梁 丹 李 平 梁冬泰 陳 興 吳曉成

（寧波大學(xué)機械與力學(xué)學(xué)院 浙江寧波315211）

近年來，我國禽蛋年總產(chǎn)量已達(dá)2.8 千萬t，蛋品加工年產(chǎn)值高達(dá)到400 億元，成為我國畜產(chǎn)食品產(chǎn)業(yè)中的第二大產(chǎn)業(yè)，在國民經(jīng)濟中占有重要地位[1]。在雞蛋加工、包裝中，雞蛋品質(zhì)的檢測和分級處理尤為重要。雞蛋品質(zhì)檢測分內(nèi)部檢測和外部檢測，主要包括最大橫徑、最大縱徑、蛋形指數(shù)和新鮮度等[2]。

國外在雞蛋無損檢測方面的研究起步較早。Elster R T 等[3]最早對雞蛋的品質(zhì)特征進行研究，將直方圖均衡化和sobel 算子相結(jié)合，提取出雞蛋表面裂紋，實現(xiàn)雞蛋品質(zhì)的簡單分級，驗證了機器視覺進行雞蛋品質(zhì)檢測的可行性。Yoon S C 等[4]建立了一種壓力成像系統(tǒng)，可在不影響雞蛋質(zhì)量的前提下檢測出含有微裂紋和普通裂紋的雞蛋。Priyadumkol J 等[5]設(shè)計了一種基于改進壓力室和機器視覺的雞蛋裂紋檢測系統(tǒng)，提出一種魯棒裂紋檢測算法，采用750 個雞蛋表面圖像進行驗證，正確率94%，假陰性率1.67%。國內(nèi)的段宇飛等[6]采集雞蛋透射率光譜曲線，利用支持向量回歸與雞蛋哈夫單位值進行定量分析、非線性建模，以提高雞蛋新鮮度的檢測效果。魏萱等[7]利用灰度共生矩陣提取雞蛋圖像紋理特征，進行土雞蛋裂紋判別，準(zhǔn)確度達(dá)到96.0%。房盟盟等[8]利用高光譜成像技術(shù)，結(jié)合化學(xué)統(tǒng)計學(xué)方法，實現(xiàn)雞蛋哈氏單位的無損有效檢測。

雖然國內(nèi)外學(xué)者在禽蛋質(zhì)量、色澤、裂紋等方面進行大量研究[9-10]，但是大多針對單品質(zhì)因素，在內(nèi)、外多品質(zhì)因素綜合檢測方面，還難以達(dá)到整體化、集成化、高效率。鑒于此，本文設(shè)計出一體化的雞蛋品質(zhì)無損檢測及分級系統(tǒng)，提出一種基于機器視覺的雞蛋內(nèi)外品質(zhì)實時在線檢測方法。綜合多品質(zhì)因素檢測結(jié)果，按照雞蛋大小/新鮮度等級標(biāo)準(zhǔn)，實現(xiàn)雞蛋裂紋、尺寸、新鮮度與品質(zhì)等級的自動化檢測與分級。本文所設(shè)計的系統(tǒng)檢測精確度較高、結(jié)構(gòu)簡單、執(zhí)行速度快，可應(yīng)用于禽蛋養(yǎng)殖場的規(guī)模化在線檢測，以及其它農(nóng)產(chǎn)品的自動化檢測與分級。

1 雞蛋品質(zhì)檢測與分級系統(tǒng)方案

本文設(shè)計的雞蛋檢測與分級系統(tǒng)的整體結(jié)構(gòu)如圖1所示，包括用于圖像采集、樣品傳輸、樣品分級、計算機處理的硬件部分，圖像采集、圖像處理、信號傳遞通訊、數(shù)據(jù)處理等軟件部分。

圖1 雞蛋品質(zhì)檢測與分級設(shè)備整體結(jié)構(gòu)簡圖Fig.1 The structure of the egg quality inspecting and grading system

