一种土禽蛋的识别方法及其识别装置与流程

本发明涉及农业品的识别领域，特别涉及一种土禽蛋的识别方法及其识别装置。

背景技术：

随着计算机和图像处理技术的发展，机器视觉技术的研究和应用已扩展到农业工程领域。农业生产中部分工作是对农作物或农产品外观进行判断，如水果品质检测、果实成熟度判别、作物生长状况以及杂草的识别等。这些过去主要依靠人的视觉进行辨别和判断的工作，可以由机器视觉技术部分或全部替代，从而提高生产效率，降低人的劳动强度，实现农业自动化和智能化。

相比与圈养鸡所产蛋，土鸡在自然环境(林地、山地等)中生长，吃的也都是虫子、野草等随机的天然食物。从一定角度来看，土鸡产出的土鸡蛋品质相对较好，农家土鸡蛋更加受到消费者的青睐。由于土鸡营养摄入不固定的影响，生产周期较长，导致鸡蛋产量低，产蛋时间不确定，产蛋个头一般较小，土鸡蛋个体颜色和尺寸均相差较大。市场上便出现一些以圈养鸡蛋冒充农家土鸡蛋出售的现象。目前，绝大多数情况下还是完全依赖人工经验识别农家土鸡蛋，主观性太大，往往判断结果相差较大；真正掌握这方面经验的专业人士比较少，当鸡蛋数目较多时，人工识别成本较高，也根本无法在短时间内完成，从而助长行业中“以次充好”的不良风气。同理，不光是土鸡蛋，土鸭蛋、土鹅蛋等禽蛋也均有上述问题。

因此，如何寻找一种新的方法克服人的经验及主观性带来的误差来识别出土禽蛋，是本领域技术人员亟待解决的技术问题。

技术实现要素：

有鉴于此，本发明的目的在于提供一种土禽蛋的识别方法及其识别装置，可以降低人工识别成本，并且可以克服人的经验及主观性带来的误差，遏制农产品流通环节“以次充好”的现象。

