CN115812634A - 一种孵前种蛋受精信息无损分拣方法及装置 - Google Patents
一种孵前种蛋受精信息无损分拣方法及装置 Download PDFInfo
- Publication number
- CN115812634A CN115812634A CN202310132497.1A CN202310132497A CN115812634A CN 115812634 A CN115812634 A CN 115812634A CN 202310132497 A CN202310132497 A CN 202310132497A CN 115812634 A CN115812634 A CN 115812634A
- Authority
- CN
- China
- Prior art keywords
- hatching
- egg
- information
- eggs
- time sequence
- 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.)
- Granted
Links
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种孵前种蛋受精信息无损分拣方法及装置,涉及孵前种蛋分拣领域,该方法包括以下步骤:获取种蛋的第一时序特征并根据第一时序特征采集种蛋的光谱数据;对光谱数据进行预处理;对预处理后的光谱数据进行选择得到特征波段;构建种蛋分类神经网络模型并对其进行训练;利用训练后的种蛋分类神经网络模型,根据特征波段对种蛋信息进行分类,得到受精信息;获取种蛋的第二时序特征,并根据第二时序特征、第一时序特征和受精信息对种蛋进行分拣。本发明提升了种蛋受精信息检测的精度,并基于时序特征能完成从种蛋信息检测到种蛋分拣的整个过程。
Description
技术领域
本发明涉及孵前种蛋分拣领域,具体涉及一种孵前种蛋受精信息无损分拣方法及装置。
背景技术
信息无损检测方法及后续的分拣装置。对于家禽养殖企业来说,禽蛋的孵化是整个行业的第一步。由于生产环境以及禽类品种的限制,自然条件下,北京鸭交配两次才能达到90%的受精率(杨方喜.北京鸭交配行为以及受精率的关系);南丹瑶鸡的平均受精率为92.59%(张珍.南丹瑶鸡连续输精两天后不同时间种蛋受精率的试验)。因此,会有10%的未受精禽蛋参与到孵化中。这部分禽蛋不仅会占据孵化空间、浪费孵化资源,还有可能在孵化途中变质臭。变质的未受精蛋容易破裂并产生细菌,进而对受精蛋造成影响,导致受精蛋被污染。同时,孵化结束后,这部分未受精的种蛋也因为无法继续食用,而被浪费掉。近年来,我国家禽产业剔除无精蛋的主要方法为人工照蛋法,依赖一线工人肉眼剔除无精蛋。但是对于规模化的养殖场来说,一个孵化批次的种蛋动辄上万,依赖人工判别无精蛋的话需要大量的人力。而且人工方法主观性过强,容易出现误判漏判的情况。同时对于企业来说,工人的工资也是一笔负担。并且检测时间过长,也会影响种蛋中的胚胎发育。
为了解决上述问题,国内外研究者做了大量研究并设计了识别未受精种蛋的方法和装置,但是都存在部分问题。现有技术中使用计算机视觉和深度学习来实现对无精蛋的检测,但是计算机视觉技术只能在种蛋入孵后才能准确识别受精蛋与无精蛋。由于无精蛋在孵化环境变质迅速,因此入孵后的无精蛋即使识别出来,也无法再流入市场,导致这部分无精蛋依然会被浪费掉。现有技术中使用X光线装置实现种蛋的活性检测,与计算机视觉技术类似,甚至X光线需要胚胎发育的时间更长才能检测出来。现有技术中采用了基于光纤光谱技术的方法检测无精蛋,采集光谱数据后使用卷积神经网络来建模并判别种鸭蛋的受精信息。该装置方法虽然实现了孵前种鸭蛋受精信息判别,但采集光谱数据后并未对光谱信息进行预处理,且使用的特征波长点仅为11个,舍弃了一些带有受精信息的数据,虽然实现了较好的检测效果,但是模型的精度还可以进一步提升。同时该装置只有检测部分,没有后续的分拣流程,不能应用于工业化生产。
发明内容
针对现有技术中的上述不足,本发明提供的一种孵前种蛋受精信息无损分拣方法及装置,解决了种蛋受精信息检测精度低以及无法对受精蛋和无精蛋进行后续分拣的问题。
为了达到上述发明目的,本发明采用的技术方案为:
一种孵前种蛋受精信息无损分拣方法,包括以下步骤:
