一、鸭蛋新鲜度模型的试验研究（论文文献综述）
梅璐[1]（2020）在《皮蛋凝胶品质的无损检测方法研究》文中研究说明皮蛋是我国一种传统腌制蛋制品,由鲜蛋在碱液中腌制而制成。目前按工厂检测要求,一般采用人工检测的手段对腌制到期的皮蛋凝胶状况进行检测,将皮蛋按照凝胶品质分为3类—优质蛋、次品蛋和劣质蛋,其中还通过手敲皮蛋依据皮蛋弹性大小将皮蛋分为弹性蛋和非弹性蛋,弹性好的亦为凝胶品质好。人工检测存在劳动强度高、主观性强、效率低等弱点,需要寻找自动无损检测手段对皮蛋品质进行检测分类,从而为实现皮蛋品质自动检测提供技术支持。主要研究内容和研究结论如下:（1）研究了皮蛋质构参数与凝胶品质等级的关系。通过质地剖面检验分析试验,对2种凝胶品质的皮蛋（优质蛋、次品蛋）的弹性、硬度、凝聚性、胶粘性和咀嚼性等质构参数进行分析,比较优质蛋与次品蛋的质构参数,得到优质蛋的质构参数要优于次品蛋。并利用SPSS软件分析了质构参数与皮蛋凝胶品质等级的相关性,得到了两者之间的相关关系。（2）建立了皮蛋凝胶品质的视觉无损检测模型。基于机器视觉技术搭建了皮蛋图像采集平台,采集皮蛋透射图像,并对皮蛋图像进行预处理,去除图像背景,提取R、G、B、H、S、V、L、a、b、σR、σG、σB、σH、σS、σV、σL、σa、σb这18个颜色特征值为图像特征参数。对18个特征参数进行主成分分析,将得到的主成分输入到模型中进行训练。结果表明基于机器视觉技术无法对3种凝胶品质皮蛋（优质蛋、次品蛋、劣质蛋）进行分类,但可以将皮蛋分为可食用蛋（优质蛋、次品蛋）与不可食用蛋（劣质蛋）,对比不同模型分类结果得到最佳分类模型为GA-SVM,测试集识别率为97.56%,劣质蛋识别率为100%。（3）建立了皮蛋凝胶品质的光谱检测模型及视觉-光谱的综合检测模型。基于近红外光谱技术采集3种凝胶品质皮蛋（优质蛋、次品蛋和劣质蛋）的光谱数据,发现单独采用近红外光谱技术不能对3种凝胶品质皮蛋进行分类,但可以将机器视觉技术难以区分的可食用蛋（优质蛋、次品蛋）分为优质蛋和次品蛋。所以对优质蛋和次品蛋的原始光谱数据进行多元散射矫正预处理,利用CARS对光谱数据降维提取其特征波长,建立分类模型。结果表明近红外光谱技术能够对优质蛋和次品蛋进行分类,优质蛋识别率为96.49%,次品蛋识别率为94.12%。故提出分步检测法对3种凝胶品质皮蛋进行分类,先利用机器视觉技术将皮蛋分为可食用蛋（优质蛋、次品蛋）和不可食用蛋（劣质蛋）,再利用近红外光谱技术将可食用蛋（优质蛋、次品蛋）分为优质蛋和次品蛋,总体识别率为96.38%。（4）建立了皮蛋凝胶品质的弹性振动无损检测模型。利用加速度传感器搭建皮蛋振动信号采集平台,采集皮蛋受到激励后的振动信号,通过快速傅里叶变换将振动信号时域数据转换为频域数据,在时域上提取其峰值、平均值、方差、均方根、最大值、最小值、方根幅值、峭度、波形因子、裕度因子、脉冲因子和峰值因子为特征参数,在频域上提取主响应频率、最大幅值、重心频率、均方频率和均方根频率为特征参数。对特征参数进行主成分分析降低数据维度,建立皮蛋弹性分类模型。对比不同模型的分类结果,得到GA-SVM模型分类效果最佳,总体识别率为85.53%,非弹性蛋（次品蛋）识别率高达94.59%。表明可以利用加速度传感器对皮蛋弹性进行研究分类。
刘进闯[2]（2020）在《基于机器视觉的鸡蛋品质检测研究》文中研究指明本文针对我国目前鸡蛋检测主要采用人工识别方法,容易受到认为主观判断、工作经验和个人情绪方面影响,往往检测效率不高、准确率不稳定等存在问题运用机器视觉和计算机图像处理技术相结合的方法对鸡蛋检测方面进行了如下研究:（1）分析了国内外机器视觉在禽蛋识别检测方面研究现状与存在的问题,并结合本文研究内容,设计出机器视觉加计算机图像处理系统,涉及到的内容有相机的选型、镜头的选择、光源的选择和照射方式的选择。本文选用的相机为AVT面阵CCD工业相机,型号AVT Mako G-125B,镜头为Computar公司工业镜头,型号为M3Z1228C-MP变焦镜头,图像处理软件配置win10系统Visual Studio2019加opencv图像处理数据库。（2）对于污斑鸡蛋的检测提出快速中值滤波算法,综合运用图像增强、二值化、形态学处理,可以得到较为完整的鸡蛋污斑区域,达到了较好的分割效果。并设定阈值T=0.01,用于定量判别污斑鸡蛋与干净鸡蛋。对算法进行检验,最终污斑鸡蛋检测率为95%,干净鸡蛋检测率为92.5%,总体检测率为93.75%。（3）对于鸡蛋裂纹的检测采用二阶负LOG边缘检测算子,取得较好的轮廓提取效果,并且能够有效抑制背景区域的干扰。分别通过对典型的裂纹区域和干扰区域进行圆形度、长宽比、狭长指数进行计算,发现采取狭长指数作为区分阈值,能够很好的将干扰区域和裂纹区域进行区分,并取阈值T为12进行处理。采取本章提到的裂纹检测算法,对于完整蛋检测率为95%,对于裂纹蛋检测率为97.5%,整体检测率为96.3%。（4）对蛋黄在RGB颜色空间做图像处理,并提取出蛋黄特征图像,对于气室采用颜色空间转换,将RGB转换为HIS颜色空间,然后提取出气室特征图像。为了检验收集到图像与原图像比较的误差,通过绘图拟合图像长轴短轴和真实长轴短轴相关系数达到0.97以上,比较图像蛋形指数和图像蛋形指数,其误差最大为0.013,说明图像收集到的图像和真实值非常接近。分别建立蛋黄面积比和气室面积比与哈夫值的模型,其中气室面积比与哈夫值建立的模型具有较强的相关性,说明气室面积更能反应鸡蛋新鲜度。通过模型预测发现用蛋黄面积比建立的模型正确率为93.3%,用气室面积比建立的模型检测正确率为96.7%。
