張 超， 盧 偉， 丁天華， 杜健健， 丁為民， 羅 慧

（南京農(nóng)業(yè)大學(xué) 工學(xué)院 /江蘇省現(xiàn)代設(shè)施農(nóng)業(yè)技術(shù)與裝備工程實(shí)驗(yàn)室，江蘇 南京210031）

基于多尺度小波變換的雞蛋散黃檢測(cè)方法研究

張 超， 盧 偉*， 丁天華， 杜健健， 丁為民， 羅 慧

（南京農(nóng)業(yè)大學(xué) 工學(xué)院 /江蘇省現(xiàn)代設(shè)施農(nóng)業(yè)技術(shù)與裝備工程實(shí)驗(yàn)室，江蘇 南京210031）

為建立一種快速有效的無損檢測(cè)雞蛋散黃的方法，構(gòu)建了基于磁致伸縮振子掃頻式振動(dòng)的雞蛋散黃檢測(cè)系統(tǒng)，通過對(duì)采集的雞蛋振動(dòng)音頻信號(hào)進(jìn)行多尺度小波變換分析，找到新鮮蛋與散黃蛋的音頻信號(hào)差異性，基于此提取合適的特征值，并分別構(gòu)建基于BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)和Hopfield神經(jīng)網(wǎng)絡(luò)的雞蛋散黃檢測(cè)模型加以比較。實(shí)驗(yàn)中，對(duì)300枚雞蛋進(jìn)行檢測(cè)（訓(xùn)練集200枚，測(cè)試集100枚），結(jié)果表明，Hopfield神經(jīng)網(wǎng)絡(luò)對(duì)新鮮蛋和散黃蛋的識(shí)別效果最好，測(cè)試集中新鮮蛋和散黃蛋的識(shí)別率均達(dá)到98%，且檢測(cè)每枚雞蛋的時(shí)間為31.6 ms。研究表明，利用磁致伸縮振子掃頻振動(dòng)未知品質(zhì)雞蛋，再通過小波變換分析，并結(jié)合Hopfield雞蛋散黃檢測(cè)模型檢測(cè)雞蛋散黃是可行的。

雞蛋散黃檢測(cè)；掃頻振動(dòng)；小波變換

近年來，雞蛋品質(zhì)問題一直受到世界范圍內(nèi)的高度關(guān)注，其中，散黃蛋是人們?nèi)粘Ｉ钪凶畛Ｓ龅降囊环N低品質(zhì)雞蛋。國(guó)內(nèi)外對(duì)雞蛋的研究大多集中在雞蛋外觀品質(zhì)研究［1-3］、雞蛋蛋殼強(qiáng)度檢測(cè)［4-6］、雞蛋裂紋檢測(cè)［7-11］及雞蛋新鮮度檢測(cè)［12-17］等方面，對(duì)雞蛋散黃研究卻很少，甚至是目前研究的空白。但散黃蛋降低了雞蛋商品等級(jí)且極大程度上影響了消費(fèi)者的購(gòu)買欲，對(duì)于發(fā)出臭味的散黃蛋，食用后還會(huì)危害身體健康。所以，對(duì)散黃蛋的無損檢測(cè)具有重要的實(shí)際價(jià)值和現(xiàn)實(shí)意義。

作者通過控制磁致伸縮振子掃頻振動(dòng)雞蛋以達(dá)到信息增強(qiáng)的目的，對(duì)麥克風(fēng)采集的雞蛋振動(dòng)音頻信號(hào)進(jìn)行小波3尺度分解變換，并以此研究新鮮蛋與散黃蛋的振動(dòng)音頻信號(hào)差異性，選取合適的特征值，并分別建立BP、RBF和Hopfield雞蛋散黃檢測(cè)模型，通過比較，給出一種實(shí)現(xiàn)雞蛋散黃高精度無損檢測(cè)的可行性方法。

