基于计算机视觉的缺陷鸡蛋检测技术研究与应用.pdf

摘要

目前，在鸡蛋自动化生产线上，由于鸡啄以及与机械的摩擦磕碰，产生了许多的

缺陷鸡蛋，缺陷鸡蛋对自动化机械的整洁性和稳定性以及鸡蛋的质量造成了巨大的影

响。在国内，中小型禽蛋生产企业检测缺陷鸡蛋时仍然以人工检测方法为主，但人工

检测成本高，效率低。因此实现低成本，高效率的解决这个问题对目前禽蛋自动化生

产具有重要意义。本文在省级乡村振兴战略专项-农业科技创新及推广项目的支持下，

与广州广兴共和集团进行合作，以实际生产线上的鸡蛋为研究对象，提出一种基于

YOLOv4的缺陷鸡蛋识别检测方法，并利用Sort算法进行初步跟踪。本文的主要工作

包括以下几个方面：

（1）本文提出了一种基于YOLOv4的生产线单帧图片缺陷鸡蛋识别方法，主要

包括离线训练和在线检测两个部分。

离线训练部分主要是数据集的制作和模型的训练优化与测试评估。数据集的制作

部分。从实际生产线上搭建的实验平台以及生产实地拍摄631张鸡蛋照片，然后利用

图像标注工具Labelimg进行数据集的制作，获得的xml文件包含了目标的类别和位

置信息。最后将制作好的数据集按9:1的比例划分为训练集（train）和测试集（test）。

模型的训练优化和测试评估部分。利用最佳训练参数得到YOLOv4缺陷鸡蛋检测模

型。利用测试集对模型的评估结果显示，非破损鸡蛋识别准确率为84.31%，破损鸡蛋

识别准确率为92.31%。非破损鸡蛋与破损鸡蛋类别平均精度（mAP*）为86.5%，多

阈值多种类平均精度（mmAP）为79.2%。

在线检测部分是指利用训练好的YOLOv4模型在实际的生产线上搭建的实验平

台上进行缺陷鸡蛋的视频流检测，本文中按照不同破损鸡蛋比例设置了对照实验。实

验结果表明YOLOv4缺陷鸡蛋检测模型在鸡蛋传速度为5.56枚/s的生产线上的破损

鸡蛋平均识别准确率达94.62%。

此外，在相同数据集下，本文还进行了多次实验与其他检测方法对比。实验结果

显示，在实际生产线的场景下，鸡蛋的传送速度为5.56枚/s时，本研究的YOLOv4破

损鸡蛋检测模型对破损鸡蛋的识别准确率比传统方法高29.33%，突出了本文方法的

优越性。

（2）为了防止鸡蛋在翻滚过程中缺陷区域被遮挡，导致YOLOv4网络模型出现

误判，需要对缺陷鸡蛋进行跟踪，本文的缺陷鸡蛋跟踪任务主要是利用Sort算法实

I

现。先利用YOLOv4网络模型对破损鸡蛋进行识别，然后将识别结果转换格式并输入

到Sort跟踪算法中，实验结果显示破损鸡蛋与非破损鸡蛋都能被编号且跟踪，初步实

现了破损鸡蛋的跟踪任务，解决了破损鸡蛋的破损区域被遮挡的问题。

关键词：YOLOv4；计算机视觉；缺陷鸡蛋检测；深度学习；卷积神经网络

II

目录

1绪论1

1.1研究背景及意义1

1.2国内外研究现状2

1.2.1鸡蛋破损检测研究现状2

1.2.2深度学习目标检测现状6

1.3研究目标9

1.4研究内容10

2基于深度学习目标检测理论11

2.1卷积神经网络11

2.2基于YOLOV4的目标检测算法17

2.2.1YOLO系列算法的结构和特点17

2.2.2精度评估指标20

2.3基于SORT的跟踪算法21

2.4本章小结23

3基于机器视觉的缺陷鸡蛋检测方法24

3.1传统机器视觉缺陷鸡蛋检测方法24

3.2基于YOLOV4的缺陷鸡蛋目标检测方法26

3.2.1静态图像下YOLOv4缺陷鸡蛋检测模型的离线训练方法27

3.2.2YOLOv4缺陷鸡蛋检测模型的图像采集方法28

3.2.3YOLOv4缺陷鸡蛋检测模型的图像分类与标签制作方法33

3.2.4视频流下YOLOv4缺陷鸡蛋检测模型的在线检测方法36

V

3.