陈琦莹[3]（2020）在《卵形体农产品大小头自动定向中翻转运动的仿真及应用研究》文中进行了进一步梳理卵形体农产品大小头机械式自动定向技术是由分列轴向运动和定向翻转运动组成,翻转运动是继分列轴向运动之后定向的关键运动。卵形体农产品经定向处理后,可有效地增加产品包装的美观度,提升商品的附加值;减少运输和搬运机械损伤;对于禽蛋可延长保质期。然而,由于卵形体农产品的多样性和基本特征参数的随机性,以及翻转运动影响因素的复杂性,在真实试验条件下不能系统全面地认识其运动规律和影响因素之间的作用关系,特别是在动力学分析方面存在很大的局限性,同时也使研究工作量和工作周期大大增加。因此,本论文利用ADAMS构建并验证了卵形体农产品翻转运动仿真通用模型以及禽蛋翻转运动仿真模型,建立并验证了侧偏角理论计算方法;利用仿真模型对翻转运动影响因素逐一进行了分析,解析了翻转运动过程中各阶段的动力学参数,并对翻转运动阶段的工作参数进行了优化,构建了卵形体农产品大小头机械式自动定向装置的仿真模型,分析了仿真模型对不同种类卵形体农产品的适应性。为卵形体农产品大小头机械式自动定向技术建立和装置参数的优化设计奠定了基础。主要研究内容和结果如下:设计卵形体农产品翻转运动仿真通用模型。应用ADAMS和MATLAB软件建立了卵形体农产品翻转运动的仿真通用模型,创建了翻转运动核心指标（翻滚距离、导向杆作用距离）仿真值的测定方法,测定了不同模拟卵形体（蛋形角、长轴、短轴）和装置工作参数（中心距、导向杆弯曲角度、输送辊移动速度）条件下的翻转运动核心指标。结果表明,仿真值与实际试验值的变化规律基本一致,相对误差在10%以内,所建的仿真模型是可信的和有效的,利用仿真模型研究翻转运动规律是可行的。设计禽蛋翻转运动仿真模型。在仿真通用模型的基础上建立了禽蛋翻转运动仿真模型,创建了禽蛋姿态特征参数侧偏角仿真值的测定方法,构建了基于几何关系的侧偏角理论计算方法,利用洋鸡蛋和鸭蛋测定了禽蛋翻转运动参数。结果表明,禽蛋翻滚距离和导向杆作用距离的仿真值与实际试验值相对误差在10%以内,侧偏角仿真值和试验值的相对误差在15%以内,侧偏角理论值和试验值的相对误差在15%以内,所建立的禽蛋翻转运动仿真模型是有效可信的,利用仿真试验替代物理样机试验是可行的,利用几何关系建立的侧偏角理论计算方法是合理的,根据理论公式计算得到的侧偏角数值是可信的。研究禽蛋翻转过程的动力学特性。基于禽蛋翻转运动仿真模型,测定了翻转运动各阶段禽蛋的质心速度、质心加速度、角速度、角加速度以及力等动力学参数。结果表明,禽蛋质心加速度和角加速度在接触导向杆后一段时间内在0值附近稳定波动,此时禽蛋匀速转动,支反力、摩擦力和重力三个力参数在稳定波动阶段合力为0,禽蛋的受力情况维持动态平衡关系直至临界状态,该阶段禽蛋与输送辊间存在一个确定的侧偏角。研究不同工作参数对禽蛋翻转运动的影响规律。基于禽蛋翻转运动仿真模型探讨了不同禽蛋基本参数（质量、长轴、短轴、蛋形角）、装置结构参数（输送辊直径、中心距、导向杆直径、导向杆弯曲角度、禽蛋分别与输送辊和导向杆间的摩擦系数、导向杆距输送辊的高度）和输送参数（移速）等因素对翻转运动参数指标（翻滚距离、导向杆作用距离和侧偏角）的影响,并采用多指标正交试验分析法对翻转运动的工作条件参数进行了优化设计。结果表明,禽蛋长轴、短轴、输送辊直径、中心距以及禽蛋分别与输送辊和导向杆间的摩擦系数对翻转运动的翻滚距离、导向杆作用距离和侧偏角三个指标影响最为明显,禽蛋质量、蛋形角和输送速度影响较小,导向杆直径、导向杆弯曲角度和导向杆距输送辊的高度无明显影响,翻转运动的最佳装置工作参数组合为输送辊直径40mm,中心距55mm,禽蛋与输送辊和导向杆间的摩擦系数均为0.6。设计卵形体农产品大小头机械式自动定向装置的仿真通用模型。构建了实现轴向运动和翻转运动连续模拟的自动定向装置的仿真通用模型,建立了十种不同种类卵形体农产品的自动定向装置仿真模型,测定了轴向运动参数（轴向位移、水平偏转角）以及翻转运动参数（翻滚距离、导向杆作用距离）的仿真值。结果表明,轴向运动参数仿真值与试验值的相对误差在10%以内,翻转运动参数仿真值与试验值的相对误差在5%以内,建立的农产品自动定向装置仿真通用模型是正确的,仿真通用模型适用于不同种类的卵形体农产品,利用仿真模型得到的定向参数仿真值是可信的。
陆逢贵[4]（2020）在《基于机器视觉技术的糖熏鸡腿颜色识别研究》文中研究说明机器视觉技术是一种利用图像传感器获取样本的图像,再将图像转换成数字信息,并利用计算机模拟人的判别准则去识别图像,从而做出客观评定的技术,具有检测速度快、对样品无损伤、无需预处理、准确率高等诸多优势,是一种非常适合熏鸡腿颜色应用研究的方法。本文以糖熏鸡腿为研究对象,在机器视觉技术的基础上,筛选熏鸡腿颜色识别模型后结合算法构建并筛选识别比色卡,再通过贮藏过程中的颜色参数与理化指标的相关性建立回归模型对熏鸡腿的货架期进行快速检测。具体研究内容如下:1.探究能够快速精准识别糖熏鸡腿在熏制过程中产生的所有颜色的机器视觉模型。基于机器视觉技术,构建Xception-CNN模型用于熏鸡腿颜色的识别,同时应用ResNet-50、Inception和传统CNN 3种模型对比分析Xception-CNN模型对熏鸡腿颜色的识别效果。采集并经过图像预处理后共得到不同颜色的4352张熏鸡腿图像作为4种模型的试验样本,随机选取其中的3482张作为训练组,剩下的870张作为测试组。结果表明,4种模型的平均识别准确率分别为:Xception-CNN-92%,ResNet-50-91%,Inception-89%,传统CNN-87%、测试时间分别为:Xception-CNN-1.36s,ResNet-50-0.81s,Inception-0.98s,传统CNN-2.48s。Xception-CNN模型对糖熏鸡腿图像的颜色识别准确率最高,对可能出现的熏鸡腿颜色均有较高的识别准确率,平均识别准确率达到92%,测试时间略高于ResNet-50模型和Inception模型,但低于传统CNN模型,仅需1.36s即可完成识别。2.采用机器视觉技术结合3种算法,建立了3种糖熏鸡腿比色卡,并对3种比色卡的准确率进行初步验证,筛选最适合用于熏鸡腿颜色识别的比色卡。比色卡制作结果表明,三种比色卡均呈现出良好的颜色梯度变化,能够反映出熏鸡腿随着烟熏时间的变化而产生的颜色变化;比色卡验证结果表明3种比色卡的算法验证准确率分别为均值算法-87.2%、K-Means算法-95.1%以及K-Means算法+图像降噪处理-96.7%,感官验证准确率分别为均值算法-69.4%、K-Means算法-80.9%、K-Means算法+图像降噪处理-79.2%;该比色卡绘制系统具有良好的可行性且比色卡的识别准确率均较高,其中K-Means算法制作的比色卡准确率高且感官属性更好,可以实现对熏鸡颜色的识别。3.构建了基于熏鸡腿在4℃贮藏条件下颜色变化的货架期识别模型,并对该模型的可行性进行了初步评估。选取白砂糖熏制的鸡腿作为研究对象,测定4℃贮藏条件下熏鸡腿的颜色指标、理化指标及感官指标。选择熏鸡腿的颜色指标,利用图像处理算法实现RGB、HSI和L*a*b*颜色空间的自动转换,并通过熏鸡腿的颜色参数与TVB-N值和TBA值的相关性建立多元线性回归模型。最后,利用图像算法实现基于颜色的TVB-N值和TBA值图像可视化。结果表明,多元线性回归模型具有良好的拟合效果（R2=0.947-0.993）,能够同时识别TVB-N值和TBA值在贮藏期间的变化情况,可以作为一种低成本在线无损识别熏鸡腿货架期的方法。
