本发明专利技术公开了一种基于机器视觉的青蟹分拣方法及系统，本发明专利技术涉及机器视觉技术领域。包括以下步骤：采集若干已知性别青蟹的腹甲纹理图像信息；建立青蟹性别识别模型，以样本图像作为识别模型的输入数据，并以样本图像中的性别标记为标签，对青蟹性别识别模型进行训练；采集待分拣青蟹腹甲纹理和背甲轮廓的图像，进行图像预处理，同时获取青蟹的重量信息；将预处理后的腹甲纹理图像输入完成训练的模型中，得到各待分拣青蟹的性别信息，基于预处理后的待分拣青蟹的背甲轮廓图像，计算青蟹背甲的面积大小；基于青蟹的性别信息、青蟹背甲的面积大小和青蟹重量信息生成综合评估系数，根据综合评估系数将青蟹进行等级划分。
【技术实现步骤摘要】
本专利技术涉及机器视觉，具体为一种基于机器视觉的青蟹分拣方法及系统。
技术介绍
1、青蟹在中国主要分布于南海、东海和黄海等沿海地区，同时也在东南亚和其他热带、亚热带地区广泛养殖。不同产地的水温、盐度、营养环境、饵料种类等因素会显著影响青蟹的生长速度、外观特征和营养风味等。然而，由于供应链复杂，青蟹的产地信息在流通过程中容易混淆或缺失，尤其在跨区域贸易中，难以保证原产地信息的准确性。虽然部分大型养殖场和品牌已开始应用区块链、二维码等技术进行产品追溯，但整体上青蟹产业的溯源体系并不完善，尤其是在小型养殖户中，溯源技术的应用更为有限。传统的产地信息采集方式依赖于手工记录，容易出现人为误差。此外，缺乏统一的溯源标准和法规监管，使得青蟹从养殖、运输到销售过程中的信息缺失或篡改问题难以杜绝。随着青蟹市场需求的上升，一些不法商贩利用伪造产地或掺假行为提高利润。
2、但是，青蟹的品质分类大多依赖人工操作。在市场或批发环节，工人通常根据外观、手感等主观经验来判断青蟹的质量。然而，由于青蟹个体大小和形态差异较大，人工分拣耗时费力，而且分拣结果容易受到人工主观因素的影响，导致分类结果不一致，进而影响市场价格和消费者信任。此外，人工分拣的效率较低，无法适应青蟹大规模上市时的高效处理需求，尤其在高峰期供应链压力较大时，容易导致滞销或存储问题。随着劳动力成本的上升，依赖人工进行青蟹分类的方式成本逐渐增加，尤其是对规模化养殖和销售的企业来说，这种模式显得更加不可持续，解决人工品质分类耗时费力问题的关键在于推动青蟹品质分类的标准化和自动化。
3、因此亟须开发一种自动且高效的青蟹分拣方法，来提高分拣效率，避免人工分拣过程中可能出现的主观误差，确保青蟹的品质分类更加精准和一致，有助于形成统一的市场标准，减少对人力的依赖。
4、现有技术中的，公开号为cn116740473b公开了一种基于机器视觉的渔获物自动分拣方法及系统，通过获取渔获物个体重量信息，根据所述渔获物个体重量信息进行初步分类；获取初步分类后的渔获物图像信息，根据所述渔获物图像信息进行渔获物类别分析，根据渔获物类别信息对渔获物进行再分类；获取再分类后的渔获物红外传感信息和再分类后的渔获物图像信息，对渔获物进行生命特征分析；获取进行生命特征分类后的渔获物外观图像信息，根据所述渔获物外观图像信息进行渔获物外观状态分析和质量等级评估。提高了渔获物分拣的效率性和准确性，同时进行渔获物质量等级评估。但此方法中，如果训练数据不够多样化，模型可能无法很好地泛化到新的、未见过的渔获物，尤其是不同种类、大小和外观的样本。当渔获物体重相似时，仅通过重量进行初步分类可能会导致误分类。不同种类的渔获物可能在重量上重叠，无法仅凭这一特征进行有效分类。同时处理过程相对复杂，可能导致分拣的效果受到影响，使得分拣系统的实时性、有效性降低。
5、在所述
技术介绍
部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
