1.本技术涉及深度学习技术领域,具体涉及一种基于深度学习的鸡蛋重量检测分级方法及系统。
背景技术:
2.鸡蛋是最为经济的蛋白质来源之一,我国作为全球最大的鸡蛋生产与消费国,自1985年起鸡蛋产量连续位居世界首位。为满足我国庞大的鸡蛋需求,我国蛋鸡养殖业正朝着智能化、精准化、规模化的方向发展。当前蛋鸡养殖业中层叠式的蛋鸡笼养模式应用较为广泛。使用层叠式的蛋鸡笼养可以实现对鸡只的科学喂养,减少养殖场内的人力物力成本,同时可监测各笼内鸡只的产蛋量,实现蛋鸡的智能化、精准化养殖。
3.传统技术中收集的鸡蛋销售之前需要对鸡蛋进行分级,分级的标准主要是根据鸡蛋的重量。根据行业标准sb/t 10638-2011的内容,对于鸡蛋重量预测值g,当g≥68g时为xl、58g≤g《68g时为l、48g≤g《58g时为m,g《48时为s。目前的鸡蛋重量检测及分级方式,主要针对已收集的鸡蛋在流水线上进行检测。
4.上述方式虽然可以实现鸡蛋的分级,但是还需要配合人工或者鸡蛋收集系统来进行工作,不利于降低养殖场内的人力物力成本,而且会受到人工分级的主观影响,导致鸡蛋分级准确率低。
技术实现要素:
5.本技术为了解决上述技术问题,提出了如下技术方案:
6.第一方面,本技术实施例提供了一种基于深度学习的鸡蛋重量检测分级方法,包括:
7.通过摄像头对层叠式笼架各层的蛋托进行图像拍摄并识别各层中的鸡蛋;
8.将获取的图像进行图像处理并从处理后的图像寻找鸡蛋轮廓并进行鸡蛋长轴和短轴的测量;
9.采用随机森林-lasso-logistic回归模型结合所测鸡蛋长轴和短轴建立鸡蛋重量反演模型;
10.根据所述鸡蛋重量反演模型反演获得的鸡蛋预测值与行业标准进行对比对鸡蛋进行分级处理。
11.在一种可能的实现方式中,所述将获取的图像进行图像处理,包括:对摄像头所拍摄的图像进行依次进行开运算处理、灰度化处理、高斯滤波处理和图像二值化处理。
12.在一种可能的实现方式中,随机森林-lasso-logistic回归模型结合所测鸡蛋长轴和短轴建立鸡蛋重量反演模,包括:采用随机森林-lasso-logistic回归模型对输入特征进行模型训练,利用随机森林方法度量训练集中样本变量的重要性,并采用lasso-logistic回归模型对选出的变量进行筛选及参数评估。
13.在一种可能的实现方式中,随机森林-lasso-logistic回归模型具体迭代过程,包
括:
14.利用交叉验证法将样本分为训练集和测试集,用训练集构建模型,用测试集测试得到的模型;
15.利用随机森林对训练集进行有放回的重复抽样,构建决策树对样本进行分类;
16.对变量xj进行分类,度量变量重要性进行分类,度量变量重要性r表示分类正确的个数;
17.采用lasso-logistic回归模型对选出的变量进行筛选及参数评估;
18.具体的,随机森林算法过程包括:
19.定义边缘函数:
20.mg(x,y)=avki(hk(x)=y)-maxavki(hk(x)=j)
21.式中mg(x,y)用来衡量判别正确的分类器个数大于判别错误的分类的最大程度。
22.定义泛化误差:
23.pe=p
x,y
(mg(x,y)<0)
24.式中:p
x,y
为定义空间的概率。
25.当决策树达到一定程度时,对于随机向量序列θ1,θ2,θ3…
,θk,pe几乎处处收敛:
26.p
x,y
(p
θ
(h(x,θ)=y)-max
j≠y
p
θ
(h(x,θ)=j)<0)
27.式中:p
θ
(h(x,θ)=y)为分类正确的概率,p
θ
(h(x,θ)=j)为分类错误的概率最大值。
28.定义随机森林边缘函数:
29.mr(x,y)=p
θ
(hr(x)=y)-max
j≠y
p
θ
(hr(x)=j)
30.定义随机森林边缘函数期望:
31.s=e
x,y
mr(x,y)
