基于机器视觉与YOLO v5的裂纹蛋分拣机器人设计与试验

doi:10.12398/j.issn.2096-7217.2025.01.004

智能化农业装备学报（中英文） ›› 2025, Vol. 6 ›› Issue (1): 41-50.DOI: 10.12398/j.issn.2096-7217.2025.01.004

基于机器视觉与YOLO v5的裂纹蛋分拣机器人设计与试验

蔡家一¹(), 刘世伟¹(), 单龙祥¹, 刘勇¹, 沈红怡¹, 王巧华¹^,²

^1.华中农业大学工学院，湖北武汉，430070
^2.农业农村部长江中下游农业装备重点实验室，湖北武汉，430070

收稿日期:2024-02-01 修回日期:2024-04-04 出版日期:2025-02-15 发布日期:2025-02-15
通讯作者: 刘世伟
作者简介:蔡家一，男，2002年生，浙江台州人，硕士研究生；研究方向为机器视觉与算法优化。E-mail： jycai@webmail.hzau.edu.cn
基金资助:
国家自然科学基金(52005203);中央高校基本科研业务费专项基金(2662022GXQD002);电磁能技术全国重点实验室基金(61422172220507);湖北省大学生创新创业训练项目(S202310504167)

Design and experiment of cracked egg sorting robot based on machine vision and YOLO v5

CAI Jiayi¹(), LIU Shiwei¹(), SHAN Longxiang¹, LIU Yong¹, SHEN Hongyi¹, WANG Qiaohua¹^,²

^1.College of Engineering，Huazhong Agricultural University，Wuhan 430070，China
^2.Key Laboratory of Agricultural Equipment in Mid-lower Yangtze River，Ministry of Agriculture and Rural Affairs，Wuhan 430070，China

Received:2024-02-01 Revised:2024-04-04 Online:2025-02-15 Published:2025-02-15
Contact: LIU Shiwei
About author:CAI Jiayi， E-mail： jycai@webmail.hzau.edu.cn
Supported by:
National Natural Science Foundation of China(52005203);Fundamental Research Funds for the Central Universities(2662022GXQD002);National Key Laboratory of Electromagnetic Energy Technology Fund(61422172220507);Provincial Innovation and Entrepreneurship Training Program for Undergraduate(S202310504167)

摘要/Abstract

摘要：

随着我国国民生活水平的提高，消费者对于蛋品的品质要求愈发提高。裂纹蛋的检测是蛋品在装箱出厂之前的重要环节。为解决人工分拣裂纹蛋品劳动强度高、工作量大等问题，设计了一种基于机器视觉与YOLO v5的裂纹蛋品分拣机器人。首先，通过逆运动学解算得到机械臂各舵机的转角并转换成PWM占空比，实现对三轴串联机械臂的控制；其次，利用高清120°广角摄像头作为图像采集核心，快速获取蛋品表面图像信息并对所采集的1 000张图像进行数据标注；随后，分别训练不同梯度下降批次大小下的YOLO v5模型，其中梯度下降批次大小为8的模型拥有最高的mAP，其值为98.92%；最后，在机械臂上位机主板调用该模型，对正常蛋品与裂纹蛋品进行识别判断后，开启机械臂分拣行程；此外，蛋品分拣机器人的末端拣拾机构为气动吸盘，该吸盘挂载于机械臂上，以实现对蛋品的无损吸取。经测试，该机器人对裂纹蛋品和正常蛋品的识别准确率分别达到93.33%和99.17%，平均分拣成功率达94.34%，平均分拣速率为7.55 s/个，基本满足要求。研究成果可为裂纹蛋品的筛选工作提供技术支持，为蛋品的裂纹检测与分拣提供解决方案，具有较高的现实意义。

关键词: 裂纹蛋品, YOLO v5, 机器视觉, 三轴机械臂, 智能分拣

Abstract:

