6.1 鸡蛋新鲜度光学无损检测原理

6.2 试验材料、方法与装置

    6.2.1 试验材料

    6.2.2 试验方法与装置

    6.2.3 数据统计与分析

6.3 BP神经网络输入变量确定

    6.3.1 哈夫单位与参数间的相关系数

    6.3.2 鸡蛋新鲜度多元线性回归模型筛选变量

6.4 基于MATLAB的BP神经网络设计

    6.4.1 样本数据的定义

    6.4.2 网络参数设置和网络结构

    6.4.3 网络训练

6.5 BP神经网络模型可靠性验证

6.6 本章小结

参考文献

第七章 基于信息融合无损检测鸡蛋品质系统的软硬件组成

7.1 融合检测装置的研制和检测步骤

7.2 融合检测鸡蛋品质软件的开发

    7.2.1 软件总体设计方案

    7.2.2 计算机视觉检测鸡蛋污斑模块

    7.2.3 声学技术检测鸡蛋裂纹模块

    7.2.4 计算机视觉检测鸡蛋裂纹模块

    7.2.5 计算机视觉检测鸡蛋新鲜度模块

    7.2.6 多技术融合检测鸡蛋品质输出总界面

7.3 本章小结

参考文献

全文结论

展望

创新说明

致谢

攻读博士学位期间发表的学术论文

文章摘要:鸡蛋具有很高的营养价值，深受消费者喜爱。蛋内外品质的好坏直接影响蛋的质量和安全。在销售流通及加工方面，如能做到按质论价，则既保护了消费者权益，又有利于生产经营者采取科学的管理，保证蛋的品质。将基于计算机技术的高新检测技术用于禽蛋品质的自动检测和分级，既可以解放劳动力，排除人的主观因素干扰，又能快速而准确地进行禽蛋品质的综合而全面地评价。因此，研究和完善高水平的禽蛋品质检测系统对于提高我国禽蛋在国际市场行业的竞争力有着现实意义。本文是国家自然科学基金项目“基于计算机视觉和动力学特性无损检测禽蛋品质研究”中的一部分，主要研究了利用计算机视觉和声学技术无损检测鸡蛋的裂纹（主要是微裂纹鸡蛋）、污斑和新鲜度的品质情况，提高检测精度。本文主要的研究内容和结果如下：1．声学技术检测鸡蛋裂纹的研究分析了外部条件（敲击位置、信号采集位置、敲击力、贮藏时间）和鸡蛋自身物理性质（蛋重、蛋壳厚度、蛋形指数、蛋壳强度、裂纹）对鸡蛋特征响应频率的影响，并建立了利用声学敲击检测鸡蛋裂纹的装置和方法。研究发现采集信号位置、贮藏时间、敲击力大小和蛋形指数对鸡蛋的特征频率影响很小，而敲击位置和裂纹对鸡蛋的特征频率影响很大；蛋壳厚度、蛋壳强度和蛋重对特征频率影响也较大，鸡蛋的特征频率随着蛋壳强度和壳厚的增加会变大，但随着蛋重的增加反而变小，而且蛋重与鸡蛋特征频率的相关系数达到0.699。同时发现，对鸡蛋特征频率的影响并不是单个因素，而是多个因素共同起作用。利用建立的声学检测装置，通过敲击赤道不同部位四次，分析四个特征响应频率的变异系数（CV），可将CV作为分级依据，设定参数（CV）的阈值为1时，完好鸡蛋检测准确率达83％，壳裂鸡蛋的检测准确率为91％，整批鸡蛋的检测准确率达到87％。2．基于计算机视觉和神经网络检测鸡蛋裂纹的研究为了进一步提高鸡蛋裂纹检测的准确性和效率，建立了利用计算机视觉技术检测鸡蛋表面裂纹的装置，综合运用计算机视觉技术和BP神经网络技术，实现鸡蛋表面裂纹的无损检测和分级。首先，通过计算机视觉系统获取鸡蛋表面的图像，对图像分析处理，提取了裂纹区域和噪声区域的5个几何特征参数。其次，将5个参数作为输入量，建立了基于MATLAB的结构为5-10-2的三层BP神经网络模型，对裂纹进行识别和鸡蛋的自动分级。试验结果表明模型对裂纹鸡蛋的识别准确率达到了92.9％，对整批鸡蛋的分级准确率达到了96.8％。3．计算机视觉和声学技术融合检测鸡蛋裂纹的研究利用计算机视觉系统获取鸡蛋表面图像，并进行分析处理，提取了5个特征参数（A、R、L、S、LS），作为BP神经网络的输入量，创建了基于MATLAB的结构为5-10-2的3层BP神经网络模型识别鸡蛋表面的裂纹，发现利用计算机视觉和BP神经网络判别不同程度破损鸡蛋的准确率只有68％，对完好鸡蛋的判别准确率为98％。对结果分析发现，虽然构建的BP神经网络对图像处理后分割出的裂纹区域识别准确率很高，但计算机视觉方法对裂纹较小的鸡蛋，主要为微裂纹和不可见裂纹鸡蛋，图像处理难以分割出裂纹区域，该类鸡蛋判别准确率较低。采集和分析鸡蛋被敲击后的声音信号，提取了特征频率F1、F2、F3、F4、偏斜度平均值CS和崤度平均值CE共6个特征参数，并作为神经网络的输入量，创建了基于MATLAB的结构为6-15-2的3层BP神经网络模型判别鸡蛋裂纹，对蛋壳受各种程度破坏后的鸡蛋判别准确率可达90％以上，对蛋壳完整的鸡蛋判别准确率超过95％，对一批鸡蛋总体的判断准确率可达94％。但也发现，当鸡蛋蛋壳受破坏比较严重，裂纹比较大时，敲击鸡蛋蛋壳的不同部位，采集的各次信号差异不大，利用声学技术结合BP神经网络的方法易产生误判。采用融合技术，结合计算机视觉、声学技术和BP神经网络判断各种破损程度鸡蛋，能够发挥计算机视觉技术和声学检测技术的优点，对裂纹蛋检出可达到98％，能够充分的保证鸡蛋的质量和安全。4．基于计算机视觉检测鸡蛋污斑的研究传统人工检测鸡蛋表面污斑方法由于效率较低，且易造成视觉疲劳等缺点，已不能满足现代化工业生产需要。本文建立了利用计算机视觉检测鸡蛋表面污斑的装置，通过计算机视觉采集鸡蛋表面的图像，然后对图像进行处理分析，提取特征参数，建立污斑识别算法，检测鸡蛋表面的污斑。通过验证，该识别算法分级污斑鸡蛋和干净鸡蛋的准确率达到92.7％，受试鸡蛋总体分级准确率达到90％以上，实现了对鸡蛋表面污斑的无损检测。5．基于计算机视觉和神经网络检测鸡蛋新鲜度的研究建立了利用计算机视觉检测获取鸡蛋内容物透射图像信息的装置，通过图像处理，获取了蛋壳表面颜色信息和表示鸡蛋新鲜的参数哈夫单位值（HU），得到了利用计算机视觉预测鸡蛋新鲜度的有关的H、I、S、a、b、a

文章来源：《声学技术》 网址: http://www.sxjsbjb.cn/qikandaodu/2022/0209/731.html