32.假定s≥0,由切比雪不等式可得:
[0033][0034]
可得:
[0035][0036]
式中,p用于衡量模型每个决策树之间的相关性。
[0037]
具体的,lasso-logistic回归模型包括:
[0038]
lasso-logistic回归模型是在logistic回归模型参数估计值时加入惩罚项,从而实现变量筛选与参数估计。
[0039]
假设有独立同分布的观测值(xi,yi),i=1,2,3
…
,n,其中xi=(x
i1
,
…
x
ip
)
t
为回归模型自变量,yi为回归模型因变量。
[0040]
在xi下yi的联合分布为:
[0041]
[0042]
各项观测值相互独立,n个观测值的联合分布的似然函数为:
[0043][0044]
lasso-logistic回归模型中的系数估计值由下面函数的极小值给定:
[0045][0046]
上式中l(β)为对数似然函数:
[0047][0048]
可得lasso-logistic回归模型的系数估计值可由下式表示:
[0049][0050]
式中:为模型中系数估计值的惩罚力度;λ为调和参数,用于影响变量筛选结果。
[0051]
在一种可能的实现方式中,还包括:对层叠式笼架各层的蛋托中的鸡蛋进行、计数、追踪以及起止时间的记录。
[0052]
在一种可能的实现方式中,结合鸡蛋传送带输送速度和蛋托鸡蛋起始时间获得各鸡蛋的起始位置。
[0053]
在一种可能的实现方式中,所述通过摄像头对层叠式笼架各层的蛋托进行图像拍摄并识别各层中的鸡蛋,包括:通过yolov7进行目标检测,并通过deepsort算法对目标进行深度外观特征提取以及深度外观特征匹配和运动信息匹配,实现鸡蛋的多目标识别。
[0054]
第二方面,本技术实施例提供了一种基于深度学习的鸡蛋重量检测分级系统,包括:
[0055]
图像识别模块,用于通过摄像头对层叠式笼架各层的蛋托进行图像拍摄并识别各层中的鸡蛋;
[0056]
图像处理模块,用于将获取的图像进行图像处理并从处理后的图像寻找鸡蛋轮廓并进行鸡蛋长轴和短轴的测量;
[0057]
模型建立模块,用于采用随机森林-lasso-logistic回归模型结合所测鸡蛋长轴和短轴建立鸡蛋重量反演模型;
[0058]
分级处理模块,用于根据所述鸡蛋重量反演模型反演获得的鸡蛋预测值与行业标准进行对比对鸡蛋进行分级处理。
[0059]
在本技术实施例中,鸡蛋在层叠式笼架的蛋托就进行识别重量估测,实现了鸡蛋重量的无接触式检测分级。可追踪定位出每个鸡蛋的所产鸡笼,为蛋鸡产蛋量的计算以及坏蛋产出者的寻找提供有利条件,监测各笼内鸡只的产蛋量。实现在层叠式笼养模式下的鸡蛋采集、计数、尺寸重量检测、定位、分级为一体的鸡蛋收集、检测、定位、分级工作,有利于实现智能化、精准化、规模化的养殖方式。
附图说明
[0060]
图1为本技术实施例提供的一种鸡蛋分级监测分级装置的示意图;
[0061]
图2为本技术实施例提供的一种基于深度学习的鸡蛋重量检测分级方法流程示意图;
[0062]
图3为本技术实施例提供的一种鸡蛋重量检测分级硬件系统示意图;
[0063]
图4为本技术实施例提供的随机森林-lasso-logistic回归模型目标跟踪算法处理示意图;
[0064]
图5为本技术实施例提供的一种基于深度学习的鸡蛋重量检测分级系统示意图;
[0065]
图1-5中,符号表示为:
[0066]
1-层叠式笼架,2-传送带,3-分级机构,4-支架,5-摄像头。
具体实施方式
[0067]
下面结合附图与具体实施方式对本方案进行阐述。
[0068]
