專利名稱：一種基于計算機(jī)視覺的種蛋孵化品質(zhì)檢測裝置和方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種基于計算機(jī)視覺的種蛋孵化品質(zhì)檢測裝置和方法，特指基于計算機(jī)視覺的雞蛋 孵化品質(zhì)的檢測方法，屬于農(nóng)產(chǎn)品檢測技術(shù)領(lǐng)域。
背景技術(shù)：
雞蛋的孵化過程大約需要21天，且對環(huán)境溫濕度條件要求較高，是一個耗時，耗能的過程。 而統(tǒng)計數(shù)據(jù)表明種蛋的孵化成功率為82%-99%，這意味著每年都有大量的種蛋不能孵化，這些不 可孵化蛋中有相當(dāng)一部分是因為雞蛋沒有受精，在孵化期內(nèi)盡可能早地檢測出無精蛋可以有效地節(jié) 省時間、空間、能源和勞動力，從而對提高孵化效率具有十分重要的意義。在實際的種蛋孵化過程中，識別雞蛋孵化情況主要仍由人工照蛋檢測完成，此種方法較費時費 力，生產(chǎn)效率低，易于污染和交叉感染疫病，破損率較高，特別是機(jī)外停留時間較長，影響孵化率 的提高。因此，開發(fā)一個能自動進(jìn)行種蛋孵化成活性檢測的系統(tǒng)，對降低人工照蛋強(qiáng)度，提高檢測 準(zhǔn)確性和生產(chǎn)效率，保障生產(chǎn)者的經(jīng)濟(jì)利益，具有十分重要的意義。計算機(jī)視覺技術(shù)是近幾十年來發(fā)展十分快速的一項無損檢測技術(shù)，在農(nóng)產(chǎn)品品質(zhì)自動檢測方面 已經(jīng)進(jìn)行很多研究并取得了不少成果，有些已經(jīng)開發(fā)出了設(shè)備并投入商業(yè)應(yīng)用。目前，國外有學(xué)者 利用計算機(jī)視覺技術(shù)進(jìn)行雞蛋的孵化品質(zhì)檢測研究。美國的Das (Das K, Evans M D. Detecting fertility of hatching eggs using machine vision I: Histogram characterization method[J]. Transactions of theASAE. 1992,35(4): 1335 1341.)用黑白計算機(jī)視覺系統(tǒng)對孵化早期的白殼雞蛋品質(zhì)進(jìn)行檢測， 把種蛋分為無精蛋和受精蛋，但該方法包含了大量的數(shù)學(xué)計算，檢測速度較低。國內(nèi)也有學(xué)者展開 了這方面的研究，如楊秀坤在1997年的博士論文"農(nóng)產(chǎn)品品質(zhì)檢測中的人工智能方法研究"，和陳 佳娟發(fā)表在《計算機(jī)應(yīng)用與軟件》第18巻第6期的文章"采用計算機(jī)視覺孵化雞蛋成活性的自動 檢測"，以及郁志宏發(fā)表在《計算機(jī)工程與設(shè)計》第28巻第2期的文章"改進(jìn)粒子群神經(jīng)網(wǎng)絡(luò)檢測 種蛋成活性"中，對雞蛋的孵化品質(zhì)檢測進(jìn)行了研究，他們的方法大致相同，即用HSI系統(tǒng)中的H 分量作為種蛋分級的參數(shù)，構(gòu)建各種神經(jīng)網(wǎng)絡(luò)進(jìn)行分級判斷，但是在孵化早期的判別準(zhǔn)確率不高， 相關(guān)的專利未見報道。 發(fā)明內(nèi)容技術(shù)問題本發(fā)明的目的在于提供一種能自動進(jìn)行雞蛋孵化品質(zhì)檢測的計算機(jī)視覺無損檢測裝置和檢測 方法，以降低人工照蛋的勞動強(qiáng)度，提高檢測準(zhǔn)確性和生產(chǎn)效率，保障生產(chǎn)者的利益。 