圖像采集單元Ⅰ如圖2所示，主要由彩色CCD 相機、環(huán)形LED 光源和遮光箱等組成，用于雞蛋裂紋、最大橫徑、最大縱徑和蛋形指數(shù)等外部品質(zhì)的檢測。使用BASLER acA130-30gc 數(shù)字?jǐn)z像機，Computar H0514-MP 定焦鏡頭。光源采用MV-LRDS-120-30-R LED 環(huán)形紅色光源，通過正向照明方式采集雞蛋正面圖像。圖像采集單元Ⅱ用于雞蛋內(nèi)部品質(zhì)檢測，選擇透射性能較好的Philips WHITE P45 的磨砂玻殼LED，采用背向照明的方式，通過CCD 相機獲取雞蛋的彩色透視圖。

一級分級單元主要由電磁繼電器、銜鐵、托盤和一級分級盤等組成，可剔除雞蛋外部檢測有裂紋的雞蛋，無裂紋的雞蛋則順著托盤進入后續(xù)圖像處理裝置，結(jié)構(gòu)如圖3所示。二級分級單元先根據(jù)尺寸將雞蛋分成大、小兩類，再根據(jù)新鮮度分為特級（AA）、甲級（A）、乙（B）級3 類。該分級裝置如圖4所示，由舵機控制二級分級盤轉(zhuǎn)動，每個轉(zhuǎn)動角度分別指向不同的分級導(dǎo)向通道，將雞蛋運輸?shù)礁鱾€分級槽。

圖2 雞蛋外部品質(zhì)圖像采集單元示意圖Fig.2 Image acquisition unit diagram of egg external quality

圖3 一級分級單元結(jié)構(gòu)簡圖Fig.3 Unit diagram of the classification unit I

圖4 二級分級單元結(jié)構(gòu)簡圖Fig.4 Unit diagram of the classification unit II

系統(tǒng)的工作原理如圖5所示。傳輸單元將待測雞蛋傳送至圖像采集單元Ⅰ，進行外部圖像數(shù)據(jù)采集，并傳輸至圖像處理單元中進行處理，獲得裂紋、最大橫徑、最大縱徑和蛋形指數(shù)。當(dāng)雞蛋傳輸至一級分級單元時，計算機根據(jù)圖像處理結(jié)果進行裂紋判斷，若為裂紋雞蛋則剔除；若無裂紋，則將雞蛋繼續(xù)傳輸至圖像采集單元Ⅱ，完成對雞蛋內(nèi)部品質(zhì)參數(shù)的采集、處理、存儲、傳輸?shù)炔僮?，獲得新鮮度信息，最后在二級分級單元處，綜合內(nèi)、外多品質(zhì)因素進行二次分級。

2 雞蛋品質(zhì)檢測方法

雞蛋品質(zhì)無損檢測及分級系統(tǒng)采用鏈傳動流水線結(jié)構(gòu)，主要包括外部品質(zhì)檢測、內(nèi)部品質(zhì)新鮮度檢測和品質(zhì)自動分級?；谔荻确戎狈綀D和類間方差最大法進行自動閾值選取，剔除裂紋蛋。采用外接最小矩形法檢測雞蛋輪廓的最大橫徑與最大縱徑，計算蛋形指數(shù)，以此將雞蛋尺寸分為大、小兩個等級?；谛迈r度BP 神經(jīng)網(wǎng)絡(luò)對新鮮度進行無損檢測，訓(xùn)練出雞蛋新鮮度綜合檢測模型。根據(jù)新鮮度等級分為AA（特級）、A（甲級）、B（乙級）3 個等級。雞蛋品質(zhì)檢測方法如圖6所示。

圖5 雞蛋內(nèi)、外品質(zhì)實時在線檢測系統(tǒng)原理框圖Fig.5 Schematic diagram of the real-time on-line inspecting system of egg internal and external qualities

