鸡蛋分拣系统和鸡蛋分拣方法与流程

本发明涉及自动控制技术领域，具体涉及一种鸡蛋分拣系统和一种鸡蛋分拣方法。

背景技术：

鸡蛋在生产过程中，受到母鸡的生长环境因素、产蛋环境以及健康状况的影响，产出来的鸡蛋其外壳有时候会出现带有血斑、花斑、裂纹以及表面凹陷的情况，这些鸡蛋在售卖前需要分拣出来。

随着科技的进步，鸡蛋从产出到售卖已经实现了自动化分拣，相关技术中，鸡蛋的自动化分拣系统是将血斑、花斑、裂纹、凹陷的检测分为单个工序逐步检测，即每个工序只能分拣出一种表面缺陷，分拣过程复杂，每一种缺陷都需要单独的装置进行检测，加长了自动化分拣时间，导致自动化分拣效率不高。

技术实现要素：

本发明为解决上述技术问题，本发明的第一个目的提供了一种鸡蛋分拣系，该系统采用深度学习技术检测可以一次将鸡蛋表面多种缺陷检测出来，大大提高了分拣效率。

本发明第二个目的在提出一种鸡蛋分拣方法。

本发明采用的技术方案如下：

本发明第一方面的实施例提出了一种鸡蛋分拣系统，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。

本发明上述提出的鸡蛋分拣系统还可以具有如下附加技术特征：

根据本发明的一个实施例，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。

根据本发明的一个实施例，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。

根据本发明的一个实施例，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。

根据本发明的一个实施例，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。

本发明第二方面的实施例提出了一种鸡蛋分拣方法，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；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。

本发明上述提出的鸡蛋分拣方法还可以具有如下附加技术特征：

根据本发明的一个实施例，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。

根据本发明的一个实施例，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。

本发明的有益效果：

本发明采用深度学习技术检测可以一次将鸡蛋表面多种缺陷检测出来，有效的缩短分拣流程，减少分拣过程的时间，大大提高了分拣效率，且结构简单。

附图说明

图1是根据本发明一个实施例的鸡蛋分拣系统的方框示意图；

图2是根据本发明一个实施例的鸡蛋分拣系统的结构示意图；

图3是根据本发明一个实施例的鸡蛋分拣方法的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1是根据本发明一个实施例的鸡蛋分拣系统的方框示意图。如图1所示，该鸡蛋分拣系统包括：传送装置1、图像获取装置2、机械臂装置3、上位机4。

其中，传送装置1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2用于获取位于缺陷检测区域的鸡蛋的外观图像；机械臂装置3用于将表面存在缺陷的鸡蛋抓取至第一指定区域；上位机4分别与图像获取装置2、机械臂装置3和传送装置1相连，上位机4用于根据外观图像采用深度学习技术检测鸡蛋表面是否存在缺陷，并在检测到鸡蛋表面存在缺陷时，控制传送装置1将存在缺陷鸡蛋传送至第一指定区域后，再控制机械臂装置3将存在缺陷的鸡蛋抓取至第二指定区域，以及在检测到鸡蛋表面不存在缺陷时，控制传送装置1将鸡蛋传送至生产线的下一工序，其中，缺陷包括：血斑、花斑、裂纹或表面凹陷。

具体的，如图2所示，上位机4可为工控机，为整个分拣系统的控制中心，分别与图像获取装置2、机械臂装置3、传送装置1相连。传送装1可包括传送带和传送带驱动机构(图2中未具体示出)，传送带驱动机构与上位机4相连。上位机4可以发出控制指令至传送带驱动机构驱动，以驱动传送带运行或停止。

控制传送装置1将鸡蛋传送至缺陷检测区域a以进行缺陷检测，然后，控制图像获取装置2进行图像采集仪获取位于缺陷检测区域a的鸡蛋的外观图像。然后上位机4根据外观图像采用深度学习技术检测鸡蛋表面是否存在血斑、花斑、裂纹或表面凹陷的缺陷。如果检测到鸡蛋表面存在上述的任一种缺陷，则上位机4控制传送装置1将存在缺陷鸡蛋传送至第一指定区域b后，再控制机械臂装置3将存在缺陷的鸡蛋抓取至第二指定区域c，用户可以根据实际情况统一处理存在缺陷的鸡蛋；如果检测到鸡蛋表面不存在上述的任一种缺陷，则上位机4控制传送装置1将鸡蛋传送至生产线的下一工序即可。由此，采用深度学习技术检测可以一次将鸡蛋表面多种缺陷检测出来，有效的缩短分拣流程，减少分拣过程的时间，大大提高了分拣效率，且结构简单。

根据本发明的一个实施例，如图2所示，图像获取装置2可以包括四台工业相机21-24，四台工业相机分别位于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。

具体的，如图2所示，工业相机21、22、23、24分别与上位机4相连，通过工业相机21、22、23、24获取鸡蛋表面的四张外观图像，并通过图像采集卡将拍摄的外观图像传输到上位机4。

根据本发明的一个实施例，如图2所示，机械臂装置3可以包括：吸蛋器装置31和六轴机械臂32，吸蛋器装置31安装于六轴机械臂32的手部位置。机械臂装置3通过吸蛋器装置31吸起鸡蛋外观带血斑、花斑、裂纹以及凹陷的鸡蛋，通过六轴机械臂将缺陷鸡蛋运抓取至第二指定区域c。

