基于計算機視覺和神經網絡的雞蛋新鮮度檢測

邢志中　張海東　王孟　翟超男　郭小軍+陳騰

摘要：為了提高雞蛋新鮮度分級的準確率，利用計算機視覺技術，通過所搭建的雞蛋透射光圖像采集系統獲取雞蛋透射光圖像信息，提取雞蛋的5個形狀特征和6個顏色特征參數，結合BP神經網絡與雞蛋的哈夫單位值進行對照，從而建立雞蛋新鮮度檢測分級模型。其訓練集和測試集的分級正確率分別為99.583 3%和98.333 3%。該分級模型的分級正確率達98.000 0%以上，具有較好的泛化功能及魯棒性。結果表明，用雞蛋的形狀參數與顏色參數，結合神經網絡對雞蛋新鮮度分級是可行的，具有較高的分級正確率。

關鍵詞：雞蛋；計算機視覺；新鮮度；神經網絡

中圖分類號： S126文獻標志碼： A

文章編號：1002-1302（2017）11-0160-04[HS）][HT9.SS]

研究開發新的雞蛋品質檢測與分級技術，對提升我國雞蛋標準化生產和規模化生產，增強我國雞蛋產業的國際競爭力都有極其重要的意義。目前，我國評價雞蛋品質的傳統檢測法主要有人工感官法和理化指標法[1-3]。感官評價法簡單易行，能夠保證雞蛋的完整，但受品質測評人員主觀因素的影響較大，結果也不夠準確，且檢測效率低[4]；理化指標法的評價結果比感官法客觀，但要求測評人員具備熟練的參數測定技能，測定后樣品雞蛋有損壞，還存在檢測效率低的問題，不適于在線快速品質檢測。

鑒于上述傳統檢測方法的不足，近年來，有不少學者將農產品無損檢測技術用于蛋品品質的檢測研究[5-6]。王巧華等為獲得雞蛋新鮮度，通過計算機視覺系統以及數學軟件 Matlab 軟件獲得雞蛋的色調、強度、飽和度，并建立了神經網絡對蛋品新鮮度進行檢測，該模型對褐殼蛋及白殼蛋正確識別率分別為87.258%、89.029%[7]；潘慶磊等利用計算機視覺，提取雞蛋裂紋及噪聲區域的圓形度、面積、長徑、短徑、長短徑之比，結合神經網絡，辨別雞蛋裂紋，并對其進行分級，其模型正確識別率達到92.900%[8]；鄭利敏等利用工業數字攝像頭得到雞蛋的數字圖像，從而提取雞蛋圖像特征的蛋黃以及氣室指數，創建其與新鮮度和貯藏期的關系模型，得到蛋黃指數與蛋品新鮮度具有線性關系，試驗測得數值和預測數值的平均相對誤差結果為6.000%，雞蛋蛋黃指數、雞蛋氣室指數和雞蛋的貯藏期之間具有二次函數的關系，絕對誤差不超過 2 d[9]。本研究仍利用計算機視覺技術和神經網絡對雞蛋新鮮度進行測定，提取雞蛋的5個形狀特征和6個顏色特征參數，共計11個參數，建立并完善雞蛋的新鮮度（哈夫值）的無損檢測方法，使其具有更高的分級正確率，同時為以后的相關研發提供參考。

1試驗材料與設備

1.1試驗材料和分組

雞蛋樣本為云南農業大學養雞場提供的2015年3月6日所產的新鮮雞蛋，選取大小均勻、雞蛋形狀接近、雞蛋外殼表面沒有裂紋的紅褐色雞蛋610枚。其中600枚為試驗所用，剩余10枚以替換試驗過程意外損壞或操作失誤出現異常數據的樣本。將樣本蛋分別清洗干凈，平均分為30組，20枚/組并依次編號。試驗期間樣本雞蛋小頭朝下放于蛋盤中，在室溫下進行保存。

1.2試驗設備

本研究自行設計了1個30 cm×20 cm×70 cm的暗室，暗室內壁用黑色幕布敷貼。光源使用1個自制圓柱體燈罩將其密閉起來，燈罩頂面有1個略小于樣本蛋的透光橢圓孔（長軸為3.8 cm，短軸為3.0 cm），并在樣本蛋與光孔間放置一同樣開孔大小的軟墊片，確保樣本雞蛋與光孔邊緣充分接觸，光源采用Philips磨砂玻殼的白熾燈，功率為60 W。工業相機為德國the Imaging Source的DFK 31BG03.H千兆以太網CCD彩色工業相機，其分辨率為1 024×768像素，感光器件采用逐行掃描的Sony CCD。相機鏡頭與樣本蛋距離為 50.6 cm，光源與樣本蛋距離為2.7 cm。系統示意見圖1。