为了实现本技术中的分级方法,参见图1,对应层叠式笼架1的蛋托设置传送带2,传送带2的尾端设置分级机构3。早层叠式笼架1一侧设置支架4,支架4上固定设置有摄像头5,所述摄像头5拍摄范围覆盖层叠式笼架1的蛋托。调节角度使得摄像头5可以清晰的拍摄到层叠式笼架1所有层的蛋托所在位置;伺服电机搭配编码器使用齿轮传动的方式为传动带的主动轮提供动力;伺服电机、编码器、分级机构3均由plc控制器控制。其中编码器用于检测伺服电机的转速从而计算出传送带2的传送速度;分级机构3用于对不同重量的鸡蛋进行分级;摄像头5所采集的数据信息上传至服务器,服务器进行鸡蛋尺寸检测、计数、追踪以及重量反演。
[0069]
基于上述鸡蛋分级监测分级装置,参见图2,本技术实施例提供的基于深度学习的鸡蛋重量检测分级方法,包括:
[0070]
s101,通过摄像头对层叠式笼架各层的蛋托进行图像拍摄并识别各层中的鸡蛋。
[0071]
s102,将获取的图像进行图像处理并从处理后的图像寻找鸡蛋轮廓并进行鸡蛋长轴和短轴的测量。
[0072]
如图3所述,本实施例基于深层卷积神经网络yolov7建立目标识别模型,使用随机森林-lasso-logistic回归模型对鸡蛋进行多目标识别、计数、追踪以及起止时间的记录,使用编码器实时检测伺服电机转速,从而计算出传送带输送速度,进而确定各鸡蛋所产的鸡笼;基于opencv库对rgb图像进行数字图像处理、开运算处理、灰度化处理、高斯滤波处理、图像二值化处理,对处理后的图像寻找目标轮廓并进行长轴a和短轴b的测量。
[0073]
参见图4,随机森林-lasso-logistic回归模型对目标进行深度外观特征提取以及深度外观特征匹配和运动信息匹配,实现鸡蛋的多目标识别、计数、追踪以及起止时间的记录。
[0074]
s103,采用随机森林-lasso-logistic回归模型结合所测鸡蛋长轴和短轴建立鸡蛋重量反演模型。
[0075]
采用随机森林-lasso-logistic回归模型对输入特征进行模型训练,利用随机森林方法度量训练集中样本变量的重要性,并采用lasso-logistic回归模型对选出的变量进行筛选及参数评估。
[0076]
随机森林-lasso-logistic回归模型具体迭代过程,包括:
[0077]
利用交叉验证法将样本分为训练集和测试集,用训练集构建模型,用测试集测试得到的模型;
[0078]
利用随机森林对训练集进行有放回的重复抽样,构建决策树对样本进行分类;
[0079]
对变量xj进行分类,度量变量重要性进行分类,度量变量重要性r表示分类正确的个数;
[0080]
采用lasso-logistic回归模型对选出的变量进行筛选及参数评估;
[0081]
具体的,随机森林算法过程包括:
[0082]
定义边缘函数:
[0083]
mg(x,y)=avki(hk(x)=y)-maxavki(hk(x)=j)
[0084]
式中mg(x,y)用来衡量判别正确的分类器个数大于判别错误的分类的最大程度。
[0085]
定义泛化误差:
[0086]
pe=p
x,y
(mg(x,y)<0)
[0087]
式中:p
x,y
为定义空间的概率。
[0088]
当决策树达到一定程度时,对于随机向量序列θ1,θ2,θ3…
,θk,pe几乎处处收敛:
[0089]
p
x,y
(p
θ
(h(x,θ)=y)-max
j≠y
p
θ
(h(x,θ)=j)<0)
[0090]
式中:p
θ
(h(x,θ)=y)为分类正确的概率,p
θ
(h(x,θ)=j)为分类错误的概率最大值。
[0091]
定义随机森林边缘函数:
[0092]
mr(x,y)=p
θ
(hr(x)=y)-max
j≠y
p
θ
(hr(x)=j)
[0093]
定义随机森林边缘函数期望:
[0094]
s=e
x,y
mr(x,y)
[0095]
假定s≥0,由切比雪不等式可得:
[0096][0097]
可得:
[0098][0099]
式中,p用于衡量模型每个决策树之间的相关性。
