基于機器視覺技術的雞蛋新鮮度智能分級系統

鄭曉玲，湯儀平，徐麗平，蘇偉君，許明明

新鮮程度是評價雞蛋和蛋制品質量的重要因素，也是食品工業、消費者評估營養價值和食品安全的最相關指數［1-4］.所以在雞蛋加工、包裝中，雞蛋品質的檢測和分級處理尤為重要.測定雞蛋新鮮度的方法可分為有損檢測法和無損檢測法.有損檢測法包括感官評價和理化指標（Haugh單位、pH值、蛋黃指數和揮發性鹽基氮等）測定，該類方法較為耗時且測試樣本不能重復使用，因此只能測試少數的樣本.而無損檢測法，如基于光譜學、高光譜圖像、介電特性、機器視覺等技術的檢測方法，具有便捷、無需剝殼預處理、適合用于在線檢測等優點［5-8］，在國內外得到了廣泛的關注.其中利用機器視覺技術的無損檢測方法具有智能、數據客觀、所需的實驗設備簡單、實驗成本低等優點，檢測技術方便投入使用，近年來在禽蛋檢測領域得到廣泛的關注［9-11］.TURKOGLU［12］提出一種基于深度學習的實時機器視覺系統，使用預先訓練的殘差網絡模型提取深層特征，然后將獲得的特征輸入雙向長短期記憶（BiLSTM），用于檢測雞蛋表面的裂紋、污漬、血跡.實驗結果表明，所提模型的準確率達到了99.17%.GUANJUN等［13］提出了利用機器視覺檢測雞蛋裂紋的方法，但沒有對雞蛋的新鮮度和等級進行分析.SUN等［14］提出的使用機器視覺的雞蛋新鮮度測定法優點是可以進行動態測量，然而，這種方法在測量過程中也存在由機械振動引起的誤差.此外，該系統在監測雞蛋新鮮度的同時沒有進行分級評估.SOLTANI等［15］提出的使用機器視覺確定雞蛋新鮮度的方法優點是系統結構簡便，可以通過多種方式測量新鮮度，然而該系統缺乏對雞蛋分類的研究.劉瑩瑩等［16］通過圖像處理技術測量雞蛋的蛋黃特征、氣室高度、長軸短軸，基于SPSS數據分析，采用深度置信網絡建立預測模型，預測模型相關系數為0.942和0.925，預測正確率達93.3%，但未對不同物理特征的雞蛋進行分組處理，且圖像采集裝置較為簡單.顏延玉［17］運用深度學習相關分類算法，設計了雙通道卷積神經網絡CNN分類方法和通道加權與聯合監督的CNN分類算法，分別對5日和9日胚胎雞蛋進行訓練分類，該方法具有較強的泛化性和較高的檢測準確率.梁丹等［18］提出一種基于機器視覺的雞蛋內外品質檢測分級系統，具有成本低、準確率高、檢測速度快的優點，但存在由于雞蛋表面污漬導致的誤檢.趙祚喜等［19］利用機器視覺技術，結合深度學習網絡深層次特征提取、高精度檢測分類的特性，提出一種基于YOLOv4網絡的破損雞蛋檢測方法，在雞蛋生產線移動速度為5～6 m/min時，識別正確率平均為84.91%.

從國內外研究現狀可以看出，基于機器視覺的雞蛋品質檢測技術具有很好的應用價值.但是在系統的智能化程度及新鮮度實時等級分類方面的研究還有待提升.為了客觀、方便、無損地對雞蛋的新鮮度進行智能分級，本文提出了一種基于機器視覺技術的雞蛋新鮮度智能評估和分級的方法，該方法基于實時重量和密度測量，在對雞蛋新鮮度無損測量的同時進行分級，能夠實時智能地檢測雞蛋的重量、橫縱徑、體積、密度等參數.該方法具有無損無創、低成本、簡單方便、數據客觀的優點，可應用于禽蛋養殖場的規?；诰€檢測，并且可拓展應用到其他農產品的自動化檢測與分級.

1 系統整體結構

雞蛋新鮮度智能檢測系統的整體結構如圖1所示.

