TW202117305A - 驗蛋裝置、驗蛋程式及驗蛋方法 - Google Patents
驗蛋裝置、驗蛋程式及驗蛋方法 Download PDFInfo
- Publication number
- TW202117305A TW202117305A TW109121784A TW109121784A TW202117305A TW 202117305 A TW202117305 A TW 202117305A TW 109121784 A TW109121784 A TW 109121784A TW 109121784 A TW109121784 A TW 109121784A TW 202117305 A TW202117305 A TW 202117305A
- Authority
- TW
- Taiwan
- Prior art keywords
- egg
- factor
- bad
- inspection target
- eggs
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/02—Food
- G01N33/08—Eggs, e.g. by candling
- G01N33/085—Eggs, e.g. by candling by candling
-
- 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
- G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
-
- 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
- G01N21/88—Investigating the presence of flaws or contamination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本發明課題在於提供一種能依高精度特定不良蛋之不良因素的驗蛋裝置、驗蛋程式、及驗蛋方法。
本發明的解決手段具備有:第1辨別手段32,其使用以蛋影像作為教導資料而預先製成的第1學習完畢模型,來辨別蛋是否有第1不良因素;第2辨別手段32,其使用以蛋影像作為教導資料而預先製成、且與第1學習完畢模型不同的第2學習完畢模型,來辨別蛋是否具有與第1不良因素不同之第2不良因素;拍攝手段10,20,其將光照射至檢查對象蛋,而拍攝檢查對象蛋的影像;及控制手段32;上述控制手段係根據上述檢查對象蛋的影像,使上述第1辨別手段及/或上述第2辨別手段辨別檢查對象蛋的不良因素,藉此辨別檢查對象蛋是否有不良因素,當檢查對象蛋具有不良因素的情況,則辨別該不良因素。
Description
本發明係關於驗蛋裝置、驗蛋程式及驗蛋方法。
習知,已知有一種技術,其將光照射至受精蛋,拍攝蛋內部透光狀態的影像,從所拍攝的影像擷取檢查區域,測量該檢查區域內的血管資訊,根據達一定粗度以上之血管的總血管長,自動判定正常蛋(參照專利文獻1)。
[先前技術文獻]
[專利文獻]
[專利文獻1]日本專利3998184號
(發明所欲解決之問題)
習知技術中,雖可判定檢查對象蛋係屬於正常蛋或不良蛋,但當屬於不良蛋時,會有無法依高精度特定至不良因素的問題。近年,有藉由驗證不良因素,而活用於改善雞、蛋的飼養條件、以及疫苗生產條件的需求,並渴求能依高精度特定不良因素的技術。
本發明目的在於提供一種能依高精度特定不良蛋之不良因素的驗蛋裝置、驗蛋程式、及驗蛋方法。
(解決問題之技術手段)
本發明的驗蛋裝置係具備有:第1辨別手段,其使用以蛋影像作為教導資料而預先製成的第1學習完畢模型,來辨別蛋是否有第1不良因素;第2辨別手段,其使用以蛋影像作為教導資料而預先製成、且與上述第1學習完畢模型不同的第2學習完畢模型,來辨別蛋是否具有與上述第1不良因素不同之第2不良因素;拍攝手段,其將光照射至檢查對象蛋,而拍攝檢查對象蛋的影像;及控制手段;上述控制手段係根據上述檢查對象蛋的影像,使上述第1辨別手段與上述第2辨別手段辨別上述檢查對象蛋的不良因素,藉此辨別上述檢查對象蛋是否有不良因素,當上述檢查對象蛋具有不良因素的情況,則辨別該不良因素。上述驗蛋裝置中,可構成為,上述控制手段根據上述檢查對象蛋的影像,使上述第1辨別手段辨別上述檢查對象蛋是否有上述第1不良因素,當上述檢查對象蛋沒有上述第1不良因素的情況,則使上述第2辨別手段辨別上述檢查對象蛋是否有上述第2不良因素。上述驗蛋裝置中,可構成為,上述控制手段根據上述檢查對象蛋的影像,使上述第1辨別手段辨別上述檢查對象蛋是否有上述第1不良因素,不管上述檢查對象蛋是否有上述第1不良因素,均使上述第2辨別手段辨別上述檢查對象蛋是否有上述第2不良因素。上述驗蛋裝置中,可構成為,上述第1辨別手段辨別根據蛋之血管狀態的不良因素而作為上述第1不良因素,上述第2辨別手段辨別根據氣室狀態、發育狀態、及有無裂痕中之任1項的不良因素而作為上述第2不良因素。上述驗蛋裝置中,可構成為,更進一步具備有第3辨別手段,該第3辨別手段係使用以蛋影像作為教導資料而預先製成、且與上述第1學習完畢模型及上述第2學習完畢模型不同的第3學習完畢模型,來辨別是否具有與上述第1不良因素及上述第2不良因素不同的第3不良因素。上述驗蛋裝置中,可構成為,更進一步具備有第4辨別手段,該第4辨別手段係使用以蛋影像作為教導資料而預先製成、且與上述第1學習完畢模型、上述第2學習完畢模型及上述第3學習完畢模型不同的第4學習完畢模型,來辨別是否具有與上述第1不良因素、上述第2不良因素及上述第3不良因素不同的第4不良因素。