基于多尺度小波變換的雞蛋散黃檢測方法研究

張 超， 盧 偉， 丁天華， 杜健健， 丁為民， 羅 慧

（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）

基于多尺度小波變換的雞蛋散黃檢測方法研究

張 超， 盧 偉*， 丁天華， 杜健健， 丁為民， 羅 慧

（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）

為建立一種快速有效的無損檢測雞蛋散黃的方法，構建了基于磁致伸縮振子掃頻式振動的雞蛋散黃檢測系統，通過對采集的雞蛋振動音頻信號進行多尺度小波變換分析，找到新鮮蛋與散黃蛋的音頻信號差異性，基于此提取合適的特征值，并分別構建基于BP神經網絡、RBF神經網絡和Hopfield神經網絡的雞蛋散黃檢測模型加以比較。實驗中，對300枚雞蛋進行檢測（訓練集200枚，測試集100枚），結果表明，Hopfield神經網絡對新鮮蛋和散黃蛋的識別效果最好，測試集中新鮮蛋和散黃蛋的識別率均達到98%，且檢測每枚雞蛋的時間為31.6 ms。研究表明，利用磁致伸縮振子掃頻振動未知品質雞蛋，再通過小波變換分析，并結合Hopfield雞蛋散黃檢測模型檢測雞蛋散黃是可行的。

雞蛋散黃檢測；掃頻振動；小波變換

近年來，雞蛋品質問題一直受到世界范圍內的高度關注，其中，散黃蛋是人們日常生活中最常遇到的一種低品質雞蛋。國內外對雞蛋的研究大多集中在雞蛋外觀品質研究［1-3］、雞蛋蛋殼強度檢測［4-6］、雞蛋裂紋檢測［7-11］及雞蛋新鮮度檢測［12-17］等方面，對雞蛋散黃研究卻很少，甚至是目前研究的空白。但散黃蛋降低了雞蛋商品等級且極大程度上影響了消費者的購買欲，對于發出臭味的散黃蛋，食用后還會危害身體健康。所以，對散黃蛋的無損檢測具有重要的實際價值和現實意義。

作者通過控制磁致伸縮振子掃頻振動雞蛋以達到信息增強的目的，對麥克風采集的雞蛋振動音頻信號進行小波3尺度分解變換，并以此研究新鮮蛋與散黃蛋的振動音頻信號差異性，選取合適的特征值，并分別建立BP、RBF和Hopfield雞蛋散黃檢測模型，通過比較，給出一種實現雞蛋散黃高精度無損檢測的可行性方法。

1 材料與方法

1.1 實驗材料

實驗材料為南京六合市售草雞蛋質量在35～45 g、赤道直徑在30～38 mm范圍內的新產草雞蛋150枚和產后20天的草雞蛋150枚，其中，新鮮蛋音頻數據采集實驗在購買草雞蛋當天完成，而散黃蛋音頻數據采集實驗是將產后20天草雞蛋放置至用手搖晃時人耳能聽到的散黃狀態時完成的。實驗數據共300個，分為訓練集和測試集兩組，其中，訓練集由100枚新鮮蛋音頻數據和100枚散黃蛋音頻數據構成，測試集由余下50枚新鮮蛋音頻數據和50枚散黃蛋音頻數據構成。

1.2 儀器與設備

實驗用到的主要儀器和設備有：磁致伸縮器（自制），如圖1所示。磁致伸縮器掃頻振動控制軟件和音頻數據分析軟件均為matlab7.11（R2010b）軟件。

圖1 磁致伸縮器示意圖Fig.1 Schematic illustration of magnetostrictive device

1.3 方法

1.3.1 振動信號的采集 通過聲卡編程控制磁致伸縮器件寬頻掃描，以20 Hz為間隔掃描1～14 000 Hz范圍內的頻段，并以此帶動磁致伸縮器上的雞蛋振動，共用時1.36 s，通過麥克風采集此雞蛋振動音頻信號并傳進計算機進行頻譜分析，找到散黃蛋的敏感頻帶。

1.3.2 小波變換 對采集的新鮮蛋與散黃蛋振動音頻信號進行小波3尺度分解分析，得到新鮮蛋與散黃蛋音頻信號的各尺度近似分量信號，以此觀察新鮮蛋與散黃蛋的信號差異性，并基于此提取合適的特征向量作為后續神經網絡的輸入量。

1.3.3 構建雞蛋散黃檢測模型 通過訓練集分別訓練BP神經網絡、RBF神經網絡和Hopfield神經網絡，并用測試集對訓練完成的 BP、RBF和Hopfield雞蛋散黃檢測模型進行驗證，比較各自的檢測性能，并據此給出一種實現雞蛋散黃高精度無損檢測的可行性方法。

2 結果與分析

2.1 散黃蛋敏感頻段的選定

圖2所示的是作者所采集的散黃蛋音頻經FFT變換后的頻譜圖，從圖中可以看出，1～14 000 Hz以外的高頻噪聲振幅近似為0，即掃頻式振動可以極大地提高信噪比，增強散黃蛋振動信息，且反映散黃蛋振動信息的較高特征峰主要集中于4 000～7 500 Hz頻段內，因此確定此頻段即為散黃蛋的敏感頻段，并被確定為后續雞蛋振動音頻信號采集和小波變換分析的目標頻段，且掃頻振動此頻段共用時31.6 ms。

