基于深度学习的群蛋图像分割受精信息检测装置和方法制造方法及图纸

本发明专利技术提供了一种基于深度学习的群蛋图像分割受精信息检测装置及方法，检测方法包括以下步骤：首先采集深度群蛋透射图像，采用自行设计的图像分割方法，将群蛋透射图像分割单个目标区域，建立深度种蛋受精信息检测模型，通过优化过的MobileNetV1神经网络模型提取图像纹理特征，及种蛋孵化过程中受精信息在线检测，实现群体种蛋孵化过程的无损检测；装置操作简单，可一次对多个种蛋进行检测，生产效率高，能够实现对种蛋成活性的无损检测，宜形成规模化快速检测和满足当前自动化生产的需要；所属模型的建立方法，操作简洁，利用该模型可实现种蛋孵化早期无损受精检测，降低生产成本和提高检测效率。和提高检测效率。和提高检测效率。

【技术实现步骤摘要】
基于深度学习的群蛋图像分割受精信息检测装置和方法


[0001]本专利技术属于受精种蛋的检测领域，具体是一种基于深度学习的群蛋图像分割受精信息检测装置和方法。

技术介绍

[0002]种蛋孵化成雏鸡约需21天，为保证鸡胚胎的正常发育，孵化环境需保持一定的温湿度。孵化过程未能及时剔除无精蛋或死胚蛋，不仅占用孵化箱空间，浪费孵化资源，且其中的霉菌、细菌等有害微生物在孵化箱中迅速繁殖，甚至感染其他正常孵化的种蛋，导致孵化率降低，造成巨大的经济损失。因此，在种鸡蛋早期孵化中及时剔除无精蛋具有重要意义。
[0003]目前，市场上在孵化过程中剔除无精蛋最常见的方法主要是人工照蛋，这种方法费时费力，破损率较高，生产效率低，容易产生交叉感染和污染，且将种蛋长时间放置在孵化箱外会影响鸡胚胎的发育，导致孵化率降低。
[0004]现有技术中对种蛋成活性的无损检测采用的方法，包括基于种蛋的重量、长径、短径、蛋壳色度、蛋壳厚度和气室高度等特征，融合种蛋参数的无精蛋光电检测，判别无精蛋的准确率在第6天达到100％；或基于可见近红外光谱的孵化早期受精种蛋判别模型的建立方法，通过采集系统获取近红外光谱数据，利用算法对所获数据进行分析运算，在种蛋孵化早期实现对种蛋受精信息的无损检测与判别；或基于高光谱图像技术实现种蛋图像灰度共生矩阵的提取，通过建立svc分类模型实现了对种蛋的品质的检测。
[0005]但光谱设备对于低成本的农业生产来说过于昂贵，对检测环境也有较高的要求，且对象都是对单个种蛋，限制了这些方法的推广；上述方法虽能检测早期种蛋孵化情况，但操作复杂、成本高，不宜形成规模化快速检测和满足当前自动化生产的需要。目前，种蛋孵化品质检测方法是单个种蛋检测，效率低且成本高，而孵化品质群体检测方法鲜有研究。国内外学者对种蛋孵化品质的检测大多以白壳种鸡蛋研究为主，对褐壳种鸡蛋研究较少，市面上种鸡蛋多以褐壳蛋为主，对褐壳种鸡蛋研究具有重要的研究意义和应用价值，因此本研究提出了图像处理技术与深度学习相结合群体种蛋受精信息判别方法。