With the improvement of our national living standard， consumers have higher requirements for the quality of eggs. The detection of cracked eggs is an important step before packing eggs. In order to solve the problems of high labor intensity and heavy workload in manual sorting of cracked eggs， a cracked egg sorting robot based on machine vision and YOLO v5 was designed. Firstly， the rotation Angle of each steering gear of the manipulator was obtained by inverse kinematics and converted into PWM duty cycle to realize the control of the three-axis series manipulator. Secondly， a high-definition 120° wide-angle camera was used as the image acquisition core to quickly acquire the image information of egg surface and label the 1 000 images collected. YOLO v5 models with different gradient descent batch sizes were then trained respectively，among which the model with gradient descent batch size of 8 had the highest mAP with a value of 98.92%. Finally， the model was called on the main board of the upper computer of the mechanical arm， and after the recognition and judgment of normal eggs and cracked eggs， the sorting stroke of the mechanical arm was started. In addition， the end pickup mechanism of the egg sorting robot was a pneumatic suction cup， which was mounted on the mechanical arm to achieve non-destructive absorption of eggs. The test results showed that the robot can identify the two kinds of eggs with the accuracy of 93.33% and 99.17% respectively， the average success rate of sorting is 94.34%， and the average sorting rate was 7.55 s/egg， which basically met the requirements. The research results can provide technical support for the screening of cracked eggs， and provide solutions for crack detection and sorting of eggs， which has high practical significance.

Key words: cracked egg, YOLO v5, machine vision, three-axis mechanical arm, intelligent sorting

中图分类号:

蔡家一, 刘世伟, 单龙祥, 刘勇, 沈红怡, 王巧华. 基于机器视觉与YOLO v5的裂纹蛋分拣机器人设计与试验[J]. 智能化农业装备学报（中英文）, 2025, 6(1): 41-50.

CAI Jiayi, LIU Shiwei, SHAN Longxiang, LIU Yong, SHEN Hongyi, WANG Qiaohua. Design and experiment of cracked egg sorting robot based on machine vision and YOLO v5[J]. Journal of Intelligent Agricultural Mechanization, 2025, 6(1): 41-50.

图/表 21

图1 蛋品分拣机器人系统整体结构1.气泵2.机械臂主体　3.单目相机　4.气动吸盘5.机身底座　6.机械臂承轴　7.总线串行舵机

Figure 1 Structure of the egg sorting robot system

图2 蛋品分拣机器人结构框图

Figure 2 Block diagram of the structure of the egg sorting robot

表1 HTS-35H总线电机产品参数

Table 1 Parameters of bus motor HTS-35H

指标名称	参数
工作电压/V	9~12.6
转动速度/（sec/60°）	0.18(11.1 V)
堵转扭矩/(kg·cm)	35(11.1 V)
转动范围/(°)	0~240
舵机精度/(°)	0.2
控制方式	UART串口指令

图3 机械臂左侧结构简图

Figure 3 Schematic diagram of the left side structure of the robot

图4 逆运动学几何分析法简化图

Figure 4 Simplified diagram of inverse kinematic geometric analysis

图5 机械臂右侧结构简图

Figure 5 Schematic diagram of the right side structure of the robot arm

图6 机械臂几何分析法示意图

Figure 6 Schematic diagram of geometric analysis of the robot arm

图7 机械臂俯视结构简图

Figure 7 Structure diagram of the robot arm overlooking

图8 蛋品目标检测流程图

Figure 8 Flow chart of egg target detection

图9 YOLO v5模型结构图

Figure 9 YOLO v5 model structure

图10 Labelimg标注界面图

Figure 10 Label interface of Labelimg

图11 模型训练流程图

Figure 11 Flow chart of model training

表2 不同梯度下降批次大小模型的mAP

Table 2 mAPs of different gradient descent Batch_size models

Batch_size	2	4	8
mAP/%	95.68	98.64	98.92

图12 混淆矩阵

Figure 12 Confusion matrix

图13 F1 score曲线

Figure 13 F1 score curves

图14 各类损失函数图

Figure 14 Diagram of various loss functions

图15 识别精度测试试验装置

Figure 15 Device of identification accuracy test experiment

图16 蛋品识别效果对比图

Figure 16 A comparison of egg recognition results

表3 裂纹蛋品识别准确率测试结果

Table 3 Test results of cracked eggs recognition accuracy

蛋品种类	环境光强度	数量 $×$ 试验次数	正确识别数/个	识别准确率/%	漏检率/%	误检率/%
裂纹蛋	较强	15×8	107	89.17	1.67	9.17
裂纹蛋	较弱	15×8	112	93.33	1.67	5.00
正常蛋	较强	15×8	115	95.83	3.33	0.83
正常蛋	较弱	15×8	119	99.17	0.83	0

