典型文献
基于机器视觉和YOLOv4的破损鸡蛋在线检测研究
文献摘要：
破损鸡蛋导致的漏液会污染自动化生产线和完好鸡蛋,不仅影响生产效率,还会干扰裂纹鸡蛋的检测.为实现破损鸡蛋快速、准确、低成本的识别,本文利用机器视觉技术,并结合深度学习网络深层次特征提取、高精度检测分类的特性,提出一种基于YOLOv4网络的破损鸡蛋检测方法.构建破损鸡蛋图像数据集,搭建YOLOv4深度学习网络,训练含有破损蛋和完好蛋图像的分类模型;并对比YOLOv4与YOLOv3、Faster RCNN网络模型对破损蛋的识别精度;同时为验证YOLOv4的在线检测能力,模拟搭建鸡蛋实际生产环境,对比不同破壳鸡蛋比例、不同移动速度下的检测精度.研究结果如下:相同数据集下,YOLOv4识别精度高出YOLOv3、Faster RCNN网络模型平均值4.62％;在线检测时,YOLOv4模型对含不同比例的破损蛋识别正确率平均为86.22％;鸡蛋生产线移动速度在5～6 m/min下,识别正确率平均为84.91％.结果表明,本文提出的基于YOLOv4的破损鸡蛋检测方法对流水线上移动的鸡蛋有较好的检测效果,检测速率较高,为鸡蛋智能化生产、品质检测提供一种新的方法,具有一定的实用价值.
文献关键词：
深度学习;YOLOv4;破损鸡蛋;在线检测
中图分类号：
作者姓名：
赵祚喜;罗阳帆;黄杏彪;袁凯;黄渊;曹阳阳
作者机构：
华南农业大学工程学院,广东 广州 510642;广州广兴牧业设备集团有限公司,广东 广州 510540
文献出处：
引用格式：
[1]赵祚喜;罗阳帆;黄杏彪;袁凯;黄渊;曹阳阳-.基于机器视觉和YOLOv4的破损鸡蛋在线检测研究)[J].现代农业装备,2022(01):8-16
A类：
破损鸡蛋
B类：
YOLOv4,在线检测,漏液,自动化生产线,完好,机器视觉技术,深度学习网络,层次特征,高精度检测,检测分类,图像数据集,分类模型,YOLOv3,Faster,RCNN,识别精度,检测能力,生产环境,破壳,移动速度,检测精度,模型平均,流水线,上移,检测效果,检测速率,智能化生产,品质检测
AB值：
0.24384
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
