CN109937912A - 一种基于机器视觉的鸡蛋分类系统及方法 - Google Patents

Abstract

本发明公开了一种基于机器视觉的鸡蛋分类系统及方法，系统包括图像采集装置、光源、红外线感应装置、控制装置、分类装置、计算机；双工业相机图像采集，平滑处理、灰度变换等图像预处理；利用改进最大类间方差法改进canny算子边缘检测，对打蛋机已完成打蛋动作后的蛋黄蛋清进行高度、形状、面积等特征提取，计算哈夫值，构建基于神经网络的新鲜度特征知识库；根据新鲜度特征知识库，进行鸡蛋新鲜度的匹配和分类。本发明利用机器视觉技术，系统运行速度快，实现实时鸡蛋新鲜度分类，且精度高、效率高、实时性强、实用性强，操作简单，降低了生产成本。

Description

一种基于机器视觉的鸡蛋分类系统及方法

技术领域

本发明属于图像识别技术领域，涉及一种鸡蛋分类系统及方法，具体为一种 基于机器视觉的鸡蛋新鲜度识别分类系统及方法。

背景技术

链式打蛋机是一种能够自动把鸡蛋打开并且将蛋清与蛋黄分离、收集蛋黄蛋 清的机器。哈夫值是一种国际上对鸡蛋品质等级评定的常规依据，将鸡蛋分为A 级、B级、C级，其中C级为不合格鸡蛋，即散黄蛋。新鲜度不一样的鸡蛋，其蛋 清和蛋黄的保质期不同，将会在分离上、运输上、使用上、口感上等产生重大影 响。若将其区分开来，对鸡蛋所分离出来的产品保质期、使用最佳时间、营养价 值等有了更为明确的标准。我国蛋产品加工公司，会安排工人站在打蛋机蛋清蛋 黄分离工段，发现散黄蛋时，进行人工分离，不仅效率低、劳动强度大、错误率 高、并且不能详细的进行质量分离。所以，一种鸡蛋新鲜度分级系统及方法的发 明迫在眉睫。

发明内容

本发明的目的在于提供一种基于机器视觉鸡蛋新鲜度分类的系统及方法，用 于链式打蛋机生产线上，自动将鸡蛋区分等级并分离。

本发明的装置所采用的技术方案是：一种基于机器视觉的鸡蛋分类系统，其 特征在于：包括图像采集装置、光源、红外线感应装置、控制装置、分类装置、 计算机；

所述图像采集装置，用于采集分类装置上鸡蛋的图片；

所述光源，用于为所述图像采集装置提供照明；

所述红外线感应装置设置在打蛋机与所述分类装置间，用来感知是否有鸡蛋 掉入分类装置，从而触发计算机控制图像采集装置进行拍摄、识别；

所述控制装置，用于根据计算机发出的信号，控制分类装置实现鸡蛋分类；

所述分类装置用于根据分类结果，将蛋黄蛋清分类送入不同蛋液分离装置 中；

所述计算机通过导线分别与所述图像采集装置、光源、控制装置、红外线感 应装置、分类装置连接，用于控制所述图像采集装置、光源、控制装置、红外线 感应装置、分类装置工作。

本发明的方法所采用的技术方案是：一种基于机器视觉的鸡蛋分类方法，其 特征在于，包括以下步骤：

步骤1：图像采集；

在链式打蛋机打碎蛋壳后，蛋清和蛋黄落入分类装置的过程中，触发红外 线感应装置，图像采集装置拍摄照片，并且将照片数据传入计算机中；

步骤2：图像预处理；

包括平滑处理、灰度变换，所述灰度变换包括时域、频域增强算法拉伸对比 度，以提高图像质量；

步骤3：特征提取；

利用最大类间方差法改进canny算子的边缘检测进行特征提取；所述特征包 括蛋黄蛋清上面的形状、面积、面积和蛋黄蛋清侧面的高度、面积、形状；

步骤4：计算哈夫值Ha；

Ha＝100*lg[h+7.57-1.7*(w^0.37)]；

其中，h为测量蛋品的高度，单位mm；w为测量蛋品的质量，单位g；

步骤5：构建基于神经网络的新鲜度特征知识库；

将提取的特征作为神经网络的输入，哈夫值作为神经网络的输出，对神经网 络系统进行训练，设定合理的训练次数和训练精度，直到完成学习，得到新鲜度 与鸡蛋图像的映射关系；完成构建基于神经网络的新鲜度特征知识库；

