[发明专利]鸡蛋分拣系统和鸡蛋分拣方法在审

专利信息
申请号: 202010888510.2 申请日: 2020-08-28
公开(公告)号: CN112136722A 公开(公告)日: 2020-12-29
发明(设计)人: 罗印升;刘亚东;宋伟;周兴杰;陈传毅;曹阳阳 申请(专利权)人: 江苏理工学院
主分类号: A01K43/04 分类号: A01K43/04
代理公司: 常州佰业腾飞专利代理事务所(普通合伙) 32231 代理人: 陈红桥
地址: 213001 江*** 国省代码: 江苏;32
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 鸡蛋 分拣 系统 方法
【权利要求书】:

1.一种鸡蛋分拣系统,其特征在于,包括:

传送装置,所述传送装置用于将鸡蛋传送至缺陷检测区域以进行缺陷检测;

图像获取装置,所述图像获取装置用于获取位于所述缺陷检测区域的鸡蛋的外观图像;

机械臂装置,所述机械臂装置用于将表面存在缺陷的鸡蛋抓取至第一指定区域;

上位机,所述上位机分别与所述图像获取装置、所述机械臂装置和所述传送装置相连,所述上位机用于根据所述外观图像采用深度学习技术检测鸡蛋表面是否存在缺陷,并在检测到所述鸡蛋表面存在缺陷时,控制所述传送装置将所述存在缺陷鸡蛋传送至第一指定区域后,再控制所述机械臂装置将所述存在缺陷的鸡蛋抓取至第二指定区域,以及在检测到所述鸡蛋表面不存在缺陷时,控制所述传送装置将所述鸡蛋传送至生产线的下一工序,其中,所述缺陷包括:血斑、花斑、裂纹或表面凹陷。

2.根据权利要求1所述的鸡蛋分拣系统,其特征在于,所述上位机具体用于:

获取外观图像数据集进行标注,将标注好的数据集分为训练集和测试集;

将所述训练集放进神经网络模型中进行训练;

对训练好的模型进行测试,判断准确率达到预设值后进行权重的使用,实现所述鸡蛋表面缺陷的检测。

3.根据权利要求2所述的鸡蛋分拣系统,其特征在于,所述神经网络模型包括:

卷积层,所述卷积层通过设置卷积核的大小提取外观图像的局部特征信息;

池化层,所述池化层用于对所述局部特征信息进行降维;

全连接层,所述全连接层用于对所述卷积层和所述池化层处理后的数据进行综合。

4.根据权利要求1所述的鸡蛋分拣系统,其特征在于,所述图像获取装置包括四台工业相机,所述四台工业相机分别位于所述缺陷检测区域的正上方偏左45°位置、正上方偏右45°位置、正下方偏左45度位置和正下方偏右45°位置。

5.根据权利要求1所述的鸡蛋分拣系统,其特征在于,所述机械臂装置包括:吸蛋器装置和六轴机械臂,所述吸蛋器装置安装于所述六轴机械臂的手部位置。

6.一种鸡蛋分拣方法,其特征在于,包括以下步骤:

将鸡蛋传送至缺陷检测区域;

获取位于所述缺陷检测区域的鸡蛋的外观图像;

根据所述外观图像采用深度学习技术检测鸡蛋表面是否存在缺陷,其中,所述缺陷包括:血斑、花斑、裂纹或表面凹陷;

如果检测到所述鸡蛋表面存在缺陷,则控制所述传送装置将所述存在缺陷鸡蛋传送至第一指定区域后,再将所述存在缺陷的鸡蛋抓取至第二指定区域;

如果检测到所述鸡蛋表面不存在缺陷,则控制所述传送装置将所述鸡蛋传送至生产线的下一工序。

7.根据权利要求6所述的鸡蛋分拣方法,其特征在于,根据所述外观图像采用深度学习技术检测鸡蛋表面是否存在缺陷,包括:

获取外观图像数据集进行标注,将标注好的数据集分为训练集和测试集;

将所述训练集放进神经网络模型中进行训练;

对训练好的模型进行测试,判断准确率达到预设值后进行权重的使用,实现所述鸡蛋表面缺陷的检测。

8.根据权利要求7所述的鸡蛋分拣方法,其特征在于,所述神经网络模型包括:

卷积层,所述卷积层通过设置卷积核的大小提取外观图像的局部特征信息;

池化层,所述池化层用于对所述局部特征信息进行降维;

全连接层,所述全连接层用于对所述卷积层和所述池化层处理后的数据进行综合。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于江苏理工学院,未经江苏理工学院许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202010888510.2/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top