本发明专利技术涉及一种基于机器学习随机森林算法的鸡蛋暗斑检测方法，该方法包括鸡蛋暗斑图像样本的采集步骤，预处理步骤，鸡蛋暗斑图像样本的特征值提取步骤，随机森林算法的模型构建，以及利用随机森林算法对暗斑进行自动识别和检测步骤。本发明专利技术提供的检测方法利用随机森林算法并运用鸡蛋本身的暗斑特征图像，建立自动化的鸡蛋暗斑评价体系，能够自动识别暗斑区域，并自动计算暗斑的面积大小，反映鸡蛋暗斑的严重程度。与其他机器学习算法相比，可以高效地对大量鸡蛋样本进行回归、分类及预测，且其构建模型所需样本数量少，准确率高，易用性强，能显著提高鸡蛋暗斑评价的效率及准确性和一致性，具有广阔的应用前景。具有广阔的应用前景。具有广阔的应用前景。
【技术实现步骤摘要】
一种基于机器学习随机森林算法的鸡蛋暗斑检测方法
[0001]本专利技术涉及鸡蛋暗斑检测领域，具体涉及一种基于机器学习随机森林算法的鸡蛋暗斑检测方法。
技术介绍
[0002]鸡蛋暗斑是在自然光条件下，鸡蛋表面可被肉眼观察到的灰色斑点，鸡蛋暗斑会降低鸡蛋的外观品质，影响消费者的购买欲望，给鸡蛋生产者造成潜在的经济损失。
[0003]目前，鸡蛋暗斑的检测方法主要是人工评级法，该方法采用人工的方式对鸡蛋进行照检，首先人工预选并制定出暗斑质量评价分级标准图，然后，检测员根据待测蛋暗斑与标准图的匹配度，对待测鸡蛋进行主观的评价分级。人工评价法所需的检测时间长，检测人员的劳动强度高，且受检测员个人主观因素的影响较大，往往无法准确、客观、一致地得到鸡蛋暗斑质量的评价结果。
[0004]为了克服人工评级过程中存在的效率低、准确性及一致性差的缺陷，基于图像特征获取及机器学习的蛋品质检测方法得到研究。
[0005]蒋敏兰等采集鸡蛋透光图像样本，应用GoogLeNet卷积神经网络模型，对鸡蛋暗斑进行等级评分(Minlan Jiang,Peilun Wu,Fei Li.Detecting dark spot eggs based on CNN GoogLeNet model[J].Wireless Networks,2021(prepublish).)；杨航等采用视觉传感器获取鸽蛋的图片，用YOLOv5s网络模型，对鸽蛋的受精蛋进行区分(CN20211083875.6，一种鸽蛋品质识别方法)，上述研究在蛋品质自动化评价方面进行了尝试，但仍存在诸多缺点。例如，所采用的GoogLeNet卷积神经网络模型，因为模型本身存在的过度矫正及梯度弥散问题，导致在初期的训练集构建时需要采集大量图像样本来进行训练，从而导致大量样本的损失；且上述方法的图像采集系统对硬件要求较高，一般的鸡蛋生产基地很难满足标准，因而易用性较差；此外，市场为了迎合消费者对蛋壳颜色的多元化消费需求，所推出的蛋壳颜色有时存在较大的差异性，现有的检测方法无法适用于对绿壳蛋的自动检测。
[0006]如何克服现有技术中存在的上述缺陷，开发一种检测效率高、准确性及一致性好，普适性强，且成本低的对蛋壳暗斑自动识别及检测方法是本领域技术人员关注的重点问题。
技术实现思路
[0007]本专利技术的目的在于提供一种基于机器学习随机森林算法的鸡蛋暗斑检测方法，以解决
技术介绍
中所提出的问题。
[0008]本专利技术所提供的基于机器学习随机森林算法的鸡蛋暗斑检测方法，包括如下步骤：
[0009]一种基于机器学习随机森林算法的鸡蛋暗斑检测方法，所述检测方法包括如下步骤：
[0010]步骤1，搭建照蛋图像采集系统，对待测鸡蛋进行鸡蛋暗斑图像样本的采集；
[0011]步骤2，对所述鸡蛋暗斑图像样本进行预处理；
[0012]步骤3，从所述鸡蛋暗斑图像样本中提取特征值；