赵奕敏,杨凌君,叶玲,梁秀婷,骆文俊,王琤(韦华)[5]（2019）在《不同贮藏时间及方式对鸭蛋品质的影响研究》文中指出为探讨秋季常温贮藏和低温冷藏两种贮藏方式对鸭蛋品质的影响,选择大小适中、品质良好的50枚新鲜鸭蛋随机分为10组,5组置于室温下贮藏,5组置于4℃的冷藏室贮藏,分别于第0、7、14、21和28d测定鸭蛋的失重率、气室高度、蛋形指数、哈夫单位、蛋黄指数、蛋白pH、蛋黄相对重、蛋白相对重、卵磷脂含量、蛋黄水分比、蛋白水分比和蛋比重。结果表明:鸭蛋贮藏至第14d,因贮藏方式不同,鸭蛋品质出现显着差异（p<0.05）,鸭蛋置于低温贮藏,更能有效保持鸭蛋的良好品质。
李理[6]（2019）在《基于机器视觉的双黄鸭蛋无损识别技术研究》文中研究表明双黄蛋在家禽生产中较为常见,不宜于孵化但营养价值和商业价值较高。近年来,双黄鸭蛋生产加工的经济市场越来越大,双黄鲜鸭蛋及其再制蛋远销国内外,因此保证优质双黄鸭蛋来源十分重要。目前,我国禽蛋生产加工企业仍采取人工照蛋的方式识别出双黄蛋,人工成本高、检测效率低。针对该问题,本课题利用机器视觉技术研究了双黄鸭蛋的静态和在线识别,主要研究内容及结论如下:（1）设计并构建了适合于单、双黄鸭蛋的图像采集装置和在线分选装置。针对鲜鸭蛋蛋壳厚及壳色杂导致的透光性差的问题,分析确定了适用于双黄鸭蛋识别的光源、工业相机、工业镜头、传感器和控制器的型号及工作方式。（2）研究一种双黄鸭蛋静态识别方法。此方法针对小批量样本检测需要,采集鸭蛋透射图像,裁剪出鸭蛋图像的感兴趣区域,使用基于开的重建得到蛋黄区域,平滑蛋黄区域的边缘轮廓后,使用凸包算法得出蛋黄区域轮廓的凸缺陷,根据凸缺陷的大小可以判别出鸭蛋是否为双黄蛋。对蛋黄轮廓使用标记控制的分水岭算法和椭圆拟合等操作标记蛋黄在鸭蛋整蛋中的位置。试验结果表明,单、双黄鸭蛋的识别准确率分别为98.33%和98.66%。（3）建立一种双黄鸭蛋分类模型。此方法针对大批量样本检测需要,确定鸭蛋图像的标签后,采用卷积神经网络实现鸭蛋分类。分别对比了AlexNet、VGG16和Inception-V2三种经典网络对双黄鸭蛋的识别效果。三个网络识别出双鸭蛋的正确率都高达99%,并且识别速度很快,说明卷积神经网络对鸭蛋透射图像有良好的分类效果。本文选择效果最佳的AlexNet网络。（4）建立双黄鸭蛋动态识别模型,实现双黄鸭蛋的在线识别与分选。为了满足蛋品企业在线检测的需要,加快检测速度和实现自动分选功能,设计了一种双黄鸭蛋在线识别分选方法。使用梯形图编写了PLC控制程序,采用MFC制作了检测软件。对动态图像进行有效图像处理,去除鸭蛋纵向方向的漏光干扰,使用凸包算法得出鸭蛋的识别结果。每一枚鸭蛋有三个识别结果,择优综合确定一个最终结果并保存在PLC中。当鸭蛋到达分选机构处时触发传感器,PLC读取保存的鸭蛋识别结果。如果是双黄蛋,则PLC控制电磁阀将其分离出来,反之则不处理,从而达到分选功能。经过试验,对单、双黄鸭蛋的在线识别准确率分别为96%和98%。
马龙[7]（2018）在《基于计算机视觉的鸭蛋双黄、裂纹、新鲜度无损检测研究》文中研究表明在我国,鸭蛋除了少量鲜食外主要被用来加工皮蛋和咸蛋等再制蛋。用鸭蛋制成的再制蛋具有独特的滋味和香味,深受消费者喜爱。原料鸭蛋的蛋黄数量、蛋壳完好性和新鲜程度是直接影响再制蛋最终产品质量的三个重要因素。对鸭蛋这三个方面进行检测是再制蛋生产加工前的重要技术环节。传统人工照蛋检测方法劳动强度大,效率低,检测准确性差,难以满足现代蛋品加工企业生产自动化、规模化发展的需要。计算机视觉技术检测速度快、精度高、硬件成本相对低廉,对应用环境不挑剔,是现阶段最有潜力实现禽蛋自动化无损检测的技术方法,应用前景十分广阔。本研究是国家科技支撑计划项目“动物源食品加工共性关键技术研究”的子课题“动物源食品自动分级标准化技术”中的一部分,主要研究了采用计算机视觉技术无损检测原料鸭蛋的双黄、裂纹和新鲜度,提高检测精度和效率,对解放我国鸭蛋加工企业生产力和提高鸭蛋行业自动化水平具有重要的意义和应用价值。具体研究内容和结果如下:（1）提出了利用蛋黄图像特征进行双黄鸭蛋无损检测的方法。通过对采集的鸭蛋内部透射图像进行处理与分析,获取描述双黄鸭蛋与单黄鸭蛋差异的图像特征,用以构建Fisher线性判别（FLD）模型和卷积神经网络（CNN）判别模型检测双黄鸭蛋。研究结果表明,基于FLD模型判别算法对单黄鸭蛋和双黄鸭蛋的检测准确率分别为100%和83%,识别一幅鸭蛋图像耗时283±5 ms。基于CNN模型判别算法对单黄鸭蛋和双黄鸭蛋的检测准确率分别为97.5%和98%,识别一幅鸭蛋图像耗时120±4 ms。基于CNN模型判别算法在总体检测准确率和运行速度上均要优于基于FLD模型判别算法,能够满足实际生产中实时在线检测的需要,而且不受样品形状、大小、蛋壳颜色和鸭蛋品种的影响,鲁棒性好。（2）开发了基于计算机视觉的双黄鸭蛋在线检测系统,以第二章建立的CNN判别模型为判断内核。本系统的硬件部分由禽蛋输送装置、暗箱、光源、工业相机、触发装置和计算机等几部分构成。软件系统由下位机软件和上位机软件组成。下位机软件使用嵌入式C语言编写,主要用于处理光电开关的触发信号。上位机软件使用C#语言编写,主要用于接收鸭蛋图像信号并调用Matlab动态链接库文件完成图像处理与判别分析。验证结果表明,本系统检测速度可以达到1枚蛋/秒,对单黄鸭蛋和双黄鸭蛋的检测准确率分别为94%和96.5%,实现了动态在线检测双黄鸭蛋。（3）提出了利用裂纹形态特征进行鸭蛋亮裂纹、暗裂纹检测的方法。首先,通过调节光源的供电电压改变光源亮度,为鸭蛋裂纹透射图像的采集提供一个较为适宜的光照条件。使用线性反锐化掩模技术对鸭蛋亮裂纹图像进行特征增强,采用区域生长法分割亮裂纹的形态特征,以连通区域面积为依据判别亮裂纹和噪声,建立鸭蛋亮裂纹判别算法。该判别算法对亮裂纹图像和非亮裂纹图像（完好蛋和暗裂纹）的检测准确率分别为95%和100%。使用Retinex理论对鸭蛋暗裂纹图像进行特征增强,采用区域生长法分割暗裂纹的形态特征,以图像分割处理后的连通区域总面积为依据判别暗裂纹图像和完好蛋图像,建立鸭蛋暗裂纹判别算法。该判别算法对暗裂纹图像和完好蛋图像的检测准确率分别为81.3%和96.3%。在上述研究的基础上,建立鸭蛋裂纹综合判别算法,对裂纹鸭蛋（亮裂纹和暗裂纹）和完好鸭蛋的检测准确率分别为88.3%和 91.3%。（4）提出了利用气室图像特征进行鸭蛋新鲜度无损检测的方法。设计并搭建以激光为光源的图像采集装置,采集鸭蛋钝端截面气室反射图像,通过图像处理与分析,获取鸭蛋气室图像形态特征,然后计算出气室面积与鸭蛋投影面积的比值（气室面积比）,并用以对鸭蛋新鲜度等级进行判别。研究结果表明,建立的鸭蛋新鲜度等级判别算法对三个新鲜度等级鸭蛋的判别准确率分别为89.5%、84.9%和97.5%,实现了基于计算机视觉的鸭蛋新鲜度快速无损检测。
