邢志中　張海東　王孟　翟超男　郭小軍+陳騰

摘要：為了提高雞蛋新鮮度分級的準(zhǔn)確率，利用計算機視覺技術(shù)，通過所搭建的雞蛋透射光圖像采集系統(tǒng)獲取雞蛋透射光圖像信息，提取雞蛋的5個形狀特征和6個顏色特征參數(shù)，結(jié)合BP神經(jīng)網(wǎng)絡(luò)與雞蛋的哈夫單位值進(jìn)行對照，從而建立雞蛋新鮮度檢測分級模型。其訓(xùn)練集和測試集的分級正確率分別為99.583 3%和98.333 3%。該分級模型的分級正確率達(dá)98.000 0%以上，具有較好的泛化功能及魯棒性。結(jié)果表明，用雞蛋的形狀參數(shù)與顏色參數(shù)，結(jié)合神經(jīng)網(wǎng)絡(luò)對雞蛋新鮮度分級是可行的，具有較高的分級正確率。

關(guān)鍵詞：雞蛋；計算機視覺；新鮮度；神經(jīng)網(wǎng)絡(luò)

中圖分類號： S126文獻(xiàn)標(biāo)志碼： A

文章編號：1002-1302（2017）11-0160-04[HS）][HT9.SS]

研究開發(fā)新的雞蛋品質(zhì)檢測與分級技術(shù)，對提升我國雞蛋標(biāo)準(zhǔn)化生產(chǎn)和規(guī)模化生產(chǎn)，增強我國雞蛋產(chǎn)業(yè)的國際競爭力都有極其重要的意義。目前，我國評價雞蛋品質(zhì)的傳統(tǒng)檢測法主要有人工感官法和理化指標(biāo)法[1-3]。感官評價法簡單易行，能夠保證雞蛋的完整，但受品質(zhì)測評人員主觀因素的影響較大，結(jié)果也不夠準(zhǔn)確，且檢測效率低[4]；理化指標(biāo)法的評價結(jié)果比感官法客觀，但要求測評人員具備熟練的參數(shù)測定技能，測定后樣品雞蛋有損壞，還存在檢測效率低的問題，不適于在線快速品質(zhì)檢測。

鑒于上述傳統(tǒng)檢測方法的不足，近年來，有不少學(xué)者將農(nóng)產(chǎn)品無損檢測技術(shù)用于蛋品品質(zhì)的檢測研究[5-6]。王巧華等為獲得雞蛋新鮮度，通過計算機視覺系統(tǒng)以及數(shù)學(xué)軟件 Matlab 軟件獲得雞蛋的色調(diào)、強度、飽和度，并建立了神經(jīng)網(wǎng)絡(luò)對蛋品新鮮度進(jìn)行檢測，該模型對褐殼蛋及白殼蛋正確識別率分別為87.258%、89.029%[7]；潘慶磊等利用計算機視覺，提取雞蛋裂紋及噪聲區(qū)域的圓形度、面積、長徑、短徑、長短徑之比，結(jié)合神經(jīng)網(wǎng)絡(luò)，辨別雞蛋裂紋，并對其進(jìn)行分級，其模型正確識別率達(dá)到92.900%[8]；鄭利敏等利用工業(yè)數(shù)字?jǐn)z像頭得到雞蛋的數(shù)字圖像，從而提取雞蛋圖像特征的蛋黃以及氣室指數(shù)，創(chuàng)建其與新鮮度和貯藏期的關(guān)系模型，得到蛋黃指數(shù)與蛋品新鮮度具有線性關(guān)系，試驗測得數(shù)值和預(yù)測數(shù)值的平均相對誤差結(jié)果為6.000%，雞蛋蛋黃指數(shù)、雞蛋氣室指數(shù)和雞蛋的貯藏期之間具有二次函數(shù)的關(guān)系，絕對誤差不超過 2 d[9]。本研究仍利用計算機視覺技術(shù)和神經(jīng)網(wǎng)絡(luò)對雞蛋新鮮度進(jìn)行測定，提取雞蛋的5個形狀特征和6個顏色特征參數(shù)，共計11個參數(shù)，建立并完善雞蛋的新鮮度（哈夫值）的無損檢測方法，使其具有更高的分級正確率，同時為以后的相關(guān)研發(fā)提供參考。