技術(shù)方案本發(fā)明首先建立一套基于計算機(jī)視覺的雞蛋孵化品質(zhì)的檢測裝置，在一定的光照條件下用 CCD攝像頭(1)采集孵化種蛋(5)的透視圖像，通過圖像采集卡(7)把圖像傳送到計算機(jī)(8), 計算機(jī)(8)對所采集的圖像進(jìn)行處理，提取目標(biāo)區(qū)域的顏色特征信息，把顏色特征參數(shù)代入到貝 葉斯分類判別模型，就可以根據(jù)模型判別種蛋是無精蛋還是受精蛋。本發(fā)明的目的通過以下方法實現(xiàn)本發(fā)明的一種基于計算機(jī)視覺的雞種蛋孵化品質(zhì)檢測方法的裝置，包括CCD攝像頭(l),光 室(2)，載物臺(3)，光源(6),圖像采集卡(7)和計算機(jī)(8)，其中載物臺(3)，光源(6)處 于光室(2)內(nèi)部，光室(2)的尺寸為80 cmX80 cmX100 cm，攝像頭(1)安裝在光室(2)頂 部中央，鏡頭向下正對著種蛋(5)的位置，攝像頭(1)輸出端連接圖像采集卡(7)的輸入端， 并與計算機(jī)(8)相連，載物臺(3)表面為黑色，以形成黑色背景；光室(2)經(jīng)載物臺(3)分為 上下兩層下層為光源部分，在光室(2)底部的中央放置著光源(6)，其采用的是18V的交流電， 功率為125W;上層為種蛋檢查暗室，兩層中間的載物臺(3)中間位置有一個直徑為27mm透光3孔(4)，用于放置種蛋(5);攝像頭(1)、透光孔(4)和光源(6)位于同一豎直線上，攝像頭(1) 鏡頭到透光孔(4)的距離為15cm，透光孔(4)到光源(6)的距離為26 cm;計算機(jī)(8)中裝 有圖像處理軟件用于種蛋透視圖像的處理。上述裝置用于雞蛋孵化品質(zhì)的檢測方法，包括圖像采集、圖像處理和分類判別。1) 圖像采集把孵化第6天的雞種蛋(5)放置于光室(2)內(nèi)部載物臺(3)的透光孔(4)中，采用豎直放 置放式，即雞蛋有氣室的鈍端朝上，尖端朝下。光源(6)發(fā)出的光通過透光孔(4)照射到雞蛋樣 本(5)。 CCD攝像頭(1)自上而下照射，鏡頭對準(zhǔn)載物臺(3)中的種蛋(5)，采集種蛋的透射 圖像，攝相頭(1)的鏡頭設(shè)置為f/2，光圈為25 mm，輸出為PAL制彩色信號，所攝圖像為原始 種蛋圖像，再通過圖像采集卡(7)把圖像傳輸?shù)接嬎銠C(jī)(8)。2) 圖像處理[阮秋琦，阮宇智.數(shù)字圖像處理(第二版)[M].北京電子工業(yè)出版社，2003〗① 讀取采集的原始種蛋圖像；② 對圖像進(jìn)行去除噪聲和背景分割的處理圖像去噪的方式為5X5窗口進(jìn)行線性均值濾波[陳 純.計算機(jī)圖像處理技術(shù)與算法[M].北京清華大學(xué)出版社，2003],背景分割的方式為用全局閾 值法對R通道圖像濾除背景[陳全勝，趙文杰，張海東，等.利用計算機(jī)視覺識別茶葉的色澤類型[J]. 江蘇大學(xué)學(xué)報(自然科學(xué)版)，2005， 26 (6): 461-464]，從而得到種蛋目標(biāo)區(qū)域的圖像；③ 提取RGB空間中的顏色特征參數(shù)，利用歸一化直方圖法計算顏色成分的統(tǒng)計特征參數(shù)[零喆 鑫，李寶聚，等.基于彩色圖像顏色統(tǒng)計特征的黃瓜炭疽病和褐班病的識別研究[J].園藝學(xué)報，2007， 34 (6): 1425-1430]。對于白殼雞蛋，提取2個顏色特征參數(shù)綠色分量G的均值G，藍(lán)色分量B的均值B;對于褐殼雞蛋，提取4個顏色特征參數(shù)綠色分量G的均值G、藍(lán)色分量B的均值B、綠色分 量G的標(biāo)準(zhǔn)差o (j和藍(lán)色分量B的標(biāo)準(zhǔn)差o B。