1 材料與方法

1.1 實(shí)驗(yàn)材料

實(shí)驗(yàn)材料為南京六合市售草雞蛋質(zhì)量在35～45 g、赤道直徑在30～38 mm范圍內(nèi)的新產(chǎn)草雞蛋150枚和產(chǎn)后20天的草雞蛋150枚，其中，新鮮蛋音頻數(shù)據(jù)采集實(shí)驗(yàn)在購(gòu)買草雞蛋當(dāng)天完成，而散黃蛋音頻數(shù)據(jù)采集實(shí)驗(yàn)是將產(chǎn)后20天草雞蛋放置至用手搖晃時(shí)人耳能聽到的散黃狀態(tài)時(shí)完成的。實(shí)驗(yàn)數(shù)據(jù)共300個(gè)，分為訓(xùn)練集和測(cè)試集兩組，其中，訓(xùn)練集由100枚新鮮蛋音頻數(shù)據(jù)和100枚散黃蛋音頻數(shù)據(jù)構(gòu)成，測(cè)試集由余下50枚新鮮蛋音頻數(shù)據(jù)和50枚散黃蛋音頻數(shù)據(jù)構(gòu)成。

1.2 儀器與設(shè)備

實(shí)驗(yàn)用到的主要儀器和設(shè)備有：磁致伸縮器（自制），如圖1所示。磁致伸縮器掃頻振動(dòng)控制軟件和音頻數(shù)據(jù)分析軟件均為matlab7.11（R2010b）軟件。

圖1 磁致伸縮器示意圖Fig.1 Schematic illustration of magnetostrictive device

1.3 方法

1.3.1 振動(dòng)信號(hào)的采集 通過聲卡編程控制磁致伸縮器件寬頻掃描，以20 Hz為間隔掃描1～14 000 Hz范圍內(nèi)的頻段，并以此帶動(dòng)磁致伸縮器上的雞蛋振動(dòng)，共用時(shí)1.36 s，通過麥克風(fēng)采集此雞蛋振動(dòng)音頻信號(hào)并傳進(jìn)計(jì)算機(jī)進(jìn)行頻譜分析，找到散黃蛋的敏感頻帶。

1.3.2 小波變換 對(duì)采集的新鮮蛋與散黃蛋振動(dòng)音頻信號(hào)進(jìn)行小波3尺度分解分析，得到新鮮蛋與散黃蛋音頻信號(hào)的各尺度近似分量信號(hào)，以此觀察新鮮蛋與散黃蛋的信號(hào)差異性，并基于此提取合適的特征向量作為后續(xù)神經(jīng)網(wǎng)絡(luò)的輸入量。

1.3.3 構(gòu)建雞蛋散黃檢測(cè)模型 通過訓(xùn)練集分別訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)和Hopfield神經(jīng)網(wǎng)絡(luò)，并用測(cè)試集對(duì)訓(xùn)練完成的 BP、RBF和Hopfield雞蛋散黃檢測(cè)模型進(jìn)行驗(yàn)證，比較各自的檢測(cè)性能，并據(jù)此給出一種實(shí)現(xiàn)雞蛋散黃高精度無損檢測(cè)的可行性方法。

2 結(jié)果與分析

2.1 散黃蛋敏感頻段的選定

圖2所示的是作者所采集的散黃蛋音頻經(jīng)FFT變換后的頻譜圖，從圖中可以看出，1～14 000 Hz以外的高頻噪聲振幅近似為0，即掃頻式振動(dòng)可以極大地提高信噪比，增強(qiáng)散黃蛋振動(dòng)信息，且反映散黃蛋振動(dòng)信息的較高特征峰主要集中于4 000～7 500 Hz頻段內(nèi)，因此確定此頻段即為散黃蛋的敏感頻段，并被確定為后續(xù)雞蛋振動(dòng)音頻信號(hào)采集和小波變換分析的目標(biāo)頻段，且掃頻振動(dòng)此頻段共用時(shí)31.6 ms。

圖2 散黃蛋振動(dòng)音頻信號(hào)頻譜圖Fig.2 Frequency spectrum ofvibration signalof scattered yolk eggs

