基于掃頻振動的禽蛋裂紋檢測方法*

張超，盧偉，丁為民，羅慧，趙賢林

(南京農業大學工學院，江蘇省現代設施農業技術與裝備工程實驗室，江蘇南京，210031)

禽蛋在包裝、加工、運輸環節中容易產生裂紋，而使微生物進入禽蛋內部，導致新鮮度降低，是禽蛋變質的直接原因，及時將裂紋蛋挑揀出來以避免流入市場至關重要［1］。近年來，國內外有不少學者和研究者在禽蛋品質無損檢測方面進行著積極探索，并取得一定的研究成果［2］。目前，國內外對禽蛋蛋殼裂紋的無損檢測方法主要有聲學特性［3-12］和機器視覺技術［13-14］。其中，Ketelaere等通過分析敲擊雞蛋赤道的不同位置的共振特征頻率響應來檢測蛋殼裂紋［4］;潘磊慶等利用聲級計采集敲擊的聲音信號，對整批雞蛋的分級準確率達到87%［6］;Deng等采用連續小波變換和支持向量機結合的方法來檢測雞蛋裂紋，準確率為98.9%［11］;賀靜等提出的基于DSP實時圖像采集處理的雞蛋蛋殼破損檢測方法，對蛋殼裂縫長度大于8mm的雞蛋識別率達到96%［13］。但以上研究中，機器視覺技術易受禽蛋蛋殼顏色和蛋殼強度影響，而聲學脈沖敲擊法較難引起蛋殼共振，從而使麥克風采集到的音頻信號中有用信息較少，尤其是大噪聲背景下的工業流水線檢測更是十分困難。

為降低上述利用聲學脈沖敲擊法檢測禽蛋裂紋的弊端，本文通過控制磁致伸縮振子掃頻振動禽蛋以達到信息增強的目的，通過周期圖法功率譜分析研究無損蛋與裂紋蛋的音頻信號差異性，建立BP神經網絡、RBF神經網絡和SVM分類模型加以比較，并給出大噪聲環境下實現禽蛋裂紋高精度無損檢測的方法。

1 材料與方法

1.1 實驗材料

實驗材料為從養雞場直接購買的產后3 d內、蛋質量在55～75 g、赤道直徑在35～41 mm內的草雞蛋290枚，編號后放入10℃恒溫箱中供實驗使用。

1.2 實驗方法

1.2.1 振動信號的采集

1.2.1.1 利用聲學脈沖敲擊法采集振動信號

通過重復先前研究者利用聲學脈沖敲擊法采集禽蛋振動音頻信號的實驗，經時頻域變換后，得到如圖1所示的敲擊法頻譜圖。

圖1 聲學脈沖敲擊法頻譜圖Fig.1 The frequency spectrum of acoustic pulse hammering method

1.2.1.2 利用掃頻振動法采集振動信號

在與聲學脈沖敲擊法實驗相同噪聲環境下，本文擬通過搭建如圖2所示的掃頻振動實驗裝置，利用聲卡編程控制磁致伸縮器件寬頻掃描，以10 Hz為頻率間隔掃描1～14 kHz范圍內的頻段，共用時1.77 s，由麥克風采集禽蛋振動音頻信號并進行時頻域變換，得到如圖3所示的掃頻振動法頻譜圖。

圖2 掃頻振動實驗裝置圖Fig.2 The sweep vibration test device

圖3 掃頻振動法頻譜圖Fig.3 The frequency spectrum of Sweep spectrum vibration method

通過對圖1和圖3的對比可見，聲學脈沖敲擊法頻譜幅值較低，即振動能量較小，且頻譜圖中夾雜較多低高頻噪聲。根據峰值信噪比計算方法:

式中:data為圖1和圖3的數據矩陣，MSE為data矩陣的均方誤差值。

計算發現，利用聲學脈沖敲擊法得到的禽蛋振動音頻信號峰值信噪比為47.25 db，而通過掃頻振動法采集的禽蛋振動音頻信號峰值信噪比為52.14 db。所以，通過掃頻振動法采集的禽蛋振動音頻信號能量和信噪比顯著提高，1～14 kHz掃頻范圍外的噪聲基本沒有被麥克風采集，也由此證明了掃頻振動法在禽蛋裂紋檢測中的高抗干擾性與應用在大噪聲環境下的工業流水線上的適用性，且敏感頻段出現在4 500～8 000 Hz內，與潘磊慶［6］、孫力［12］等人的研究成果相吻合，所以，后續實驗均在4 500～8 000 Hz頻段內進行掃頻振動實驗，每枚禽蛋的處理時間為57.7 ms，能夠滿足流水線在線檢測要求，而采用多振子并行掃頻激勵流水線上禽蛋的方式則可大大縮短批量禽蛋的裂紋檢測時間，可作為本文的后續研究。

1.2.2 振動信號的周期圖法分析

禽蛋與振子接觸時的振動信號為平穩隨機信號，通過時間序列和頻譜仍然很難找到其特征，這不利于后續的分類辨識。而功率譜估計則是提取平穩隨機信號特征的有力工具，因此，本文擬通過經典功率譜分析中的周期圖法對振動信號進行特征提取。

周期圖法也叫直接法，是直接由FFT變換得到的，它是將隨機信號χN(n)的N點樣本值χN(n)視為一能量有限信號，直接取χN(n)的傅里葉變換，得XN(ejω)，然后再取其幅值的平方，并除以N作為對χN(n)真實功率譜 P(ejω)的估計。以表示用直接法估計出來的功率譜，則

為提高禽蛋裂紋流水線在線檢測的辨識普適性，本文分別研究裂紋出現在雞蛋小頭A，赤道B，大頭C位置處的音頻信號特點，雞蛋各部分位置劃分如圖4所示。為使后面數據處理時可比性較高，且數據對比更加直觀，本文對采集到的禽蛋振動音頻信號進行歸一化處理。

圖4 蛋殼的區域劃分圖Fig.4 Segmented regions of an eggshell

以磁致伸縮器件振動禽蛋的振動信號為例，對無損蛋與3種位置處的裂紋蛋的振動音頻信號進行周期圖法功率譜分析，采集分析4 500～8 000 Hz的每10個頻率點的禽蛋振動信號并計算功率譜，然后對計算的功率譜取最大值，在進行歸一化處理后，得到周期圖法功率譜分析結果如圖5所示。

由圖5可見，無損蛋與裂紋蛋在周期圖法功率譜分析后具有顯著差異，并且其幅值也有明顯差異(無損蛋幅值較高，裂紋蛋幅值較低)，這表明周期圖法功率譜能夠有效提取禽蛋破損信息。

圖5 4 500～8 000 Hz的周期圖功率譜圖Fig.5 The periodogram spectrum from 4 500 to 8 000 Hz

1.2.3 特征參數的選取

通過麥克風采集4 500～8 000 Hz內的無損蛋與不同位置處裂紋蛋(裂紋分別出現在蛋殼赤道、大頭和小頭)的振動音頻信號，并進行周期圖法功率譜分析，提取出如表1所示的特征參數作為后續分類模型的輸入量，其中，表1中signal為周期圖法功率譜分析后的振動音頻信號。

表1 特征參數定義Table 1 Feature parameters definition

1.2.4 基于神經網絡的禽蛋裂紋辨識模型

“禽蛋-振子”的掃頻振動信號經周期圖法功率譜分析后，提取出3維特征向量，為進一步提高辨識效果，需要借助神經網絡進行辨識，常用的神經網絡種類較多，經過甄選比較后，本文選擇使用BP神經網絡、RBF神經網絡和支持向量機SVM。

1.2.4.1 基于BP神經網絡的禽蛋裂紋辨識

本文通過磁致伸縮器件帶動禽蛋作掃頻振動，同時檢測“禽蛋-振子”的振動音頻信號，建立基于周期圖法功率譜的BP神經網絡分類模型。其中，訓練集中有無損蛋、赤道處裂紋蛋、大頭處裂紋蛋和小頭處裂紋蛋各50枚，測試集中有無損蛋30枚、赤道處裂紋蛋、大頭處裂紋蛋和小頭處裂紋蛋各20枚。設定無損蛋與裂紋蛋的類別標識如表2所示，經過不斷嘗試，設置10個隱含層神經元，允許最大訓練步數150步，訓練目標最小誤差1×10-6，傳遞函數為S型對數函數。用訓練好的BP網對測試集測試的分類效果如圖6所示。

