CN108287010B - 一种螃蟹多指标分级装置与方法 - Google Patents
一种螃蟹多指标分级装置与方法 Download PDFInfo
- Publication number
- CN108287010B CN108287010B CN201810193285.3A CN201810193285A CN108287010B CN 108287010 B CN108287010 B CN 108287010B CN 201810193285 A CN201810193285 A CN 201810193285A CN 108287010 B CN108287010 B CN 108287010B
- Authority
- CN
- China
- Prior art keywords
- crabs
- image
- crab
- platform
- male
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 241000238557 Decapoda Species 0.000 claims abstract description 146
- 238000005303 weighing Methods 0.000 claims abstract description 45
- 210000001015 abdomen Anatomy 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 14
- 230000004323 axial length Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 8
- 230000000877 morphologic effect Effects 0.000 claims description 7
- 210000000080 chela (arthropods) Anatomy 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 241001292396 Cirrhitidae Species 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 239000012535 impurity Substances 0.000 claims description 3
- 230000036544 posture Effects 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 description 9
- 230000000875 corresponding effect Effects 0.000 description 5
- 230000007547 defect Effects 0.000 description 5
- 229910052736 halogen Inorganic materials 0.000 description 5
- 150000002367 halogens Chemical class 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 241000733943 Hapalogaster mertensii Species 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 238000009360 aquaculture Methods 0.000 description 1
- 244000144974 aquaculture Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000050 nutritive effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01G—WEIGHING
- G01G17/00—Apparatus for or methods of weighing material of special form or property
- G01G17/08—Apparatus for or methods of weighing material of special form or property for weighing livestock
