论文部分内容阅读
脏蛋和破损蛋在加工过程中需要及时剔除,以免引起交叉感染,造成大范围的禽蛋变质。目前我国大部分禽蛋加工企业仍以人工检测为主,工作效率低,劳动强度大。因此研究禽蛋外部缺陷的自动化检测对于提高蛋品质量以及蛋品加工企业的市场竞争力具有重要的意义。本课题以禽蛋为研究对象,在前期研究的基础上,提出了基于机器视觉的禽蛋外部缺陷检测方法。在实验室相关平台上进行了禽蛋图像采集、预处理、污斑识别以及裂纹识别,并通过大量的实验验证了算法。本文主要研究内容和成果如下:(1)在实验室环境下设计了禽蛋图像采集平台,实现了禽蛋表面信息的完整获取。除此之外,提出了结合最大轮廓提取以及种子填充算法的禽蛋图像目标区域获取方法,有效地解决了禽蛋表面的黑色污斑可能造成禽蛋区域误分割的问题。(2)提出了两种禽蛋表面污斑增强算法,分别基于局部纹理以及快速中值滤波,能够解决类椭球形禽蛋表面光照不均以及复杂的禽蛋外部污斑导致传统阈值分割算法难以检测污斑的问题。基于快速中值滤波的算法对200个禽蛋样本进行检测的结果表明对脏蛋的识别率为98.4%,对干净蛋的识别率为91.8%。(3)针对背光透射照明条件下禽蛋表面凸显的薄斑易干扰裂纹检测以及细小裂纹不明显的问题,提出了采用负LOG算子进行禽蛋裂纹图像的增强。并利用双阈值技术进行图像分割以获取“最优”的裂纹二值化图像,通过分析二值化图像中裂纹区域与薄斑干扰区域的形状特点,采用狭长指数进行裂纹区域的识别。实验结果表明,此算法对破损蛋的识别率为92.5%,对完整蛋的识别率为90.0%。(4)根据禽蛋外部缺陷检测系统的功能需求,在Visual Studio 2013集成开发环境下,利用OpenCV计算机视觉库以及MySQL数据库,完成了检测系统软件的编程。检测系统软件提供了用户管理、图像采集、缺陷检测、检测结果显示与查询等功能。上述的研究结果表明,本文所提出的基于机器视觉的禽蛋外部缺陷检测能够克服目前禽蛋外部缺陷视觉检测过程中的的部分难点,相关检测算法对下一步实现在线禽蛋分级自动化装备具有重要的意义。