技术实现思路

[0006]本专利技术的目的是为了解决上述现有技术上存在的问题，提出一种基于深度学习的群蛋图像分割受精信息检测装置和方法，通过图像分割技术与深度学习技术相结合方式快速高效地将种蛋分割出来，鉴别种蛋是否受精，可以有效地节约了时间、节省孵化空间、人力和金钱的投入。
[0007]本专利技术为解决上述技术问题的不足而采用的技术方案是：
[0008]基于深度学习的群蛋图像分割受精信息检测方法，包括以下几个步骤：
[0009]步骤一、搭建群蛋检测平台：包括平台支架、平台底座、伺服电机、滚筒、双边传送带、拉紧装置、深度相机、蛋托定位气缸、光电传感器、可编程控制器、计算机、蛋托装置和对
应安装的照蛋装置；
[0010]步骤二、采集深度群蛋透射图像；
[0011]步骤三、群蛋感兴趣区域划分及目标区域掩码操作；
[0012]步骤四、建立深度种蛋受精信息检测模型，通过优化过的MobileNetV1神经网络模型提取图像纹理特征；
[0013]步骤五、种蛋识别网络性能测试；
[0014]步骤六、进行种蛋受精信息检测。
[0015]进一步的，所述的步骤二包括以下步骤：
[0016]A1：所述双边传送带带动所述蛋托装置运动，所述光电传感器检测到蛋托装置到达指定位置；
[0017]A2：驱动蛋托定位气缸实现蛋托装置与照蛋装置连接，照蛋装置开启，可编程控制器通过与计算机通信控制拍摄群蛋透射图像；
[0018]A：蛋托定位气缸复位，照蛋装置关闭。
[0019]进一步的，所述的步骤三包括以下步骤：
[0020]B1：通过搭建好的检测平台分别获取群体种蛋孵化第3d、4d、5d、6d、7d、8d天图像，对以上采集到的图像进行中值滤波，祛除图像中存在的椒盐噪声；
[0021]B2：通过图像分割与深度学习结合的方法获取感兴趣(ROI)区域实现对图片颜色纹理特征分类；
[0022]B3：为提高分割图片的速度和效果，对种蛋透射图像进行初步裁剪，在将裁剪后图像分割30个ROI区域，获得单个种蛋的ROI中心坐标；
[0023]B4：创建一个与分割后大小一致掩膜，在掩膜上绘制一个大小为ROI白色实心圆，利用掩膜(mask)进行“与”操作，通过相应的掩膜操作可保留ROI区域，即可完成群蛋单独分割。
[0024]进一步的，所述的步骤四包括以下步骤：
[0025]C1：在MobileNetV1网络顶层结构上改进，引入一层全连接层结构(Fully connected layer)、Rulu激活操作、批量归一化和Dropout，优化操作；
[0026]C2：使用ReLU非线性激活函数进行更深层次的特征提取，LRN层可对输入的局部区域归一化处理，在一定程度上提高模型的稳定性和精度，增强种蛋识别网络的泛化能力；
[0027]C3：将合格的种蛋样本照片导入搭建好的模型进行训练，采用混合训练与迁移学习结合的与训练模型进行微调，分类误差采用交叉熵误差进行计算，基于孵化过程中受精蛋透光率的改变，通过学习种蛋的颜色纹理特征将种蛋按照受精信息分类；
[0028]C4：分别选取预设数量的3d、4d、5d、6d、7d、8d单个种鸡蛋孵化透射图像，将透射图像通过数据增强的方式将其扩增，按7:3的比例划分为训练集与测试集，通过优化后的MobileNetv1网络结构建立群蛋受精信息检测模型，在孵化早期对无精蛋进行检测。
[0029]进一步的，深度学习方法对褐壳受精蛋识别最佳时间应为第八天最为适宜。
[0030]进一步的，所述的步骤五包括以下步骤：
[0031]D1：采用召回率、准确率、训练时间和网络参数量指标对基于优化后的MobileNetV1种蛋识别网络模型进行客观的评估，其准确率(acc)、召回率(recall)如公式1和公式2所示：
[0032]acc＝(TP+TN)/(TP+FP+TN+FN)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0033][0034]其中TP表示样本为正样本，预测结果为正；FP表示样本为负，预测结果为正；TN表示样本为负，预测结果也为负样本；FN表示样本为正，预测结果为负样本情况；