表3 裂纹蛋品识别准确率测试结果

Table 3 Test results of cracked eggs recognition accuracy

蛋品种类	环境光强度	数量 $×$ 试验次数	正确识别数/个	识别准确率/%	漏检率/%	误检率/%
裂纹蛋	较强	15×8	107	89.17	1.67	9.17
裂纹蛋	较弱	15×8	112	93.33	1.67	5.00
正常蛋	较强	15×8	115	95.83	3.33	0.83
正常蛋	较弱	15×8	119	99.17	0.83	0

图17 分拣性能测试环境

Figure 17 Test environment of sorting performance

表4 裂纹蛋品分拣性能测试结果

Table 4 Test results of cracked eggs sorting performance

蛋品种类

数量 $×$

试验次数

表4 裂纹蛋品分拣性能测试结果

Table 4 Test results of cracked eggs sorting performance

蛋品种类

数量 $×$

试验次数

蛋品分拣速率/(s·个^-1)

分拣成功率/%

蛋品漏拣率/%

蛋品误拣率/%

裂纹蛋

15×10

7.65

92.00

3.33

4.67

正常蛋

15×10

7.45

96.67

2.00

1.33

总平均值

7.55

94.34

2.67

3.00

参考文献 20

1	赵芳，郝莉花，吕尊严，等. 2019—2021年全国食品安全监督抽检中鲜蛋抽检情况及分析［J］. 保鲜与加工， 2023， 23（6）： 67-72.
	ZHAO Fang， HAO Lihua， Zunyan LÜ， et al. Sampling inspection and analysis of fresh eggs in the national food safety supervision and sampling inspection from 2019 to 2021 ［J］. Storage and Process， 2023， 23（6）： 67-72.
2	关心慧，郑君杰，方芳，等. 基于抽检数据的北京市鸡蛋安全状况分析与对策探析［J］. 中国畜牧杂志， 2023， 59（6）： 321-325.
3	梁丹，李平，梁冬泰，等. 基于机器视觉的鸡蛋内外品质一体化检测与分级系统［J］. 中国食品学报， 2020， 20（11）： 247-254.
	LIANG Dan， LI Ping， LIANG Dongtai， et al. Integrated inspecting and grading system of the egg quality based on machine vision ［J］. Journal of Chinese Institute of Food Science and Technology， 2020， 20（11）： 247-254.
4	熊利荣，王树才. 基于机器视觉的鸭蛋裂纹自动检测［J］. 湖北农业科学， 2009， 48（12）： 3152-3154.
	XIONG Lirong， WANG Shucai. Automatic detection of duck egg cracks based on machine vision ［J］. Hubei Agricultural Sciences， 2009， 48（12）： 3152-3154.
5	潘磊庆，屠康，苏子鹏，等. 基于计算机视觉和神经网络检测鸡蛋裂纹的研究［J］. 农业工程学报， 2007， 23（5）： 154-158.
	PAN Leiqing， TU Kang， SU Zipeng， et al. Crack detection in eggs using computer vision and BP neural network ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2007， 23（5）： 154-158.
6	李竞. 基于机器视觉的鸭蛋蛋壳检测系统［D］. 长沙：中南大学， 2013.
	LI Jing. System for duck-egg shell crack detection based on machine vision ［D］. Changsha： Central South University， 2013.
7	肖旺. 基于深度学习的禽蛋缺陷识别与检测研究［D］. 广州：广东工业大学， 2022.
	XIAO Wang. Research on egg defect recognition and detection based on deep learning ［D］.Guangzhou： Guangdong University of Technology， 2022.
8	ELSTER R T， GOODRUM J W. Detection of cracks in eggs using machine vision ［J］. Acta Crystallographica， 1991， 34（1）： 307-312.
9	OMID M， SOLTANI M， DEHROUYEH M H， et al. An expert egg grading system based on machine vision and artificial intelligence techniques ［J］. Journal of Food Engineering， 2013， 118（1）： 70-77.
10	NASIRI A， OMID M， TAHERI-GARAVAND A. An automatic sorting system for unwashed eggs using deep learning ［J］. Journal of Food Engineering， 2020， 283（1）： 110036.
11	POURREZA H R， POURREZA R S， FAZELI S， et al. Automatic detection of eggshell defects based on machine vision ［J］. Journal of Animal and Veterinary Advances， 2008， 7（10）： 1200-1203.
