融合RCSOSA与CSFCN模块的新型模型用于机器人包装禽蛋的大小头识别

《Agriculture》:Identification of the Big and Small Ends of Eggs by Developing a Novel Model with a Combination of RCSOSA and CSFCN Modules for Robot Packaging of Poultry Eggs

【字体: 大 中 小 】 时间:2026年09月20日 来源:Agriculture 4.5

编辑推荐:

  禽蛋大小头的精确识别是托盘式禽蛋自动包装中的关键步骤。在实际包装过程中,表面亮度不均、蛋壳颜色差异以及大小头与形态差别等因素会对识别精度产生负面影响。在本研究中,研究人员以红壳蛋、白壳蛋和绿壳蛋三类禽蛋为研究对象。图像采集后,采用对比度拉伸(contrast

  
禽蛋大小头的精确识别是托盘式禽蛋自动包装中的关键步骤。在实际包装过程中,表面亮度不均、蛋壳颜色差异以及大小头与形态差别等因素会对识别精度产生负面影响。在本研究中,研究人员以红壳蛋、白壳蛋和绿壳蛋三类禽蛋为研究对象。图像采集后,采用对比度拉伸(contrast stretching)方法校正所采集禽蛋图像的亮度,并利用U-Net网络实现蛋体区域分割和复杂背景去除。在YOLOv12中引入A2C2f_RCSOSA、EUCB和CSFCN模块进行改进。结果表明,RCCS12模型整体性能最佳,其精确率(Precision)、召回率(Recall)和mAP@0.5分别达到99.5%、99.4%和99.5%。与RepVitASF12(即研究人员前期研究中性能较优的禽蛋识别模型)相比,RCCS12在保持高精确率的同时,具有更低的浮点运算数(FLOPs)、模型大小(Model Size)和推理时间(Inference Time)。总体结果表明,合理的亮度校正与识别检测算法相结合,可有效解决鸡蛋大小头识别问题,可为禽蛋自动化包装流程提供参考。
禽蛋是居民日常膳食中的重要动物源性食品,鸡蛋作为典型代表,其自动包装过程中精准调整大头与小端是保证品质和新鲜度的关键。已有研究证明机器视觉和深度学习可用于大小头识别,但实际图像采集常因光源布局、蛋壳颜色和蛋体球形表面导致亮度不均或阴影,干扰边缘轮廓和细节特征,降低识别稳定性与鲁棒性。现有亮度校正研究多集中于低光图像增强、作物检测或细粒度分类,尚缺乏协同解决蛋面亮度不均、背景干扰与大小头细微形态差异的研究。为此,研究人员开展了本研究。

研究人员以购自北京两家超市的红壳、白壳和绿壳鸡蛋为对象,在2026年3月至5月完成图像采集系统搭建与数据采集,并按蛋壳颜色和大小头设置红壳蛋大头(BRE)、红壳蛋小头(SRE)、白壳蛋大头(BWE)、白壳蛋小头(SWE)、绿壳蛋大头(BGE)、绿壳蛋小头(SGE)6个类别。图像预处理阶段采用对比度拉伸校正亮度,利用U-Net分割去除复杂背景,通过高亮抑制、高斯平滑和掩膜融合获得高质量蛋体图像,并将数据集扩增至每类2000张、共6000张,按8:1:1划分为训练集、验证集和测试集。在YOLOv12n基础上引入A2C2f_RCSOSA、EUCB和CSFCN模块,构建RCSOSA12、EUCB12、CSFCN12、RCEU12、RCCS12、EUCS12和RCEUCS12等模型,通过消融实验和效率分析比较性能。结果表明,RCCS12模型整体最优,精确率、召回率和mAP@0.5分别达到99.5%、99.4%和99.5%,较原YOLOv12和前期RepVitASF12模型在弱特征类别和红壳蛋大小头识别上均有显著提升,同时保持较低的FLOPs、模型大小和推理时间。研究证明,合理的亮度校正与识别检测算法结合可有效解决鸡蛋大小头识别难题,为禽蛋自动化包装提供参考。

