胚蛋活性检测对疫苗生产的质量与安全至关重要。传统机器视觉检测方法严重依赖人为设计的特征提取算法,对图像质量和环境条件要求高,检测结果稳定性和容错性差,导致实际检测过程中的通用性受到限制,为克服这种缺陷,该研究提出一种基于改...胚蛋活性检测对疫苗生产的质量与安全至关重要。传统机器视觉检测方法严重依赖人为设计的特征提取算法,对图像质量和环境条件要求高,检测结果稳定性和容错性差,导致实际检测过程中的通用性受到限制,为克服这种缺陷,该研究提出一种基于改进YOLOv8的疫苗胚蛋活性检测模型。采用自主设计图像采集装置,采集孵化10~11 d的胚蛋图像,通过几何变换、颜色调整、图像增强等方式构建并扩充数据集;采用Shuffle Net V2替换YOLOv8模型的骨干网络,在保持准确率的同时显著减少了计算复杂度,能更好地部署到嵌入式设备中;在YOLOv8颈部网络的卷积层后添加动态蛇形卷积层,通过其自适应地聚焦于细长和迂回的局部结构,准确地捕捉管状结构的性质特征,从而提高胚蛋检测的准确率;使用EIOU(embedding intersection over union)损失函数,用于适应研究中边界框对齐和形状相似的场景,构建了符合试验中胚蛋图像的网络模型,以实现疫苗胚蛋活性快速、无损、批量检测。试验结果表明,改进YOLOv8模型精确率、召回率、平均精度均值(m AP_(50-95))分别达99.2%、98.2%、96.9%,对比原始YOLOv8模型分别提高了2.0、0.3、1.5个百分点,模型计算复杂度与推理时间相较与原模型分别降低60.9%、60.5%。说明此模型可以更好地实现疫苗胚蛋活性无损检测,为自动化批量检测提供理论依据。展开更多
含盐量是衡量咸鸭蛋品质的重要指标。为了利用机器视觉技术实现高压脉动腌制咸鸭蛋含盐量的无损检测。该研究采用工业相机和透射光源搭建咸鸭蛋的透射图像采集装置。采用图像整体特征和长轴截面光强度特征两种特征提取方法,利用多元线...含盐量是衡量咸鸭蛋品质的重要指标。为了利用机器视觉技术实现高压脉动腌制咸鸭蛋含盐量的无损检测。该研究采用工业相机和透射光源搭建咸鸭蛋的透射图像采集装置。采用图像整体特征和长轴截面光强度特征两种特征提取方法,利用多元线性回归、支持向量机回归两种算法,建立对蛋清、蛋黄及全蛋含盐量以及蛋黄指数的定量预测模型。结果表明,随着咸鸭蛋腌制时间的增加,其透光性显著提高。同时,透射图像蛋黄的所在视野区域会随着含盐量的增加而呈现规律性的变化。基于图像整体特征建立的蛋清、蛋黄、全蛋含盐量模型较优,在蛋黄指数预测下基于长轴截面光强度特征所建模型较优。其中,基于图像整体特征所建立的蛋黄含盐量支持向量机回归(support vector regression,SVR)模型最优,测试集相关系数(test set correlation coefficient,Rp)、测试集均方根误差(root mean square error of prediction,RMSEp)、相对分析误差(residual predictive deviation,RPD)分别达到0.8460、0.3416、1.898;基于长轴截面光强度特征建立的蛋黄指数多元线性回归(multiple linear regression,MLR)模型最优,测试集相关系数Rp、均方根误差RMSEp、相对分析误差RPD分别为0.8318、0.0743、1.916。该研究结果为咸鸭蛋含盐量的快速检测提供理论依据和技术支持。展开更多
文摘胚蛋活性检测对疫苗生产的质量与安全至关重要。传统机器视觉检测方法严重依赖人为设计的特征提取算法,对图像质量和环境条件要求高,检测结果稳定性和容错性差,导致实际检测过程中的通用性受到限制,为克服这种缺陷,该研究提出一种基于改进YOLOv8的疫苗胚蛋活性检测模型。采用自主设计图像采集装置,采集孵化10~11 d的胚蛋图像,通过几何变换、颜色调整、图像增强等方式构建并扩充数据集;采用Shuffle Net V2替换YOLOv8模型的骨干网络,在保持准确率的同时显著减少了计算复杂度,能更好地部署到嵌入式设备中;在YOLOv8颈部网络的卷积层后添加动态蛇形卷积层,通过其自适应地聚焦于细长和迂回的局部结构,准确地捕捉管状结构的性质特征,从而提高胚蛋检测的准确率;使用EIOU(embedding intersection over union)损失函数,用于适应研究中边界框对齐和形状相似的场景,构建了符合试验中胚蛋图像的网络模型,以实现疫苗胚蛋活性快速、无损、批量检测。试验结果表明,改进YOLOv8模型精确率、召回率、平均精度均值(m AP_(50-95))分别达99.2%、98.2%、96.9%,对比原始YOLOv8模型分别提高了2.0、0.3、1.5个百分点,模型计算复杂度与推理时间相较与原模型分别降低60.9%、60.5%。说明此模型可以更好地实现疫苗胚蛋活性无损检测,为自动化批量检测提供理论依据。
文摘含盐量是衡量咸鸭蛋品质的重要指标。为了利用机器视觉技术实现高压脉动腌制咸鸭蛋含盐量的无损检测。该研究采用工业相机和透射光源搭建咸鸭蛋的透射图像采集装置。采用图像整体特征和长轴截面光强度特征两种特征提取方法,利用多元线性回归、支持向量机回归两种算法,建立对蛋清、蛋黄及全蛋含盐量以及蛋黄指数的定量预测模型。结果表明,随着咸鸭蛋腌制时间的增加,其透光性显著提高。同时,透射图像蛋黄的所在视野区域会随着含盐量的增加而呈现规律性的变化。基于图像整体特征建立的蛋清、蛋黄、全蛋含盐量模型较优,在蛋黄指数预测下基于长轴截面光强度特征所建模型较优。其中,基于图像整体特征所建立的蛋黄含盐量支持向量机回归(support vector regression,SVR)模型最优,测试集相关系数(test set correlation coefficient,Rp)、测试集均方根误差(root mean square error of prediction,RMSEp)、相对分析误差(residual predictive deviation,RPD)分别达到0.8460、0.3416、1.898;基于长轴截面光强度特征建立的蛋黄指数多元线性回归(multiple linear regression,MLR)模型最优,测试集相关系数Rp、均方根误差RMSEp、相对分析误差RPD分别为0.8318、0.0743、1.916。该研究结果为咸鸭蛋含盐量的快速检测提供理论依据和技术支持。
