В настоящее время существует высокий спрос на птицеводческую продукцию. Выведение сельскохозяйственной птицы в промышленных масштабах возможно за счет применения искусственных инкубаторов. Важный фактор для выводимости яиц - предварительная оценка их пригодности к инкубации, а применение систем компьютерного зрения (СКЗ) позволит повысить точность данной оценки и исключить из процесса оценки погрешность, связанную с так называемым «человеческим фактором», результатом чего станет повышение их выводимости. Метод оценки пригодности яиц к инкубации посредством СКЗ не только точный, но и неинвазивный. Описана СКЗ для оценки качества куриных яиц. Сделан выбор аппаратных компонентов и программного обеспечения для разработки СКЗ. Написана управляющая программа для осуществления взаимодействия составных элементов СКЗ в рамках её функционала. В функционал СКЗ входят получение и обработка изображений, определение большого и малого диаметров яиц, вывод информации в текстовом виде. В статье проанализирована работа СКЗ при различных положениях анализируемых образцов. Проведено сравнение больших и малых диаметров яиц, измеренных механическим способом и посредством СКЗ. Средняя точность измерений составила 99,24%.
оценка качества, компьютерное зрение, классификации куриных яиц, микрокомпьютер, дисплей, контур яиц, детектирование, пиксели, измерения
1. A computer-vision aided Compton-imaging system for radioactive waste characterization and decommissioning of nuclear power plants / V. Babiano-Suárez, J. Balibrea-Correa, I. Ladarescu [et al.] // Nuclear Instruments and Methods in Physics Research Section A: Accelerators, Spectrometers, Detectors and Associated Equipment. 2025. V. 1076.https://doi.org/10.1016/j.nima.2025.170449 (дата обращения: 23.05.2025). DOI:https://doi.org/10.1016/j.nima.2025.170449( EDN: https://elibrary.ru/PFJEVN
2. Sustainable resource management in construction: Computer vision for recognition of electro-construction waste (ECW) / A. Senanayake, B. Gautam, Mehrtash Harandi [et al.] // Resources, Conservation and Recycling. 2025. V. 211.https://doi.org/10.1016/j.resconrec.2025.108380 (дата обращения: 23.05.2025). DOI:https://doi.org/10.1016/j.resconrec.2025.108380(
3. Senanayake A., Arashpour M. Automated Electro-construction waste Sorting: Computer vision for part-level segmentation // Waste Management. - 2025. V. 203.https://doi.org/10.1016/j.wasman.2025.114883 (дата обращения: 20.04.2025). DOI:https://doi.org/10.1016/j.wasman.2025.114883( EDN: https://elibrary.ru/QFRFCA
4. Song X. Emotional recognition and feedback of students in English e-learning based on computer vision and face recognition algorithms // Entertainment Computing. 2021. V. 92.https://doi.org/10.1016/j.compeleceng.2021.107128 (дата обращения: 23.04.2025). DOI:https://doi.org/10.1016/j.compeleceng.2021.107128(
5. Computer vision-based prototype robotic picking cum grading system for fruits / M.H. Dairath, M.W. Akram, K.A. Mehmood [et al.] // Smart Agricultural Technology. 2023. V. 4. EDN: https://elibrary.ru/HKLGEM
6. Development of an optimally designed real-time automatic citrus fruit grading-sorting machine leveraging computer vision-based adaptive deep learning model / S.K. Chakraborty, A. Subeesh, K. Dubey [et al.] // Engineering Applications of Artificial Intelligence. 2023. V. 120. EDN: https://elibrary.ru/XJNZAG
7. Wójcik S., Ciepiela F., Jakubowska M.Computer vision analysis of sample colors versus quadruple-disk iridium-platinum voltammetric e-tongue for recognition of natural honey adulteration // Measurement. 2023. V. 209.