步骤6：根据新鲜度特征知识库，进行鸡蛋新鲜度的匹配和分类。

与现有技术相比，本发明有益效果在于：

1)本发明用于链式打蛋机中，能够给蛋黄蛋清区分等级，分开处理使用，优 化了对蛋黄蛋清结构的进一步认识，便于存放时间的确定，有利于满足人们对鸡 蛋不同新鲜度的使用的要求；

2)本发明一种基于机器视觉的鸡蛋新鲜度分类方法及装置通过利用神经网 络建立了一个鸡蛋新鲜度分类系统，当输入实时鸡蛋图像时，能够确认鸡蛋等级， 并借助装置将其分类。系统运行速度快，实现实时鸡蛋新鲜度分类，且精度高、 效率高、实时性强、实用性强，操作简单，降低了生产成本；

3)本发明采用红外线感应装置，蛋黄蛋清经打蛋机掉落的时候，能够更快 的将信号传给计算机，从而快速地、准确地采集到图片。

附图说明

图1为本发明实施例的系统三维图；

图2为本发明实施例的系统截面图；

图3是本发明实施例的系统方法流程图；

图中，1为带有环形光源工业相机，2为鸡蛋，3为底座，4为工作台的门，5 为工作台，6为气压缸，7为球铰支架。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对 本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解 释本发明，并不用于限定本发明。

请见图1、图2，本发明提供的一种基于机器视觉的鸡蛋分类系统，包括图像 采集装置、光源、红外线感应装置、控制装置、分类装置、计算机；图像采集装 置包括两个工业相机，其中一台垂直于工作台设置，另一台水平于工作台设置， 用于采集分类装置上鸡蛋的两种方向图片；光源为环形LED光源，同轴安装在工 业相机周围。用于为图像采集装置提供照明；红外线感应装置设置在打蛋机与分 类装置间，用来感知是否有鸡蛋掉入分类装置，从而触发计算机控制图像采集装 置进行拍摄、识别；控制装置，用于根据计算机发出的信号，控制分类装置实现 鸡蛋分类。

分类装置包括底座3、工作台5、四个气压缸6、球铰支架7；球铰支架7 的上端球铰与工作台5相连，下端与底座3固定连接；四个气压缸6分别设置在 底座3四个方位上，其上端和下端分别与工作台5和底座3连接；四个气压缸6 分别通过导线与计算机相连，在计算机控制下工作；工作台5上设置有三个流向 蛋液分离装置的门4；分类装置用于根据分类结果，将蛋黄蛋清分类送入不同蛋 液分离装置中；

计算机通过导线分别与图像采集装置、光源、控制装置、红外线感应装置、 分类装置连接，用于控制图像采集装置、光源、控制装置、红外线感应装置、分 类装置工作。

请见图3，本发明提供的一种基于机器视觉的鸡蛋分类方法，包括以下步骤：

步骤1：图像采集；

在链式打蛋机打碎蛋壳后，蛋清和蛋黄落入分类装置的过程中，触发红外 线感应装置，图像采集装置拍摄照片，并且将照片数据传入计算机中；

步骤2：图像预处理；

包括平滑处理、灰度变换，灰度变换包括时域、频域增强算法拉伸对比度， 以提高图像质量；

步骤3：特征提取；

利用最大类间方差法改进canny算子的边缘检测进行特征提取；所述特征包 括蛋黄蛋清上面的形状、面积、面积和蛋黄蛋清侧面的高度、面积、形状；

步骤4：计算哈夫值Ha；

Ha＝100*lg[h+7.57-1.7*(w^0.37)]；

其中，h为测量蛋品的高度，单位mm；w为测量蛋品的质量，单位g；蛋品 的高度由侧面工业相机检测，蛋品的质量由蛋品分析仪检测获得；

步骤5：构建基于神经网络的新鲜度特征知识库；

将提取的特征作为神经网络的输入，哈夫值作为神经网络的输出，对神经网 络系统进行训练，设定合理的训练次数和训练精度，直到完成学习，得到新鲜度 与鸡蛋图像的映射关系；完成构建基于神经网络的新鲜度特征知识库；

神经网络结构，在训练过程中，同时需要输入以及正确的输出，以形成映射； 在识别过程中，只需要输入，自动得到输出。

鸡蛋质量确定通常需要多个指标，最为主要的还是人工经验识别。因此在训 练过程中必须确保输出的准确性。单用一个指标进行分类，准确率不会太高。指 标如下：

(1)哈夫值；

(2)蛋黄指数；

计算方法为：蛋黄指数＝蛋黄高度(mm)/蛋黄直径(mm)；蛋黄高度由侧 面工业相机检测，蛋黄直径由上侧工业相机检测；

(3)特征(包括蛋黄蛋清上面的形状、面积、面积和蛋黄蛋清侧面的高度、 面积、形状)也是一个指标，目前没有文献提到怎么计算，此处训练时作为神经 网络的输入，对应输出，使更为精确。(因为这些特征与鸡蛋的品质有相关关系)；

