一种鸭蛋品质无损自动检测方法与流程

本发明涉及机器视觉检测技术的领域，尤其是涉及一种鸭蛋品质无损自动检测方法。

背景技术：

1、鸭蛋是人们日常饮食中常见的食品之一，保障鸭蛋的品质和安全对消费者的健康至关重要。流入市场之前对鸭蛋进行检测能够识别和剔除不符合质量标准的鸭蛋，提高产品的整体质量，提升客户体验感，增强市场竞争力。

2、传统的鸭蛋品质检测方法分为逐个检验与批量抽检两种。逐个检验费时费力且效率低下，而批量抽检又存在成品合格率较低的问题。而且上述两种方式通常都依赖于人工操作和视觉判断，受到人员经验和主观因素的影响。会导致不同检测人员之间的差异性和不一致性，检测结果存在误判的风险。而且人工检测溯源性差，不便及时收集、整合并保存检验结果，难以为后续产业升级提供有效的数据支撑。

3、机器视觉是人工智能正在快速发展的一个分支。简单说来，机器视觉就是用机器代替人眼来做测量和判断。机器视觉系统是通过机器视觉产品(即图像摄取装置，分cmos和ccd两种)将被摄取目标转换成图像信号，传送给专用的图像处理系统，得到被摄目标的形态信息，根据像素分布和亮度、颜色等信息，转变成数字化信号；图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。

4、因此可以选择利用机器视觉技术对鸭蛋进行无损检测。

技术实现思路

1、为了克服现有检测方法的上述缺陷，提高检测准确性及可追溯性，利用机器视觉技术，本技术提供一种鸭蛋品质无损自动检测方法。

2、本技术提供的一种鸭蛋品质无损自动检测方法采用如下的技术方案：

3、一种鸭蛋品质无损自动检测方法，包括以下步骤：

4、s1数据采集：提供光源及高分辨率拍摄装置，拍摄或扫描鸭蛋，获取鸭蛋的图像数据；

5、s2图像预处理：提供图像处理软件及硬件，对图像进行去噪、增强、灰度化、二值化处理；

6、s3特征提取：提取鸭蛋图像中的特征信息并标记数据，将鸭蛋分为不同等级；

7、s4模型训练：将提取到的特征与标记好的鸭蛋品质数据结合，使用机器学习算法进行训练，根据已有数据优化模型的参数和结构，智能化调整等级判定时不同特征所占比重；

8、s5结果储存：对检测结果进行存档并建立数据库，以便模型升级与数据溯源。

9、通过采用上述技术方案，对采集的图像进行预处理便于更好地提取鸭蛋的特征信息，对每次的检测结果进行存档并建立检测数据库，能够便于对检测结果进行溯源及处理分析，除此之外还能依据已有的检测数据对计算机的算法模型进行优化升级，逐步完善算法模型，实现模型的智能化学习训练，从而提高检测效率以及结果的准确性。

10、实现自动化、高效的检测过程，降低了人工成本和劳动强度，提高了生产效率。从而快速评估大批量的鸭蛋品质，帮助生产者和供应链管理者了解鸭蛋生产过程中的质量状况和异常情况，并及时采取措施进行调整和改进。进而更好地控制鸭蛋品质，可以提高产品的市场竞争力，促进生产发展和提升产业效益。

11、进一步的，步骤s1中所述图像数据包括：鸭蛋轮廓形状及尺寸、蛋壳表面裂纹、蛋黄形状尺寸及颜色；

12、步骤s3特征提取具体包括以下步骤：

13、s31获取外形数据：灰度化获取鸭蛋灰度图像，对灰度图像进行去噪处理，通过对二值图像进行轮廓跟踪获得鸭蛋轮廓图像并记录尺寸；

14、s32获取表面图像：对比度拉伸灰度图并进行阈值分割,获取蛋壳表面图像，通过计算图像中像素个数是否超过标准值来判断是否存在裂纹，若存在裂纹则为不合格；

15、s33获取内部数据：将鸭蛋rgb彩色图像转化为hsl彩色图像，获取蛋黄的轮廓，并蛋黄轮廓进行椭圆拟合，根据轮廓长轴与短轴比值判断圆形程度，根据散黄程度判断鸭蛋是否新鲜。

16、通过采用上述技术方案，采集并提取鸭蛋的外观与蛋黄的大小、形状、颜色等信息，建立合格标准范围，及时识别和剔除不符合品质标准的鸭蛋，提高产品的整体质量，增强市场竞争力。通过综合考虑各项特征来对鸭蛋品质进行分级，并细化分级标准，将检测结果反馈给上游生产加工环节，根据结果能够更加精准地对养殖生产环节存在的问题进行改善，相互促进，进一步提高产品质量。