王巧华,王彩云,马美湖[8]（2017）在《基于机器视觉的鸭蛋新鲜度检测》文中研究表明鸭蛋新鲜度的检测是鸭蛋生产、销售、加工过程中的重要环节之一。禽蛋气室及蛋黄的形态特征与其新鲜度密切相关。本文运用机器视觉技术,采集鸭蛋彩色图像,并对其进行图像预处理去除背景。采用梯度法跟踪边缘,先判断出气室的位置,后利用Hough变换检测直线提取出鸭蛋气室分界线,获得气室区域大小,从而求得气室面积与整蛋面积比。同时提取鸭蛋心区域面积与整蛋面积比,分别计算R,G,I分量灰度均值,以这5个指标为特征参数,将样本按2∶1的比例分为训练集和预测集,采用最小二乘支持向量机方法建立判别模型,对鸭蛋新鲜度进行分级。试验结果显示,训练集的正确率为96.92%,预测集的正确率为93.85%。用此种视觉方法对鸭蛋新鲜度进行无损检测与分级是可行的。
卢伟,丁婧,罗慧,王玲,代德建[9]（2016）在《基于振动及EEMD-CMAC算法的鸭蛋散黄在线检测》文中研究指明针对鸭蛋长期存储以及运输过程中造成的散黄问题,构建一种基于振动信息的鸭蛋散黄在线检测流水线,可实现鸭蛋的自动触压和随动检测。通过磁致伸缩振子对鸭蛋扫频振动进行音频信息增强,对音频振动信号进行集合经验模态分解,并通过主成分分析进行降维提取主要特征,基于此,构建基于小脑神经网络的鸭蛋散黄检测模型。试验中,对320枚鸭蛋进行检测（训练集200枚,测试集120枚）,结果表明,基于累积贡献率达98.14%的前5个主成分的鸭蛋散黄检测模型训练集和测试集识别率分别达98.66%和97.03%,每枚鸭蛋在线检测时间约1 s。研究表明,所研制的检测流水线基于磁致伸缩振子扫频激励未知品质鸭蛋,再结合EEMD-CMAC进行鸭蛋散黄检测是可行的,可满足流水线在线检测的要求。
王彩云[10]（2016）在《鸭蛋表面脏污及新鲜度无损检测》文中认为鸭蛋表面脏污程度比鸡蛋要严重的多,且表面脏污越严重,蛋壳表面所携带的微生物也越多,这样鸭蛋之间的交叉感染就变得更容易。现阶段我国禽蛋表面脏污检测还停留在禽蛋表面的脏污检测,根据禽蛋表面脏污进行分级、定级的研究较少。对于鸭蛋的新鲜度检测,现阶段主要采用人工照蛋检测和打破检测。但前者主要由人工靠经验检测,由于人的精力和反应能力都受人体自身的限制,无法长时间、高效率的工作,以致提高生产成本,且对检测结果也有很大的影响;后者又具有很大的破坏性,在实际生产中毫无优势。因此,研究产地鸭蛋表面脏污和新鲜度的快速无损检测方法,不仅具有重要的科学意义,还具有实际应用前景。本研究以鸭蛋为研究对象,利用机器视觉系统对鸭蛋的图像进行采集,通过对图像进行预处理和特征参数的提取,得到鸭蛋表面脏污面积与整蛋面积比（简称脏污面积比）和脏污块数,以及白壳鸭蛋透射图像的R、G、I分量灰度均值,蛋心面积与整蛋面积比（简称蛋心面积比）和气室面积与整蛋面积比（简称气室面积比）等内外部品质指标,并建立相关检测分级模型,实现对鸭蛋表面脏污和新鲜度的检测分级。主要研究内容和研究结果如下:（1）搭建了鸭蛋表面脏污和新鲜度的图像采集系统。利用多个单筒照蛋灯对表面脏污鸭蛋进行透射照明,每枚鸭蛋从进入暗箱到移出暗箱被拍照三次,以保证图像采集的完整性;利用单个照蛋灯对经初洗后的白壳鸭蛋进行透射照明,采用高清相机拍照获取图像,便于后续的图像特征参数提取。（2）确定了鸭蛋图像的预处理方法。通过将彩色图像B分量二值化得到图像中的漏光部分,并重组成三维图像后与彩色图像相减,实现去除鸭蛋表面脏污图像中因装置和鸭蛋之间的间隙而产生的漏光;利用图像R分量设定阈值二值化,并重组后与彩色图像相乘,实现去除鸭蛋新鲜度图像中的漏光。（3）提取了鸭蛋表面脏污及新鲜度图像的特征参数。选取鸭蛋表面脏污面积比和脏污块数,作为判别鸭蛋表面脏污程度的特征参数,并通过多次实验确定判别鸭蛋表面脏污程度的特征参数范围;采用hough变换的直线检测方法来提取气室面积,利用对彩色图像的G分量进行相关处理来获得蛋心区域面积,选取鸭蛋蛋心面积比、气室面积比和图像R、G、I分量灰度均值,作为判别鸭蛋新鲜与否的特征参数。（4）建立了鸭蛋表面脏污程度及新鲜度分级模型。确定表征鸭蛋表面脏污程度的参数范围,以及综合鸭蛋三次拍照图像的判别方法,最后利用MATLAB软件建立鸭蛋表面脏污程度分级模型,综合判别正确率达95.00%以上;选择最小二乘支持向量机建立鸭蛋新鲜度分级模型,按2:1的比例将所有的实验组样本分为训练集和预测集,以鸭蛋图像的R、G、I分量灰度均值、蛋心面积比和气室面积比这5个指标作为特征参数,训练集和预测集的分级正确率分别达96.92%、93.85%。
二、鸭蛋新鲜度模型的试验研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、鸭蛋新鲜度模型的试验研究（论文提纲范文）
（1）皮蛋凝胶品质的无损检测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 皮蛋凝胶品质及研究现状 |
| 1.2.2 基于机器视觉的蛋品品质无损检测研究现状 |
| 1.2.3 基于光谱技术的蛋品品质无损检测研究现状 |
| 1.2.4 基于振动特性的蛋品品质无损检测研究现状 |
| 1.3 研究目标与内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.4 技术路线 |
| 1.5 本章小结 |
| 第二章 皮蛋质构参数试验研究 |
| 2.1 引言 |
| 2.2 试验材料与方法 |
| 2.2.1 试验材料 |
| 2.2.2 试验方法 |
| 2.3 结果与分析 |
| 2.3.1 TPA试验分析 |
| 2.3.2 质构参数与人工经验分级的相关性分析 |
| 2.4 本章小结 |
| 第三章 基于机器视觉技术的皮蛋凝胶品质无损检测模型 |
| 3.1 引言 |
| 3.2 试验材料 |
| 3.3 试验设备 |
| 3.3.1 相机及镜头选型 |
| 3.3.2 暗箱设计 |
| 3.3.3 光源的选择 |
| 3.4 图像采集步骤 |
| 3.5 皮蛋图像预处理 |
| 3.5.1 图像去噪 |