3) 分類判別將提取的顏色特征參數(shù)代入到相應(yīng)雞蛋品種的分類判別模型，模型如下 白殼雞蛋孵化成活性的分類判別模型L無精蛋(-9.07 + 0.36G +0.046B) ^(-50.27 + 1.17G -0.41B)褐殼雞蛋孵化成活性的分類判別模型一受精蛋(-2.20 + 0.13G -0.07B陽0.45 o G+1-34 o B) > (-8.98-0.09G +0.19B + 2.22 o G ■ 0.44 o B)、無精蛋(-2.20 + 0.13G陽0.07B - 0.45 o G+1.34 o B)蕓 (-8.98-0.09G +0.19B + 2.22 o G. 0.44 o B)得到樣品受精與否的分級結(jié)果。 有益效果本發(fā)明的有益效果是只需要通過采集孵化第6天的種蛋圖像，通過簡單的圖像處理，就能用(-50.27+ U7G -0.41B)計算機(jī)自動判別種蛋的孵化品質(zhì)。與現(xiàn)有的人工檢測方法相比，檢測速度快，準(zhǔn)確率高，可以減少 勞動強(qiáng)度和提高生產(chǎn)效率。試驗證明，本發(fā)明方法對種蛋孵化品質(zhì)的檢測，白殼種蛋在第6天的檢測準(zhǔn)確率達(dá)100%,對 模型驗證的準(zhǔn)確率達(dá)100%;褐殼種蛋在第6天的檢測準(zhǔn)確率達(dá)97.1%，對模型驗證的準(zhǔn)確率達(dá) 100%。


圖1本發(fā)明的裝置示意圖。附圖中的各部件說明如下L CCD攝像頭；2、光室；3、載物臺；4、透光孔；5、種蛋；6、 光源；7、圖像采集卡；8、計算機(jī)。
具體實施方式
本發(fā)明是基于計算機(jī)視覺的種蛋孵化品質(zhì)檢測裝置和方法，用于白殼雞種蛋和褐殼雞種蛋的受 精與否的檢測。1、 試驗樣本試驗樣本為白殼雞種蛋和褐殼雞種蛋。白殼雞種蛋為南京溧水牧樂農(nóng)副產(chǎn)品有限公司提供的產(chǎn) 后1-3天的種蛋，雞種為貴妃雞。褐殼雞種蛋為南京源創(chuàng)禽業(yè)有限責(zé)任公司提供的產(chǎn)后1-3天的種 蛋，雞種為蘇北草雞。試驗樣本分為兩批，第一批樣本用于建立貝葉斯判別模型，第二批樣本用于 檢驗判別模型的準(zhǔn)確率。系統(tǒng)分級結(jié)果的準(zhǔn)確率通過與雞蛋破壞性檢測結(jié)果相比較得出。2、 試驗裝置一種基于計算機(jī)視覺的雞種蛋孵化品質(zhì)檢測方法的裝置，包括CCD攝像頭(1)，光室(2), 載物臺(3)，光源(6)，圖像采集卡(7)和計算機(jī)(8)，其中載物臺(3),光源(6)處于光室(2) 內(nèi)部，光室(2)的尺寸為80cmX80cmX100cm，攝像頭(1)安裝在光室(2)頂部中央，鏡頭 向下正對著種蛋(5)的位置，攝像頭(1)輸出端連接圖像采集卡(7)的輸入端，并與計算機(jī)(8) 相連，載物臺(3)表面為黑色，以形成黑色背景；光室(2)經(jīng)載物臺(3)分為上下兩層下層 為光源部分，在光室(2)底部的中央放置著光源(6)，其采用的是18V的交流電，功率為125 W; 上層為種蛋檢査暗室，兩層中間的載物臺(3)中間位置有一個直徑為27mm透光孔(4),用于放 置種蛋(5);攝像頭(1)、透光孔(4)和光源(6)位于同一豎直線上，攝像頭(1)鏡頭到透光 孔(4)的距離為15cm，透光孔(4)到光源(6)的距離為26 cm;計算機(jī)(8)中裝有圖像處理 軟件用于種蛋透視圖像的處理。CCD攝像頭JVCTK-C1381彩色攝像頭，最大分辨率為752X582。光源鹵鎢燈，型號為MR-16，采用交流電源，電壓為18V，功率為125W，索飛亞科技照明 有限公司產(chǎn)。圖像采集卡加拿大產(chǎn)Matrox Meteror- Il/Standard圖像采集卡。 計算機(jī)CPUP4 1.7GHz，內(nèi)存512M，顯卡GeForce4 MX440。