禽蛋裂纹检测技术进展

姓名：xxx学号：xxx据统计，破损蛋和裂纹蛋占产蛋总量的6%以上，禽蛋蛋壳破损检测对于新鲜蛋、种蛋和蛋制品都极为重要。鲜食蛋：禽蛋出现破损后，禽蛋内容物无法得到有效保护，微生物会侵入禽蛋内部，随着储藏期的延长加速变质，会产生较大的食品安全问题，且从破损处流出的内容物会污染其他禽蛋。种蛋：蛋壳破损会造成孵化过程中水分过度蒸发，增加了胚胎的死亡率，且会发生种蛋爆裂，污染其他种蛋，因此需要对出现裂纹的种蛋采取进一步处理以保证孵化质量;蛋制品：破损禽蛋内部极易在腌制环境中被有害菌侵入、繁殖，不仅其本身失去了食用价值，而且会污染腌制环境，对其他禽蛋产生交叉感染。一方面破损和裂纹禽蛋的及时检出有利于提高鲜蛋的可食率、种蛋的孵化率以及蛋制品品质；另一方面对蛋壳强度的预测可避免生产、加工和销售过程中由于过载产生二次损伤。目前禽蛋蛋壳品质的检测仍以人工检测为主，人工检测较为费时费力，效率低，而且对检测人员的身体条件和技术有较高的要求。随着禽蛋生产和加工各个环节自动化程度不断提高，传统的手工检测与破坏性抽检方法难以满足实际应用，快速、无损、精确的检测方法更加适合现代农业化发展的需求。产生了禽蛋蛋壳检测的新技术红外光谱技术机器视觉检测技术敲击振动技术机器视觉检测技术主要通过分析禽蛋表面的颜色特征识别鸡蛋表面的裂纹，当禽蛋表面出现裂纹后会破坏其表面纹理特征，在外界光照条件下裂纹部位的反射、折射出现差异性，可通过数字图像处理方法识别。机器视觉检测技术具有全面、直观反应蛋壳信息的优点。机器视觉检测裂纹的步骤1.获取禽蛋图像2.处理和分析禽蛋图像3.建立禽蛋裂纹识别模式一个典型的禽蛋视觉识别系统系统包括：光源、相机、暗室、图像处理平台、数据传输模块等。大多数学者通过采集多幅图像，并采用较为复杂的图像处理方法以克服表面反光差异和污渍所引起的干扰。潘磊庆等通过所采集的鸡蛋表面图像，运用BP(backpropagation)神经网络模型识别鸡蛋表面裂纹区域，所建立模型对裂纹鸡蛋的识别准确率达到92．9%，对整批鸡蛋分级准确率为96．8%。Pourreza等通过彩色图像中由鸡蛋缺陷引起的不连续性找到目标区域，对图像进行二值化处理得到目标区域大小，并计算其与鸡蛋投影外切矩形面积的比例值，根据该比例值与阈值的比较结果进行判断，结果显示对鸡蛋表面缺陷的正确识别率为99%。Cho等用CCD摄像头获取白织灯照射下的禽蛋蛋壳表面图像，用Sobel滤波后的图像轮廓圆滑度和几何形状作为检测蛋壳的标准，建立的回归模型对破损禽蛋和完好鸡蛋的检测正确率分别为97．5%和90．5%。熊利荣等从5个不同视角提取13个能够表征无裂纹蛋和裂纹蛋的特征参数，并采用Adaboosting算子对特征参数进行优化，所建立的SVM(supportvectormachine)判别模型对蛋壳表面的亮斑、微小裂纹和普通裂纹均具有识别能力，模型判别正确率达97．5%。负压挤压方法：为了克服禽蛋裂纹自愈合能力和小裂纹所造成的漏检影响，把具有微小裂纹的鸡蛋放置在小于大气压力的环境，微小裂纹会因为负压力而变大，增强了裂纹的可视化程度，提高了裂纹蛋的识别率。并且负压挤压方法对蛋壳品质和安全均不造成影响。a.常压下得到图像b.负压下得到图像Lawrence等对禽蛋裂纹负压视觉检测系统进行进一步优化，高分辨率单色相机单次可采集20个禽蛋图像，采用步进电机带动禽蛋转动，拍摄4组不同角度的大气压强和负压条件下的图像，通过对比同组图像的差异性以实现蛋壳裂纹的识别，该系统整体耗时约为40s;。杨冬风等使用空气压力调节增大微小裂纹，根据完好和裂纹蛋的纹理特征，使用分形维数对图像进行分析，以分形规律曲线的维数和图像整体盒维数作为神经网络的特征向量，对240个预测集样本的识别正确率达到了98．36%。1.对于小裂纹和蛋清填充裂纹的检测、污渍干扰和光照一致性等方面的影响仍需要进一步研究。2.采用较为复杂的图像处理及判别模型会降低检测效率，难以满足实时、在线需求，采用负压方法可放大裂纹的可视性，但难以实现在线检测装置的设计。从振动力学角度看，当禽蛋的蛋壳强度发生变化时，其结构刚度和阻尼系数将随之变化，必然会反映到其模态固有频率和阻尼比上，通过分析敲击响应产生的振动信号实现对裂纹的识别。根据传感器与被检禽蛋之间的接触情况，敲击振动技术可分为（1）接触式检测方式（2）非接触式检测方式接触式检测方式是指采用加速度传感器等测振传感器与被检禽蛋紧密贴合，分析被检禽蛋受外界机械激励后在其表面所产生振动的分布、扩散和衰减情况以实现对禽蛋品质的检测。敲击瞬间的振动特性研究目前还处于基础研究阶段。Zhao等分别提取了10个和20个区间频率、最大振幅及其对应频率作为特征参数输入至主成分分析和线性判别模型，结果表明采用10个主频频率的线性判别模型具有更高的识别能力。胥沛霆等搭建了多传感器禽蛋表面振动检测装置，通过电机带动敲击棒作为激励源，并在禽蛋短轴上等间隔布置3个加速度传感器以检测通过敲击激励所产生的振动响应信号用于表征完好鸡蛋和裂纹鸡蛋的抗压性，完好鸡蛋与裂纹鸡蛋的振动响应信号有明显区别。非接触式检测方式是指外界对禽蛋表面产生激励后，采用声波传感器采集禽蛋与激振点之间的机械振动，分析该声学响应信号与禽蛋蛋壳品质之间的关系。其优点在于所获取信号可表征蛋壳特征，且信号的信息量相对较少，可快速完成蛋壳品质检测。Jindal等采用人工神经网络建立检测模型，分析判别裂纹蛋和完好蛋的声音频谱，结果显示裂纹蛋的误判率为2%，完好鸡蛋误判率为10．17%。Lin等自行搭建了禽蛋裂纹检测装置，对信号进行了滤波处理，并采用支持向量数据描述实现分类，总体识别率能达到90%。