8. Minz P.S., Saini C.S.Comparison of computer vision system and colour spectrophotometer for colour measurement of mozzarella cheese // Applied Food Research. 2021. V. 1. № 2. EDN: https://elibrary.ru/RFNIPA
9. Colour assessment of milk and milk products using computer vision system and colorimeter / B. Milovanovic, V. Tomovic, I. Djekic [et al.] // International Dairy Journal. 2021. V. 120. EDN: https://elibrary.ru/AIUPTJ
10. Harnsoongnoen S., Jaroensuk N. The grades and freshness assessment of eggs based on density detection using machine vision and weighing sensor // Sci Rep. 2021. V. 11.https://doi.org/10.1038/s41598-021-96140-x (дата обращения: 23.04.2025). DOI:https://doi.org/10.1038/s41598-021-96140-x( EDN: https://elibrary.ru/SRQGKJ
11. A Computer Vision-Based Automatic System for Egg Grading and Defect Detection / X. Yang, R.B. Bist, S. Subedi [et al.] // Animals. 2023. V. 13. P. 23-54.https://doi.org/10.3390/ani13142354 (дата обращения: 23.05.2025). DOI:https://doi.org/10.3390/ani13142354( EDN: https://elibrary.ru/FULYEC
12. Non-destructive detection of pre-incubated chicken egg fertility using hyperspectral imaging and machine learning / A. Wadud, S. Asher, L.E. Jason [et al.] // Smart Agricultural Technology. 2025. V. 10.https://doi.org/10.1016/j.atech.2025.100857 (дата обращения: 03.03.2025). DOI:https://doi.org/10.1016/j.atech.2025.100857(
13. Shofan S., Rafał D. Non-Destructive Egg Fertility Detection in Incubation Using SVM Classifier Based on GLCM Parameters // Procedia Computer Science. 2022. V. 207. P. 3254-3263.https://doi.org/10.1016/j.procs.2022.09.383 (дата обращения: 03.05.2025). DOI:https://doi.org/10.1016/j.procs.2022.09.383( EDN: https://elibrary.ru/NTFETL
14. CVAE-DF: A hybrid deep learning framework for fertilization status detection of pre-incubation duck eggs based on VIS/NIR spectroscopy / D. Wang, Q. Wang, Z. Chen [et al.] // Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy. 2024. V. 320.https://doi.org/10.1016/j.saa.2024.124569 (дата обращения: 23.04.2025). DOI:https://doi.org/10.1016/j.saa.2024.124569( EDN: https://elibrary.ru/SADYCO
15. Digital imaging assisted geometry of chicken eggs using Hügelschäffer's model / V.G. Narushin, M.N. Romanov, G. Lu [et al.] // Biosystems Engineering. 2020. V. 197. P. 45-55.https://doi.org/10.1016/j.biosystemseng.2020.06.008 (дата обращения: 13.04.2025). DOI:https://doi.org/10.1016/j.biosystemseng.2020.06.008( EDN: https://elibrary.ru/MOKAEO
16. Crack Detection on Duck Eggs Using CNN / R.G. Caballero, J.R. Gucor, R.D.P. Talledo [et al.] // Procedia Computer Science. 2025. V. 257. P. 631-636.https://doi.org/10.1016/j.procs.2025.03.081 (дата обращения: 23.05.2025). DOI:https://doi.org/10.1016/j.procs.2025.03.081( EDN: https://elibrary.ru/YSESPI
17. Eggshell biometrics for individual egg identification based on convolutional neural networks / Z. Chen, P. He, Y. He [et al.] // Poultry Science. 2023. V. 102. № 4.https://doi.org/10.1016/j.psj.2023.102540 (дата обращения: 20.04.2025). DOI:https://doi.org/10.1016/j.psj.2023.102540(
18. Nakaguchi V.M., Abeyrathna R.M.R.D., Ahamed T. Development of a new grading system for quail eggs using a deep learning-based machine vision system // Computers and Electronics in Agriculture. 2024. V. 226.https://doi.org/10.1016/j.compag. 2024.109433 (дата обращения: 23.05.2025). DOI:https://doi.org/10.1016/j.compag.2024.109433( EDN: https://elibrary.ru/XSDACM
19. Victor Massaki Nakaguchi, R.M. Rasika D. Abeyrathna, Tofael Ahamed, Development of a new grading system for quail eggs using a deep learning-based machine vision system.Computers and Electronics in Agriculture, Volume 226,2024,109433,ISSN 0168 1699.https://doi.org/10.1016/j.compag.2024.109433. (дата обращения: 10.05.2025). DOI:https://doi.org/10.1016/j.compag.2024.109433.(
20. Eggshell biometrics for individual egg identification based on convolutional neural networks / Chen Zhonghao, He Pengguang, He Yefan [et al.] Poultry Science, Volume 102, Issue 4,2023,102540,ISSN 0032-5791.https://doi.org/10.1016/j.psj.2023.102540 (дата обращения: 23.05.2025). DOI:https://doi.org/10.1016/j.psj.2023.102540(
21. Обзор методов машинного обучения и компьютерного зрения в технологии инкубации яиц сельскохозяйственных птиц / Г.С. Ширманова, Е.Н. Неверов, Е.В. Николаева [и др.] // Вестник АПК Верхневолжья. 2024. № 4 (68). С. 92-99. URL: https://www.yaragrovuz.ru/images/Vestnik_APK/vapk2024468.pdf (дата обращения: 20.04.2025). EDN: https://elibrary.ru/SRLWTK