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N2021/8411—Application to online plant, process monitoring
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N2021/845—Objects on a conveyor
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
- Y02A40/81—Aquaculture, e.g. of fish
Abstract
本发明公开了一种螃蟹多指标分级装置与方法，包括上样平台、称重平台、图像采集平台、分级平台以及控制系统；上样平台、称重平台、图像采集平台以及分级平台之间通过传送带相关联；上样平台用于装载螃蟹；称重平台能够在检测到螃蟹传送过来时对螃蟹进行自动称重；图像采集平台能够在检测到螃蟹传送过来时对螃蟹进行自动图像采集；分级平台能够针对螃蟹的重量、雌雄及成熟度的状况进行相应的自动分级；控制系统分别与称重平台、图像采集平台以及分级平台电连接，控制系统控制称重平台启动称重、控制图像采集平台启动图像采集、对采集的螃蟹信息进行分析以及控制分级平台实现自动分级。本发明能双面区分雌雄和成熟度，并且能够多指标自动分级。
Description
技术领域
本发明涉及一种分级装置与方法，具体涉及能根据螃蟹重量、雌雄、成熟度对螃蟹多指标综合分级的装置与方法。
背景技术
螃蟹是我国重要的名贵水产品，不仅味道鲜美，而且还含有丰富的蛋白质、维生素及钙、磷、铁等微量元素，具有较高的营养价值。随着人们生活质量的不断提高，螃蟹的需求量也逐年增加，作为水产业中的佼佼者，年产量已达数万吨。为了满足市场日渐增长的需求，螃蟹的养殖产量也在逐年增长；现市场上90％以上的螃蟹通过鲜活的原料形式进行销售，价格，浮动空间较大；目前螃蟹分级指标主要为重量、雌雄和成熟度指标，以人工挑拣、称重的分级为主，其人为因素对螃蟹分级影响较大，且具有劳动强度大，人工成本高，生产规模小等诸多缺点；效率低下的人工分级已经无法满足商品蟹季节的需求性和保鲜性。研究出一种能根据螃蟹的重量、雌雄和成熟度多指标的自动化分级设备和系统，从商业角度出发，可以降低企业成本，加快螃蟹从养殖到进入市场的速度，保证鲜活率与其外观品质均得到市场的认可，提高企业经济效益，提升企业口碑与知名度；从技术研发角度出发，由传统的螃蟹人工分级到实现自动化高效分级不仅提高了螃蟹的分选效率，更是对鲜活水产品分选技术的一大创新。
在以往的研究中，螃蟹机械在线分级设备只能实现对重量、尺寸的分级，不能根据螃蟹的雌雄和成熟度这两个重要的指标进行分级。
现有对螃蟹在线分级的设备中，专利“大闸蟹分级设备及筛选技术(201310356631.2)”公开了一个由内而外相互套叠的数层圆柱形两头贯通的栅格状倾斜的滚笼筒，栅格缝隙间隔从内向外层逐层由大变小，不同大小螃蟹从外向内投入筒中可以从不同大小的缝隙掉下实现对螃蟹的尺寸分级；专利“螃蟹分类装置(201410146926.1)”公开了一种包含输入端、称重装置、和输出段的螃蟹分类装置，利用输入端运输螃蟹至称重装置，称重装置对螃蟹进行称重，根据不同重量分级后利用输出段将螃蟹运输到不同的位置；现有技术只能根据单一的指标对螃蟹进行分级，对螃蟹的雌雄指标和成熟度指标依然需要人工完成，具有分级效率低、自动化程度低的缺点。
发明内容
针对上述现有技术中螃蟹分选装置存在的分级效率低、自动化程度低的问题和不足，本发明提供了一种基于机器视觉技术实现螃蟹重量、雌雄、成熟度三个指标综合分级的装置与方法。
一种螃蟹多指标分级装置，包括：上样平台、称重平台、图像采集平台、分级平台以及控制系统；所述上样平台、所述称重平台、所述图像采集平台以及所述分级平台之间通过传送装置相关联；
所述上样平台用于装载螃蟹；所述称重平台能够在检测到螃蟹传送过来时对螃蟹进行自动称重；所述图像采集平台能够在检测到螃蟹传送过来时对螃蟹进行自动图像采集；所述分级平台能够针对螃蟹的重量、雌雄以及成熟的状况进行相应的自动分级；所述控制系统分别与所述称重平台、所述图像采集平台以及所述分级平台电连接，所述控制系统控制称重平台启动称重、控制图像采集平台启动图像采集、对采集的螃蟹信息进行分析以及控制分级平台实现自动分级。
进一步，所述传送装置为传送带；所述上样平台、称重平台、图像采集平台、分级平台上均设有传送带；所述上样平台上的传送带能够将螃蟹传送至所述称重平台上的第一传送带，所述称重平台上的第一传送带能够将螃蟹传送至所述图像采集平台上的第二传送带，所述图像采集平台上的第二传送带能够将螃蟹传送至所述分级平台上的第三传送带。