1試驗材料與設(shè)備

1.1試驗材料和分組

雞蛋樣本為云南農(nóng)業(yè)大學(xué)養(yǎng)雞場提供的2015年3月6日所產(chǎn)的新鮮雞蛋，選取大小均勻、雞蛋形狀接近、雞蛋外殼表面沒有裂紋的紅褐色雞蛋610枚。其中600枚為試驗所用，剩余10枚以替換試驗過程意外損壞或操作失誤出現(xiàn)異常數(shù)據(jù)的樣本。將樣本蛋分別清洗干凈，平均分為30組，20枚/組并依次編號。試驗期間樣本雞蛋小頭朝下放于蛋盤中，在室溫下進(jìn)行保存。

1.2試驗設(shè)備

本研究自行設(shè)計了1個30 cm×20 cm×70 cm的暗室，暗室內(nèi)壁用黑色幕布敷貼。光源使用1個自制圓柱體燈罩將其密閉起來，燈罩頂面有1個略小于樣本蛋的透光橢圓孔（長軸為3.8 cm，短軸為3.0 cm），并在樣本蛋與光孔間放置一同樣開孔大小的軟墊片，確保樣本雞蛋與光孔邊緣充分接觸，光源采用Philips磨砂玻殼的白熾燈，功率為60 W。工業(yè)相機為德國the Imaging Source的DFK 31BG03.H千兆以太網(wǎng)CCD彩色工業(yè)相機，其分辨率為1 024×768像素，感光器件采用逐行掃描的Sony CCD。相機鏡頭與樣本蛋距離為 50.6 cm，光源與樣本蛋距離為2.7 cm。系統(tǒng)示意見圖1。

由于本研究中相機的參數(shù)不會經(jīng)常變化，因此選用網(wǎng)格標(biāo)定法進(jìn)行系統(tǒng)標(biāo)定。在紙上自行給出邊長為7 cm的正方形，將其邊長以1 cm等分為大小相同的小正方形網(wǎng)格。保證網(wǎng)格平面和光軸嚴(yán)格垂直的情況下，對網(wǎng)格圖像開始采集。從而可以得到相機像素和雞蛋尺寸之間的關(guān)系。

通過公式（1）計算出哈夫值，測量蛋白高度值所使用的方法是將雞蛋殼磕破，使蛋芯放置于水平的玻璃板上，使用深度游標(biāo)卡尺在蛋白四周不同位置測得3組高度值，取其平均數(shù)值。

[JZ（]Ha=100 lg（10h+7.57-1.7w0.37）。[JZ）][JY]（1）

式中：h表示為所得蛋白的高度值，cm；w表示為所得蛋品的質(zhì)量，g。

哈夫值為>72～80的雞蛋數(shù)量占總測量數(shù)量的[JP2]2333%，哈夫值為22～30、>30～60、>60～72的雞蛋數(shù)量分別占總測量數(shù)量的3.33%、23.33%、50.00%（圖2）。[JP]

2雞蛋圖像處理和特征參數(shù)提取

2.1雞蛋圖像處理

在保持同焦距、物距情況下，對每個雞蛋樣本分別采集3次，圖像格式為BMP，1 024×768像素的RGB數(shù)字圖像并保存。采集到的雞蛋圖像見圖3。

圖像處理的步驟主要有：圖像分割、圖像去噪、數(shù)學(xué)形態(tài)學(xué)變換以及邊緣檢測等?；陂撝档姆指睿ǔＳ玫綀D像分割法[10-11]，圖4為雞蛋圖像的R、G、B值直方圖。由圖4可知，G分量直方圖上存在1個明顯的低谷（圖中箭頭所示），選擇G分量灰度值38作為閾值，進(jìn)而將圖像分割。分割后的雞蛋圖像見圖5。

圖像去噪采用均值濾波，去噪前后的雞蛋圖像見圖6。此圖用來提取雞蛋的顏色特征。

本研究圖像上散點噪聲采用形態(tài)學(xué)運算將其去除。圖7-b為二值化處理后的圖像。圖7-c為開運算后的雞蛋二值圖像。通過對比邊緣檢測算子：Roberts算子、Sobel算子、Prewitt算子以及Canny算子[12-14]的結(jié)果（圖8），Roberts算子得到的邊緣檢測結(jié)果較為理想。因此，采用Roberts算子進(jìn)行圖像的邊緣檢測[15]，其結(jié)果用于提取雞蛋的形狀特征參數(shù)（邊緣周長C）。

