CN109187553A - 一种基于机器视觉的变质鸡蛋在线智能识别方法 - Google Patents

Abstract

本发明提供了一种基于机器视觉的变质鸡蛋在线智能识别方法，包括：在鸡蛋品质在线视觉检测装置上动态采集鸡蛋的透射图像；在鸡蛋蛋体上截取固定大小的椭圆区域，提取椭圆内部的图像特征信息以预先判别重度变质的鸡蛋；通过对原始图像进行一定步骤的预处理，获得消除背景的鸡蛋目标图像；在此目标图像的基础上将图像由RGB颜色空间转换到HSV颜色空间，提取HSV空间中的H、S、V三个颜色分量特征，利用支持向量机分类算法建立的变质鸡蛋识别模型进行判别，识别轻度变质蛋和正常蛋。本发明利用机器视觉技术对变质鸡蛋进行在线动态智能识别，检测速度快且无损，不仅提高了鸡蛋初加工的工作效率，而且减少了鸡蛋加工中的人工成本。

Description

一种基于机器视觉的变质鸡蛋在线智能识别方法

技术领域

本发明属于机器视觉检测技术领域，涉及一种基于机器视觉的变质鸡蛋在线智能识别方法。

背景技术

鸡蛋品质检测工序是鸡蛋加工中非常重要的环节，鸡蛋品质的优劣直接影响到鸡蛋的经济价值。在鸡蛋贮藏的过程中，外界环境中的一些细菌、霉菌等致病微生物可能通过蛋壳气孔进入到蛋体内部，极易导致鸡蛋腐败，发生变质现象。重度变质鸡蛋内部因细菌在鸡蛋内大量繁殖，蛋内物质呈灰绿色，并带有严重的臭味；轻度变质鸡蛋内部蛋白质结构因遭到细菌破坏，其蛋液变稀，且蛋黄膜破裂导致蛋黄液与蛋白液混合造成浑浊。出现这些状况的鸡蛋已经变质腐败，人们不能食用。因此，在鸡蛋加工中将变质鸡蛋剔除是必不可少的，而目前在蛋品企业中挑拣这类变质鸡蛋大多还是以人工照蛋的方式，为了提高鸡蛋加工的自动化水平，需要一种智能无损识别变质鸡蛋的方法。

目前，研究者们针对鸡蛋内部品质的无损检测研究也越来越多。刘燕德等利用鸡蛋的近红外漫反射光谱对鸡蛋内部的哈夫单位、蛋白pH值、贮藏时间等指标进行预测分析，表明利用近红外漫反射光谱检测鸡蛋内部相关品质是可行的[1]。王巧华等利用有效的图像处理方法提取了蛋黄区域面积和气室高度等图像特征信息，建立了鸡蛋哈夫单位的定量模型，较好的预测了鸡蛋内部新鲜程度[2]。

经检索，在鸡蛋内部品质检测的研究中，关于变质鸡蛋的无损检测相关研究较少，且智能检测技术缺乏，目前的检测方式仍需靠人眼观察进行检测，因此，需要一种变质鸡蛋的在线智能识别方法应用到鸡蛋实际生产加工中。

相关参考文献如下：

[1]刘燕德，周廷睿，彭彦颖.基于近红外漫反射光谱检测鸡蛋品质[J].光学精密工程，2013，21(1).

[2]王巧华，文友先，林雪冬，等.鸡蛋透射光图像形态特征与其新鲜度的相关关系[J].农业工程学报，2008,24(3).

发明内容

本发明的目的在于实现变质鸡蛋无损在线智能识别分级，具体地说，本发明利用机器视觉技术首先自动采集群体鸡蛋彩色图像，然后提取并利用一定面积的椭圆区域信息预先识别出重度变质鸡蛋；其余的鸡蛋需通过对其原始图像施以一系列必要的图像预处理步骤，获取颜色分量特征值，将其代入建立好的数学判别模型中，最终识别出轻度变质鸡蛋和正常蛋，综合实现变质鸡蛋的在线智能识别。

