基于深度学习的禽蛋表面缺陷检测系统

蛋类食品是人们日常生活中的重要食品之一，价格实惠、营养丰富、味道可口，随着我国人民生活质量的提升，对蛋类质量的要求也日益提高。在蛋类加工过程中的一个重要步骤就是分拣，即把破损蛋（裂纹蛋）从好蛋中挑出来。目前，我国蛋类加工行业仍然采用人工检测方法，即照蛋法和敲击法，分别通过人的眼睛和耳朵来识别。人工检测要求熟练个人进行长时间的生产操作，容易产生视觉或听觉疲劳而导致破损蛋被遗漏，且企业用人成本的提高，招工难会造成生产停滞；另外，人工检测方法效率低下，不适应规模化生产的需要。针对上述问题，将通信技术、计算机视觉技术、图像处理技术、模式识别技术、机器学习技术等现代信息技术引入鸭蛋分拣领域，建立全新的自动化鸭蛋表面缺陷检测平台，已经成为农业生产的迫切要求和发展趋势。 随着深度学习技术的发展，科研工作者开始将机器学习技术应用到图像识别，而且在近几年取得了较大的发展。神经网络应用在蛋类表面缺陷识别上可以大大减少工作量，缩短识别时间，深度学习技术的出现为图像识别提供了强有力的保障。本项目提出基于改进GoogLeNet的蛋类表面缺陷检测平台，以期改变蛋类分拣方式，使其最终能够替代人工检测从而减少生产成本，降低误检率，提高企业生产力，从而真正实现蛋类生产分拣阶段的自动化、智能化和规范化。