CN117546800A - 一种乌鸡蛋和普通鸡蛋物联网智能化检测区分装置及方法 - Google Patents

一种乌鸡蛋和普通鸡蛋物联网智能化检测区分装置及方法 Download PDF

Info

Publication number
CN117546800A
CN117546800A CN202311545512.1A CN202311545512A CN117546800A CN 117546800 A CN117546800 A CN 117546800A CN 202311545512 A CN202311545512 A CN 202311545512A CN 117546800 A CN117546800 A CN 117546800A
Authority
CN
China
Prior art keywords
eggs
fixedly connected
black
egg
frame
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.)
Pending
Application number
CN202311545512.1A
Other languages
English (en)
Inventor
巨晓军
束婧婷
姬改革
章明
单艳菊
刘一帆
屠云洁
赵伟东
肖芹
邹剑敏
盛中伟
郑国庆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Taihe Fengsheng Agriculture And Animal Husbandry Technology Co ltd
Jiangsu Institute Poultry Sciences
Original Assignee
Taihe Fengsheng Agriculture And Animal Husbandry Technology Co ltd
Jiangsu Institute Poultry Sciences
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Taihe Fengsheng Agriculture And Animal Husbandry Technology Co ltd, Jiangsu Institute Poultry Sciences filed Critical Taihe Fengsheng Agriculture And Animal Husbandry Technology Co ltd
Priority to CN202311545512.1A priority Critical patent/CN117546800A/zh
Publication of CN117546800A publication Critical patent/CN117546800A/zh
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
    • A01K43/00—Testing, sorting or cleaning eggs ; Conveying devices ; Pick-up devices
    • A01K43/005—Cleaning, washing of eggs
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
    • A01K43/00—Testing, sorting or cleaning eggs ; Conveying devices ; Pick-up devices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/0014—Image feed-back for automatic industrial control, e.g. robot with camera
    • 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
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/469—Contour-based spatial representations, e.g. vector-coding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/54—Extraction of image or video features relating to texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/68—Food, e.g. fruit or vegetables
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30128—Food products

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Environmental Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Husbandry (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Robotics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明提供一种乌鸡蛋和普通鸡蛋物联网智能化检测区分装置及方法，该乌鸡蛋和普通鸡蛋检测区分装置，包括上料架，所述上料架的一侧安装有两个第一固定壳，两个所述第一固定壳的底部均固定连接有两个第一支撑杆，两个所述第一固定壳之间安装有输送机构，所述输送机构的顶部一侧安装有驱动机构；所述输送机构的顶部另一侧安装有清洗机构。通过设计有输送机构、驱动机构、清洗机构和吹干机构，工作人员可以通过输送机构对乌鸡蛋和普通鸡蛋进行输送，同时通过清洗机构和吹干机构对其进行快速清洗和吹干处理，从而将乌鸡蛋和普通鸡蛋外壁上粘接的污垢进行快速清理，会大大提高传感器对其检测的精准度，进而提高了该装置的检测区分效率。

