【技术实现步骤摘要】
一种基于深度学习的鸡蛋污损检测方法及系统
[0001]本专利技术属于图像处理
，特别涉及一种基于深度学习的鸡蛋污损检测方法及系统。
技术介绍
[0002]禽蛋产业是我国农业的重要组成部分，是关系到社会和民生的重要产业。近年来，我国禽蛋总产量已经达到两千八百万吨，蛋品加工年产值高达400亿元，已经成为我国畜产食品产业中的第二大产业，有着举足轻重的地位。作为一个禽蛋生产及消费大国，禽蛋蛋壳品质是后续加工、消费过程中一个尤为重要的指标。
[0003]鸡蛋脏污的种类包括禽粪、血污，以及鸡蛋壳的破损、裂纹等。在实际生产过程中，企业会对不同的污损状况采用不同的处理方法。对于小裂纹和无法通过清洗方式处理的脏污，企业一般会挑出作为次品蛋进行售卖。对于破损情况较为严重的鸡蛋，一般直接挑出打成蛋液进行销售。这样既避免了污损蛋污染正常的鸡蛋，同时也方便后续的售卖。
[0004]目前我国的禽蛋企业主要是依靠工人在灯光下目测的方法挑选脏污开裂的禽蛋，这种方法劳动强度大、效率低、容易造成视觉疲劳引起误判，另外，现有的主流检测方法主要靠敲击震动的声学特征进行检测，但无法准确的分别出具体是严重破损、轻度破损还是脏污。利用传统的视觉方法处理起来对于背景等杂质的抗干扰性不强，容易造成误检。而且还难以满足禽蛋自动化快速检测加工的要求。现行的自动化禽蛋污损检测处理设备价格较高，且只能检测出裂纹，无法具体区分是大裂纹、小裂纹还是脏污，无法进行更细致的处理。因此，一种能简洁、便捷、准确地进行鸡蛋污损检测的方法及系统是非常有必要的。>
技术实现思路
[0005]本专利技术的目的是提供一种基于深度学习的鸡蛋污损检测方法及系统，其特征在于，所述鸡蛋污损检测方法包括步骤：
[0006]101，获取流水线上的鸡蛋表面图像，其中鸡蛋可以在流水线上滚动，图像采集装置可以连续拍照或者拍摄，进而获得整个鸡蛋一周的图像；将所述图像信息传入计算机中进行简单的预处理；包括去噪处理和图像增强处理处理；
[0007]102，将处理后的图像传入基于深度学习的语义分割模型中，语义分割模型可以剔除背景图像，仅保留鸡蛋图像；其中所述语义分割模型是基于样本鸡蛋及预先确定的鸡蛋标签训练后获得的；
[0008]103，再将剔除背景干扰后的鸡蛋图像传入到基于深度学习的目标检测模型中，对鸡蛋裂纹和脏污进行检测。分析鸡蛋到底属于严重破损、轻微破损还是脏污中的哪一类；其中目标检测模型是基于鸡蛋脏污和裂纹的标签训练后获得的；
[0009]104，回传包括脏污类型及位置的检测信息，并展示结果。
[0010]所述获取流水线上待检测的鸡蛋的完整图像，包括：获取每一个鸡蛋完整一周的原始图像，对所述完整图像进行二值化处理、去噪处理和图像增强处理。
[0011]所述的基于深度学习的语义分割模型能有效剔除背景干扰，仅保留有鸡蛋图像的副本；语义分割对传入的图像进行分析，判断其图像中每个像素点所属类别，其像素点属于鸡蛋的标为一类，属于背景的标为另一类；将属于背景的像素点置白，属于鸡蛋的像素点变为透明；最终与原图像进行叠加，得到经语义分割后仅保留为鸡蛋的新图像，其图像为后续目标检测、识别作铺垫，减小后续目标检测的难度，提升检测的准确度。
[0012]所述后续目标检测是将之前处理后得到的仅保留有鸡蛋的图像传入目标检测模型中，获得所述目标检测模型输出的破损检测结果，包括：提取所述图像中的多个候选区域，将候选区域输入至基于深度学习的目标检测模型中，对候选区域进行调整，准确的识别出大裂纹、小裂纹和脏污；获得所述模型输出的识别结果；识别结果用于指示所述候选区域内是否存在大小裂纹和脏污。根据每个所述候选区域分别对应的识别结果，输出带有目标检测框的图像副本。
[0013]所述在带有目标检测框的图像副本中建立坐标系，获取所述目标检测框的坐标和所述流水线的尺寸信息，获取鸡蛋裂纹及污损区域的位置信息。
[0014]所述获取鸡蛋裂纹及污损区域的位置信息以识别目标检测框位于所述鸡蛋图像副本中的目标候选区域，所述目标候选区域的识别结果为存在大小裂纹或者存在脏污。
[0015]所述的基于深度学习的目标检测模型可以准确的识别出大裂纹、小裂纹和脏污；每个所述候选区域分别对应所述识别结果，回传包括脏污类型及位置的检测信息的识别结果，并展示结果。
[0016]所述一种鸡蛋污损检测系统，该系统由获取模块、语义分割模块、目标检测模块，结果展示模块串联组成；所述语义分割模型和目标检测模型是基于样本鸡蛋及预先确定的污损结果标注进行训练后获得的；其中获取模块用于获取待检测的流水线上的鸡蛋图像，可以对鸡蛋进行连续拍摄，由于流水线上的鸡蛋可以不断滚动，因此拍摄能够获得鸡蛋完整一周的图像；语义分割模块用于去除传入系统的流水线上鸡蛋图片的背景，减少干扰；目标检测模块用于将鸡蛋图像输入至语义分割模型中，先剔除背景干扰，再输入至目标检测模型，检测鸡蛋的裂纹和污损；进而获得鸡蛋污损位置信息；结果展示模块用于展示污损位置及相应的坐标信息。
