禽蛋裂纹检测技术进展.ppt

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，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。 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%。 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