Description

一种乌鸡蛋和普通鸡蛋物联网智能化检测区分装置及方法
技术领域
本发明涉及农业领域的人工智能系统及物联网检测技术，具体为一种乌鸡蛋和普通鸡蛋物联网智能化检测区分装置及方法。
背景技术
乌鸡蛋与普通鸡蛋相比，水分、脂肪明显低于普通鸡蛋；蛋白质略低于普通鸡蛋；胆固醇含量高于普通鸡蛋；磷脂和B2明显高于普通鸡蛋；乌鸡蛋含有较高的人体必备的氨基酸；综合来说，乌鸡蛋具有比普通鸡蛋更高的营养价值，乌鸡蛋的蛋壳为绿色普通鸡蛋，而普通鸡蛋的蛋壳为白色和黄色，因此对乌鸡蛋和普通鸡蛋进行加工检测区分时，需要通过视觉传感器进行区分，再通过自动化设备对其进行输送分装。
对乌鸡蛋和普通鸡蛋进行检测区分时，往往都是将其放置到输送装置上，通过检测装置对其进行检测，再通过分装装置对其进行区分，现有的检测区分装置是直接将生产好的乌鸡蛋和普通鸡蛋进行上料检测，然而刚生产出来的乌鸡蛋和普通鸡蛋其外壁上都存在污垢，这些污垢会大大的降低传感器对其检测的精准度，从而会大大的影响对乌鸡蛋和普通鸡蛋进行区分，导致工作人员需要二次对乌鸡蛋和普通鸡蛋进行检测区分，大大的降低了对其检测区分效率。
为此，我们研发出了新的一种乌鸡蛋和普通鸡蛋检测区分装置。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种乌鸡蛋和普通鸡蛋物联网智能化检测区分装置及方法，解决了现有的检测区分装置是直接将生产好的乌鸡蛋和普通鸡蛋进行上料检测，然而刚生产出来的乌鸡蛋和普通鸡蛋其外壁上都存在污垢，这些污垢会大大的降低传感器对其检测的精准度，从而会大大的影响对乌鸡蛋和普通鸡蛋进行区分，导致工作人员需要二次对乌鸡蛋和普通鸡蛋进行检测区分，大大的降低了对其检测区分效率的问题。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：一种乌鸡蛋和普通鸡蛋物联网智能化检测区分装置，包括上料架，所述上料架的一侧安装有两个第一固定壳，两个所述第一固定壳的底部均固定连接有两个第一支撑杆，两个所述第一固定壳之间安装有输送机构，所述输送机构的顶部一侧安装有驱动机构；
所述输送机构的顶部另一侧安装有清洗机构，所述输送机构的顶部靠近清洗机构的一侧位置安装有吹干机构，两个所述第一固定壳内壁之间的底部固定连接有排水漏斗；
所述输送机构的一侧安装有第一排料架，所述第一排料架的底部安装有传送机构，所述传送机构的底部固定连接有支撑架，所述传送机构的前端安装有第二排料架，所述支撑架的顶部靠近第二排料架的前端位置固定连接有接料座，所述接料座的顶部开设有第二弧形凹槽；
所述支撑架的顶部前端安装有检测区分机构，所述支撑架的顶部靠近检测区分机构的前端位置固定连接有第一下料架，所述支撑架的顶部靠近检测区分机构的一侧位置固定连接有第二下料架。
优选的，所述上料架前后端外壁的一侧分别与两个第一固定壳的内壁固定连接。
通过上述技术方案，具有很好的支撑性和固定性，从而便于对多个乌鸡蛋和普通鸡蛋进行上料，防止上料架不稳定从而影响对多个乌鸡蛋和普通鸡蛋造成破碎。
优选的，所述输送机构包括多个第一轴承，多个所述第一轴承分别固定连接于两个第一固定壳的外壁，每两个所述第一轴承之间固定连接有连接轴，多个所述第一轴承的外壁均固定连接有链轮，每两个所述链轮之间均安装有链条，两个所述链条之间固定连接有多个输送杆，多个乌鸡蛋和普通鸡蛋可以通过上料架输送到多个输送杆上，多个输送杆通过两个链条进行移动。
通过上述技术方案，两个链条可以通过对应的多个链轮进行驱动，从而可以带动多个乌鸡蛋和普通鸡蛋进行传送，同时两个第一固定壳具有很好的固定性和防尘效果，从而提高输送机构和驱动机构的驱动效果。
优选的，所述驱动机构包括第一安装架，所述第一安装架固定连接于其中一个第一固定壳的顶部一侧，所述第一安装架的顶部安装有第一伺服电机，所述第一伺服电机输出轴的外壁固定连接有第一同步轮，其中一个所述连接轴的外壁后端固定连接有第二同步轮，所述第一同步轮和第二同步轮之间安装有第一同步带。
通过上述技术方案，当第一伺服电机开始工作时，第一伺服电机通过输出轴转动带动第一同步轮进行转动，第一同步轮转动从而带动第一同步带进行转动，第二同步轮随之进行转动从而带动其连接的连接轴进行转动，其连接轴转动从而带动其前后端相连接的两个链轮进行转动，其中两个链轮转动从而带动了两个链条进行转动，使得两个链条分别带动多个输送杆进行移动，从而实现了对多个输送杆上的多个乌鸡蛋和普通鸡蛋进行传送，多个输送杆移动速度较慢，从而防止多个乌鸡蛋和普通鸡蛋在输送的过程中发生撞击破碎，且多个输送杆通过第一伺服电机驱动进行自动移动，大大的提高了对多个乌鸡蛋和普通鸡蛋加工效率。
优选的，所述清洗机构包括第一固定框，所述第一固定框固定连接于两个第一固定壳的顶部另一侧位置，所述第一固定框的顶部安装有水箱，所述水箱的后端一侧顶部安装有进水管，所述水箱的底部另一侧固定连接有第二安装架，所述第二安装架的底部安装有水泵，所述水泵的一侧顶部与水箱之间固定连接有第一连接管，所述水泵的一侧底部固定连接有第二连接管，所述第二连接管的底端安装有喷水座，所述喷水座的底部安装有多个喷水头。
通过上述技术方案，当多个乌鸡蛋和普通鸡蛋通过多个输送杆输送到多个喷水头的下方位置时，此时水泵开始工作，水泵通过第一连接管对水箱进行抽水，通过第二连接管输送到喷水座内，喷水座从而将抽取的水通过多个喷水头向其底部进行喷洒，从而实行了对多个乌鸡蛋和普通鸡蛋的外壁进行了清洗，从而防止多个乌鸡蛋和普通鸡蛋外壁上的污垢影响检测区分机构对其进行检测，该装置通过清洗机构进行自动清洗，不仅效率较高，也提高了对乌鸡蛋和普通鸡蛋的检测精准度。
优选的，所述吹干机构包括第二固定框，所述第二固定框固定连接于两个第一固定壳的顶部中心，所述第二固定框的顶部安装有多个机壳，多个所述机壳内均安装有风机。
通过上述技术方案，清洗后的多个乌鸡蛋和普通鸡蛋通过多个输送杆输送到多个风机的下方时，此时多个风机均开始工作，从而对多个乌鸡蛋和普通鸡蛋其外部的水进行送风吹干，防止其外壁的水影响检测区分机构对其检测。
优选的，所述传送机构包括两个第二固定壳，两个所述第二固定壳的底部均固定连接有两个第二支撑杆，两个所述第二固定壳的顶部均固定连接有挡条，两个所述第二固定壳的外壁均固定连接有多个第二轴承，每两个所述第二轴承之间均固定连接有转轴，多个所述转轴的外壁均固定连接有皮带轮，所述支撑架的顶部一侧固定连接有第三安装架，所述第三安装架的顶部安装有第二伺服电机，所述第二伺服电机输出轴的外壁固定连接有第三同步轮，其中一个所述转轴的外壁一端固定连接有第四同步轮，所述第三同步轮和第四同步轮之间安装有第二同步带，多个所述皮带轮之间安装有皮带，所述皮带的外壁开设有多个第一弧形凹槽。
通过上述技术方案，多个乌鸡蛋和普通鸡蛋进行清理后，会通过第一排料架一侧排料口一个个输送到皮带上，使得皮带上多个第一弧形凹槽分别对多个乌鸡蛋和普通鸡蛋进行了支撑，此时第二伺服电机便开始工作，第二伺服电机通过输出轴转动带动第三同步轮进行转动，第三同步轮转动从而带动第二同步带进行转动，第四同步轮随之进行转动从而带动与其相连接的转轴进行转动，转轴转动从而带动与其相连接的皮带轮进行转动，皮带轮从而带动皮带进行转动，从而实行了对皮带上的多个乌鸡蛋和普通鸡蛋进行传送，从而便于检测区分机构对其进行检测。
优选的，所述第一排料架前后端外壁的另一侧分别与两个第一固定壳的内壁固定连接，所述第一排料架的底部一侧固定连接于其中一个挡条的顶部。
通过上述技术方案，使得第一排料架具有较强的固定性和支撑性，多个乌鸡蛋和普通鸡蛋通过第二排料架会一个个传送到接料座上，从而会通过接料座上的第二弧形凹槽进行支撑，从而便于吸套对其进行吸住固定。