2.2 小波變換域內(nèi)頻譜特征提取

在進(jìn)行小波分解時(shí)，應(yīng)根據(jù)信號(hào)的頻譜特性選擇適當(dāng)?shù)男〔ɑ瘮?shù)，在小波3尺度分解過程中，根據(jù)雞蛋振動(dòng)音頻信號(hào)的特性并比較3尺度下信號(hào)的分解效果來確定合適的小波基。其標(biāo)準(zhǔn)是突出原始頻譜中的特征峰，并選取平滑性好的小波基。經(jīng)對(duì)Haar、Daubechies、Biorthogonal、Coieflet、Symlets 及Meyer等小波基分解對(duì)比，最后選取Daubechies小波作為“分析小波”，因?yàn)槠淠軐?shí)現(xiàn)信號(hào)頻帶的均勻劃分，通過選擇適當(dāng)?shù)牟蓸宇l率和小波包分解樹，可使所關(guān)心的頻帶落在小波包頻帶的中心，從而減少頻譜泄露，有效提高頻譜分析精度［18］。

作者通過對(duì)4 000～7 500 Hz頻段內(nèi)的新鮮蛋與散黃蛋音頻信號(hào)進(jìn)行3尺度Daubechies小波分解，得到如圖3所示的3尺度小波分解的近似分量信號(hào)。

圖3 新鮮蛋與散黃蛋音頻信號(hào)3尺度小波分解對(duì)比Fig.3 Fresh and scattered yolk eggs audio signals of 3 scale decomposition of wavelet contrast

由圖3可見，經(jīng)3尺度Daubechies小波分解后，可明顯分辨出新鮮蛋與散黃蛋的頻譜特征差異性，并基于此對(duì)每個(gè)分解尺度下的頻譜分別提取3個(gè)特征值，分別為6 500 Hz處的頻譜幅值、4 000～7 500 Hz頻段內(nèi)的頻譜幅值平均值與4 000～7 500 Hz頻段內(nèi)的頻譜面積。最終，特征向量由這9個(gè)特征值所構(gòu)成。

2.3 神經(jīng)網(wǎng)絡(luò)辨識(shí)

通過對(duì)訓(xùn)練集中的200個(gè)新鮮蛋和散黃蛋的音頻數(shù)據(jù)分別進(jìn)行2.2節(jié)所示的特征提取，得到共由1 800個(gè)數(shù)據(jù)構(gòu)成的9維特征向量，并以此作為BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)和Hopfield神經(jīng)網(wǎng)絡(luò)的輸入量，用來訓(xùn)練這3種神經(jīng)網(wǎng)絡(luò)各自的檢測(cè)模型，并分別用測(cè)試集對(duì)訓(xùn)練完成的BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)和Hopfield神經(jīng)網(wǎng)絡(luò)進(jìn)行驗(yàn)證。

2.3.1 BP神經(jīng)網(wǎng)絡(luò)辨識(shí) BP（Back Propagation）網(wǎng)絡(luò)是1986年由Rinehart和McClelland為首的科學(xué)家小組提出，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入-輸出模式映射關(guān)系，而無需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。它的學(xué)習(xí)規(guī)則是使用最速下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最?。?9］。作者設(shè)定新鮮蛋和散黃蛋的類別標(biāo)識(shí)值分別為-1和1，經(jīng)過不斷嘗試，在3層的BP神經(jīng)網(wǎng)絡(luò)中，將中間的隱含層設(shè)置為8個(gè)神經(jīng)元，允許最大訓(xùn)練步數(shù)300步，訓(xùn)練目標(biāo)最小誤差1×10-4，傳遞函數(shù)為S型對(duì)數(shù)函數(shù)，用訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)對(duì)測(cè)試集進(jìn)行檢測(cè)，檢測(cè)結(jié)果如圖4所示。

圖4 BP神經(jīng)網(wǎng)絡(luò)的辨識(shí)結(jié)果Fig.4 Identification results of BP neural network

