一种基于深度学习的鸡蛋重量检测方法及设备技术

本发明专利技术涉及一种基于深度学习的鸡蛋重量检测方法及设备，设备包括有机架及安装在机架上的送料运输带机构、视觉检测机构、分料运输机构；视觉检测机构采集不同形状的鸡蛋作为原始数据集，构建训练集；对原始数据集和训练集进行图像降噪，轮廓边缘提取，计算鸡蛋形状特征值，轮廓面积；构建初始深度学习训练网络进行训练，以训练集的鸡蛋形状特征值作为训练输入特征，以原始数据集的鸡蛋轮廓形状特征值作为训练目标；训练完成后，得到最终深度学习训练网络模型；获取待识别鸡蛋的图片，利用深度学习训练模型自动确定鸡蛋轮廓形状特征，准确计算鸡蛋重量，提高系统鸡蛋重量检测的适用性。性。性。

【技术实现步骤摘要】
一种基于深度学习的鸡蛋重量检测方法及设备


[0001]本专利技术涉及鸡蛋检测技术方案，尤其是涉及鸡蛋重量测量的


技术介绍

[0002]目前，现有技术对鸡蛋重量的测量方法，是将鸡蛋放在重量传感器中直接得出鸡蛋的重量，对于一个鸡蛋可以相对应测量其重量，对于一盘鸡蛋，数量不一致，且大小形状有一定的区别，重量传感器检测没有办法直接检测出对应的每一个鸡蛋的重量。传统的测量方法可以通过一个一个测量的方式得到每一个鸡蛋的重量，对于数量较大的鸡蛋检测重量来说，检测效率不高，而且重量相似并不能区别鸡蛋的形状。鸡蛋轮廓有相似性，但是重量相同的鸡蛋也存在不同的形状。
[0003]因此，如何准确高效地检测大量鸡蛋的重量并标号分类，是本领域技术人员需要解决的问题。

