基于声脉冲、图像和近红外光谱技术的蛋壳破损检测方法研究

摘要

禽蛋的破损检测是禽蛋生产、经营和加工中的重要环节之一。通常采用眼看耳听等人工方法来检测及剔除破损禽蛋，本文结合声脉冲技术、图像处理技术和近红外光谱技术，研究多种蛋壳裂纹自动识别方法。主要研究内容如下：
　　（1）搭建了声脉冲采集硬件系统，并编制声音采集、声脉冲数据处理软件，得到好壳蛋和裂纹蛋功率谱图。通过分析好壳蛋和裂纹蛋功率谱图，提出了功率谱面积平均值（x1）、功率谱面积的极差值（x2）、第一共振峰幅值平均值（x3）和第一共振峰幅值极差值（x4）等4个特征参数作为蛋壳破损声学检测方法的特征参数。分别应用Bayes判别、SVM判别和BP神经网络进行蛋壳破损识别，识别准确率和识别时间分别为：88.78%、98.97%、97.95和2s、0.312s、2.186s。因此，本研究选择SVM判别作为声学方法检测蛋壳破损的分类器。
　　（2）搭建了图像采集硬件系统，并编制图像采集和处理程序。分别用不同的灰度化方法、不同图像增强算子及不同的图像分割算子对原始彩色图像进行预处理，最终确定了加权法灰度化、线性平滑滤波及 Candy算子进行边缘检测的预处理方案。在此基础上，提取了形状特征参数和纹理特征参数。在形状特征分析试验中，提取裂纹长度L和裂纹程度系数K1和投影变换后水平方向总灰度和垂直方向总灰度值中的最大值class_max三个形状特征参数。特征参数L、K1和class_max对好壳蛋和裂纹蛋的识别率分别是：90%、90%、90%和96.7%、90%、93.3%。在纹理特征分析试验中，分别提取第1层小波分解后的eH1/eA1、eV1/eA1、eD1/eA1和ehsum1/esum1和第2层小波分解后的eH2/eA2、eV2/eA2、eD2/eA2和ehsum2/esum2等8个参数作为小波能量特征参数和第1层分解后的水平子图像的4个特征值 Q1H1、Q2H1、Q3H1、Q4H1以及第一层分解后的垂直子图像的4个特征值Q1V1、Q2V1、Q3V1、Q4V1，第2层分解后的水平子图像的4个特征值Q1H2、Q2H2、Q3H2、Q4H2以及第2层分解后的垂直子图像的4个特征值Q1V2、Q2V2、Q3V2、Q4V2等16个灰度共生矩阵特征参数。选择BP神经网络作为分类器，小波能量值和灰度共生矩阵对好壳蛋和裂纹蛋的平均识别率相当，均是90%和86.6%。
　　（3）采集校正集和预测集样本光谱图。对原始光谱数据进行预处理，比较SNV、MSC、一阶导数和二阶导数等方法的处理效果，选择MSC方法对光谱进行预处理。比较不同光谱范围模型的正确判别率，最终选择全光谱范围。运用主成分分析和马氏距离法相结合的方法建立定性判别模型，该判别模型对校正集正确识别率为100%，对预测集的正确判别率为97.5%。
　　（4）比较三种不同识别方法对同一批样品蛋的识别效果，并提出基于多特征融合的识别技术，试验结果为：好壳蛋分类准确率100%，裂纹蛋分类准确率96%，总体分类正确率为98%。
　　综上所述，以声脉冲技术、图像技术和近红外光谱技术为技术手段对蛋壳破损进行识别是可行的，该研究为蛋壳破损在线识别提供了理论依据。

目录

声明

第一章 绪 论

1.1 引言

1.2 国内外研究现状及分析

1.3 研究目标和技术路线

第二章 基于声脉冲技术的蛋壳破损识别方法研究

2. 1 声脉冲检测技术机理

2.2 声脉冲信号的采集

2.3 试验数据处理及参数提取

2.4 蛋壳破损分类判别

2.5 误差分析

2.6 小结

第三章 基于图像处理的蛋壳破损识别方法研究

3.1图像的采集

3.2 图像预处理

3.3 裂纹的特征提取及识别

3.4 误差分析

3.5 小结

第四章 基于近红外漫反射光谱分析技术的蛋壳破损识别方法研究

4.1 引言

4.2. 基于近红外漫反射光谱技术的蛋壳破损检测方法研究

4.3 误差分析

4.4 结论

第五章 基于多特征融合的蛋壳破损识别方法研究

5.1 引言

5.2 三种识别方法的比较与融合

5.3 多特征融合的蛋壳破损识别

5.4 小结

第六章 结论与建议

6.1 结论

6.2 建议

参考文献

攻读博士期间发表学术论文

致谢

附录