禽蛋裂紋檢測技術(shù)進(jìn)展

禽蛋蛋殼檢測技術(shù)最新進(jìn)展姓名：xxx學(xué)號：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，

禽蛋蛋殼破損檢測對于新鮮蛋、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)容物無法得到有效保護(hù)，微生物會侵入禽蛋內(nèi)部，隨著儲藏期的延長加速變質(zhì)，會產(chǎn)生較大的食品安全問題，且從破損處流出的內(nèi)容物會污染其他禽蛋。

種蛋：蛋殼破損會造成孵化過程中水分過度蒸發(fā)，增加了胚胎的死亡率，且會發(fā)生種蛋爆裂，污染其他種蛋，因此需要對出現(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，而且會污染腌制環(huán)境，對其他禽蛋產(chǎn)生交叉感染。

一方面破損和裂紋禽蛋的及時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)；另一方面對蛋殼強(qiáng)度的預(yù)測可避免生產(chǎn)、加工和銷售過程中由于過載產(chǎn)生二次損傷。

目前禽蛋蛋殼品質(zhì)的檢測仍以人工檢測為主，人工檢測較為費(fèi)時費(fèi)力，效率低，而且對檢測人員的身體條件和技術(shù)有較高的要求。隨著禽蛋生產(chǎn)和加工各個環(huán)節(jié)自動化程度不斷提高，傳統(tǒng)的手工檢測與破壞性抽檢方法難以滿足實(shí)際應(yīng)用，快速、無損、精確的檢測方法更加適合現(xiàn)代農(nóng)業(yè)化發(fā)展的需求。產(chǎn)生了禽蛋蛋殼檢測的新技術(shù)紅外光譜技術(shù)機(jī)器視覺檢測技術(shù)敲擊振動技術(shù)機(jī)器視覺檢測技術(shù)機(jī)器視覺檢測技術(shù)主要通過分析禽蛋表面的顏色特征識別雞蛋表面的裂紋，當(dāng)禽蛋表面出現(xiàn)裂紋后會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，可通過數(shù)字圖像處理方法識別。機(jī)器視覺檢測技術(shù)具有全面、直觀反應(yīng)蛋殼信息的優(yōu)點(diǎn)。機(jī)器視覺檢測裂紋的步驟1.獲取禽蛋圖像2.處理和分析禽蛋圖像3.建立禽蛋裂紋識別模式一個典型的禽蛋視覺識別系統(tǒng)系統(tǒng)包括：光源、相機(jī)、暗室、圖像處理平臺、數(shù)據(jù)傳輸模塊等。大多數(shù)學(xué)者通過采集多幅圖像，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)模型識別雞蛋表面裂紋區(qū)域，所建立模型對裂紋雞蛋的識別準(zhǔn)確率達(dá)到92．9%，對整批雞蛋分級準(zhǔn)確率為96．8%。Pourreza等通過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)果顯示對雞蛋表面缺陷的正確識別率為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蛋殼的標(biāo)準(zhǔn)，建立的回歸模型對破損禽蛋和完好雞蛋的檢測正確率分別為97．5%和90．5%。

熊利榮等從5個不同視角提取13個能夠表征無裂紋蛋和裂紋蛋的特征參數(shù)，并采用Adaboosting算子對特征參數(shù)進(jìn)行優(yōu)化，所建立的SVM(supportvectormachine)判別模型對蛋殼表面的亮斑、微小裂紋和普通裂紋均具有識別能力，模型判別正確率達(dá)97．5%。機(jī)器視覺檢測中的新方法負(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，提高了裂紋蛋的識別率。并且負(fù)壓擠壓方法對蛋殼品質(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等對禽蛋裂紋負(fù)壓視覺檢測系統(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個禽蛋圖像，采用步進(jìn)電機(jī)帶動禽蛋轉(zhuǎn)動，拍攝4組不同角度的大氣壓強(qiáng)和負(fù)壓條件下的圖像，通過對比同組圖像的差異性以實(shí)現(xiàn)蛋殼裂紋的識別，該系統(tǒng)整體耗時約為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240個預(yù)測集樣本的識別正確率達(dá)到了98．36%。機(jī)器視覺檢測技術(shù)的不足1.對于小裂紋和蛋清填充裂紋的檢測、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降低檢測效率，難以滿足實(shí)時、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)在線檢測裝置的設(shè)計(jì)。敲擊振動技術(shù)技術(shù)從振動力學(xué)角度看，當(dāng)禽蛋的蛋殼強(qiáng)度發(fā)生變化時，其結(jié)構(gòu)剛度和阻尼系數(shù)將隨之變化，必然會反映到其模態(tài)固有頻率和阻尼比上，通過分析敲擊響應(yīng)產(chǎn)生的振動信號實(shí)現(xiàn)對裂紋的識別。根據(jù)傳感器與被檢禽蛋之間的接觸情況，敲擊振動技術(shù)可分為

（1）接觸式檢測方式（2）非接觸式檢測方式接觸式檢測方式接觸式檢測方式是指采用加速度傳感器等測振傳感器與被檢禽蛋緊密貼合，分析被檢禽蛋受外界機(jī)械激勵后在其表面所產(chǎn)生振動的分布、擴(kuò)散和衰減情況以實(shí)現(xiàn)對禽蛋品質(zhì)的檢測。敲擊瞬間的振動特性研究目前還處于基礎(chǔ)研究階段。Zhao等分別提取了10個和20個區(qū)間頻率、最大振幅及其對應(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個主頻頻率的線性判別模型具有更高的識別能力。胥沛霆等搭建了多傳感器禽蛋表面振動檢測裝置，通過電機(jī)帶動敲擊棒作為激勵源，并在禽蛋短軸上等間隔布置3個加速度傳感器以檢測通過敲擊激勵所產(chǎn)生的振動響應(yīng)信號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響應(yīng)信號有明顯區(qū)別。非接觸式檢測方式非接觸式檢測方式是指外界對禽蛋表面產(chǎn)生激勵后，采用聲波傳感器采集禽蛋與激振點(diǎn)之間的機(jī)械振動，分析該聲學(xué)響應(yīng)信號與禽蛋蛋殼品質(zhì)之間的關(guān)系。其優(yōu)點(diǎn)在于所獲取信號可表征蛋殼特征，且信號的信息量相對較少，可快速完成蛋殼品質(zhì)檢測。Jindal等采用人工神經(jīng)網(wǎng)絡(luò)建立檢測模型，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裝置，對信號進(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，總體識別率能達(dá)到90%。丁天華等構(gòu)建了基于磁致伸縮振子掃頻式振動的禽蛋裂紋檢測系統(tǒng)，采用Welch法功率譜分析，所建立的GＲNN(generalizedregressionneuralnetwork)模型對無損蛋與裂紋蛋的判別率分別達(dá)到96．7%和98．3%。敲擊振動技術(shù)技術(shù)的缺陷接觸式的檢測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影響信號的一致性。

非接觸式的檢測方式目前大多數(shù)研究處于在試驗(yàn)室靜態(tài)條件下，采用較為復(fù)雜的信號處理、分類方法以及理想的實(shí)驗(yàn)裝置對該技術(shù)的可行性進(jìn)行分析，但目前在蛋殼檢測的全面性、不同品種蛋殼與小裂紋信號差異性、不同尺寸禽蛋敲擊信號一致性等方面仍存在問題。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)視覺和神經(jīng)網(wǎng)絡(luò)檢測雞蛋裂紋的研究［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.基于機(jī)器視覺的鴨蛋蛋殼檢測系統(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［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［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