[0100]
具体的,lasso-logistic回归模型包括:
[0101]
lasso-logistic回归模型是在logistic回归模型参数估计值时加入惩罚项,从而实现变量筛选与参数估计。
[0102]
假设有独立同分布的观测值(xi,yi),i=1,2,3
…
,n,其中xi=(x
i1
,
…
x
ip
)
t
为回归模型自变量,yi为回归模型因变量。
[0103]
在xi下yi的联合分布为:
[0104]
[0105]
各项观测值相互独立,n个观测值的联合分布的似然函数为:
[0106][0107]
lasso-logistic回归模型中的系数估计值由下面函数的极小值给定:
[0108][0109]
上式中l(β)为对数似然函数:
[0110][0111]
可得lasso-logistic回归模型的系数估计值可由下式表示:
[0112][0113]
式中:为模型中系数估计值的惩罚力度;λ为调和参数,用于影响变量筛选结果。
[0114]
s104,根据所述鸡蛋重量反演模型反演获得的鸡蛋预测值与行业标准进行对比对鸡蛋进行分级处理。
[0115]
根据行业标准sb/t 10638-2011的内容,对于鸡蛋重量预测值g,当g≥68g时为xl、58g≤g《68g时为l、48g≤g《58g时为m,g《48时为s,通过plc控制分级机构对鸡蛋进行分级。
[0116]
由上述实施例可知,本实施例提供的基于深度学习的鸡蛋重量检测分级方法,可实现鸡蛋重量的无接触式检测,并按行业标准sb/t 10638-2011对鸡蛋进行分级。可追踪定位出每个鸡蛋的所产鸡笼,为蛋鸡产蛋量的计算以及坏蛋产出者的寻找提供有利条件,监测各笼内鸡只的产蛋量。使用目标识别跟踪算法进行鸡蛋的计数、跟踪以及起止时间的记录,提高了计数及定位的精准性。可实现在层叠式笼养模式下的鸡蛋采集、计数、尺寸重量检测、定位、分级为一体的鸡蛋收集、检测、定位、分级工作,有利于实现智能化、精准化、规模化的养殖方式。
[0117]
与上述实施例提供的一种基于深度学习的鸡蛋重量检测分级方法相对应,本技术还提供了一种基于深度学习的鸡蛋重量检测分级系统的实施例。
[0118]
参见图5,基于深度学习的鸡蛋重量检测分级系统20,包括:
[0119]
图像识别模块201,用于通过摄像头对层叠式笼架各层的蛋托进行图像拍摄并识别各层中的鸡蛋;
[0120]
图像处理模块202,用于将获取的图像进行图像处理并从处理后的图像寻找鸡蛋轮廓并进行鸡蛋长轴和短轴的测量;
[0121]
模型建立模块203,用于采用随机森林-lasso-logistic回归模型结合所测鸡蛋长轴和短轴建立鸡蛋重量反演模型;
[0122]
分级处理模块204,用于根据所述鸡蛋重量反演模型反演获得的鸡蛋预测值与行业标准进行对比对鸡蛋进行分级处理。
[0123]
本技术实施例中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,a和/或b,可以表示单独存在a、同时存在a和b、单独存在b的情况。其中a,b可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项”及其类似表达,是指的这些项中的任意组合,包括单项或复数项的任意组合。例如,a,b和c中的至少一项可以表示:a,b,c,a-b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。
[0124]
以上所述,仅为本技术的具体实施方式,任何熟悉本技术领域的技术人员在本技术揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本技术的保护范围之内。本技术的保护范围应以所述权利要求的保护范围为准。