| 3.5.2 图像背景的去除 |
| 3.6 皮蛋图像颜色空间选取 |
| 3.6.1 RGB颜色空间 |
| 3.6.2 HSV颜色空间 |
| 3.6.3 L*a*b颜色空间 |
| 3.7 基于机器视觉的皮蛋凝胶品质分类模型建立 |
| 3.7.1 主成分分析 |
| 3.7.2 BP神经网络模型 |
| 3.7.3 SVM模型 |
| 3.7.4 GA-SVM模型 |
| 3.8 本章小结 |
| 第四章 基于近红外光谱的皮蛋凝胶品质无损检测模型 |
| 4.1 引言 |
| 4.2 试验材料与方法 |
| 4.2.1 试验材料 |
| 4.2.2 试验仪器 |
| 4.2.3 试验方法 |
| 4.3 近红外光谱数据处理 |
| 4.3.1 近红外光谱预处理 |
| 4.3.2 特征波长的选择 |
| 4.4 基于近红外光谱技术的皮蛋凝胶品质分类模型建立 |
| 4.4.1 BP神经网络模型 |
| 4.4.2 GA-SVM模型 |
| 4.4.3 SVM模型 |
| 4.5 基于机器视觉和近红外光谱的皮蛋综合分级检测分析 |
| 4.6 本章小结 |
| 第五章 基于振动特性的皮蛋凝胶品质无损检测模型 |
| 5.1 引言 |
| 5.2 试验材料与方法 |
| 5.2.1 试验材料 |
| 5.2.2 试验装置 |
| 5.2.3 试验方法 |
| 5.3 信号处理方法—快速傅里叶变换 |
| 5.4 皮蛋信号特征参数选取 |
| 5.4.1 时域特征参数 |
| 5.4.2 频域特征参数 |
| 5.5 基于振动特性的皮蛋凝胶品质分类模型建立 |
| 5.5.1 BP神经网络模型 |
| 5.5.2 SVM模型 |
| 5.5.3 GA-SVM模型 |
| 5.6 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 创新点 |
| 6.3 展望 |
| 参考文献 |
| 附录 |
| 攻读硕士学位期间科研成果 |
| 致谢 |
（2）基于机器视觉的鸡蛋品质检测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 选题背景与意义 |
| 1.2 国内外研究现状及分析 |
| 1.2.1 国内研究现状 |
| 1.2.2 国外研究现状 |
| 1.2.3 国内外研究现状总结 |
| 1.3 本文研究内容与技术路线 |
| 第2章 总体方案设计 |
| 2.1 照明系统设计 |
| 2.1.1 光源选择 |
| 2.1.2 确定照明方案 |
| 2.2 相机和光源 |
| 2.2.1 相机选型 |
| 2.2.2 镜头选型 |
| 2.3 机器视觉系统搭建 |
| 第3章 鸡蛋表面污斑检测 |
| 3.1 鸡蛋表面污斑图片分析 |
| 3.1.1 采集污斑图片 |
| 3.1.2 机器视觉图像的亮度分析 |
| 3.2 局部特征的污斑增强 |
| 3.2.1 污斑图像特征提取 |
| 3.2.2 局部特征提取 |
| 3.2.3 算法效果分析 |
| 3.3 基于快速中值滤波的污斑增强 |
| 3.3.1 快速中值滤波 |
| 3.3.2 污斑区域增强 |
| 3.3.3 二值化处理 |
| 3.4 二值化后形态学处理 |
| 3.5 算法效果 |
| 3.6 脏蛋与干净蛋的识别 |
| 3.6.1 污斑及鸡蛋表面积的计算 |
| 3.6.2 分类标准 |
| 3.6.3 脏蛋检测结果及分析 |
| 3.7 本章小结 |
| 第4章 鸡蛋表面裂纹检测 |
| 4.1 鸡蛋表面裂纹图像分析 |
| 4.1.1 裂纹图像灰度化 |
| 4.1.2 裂纹图像亮度分析 |
| 4.2 鸡蛋裂纹增强 |
| 4.3 图像分割 |
| 4.4 裂纹的识别 |
| 4.4.1 轮廓边缘去除 |
| 4.4.2 特征参数的选取与计算 |
| 4.4.3 裂纹识别的结果 |
| 4.5 破损蛋检测结果与分析 |
| 4.6 本章小结 |
| 第5章 鸡蛋新鲜度模型 |
| 5.1 整蛋图像的提取 |
| 5.1.1 灰度化处理 |
| 5.1.2 阈值分割 |
| 5.1.3 图像平滑 |
| 5.2 蛋黄特征的提取 |
| 5.2.1 灰度分析 |
| 5.2.2 直方图均衡化 |
| 5.2.3 中值滤波和高斯平滑处理 |
| 5.2.4 反色处理 |
| 5.2.5 “与”运算 |
| 5.3 边界去除与阈值分割 |
| 5.3.1 边界去除 |
| 5.3.2 阈值分割 |
| 5.4 气室的特征提取 |
| 5.4.1 空间转换 |
| 5.4.2 分量提取 |
| 5.4.3 气室提取 |
| 5.5 数据处理 |
| 5.5.1 图像数据与实测数据的比较 |
| 5.5.2 哈夫值计算 |
| 5.5.3 蛋黄面积比与气室面积比 |
| 5.5.4 哈夫值拟合 |
| 5.5.5 模型分析 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 创新点 |
| 6.3 展望 |
| 参考文献 |
| 致谢 |
| 附录 :攻读学位期间的研究成果 |
（3）卵形体农产品大小头自动定向中翻转运动的仿真及应用研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 卵形体农产品产业及其包装加工现状 |
| 1.1.1 卵形体农产品产业现状 |
| 1.1.2 卵形体农产品包装加工产业现状 |
| 1.2 卵形体农产品大小头自动定向研究现状 |
| 1.2.1 禽蛋大小头自动定向研究的国外现状 |
| 1.2.2 禽蛋大小头自动定向研究的国内现状 |
| 1.3 ADAMS仿真技术及应用 |
| 1.3.1 数字化虚拟样机技术 |
| 1.3.2 ADAMS 仿真技术 |
| 1.3.3 ADAMS 仿真技术在食品领域相关研究中的应用 |
| 1.4 研究目的与意义及研究内容 |
| 1.4.1 研究目的与意义 |
| 1.4.2 研究内容 |
| 第二章 卵形体农产品翻转运动仿真通用模型的建立与验证 |
| 2.1 卵形体农产品翻转运动过程 |
| 2.1.1 卵形体农产品大小头自动定向运动全过程 |
| 2.1.2 卵形体农产品翻转工作原理 |
| 2.1.3 卵形体农产品翻转过程的运动特征 |
| 2.2 卵形体农产品翻转运动仿真模型的建立与求解 |
| 2.2.1 三维模型的建立 |
