一种基于机器视觉的鹅种蛋识别定位方法及系统技术方案

本发明专利技术公开了一种基于机器视觉的鹅种蛋识别定位系统及方法，其包括以下步骤，拍摄产房环境下的鹅产蛋区图片；将拍摄到的鹅产蛋区原图输入检测模型中进行目标检测，对鹅蛋区域划分并分割需要抓取的鹅蛋图片；对分割出的鹅蛋图片进行预处理，并对鹅蛋边缘进行提取；将预处理后的图片分割为目标及背景像素块，将分割后的像素块图片输入微调的多路径卷积神经网络中，基于鹅蛋轮廓边界条件完成鹅蛋识别；使用本发明专利技术能实现鹅蛋的准确识别定位。使用本发明专利技术能实现鹅蛋的准确识别定位。使用本发明专利技术能实现鹅蛋的准确识别定位。

【技术实现步骤摘要】
一种基于机器视觉的鹅种蛋识别定位方法及系统


[0001]本专利技术涉及鹅蛋识别
，特别是一种基于机器视觉的鹅种蛋识别定 位方法及系统。

技术介绍

[0002]我国是鹅的饲养和消费大国，我国鹅养殖占世界总量的93.2％，占据绝对 地位，种鹅出栏量占据世界第一，是世界上最大的种鹅出栏国。但我国当前种 鹅养殖综合机械化水平在20％以下，劳动力用工占到种鹅养殖成本的1/3，甚 至有的达到70％以上，生产装备在作业效率、可靠性、成熟度以及智能化水平 较低，其中种蛋收集仍以人工收集为主，工作人员捡蛋效率低、不及时。
[0003]现有技术中，为了解决上述问题，采用自动识别技术对鹅蛋进行自动识别 定位，依靠机器人对识别定位后的鹅蛋进行抓取，现有的种蛋识别定位主要有 两种，一是依靠成像传感器，在规模化的禽舍内进行识别抓取，这种方式会使 产蛋期间的种鹅容易受到刺激惊吓的应激反应；二是利用机器视觉技术识别定 位种蛋对其进行抓取，但由于自然环境下种蛋表面的污渍及分布的离散性，识 别精度不高，抓取困难。