上述驗蛋裝置中,可構成為,上述第1不良因素、上述第2不良因素、上述第3不良因素、及上述第4不良因素分別係根據血管狀態、氣室狀態、發育狀態、及有無裂痕的不良因素。上述驗蛋裝置中,可構成為,更進一步具備有第5辨別手段,該第5辨別手段係使用以蛋影像作為教導資料而預先製成的第5學習完畢模型,來辨別正常蛋。上述驗蛋裝置中,可構成為,上述檢查對象蛋係供作疫苗製造的蛋。上述驗蛋裝置中,可構成為,具有對每個不良因素之發生頻率進行統計的功能。本發明的驗蛋程式係使電腦執行下述處理:對檢查對象蛋照射光而取得上述檢查對象蛋的影像,使用以蛋影像作為教導資料而預先製成的第1學習完畢模型,來辨別上述檢查對象蛋是否有第1不良因素,使用以蛋影像作為教導資料而預先製成、且與上述第1學習完畢模型不同的第2學習完畢模型,來辨別上述檢查對象蛋是否具有與上述第1不良因素不同的第2不良因素,藉此辨別上述檢查對象蛋是否具有不良因素,當上述檢查對象蛋具有不良因素時,則辨別該不良因素。本發明的驗蛋方法係使用電腦,對檢查對象蛋照射光而取得上述檢查對象蛋的影像,使用以蛋影像作為教導資料而預先製成的第1學習完畢模型,來辨別上述檢查對象蛋是否有第1不良因素,使用以蛋影像作為教導資料而預先製成、且與上述第1學習完畢模型不同的第2學習完畢模型,來辨別上述檢查對象蛋是否具有與上述第1不良因素不同的第2不良因素,藉此辨別上述檢查對象蛋是否具有不良因素,當上述檢查對象蛋具有不良因素時,則辨別該不良因素。
(對照先前技術之功效)
根據本發明,並非一次便辨別檢查對象蛋的不良因素,而是藉由分別使用第1學習完畢模型、及與該第1學習完畢模型不同的第2學習完畢模型,辨別檢查對象蛋的不良因素,而可不僅辨別檢查對象蛋是否有不良因素,且當檢查對象蛋具有不良因素時,亦可依高精度特定該不良因素。
以下,針對本發明的實施形態,根據圖式進行說明。本發明係關於用以檢查供作疫苗等之製造的雞蛋(受精蛋)之驗蛋裝置、驗蛋程式、及驗蛋方法的發明。本發明中,作為檢查對象的蛋係雞等的受精蛋,蛋表面顏色係白・褐色等均可。無關流感等之病毒的種類、其他藥物等之注入物的種類、該等有無注入,於隨著成長而胚胎血管會在蛋內部廣泛分佈的受精蛋中,非破壞性地檢查其生死及發育狀況時,本發明便具有頗大的技術性意義。
《第1實施形態》
圖1係說明十數日齡的正常受精蛋之一般構造的圖。發育雞蛋的外部構造係被稱為蛋殼的殼覆蓋。緊接著,於其內側有蛋殼膜,使用蛋殼與蛋殼膜進行與內部間的氧交換。緊鄰蛋殼的內側有粗血管。例如發育雞蛋的內部構造係蛋前端部具有空氣層即氣室,中央部有被已裝入羊水的羊膜所包圍之胚胎。在胚胎與氣室之間具有被漿尿膜包圍的漿尿膜腔。當十數日齡正常成長的受精蛋時,漿尿膜腔為一定大小,在漿尿膜中血管廣泛地分佈。
圖2係顯示十數日齡正常蛋的拍攝影像一例。圖2所示之例中,藉由在暗室下僅對蛋照射光,而可依蛋內部透光之狀態來拍攝蛋(圖3亦同樣)。於十數日齡正常成長的受精蛋時,可發現如下特徵:漿尿膜腔成為一定大小、胚胎存在於蛋中央部附近、在漿尿膜中血管廣泛地分佈、氣室與漿尿膜腔的色澤(對比)明顯不同、在蛋殼膜內、漿尿膜及漿尿膜腔並沒有發現出血、在蛋上部存在一定大小的氣室等。
相對於此,於不良蛋的情況,依每個不良因素,而會發現下述所說明的特徵。另外,圖3及圖4係顯示依照與圖2同樣方法拍攝不良蛋的拍攝影像之一例的圖。
(1)無精蛋
無精蛋係如圖3(A)所示,沒有出現血管,且亦不存在胚胎。所以,出現全體的色澤差變小(對比降低)的特徵。
(2)中止蛋(死蛋)
中止蛋係如圖3(B)所示,相較於正常蛋,血管分佈明顯變窄且變少。又,現如下特徵;有分佈的血管明顯變細、顏色變淡、氣室與漿尿膜腔之邊界附近的色澤差小之情況,且有在蛋殼膜內、漿尿膜上及漿尿膜腔發現出血之情況等。
(3)發育不良蛋
發育不良蛋係如圖3(C)所示,出現漿尿膜上的血管分佈明顯變窄且變少、分佈的血管明顯變細、顏色變淡等特徵。
(4)氣室不良蛋
氣室不良蛋係如圖3(D)所示,相較於正常蛋,出現氣室變形(氣室傾斜)、氣室與漿尿膜之邊界未呈平滑曲線等特徵。
(5)顛倒蛋
顛倒蛋係將檢查對象蛋放置於專用托盤時,呈現蛋顛倒(鈍端(氣室側的前端)與尖端顛倒)放置的蛋,如圖3(E)所示,出現沒有看到氣室的特徵。
(6)有痕裂蛋
有裂痕蛋係出現如下特徵:如圖4(F)所示,拍攝畫面上有依高亮度線表示的裂痕,或如圖4(G)所示,氣室明顯偏大等。
依此,不良蛋的不良因素係有複數種,本實施形態的驗蛋裝置1中,目的在於:當檢查對象蛋係屬於不良蛋的情況,便依高精度特定出該不良因素。所以,本實施形態中,預先如圖2~圖4所示般,由專家實際地確認供作進行疫苗製造用的蛋之拍攝影像,辨別是否為正常蛋,或是如上述(1)~(6)的無精蛋、中止蛋、發育不良蛋、氣室不良蛋、顛倒蛋、有裂痕蛋中之任一種不良蛋,並在各個影像資料上標示辨別結果。又,將依此經標籤化的影像資料,利用以多層構造的深層類神經網路為模型的深層學習,即所謂之深度學習,來進行機械學習,藉此而構建學習完畢模型。然後,驗蛋裝置1中,使用所構建的學習完畢模型,從檢查對象蛋的影像來辨別檢查對象蛋是正常蛋或不良蛋,且當屬於不良蛋的情況,亦特定出該不良因素。藉此,例如藉由將不良因素與其發生頻率回饋給蛋或疫苗的生產者,便可將其活用於雞、蛋的飼養條件、疫苗生產條件之改善。又,本實施形態的驗蛋裝置1中,如後述,藉由將複數學習完畢模型多階段地分開使用,便可達成單一學習完畢模型較難實現之依實用水準之高精度特定出不良蛋的不良因素之技術。
圖5係本實施形態的驗蛋裝置1之構成圖。如圖5所示,本實施形態的驗蛋裝置1係具備有:拍攝裝置10、照明裝置20、辨別裝置30、以及搬送裝置40。以下,針對各裝置進行說明。