本发明提供的一种基于机器视觉的变质鸡蛋在线智能识别方法，包括以下步骤：

步骤1，自动动态采集鸡蛋的透射光彩色图像；

步骤2，在采集到的图像中截取单个鸡蛋图像蛋体上一定面积的椭圆区域，提取相关图像特征信息预先识别出重度变质的鸡蛋，其他鸡蛋进行步骤3-5的处理；

步骤3，对单个鸡蛋图像进行预处理，获取不含背景干扰的鸡蛋目标图像；

步骤4，提取目标图像HSV颜色空间下的颜色特征分量，利用训练样本集建立支持向量机(SVM)判别模型，所述训练样本集包括轻微变质蛋和正常蛋的HSV图像；

步骤5，通过建立的SVM判别模型对鸡蛋进行判别，以识别出轻微变质蛋和正常蛋。

进一步的，步骤1中通过一种鸡蛋品质在线视觉检测装置自动采集鸡蛋透射图像，所述的检测装置包括鸡蛋传送台、暗箱、工业相机、光源、光电开关、控制器、计算机；其中暗箱固定在传送台上，工业相机固定安装在暗箱上方中心位置，光源固定在传送台下方，光电开关安装于暗箱一侧并与控制器相连，工业相机数据线连接计算机，控制器与计算机通过串口通讯线相连；开启传送台，当鸡蛋在传送台上传送至暗箱一侧的光电开关位置，遮挡光电开关从而触发光电开关，产生触发信号通过控制器传送给计算机，从而控制工业相机采集此刻的图像，完成自动采集鸡蛋透射图像。

进一步的，所述鸡蛋传送台选用型号是ZYF-J3分选机；所述工业相机选用型号是德国IDS公司的UI-2210RE-C-HQ(包含工业镜头型号是日本COMPUTAR公司的M0814-MP2)；所述光源型号是ZYG-L627-1W-12V单筒照蛋器；控制器选用西门子公司S7-200型PLC控制器。

进一步的，步骤2中识别重度变质鸡蛋的具体实现方式如下，

步骤2.1，从采集到的图像中获取单个的鸡蛋图像，在鸡蛋蛋体图像上确定一个固定坐标点；

步骤2.2，以p1个像素点为长半轴，p2个像素点为短半轴，结合步骤2.1选取的固定点坐标作椭圆，截取此椭圆所在区域的图像；

步骤2.3，计算所截取图像中所有像素点的R分量(红色分量值)之和，并求出均值，若均值小于等于20，则判断此鸡蛋为重度变质鸡蛋；若均值大于20，则按步骤3-5进行再处理判断。

进一步的，p1取25个像素点，p2取10个像素点。

进一步的，步骤3中获取不含背景干扰的鸡蛋目标图像的具体实现方式如下，

步骤3.1，扫描单个鸡蛋图像中每个像素点的B分量值(蓝色分量值)，若B分量值为0，则将该像素点的R分量值、G分量值(绿色分量值)均置0，否则不变；

步骤3.2，将彩色图像转换为R分量灰度图，利用大津法对R分量图进行二值分割；

步骤3.3，填充蛋体图像上的缺口区域，再将面积小于阈值p3的连通域清除，保留的连通域与原图像进行点乘，进而获得消除背景后仅含鸡蛋蛋体的目标图像。

进一步的，阈值p3的取值为500。

进一步的，步骤4的具体实现方式如下，

步骤4.1，将目标图像从RGB颜色空间转换到HSV颜色空间；

步骤4.2，分别计算蛋体目标图像上H分量值(色调)、S分量值(饱和度)、V分量值(明度)的颜色均值；

步骤4.3，利用训练样本集中各个鸡蛋样本的H、S、V三个分量均值作为特征参数建立SVM(支持向量机)分类模型，其中SVM的核函数选择径向基核函数，惩罚因子与核参数通过网格搜索法寻找最优。

与现有技术相比，本发明的优点和有益效果：与现有的通过人工进行检测技术相比，本发明克服检测中主观因素的影响，检测速度快，准确率高，客观性强，能够达到无损检测，促进了鸡蛋加工生产中智能化检测技术的发展。

附图说明

图1为本发明实施例中的鸡蛋品质在线视觉检测装置。

图2为本发明实施例的具体实施流程图。

具体实施方式

下面结合附图和实施例对本发明的技术方案作进一步说明。

如图2所示，本发明提供的一种基于机器视觉的变质鸡蛋在线智能识别方法，包括以下步骤：

步骤1，自动动态采集鸡蛋的透射光彩色图像；

本实施例中通过一种鸡蛋品质在线视觉检测装置自动采集鸡蛋透射图像，所述的检测装置包括鸡蛋传送台1、暗箱2、工业相机3、光源4、光电开关5、控制器6、计算机7；其中暗箱固定在传送台上，工业相机固定安装在暗箱上方中心位置，光源固定在传送台下方，光电开关安装于暗箱一侧并与控制器相连，工业相机数据线连接计算机，控制器与计算机通过串口通讯线相连，其装置示意图如图1所示；开启传送台，当鸡蛋在传送台上传送至暗箱一侧的光电开关这个位置，于是遮挡光电开关从而触发光电开关，产生触发信号通过控制器传送给计算机，从而控制工业相机采集此刻的图像，完成自动采集鸡蛋透射图像，也就是说每当有鸡蛋遮挡了一次光电开关就会拍一次照。

