智能燕窝挑拣机

核心目标

开发一套高度自动化、智能化的燕窝挑拣系统，利用先进AI视觉技术替代或大幅辅助传统人工挑毛工序，提升挑拣效率、纯净度一致性、降低人工依赖与成本，并满足食品卫生安全标准。

关键硬件需求

高精度成像系统：

多角度/多光谱工业相机阵列：配备高分辨率(如1200万像素以上)、高速全局快门CMOS传感器，覆盖可见光及特定近红外波段，捕捉燕窝表面及内部结构的细微特征。

精密可控光源系统：提供均匀、可调亮度、多角度(同轴光、环形光、背光等)且无影的照明环境，优化不同杂质(绒毛、蛋壳、异物)与燕窝基质的对比度。

稳定传输平台：高精度伺服电机驱动的传送带或机械臂夹具，实现燕窝的平稳、精确定位和可控移动，适应不同形态(盏、条、碎)。

执行机构：

高速高精度多轴机械臂/Delta机器人：配备微力反馈及柔性末端执行器(如真空吸嘴、微镊)，能根据AI指令精确、轻柔地移除杂质而不损伤燕丝。

智能分选装置：根据挑拣结果(纯净度等级、杂质类型)，将燕窝自动分类至不同收集区。

主控与集成：

工业级工控机(IPC)：强大的CPU/GPU算力，支撑实时AI视觉处理与运动控制。

传感器网络：集成位置、重量、压力等传感器，确保过程可控与安全。

食品级材料与封闭/洁净设计：符合HACCP/GMP要求，易于清洁消毒，防止交叉污染。

核心AI视觉识别软件需求

深度学习模型：

目标检测与分割： 基于CNN架构(如YOLO-v8, Mask R-CNN, U-Net变体)，精确识别并像素级分割出各类杂质(燕毛、细小绒毛、蛋壳碎片、木屑、其他异物)和燕窝主体结构(盏身、底座、燕角)。

多类别分类： 区分杂质类型、燕窝部位、纯净度等级。

鲁棒性与泛化： 模型需能适应不同产地、季节、颜色、干湿度、形态的燕窝原料，以及不同光照条件、杂质附着状态的微小变化。具备在线学习/增量学习能力以持续优化。

实时图像处理引擎：

高速预处理：图像去噪、增强、畸变校正、背景分割。

实时推理：模型部署优化(TensorRT, ONNX Runtime等)，确保单次挑拣周期内完成图像采集、分析、决策。

三维定位与姿态估计：精确计算杂质在三维空间中的位置、大小和方向，指导机械臂精准操作。

智能决策与控制：

路径规划算法：为机械臂生成最优、无碰撞、高效的杂质移除路径序列。

挑拣策略引擎：基于杂质