优选的，所述检测区分机构包括固定套，所述固定套固定连接于支撑架的顶部前端，所述固定套的顶部转动连接有支撑柱，所述支撑架的顶部靠近固定套的一侧位置固定连接有环形固定架，所述环形固定架的顶部安装有第三伺服电机，所述第三伺服电机输出轴的外壁固定连接有第五同步轮，所述支撑柱的外壁固定连接有第六同步轮，所述第五同步轮和第六同步轮之间安装有第三同步带，所述支撑柱的顶部固定连接有圆盘，所述圆盘的顶部固定连接有多个安装座，多个所述安装座的顶部均安装有气缸，多个所述气缸活塞的底端均固定连接有伸缩管，多个所述伸缩管的底部均安装有吸套，多个所述吸套的顶部一侧均安装有无线单向阀，所述支撑架的顶部靠近固定套的后端位置安装有控制器和通信模块，所述支撑架的顶部靠近固定套的另一侧位置固定连接有支撑板，所述支撑板的另一侧安装有视觉传感器，所述圆盘的顶部安装有防尘壳，所述视觉传感器(1516)和控制器相连接，然后通过通信模块将分析数据交互传输到远端电脑，实现乌鸡蛋和普通鸡蛋远程检测区分。
通过上述技术方案，当乌鸡蛋或普通鸡蛋传送到接料座上时，此时位于接料座上方的气缸开始工作，气缸通过活塞进行推动带动吸套向下移动，吸套通过无线单向阀对接料座上的鸡蛋进行了吸附固定，气缸再将活塞进行回收，与此同时第三伺服电机开始工作，第三伺服电机通过输出轴转动带动第五同步轮进行转动，第五同步轮转动从而带动第三同步带进行转动，第六同步轮随之进行转动从而带动支撑柱进行转动，使得支撑柱转动带动圆盘进行转动，使得圆盘转动带动多个气缸进行转动，当所吸附固定的鸡蛋转动经过视觉传感器照射后，从而实现了对所吸附固定的鸡蛋进行了检测区分，此时视觉传感器通过信号传递给控制器，使得控制器再将信号传递给所吸附固定鸡蛋上的无线单向阀，从而有效可以对检测后的鸡蛋进行区分下料，乌鸡蛋可以通过圆盘转至第一下料架的上方进行下料，普通鸡蛋可以通过圆盘转至第二下料架的上方进行下料，检测区分机构不仅检测区分效率较快，且检测精准度较高，从而避免了二次检测。
优选的，多个所述安装座、多个气缸、多个伸缩管、多个吸套和多个无线单向阀均环形分布于圆盘的顶部，多个所述气缸的活塞均贯穿圆盘的顶部。
通过上述技术方案，检测区分机构通过多个气缸和多个吸套对鸡蛋进行吸附固定，且进行移动，从而便于视觉传感器对其进行检测，同时整个过程都是通过自动化机械设备运行，效率较高，从而有效的对乌鸡蛋和普通鸡蛋快速进行检测区分。
本发明的一种乌鸡蛋和普通鸡蛋物联网智能化检测区分方法，包括以下步骤：
步骤A，通过上料架1对多个乌鸡蛋和普通鸡蛋进行上料，多个乌鸡蛋和普通鸡蛋输送到多个输送杆405上时，第一伺服电机502便开始工作，其输出轴会通过第一同步轮503和第一同步带505驱动第二同步轮504同步转动，第一同步带505在转动时会带动两个连接轴402上的两个链轮403进行转动，多个链轮403转动分别带动两个链条404进行转动，使得两个链条404转动带动多个输送杆405进行移动，从而实现了对多个输送杆405上的多个乌鸡蛋和普通鸡蛋进行传送；
步骤B，当多个乌鸡蛋和普通鸡蛋通过多个输送杆405输送到多个喷水头609的下方位置时，此时水泵605开始工作，水泵605通过第一连接管606对水箱602进行抽水，通过第二连接管607输送到喷水座608内，喷水座608从而将抽取的水通过多个喷水头609向其底部进行喷洒，从而实行了对多个乌鸡蛋和普通鸡蛋的外壁进行了清洗，清洗后的多个乌鸡蛋和普通鸡蛋通过多个输送杆405输送到多个风机703的下方时，此时多个风机703均开始工作，从而对多个乌鸡蛋和普通鸡蛋其外部的水进行送风吹干；
步骤C，清洁后的多个乌鸡蛋和普通鸡蛋会通过第一排料架9一侧的排料口一个个输送到皮带1012上，使得皮带1012上多个第一弧形凹槽1013分别对多个乌鸡蛋和普通鸡蛋进行了支撑，此时第二伺服电机1008便开始工作，其输出会通过第三同步轮1009和第二同步带1011驱动第四同步轮1010同步转动，第四同步轮1010在转动的过程中会带动与其相连接的转轴1005进行转动，使得转轴1005转动带动与其相连接的皮带轮1006进行转动，皮带轮1006从而带动皮带1012进行转动，从而实行了对皮带1012上的多个乌鸡蛋和普通鸡蛋进行传送；
步骤D，当乌鸡蛋或普通鸡蛋通过皮带1012和第二排料架12传送到接料座13上时，此时位于接料座13上方的气缸1510开始工作，气缸1510通过活塞进行推动带动吸套1512向下移动，吸套1512通过无线单向阀1513对接料座13上的鸡蛋进行了吸附固定，气缸1510再将活塞进行回收，与此同时第三伺服电机1504开始工作，其输出轴会通过第五同步轮1505和第三同步带1507驱动第六同步轮1506同步转动，从而带动支撑柱1502进行转动，使得支撑柱1502转动带动圆盘1508进行转动，使得圆盘1508转动带动多个气缸1510进行转动，当所吸附固定的鸡蛋转动经过视觉传感器1516照射后，从而实现了对所吸附固定的鸡蛋进行了检测区分，此时视觉传感器1516通过信号传递给控制器1514，使得控制器1514再将信号传递给所吸附固定鸡蛋上的无线单向阀1513，从而有效可以对检测后的鸡蛋进行区分下料，乌鸡蛋可以通过圆盘1508转至第一下料架16的上方进行下料，普通鸡蛋可以通过圆盘1508转至第二下料架17的上方进行下料；
步骤D中，所述视觉传感器1516和控制器1514相连接，然后通过通信模块将分析数据交互传输到远端电脑，实现乌鸡蛋和普通鸡蛋远程检测区分，，首先通过改进的支持向量机算法分类和分辨乌鸡蛋和普通鸡蛋，这将使系统能够在不同光照条件下获取鸡蛋的数量、大小、形状、颜色数据；然后对分类好的鸡蛋通过卷积神经网络检测到破损、受污染或有异常的鸡蛋，并将其分离出来，以确保产品质量，具体过程为：
步骤1，收集两方面数据，第一组收集数据：收集大量关于乌鸡蛋和普通鸡蛋的图像数据，这些数据应该包括不同光照条件下、不同颜色、大小和不同角度的鸡蛋图像；第二组收集数据：收集正常和异常鸡蛋的样本，包括破损鸡蛋、受污染鸡蛋、异常形状鸡蛋以及颜色异常鸡蛋；
第一步：
获取大量鸡蛋数据，包括乌鸡蛋和普通鸡蛋；
记录每个鸡蛋的数量；
测量每个鸡蛋的大小，包括长度和宽度；
记录每个鸡蛋的形状特征，如椭圆形或圆形；
获取每个鸡蛋的颜色信息，包括外壳颜色；
第二步：
获取破损鸡蛋：检测鸡蛋壳上的裂纹、碎片或明显的破损区域，通过图像分析来识别；
获取受污染鸡蛋：鸡蛋表面有明显的污渍、异物或杂质，通过颜色和纹理分析来实现；
获取异常形状鸡蛋：检测到形状异常的鸡蛋，包括变形或不规则的形状，这需要检测鸡蛋的轮廓和形状；
获取颜色异常鸡蛋：检测到颜色异常的鸡蛋，包括过度变色或斑点，通过颜色分析来实现；
步骤2，对采集的图像数据进行预处理，包括裁剪、调整大小、去除噪声；
步骤3，从处理后的图像数据中提取特征，这些特征包括两组，第一组特征包括数量、大小、形状、颜色特征；第二组特征：提取鸡蛋的颜色、纹理和形状特征；
步骤4，为每个图像标记所属的类别，分为两类，第一类标签为：乌鸡蛋或普通鸡蛋，第二类标签为：将异常鸡蛋的标签分配为“异常”，正常鸡蛋的标签分配为“正常”；
步骤5，将标记好的数据集分两个阶段训练：
第一个阶段：第一组收集数据和第一组特征用于训练SVM(支持向量机)分类器，得到第一类标签，SVM的目标是找到一个最佳的决策边界，以将不同类别的鸡蛋分开，SVM会找到最大间隔的分离超平面，以确保在新数据上有更好的泛化能力；
SVM模型的目标函数如下：
约束条件为：
yi(w·xi+b)≥1，对于所有的i，将引入非线性核函数K(xi，xj)，将特征映射到高维空间，以处理非线性分类问题，新的目标函数为：
约束条件变成：
yi(w·Φ(Xi)+b)≥1-ξi，ξi≥0，对于所有的i，在这里，Φ(·)表示将输入特征xi映射到高维空间。现在，需要最小化目标函数，同时确保约束条件成立；
为了简化目标函数，可以引入拉格朗日乘子αi和βi，得到拉格朗日函数如下：
其中，ai和βi是非负拉格朗日乘子；
接下来，需要对L(w，b，ξi，αi，βi)分别对w，b，ξi求偏导，并令它们等于零，以求解最优的w，b和ξi，这将涉及一系列微分和代数运算，通常需要使用拉格朗日对偶问题来求解；
上面的公式符号含义解释为：
w：特征权重向量，表示分类超平面的法向量；
b：特征权重向量，表示分类超平面的法向量，偏差(或截距)；