[0017]所述一种鸡蛋污损检测系统的具体电子设备包括通信总线301、处理器302、存储器303、通信接口304；通信总线301完成处理器302、存储器303、通信接口304相互间的通信；所述存储器为一种非暂态计算机可读存储介质，其上存储有可在处理器上运行的计算机程序；通过在处理器上运行的计算机程序实现所述鸡蛋污损检测方法。
[0018]本专利技术的有益效果是采用基于深度学习的检测方法，通过采集若干流水线上的鸡蛋图像，将其传入到检测系统中，首先通过基于深度学习的语义分割模型，去除背景干扰。之后再利用基于深度学习的目标检测模型，来检测出大小裂纹和脏污。最终将污损框选，返回相应的检测信息并展示出来。现在市面上主要通过基于声学震动频率的方法进行污损检测，但是这种方法检测不出脏污。传统的计算机视觉方法在面对背景等杂质的抗干扰性较差。很容易发生误检。本专利技术通过基于深度学习的计算机视觉检测方法可以快速对鸡蛋污损进行检测，准确的区分出大小裂纹和脏污，方便后续加工生产，且成本较低，可以节省大量的人力物力成本。
附图说明
[0019]图1为基于深度学习的鸡蛋污损检测方法的流程示意图；
[0020]图2为基于深度学习的鸡蛋污损检测系统的结构示意图；
[0021]图3为电子设备的实体结构示意图；
具体实施方式
[0022]本专利技术提供一种基于深度学习的鸡蛋污损检测方法及系统，下面将结合附图对本专利技术进行清楚、完整地描述，
[0023]图1所示为基于深度学习的鸡蛋污损检测方法的流程示意图；在图1所示的基于深度学习的鸡蛋污损检测方法的流程示意图中，鸡蛋污损检测方法包括如下步骤：
[0024]步骤101，获取流水线上的鸡蛋图像，利用摄像机对鸡蛋进行连续拍照，并传入到系统中。其中，但要求鸡蛋能在流水线进行完整一周的滚动，这样才能保证照相机在拍照时可获得鸡蛋完整一周的图像。具体地，在鸡蛋经过采集装置时，相机进行拍照，之后将照片传送给图本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的鸡蛋污损检测方法，其特征在于，所述鸡蛋污损检测方法包括步骤：步骤101，获取流水线上的鸡蛋表面图像，其中鸡蛋可以在流水线上滚动，图像采集装置可以连续拍照或者拍摄，进而获得整个鸡蛋一周的图像；将所述图像信息传入计算机中进行简单的预处理；包括去噪处理和图像增强处理处理；步骤102，将处理后的图像传入基于深度学习的目标检测模型中的语义分割模型，语义分割模型可以剔除背景图像，仅保留鸡蛋图像；其中所述语义分割模型是基于样本鸡蛋及预先确定的鸡蛋标签训练后获得的；其中目标检测模型包含语义分割模型和污损检测两个处理部分；步骤103，再将剔除背景干扰后的鸡蛋图像传入到基于深度学习的目标检测模型中，对鸡蛋裂纹和脏污进行检测。分析鸡蛋到底属于严重破损、轻微破损还是脏污中的哪一类；其中目标检测模型是基于鸡蛋脏污和裂纹的标签训练后获得的；步骤104，回传包括脏污类型及位置的检测信息，并展示结果。2.根据权利要求1所述的基于深度学习的鸡蛋污损检测方法，其特征在于，所述获取流水线上待检测的鸡蛋的完整图像，包括：获取每一个鸡蛋完整一周的原始图像，对所述完整图像进行二值化处理、去噪处理和图像增强处理。3.根据权利要求1所述的基于深度学习的鸡蛋污损检测方法，其特征在于，所述的基于深度学习的语义分割模型能有效剔除背景干扰，仅保留有鸡蛋图像的副本；语义分割对传入的图像进行分析，判断其图像中每个像素点所属类别，其像素点属于鸡蛋的标为一类，属于背景的标为另一类；将属于背景的像素点置白，属于鸡蛋的像素点变为透明；最终与原图像进行叠加，得到经语义分割后仅保留为鸡蛋的新图像，其图像为后续目标检测、识别作铺垫，减小后续目标检测的难度，提升检测的准确度。4.根据权利要求1所述的基于深度学习的鸡蛋污损检测方法，其特征在于，所述后续目标检测是将之前处理后得到的仅保留有鸡蛋的图像传入目标检测模型中，获得所述目标检测模型输出的破损检测结果，包括：提取所述图像中的多个候选区域，将候选区域输入至基于深度学习的目标检测模型中，对候选区域进行调整，准确的识别出大裂纹、小裂纹和脏污；获得所述模型输出的识别结果；识别结果用于指示所述候选区域内是否存在大...
【专利技术属性】
技术研发人员：孙龙清，张远，王泊宁，孟新宇，
申请(专利权)人：中国农业大学，
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。