其中，所述鸡蛋传送台选用型号是ZYF-J3分选机；所述工业相机选用型号是德国IDS公司的UI-2210RE-C-HQ(包含工业镜头型号是日本COMPUTAR公司的M0814-MP2，相机分辨率是640*480)；所述光源型号是ZYG-L627-1W-12V单筒照蛋器；控制器选用西门子公司S7-200型PLC控制器。

步骤2，在采集到的图像中截取鸡蛋蛋体上一定面积的椭圆区域，提取相关图像特征信息预先识别出重度变质的鸡蛋；具体实现包括如下子步骤，

步骤2.1，将单张图片中的三枚鸡蛋裁剪成三张单独的鸡蛋图像，在鸡蛋蛋体图像上确定一个固定坐标点，此点可在靠近蛋体中心的区域内任意选取；

步骤2.2，以25个像素点为长半轴，10个像素点为短半轴，结合步骤2.1选取的固定点坐标作椭圆，截取此椭圆所在区域的图像；

步骤2.3，计算所截取图像中所有像素点的R分量(红色分量值)之和，并求出均值，若均值小于等于20，则判断此鸡蛋为重度变质鸡蛋；若均值大于20，则按步骤3、4、5进行再处理判断。

步骤3，对采集到的单独的鸡蛋图像进行必要的预处理方法，获取不含背景干扰的鸡蛋目标图像；具体实现包括如下子步骤，

步骤3.1，扫描单个鸡蛋图像中每个像素点的B分量值(蓝色分量值)，若B分量值为0，则将该像素点的R分量值、G分量值(绿色分量值)均置0，否则不变；

步骤3.2，将彩色图像转换为R分量灰度图，利用大津法对R分量图进行二值分割；

步骤3.3，通过上述步骤后，蛋体图像上可能会存在孔洞，因此需要填充蛋体图像上的缺口区域，再将面积小于500的连通域清除，保留的连通域与原图像进行点乘，进而获得消除背景后仅含鸡蛋蛋体的目标图像。

步骤4，提取目标图像HSV颜色空间下的颜色特征分量，利用训练样本集建立支持向量机(SVM)判别模型；具体实现包括如下子步骤，

步骤4.1，将目标图像从RGB颜色空间转换到HSV颜色空间；

步骤4.2，分别计算蛋体目标图像上H分量值(色调)、S分量值(饱和度)、V分量值(明度)的颜色均值；

步骤4.3，利用训练样本集中各个鸡蛋样本的H、S、V三个分量均值作为特征参数建立SVM(支持向量机)分类模型，其中SVM的核函数选择径向基核函数，惩罚因子与核参数通过网格搜索法寻找最优；

步骤5，通过建立的SVM模型对鸡蛋进行判别，以识别出轻微变质蛋和正常蛋，具体实现包括如下子步骤，

步骤5.1，当识别待测鸡蛋是否变质时，首先通过上述步骤分别获取鸡蛋图像的H、S、V三个颜色均值；

步骤5.2，将三个颜色均值代入步骤4中所建立的SVM分类模型，若模型输出为1，则该鸡蛋判别为轻度变质鸡蛋；若模型输出为2，则该鸡蛋判别为正常蛋，达到在线智能识别的功能。

由于重度变质鸡蛋图像中的R分量明显区别于其他鸡蛋图像，因此本实施例中先预先识别出这一部分鸡蛋，其他鸡蛋通过SVM模型进行识别，本实施例所使用的鸡蛋样本采购于神丹食品有限公司，最终将鸡蛋分为重度变质、轻度变质、正常三个类别，通过上述识别方法对新一批鸡蛋样本进行判别，准确率可达到92％，说明该方法对于变质鸡蛋的在线智能识别是可行的。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (8)