C：正则化参数，用于权衡间隔最大化和错误分类点之间的权重，控制了模型的复杂度，较大的C值会减小松弛变量(ξi)的权重，使分类更加严格；
ξi：松弛变量，用于允许一些样本不满足严格的约束条件，它测量每个样本点与分类超平面的距离，以及其是否被正确分类，ξi的值可以是零或正数，取决于点的位置相对于分类超平面；
yi：样本的类别标签，通常为+1或-1，表示乌鸡蛋或普通鸡蛋；
第二个阶段：第二组收集数据和第二组特征用于训练CNN(卷积神经网络)模型，得到第二类标签；
假设有一组包含鸡蛋数据的图像数据集，其中每个图像有相应的标签，标明鸡蛋是否为“正常”或“异常”；
a.输入数据：训练数据集包含N张图像，每张图像表示为Xi，并有相应的标签Yi(i＝1，2，...，N)，其中Y可以是O(正常鸡蛋)或1(异常鸡蛋)；
b.CNN模型的输出：模型的输出是一个二元分类结果，表示图像Xi；属于“正常”或“异常″”的概率，通常用P(Yi＝1|Xi)表示，这个输出是通过模型的前向传播得到的，使用softmax激活函数进行分类；
c.损失函数：使用交叉熵损失函数来衡量模型的性能，损失函数的表达式如下：
输入层：图像大小为128x128像素，3个通道(RGB颜色图像)；
CNN结构为：
卷积层1：32个卷积核，大小为3x3，使用ReLU激活函数，步幅(stride)为1，不使用填充(padding)。
池化层1：最大池化，大小为2x2；
卷积层2：64个卷积核，大小为3x3，使用ReLU激活函数。步幅为1，不使用填充；
池化层2：最大池化，大小为2x2；
全连接层1：128个神经元，使用ReLU激活函数；
全连接层2：2个神经元，使用softmax激活函数，表示“正常”和“异常”类别的概率；
d.模型训练：
损失函数：交叉熵损失函数；
优化算法：随机梯度下降；
学习率：0.001；
批处理大小：32；
训练周期(epochs)：50；
当装置检测到鸡蛋图像时，将图像输入到训练好的CNN模型中，模型输出一个概率分布，表示“正常”和“异常”类别的概率，可以根据阈值将其分类为“正常”或“异常”鸡蛋。
(三)有益效果
本发明提供了一种乌鸡蛋和普通鸡蛋物联网智能化检测区分装置。具备以下有益效果：
1、该乌鸡蛋和普通鸡蛋检测区分装置，通过设计有输送机构、驱动机构、清洗机构和吹干机构，工作人员可以通过输送机构对乌鸡蛋和普通鸡蛋进行输送，同时通过清洗机构和吹干机构对其进行快速清洗和吹干处理，从而将乌鸡蛋和普通鸡蛋外壁上粘接的污垢进行快速清理，会大大提高传感器对其检测的精准度，进而提高了该装置的检测区分效率。
2、该乌鸡蛋和普通鸡蛋检测区分装置，通过设计有传送机构、检测区分机构、第一下料架和第二下料架，清洗后的乌鸡蛋和普通鸡蛋可以通过传送机构将其进行分拣，从而便于检测区分机构对其进行检测，最后可以通过第一下料架和第二下料架分别对乌鸡蛋和普通鸡蛋进行下料，整个过程都是通过自动化机械设备运行，效率较高，从而有效的对乌鸡蛋和普通鸡蛋快速进行远程检测区分。
3、本发明的改进的SVM可以适应不同光照条件、鸡蛋大小和形状的变化，从而提高系统的鲁棒性，SVM的二元分类适合本发明的乌鸡蛋或普通鸡蛋的区分，预测速度相对较快，适合实时快速分类乌鸡蛋和普通鸡蛋；选用CNN可以自动学习鸡蛋图像的特征，而无需手动提取特征，这使得系统更能适应不同视觉特征的变化，包括颜色、纹理、形状等，此外，CNN可以用于更复杂的图像分析任务，包括检测微小的瑕疵或隐蔽的问题，如内部异常，它可以识别鸡蛋的多种视觉特征，包括破损鸡蛋、受污染鸡蛋、异常形状鸡蛋和颜色异常鸡蛋的特征，提高检测的灵敏度。综合来看，结合SVM和CNN可以利用它们各自的优势，实现更全面的性能提升。SVM在快速的二元分类方面表现出色，而CNN在高级图像分析和特征学习方面表现出色。结合两种算法可以实现多类别的鸡蛋分类，而不仅仅是正常和异常两个类别。这可以用于检测不同类型的异常或进行更详细的分类。SVM在初步筛选方面快速且准确，然后CNN可以进一步进行深度分析，提高准确性；SVM和CNN的结合在鸡蛋检测和质量控制中提供了更全面、高性能、鲁棒性和智能性的解决方案，有助于提高产品质量和食品安全。
附图说明
图1为本发明的第一视角外观图；
图2为本发明的第二视角外观图；
图3为本发明的主视图；
图4为本发明的输送机构结构示意图；
图5为本发明的清洗机构结构示意图；
图6为本发明的吹干机构结构示意图；
图7为本发明的检测区分机构内部结构示意图；
图8为本发明的检测区分机构部分结构示意图；
图9为本发明的传送机构结构示意图；
图10为本发明的吸套结构示意图；
图11为图2中A处的局部放大图；
图12为图7中B处的局部放大图；
图13为图8中C处的局部放大图。
其中，1、上料架；2、第一固定壳；3、第一支撑杆；4、输送机构；401、第一轴承；402、连接轴；403、链轮；404、链条；405、输送杆；5、驱动机构；501、第一安装架；502、第一伺服电机；503、第一同步轮；504、第二同步轮；505、第一同步带；6、清洗机构；601、第一固定框；602、水箱；603、进水管；604、第二安装架；605、水泵；606、第一连接管；607、第二连接管；608、喷水座；609、喷水头；7、吹干机构；701、第二固定框；702、机壳；703、风机；8、排水漏斗；9、第一排料架；10、传送机构；1001、第二固定壳；1002、第二支撑杆；1003、挡条；1004、第二轴承；1005、转轴；1006、皮带轮；1007、第三安装架；1008、第二伺服电机；1009、第三同步轮；1010、第四同步轮；1011、第二同步带；1012、皮带；1013、第一弧形凹槽；11、支撑架；12、第二排料架；13、接料座；14、第二弧形凹槽；15、检测区分机构；1501、固定套；1502、支撑柱；1503、环形固定架；1504、第三伺服电机；1505、第五同步轮；1506、第六同步轮；1507、第三同步带；1508、圆盘；1509、安装座；1510、气缸；1511、伸缩管；1512、吸套；1513、无线单向阀；1514、控制器；1515、支撑板；1516、视觉传感器；1517、防尘壳；16、第一下料架；17、第二下料架。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例：
如图1-图13所示，本发明实施例提供一种乌鸡蛋和普通鸡蛋物联网智能化检测区分装置，包括上料架1，上料架1的一侧安装有两个第一固定壳2，上料架1前后端外壁的一侧分别与两个第一固定壳2的内壁固定连接，具有很好的支撑性和固定性，从而便于对多个乌鸡蛋和普通鸡蛋进行上料，防止上料架1不稳定从而影响对多个乌鸡蛋和普通鸡蛋造成破碎，两个第一固定壳2的底部均固定连接有两个第一支撑杆3，两个第一固定壳2内壁之间的底部固定连接有排水漏斗8，输送机构4的一侧安装有第一排料架9，第一排料架9前后端外壁的另一侧分别与两个第一固定壳2的内壁固定连接，第一排料架9的底部一侧固定连接于其中一个挡条1003的顶部，使得第一排料架9具有较强的固定性和支撑性，多个乌鸡蛋和普通鸡蛋通过第二排料架12会一个个传送到接料座13上，从而会通过接料座13上的第二弧形凹槽14进行支撑，从而便于吸套1512对其进行吸住固定，传送机构10的底部固定连接有支撑架11，传送机构10的前端安装有第二排料架12，支撑架11的顶部靠近第二排料架12的前端位置固定连接有接料座13，接料座13的顶部开设有第二弧形凹槽14，支撑架11的顶部靠近检测区分机构15的前端位置固定连接有第一下料架16，支撑架11的顶部靠近检测区分机构15的一侧位置固定连接有第二下料架17。
如图4所示，两个第一固定壳2之间安装有输送机构4，输送机构4包括多个第一轴承401，多个第一轴承401分别固定连接于两个第一固定壳2的外壁，每两个第一轴承401之间固定连接有连接轴402，多个第一轴承401的外壁均固定连接有链轮403，每两个链轮403之间均安装有链条404，两个链条404之间固定连接有多个输送杆405，多个乌鸡蛋和普通鸡蛋可以通过上料架1输送到多个输送杆405上，多个输送杆405通过两个链条404进行移动，两个链条404可以通过对应的多个链轮403进行驱动，从而可以带动多个乌鸡蛋和普通鸡蛋进行传送，同时两个第一固定壳2具有很好的固定性和防尘效果，从而提高输送机构4和驱动机构5的驱动效果。