3、 試驗方法和步驟1) 種蛋的孵化種蛋豎直放置于37.8 'C， 55。/。RH孵化箱中培養(yǎng)，孵化期間每2小時翻一次 蛋，水平前后傾斜各45° 。2) 種蛋圖像采集孵化期內(nèi)每24h從孵化箱中取出種蛋進(jìn)行圖像采集。檢測時，把雞蛋(5) 有氣室的鈍端朝上，尖端朝下豎直放置于載物臺(3)上的透光孔(4)中，光源(6)發(fā)出的光在 光室(2)中通過透光孔(4)照射到雞蛋樣本(5)， CCD攝像頭(1)自上而下照射，鏡頭對準(zhǔn)載5物臺中的種蛋(5)，采集種蛋的透視圖像后通過圖像采集卡(7)傳輸?shù)接嬎銠C(jī)(8)。采集了 第0 - 8天的雞蛋圖像。采集的圖像以JPEG格式存儲為24位真彩色RGB圖像。3) 破壞性檢測孵化第9天，打開蛋進(jìn)行破壞性檢測，檢査種蛋情況，判斷是否有胚胎發(fā)育, 從而確定雞蛋受精與否。4) 圖像處理用圖像處理軟件Image system3.0(北京現(xiàn)代富博科技有限公司)對采集的圖像進(jìn) 行以下處理[阮秋琦，阮宇智.數(shù)字圖像處理(第二版)[M].北京電子工業(yè)出版社，2003〗① 用圖像處理軟件讀取原始種蛋圖像；② 對圖像進(jìn)行去除噪聲和背景分割的處理圖像去噪的方式為5X5窗口進(jìn)行線性均值濾波[陳 純.計算機(jī)圖像處理技術(shù)與算法[M].北京清華大學(xué)出版社，2003]，背景分割的方式為用全局閾 值法對R通道圖像濾除背景[陳全勝，趙文杰，張海東，等.利用計算機(jī)視覺識別茶葉的色澤類型[J]. 江蘇大學(xué)學(xué)報(自然科學(xué)版)，2005， 26 (6): 461-464],從而得到種蛋目標(biāo)區(qū)域的圖像；③ 提取RGB空間中的顏色特征參數(shù)，利用歸一化直方圖法計算顏色成分的統(tǒng)計特征參數(shù)[寧喆 鑫，李寶聚，等.基于彩色圖像顏色統(tǒng)計特征的黃瓜炭疽病和褐班病的識別研究[J].園藝學(xué)報，2007, 34 (6): 1425-1430]。提取每一幅圖像中的紅色分量R，綠色分量G，藍(lán)色分量B，統(tǒng)計R、 G、 B的均值和標(biāo)準(zhǔn)差R、 G、 B、 oR、 O(j、 oB,再將RGB空間轉(zhuǎn)換到HSV空間，求出色調(diào)H、飽和度S和亮度I的均值及各自的標(biāo)準(zhǔn)差H、 S、 I、 oH、 03和01的值，共十二個特征參數(shù)。4、貝葉斯判別模型的建立用SAS8.2數(shù)據(jù)分析系統(tǒng)處理數(shù)據(jù)。白殼種蛋的樣本為120枚，其中受精蛋90枚，無精蛋30 枚。褐殼種蛋的樣本為73枚，其中受精蛋為45枚，無精蛋為28枚。對提取的顏色特征信息，首 先根據(jù)受精蛋和無精蛋的顏色特征信息的差異，用SAS逐步判別分析篩選出合適的特征參數(shù)作為貝葉斯判別分析的變量，其中對于白褐殼篩選出的變量有2個綠色分量G的均值G，藍(lán)色分量B的均值B。對于褐殼雞蛋，篩選出的變量有4個綠色分量G的均值G、藍(lán)色分量B的均值B、綠 色分量G的標(biāo)準(zhǔn)差o G和藍(lán)色分量B的標(biāo)準(zhǔn)差o b。然后建立無精蛋和受精蛋的貝葉斯判別式。如 表l,表2所示，為白殼種蛋和褐殼種蛋用各自篩選的變量所建立的貝葉斯判別式。將原始雞蛋樣本的觀測值(顏色特征參數(shù))代入表中相應(yīng)的判別式，若能使判別式成立，則把 雞蛋判定為相應(yīng)的類別。與雞蛋樣本破壞性檢測的實際分類結(jié)果相比較，計算出判別準(zhǔn)確率，白殼 種蛋的檢測準(zhǔn)確率在第4天時為94.85%，第5天為99.92%，第6天和第7天檢測準(zhǔn)確率高達(dá)100%。 