一个基于计算机视觉的自动系统,用于卵子分类和缺陷检测

科学领域:

• 农业工程 农业工程
• 计算机视觉 计算机视觉
• 人工智能的人工智能

背景情况:

• 有缺陷的蛋降低了家禽业的利能力,尤其是在无系统中.
• 现有自动分级和重量分类系统,但很少有人集成深度学习来进行组合分类和称重.
• 在无产母生产中,地板蛋是一个重大挑战.

研究的目的:

• 开发和评估一个两阶段的深度学习模型,用于联合蛋分类和体重预测.
• 解决用于卵子质量评估的集成机器视觉和深度学习方面的差距.
• 创建一个自动化系统,同时检测缺陷和测量蛋重量.

主要方法:

• 开发了一个采用实时多任务检测 (RTMDet) 和随机森林算法的两阶段模型.
• 卷积神经网络 (CNN) 和回归技术用于联合分类和权衡.
• 为了分类,RTMDet提取了蛋的特征 (大/小轴),而Random Forest则预测了体重.

主要成果:

• 该模型的分类准确度为94.8%,重量预测的R平方 (R2) 值为96.0%.
• 该系统成功地排除了非标准尺寸的蛋和那些有外观缺陷的蛋,如裂,污点或沉积物.
• 检测器将蛋分为五个类别 (完好无损,破裂,血,地板,非标准),并测量重量到大型尺寸.

结论:

• 集成的深度学习和机器视觉模型为自动蛋分类和称重提供了一种新的解决方案.
• 实施可以降低行业成本,提高生产率,提高消费者产品质量.
• 这种系统代表了禽类产品自动化评估的重大进步.