论文部分内容阅读
在种禽业,识别出褐壳种蛋的信息,进行种蛋孵化早期无精蛋与受精蛋的鉴别一直是有待突破的难题之一。在褐壳种蛋孵化的过程中,由于种蛋壳色较深,无精蛋不易识别,孵化后期的无精蛋已经无法食用,造成巨大浪费,且占用孵化空间,增加企业的生产成本。因此,尽可能早地鉴别出无精蛋,可以减少浪费、提高企业的经济效益。
本文以荆州峪口禽业的京粉2号褐壳种蛋为试验对象,研究孵化过程中种蛋重量及失重率的规律,同时,以机器视觉技术为手段,采集种蛋图像,并提出了利用种蛋图像的颜色信息、蛋重信息和智能算法对孵化早期的褐壳种蛋进行鉴别,建立了无损鉴别模型,并设计了一个种蛋自动鉴别装置实现无精蛋与受精蛋的分级。具体的研究内容如下:
(1)蛋重及失重率的分析。在孵化早期,每天称取种蛋样本的重量并记录数据,分析种蛋的单日失重率和总失重率,结果表明,受精蛋总体趋势上重量大于无精蛋,单日失重率和总失重率略高于无精蛋。
(2)图像采集平台搭建及光源的确定。搭建种蛋静态图像采集平台,为机器视觉系统挑选出采用CMOS传感器的工业相机和变焦镜头;鉴于褐壳种蛋的颜色较深,对比了LED灯与卤素灯照射下的种蛋图像、35w和50w的卤素灯照射下的种蛋图像,最终确定35w卤素灯为图像采集系统的光源。
(3)颜色特征参数的提取。对图像进行灰度化、滤波、二值化、增强等预处理后,提取出种蛋图片的R分量、G分量、B分量、S分量、I分量和灰度的均值,共6个颜色特征参数。
(4)检测模型的建立。运用多元线性回归、SVM和LS-SVM这3种方法以种蛋孵化3-8天每天的特征参数,分别基于图像信息和基于图像—蛋重融合信息建模鉴别种蛋。所有164枚种蛋样本按约5:3比例分为训练集104枚、测试集60枚。测试结果表明:所有模型对受精蛋的识别率比无精蛋高,鉴别孵化6天后的种蛋准确率均超过90%,基于图像—蛋重融合信息建模鉴别孵化3-6天种蛋的准确率高于基于图像信息建模,对孵化7天、8天的种蛋鉴别准确率相等。从整体趋势看,基于图像—蛋重融合信息建立的SVM模型鉴别孵化5天、6天、7天种蛋的准确率高于多元线性回归模型和LS-SVM,而且所需预测时间短,约为0.005s,预测效率高。故最终选用SVM模型基于图像—蛋重融合信息对孵化早期褐壳种蛋进行鉴别。
(5)种蛋鉴别装置的设计。种蛋鉴别装置由传输机构、计算机、工业相机、光源机构、分级机械手臂等构成,能够完成种蛋的传输、种蛋图像采集与处理、无精蛋与受精蛋的分级,实现种蛋鉴别的自动化。
本文以荆州峪口禽业的京粉2号褐壳种蛋为试验对象,研究孵化过程中种蛋重量及失重率的规律,同时,以机器视觉技术为手段,采集种蛋图像,并提出了利用种蛋图像的颜色信息、蛋重信息和智能算法对孵化早期的褐壳种蛋进行鉴别,建立了无损鉴别模型,并设计了一个种蛋自动鉴别装置实现无精蛋与受精蛋的分级。具体的研究内容如下:
(1)蛋重及失重率的分析。在孵化早期,每天称取种蛋样本的重量并记录数据,分析种蛋的单日失重率和总失重率,结果表明,受精蛋总体趋势上重量大于无精蛋,单日失重率和总失重率略高于无精蛋。
(2)图像采集平台搭建及光源的确定。搭建种蛋静态图像采集平台,为机器视觉系统挑选出采用CMOS传感器的工业相机和变焦镜头;鉴于褐壳种蛋的颜色较深,对比了LED灯与卤素灯照射下的种蛋图像、35w和50w的卤素灯照射下的种蛋图像,最终确定35w卤素灯为图像采集系统的光源。
(3)颜色特征参数的提取。对图像进行灰度化、滤波、二值化、增强等预处理后,提取出种蛋图片的R分量、G分量、B分量、S分量、I分量和灰度的均值,共6个颜色特征参数。
(4)检测模型的建立。运用多元线性回归、SVM和LS-SVM这3种方法以种蛋孵化3-8天每天的特征参数,分别基于图像信息和基于图像—蛋重融合信息建模鉴别种蛋。所有164枚种蛋样本按约5:3比例分为训练集104枚、测试集60枚。测试结果表明:所有模型对受精蛋的识别率比无精蛋高,鉴别孵化6天后的种蛋准确率均超过90%,基于图像—蛋重融合信息建模鉴别孵化3-6天种蛋的准确率高于基于图像信息建模,对孵化7天、8天的种蛋鉴别准确率相等。从整体趋势看,基于图像—蛋重融合信息建立的SVM模型鉴别孵化5天、6天、7天种蛋的准确率高于多元线性回归模型和LS-SVM,而且所需预测时间短,约为0.005s,预测效率高。故最终选用SVM模型基于图像—蛋重融合信息对孵化早期褐壳种蛋进行鉴别。
(5)种蛋鉴别装置的设计。种蛋鉴别装置由传输机构、计算机、工业相机、光源机构、分级机械手臂等构成,能够完成种蛋的传输、种蛋图像采集与处理、无精蛋与受精蛋的分级,实现种蛋鉴别的自动化。