进一步，所述称重平台的输入端设有第一光电传感器，所述称重平台的下方设有重量传感器，在螃蟹经过所述第一光电传感器时由所述控制系统控制启动所述重量传感器以采集螃蟹的重量信息。
进一步，所述图像采集平台的输入端设有第二光电传感器，所述图像采集平台的上方设有光源和相机，在螃蟹经过所述第二光电传感器时由所述控制系统控制启动所述相机和光源以采集螃蟹的图像信息。
进一步，所述光源为三个卤素灯，所述三个卤素灯安装在所述第二传送带上方30cm处，位置形状呈正三角形。
进一步，所述分级平台上设有若干对分拨板，所述螃蟹位于每对分拨板之间，所述分拨板在所述控制系统的控制下能够转动以改变螃蟹的传送方向，将螃蟹放至对应的工位。
进一步，所述控制系统包括相连接的控制面板和计算机；所述控制面板为人机交互界面板，能够实时显示螃蟹指标信息；所述计算机分别采集所述称重平台的重量信息与所述图像采集平台的图像信息，并对采集的信息分析得出螃蟹的重量、雌雄以及成熟度，发出控制指令给所述分级平台实现分级。
进一步，所述上样平台、称重平台、图像采集平台、分级平台上的螃蟹均呈单排分布。
根据上述装置，本发明还提出了一种螃蟹多指标分级方法，包括如下步骤：
步骤1，将螃蟹放到上样平台，由传送带将螃蟹传送至称重平台的第一传送带上；
步骤2，位于称重平台的螃蟹被检测到经过位于称重平台入口处的第一光电传感器时，由计算机控制启动称重平台下方的重量传感器，获取螃蟹的重量信息；
步骤3，第一传送带将螃蟹传送至图像采集平台的第二传送带上，位于图像采集平台入口处的第二光电传感器检测到螃蟹经过时，由计算机控制启动图像采集平台上方的光源和相机，获取螃蟹的图像信息；
步骤4，计算机根据获取的图像信息，分析处理判别出螃蟹的雌雄和成熟度；
步骤5，得到螃蟹的重量、雌雄、成熟度信息后，先根据螃蟹是否成熟对螃蟹分选，当螃蟹不成熟，直接分入7号工位；当螃蟹成熟时，再根据雌雄特征和重量信息对螃蟹分选；雌螃蟹分选至奇数工位，雄螃蟹分选至偶数工位；
计算机接收来自控制面板设定的重量参数，分别为雌雄螃蟹设定重量分选指标，根据重量信息再进一步分级到具体的某个工位；分级操作由计算机控制分拨板转动将螃蟹放至对应的工位。
进一步，步骤4中螃蟹的雌雄和成熟度的判别方法如下：
步骤4.1：在采集图像前用相机附带的SDK调用相机进行标定，以防相机镜头畸变，具体标定过程如下：先采用halcon生成标准标定板，再利用相机获取不同标定板不同姿态的图像，最后利用获取的标定板图像，进行相机内外参数标定；设定相机参数曝光时间为10微秒、相机深度为8bit后采集图像；
步骤4.2：图像预处理，首先利用5×5模板进行中值滤波去除噪声，采用Otsu算法自动求取阈值获得二值化图像，采用bwareaopen函数去掉细小杂质，并通过形态学运算平滑螃蟹边缘轮廓，填充内部空洞，通过上述方法获得掩模图像，通过掩模图像与原图像相乘获得螃蟹区域的提取图像，对螃蟹区域提取图像带入已知Bayes线性判别函数进行遍历，得到每个像素的判别结果；
步骤4.3：采集50只未成熟螃蟹和150只成熟螃蟹灰度图像，成熟和未成熟螃蟹的雌雄比例相同；根据步骤4.2对图像进行预处理；基于灰度共生矩阵得到螃蟹的纹理特征，包含能量、熵、惯性矩、相关性和逆距离5个常见的纹理特征参数实现成熟度的检测；灰度共生矩阵的参数固定灰度级设为32，距离为1；将五个纹理特征带入支持向量机分类预测模型，选用径向基核函数作为核函数，独立运行模型10次，记录这10次模型各个指标的性能，采用十折交叉验证，最终得到螃蟹成熟度识别正确率为95.3％；
步骤4.4：采用Roberts算子分割背景与螃蟹，并计算分割后图像的平均灰度值G，设定阈值Gthreshold＝80区分螃蟹的蟹壳面和腹部面，若G<Gthreshold，则判定图像为螃蟹的正面，既蟹壳面，接着进入步骤4.5；若G>Gthreshold，则判定图像为螃蟹的反面，既腹部面，接着进入步骤4.6；
步骤4.5：基于灰度共生矩阵得到螃蟹的纹理特征，包含能量、熵、惯性矩、相关性和逆距离5个常见的纹理特征参数实现螃蟹雌雄的检测；灰度共生矩阵的参数固定灰度级设为32，距离为1；利用数学形态学的基本运算包括腐蚀、膨胀、开启和闭合运算，采用形态学方法提取螃蟹蟹钳的特征信号，既蟹钳外接椭圆长轴长与短轴长的轴距比R＝W/L，其中L为长轴长的像素数，W为短轴长的像素数；总共采集到6个特征参数；
步骤4.6：从灰度图像中提取螃蟹腹部三角形特征信息，具体过程为设定灰度值b1＝30、b2＝70，以b＝[b1，b2]作为阈值，当灰度图像f(x，y)不在G的范围内，f(x，y)的灰度值变为0，当灰度图像f(x，y)在G的范围内，f(x，y)的灰度值变为32，得到二值化图像，提取出螃蟹腹部的三角形特征信息；以腹部明显的三角形作为模板，利用基于形状的模板匹配算法，计算图像的归一化的相似度值S，0≤S≤1，设定相似度S≥80％时为判定为雌螃蟹，否则判定为雄螃蟹。