如图11所示，输送机构4的顶部一侧安装有驱动机构5，驱动机构5包括第一安装架501，第一安装架501固定连接于其中一个第一固定壳2的顶部一侧，第一安装架501的顶部安装有第一伺服电机502，第一伺服电机502输出轴的外壁固定连接有第一同步轮503，其中一个连接轴402的外壁后端固定连接有第二同步轮504，第一同步轮503和第二同步轮504之间安装有第一同步带505，当第一伺服电机502开始工作时，第一伺服电机502通过输出轴转动带动第一同步轮503进行转动，第一同步轮503转动从而带动第一同步带505进行转动，第二同步轮504随之进行转动从而带动其连接的连接轴402进行转动，其连接轴402转动从而带动其前后端相连接的两个链轮403进行转动，其中两个链轮403转动从而带动了两个链条404进行转动，使得两个链条404分别带动多个输送杆405进行移动，从而实现了对多个输送杆405上的多个乌鸡蛋和普通鸡蛋进行传送，多个输送杆405移动速度较慢，从而防止多个乌鸡蛋和普通鸡蛋在输送的过程中发生撞击破碎，且多个输送杆405通过第一伺服电机502驱动进行自动移动，大大的提高了对多个乌鸡蛋和普通鸡蛋加工效率。
如图5所示，输送机构4的顶部另一侧安装有清洗机构6，清洗机构6包括第一固定框601，第一固定框601固定连接于两个第一固定壳2的顶部另一侧位置，第一固定框601的顶部安装有水箱602，水箱602的后端一侧顶部安装有进水管603，水箱602的底部另一侧固定连接有第二安装架604，第二安装架604的底部安装有水泵605，水泵605的一侧顶部与水箱602之间固定连接有第一连接管606，水泵605的一侧底部固定连接有第二连接管607，第二连接管607的底端安装有喷水座608，喷水座608的底部安装有多个喷水头609，当多个乌鸡蛋和普通鸡蛋通过多个输送杆405输送到多个喷水头609的下方位置时，此时水泵605开始工作，水泵605通过第一连接管606对水箱602进行抽水，通过第二连接管607输送到喷水座608内，喷水座608从而将抽取的水通过多个喷水头609向其底部进行喷洒，从而实行了对多个乌鸡蛋和普通鸡蛋的外壁进行了清洗，清洗后的水可以通过排水漏斗8进行排出，从而防止多个乌鸡蛋和普通鸡蛋外壁上的污垢影响检测区分机构15对其进行检测，该装置通过清洗机构6进行自动清洗，不仅效率较高，也提高了对乌鸡蛋和普通鸡蛋的检测精准度。
如图6所示，输送机构4的顶部靠近清洗机构6的一侧位置安装有吹干机构7，吹干机构7包括第二固定框701，第二固定框701固定连接于两个第一固定壳2的顶部中心，第二固定框701的顶部安装有多个机壳702，多个机壳702内均安装有风机703，清洗后的多个乌鸡蛋和普通鸡蛋通过多个输送杆405输送到多个风机703的下方时，此时多个风机703均开始工作，从而对多个乌鸡蛋和普通鸡蛋其外部的水进行送风吹干，防止其外壁的水影响检测区分机构15对其检测。
如图8和图9所示，第一排料架9的底部安装有传送机构10，传送机构10包括两个第二固定壳1001，两个第二固定壳1001的底部均固定连接有两个第二支撑杆1002，两个第二固定壳1001的顶部均固定连接有挡条1003，两个第二固定壳1001的外壁均固定连接有多个第二轴承1004，每两个第二轴承1004之间均固定连接有转轴1005，多个转轴1005的外壁均固定连接有皮带轮1006，支撑架11的顶部一侧固定连接有第三安装架1007，第三安装架1007的顶部安装有第二伺服电机1008，第二伺服电机1008输出轴的外壁固定连接有第三同步轮1009，其中一个转轴1005的外壁一端固定连接有第四同步轮1010，第三同步轮1009和第四同步轮1010之间安装有第二同步带1011，多个皮带轮1006之间安装有皮带1012，皮带1012的外壁开设有多个第一弧形凹槽1013，多个乌鸡蛋和普通鸡蛋进行清理后，会通过第一排料架9一侧排料口一个个输送到皮带1012上，使得皮带1012上多个第一弧形凹槽1013分别对多个乌鸡蛋和普通鸡蛋进行了支撑，此时第二伺服电机1008便开始工作，第二伺服电机1008通过输出轴转动带动第三同步轮1009进行转动，第三同步轮1009转动从而带动第二同步带1011进行转动，第四同步轮1010随之进行转动从而带动与其相连接的转轴1005进行转动，转轴1005转动从而带动与其相连接的皮带轮1006进行转动，皮带轮1006从而带动皮带1012进行转动，从而实行了对皮带1012上的多个乌鸡蛋和普通鸡蛋进行传送，从而便于检测区分机构15对其进行检测。
如图7、图8、图10和图13所示，支撑架11的顶部前端安装有检测区分机构15，检测区分机构15包括固定套1501，固定套1501固定连接于支撑架11的顶部前端，固定套1501的顶部转动连接有支撑柱1502，支撑架11的顶部靠近固定套1501的一侧位置固定连接有环形固定架1503，环形固定架1503的顶部安装有第三伺服电机1504，第三伺服电机1504输出轴的外壁固定连接有第五同步轮1505，支撑柱1502的外壁固定连接有第六同步轮1506，第五同步轮1505和第六同步轮1506之间安装有第三同步带1507，支撑柱1502的顶部固定连接有圆盘1508，圆盘1508的顶部固定连接有多个安装座1509，多个安装座1509的顶部均安装有气缸1510，多个气缸1510活塞的底端均固定连接有伸缩管1511，多个伸缩管1511的底部均安装有吸套1512，多个吸套1512的顶部一侧均安装有无线单向阀1513，支撑架11的顶部靠近固定套1501的后端位置安装有控制器1514，支撑架11的顶部靠近固定套1501的另一侧位置固定连接有支撑板1515，支撑板1515的另一侧安装有视觉传感器1516，圆盘1508的顶部安装有防尘壳1517，当乌鸡蛋或普通鸡蛋传送到接料座13上时，此时位于接料座13上方的气缸1510开始工作，气缸1510通过活塞进行推动带动吸套1512向下移动，吸套1512通过无线单向阀1513对接料座13上的鸡蛋进行了吸附固定，气缸1510再将活塞进行回收，与此同时第三伺服电机1504开始工作，第三伺服电机1504通过输出轴转动带动第五同步轮1505进行转动，第五同步轮1505转动从而带动第三同步带1507进行转动，第六同步轮1506随之进行转动从而带动支撑柱1502进行转动，使得支撑柱1502转动带动圆盘1508进行转动，使得圆盘1508转动带动多个气缸1510进行转动，当所吸附固定的鸡蛋转动经过视觉传感器1516照射后，从而实现了对所吸附固定的鸡蛋进行了检测区分，此时视觉传感器1516通过信号传递给控制器1514，使得控制器1514再将信号传递给所吸附固定鸡蛋上的无线单向阀1513，从而有效可以对检测后的鸡蛋进行区分下料，乌鸡蛋可以通过圆盘1508转至第一下料架16的上方进行下料，普通鸡蛋可以通过圆盘1508转至第二下料架17的上方进行下料，检测区分机构15不仅检测区分效率较快，且检测精准度较高，从而避免了二次检测，多个安装座1509、多个气缸1510、多个伸缩管1511、多个吸套1512和多个无线单向阀1513均环形分布于圆盘1508的顶部，多个气缸1510的活塞均贯穿圆盘1508的顶部，检测区分机构15通过多个气缸1510和多个吸套1512对鸡蛋进行吸附固定，且进行移动，从而便于视觉传感器1516对其进行检测，同时整个过程都是通过自动化机械设备运行，效率较高，从而有效的对乌鸡蛋和普通鸡蛋快速进行检测区分。
工作原理：工作人员通过上料架1对多个乌鸡蛋和普通鸡蛋进行上料，多个乌鸡蛋和普通鸡蛋输送到多个输送杆405上时，第一伺服电机502便开始工作，其输出轴会通过第一同步轮503和第一同步带505驱动第二同步轮504同步转动，第一同步带505在转动时会带动两个连接轴402上的两个链轮403进行转动，多个链轮403转动分别带动两个链条404进行转动，使得两个链条404转动带动多个输送杆405进行移动，从而实现了对多个输送杆405上的多个乌鸡蛋和普通鸡蛋进行传送；