| 2.2.2 材料属性的添加 |
| 2.2.3 约束副和驱动的设置 |
| 2.2.4 接触函数的设置 |
| 2.2.5 评价指标测量函数的创建 |
| 2.2.6 仿真相关参数设置 |
| 2.3 卵形体翻转运动仿真模型的试验验证 |
| 2.3.1 试验材料与设备 |
| 2.3.2 试验方法 |
| 2.3.3 结果与分析 |
| 2.4 本章小结 |
| 第三章 禽蛋翻转运动仿真模型的建立与验证 |
| 3.1 基于ADAMS禽蛋翻转运动仿真模型的建立 |
| 3.1.1 禽蛋翻转运动仿真模型的建立 |
| 3.1.2 禽蛋翻转运动仿真模型的建立 |
| 3.2 侧偏角的几何关系分析 |
| 3.2.1 主视图坐标系建立 |
| 3.2.2 旋转后主视图坐标系的建立 |
| 3.2.3 旋转前后的侧偏角几何关系对比分析 |
| 3.3 禽蛋翻转运动仿真模型的试验验证 |
| 3.3.1 试验材料与设备 |
| 3.3.2 试验方法 |
| 3.3.3 结果与分析 |
| 3.4 本章小结 |
| 第四章 禽蛋翻转运动仿真模型的应用 |
| 4.1 基于禽蛋翻转运动仿真模型的动力学参数分析 |
| 4.1.1 翻转运动的动力学参数 |
| 4.1.2 速度分析 |
| 4.1.3 加速度分析 |
| 4.1.4 角速度分析 |
| 4.1.5 角加速度 |
| 4.1.6 力分析 |
| 4.2 基于禽蛋翻转运动仿真模型的工作条件参数的影响分析 |
| 4.2.1 试验方法 |
| 4.2.2 结果与分析 |
| 4.3 本章小结 |
| 第五章 卵形体农产品自动定向装置仿真模型的设计和应用 |
| 5.1 基于ADAMS自动定向装置仿真模型的建立 |
| 5.1.1 三维模型的建立 |
| 5.1.2 材料属性的添加 |
| 5.1.3 约束副和驱动的设置 |
| 5.1.4 接触函数的设置 |
| 5.1.5 评价指标测量函数的创建 |
| 5.1.6 仿真参数设置 |
| 5.2 卵形体农产品自动定向装置的应用 |
| 5.2.1 试验方法 |
| 5.2.2 结果与分析 |
| 5.3 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表的成果 |
（4）基于机器视觉技术的糖熏鸡腿颜色识别研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 机器视觉技术简介 |
| 1.2 机器视觉技术研究现状 |
| 1.2.1 畜禽类、蛋类的研究现状 |
| 1.2.1.1 畜类的研究现状 |
| 1.2.1.2 禽类、蛋类的研究现状 |
| 1.2.2 水产类的研究现状 |
| 1.2.3 谷物类的研究现状 |
| 1.2.4 果蔬类的研究现状 |
| 1.2.5 其它类的研究现状 |
| 1.3 本课题研究的主要内容及技术路线 |
| 1.3.1 主要内容 |
| 1.3.2 技术路线图 |
| 2 糖熏鸡腿颜色快速精准机器识别的CNN模型研究 |
| 2.1 前言 |
| 2.2 材料与仪器 |
| 2.2.1 试验材料 |
| 2.2.2 主要仪器 |
| 2.3 试验方法 |
| 2.3.1 样品制备 |
| 2.3.2 图像采集装置设计 |
| 2.3.3 图像采集 |
| 2.3.4 L*、a*、b*值测定 |
| 2.3.5 构建图像识别模型 |
| 2.3.6 图像预处理 |
| 2.3.7 参数设置 |
| 2.3.8 模型评估指标 |
| 2.3.9 数据处理 |
| 2.4 结果与分析 |
| 2.4.1 图像采集结果 |
| 2.4.2 L*、a*、b*值结果及分析 |
| 2.4.3 图像预处理结果 |
| 2.4.4 测试集识别结果及分析 |
| 2.4.5 模型识别结果与分析 |
| 2.5 本章小结 |
| 3 构建糖熏鸡腿颜色智能检测系统 |
| 3.1 引言 |
| 3.2 材料与仪器 |
| 3.2.1 试验材料 |
| 3.2.2 试验仪器 |
| 3.3 试验方法 |
| 3.3.1 样品制备 |
| 3.3.2 图像采集 |
| 3.3.3 图像预处理 |
| 3.3.4 比色卡建立 |
| 3.3.5 比色卡准确率比较 |
| 3.3.5.1 算法验证比色卡识别准确率 |
| 3.3.5.2 感官试验验证比色卡识别准确率 |
| 3.3.6 数据处理 |
| 3.4 结果与分析 |
| 3.4.1 图像采集结果 |
| 3.4.2 图像预处理结果 |
| 3.4.3 比色卡建立结果 |
| 3.4.3.1 均值算法制作的比色卡 |
| 3.4.3.2 K-Means算法制作的比色卡 |
| 3.4.3.3 K-Means算法+图像降噪处理制作的比色卡 |
| 3.4.4 比色卡识别准确率结果 |
| 3.4.4.1 算法验证比色卡识别准确率结果 |
| 3.4.4.2 感官验证比色卡识别准确率结果 |
| 3.5 本章小结 |
| 4 基于4℃贮藏条件下的颜色变化建立熏鸡腿货架期识别模型 |
| 4.1 前言 |
| 4.2 材料与仪器 |
| 4.2.1 试验材料 |
| 4.2.2 试验试剂 |
| 4.2.3 试验仪器 |
| 4.3 试验方法 |
| 4.3.1 样品制备 |
| 4.3.2 图像采集 |
| 4.3.3 图像预处理 |
| 4.3.4 图像分析 |
| 4.3.5 将RGB值转换为L*a*b*和HSI |
| 4.3.5.1 将RGB值转换为L*a*b* |
| 4.3.5.2 将RGB图像转换为HSI |
| 4.3.6 TVB-N值和TBA值测定 |
| 4.3.6.1 TVB-N值测定 |
| 4.3.6.2 TBA值测定 |
| 4.3.7 感官试验 |
| 4.3.8 回归和统计分析 |
| 4.3.9 TVB-N值和TBA值可视化 |
| 4.3.10 数据处理 |
| 4.4 结果与讨论 |
| 4.4.1 图像采集结果 |
| 4.4.2 图像预处理结果 |
| 4.4.3 TVB-N、TBA值测定结果及分析 |
| 4.4.3.1 TVB-N值测定结果及分析 |
| 4.4.3.2 TBA值测定结果及分析 |
| 4.4.4 感官试验结果 |
| 4.4.5 熏鸡腿的机器视觉成像 |
| 4.4.6 贮藏期间RGB、L*a*b*和HSI的变化趋势 |
| 4.4.7 回归方程识别熏鸡腿货架期 |
| 4.4.8 TVB-N值和TBA值可视化 |
