鸡蛋在生产运输和包装储存过程中,受到震动挤压或环境过湿过热等问题时会产生外壳有裂纹或内部有血丝的缺陷鸡蛋,这些鸡蛋容易被细菌侵入而变质。检测鸡蛋是否有缺陷对保障食品安全至关重要,已有对鸡蛋进行品质检测的技术包括人工观察、化学分析、机器视觉、光谱分析等,但是无论何种方式,目前检测装置大都固定于生产线上,应用过程中不仅会产生高成本、高损耗等问题,也无法方便服务于普通消费者。因此研究缺陷蛋的便携式无损检测技术有着十分重要的现实意义。本文以粉壳鸡蛋为研究对象,结合图像处理与深度学习技术构建了缺陷蛋检测模型,并在Android平台上搭建了缺陷蛋实时检测APP,搭配自行设计的便携式装置对鸡蛋是否有缺陷进行无损检测。具体研究内容如下:（1）设计了一款便携式鸡蛋图像采集装置。针对传统鸡蛋检测装置体积巨大、价格昂贵等弊端,设计了一款便携式图像采集暗箱,暗箱结构为升降式,可调整大小。选取正白色光单珠LED射灯、采取下置透射的照明方式,降低了图像采集过程中环境因素的影响,保证了后期图像的拍摄质量。（2）建立了基于图像处理的缺陷蛋检测模型。对鸡蛋原始图像进行灰度化、去背景、特征增强等预处理,提取裂纹、血斑等特征,分别对裂纹蛋和血斑蛋建立检测模型。针对裂纹蛋,以每张图像中最大特征的外接矩形长宽比和圆形度为参数建立基于支持向量机的分类模型,识别准确率达到94.2%。针对血斑蛋,在最佳阈值下提取鸡蛋图像所有连通域,通过计算血斑区域所占比例来判别是否属于血斑蛋,综合识别率为75.8%。结果表明,通过提取鸡蛋缺陷特征建立模型可以实现对裂纹蛋的有效判别。（3）针对安卓手机端的图像采集功能,建立了基于深度学习的缺陷蛋（裂纹、血斑）识别模型。考虑模型移植到手机端的局限性,从模型计算量以及内存大小、识别准确率等因素选取轻量级卷积神经网络Mobile Net V2,通过对原始网络嵌入坐标注意力机制、设置宽度因子、迁移学习等优化操作,使得模型体积减小了31.0%,准确率提升了3.6%。最终对裂纹蛋、血斑蛋、正常蛋的三分类识别率分别达到98.4%、91.5%、94.9%,综合识别率为94.9%。（4）开发了基于安卓系统的缺陷蛋无损检测软件。对比模型在Tensor Flow Lite和NCNN两种移动端深度学习框架下的识别速度、库文件大小、CPU占用率等要素,选择使用NCNN框架进行模型移植。通过神经网络交换（ONNX）对缺陷蛋识别模型进行格式转换并部署,实现通过手机端对缺陷蛋的无损检测,识别准确率为92.7%,平均检测时间为0.221s。软件APP同时添加账户设置、鸡蛋品种和产地查询、咨询与收藏等辅助功能,提升用户使用感受。