褐殼種蛋的檢測準(zhǔn)確率在第4天時為90.63%,第5天的準(zhǔn)確率為91.75%，第6天，第7天和第8 天檢測準(zhǔn)確率高達(dá)97.1%。表l白殼種蛋的判別式孵化時間/天類別 判別式 回判準(zhǔn)確率/%一 一——4受精蛋(-11.30+ 0.30G +0.17B)(-23.74 + 0.49G-0.048B)94.85無精蛋(-11.30+ 0.30G +0.17B)<(-23.74 + 0.49G-0.048B)5受精蛋(扁14.91 +0.40G +0.20B)(-37.14+ 0.84G-0.19B)99.92無精蛋(-14.91 +0.40G +0.20B)<(-37.14+ 0.84G-0.19B)受精蛋 (-9.07 + 0.36G + 0.046B) S (國50.27 + 1.17G - 0.41B)無精蛋 (-9.07 + 0.36G +0.046B) < (-50.27 + 1.17G - 0.41B)受精蛋 (-10.41+0.49G +0.028B) ^ (- 68.34 + 1.62G -0.441B)無精蛋 (-10.41 + 0.49G + 0.028B) < (- 68.34 + 1.62G - 0.441 B)100100表2褐殼種蛋的判別式孵化 時間/ 天類別判別式準(zhǔn)確 率/ %受精蛋 (-5-17 + 0.29G 0'08B ■ 0'85 o g + 2.00 o B) ^ (-10.01 + 0.24G - 0.30B - 2.29 o G - 0.52 o B) 無精蛋 (-5.17 + 0.29G國0.08B - 0.85 o G + 2.00 o B) < (-10.01 + 0.24G - 0.30B - 2.29 o 。-0.52 。 B)90.63受精蛋 (-3.61+0.10G -0.05B - 0.14 o G + 1.38 o B) S (-9.22 + 0.02G -0.12B -1.27 。 G + 0.23 。 B) 91 5 無精蛋 (-3.61 + 0.10G -0.05B - 0.14 o G + 1.38 a B) < (-9.22 + 0.02G -0.12B - 1.27 o G + 0.23 o B)6 受精蛋 (-2.20 + 0.13G -0.07B - 0.45 o G + 1.34 o B) S (-8.98-0.09G +0.19B + 2.22 。 G - 0.44 o B) 97] 無精蛋 (-2.20 + 0.13G -0.07B - 0.45 a G+1.34 o B) < (-8.98-0.09G +0.19B + 2.22 a G- 0.44 a B)受精蛋 (-2.43 + 0.16G -0.12B - 0.33 o G + 1.58 o B) ^ (陽9.21+0.33G - 0.04B + 0.34 o G + 0.87 o B) 97^ 無精蛋 (-2.43 + 0.16G -0.12B - 0.33 o G + 1.58 o B) < (-9.21+0.33G -0.04B + 0.34 o G + 0.87 o B)8 受精蛋(-1.80 + 0.20G -0.14B -0.60 oG+1.42。 b) S (-11.34 +0.26G -0.23B +0.55。 G-0.39O b) ^ j無精蛋(畫1.80 + 0.20G隱0.14B - 0.60 o G+1.42 o B) < (-11.34+ 0.26G -0.23B + 0.55 o G-0.39 o B)5、判別模型精度的驗證為了驗證上述模型的可信度，以第二批雞蛋樣本為檢測對象，進(jìn)行計算機(jī)視覺檢測，對模型的 準(zhǔn)確率進(jìn)一步檢驗。