通過圖4可見，BP神經(jīng)網(wǎng)絡(luò)對(duì)測(cè)試集中新鮮蛋和散黃蛋的識(shí)別率均為96%。

2.3.2 RBF神經(jīng)網(wǎng)絡(luò)辨識(shí) 徑向基神經(jīng)網(wǎng)絡(luò)（Radial basis function neural network，RBFNN）是一種3層前饋網(wǎng)絡(luò)，包括輸入層、隱含層和輸出層。目前已經(jīng)證明，RBFNN能夠以任意精度逼近任意連續(xù)函數(shù)，具有最佳逼近及克服局部極小值問題的性能。另外，RBF神經(jīng)網(wǎng)絡(luò)的有關(guān)參數(shù)，如具有重要性能的隱含層神經(jīng)元的中心向量和寬度向量，是根據(jù)訓(xùn)練集中的樣本模式按照一定的規(guī)則來確定或者初始化的，這就可能使RBF神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中不易陷入局部極小值的解域中。同樣設(shè)定新鮮蛋和散黃蛋的類別標(biāo)識(shí)值分別為-1和1，經(jīng)不斷調(diào)整，設(shè)置徑向基函數(shù)的分布密度為3時(shí)，訓(xùn)練和預(yù)測(cè)性能都比較好且有較小的誤差，對(duì)測(cè)試集的辨識(shí)結(jié)果如圖5所示。

圖5 RBF神經(jīng)網(wǎng)絡(luò)的辨識(shí)結(jié)果Fig.5 Identification results of RBF neural network

通過圖5可見，RBF神經(jīng)網(wǎng)絡(luò)對(duì)測(cè)試集中新鮮蛋和散黃蛋的識(shí)別率分別為98%和96%。

2.3.3 Hopfield神經(jīng)網(wǎng)絡(luò)辨識(shí) Hopfield網(wǎng)絡(luò)有2層神經(jīng)元，內(nèi)部結(jié)構(gòu)如圖6所示，第1層僅是作為網(wǎng)絡(luò)的輸入，它不是實(shí)際神經(jīng)元，所以沒有計(jì)算功能；而第2層是實(shí)際神經(jīng)元，故而執(zhí)行對(duì)輸入信息與權(quán)系數(shù)相乘求累加和，并由非線性函數(shù)f處理后產(chǎn)生輸出信息。f是一個(gè)簡(jiǎn)單的閾值函數(shù)，如果神經(jīng)元的輸出信息大于閾值θ，那么神經(jīng)元的輸出就取值為1；小于閾值θ，則神經(jīng)元的輸出就取值為-1［20］。所以，作者設(shè)定新鮮蛋和散黃蛋的類別標(biāo)識(shí)同樣分別為-1和1，用訓(xùn)練好的Hopfield網(wǎng)絡(luò)對(duì)測(cè)試集進(jìn)行檢測(cè)，檢測(cè)結(jié)果如圖7所示。

通過圖7可見，Hopfield網(wǎng)絡(luò)對(duì)測(cè)試集中新鮮蛋和散黃蛋的識(shí)別率均為98%。

2.4 不同雞蛋散黃檢測(cè)分類模型效果對(duì)比

通過對(duì)圖4、圖5和圖7所示的辨識(shí)結(jié)果進(jìn)行匯總，得到如表1所示的各分類模型的辨識(shí)精度對(duì)比。

圖6 Hopfield網(wǎng)絡(luò)內(nèi)部結(jié)構(gòu)示意圖Fig.6 Internal structure diagram of Hopfield neural network

圖7 Hopfield網(wǎng)絡(luò)的辨識(shí)結(jié)果Fig.7 Identification results of Hopfield neural network

表1 新鮮蛋和散黃蛋的辨識(shí)結(jié)果Table1 Identification results of Fresh and scattered yolk eggs

由表1可見，Hopfield雞蛋散黃檢測(cè)模型對(duì)新鮮蛋和散黃蛋辨識(shí)效果最佳，識(shí)別率均可達(dá)到98%，可對(duì)散黃蛋進(jìn)行有效檢測(cè)。

3 結(jié)語(yǔ)