本发明的有益效果：
本发明针对现有技术的缺陷优化算法实现了对螃蟹雌雄的双面区分，降低检测过程中产品对摆放位置的要求，同时本产品通过引进光谱技术，实现了对螃蟹成熟度的区分，弥补了常规分级系统无法进行内部检测的不足，本发明能实现对螃蟹多指标自动分级。
附图说明
图1为本发明所述一种螃蟹多指标分级装置示意图；
图2为螃蟹分级系统的工作流程图；
图3在800nm附近波段采集的螃蟹灰度图片，上面两张左图和右图分别为雄螃蟹正反面图像，下面左图和右图分别为雌螃蟹正反面图像；
图4左图为原始图像，右图为螃蟹边缘分割后的图像；
图5左图为原始图像，右图为螃蟹腹部三角形特征模板；
图中：1-上样平台、201-第一光电传感器、202-第一传送带、203-重量传感器、301-第二光电传感器、302-第二传送带、303-光源、304-相机、401-第三传送带、402-分拨板、403-1号工位、404-2号工位、405-3号工位、406-4号工位、407-5号工位、408-6号工位、409-7号工位、501计算机、502控制面板。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明。
本发明提供了一种能依据螃蟹重量、雌雄、成熟度三个指标对螃蟹进行综合分级的装置与方法。
实施例1：
如图1所示，本发明涉及的螃蟹分级装置的结构包括依次紧邻的上样平台1、称重平台、图像采集平台、分级平台、控制系统；在分级过程中螃蟹呈单排分布，依次通过所述上样平台1、称重平台、图像采集平台和分级平台进行分级；
所述上样平台1用于临时装载鲜活螃蟹，所述上样平台1上面设有传送带202，由人工逐一将螃蟹放到传送带202上面，由传送带依次传送至称重平台、图像采集平台以及分级平台进行后续的分级处理；
所述称重平台上面设有第一传送带202、第一光电传感器201和重量传感器203，第一光电传感器201安装在称重平台的输入端，重量传感器203安装在称重平台的中间下方，螃蟹经第一传送带202传送至称重平台入口时，被第一光电传感器201检测到，之后由计算机501控制打开重量传感器203的开关，由重量传感器203采集通过螃蟹的重量信息；
所述图像采集平台紧邻称重平台，图像采集平台上设有第二传送带302、第二光电传感器301、光源303和相机304，第二光电传感器301安装在图像采集平台的输入端，光源303和相机304安装在图像采集平台的中间上方，相机304具体安装在光源303的中间位置，拍摄视野能够覆盖整个图像采集平台，螃蟹通过第二光电传感器301时被检测到，之后由计算机501控制打开相机304的开关，由相机304采集第二传送带302上螃蟹的图像信息；
所述分级平台上设有第三传送带401和若干对分拨板402，位于传送带上的螃蟹传送到分级平台后呈单排分布，分拨板402在计算机501的控制下能够进行转动以改变夹在每对分拨板之间的螃蟹的传送方向，根据等级将螃蟹分拨到指定的工位，工位上放置容器以接收分过来的螃蟹；
所述控制系统安装在称重平台后方，由控制面板502和计算机501构成，控制面板502为人机交互界面，能够实时显示螃蟹指标信息以及控制相关设备的开关，计算机501连接称重平台、图像采集平台和分级平台，计算机(501能够处理螃蟹的重量信息和图像信息对螃蟹进行分级，并发出指令控制分级平台的分拨板进行相应的动作，实现将螃蟹分级至对应的工位；
进一步，所述上样平台1、称重平台、图像采集平台、分级平台处于同一水平面。
进一步，所述重量传感器203为动态称重传感器，能在传输过程中对螃蟹进行称重。
进一步，所述图像采集平台中的第二传送带302的颜色为白色，白色传送带作为相机拍摄背景以获取质量较好的图像。
进一步，所述光源303，由三个卤素灯组成，三个卤素灯安装在第二传送带302上方30cm处，位置摆放形状呈边长为20cm的正三角形；
进一步，所述卤素灯装有波段范围为805-895nm的红外滤镜。
进一步，所述相机304分辨率为：1600×1200，帧率为：50FPS，像素大小：4.5μm。
进一步，所述分拨板为四对，沿传送方向分布(第1对、第2对、第3对和第4对)；所述工位位于第三传送带的两侧和末端，为7个，分别为设置在第1对和第2对分拨板之间的1号工位403和2号工位404，设置在第2对和第3对分拨板之间的3号工位405和4号工位406，设置在第3对和第4对分拨板之间的5号工位405和6号工位408，设置在分级平台末端的7号工位409。
进一步，所述上样平台、称重平台、图像采集平台以及分级平台均由台架支撑。