[0013]步骤4，将所述特征值输入到随机森林算法中，进行随机森林的模型构建；
[0014]步骤5，输入待测图像样本，利用随机森林算法完成对暗斑的自动识别，并计算其面积占比。
[0015]可选的，所述对待测鸡蛋进行鸡蛋暗斑图像样本的采集，包括：
[0016]对暗斑蛋使用单一参数采集方式，其中，固定鸡蛋采集的感光度参数从而保证图像样本的透光率相同，每个暗斑蛋采集一张图像样本。
[0017]可选的，所述对所述鸡蛋暗斑图像样本进行预处理，包括：
[0018]采用线性缩放算法将所述鸡蛋暗斑图像样本转换为8bit的图像。
[0019]可选的，所述对所述鸡蛋暗斑图像样本进行预处理，还包括：
[0020]在8bit图像的基础上采用高斯模糊算法选取暗斑边界；
[0021]采用线性增强算法将所获取的暗斑边界图像进行增强，随后采用线性光融合模式将所述暗斑边界图像与原所述8bit图像进行加法运算，以满足随机森林算法模型快速建立及测试的先决条件。
[0022]可选的，所述对所述鸡蛋暗斑图像样本进行预处理，包括：
[0023]步骤2.1，对获得的暗斑图像样本自动颜色阈值筛选，将完整鸡蛋选入ROI中，并进行反选，对反选后的区域进行像素值设定，设定值固定为0，将背景噪音去除；
[0024]步骤2.2，将以去除背景噪音的所述暗斑图像样本，采用双线性插值算法进行缩放，将原图像缩放到原始大小的1/4，并进行三样本复制，复制后样本1命名为8bit，样本2命名为dealing，样本3命名为origin，并对其进行RGB色彩空间向8bit转换为后续处理做准备；
[0025]步骤2.3，对图像样本2
‑
dealing进行高斯模糊算法处理，σ值固定为2；使用减法运算将样本1
‑
8bit减高斯模糊后的样本2
‑
dealing图像，将减法运算结果进行乘法运算，增强值固定为15，得到所述暗斑图像样本的暗斑轮廓特征图像；
[0026]步骤2.4，将所得到的所述暗斑轮廓特称图像与样本3
‑
origin进行加法运算，得到一张暗斑轮廓被增强后的所述暗斑图像样本，将样本进行8bit运算以便暗斑区域自动识别。
[0027]可选的，所述从所述鸡蛋暗斑图像样本中提取特征值，包括：
[0028]将预处理后得到的一张图像样本进行图像特征提取，通过高斯模糊、高斯函数差分、膜投影、Hessian矩阵、Sobel滤波器，共五种不同图像特征筛选器提取图像样本中的图像特征，以满足所述随机森林算法的单个决策树基础结构单元。
[0029]可选的，对所述从所述鸡蛋暗斑图像样本中提取特征值，包括：
[0030]3.1，将预处理后得到的8bit图像样本输入到weka算法中，以使用高斯模糊、Hessian矩阵、sobel滤波器、高斯差以及膜投影进行特征数据的采集；
[0031]3.2，将图像进行高斯模糊，用n个σ照常变化对每个像素进行n次独立卷积，半径越大，图像越模糊，直到像素均匀化停止；
[0032]3.3，计算每个像素的图像强度梯度的近似值，在滤波之前，先进行σ值照常变化的高斯模糊，随后应用所述Sobel滤波器在水平和垂直方向上做像素值的差分，能够得到图像
梯度的近似值，在像素周围进行运算时，能够减少噪声带来的影响，得到轮廓特征；
[0033]3.4，提取特征值，在每个像素处进行计算一个2
×
2的Hessian矩阵，在滤波之前，先进行σ值照常变化的高斯模糊，通过矩阵运算在每个像素出得到以下特征：模块、轨迹、行列式、第一特征值、第二特征值、二阶导数最大方向值、伽马归一化平方特征值差、伽马归一化特征值差值的平方；
[0034]3.5，从原始图像中计算出两个高斯模糊图像，并从另一个中减去一个；σ值像往常一样变化，因此n(n
‑
1)/2个特征图像被添加到特征中；