为解决上述技术问题，本发明提供一种土禽蛋的识别方法，包括：

采集多个待测禽蛋的特征信息；

根据采集到的所述待测禽蛋的特征信息，计算出信息熵；

将所述信息熵与预设阈值进行比较，若所述信息熵大于所述预设阈值时，判断所述待测禽蛋为土禽蛋；若否，判断所述待测禽蛋混有圈养禽蛋。

优选地，在本发明实施例提供的上述土禽蛋的识别方法中，采用下述方式确定所述预设阈值：

采集多个土禽蛋、圈养禽蛋的特征信息；

根据采集到的所述土禽蛋、圈养禽蛋的特征信息，通过机器学习算法计算出标准信息熵，所述标准信息熵作为预设阈值。

优选地，在本发明实施例提供的上述土禽蛋的识别方法中，采集多个待测禽蛋的特征信息，具体包括：

通过机器视觉技术采集多个待测禽蛋的特征信息。

优选地，在本发明实施例提供的上述土禽蛋的识别方法中，所述特征信息包括颜色和尺寸中的至少一种。

优选地，在本发明实施例提供的上述土禽蛋的识别方法中，所述特征信息包括重量。

优选地，在本发明实施例提供的上述土禽蛋的识别方法中，在采集多个待测禽蛋的颜色和尺寸之前，还包括：

将多个待测禽蛋放入包装测试盒；所述包装测试盒与所述待测禽蛋具有设定范围的色差。

优选地，在本发明实施例提供的上述土禽蛋的识别方法中，所述包装测试盒具有阵列排布的多个孔，每个所述孔中放入一个所述待测禽蛋。

优选地，在本发明实施例提供的上述土禽蛋的识别方法中，所述包装测试盒具有排布方式为10×10个孔；

所述机器视觉技术使用的摄像头像素在2592×1944以上。

本发明还相应公开了一种识别装置，包括：

采集模块，用于采集多个待测禽蛋的颜色和尺寸；

计算模块，用于根据采集到的所述待测禽蛋的颜色和尺寸，计算出信息熵；

比较模块，用于将所述信息熵与预设阈值进行比较，若所述信息熵大于所述预设阈值时，判断所述待测禽蛋为土禽蛋；若否，判断所述待测禽蛋混有圈养禽蛋。

优选地，在本发明实施例提供的上述土禽蛋的识别装置中，还包括：

学习模块，用于采集多个土禽蛋、圈养禽蛋的特征信息；根据采集到的所述土禽蛋、圈养禽蛋的特征信息，通过机器学习算法计算出标准信息熵，所述标准信息熵作为预设阈值。

本发明提供的一种土禽蛋的识别方法及其识别装置，包括：采集多个待测禽蛋的特征信息；根据采集到的待测禽蛋的特征信息，计算出信息熵；将信息熵与预设阈值进行比较，若信息熵大于预设阈值时，判断待测禽蛋为土禽蛋；若否，判断待测禽蛋混有圈养禽蛋。本发明通过采集待测禽蛋的特征信息，引入不确定性数据的度量工具信息熵，并将其应用于农产品的识别领域，适合大规模、多批量整体操作，降低人工识别成本，并且可以克服人的经验及主观性带来的误差，遏制农产品流通环节“以次充好”的现象，促进行业的良性发展。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明实施例公开的一种土禽蛋的识别方法流程图；

图2为本发明实施例公开的一种土禽蛋的识别方法具体流程图之一；

图3为本发明实施例公开的一种土禽蛋的识别方法具体流程图之二；

图4为本发明实施例公开的一种土禽蛋的识别装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例公开了一种土禽蛋的识别方法，参见图1所示，该方法包括：

步骤s101、采集多个待测禽蛋的特征信息；

步骤s102、根据采集到的待测禽蛋的特征信息，计算出信息熵；

步骤s103、将信息熵与预设阈值进行比较，判断信息熵是否大于预设阈值；

若信息熵大于预设阈值时，则执行步骤s104；

步骤s104、判断待测禽蛋为土禽蛋；

若否，则执行步骤s105；

步骤s105、判断待测禽蛋混有圈养禽蛋。

需要说明的是，信息熵反映的是禽蛋颜色、禽蛋尺寸(禽蛋直径、禽蛋高等)或其他特征信息分布的不确定程度；信息熵越大，不确定程度就越大，越能肯定为农家土禽蛋；信息熵越小，不确定程度越小，越能肯定为圈养禽蛋(非农家土禽蛋)；因此运用信息熵描述不确定性的性质，加上农家土禽蛋与圈养禽蛋信息不确定性的差别，可以到达识别的目的。在本发明中将信息熵设定一个阈值，当待测禽蛋的特征信息反映的信息熵大于阈值时，判断为农家土禽蛋；当待测禽蛋的特征信息反映的信息熵小于阈值时，判断为混有圈养禽蛋。

另外，本实施例中当禽蛋的数目很大，可以进行抽样采集，即步骤s101中可以从大规模的禽蛋中，抽样采集多个待测禽蛋的特征信息；当判断出多个待测禽蛋是否为土禽蛋时，就可以推断出大规模的禽蛋是否为土禽蛋。

可见，在本发明实施例提供的上述土禽蛋的识别方法中，首先采集多个待测禽蛋的特征信息；然后根据采集到的待测禽蛋的特征信息，计算出信息熵；最后将信息熵与预设阈值进行比较，若信息熵大于预设阈值时，判断待测禽蛋为土禽蛋；若否，判断待测禽蛋混有圈养禽蛋。这样通过采集待测禽蛋的特征信息，引入不确定性数据的度量工具信息熵，并将其应用于农产品的识别领域，适合大规模、多批量整体操作，降低人工识别成本，并且可以克服人的经验及主观性带来的误差，遏制农产品流通环节“以次充好”的现象，促进行业的良性发展。