利用農(nóng)產(chǎn)品的聲學(xué)特性對(duì)其品質(zhì)進(jìn)行無損檢測(cè)是近30年來發(fā)展較快的一門技術(shù)，而以往利用聲學(xué)特性檢測(cè)雞蛋品質(zhì)時(shí)，主要是通過聲脈沖敲擊法進(jìn)行研究，但其易受噪聲干擾，頻譜幅值能量較低，而掃頻式振動(dòng)雞蛋可以極大地提高信噪比，增強(qiáng)雞蛋振動(dòng)信息，通過對(duì)圖2的研究發(fā)現(xiàn)，其頻譜幅值能量要比參考文獻(xiàn)9和參考文獻(xiàn)10中利用聲脈沖敲擊法的頻譜幅值能量分別高近1至兩個(gè)數(shù)量級(jí)，從而更加驗(yàn)證了掃頻式振動(dòng)在雞蛋散黃檢測(cè)中的可行性，且掃頻振動(dòng)時(shí)間為31.6 ms，能夠?qū)﹄u蛋品質(zhì)進(jìn)行快速檢測(cè)。研究結(jié)果表明，散黃蛋的敏感頻段出現(xiàn)在4 000～7 500 Hz范圍內(nèi)，且利用磁致伸縮振子掃頻振動(dòng)未知品質(zhì)雞蛋，再通過3尺度Daubechies小波變換分析，并結(jié)合Hopfield雞蛋散黃檢測(cè)模型檢測(cè)雞蛋散黃是可行的，且對(duì)新鮮蛋和散黃蛋的識(shí)別率均可達(dá)到98%，為雞蛋散黃的無損檢測(cè)提供了一種快速有效的方法。

［1］MERTENS K，DE Ketelaere B，KAMERS B，et al.Dirt detection on brown eggs by means of color computer vision［J］.Poultry Science，2005，84（10）：1653-1659.

［2］馮俊青.基于SVM的雞蛋外觀品質(zhì)檢測(cè)方法研究［D］.呼和浩特：內(nèi)蒙古農(nóng)業(yè)大學(xué)，2008.

［3］DEHROUYEH M H，OMID M，AHMADI H，et al.Grading and quality inspection of defected eggs using machine vision［J］. International Journal of Advanced Science and Technology，2010，17：23-31.

［4］ALTUNTAS E，SEKEROGLU A.Effect of egg shape index on mechanical properties of chicken eggs［J］.Journal of Food Engineering，2008，85（4）：606-612.

［5］LIN H，ZHAO J，SUN L，et al.Stiffness measurement of eggshell by acoustic resonance and PLS models［J］.Journal of Food Engineering，2011，103（4）：351-356.

［6］熊歡.蛋殼強(qiáng)度和厚度的近紅外光譜檢測(cè)分析［D］.杭州：浙江大學(xué)，2013.

［7］WANG J，JIANG R.Eggshell crack detection by dynamic frequency analysis［J］.European Food Research and Technology，2005，221（1-2）：214-220.

［8］LIN H，ZHAO J W，CHEN Q S，et al.Eggshell crack detection based on acoustic impulse response and supervised pattern recognition［J］.Czech J Food Sci Vol，2009，27（6）：393-402.

［9］孫力.禽蛋品質(zhì)在線智能化檢測(cè)關(guān)鍵技術(shù)研究［D］.鎮(zhèn)江：江蘇大學(xué)，2013.

［10］潘磊慶，屠康，趙立，等.敲擊振動(dòng)檢測(cè)雞蛋裂紋的初步研究［J］.農(nóng)業(yè)工程學(xué)報(bào)，2005，21（4）：11-15. PAN Leiqing，TU Kang，ZHAO Li，et al.Preliminary research of chicken egg crack detection based on acoustic resonance analysis［J］.Chinese society of Agricultural Engineering，2005，21（4）：11-15.（in Chinese）

［11］賀靜，王樹才.基于DSP實(shí)時(shí)圖像分割算法的雞蛋蛋殼破損檢測(cè)［J］.湖南科技學(xué)院學(xué)報(bào)，2010，31（4）：55-58. HE Jing，WANG Shucai.Detection of eggshell defects using the segmentation algorithm of real-time image based on DSP［J］. Journal of Hunan University of Science and Engineering，2010，31（4）：55-58.（in Chinese）

［12］DUTTA R，HINES E L，GARDNER J W，et al.Non-destructive egg freshness determination：an electronic nose based approach ［J］.Measurement Science and Technology，2003，14（2）：190-195.