根据本发明的一个实施例，如图2所示，上述的鸡蛋分拣系统还包括：与上位机4相连的第一到位检测装置5、第二到位检测装置6。

其中，第一到位检测装置5可以设置在缺陷检测区域a的两侧，用于检测鸡蛋是否到达缺陷检测区域a；第二到位检测装置6可以设置在第一指定区域b的两侧，用于检测表面存在缺陷的鸡蛋(即待抓取的鸡蛋)是否到达第一指定区域b，以使上位机4在待抓取的鸡蛋到达第一指定区域b后，控制机械臂装置3将存在缺陷的鸡蛋抓取至第二指定区域c。

具体的，第一到位检测装置5可包括设置于传送装置1上缺陷检测区域a的两侧的光电传感器。光电传感器包括发送器和接收器，且对应缺陷检测区域a安装，光电传感器工作时，发送器可不间断地发射光束，在无阻的情况下接收器可接收到光，但鸡蛋到达经过缺陷检测区域a时，光被遮挡，光电开关动作，输出开关控鸡蛋汽车外覆盖件是否到达缺陷检测区域。第二到位检测装置6可包括设置于传送装置1上的第一指定区域b两侧的光电传感器，该光电传感器的结构和检测原理与到上述的第一位检测装置5的光电传感器相同，在此不再赘述。

下面结合具体的实施例描述图如何采用深度学习技术检测鸡蛋表面是否存在缺陷。

根据本发明的一个实施例，上位机4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，实现鸡蛋表面缺陷的检测。

其中，在本发明的一个实施例中，神经网络模型包括：卷积层，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，池化层用于对局部特征信息进行降维，不仅减少了运算参数来降低运算量，还避免了过拟合的情况；全连接层，全连接层用于对卷积层和池化层处理后的数据进行综合。

具体的，获取待检测鸡蛋的外观图像数据，批量获取鸡蛋外观带有血斑、花斑、裂纹或者凹陷的图像，采用数据增强的方式将各类别的图像数据量进行扩充，达到数据的多样性，从而提高检测算法的鲁棒性。对数据增强后的鸡蛋图像进行标注并制作成数据集，根据其缺陷类别分为：血斑、花斑、裂纹、凹陷。

将制作好的鸡蛋数据集中的80％作为训练集，剩余20％作为测试集；将训练集输入到制作好的卷积神经网络中，建立卷积神经网络模型并设置参数。当准确率达到预设值时或准确率不再上升时训练自动停止，并保存权重信息。将测试集输入到经过训练的模型中进行测试，如果测试准确率达到99％，则使用该模型所保存的权重信息作为鸡蛋分拣程序；如果准确率不满足要求，则重新修改训练参数进行重新训练并进行测试，直到满足检测要求为止。由此，采用深度学习技术检测可以一次将鸡蛋表面多种缺陷检测出来，大大提高了分拣效率。

综上所述，根据本发明实施例的种鸡蛋分拣系统，通过传送装置将鸡蛋传送至缺陷检测区域以进行缺陷检测，通过图像获取装置获取位于缺陷检测区域的鸡蛋的外观图像，上位机根据外观图像采用深度学习技术检测鸡蛋表面是否存在缺陷，并在检测到鸡蛋表面存在缺陷时，控制传送装置将存在缺陷鸡蛋传送至第一指定区域后，再控制机械臂装置将存在缺陷的鸡蛋抓取至第二指定区域，以及在检测到鸡蛋表面不存在缺陷时，控制传送装置将鸡蛋传送至生产线的下一工序。由此，采用深度学习技术检测可以一次将鸡蛋表面多种缺陷检测出来，有效的缩短分拣流程，减少分拣过程的时间，大大提高了分拣效率，且结构简单。

与上述的鸡蛋分拣系统相对应，本发明还提出一种鸡蛋分拣方法。由于本发明的方法实施例与上述的系统实施例相对应，对于方法实施例中未披露的细节可参照上述的系统实施例，本发明中不再进行赘述。

图3是根据本发明一个实施例的鸡蛋分拣方法的流程图。如图3所示，该方法包括以下步骤：

s1，将鸡蛋传送至缺陷检测区域。

s2，获取位于缺陷检测区域的鸡蛋的外观图像。

s3，根据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，缺陷包括：血斑、花斑、裂纹或表面凹陷。

s4，如果检测到鸡蛋表面存在缺陷，则控制传送装置将存在缺陷鸡蛋传送至第一指定区域后，再将存在缺陷的鸡蛋抓取至第二指定区域。

s5，如果检测到鸡蛋表面不存在缺陷，则控制传送装置将鸡蛋传送至生产线的下一工序。

进一步地，根据本发明的一个实施例，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，实现鸡蛋表面缺陷的检测。

更进一步地，神经网络模型包括：卷积层，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，池化层用于对局部特征信息进行降维；全连接层，全连接层用于对卷积层和池化层处理后的数据进行综合。

综上所述，根据本发明实施例的鸡蛋分拣方法，将鸡蛋传送至缺陷检测区域，获取位于缺陷检测区域的鸡蛋的外观图像，根据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，缺陷包括：血斑、花斑、裂纹或表面凹陷，如果检测到鸡蛋表面存在缺陷，则控制传送装置将存在缺陷鸡蛋传送至第一指定区域后，再将存在缺陷的鸡蛋抓取至第二指定区域，如果检测到鸡蛋表面不存在缺陷，则控制传送装置将鸡蛋传送至生产线的下一工序。由此，采用深度学习技术检测可以一次将鸡蛋表面多种缺陷检测出来，有效的缩短分拣流程，减少分拣过程的时间，大大提高了分拣效率。

在本发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。“多个”的含义是两个或两个以上，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

起点商标作为专业知识产权交易平台，可以帮助大家解决很多问题，如果大家想要了解更多知产交易信息请点击 【在线咨询】或添加微信 【19522093243】与客服一对一沟通，为大家解决相关问题。

此文章来源于网络,如有侵权,请联系删除