论文部分内容阅读
鸡蛋品质检测是鸡蛋商品化处理中的关键环节,对提高鸡蛋的经济价值和改善人们生活品质有着重要意义,尤其是高通量在线检测,对提升我国的鸡蛋加工生产自动化水平和鸡蛋产业发展具有积极作用。为了实现鸡蛋品质的高通量在线快速检测,本课题结合鸡蛋加工实际生产需求,以鸡蛋的新鲜度、散黄、尺寸形状、破损等多个品质为研究重点,利用光谱分析和机器视觉技术对鸡蛋的多个品质进行检测。主要研究内容和结论如下:1)鸡蛋新鲜度的光纤光谱快速定量检测。利用自行搭建的光纤光谱检测装置采集鸡蛋透射光谱信息,结合Savitzky-Golay卷积平滑滤波、多元散射校正、标准正态变换、一阶微分及二阶微分5种预处理方法,分别建立了偏最小二乘回归PLSR和支持向量回归SVR模型,比较不同模型精度,发现一阶微分处理的SVR模型预测效果较好,且SVR模型在总体上优于PLSR,表明SVR能够较好地提取鸡蛋新鲜度与光谱信息之间隐含的非线性关系;为了简化定量模型来达到快速检测鸡蛋新鲜度,使用线性降维主成分分析法PCA和流形学习中的非线性降维局部线性嵌入LLE分别对一阶微分后的光谱数据再处理,比较了两种降维后的模型结果说明LLE更好地提取了光谱有效信息,提高了模型精度,降维效果比PCA更加明显。LLE-SVR模型中训练集和预测集相关系数和均方根误差分别为0.922、7.21和0.911、8.80,交叉验证均方根误差比PCA-SVR下降了0.79。研究结果表明LLE-SVR模型可以用于光纤光谱快速定量检测鸡蛋新鲜度,为今后鸡蛋新鲜度的高通量在线检测作了理论研究。2)散黄蛋的光纤光谱快速在线识别。利用光纤光谱技术在5000枚蛋/h单通道的传输装置上动态采集鸡蛋透射光谱数据,比较了连续投影算法SPA和竞争性自适应重加权算法CARS分别对不同光谱预处理数据的波长优选情况,发现SPA选取的特征波长个数总体低于CARS,然后结合所选的特征波长采用偏最小二乘判别PLS-DA、分类回归树算法CART、K近邻分类算法KNN和簇类独立软模式算法SIMCA四种分类方法建立多个分类器,根据变量个数和识别率比较分类器性能,优选出5个分类器,最后通过比较每个分类器对单枚鸡蛋的检测时间,确定SNV-SPA-PLS-DA模型适用于在线识别散黄蛋,其特征变量只有3个,单个鸡蛋检测时间为55.733ms,预测准确率达到97.14%,为散黄蛋高通量在线光谱识别提供技术方法。3)鸡蛋尺寸形状高通量在线视觉检测研究。设计了一套群体鸡蛋图像高通量在线采集系统,其中运用Visual C++编写软件实现了上下位机的通讯及图像获取功能,使用STC89C52单片机接收光电开关的触发信号,共同配合实现了自动采集鸡蛋图像。在30000枚蛋/h六通道的传输装置上动态采集群体鸡蛋图像,采取较少但有效的预处理手段消除了高速传输对鸡蛋图像的影响,结合计算几何学中的凸包算法和最小二乘椭圆拟合重建鸡蛋外轮廓,解决了由于漏光引起蛋体图像凹陷现象的问题;通过分析长轴、短轴产生畸变的原因,对提取的长轴、短轴进行了修正处理,并建立长短轴像素点个数与实际测量尺寸的一元线性回归模型,其两者的相关系数分别为95.66%和94.39%,结合凸包算法相比于直接运用最小二乘椭圆拟合得到的相关系数更大,表明结合凸包算法的最小二乘椭圆拟合提取鸡蛋外形轮廓的精度更高。对84枚鸡蛋图像处理后进行验证,得到鸡蛋尺寸大小和外形扁平程度的分级准确率分别为90.5%和89.3%,单个鸡蛋的检测时间只需52.762ms,实现了鸡蛋尺寸形状的高通量在线检测分级。4)散黄蛋高通量在线视觉检测研究。为了进一步提高散黄蛋的检测效率,本研究动态采集15000枚蛋/h三通道传输装置上群体鸡蛋图像,首先利用与鸡蛋尺寸形状检测中相同的图像处理方法消除无用背景的干扰,获得仅含鸡蛋的目标图像;提取鸡蛋图像RGB空间和HSV空间的颜色分量平均值作为特征参数,分别利用随机森林RF和偏最小二乘判别PLS-DA建立散黄蛋分类模型,比较不同分类模型结果,发现利用RGB与HSV联合空间下的特征参数构建分类模型的效果最好,且RF分类模型优于PLS-DA。RGB与HSV联合空间下的散黄蛋RF分类模型预测识别率达到92.86%,单个鸡蛋的检测时间只需127.4ms,满足15000枚蛋/h高通量在线检测的要求,实现了高通量在线识别散黄蛋。5)破损蛋高通量在线视觉检测研究。在15000枚蛋/h三通道传输装置上动态采集群体鸡蛋图像,由于破损区域的位置具有随机性,因此单个鸡蛋需要通过综合采集三张图像的检测结果确定其是否破损。利用有效预处理方法获取鸡蛋目标图像,为了突显鸡蛋破损特征,使用了巴特沃斯高通滤波和灰度图像增强方法,但是同时也显现出斑点噪声区域;提取不同区域的形状特征参数(圆形度和最小外接矩形长宽比),建立粒子群PSO优化BP神经网络模型对破损区域和斑点噪声区域进行区分,区域类型识别率达到99.44%,表明PSO-BP-ANN模型相比于BP-ANN的泛化能力更好、鲁棒性更强。最后使用PSO-BP-ANN模型识别斑点噪声区域并予以消除,保留鸡蛋破损区域。对120枚鸡蛋进行验证,破损蛋识别率为91.67%,完好蛋识别率为95%,总体识别率达到93.33%,单枚鸡蛋的平均检测时间只需201.24ms,检测效率满足高通量在线检测的要求。