崔建鵬， 徐彥偉， 頡潭成， 南 翔， 王俊澎， 劉守川

(1.河南科技大學(xué) 機(jī)電工程學(xué)院，河南 洛陽(yáng) 471003; 2.洛陽(yáng)普萊柯生物工程股份有限公司，河南 洛陽(yáng) 471000)

0 引 言

雞蛋胚體作為生物疫苗生產(chǎn)的培養(yǎng)基由于其培育周期長(zhǎng)，雞蛋產(chǎn)量低，一個(gè)雞胚大概只能生產(chǎn)1.5個(gè)人份的疫苗。因此，如何快速、準(zhǔn)確地篩選出合格的雞蛋胚體，對(duì)于生物制藥行業(yè)顯得極其重要[1]。

河南科技大學(xué)胡忠陽(yáng)等人采用機(jī)器視覺技術(shù)對(duì)雞蛋胚體進(jìn)行檢測(cè)的過程中發(fā)現(xiàn)：采用單一的檢測(cè)方法所建立的模型準(zhǔn)確率較低。為解決上述問題，本文引入了基于多信息融合的疫苗培養(yǎng)基檢測(cè)方法。實(shí)驗(yàn)結(jié)果表明：利用多信息融合方法檢測(cè)疫苗培養(yǎng)基是可行的。

1 雞蛋胚體多信息融合系統(tǒng)設(shè)計(jì)

多信息融合的基本原理類似人腦綜合處理復(fù)雜問題的過程。通過將多種傳感器數(shù)據(jù)的綜合，實(shí)現(xiàn)了傳感器之間的信息互補(bǔ)，很大程度上提高了系統(tǒng)的容錯(cuò)能力。本文采用3種傳感器分別對(duì)雞蛋胚體的圖像、溫度和透光度進(jìn)行測(cè)量或標(biāo)定，根據(jù)融合中心輸出的結(jié)果來判別雞蛋胚體的類型，檢測(cè)系統(tǒng)融合流程如圖1所示。

2 實(shí)驗(yàn)條件與方法

2.1 實(shí)驗(yàn)裝置

根據(jù)實(shí)驗(yàn)要求，設(shè)計(jì)了一套基于多信息融合的疫苗培養(yǎng)基檢測(cè)系統(tǒng)，主要包括：Firefly MV FMVU—13S2C彩色面陣CCD工業(yè)相機(jī)、光照度傳感器、HYXC—H01型紅外測(cè)溫儀、傳感器阿爾泰PCI8510數(shù)據(jù)采集卡。

圖1 雞蛋胚體多信息融合檢測(cè)融合流程

2.2 實(shí)驗(yàn)材料

按照工廠分類標(biāo)準(zhǔn)，雞蛋胚體主要分為活胚、弱胚、死胚和污染胚4種類型。因此，實(shí)驗(yàn)材料為上述4種胚體，胚體的類別由專業(yè)分揀人員通過人工照蛋檢測(cè)來確定，所有樣本均由某生物制藥有限公司提供。從每種胚體類型分別選取各50個(gè)樣本，共計(jì)200個(gè)樣本。其中，100個(gè)樣本作為訓(xùn)練集，每種類型各取25個(gè)樣本，用于建立模型，剩余的100個(gè)樣本作為測(cè)試集。

2.3 實(shí)驗(yàn)設(shè)計(jì)

數(shù)據(jù)采集時(shí)，將雞蛋樣本放在托盤上，由工業(yè)相機(jī)完成對(duì)雞蛋胚體的拍攝，工業(yè)相機(jī)與垂直面的夾角為30°，方便對(duì)雞蛋進(jìn)行拍攝，并通過圖像采集卡傳輸?shù)接?jì)算機(jī)。光照度傳感器安裝在雞蛋胚體的正上方，與雞蛋頂部的距離為1～2 cm。光源選用LED點(diǎn)光源，對(duì)單個(gè)雞蛋自下而上進(jìn)行投射，整個(gè)過程在暗箱中進(jìn)行。溫度采集由紅外溫度傳感器測(cè)量雞蛋胚體的溫度，并通過PCI8510數(shù)據(jù)采集卡傳輸?shù)接?jì)算機(jī)，采樣頻率為2 Hz，采樣點(diǎn)數(shù)為1 024。整個(gè)過程在室溫(25 ℃)環(huán)境下進(jìn)行。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 雞蛋胚體圖像分析

原始圖像是以RGB模式存放的數(shù)字圖像，雞蛋胚體類別圖像如圖2所示。由圖可知，活胚圖像血管較多且有分叉，弱胚圖像血管較少且斷裂，死胚圖像沒有血管且內(nèi)部比較均勻，污染胚胚體通體發(fā)黑。弱胚、死胚和污染胚屬于不合格的的胚體，在檢測(cè)過程中需要將其剔除。