拍攝裝置10係用以拍攝檢查對象蛋的照相機,例如可列舉有拍攝檢查對象蛋並輸出檢查對象蛋之彩色影像資料的彩色CCD(Charge Coupled Device,電荷耦合元件)照相機。又,拍攝裝置10並不僅侷限於彩色CCD照相機,尚亦可使用彩色CMOS(Complementary Metal-Oxide-Semiconductor,互補式金氧半導體)照相機等拍攝彩色影像的公知照相機。
再者,照明裝置20係用以對檢查對象蛋照射光的燈,如圖5所示,在檢查對象蛋所配置的位置處,配置於拍攝裝置10之光軸L1與照明裝置20之光軸L2交叉的位置處。另外,照明裝置20並無特別的限定,可使用例如LED(Light-Emitting Diode,發光二極體)燈。
拍攝檢查對象蛋時,如圖5所示,檢查對象蛋係搭載於支撐台42上,且為防止拍攝時的干擾,而使支撐台42升降,使檢查對象蛋配置於遮光性之拍攝部50內。在拍攝部50內配置有拍攝裝置10及照明裝置20。又,照明裝置20係放入照明用之筒21中,使支撐台42上升直到該筒21之前端接觸到檢查對象蛋為止,再利用照明裝置20從氣室側照亮檢查對象蛋。另外,用以內建照明裝置20的筒21之前端部為了即便於蛋形狀、尺寸不同時但使照明光仍不會從該前端外洩至外部,因而由柔軟材質構成,且成為蛇腹構造。在拍攝部50內,當由照明裝置20照亮檢查對象蛋時,便由拍攝裝置10拍攝檢查對象蛋。在暗室下,藉由照明裝置20僅照亮檢查對象蛋,拍攝裝置10便可依透光狀態拍攝檢查對象蛋的內部。又,拍攝裝置10係如圖2所示,藉由從側邊拍攝檢查對象蛋,便可一併地對檢查對象蛋之氣室、蛋殼膜內、漿尿膜、漿尿膜腔、及胚胎的狀態進行觀察地拍攝。另外,拍攝裝置10、照明裝置20、支撐台42的動作係由辨別裝置30進行控制,由拍攝裝置10所拍攝到之檢查對象蛋的拍攝影像被傳送給辨別裝置30。
辨別裝置30係從拍攝裝置10取得檢查對象蛋的拍攝影像,再根據檢查對象蛋的拍攝影像,辨別檢查對象蛋係屬於正常蛋或不良蛋。又,辨別裝置30係當檢查對象蛋屬於不良蛋的情況,便特定不良因素。如圖5所示,辨別裝置30係具有記憶裝置31、處理裝置32。
記憶裝置31係預先記憶著以複數蛋的拍攝影像群為教導資料之複數學習完畢模型。具體而言,記憶裝置31係記憶著用以辨別蛋不良因素的4個不同學習完畢模型M1~M4。以下,針對記憶裝置31所記憶的學習完畢模型M1~M4進行說明。
學習完畢模型M1係為了辨別「無精蛋」及「中止蛋」,便以蛋的血管狀態為特徵進行分類的第1學習資料群當作教導資料,藉由利用深度學習使之進行機械學習而構建的模型。第1學習資料群係預先藉由專家而使其包含有如下影像群:根據蛋沒有血管等理由而辨別為無精蛋,並標註為「無精蛋」的影像群;根據血管分佈少、血管短、血管細等理由而辨別為中止蛋,並標註為「中止蛋」的影像群;以及辨別為不是無精蛋及中止蛋,並標註為「第1正常蛋」的影像群。藉由使用學習完畢模型M1,從檢查對象蛋的影像中,可辨別檢查對象蛋到底是屬於「無精蛋」、或「中止蛋」、或包含正常蛋在內的其他第1正常蛋中之何者。
學習完畢模型M2係為了辨別「顛倒蛋」及「氣室不良蛋」,便以氣室狀態為特徵進行分類的第2學習資料群當作教導資料,藉由利用深度學習使之進行機械學習而構建的模型。第2學習資料群係預先藉由專家而使其包含有如下影像群:根據蛋中沒有發現氣室的理由而辨別為顛倒蛋,並標註為「顛倒蛋」的影像群;根據氣室形狀出現變形等理由而辨別為氣室不良蛋,並標註為「氣室不良蛋」的影像群;以及辨別為不是顛倒蛋及氣室不良蛋,並標註為「第2正常蛋」的影像群。藉由使用學習完畢模型M2,便可從檢查對象蛋的影像中,辨別檢查對象蛋到底是屬於「顛倒蛋」、或「氣室不良蛋」、或包括正常蛋在內的其他第2正常蛋中之何者。
學習完畢模型M3係為了特定「發育不良蛋」,便以發育狀態為特徵進行分類的第3學習資料群為教導資料,藉由利用深度學習使之進行機械學習而構建的模型。第3學習資料群係預先藉由專家而使其包含有如下影像群:根據漿尿膜上的血管分佈明顯狹窄且少、分佈的血管明顯變細、顏色變淡等等理由而辨別為發育不良蛋,並標註為「發育不良蛋」的影像群;以及辨別為非發育不良蛋,並標註為「第3正常蛋」的影像群。藉由使用學習完畢模型M3,便可從檢查對象蛋的影像,辨別檢查對象蛋到底是屬於「發育不良蛋」、或包括正常蛋在內的其他第3正常蛋中之何者。
學習完畢模型M4係為了特定「有裂痕蛋」,便以有無裂痕為特徵進行分類的第4學習資料群為教導資料,藉由利用深度學習使之進行機械學習而構建的模型。第4學習資料群係預先藉由專家而使其包含有如下影像群根據直接目視蛋有出現裂痕的理由而辨別為有裂痕蛋,從拍攝該有裂痕蛋的拍攝影像中,根據拍攝影像上有出現以高亮度線狀表示之裂痕、氣室明顯大等理由,而標註為「有裂痕蛋」的影像群;以及除該等以外之標註為「第4正常蛋」的影像群。藉由使用學習完畢模型M4,從檢查對象蛋的影像中,便可辨別檢查對象蛋到底是「有裂痕蛋」、或包括正常蛋在內的其他第4正常蛋中之何者。
另外,學習完畢模型M1~M4的構建係可為由處理裝置32預先執行之構成,亦可為取得由外部裝置構建的學習完畢模型M1~M4,再使其記憶於記憶裝置31中之構成。機械學習完畢模型的演算法係支援向量機、邏輯式迴歸、類神經網路等,惟並不僅侷限此,但如上述,較佳係類神經網路,特別係階層達3層以上的深度類神經網路,又,深度類神經網路中,較佳係使用適於影像辨識的卷積類神經網路(Convolutional Neural Network)。
處理裝置32係藉由執行記憶體所記憶的驗蛋程式,使用由拍攝裝置10所取得之檢查對象蛋的拍攝影像、與記憶裝置31所記憶的學習完畢模型M1~M4,辨別檢查對象蛋是正常蛋或是不良蛋。又,處理裝置32係當檢查對象蛋屬於不良蛋的情況,便特定至其之不良因素。又,處理裝置32亦具有統計不良蛋的不良因素與發生頻率,並輸出給顯示器(未圖示)等的機能。另外,相關由處理裝置32進行的檢查對象蛋之辨別方法之詳細內容,容待後述。