[0035]3.6，膜投影通过定向过滤增强图像本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于机器学习随机森林算法的鸡蛋暗斑检测方法，其特征在于，所述检测方法包括如下步骤：步骤1，搭建照蛋图像采集系统，对待测鸡蛋进行鸡蛋暗斑图像样本的采集；步骤2，对所述鸡蛋暗斑图像样本进行预处理；步骤3，从所述鸡蛋暗斑图像样本中提取特征值；步骤4，将所述特征值输入到随机森林算法中，进行随机森林的模型构建；步骤5，输入待测图像样本，利用随机森林算法完成对暗斑的自动识别，并计算其面积占比。2.根据权利要求1所述的基于机器学习随机森林算法的鸡蛋暗斑检测方法，其特征在于，所述对待测鸡蛋进行鸡蛋暗斑图像样本的采集，包括：对暗斑蛋使用单一参数采集方式，其中，固定鸡蛋采集的感光度参数从而保证图像样本的透光率相同，每个暗斑蛋采集一张图像样本。3.根据权利要求1所述的基于机器学习随机森林算法的鸡蛋暗斑检测方法，其特征在于，所述对所述鸡蛋暗斑图像样本进行预处理，包括：采用线性缩放算法将所述鸡蛋暗斑图像样本转换为8bit的图像。4.根据权利要求3所述的基于机器学习随机森林算法的鸡蛋暗斑检测方法，其特征在于，所述对所述鸡蛋暗斑图像样本进行预处理，还包括：在8bit图像的基础上采用高斯模糊算法选取暗斑边界；采用线性增强算法将所获取的暗斑边界图像进行增强，随后采用线性光融合模式将所述暗斑边界图像与原所述8bit图像进行加法运算，以满足随机森林算法模型快速建立及测试的先决条件。5.根据权利要求1所述的基于机器学习随机森林算法的鸡蛋暗斑检测方法，其特征在于，所述对所述鸡蛋暗斑图像样本进行预处理，包括：步骤2.1，对获得的暗斑图像样本自动颜色阈值筛选，将完整鸡蛋选入ROI中，并进行反选，对反选后的区域进行像素值设定，设定值固定为0，将背景噪音去除；步骤2.2，将以去除背景噪音的所述暗斑图像样本，采用双线性插值算法进行缩放，将原图像缩放到原始大小的1/4，并进行三样本复制，复制后样本1命名为8bit，样本2命名为dealing，样本3命名为origin，并对其进行RGB色彩空间向8bit转换为后续处理做准备；步骤2.3，对图像样本2
‑
dealing进行高斯模糊算法处理，σ值固定为2；使用减法运算将样本1
‑
8bit减高斯模糊后的样本2
‑
dealing图像，将减法运算结果进行乘法运算，增强值固定为15，得到所述暗斑图像样本的暗斑轮廓特征图像；步骤2.4，将所得到的所述暗斑轮廓特称图像与样本3
‑
origin进行加法运算，得到一张暗斑轮廓被增强后的所述暗斑图像样本，将样本进行8bit运算以便暗斑区域自动识别。6.根据权利要求1所述的基于机器学习随机森林算法的鸡蛋暗斑检测方法，其特征在于，所述从所述鸡蛋暗斑图像样本中提取特征值，包括：将预处理后得到的一张图像样本进行图像特征提取，通过高斯模糊、高斯函数差分、膜投影、Hessian矩阵、Sobel滤波器，共五种不同图像特征筛选器提取图像样本中的图像特征，以满足所述随机森林算法的单个决策树基础结构单元。7.根据权利要求3所述的基于机器学习随机森林算法的鸡蛋暗斑检测方法，其特征在
于，对步骤3所述从所述鸡蛋暗斑图像样本中提取特征值，包括：3.1，将预处理后得到的8bit图像样本输入到weka算法中，以使用高斯模糊、Hessian矩阵、sobel滤波器、高斯差以及膜投影进行特征数据的采集；3.2，将图像进行高...
【专利技术属性】
技术研发人员：郑江霞，宣琳，徐桂云，杨宁，
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。