S1、获取种蛋的第一时序特征并根据第一时序特征采集种蛋的光谱数据;
S2、对步骤S1中的光谱数据进行预处理;
S3、对步骤S2中预处理后的光谱数据进行选择得到特征波段;
S4、构建种蛋分类神经网络模型并对其进行训练;
S5、利用步骤S4中训练后的种蛋分类神经网络模型,根据步骤S3中的特征波段对种蛋信息进行分类,得到受精信息;
S6、获取种蛋的第二时序特征,并根据第二时序特征、步骤S1中的第一时序特征和步骤S5中得到的受精信息对种蛋进行分拣。
进一步地,步骤S2包括以下分步骤:
S21、对光谱数据进行标准正态变量变换处理;
S22、对分步骤S21中得到的标准正态变量变换处理后的光谱数据,采用线性滤波算法进行处理。
进一步地,步骤S21包括以下分步骤:
S211、计算步骤S1中光谱数据的平均值,表示为:
S212、根据分步骤S211中光谱数据的平均值对光谱数据进行标准正态变量变换处理,表示为:
其中:x snv 为一条光谱数据经标准正态变量变换处理后的数据。
进一步地,步骤S22包括以下分步骤:
S221、确定采用线性滤波算法的滤波窗口大小;
S222、利用平滑分步骤S221中的滤波窗口,在步骤S21中得到的标准正态变量变换处理后的光谱数据上位移,对窗口内光谱数据进行拟合并输出拟合后的数据,表示为:
进一步地,步骤S3包括以下分步骤:
S31、采用自举采样、加权举采样从光谱数据中提取波段构建并保存子模型;
S32、计算子模型的预测误差;
S33、根据预测误差计算子模型的回归系数;
S34、根据回归系数为子模型中的波段赋权,得到波段权重;
S35、根据波段权重提取子模型的波段,构建并保存下一个子模型;
S36、判断分步骤S35中子模型是否为一个波段;若是则进入分步骤S37,否则跳转到分步骤S32;
S37、对分步骤S31中保存的子模型和分步骤S36中保存的子模型进行交叉验证均方根误差,选择均方根误差最小的子模型,确定子集中的波段为特征波段。
进一步地,在步骤S4中,所述种蛋分类神经网络模型包括一个位置编码层、三个编码层、一个线性层和一个逻辑分类层,所述位置编码层根据特征波段在原始光谱中的波段位置对特征波段进行位置编码,三个所述编码层用于对输入的具有位置信息的特征波段先升维再降维,并对输入的具有位置信息的特征波段进行信息融合,所述线性层用于对三个编码层输出的信息融合后的特征波段进行线性变化,并输出指定维度的特征波段,所述逻辑分类层用于对线性层输出指定维度的特征波段进行分类。
进一步地,步骤S6包括以下分步骤:
S61、获取种蛋的第二时序特征;
S62、根据分步骤S61中的第二时序特征和步骤S1中的第一时序特征,将待分拣的种蛋与其自受精信息进行对应;
S63、判断待分拣种蛋的受精信息是否为受精;若是则不进行剔蛋操作,否则进行剔蛋操作。
一种应用于上述方法的孵前种蛋受精信息无损分拣装置,包括:
传感器模块,所述传感器模块包括第一位置传感器、积分器和第二位置传感器,所述第一位置传感器用于采集种蛋的第一时序特征并传输到核心处理模块,所述积分器用于接收核心处理模块的采集指令采集种蛋的光谱信息并通过光纤传输至检测装置模块,所述第二位置传感器用于采集种蛋的第二时序特征并传输到核心处理模块;
电机模块,所述电机模块包括送入传送带电机、受精蛋送出传送带电机和无精蛋送出传送带电机,所述送入传送带电机用于接收核心处理模块的第一指令并将种蛋送入传感器模块采集种蛋的光谱信息,所述受精蛋送出传送带电机用于接收核心处理模块的第二指令并将受精蛋送到受精蛋区,所述无精蛋送出传送带电机用于接收核心处理模块的第三传送指令并将无精蛋送到无精蛋区;
检测装置模块,所述检测装置模块包括近红外光谱仪、卤素灯光源和显示屏幕,所述近红外光谱仪用于接收传感器模块传输的光谱信息生成光谱数据并传输到核心处理模块,所述卤素灯光源用于提供透射光源,所述显示屏幕用于显示整个装置的工作状态;
核心处理模块,所述核心处理模块用于接收传感器模块采集到的第一时序特征和第二时序特征,根据第一时序特征生成第一指令并传输到电机模块,根据第一时序特征生成采集指令并传输到传感器模块中的积分器和检测装置模块中的近红外光谱仪,根据第二时序特征生成第二指令或第三指令并传输到电机模块,接收检测装置模块生成的光谱数据,根据第一时序特征、第二时序特征和光谱数据得到受精信息,发送第四指令控制剔蛋装置;