圖1 雞蛋新鮮度智能檢測系統整體結構

首先利用電子秤測量重量，機器視覺系統采集并處理電子秤顯示屏圖片，利用模板匹配算法識別數字，自動讀取重量數據.其次采集雞蛋圖像，并利用圖像處理算法獲取雞蛋圖像輪廓二值圖及尺寸，建立模型測算雞蛋的外部形狀參數（縱徑、橫徑）確定體積；最后根據重量和體積計算雞蛋密度，根據密度值進行雞蛋新鮮度分級.系統可進行圖像拍攝、數據讀取、尺寸測量、計算、分析、記錄和顯示數據，計算機屏幕上顯示圖片、重量、長度、寬度、體積、密度和雞蛋新鮮度（儲存時間）等級等信息.

2 實驗方法及步驟

用于實驗的雞蛋樣品來自泉州市濱城農貿市場，分為兩個子集：模型集和測試集.模型集為同一時間產出的87枚新鮮雞蛋，用于實驗建模；測試集為存放時間不同的40枚雞蛋，用于測試系統新鮮度分級的準確性.由于樣本雞蛋的大小存在差異，不同大小的雞蛋初始密度值不同，為了研究不同大小雞蛋新鮮度和密度的變化關系，按照我國商務部發布的鮮雞蛋、鮮鴨蛋分級標準（SB/T 10638-2011），將雞蛋樣本根據重量分為XL、L、M、S共4個組，XL組：大于68 g；L組：大于58 g小于等于68 g；M組：大于48 g小于等于58 g；S組：大于43 g小于等于48 g.

2.1 重量測量

將87枚模型集雞蛋樣本根據重量分為4組：XL組（17枚雞蛋）、L組（29枚雞蛋）、M組（26枚雞蛋）、S組（15枚雞蛋）.使用電子秤稱量模型集樣本的重量，并將結果顯示在電子顯示屏上，分別記錄人工讀取與機器視覺系統智能讀取的結果.其中機器視覺系統智能讀取的步驟包括：攝像頭拍攝電子顯示屏照片并傳輸給計算機，計算機的圖像處理系統對圖像進行濾波、均值化、二值化等處理，并自動分割出字符，利用模板匹配算法（算法流程如圖2所示）識別顯示屏的數字，自動獲取并儲存稱量的雞蛋重量數據，重量自動讀取過程如圖3所示.

圖2 模板匹配算法流程圖

圖3 雞蛋重量自動讀取過程圖

2.2 尺寸與密度測量

首先采用游標卡尺測量并記錄模型集雞蛋的橫徑與縱徑；攝像頭拍攝雞蛋圖像并傳輸給計算機，然后機器視覺系統讀取圖像信息并建立模型測量其橫徑與縱徑.系統的硬件組件包括暗箱、光源、工業攝像頭、數據傳輸設備和計算機.采用合適的照明方式可以使得樣品周圍的光線分布均勻，消除環境噪聲對圖片質量的影響，獲得準確的測量數據，因此需根據待檢測對象的特點進行光場設計.由于雞蛋表面有許多不平整的微小凸起與凹陷，這些凸起與凹陷在圖像中會以噪聲類信息的形式出現，增加后續圖像處理算法的計算量［20］，在獲取圖像時應弱化雞蛋表面的不平整特征，突出雞蛋的外形輪廓，因此采用背光照明方式，攝像頭和光源分別位于被檢測物體的兩側，避免因使用正面照射產生的反射造成虛影，損失像素，導致精度降低.系統的光源選用環形LED燈，并且為了減少外界環境光線對圖像采集的影響，制作了一個20×20×30 cm3的黑色矩形盒作為圖像采集暗箱（圖4）.盒子頂部的兩側分別安裝了維視圖像公司12068W的環形LED燈和CMOS工業攝像頭（型號MV-EM500M），攝像頭通過千兆以太網絡將采集到的圖片傳輸給計算機.