在具体实施时，在本发明实施例提供的上述土禽蛋的识别方法中，采用下述方式确定预设阈值：

首先，采集多个土禽蛋、圈养禽蛋的特征信息；

然后，根据采集到的土禽蛋、圈养禽蛋的特征信息，通过机器学习算法计算出标准信息熵，标准信息熵作为预设阈值。

以上方式通过采集大量土禽蛋、圈养禽蛋数据的基础上，运用机器学习的方法得到预设阈值，能够保证识别正确率高于人工经验识别。

在具体实施时，在本发明实施例提供的上述土禽蛋的识别方法中，如图2所示，采集多个待测禽蛋的特征信息，具体包括：

步骤s201、通过机器视觉技术采集多个待测禽蛋的特征信息。

优选地，在具体实施时，在本发明实施例提供的上述土禽蛋的识别方法中，当通过机器视觉技术采集多个待测禽蛋的特征信息时，特征信息可以包括颜色和尺寸中的至少一种。

当然，在具体实施时，在本发明实施例提供的上述土禽蛋的识别方法中，特征信息可以包括重量，此时使用重量传感器等相关器件可以对待测禽蛋的重量进行测试，但成本相对较高。

在具体实施时，在本发明实施例提供的上述土禽蛋的识别方法中，如图3所示，在采集多个待测禽蛋的颜色和尺寸之前，还包括：

步骤s301、将多个待测禽蛋放入包装测试盒；包装测试盒与待测禽蛋可以具有设定范围的色差。

需要说明的是，包装测试盒可以是特制的，这样包装测试盒颜色与待测禽蛋颜色相差较大时，可以降低禽蛋信息获取难度，方便运用机器视觉技术识别禽蛋颜色，提高判断识别效率，识别正确率远高于人工经验识别。

在具体实施时，在本发明实施例提供的上述土禽蛋的识别方法中，包装测试盒具有阵列排布的多个孔，每个孔中放入一个待测禽蛋。

在具体实施时，在本发明实施例提供的上述土禽蛋的识别方法中，包装测试盒可以具有排布方式为10×10个孔，孔的直径尺寸可以设置为3cm，机器视觉技术使用的摄像头像素可以设置在2592×1944以上，这样方便运用机器视觉及时识别待测禽蛋的尺寸。

下面通过一个具体的实例，以“鸡蛋”为例，对本发明实施例提供的上述土禽蛋的识别方法进行详细的说明，具体步骤如下：

步骤一、将多个待测鸡蛋放入包装测试盒；包装测试盒与待测鸡蛋的色差较大；

步骤二、通过机器视觉技术采集多个待测鸡蛋的颜色和尺寸；

步骤三、根据采集到的待测鸡蛋的颜色和尺寸，计算出信息熵；

步骤四、将信息熵与预设阈值进行比较，若信息熵大于预设阈值时，判断待测鸡蛋为土鸡蛋；若否，判断待测鸡蛋混有圈养鸡蛋。

至此，经过实例提供的上述步骤一至步骤四识别出了待测鸡蛋是否为土鸡蛋。

相应的，本发明实施例还公开了一种土禽蛋的识别装置，如图4所示，包括：

采集模块1，用于采集多个待测禽蛋的特征信息；

计算模块2，用于根据采集到的待测禽蛋的特征信息，计算出信息熵；

比较模块3，用于将信息熵与预设阈值进行比较，若信息熵大于预设阈值时，判断待测禽蛋为土禽蛋；若否，判断待测禽蛋混有圈养禽蛋。

在具体实施时，在本发明实施例提供的上述土禽蛋的识别装置中，如图4所示，还可以包括：

学习模块4，用于采集多个土禽蛋、圈养禽蛋的特征信息；根据采集到的所述土禽蛋、圈养禽蛋的特征信息，通过机器学习算法计算出标准信息熵，所述标准信息熵作为预设阈值。

关于上述各个模块以及上述识别装置更加具体的工作过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。

可见，本发明实施例提供的上述土禽蛋的识别方法及其识别装置中，首先采集多个待测禽蛋的特征信息；然后根据采集到的待测禽蛋的特征信息，计算出信息熵；最后将信息熵与预设阈值进行比较，若信息熵大于预设阈值时，判断待测禽蛋为土禽蛋；若否，判断待测禽蛋混有圈养禽蛋。这样通过采集待测禽蛋的特征信息，引入不确定性数据的度量工具信息熵，并将其应用于农产品的识别领域，适合大规模、多批量整体操作，降低人工识别成本，并且可以克服人的经验及主观性带来的误差，遏制农产品流通环节“以次充好”的现象，促进行业的良性发展。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上对本发明所提供的一种土禽蛋的识别方法及其识别装置进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。