雞蛋多品質(zhì)高通量在線快速無損檢測研究.pdf

1、雞蛋品質(zhì)檢測是雞蛋商品化處理中的關(guān)鍵環(huán)節(jié)，對提高雞蛋的經(jīng)濟價值和改善人們生活品質(zhì)有著重要意義，尤其是高通量在線檢測，對提升我國的雞蛋加工生產(chǎn)自動化水平和雞蛋產(chǎn)業(yè)發(fā)展具有積極作用。為了實現(xiàn)雞蛋品質(zhì)的高通量在線快速檢測，本課題結(jié)合雞蛋加工實際生產(chǎn)需求，以雞蛋的新鮮度、散黃、尺寸形狀、破損等多個品質(zhì)為研究重點，利用光譜分析和機器視覺技術(shù)對雞蛋的多個品質(zhì)進行檢測。主要研究內(nèi)容和結(jié)論如下:
　　1)雞蛋新鮮度的光纖光譜快速定量檢測。利用自行

2、搭建的光纖光譜檢測裝置采集雞蛋透射光譜信息，結(jié)合Savitzky-Golay卷積平滑濾波、多元散射校正、標(biāo)準(zhǔn)正態(tài)變換、一階微分及二階微分5種預(yù)處理方法，分別建立了偏最小二乘回歸PLSR和支持向量回歸SVR模型，比較不同模型精度，發(fā)現(xiàn)一階微分處理的SVR模型預(yù)測效果較好，且SVR模型在總體上優(yōu)于PLSR，表明SVR能夠較好地提取雞蛋新鮮度與光譜信息之間隱含的非線性關(guān)系;為了簡化定量模型來達到快速檢測雞蛋新鮮度，使用線性降維主成分分析法PC

3、A和流形學(xué)習(xí)中的非線性降維局部線性嵌入LLE分別對一階微分后的光譜數(shù)據(jù)再處理，比較了兩種降維后的模型結(jié)果說明LLE更好地提取了光譜有效信息，提高了模型精度，降維效果比PCA更加明顯。LLE-SVR模型中訓(xùn)練集和預(yù)測集相關(guān)系數(shù)和均方根誤差分別為0.922、7.21和0.911、8.80，交叉驗證均方根誤差比PCA-SVR下降了0.79。研究結(jié)果表明LLE-SVR模型可以用于光纖光譜快速定量檢測雞蛋新鮮度，為今后雞蛋新鮮度的高通量在線檢測作

4、了理論研究。
　　2)散黃蛋的光纖光譜快速在線識別。利用光纖光譜技術(shù)在5000枚蛋/h單通道的傳輸裝置上動態(tài)采集雞蛋透射光譜數(shù)據(jù)，比較了連續(xù)投影算法SPA和競爭性自適應(yīng)重加權(quán)算法CARS分別對不同光譜預(yù)處理數(shù)據(jù)的波長優(yōu)選情況，發(fā)現(xiàn)SPA選取的特征波長個數(shù)總體低于CARS，然后結(jié)合所選的特征波長采用偏最小二乘判別PLS-DA、分類回歸樹算法CART、K近鄰分類算法KNN和簇類獨立軟模式算法SIMCA四種分類方法建立多個分類器，根據(jù)變

5、量個數(shù)和識別率比較分類器性能，優(yōu)選出5個分類器，最后通過比較每個分類器對單枚雞蛋的檢測時間，確定SNV-SPA-PLS-DA模型適用于在線識別散黃蛋，其特征變量只有3個，單個雞蛋檢測時間為55.733ms，預(yù)測準(zhǔn)確率達到97.14％，為散黃蛋高通量在線光譜識別提供技術(shù)方法。
　　3)雞蛋尺寸形狀高通量在線視覺檢測研究。設(shè)計了一套群體雞蛋圖像高通量在線采集系統(tǒng)，其中運用Visual C++編寫軟件實現(xiàn)了上下位機的通訊及圖像獲取功能，

6、使用STC89C52單片機接收光電開關(guān)的觸發(fā)信號，共同配合實現(xiàn)了自動采集雞蛋圖像。在30000枚蛋/h六通道的傳輸裝置上動態(tài)采集群體雞蛋圖像，采取較少但有效的預(yù)處理手段消除了高速傳輸對雞蛋圖像的影響，結(jié)合計算幾何學(xué)中的凸包算法和最小二乘橢圓擬合重建雞蛋外輪廓，解決了由于漏光引起蛋體圖像凹陷現(xiàn)象的問題;通過分析長軸、短軸產(chǎn)生畸變的原因，對提取的長軸、短軸進行了修正處理，并建立長短軸像素點個數(shù)與實際測量尺寸的一元線性回歸模型，其兩者的相關(guān)系

7、數(shù)分別為95.66％和94.39％，結(jié)合凸包算法相比于直接運用最小二乘橢圓擬合得到的相關(guān)系數(shù)更大，表明結(jié)合凸包算法的最小二乘橢圓擬合提取雞蛋外形輪廓的精度更高。對84枚雞蛋圖像處理后進行驗證，得到雞蛋尺寸大小和外形扁平程度的分級準(zhǔn)確率分別為90.5％和89.3％，單個雞蛋的檢測時間只需52.762ms，實現(xiàn)了雞蛋尺寸形狀的高通量在線檢測分級。
　　4)散黃蛋高通量在線視覺檢測研究。為了進一步提高散黃蛋的檢測效率，本研究動態(tài)采集15

8、000枚蛋/h三通道傳輸裝置上群體雞蛋圖像，首先利用與雞蛋尺寸形狀檢測中相同的圖像處理方法消除無用背景的干擾，獲得僅含雞蛋的目標(biāo)圖像;提取雞蛋圖像RGB空間和HSV空間的顏色分量平均值作為特征參數(shù)，分別利用隨機森林RF和偏最小二乘判別PLS-DA建立散黃蛋分類模型，比較不同分類模型結(jié)果，發(fā)現(xiàn)利用RGB與HSV聯(lián)合空間下的特征參數(shù)構(gòu)建分類模型的效果最好，且RF分類模型優(yōu)于PLS-DA。RGB與HSV聯(lián)合空間下的散黃蛋RF分類模型預(yù)測識別率

9、達到92.86％，單個雞蛋的檢測時間只需127.4ms，滿足15000枚蛋/h高通量在線檢測的要求，實現(xiàn)了高通量在線識別散黃蛋。
　　5)破損蛋高通量在線視覺檢測研究。在15000枚蛋/h三通道傳輸裝置上動態(tài)采集群體雞蛋圖像，由于破損區(qū)域的位置具有隨機性，因此單個雞蛋需要通過綜合采集三張圖像的檢測結(jié)果確定其是否破損。利用有效預(yù)處理方法獲取雞蛋目標(biāo)圖像，為了突顯雞蛋破損特征，使用了巴特沃斯高通濾波和灰度圖像增強方法，但是同時也顯現(xiàn)出

10、斑點噪聲區(qū)域;提取不同區(qū)域的形狀特征參數(shù)（圓形度和最小外接矩形長寬比），建立粒子群PSO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型對破損區(qū)域和斑點噪聲區(qū)域進行區(qū)分，區(qū)域類型識別率達到99.44％，表明PSO-BP-ANN模型相比于BP-ANN的泛化能力更好、魯棒性更強。最后使用PSO-BP-ANN模型識別斑點噪聲區(qū)域并予以消除，保留雞蛋破損區(qū)域。對120枚雞蛋進行驗證，破損蛋識別率為91.67％，完好蛋識別率為95％，總體識別率達到93.33％，單枚雞蛋的平