搬送裝置40係將檢查對象蛋搬入至拍攝部50,且從拍攝部50中搬出檢查對象蛋。具體而言,搬送裝置40係驅動輸送機,將專用托盤41上所搭載的複數檢查對象蛋,搬送至位於拍攝部50下方的支撐台42之位置處。又,搬送裝置40係使支撐台42上升,將檢查對象蛋由專用托盤41換成搭載於支撐台42後,再使支撐台42更上升,將檢查對象蛋上舉至拍攝部50內部。若於拍攝部50中完成檢查對象蛋的拍攝,則搬送裝置40便使支撐台42下降,將已拍攝過的檢查對象蛋送返專用托盤41。然後,搬送裝置40使輸送機產生動作,將接著作為檢查對象的檢查對象蛋搬送至支撐台42之位置。依此,檢查對象蛋便依序被搬送至拍攝部50,並由拍攝裝置10進行拍攝。另外,搬送裝置40根據由辨別裝置30進行的檢查對象蛋之辨別結果,亦可排除不良蛋。
其次,根據圖6及圖7,針對第1實施形態的驗蛋處理進行說明。圖6係顯示第1實施形態的驗蛋處理之流程圖,圖7係用以說明第1實施形態的驗蛋處理的圖。
在步驟S101中,由拍攝裝置10執行檢查對象蛋之拍攝。本實施形態中,將檢查對象蛋放置於暗室即拍攝部50內,藉由照明裝置20僅照亮檢查對象蛋,而拍攝裝置10便可依透光狀態拍攝檢查對象蛋的內部。由拍攝裝置10所拍攝到之檢查對象蛋的影像資料被傳送給處理裝置32。然後,在步驟S102中,由處理裝置32取得拍攝裝置10所拍攝到的檢查對象蛋之影像資料。
在步驟S103中,利用處理裝置32進行辨別檢查對象蛋係屬於無精蛋或中止蛋的處理。具體而言,處理裝置32執行記憶體所記憶的驗蛋程式,使用步驟S102所取得之檢查對象蛋的影像資料、與學習完畢模型M1,辨別檢查對象蛋到底係屬於無精蛋、或中止蛋、或該等以外的第1正常蛋。然後,前往步驟S104,當步驟S103的辨別結果中,檢查對象蛋係被辨別為無精蛋或中止蛋的情況,便前往步驟S112,將檢查對象蛋辨別為不良蛋。然後,在後續的步驟S113中,輸出檢查對象蛋的不良因素(無精蛋或中止蛋)。
另一方面,在步驟S104中,當檢查對象蛋被辨別為第1正常蛋的情況,便前往步驟S105。在步驟S105中,由處理裝置32執行辨別檢查對象蛋是否屬於顛倒蛋或氣室不良蛋的處理。具體而言,處理裝置32執行記憶體中所記憶的驗蛋程式,使用步驟S102所取得之檢查對象蛋的影像資料、與學習完畢模型M2,辨別檢查對象蛋到底是顛倒蛋、或氣室不良蛋、或該等以外的第2正常蛋。然後,前往步驟S106,當步驟S105的辨別結果中,檢查對象蛋係被辨別為顛倒蛋或氣室不良蛋的情況,便前往步驟S112,將檢查對象蛋辨別為不良蛋。然後,在後續的步驟S113中,輸出檢查對象蛋的不良因素(顛倒蛋或氣室不良蛋)。
另一方面,在步驟S106中,當檢查對象蛋被辨別為第2正常蛋的情況,便前往步驟S107。在步驟S107中,由處理裝置32執行辨別檢查對象蛋是否為發育不良蛋的處理。具體而言,處理裝置32執行記憶體中所記憶的驗蛋程式,使用由步驟S102所取得之檢查對象蛋的影像資料、與學習完畢模型M3,辨別檢查對象蛋到底係發育不良蛋、或其以外的第3正常蛋。然後,前往步驟S108,當步驟S107的辨別結果中,檢查對象蛋係被辨別為發育不良蛋的情況,便前往步驟S112,將檢查對象蛋辨別為發育不良蛋。然後,在後續的步驟S113中,輸出檢查對象蛋的不良因素(發育不良蛋)。
另一方面,在步驟S108中,當檢查對象蛋被辨別為第3正常蛋的情況,便前往步驟S109。在步驟S109中,由處理裝置32執行辨別檢查對象蛋是否為有裂痕蛋的處理。具體而言,處理裝置32執行記憶體中所記憶的驗蛋程式,使用步驟S102所取得之檢查對象蛋的影像資料、與學習完畢模型M4,辨別檢查對象蛋到底係有裂痕蛋、或其以外的第4正常蛋。然後,前往步驟S110,當步驟S109的辨別結果中,檢查對象蛋係被辨別為有裂痕蛋的情況,便前往步驟S112,將檢查對象蛋辨別為有裂痕蛋。然後,在後續的步驟S113中,輸出檢查對象蛋的不良原因(有裂痕蛋)。
另一方面,在步驟S110中,當檢查對象蛋係被辨別為第4正常蛋的情況,便前往步驟S111。在步驟S111中,由處理裝置32將檢查對象蛋辨別為正常蛋。藉此便完成本實施形態的驗蛋處理。
另外,圖6所示之驗蛋處理中,例示有一種構成,其依序執行:辨別檢查對象蛋係無精蛋或中止蛋的處理(步驟S103)、辨別檢查對象蛋係顛倒蛋或氣室不良蛋的處理(步驟S105)、辨別檢查對象蛋是否為發育不良蛋的處理(步驟S107)、以及辨別檢查對象蛋是否為有裂痕蛋的處理(步驟S110)。然而,該等處理的執行順序並不僅侷限於圖6所示之例,亦可適當地變更順序而構成。
依上述,本實施形態的驗蛋裝置1藉由使用是否為正常蛋或不良蛋的辨別結果,以及將在為不良蛋時分別標記不良因素的蛋之影像資料作為教導資料,利用以多層構造的深層類神經網路為模型之深層學習,即所謂之深度學習,進行機械學習以構建的學習完畢模型,便可判定檢查對象蛋係正常蛋或不良蛋,且當屬於不良蛋的情況,亦可特定其之不良因素。
再者,本實施形態的驗蛋裝置1中,藉由多階段地分開使用複數學習完畢模型M1~M4,便可以更高精度辨別不良蛋的不良因素。特別在疫苗製造時,需要依高精度辨別「無精蛋」、「中止蛋」、「顛倒蛋」、「正常蛋」,而本實施形態的驗蛋裝置1中便可高精度辨別「無精蛋」、「中止蛋」、「顛倒蛋」及「正常蛋」。例如,使用分別經標記「無精蛋」、「中止蛋」、「氣室不良蛋」、「顛倒蛋」、「發育不良蛋」、「有裂痕蛋」、「正常蛋」的教導資料,而僅使用該教導資料所構建之單一學習完畢模型來進行檢查對象蛋之辨別時,關於「無精蛋」、「中止蛋」、「氣室不良蛋」、「顛倒蛋」、「發育不良蛋」、「有裂痕蛋」、「正常蛋」所有分類(因素)僅能達90%程度的辨別精度。相對於此,本實施形態的驗蛋處理中,經多階段地分開使用複數學習完畢模型M1~M4而進行檢查對象蛋的辨別,針對「無精蛋」、「中止蛋」、「顛倒蛋」之在疫苗製造上防止混入係極為重要的不良蛋,可依幾近100%(經以略少於9萬個的檢查對象蛋進行試驗後之結果為100%)進行辨別。又,關於「正常蛋」,亦可依99%以上的精度進行辨別。