当多个乌鸡蛋和普通鸡蛋通过多个输送杆405输送到多个喷水头609的下方位置时，此时水泵605开始工作，水泵605通过第一连接管606对水箱602进行抽水，通过第二连接管607输送到喷水座608内，喷水座608从而将抽取的水通过多个喷水头609向其底部进行喷洒，从而实行了对多个乌鸡蛋和普通鸡蛋的外壁进行了清洗，清洗后的多个乌鸡蛋和普通鸡蛋通过多个输送杆405输送到多个风机703的下方时，此时多个风机703均开始工作，从而对多个乌鸡蛋和普通鸡蛋其外部的水进行送风吹干；
清洁后的多个乌鸡蛋和普通鸡蛋会通过第一排料架9一侧的排料口一个个输送到皮带1012上，使得皮带1012上多个第一弧形凹槽1013分别对多个乌鸡蛋和普通鸡蛋进行了支撑，此时第二伺服电机1008便开始工作，其输出会通过第三同步轮1009和第二同步带1011驱动第四同步轮1010同步转动，第四同步轮1010在转动的过程中会带动与其相连接的转轴1005进行转动，使得转轴1005转动带动与其相连接的皮带轮1006进行转动，皮带轮1006从而带动皮带1012进行转动，从而实行了对皮带1012上的多个乌鸡蛋和普通鸡蛋进行传送；
当乌鸡蛋或普通鸡蛋通过皮带1012和第二排料架12传送到接料座13上时，此时位于接料座13上方的气缸1510开始工作，气缸1510通过活塞进行推动带动吸套1512向下移动，吸套1512通过无线单向阀1513对接料座13上的鸡蛋进行了吸附固定，气缸1510再将活塞进行回收，与此同时第三伺服电机1504开始工作，其输出轴会通过第五同步轮1505和第三同步带1507驱动第六同步轮1506同步转动，从而带动支撑柱1502进行转动，使得支撑柱1502转动带动圆盘1508进行转动，使得圆盘1508转动带动多个气缸1510进行转动，当所吸附固定的鸡蛋转动经过视觉传感器1516照射后，从而实现了对所吸附固定的鸡蛋进行了检测区分，此时视觉传感器1516通过信号传递给控制器1514，使得控制器1514再将信号传递给所吸附固定鸡蛋上的无线单向阀1513，从而有效可以对检测后的鸡蛋进行区分下料，乌鸡蛋可以通过圆盘1508转至第一下料架16的上方进行下料，普通鸡蛋可以通过圆盘1508转至第二下料架17的上方进行下料。
视觉传感器1516和控制器1514相连接，然后通过通信模块将分析数据交互传输到远端电脑，实现乌鸡蛋和普通鸡蛋远程检测区分，首先通过改进的支持向量机算法分类和分辨乌鸡蛋和普通鸡蛋，这将使系统能够在不同光照条件下获取鸡蛋的数量、大小、形状、颜色数据；然后对分类好的鸡蛋通过卷积神经网络检测到破损、受污染或有异常的鸡蛋，并将其分离出来，以确保产品质量，具体过程为：
步骤1，收集两方面数据，第一组收集数据：收集大量关于乌鸡蛋和普通鸡蛋的图像数据，这些数据应该包括不同光照条件下、不同颜色、大小和不同角度的鸡蛋图像；第二组收集数据：收集正常和异常鸡蛋的样本，包括破损鸡蛋、受污染鸡蛋、异常形状鸡蛋以及颜色异常鸡蛋；
第一步：
获取大量鸡蛋数据，包括乌鸡蛋和普通鸡蛋。
记录每个鸡蛋的数量。
测量每个鸡蛋的大小，包括长度和宽度。
记录每个鸡蛋的形状特征，如椭圆形或圆形。
获取每个鸡蛋的颜色信息，包括外壳颜色。
第二步：
获取破损鸡蛋：检测鸡蛋壳上的裂纹、碎片或明显的破损区域，通过图像分析来识别；
获取受污染鸡蛋：鸡蛋表面有明显的污渍、异物或杂质，通过颜色和纹理分析来实现；
获取异常形状鸡蛋：检测到形状异常的鸡蛋，包括变形或不规则的形状，这需要检测鸡蛋的轮廓和形状；
获取颜色异常鸡蛋：检测到颜色异常的鸡蛋，包括过度变色或斑点，通过颜色分析来实现；
步骤2，对采集的图像数据进行预处理，包括裁剪、调整大小、去除噪声；
步骤3，从处理后的图像数据中提取特征，这些特征包括两组，第一组特征包括数量、大小、形状、颜色特征；第二组特征：提取鸡蛋的颜色、纹理和形状特征；
步骤4，为每个图像标记所属的类别，分为两类，第一类标签为：乌鸡蛋或普通鸡蛋，第二类标签为：将异常鸡蛋的标签分配为“异常”，正常鸡蛋的标签分配为“正常”；
步骤5，将标记好的数据集分两个阶段训练：
第一个阶段：第一组收集数据和第一组特征用于训练SVM分类器，得到第一类标签，SVM的目标是找到一个最佳的决策边界，以将不同类别的鸡蛋分开，SVM会找到最大间隔的分离超平面，以确保在新数据上有更好的泛化能力；
SVM模型的目标函数如下：
约束条件为：
yi(w·xi+b)≥1，对于所有的i
现在，我们将引入非线性核函数K(xi，xj)，将特征映射到高维空间，以处理非线性分类问题。新的目标函数为：
约束条件变成：
yi(w·Φ(xi)+b)≥1-ξi，ξi≥0，对于所有的i，在这里，Φ(·)表示将输入特征xi映射到高维空间。现在，我们需要最小化目标函数，同时确保约束条件成立。
为了简化目标函数，可以引入拉格朗日乘子αi和βi，得到拉格朗日函数如下：
其中，αi和βi是非负拉格朗日乘子；
接下来，需要对L(w，b，ξi，αi，βi)分别对w，b，ξi求偏导，并令它们等于零，以求解最优的w，b和ξi。这将涉及一系列微分和代数运算，通常需要使用拉格朗日对偶问题来求解。
这种改进的SVM模型允许处理更复杂的鸡蛋检测问题，因为非线性核函数可以将数据映射到更高维的空间，使其更具创新性，以适应各种不同的检测场景，同时，非线性SVM的应用也需要充分的训练和测试数据，以确保其性能和可靠性；
上面的公式符号含义解释为：
w：特征权重向量，表示分类超平面的法向量；
b：特征权重向量，表示分类超平面的法向量，偏差(或截距)；
C：正则化参数，用于权衡间隔最大化和错误分类点之间的权重，控制了模型的复杂度，较大的C值会减小松弛变量(ξi)的权重，使分类更加严格；
ξi：松弛变量，用于允许一些样本不满足严格的约束条件，它测量每个样本点与分类超平面的距离，以及其是否被正确分类，ξi的值可以是零或正数，取决于点的位置相对于分类超平面；
yi：样本的类别标签，通常为+1或一1，表示乌鸡蛋或普通鸡蛋；
第二个阶段：第二组收集数据和第二组特征用于训练CNN模型，得到第二类标签；
假设有一组包含鸡蛋数据的图像数据集，其中每个图像有相应的标签，标明鸡蛋是否为“正常”或“异常”。
a.输入数据：训练数据集包含N张图像，每张图像表示为Xi，并有相应的标签Yi(i＝1，2，...，N)，其中Y可以是0(正常鸡蛋)或1(异常鸡蛋)。
b.CNN模型的输出：模型的输出是一个二元分类结果，表示图像Xi；属于“正常”或“异常″”的概率，通常用P(Yi＝1|Xi)表示。这个输出是通过模型的前向传播得到的，使用softmax激活函数进行分类。
c.损失函数：使用交叉熵损失函数来衡量模型的性能，损失函数的表达式如下：
输入层：图像大小为128x128像素，3个通道(RGB颜色图像)。
CNN结构为：
卷积层1：32个卷积核，大小为3x3，使用ReLU激活函数。步幅(stride)为1，不使用填充(padding)。
池化层1：最大池化，大小为2x2。
卷积层2：64个卷积核，大小为3x3，使用ReLU激活函数。步幅为1，不使用填充。
池化层2：最大池化，大小为2x2。
全连接层1：128个神经元，使用ReLU激活函数。
全连接层2：2个神经元，使用softmax激活函数，表示“正常”和“异常”类别的概率。
d.模型训练：
损失函数：交叉熵损失函数；
优化算法：随机梯度下降；
学习率：0.001；
批处理大小：32；
训练周期(epochs)：50；
e.模型评估：
使用测试数据集评估模型的性能；
准确度(Accuracy)：85％(示例值，实际性能可能有所不同)。
f.应用示例：
当装置检测到鸡蛋图像时，将图像输入到训练好的CNN模型中。
模型输出一个概率分布，例如[0.75，0.25]，表示“正常”和“异常”类别的概率。可以根据阈值(例如0.5)将其分类为“正常”或“异常”鸡蛋。