圖4 照明方式示意圖

雞蛋外形尺寸測量的圖像處理算法步驟為：①讀取攝像機拍攝的雞蛋樣本圖像.②將圖像轉換為灰度圖像，采用高斯濾波算法濾除噪聲.③將圖像二值化，并進行形態學處理，獲取完整雞蛋外形.④采用尋找最小外接矩形法確定雞蛋圖像的縱徑LM和橫徑BM（圖5，圖6）.⑤建立并分析雞蛋圖像與實測橫縱徑值的一元線性回歸模型.⑥根據橫縱徑計算雞蛋體積，利用標準橢球體體積估算禽蛋的體積［21-22］，計算公式為：

圖5 不同放置角度的雞蛋圖像最小外接矩形檢測圖示

圖6 最小外接矩形法測量雞蛋圖像縱徑LM和橫徑BM算法流程

式中：V為體積（mm3），L為縱徑，B為橫徑.

以機器視覺法測量的雞蛋圖像縱徑LM和橫徑BM為自變量，游標卡尺測量的雞蛋實際縱徑L和橫徑B為因變量，對橫縱徑分別作一元線性回歸分析，得到雞蛋的橫縱徑模型為：

模型的相關性和顯著性結果見表l.

表1 模型的顯著性分析

當顯著性水平α=0.05時，無論是對縱軸還是橫軸的測算，所建立的一元線性回歸模型都具有較高的顯著性，且系統測算和實測的橫徑、縱徑值的相關系數分別為0.914 8和0.936 3.

在獲取雞蛋重量與形狀信息后計算雞蛋的密度，公式為：

其中：ρ為密度，m為質量，V為體積.

2.3 密度與儲存時間的關系

連續30天每天同一時間測量模型集87枚雞蛋的重量.結果顯示，模型集所有組別雞蛋的平均重量隨儲存時間的增加均呈線性下降，如圖7所示.在室溫下保存30天的雞蛋重量均減少了6.44%～6.9%.

圖7 模型集4組樣本平均重量與存儲時間之間的關系

圖8 模型集4組樣本平均密度與存儲時間之間的關系

4組雞蛋平均重量（歸一化）變化和儲存時間的線性回歸方程如表2所示，相關系數R2值分別為0.998 2、0.999 5、0.999 6和0.999 4.

表2 各組雞蛋平均重量（歸一化）與儲存時間之間的線性回歸方程

所有雞蛋的密度均隨儲存時間的增加而下降是由于水分會從蛋殼表面數千個小孔蒸發流失，并且隨著時間的推移，蛋殼的海綿狀表皮開始干燥收縮導致蛋殼的毛孔大小和數量增加，使氣體和水分更容易從蛋殼中逸出，而雞蛋的體積隨儲存時間的延長并無明顯變化，因此雞蛋的密度會隨著儲存時間的延長而降低［23-24］.基于此，本文給出根據密度計算雞蛋新鮮度的百分比公式為：

其中：F為新鮮度，ρE為不同貯藏時間的雞蛋的密度，ρHE為每個雞蛋的初始密度（新鮮度最高時的密度）.

模型集所有組別雞蛋的最大密度值（第1天的密度值）分布在1 061.54×10-6～1 090.28×10-6g/mm3之間，最大密度的平均值ρmax為1 072.45×10-6g/mm3；所有組別雞蛋的最小密度值（第30天的密度值）分布在989.62×10-6～1 015.45×10-6g/mm3之間，最小密度的平均值ρmin為997.74×10-6g/mm3.最大密度平均值與最小密度平均值之間的差值為74.84×10-6g/mm3，將該差 值 除 以3為24.95×10-6g/mm3，記為ρk，利用ρmax-ρk、ρmin+ρk將雞蛋按密度劃分為3個新 鮮度等級 的標準：高新 鮮 度（ρE＞1 047.5×10-6g/mm3），中等新鮮度（1 022.69×10-6g/mm3≤ρE≤1 047.5×10-6g/mm3）和低新鮮度（ρE＜1 022.69×10-6g/mm3），等級標記為AA級、A級、B級，分別對應儲存時間為1～10天、11～20天、20～30天.

3 測試結果與討論

為了測試模型的準確性，將相同存放條件、標記不同存放時間的測試集40枚雞蛋（XL組5枚、L組17枚、M組15枚、S組3枚）利用機器視覺系統進行基于密度值的新鮮度分級測試.