[0035]D2：采用二分类交叉熵损失函数来表达预测值与实际值的差异，损失函数公式如下：
[0036][0037]其中表示预测值，y
i
表示实际真实值，由于种蛋识别网路是二分类，故y
i
表示0或1，即0为受精蛋，1为无精蛋。
[0038]基于深度学习的群蛋图像分割受精信息检测装置，所述双边传送带通过传动带轮和同步带轮实现传动，所述双边传送带上设有蛋托装置，所述深度相机设置在所述蛋托装置正上方，所述深度相机与相机滑动式支架垂直连接；所述深度相机下方设置有蛋托定位气缸、照蛋装置和光电传感器，所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的群蛋图像分割受精信息检测方法，其特征在于，包括以下几个步骤：步骤一、搭建群蛋检测平台：包括平台支架(2)、平台底座(3)、伺服电机(6)、滚筒(7)、双边传送带(8)、拉紧装置(9)、深度相机(10)、蛋托定位气缸(12)、光电传感器(13)、可编程控制器(15)、计算机(16)、蛋托装置(1)和对应安装的照蛋装置(14)；步骤二、采集深度群蛋透射图像；步骤三、群蛋感兴趣区域划分及目标区域掩码操作；步骤四、建立深度种蛋(17)受精信息检测模型，通过优化过的MobileNetV1神经网络模型提取图像纹理特征；步骤五、种蛋(17)识别网络性能测试；步骤六、进行种蛋(17)受精信息检测。2.如权利要求1所述的基于深度学习的群蛋图像分割受精信息检测方法，其特征在于，所述的步骤二包括以下步骤：A1：所述双边传送带(8)带动所述蛋托装置(1)运动，所述光电传感器(13)检测到蛋托装置(1)到达指定位置；A2：驱动蛋托定位气缸(12)实现蛋托装置(1)与照蛋装置(14)连接，照蛋装置(14)开启，可编程控制器(15)通过与计算机(16)通信控制拍摄群蛋透射图像；A3：蛋托定位气缸(12)复位，照蛋装置(14)关闭。3.如权利要求1所述的基于深度学习的群蛋图像分割受精信息检测方法，其特征在于，所述的步骤三包括以下步骤：B1：通过搭建好的检测平台分别获取群体种蛋(17)孵化第3d、4d、5d、6d、7d、8d天图像，对以上采集到的图像进行中值滤波，祛除图像中存在的椒盐噪声；B2：通过图像分割与深度学习结合的方法获取感兴趣(ROI)区域实现对图片颜色纹理特征分类；B3：为提高分割图片的速度和效果，对种蛋(17)透射图像进行初步裁剪，在将裁剪后图像分割30个ROI区域，获得单个种蛋(17)的ROI中心坐标；B4：创建一个与分割后大小一致掩膜，在掩膜上绘制一个大小为ROI白色实心圆，利用掩膜(mask)进行“与”操作，通过相应的掩膜操作可保留ROI区域，即可完成群蛋单独分割。4.如权利要求1所述的基于深度学习的群蛋图像分割受精信息检测装置的检测方法，其特征在于，所述的步骤四包括以下步骤：C1：在MobileNetV1网络顶层结构上改进，引入一层全连接层结构(Fully connected layer)、Rulu激活操作、批量归一化和Dropout，优化操作；C2：使用ReLU非线性激活函数进行更深层次的特征提取，LRN层可对输入的局部区域归一化处理，在一定程度上提高模型的稳定性和精度，增强种蛋(17)识别网络的泛化能力；C3：将合格的种蛋(17)样本照片导入搭建好的模型进行训练，采用混合训练与迁移学习结合的与训练模型进行微调，分类误差采用交叉熵误差进行计算，基于孵化过程中受精蛋透光率的改变，通过学习种蛋(17)的颜色纹理特征将种蛋(17)按照受精信息分类；C4：分别选取预...

【专利技术属性】
技术研发人员：张伏，王顺青，曹炜桦，王新月，崔夏华，禹煌，张朝臣，滕帅，邱玉博，张亚坤，王甲甲，付三玲，
申请(专利权)人：河南科技大学，
类型：发明
国别省市：