禽蛋裂纹检测技术进展

蛋的特征参数，并采用 Adaboosting 算子对特征参数进行优化， 所建立的 SVM( support vector machine) 判别模型对蛋壳表面
的亮斑、微小裂纹和普通裂纹均具有识别能力，模型判别正确率达
97．5%。
负压挤压方法：为了克服禽蛋裂纹自愈合能力和小裂纹所 造成的漏检影响，把具有微小裂纹的鸡蛋放置在小于大气压力
频率和阻尼比上，通过分析敲击响应产生的振动信号实现对 裂纹的识别。 根据传感器与被检禽蛋之间的接触情况，敲击振动技术 可分为 （1）接触式检测方式 （2）非接触式检测方式
接触式检测方式是指采用加速度传感器等测振传感器与 被检禽蛋紧密贴合，分析被检禽蛋受外界机械激励后在其表 面所产生振动的分布、扩散和衰减情况以实现对禽蛋品质的
外界光照条件下裂纹部位的反射、折射出现差异性，可通过数字图 像处理方法识别。机器视觉检测技术具有全面、直观反应蛋壳信息
的优点。 机器视觉检测裂纹的步骤
1.获取禽蛋图像
2.处理和分析禽蛋图像
3.建立禽蛋裂纹识别模式
一个典型的禽蛋视觉识别系统系统包括：光源、相机、暗 室、图像处理平台、数据传输模块等。大多数学者通过采集多 幅图像，并采用较为复杂的图像处理方法以克服表面反光差异 和污渍所引起的干扰。
进行判断，结果显示对鸡蛋表面缺陷的正确识别率为99%。
Cho 等用CCD 摄像头获取白织灯照射下的禽蛋蛋壳表面图像， 用 Sobel滤波后的图像轮廓圆滑度和几何形状作为检测蛋壳的标准，
建立的回归模型对破损禽蛋和完好鸡蛋的检测正确率分别为
97．5%和 90．5%。
熊利荣等从 5 个不同视角提取13 个能够表征无裂纹蛋和裂纹
和技术有较高的要求。
随着禽蛋生产和加工各个环节自动化程度不断提高，传
统的手工检测与破坏性抽检方法难以满足实际应用，快速、 无损、精确的检测方法更加适合现代农业化发展的需求。
产生了禽蛋蛋壳检测的新技术
红外光谱技术 机器视觉检测技术 敲击振动技术
机器视觉检测技术主要通过分析禽蛋表面的颜色特征识别鸡
蛋表面的裂纹，当禽蛋表面出现裂纹后会破坏其表面纹理特征，在
的环境，微小裂纹会因为负压力而变大，增强了裂纹的可视化
程度，提高了裂纹蛋的识别率。并且负压挤压方法对蛋壳品质 和安全均不造成影响。
a.常压下得到图像 b.负压下得到图像
Lawrence 等对禽蛋裂纹负压视觉检测系统进行进一步优 化，高分辨率单色相机单次可采集 20 个禽蛋图像，采用步
进电机带动禽蛋转动，拍摄4 组不同角度的大气压强和负压
且会发生种蛋爆裂，污染其他种蛋，因此需要对出现裂纹的种蛋采取进一 步处理以保证孵化质量; 蛋制品：破损禽蛋内部极易在腌制环境中被有害菌侵入、繁殖，不仅其本 身失去了食用价值，而且会污染腌制环境，对其他禽蛋产生交叉感染。
一方面破损和裂纹禽蛋的及时检出有利于提高鲜蛋的可食率、 种蛋的孵化率以及蛋制品品质；另一方面对蛋壳强度的预测可避 免生产、加工和销售过程中由于过载产生二次损伤。 目前禽蛋蛋壳品质的检 测仍以人工检测为主，人工 检测较为费时费力，效率低， 而且对检测人员的身体条件
姓名：xxx 学号：xxx
据统计，破损蛋 和裂纹蛋占产蛋总量的 6%以上， 禽蛋蛋壳破损检测 对于新鲜蛋、种蛋和蛋制品都极为重要。
鲜食蛋：禽蛋出现破损后，禽蛋内容物无法得到有效保护，微生物会侵入
禽蛋内部，随着储藏期的延长加速变质，会产生较大的食品安全问题，且 从破损处流出的内容物会污染其他禽蛋。
种蛋：蛋壳破损会造成孵化过程中水分过度蒸发，增加了胚胎的死亡率，
Lin 等自行搭建了禽蛋裂纹检测装置，对信号进行了滤 波处理，并采用支持向量数据描述实现分类，总体识别率能 达到 90%。 丁天华等构建了基于磁致伸缩振子扫频式振动的禽蛋裂 纹检测系统，采用 Welch 法 功 率 谱 分 析，所 建 立 的 G ＲNN( generalized regression neural network) 模型对无 损蛋与裂纹蛋的判别率分别达到 96．7%和 98．3%。
条件下的图像，通过对比同组图像的差异性以实现蛋壳裂纹 的识别，该系统整体耗时约为 40 s; 。 杨冬风等使用空气压力调节增大微小裂纹，根据完好和裂 纹蛋的纹理特征，使用分形维数对图像进行分析，以分形规 律曲线的维数和图像整体盒维数作为神经网络的特征向量， 对240 个预测集样本的识别正确率达到了98．36%。
பைடு நூலகம்
1. 对于小裂纹和蛋清填充裂纹的检测、污渍干扰和光照一致
性等方面的影响仍需要进一步研究。 2. 采用较为复杂的图像处理及判别模型会降低检测效率，难 以满足实时、在线需求，采用负压方法可放大裂纹的可视性， 但难以实现在线检测装置的设计。
从振动力学角度看，当禽蛋的蛋壳强度发生变化时，其
结构刚度和阻尼系数将随之变化，必然会反映到其模态固有
非接触式检测方式是指外界对禽蛋表面产生激励后，采用声波 传感器采集禽蛋与激振点之间的机械振动，分析该声学响应信号与 禽蛋蛋壳品质之间的关系。其优点在于所获取信号可表征蛋壳特征， 且信号的信息量相对较少，可快速完成蛋壳品质检测。
Jindal 等采用人工神经网络建立检测模型，分析判别裂 纹蛋和完好蛋的声音频谱，结果显示裂纹蛋的误判率为 2% ，完好鸡蛋误判率为10．17%。