圖6 雞蛋品質(zhì)檢測與分級示意圖Fig.6 Diagram of inspecting and grading system of egg qualities

2.1 雞蛋圖像精準(zhǔn)定位

首先將雞蛋彩色RGB 圖像轉(zhuǎn)換為灰度圖，進行直方圖灰度變換、中值濾波平滑、圖像增強、二值化操作等圖像預(yù)處理，然后搜索像素值為“1”的上、下、左、右4 個邊界像素點，找到雞蛋ROI 區(qū)域?qū)D像進行精準(zhǔn)定位。分別向圖像4 個方向擴大40 個像素點進行剪切，以防止邊緣信息喪失。試驗結(jié)果如圖7所示。

圖7 雞蛋圖像精準(zhǔn)定位Fig.7 Egg image location

2.2 裂紋圖像處理

試驗獲得的圖像為BMP（800×600）彩色圖，對每枚雞蛋圖像進行灰度轉(zhuǎn)化、平滑處理、銳化處理、圖像增強等預(yù)處理后，基于梯度幅度直方圖和類間方差最大法進行自動閾值選取，閾值分割并提取出裂紋區(qū)域，實現(xiàn)對裂紋雞蛋的判別。

類間方差最大法（Otsu）的基本思想是將圖像按照灰度特性分成背景和目標(biāo)兩類，搜索類間方差最大時所對應(yīng)的閾值為最優(yōu)閾值，保證閾值分割錯分概率最小。設(shè)圖像中的總像素為N，灰度值區(qū)間為[0，L-1]。其中，背景類像素灰度值區(qū)間為[0，T]，目標(biāo)類為[T+1，L-1]，灰度值i 對應(yīng)的像素數(shù)為Ni，其概率為Pi=Ni/N（i=0，1，2，...，L-1），則類間方差公式為：

令T 在區(qū)間[0，L-1]內(nèi)循環(huán)取值，搜索使σ2（T）最大的T 值，即最佳閾值。將Canny 算子非極大值抑制后的圖像像素分為3 個類別C1，C2，C3，分別包含梯度幅值為{t1，t2，...，tk}、{tk+1，tk+2，...，tm}、{tm+1，tm+2，...，tl}的像素，分別表示原圖像中的非邊緣點、待判斷邊緣點、邊緣點。設(shè)灰度梯度為tj對應(yīng)的像素數(shù)為nj，其概率為pj=nj/N，（j=1，2，...，l）。整個圖像的梯度幅值期望為：

發(fā)生在C1、C2、C3類內(nèi)的梯度幅值期望分別為：

上式中，tj，pj，l 為已知，通過搜索σ2（k，m）最大值所對應(yīng)的tm，pm，可得到區(qū)間C1、C2、C3的分界點，即Canny 算子的高低閾值。自適應(yīng)閾值Canny算法的流程如圖8所示。

圖8 自適應(yīng)閾值算法流程圖Fig.8 Flow chart of the adaptive threshold algorithm

圖像處理流程如圖9所示，即a→b→c→d→e→f→g。有裂紋的雞蛋直接被一級分級單元剔除。

圖9 雞蛋圖像處理過程示意圖Fig.9 The image process of egg

2.3 雞蛋尺寸測量

采用外接最小矩形法：以雞蛋形心為原點建立直角坐標(biāo)系，通過旋轉(zhuǎn)圖像不斷搜索并比較上、下、左、右4 個邊界像素點構(gòu)成的矩形高度，當(dāng)矩形高度達(dá)到最大時即所求最小外切矩形。計算最大橫、縱徑像素長度，算法流程如圖10所示。圖9h 為使用外接最小矩形法測量得到的雞蛋尺寸輪廓圖像。