［13］劉明，潘磊慶，屠康，等.電子鼻檢測(cè)雞蛋貨架期新鮮度變化［J］.農(nóng)業(yè)工程學(xué)報(bào)，2010，26（4）：317-321. LIU Ming，PAN Leiqing，TU Kang，et al.Determination of egg freshness during shelf life with electronic nose［J］.Chinese Society of Agricultural Engineering，2010，26（4）：317-321.（in Chinese）

［14］YANDE L，YIBIN Y.Study on optical nondestructive inspection of chicken-egg freshness［J］.Proceeding of JICAST，2002，32 （3）：112-116.

［15］KEMPS B J，BAMELIS F R，DE Ketelaere B，et al.Visible transmission spectroscopy for the assessment of egg freshness［J］. Journal of the Science of Food and Agriculture，2006，86（9）：1399-1406.

［16］GIUNCHI A，BERADINELLI A，RAGNI L，et al.Non-destructive freshness assessment of shell eggs using FT-NIR spectroscopy ［J］.Journal of Food Engineering，2008，89（2）：142-148.

［17］LIN H，ZHAO J，SUN L，et al.Freshness measurement of eggs using near infrared （NIR）spectroscopy and multivariate data analysis［J］.Innovative Food Science&Emerging Technologies，2011，12（2）：182-186.

［18］彭玉華.小波變換與工程應(yīng)用［M］.北京：科學(xué)出版社，2000.

［19］汪小鋒，付強(qiáng)，申旭光，等.基于BP神經(jīng)網(wǎng)絡(luò)的洋蔥伯克霍爾德菌脂肪酶發(fā)酵軟測(cè)量建模 ［J］.食品與生物技術(shù)學(xué)報(bào)，2010，29（6）：921-926. WANG Xiaofeng，F(xiàn)U Qiang，SHEN Xuguang，et al.Soft sensor modeling of Burkholderia cepacia lipase fermentation process based on BP neural network［J］.Journal of food science and Biotechnology，2010，29（6）：921-926.（in Chinese）

［20］楊淑瑩.模式識(shí)別與智能計(jì)算：Matlab技術(shù)實(shí)現(xiàn)［M］.北京：電子工業(yè)出版社，2011.

Study on Detection of Scattered Yolk Eggs Based on Multi-Scale Wavelet Transform Method

ZHANG Chao， LU Wei*， DING Tianhua， DU Jianjian， DING Weimin， LUO Hui
（College of Engineering/Jiangsu Province Engineering Laboratory of Modern Facility Agriculture Technology and Equipment，Nanjing Agricultural University，Nanjing 210031，China）

Ferric chloride is widely used in the wastewater treatment.The mechanism study on the flocculating of ferric chloride and the recent progress were discussed in this paper.Four typical mechanisms were illustrated including charge neutralization，adsorption bridging，sweep flocculation and compressing thickness of electric double layer.The current research progress was reviewed and intensive study was suggested on floc structure，conformation，zeta potential and the synergistic effect of ferric chloride.

ferric chloride，mechanism of flocculation，research progress

TP 391.42

A

1673—1689（2016）07—0709—05

2015-03-14

國(guó)家自然科學(xué)基金青年基金項(xiàng)目（61401215）；江蘇省自然科學(xué)基金項(xiàng)目（BK20130696）；中央高?；究蒲袠I(yè)務(wù)經(jīng)費(fèi)項(xiàng)目（KYZ201427）；國(guó)家大學(xué)生創(chuàng)新項(xiàng)目（201410307081）。

盧 偉（1978—），男，江蘇徐州人，工學(xué)博士，副教授，主要從事農(nóng)產(chǎn)品無損檢測(cè)技術(shù)、機(jī)器人傳感與控制技術(shù)研究。

E-mail：njaurobot@njau.edu.cn