1、本专利技术的目的在于提供一种基于机器视觉的青蟹分拣方法及系统，以解决上述
技术介绍
中提出的问题。
2、为实现上述目的，本专利技术提供如下技术方案：
3、一种基于机器视觉的青蟹分拣方法，具体步骤包括：
4、采集若干已知性别青蟹的腹甲纹理图像信息，基于人工标记的方式在各腹甲纹理图像中标记出青蟹的性别，将标记后的腹甲纹理图像记为样本图像，所述青蟹的性别包括雌性和雄性；
5、建立青蟹性别识别模型，以样本图像作为识别模型的输入数据，并以样本图像中的性别标记为标签，对青蟹性别识别模型进行训练，得到输入为青蟹腹甲纹理图像，输出为图像中青蟹性别的识别模型；
6、将待分拣青蟹腹甲朝上通过透明传送带进入信息采集区，在信息采集区通过高清摄像头采集待分拣青蟹腹甲纹理和背甲轮廓的图像信息，对采集的图像进行图像增强和降噪预处理，同时在信息采集区设置称重装置，用于获取从信息采集区经过的青蟹重量信息；
7、将预处理后的待分拣青蟹的腹甲纹理图像输入完成训练的青蟹性别识别模型中，得到各待分拣青蟹的性别信息，基于预处理后的待分拣青蟹的背甲轮廓图像，提取青蟹背甲轮廓图像的边缘轮廓特征信息，计算青蟹背甲的面积大小；
8、基于青蟹的性别信息、青蟹背甲的面积大小和青蟹重量信息生成综合评估系数，根据生成的综合评估系数与预先设定的等级阈值相对比，根据不同的对比结果将青蟹进行等级划分，生成并自动绑定等级信息标签后传送到对应的包装箱内。
9、进一步地，采用人工标记的方式在各腹甲纹理图像中标记出青蟹的性别所依据的具体步骤包括：选择标注工具labelimg，在标记工具中设置分类，包括雄性和雌性，通过标注工具逐张打开腹甲纹理图像，根据每张图像已知的青蟹性别信息，使用标注工具labelimg在相应位置进行标记。
10、进一步地，基于卷积神经网络建立青蟹性别识别模型，其中所述卷积神经网络，由输入层、卷积层、池化层、全连接层和输出层组成，其中卷积层中的激活函数为tanh函数，对于全连接层，设置全连接层神经元数量为32，初始神经网络学习率设为0.001，训练轮数为100。
11、进一步地，所述信息采集区包括两台高清摄像机和称重装置，信息采集区域的正上方安装有高清摄像头1用于对青蟹腹甲信息的收集，底部安装有高清摄像头2用于对青蟹背甲信息的收集和测量，同时在信息采集区设置称重装置，用于获取从信息采集区经过的青蟹重量信息，标定gi为第i只待分拣青蟹的重量，其中i为青蟹的索引，i＝1,2,…,n，n表示当前待分拣青蟹的数量。
12、进一步地，将采集的待分拣青蟹的腹甲纹理图像输入完成训练的青蟹性别识别模型中，得到各待分拣青蟹的性别信息，将青蟹的性别信息进行映射编码，将雌性青蟹的性别信息标记为-1，将雄性青蟹的性别信息标记为1；
13、基于待分拣青蟹的背甲轮廓图像，提取青蟹背甲轮廓图像的边缘轮廓特征信息所依据的方法为：通过canny边缘检测算法，找到图像中亮度变化最大的地方，形成边缘，优化边缘检测的结果，确保只提取出青蟹背甲的边缘；使用轮廓检测方法，提取出图像中的外部轮廓，即青蟹背甲的外围轮廓，并将其转换为二值图像，轮廓区域内图像像素为255，轮廓区域外背景图像像素为0，即轮廓区域内图像为白色，轮廓区域外背景图像为黑色；基于转换后的二值图像，统计轮廓区域的白色像素数量，使用像素计数法计算轮廓面积，以此轮廓面积表征青蟹背甲的面积大小，其中使用像素计数法计算轮廓面积所依据的公式为：
14、mi＝ei*α
15、式中，mi表示第i个待分拣青蟹的背甲面积，ei表示第i个待分拣青蟹背甲图像中像素为255的像素点个数，α表示每个像素的实际面积。
16、进一步地，基于青蟹的性别信息、青蟹背甲的面积大小和青蟹重量信息生成综合评估系数，其中综合评估系数计算所依据的公式为：
17、
18、式中，zh本文档来自技高网
...
