论文部分内容阅读
入孵前种蛋筛选以及种蛋孵化过程中胚胎成活性检测是孵化工作的重要技术环节。鉴于人工检测劳动强度大,效率低,准确性差。通过对基于机器视觉的种蛋筛选和孵化成活性检测方法的系统研究,建立了种蛋筛选和孵化成活性自动检测系统。1.建立了基于机器视觉的种蛋筛选和孵化成活性检测硬件系统。通过对比试验研究,确定了图像采集时的最佳光源和背景颜色;对种蛋筛选硬件系统进行了标定,标定精度能满足种蛋外观品质检测要求。2.对基于机器视觉技术的种蛋筛选方法进行了系统研究,建立了种蛋重量、蛋形、蛋壳表面缺陷和蛋壳颜色等4个检测指标的种蛋外观品质综合评价体系。(1)提出利用种蛋图像零阶矩计算图像投影面积代替重量称量的方法,检测结果与实际称量值间有良好的相关性,过大蛋、正常蛋、过小蛋检测准确率分别达到了97.73%、97.04%和96.51%。(2)研究了基于机器视觉的种蛋蛋壳表面缺陷识别方法,提出利用阈值识别法结合八邻域边界跟踪算法检测裂纹、脏斑、血斑等种蛋蛋壳表面缺陷,裂纹蛋、污斑蛋和正常蛋的检测准确率分别达到了91.25%、94.18%和96.36%。(3)提出基于机器视觉、矩和神经网络技术,以种蛋蛋形指数及蛋径差为检测指标的蛋形分步检测方法。先检测种蛋蛋形指数,再利用提出的改进免疫遗传算法优化LMBP神经网络参数,并用优化后的神经网络识别畸形蛋。过长蛋、过圆蛋和畸形蛋的检测准确率分别达到了97.1%、95.59%和94.87%,正常蛋平均检测准确率达到了95.75%。(4)以色度频度值为蛋壳颜色特征参数,采用改进免疫遗传LMBP神经网络进行蛋壳颜色一致性检测,浅壳蛋、正常蛋和深壳蛋的检测准确率分别达到了95.6%、95.8%和91.3%。3.参照人工照蛋时间,对孵化早期、中期和后期的种蛋胚胎成活性检测方法进行了系统研究。利用改进模拟退火微粒群优化算法,优化BP神经网络参数。以种蛋色度频度值为特征参数,用优化后的BP神经网络检测种蛋孵化成活性,对孵化早、中和后期的种蛋孵化成活性平均检测准确率分别达到了92.5%、98.3%和100%。4.进行了软件系统集成,为进一步实现种蛋筛选和孵化成活性在线检测奠定了基础。