圖10 外接最小矩形法流程圖Fig.10 Flow chart of the external minimumrectangular method

2.4 雞蛋新鮮度檢測

不同貯藏時間的雞蛋的透視圖不同[11]。本文通過圖像采集單元Ⅱ采集雞蛋內(nèi)部品質(zhì)信息透射圖像，獲取透視圖顏色信息作為雞蛋新鮮度判斷的特征量。目前，國際上對雞蛋品質(zhì)的評價指標(biāo)主要是雞蛋新鮮度哈夫值[12]。根據(jù)哈夫值Haugh 將雞蛋分為3 級：Haugh ≥72，特級（AA）；60 ≤Haugh<72，甲級（A）；30≤Haugh<60，乙級（B）。根據(jù)公式Haugh=100lg（H+7.57-1.7W037），計算雞蛋樣本哈夫值。

由于RGB 圖像受光照條件影響較大，且分量間相關(guān)性較高，所以本文將雞蛋透視圖像RGB 顏色特征轉(zhuǎn)換為HSI 特征量，分析哈夫值與透視圖H、S、I 分量間關(guān)系，建立新鮮度BP 神經(jīng)網(wǎng)絡(luò)，并通過試驗訓(xùn)練得出兩者之間的最優(yōu)相關(guān)。新鮮度BP 神經(jīng)網(wǎng)絡(luò)采用3 層前反饋結(jié)構(gòu)，即輸入層、隱層和輸出層。其中輸入層節(jié)點數(shù)目為3，分別為H、S、I 3 個顏色特征分量；輸出層節(jié)點數(shù)為3，分別對應(yīng)編碼后的哈夫值等級。根據(jù)隱含層的經(jīng)驗公式，確定隱層數(shù)目m 范圍為[10，25]，經(jīng)仿真確定最佳隱層數(shù)目為19。本文取200 枚用于神經(jīng)網(wǎng)絡(luò)訓(xùn)練，后取120 枚用于試驗驗證。本試驗的結(jié)果輸出集為{123}，其中“1”對應(yīng)特級，“2”對應(yīng)甲級，“3”對應(yīng)乙級。

本試驗的新鮮度BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖11所示，其中，x={x1，x2，x3}為輸入，ωjm為輸入層第j 個神經(jīng)元與隱含層第m 個神經(jīng)元間連接權(quán)重 （1≤j≤3，1≤m≤19），ω’mi為隱含層第m 個神經(jīng)元與輸出層第i 個神經(jīng)元間的連接權(quán)重 （1≤i≤3），netm、ym分別為隱含層第m 個神經(jīng)元的輸入和輸出，net’i為輸出層第i 個神經(jīng)元的輸入，g={g1，g2，g3}為輸出。其中：

netm=，ym=f（netm），net′i=∑ω′miym，gi=f（net′i）。

新鮮度BP 神經(jīng)網(wǎng)絡(luò)輸出層的輸出可表示為：

圖11 雞蛋新鮮度BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.11 The BP neural network structure of the egg freshness

3 試驗測試

3.1 裂紋檢測結(jié)果

以MATLAB 2012b 為試驗平臺分別采用sobel 算法、Canny 算法、傳統(tǒng)Otsu 算法以及本文基于梯度幅度直方圖和類間方差最大法的自適應(yīng)閾值算法進行雞蛋裂紋、邊緣輪廓的檢測分析，結(jié)果如圖12所示。

圖12 本文算法與傳統(tǒng)算法效果比較Fig.12 The effect comparison of the algorithm in this paper and the traditional algorithms

可以看出，使用sobel 算子、canny 算子方法進行雞蛋邊緣提取時，輪廓易間斷。使用傳統(tǒng)Otsu算法時外部輪廓可較好地識別，然而效果不佳，輪廓較為模糊。本文方法提取的邊緣信息清晰可見，具有較好的連續(xù)性和完整性，優(yōu)于其余幾種傳統(tǒng)方法。