剔蛋装置,所述剔蛋装置用于接收核心处理模块的第四指令,并根据第四指令将无精蛋送入电机模块中的无精蛋送出传送带。
本发明的有益效果为:
(1)本发明采用基于线性滤波算法的种蛋受精信息光谱数据采集方法,解决了工业环境中光谱数据采集困难以及原始光谱数据信号偏移和光散射的问题;
(2)本发明采用基于种蛋分类神经网络模型光谱特征融合的孵前种蛋受精信息检测方法,通过特征波段选择,降低了光谱数据的数据量,提高了检测模型的检测速度;另外,本发明采用种蛋分类神经网络模型,提高了模型的检测精度,并通过波长选择算法与种蛋分类神经网络模型的配合,提高了整个流水线的工作效率,降低了误检漏检成本;
(3)本发明结合了种蛋在流水线上的时序信息,能够完成孵前种蛋信息从检测到分拣的整个过程,解决了以往只有检测没有分拣的问题;
(4)本发明采用基于时序控制的流水作业分拣策略,通过光谱系统与检测算法的配合,使得整个检测、分类、挑选过程可以自动化进行,极大降低了用人成本。
附图说明
图1为一种孵前种蛋受精信息无损分拣方法流程图;
图2为种蛋分类神经网络模型结构图;
图3为一种孵前种蛋受精信息无损分拣装置控制逻辑图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,一种孵前种蛋受精信息无损分拣方法,包括步骤S1-S6:
S1、获取种蛋的第一时序特征并根据第一时序特征采集种蛋的光谱数据。
在本发明的一个可选实施例中,传送带将种蛋传送到第一位置传感器所在区。第一位置传感器采集种蛋的第一时序特征并传输至核心处理模块。核心处理模块接收到第一时序特征,生成第一指令和采集指令。传送带接收到第一指令将种蛋传送到传感器模块积分器所在区。积分器和检测装置模块中的近红外摄谱仪接收到采集指令开机。积分器采集种蛋的光谱信息并通过光纤传输至检测装置模块生成光谱数据,检测装置模块将采集生成的光谱数据传输至核心处理模块。
具体地,当种蛋位移到积分器前开始采集,积分器以0.005s的积分时间连续采集15份光谱信息。其中前后5份光谱信息是饱和的,因此剔除掉前后5份光谱信息,将中间5份光谱信息平均以得到所需光谱信息。
S2、对步骤S1中的光谱数据进行预处理。
在本发明的一个可选实施例中,核心处理模块获取到光谱数据后使用标准正态变量和平滑进行预处理,对光谱数据去燥以消除原始光谱中的信号偏移和光散射。
步骤S2包括以下分步骤:
S21、对光谱数据进行标准正态变量变换处理。
步骤S21包括以下分步骤:
S211、计算步骤S1中光谱数据的平均值,表示为:
S212、根据分步骤S211中光谱数据的平均值对光谱数据进行标准正态变量变换处理,表示为:
S22、对分步骤S21中得到的标准正态变量变换处理后的光谱数据,采用线性滤波算法进行处理。
步骤S22包括以下分步骤:
S221、确定采用线性滤波算法的滤波窗口大小;
S222、利用平滑分步骤S221中的滤波窗口,在步骤S21中得到的标准正态变量变换处理后的光谱数据上位移,对窗口内光谱数据进行拟合并输出拟合后的数据,表示为:
S3、对步骤S2中预处理后的光谱数据进行选择得到特征波段。
在本发明的一个可选实施例中,本发明对种蛋的光谱数据进行预处理后,利用特征波长选择算法对预处理后的光谱数据进行选择,得到特征波段。
步骤S3包括以下分步骤:
S31、采用自举采样、加权举采样从光谱数据中提取波段构建并保存子模型。
S32、计算子模型的预测误差。
S33、根据预测误差计算子模型的回归系数。
S34、根据回归系数为子模型中的波段赋权,得到波段权重。
S35、根据波段权重提取子模型的波段,构建并保存下一个子模型。
S36、判断分步骤S35中子模型是否为一个波段;若是则进入分步骤S37,否则跳转到分步骤S32。
S37、对分步骤S31中保存的子模型和分步骤S36中保存的子模型进行交叉验证均方根误差,选择均方根误差最小的子模型,确定子集中的波段为特征波段。
S4、构建种蛋分类神经网络模型并对其进行训练。
如图2所示,所述种蛋分类神经网络模型包括一个位置编码层、三个编码层、一个线性层和一个逻辑分类层,所述位置编码层根据特征波段在原始光谱中的波段位置对特征波段进行位置编码,三个所述编码层位于Transformer编码器中,用于对输入的具有位置信息的特征波段先升维再降维,并对输入的具有位置信息的特征波段进行信息融合,所述线性层位于MLP head层中,用于对三个编码层输出的信息融合后的特征波段进行线性变化,并输出指定维度的特征波段,所述逻辑分类层即为Softmax层,用于对线性层输出的指定维度的特征波段进行分类。