再者,本實施形態的驗蛋裝置1亦具有統計每個不良因素之發生頻率的機能,將特定的不良因素與其之發生頻率回饋給蛋或疫苗的生產管理者,便可活用於雞、蛋的飼養條件、以及疫苗生產條件的改善。例如不良因素係發育不良蛋比例偏多的情況,生產管理者便可採取變更孵蛋器之設定(溫度・濕度)等對應。又,當不良因素係有裂痕蛋比例偏多的情況,生產管理者便可採取改變飼料搭配、檢查搬送設備等對應。依此配合不良因素的發生頻率,便可改良生產步驟的運用。又,藉由將孵蛋作業的各種條件(例如:溫度或濕度等飼養條件、飼料搭配、母雞履歷、以及溫度、濕度等孵蛋器之設定等)、病毒製造作業的各種條件(例如:病毒種類、溫度或濕度等之孵蛋器的設定等)、及驗蛋作業的各種條件、以及所發生之各不良因素的比例建立關聯性,亦可期待建立用以製造疫苗的受精蛋之最佳生產條件。
《第2實施形態》
其次,針對本發明之第2實施形態進行說明。第2實施形態的驗蛋裝置係除以下說明之外,具有與第1實施形態的驗蛋裝置1同樣構成,且執行與第1實施形態的驗蛋裝置1同樣動作。
第2實施形態中,記憶裝置31係記憶著7種學習完畢模型M11~17。以下,針對記憶裝置31所記憶的7種學習完畢模型M11~M17進行說明。
學習完畢模型M11係為了辨別「中止蛋」,便以蛋的血管狀態為特徵進行分類的學習資料群當作教導資料,藉由利用深度學習使之進行機械學習而構建的模型。該學習資料群係預先藉由專家而使其包含有如下影像群:根據血管分佈少、血管短、血管細等理由而辨別為中止蛋,並標註為「中止蛋」的影像群。藉由使用學習完畢模型M11,處理裝置32便可從檢查對象蛋的影像中,辨別檢查對象蛋是否為「中止蛋」。
學習完畢模型M12係為了辨別「無精蛋」,便以蛋的血管狀態為特徵進行分類的學習資料群當作教導資料,藉由利用深度學習使之進行機械學習而構建的模型。該學習資料群係預先藉由專家而使其包含有如下影像群:根據蛋中沒有血管等理由而辨別為無精蛋,並標註為「無精蛋」的影像群。藉由使用學習完畢模型M12,處理裝置32便可從檢查對象蛋的影像中,辨別檢查對象蛋是否為「無精蛋」。
學習完畢模型M13係為了辨別「氣室不良蛋」,便以氣室狀態為特徵進行分類的學習資料群當作教導資料,藉由利用深度學習使之進行機械學習而構建的模型。該學習資料群係:預先藉由專家而使其包含有如下影像群:根據氣室形狀變形等理由而辨別為氣室不良蛋,並標註為「氣室不良蛋」的影像群。藉由使用學習完畢模型M13,處理裝置32便可從檢查對象蛋的影像中,辨別檢查對象蛋是否為「氣室不良蛋」。
學習完畢模型M14係為了辨別「顛倒蛋」,便以氣室狀態為特徵進行分類的學習資料群當作教導資料,藉由利用深度學習使之進行機械學習而構建的模型。該學習資料群係:預先藉由專家而使其包含有如下影像群:根據蛋沒有出現氣室的理由而辨別為顛倒蛋,並標註為「顛倒蛋」的影像群。藉由使用學習完畢模型M14,處理裝置32便可從檢查對象蛋的影像中,辨別檢查對象蛋是否為「顛倒蛋」。
學習完畢模型M15係為了特定「發育不良蛋」,便以發育狀態為特徵進行分類的學習資料群當作教導資料,藉由利用深度學習使之進行機械學習而構建的模型。該學習資料群係:預先藉由專家而使其包含有如下影像群:根據漿尿膜上的血管分佈明顯狹窄且少、分佈的血管明顯變細、顏色變淡等等理由而辨別為發育不良蛋,並標註為「發育不良蛋」的影像群。藉由使用學習完畢模型M15,處理裝置32便可從檢查對象蛋的影像中,辨別檢查對象蛋是否為「發育不良蛋」。
學習完畢模型M16係為了特定「有裂痕蛋」,便以有無裂痕為特徵進行分類的學習資料群當作教導資料,藉由利用深度學習使之進行機械學習而構建的模型。該學習資料群係預先藉由專家而使其包含有如下影像群:針對因直接目視蛋有出現裂痕之理由而辨別為有裂痕蛋的蛋進行拍攝,從所拍攝之拍攝影像中,根據拍攝影像上有出現以高亮度線狀表示的裂痕、氣室明顯大等理由而標註為「有裂痕蛋」的影像群。藉由使用學習完畢模型M16,處理裝置32便可從檢查對象蛋的影像中,辨別檢查對象蛋是否為「有裂痕蛋」。
學習完畢模型M17係將為了特定「正常蛋」而分類的學習資料群當作教導資料,藉由利用深度學習使之進行機械學習而構建的模型。該學習資料群係預先藉由專家而使其包含有如下影像群:針對直接目視蛋沒有不良因素而辨別為正常的蛋進行拍攝之拍攝影像,並標註為「正常蛋」的影像群。藉由使用學習完畢模型M17,處理裝置32便可從檢查對象蛋的影像中,辨別檢查對象蛋是否為「正常蛋」。
其次,根據圖8與圖9,針對第2實施形態的驗蛋處理進行說明。圖8係用以說明第2實施形態的驗蛋處理的流程圖。又,圖9係用以說明第2實施形態的驗蛋處理的圖。
如圖8所示,在步驟S201,S202中,與第1實施形態的步驟S101,S102同樣地,由拍攝裝置10施行檢查對象蛋的拍攝(步驟S201),並取得由步驟S201所拍攝到的檢查對象蛋之影像資料(步驟S202)。
在步驟S203中,由處理裝置32施行辨別檢查對象蛋是否為「中止蛋」的處理。具體而言,處理裝置32執行記憶體中所記憶的驗蛋程式,使用步驟S202所取得之檢查對象蛋的影像資料、與學習完畢模型M11,辨別檢查對象蛋是否為「中止蛋」。然後,處理裝置32將是否為「中止蛋」的辨別結果記憶於記憶裝置31中,再前往下一步驟S204。