由于本研究中相機的參數不會經常變化，因此選用網格標定法進行系統標定。在紙上自行給出邊長為7 cm的正方形，將其邊長以1 cm等分為大小相同的小正方形網格。保證網格平面和光軸嚴格垂直的情況下，對網格圖像開始采集。從而可以得到相機像素和雞蛋尺寸之間的關系。

通過公式（1）計算出哈夫值，測量蛋白高度值所使用的方法是將雞蛋殼磕破，使蛋芯放置于水平的玻璃板上，使用深度游標卡尺在蛋白四周不同位置測得3組高度值，取其平均數值。

[JZ（]Ha=100 lg（10h+7.57-1.7w0.37）。[JZ）][JY]（1）

式中：h表示為所得蛋白的高度值，cm；w表示為所得蛋品的質量，g。

哈夫值為>72～80的雞蛋數量占總測量數量的[JP2]2333%，哈夫值為22～30、>30～60、>60～72的雞蛋數量分別占總測量數量的3.33%、23.33%、50.00%（圖2）。[JP]

2雞蛋圖像處理和特征參數提取

2.1雞蛋圖像處理

在保持同焦距、物距情況下，對每個雞蛋樣本分別采集3次，圖像格式為BMP，1 024×768像素的RGB數字圖像并保存。采集到的雞蛋圖像見圖3。

圖像處理的步驟主要有：圖像分割、圖像去噪、數學形態學變換以及邊緣檢測等。基于閾值的分割，通常用到圖像分割法[10-11]，圖4為雞蛋圖像的R、G、B值直方圖。由圖4可知，G分量直方圖上存在1個明顯的低谷（圖中箭頭所示），選擇G分量灰度值38作為閾值，進而將圖像分割。分割后的雞蛋圖像見圖5。

圖像去噪采用均值濾波，去噪前后的雞蛋圖像見圖6。此圖用來提取雞蛋的顏色特征。

本研究圖像上散點噪聲采用形態學運算將其去除。圖7-b為二值化處理后的圖像。圖7-c為開運算后的雞蛋二值圖像。通過對比邊緣檢測算子：Roberts算子、Sobel算子、Prewitt算子以及Canny算子[12-14]的結果（圖8），Roberts算子得到的邊緣檢測結果較為理想。因此，采用Roberts算子進行圖像的邊緣檢測[15]，其結果用于提取雞蛋的形狀特征參數（邊緣周長C）。

2.2雞蛋特征參數提取

通過對雞蛋圖像的處理之后，得到雞蛋的形狀特征參數與[CM（25]顏色特征參數，本研究所提取雞蛋圖像的5個形狀特征參[CM）]

數為：雞蛋圖像面積A（由區域所包含的像素個數決定），周長C（雞蛋圖像外輪廓線的長度），長徑最大值a和短徑最大值b，蛋形指數c（雞蛋長徑的最大值a與雞蛋短徑的最大值b 之比）。

提取雞蛋圖像處理之后6個顏色特征參數：每幅圖像中所有像素的R、G、B、H、S、I及其均值R[TX-]、G[TX-]、B[TX-]、H[TX-]、S[TX-]、I[TX-]。

[WTHZ]3雞蛋新鮮度的BP神經網絡分級

3.1雞蛋新鮮度的BP神經網絡分級模型

本研究的雞蛋樣本中有AA級、A級、B級、C級4個級別，雞蛋樣本數據共600組。根據經驗將訓練集樣本以及測試集樣本各對應等級按4 ∶[KG-*3]1比例分配樣本：從中隨機選取AA級樣本112個，A級樣本240個，B級樣本112個，C級樣本16個，共480個作為訓練集樣本用于訓練網絡，余下AA級樣本28個，A級樣本60個，B級樣本28個，C級樣本4個，測試集樣本共計120個驗證網絡模型的分級能力。

神經網絡輸入層及輸出層層數都固定為1，根據選取雞蛋形狀與顏色特征參數確定輸入層的節點數為11個。以雞蛋新鮮度等級作為神經網絡輸出結果，輸出層的節點數為1。將新鮮度等級為AA級、A級、B級以及C級的雞蛋分別賦值1、2、3、4。

理論和實踐都證明，過于復雜的網絡結構容易產生“過擬合”[16]。因此本研究中為加快神經網絡的運算速度，在達到精度的要求下，采用單隱含層結構的BP神經網絡建立分級模型。本研究以輸入以及輸出層的節點數n、m的平均值（n+m）/2作為隱含層節點數初始數。采用試湊法在初始數上左右偏移，得到不同的隱含層節點數與網絡分類之間的誤差關系，當節點為6時，訓練集分類誤差值為最小，故BP神經網絡隱含層節點數為6。

