【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 ...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。