;其中,c1为红外图像中最小禽蛋区域的像素点的数量,c2为红外图像中最大禽蛋区域的像素点的数量;本具体实施方式中,c1=1000,c2=3000;
步骤302:计算各个连通区域的外接矩形,设外接矩形的宽度为W,高度为H;外接矩形的宽度W是指在宽度方向上的像素点的数量,外接矩形的高度H是指在高度方向上的像素点的数量。
步骤303:将外接矩形的宽度W与参数c1与c2进行比较,去掉W<c1和W>c2的连通区域;这样能够去除掉红外图像中的长条形连通区域。
步骤304:根据禽蛋形状近似于椭圆的特点,去掉W/H>1.5和H/W>1.5的连通区域;
步骤305:根据禽蛋形状近似于椭圆的特点,去掉s′/(W*H)<0.7的连通区域。
本具体实施方式中,步骤4中采用5×5模板对位置分布图进行中值滤波,以去除图像中孤立的噪声点。中值滤波可以做到既去除噪声又能较好保护图像的细节,从而获得较满意的复原效果,而且运算方便快速,特别适合点、线及尖顶细节很少的禽蛋图像。
本具体实施方式中,步骤2中采用最大类间方差法计算二值化阈值;将灰度值大于等于二值化阈值的像素点赋值为255,将灰度值小于二值化阈值的像素点赋值为0,从而得到二值图像。采用最大类间方差法能够在对背景和目标进行分割时,降低错分概率,从而保证后续步骤能够准确地在二值图像上分割出禽蛋区域和背景区域。
Claims (8)
1.一种基于红外图像的禽蛋品质鉴别方法,其特征在于:包括以下步骤:
步骤1:利用红外热像仪采集禽蛋的红外图像并将红外图像输入给计算机;
步骤2:对红外图像进行预处理,然后进行二值化,得到二值图像;
步骤3:对二值图像的白色区域进行连通性检测,得到若干个白色连通区域,并根据禽蛋外形特征对白色连通区域进行约束,去除掉不符合要求的连通区域,得到禽蛋的位置分布图;
步骤4:对位置分布图进行降噪,得到表征禽蛋区域的连通区域图像,每一个连通区域对应一个禽蛋,从1到n对各连通区域进行编号;
步骤5:根据红外图像和连通区域图像,计算禽蛋分割图;
步骤6:根据禽蛋分割图计算每个禽蛋区域的灰度均值μi、均方差σi以及面积si,构成特征向量xi=[μi,σi,si]T,i={1,2,...n};
步骤7:将特征向量xi带入采用训练样本预先训练好的判决模型,计算出模型值Ni;
判决模型为采用品质合格禽蛋训练得到的一个三维空间的高斯模型:
其中,为样本特征向量均值,
Σ为样本特征向量协方差,
步骤8:将计算出的模型值Ni与判决阈值进行比较,从而完成对禽蛋品质的鉴别。
2.根据权利要求1所述的基于红外图像的禽蛋品质鉴别方法,其特征在于:训练样本中包含品质合格禽蛋、品质差禽蛋以及品质更差禽蛋;判决阈值包括Nt、Nr,其中,Nt为训练样本中品质差禽蛋按照判决模型所计算出的模型值;Nr为训练样本中品质更差禽蛋按照判决模型所计算出的模型值;当Ni>Nt,则为品质良好禽蛋;当Nt≥Ni≥Nr,则为品质较差禽蛋;当Ni<Nr,则为变质禽蛋。
3.根据权利要求2所述的基于红外图像的禽蛋品质鉴别方法,其特征在于:判决模型按照如下步骤训练:
步骤201:收集已知品质的禽蛋作为训练样本,令禽蛋的样本特征向量为变量x,按照所述步骤1~6计算出训练样本中各个禽蛋的样本特征向量;其中,训练样本中包含品质合格禽蛋、品质差禽蛋以及品质更差禽蛋;
步骤202:采用品质合格禽蛋训练一个三维空间的高斯模型,并计算模型参数以及∑,为样本特征向量均值,∑为样本特征向量协方差,
步骤203:将模型参数以及∑代入由品质合格禽蛋训练的高斯模型,得到判决模型如下:
步骤204:将品质差禽蛋以及品质更差禽蛋的特征向量代入判决模型,计算出若干模型值,选取品质差禽蛋模型值的平均值作为判决阈值Nt,选取品质更差禽蛋模型值的平均值作为判决阈值Nr。
4.根据权利要求1所述的基于红外图像的禽蛋品质鉴别方法,其特征在于:步骤2中图像预处理按照如下步骤进行:首先,对红外图像进行均值滤波降噪;然后对红外图像中各像素点的灰度值进行线性变换,将灰度值变换到0~255范围内,保证亮度和对比度的统一。
5.根据权利要求3所述的基于红外图像的禽蛋品质鉴别方法,其特征在于:红外图像进行线性变换的方法如下:
找到红外图像中灰度值最大的像素点以及灰度值最小的像素点,获取红外图像的最大灰度值hmax和最小灰度值hmin;令线性变换前的灰度值为h,变换后的灰度值为g,构造如下方程组以求解线性变换参数k和b:
根据求解到的线性变换参数k和b,得到线性变换方程g=kh+b,按照该线性变换方程对红外图像中各像素点的灰度值进行线性变换。
6.根据权利要求1所述的基于红外图像的禽蛋品质鉴别方法,其特征在于:步骤3中按如下步骤去掉不符合要求的连通区域:
步骤301:根据各个连通区域的像素点的数量计算各个连通区域的面积s′;根据拍摄的实际情况设定参数c1与c2;其中,c1为红外图像中最小禽蛋区域的像素点的数量,c2为红外图像中最大禽蛋区域的像素点的数量;
步骤302:计算各个连通区域的外接矩形,设外接矩形的宽度为W,高度为H;
步骤303:将外接矩形的宽度W与参数c1与c2进行比较,去掉W<c1和W>c2的连通区域;