圖2 4種胚體類型

實(shí)驗(yàn)采用常用的濾波消噪方法均值濾波、中值濾波和高斯低通濾波等，最終確定中值濾波的方法對(duì)雞蛋胚體進(jìn)行處理，這種方式不僅濾波后的圖像細(xì)節(jié)保留較好，而且檢測(cè)效率較高，如圖3所示。

圖3 雞蛋胚體圖像預(yù)處理

對(duì)于圖像特征數(shù)據(jù)，通過主成分分析，提取不同數(shù)目的主成分因子作為特征變量建立BP判別模型如圖4所示。從圖中可看出:當(dāng)主成分?jǐn)?shù)為6時(shí)，所建模型的識(shí)別率最高，此時(shí)預(yù)測(cè)識(shí)別率為90 %。

圖4 圖像信息不同主成分因子數(shù)下訓(xùn)練集和測(cè)試集的識(shí)別率

3.2 雞蛋胚體溫度分析

圖5為4種不同類型雞蛋胚體溫度衰減的擬合圖像，活胚顯示測(cè)量結(jié)果為緩慢變化的曲線，而弱胚比活胚溫度下降的較快，在不考慮其它因素對(duì)測(cè)量結(jié)果影響的情況下，說明活胚比弱胚更健壯。死胚和污染胚溫度下降速度最快。由圖可知，弱胚衰減率為活胚的2.1倍，死胚和污染胚衰減率為活胚的2.72倍。

圖5 溫度衰減曲線

產(chǎn)生這種情況的原因是：孵化雞蛋最適宜的溫度是37.8 ℃，由于雞胚在孵化初期，已經(jīng)具有成形的心臟和血管，可以依靠心臟跳動(dòng)和血管收縮產(chǎn)生熱量。

對(duì)于溫度數(shù)據(jù)，通過主成分分析，提取不同數(shù)目的主成分因子作為特征變量建立BP判別模型，如圖6所示。從圖中可看出:當(dāng)主成分?jǐn)?shù)為3時(shí)，所建模型的識(shí)別率最高，此時(shí)預(yù)測(cè)識(shí)別率為82 %。

圖6 溫度信息不同主成分因子數(shù)下訓(xùn)練集和測(cè)試集的識(shí)別率

3.3 雞蛋胚體透光度分析

光照度傳感器采用光敏探測(cè)器，將光照度強(qiáng)度轉(zhuǎn)換為電流信號(hào)，再經(jīng)過運(yùn)算放大器轉(zhuǎn)換為電壓信號(hào)輸出。實(shí)驗(yàn)前先對(duì)傳感器進(jìn)行標(biāo)定，測(cè)得標(biāo)準(zhǔn)雞蛋的透光度電壓值顯示為406.22 mV。

對(duì)訓(xùn)練集100枚雞蛋進(jìn)行了測(cè)試，將其中的41#～45#蛋的測(cè)試結(jié)果列于表1。

表1 不同胚體類型的透光度

由表1可知，經(jīng)過5天的發(fā)育，雞胚的卵黃已經(jīng)開始發(fā)生變化，并開始向氣室端擴(kuò)張，血管呈蜘蛛形，所以,透光量降低。而死胚和污染胚發(fā)生的變化不大,所以,顯示的電壓,活胚和死胚、污染胚已經(jīng)明顯不同，死胚平均電壓為533.84 mV，污染胚平均電壓為407.666 mV，活胚和弱胚電壓值介于兩者之間。

對(duì)于透光度數(shù)據(jù)，通過主成分分析，提取不同數(shù)目的主成分因子作為特征變量建立BP判別模型如圖7所示。從圖中可看出：當(dāng)主成分?jǐn)?shù)為4時(shí)，所建模型的識(shí)別率最高,此時(shí)預(yù)測(cè)識(shí)別率為87 %。

圖7 透光度信息不同主成分因子數(shù)下訓(xùn)練集和測(cè)試集的識(shí)別率

3.4 雞蛋胚體多信息融合檢測(cè)分析

對(duì)于雞蛋胚體樣本所提取的圖像信息、溫度信息和光照度信息，需要通過一種合適的算法將其進(jìn)行融合。BP神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的非線性映射能力、高度自學(xué)習(xí)和自適應(yīng)能力，可以避免各因素之間的多重相關(guān)性。本文采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行多信息的特征融合和目標(biāo)求解。

選用具有三層結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行特征層融合，在模型建立的過程中，為了能夠應(yīng)用神經(jīng)網(wǎng)絡(luò)對(duì)各種輸入狀態(tài)進(jìn)行處理，需要統(tǒng)一量綱，本文采用如下的歸一化方法

(1)