| 4.5 本章总结 |
| 5 结论、创新点与展望 |
| 5.1 结论 |
| 5.2 创新点 |
| 5.3 展望 |
| 参考文献 |
| 硕士期间发表论文和申请专利情况 |
| 致谢 |
（5）不同贮藏时间及方式对鸭蛋品质的影响研究（论文提纲范文）
| 1 材料与方法 |
| 1.1 材料、试剂与仪器 |
| 1.2 处理与分组 |
| 1.3 测定指标与方法 |
| 1.4 数据处理 |
| 2 结果与分析 |
| 2.1 两种贮藏方式对鸭蛋品质的影响 |
| 3 讨论 |
| 3.1 贮藏方式对失重率的影响 |
| 3.2 贮藏方式对气室高度的影响 |
| 3.3 贮藏方式对哈夫单位的影响 |
| 3.4 贮藏方式对蛋白p H的影响 |
| 3.5 贮藏方式对蛋比重的影响 |
| 3.6 贮藏方式对蛋黄中卵磷脂含量的影响 |
| 3.7 贮藏方式对其他指标的影响 |
| 4 结论 |
（6）基于机器视觉的双黄鸭蛋无损识别技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1.绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 禽蛋品质的视觉检测研究现状 |
| 1.2.2 鸭蛋品质检测研究现状 |
| 1.3 研究内容 |
| 1.4 技术路线 |
| 1.5 本章小结 |
| 2.鸭蛋图像采集 |
| 2.1 硬件装置的设计 |
| 2.1.1 光源的设计 |
| 2.1.2 工业相机和镜头的选择 |
| 2.2 鸭蛋图像采集 |
| 2.2.1 鸭蛋静态图像采集 |
| 2.2.2 鸭蛋在线图像采集 |
| 2.3 本章小结 |
| 3.基于凸包算法的双黄鸭蛋静态识别 |
| 3.1 图像处理工具 |
| 3.2 OpenCV读入图像 |
| 3.3 设置感兴趣区域 |
| 3.4 获取蛋黄区域 |
| 3.5 判别双黄蛋 |
| 3.6 识别结果可视化 |
| 3.7 鸭蛋分类结果 |
| 3.8 本章小结 |
| 4.基于卷积神经网络的双黄鸭蛋静态识别 |
| 4.1 卷积神经网络结构 |
| 4.2 避免过拟合的方法 |
| 4.3 识别双黄蛋的卷积神经网络模型 |
| 4.3.1 conv1~5 模块结构 |
| 4.3.2 fc6~8 模块结构 |
| 4.4 训练卷积神经网络 |
| 4.5 C++调用模型 |
| 4.6 鸭蛋图像分类结果 |
| 4.7 本章小结 |
| 5.双黄鸭蛋在线无损识别 |
| 5.1 鸭蛋图像处理 |
| 5.1.1 图像漏光处理 |
| 5.1.2 判别双黄蛋 |
| 5.2 鸭蛋在线识别分选控制系统 |
| 5.2.1 传感器的选型 |
| 5.2.2 控制器的选型 |
| 5.2.3 识别分选控制系统设计 |
| 5.2.4 控制系统的实现 |
| 5.3 鸭蛋在线检测软件 |
| 5.3.1 软件功能分析与设计 |
| 5.3.2 软件工作流程 |
| 5.4 鸭蛋分选结果 |
| 5.5 本章小结 |
| 6.结论与展望 |
| 6.1 结论 |
| 6.2 讨论与展望 |
| 参考文献 |
| 附录 A 公式符号列表 |
| 附录 B 硕士就读期间成果 |
| 致谢 |
（7）基于计算机视觉的鸭蛋双黄、裂纹、新鲜度无损检测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩写符号 |
| 第一章 绪论 |
| 1.1 禽蛋产业发展概况 |
| 1.1.1 禽蛋的营养价值 |
| 1.1.2 国内禽蛋产业现状 |
| 1.2 计算机视觉技术在禽蛋品质检测中的应用 |
| 1.2.1 应用于外部品质的检测 |
| 1.2.2 应用于内部品质的检测 |
| 1.3 机器学习在农产品无损检测中的应用 |
| 1.3.1 Fisher线性判别 |
| 1.3.2 支持向量机 |
| 1.3.3 神经网络 |
| 1.3.4 深度学习 |
| 1.4 本研究的目的与意义 |
| 1.5 研究内容及技术路线 |
| 1.5.1 研究的主要内容 |
| 1.5.2 研究的技术路线 |
| 第二章 基于计算机视觉的双黄鸭蛋无损检测 |
| 2.1 实验设计与实验装置 |
| 2.1.1 双黄鸭蛋无损检测流程图 |
| 2.1.2 实验材料 |
| 2.1.3 图像采集装置 |
| 2.1.4 图像采集方法 |
| 2.2 图像预处理 |
| 2.2.1 颜色分量分解 |
| 2.2.2 图像去噪 |
| 2.2.3 图像裁剪 |
| 2.2.4 背景去除 |
| 2.2.5 尺寸调整 |
| 2.3 基于Fisher线性判别的双黄鸭蛋无损检测研究 |
| 2.3.1 图像处理 |
| 2.3.2 蛋黄形状特征参数提取 |
| 2.3.3 判别模型构建与验证 |
| 2.4 基于卷积神经网络的双黄鸭蛋无损检测研究 |
| 2.4.1 图像处理 |
| 2.4.2 CNN模型结构设计 |
| 2.4.3 CNN判别模型构建与验证 |
| 2.5 两种判别算法的比较 |
| 2.5.1 算法检测准确率的比较 |
| 2.5.2 算法运行速度的比较 |
| 2.5.3 比较结果 |
| 2.6 讨论 |
| 2.7 本章小结 |
| 第三章 基于计算机视觉的双黄鸭蛋在线检测系统开发 |
| 3.1 硬件系统搭建 |
| 3.1.1 禽蛋输送装置 |
| 3.1.2 暗箱 |
| 3.1.3 光源 |
| 3.1.4 工业相机 |
| 3.1.5 触发装置 |
| 3.2 软件系统开发 |
| 3.2.1 软件总体设计方案 |
| 3.2.2 软件系统的功能模块 |
| 3.3 系统硬件成本核算 |
| 3.4 系统性能评估 |
| 3.5 讨论 |
| 3.6 本章小结 |
| 第四章 基于计算机视觉的鸭蛋裂纹检测 |
| 4.1 实验设计与实验装置 |
| 4.1.1 鸭蛋裂纹检测流程图 |
| 4.1.2 实验材料 |
| 4.1.3 图像采集装置及图像采集 |
| 4.1.4 鸭蛋裂纹图像分析 |
| 4.2 光源亮度调节 |
| 4.3 图像预处理 |
| 4.3.1 灰度转化 |
| 4.3.2 图像裁剪 |
| 4.3.3 背景去除 |
| 4.3.4 图像去噪 |
| 4.4 鸭蛋亮裂纹的检测 |
| 4.4.1 图像处理 |
| 4.4.2 鸭蛋亮裂纹判别算法的建立与验证 |