Claims (11)

1.一种乌鸡蛋和普通鸡蛋物联网智能化检测区分装置，包括上料架(1)，其特征在于：所述上料架(1)的一侧安装有两个第一固定壳(2)，两个所述第一固定壳(2)的底部均固定连接有两个第一支撑杆(3)，两个所述第一固定壳(2)之间安装有输送机构(4)，所述输送机构(4)的顶部一侧安装有驱动机构(5)；
所述输送机构(4)的顶部另一侧安装有清洗机构(6)，所述输送机构(4)的顶部靠近清洗机构(6)的一侧位置安装有吹干机构(7)，两个所述第一固定壳(2)内壁之间的底部固定连接有排水漏斗(8)；
所述输送机构(4)的一侧安装有第一排料架(9)，所述第一排料架(9)的底部安装有传送机构(10)，所述传送机构(10)的底部固定连接有支撑架(11)，所述传送机构(10)的前端安装有第二排料架(12)，所述支撑架(11)的顶部靠近第二排料架(12)的前端位置固定连接有接料座(13)，所述接料座(13)的顶部开设有第二弧形凹槽(14)；
所述支撑架(11)的顶部前端安装有检测区分机构(15)，所述支撑架(11)的顶部靠近检测区分机构(15)的前端位置固定连接有第一下料架(16)，所述支撑架(11)的顶部靠近检测区分机构(15)的一侧位置固定连接有第二下料架(17)。
2.根据权利要求1所述的一种乌鸡蛋和普通鸡蛋物联网智能化检测区分装置，其特征在于：所述上料架(1)前后端外壁的一侧分别与两个第一固定壳(2)的内壁固定连接。
3.根据权利要求1所述的一种乌鸡蛋和普通鸡蛋物联网智能化检测区分装置，其特征在于：所述输送机构(4)包括多个第一轴承(401)，多个所述第一轴承(401)分别固定连接于两个第一固定壳(2)的外壁，每两个所述第一轴承(401)之间固定连接有连接轴(402)，多个所述第一轴承(401)的外壁均固定连接有链轮(403)，每两个所述链轮(403)之间均安装有链条(404)，两个所述链条(404)之间固定连接有多个输送杆(405)。
4.根据权利要求1所述的一种乌鸡蛋和普通鸡蛋物联网智能化检测区分装置，其特征在于：所述驱动机构(5)包括第一安装架(501)，所述第一安装架(501)固定连接于其中一个第一固定壳(2)的顶部一侧，所述第一安装架(501)的顶部安装有第一伺服电机(502)，所述第一伺服电机(502)输出轴的外壁固定连接有第一同步轮(503)，其中一个所述连接轴(402)的外壁后端固定连接有第二同步轮(504)，所述第一同步轮(503)和第二同步轮(504)之间安装有第一同步带(505)。
5.根据权利要求1所述的一种乌鸡蛋和普通鸡蛋物联网智能化检测区分装置，其特征在于：所述清洗机构(6)包括第一固定框(601)，所述第一固定框(601)固定连接于两个第一固定壳(2)的顶部另一侧位置，所述第一固定框(601)的顶部安装有水箱(602)，所述水箱(602)的后端一侧顶部安装有进水管(603)，所述水箱(602)的底部另一侧固定连接有第二安装架(604)，所述第二安装架(604)的底部安装有水泵(605)，所述水泵(605)的一侧顶部与水箱(602)之间固定连接有第一连接管(606)，所述水泵(605)的一侧底部固定连接有第二连接管(607)，所述第二连接管(607)的底端安装有喷水座(608)，所述喷水座(608)的底部安装有多个喷水头(609)。
6.根据权利要求1所述的一种乌鸡蛋和普通鸡蛋物联网智能化检测区分装置，其特征在于：所述吹干机构(7)包括第二固定框(701)，所述第二固定框(701)固定连接于两个第一固定壳(2)的顶部中心，所述第二固定框(701)的顶部安装有多个机壳(702)，多个所述机壳(702)内均安装有风机(703)。
7.根据权利要求1所述的一种乌鸡蛋和普通鸡蛋物联网智能化检测区分装置，其特征在于：所述传送机构(10)包括两个第二固定壳(1001)，两个所述第二固定壳(1001)的底部均固定连接有两个第二支撑杆(1002)，两个所述第二固定壳(1001)的顶部均固定连接有挡条(1003)，两个所述第二固定壳(1001)的外壁均固定连接有多个第二轴承(1004)，每两个所述第二轴承(1004)之间均固定连接有转轴(1005)，多个所述转轴(1005)的外壁均固定连接有皮带轮(1006)，所述支撑架(11)的顶部一侧固定连接有第三安装架(1007)，所述第三安装架(1007)的顶部安装有第二伺服电机(1008)，所述第二伺服电机(1008)输出轴的外壁固定连接有第三同步轮(1009)，其中一个所述转轴(1005)的外壁一端固定连接有第四同步轮(1010)，所述第三同步轮(1009)和第四同步轮(1010)之间安装有第二同步带(1011)，多个所述皮带轮(1006)之间安装有皮带(1012)，所述皮带(1012)的外壁开设有多个第一弧形凹槽(1013)。
8.根据权利要求7所述的一种乌鸡蛋和普通鸡蛋物联网智能化检测区分装置，其特征在于：所述第一排料架(9)前后端外壁的另一侧分别与两个第一固定壳(2)的内壁固定连接，所述第一排料架(9)的底部一侧固定连接于其中一个挡条(1003)的顶部。
9.根据权利要求1所述的一种乌鸡蛋和普通鸡蛋物联网智能化检测区分装置，其特征在于：所述检测区分机构(15)包括固定套(1501)，所述固定套(1501)固定连接于支撑架(11)的顶部前端，所述固定套(1501)的顶部转动连接有支撑柱(1502)，所述支撑架(11)的顶部靠近固定套(1501)的一侧位置固定连接有环形固定架(1503)，所述环形固定架(1503)的顶部安装有第三伺服电机(1504)，所述第三伺服电机(1504)输出轴的外壁固定连接有第五同步轮(1505)，所述支撑柱(1502)的外壁固定连接有第六同步轮(1506)，所述第五同步轮(1505)和第六同步轮(1506)之间安装有第三同步带(1507)，所述支撑柱(1502)的顶部固定连接有圆盘(1508)，所述圆盘(1508)的顶部固定连接有多个安装座(1509)，多个所述安装座(1509)的顶部均安装有气缸(1510)，多个所述气缸(1510)活塞的底端均固定连接有伸缩管(1511)，多个所述伸缩管(1511)的底部均安装有吸套(1512)，多个所述吸套(1512)的顶部一侧均安装有无线单向阀(1513)，所述支撑架(11)的顶部靠近固定套(1501)的后端位置安装有控制器(1514)和通信模块，所述支撑架(11)的顶部靠近固定套(1501)的另一侧位置固定连接有支撑板(1515)，所述支撑板(1515)的另一侧安装有视觉传感器(1516)，所述圆盘(1508)的顶部安装有防尘壳(1517)，所述视觉传感器(1516)和控制器相连接，然后通过通信模块将分析数据交互传输到远端电脑，实现乌鸡蛋和普通鸡蛋远程检测区分。
10.根据权利要求9所述的一种乌鸡蛋和普通鸡蛋物联网智能化检测区分装置，其特征在于：多个所述安装座(1509)、多个气缸(1510)、多个伸缩管(1511)、多个吸套(1512)和多个无线单向阀(1513)均环形分布于圆盘(1508)的顶部，多个所述气缸(1510)的活塞均贯穿圆盘(1508)的顶部。
11.一种乌鸡蛋和普通鸡蛋物联网智能化检测区分方法，其特征在于，包括以下步骤：
步骤A，通过上料架1对多个乌鸡蛋和普通鸡蛋进行上料，多个乌鸡蛋和普通鸡蛋输送到多个输送杆(405)上时，第一伺服电机(502)便开始工作，其输出轴会通过第一同步轮(503)和第一同步带(505)驱动第二同步轮(504)同步转动，第一同步带(505)在转动时会带动两个连接轴(402)上的两个链轮(403)进行转动，多个链轮(403)转动分别带动两个链条(404)进行转动，使得两个链条(404)转动带动多个输送杆(405)进行移动，从而实现了对多个输送杆(405)上的多个乌鸡蛋和普通鸡蛋进行传送；
步骤B，当多个乌鸡蛋和普通鸡蛋通过多个输送杆(405)输送到多个喷水头(609)的下方位置时，此时水泵(605)开始工作，水泵(605)通过第一连接管(606)对水箱(602)进行抽水，通过第二连接管(607)输送到喷水座(608)内，喷水座(608)从而将抽取的水通过多个喷水头(609)向其底部进行喷洒，从而实行了对多个乌鸡蛋和普通鸡蛋的外壁进行了清洗，清洗后的多个乌鸡蛋和普通鸡蛋通过多个输送杆(405)输送到多个风机(703)的下方时，此时多个风机(703)均开始工作，从而对多个乌鸡蛋和普通鸡蛋其外部的水进行送风吹干；
步骤C，清洁后的多个乌鸡蛋和普通鸡蛋会通过第一排料架(9一侧的排料口一个个输送到皮带(1012)上，使得皮带(1012)上多个第一弧形凹槽(1013)分别对多个乌鸡蛋和普通鸡蛋进行了支撑，此时第二伺服电机(1008)便开始工作，其输出会通过第三同步轮(1009)和第二同步带(1011)驱动第四同步轮(1010)同步转动，第四同步轮(1010)在转动的过程中会带动与其相连接的转轴(1005)进行转动，使得转轴(1005)转动带动与其相连接的皮带轮(1006)进行转动，皮带轮(1006)从而带动皮带(1012)进行转动，从而实行了对皮带(1012)上的多个乌鸡蛋和普通鸡蛋进行传送；
步骤D，当乌鸡蛋或普通鸡蛋通过皮带(1012)和第二排料架(12)传送到接料座(13)上时，此时位于接料座(13)上方的气缸(1510)开始工作，气缸(1510)通过活塞进行推动带动吸套(1512向下移动，吸套(1512)通过无线单向阀(1513)对接料座(13)上的鸡蛋进行了吸附固定，气缸(1510)再将活塞进行回收，与此同时第三伺服电机(1504)开始工作，其输出轴会通过第五同步轮(1505)和第三同步带(1507)驱动第六同步轮(1506)同步转动，从而带动支撑柱(1502)进行转动，使得支撑柱(1502)转动带动圆盘(1508)进行转动，使得圆盘(1508)转动带动多个气缸(1510)进行转动，当所吸附固定的鸡蛋转动经过视觉传感器(1516)照射后，从而实现了对所吸附固定的鸡蛋进行了检测区分，此时视觉传感器(1516)通过信号传递给控制器(1514)，使得控制器(1514)再将信号传递给所吸附固定鸡蛋上的无线单向阀(1513)，从而有效可以对检测后的鸡蛋进行区分下料，乌鸡蛋可以通过圆盘(1508)转至第一下料架(16)的上方进行下料，普通鸡蛋可以通过圆盘(1508)转至第二下料架(17)的上方进行下料；
步骤D中，所述视觉传感器(1516)和控制器(1514)相连接，然后通过通信模块将分析数据交互传输到远端电脑，实现乌鸡蛋和普通鸡蛋远程检测区分，首先通过改进的支持向量机算法分类和分辨乌鸡蛋和普通鸡蛋，这将使系统能够在不同光照条件下获取鸡蛋的数量、大小、形状、颜色数据；然后对分类好的鸡蛋通过卷积神经网络检测到破损、受污染或有异常的鸡蛋，并将其分离出来，以确保产品质量，具体过程为：
步骤1，收集两方面数据，第一组收集数据：收集大量关于乌鸡蛋和普通鸡蛋的图像数据，这些数据应该包括不同光照条件下、不同颜色、大小和不同角度的鸡蛋图像；第二组收集数据：收集正常和异常鸡蛋的样本，包括破损鸡蛋、受污染鸡蛋、异常形状鸡蛋以及颜色异常鸡蛋；
第一步：
获取大量鸡蛋数据，包括乌鸡蛋和普通鸡蛋；
记录每个鸡蛋的数量；
测量每个鸡蛋的大小，包括长度和宽度；
记录每个鸡蛋的形状特征，如椭圆形或圆形；
获取每个鸡蛋的颜色信息，包括外壳颜色；
第二步：
获取破损鸡蛋：检测鸡蛋壳上的裂纹、碎片或明显的破损区域，通过图像分析来识别；
获取受污染鸡蛋：鸡蛋表面有明显的污渍、异物或杂质，通过颜色和纹理分析来实现；
获取异常形状鸡蛋：检测到形状异常的鸡蛋，包括变形或不规则的形状，这需要检测鸡蛋的轮廓和形状；
获取颜色异常鸡蛋：检测到颜色异常的鸡蛋，包括过度变色或斑点，通过颜色分析来实现；
步骤2，对采集的图像数据进行预处理，包括裁剪、调整大小、去除噪声；
步骤3，从处理后的图像数据中提取特征，这些特征包括两组，第一组特征包括数量、大小、形状、颜色特征；第二组特征：提取鸡蛋的颜色、纹理和形状特征；
步骤4，为每个图像标记所属的类别，分为两类，第一类标签为：乌鸡蛋或普通鸡蛋，第二类标签为：将异常鸡蛋的标签分配为“异常”，正常鸡蛋的标签分配为“正常”；
步骤5，将标记好的数据集分两个阶段训练：
第一个阶段：第一组收集数据和第一组特征用于训练SVM分类器，得到第一类标签，SVM的目标是找到一个最佳的决策边界，以将不同类别的鸡蛋分开，SVM会找到最大间隔的分离超平面，以确保在新数据上有更好的泛化能力；
SVM模型的目标函数如下：
约束条件为：
yi(w·xi+b)≥1，对于所有的i，将引入非线性核函数K(xi，xj)，将特征映射到高维空间，以处理非线性分类问题，新的目标函数为：
约束条件变成：
yi(w·Φ(xi)+b)≥1-ξi，ξi≥0，对于所有的i，在这里，Φ(·)表示将输入特征xi映射到高维空间。现在，需要最小化目标函数，同时确保约束条件成立；
为了简化目标函数，可以引入拉格朗日乘子αi和βi，得到拉格朗日函数如下：
其中，αi和βi是非负拉格朗日乘子；
接下来，需要对L(w，b，ξi，αi，βi)分别对w，b，ξi求偏导，并令它们等于零，以求解最优的w，b和ξi，这将涉及一系列微分和代数运算，通常需要使用拉格朗日对偶问题来求解；
上面的公式符号含义解释为：
w：特征权重向量，表示分类超平面的法向量；
b：特征权重向量，表示分类超平面的法向量，偏差(或截距)；
C：正则化参数，用于权衡间隔最大化和错误分类点之间的权重，控制了模型的复杂度，较大的C值会减小松弛变量(ξi)的权重，使分类更加严格；
ξi：松弛变量，用于允许一些样本不满足严格的约束条件，它测量每个样本点与分类超平面的距离，以及其是否被正确分类，ξi的值可以是零或正数，取决于点的位置相对于分类超平面；
yi：样本的类别标签，通常为+1或-1，表示乌鸡蛋或普通鸡蛋；
第二个阶段：第二组收集数据和第二组特征用于训练CNN模型，得到第二类标签；
假设有一组包含鸡蛋数据的图像数据集，其中每个图像有相应的标签，标明鸡蛋是否为“正常”或“异常”；
a.输入数据：训练数据集包含N张图像，每张图像表示为Xi，并有相应的标签Yi(i＝1，2，...，N)，其中Y可以是O(正常鸡蛋)或1(异常鸡蛋)；
b.CNN模型的输出：模型的输出是一个二元分类结果，表示图像Xi；属于“正常”或“异常″”的概率，通常用P(Yi＝1|Xi)表示，这个输出是通过模型的前向传播得到的，使用softmax激活函数进行分类；
c.损失函数：使用交叉熵损失函数来衡量模型的性能，损失函数的表达式如下：
输入层：图像大小为128x128像素，3个通道(RGB颜色图像)；
CNN结构为：
卷积层1：32个卷积核，大小为3x3，使用ReLU激活函数，步幅(stride)为1，不使用填充(padding)。
池化层1：最大池化，大小为2x2；
卷积层2：64个卷积核，大小为3x3，使用ReLU激活函数。步幅为1，不使用填充；
池化层2：最大池化，大小为2x2；
全连接层1：128个神经元，使用ReLU激活函数；
全连接层2：2个神经元，使用softmax激活函数，表示“正常”和“异常”类别的概率；
d.模型训练：
损失函数：交叉熵损失函数；
优化算法：随机梯度下降；
学习率：0.001；
批处理大小：32；
训练周期(epochs)：50；
当装置检测到鸡蛋图像时，将图像输入到训练好的CNN模型中，模型输出一个概率分布，表示“正常”和“异常”类别的概率，可以根据阈值将其分类为“正常”或“异常”鸡蛋。
CN202311545512.1A 2023-11-17 2023-11-17 一种乌鸡蛋和普通鸡蛋物联网智能化检测区分装置及方法 Pending CN117546800A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311545512.1A CN117546800A (zh) 2023-11-17 2023-11-17 一种乌鸡蛋和普通鸡蛋物联网智能化检测区分装置及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311545512.1A CN117546800A (zh) 2023-11-17 2023-11-17 一种乌鸡蛋和普通鸡蛋物联网智能化检测区分装置及方法

