本技術屬于缺陷檢測，具體涉及一種基于msfe-yolo的禽類種蛋外殼缺陷檢測方法及系統(tǒng)。

背景技術：

1、禽類種蛋外殼是種蛋孵化的首要屏障，具有維持蛋內物質穩(wěn)定性、阻隔外界微生物入侵、確保營養(yǎng)成分完整等重要功能。蛋殼裂紋、污斑、鈣化不均等表面缺陷直接關聯(lián)蛋品存儲安全性與商業(yè)流通合格率。目前，傳統(tǒng)缺陷篩選方法主要依賴于人工觀察，不僅效率低下，且易受主觀因素影響。開發(fā)自動化缺陷檢測技術為禽類養(yǎng)殖企業(yè)提供實時質量監(jiān)控方案，以減少農產品損耗，具有重要的民生價值與經濟意義。當前，基于圖像識別的蛋殼缺陷無損檢測技術已成為學者們研究的熱點方向。

2、常見的禽類種蛋外殼缺陷主要包括裂紋、裂縫以及破損等，缺陷占整體像素比例較小，屬于典型的小目標檢測問題。yolov8采用的pan-fpn結構結合了特征金字塔網(wǎng)絡（fpn）和路徑聚合網(wǎng)絡（panet）的優(yōu)勢。fpn通過自頂向下的策略整合多層級特征，增強了上下文信息捕捉能力，而panet進一步引入自底向上的路徑聚合機制，提升了淺層特征的利用效率，在小目標數(shù)據(jù)集上展現(xiàn)出良好的檢測性能。

3、yolov8算法根據(jù)其骨干網(wǎng)絡的設計深度和寬度，分為n、s、m、l、x多個版本，可以通過調節(jié)參數(shù)切換模型大小。隨著深度和寬度的提高，算法的檢測精度也會隨之提升，但與此同時帶來的巨大參數(shù)量以及計算開銷同樣不容忽視。yolov8s為yolov8算法參數(shù)倒數(shù)第二小的版本，yolov8s算法的參數(shù)量較小，適合實際部署應用，但其在禽類種蛋缺陷數(shù)據(jù)集上的檢測精度仍需進一步提升。

4、因此研發(fā)一種在檢測精度與計算開銷之間具有較好的平衡，并能夠在種蛋缺陷檢測任務中取得較好效果的方法很有市場前景。

技術實現(xiàn)思路

1、本技術的目的是為了解決現(xiàn)有技術的問題，提供了一種基于msfe-yolo的禽類種蛋外殼缺陷檢測方法及系統(tǒng)，該系統(tǒng)將深度學習算法與嵌入式設備相結合，實現(xiàn)從圖像獲取到缺陷識別的一體化檢測，適用于針對禽類種蛋外殼缺陷的小目標檢測場景，兼顧檢測精度及計算開銷，在禽類種蛋篩選場景中獲得了良好的檢測效果。

2、為了解決技術問題，本技術的技術方案是：一種基于msfe-yolo的禽類種蛋外殼缺陷檢測方法，包括以下步驟：

3、步驟1：采集禽類種蛋外殼缺陷圖像，包括裂紋、裂縫以及破損缺陷；

4、步驟2：對采集到的禽類種蛋外殼缺陷圖像進行預處理及數(shù)據(jù)標注，得到最終的禽類種蛋外殼缺陷數(shù)據(jù)集；

5、步驟3：將禽類種蛋外殼缺陷數(shù)據(jù)集輸入到改進msfe-yolo網(wǎng)絡模型中進行訓練，通過損失函數(shù)對改進msfe-yolo網(wǎng)絡模型的參數(shù)進行優(yōu)化，得到訓練好的缺陷檢測模型；

6、所述改進msfe-yolo網(wǎng)絡模型包括骨干網(wǎng)絡、特征融合網(wǎng)絡和檢測頭，骨干網(wǎng)絡的特征提取流程依次為第一cbs、第二cbs、第一c2f-adem、第三cbs、第二c2f-adem、第四cbs、第三c2f-adem、第五cbs、第四c2f-adem和sppf，特征融合網(wǎng)絡為改進mffn特征融合網(wǎng)絡，改進mffn特征融合網(wǎng)絡中的spdconv連接第二cbs的輸出，spdconv的輸出連接第二concat，第二c2f-adem的輸出也連接第二concat，sppf的輸出連接第一upsample，第一upsample的輸出連接第一concat；第三c2f-adem的輸出也連接第一concat，第一concat通過第五c2f-adem和第二upsample的輸出連接第二concat，第二concat的輸出連接大尺度卷積層conv，第五c2f-adem的輸出連接第三concat，sppf的輸出還連接第四concat，大尺度卷積層conv、第三concat和第四concat的輸出分別連接檢測頭；

7、步驟4：利用訓練好的缺陷檢測模型對待檢測禽類種蛋外殼圖像進行檢測，檢測是否存在相關缺陷，得出檢測結果；

8、步驟5：根據(jù)檢測結果，利用二指夾爪夾取缺陷種蛋，實現(xiàn)缺陷種蛋與完好種蛋的實時分流。

9、優(yōu)選的，所述步驟1具體為：利用攜帶環(huán)形lcd光源模組的高清相機獲取高質量禽類種蛋外殼缺陷圖像，調整高清相機位姿，使高清相機的光軸與光源入射角呈諾曼系數(shù)關系，規(guī)避鏡面反射。

