禽蛋裂紋檢測(cè)技術(shù)進(jìn)展

禽蛋蛋殼檢測(cè)技術(shù)最新進(jìn)展姓名：xxx學(xué)號(hào)：xxx引言據(jù)統(tǒng)計(jì)，破損蛋和裂紋蛋占產(chǎn)蛋總量的6%以上，

禽蛋蛋殼破損檢測(cè)對(duì)于新鮮蛋、種蛋和蛋制品都極為重要。鮮食蛋：禽蛋出現(xiàn)破損后，禽蛋內(nèi)容物無(wú)法得到有效保護(hù)，微生物會(huì)侵入禽蛋內(nèi)部，隨著儲(chǔ)藏期的延長(zhǎng)加速變質(zhì)，會(huì)產(chǎn)生較大的食品安全問(wèn)題，且從破損處流出的內(nèi)容物會(huì)污染其他禽蛋。

種蛋：蛋殼破損會(huì)造成孵化過(guò)程中水分過(guò)度蒸發(fā)，增加了胚胎的死亡率，且會(huì)發(fā)生種蛋爆裂，污染其他種蛋，因此需要對(duì)出現(xiàn)裂紋的種蛋采取進(jìn)一步處理以保證孵化質(zhì)量;蛋制品：破損禽蛋內(nèi)部極易在腌制環(huán)境中被有害菌侵入、繁殖，不僅其本身失去了食用價(jià)值，而且會(huì)污染腌制環(huán)境，對(duì)其他禽蛋產(chǎn)生交叉感染。

一方面破損和裂紋禽蛋的及時(shí)檢出有利于提高鮮蛋的可食率、種蛋的孵化率以及蛋制品品質(zhì)；另一方面對(duì)蛋殼強(qiáng)度的預(yù)測(cè)可避免生產(chǎn)、加工和銷(xiāo)售過(guò)程中由于過(guò)載產(chǎn)生二次損傷。

目前禽蛋蛋殼品質(zhì)的檢測(cè)仍以人工檢測(cè)為主，人工檢測(cè)較為費(fèi)時(shí)費(fèi)力，效率低，而且對(duì)檢測(cè)人員的身體條件和技術(shù)有較高的要求。隨著禽蛋生產(chǎn)和加工各個(gè)環(huán)節(jié)自動(dòng)化程度不斷提高，傳統(tǒng)的手工檢測(cè)與破壞性抽檢方法難以滿(mǎn)足實(shí)際應(yīng)用，快速、無(wú)損、精確的檢測(cè)方法更加適合現(xiàn)代農(nóng)業(yè)化發(fā)展的需求。產(chǎn)生了禽蛋蛋殼檢測(cè)的新技術(shù)紅外光譜技術(shù)機(jī)器視覺(jué)檢測(cè)技術(shù)敲擊振動(dòng)技術(shù)機(jī)器視覺(jué)檢測(cè)技術(shù)機(jī)器視覺(jué)檢測(cè)技術(shù)主要通過(guò)分析禽蛋表面的顏色特征識(shí)別雞蛋表面的裂紋，當(dāng)禽蛋表面出現(xiàn)裂紋后會(huì)破壞其表面紋理特征，在外界光照條件下裂紋部位的反射、折射出現(xiàn)差異性，可通過(guò)數(shù)字圖像處理方法識(shí)別。機(jī)器視覺(jué)檢測(cè)技術(shù)具有全面、直觀反應(yīng)蛋殼信息的優(yōu)點(diǎn)。機(jī)器視覺(jué)檢測(cè)裂紋的步驟1.獲取禽蛋圖像2.處理和分析禽蛋圖像3.建立禽蛋裂紋識(shí)別模式一個(gè)典型的禽蛋視覺(jué)識(shí)別系統(tǒng)系統(tǒng)包括：光源、相機(jī)、暗室、圖像處理平臺(tái)、數(shù)據(jù)傳輸模塊等。大多數(shù)學(xué)者通過(guò)采集多幅圖像，并采用較為復(fù)雜的圖像處理方法以克服表面反光差異和污漬所引起的干擾。潘磊慶等通過(guò)所采集的雞蛋表面圖像，運(yùn)用BP(backpropagation)神經(jīng)網(wǎng)絡(luò)模型識(shí)別雞蛋表面裂紋區(qū)域，所建立模型對(duì)裂紋雞蛋的識(shí)別準(zhǔn)確率達(dá)到92．9%，對(duì)整批雞蛋分級(jí)準(zhǔn)確率為96．8%。Pourreza等通過(guò)彩色圖像中由雞蛋缺陷引起的不連續(xù)性找到目標(biāo)區(qū)域，對(duì)圖像進(jìn)行二值化處理得到目標(biāo)區(qū)域大小，并計(jì)算其與雞蛋投影外切矩形面積的比例值，根據(jù)該比例值與閾值的比較結(jié)果進(jìn)行判斷，結(jié)果顯示對(duì)雞蛋表面缺陷的正確識(shí)別率為99%。Cho等用CCD攝像頭獲取白織燈照射下的禽蛋蛋殼表面圖像，用Sobel濾波后的圖像輪廓圓滑度和幾何形狀作為檢測(cè)蛋殼的標(biāo)準(zhǔn)，建立的回歸模型對(duì)破損禽蛋和完好雞蛋的檢測(cè)正確率分別為97．5%和90．5%。