2.2雞蛋特征參數(shù)提取

通過對雞蛋圖像的處理之后，得到雞蛋的形狀特征參數(shù)與[CM（25]顏色特征參數(shù)，本研究所提取雞蛋圖像的5個形狀特征參[CM）]

數(shù)為：雞蛋圖像面積A（由區(qū)域所包含的像素個數(shù)決定），周長C（雞蛋圖像外輪廓線的長度），長徑最大值a和短徑最大值b，蛋形指數(shù)c（雞蛋長徑的最大值a與雞蛋短徑的最大值b 之比）。

提取雞蛋圖像處理之后6個顏色特征參數(shù)：每幅圖像中所有像素的R、G、B、H、S、I及其均值R[TX-]、G[TX-]、B[TX-]、H[TX-]、S[TX-]、I[TX-]。

[WTHZ]3雞蛋新鮮度的BP神經(jīng)網(wǎng)絡(luò)分級

3.1雞蛋新鮮度的BP神經(jīng)網(wǎng)絡(luò)分級模型

本研究的雞蛋樣本中有AA級、A級、B級、C級4個級別，雞蛋樣本數(shù)據(jù)共600組。根據(jù)經(jīng)驗將訓(xùn)練集樣本以及測試集樣本各對應(yīng)等級按4 ∶[KG-*3]1比例分配樣本：從中隨機選取AA級樣本112個，A級樣本240個，B級樣本112個，C級樣本16個，共480個作為訓(xùn)練集樣本用于訓(xùn)練網(wǎng)絡(luò)，余下AA級樣本28個，A級樣本60個，B級樣本28個，C級樣本4個，測試集樣本共計120個驗證網(wǎng)絡(luò)模型的分級能力。

神經(jīng)網(wǎng)絡(luò)輸入層及輸出層層數(shù)都固定為1，根據(jù)選取雞蛋形狀與顏色特征參數(shù)確定輸入層的節(jié)點數(shù)為11個。以雞蛋新鮮度等級作為神經(jīng)網(wǎng)絡(luò)輸出結(jié)果，輸出層的節(jié)點數(shù)為1。將新鮮度等級為AA級、A級、B級以及C級的雞蛋分別賦值1、2、3、4。

理論和實踐都證明，過于復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)容易產(chǎn)生“過擬合”[16]。因此本研究中為加快神經(jīng)網(wǎng)絡(luò)的運算速度，在達(dá)到精度的要求下，采用單隱含層結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)建立分級模型。本研究以輸入以及輸出層的節(jié)點數(shù)n、m的平均值（n+m）/2作為隱含層節(jié)點數(shù)初始數(shù)。采用試湊法在初始數(shù)上左右偏移，得到不同的隱含層節(jié)點數(shù)與網(wǎng)絡(luò)分類之間的誤差關(guān)系，當(dāng)節(jié)點為6時，訓(xùn)練集分類誤差值為最小，故BP神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點數(shù)為6。

除此之外，設(shè)定目標(biāo)誤差為0.01。隱含層及輸出層傳遞函數(shù)分別采用S形雙曲正切傳遞函數(shù)tansigy=2/[1+exp（-2x）]-1和線性傳遞函數(shù)purelin y=x，設(shè)定學(xué)習(xí)速率為0.05，迭代次數(shù)為1 000次。

3.2雞蛋新鮮度的BP神經(jīng)網(wǎng)絡(luò)分級結(jié)果

利用所建立的模型將測試集120個雞蛋樣本進(jìn)行分級，從而驗證該模型的性能。

由圖9、圖10可知，訓(xùn)練集樣本和測試集樣本都能夠較準(zhǔn)確地被分級識別。訓(xùn)練集樣本中1個B級雞蛋樣本被誤判成A級雞蛋樣本，識別正確率為99.107 1%；1個C級雞蛋樣本誤判成B級雞蛋樣本，識別正確率為93.750 0%；AA等級與A等級識別正確率均為100.000 0%，訓(xùn)練集分級正確率達(dá)到99.583%。測試集樣本中將1個B級雞蛋樣本誤判為A級雞蛋樣本，正確率為96.428 6%；將1個A級雞蛋樣本誤判成AA雞蛋級樣本，正確率為98.333 3%；AA等級與C等級識別率均為100.000 0%，測試集的分級正確率高達(dá) 98.333 0%。說明此模型對外部的樣本有很高的識別能力。上述研究結(jié)果表明，利用計算機視覺結(jié)合BP神經(jīng)網(wǎng)絡(luò)識別蛋品新鮮度具有可行性。

4結(jié)論

本研究搭建了雞蛋圖像的采集裝置，對采集到的圖像預(yù)處理后，提取相關(guān)的顏色特征參數(shù)和形狀特征參數(shù)。依照國際上常采用的美國農(nóng)業(yè)部蛋品評價標(biāo)準(zhǔn)對雞蛋的新鮮度進(jìn)行檢測分級。利用提取到的特征參數(shù)結(jié)合神經(jīng)網(wǎng)絡(luò)所建立雞蛋新鮮度分級模型的訓(xùn)練集分級正確率達(dá)到99.583 3%；測試集的分級正確率為98.333 3%。

結(jié)果表明，提取雞蛋的形狀參數(shù)與顏色參數(shù)，結(jié)合神經(jīng)網(wǎng)絡(luò)對雞蛋新鮮度分級不僅可行，且相比其他參數(shù)具有更高的分級正確率。

參考文獻(xiàn)：

[1]李劍鋒. 基于近紅外光譜漫反射技術(shù)檢測雞蛋新鮮度的研究[D]. 武漢：華中農(nóng)業(yè)大學(xué)，2009.

[2]張正周，李娟，鄭旗，等. 計算機視覺技術(shù)在農(nóng)產(chǎn)品加工業(yè)中的應(yīng)用研究進(jìn)展[J]. 農(nóng)業(yè)與技術(shù)，2014，34（1）：34-36.

[3]姚瑞玲. 計算機視覺技術(shù)在食品工業(yè)中的應(yīng)用研究進(jìn)展[J]. 食品與發(fā)酵科技，2014，50（4）：93-97.

[4]徐浩，方潔，李菁楠，等. 模糊數(shù)學(xué)法在米糠酥性餅干配方研究中的應(yīng)用[J]. 食品科技，2015（8）：147-150.

[5]潘立剛，張縉，陸安祥，等. 農(nóng)產(chǎn)品質(zhì)量無損檢測技術(shù)研究進(jìn)展與應(yīng)用[J]. 農(nóng)業(yè)工程學(xué)報，2008，24（2）：325-330.

[6]劉靜，章程輝，黃勇平. 無損檢測技術(shù)在農(nóng)產(chǎn)品品質(zhì)評價中的應(yīng)用[J]. 福建熱作科技，2007，32（3）：32-35，18.

[7]王巧華，任奕林，文友先. 基于BP神經(jīng)網(wǎng)絡(luò)的雞蛋新鮮度無損檢測方法[J]. 農(nóng)業(yè)機械學(xué)報，2006，37（1）：104-106.

[8]潘磊慶，屠康，蘇子鵬，等. 基于計算機視覺和神經(jīng)網(wǎng)絡(luò)檢測雞蛋裂紋的研究[J]. 農(nóng)業(yè)工程學(xué)報，2007，23（5）：154-158.

[9]鄭麗敏，楊旭，徐桂云，等. 基于計算機視覺的雞蛋新鮮度無損檢測[J]. 農(nóng)業(yè)工程學(xué)報，2009，25（2）：335-339.[ZK）]

[10]劉松濤，殷福亮. 基于圖割的圖像分割方法及其新進(jìn)展[J]. 自動化學(xué)報，2012，38（6）：911-922.

[11]鄭曉曦，嚴(yán)俊龍. 圖像分割新方法綜述[J]. 計算機與數(shù)字工程，2007，35（8）：103-106.

[12]黃鋒華，劉琪芳，冀金鳳. 基于MATLAB數(shù)字圖像邊緣檢測算子的研究[J]. 機械工程與自動化，2011（4）：48-50.

[13]袁春蘭，熊宗龍，周雪花，等. 基于Sobel算子的圖像邊緣檢測研究[J]. 激光與紅外，2009，39（1）：85-87.

[14]趙宏中，張彥超. 基于Canny邊緣檢測算子的圖像檢索算法[J]. 電子設(shè)計工程，2010，18（2）：75-77，80.

[15]趙芳，欒曉明，孫越. 數(shù)字圖像幾種邊緣檢測算子檢測比較分析[J]. 自動化技術(shù)與應(yīng)用，2009，28（3）：68，72.

[16]盧偉，李良庚. 基于BP神經(jīng)網(wǎng)絡(luò)的水泵全特性曲線擬合[J]. 小水電，2001（6）：27-28.[ZK）][HT][HJ][FL）]