在本发明的一个可选实施例中,由于光谱数据是一维的,因此采用普通的卷积需要将一维数据通过矩阵变换转换为二维数据,或者使用一维卷积核,但是这样将改变原始信息的结构,导致光谱的位置信息没有被关注到,从而丢失部分信息,以至于检测精度不够。
本发明采用的种蛋分类神经网络模型,因为已经使用特征波长选择算法进行了特征波段选择的前处理,使得参数的维度只有68维,维度不多,因此不会导致参数爆炸。
同时,本发明使用了位置编码层来强调光谱数据的位置信息,使选择得到的特征波段具有了准确地位置信息,因此提高了种蛋分类神经网络模型的精度与鲁棒性。由于传统的Transformer网络会使用一组连续值来记录输入数据的位置关系,但是这样就丢失了光谱数据的波段位置信息。本发明为了表征特征光谱之间的位置信息,将特征波段在原始光谱中的波段位置作为光谱数据的位置编码。第一个位置编码为ClassToken,用来表示光谱的全局信息。该编码的位置为0,其值为0,并随着网络的训练不断更新,更新过程即一个反向传播的过程,从输出层开始,误差按照梯度下降的方法对各层权值进行修正,并依次向前传播。
具体地,本发明在前期的工作里,需要采用大规模的种蛋数据集对种蛋分类神经网络模型进行训练。因此,本发明需先采集2000份以上的种蛋光谱数据,构建训练网络的数据集。通过人工分类后,将种蛋分为无精蛋、受精蛋。最后,根据种蛋分类神经网络模型的损失函数交叉熵计算的误差,对其进行反向传播,更新网络参数。所述损失函数的公式如下:
其中:n为训练的轮次,C为预测种类的数量,y i,j 为第i个样本在第j类上的真实标签,p i,j 为第i个样本对第j类的预测概率。
数据集以3:1:1的方式分为训练集、测试集以及验证集。
S5、利用步骤S4中训练后的种蛋分类神经网络模型,根据步骤S3中的特征波段对种蛋信息进行分类,得到受精信息。
S6、获取种蛋的第二时序特征,并根据第二时序特征、步骤S1中的第一时序特征和步骤S5中得到的受精信息对种蛋进行分拣。
在本发明的一个可选实施例中,本发明中核心处理模块获取种蛋的第一时序特征时,会得到该种蛋经过第一位置传感器的时间戳,同时会标记该种蛋是第N枚经过第一位置传感器的种蛋。核心处理模块会根据传送带速度计算该种蛋到达第二位置传感器的时间戳。当该种蛋经过第二位置传感器时,核心处理模块对比该种蛋为第N枚经过第二位置传感器的种蛋,同时对比当前的时间戳,两重信息确认该种蛋的位置,将该种蛋的受精信息与时序信息关联。
核心处理模块根据第一时序特征、第二时序特征和种蛋的受精信息生成第四指令,根据第四指令控制剔蛋装置将无精蛋送入无精蛋送出传送带上,将受精蛋送入受精蛋送出传送带上。核心处理模块根据第二时序特征生成第二指令或者第三指令。如果生成第二指令,核心处理模块则通过第二指令控制受精蛋送出传送带电机将受精蛋送到受精蛋区;如果生成第三指令,核心处理模块则通过第三指令控制无精蛋送出传送带电机将无精蛋送到无精蛋区。
步骤S6包括以下分步骤:
S61、获取种蛋的第二时序特征。
传送带将种蛋传送到第二位置传感器所在区。第二位置传感器采集种蛋的第二时序特征并传输至核心处理模块。
S62、根据分步骤S61中的第二时序特征和步骤S1中的第一时序特征,将待分拣的种蛋与其自受精信息进行对应。
S63、判断待分拣种蛋的受精信息是否为受精;若是则不进行剔蛋操作,否则进行剔蛋操作。
当种蛋位移到第二个位置传感器后,核心处理模块根据种蛋的第一时序特征、第二时序特征和受精信息,向剔蛋装置传递第四指令。若是无精蛋,则启动剔蛋装置将横杆抬起,种蛋通过无精蛋送出传送带流出;若是受精蛋,则不启动剔蛋装置,种蛋通过受精蛋送出传送带流出。
如图3所示,一种应用于上述方法的孵前种蛋受精信息无损分拣装置,包括传感器模块、电机模块、检测装置模块、核心处理模块和剔蛋装置,具体如下:
传感器模块,所述传感器模块包括第一位置传感器、积分器和第二位置传感器,所述第一位置传感器用于采集种蛋的第一时序特征并传输到核心处理模块,所述积分器用于接收核心处理模块的采集指令采集种蛋的光谱信息并通过光纤传输至检测装置模块,所述第二位置传感器用于采集种蛋的第二时序特征并传输到核心处理模块。