技术实现思路

[0004]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较 佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或 省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略 不能用于限制本专利技术的范围。
[0005]鉴于上述和/或现有的鹅蛋识别定位抓取中存在的问题，提出了本专利技术。
[0006]因此，本专利技术的目的是提供一种基于机器视觉的鹅种蛋识别定位方法及系 统，其能准确识别无鹅的鹅蛋，识别精度高。
[0007]为解决上述技术问题，本专利技术提供如下技术方案：一种基于机器视觉的鹅 种蛋识别定位方法及系统，其包括，
[0008]拍摄产房环境下的鹅产蛋区图片；
[0009]将拍摄到的鹅产蛋区原图输入检测模型中进行目标检测，对鹅蛋区域划分 并分割需要抓取的鹅蛋图片；
[0010]对分割出的鹅蛋图片进行预处理，并对鹅蛋边缘进行提取；
[0011]将预处理后的图片分割为目标及背景像素块，将分割后的像素块图片输入 微调的多路径卷积神经网络中，基于鹅蛋轮廓边界条件完成鹅蛋识别。
[0012]作为本专利技术所述基于机器视觉的鹅种蛋识别定位方法的一种优选方案，其 中：鹅蛋区域划分的具体步骤为，
[0013]设定鹅蛋置信度系数阈值，若鹅蛋识别框上的置信度系数不小于鹅蛋置信 度系数阈值且此时无鹅的识别框，则判定此时可以抓取鹅蛋，根据识别框位置 分割鹅蛋图片；
若在图像中出现鹅识别框，不予处理；若图像中既无鹅识别框 也无鹅蛋识别框，判定此时此产蛋区无鹅蛋可抓取。
[0014]作为本专利技术所述基于机器视觉的鹅种蛋识别定位方法的一种优选方案，其 中：对分割出的鹅蛋图片进行处理的步骤具体为，
[0015]对分割出来的鹅蛋图片进行中值滤波，减少拍摄时的噪声影响；
[0016]对分割出的鹅蛋图片进行大津法阈值分割处理，按照图像的灰度特征差异 值，将图像中鹅蛋的主体部分以白色像素块的方式提取出来，将鹅蛋分割图像 划分为鹅蛋部分和背景部分，得到鹅蛋像素主体区域；
[0017]对得到的鹅蛋分割图像进行边缘提取及鹅蛋边缘轮廓曲线拟合处理。
[0018]作为本专利技术所述基于机器视觉的鹅种蛋识别定位方法的一种优选方案，其 中：对得到的鹅蛋分割图像进行边缘提取时，利用Kirsch算子，设置不同的算 子阈值，对鹅蛋边缘进行提取，从不同阈值算子中选择出最适合非结构环境下 鹅蛋边缘提取的算子阈值为7000。
[0019]作为本专利技术所述基于机器视觉的鹅种蛋识别定位方法的一种优选方案，其 中：对鹅蛋边缘轮廓曲线进行拟合时，建立鹅蛋轮廓边缘曲线方程，如下式所 示，
[0020]f＝a1x2+a2y2+a3xy+a4x+a5y+a6ꢀꢀ
(1)；
[0021]a1～a6为系数，x为以分割图片左下角为原点的笛卡尔坐标系横坐标，y为 以分割图片左下角为原点的笛卡尔坐标系纵坐标。
[0022]作为本专利技术所述基于机器视觉的鹅种蛋识别定位方法的一种优选方案，其 中：使用神经网络识别的步骤具体为，
[0023]将分割后的鹅蛋图片进行旋转、扭曲、添加噪声，扩充训练的数据集，提 高模型的泛化性；
[0024]分别提取n
’
个50*50像素大小的鹅蛋及背景像素块，其中n1个作为训练 集，n2个作为测试集，利用最近临值差法将像素大小扩充为22*224，基于R、 G、B三个颜色通道输入训练集像素块，建立训练模型，
[0025]H
ijk
[n]＝M(Y[n
‑
1])+S
ijk
ꢀꢀ
(2)；
[0026]U
ij
[n]＝(1+β1H
ij1
[n])(1+β2H
ij2
[n])(1+β3H
ij3
[n])+σ
ꢀꢀ
(3)；
[0027]T
ij
[n]＝e
‑
αT
T
ij
[n
‑
1]+V
T
Y
ij
[n]ꢀꢀ
(4)；
[0028][0029]其中，H
ijk
[n]为外部输入通道，S
ijk
为外部刺激，U
ij
[n]为神经元内部活动 状态，其值和动态门限阈值T
ij
[n]比较，Y
ij
