本發明涉及農業品的識別領域，特別涉及一種土禽蛋的識別方法及其識別裝置。

背景技術：

隨著計算機和圖像處理技術的發展，機器視覺技術的研究和應用已擴展到農業工程領域。農業生產中部分工作是對農作物或農產品外觀進行判斷，如水果品質檢測、果實成熟度判別、作物生長狀況以及雜草的識別等。這些過去主要依靠人的視覺進行辨別和判斷的工作，可以由機器視覺技術部分或全部替代，從而提高生產效率，降低人的勞動強度，實現農業自動化和智能化。

相比與圈養雞所產蛋，土雞在自然環境(林地、山地等)中生長，吃的也都是蟲子、野草等隨機的天然食物。從一定角度來看，土雞產出的土雞蛋品質相對較好，農家土雞蛋更加受到消費者的青睞。由于土雞營養攝入不固定的影響，生產周期較長，導致雞蛋產量低，產蛋時間不確定，產蛋個頭一般較小，土雞蛋個體顏色和尺寸均相差較大。市場上便出現一些以圈養雞蛋冒充農家土雞蛋出售的現象。目前，絕大多數情況下還是完全依賴人工經驗識別農家土雞蛋，主觀性太大，往往判斷結果相差較大；真正掌握這方面經驗的專業人士比較少，當雞蛋數目較多時，人工識別成本較高，也根本無法在短時間內完成，從而助長行業中“以次充好”的不良風氣。同理，不光是土雞蛋，土鴨蛋、土鵝蛋等禽蛋也均有上述問題。

因此，如何尋找一種新的方法克服人的經驗及主觀性帶來的誤差來識別出土禽蛋，是本領域技術人員亟待解決的技術問題。

技術實現要素：

有鑒于此，本發明的目的在于提供一種土禽蛋的識別方法及其識別裝置，可以降低人工識別成本，并且可以克服人的經驗及主觀性帶來的誤差，遏制農產品流通環節“以次充好”的現象。