Publications (1)

Publication Number Publication Date
CN117546800A true CN117546800A (zh) 2024-02-13

Family

ID=89810540

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311545512.1A Pending CN117546800A (zh) 2023-11-17 2023-11-17 一种乌鸡蛋和普通鸡蛋物联网智能化检测区分装置及方法

Country Status (1)

Country Link
CN (1) CN117546800A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117730655A (zh) * 2024-02-20 2024-03-22 云南省农业科学院质量标准与检测技术研究所 水稻种子活力定量分析方法、装置、设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001178297A (ja) * 1999-12-27 2001-07-03 Naberu:Kk 鶏卵の選別、処理方法及びその装置
JP2006051017A (ja) * 2004-06-11 2006-02-23 Naberu:Kk 鶏卵の選別包装装置並びに該選別包装装置により選別包装された容器詰め鶏卵
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
CN111136027A (zh) * 2020-01-14 2020-05-12 广东技术师范大学 一种基于卷积神经网络的咸鸭蛋品质分检装置及方法
CN113012244A (zh) * 2021-03-02 2021-06-22 浙江师范大学 基于Inception模块与Attention机制的鸡蛋新鲜度检测方法
CN114342838A (zh) * 2022-01-08 2022-04-15 河北农业大学 基于深度学习或图像识别鸡蛋暗斑检测与自动分级系统
CN114642183A (zh) * 2022-03-08 2022-06-21 麻阳蓝凤凰农业发展有限公司 一种具有筛选功能的受精蛋检测装置
CN116616215A (zh) * 2023-06-29 2023-08-22 灵璧县唯农牧业有限责任公司 一种全自动化鸡蛋收集、检测、分级一体化装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001178297A (ja) * 1999-12-27 2001-07-03 Naberu:Kk 鶏卵の選別、処理方法及びその装置
JP2006051017A (ja) * 2004-06-11 2006-02-23 Naberu:Kk 鶏卵の選別包装装置並びに該選別包装装置により選別包装された容器詰め鶏卵
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
CN111136027A (zh) * 2020-01-14 2020-05-12 广东技术师范大学 一种基于卷积神经网络的咸鸭蛋品质分检装置及方法
CN113012244A (zh) * 2021-03-02 2021-06-22 浙江师范大学 基于Inception模块与Attention机制的鸡蛋新鲜度检测方法
CN114342838A (zh) * 2022-01-08 2022-04-15 河北农业大学 基于深度学习或图像识别鸡蛋暗斑检测与自动分级系统
CN114642183A (zh) * 2022-03-08 2022-06-21 麻阳蓝凤凰农业发展有限公司 一种具有筛选功能的受精蛋检测装置
CN116616215A (zh) * 2023-06-29 2023-08-22 灵璧县唯农牧业有限责任公司 一种全自动化鸡蛋收集、检测、分级一体化装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117730655A (zh) * 2024-02-20 2024-03-22 云南省农业科学院质量标准与检测技术研究所 水稻种子活力定量分析方法、装置、设备及存储介质
CN117730655B (zh) * 2024-02-20 2024-05-14 云南省农业科学院质量标准与检测技术研究所 水稻种子活力定量分析方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
Siedliska et al. Detection of fungal infections in strawberry fruit by VNIR/SWIR hyperspectral imaging
CN117546800A (zh) 一种乌鸡蛋和普通鸡蛋物联网智能化检测区分装置及方法
CN106872465B (zh) 基于机器视觉的禽类受精蛋检测筛选装置
CN101486033B (zh) 一种小果型果品分检装置及板栗分检方法
CN111134047A (zh) 笼养蛋鸡的蛋鸡区位产蛋性能监测方法与系统
Pearson et al. Detection of corn kernels infected by fungi
US5751833A (en) Apparatus and method for inspecting articles such as agricultural produce
US5732147A (en) Defective object inspection and separation system using image analysis and curvature transformation
CN106442561B (zh) 用于检测柑橘表皮缺陷的在线图像采集系统及方法
CN111136027B (zh) 一种基于卷积神经网络的咸鸭蛋品质分检装置及方法
CN107952696A (zh) 一种适用于鲜烟叶的检测分级装置及检测方法
CN106370667A (zh) 一种玉米籽粒品质视觉检测装置及方法
CN1868610A (zh) 小型可移动式水果及禽蛋智能分级装置
CN112452801A (zh) 一种高效率的玻璃瓶缺陷在线检测装置及其工作方法
CN1485616A (zh) 禽蛋品质无损自动检测分级设备及方法
Saini et al. Analysis of wheat grain varieties using image processing–a review
CN112950602B (zh) 基于深度相机与机器学习的糖果缺陷检测装置及分类方法
CN115672779A (zh) 一种基于深度学习的鸡蛋缺陷检测分拣装置
JP2002205019A (ja) 自動選別装置
CN114522900A (zh) 一种莲子去心加工疵品分选装置及分选方法
Song et al. Design and experiment of a sorting system for haploid maize kernel
CN113661828B (zh) 一种基于机器视觉的可分类西瓜收获运输机
Tao et al. Detection of splenomegaly in poultry carcasses by UV and color imaging
CN210809217U (zh) 一种青梅分选生产线
Thong et al. Mango sorting mechanical system uses machine vision and artificial intelligence

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