圖6 BP神經網絡的辨識結果Fig.6 BP neural network recognition results

通過圖6的分類結果可見，在“禽蛋—振子”振動取樣時，經周期圖法功率譜對禽蛋振動信號進行特征向量的提取，再通過BP神經網絡進行分類可以辨識禽蛋破損情況。

1.2.4.2 基于RBF神經網絡的禽蛋裂紋辨識

徑向基神經網絡(radial basis function neural network，RBFNN)是1種3層前饋網絡，包括輸入層、隱含層和輸出層，其結構如圖7所示。

圖7 RBF神經網絡示意圖Fig.7 Schematic diagram of RBFNN neural network

第一層為輸入層，由信號源結點構成，將網絡與外界環境連接起來，結點數由輸入數據的維數決定。第二層為隱含層，其結點由徑向基函數構成，其作用是從輸入空間到隱含層空間進行變換。第三層為輸出層，對輸入模式做出響應，輸出結點由隱含層結點給出的基函數的線性組合計算。從輸入層到隱含層的變換是非線性的，而從隱含層到輸出層的變換是線性的，隱含層中的轉換函數是局部響應的高斯函數，RBFNN的訓練時間更短，它對函數的逼近是最優的，可以以任意精度逼近任意連續函數。隱含層中的神經元越多，逼近越精確。

本次建立的基于周期圖法功率譜的RBFNN分類模型。同樣設定無損蛋與裂紋蛋的類別標識如表2所示，經過不斷嘗試，設置徑向基函數的分布密度為2，用訓練好的RBFNN對測試集測試后的分類效果如圖8所示。

表2 類別標識Table 2 The class label

圖8 徑向基神經網絡的辨識結果Fig.8 Radial basis function neural network recognition results

通過圖8的分類結果可見，在“禽蛋—振子”振動取樣時，經周期圖法功率譜對禽蛋振動信號進行特征向量的提取，再通過徑向基神經網絡進行分類可以辨識禽蛋破損情況。

1.2.4.3 基于SVM的禽蛋裂紋辨識

支持向量機(support vector machine，SVM)是在20世紀90年代中期由Vapnik等人根據統計學理論中結構風險最小化原則提出的一種新的通用學習方法，其思想是將輸入空間中的樣本通過某種函數關系映射到一個特征空間中，使兩類樣本在此特征空間中可分，并尋找樣本在此空間中的最優分類超平面，如果訓練集中的所有向量均能被某超平面正確劃分，并且距超平面最近的異類向量之間的距離最大(即邊緣最大化)，則該超平面為最優超平面，其中距離超平面最近的異類向量被稱為支持向量。其基本思想如圖9所示。

圖9 SVM示意圖Fig.9 Schematic diagram of SVM

設有2類線性可分的樣本集合(xi，yi)，i=1，2，…n，xi∈Rd，yi∈{-1，1}對于標準的 SVM，其分類間隔為，間隔最大即等價于最小。因此，其對應的分類面方程w·x+b=0的約束最優化問題可描述為

在滿足上式的約束條件下求下式函數的最小值

式中:ξi為為松弛因子(ζi≥0，i=1，2，...，n)，以保證在線性不可分情況下分類的正確性;C為懲罰因子(C＞0)，C越大表示對錯誤分類的懲罰越大。

根據以上原理，本文建立基于周期圖法功率譜的SVM分類模型。在MATLAB平臺，通過LIBSVM工具包進行分析，設定類別標識同樣如表2所示。因為SVM分類器為二分類模型，所以本文需共構建4個SVM分類器進行禽蛋破損辨識，其中，以無損蛋和裂紋蛋作為第1個分類器，而在裂紋蛋中，又以赤道處裂紋辨識作為第2個分類器，大頭處裂紋辨識作為第3個分類器，小頭處裂紋辨識作為第4個分類器，且利用網格搜索法對每個分類器尋找最優參數(懲罰因子c和核函數參數g)，以達到禽蛋破損檢測的高精度辨識，這四個分類器的最優參數選擇如圖10所示。