BP網(wǎng)絡(luò)的輸入層和輸出層節(jié)點(diǎn)個(gè)數(shù)是由輸入和輸出向量的維數(shù)來確定的。輸入向量選取6個(gè)圖像特征、3個(gè)溫度特征和4個(gè)光照度特征參數(shù)，所以,輸入層的神經(jīng)元個(gè)數(shù)為13。胚體類型的判別結(jié)果為活胚、弱胚、死胚和污染胚4種情況，所以,輸出層節(jié)點(diǎn)個(gè)數(shù)為4，目標(biāo)輸出模式為[0 0 0 1],[0 0 1 0],[0 1 0 0],[1 0 0 0]分別對(duì)應(yīng)活胚、弱胚、死胚和污染胚4種胚體類型。

隱含層根據(jù)如下經(jīng)驗(yàn)公式進(jìn)行設(shè)計(jì)

(2)

式中l(wèi)為隱含層的節(jié)點(diǎn)數(shù)，n為輸入層節(jié)點(diǎn)數(shù)，m為輸出層節(jié)點(diǎn)數(shù)，a為1～10之間的調(diào)節(jié)常數(shù)。改變l，用同一樣本集訓(xùn)練，從中確定網(wǎng)絡(luò)誤差最小時(shí)對(duì)應(yīng)的隱含層節(jié)點(diǎn)數(shù)，經(jīng)過反復(fù)測(cè)試確定為11。利用Matlab神經(jīng)網(wǎng)絡(luò)工具箱對(duì)樣本數(shù)據(jù)進(jìn)行訓(xùn)練。

將訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對(duì)測(cè)試集中的樣本進(jìn)行檢測(cè)，測(cè)試結(jié)果與單一傳感器檢測(cè)結(jié)果對(duì)比如表2所示。

表2 不同模型在測(cè)試集中的檢測(cè)結(jié)果

由表可知，基于BP神經(jīng)網(wǎng)絡(luò)的融合模型對(duì)測(cè)試集的檢測(cè)準(zhǔn)確率比用單一傳感器建立的檢測(cè)模型對(duì)測(cè)試集的識(shí)別率分別提高了7 %,15 %和10 %，這說明通過多信息融合

的方法對(duì)雞蛋胚體進(jìn)行檢測(cè)的方法是可行的。

4 結(jié) 論

本文以疫苗培養(yǎng)基為研究對(duì)象，利用多信息融合檢測(cè)方法，建立了網(wǎng)絡(luò)結(jié)構(gòu)為13—11—4的三層BP神經(jīng)網(wǎng)絡(luò)融合判別模型，該模型對(duì)測(cè)試集樣本的識(shí)別率為97 %。實(shí)驗(yàn)表明：基于多信息融合的疫苗培養(yǎng)基檢測(cè)方法是可行的，提高了疫苗培養(yǎng)基檢測(cè)系統(tǒng)的檢測(cè)速率和可靠性，隨著樣本數(shù)據(jù)的增加，該模型將更加完善。

參考文獻(xiàn):

[1] 胡忠陽(yáng)，頡潭成，南 翔，等．孵化雞蛋胚體缺陷在線圖像檢測(cè)系統(tǒng)[J].機(jī)械設(shè)計(jì)與制造，2010(10)：81-83.

[2] 田景文，高美娟.人工神經(jīng)網(wǎng)絡(luò)算法的研究及應(yīng)用[M]．北京:北京理工大學(xué)出版社,2006.

[3] 傅薈璇，趙 紅．Matlab神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)[M]．北京：機(jī)械工業(yè)出版社，2010： 227-268.

[4] 潘 泉，于 昕，程永梅，等．信息融合理論的基本方法與進(jìn)展[J]．自動(dòng)化學(xué)報(bào)，2003,163(1-3)：175-180．

[5] 陳 紅，王巧華，宗望遠(yuǎn)，等．禽蛋品質(zhì)檢測(cè)現(xiàn)狀及展望[J].湖北農(nóng)業(yè)科學(xué)，2003,42(2):85-87.

[6] Xie Tancheng，Mao Hengxuan，Xu Yanwei．A decision tree me-thod based on support vector machine to identify egg embryo[J]．Key Engineering Materials,2012，522：833-837.

[7] 劉 鵬，屠 康，潘磊慶．基于多傳感器融合的雞蛋裂紋系統(tǒng)性識(shí)別[J]．農(nóng)業(yè)機(jī)械學(xué)報(bào)，2010，41(10)：185-189.

[8] 劉 健，吳雄喜，計(jì)時(shí)鳴． 基于多信息融合的油液品質(zhì)評(píng)價(jià)方法及其實(shí)現(xiàn)[J]．中國(guó)機(jī)械工程，2010,21:2614-2618.