实施例2：
如图2所示，本发明涉及的多指标分级方法中包含螃蟹雌雄和成熟度判别方法，其具体包括以下步骤：
步骤一：在采集图像前用相机附带的SDK调用相机进行标定，以防相机镜头畸变，具体标定过程如下：先采用halcon生成标准标定板，再利用相机获取不同标定板不同姿态的图像，最后利用获取的标定板图像，进行相机内外参数标定；设定相机参数曝光时间为10微秒、相机深度为8bit后采集图像，具体图像如图3所示。
步骤二：图像预处理，首先利用5×5模板进行中值滤波去除噪声，采用Otsu算法自动求取阈值获得二值化图像，采用bwareaopen函数去掉细小杂质，并通过形态学运算平滑螃蟹边缘轮廓，填充内部空洞，通过上述方法获得掩模图像，通过掩模图像与原图像相乘获得螃蟹区域的提取图像，对螃蟹区域提取图像带入已知Bayes线性判别函数进行遍历，得到每个像素的判别结果。
步骤三：采集50只未成熟螃蟹和150只成熟螃蟹灰度图像，成熟和未成熟螃蟹的雌雄比例相同；根据步骤二对图像进行预处理；基于灰度共生矩阵得到螃蟹的纹理特征，包含能量、熵、惯性矩、相关性和逆距离5个常见的纹理特征参数实现成熟度的检测；灰度共生矩阵的参数固定灰度级设为32，距离为1；将五个纹理特征带入支持向量机分类预测模型，选用径向基核函数作为核函数，独立运行模型10次，记录这10次模型各个指标的性能，采用十折交叉验证，最终得到螃蟹成熟度识别正确率为95.3％。
步骤四：如图4所示，采用Roberts算子分割背景与螃蟹，并计算分割后图像的平均灰度值G，设定阈值Gthreshold＝80区分螃蟹的蟹壳面和腹部面，若G<Gthreshold，则判定图像为螃蟹的正面，既蟹壳面，接着进入步骤五；若G>Gthreshold，则判定图像为螃蟹的反面，既腹部面，接着进入步骤六；
步骤五：基于灰度共生矩阵得到螃蟹的纹理特征，包含能量、熵、惯性矩、相关性和逆距离5个常见的纹理特征参数实现螃蟹雌雄的检测；灰度共生矩阵的参数固定灰度级设为32，距离为1；利用数学形态学的基本运算包括腐蚀、膨胀、开启和闭合运算，采用形态学方法提取螃蟹蟹钳的特征信号，既蟹钳外接椭圆长轴长与短轴长的轴距比R＝W/L，其中L为长轴长的像素数，W为短轴长的像素数；总共采集到6个特征参数；通过BP神经网络模型从螃蟹正面识别雌雄特征；
在Matlab环境下建立BP神经网络的螃蟹雌雄识别模型，过程如下：
(1)输入层神经元个数为6个，既主成分分析得到的6个主成分，隐含层为8个神经元，输出层为2个神经元；
(2)雌雄螃蟹各选择50个样本，共100个样本作为训练集，雌雄螃蟹各选择20个未知样本，共40个样本作为测试集；
(3)输入矩阵归一化处理，使数据分布在[-1,1]区间上；
(4)隐含层传递函数为tansig()，输出层传递函数为logsig()，训练函数为trainlm()；最大训练次数为1000，训练精度为0.01。
在训练集中雌雄螃蟹选择50个样品，用于检测训练集的精度，再选取未参与实验的雌雄螃蟹各20个未知样品，未知样本用于检测网络的预测精度，雌雄螃蟹的训练结果与测试如表1所示。
表1：神经网络模型区分螃蟹雌雄的训练集和预测集结果
预测结果表明，BP神经网络利用螃蟹背面灰度共生矩阵中特征参数和形态学参数来识别雌雄，训练精度为96％，预测精度为95％，能通过螃蟹背部特征准确识别螃蟹雌雄。
步骤六：用阈值分割法从灰度图像中提取螃蟹腹部三角形特征信息，具体过程为设定灰度值b1＝30、b2＝70，以b＝[b1，b2]作为阈值，当灰度图像f(x，y)不在G的范围内，f(x，y)的灰度值变为0，当灰度图像f(x，y)在G的范围内，f(x，y)的灰度值变为32，得到如图5的二值化图像，提取出螃蟹腹部的三角形特征信息；以腹部明显的三角形作为模板，利用基于形状的模板匹配算法，计算图像的归一化的相似度值S(0≤S≤1)，设定相似度S≥80％时为判定为雌螃蟹，否则判定为雄螃蟹。
实施例3：
如图2所示，本发明涉及的多指标分级方法中包含多指标综合分级控制方法，其具体如下所示：
当采集完螃蟹重量、雌雄、成熟度信息后，先根据螃蟹是否成熟对螃蟹分选，当螃蟹不成熟，直接分入7号工位409，当螃蟹成熟时，再根据雌雄特征和重量信息对螃蟹分选；雌螃蟹分选至奇数工位，既1号、3号或5号工位，雄螃蟹分选至偶数工位，既2号、4号或6号工位，计算机接收来自控制面板(触摸屏)设定的重量参数，分别为雌雄螃蟹设定重量分选指标；其中当螃蟹为雌并且重量m≥200g时进入1号工位403，150g≤m<200g时进入3号工位405，150g<D1时进入5号工位407，当螃蟹为雄并且重量150g≥D2时进入2号工位404，125g≤m＜150g时进行4号工位406，m<125g时进入6号工位408。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。