把第二批樣本的顏色特征參數(shù)值代入上述判別模型，如表3，表4所示，白殼 種蛋的測試樣本第4天，第5天，第6天，第7天的準(zhǔn)確率分別達(dá)到95.49%， 100%， 100%， 100%; 褐殼種蛋的測試樣本第4天，第5天，第6天，第7天的準(zhǔn)確率分別達(dá)到84.25%, 84.25%， 100%， 100%， 100%。所建的判別函數(shù)驗證準(zhǔn)確率高，是比較可信的。表3本發(fā)明方法檢測白殼雞蛋孵化品質(zhì)的精度孵化時間 類別 樣本數(shù)水誤判數(shù)水正確識別率/%7表4本發(fā)明方法檢測褐殼雞蛋孵化品質(zhì)的精度 孵化時間 類別 樣本數(shù)/個 誤判數(shù)/個 正確識別率/%
6、最適種蛋孵化品質(zhì)的檢測時間和分類判別模型
對種蛋孵化品質(zhì)的檢測， 一方面是要求盡可能早的時間內(nèi)檢測出無精蛋，另一方面要求檢測的 準(zhǔn)確率高，通過以上的分析，白殼種蛋在第6天的檢測準(zhǔn)確率達(dá)100%，對模型的驗證準(zhǔn)確率達(dá) 100%;褐殼種蛋在第6天的檢測準(zhǔn)確率達(dá)97.1%,對模型的驗證準(zhǔn)確率達(dá)100%。在第6天時，模 型的準(zhǔn)確率達(dá)到較高的水平，確定最適種蛋孵化品質(zhì)檢測的時間為孵化第6天。
由此得出，對孵化第6天的種蛋進(jìn)行計算機(jī)視覺檢測，將提取的顏色特征參數(shù)代入到相應(yīng)雞蛋 品種的分類判別模型，即
白殼雞蛋孵化成活性的分類判別模型
「受精蛋(-9.07 + 0.36G +0.046B) > (-50.27 + 1.17G - 0.41B ) L無精蛋(-9.07 + 0.36G +0.046B) S (-50.27 + 1.17G -0.41B)
褐殼雞蛋孵化成活性的分類判別模型
'受精蛋(-2.20 + 0.13G -0.07B - 0.45 o G + 1.34 o B) > (-8.98-0.09G +0.19B + 2.22 o G-0.44 o B) 、無精蛋(-2.20 + 0.13G -0.07B - 0.45 o G+1.34 o B) ^ (-8.98-0.09G +0.19B + 2.22 o G-0.44 o B)
可以得到樣品受精與否的分級結(jié)果。
95.49 100 100 100
84.25 84.25 100 100 100
o o o o o o o
M 6 M 6 2
S 6
精精精精精精樣精
受f t又無t又受f
4
lllloooooo
4 7 4
4 7 4 7 4
旨旨旨旨旨ts,eaea旨
3t3tsls，K33t達(dá)，，
精精精精精騰樣餘樣騰
t義無受無t又無受f受無
權(quán)利要求
1、一種基于計算機(jī)視覺的雞種蛋孵化品質(zhì)檢測裝置，包括CCD攝像頭(1)，光室(2)，載物臺(3)，光源(6)，圖像采集卡(7)和計算機(jī)(8)，其中載物臺(3)，光源(6)處于光室(2)內(nèi)部，光室(2)的尺寸為80cm×80cm×100cm，攝像頭(1)安裝在光室(2)頂部中央，鏡頭向下正對著種蛋(5)的位置，攝像頭(1)輸出端連接圖像采集卡(7)的輸入端，并與計算機(jī)(8)相連，載物臺(3)表面為黑色，以形成黑色背景；光室(2)經(jīng)載物臺(3)分為上下兩層下層為光源部分，在光室(2)底部的中央放置著光源(6)，其采用的是18V的交流電，功率為125W；上層為種蛋檢查暗室，兩層中間的載物臺(3)中間位置有一個直徑為27mm透光孔(4)，用于放置種蛋(5)；攝像頭(1)、透光孔(4)和光源(6)位于同一豎直線上，攝像頭(1)鏡頭到透光孔(4)的距離為15cm，透光孔(4)到光源(6)的距離為26cm；計算機(jī)(8)中裝有圖像處理軟件用于種蛋透視圖像的處理。