除此之外，設定目標誤差為0.01。隱含層及輸出層傳遞函數分別采用S形雙曲正切傳遞函數tansigy=2/[1+exp（-2x）]-1和線性傳遞函數purelin y=x，設定學習速率為0.05，迭代次數為1 000次。

3.2雞蛋新鮮度的BP神經網絡分級結果

利用所建立的模型將測試集120個雞蛋樣本進行分級，從而驗證該模型的性能。

由圖9、圖10可知，訓練集樣本和測試集樣本都能夠較準確地被分級識別。訓練集樣本中1個B級雞蛋樣本被誤判成A級雞蛋樣本，識別正確率為99.107 1%；1個C級雞蛋樣本誤判成B級雞蛋樣本，識別正確率為93.750 0%；AA等級與A等級識別正確率均為100.000 0%，訓練集分級正確率達到99.583%。測試集樣本中將1個B級雞蛋樣本誤判為A級雞蛋樣本，正確率為96.428 6%；將1個A級雞蛋樣本誤判成AA雞蛋級樣本，正確率為98.333 3%；AA等級與C等級識別率均為100.000 0%，測試集的分級正確率高達 98.333 0%。說明此模型對外部的樣本有很高的識別能力。上述研究結果表明，利用計算機視覺結合BP神經網絡識別蛋品新鮮度具有可行性。

4結論

本研究搭建了雞蛋圖像的采集裝置，對采集到的圖像預處理后，提取相關的顏色特征參數和形狀特征參數。依照國際上常采用的美國農業部蛋品評價標準對雞蛋的新鮮度進行檢測分級。利用提取到的特征參數結合神經網絡所建立雞蛋新鮮度分級模型的訓練集分級正確率達到99.583 3%；測試集的分級正確率為98.333 3%。

結果表明，提取雞蛋的形狀參數與顏色參數，結合神經網絡對雞蛋新鮮度分級不僅可行，且相比其他參數具有更高的分級正確率。

參考文獻：

[1]李劍鋒. 基于近紅外光譜漫反射技術檢測雞蛋新鮮度的研究[D]. 武漢：華中農業大學，2009.

[2]張正周，李娟，鄭旗，等. 計算機視覺技術在農產品加工業中的應用研究進展[J]. 農業與技術，2014，34（1）：34-36.

[3]姚瑞玲. 計算機視覺技術在食品工業中的應用研究進展[J]. 食品與發酵科技，2014，50（4）：93-97.

[4]徐浩，方潔，李菁楠，等. 模糊數學法在米糠酥性餅干配方研究中的應用[J]. 食品科技，2015（8）：147-150.

[5]潘立剛，張縉，陸安祥，等. 農產品質量無損檢測技術研究進展與應用[J]. 農業工程學報，2008，24（2）：325-330.

[6]劉靜，章程輝，黃勇平. 無損檢測技術在農產品品質評價中的應用[J]. 福建熱作科技，2007，32（3）：32-35，18.

[7]王巧華，任奕林，文友先. 基于BP神經網絡的雞蛋新鮮度無損檢測方法[J]. 農業機械學報，2006，37（1）：104-106.

[8]潘磊慶，屠康，蘇子鵬，等. 基于計算機視覺和神經網絡檢測雞蛋裂紋的研究[J]. 農業工程學報，2007，23（5）：154-158.

[9]鄭麗敏，楊旭，徐桂云，等. 基于計算機視覺的雞蛋新鮮度無損檢測[J]. 農業工程學報，2009，25（2）：335-339.[ZK）]

[10]劉松濤，殷福亮. 基于圖割的圖像分割方法及其新進展[J]. 自動化學報，2012，38（6）：911-922.

[11]鄭曉曦，嚴俊龍. 圖像分割新方法綜述[J]. 計算機與數字工程，2007，35（8）：103-106.

[12]黃鋒華，劉琪芳，冀金鳳. 基于MATLAB數字圖像邊緣檢測算子的研究[J]. 機械工程與自動化，2011（4）：48-50.

[13]袁春蘭，熊宗龍，周雪花，等. 基于Sobel算子的圖像邊緣檢測研究[J]. 激光與紅外，2009，39（1）：85-87.

[14]趙宏中，張彥超. 基于Canny邊緣檢測算子的圖像檢索算法[J]. 電子設計工程，2010，18（2）：75-77，80.

[15]趙芳，欒曉明，孫越. 數字圖像幾種邊緣檢測算子檢測比較分析[J]. 自動化技術與應用，2009，28（3）：68，72.

[16]盧偉，李良庚. 基于BP神經網絡的水泵全特性曲線擬合[J]. 小水電，2001（6）：27-28.[ZK）][HT][HJ][FL）]