Claims (1)
1.一种螃蟹多指标分级方法，其特征在于，包括如下步骤：
步骤1，将螃蟹放到上样平台，由传送带将螃蟹传送至称重平台的第一传送带(202)上；
步骤2，位于称重平台的螃蟹被检测到经过位于称重平台入口处的第一光电传感器(201)时，由计算机(501)控制启动称重平台下方的重量传感器(203)，获取螃蟹的重量信息；
步骤3，第一传送带(202)将螃蟹传送至图像采集平台的第二传送带(302)上，位于图像采集平台入口处的第二光电传感器(301)检测到螃蟹经过时，由计算机(501)控制启动图像采集平台上方的光源(303)和相机(304)，获取螃蟹的图像信息；
步骤4，计算机根据获取的图像信息，分析处理判别出螃蟹的雌雄和成熟度；
步骤5，得到螃蟹的重量、雌雄、成熟度信息后，先根据螃蟹是否成熟对螃蟹分选，当螃蟹不成熟，直接分入7号工位(409)；当螃蟹成熟时，再根据雌雄特征和重量信息对螃蟹分选；雌螃蟹分选至奇数工位，雄螃蟹分选至偶数工位；
计算机(501)接收来自控制面板(502)设定的重量参数，分别为雌雄螃蟹设定重量分选指标，根据重量信息再进一步分级到具体的某个工位；分级操作由计算机(501)控制分拨板(402)转动将螃蟹放至对应的工位；
步骤4中螃蟹的雌雄和成熟度的判别方法如下：
步骤4.1，在采集图像前用相机附带的SDK调用相机进行标定，以防相机镜头畸变，具体标定过程如下：先采用halcon生成标准标定板，再利用相机获取不同标定板不同姿态的图像，最后利用获取的标定板图像，进行相机内外参数标定；设定相机参数曝光时间为10微秒、相机深度为8bit后采集图像；
步骤4.2：图像预处理，首先利用5×5模板进行中值滤波去除噪声，采用Otsu算法自动求取阈值获得二值化图像，采用bwareaopen函数去掉细小杂质，并通过形态学运算平滑螃蟹边缘轮廓，填充内部空洞，通过上述方法获得掩模图像，通过掩模图像与原图像相乘获得螃蟹区域的提取图像，对螃蟹区域提取图像带入已知Bayes线性判别函数进行遍历，得到每个像素的判别结果；
步骤4.3：采集50只未成熟螃蟹和150只成熟螃蟹灰度图像，成熟和未成熟螃蟹的雌雄比例相同；根据步骤4.2对图像进行预处理；基于灰度共生矩阵得到螃蟹的纹理特征，包含能量、熵、惯性矩、相关性和逆距离5个纹理特征参数实现成熟度的检测；灰度共生矩阵的参数固定灰度级设为32，距离为1；将五个纹理特征带入支持向量机分类预测模型，选用径向基核函数作为核函数，独立运行模型10次，记录这10次模型各个指标的性能，采用十折交叉验证，最终得到螃蟹成熟度识别正确率为95.3％；
步骤4.4：采用Roberts算子分割背景与螃蟹，并计算分割后图像的平均灰度值G，设定阈值Gthreshold＝80区分螃蟹的蟹壳面和腹部面，若G<Gthreshold，则判定图像为螃蟹的正面，既蟹壳面，接着进入步骤4.5；若G>Gthreshold，则判定图像为螃蟹的反面，既腹部面，接着进入步骤4.6；
步骤4.5：基于灰度共生矩阵得到螃蟹的纹理特征，包含能量、熵、惯性矩、相关性和逆距离5个常见的纹理特征参数实现螃蟹雌雄的检测；灰度共生矩阵的参数固定灰度级设为32，距离为1；利用数学形态学的基本运算包括腐蚀、膨胀、开启和闭合运算，采用形态学方法提取螃蟹蟹钳的特征信号，既蟹钳外接椭圆长轴长与短轴长的轴距比R＝W/L，其中L为长轴长的像素数，W为短轴长的像素数；总共采集到6个特征参数；
步骤4.6：从灰度图像中提取螃蟹腹部三角形特征信息，具体过程为设定灰度值b1＝30、b2＝70，以b＝[b1，b2]作为阈值，当灰度图像f(x，y)不在G的范围内，f(x，y)的灰度值变为0，当灰度图像f(x，y)在G的范围内，f(x，y)的灰度值变为32，得到二值化图像，提取出螃蟹腹部的三角形特征信息；以腹部明显的三角形作为模板，利用基于形状的模板匹配算法，计算图像的归一化的相似度值S，0≤S≤1，设定相似度S≥80％时为判定为雌螃蟹，否则判定为雄螃蟹。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810193285.3A CN108287010B (zh) | 2018-03-09 | 2018-03-09 | 一种螃蟹多指标分级装置与方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810193285.3A CN108287010B (zh) | 2018-03-09 | 2018-03-09 | 一种螃蟹多指标分级装置与方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108287010A CN108287010A (zh) | 2018-07-17 |