| 4.5 鸭蛋暗裂纹的检测 |
| 4.5.1 图像处理 |
| 4.5.2 暗裂纹特征提取 |
| 4.5.3 鸭蛋暗裂纹判别算法的建立与验证 |
| 4.6 鸭蛋裂纹综合判别系统设计与准确率验证 |
| 4.7 讨论 |
| 4.8 本章小结 |
| 第五章 基于气室图像的鸭蛋新鲜度无损检测 |
| 5.1 实验设计与实验装置 |
| 5.1.1 鸭蛋新鲜度无损检测流程图 |
| 5.1.2 实验材料 |
| 5.1.3 图像采集装置 |
| 5.1.4 气室图像采集 |
| 5.1.5 鸭蛋新鲜度分级方法 |
| 5.2 图像处理 |
| 5.2.1 图像裁剪 |
| 5.2.2 灰度转化 |
| 5.2.3 图像去噪 |
| 5.2.4 图像分割 |
| 5.2.5 图像缺损修补 |
| 5.3 气室形态特征参数的提取 |
| 5.4 不同贮藏时期的鸭蛋新鲜度指标变化 |
| 5.5 鸭蛋新鲜度判别算法的建立 |
| 5.5.1 气室面积比与鸭蛋新鲜度等级的对应关系 |
| 5.5.2 判别算法的验证 |
| 5.6 讨论 |
| 5.7 本章小结 |
| 全文结论 |
| 展望 |
| 论文创新点 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的学术成果 |
（8）基于机器视觉的鸭蛋新鲜度检测（论文提纲范文）
| 1 材料与方法 |
| 1.1 材料 |
| 1.2 仪器与设备 |
| 1.3 试验步骤 |
| 1.4 常规新鲜度分级标准 |
| 2 鸭蛋图像处理及特征提取 |
| 2.1 图像预处理 |
| 2.2 图像特征提取 |
| 2.2.1 鸭蛋的R、G、I分量灰度均值 |
| 2.2.2 鸭蛋蛋心区域面积 |
| 2.2.3 鸭蛋气室面积 |
| 3 结果与分析 |
| 3.1 蛋心面积比 |
| 3.2 气室面积比 |
| 3.3 常规新鲜度试验数据 |
| 3.4 利用支持向量机建立模型 |
| 4 结论 |
（9）基于振动及EEMD-CMAC算法的鸭蛋散黄在线检测（论文提纲范文）
| 0引言# |
| 1 材料与方法 |
| 1.1 试验材料 |
| 1.2 试验仪器设计 |
| 1.3 试验方法 |
| 1.3.1 振动信号的采集 |
| 1.3.2 基于集合经验模态分解的鸭蛋音频信号特征提取方法 |
| 1.3.3 鸭蛋散黄检测模型 |
| 2 结果与分析 |
| 2.1 扫频振动法采集振动信号 |
| 2.2 振动信号的集合经验模态分解 |
| 2.3 主成分分析 |
| 2.4 小脑神经网络建模 |
| 3 结论 |
（10）鸭蛋表面脏污及新鲜度无损检测（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 禽蛋表面脏污检测 |
| 1.2.2 禽蛋新鲜度检测 |
| 1.2.3 其它农产品的脏污、斑点及新鲜度检测 |
| 1.3 图像处理概述 |
| 1.4 研究内容 |
| 1.5 研究技术路线 |
| 1.6 本章小结 |
| 2 鸭蛋图像采集 |
| 2.1 图像采集系统 |
| 2.1.1 光源和照明方式的选择 |
| 2.1.2 工业相机和工业镜头的选择 |
| 2.1.3 光电开关的选择 |
| 2.1.4 图像采集系统的搭建 |
| 2.2 实验材料和方法 |
| 2.2.1 鸭蛋表面脏污实验样本 |
| 2.2.2 鸭蛋新鲜度实验样本 |
| 2.3 图像采集方法 |
| 2.3.1 鸭蛋表面脏污图像采集方法 |
| 2.3.2 鸭蛋新鲜度图像采集方法 |
| 2.4 图像采集结果 |
| 2.4.1 鸭蛋表面脏污图像 |
| 2.4.2 鸭蛋新鲜度图像 |
| 2.5 本章小结 |
| 3 图像处理方法 |
| 3.1 图像运算 |
| 3.2 图像增强 |
| 3.3 彩色图像处理 |
| 3.4 形态学运算 |
| 3.5 彩色图像分割 |
| 3.6 图像边界提取 |
| 3.7 图像处理其它函数 |
| 3.8 本章小结 |
| 4 鸭蛋表面脏污检测与分级 |
| 4.1 脏污图像预处理 |
| 4.1.1 图像裁剪 |
| 4.1.2 图像背景去除 |
| 4.2 表面脏污面积比计算 |
| 4.3 表面脏污块数统计 |
| 4.4 表面脏污程度判别依据 |
| 4.5 判别结果和分析 |
| 4.6 流程图 |
| 4.7 本章小结 |
| 5 鸭蛋新鲜度检测与分级 |
| 5.1 新鲜度图像预处理 |
| 5.2 鸭蛋新鲜度判别依据 |
| 5.3 鸭蛋新鲜度图像特征提取 |
| 5.3.1 R、G、I分量灰度均值 |
| 5.3.2 蛋心区域面积计算 |
| 5.3.3 鸭蛋气室面积计算 |
| 5.4 判别结果和分析 |
| 5.4.1 图像特征提取结果分析 |
| 5.4.2 常规新鲜度实验数据 |
| 5.4.3 利用支持向量机建立模型 |
| 5.5 流程图 |
| 5.6 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 附录 |
| 致谢 |
四、鸭蛋新鲜度模型的试验研究（论文参考文献）
- [1]皮蛋凝胶品质的无损检测方法研究[D]. 梅璐. 华中农业大学, 2020(02)
- [2]基于机器视觉的鸡蛋品质检测研究[D]. 刘进闯. 武汉轻工大学, 2020(06)
- [3]卵形体农产品大小头自动定向中翻转运动的仿真及应用研究[D]. 陈琦莹. 江苏大学, 2020(02)
- [4]基于机器视觉技术的糖熏鸡腿颜色识别研究[D]. 陆逢贵. 渤海大学, 2020
- [5]不同贮藏时间及方式对鸭蛋品质的影响研究[J]. 赵奕敏,杨凌君,叶玲,梁秀婷,骆文俊,王琤(韦华). 江西畜牧兽医杂志, 2019(04)
- [6]基于机器视觉的双黄鸭蛋无损识别技术研究[D]. 李理. 华中农业大学, 2019(02)
- [7]基于计算机视觉的鸭蛋双黄、裂纹、新鲜度无损检测研究[D]. 马龙. 南京农业大学, 2018(07)
- [8]基于机器视觉的鸭蛋新鲜度检测[J]. 王巧华,王彩云,马美湖. 中国食品学报, 2017(08)
- [9]基于振动及EEMD-CMAC算法的鸭蛋散黄在线检测[J]. 卢伟,丁婧,罗慧,王玲,代德建. 农业工程学报, 2016(21)
- [10]鸭蛋表面脏污及新鲜度无损检测[D]. 王彩云. 华中农业大学, 2016(02)
标签：仿真软件论文;