[n]为某一图片某一个像素点在此颜色 分量下的二值输出，V
T
为幅值归一化参数，W、M、P为权值矩阵，α为调整输 入平均水平等级参数，σ为神经元内部活动状态误差，β1、β2、β3为权值参数， i、j为图片像素点的横纵坐标，n为样本编号，k为某一颜色分量；
[0030]在三次卷积池化后进行权值参数更新，得到的权值参数用以这次迭代的后 三层卷积池化层及下一次迭代的前三层卷积池化过程，重复上述过程完成训 练，权值参数更新的计算公式如下，
[0031]g
i
(t)＝
▽
f(β
ti
)(6)；
[0032]m
t
＝λm
t
‑1+(1
‑
λ)g
i
(t) (7)；
[0033][0034][0035][0036]β
t+1i
＝β
ti
‑
η
t
(11)；
[0037]其中，g
i
(t)为参数梯度，f为，λ为动量因子，ε为初始学习率，i为某一 颜色分量，t为迭代次数，m
t
为一阶动量偏差，v
t
为二阶动量，m
t
为一阶动量，为i颜色分量本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器视觉的鹅种蛋识别定位方法，其特征在于：其包括以下步骤，拍摄产房环境下的鹅产蛋区图片；将拍摄到的鹅产蛋区原图输入检测模型中进行目标检测，对鹅蛋区域划分并分割需要抓取的鹅蛋图片；对分割出的鹅蛋图片进行预处理，并对鹅蛋边缘进行提取；将预处理后的图片分割为目标及背景像素块，将分割后的像素块图片输入微调的多路径卷积神经网络中，基于鹅蛋轮廓边界条件完成鹅蛋识别。2.如权利要求1所述的基于机器视觉的鹅种蛋识别定位方法及系统，其特征在于：鹅蛋区域划分的具体步骤为，设定鹅蛋置信度系数阈值，若鹅蛋识别框上的置信度系数不小于鹅蛋置信度系数阈值且此时无鹅的识别框，则判定此时可以抓取鹅蛋，根据识别框位置分割鹅蛋图片；若在图像中出现鹅识别框，不予处理；若图像中既无鹅识别框也无鹅蛋识别框，判定此时此产蛋区无鹅蛋可抓取。3.使用权利要求1或2所述的基于机器视觉的鹅种蛋识别定位方法，其特征在于：对分割出的鹅蛋图片进行处理的步骤具体为，对分割出来的鹅蛋图片进行中值滤波，减少拍摄时的噪声影响；对分割出的鹅蛋图片进行大津法阈值分割处理，按照图像的灰度特征差异值，将图像中鹅蛋的主体部分以白色像素块的方式提取出来，将鹅蛋分割图像划分为鹅蛋部分和背景部分，得到鹅蛋像素主体区域；对得到的鹅蛋分割图像进行边缘提取及鹅蛋边缘轮廓曲线拟合处理。4.如权利要求3所述的基于机器视觉的鹅种蛋识别定位方法，其特征在于：对得到的鹅蛋分割图像进行边缘提取时，利用Kirsch算子，设置不同的算子阈值，对鹅蛋边缘进行提取，从不同阈值算子中选择出最适合非结构环境下鹅蛋边缘提取的算子阈值为7000。5.如权利要求4所述的基于机器视觉的鹅种蛋识别定位方法及系统，其特征在于：对鹅蛋边缘轮廓曲线进行拟合时，建立鹅蛋轮廓边缘曲线方程，如下式所示，f＝a1x2+a2y2+a3xy+a4x+a5y+a6ꢀꢀꢀ
(1)；a1～a6为系数，x为以分割图片左下角为原点的笛卡尔坐标系横坐标，y为以分割图片左下角为原点的笛卡尔坐标系纵坐标。6.如权利要求5所述的基于机器视觉的鹅种蛋识别定位方法，其特征在于：使用神经网络识别的步骤具体为，将分割后的鹅蛋图片进行旋转、扭曲、添加噪声，扩充训练的数据集，提高模型的泛化性；分别提取n
’
个50*50像素大小的鹅蛋及背景像素块，其中n1个作为训练集，n2个作为测试集，利用最近临值差法将像素大小扩充为22*224，基于R、G、B三个颜色通道输入训练集像素块，建立训练模型，H
ijk
[n]＝M(Y[n
‑
1])+S
ijk
ꢀꢀꢀ
(2)；U
ij
[n]＝(1+β1H
ij1
[n])(1+β2H
ij2
[n])(1+β3H
ij3
[n])+σ
ꢀꢀꢀ
(3)；T
ij
[n]＝e
‑
αT
T
ij
[n
‑
1]+V
T
Y
ij
[n]
ꢀꢀꢀ
(4)；
其中，H
ijk
[n]为外部输入通道，S
ijk
为外部刺激，U

【专利技术属性】
技术研发人员：张燕军，葛于杰，高吉成，赵敏孟，吴伟伟，缪宏，张善文，戴敏，
申请(专利权)人：扬州大学，
类型：发明
国别省市：