熊利榮等從5個(gè)不同視角提取13個(gè)能夠表征無(wú)裂紋蛋和裂紋蛋的特征參數(shù)，并采用Adaboosting算子對(duì)特征參數(shù)進(jìn)行優(yōu)化，所建立的SVM(supportvectormachine)判別模型對(duì)蛋殼表面的亮斑、微小裂紋和普通裂紋均具有識(shí)別能力，模型判別正確率達(dá)97．5%。機(jī)器視覺(jué)檢測(cè)中的新方法負(fù)壓擠壓方法：為了克服禽蛋裂紋自愈合能力和小裂紋所造成的漏檢影響，把具有微小裂紋的雞蛋放置在小于大氣壓力的環(huán)境，微小裂紋會(huì)因?yàn)樨?fù)壓力而變大，增強(qiáng)了裂紋的可視化程度，提高了裂紋蛋的識(shí)別率。并且負(fù)壓擠壓方法對(duì)蛋殼品質(zhì)和安全均不造成影響。a.常壓下得到圖像b.負(fù)壓下得到圖像Lawrence等對(duì)禽蛋裂紋負(fù)壓視覺(jué)檢測(cè)系統(tǒng)進(jìn)行進(jìn)一步優(yōu)化，高分辨率單色相機(jī)單次可采集20個(gè)禽蛋圖像，采用步進(jìn)電機(jī)帶動(dòng)禽蛋轉(zhuǎn)動(dòng)，拍攝4組不同角度的大氣壓強(qiáng)和負(fù)壓條件下的圖像，通過(guò)對(duì)比同組圖像的差異性以實(shí)現(xiàn)蛋殼裂紋的識(shí)別，該系統(tǒng)整體耗時(shí)約為40s;。楊冬風(fēng)等使用空氣壓力調(diào)節(jié)增大微小裂紋，根據(jù)完好和裂紋蛋的紋理特征，使用分形維數(shù)對(duì)圖像進(jìn)行分析，以分形規(guī)律曲線的維數(shù)和圖像整體盒維數(shù)作為神經(jīng)網(wǎng)絡(luò)的特征向量，對(duì)240個(gè)預(yù)測(cè)集樣本的識(shí)別正確率達(dá)到了98．36%。機(jī)器視覺(jué)檢測(cè)技術(shù)的不足1.對(duì)于小裂紋和蛋清填充裂紋的檢測(cè)、污漬干擾和光照一致性等方面的影響仍需要進(jìn)一步研究。2.采用較為復(fù)雜的圖像處理及判別模型會(huì)降低檢測(cè)效率，難以滿(mǎn)足實(shí)時(shí)、在線需求，采用負(fù)壓方法可放大裂紋的可視性，但難以實(shí)現(xiàn)在線檢測(cè)裝置的設(shè)計(jì)。敲擊振動(dòng)技術(shù)技術(shù)從振動(dòng)力學(xué)角度看，當(dāng)禽蛋的蛋殼強(qiáng)度發(fā)生變化時(shí)，其結(jié)構(gòu)剛度和阻尼系數(shù)將隨之變化，必然會(huì)反映到其模態(tài)固有頻率和阻尼比上，通過(guò)分析敲擊響應(yīng)產(chǎn)生的振動(dòng)信號(hào)實(shí)現(xiàn)對(duì)裂紋的識(shí)別。根據(jù)傳感器與被檢禽蛋之間的接觸情況，敲擊振動(dòng)技術(shù)可分為