技术实现思路

[0004]本专利技术的目的在于针对现有技术的不足，提供一种基于深度学习的鸡蛋重量检测方法及设备，利用深度学习训练模型自动确定鸡蛋轮廓形状特征，准确计算鸡蛋重量，提高系统鸡蛋重量检测的适用性。
[0005]为达到上述目的，本专利技术提供了一种基于深度学习的鸡蛋重量检测方法，该方法包括以下步骤：步骤1，采集不同形状的鸡蛋作为原始数据集，通过对原始数据集进行数据增广，构建训练集；不同形状是指鸡蛋的轮廓圆度不同，鸡蛋长度宽度比不同，鸡蛋轮廓平滑度不同；步骤2，对原始数据集和训练集进行图像降噪，轮廓边缘提取，计算鸡蛋形状特征值，轮廓面积；步骤3，构建初始深度学习训练网络进行训练，以训练集的鸡蛋形状特征值作为训练输入特征，以原始数据集的鸡蛋轮廓形状特征值作为训练目标；所述深度学习训练网络包括编码器和解码器，二者之间连接有两层GRU层；训练完成后，得到最终深度学习训练网络模型；步骤4，获取待识别鸡蛋的图片，利用所述最终深度学习训练网络模型求取待识别鸡蛋的形状特征值和鸡蛋的重量。
[0006]上述方案进一步是，所述步骤4的具体方式为：待识别鸡蛋的图片经过图片处理、轮廓提取、边缘填充后再利用最终深度学习训练网络模型求取待识别鸡蛋的形状特征值和鸡蛋对应的重量面积比值，通过最终深度学习训练网络模型输出的形状特征值和预测相应的重量面积比值进行鸡蛋的重量检测。
[0007]为达到上述目的，本专利技术提供了一种鸡蛋重量检测设备，该鸡蛋重量检测设备基于机器视觉及上述的基于深度学习的鸡蛋重量检测方法进行鸡蛋重量检测，所述鸡蛋重量
检测设备包括有机架及安装在机架上的送料运输带机构、视觉检测机构、分料运输机构；分料运输机构衔接送料运输带机构，且分料运输机构设有多条鸡蛋运输通道，每条鸡蛋运输通道实现鸡蛋逐个水平运送；视觉检测机构设置于分料运输机构的上方，视觉检测机构通过拍摄获得鸡蛋运输通道中的鸡蛋的图片，获取待识别鸡蛋的图片并输送给电脑，该电脑中包括有运行上述的基于深度学习的鸡蛋重量检测方法的模块。
[0008]上述方案进一步是，所述送料运输带机构包括有控制电机、运输带及至少两根运输轮轴，运输轮轴定位在机架上并在运输方向前后间隔，运输带安装在运输轮轴上并跟随运输轮轴转动，控制电机至少驱动其中之一的运输轮轴，使运输带循环运动并提供水平的输送平面；分料运输机构搭接在该输送平面上，分料运输机构的鸡蛋入料口可容纳整个运输带范围的鸡蛋数量，鸡蛋运输通道通过钣金片材分隔构造，鸡蛋运输通道的内下底为运输带。
[0009]上述方案进一步是，所述视觉检测机构包括相机、光源及固定架，固定架固定连接机架并提供上层固定部和下层固定部；相机安装在上层固定部上且相机的光轴垂直对准分料运输机构，用于鸡蛋的拍照，获得鸡蛋运输通道中的鸡蛋图片；光源安装在下层固定部上且位于相机和分料运输机构之间，光源提供光照来配合相机拍摄。
[0010]上述方案进一步是，所述机架是卧式框架，且机架上设有两层，送料运输带机构安装在机架的上层，而机架的下层设有包装运输机构，该包装运输机构是循环传送带形体；在分料运输机构的每条鸡蛋运输通道的终点处设置有孔隙，孔隙连接包装运输机构。
[0011]与现有技术相比本专利技术的有益效果是：1、无论鸡蛋形状如何，都可以准确获取其形状特征值，从而计算出更加准确的重量面积比。
[0012]2、鸡蛋平面摆放情况下，不容易重合遮挡，因而也不存在识别出错的情况。
[0013]3、一张图片可以同时拍摄多个鸡蛋进行检测标号，做到重量传感器不能同时测量不同鸡蛋重量。
[0014]4、基于AI神经网络算法，很好地解决了传统重量检测难以多进程对应检测的问题，给视觉检测重量奠定了基础。
[0015]5、鸡蛋重量检测设备通过设置视觉检测机构实现同时检测数量的鸡蛋重量，可以对每一条的鸡蛋检测线进行标注。每个鸡蛋分料行走，可以直接落在缓冲包装盒上，达到快速进行鸡蛋的运输检测包装。
[0016]附图说明：图1是本专利技术基于深度学习的鸡蛋重量检测方法的流程图；图2是本专利技术深度学习训练模型结构简化图；图3是本专利技术提供的鸡蛋重量检测设备结构示意图；图4是图3另一视角结构示意图；图5是图3的侧面结构示意图。
[0017]具体实施方式：以下将结合附图对本专利技术的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本专利技术的目的、特征和效果。
[0018]需要说明的是，在本专利技术的描述中，术语“上”、“下”、“左”、“右”、“竖直”、“水平”、
“
内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系，这仅仅是为了便于描述，而不是指示或暗示所述装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。
[0019]参阅图1、2所示，本专利技术提供的一种基于深度学习的鸡蛋重量检测方法，包括以下步骤：步骤1，采集不同形状的鸡蛋作为原始数据集，通过对原始数据集进行数据增广，构建训练集；不同形状是指鸡蛋的轮廓圆度不同，鸡蛋长度宽度比不同，鸡蛋轮廓平滑度不同；步骤2，对原始数据集和训练集进行图像降噪，轮廓边缘提取，计算鸡蛋形状特征值，轮廓面积；步骤3，构建初始深度学习训练网络进行训练，以训练集的鸡蛋形状特征值作为训练输入特征，以原始数据集的鸡蛋轮廓形状特征值作为训练目标；所述深度学习训练网络包括编码器和解码器，二者之间连接有两层GRU层；训练完成后，得到最终深度学习训练网络模型；步骤4，获取待识别鸡蛋的图片，利用所述最终深度学习训练网络模型求取待识别鸡蛋的形状特征值和鸡蛋的重量，具体方式为：待识别鸡蛋的图片经过图片处理、轮廓提取、边缘填充后再利用最终深度学习训练网络模型求取待识别鸡蛋的形状特征值和鸡蛋对应的重量面积比值，通过最终深度学习训练网络模型输出的形状特征值和预测相应的重量面积比值进行鸡蛋的重量检测。
[0020]本专利技术通过模型输出的鸡蛋轮廓形状对应的重量面积比值和鸡蛋轮廓面积鸡蛋重量的检测，有利于应对不同形状鸡蛋的重量检测，可以对鸡蛋轮廓形状对应重量面积比值的特征值进行不同的后处理方式增本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的鸡蛋重量检测方法，其特征在于，该方法包括以下步骤：步骤1，采集不同形状的鸡蛋作为原始数据集，通过对原始数据集进行数据增广，构建训练集；不同形状是指鸡蛋的轮廓圆度不同，鸡蛋长度宽度比不同，鸡蛋轮廓平滑度不同；步骤2，对原始数据集和训练集进行图像降噪，轮廓边缘提取，计算鸡蛋形状特征值，轮廓面积；步骤3，构建初始深度学习训练网络进行训练，以训练集的鸡蛋形状特征值作为训练输入特征，以原始数据集的鸡蛋轮廓形状特征值作为训练目标；所述深度学习训练网络包括编码器和解码器，二者之间连接有两层GRU层；训练完成后，得到最终深度学习训练网络模型；步骤4，获取待识别鸡蛋的图片，利用所述最终深度学习训练网络模型求取待识别鸡蛋的形状特征值和鸡蛋的重量。2.根据权利要求1所述的一种基于深度学习的鸡蛋重量检测方法，其特征在于：所述步骤4的具体方式为：待识别鸡蛋的图片经过图片处理、轮廓提取、边缘填充后再利用最终深度学习训练网络模型求取待识别鸡蛋的形状特征值和鸡蛋对应的重量面积比值，通过最终深度学习训练网络模型输出的形状特征值和预测相应的重量面积比值进行鸡蛋的重量检测。3.一种鸡蛋重量检测设备，其特征在于，该鸡蛋重量检测设备基于机器视觉及上述权利要求1或2的基于深度学习的鸡蛋重量检测方法进行鸡蛋重量检测，所述鸡蛋重量检测设备包括有机架（1）及安装在机架上的送料运输带机构（2）、视觉检测机构（3）、分料运输机构（4）；分料运输机构（4）衔接送料运输带机构（2），且分料运输机构（4）设有多条鸡蛋运输通道（41），每条鸡蛋运输通道（41）实现鸡蛋逐个水平运送；视觉检测机构（3）设置于分料运输机构（4）的上方，视觉检测机构（3）通过拍摄获得鸡蛋运输通道（41）中的鸡蛋的图片，获取待识别鸡蛋...

【专利技术属性】
技术研发人员：邓国华，林福清，梁经伦，
申请(专利权)人：东莞理工学院，
类型：发明
国别省市：