在步驟S204~S209中,與步驟S203同樣地,由處理裝置32分別執行辨別檢查對象蛋是否為「無精蛋」、「氣室不良蛋」、「顛倒蛋」、「發育不良蛋」、「有裂痕蛋」、及「正常蛋」的處理。即,處理裝置32執行記憶體中所記憶的驗蛋程式,分別使用由步驟S202所取得之檢查對象蛋的影像資料、與學習完畢模型M12~M17,各自辨別檢查對象蛋是否為「無精蛋」、「氣室不良蛋」、「顛倒蛋」、「發育不良蛋」、「有裂痕蛋」、「正常蛋」,再將各辨別結果記憶於記憶裝置31中。另外,第2實施形態中,即使檢查對象蛋有不良因素的情況,如圖8的步驟S203~S209及圖9所示,針對檢查對象蛋是否為「中止蛋」、「無精蛋」、「氣室不良蛋」、「顛倒蛋」、「發育不良蛋」、「有裂痕蛋」及「正常蛋」,可整體地進行辨別。然後,在步驟S210中,由處理裝置32輸出由步驟S203~S209的各辨別處理辨別之結果。
如上述,第2實施形態中,當檢查對象蛋有任一不良因素的情況,並非馬上判為不良蛋,並辨別其之不良因素,而是如圖9所示,藉由針對1個檢查對象蛋並列地辨別複數不良因素,例如針對1個檢查對象蛋而辨別為「顛倒蛋」且「有裂痕蛋」,可辨別複數不良因素。又,第2實施形態中,不僅使用以具不良因素之蛋的影像為教導資料之學習完畢模型M11~M16,尚使用以「正常蛋」影像為教導資料的學習完畢模型M17,藉此可提高「正常蛋」的辨別精度。例如第1實施形態中,將未被辨別到有不良因素的檢查對象蛋便辨別為「正常蛋」,但第2實施形態中,藉由將未被辨別到不良因素且被辨別為「正常蛋」的檢查對象蛋,特定為「正常蛋」,便可提高「正常蛋」的辨別精度,且針對未辨別到不良因素、且未被辨別為「正常蛋」的檢查對象蛋,可由操作員辨識出發生新的不良因素,並利用目視分類。
以上,針對本發明較佳實施形態例進行說明,惟本發明的技術範圍並不僅侷限於上述實施形態的記載。上述實施形態例可追加各種變更・改良,此種經追加變更或改良的形態亦涵蓋於本發明技術範圍內。
例如上述實施形態中,例示由拍攝裝置10僅從一方向拍攝檢查對象蛋,並使用從該方向拍攝到的拍攝影像,辨別檢查對象蛋的構成,惟並不僅侷限於此構成,亦可例如為如下構成,藉由使檢查對象蛋的支撐台42旋轉,從複數方向(例如使支撐台42逐次旋轉90度的4個方向)拍攝檢查對象蛋,使用從複數方向拍攝的拍攝影像,辨別檢查對象蛋。於此情況,可更加提升檢查對象蛋的辨別精度。
再者,上述第1實施形態中,例示使用4種學習完畢模型辨別檢查對象蛋的構成,但,學習完畢模型只要為2種以上便可,例如可使用3種學習完畢模型、或5種以上的學習完畢模型來辨別檢查對象蛋。例如製造疫苗時,辨別「無精蛋」、「中止蛋」、「顛倒蛋」等3項不良因素係屬重要,所以,可使用用以辨別「無精蛋」及「中止蛋」的學習完畢模型M1、與用以辨別「顛倒蛋」的學習完畢模型M2等2種學習完畢模型,來辨別檢查對象蛋的構成。又,本實施形態中,如圖4(F)及圖4(G)所示,例示有一種構成,其使用將於拍攝畫面上有出現高亮度線而可辨別為有裂痕的影像資料群,以及可辨別氣室大、有裂痕的影像資料群,當作「有裂痕蛋」之教導資料的學習完畢模型M4,來判定「有裂痕蛋」,但亦可例如圖4(F)所示而構成為,首先使用僅將以於拍攝畫面上有高亮度線而可辨別為有裂痕的影像資料群,當作教導資料的學習完畢模型,先判定為「有裂痕蛋」之後,再如圖4(G)所示,使用將可辨別氣室明顯大、有裂痕的影像資料群,當作教導資料之學習完畢模型,判定「有裂痕蛋」。於此情況,成為使用5個學習完畢模型來辨別檢查對象蛋,而可依更高精度辨別有裂痕蛋。
再者,上述實施形態中,例示具有單一照明裝置20,並從檢查對象蛋的氣室側照射光的構成,但亦可構成為,此構成之外,更進一步具有另一個照明裝置20,亦從檢查對象蛋下側照射光,對檢查對象蛋進行檢查。於此情況,可更容易確認蛋的內部,特別係檢查有裂痕蛋時,可廣範圍地檢測裂痕。
再者,上述實施形態中,例示辨別不良因素為「中止蛋」、「無精蛋」、「氣室不良蛋」、「顛倒蛋」、「發育不良蛋」及「有裂痕蛋」的構成,惟不良因素並不僅侷限於上述,亦可適當追加/變更。例如亦可使用用以辨別氣室邊界有出血滯留之蛋的學習完畢模型,辨別此種不良因素的構成。
1:驗蛋裝置
10:拍攝裝置(拍攝手段)
20:照明裝置(拍攝手段)
21:筒
30:辨別裝置
31:記憶裝置
32:處理裝置(第1辨別手段、第2辨別手段、控制手段)
40:搬送裝置
41:專用托盤
42:支撐台
50:拍攝部
L1、L2:光軸
M1~M4:學習完畢模型
M11~17:學習完畢模型
圖1係說明十數日齡的正常受精蛋之構造的示意圖。
圖2係顯示十數日齡的正常蛋之拍攝影像之一例的圖。
圖3(A)至(E)係顯示十數日齡的不良蛋(除了有裂痕蛋)之拍攝影像之一例的圖。
圖4(F)及(G)係顯示十數日齡的不良蛋(有裂痕蛋)之拍攝影像之一例的圖。
圖5係本實施形態的驗蛋裝置的構成圖。
圖6係用以說明第1實施形態的驗蛋方法的流程圖。
圖7係用以說明第1實施形態的驗蛋方法的圖。
圖8係用以說明第2實施形態的驗蛋方法的流程圖。
圖9係用以說明第2實施形態的驗蛋方法的圖。
M1~M4:學習完畢模型
Claims (12)
- 一種驗蛋裝置,其具備有: 第1辨別手段,其使用以蛋影像作為教導資料而預先製成的第1學習完畢模型,來辨別蛋是否有第1不良因素; 第2辨別手段,其使用以蛋影像作為教導資料而預先製成、且與上述第1學習完畢模型不同的第2學習完畢模型,來辨別蛋是否具有與上述第1不良因素不同之第2不良因素; 拍攝手段,其將光照射至檢查對象蛋,而拍攝檢查對象蛋的影像;以及 控制手段; 上述控制手段係根據上述檢查對象蛋的影像,使上述第1辨別手段與上述第2辨別手段辨別上述檢查對象蛋的不良因素,藉此辨別上述檢查對象蛋是否有不良因素,當上述檢查對象蛋具有不良因素的情況,則辨別該不良因素。
- 如請求項1之驗蛋裝置,其中,上述控制手段根據上述檢查對象蛋的影像,使上述第1辨別手段辨別上述檢查對象蛋是否有上述第1不良因素,當上述檢查對象蛋沒有上述第1不良因素的情況,則使上述第2辨別手段辨別上述檢查對象蛋是否有上述第2不良因素。