通過圖10的分類結果可見，在“禽蛋—振子”振動取樣時，經周期圖法功率譜估計對禽蛋振動信號進行特征向量的提取，再通過參數優化后的支持向量機進行分類可以較好的辨識禽蛋破損情況。

2 不同禽蛋裂紋檢測分類模型效果對比

通過對圖6、圖8和圖10所示的各分類模型的辨識結果進行對比，得到如表3所示的無損蛋與禽蛋不同位置處裂紋(裂紋分別出現在蛋殼赤道、大頭以及小頭處)的判別結果，可見SVM檢測禽蛋破損效果最好，其中，無損蛋可100%識別，赤道處裂紋、大頭處裂紋與小頭處裂紋識別率分別可達到100%、95%和95%，為后續禽蛋在工業流水線上的二次分級挑揀研究奠定了基礎。

表3 無損蛋和裂紋蛋判別結果Table 3 Identification results of intact and cracked eggs

圖10 不同c和g時的SVM識別率Fig.10 Identification rates of SVM models with different values of parameters c and g

3 結論

(1)無損蛋與裂紋蛋經周期圖法功率譜分析后，在最大主峰峰值、最大主峰峰值對應的頻率、最大主峰峰值衰減10db的帶寬處存在顯著差異，據此可實現禽蛋裂紋辨識。

(2)大噪聲環境下，基于掃頻振動與SVM檢測模型對無損蛋與裂紋蛋的判別率可分別達到100%和98.3%，且檢測每枚禽蛋的時間為57.7 ms，能夠滿足工業流水線在線檢測要求。

(3)對禽蛋裂紋位置(裂紋分別出現在蛋殼赤道、大頭與小頭處)的辨識率優于95%，為后續禽蛋在工業流水線上的二次分級挑揀奠定了基礎。

［1］ 孫力.禽蛋品質在線智能化檢測關鍵技術研究［D］.鎮江:江蘇大學，2013.

［2］ 陳紅，王巧華，文友先.無損檢測技術在禽蛋破損自動檢測中的應用［J］.食品與機械，2003(5):9-10.

［3］ CHO H K，CHOI W K，Paek J H.Detection of surface cracks in shell eggs by acoustic impulse method［J］.Transactions of the ASAE，2000，43(6):1 921-1 926.

［4］ De Ketelaere B，Coucke P，De Baerdemaeker J.Eggshell crack detection based on acoustic resonance frequency analysis［J］.Journal of Agricultural Engineering Research，2000，76(2):157-163.

［5］ WANG J，JIANG R.Eggshell crack detection by dynamic frequency analysis［J］.European Food Research andTechnology，2005，221(1/2):214-220.

［6］ 潘磊慶，屠康，趙立，等.敲擊振動檢測雞蛋裂紋的初步研究 ［J］.農業工程學報，2005，21(4):11-15.

［7］ 王巧華，鄧小炎，文友先.雞蛋敲擊響應的奇異性特征與蛋殼裂紋多層檢測［J］.農業機械學報，2009，39(12):127-131.

［8］ 何麗紅，劉金剛，文友先.基于粗糙集與支持向量機的禽蛋蛋殼無損檢測［J］.農業機械學報，2009，40(3):167-171.

［9］ LIN H，ZHAO J W，CHEN Q S，et al.Eggshell crack detection based on acoustic impulse response and supervised pattern recognition［J］.Czech J Food Sci Vol，2009，27(6):393-402.

［10］ LIN H，ZHAO J，CHEN Q，et al.Eggshell crack detection based on acoustic response and support vector data description algorithm［J］.European Food Research and Technology，2009，230(1):95-100.

［11］ DENG X，WANG Q，CHEN H，et al.Eggshell crack detection using a wavelet-based support vector machine［J］.Computers and electronics in agriculture，2010，70(1):135-143.

［12］ 孫力，蔡健榮，林顥，等.基于聲學特性的禽蛋裂紋實時在線檢測系統［J］.農業機械學報，2011，42(5):183-186.

［13］ 賀靜，王樹才.基于DSP實時圖像分割算法的雞蛋蛋殼破損檢測［J］.湖南科技學院學報，2010，31(4):55-58.

［14］ 楊冬風，馬秀蓮.基于分形紋理分析的蛋殼裂紋識別［J］.吉林大學學報:工學版，2011，41(1):348-352.