在本发明的一个可选实施例中,当积分器采集光谱信息时,本发明应避免外部光线的干扰,需要保持光谱信息采集空间处于无光的条件。
传送带将种蛋传送到第一位置传感器所在区。第一位置传感器采集种蛋的第一时序特征并传输至核心处理模块。
传送带将种蛋传送到积分器所在区。积分器采集种蛋的光谱信息并通过光纤传输至检测装置模块。
传送带将种蛋传送到第二位置传感器所在区。第二位置传感器采集种蛋的第二时序特征并传输至核心处理模块。
电机模块,所述电机模块包括送入传送带电机、受精蛋送出传送带电机和无精蛋送出传送带电机,所述送入传送带电机用于接收核心处理模块的第一指令并将种蛋送入传感器模块采集种蛋的光谱信息,所述受精蛋送出传送带电机用于接收核心处理模块的第二指令并将受精蛋送到受精蛋区,所述无精蛋送出传送带电机用于接收核心处理模块的第三传送指令并将无精蛋送到无精蛋区。
在本发明的一个可选实施例中,本发明采用不锈钢材料制成的不透光外壳裹住传送带,且外壳的开口需要与光源、光纤边缘契合不漏光。同时为了保证传送带运行时,没有外部光线泄漏进光谱信息采集空间,本发明在传送带前后各设计了两层不透光的橡胶帘,以最大限度的降低外部光线对检测结果的干扰。另外,本发明中传送带上设有限位器,用于保证种蛋呈固定姿势。
检测装置模块,所述检测装置模块包括近红外光谱仪、卤素灯光源和显示屏幕,所述近红外光谱仪用于接收传感器模块传输的光谱信息生成光谱数据并传输到核心处理模块,所述卤素灯光源用于提供透射光源,所述显示屏幕用于显示整个装置的工作状态。
在本发明的一个可选实施例中,检测装置模块中的近红外光谱仪接收到核心处理模块传输的采集指令开机,近红外光谱仪与传感器模块中的积分器通过光纤相连接,积分器将采集到的光谱信息通过光纤传输至近红外光谱仪生成光谱数据。近红外光谱仪将光谱数据传输至核心处理模块。
核心处理模块,所述核心处理模块用于接收传感器模块采集到的第一时序特征和第二时序特征,根据第一时序特征生成第一指令并传输到电机模块,根据第一时序特征生成采集指令并传输到传感器模块中的积分器和检测装置模块中的近红外光谱仪,根据第二时序特征生成第二指令或第三指令并传输到电机模块,接收检测装置模块生成的光谱数据,根据第一时序特征、第二时序特征和光谱数据得到受精信息,发送第四指令控制剔蛋装置。
剔蛋装置,所述剔蛋装置用于接收核心处理模块的第四指令,并根据第四指令将无精蛋送入电机模块中的无精蛋送出传送带。
在本发明的一个可选实施例中,剔蛋装置执行核心处理模块的第四指令时,若种蛋为受精蛋,则不执行任何操作;若是无精蛋,则剔蛋装置将横杆抬起,把无精蛋弹入无精蛋送出传送带。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (8)
1.一种孵前种蛋受精信息无损分拣方法,其特征在于,包括以下步骤:
S1、获取种蛋的第一时序特征并根据第一时序特征采集种蛋的光谱数据;
S2、对步骤S1中的光谱数据进行预处理;
S3、对步骤S2中预处理后的光谱数据进行选择得到特征波段;
S4、构建种蛋分类神经网络模型并对其进行训练;
S5、利用步骤S4中训练后的种蛋分类神经网络模型,根据步骤S3中的特征波段对种蛋信息进行分类,得到受精信息;
S6、获取种蛋的第二时序特征,并根据第二时序特征、步骤S1中的第一时序特征和步骤S5中得到的受精信息对种蛋进行分拣。
2.根据权利要求1所述的一种孵前种蛋受精信息无损分拣方法,其特征在于,步骤S2包括以下分步骤:
S21、对光谱数据进行标准正态变量变换处理;
S22、对分步骤S21中得到的标准正态变量变换处理后的光谱数据,采用线性滤波算法进行处理。
5.根据权利要求1所述的一种孵前种蛋受精信息无损分拣方法,其特征在于,步骤S3包括以下分步骤:
S31、采用自举采样、加权举采样从光谱数据中提取波段构建并保存子模型;
S32、计算子模型的预测误差;
S33、根据预测误差计算子模型的回归系数;
S34、根据回归系数为子模型中的波段赋权,得到波段权重;
S35、根据波段权重提取子模型的波段,构建并保存下一个子模型;
S36、判断分步骤S35中子模型是否为一个波段;若是则进入分步骤S37,否则跳转到分步骤S32;