| CN108287010B true CN108287010B (zh) | 2023-11-10 |
Family
ID=62833378
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810193285.3A Active CN108287010B (zh) | 2018-03-09 | 2018-03-09 | 一种螃蟹多指标分级装置与方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108287010B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109211377A (zh) * | 2018-08-21 | 2019-01-15 | 合肥天业智能装备有限公司 | 小龙虾收购现场抽样统计秤 |
| CN109948765A (zh) * | 2019-02-26 | 2019-06-28 | 江苏大学 | 一种螃蟹新鲜度等级判别的可溯源性三维码的制备及其应用 |
| CN110291869B (zh) * | 2019-07-10 | 2020-07-31 | 中国农业大学 | 种子活力无损检测分级系统 |
| CN110935646A (zh) * | 2019-11-19 | 2020-03-31 | 泰州职业技术学院 | 基于图像识别的全自动螃蟹分级系统 |
| CN112756271A (zh) * | 2020-12-17 | 2021-05-07 | 江苏方时远略科技咨询有限公司 | 一种用于螃蟹分拣的自动分拣机 |
| CN113179981B (zh) * | 2021-04-26 | 2022-07-01 | 新疆爱华盈通信息技术有限公司 | 基于深度学习的公寓式螃蟹辅助养殖方法、系统和装置 |
| CN114521527B (zh) * | 2022-01-24 | 2023-03-21 | 江苏大学 | 一种双层转盘滑落式螃蟹自动分级设备 |
| CN116273984B (zh) * | 2023-05-25 | 2023-09-15 | 南京农业大学 | 一种基于视觉检测的河蟹品质分级装置及方法 |
| CN116907576A (zh) * | 2023-07-13 | 2023-10-20 | 广东省农业科学院设施农业研究所 | 一种自动化种苗检测系统、方法及电子设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103063585A (zh) * | 2013-01-05 | 2013-04-24 | 石河子大学 | 瓜果成熟度快速无损检测装置及检测系统建立方法 |
| CN103934213A (zh) * | 2014-04-14 | 2014-07-23 | 昆山市富众网络科技有限公司 | 螃蟹分类装置 |
| CN104668199A (zh) * | 2014-12-02 | 2015-06-03 | 浙江大学 | 基于机器视觉和生物散斑的水果自动分级装置 |
| CN205280145U (zh) * | 2016-01-06 | 2016-06-01 | 涂兵 | 一种鱼体多种参数的在线检测装置 |
| CN105772410A (zh) * | 2016-03-09 | 2016-07-20 | 华南农业大学 | 一种智能化果蔬品质检测的光照控制及分拣系统 |
| CN106179988A (zh) * | 2016-08-24 | 2016-12-07 | 芜湖众维教研仪器研发有限责任公司 | 水产品规格筛选设备及其控制方法 |
| CN208059993U (zh) * | 2018-03-09 | 2018-11-06 | 江苏大学 | 一种螃蟹多指标分级装置 |
-
2018
- 2018-03-09 CN CN201810193285.3A patent/CN108287010B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103063585A (zh) * | 2013-01-05 | 2013-04-24 | 石河子大学 | 瓜果成熟度快速无损检测装置及检测系统建立方法 |