12	ARIVAZHAGAN S， SHEBIAH R N， SUDHARSAN H， et al. External and internal defect detection of egg using machine vision ［J］. Journal of Emerging Trends in Computing and Information Sciences， 2013， 4（3）： 257-262.
13	TURKOGLU M. Defective egg detection based on deep features and Bidirectional Long-Short-Term-Memory ［J］. Computers and Electronics in Agriculture， 2021， 185： 106152.
14	陈明猷，罗陆锋，刘威，等. 采摘机器人全果园视觉感知及自主作业综述［J］. 智慧农业（中英文）， 2024， 6（5）： 20-39.
	CHEN Mingyou， LUO Lufeng， LIU Wei， et al. Orchard-wide visual perception and autonomous operation of fruit picking robots： A review ［J］. Smart Agriculture， 2024， 6（5）： 20-39.
15	李培艺，汪小旵，王延鑫，等. 基于LiDAR多维点云优化的垄作菊花采摘机器人自主导航方法研究［J］. 南京农业大学学报， 2024， 47（4）： 809-822.
	LI Peiyi， WANG Xiaochan， WANG Yanxin， et al. Autonomous navigation system for chrysanthemum picking robot based on LiDAR multidimensional point cloud optimization ［J］． Journal of Nanjing Agricultural University， 2024， 47（4）： 809-822．
16	冷舒，吴克，居鹤华. 机械臂运动学建模及解算方法综述［J］. 宇航学报， 2019， 40（11）： 1262-1273.
	LENG Shu， WU Ke， JU Hehua. Overview of manipulator kinematics modeling and solving method ［J］. Journal of Astronautics， 2019， 40（11）： 1262-1273.
17	赵一名，沈明霞，刘龙申，等. 基于改进YOLO v5s和图像融合的笼养鸡死鸡检测方法研究［J］. 南京农业大学学报， 2024， 47（2）： 369-382.
	ZHAO Yiming， SHEN Mingxia， LIU Longshen， et al. study on the method of detecting dead chickens in caged chicken based on improved YOLO v5s and image fusion ［J］. Journal of Nanjing Agricultural University， 2024， 47（2）： 369-382.
18	REDMON J， DIVVALA S， GIRSHICK R， et al. You only look once： Unified， real-time object detection ［C］∥IEEE Conference on Computer Vision and Patten Recognition. Las Vegas： IEEE， 2016： 779-788.
19	商枫楠，周学成，梁英凯，等. 基于改进YOLOX的自然环境中火龙果检测方法［J］. 智慧农业（中英文）， 2022， 4（3）： 120-131.
	SHANG Fengnan， ZHOU Xuecheng， LIANG Yingkai， et al. Detection method for dragon fruit in natural environment based on improved YOLOX ［J］. Smart Agriculture， 2022， 4（3）： 120-131.
20	祝志慧，何昱廷，李沃霖，等. 基于改进YOLOv7模型的复杂环境下鸭蛋识别定位［J］. 农业工程学报， 2023， 39（11）： 274-285.
	ZHU Zhihui， HE Yuting， LI Wolin， et al. Improved YOLOv7 model for duck egg recognition and localization in complex environments ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2023， 39（11）： 274-285.

[1]	陈旭, 何勋, 朱晨辉, 王宝山, 王万章. 谷物联合收获机喂入量检测技术研究现状与发展趋势[J]. 智能化农业装备学报（中英文）, 2025, 6(1): 71-80.
[2]	白振伟, 严富威, 袁培海, 张浩明, 杨润树. 基于嵌入式机器视觉智能果实分拣机器人设计与试验[J]. 智能化农业装备学报（中英文）, 2023, 4(3): 61-70.
[3]	程振, 宋井玲, 徐洪岑, 张明亮. 基于机器视觉的蒜种智能定向技术综述[J]. 智能化农业装备学报（中英文）, 2023, 4(2): 63-70.
[4]	孟志军, 颜丙新, 尹彦鑫, 王侨, 刘卉, 凌琳. 非结构农田环境机器视觉障碍物检测方法[J]. 智能化农业装备学报（中英文）, 2021, 2(2): 1-6.

基于机器视觉与YOLO v5的裂纹蛋分拣机器人设计与试验

Design and experiment of cracked egg sorting robot based on machine vision and YOLO v5

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 21

参考文献 20

相关文章 4

编辑推荐

Metrics

本文评价