在鸡蛋产业的加工过程中,为保证鸡蛋的质量需要从大量鸡蛋中分拣出破损或污损的鸡蛋。传统上对鸡蛋的分拣主要靠人力和一些智能检测方法来进行。然而,这些方法在实际生产过程中都存在某些不足,比如:在利用数字图像处理技术对破损鸡蛋进行缺陷检测时,由于鸡蛋之间存在颜色差异,采用直接提取缺陷部分的方法往往不精确。本文提出了三种鸡蛋缺陷检测方法:K-means和SVM相结合的方法、多路卷积神经网络方法以及多路卷积残差网络方法,其结果如下:(1)针对传统鸡蛋缺陷检测需要人工经验进行图像特征提取以及对图像采集的环境要求比较严格等限制。本文采用无监督的K-means方法进行特征学习以减少人工主观上的经验失误,即利用K-means聚类将图像分成不同图像块集合以获取不同的统计集合特征;接着利用SVM算法对图像特征进行分类学习。这是一种将人工先验知识进行弱化的学习方法。实验结果表明,无监督的Kmeans与SVM相结合的鸡蛋缺陷检测方法其缺陷识别率为94.7%。(2)为提高识别的精确度以及摆脱在采样时对周围环境的过度依赖,本文对卷积神经网络进行改进,提出一种新的多路卷积神经网络对图像特征进行训练学习以弱化采样对环境的依赖。其具体方法是对采样中获得的图像的各个通道特征进行学习,并在最后全连接层进行图像特征融合,目的是加入这些特征进行端到端的训练以提高整体的识别效果。实验结果表明,多路卷积神经网路的鸡蛋缺陷检测方法其缺陷识别率为96.3%。(3)由于卷积神经网络中每个网络层的特征在向后传递的过程中其网络特征会有损失,进而导致网络不稳定。为提升网络的稳定性,本文同样对卷积神经网络进行改进,提出一种新的多路卷积残差网络以增加网络的稳定性。其具体方法是在网络特征向下一层传递的时候让该原始层的特征和原始层与下一层之间的残差单元的特征相结合,这样就能保证在增加或者删除网络层的情况下仍保持对原有数据的识别。实验结果表明,多路卷积残差网络的鸡蛋缺陷检测方法其缺陷识别率为97.5%。