| CN103934213A (zh) * | 2014-04-14 | 2014-07-23 | 昆山市富众网络科技有限公司 | 螃蟹分类装置 |
| CN104668199A (zh) * | 2014-12-02 | 2015-06-03 | 浙江大学 | 基于机器视觉和生物散斑的水果自动分级装置 |
| CN205280145U (zh) * | 2016-01-06 | 2016-06-01 | 涂兵 | 一种鱼体多种参数的在线检测装置 |
| CN105772410A (zh) * | 2016-03-09 | 2016-07-20 | 华南农业大学 | 一种智能化果蔬品质检测的光照控制及分拣系统 |
| CN106179988A (zh) * | 2016-08-24 | 2016-12-07 | 芜湖众维教研仪器研发有限责任公司 | 水产品规格筛选设备及其控制方法 |
| CN208059993U (zh) * | 2018-03-09 | 2018-11-06 | 江苏大学 | 一种螃蟹多指标分级装置 |
Non-Patent Citations (1)
| Title |
|---|
| 基于图像识别的螃蟹自动分级系统及其控制程序;朱艳;曹元军;李曙生;;食品与机械(06);正文第1节及图1、2 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108287010A (zh) | 2018-07-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108287010B (zh) | 一种螃蟹多指标分级装置与方法 | |
| CN107486415B (zh) | 基于机器视觉的篾片缺陷在线检测系统及检测方法 | |
| CN106872465B (zh) | 基于机器视觉的禽类受精蛋检测筛选装置 | |
| Kılıç et al. | A classification system for beans using computer vision system and artificial neural networks | |
| CN206139527U (zh) | 全景视觉马铃薯分选和缺陷检测装置 | |
| CN109724984A (zh) | 一种基于深度学习算法的缺陷检测识别装置和方法 | |
| CN101059425A (zh) | 基于多光谱图像的纹理分析鉴别不同品种绿茶的方法和装置 | |
| CN103593670A (zh) | 一种基于在线序列极限学习机的铜板带表面缺陷检测方法 | |
| CN108719424A (zh) | 一种基于机器视觉的水产品分类方法及系统 | |
| CN112893159B (zh) | 一种基于图像识别的煤矸石分拣方法 | |
| CN106548480A (zh) | 一种基于机器视觉的农产品体积快速测量装置及测量方法 | |
| CN110705655A (zh) | 一种基于光谱和机器视觉耦合的烟叶分类方法 | |
| CN208059993U (zh) | 一种螃蟹多指标分级装置 | |
| CN111239142A (zh) | 膏体外观缺陷检测设备及方法 | |
| CN207516257U (zh) | 一种基于机器视觉的小麦籽粒图像采集平台 | |
| CN110554052A (zh) | 一种人造板表面缺陷检测方法及其系统 | |
| CN109089992A (zh) | 一种基于机器视觉的鱼类新鲜度的分类方法及系统 | |
| CN110575973B (zh) | 一种农作物种子品质检测与筛选系统 | |
| CN106900601B (zh) | 一种快速精准识别对虾图像虾头点与虾尾点的方法 | |
| CN113245222B (zh) | 一种三七异物视觉实时检测分拣系统及分拣方法 | |
| Zhang et al. | Fabric defect detection based on visual saliency map and SVM | |
| CN201041547Y (zh) | 基于多光谱图像的纹理分析鉴别不同品种绿茶的装置 | |
| CN106991667A (zh) | 一种构建图像特征谱的对虾完整性判别方法 | |
| CN115266752A (zh) | 一种鸡胸肉白色条纹等级判定的方法及装置 | |
| CN110991469A (zh) | 一种水果可溶性固形物在线检测方法及系统 |
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 |