S37、对分步骤S31中保存的子模型和分步骤S36中保存的子模型进行交叉验证均方根误差,选择均方根误差最小的子模型,确定子集中的波段为特征波段。
6.根据权利要求1所述的一种孵前种蛋受精信息无损分拣方法,其特征在于,在步骤S4中,所述种蛋分类神经网络模型包括一个位置编码层、三个编码层、一个线性层和一个逻辑分类层,所述位置编码层根据特征波段在原始光谱中的波段位置对特征波段进行位置编码,三个所述编码层用于对输入的具有位置信息的特征波段先升维再降维,并对输入的具有位置信息的特征波段进行信息融合,所述线性层用于对三个编码层输出的信息融合后的特征波段进行线性变化,并输出指定维度的特征波段,所述逻辑分类层用于对线性层输出指定维度的特征波段进行分类。
7.根据权利要求1所述的一种孵前种蛋受精信息无损分拣方法,其特征在于,步骤S6包括以下分步骤:
S61、获取种蛋的第二时序特征;
S62、根据分步骤S61中的第二时序特征和步骤S1中的第一时序特征,将待分拣的种蛋与其自受精信息进行对应;
S63、判断待分拣种蛋的受精信息是否为受精;若是则不进行剔蛋操作,否则进行剔蛋操作。
8.一种应用权利要求1-7任一所述方法的孵前种蛋受精信息无损分拣装置,其特征在于,包括:
传感器模块,所述传感器模块包括第一位置传感器、积分器和第二位置传感器,所述第一位置传感器用于采集种蛋的第一时序特征并传输到核心处理模块,所述积分器用于接收核心处理模块的采集指令采集种蛋的光谱信息并通过光纤传输至检测装置模块,所述第二位置传感器用于采集种蛋的第二时序特征并传输到核心处理模块;
电机模块,所述电机模块包括送入传送带电机、受精蛋送出传送带电机和无精蛋送出传送带电机,所述送入传送带电机用于接收核心处理模块的第一指令并将种蛋送入传感器模块采集种蛋的光谱信息,所述受精蛋送出传送带电机用于接收核心处理模块的第二指令并将受精蛋送到受精蛋区,所述无精蛋送出传送带电机用于接收核心处理模块的第三传送指令并将无精蛋送到无精蛋区;
检测装置模块,所述检测装置模块包括近红外光谱仪、卤素灯光源和显示屏幕,所述近红外光谱仪用于接收传感器模块传输的光谱信息生成光谱数据并传输到核心处理模块,所述卤素灯光源用于提供透射光源,所述显示屏幕用于显示整个装置的工作状态;
核心处理模块,所述核心处理模块用于接收传感器模块采集到的第一时序特征和第二时序特征,根据第一时序特征生成第一指令并传输到电机模块,根据第一时序特征生成采集指令并传输到传感器模块中的积分器和检测装置模块中的近红外光谱仪,根据第二时序特征生成第二指令或第三指令并传输到电机模块,接收检测装置模块生成的光谱数据,利用权利要求1~7中任一所述方法,根据第一时序特征、第二时序特征和光谱数据得到受精信息,发送第四指令控制剔蛋装置;
剔蛋装置,所述剔蛋装置用于接收核心处理模块的第四指令,并根据第四指令将无精蛋送入电机模块中的无精蛋送出传送带。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310132497.1A CN115812634B (zh) | 2023-02-20 | 2023-02-20 | 一种孵前种蛋受精信息无损分拣方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310132497.1A CN115812634B (zh) | 2023-02-20 | 2023-02-20 | 一种孵前种蛋受精信息无损分拣方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115812634A true CN115812634A (zh) | 2023-03-21 |
CN115812634B CN115812634B (zh) | 2023-04-28 |
Family
ID=85521812
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310132497.1A Active CN115812634B (zh) | 2023-02-20 | 2023-02-20 | 一种孵前种蛋受精信息无损分拣方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115812634B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116530438A (zh) * | 2023-07-04 | 2023-08-04 | 华南农业大学 | 一种笼养种蛋鸭个体产蛋性能巡检测定装置、方法和系统 |