為解決上述技術問題，本發明提供一種土禽蛋的識別方法，包括：

采集多個待測禽蛋的特征信息；

根據采集到的所述待測禽蛋的特征信息，計算出信息熵；

將所述信息熵與預設閾值進行比較，若所述信息熵大于所述預設閾值時，判斷所述待測禽蛋為土禽蛋；若否，判斷所述待測禽蛋混有圈養禽蛋。

優選地，在本發明實施例提供的上述土禽蛋的識別方法中，采用下述方式確定所述預設閾值：

采集多個土禽蛋、圈養禽蛋的特征信息；

根據采集到的所述土禽蛋、圈養禽蛋的特征信息，通過機器學習算法計算出標準信息熵，所述標準信息熵作為預設閾值。

優選地，在本發明實施例提供的上述土禽蛋的識別方法中，采集多個待測禽蛋的特征信息，具體包括：

通過機器視覺技術采集多個待測禽蛋的特征信息。

優選地，在本發明實施例提供的上述土禽蛋的識別方法中，所述特征信息包括顏色和尺寸中的至少一種。

優選地，在本發明實施例提供的上述土禽蛋的識別方法中，所述特征信息包括重量。

優選地，在本發明實施例提供的上述土禽蛋的識別方法中，在采集多個待測禽蛋的顏色和尺寸之前，還包括：

將多個待測禽蛋放入包裝測試盒；所述包裝測試盒與所述待測禽蛋具有設定范圍的色差。

優選地，在本發明實施例提供的上述土禽蛋的識別方法中，所述包裝測試盒具有陣列排布的多個孔，每個所述孔中放入一個所述待測禽蛋。

優選地，在本發明實施例提供的上述土禽蛋的識別方法中，所述包裝測試盒具有排布方式為10×10個孔；

所述機器視覺技術使用的攝像頭像素在2592×1944以上。

本發明還相應公開了一種識別裝置，包括：

采集模塊，用于采集多個待測禽蛋的顏色和尺寸；

計算模塊，用于根據采集到的所述待測禽蛋的顏色和尺寸，計算出信息熵；

比較模塊，用于將所述信息熵與預設閾值進行比較，若所述信息熵大于所述預設閾值時，判斷所述待測禽蛋為土禽蛋；若否，判斷所述待測禽蛋混有圈養禽蛋。

優選地，在本發明實施例提供的上述土禽蛋的識別裝置中，還包括：

學習模塊，用于采集多個土禽蛋、圈養禽蛋的特征信息；根據采集到的所述土禽蛋、圈養禽蛋的特征信息，通過機器學習算法計算出標準信息熵，所述標準信息熵作為預設閾值。

本發明提供的一種土禽蛋的識別方法及其識別裝置，包括：采集多個待測禽蛋的特征信息；根據采集到的待測禽蛋的特征信息，計算出信息熵；將信息熵與預設閾值進行比較，若信息熵大于預設閾值時，判斷待測禽蛋為土禽蛋；若否，判斷待測禽蛋混有圈養禽蛋。本發明通過采集待測禽蛋的特征信息，引入不確定性數據的度量工具信息熵，并將其應用于農產品的識別領域，適合大規模、多批量整體操作，降低人工識別成本，并且可以克服人的經驗及主觀性帶來的誤差，遏制農產品流通環節“以次充好”的現象，促進行業的良性發展。

附圖說明

為了更清楚地說明本發明實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的實施例，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據提供的附圖獲得其他的附圖。

圖1為本發明實施例公開的一種土禽蛋的識別方法流程圖；

圖2為本發明實施例公開的一種土禽蛋的識別方法具體流程圖之一；

圖3為本發明實施例公開的一種土禽蛋的識別方法具體流程圖之二；

圖4為本發明實施例公開的一種土禽蛋的識別裝置的結構示意圖。

具體實施方式

下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。基于本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬于本發明保護的范圍。

本發明實施例公開了一種土禽蛋的識別方法，參見圖1所示，該方法包括：

步驟s101、采集多個待測禽蛋的特征信息；

步驟s102、根據采集到的待測禽蛋的特征信息，計算出信息熵；

步驟s103、將信息熵與預設閾值進行比較，判斷信息熵是否大于預設閾值；

若信息熵大于預設閾值時，則執行步驟s104；

步驟s104、判斷待測禽蛋為土禽蛋；

若否，則執行步驟s105；

步驟s105、判斷待測禽蛋混有圈養禽蛋。

需要說明的是，信息熵反映的是禽蛋顏色、禽蛋尺寸(禽蛋直徑、禽蛋高等)或其他特征信息分布的不確定程度；信息熵越大，不確定程度就越大，越能肯定為農家土禽蛋；信息熵越小，不確定程度越小，越能肯定為圈養禽蛋(非農家土禽蛋)；因此運用信息熵描述不確定性的性質，加上農家土禽蛋與圈養禽蛋信息不確定性的差別，可以到達識別的目的。在本發明中將信息熵設定一個閾值，當待測禽蛋的特征信息反映的信息熵大于閾值時，判斷為農家土禽蛋；當待測禽蛋的特征信息反映的信息熵小于閾值時，判斷為混有圈養禽蛋。

另外，本實施例中當禽蛋的數目很大，可以進行抽樣采集，即步驟s101中可以從大規模的禽蛋中，抽樣采集多個待測禽蛋的特征信息；當判斷出多個待測禽蛋是否為土禽蛋時，就可以推斷出大規模的禽蛋是否為土禽蛋。

可見，在本發明實施例提供的上述土禽蛋的識別方法中，首先采集多個待測禽蛋的特征信息；然后根據采集到的待測禽蛋的特征信息，計算出信息熵；最后將信息熵與預設閾值進行比較，若信息熵大于預設閾值時，判斷待測禽蛋為土禽蛋；若否，判斷待測禽蛋混有圈養禽蛋。這樣通過采集待測禽蛋的特征信息，引入不確定性數據的度量工具信息熵，并將其應用于農產品的識別領域，適合大規模、多批量整體操作，降低人工識別成本，并且可以克服人的經驗及主觀性帶來的誤差，遏制農產品流通環節“以次充好”的現象，促進行業的良性發展。

