买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：大连工业大学

摘要：本发明属于深度学习、机器视觉技术领域，公开一种鸡胴体体表缺陷自动检测方法，包括：图像采集模块，用于对鸡胴体进行图像采集；图像处理与数据集制作模块，用于对图像采集模块输出的原始图像进行图像预处理，并制作数据集；目标检测模块，构建改进的YOLOv7模型用以检测和框选鸡胴体体表缺陷目标；缺陷分级模块，设计基于数量和面积的统计方法，对目标检测模块输出的缺陷类别信息进行分级。本发明的鸡胴体体表缺陷自动检测方法，针对鸡胴体体表缺陷特点创新性的改进了YOLOv7目标检测模型，并利用缺陷数量和面积统计方法，对所得缺陷信息进行分级。本发明方法有效解决了鸡胴体缺陷检测效率低的问题，实现了鸡胴体缺陷检测的细化分级。

主权项：1.一种鸡胴体体表缺陷自动检测方法，其特征在于，鸡胴体体表缺陷自动检测方法包括图像采集模块、图像处理与数据集制作模块、目标检测模块、缺陷分级模块；1构建图像采集模块，获取鸡胴体表面完整数据；2构建图像处理与数据集制作模块，对图像采集模块输出的原始图像进行图像预处理，并使用LabelImg软件对预处理后的图像数据进行标注，随后进行数据筛选和数据增强操作，得到数据集，并按照7:3的比例划分训练集和测试集；3构建目标检测模块，使用改进的YOLOv7目标检测模型对鸡胴体体表缺陷进行检测；S3.1改进的YOLOv7目标检测网络模型是在YOLOv7目标检测网络模型的基础上进行如下改进：1将YOLOv7的主干特征网络替换为轻量级MobileViT网络；2在特征融合的池化阶段，将SPPCSPC特征金字塔模块替换为SPPFS特征金字塔模块；3在颈部引入CBAM注意力机制；4在颈部加入Focal-EIoULoss；S3.2设置改进的YOLOv7目标检测网络模型的训练参数；S3.3利用图像处理与数据集制作模块中的训练集数据对步骤S3.2设置好参数后的改进的YOLOv7目标检测网络模型进行训练，得到最优的目标检测模型；S3.4使用步骤S3.3所得到的最优的目标检测模型，对鸡胴体体表缺陷进行目标检测，将测试集中的图像输入到训练好的目标检测模型中，得到包含缺陷类别、边界框和置信度的体表缺陷图像；S3.5基于步骤S3.4得到的包含缺陷类别、边界框和置信度的体表缺陷图像，对改进后的YOLOv7目标检测模型进行总结评估；对于训练和测试所采用的评价指标主要是平均精度均值mAP；4构建缺陷分级模块，设计基于数量和面积的统计方法对目标检测模块输出的缺陷信息进行分级；S4.1根据步骤S3.4得到的含有缺陷类别、边界框和置信度的体表缺陷图像，对每张图像上的缺陷进行数量统计；首先遍历所有的边界框，对于每个边界框，提取其类别信息和位置信息；然后使用字典来存储不同类别的缺陷数量，其中字典是一个无序的键值对集合，每个键都是唯一的，并映射到一个值，将缺陷类别作为键，将每个类别的数量作为值；并在遍历每个边界框时，根据其类别标签在字典中增加相应的计数；最后输出每个缺陷的数量，并形成相应的缺陷统计报告；S4.2根据步骤S3.4得到的含有缺陷类别、边界框和置信度的体表缺陷图像，对每张图像上的缺陷进行面积统计；利用python-OpenCV对每张图像上边界框中的缺陷进行轮廓提取，利用像素值标记轮廓然后根据缺陷的轮廓计算出缺陷的像素面积，再根据已设立的标准块像素面积与其真实面积之间的比值最终计算出鸡胴体缺陷的实际面积；然后将所有缺陷的实际面积输出，形成缺陷面积统计报告；在拍摄鸡胴体图像前，在一个选定的鸡胴体表面贴上一张具有已知尺寸的标准白纸，将这张标准白纸作为标准块，用来计算像素面积与真实面积的比值，将缺陷的像素面积转换为实际面积；S4.3在图像经过目标检测模块的识别和定位后，进入缺陷分级模块；首先依据步骤S4.1和步骤S4.2，对缺陷进行数量和面积的统计计算；随后结合步骤S4.1和步骤S4.2所得结果，按照鸡胴体体表缺陷的数量Q、实际面积A以及分布情况，将其进行分级标准设定并分级；首先，根据步骤S4.1的数据，将缺陷数量Q的阈值设定为少量Q2、中等2≤Q5和大量Q≥5；接下来，依据步骤S4.2的分析结果，对缺陷的实际面积A进行细分，对于鲜花和旧花类型的缺陷，小面积阈值定义为A2cm2、中等面积为2cm2≤A5cm2和大面积A≥5cm2；对于体表淤血和黑胸这类缺陷，小面积定义为A3cm2、大面积为A≥3cm2；根据上述设定的分级标准，综合数量和面积两个维度，将缺陷划分为一级、二级和三级；一级缺陷表现为缺陷数量少量且小面积，对鸡胴体的整体品质影响较小；二级缺陷则表现为缺陷数量中等或面积中等，对品质有一定影响；三级缺陷则是缺陷数量大量或大面积，对整体品质有显著影响。

全文数据：

权利要求：

百度查询： 大连工业大学 一种鸡胴体体表缺陷自动检测方法