【技术保护点】
1.一种基于机器视觉的青蟹分拣方法，其特征在于，具体步骤包括：
2.根据权利要求1所述的一种基于机器视觉的青蟹分拣方法，其特征在于：采用人工标记的方式在各腹甲纹理图像中标记出青蟹的性别所依据的具体步骤包括：选择标注工具LabelImg，在标记工具中设置分类，包括雄性和雌性，通过标注工具逐张打开腹甲纹理图像，根据每张图像已知的青蟹性别信息，使用标注工具LabelImg在相应位置进行标记。
3.根据权利要求2所述的一种基于机器视觉的青蟹分拣方法，其特征在于：基于卷积神经网络建立青蟹性别识别模型，其中所述卷积神经网络，由输入层、卷积层、池化层、全连接层和输出层组成，其中卷积层中的激活函数为Tanh函数，对于全连接层，设置全连接层神经元数量为32，初始神经网络学习率设为0.001，训练轮数为100。
4.根据权利要求1所述的一种基于机器视觉的青蟹分拣方法，其特征在于：所述信息采集区包括两台高清摄像机和称重装置，信息采集区域的正上方安装有高清摄像头1用于对青蟹腹甲信息的收集，底部安装有高清摄像头2用于对青蟹背甲信息的收集和测量，同时在信息采集区设置称重装置，用于获取从信息采集区经过的青蟹重量信息，标定Gi为第i只待分拣青蟹的重量，其中i为青蟹的索引，i＝1,2,…,n，n表示当前待分拣青蟹的数量。
5.根据权利要求4所述的一种基于机器视觉的青蟹分拣方法，其特征在于：将采集的待分拣青蟹的腹甲纹理图像输入完成训练的青蟹性别识别模型中，得到各待分拣青蟹的性别信息，将青蟹的性别信息进行映射编码，将雌性青蟹的性别信息标记为-1，将雄性青蟹的性别信息标记为1；
6.根据权利要求5所述的一种基于机器视觉的青蟹分拣方法，其特征在于：基于青蟹的性别信息、青蟹背甲的面积大小和青蟹重量信息生成综合评估系数，其中综合评估系数计算所依据的公式为：
7.根据权利要求6所述的一种基于机器视觉的青蟹分拣方法，其特征在于：根据生成的综合评估系数与预先设定的等级阈值相对比，根据不同的对比结果将青蟹进行等级划分所依据的逻辑为：标定预先设定的等级阈值为YZ，其中YZ大于0；
8.一种基于机器视觉的青蟹分拣系统，其特征在于：所述基于机器视觉的青蟹分拣系统用于执行权利要求1-7任一项所述的一种基于机器视觉的青蟹分拣方法，包括：
...
【技术特征摘要】
1.一种基于机器视觉的青蟹分拣方法，其特征在于，具体步骤包括：
2.根据权利要求1所述的一种基于机器视觉的青蟹分拣方法，其特征在于：采用人工标记的方式在各腹甲纹理图像中标记出青蟹的性别所依据的具体步骤包括：选择标注工具labelimg，在标记工具中设置分类，包括雄性和雌性，通过标注工具逐张打开腹甲纹理图像，根据每张图像已知的青蟹性别信息，使用标注工具labelimg在相应位置进行标记。
3.根据权利要求2所述的一种基于机器视觉的青蟹分拣方法，其特征在于：基于卷积神经网络建立青蟹性别识别模型，其中所述卷积神经网络，由输入层、卷积层、池化层、全连接层和输出层组成，其中卷积层中的激活函数为tanh函数，对于全连接层，设置全连接层神经元数量为32，初始神经网络学习率设为0.001，训练轮数为100。
4.根据权利要求1所述的一种基于机器视觉的青蟹分拣方法，其特征在于：所述信息采集区包括两台高清摄像机和称重装置，信息采集区域的正上方安装有高清摄像头1用于对青蟹腹甲信息的收集，底部安装有高清摄像头2用于对青蟹背甲信息的收集和测量，同时在信息采集区设置称重装置...
【专利技术属性】
技术研发人员：陈绍坚，冯明飞，段茜茜，陈宝佳，温小波，吴坤，方康，张庆宇，欧阳雯玮，
申请(专利权)人：广州南沙华农渔业研究院，
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。