丁天华等构建了基于磁致伸缩振子扫频式振动的禽蛋裂纹检测系统，采用Welch法功率谱分析，所建立的GＲNN(generalizedregressionneuralnetwork)模型对无损蛋与裂纹蛋的判别率分别达到96．7%和98．3%。接触式的检测方式必须将传感器与禽蛋紧密接触，且加速度传感器具有很强的方向性，禽蛋外形一定程度上会影响信号的一致性。非接触式的检测方式目前大多数研究处于在试验室静态条件下，采用较为复杂的信号处理、分类方法以及理想的实验装置对该技术的可行性进行分析，但目前在蛋壳检测的全面性、不同品种蛋壳与小裂纹信号差异性、不同尺寸禽蛋敲击信号一致性等方面仍存在问题。［1］PourrezaHR，Pourreza-ShahriR，FazeliS，etal．．Automaticdetectionofeggshelldefectsbasedonmachinevision［J］．J．Anim．Veter．Adv．，2008，7(10):1200－1203．［2］LawrenceKC，YoonSC，JonesDR，etal．．Modifiedpressuresystemforimagingeggcracks［J］．Trans．ASABE，2009，52(3):983－990．[3]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．[4]熊利荣，谢灿，祝志慧．基于Adaboosting_SVM算法的多特征蛋壳裂纹识别［J］．华中农业大学学报，2015，34(2):136－140．［5］杨冬风，马秀莲．基于分形纹理分析的蛋壳裂纹识别［J］．吉林大学学报:工学版，2011，S1:348－352．[6]JonesDR，LawrenceKC，YoonSC，etal．．Modifiedpressureimagingforeggcrackdetectionandresultingeggquality［J］．PoultrySci．，2010，89(4):761－765．［7］YoonSC，LawrenceKC，JonesDR，etal．．Improvedeggcrackdetectionalgorithmformodifiedpressureimagingsystem［A］．In:SPIEdefense，security，andsensinginternatio［8］LiYY，DhakalS，PengYK．Amachinevisionsystemforidentificationofmicro-crackineggshell［J］．J．FoodEngin．，2012，109(1):127－134．[9]李竞.基于机器视觉的鸭蛋蛋壳检测系统[D].中南大学,2013.[10]孙力.禽蛋品质在线智能化检测关键技术研究[D].江苏大学,2013.[11]JonesDR，LawrenceKC，YoonSC，etal．．Modifiedpressureimagingforeggcrackdetectionandresultingeggquality［J］．PoultrySci．，2010，89(4):761－765．［12］YoonSC，LawrenceKC，JonesDR，etal．．Improvedeggcrackdetectionalgorithmformodifiedpressureimagingsystem［A］．In:SPIEdefense，security，andsensinginternationalsocietyforopticsandphotonics［C］．US:OrlandoFL，2011，2021－2028．［13］LiYY，DhakalS，PengYK．Amachinevisionsystemforidentificationofmicro-crackineggshell［J］．J．FoodEngin．，2012，109(1):127－134．[14]王巧华，邓小炎，文友先．鸡蛋敲击响应的奇异性特征与蛋壳裂纹多层检测［J］．农业机械学报，2008，39(12):127－131．[15]丁天华，卢伟，张超，等．基于Welch法功率谱和广义回归神经网络的禽蛋裂纹辨识［J］．食品科学，2015，14:156－160．［16］LinH，ZhaoJW，ChenQS，etal．．Eggshellcrackdetectionbasedonacousticresponseandsupportvectordatadescriptionalgorithm［J］．Eur．FoodＲes．Technol．，2009，230(1)：95－100．［17］SunL，BiXK，LinH，etal．．On-linedetectionofeggshellcrackbasedonacousticresonanceanalysis［J］．J．FoodEngin．，2013，116(1):240－245．［18］JinC，XieLJ，YingYB．Eggshellcrackdetectionbasedonthetime-domainacousticsignalofrollingeggsonastep-plate［J］．J．FoodEngin．，2015，153:53－62．[19]张超，卢伟，丁为民，等．基于扫频振动的禽蛋裂纹检测方法［J］．食品与发酵工业，2015，41(6):181－186．［20］JinC，XieLJ，YingYB．Eggshellcrackdetectionbasedonthetime-domainacousticsignalofrollingeggsonastep-plate［J］．J．FoodEngin．，2015，153:53－62．