2、 權(quán)利要求1所述裝置用于雞蛋孵化品質(zhì)的檢測方法，包括圖像采集、圖像處理和分類判別， 其特征在于，1) 圖像采集把孵化第6天的雞種蛋(5)放置于光室(2)內(nèi)部載物臺(3)的透光孔(4)中， 采用豎直放置放式，即雞蛋有氣室的鈍端朝上，尖端朝下；光源(6)發(fā)出的光通過透光孔(4)照射 到雞蛋樣本(5)， CCD攝像頭(1)自上而下照射，鏡頭對準(zhǔn)載物臺(3)中的種蛋(5)，采集種蛋 的透射圖像，攝相頭(1)的鏡頭設(shè)置為f/2，光圈為25mm，輸出為PAL制彩色信號，所攝圖像為原 始種蛋圖像，再通過圖像采集卡(7)把圖像傳輸?shù)接嬎銠C(jī)(8);2) 圖像處理① 讀取采集的原始種蛋圖像；② 對圖像進(jìn)行去除噪聲和背景分割的處理圖像去噪的方式為5X5窗口進(jìn)行線性均值濾波，背 景分割的方式為用全局閾值法對R通道圖像濾除背景，從而得到種蛋目標(biāo)區(qū)域的圖像；③ 提取RGB空間中的顏色特征參數(shù)，利用歸一化直方圖法計算顏色成分的統(tǒng)計特征參數(shù)對于白殼雞蛋，提取2個顏色特征參數(shù)綠色分量G的均值G，藍(lán)色分量B的均值B;對于褐殼雞蛋，提取4個顏色特征參數(shù)綠色分量G的均值G、藍(lán)色分量B的均值B、綠色分量 G的標(biāo)準(zhǔn)差o e和藍(lán)色分量B的標(biāo)準(zhǔn)差o B;3) 分類判別將提取的顏色特征參數(shù)代入到相應(yīng)雞蛋品種的分類判別模型，模型如下 白殼雞蛋孵化成活性的分類判別模型L無精蛋(-9.07 + 0.36G +0.046B) § (-50.27 + 1.17G -0.41B)褐殼雞蛋孵化成活性的分類判別模型一受精蛋(-2.20 + 0.13G -0.07B - 0.45 o G+1.34 o B) > (國8.鄰-0.09G + 0.19B + 2.22o G-0.44 o B)、無精蛋(-2.20 + 0.13G -0.07B - 0.45 o G+1.34 o B) ^ (-8.98-0.09G +0.19B + 2.22 o G-0.44 o B)得到樣品受精與否的分級結(jié)果。受精蛋(國9.07 + 0.36G +0.046B) > (-50.27 + 1.17G - 0.41B )
全文摘要
本發(fā)明涉及一種基于計算機(jī)視覺的種蛋孵化品質(zhì)檢測裝置和方法，屬于農(nóng)產(chǎn)品檢測技術(shù)領(lǐng)域。由CCD攝像頭，光室，載物臺，光源，圖像采集卡和計算機(jī)組成，其采用CCD攝像頭采集雞蛋的透視圖像，經(jīng)圖像采集卡傳入到計算機(jī)中，對圖像進(jìn)行處理提取顏色特征參數(shù)，根據(jù)雞蛋孵化品質(zhì)的貝葉斯判別模型，對雞蛋受精與否進(jìn)行判別。本發(fā)明應(yīng)用計算機(jī)視覺的方法檢測種蛋的孵化品質(zhì)，可以減少勞動強(qiáng)度和人為主觀因素的干擾，其結(jié)果更客觀、準(zhǔn)確。試驗證明，本發(fā)明方法對種蛋孵化品質(zhì)的檢測，白殼種蛋在第6天的檢測準(zhǔn)確率達(dá)100％，對模型驗證的準(zhǔn)確率達(dá)100％；褐殼種蛋在第6天的檢測準(zhǔn)確率達(dá)97.1％，對模型驗證的準(zhǔn)確率達(dá)100％。
文檔編號G06T5/00GK101672839SQ200910035359
公開日2010年3月17日 申請日期2009年9月25日 優(yōu)先權(quán)日2009年9月25日
發(fā)明者康 屠, 潘磊慶, 鄒秀容 申請人:南京農(nóng)業(yè)大學(xué)