步骤304:根据禽蛋形状近似于椭圆的特点,去掉W/H>1.5和H/W>1.5的连通区域;
步骤305:根据禽蛋形状近似于椭圆的特点,去掉s′/(W*H)<0.7的连通区域。
7.根据权利要求1所述的基于红外图像的禽蛋品质鉴别方法,其特征在于:步骤4中对位置分布图进行中值滤波,以去除图像中孤立的噪声点。
8.根据权利要求1所述的基于红外图像的禽蛋品质鉴别方法,其特征在于:步骤2中采用最大类间方差法计算二值化阈值;将灰度值大于等于二值化阈值的像素点赋值为255,将灰度值小于二值化阈值的像素点赋值为0,从而得到二值图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710423144.1A CN107220972B (zh) | 2017-06-07 | 2017-06-07 | 一种基于红外图像的禽蛋品质鉴别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710423144.1A CN107220972B (zh) | 2017-06-07 | 2017-06-07 | 一种基于红外图像的禽蛋品质鉴别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107220972A CN107220972A (zh) | 2017-09-29 |
CN107220972B true CN107220972B (zh) | 2019-06-28 |
Family
ID=59948445
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710423144.1A Active CN107220972B (zh) | 2017-06-07 | 2017-06-07 | 一种基于红外图像的禽蛋品质鉴别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107220972B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109060144A (zh) * | 2018-08-24 | 2018-12-21 | 电子科技大学 | 红外热像仪netd自动测试的方法 |
CN110991220B (zh) * | 2019-10-15 | 2023-11-07 | 京东科技信息技术有限公司 | 禽蛋检测、图像处理方法,装置、电子设备及存储介质 |
CN117475292B (zh) * | 2023-12-28 | 2024-03-01 | 河北玖兴农牧发展有限公司 | 一种种蛋自动识别系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101455183A (zh) * | 2008-12-31 | 2009-06-17 | 北京农业信息技术研究中心 | 禽蛋尺寸及蛋形指数的检测方法 |
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 |
JP2013167491A (ja) * | 2012-02-14 | 2013-08-29 | Ncd:Kk | 検体から検出対象物を見つけ出す検出装置、検出方法、検出プログラム及び記憶媒体 |
CN104764744A (zh) * | 2015-04-21 | 2015-07-08 | 华中农业大学 | 一种禽蛋新鲜度的视觉检测装置及其方法 |
CN106645605A (zh) * | 2016-09-05 | 2017-05-10 | 中国农业大学 | 基于机器视觉的禽类受精蛋检测方法 |
-
2017
- 2017-06-07 CN CN201710423144.1A patent/CN107220972B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101455183A (zh) * | 2008-12-31 | 2009-06-17 | 北京农业信息技术研究中心 | 禽蛋尺寸及蛋形指数的检测方法 |
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 |
JP2013167491A (ja) * | 2012-02-14 | 2013-08-29 | Ncd:Kk | 検体から検出対象物を見つけ出す検出装置、検出方法、検出プログラム及び記憶媒体 |
CN104764744A (zh) * | 2015-04-21 | 2015-07-08 | 华中农业大学 | 一种禽蛋新鲜度的视觉检测装置及其方法 |
CN106645605A (zh) * | 2016-09-05 | 2017-05-10 | 中国农业大学 | 基于机器视觉的禽类受精蛋检测方法 |
Non-Patent Citations (1)
Title |
---|