(4)人工识别；

在多种指标分类时，会出现不一致情况或者分类不符合要求，故最终以人工 分类为主。

步骤6：根据新鲜度特征知识库，进行鸡蛋新鲜度的匹配和分类。

本实施例中，计算机自动将鸡蛋2进行分类，分为A级、B级或C级，计算 机传递信号给四个气压缸、工作台，对应的一个气压缸升高，两个气压缸稍较低， 一个气压缸降低，对应的通门被打开，蛋黄蛋清流入对应的蛋液分离装置中。

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是 对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不 脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发 明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (7)

1.一种基于机器视觉的鸡蛋分类系统，其特征在于：包括图像采集装置、光源、红外线感应装置、控制装置、分类装置、计算机；

所述图像采集装置，用于采集分类装置上鸡蛋的图片；

所述光源，用于为所述图像采集装置提供照明；

所述红外线感应装置设置在打蛋机与所述分类装置间，用来感知是否有鸡蛋掉入分类装置，从而触发计算机控制图像采集装置进行拍摄、识别；

所述控制装置，用于根据计算机发出的信号，控制分类装置实现鸡蛋分类；

所述分类装置用于根据分类结果，将蛋黄蛋清分类送入不同蛋液分离装置中；

所述计算机通过导线分别与所述图像采集装置、光源、控制装置、红外线感应装置、分类装置连接，用于控制所述图像采集装置、光源、控制装置、红外线感应装置、分类装置工作。

2.根据权利要求1所述的基于机器视觉的鸡蛋分类系统，其特征在于：所述图像采集装置包括两个工业相机，其中一台垂直于工作台设置，另一台水平于工作台设置，用于采集两种方向图片。

3.根据权利要求1所述的基于机器视觉的鸡蛋分类系统，其特征在于：所述光源为环形LED光源，同轴安装在所述工业相机周围。

4.根据权利要求1-3任意一项所述的基于机器视觉的鸡蛋分类系统，其特征在于：所述分类装置包括底座(3)、工作台(5)、四个气压缸(6)、球铰支架(7)；

所述球铰支架(7)的上端球铰与所述工作台(5)相连，下端与所述底座(3)固定连接；所述四个气压缸(6)分别设置在所述底座(3)四个方位上，其上端和下端分别与所述工作台(5)和底座(3)连接；所述四个气压缸(6)分别通过导线与所述计算机相连，在所述计算机控制下工作。

5.根据权利要求4所述的基于机器视觉的鸡蛋分类系统，其特征在于：所述工作台(5)上设置有三个流向蛋液分离装置的门(4)。

6.一种基于机器视觉的鸡蛋分类方法，其特征在于，包括以下步骤：

步骤1：图像采集；

在链式打蛋机打碎蛋壳后，蛋清和蛋黄落入分类装置的过程中，触发红外线感应装置，图像采集装置拍摄照片，并且将照片数据传入计算机中；

步骤2：图像预处理；

包括平滑处理、灰度变换，所述灰度变换包括时域、频域增强算法拉伸对比度，以提高图像质量；

步骤3：特征提取；

利用最大类间方差法改进canny算子的边缘检测进行特征提取；所述特征包括蛋黄蛋清上面的形状、面积、面积和蛋黄蛋清侧面的高度、面积、形状；

步骤4：计算哈夫值Ha；

Ha＝100*lg[h+7.57-1.7*(w^0.37)]；

其中，h为测量蛋品的高度，单位mm；w为测量蛋品的质量，单位g；

步骤5：构建基于神经网络的新鲜度特征知识库；

将提取的特征作为神经网络的输入，哈夫值作为神经网络的输出，对神经网络系统进行训练，设定合理的训练次数和训练精度，直到完成学习，得到新鲜度与鸡蛋图像的映射关系；完成构建基于神经网络的新鲜度特征知识库；

步骤6：根据新鲜度特征知识库，进行鸡蛋新鲜度的匹配和分类。

7.根据权利要求6所述的基于机器视觉的鸡蛋分类方法，其特征在于：步骤6中，计算机自动将鸡蛋进行分类，分为A级、B级或C级，计算机传递信号给四个气压缸、工作台，对应的一个气压缸升高，两个气压缸稍较低，一个气压缸降低，对应的通门被打开，蛋黄蛋清流入对应的蛋液分离装置中。