1.一种基于机器视觉的变质鸡蛋在线智能识别方法，其特征在于，包括如下步骤：

步骤1，自动动态采集鸡蛋的透射光彩色图像；

步骤2，在采集到的图像中截取单个鸡蛋图像蛋体上一定面积的椭圆区域，提取相关图像特征信息预先识别出重度变质的鸡蛋，其他鸡蛋进行步骤3-5的处理；

步骤3，对单个鸡蛋图像进行预处理，获取不含背景干扰的鸡蛋目标图像；

步骤4，提取目标图像HSV颜色空间下的颜色特征分量，利用训练样本集建立支持向量机(SVM)判别模型，所述训练样本集包括轻微变质蛋和正常蛋的HSV图像；

步骤5，通过建立的SVM判别模型对鸡蛋进行判别，以识别出轻微变质蛋和正常蛋。

2.如权利要求1所述的一种基于机器视觉的变质鸡蛋在线智能识别方法，其特征在于：步骤1中通过一种鸡蛋品质在线视觉检测装置自动采集鸡蛋透射图像，所述的检测装置包括鸡蛋传送台、暗箱、工业相机、光源、光电开关、控制器、计算机；其中暗箱固定在传送台上，工业相机固定安装在暗箱上方中心位置，光源固定在传送台下方，光电开关安装于暗箱一侧并与控制器相连，工业相机数据线连接计算机，控制器与计算机通过串口通讯线相连；开启传送台，当鸡蛋在传送台上传送至暗箱一侧的光电开关位置，遮挡光电开关从而触发光电开关，产生触发信号通过控制器传送给计算机，从而控制工业相机采集此刻的图像，完成自动采集鸡蛋透射图像。

3.如权利要求2所述的一种基于机器视觉的变质鸡蛋在线智能识别方法，其特征在于：所述鸡蛋传送台选用型号是ZYF-J3分选机；所述工业相机选用型号是德国IDS公司的UI-2210RE-C-HQ(包含工业镜头型号是日本COMPUTAR公司的M0814-MP2)；所述光源型号是ZYG-L627-1W-12V单筒照蛋器；控制器选用西门子公司S7-200型PLC控制器。

4.如权利要求1所述的一种基于机器视觉的变质鸡蛋在线智能识别方法，其特征在于：步骤2中识别重度变质鸡蛋的具体实现方式如下，

步骤2.1，从采集到的图像中获取单个的鸡蛋图像，在鸡蛋蛋体图像上确定一个固定坐标点；

步骤2.2，以p1个像素点为长半轴，p2个像素点为短半轴，结合步骤2.1选取的固定点坐标作椭圆，截取此椭圆所在区域的图像；

步骤2.3，计算所截取图像中所有像素点的R分量(红色分量值)之和，并求出均值，若均值小于等于20，则判断此鸡蛋为重度变质鸡蛋；若均值大于20，则按步骤3-5进行再处理判断。

5.如权利要求4所述的一种基于机器视觉的变质鸡蛋在线智能识别方法，其特征在于：p1取25个像素点，p2取10个像素点。

6.如权利要求1所述的一种基于机器视觉的变质鸡蛋在线智能识别方法，其特征在于：步骤3中获取不含背景干扰的鸡蛋目标图像的具体实现方式如下，

步骤3.1，扫描单个鸡蛋图像中每个像素点的B分量值(蓝色分量值)，若B分量值为0，则将该像素点的R分量值、G分量值(绿色分量值)均置0，否则不变；

步骤3.2，将彩色图像转换为R分量灰度图，利用大津法对R分量图进行二值分割；

步骤3.3，填充蛋体图像上的缺口区域，再将面积小于阈值p3的连通域清除，保留的连通域与原图像进行点乘，进而获得消除背景后仅含鸡蛋蛋体的目标图像。

7.如权利要求6所述的一种基于机器视觉的变质鸡蛋在线智能识别方法，其特征在于：阈值p3的取值为500。

8.如权利要求1所述的一种基于机器视觉的变质鸡蛋在线智能识别方法，其特征在于：步骤4的具体实现方式如下，

步骤4.1，将目标图像从RGB颜色空间转换到HSV颜色空间；

步骤4.2，分别计算蛋体目标图像上H分量值(色调)、S分量值(饱和度)、V分量值(明度)的颜色均值；

步骤4.3，利用训练样本集中各个鸡蛋样本的H、S、V三个分量均值作为特征参数建立SVM(支持向量机)分类模型，其中SVM的核函数选择径向基核函数，惩罚因子与核参数通过网格搜索法寻找最优。