10、優(yōu)選的，所述步驟2中預處理包括幾何校正、去噪和均衡，具體過程為：首先對禽類種蛋外殼缺陷圖像進行幾何校正，以消除拍攝角度導致的形變；其次采用高斯濾波或中值濾波進行去噪處理，減少高頻噪聲對改進msfe-yolo網(wǎng)絡模型學習的干擾；最后將禽類種蛋外殼缺陷圖像統(tǒng)一縮放至改進msfe-yolo網(wǎng)絡模型的輸入尺寸，并進行歸一化處理。

11、優(yōu)選的，所述步驟3中第一c2f-adem、第二c2f-adem、第三c2f-adem和第四c2f-adem的模塊結構相同，均是將輸入特征通過1×1cbs卷積層，隨后將輸出特征在通道維度上分割為兩部分，其中一部分經過adem模塊，另一部分保持原有特征，隨后將兩條分支輸出結果在通道維度上進行拼接，最后通過1×1cbs卷積層后輸出特征。

12、優(yōu)選的，所述adem模塊將輸入特征首先輸入條件卷積，隨后通過通道分割為兩部分，其中一部分通過細節(jié)增強卷積和逐點卷積，隨后與另一部分直接在特征維度進行特征拼接，最后通過通道混洗后輸出特征。

13、優(yōu)選的，所述步驟3中檢測頭采用anchor-free檢測機制，由三個檢測頭分別在三個不同尺度的特征圖上進行檢測，輸出五個物理量：預測類別、預測框中心點x、y坐標、預測框的寬和高。

14、優(yōu)選的，所述步驟3中將禽類種蛋外殼缺陷數(shù)據(jù)集按照7:2:1的比例劃分為訓練集、驗證集以及測試集，輸入到改進msfe-yolo網(wǎng)絡模型中進行訓練。

15、優(yōu)選的，所述步驟3中損失函數(shù)包括分類損失函數(shù)、邊界框損失函數(shù)以及置信度損失函數(shù)三部分；

16、所述邊界框損失函數(shù)采用 n-ciou損失函數(shù)， n-ciou損失函數(shù)的表達式為：

17、；

18、其中：

19、 l n-ciou表示 n-ciou損失；

20、 niou表示 n-iou所提出的交并比損失；

21、表示 ciou的邊界框損失；其中表示預測框和真實框中心點之間的歐幾里得距離的平方，用于衡量兩個框中心點的位置差異； a作為平衡因子用于調整形狀相似懲罰項的權重； v表示預測框和真實框的長寬比差異的度量；

22、所述 n-ciou所提出的交并比損失 niou表達式為：

23、；

24、其中：

25、 inter表示真實框與預測框區(qū)域間的并集；

26、 union表示真實框與預測框區(qū)域間的交集；

27、 n表示可調參數(shù)。

28、優(yōu)選的，一種基于msfe-yolo的禽類種蛋外殼缺陷檢測系統(tǒng)，該系統(tǒng)包括：

29、圖像采集裝置，通過高清相機獲取高質量禽類種蛋外殼缺陷圖像；

30、光照增強裝置，通過環(huán)形lcd對禽類種蛋外殼補光，增強禽類種蛋外殼缺陷圖像的可識別性；

31、數(shù)據(jù)傳輸模塊，通過wi-fi傳輸實現(xiàn)高清相機與嵌入式設備間的禽類種蛋外殼缺陷圖像傳輸；

32、缺陷檢測模塊，通過在嵌入式設備內部署改進msfe-yolo網(wǎng)絡模型實現(xiàn)對輸入待檢測禽類種蛋外殼圖像的自動檢測；

33、種蛋夾取裝置，利用二指夾爪夾取缺陷種蛋，實現(xiàn)種蛋實時分類。

34、與現(xiàn)有技術相比，本技術的優(yōu)點在于：

35、（1）本技術提出了一種基于msfe-yolo的禽類種蛋外殼缺陷檢測方法及系統(tǒng)，通過圖像采集裝置、光照增強裝置、數(shù)據(jù)傳輸模塊以及缺陷檢測模塊構成完整的檢測系統(tǒng)，實現(xiàn)從圖像獲取到缺陷識別的一體化檢測，在禽類種蛋外殼缺陷檢測應用中可有效代替現(xiàn)有的人工檢測方法，提高禽類種蛋質量篩選的自動化水平；

36、（2）本技術改進msfe-yolo網(wǎng)絡模型中的adem模塊通過引入條件卷積與細節(jié)增強卷積為每個輸入特征生成條件向量，并利用該向量動態(tài)調整多個基礎卷積核的權重組合，使cbs卷積層能夠適應不同禽類種蛋外殼缺陷樣本的特征需求，提升模型的靈活性和表達能力；

37、（3）本技術改進msfe-yolo網(wǎng)絡模型中的mffn特征融合網(wǎng)絡基于pan-fpn架構對yolov8特征融合網(wǎng)絡進行改進，采用spdconv對第二cbs的輸出進行下采樣，將輸出結果與p3層進行融合，以增強對大尺度特征圖中細節(jié)信息的關注；

38、（4）本技術改進msfe-yolo網(wǎng)絡模型設計了c2f-adem模塊，并構建了mffn多尺度特征融合網(wǎng)絡，提升特征提取和特征融合效果的同時極大地降低了參數(shù)量，可在檢測精度與計算開銷之間取得了較好的平衡。