[11] Jones D R，Lawrence K C，Yoon S C，et al．． Modified pressure imaging for egg crack detection and resulting egg quality ［J］． Poultry Sci．，2010，89( 4) : 761－765． ［12］ Yoon S C，Lawrence K C，Jones D R，et al．． Improved egg crack detection algorithm for modified pressure imaging system ［A］． In: SPIE defense，security，and sensing international society for optics and photonics ［C］． US: Orlando FL，2011，2021－2028． ［13］ Li Y Y，Dhakal S，Peng Y K． A machine vision system for identification of microcrack in egg shell［J］． J． Food Engin．，2012，109( 1) : 127－134． [14] 王巧华，邓小炎，文友先． 鸡蛋敲击响应的奇异性特征与蛋壳裂纹多层检测［J］． 农业机械 学报，2008，39( 12) : 127－131． [15] 丁天华，卢 伟，张 超，等． 基于 Welch 法功率谱和广义回归神经网络的禽蛋裂纹辨识［J］ ． 食品科学，2015，14: 156－160． ［16］ Lin H，Zhao J W，Chen Q S，et al．． Eggshell crack detection based on acoustic response and support vector data description algorithm ［J］． Eur． Food Ｒes． Technol． ，2009，230 ( 1) ：95－100． ［17］ Sun L，Bi X K，Lin H，et al．． On-line detection of eggshell crack based on acoustic resonance analysis ［J］． J． Food Engin．，2013，116( 1) : 240－245． ［18］ Jin C，Xie L J，Ying Y B． Eggshell crack detection based on the time-domain acoustic signal of rolling eggs on a step-plate［J］． J． Food Engin．，2015，153:53－62 ． [19] 张 超，卢 伟，丁为民，等． 基于扫频振动的禽蛋裂纹检测方法［J］． 食品与发酵工业， 2015，41( 6) :181－186． ［20］ Jin C，Xie L J，Ying Y B． Eggshell crack detection based on the time-domain acoustic signal of rolling eggs on a step-plate［J］． J． Food Engin．，2015，153:53－62 ．
潘磊庆等通过所采集的鸡蛋表面图像，运用 BP( back propagation) 神经网络模型识别鸡蛋表面裂纹区域，所建立模型
对裂纹鸡蛋的识别准确率达到92．9%，对整批鸡蛋分级准确率为
96．8%。 Pourreza等通过彩色图像中由鸡蛋缺陷引起的不连续性找到 目标区域，对图像进行二值化处理得到目标区域大小，并计算其与 鸡蛋投影外切矩形面积的比例值，根据该比例值与阈值的比较结果
接触式的检测方式必须将传感器与禽蛋紧密接触，且加速度
传感器具有很强的方向性，禽蛋外形一定程度上会影响信号的
一致性。
非接触式的检测方式目前大多数研究处于在试验室静态条件
下，采用较为复杂的信号处理、分类方法以及理想的实验装置 对该技术的可行性进行分析，但目前在蛋壳检测的全面性、不 同品种蛋壳与小裂纹信号差异性、不同尺寸禽蛋敲击信号一致 性等方面仍存在问题。
［1］ Pourreza H R，Pourreza-Shahri R，Fazeli S，et al．． Automatic detection of eggshell defects based on machine vision ［J］． J．Anim． Veter． Adv． ，2008，7( 10) : 1200－1203． ［2］ Lawrence K C，Yoon S C，Jones D R，et al．． Modified pressure system for imaging egg cracks［J］． Trans． ASABE，2009，52( 3) : 983－990． [3] 潘磊庆，屠 康，苏子鹏，等． 基于计算机视觉和神经网络检测鸡蛋裂纹的研究［J］． 农业工 程学报，2007，23( 5) : 154－158． [4] 熊利荣，谢 灿，祝志慧． 基于 Adaboosting_SVM 算法的多特征蛋壳裂纹识别［J］． 华中农 业大学学报，2015，34( 2) : 136－140． ［5］ 杨冬风，马秀莲． 基于分形纹理分析的蛋壳裂纹识别［J］．吉林大学学报: 工学版，2011， S1:348－352． [6] Jones D R，Lawrence K C，Yoon S C，et al．． Modified pressure imaging for egg crack detection and resulting egg quality ［J］． Poultry Sci．，2010，89( 4) : 761－765． ［7］ Yoon S C，Lawrence K C，Jones D R，et al．． Improved egg crack detection algorithm for modified pressure imaging system ［A］． In: SPIE defense，security，and sensing internatio ［8］ Li Y Y，Dhakal S，Peng Y K． A machine vision system for identification of microcrack in egg shell［J］． J． Food Engin．，2012，109( 1) : 127－134． [9]李竞. 基于机器视觉的鸭蛋蛋壳检测系统[D].中南大学,2013. [10]孙力. 禽蛋品质在线智能化检测关键技术研究[D].江苏大学,2013.