首先測算測試集40枚雞蛋的重量、橫縱徑值，方法、步驟與前述實驗步驟一致.對照人工讀取結果，系統對雞蛋重量智能讀取結果的平均相對誤差為0.12%，最大相對誤差為0.33%.機器視覺系統智能讀取和人工讀取的雞蛋重量結果分布散點圖如圖9所示，兩種結果的線性回歸的回歸值斜率為0.999 9，相關系數（R2）值為0.999 9，具有較高的一致性.

圖9 機器視覺系統和人工讀取雞蛋重量數據散點圖

雞蛋橫縱徑的游標卡尺實測值與機器視覺測算值散點圖如圖10所示，橫徑實測值與系統測算值的線性回歸斜率為0.969 2，相關系數為0.978 6，平均相對誤差分別為0.57%，最大相對誤差為1.70%；縱徑實測值與系統測算值的線性回歸斜率為1.026 2，相關系數為0.965 5，平均相對誤差分別為0.57%，最大相對誤差為1.70%.

圖10 機器視覺系統測算和游標卡尺測量的雞蛋橫縱徑數據散點圖

利用排水法驗證系統對雞蛋體積的測算，誤差范圍與正確率見表3.

表3 機器視覺系統對雞蛋體積測量的誤差范圍與正確率

對測試集40枚儲存時間不同的雞蛋進行新鮮度檢測，AA級、A級、B級分別對應儲存時間為1～10天、11～20天、21～30天.檢測結果見表4.

表4 機器視覺系統對雞蛋體積測量的誤差范圍與正確率

測試結果顯示，AA級雞蛋分級正確率為92.3%，A級雞蛋分級正確率為78.5%，B級雞蛋分級正確率為100%.綜合測試結果表明，對測試集40枚雞蛋的新鮮度分級平均正確率為90.3%，系統可以利用機器視覺技術實現對雞蛋新鮮度準確有效的智能分級.分析雞蛋各參數的單項檢測數據可知，新鮮度智能分級誤差的主要來源為系統對雞蛋外形尺寸測算，誤差原因首先可能是儀器測量誤差和模型估算誤差，在后續工作中擬通過增加樣本數量，并建立多種模型進行對比分析，提高算法的泛化性和精度，以實現更高的分級正確率；其次誤差來源可能是由于攝像頭在獲取雞蛋圖片時，光線沿相機光路的透視效應引起拍攝的雞蛋形狀存在微小變化，影響算法獲取的雞蛋橫縱徑精度，在未來可通過優化光場設計，減少由于環境影響帶來的誤差，提高樣本采集系統的抗干擾能力，同時改進圖像邊緣提取算法，使實驗數據更加精確.

4 結語

本文利用機器視覺技術，設計了基于密度值的雞蛋新鮮度的智能評估分級系統.從雞蛋圖像采集系統、智能讀取顯示屏重量數據、測算雞蛋外形尺寸、密度值隨儲存時間的變化等方面進行研究，主要包括：①設計圖像采集系統，根據研究對象特點選擇合適的光源及照明方式，并通過區域分割、直方圖均衡化、濾波等圖像預處理算法提高圖片質量，減少后續算法的計算量.②利用圖像處理算法獲取圖像中的雞蛋重量數據、外形尺寸等信息，結合實測值建立模型智能測算雞蛋的橫縱徑、體積及密度，測試結果顯示系統對重量、橫徑、縱徑的測算與實測值的相關系數分別為0.978 6和0.965 5.③連續30天測量記錄模型集所有雞蛋的重量及密度，結果表明所有組別的雞蛋密度均隨儲存時間的增加而下降，以最大密度平均值與最小密度平均值差值的三分之一ρK為等級劃分標準，依據新鮮度將雞蛋分為AA級、A級、B級三個等級.利用設計的機器視覺系統智能檢測測試集40枚雞蛋的新鮮度，結果顯示系統對雞蛋新鮮度等級的智能分級平均正確率為90.3%.因此，本文所提的雞蛋新鮮度智能分級系統具有成本低、操作靈活方便、算法簡單、數據客觀不受人為因素干擾等優點，可有效地用于雞蛋新鮮度的智能無損檢測.