CN117390089A (zh) * | 2023-11-14 | 2024-01-12 | 河北玖兴农牧发展有限公司 | 一种孵前种蛋受精信息统计方法及系统 |
CN117502303A (zh) * | 2023-11-30 | 2024-02-06 | 重庆华裕耀新农业科技有限公司 | 一种种蛋无损检测方法及受精信息检测系统 |
CN117502303B (zh) * | 2023-11-30 | 2024-06-04 | 重庆华裕耀新农业科技有限公司 | 一种种蛋无损检测方法及受精信息检测系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105911000A (zh) * | 2016-04-15 | 2016-08-31 | 华中农业大学 | 基于特征波段的血斑蛋在线检测方法 |
CN105973816A (zh) * | 2016-05-06 | 2016-09-28 | 中国农业大学 | 基于可见/近红外光谱的禽蛋孵化能力的判别方法 |
US20200163314A1 (en) * | 2017-07-23 | 2020-05-28 | Terahertz Group Ltd. | System and method for non-invasively determining egg properties |
CN111275064A (zh) * | 2018-12-05 | 2020-06-12 | 爱科维申科技(天津)有限公司 | 基于卷积神经网络与时序特征的鸡蛋胚胎分类方法 |
CN111802281A (zh) * | 2020-07-21 | 2020-10-23 | 华中农业大学 | 孵前种鸭蛋中受精蛋的光纤光谱分级检测装置及其方法 |
-
2023
- 2023-02-20 CN CN202310132497.1A patent/CN115812634B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105911000A (zh) * | 2016-04-15 | 2016-08-31 | 华中农业大学 | 基于特征波段的血斑蛋在线检测方法 |
CN105973816A (zh) * | 2016-05-06 | 2016-09-28 | 中国农业大学 | 基于可见/近红外光谱的禽蛋孵化能力的判别方法 |
US20200163314A1 (en) * | 2017-07-23 | 2020-05-28 | Terahertz Group Ltd. | System and method for non-invasively determining egg properties |
CN111275064A (zh) * | 2018-12-05 | 2020-06-12 | 爱科维申科技(天津)有限公司 | 基于卷积神经网络与时序特征的鸡蛋胚胎分类方法 |
CN111802281A (zh) * | 2020-07-21 | 2020-10-23 | 华中农业大学 | 孵前种鸭蛋中受精蛋的光纤光谱分级检测装置及其方法 |
Non-Patent Citations (1)
Title |
---|
刘又夫等: "基于热图像的种蛋气室变化监测算法" * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116530438A (zh) * | 2023-07-04 | 2023-08-04 | 华南农业大学 | 一种笼养种蛋鸭个体产蛋性能巡检测定装置、方法和系统 |
CN116530438B (zh) * | 2023-07-04 | 2023-10-13 | 华南农业大学 | 一种笼养种蛋鸭个体产蛋性能巡检测定装置、方法和系统 |
CN117390089A (zh) * | 2023-11-14 | 2024-01-12 | 河北玖兴农牧发展有限公司 | 一种孵前种蛋受精信息统计方法及系统 |