（1）接觸式檢測(cè)方式（2）非接觸式檢測(cè)方式接觸式檢測(cè)方式接觸式檢測(cè)方式是指采用加速度傳感器等測(cè)振傳感器與被檢禽蛋緊密貼合，分析被檢禽蛋受外界機(jī)械激勵(lì)后在其表面所產(chǎn)生振動(dòng)的分布、擴(kuò)散和衰減情況以實(shí)現(xiàn)對(duì)禽蛋品質(zhì)的檢測(cè)。敲擊瞬間的振動(dòng)特性研究目前還處于基礎(chǔ)研究階段。Zhao等分別提取了10個(gè)和20個(gè)區(qū)間頻率、最大振幅及其對(duì)應(yīng)頻率作為特征參數(shù)輸入至主成分分析和線性判別模型，結(jié)果表明采用10個(gè)主頻頻率的線性判別模型具有更高的識(shí)別能力。胥沛霆等搭建了多傳感器禽蛋表面振動(dòng)檢測(cè)裝置，通過(guò)電機(jī)帶動(dòng)敲擊棒作為激勵(lì)源，并在禽蛋短軸上等間隔布置3個(gè)加速度傳感器以檢測(cè)通過(guò)敲擊激勵(lì)所產(chǎn)生的振動(dòng)響應(yīng)信號(hào)用于表征完好雞蛋和裂紋雞蛋的抗壓性，完好雞蛋與裂紋雞蛋的振動(dòng)響應(yīng)信號(hào)有明顯區(qū)別。非接觸式檢測(cè)方式非接觸式檢測(cè)方式是指外界對(duì)禽蛋表面產(chǎn)生激勵(lì)后，采用聲波傳感器采集禽蛋與激振點(diǎn)之間的機(jī)械振動(dòng)，分析該聲學(xué)響應(yīng)信號(hào)與禽蛋蛋殼品質(zhì)之間的關(guān)系。其優(yōu)點(diǎn)在于所獲取信號(hào)可表征蛋殼特征，且信號(hào)的信息量相對(duì)較少，可快速完成蛋殼品質(zhì)檢測(cè)。Jindal等采用人工神經(jīng)網(wǎng)絡(luò)建立檢測(cè)模型，分析判別裂紋蛋和完好蛋的聲音頻譜，結(jié)果顯示裂紋蛋的誤判率為2%，完好雞蛋誤判率為10．17%。

Lin等自行搭建了禽蛋裂紋檢測(cè)裝置，對(duì)信號(hào)進(jìn)行了濾波處理，并采用支持向量數(shù)據(jù)描述實(shí)現(xiàn)分類(lèi)，總體識(shí)別率能達(dá)到90%。丁天華等構(gòu)建了基于磁致伸縮振子掃頻式振動(dòng)的禽蛋裂紋檢測(cè)系統(tǒng)，采用Welch法功率譜分析，所建立的GＲNN(generalizedregressionneuralnetwork)模型對(duì)無(wú)損蛋與裂紋蛋的判別率分別達(dá)到96．7%和98．3%。敲擊振動(dòng)技術(shù)技術(shù)的缺陷接觸式的檢測(cè)方式必須將傳感器與禽蛋緊密接觸，且加速度傳感器具有很強(qiáng)的方向性，禽蛋外形一定程度上會(huì)影響信號(hào)的一致性。

非接觸式的檢測(cè)方式目前大多數(shù)研究處于在試驗(yàn)室靜態(tài)條件下，采用較為復(fù)雜的信號(hào)處理、分類(lèi)方法以及理想的實(shí)驗(yàn)裝置對(duì)該技術(shù)的可行性進(jìn)行分析，但目前在蛋殼檢測(cè)的全面性、不同品種蛋殼與小裂紋信號(hào)差異性、不同尺寸禽蛋敲擊信號(hào)一致性等方面仍存在問(wèn)題。參考文獻(xiàn)［1］PourrezaHR，Pourreza-ShahriR，F(xiàn)azeliS，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]潘磊慶，屠康，蘇子鵬，等．基于計(jì)算機(jī)視覺(jué)和神經(jīng)網(wǎng)絡(luò)檢測(cè)雞蛋裂紋的研究［J］．農(nóng)業(yè)工程學(xué)報(bào)，2007，23(5):154－158．[4]熊利榮，謝燦，祝志慧．基于Adaboosting_SVM算法的多特征蛋殼裂紋識(shí)別［J］．華中農(nóng)業(yè)大學(xué)學(xué)報(bào)，2015，34(2):136－140．［5］楊冬風(fēng)，馬秀蓮．基于分形紋理分析的蛋殼裂紋識(shí)別［J］．吉林大學(xué)學(xué)報(bào):工學(xué)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]李競(jìng).基于機(jī)器視覺(jué)的鴨蛋蛋殼檢測(cè)系統(tǒng)[D].中南大學(xué),2013.[10]孫力.禽蛋品質(zhì)在線智能化檢測(cè)關(guān)鍵技術(shù)研究[D].江蘇大學(xué),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]王巧華，鄧小炎，文友先．雞蛋敲擊響應(yīng)的奇異性特征與蛋殼裂紋多層檢測(cè)［J］．農(nóng)業(yè)機(jī)械學(xué)報(bào)，2008，39(12):127－131．[15]丁天華，盧偉，張超，等．基于Welch法功率譜和廣義回歸神經(jīng)網(wǎng)絡(luò)的禽蛋裂紋辨識(shí)［J］．食品科學(xué)，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