3.2 模型驗證

利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，隨機選取褐殼雞蛋140 個，其中裂紋蛋20 個，完整蛋120 個（AA 級30 個，A 級60 個，B 級30 個）進行檢驗分級，驗證系統(tǒng)分級和新鮮度BP 神經(jīng)網(wǎng)絡(luò)模型的正確率，結(jié)果見表1。檢測過程中，采用外接最小矩形法計算蛋形指數(shù)，以此將雞蛋尺寸分為大、小2 個等級。測試樣本中，檢測算法對裂紋蛋的識別率達(dá)98.18%。新鮮度BP 神經(jīng)網(wǎng)絡(luò)檢測中，AA 級雞蛋的新鮮度識別正確率為96.67%；A 級雞蛋新鮮度識別正確率為98.31%；B 級雞蛋新鮮度識別正確率為96.67%。綜合各檢測結(jié)果，對不同新鮮度等級的雞蛋品質(zhì)整體識別正確率為97.48%。分級系統(tǒng)能夠準(zhǔn)確、快速分級，圖像處理單元Ⅰ每張圖像的平均處理時間為0.26s，圖像處理單元Ⅱ每張圖像的平均處理時間為0.13s。

表1 雞蛋品質(zhì)無損檢測與分級結(jié)果Table 1 The results of the non-destructive inspecting and grading system of egg quality

3.3 誤差分析

本文設(shè)計的雞蛋新鮮度檢測與分級系統(tǒng)，在一級分級系統(tǒng)中剔除裂紋蛋時，雞蛋表面污漬會對圖像處理過程產(chǎn)生干擾，導(dǎo)致個別雞蛋裂紋識別錯誤，建議檢測前先清洗有污漬的雞蛋。在檢測雞蛋新鮮度時，設(shè)計新鮮度BP 神經(jīng)網(wǎng)絡(luò)進行試驗，通過200 枚模型樣本的訓(xùn)練，得出雞蛋透視圖中H、S、I 顏色特征分量和新鮮度哈夫值的對應(yīng)關(guān)系。從識別正確率看，模型還存在一定的誤差，主要原因有：①不同蛋殼厚度、顏色會影響雞蛋的透光度；②本神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本數(shù)據(jù)較小，應(yīng)增大訓(xùn)練樣本數(shù)據(jù)量以改善訓(xùn)練正確率。

4 結(jié)論

本文基于機器視覺設(shè)計出一體化的雞蛋品質(zhì)無損檢測與分級系統(tǒng)，利用機器視覺算法實現(xiàn)了雞蛋裂紋、尺寸、新鮮度與品質(zhì)等級多品質(zhì)因素的自動化檢測與分級。（1）設(shè)計的雞蛋品質(zhì)檢測與分級機構(gòu)采用流水線結(jié)構(gòu)，主要包括圖像采集單元、分級單元、傳輸單元、圖像處理單元和單片機控制單元等；（2）針對微小裂紋難以識別檢測的問題，基于梯度幅度直方圖和類間方差最大法進行自動閾值選取，對一級分級時的裂紋蛋進行剔除；（3）采用外接最小矩形法對雞蛋最大橫徑、最大縱徑、蛋行指數(shù)進行測量，該方法可檢測并判斷出雞蛋的大小，在二級分級系統(tǒng)中進行分級；（4）利用雞蛋透射圖顏色信息的變化與新鮮度指標(biāo)哈夫單位值間的關(guān)系，建立新鮮度BP 神經(jīng)網(wǎng)絡(luò)對新鮮度進行分級。試驗結(jié)果表明，裂紋識別正確率為98.18%，對不同新鮮度等級的雞蛋品質(zhì)識別正確率為97.48%。本文所設(shè)計的系統(tǒng)檢測精確度較高，結(jié)構(gòu)簡單，執(zhí)行速度快，可應(yīng)用于禽蛋養(yǎng)殖場的規(guī)模化在線檢測，以及其它農(nóng)產(chǎn)品的自動化檢測與分級。