CN117390089B (zh) * | 2023-11-14 | 2024-03-19 | 河北玖兴农牧发展有限公司 | 一种孵前种蛋受精信息统计方法及系统 |
CN117502303A (zh) * | 2023-11-30 | 2024-02-06 | 重庆华裕耀新农业科技有限公司 | 一种种蛋无损检测方法及受精信息检测系统 |
CN117502303B (zh) * | 2023-11-30 | 2024-06-04 | 重庆华裕耀新农业科技有限公司 | 一种种蛋无损检测方法及受精信息检测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115812634B (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109493287B (zh) | 一种基于深度学习的定量光谱数据分析处理方法 | |
CN115812634B (zh) | 一种孵前种蛋受精信息无损分拣方法及装置 | |
CN102495005B (zh) | 高光谱图像技术诊断作物水分亏缺的方法 | |
CN109060143B (zh) | 基于热红外技术的种猪体温监测系统及方法 | |
CN104316473A (zh) | 一种基于高光谱图像对鸡种蛋孵化早期胚胎性别鉴定的方法 | |
CN104297165B (zh) | 一种基于高光谱图像对腐败真菌生长预测的方法 | |
CN110705655A (zh) | 一种基于光谱和机器视觉耦合的烟叶分类方法 | |
CN110849828A (zh) | 一种基于高光谱图像技术的藏红花分类方法 | |
CN112950632A (zh) | 一种基于高光谱成像技术和卷积神经网络的煤炭质量检测方法 | |
CN114898405B (zh) | 基于边缘计算的便携式肉鸡异常监测系统 | |
CN114419311B (zh) | 一种基于多源信息的百香果成熟度无损检测方法及装置 | |
Ding et al. | Quality and safety inspection of food and agricultural products by LabVIEW IMAQ vision | |
CN114973024A (zh) | 一种机采棉脱叶效果综合评价指标监测与评价方法及系统 | |
CN117589767A (zh) | 一种烟叶采收时间确定方法、电子设备和存储介质 | |
CN106018292A (zh) | 蛋清中蛋白质构象的无损检测装置及其方法 | |
CN116034904B (zh) | 基于轨道式巡检机器人的猪只健康监测系统及方法 | |
Zhou et al. | Hyperspectral imaging technology for detection of moisture content of tomato leaves | |
McNish et al. | Oat crown rust disease severity estimated at many time points using multispectral aerial photos | |
CN115049902B (zh) | 柑橘叶片含水量可视化预测方法、系统、设备及存储介质 | |
CN110609011A (zh) | 单籽粒玉米种子淀粉含量近红外高光谱检测方法及系统 | |
CN102788796A (zh) | 基于高光谱图像及荧光图像多信息融合的作物氮营养诊断装置及方法 | |
CN110567887A (zh) | 一种基于光谱成像和深度学习技术的干茧茧层丝胶溶失率的无损检测方法 | |
CN116297236A (zh) | 一种基于高光谱的单粒玉米种子活力鉴别方法及装置 | |
CN111802281B (zh) | 孵前种鸭蛋中受精蛋的光纤光谱分级检测装置及其方法 | |
CN112419288A (zh) | 一种基于计算机视觉的无人化蔬菜大棚种植方法 |
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 |