[发明专利]一种基于卷积神经网络的鸡蛋新鲜度检测方法

说明书

本发明提供一种基于卷积神经网络的鸡蛋新鲜度检测方法，包括以下步骤，步骤一、选择哈夫值作为鸡蛋新鲜度的指标，将鸡蛋等级按照哈夫值分为AA、A和B级；步骤二、搭建鸡蛋透光图像采集装置，采集鸡蛋透光图像样本；步骤三、搭建鸡蛋哈夫值测定装置，鸡蛋透光图像样本经过步骤二之后利用所述鸡蛋哈夫值测定装置计算鸡蛋哈夫值；步骤四、将鸡蛋透光图像样本图像和哈夫值数据代入卷积神经网络训练、测试，得出检测结果。以鸡蛋的哈夫值为指标，针对以往鸡蛋新鲜度检测的研究存在样本数过少、样本分布不均、模型精度低等问题，模型检测精度更高，整个检测过程无过多预处理步骤，泛化能力更强。

技术领域

本发明涉及鸡蛋内部品质检测检测技术领域，具体涉及一种基于卷积神经网络的鸡蛋新鲜度检测方法。

背景技术

鸡蛋内部品质主要包括蛋白品质、蛋黄品质以及化学成分、气味等指标，其中蛋白品质是鸡蛋新鲜度最为重要的评判标准。传统的鸡蛋新鲜度检测方法主要有感官检测和光照鉴别的方法：感官检测主要眼看、鼻嗅等方法检测鸡蛋新鲜度，该方法仅能够粗略检测出已变质的鸡蛋，无法按照国家制定的分级标准，检测鸡蛋的新鲜度；光照鉴别是利用鸡蛋蛋壳具有透光性，采用灯光透射鸡蛋并观察鸡蛋内容物特征，对鸡蛋的新鲜度做出综合评定，该检测过程由于是人工完成，同样存在主观性强、劳动强度大和检测效率低等问题。当前已有多种关于鸡蛋新鲜度检测方法被提出，但多数方法因条件限制，难以规模化应用，仍停留实验室阶段，寻找高效率的检测方法具有现实意义。

目前，国内外关于鸡蛋新鲜度检测主要集中于电特性、光谱技术、电子鼻以及机器视觉的研究，机器视觉结合机器学习的检测方法由于使用成本低、便捷性高等优点得到广泛关注。但以往提出的基于机器视觉的方法也存在较多的局限性，如实验设计仅采集数十、数百张鸡蛋透光图像样本，小样本容易导致过拟合现象，基于图像处理的特征提取方法存在预处理步骤多、干扰性大、样本数量分布不均匀等问题；以往研究多使用BP神经网络和支持向量机(SVM)等传统机器学习方法，BP神经网络需要多次迭代更新网络参数，SVM过度依赖参数调节；加上基于颜色和形态特征的提取方法预处理步骤多，干扰性大等问题，现有鸡蛋新鲜度检测方法准确率不高，与实际生产也存在较大差距。

发明内容

为了解决现有技术中存在的某种或某些技术问题，本发明提供一种基于卷积神经网络的鸡蛋新鲜度检测方法，以鸡蛋的哈夫值为指标，针对以往鸡蛋新鲜度检测的研究存在样本数过少、样本分布不均、模型精度低等问题，设计了“个体反映总体”和多角度图像样本采集的思路，扩充了样本数量，并平衡不同类别鸡蛋样本数目，模型检测精度更高，整个检测过程无过多预处理步骤，泛化能力更强。

为解决上述现有的技术问题，本发明采用如下方案：

一种基于卷积神经网络的鸡蛋新鲜度检测方法，包括以下步骤，步骤一、选择哈夫值作为鸡蛋新鲜度的指标，将鸡蛋等级按照哈夫值分为AA、A和B级；

步骤二、搭建鸡蛋透光图像采集装置，采集鸡蛋透光图像样本；

步骤三、搭建鸡蛋哈夫值测定装置，鸡蛋透光图像样本经过步骤二之后利用所述鸡蛋哈夫值测定装置计算鸡蛋哈夫值；

步骤四、将鸡蛋透光图像样本图像和哈夫值数据代入卷积神经网络训练、测试，得出检测结果。

进一步地，所述步骤四中所述卷积神经网络结构由四个卷积层、四个池化层、二个全连接层和一个分类器堆叠成。

进一步地，所述卷积层计算公式如下：式中，k表示第l层卷积操作，b代表第l层卷积核的偏置，M_J是输入层的感受野，f(·)为激活函数。

进一步地，所述卷积神经网络结构还包含六个激活层和二个Dropout层。

进一步地，所属激活层激活函数的包括修正线性单元(rectified linear unit，ReLU)，其表达式为ReLU＝max(0,x)。