17、进一步的，步骤s1中所述光源具有以下特征：

18、(1)光照均匀且稳定，以确保图像中鸭蛋表面的细节信息清晰可见，光源亮度适中；

19、(2)色温稳定，并与实际光源中的色温相匹配，光源的颜色尽量接近自然光；

20、(3)光源无遮挡，以正面照射为主，以减少阴影和反射对图像的干扰；

21、(4)光照强度可调节。

22、通过采用上述技术方案，光源的亮度适中，能够避免亮度太高导致细节丢失，也不会因过暗导致图像噪声增加；光照尽量接近自然光能够保持鸭蛋图像的真实性，提高检测结果的准确性；控制光源角度与方向便于更准确地获取表面细节信息，有助于检测鸭蛋外部的缺陷与异物。

23、进一步的，步骤s4模型训练具体包括以下步骤：

24、s41数据准备和清洗：收集和整理已有的鸭蛋检测数据，确保数据的完整性和准确性，去除异常值、处理缺失值对数据进行清洗；

25、s42特征选择与重组：应用统计方法和领域知识，对鸭蛋检测数据进行特征选择和特征重组。筛选出对鸭蛋品质检测有重要影响的特征，根据已有特征进行组合、变换和衍生，根据重要程度对不同特征进行组合，更加综合多元地分析判断鸭蛋特征并优化分级标准；

26、s43学习模型选择：根据模型的复杂程度、数据规模、特征的线性程度、模型的解释性等因素综合考虑，选择合适的模型；

27、s44数据集划分：将已有的鸭蛋检测数据划分为训练集、验证集和测试集，采用交叉验证或留出法来划分数据集，训练集用于模型的训练，验证集用于模型的超参数调优和性能评估，测试集用于最终模型的性能检测；

28、s45训练和调优：使用训练集对选定的机器学习模型进行训练，通过优化模型的损失函数和调节模型的超参数，使模型能够更好地拟合训练数据；采用调整超参数或应用正则化的方法，输入验证集数据进行模型的调优；

29、s46模型评估：使用测试集对最终模型进行评估，根据任务的具体要求选择准确率、精确率及召回率作为评估指标，评估结果用于帮助判断模型的准确度，并与之前的检测方法所用模型进行对比；

30、s47应用和改进：将训练和评估好的模型应用于新的鸭蛋检测数据，并观察其表现，根据检测结果，可以继续优化模型，进行调整和改进，以提高模型的可靠度与适应性。

31、通过采用上述技术方案，通过训练模型能够对现有数据充分进行利用，模型能够学习到更丰富、更准确的表示，并获得更好的性能进一步反馈于检测方法本身，使模型自主优化提升，提高检测方法的智能化程度。相比于依赖人工标记的监督学习模型，智能自主学习模型更高效地利用数据，节省了标注数据的成本和时间。通过大量的现有数据对模型进行训练，能够使模型学习到更通用、更具代表性的特征表示。使得模型在对新数据进行处理时具有更好的泛化能力。

32、进一步的，将鸭蛋的生产日期、产地、批号等进行收集，建立溯源信息库，将步骤s5中的检测数据库与所述溯源信息库进行链接，并将相关数据转化为二维码，将所述二维码喷涂于蛋壳表面以便消费者扫码溯源。

33、通过采用上述技术方案，将检测数据与养殖生产信息进行链接，并转化为二维码喷涂于蛋壳表面，可以提高产品的可追溯性和透明度，增强消费者的信任感，并帮助监管机构和生产者追踪和管理产品质量。

34、综上所述，本技术包括以下至少一种有益技术效果：

35、1.通过上述步骤s1-s5,能够更加精确地提取鸭蛋特征信息，并通过建立检测数据库与模型训练，依据已有的检测数据对计算机的算法模型进行优化升级，逐步完善算法模型，实现模型的智能化学习训练，从而提高检测效率以及结果的准确性；

36、2.通过上述步骤s41-s47对模型进行训练，能够对现有数据充分进行利用，模型能够学习到更丰富、更准确的表示，并获得更好的性能进一步反馈于检测方法本身，使模型自主优化提升，提高了检测方法的智能化程度；

37、3.通过将检测数据与养殖生产信息进行链接，并转化为二维码喷涂于蛋壳表面，可以提高产品的可追溯性和透明度，增强消费者的信任感，并帮助监管机构和生产者追踪和管理产品质量。