- 如請求項1之驗蛋裝置,其中,上述控制手段根據上述檢查對象蛋的影像,使上述第1辨別手段辨別上述檢查對象蛋是否有上述第1不良因素,不管上述檢查對象蛋是否有上述第1不良因素,均使上述第2辨別手段辨別上述檢查對象蛋是否有上述第2不良因素。
- 如請求項1至3中任一項之驗蛋裝置,其中,上述第1辨別手段辨別根據血管狀態的不良因素而作為上述第1不良因素; 上述第2辨別手段辨別根據氣室狀態、發育狀態、及有無裂痕中之任1項的不良因素而作為上述第2不良因素。
- 如請求項1至3中任一項之驗蛋裝置,其中,更進一步具備有第3辨別手段,其係使用以蛋影像作為教導資料而預先製成、且與上述第1學習完畢模型及上述第2學習完畢模型不同的第3學習完畢模型,來辨別是否具有與上述第1不良因素及上述第2不良因素不同的第3不良因素。
- 如請求項5之驗蛋裝置,其中,更進一步具備有第4辨別手段,其係使用以蛋影像作為教導資料而預先製成、且與上述第1學習完畢模型、上述第2學習完畢模型及上述第3學習完畢模型不同的第4學習完畢模型,來辨別是否具有與上述第1不良因素、上述第2不良因素及上述第3不良因素不同的第4不良因素。
- 如請求項6之驗蛋裝置,其中,上述第1不良因素、上述第2不良因素、上述第3不良因素、及上述第4不良因素分別係根據血管狀態、氣室狀態、發育狀態、及有無裂痕的不良因素。
- 如請求項1至3中任一項之驗蛋裝置,其中,更進一步具備有第5辨別手段,其係使用以蛋影像作為教導資料而預先製成的第5學習完畢模型,來辨別正常蛋。
- 如請求項1至3中任一項之驗蛋裝置,其中,上述檢查對象蛋係供作疫苗製造的蛋。
- 如請求項1至3中任一項之驗蛋裝置,其中,具有對每個不良因素之發生頻率進行統計的功能。
- 一種驗蛋程式,其使電腦執行下述處理: 對檢查對象蛋照射光而取得上述檢查對象蛋的影像, 使用以蛋影像作為教導資料而預先製成的第1學習完畢模型,來辨別上述檢查對象蛋是否有第1不良因素, 使用以蛋影像作為教導資料而預先製成、且與上述第1學習完畢模型不同的第2學習完畢模型,來辨別上述檢查對象蛋是否具有與上述第1不良因素不同的第2不良因素, 藉此辨別上述檢查對象蛋是否具有不良因素,當上述檢查對象蛋具有不良因素時,則辨別該不良因素。
- 一種驗蛋方法,其使用電腦, 對檢查對象蛋照射光而取得上述檢查對象蛋的影像, 使用以蛋影像作為教導資料而預先製成的第1學習完畢模型,來辨別上述檢查對象蛋是否有第1不良因素, 使用以蛋影像作為教導資料而預先製成、且與上述第1學習完畢模型不同的第2學習完畢模型,來辨別上述檢查對象蛋是否具有與上述第1不良因素不同的第2不良因素, 藉此辨別上述檢查對象蛋是否具有不良因素,當上述檢查對象蛋具有不良因素時,則辨別該不良因素。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019121424 | 2019-06-28 | ||
JP2019-121424 | 2019-06-28 |
Publications (1)
Publication Number | Publication Date |
---|---|
TW202117305A true TW202117305A (zh) | 2021-05-01 |
Family
ID=74060597
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109121784A TW202117305A (zh) | 2019-06-28 | 2020-06-29 | 驗蛋裝置、驗蛋程式及驗蛋方法 |
Country Status (4)
Country | Link |
---|---|
JP (1) | JP7407189B2 (zh) |
CN (1) | CN114096844A (zh) |
TW (1) | TW202117305A (zh) |
WO (1) | WO2020262557A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20230153397A (ko) | 2021-03-04 | 2023-11-06 | 시코쿠 케이소쿠 코교 가부시키가이샤 | 검란 장치 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05501918A (ja) * | 1989-11-10 | 1993-04-08 | オバスカン プロプライアタリー リミティド | 殻付き卵を格付けするための方法及び装置 |
JP2000235005A (ja) * | 1999-02-15 | 2000-08-29 | Nidec Tosok Corp | 卵検査装置 |
JP2007212155A (ja) * | 2006-02-07 | 2007-08-23 | Kumamotoken Yokei Nogyo Kyodo Kumiai | 優良卵自動判別装置 |
WO2010074572A1 (en) | 2008-12-23 | 2010-07-01 | Fps Food Processing Systems B.V. | Method and apparatus for classifying eggs |
JP2011169629A (ja) * | 2010-02-16 | 2011-09-01 | Joichiro Tsuboi | 有精卵検査装置 |
JP2012013587A (ja) * | 2010-07-02 | 2012-01-19 | Joichiro Tsuboi | 自動検卵方法における画像処理装置 |
