计算机视觉驱动的鸭蛋双黄与裂纹与新鲜度无损检测【附代码】

✨ 长期致力于鸭蛋、计算机视觉、无损检测、双黄、裂纹、新鲜度研究工作擅长数据搜集与处理、建模仿真、程序编写、仿真设计。✅ 专业定制毕设、代码✅如需沟通交流点击《获取方式》1基于卷积神经网络的双黄鸭蛋动态在线检测系统构建了包含透射光源和工业相机的图像采集装置光源采用12V/20W LED阵列色温6500K相机分辨率为1280×960像素帧率30fps。双黄鸭蛋的透射图像中蛋黄阴影呈现两个分离或重叠的暗区。设计了一个轻量化卷积神经网络DoubleYolkNet结构包括三个卷积层卷积核大小5×5、步长2输出通道分别为16、32、64、两个最大池化层2×2和两个全连接层输出128和2。激活函数采用ReLU输出层使用Softmax。在训练过程中收集了单黄鸭蛋图像5000张双黄鸭蛋图像2000张采用数据增强旋转±15度缩放0.8-1.2倍亮度调整±20%。训练采用Adam优化器学习率0.001批次大小32迭代50轮。验证准确率达到单黄97.5%双黄98%。将训练好的模型部署到在线检测系统中使用C#编写上位机通过Matlab编译的dll调用CNN推理。输送线速度设定为1枚蛋/秒光电触发拍照后100ms内完成图像处理和判别总体检测速度达标。在实际生产中连续测试2000枚鸭蛋其中双黄蛋60枚系统正确识别单黄蛋1830枚误判20枚双黄蛋55枚漏检5枚准确率单黄94%双黄91.7%。系统对蛋壳颜色青壳、白壳和鸭蛋大小50-70g不敏感鲁棒性好。2亮裂纹与暗裂纹的自适应增强分割算法针对透射光下鸭蛋裂纹的灰度差异小的问题设计了自适应光源亮度调节策略。通过调节LED供电电压从5V到12V采集不同亮度下的蛋壳图像选取裂纹对比度最大的电压值亮裂纹采用8V暗裂纹采用11V。亮裂纹增强使用线性反锐化掩模将原图与高斯模糊sigma1.5的差值乘以系数2.5后叠加回原图。然后采用区域生长法分割种子点选择灰度局部最小值亮裂纹为暗线生长准则为相邻像素灰度差小于15。连通区域面积大于20像素且长宽比大于5的被判为裂纹。暗裂纹采用Retinex理论增强将图像分解为光照分量和反射分量反射分量作为增强结果。区域生长时阈值设为相邻像素差小于8连通面积大于15像素。对200张亮裂纹图像裂纹宽度0.1mm测试亮裂纹检测准确率95%对150张暗裂纹图像宽度0.03-0.08mm测试暗裂纹检测准确率81.3%完好蛋误判率3.7%。综合判别算法将亮裂纹和暗裂纹统一输出对裂纹鸭蛋总体准确率88.3%。3激光气室成像与新鲜度等级判别设计了一种以650nm红色激光二极管功率5mW为光源的图像采集装置激光束以45度角照射鸭蛋钝端在蛋壳内部反射后气室区域形成清晰的环形光斑。相机在正上方采集反射图像激光光斑的半径与气室面积成正比。通过图像处理后计算气室面积与鸭蛋投影面积的比值R。新鲜度等级按哈夫单位划分AA级R0.08A级0.08≤R0.15B级R≥0.15。在实验室环境下测试300枚鸭蛋室温25度贮藏时间1-20天激光法测得的R值与实际气室直径破坏性测量的相关系数为0.94。建立的判别模型对三个等级的准确率分别为89.5%、84.9%和97.5%。其中A级误判较多主要是因为气室面积边界模糊导致图像分割误差。将激光功率提高至10mW并增加偏振滤光片后对比度提升12%A级准确率提高到87.6%。该方法的检测速度可达2枚/秒无需接触适合生产线在线新鲜度分选。import cv2 import numpy as np import tensorflow as tf def build_double_yolk_net(input_shape(128,128,1)): model tf.keras.Sequential([ tf.keras.layers.Conv2D(16, 5, strides2, activationrelu, input_shapeinput_shape), tf.keras.layers.MaxPooling2D(2), tf.keras.layers.Conv2D(32, 5, strides2, activationrelu), tf.keras.layers.MaxPooling2D(2), tf.keras.layers.Conv2D(64, 5, strides2, activationrelu), tf.keras.layers.Flatten(), tf.keras.layers.Dense(128, activationrelu), tf.keras.layers.Dense(2, activationsoftmax) ]) return model def crack_enhancement_retinex(image, sigma30): # 单尺度Retinex增强暗裂纹 blur cv2.GaussianBlur(image, (0,0), sigma) reflectance np.log1p(image.astype(np.float32)) - np.log1p(blur.astype(np.float32)) reflectance (reflectance - reflectance.min()) / (reflectance.max() - reflectance.min()) * 255 return reflectance.astype(np.uint8) def region_growing_crack(gray_img, seed_threshold15, grow_threshold8): # 区域生长算法提取裂纹 h,w gray_img.shape visited np.zeros_like(gray_img, dtypebool) # 选择种子点局部极小值且灰度小于均值-阈值 mean_val np.mean(gray_img) seeds [] for i in range(1, h-1): for j in range(1, w-1): if gray_img[i,j] mean_val - seed_threshold and gray_img[i,j] gray_img[i-1,j] and gray_img[i,j] gray_img[i1,j]: seeds.append((i,j)) regions [] for seed in seeds: if visited[seed]: continue stack [seed] region [] while stack: x,y stack.pop() if visited[x,y]: continue visited[x,y] True region.append((x,y)) for dx in [-1,0,1]: for dy in [-1,0,1]: nx, ny xdx, ydy if 0nxh and 0nyw and not visited[nx,ny]: if abs(int(gray_img[nx,ny]) - int(gray_img[x,y])) grow_threshold: stack.append((nx,ny)) if len(region) 20: regions.append(region) return regions def air_cell_ratio(image, laser_spot_center): # 激光气室图像分割计算面积比 gray cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) _, thresh cv2.threshold(gray, 30, 255, cv2.THRESH_BINARY) contours, _ cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) # 找到激光光斑轮廓最大轮廓 laser_contour max(contours, keycv2.contourArea) laser_area cv2.contourArea(laser_contour) # 鸭蛋投影面积先找蛋轮廓 egg_contour max(contours, keycv2.contourArea) # 简化 egg_area cv2.contourArea(egg_contour) ratio laser_area / egg_area if ratio 0.08: grade AA elif ratio 0.15: grade A else: grade B return ratio, grade ,