雞蛋多品質(zhì)高通量在線快速無損檢測(cè)研究.pdf

1、雞蛋品質(zhì)檢測(cè)是雞蛋商品化處理中的關(guān)鍵環(huán)節(jié)，對(duì)提高雞蛋的經(jīng)濟(jì)價(jià)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(cè)，對(duì)提升我國(guó)的雞蛋加工生產(chǎn)自動(dòng)化水平和雞蛋產(chǎn)業(yè)發(fā)展具有積極作用。為了實(shí)現(xiàn)雞蛋品質(zhì)的高通量在線快速檢測(cè)，本課題結(jié)合雞蛋加工實(shí)際生產(chǎn)需求，以雞蛋的新鮮度、散黃、尺寸形狀、破損等多個(gè)品質(zhì)為研究重點(diǎn)，利用光譜分析和機(jī)器視覺技術(shù)對(duì)雞蛋的多個(gè)品質(zhì)進(jìn)行檢測(cè)。主要研究?jī)?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(cè)。利用自行

2、搭建的光纖光譜檢測(cè)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(cè)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(jiǎn)化定量模型來達(dá)到快速檢測(cè)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(duì)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(cè)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(yàn)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(cè)雞蛋新鮮度，為今后雞蛋新鮮度的高通量在線檢測(cè)作

4、了理論研究。
　　2)散黃蛋的光纖光譜快速在線識(shí)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(dòng)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(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法CARS分別對(duì)不同光譜預(yù)處理數(shù)據(jù)的波長(zhǎng)優(yōu)選情況，發(fā)現(xiàn)SPA選取的特征波長(zhǎng)個(gè)數(shù)總體低于CARS，然后結(jié)合所選的特征波長(zhǎng)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(dú)立軟模式算法SIMCA四種分類方法建立多個(gè)分類器，根據(jù)變

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

6、使用STC89C52單片機(jī)接收光電開關(guān)的觸發(fā)信號(hào)，共同配合實(shí)現(xiàn)了自動(dòng)采集雞蛋圖像。在30000枚蛋/h六通道的傳輸裝置上動(dòng)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(duì)雞蛋圖像的影響，結(jié)合計(jì)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(zhǎng)軸、短軸產(chǎn)生畸變的原因，對(duì)提取的長(zhǎng)軸、短軸進(jìn)行了修正處理，并建立長(zhǎng)短軸像素點(diǎn)個(gè)數(shù)與實(shí)際測(cè)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(yùn)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(duì)84枚雞蛋圖像處理后進(jìn)行驗(yàn)證，得到雞蛋尺寸大小和外形扁平程度的分級(jí)準(zhǔn)確率分別為90.5％和89.3％，單個(gè)雞蛋的檢測(cè)時(shí)間只需52.762ms，實(shí)現(xiàn)了雞蛋尺寸形狀的高通量在線檢測(cè)分級(jí)。
　　4)散黃蛋高通量在線視覺檢測(cè)研究。為了進(jìn)一步提高散黃蛋的檢測(cè)效率，本研究動(dòng)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(cè)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(jī)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(cè)識(shí)別率

9、達(dá)到92.86％，單個(gè)雞蛋的檢測(cè)時(shí)間只需127.4ms，滿足15000枚蛋/h高通量在線檢測(cè)的要求，實(shí)現(xiàn)了高通量在線識(shí)別散黃蛋。
　　5)破損蛋高通量在線視覺檢測(cè)研究。在15000枚蛋/h三通道傳輸裝置上動(dòng)態(tài)采集群體雞蛋圖像，由于破損區(qū)域的位置具有隨機(jī)性，因此單個(gè)雞蛋需要通過綜合采集三張圖像的檢測(cè)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(qiáng)方法，但是同時(shí)也顯現(xiàn)出

10、斑點(diǎn)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(zhǎng)寬比），建立粒子群PSO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型對(duì)破損區(qū)域和斑點(diǎn)噪聲區(qū)域進(jìn)行區(qū)分，區(qū)域類型識(shí)別率達(dá)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(qiáng)。最后使用PSO-BP-ANN模型識(shí)別斑點(diǎn)噪聲區(qū)域并予以消除，保留雞蛋破損區(qū)域。對(duì)120枚雞蛋進(jìn)行驗(yàn)證，破損蛋識(shí)別率為91.67％，完好蛋識(shí)別率為95％，總體識(shí)別率達(dá)到93.33％，單枚雞蛋的平