基于数字图像技术的群体咸鸭蛋品质在线检测;许堃瑞;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》;20140915(第9期);B024-206 |
Also Published As
Publication number | Publication date |
---|---|
CN107220972A (zh) | 2017-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xudong et al. | Automatic recognition of dairy cow mastitis from thermal images by a deep learning detector | |
WO2020078229A1 (zh) | 目标对象的识别方法和装置、存储介质、电子装置 | |
CN107077626B (zh) | 动物用非侵入式多模态生物特征辨识系统 | |
Yang et al. | Tea diseases detection based on fast infrared thermal image processing technology | |
RU2595495C2 (ru) | Устройство обработки изображений, способ обработки изображений и система обработки изображений | |
JP2018525746A (ja) | コロニーコントラスト収集 | |
CN106296670B (zh) | 一种基于Retinex-分水岭-Canny算子的红外图像边缘检测方法 | |
US20150187077A1 (en) | Image processing device, program, image processing method, computer-readable medium, and image processing system | |
CN107392885A (zh) | 一种基于视觉对比机制的红外弱小目标检测方法 | |
CN107220972B (zh) | 一种基于红外图像的禽蛋品质鉴别方法 | |
Sunardi et al. | Identity analysis of egg based on digital and thermal imaging: Image processing and counting object concept | |
CN105651776A (zh) | 基于计算机视觉的牛胴体产肉量自动分级装置与方法 | |
CN106709903B (zh) | 基于图像质量的pm2.5浓度预测方法 | |
CN106370668A (zh) | 一种咸蛋内部品质的在线视觉检测装置及其方法 | |
WO2024051067A1 (zh) | 红外图像处理方法、装置及设备、存储介质 | |
CN113252568A (zh) | 基于机器视觉的镜片表面缺陷检测方法、系统、产品、终端 | |
Asmara et al. | Chicken meat freshness identification using the histogram color feature | |
Petrellis | Plant Disease Diagnosis Based on Image Processing, Appropriate for Mobile Phone Implementation. | |
US20190096066A1 (en) | System and Method for Segmenting Out Multiple Body Parts | |
Lamping et al. | ChickenNet-an end-to-end approach for plumage condition assessment of laying hens in commercial farms using computer vision | |
Marcos et al. | Automated benthic counting of living and non-living components in Ngedarrak Reef, Palau via subsurface underwater video | |
CN113180640B (zh) | 一种家畜养殖用尺寸测量方法及系统 | |
CN107145820B (zh) | 基于hog特征和fast算法的双眼定位方法 | |
CN116912260A (zh) | 基于人工智能的肉鸡养殖健康状态检测方法 | |
Satone et al. | Automatic bruise detection in fruits using thermal images |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |