吳劍杰

紹興職業(yè)技術(shù)學(xué)院（紹興 312000）

禽蛋是人們?nèi)粘Ｉ钪胁豢苫蛉钡囊环N食物，隨著中國禽蛋行業(yè)的快速發(fā)展，人們對其品質(zhì)的要求也越來越高[1-3]。以表面裂紋為例，該缺陷嚴(yán)重影響禽蛋品質(zhì)，關(guān)乎食品安全問題。如何高效、準(zhǔn)確地實(shí)現(xiàn)裂紋檢測是保證禽蛋品質(zhì)的關(guān)鍵環(huán)節(jié)。傳統(tǒng)檢測方式主要依賴人工敲擊辨聽，不僅檢測效率低、勞動(dòng)強(qiáng)度大，而且容易造成二次損傷[4-5]。因此，設(shè)計(jì)一種無損檢測系統(tǒng)具有一定實(shí)用意義和實(shí)際應(yīng)用價(jià)值。近幾年，機(jī)器視覺技術(shù)發(fā)展十分迅速，利用機(jī)器視覺進(jìn)行禽蛋外形和裂紋檢測具有快速、準(zhǔn)確、無損等優(yōu)點(diǎn)[6-9]。通過對禽蛋圖像的采集、處理、特征提取、缺陷識(shí)別，能夠得到大小、扁平程度、裂紋等諸多品質(zhì)指標(biāo)，進(jìn)而實(shí)現(xiàn)禽蛋的分級(jí)、篩選等操作[10-11]。關(guān)于機(jī)器視覺在禽蛋檢測中的應(yīng)用研究日趨廣泛，如杜艷紅等[12]認(rèn)為雞蛋外形為橢圓，可以利用橢圓曲線擬合的方式獲取雞蛋外形參數(shù)，建立一種關(guān)于雞蛋長短軸像素值和真實(shí)值的數(shù)學(xué)模型，進(jìn)而得到雞蛋外形特征。彭輝等[13]提出一種禽蛋破損檢測算法，主要以禽蛋圖像的G分量為研究對象，通過梯度增強(qiáng)、投影變換獲取圖像內(nèi)部有效數(shù)據(jù)，采用隸屬度函數(shù)判斷禽蛋破損程度。歐陽靜怡等[14]利用計(jì)算機(jī)視覺技術(shù)獲取雞蛋表面圖像，同時(shí)采用同態(tài)濾波、BET算法、Fisher算法等圖像處理技術(shù)，提取裂紋特征并識(shí)別。結(jié)果表明，雞蛋裂紋識(shí)別率可達(dá)98%。

以雞蛋表面裂紋檢測為研究對象，在介紹雞蛋表面圖像采集系統(tǒng)的基礎(chǔ)上，重點(diǎn)論述圖像處理算法，通過具體試驗(yàn)驗(yàn)證所述方法的準(zhǔn)確性。

1 表面圖像采集系統(tǒng)

雞蛋表面圖像采集系統(tǒng)如圖1所示，主要包括計(jì)算機(jī)、圖像采集卡、工業(yè)相機(jī)、暗箱、光源、傳送裝置、裝置臺(tái)等部分[15]。

圖1 雞蛋表面圖像采集系統(tǒng)

工業(yè)相機(jī)可實(shí)時(shí)采集雞蛋表面圖片并將其傳送至計(jì)算機(jī)，由于傳送裝置可使雞蛋不停轉(zhuǎn)動(dòng)，可以捕捉到雞蛋多個(gè)側(cè)面的圖像，以提高缺陷檢測的正確率。從實(shí)際使用效果來看，裝置可以滿足整個(gè)系統(tǒng)對圖像的要求。

光源的照明方式主要包括2種，即背向照明和前向照明。其中，背向照明要求將待測物體放置在光源和相機(jī)之間，其優(yōu)點(diǎn)是可以清晰地勾勒出待測物體的邊緣輪廓。通常情況下，雞蛋受到光線照射具有一定的通透性，而且裂紋處和完好區(qū)域的通透性不同。因此，選用背向照明實(shí)現(xiàn)雞蛋表面特征圖像和邊緣輪廓圖像的采集。

暗箱頂端中間開孔用來固定工業(yè)相機(jī)。暗箱底端放置傳送裝置，另外，裝置臺(tái)的高度可以上下調(diào)節(jié)，滿足不同物距條件下圖像采集。為提高圖片質(zhì)量，暗箱內(nèi)壁往往刷成乳白色，這樣能夠有效地減少鏡面反射，增加漫反射。暗箱底部最好選用黑色，可以吸收發(fā)射光，將待測物體和背景嚴(yán)格區(qū)分開。

2 裂紋圖像分析算法

雞蛋表面裂紋檢測采用背光照明方式，該照明方式會(huì)導(dǎo)致的問題：所獲圖像中雞蛋表面微小裂紋并不明顯，需要進(jìn)行裂紋增強(qiáng)處理；背光照明會(huì)使雞蛋表面暗斑變得比較明顯，直接影響裂紋檢測結(jié)果，因此需要選取合適裂紋識(shí)別方法。

2.1 裂紋增強(qiáng)

裂紋增強(qiáng)是指在減少噪聲和其他干擾的前提下，通過相關(guān)算法實(shí)現(xiàn)圖像預(yù)處理，盡量突出和保留裂紋固有特征信息，使其結(jié)構(gòu)清晰化。一般情況下，雞蛋表面細(xì)小裂紋會(huì)導(dǎo)致其圖像的灰度值、紋理特征發(fā)生突變。因此，可采用邊緣檢測算法實(shí)現(xiàn)圖像增強(qiáng)。常用的邊緣檢測算子主要包括一階和二階微分算子。綜合考慮，選用LOG算子，利用二維高斯平滑算子實(shí)現(xiàn)圖像預(yù)處理，去掉一部分噪聲；通過Laplace算子完成邊緣檢測。

假設(shè)所選二維高斯平滑算子為G(x,y)，其表達(dá)式為：

式中：x,y為圖像坐標(biāo)；σ為概率分布標(biāo)準(zhǔn)差，其數(shù)值和濾波器操作鄰域大小呈線性正相關(guān)。為簡化分析過程，遠(yuǎn)離算子中心的像素影響可忽略不計(jì)，以3σ為界。

對于二維圖像f(x,y)，Laplace算子可表示為：

綜合式（1）和（2）可得圖像f(x,y)的Laplacian公式：

考慮到卷積的微分性質(zhì)，可事先對高斯函數(shù)求偏導(dǎo)，即先計(jì)算2Gσ；進(jìn)行卷積求解，可以提高計(jì)算效率。具體表達(dá)式為：

式中：2Gσ為LOG濾波器，具體表達(dá)式為：

通過具體測試可以發(fā)現(xiàn)，負(fù)LOG算子對大面積薄斑的增強(qiáng)效果并不明顯，而且可以有效增強(qiáng)極性相反、互相平行的裂紋，所以選用負(fù)LOG算子。對于負(fù)LOG算子，有2個(gè)參數(shù)比較重要，即尺度參數(shù)σ和模板尺寸。裂紋增強(qiáng)效果在很大程度上取決于尺度參數(shù)，如果數(shù)值選取得當(dāng)，不僅能夠凸顯裂紋，而且可以抑制背景信息，防止裂紋分叉。后者主要影響像素檢測精度，模板尺寸不宜過大。尺度參數(shù)設(shè)置σ=0.3，模板尺寸設(shè)置5×5，具體為：

2.2 圖像閾值分割

定義經(jīng)增強(qiáng)處理后的灰度圖像為I(x,y)，圖內(nèi)部的冗余信息比較多，無法滿足裂紋識(shí)別要求。為解決此問題，采用閾值分割法實(shí)現(xiàn)增強(qiáng)圖像的二值化處理。對于一個(gè)2×2鄰域，可定義其內(nèi)部點(diǎn)(x,y)在x方向的一階偏導(dǎo)數(shù)為Kx(x,y)，在y方向的一階偏導(dǎo)數(shù)為Ky(x,y)，具體表達(dá)式為：

同樣，定義梯度方向?yàn)棣?x,y)，其表達(dá)式為：

對于邊緣點(diǎn)的判定依據(jù)可描述為：如果像素點(diǎn)(x,y)的梯度幅值不小于沿梯度方向的2個(gè)相鄰像素點(diǎn)的梯度幅值，那么可認(rèn)為該點(diǎn)就是可能邊緣點(diǎn)。

針對非極大值抑制處理的圖像，設(shè)定2個(gè)閾值：一個(gè)高，一個(gè)低。比高閾值大的點(diǎn)可視作強(qiáng)邊緣點(diǎn)；比高閾值小但大于低閾值的點(diǎn)可視作弱邊緣點(diǎn)；比低閾值小的點(diǎn)可直接舍棄?？啥x兩個(gè)邊緣圖像T1(x,y)和T2(x,y)，其中T1(x,y)可通過高閾值獲取，理想情況下T1(x,y)不含假邊緣，不過輪廓有可能是中斷的。雙閾值算法的優(yōu)點(diǎn)在于：可在T1(x,y)中將邊緣連接成輪廓。低閾值邊緣圖像T2(x,y)可在其鄰域范圍內(nèi)尋找可用于輪廓連接的邊緣，通過反復(fù)不斷地邊緣搜索，直到將所有T1(x,y)的間隙連接完成。

采用雙閾值法實(shí)現(xiàn)增強(qiáng)后雞蛋圖像的閾值分割處理。高閾值分割作用在于抑制大部分噪聲，但是容易造成部分裂紋信息丟失；低閾值分割作用在于保留模糊裂紋像素。總體來說，以高閾值分割為基礎(chǔ)，以低閾值分割為補(bǔ)充，這樣就可以實(shí)現(xiàn)裂紋連接，進(jìn)而獲取比較理想的裂紋分割結(jié)果。參考相關(guān)文獻(xiàn)，高閾值可設(shè)定為70，低閾值可設(shè)定為20，雞蛋裂紋圖像分割效果如圖2所示。

圖2 雞蛋裂紋圖像分割效果

2.3 裂紋識(shí)別

在清除雞蛋邊緣以后，就可以對裂紋進(jìn)行識(shí)別。可選用MATLAB算法實(shí)現(xiàn)裂紋分析，具體分析過程可描述為：

第一步，選取一定數(shù)量的有縫雞蛋和無縫雞蛋作為樣本，通過Fisher算法訓(xùn)練，可以得到投影參數(shù)V；

第二步，分別計(jì)算有縫投影中心值以及無縫投影中心值；

第三步，遇到新樣本或未知樣本時(shí)，可先計(jì)算其投影值，然后分別同有縫投影中心值和無縫投影中心值相比較，根據(jù)比較結(jié)果判斷有縫還是無縫（接近有縫投影中心值，則認(rèn)為有縫；接近無縫投影中心值，則認(rèn)為無縫）。

可將MATLAB中的Fisher函數(shù)集成到計(jì)算機(jī)中進(jìn)行學(xué)習(xí)判別。實(shí)際訓(xùn)練對比結(jié)果表明，識(shí)別準(zhǔn)確度在98%以上。雞蛋裂紋提取結(jié)果如圖3所示。

圖3 雞蛋裂紋提取結(jié)果

3 檢測結(jié)果與分析

為驗(yàn)證所述方法的可行性和有效性，進(jìn)行相關(guān)試驗(yàn)研究。在相同試驗(yàn)條件下，挑選經(jīng)過粗洗的200枚雞蛋作為訓(xùn)練、測試樣本，其中完好雞蛋100枚、裂紋雞蛋100枚。利用上述方法檢測雞蛋表面是否存在裂紋，檢測結(jié)果如表1所示。

表1 檢測結(jié)果

從試驗(yàn)結(jié)果可以看出，所述方法可以很好地實(shí)現(xiàn)對裂紋雞蛋的檢測，正確率達(dá)到99%，而完好雞蛋的檢測正確率可達(dá)98%。說明雞蛋表面裂紋檢測方法具有比較高的檢測精度，雞蛋表面圖像處理算法可有效避免噪聲等干擾影響，處理效果較好，可滿足檢測要求。

誤檢情況如圖4所示，誤檢情況可以分為兩類：一是將完好雞蛋誤認(rèn)為裂紋雞蛋，主要原因在于雞蛋表面的花紋引入的噪聲在預(yù)處理中不能完全去除，容易被檢測成為裂紋，造成完好雞蛋的誤檢；二是沒有檢測到雞蛋裂紋，主要原因在于雞蛋裂紋較小且靠近圖像邊緣，容易在去除雞蛋外輪廓和像素點(diǎn)閾值處理中將裂紋當(dāng)作外輪廓和噪聲去除。雖然存在這2種誤檢情況，但是整體檢測精度較高，可滿足相關(guān)行業(yè)檢測需求。

圖4 誤檢效果圖

4 結(jié)語

為提高禽蛋品質(zhì)，以雞蛋表面裂紋檢測為研究對象，提出一種雞蛋表面裂紋檢測方法。重點(diǎn)論述雞蛋表面圖像處理算法，包括裂紋圖像增強(qiáng)、裂紋圖像閾值分割、雞蛋表面裂紋識(shí)別等。試驗(yàn)結(jié)果表明，雞蛋表面裂紋檢測方法具有較高檢測精度，雞蛋表面圖像處理算法可有效避免噪聲等干擾影響，處理效果較好。所述方法不僅適用于雞蛋表面檢測，同樣適用于其他禽蛋類表面裂紋檢測。