JP5501918B2 (ja) | 2010-09-30 | 2014-05-28 | 株式会社トプコン | 光学素子の製造方法およびその方法により作製された光学素子 |
JP6735348B2 (ja) | 2016-02-11 | 2020-08-05 | 10エックス ジェノミクス, インコーポレイテッド | 全ゲノム配列データのデノボアセンブリのためのシステム、方法及び媒体 |
CN106645605B (zh) * | 2016-09-05 | 2019-01-08 | 中国农业大学 | 基于机器视觉的禽类受精蛋检测方法 |
JP6822691B2 (ja) * | 2016-11-30 | 2021-01-27 | 株式会社ナベル | 種卵検査システム及び種卵検査プログラム |
TWI644616B (zh) * | 2017-03-17 | 2018-12-21 | Method for judging the hatching shape of poultry eggs by using image processing | |
EP3483619A1 (en) * | 2017-11-13 | 2019-05-15 | Technische Universität München | Automated noninvasive determining the sex of an embryo of and the fertility of a bird's egg |
-
2020
- 2020-06-25 CN CN202080047721.1A patent/CN114096844A/zh active Pending
- 2020-06-25 JP JP2021527746A patent/JP7407189B2/ja active Active
- 2020-06-25 WO PCT/JP2020/025099 patent/WO2020262557A1/ja active Application Filing
- 2020-06-29 TW TW109121784A patent/TW202117305A/zh unknown
Also Published As
Publication number | Publication date |
---|---|
CN114096844A (zh) | 2022-02-25 |
WO2020262557A1 (ja) | 2020-12-30 |
JP7407189B2 (ja) | 2023-12-28 |
JPWO2020262557A1 (zh) | 2020-12-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5744951B2 (ja) | サーマルカメラを介して鳥類の卵をキャンドリングする方法及び装置 | |
WO2011162213A1 (ja) | 微生物検出方法、微生物検出装置及びプログラム | |
GB2518890A (en) | System and method for determining viability of eggs | |
US8724098B2 (en) | Method for candling fertilized eggs with green or blue light and corresponding device | |
US20080289578A1 (en) | Methods for Rapidly and Accurately Locating Avian Egg Blastoderms | |
TW202117305A (zh) | 驗蛋裝置、驗蛋程式及驗蛋方法 | |
JP2012080802A (ja) | 細菌コロニーの釣菌方法及び釣菌装置 | |
JP2016049055A (ja) | 微生物検査装置の検証方法、微生物検査装置における検証装置及びプログラム | |
JP2011174757A (ja) | 欠陥検査方法、プログラム、コンピュータ記憶媒体及び欠陥検査装置 | |
KR102283869B1 (ko) | 계란 품질 자동검사 시스템 | |
CN117256514B (zh) | 一种用于分选系统的剔除不合格种蛋的方法 | |
JP2011169629A (ja) | 有精卵検査装置 | |
JP2009288121A (ja) | レンズの検査装置および方法 | |
JP2012013587A (ja) | 自動検卵方法における画像処理装置 | |
KR102535869B1 (ko) | 외관 검사 어셈블리 | |
WO2022186339A1 (ja) | 検卵装置 | |
JP2007212155A (ja) | 優良卵自動判別装置 | |
JPWO2020262557A5 (zh) | ||
JP2012013586A (ja) | 画像処理による自動検卵機構 | |
JP2015035963A (ja) | 孵化途中卵検査装置および孵化途中卵検査方法 | |
JP6210747B2 (ja) | 種卵の検査装置、検査システム及び検査方法 | |
WO2022157855A1 (ja) | 胚培養装置および培養環境に保持された処置卵を表示する方法 | |
KR102632163B1 (ko) | 가금류 알(卵)의 암수 검사 및 선별장치 그리고 이를 이용한 선별방법 | |
CN1637402A (zh) | 分光特性测定装置及方法 | |
JP2022099480A (ja) | 卵分類システム |