在具體實施時，在本發明實施例提供的上述土禽蛋的識別方法中，采用下述方式確定預設閾值：

首先，采集多個土禽蛋、圈養禽蛋的特征信息；

然后，根據采集到的土禽蛋、圈養禽蛋的特征信息，通過機器學習算法計算出標準信息熵，標準信息熵作為預設閾值。

以上方式通過采集大量土禽蛋、圈養禽蛋數據的基礎上，運用機器學習的方法得到預設閾值，能夠保證識別正確率高于人工經驗識別。

在具體實施時，在本發明實施例提供的上述土禽蛋的識別方法中，如圖2所示，采集多個待測禽蛋的特征信息，具體包括：

步驟s201、通過機器視覺技術采集多個待測禽蛋的特征信息。

優選地，在具體實施時，在本發明實施例提供的上述土禽蛋的識別方法中，當通過機器視覺技術采集多個待測禽蛋的特征信息時，特征信息可以包括顏色和尺寸中的至少一種。

當然，在具體實施時，在本發明實施例提供的上述土禽蛋的識別方法中，特征信息可以包括重量，此時使用重量傳感器等相關器件可以對待測禽蛋的重量進行測試，但成本相對較高。

在具體實施時，在本發明實施例提供的上述土禽蛋的識別方法中，如圖3所示，在采集多個待測禽蛋的顏色和尺寸之前，還包括：

步驟s301、將多個待測禽蛋放入包裝測試盒；包裝測試盒與待測禽蛋可以具有設定范圍的色差。

需要說明的是，包裝測試盒可以是特制的，這樣包裝測試盒顏色與待測禽蛋顏色相差較大時，可以降低禽蛋信息獲取難度，方便運用機器視覺技術識別禽蛋顏色，提高判斷識別效率，識別正確率遠高于人工經驗識別。

在具體實施時，在本發明實施例提供的上述土禽蛋的識別方法中，包裝測試盒具有陣列排布的多個孔，每個孔中放入一個待測禽蛋。

在具體實施時，在本發明實施例提供的上述土禽蛋的識別方法中，包裝測試盒可以具有排布方式為10×10個孔，孔的直徑尺寸可以設置為3cm，機器視覺技術使用的攝像頭像素可以設置在2592×1944以上，這樣方便運用機器視覺及時識別待測禽蛋的尺寸。

下面通過一個具體的實例，以“雞蛋”為例，對本發明實施例提供的上述土禽蛋的識別方法進行詳細的說明，具體步驟如下：

步驟一、將多個待測雞蛋放入包裝測試盒；包裝測試盒與待測雞蛋的色差較大；

步驟二、通過機器視覺技術采集多個待測雞蛋的顏色和尺寸；

步驟三、根據采集到的待測雞蛋的顏色和尺寸，計算出信息熵；

步驟四、將信息熵與預設閾值進行比較，若信息熵大于預設閾值時，判斷待測雞蛋為土雞蛋；若否，判斷待測雞蛋混有圈養雞蛋。

至此，經過實例提供的上述步驟一至步驟四識別出了待測雞蛋是否為土雞蛋。

相應的，本發明實施例還公開了一種土禽蛋的識別裝置，如圖4所示，包括：

采集模塊1，用于采集多個待測禽蛋的特征信息；

計算模塊2，用于根據采集到的待測禽蛋的特征信息，計算出信息熵；

比較模塊3，用于將信息熵與預設閾值進行比較，若信息熵大于預設閾值時，判斷待測禽蛋為土禽蛋；若否，判斷待測禽蛋混有圈養禽蛋。

在具體實施時，在本發明實施例提供的上述土禽蛋的識別裝置中，如圖4所示，還可以包括：

學習模塊4，用于采集多個土禽蛋、圈養禽蛋的特征信息；根據采集到的所述土禽蛋、圈養禽蛋的特征信息，通過機器學習算法計算出標準信息熵，所述標準信息熵作為預設閾值。

關于上述各個模塊以及上述識別裝置更加具體的工作過程可以參考前述實施例中公開的相應內容，在此不再進行贅述。

可見，本發明實施例提供的上述土禽蛋的識別方法及其識別裝置中，首先采集多個待測禽蛋的特征信息；然后根據采集到的待測禽蛋的特征信息，計算出信息熵；最后將信息熵與預設閾值進行比較，若信息熵大于預設閾值時，判斷待測禽蛋為土禽蛋；若否，判斷待測禽蛋混有圈養禽蛋。這樣通過采集待測禽蛋的特征信息，引入不確定性數據的度量工具信息熵，并將其應用于農產品的識別領域，適合大規模、多批量整體操作，降低人工識別成本，并且可以克服人的經驗及主觀性帶來的誤差，遏制農產品流通環節“以次充好”的現象，促進行業的良性發展。

最后，還需要說明的是，在本文中，諸如第一和第二等之類的關系術語僅僅用來將一個實體或者操作與另一個實體或操作區分開來，而不一定要求或者暗示這些實體或操作之間存在任何這種實際的關系或者順序。而且，術語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者設備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者設備所固有的要素。在沒有更多限制的情況下，由語句“包括一個……”限定的要素，并不排除在包括所述要素的過程、方法、物品或者設備中還存在另外的相同要素。

以上對本發明所提供的一種土禽蛋的識別方法及其識別裝置進行了詳細介紹，本文中應用了具體個例對本發明的原理及實施方式進行了闡述，以上實施例的說明只是用于幫助理解本發明的方法及其核心思想；同時，對于本領域的一般技術人員，依據本發明的思想，在具體實施方式及應用范圍上均會有改變之處，綜上所述，本說明書內容不應理解為對本發明的限制。