研究人员用到的主要关键技术方法包括:采用对比度拉伸(contrast stretching)对采集图像进行亮度校正;利用U-Net语义分割网络进行蛋体区域分割和复杂背景去除,并对分割掩膜进行高亮区抑制、高斯平滑和与原图融合;基于YOLOv12n引入A2C2f_RCSOSA模块增强细粒度特征提取,引入EUCB模块优化上采样细节恢复,引入CSFCN模块进行上下文与空间特征校准;通过消融实验及精确率、召回率、mAP、FLOPs、模型大小和推理时间评估模型。样本为购自北京两家超市的红壳、白壳、绿壳鸡蛋,于2026年3至5月完成数据采集。

3.1 图像亮度校正的优势与效果
通过对原始图像进行对比度拉伸,图像暗区亮度提高,蛋体轮廓和端部形状更清晰;U-Net分割后,高亮区抑制显著减少传送辊表面反光干扰,背景分离更准确。高斯平滑使掩膜边缘更平滑、锯齿减少;掩膜与原彩色图像融合后保留蛋体颜色、纹理和边缘信息,同时去除背景,对不同蛋壳颜色适应性良好,为后续大小头特征提取提供了低干扰输入。

3.2 模型识别性能与类别检测结果分析
原始YOLOv12的精确率、召回率、mAP@0.5和mAP@0.5:0.95分别为94.7%、89.8%、98.0%和65.9%;其中SGE、SWE、BWE类别召回率较低,SRE和BRE类别精确率较低,说明模型对弱特征类别和红壳蛋大小头存在漏检与误判。单模块改进中,CSFCN12模型整体性能最好,精确率、召回率、mAP@0.5分别达98.9%、99.0%、99.4%。双模块组合中,A2C2f_RCSOSA与CSFCN结合的RCCS12模型整体表现最佳,精确率、召回率和mAP@0.5分别为99.5%、99.4%和99.5%,SGE、BGE、SWE、BWE召回率达100.0%,SRE和BRE精确率较原模型提高11.7%和13.6%。

3.3 三模块组合模型的性能变化分析
在A2C2f_RCSOSA与CSFCN基础上再引入EUCB形成RCEUCS12,其精确率为99.1%,mAP@0.5:0.95为70.9%,低于RCCS12的99.5%和71.7%,SRE和BRE精确率也略有下降。这说明模块并非简单叠加即可持续提升性能,过多堆叠可能增加特征融合复杂度和冗余特征,干扰细微特征识别;改进网络结构时需综合考虑模块互补性、特征表达能力和模型复杂度。

3.4 模型复杂度与推理效率分析
原YOLOv12的FLOPs为6.3G,模型大小为5.5M,推理时间约6.0ms;RepVitASF12虽然提升了弱特征类别召回,但FLOPs达18.2G,模型为13.2M,推理时间为9.6ms。RCCS12的FLOPs为9.4G,模型大小为8.3M,推理时间为6.9ms,在保持高精确率和高召回率的同时,计算开销和存储占用较RepVitASF12明显降低。RCEUCS12的FLOPs和模型大小与RCCS12接近,推理时间为5.3ms,但综合识别性能不如RCCS12。

讨论部分指出,原始YOLOv12主要存在白壳蛋和绿壳蛋类别漏检以及红壳蛋类别误判问题;引入改进模块后,模型对弱特征目标的检测能力和细微特征类别的区分能力得到提升。其中A2C2f_RCSOSA与CSFCN组合在降低漏检、减少误报和保持类别平衡方面表现最好,RCCS12模型计算复杂度和推理速度适中,因此被选为最优改进模型。

研究结论可译为:本研究针对鸡蛋大小头高精度识别问题,将图像亮度校正与深度学习检测方法相结合,提出了改进模型RCCS12。该模型中,RCSOSA增强了局部轮廓和形态差异等细微端部特征的提取与聚合,CSFCN进一步校准上下文和空间信息以突出判别区域,减少光照不均和蛋壳颜色差异造成的干扰,从而解决了亮度不均条件下大小头高精度识别问题。改进后的RCCS12模型可有效缓解亮度不均带来的识别困难,显著提高鸡蛋大小头的识别精度。未来工作将从算法和实际应用两方面进一步扩展和验证:算法层面将考虑遮挡、破损、污染、裂纹和运动模糊等更具挑战性的蛋况,并探索在其他农业和食品检测任务中的适用性;实际应用层面将与机器人禽蛋包装系统集成,系统评估处理帧率、端到端延迟、传送带通过量、机器人同步和嵌入式部署等性能。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号