圖2 散黃蛋振動音頻信號頻譜圖Fig.2 Frequency spectrum ofvibration signalof scattered yolk eggs

2.2 小波變換域內頻譜特征提取

在進行小波分解時，應根據信號的頻譜特性選擇適當的小波基函數，在小波3尺度分解過程中，根據雞蛋振動音頻信號的特性并比較3尺度下信號的分解效果來確定合適的小波基。其標準是突出原始頻譜中的特征峰，并選取平滑性好的小波基。經對Haar、Daubechies、Biorthogonal、Coieflet、Symlets 及Meyer等小波基分解對比，最后選取Daubechies小波作為“分析小波”，因為其能實現信號頻帶的均勻劃分，通過選擇適當的采樣頻率和小波包分解樹，可使所關心的頻帶落在小波包頻帶的中心，從而減少頻譜泄露，有效提高頻譜分析精度［18］。

作者通過對4 000～7 500 Hz頻段內的新鮮蛋與散黃蛋音頻信號進行3尺度Daubechies小波分解，得到如圖3所示的3尺度小波分解的近似分量信號。

圖3 新鮮蛋與散黃蛋音頻信號3尺度小波分解對比Fig.3 Fresh and scattered yolk eggs audio signals of 3 scale decomposition of wavelet contrast

由圖3可見，經3尺度Daubechies小波分解后，可明顯分辨出新鮮蛋與散黃蛋的頻譜特征差異性，并基于此對每個分解尺度下的頻譜分別提取3個特征值，分別為6 500 Hz處的頻譜幅值、4 000～7 500 Hz頻段內的頻譜幅值平均值與4 000～7 500 Hz頻段內的頻譜面積。最終，特征向量由這9個特征值所構成。

2.3 神經網絡辨識

通過對訓練集中的200個新鮮蛋和散黃蛋的音頻數據分別進行2.2節所示的特征提取，得到共由1 800個數據構成的9維特征向量，并以此作為BP神經網絡、RBF神經網絡和Hopfield神經網絡的輸入量，用來訓練這3種神經網絡各自的檢測模型，并分別用測試集對訓練完成的BP神經網絡、RBF神經網絡和Hopfield神經網絡進行驗證。

2.3.1 BP神經網絡辨識 BP（Back Propagation）網絡是1986年由Rinehart和McClelland為首的科學家小組提出，是一種按誤差逆傳播算法訓練的多層前饋網絡，是目前應用最廣泛的神經網絡模型之一。BP網絡能學習和存貯大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。它的學習規則是使用最速下降法，通過反向傳播來不斷調整網絡的權值和閾值，使網絡的誤差平方和最?。?9］。作者設定新鮮蛋和散黃蛋的類別標識值分別為-1和1，經過不斷嘗試，在3層的BP神經網絡中，將中間的隱含層設置為8個神經元，允許最大訓練步數300步，訓練目標最小誤差1×10-4，傳遞函數為S型對數函數，用訓練好的BP神經網絡對測試集進行檢測，檢測結果如圖4所示。

圖4 BP神經網絡的辨識結果Fig.4 Identification results of BP neural network

通過圖4可見，BP神經網絡對測試集中新鮮蛋和散黃蛋的識別率均為96%。

2.3.2 RBF神經網絡辨識 徑向基神經網絡（Radial basis function neural network，RBFNN）是一種3層前饋網絡，包括輸入層、隱含層和輸出層。目前已經證明，RBFNN能夠以任意精度逼近任意連續函數，具有最佳逼近及克服局部極小值問題的性能。另外，RBF神經網絡的有關參數，如具有重要性能的隱含層神經元的中心向量和寬度向量，是根據訓練集中的樣本模式按照一定的規則來確定或者初始化的，這就可能使RBF神經網絡在訓練過程中不易陷入局部極小值的解域中。同樣設定新鮮蛋和散黃蛋的類別標識值分別為-1和1，經不斷調整，設置徑向基函數的分布密度為3時，訓練和預測性能都比較好且有較小的誤差，對測試集的辨識結果如圖5所示。

圖5 RBF神經網絡的辨識結果Fig.5 Identification results of RBF neural network

通過圖5可見，RBF神經網絡對測試集中新鮮蛋和散黃蛋的識別率分別為98%和96%。

2.3.3 Hopfield神經網絡辨識 Hopfield網絡有2層神經元，內部結構如圖6所示，第1層僅是作為網絡的輸入，它不是實際神經元，所以沒有計算功能；而第2層是實際神經元，故而執行對輸入信息與權系數相乘求累加和，并由非線性函數f處理后產生輸出信息。f是一個簡單的閾值函數，如果神經元的輸出信息大于閾值θ，那么神經元的輸出就取值為1；小于閾值θ，則神經元的輸出就取值為-1［20］。所以，作者設定新鮮蛋和散黃蛋的類別標識同樣分別為-1和1，用訓練好的Hopfield網絡對測試集進行檢測，檢測結果如圖7所示。

通過圖7可見，Hopfield網絡對測試集中新鮮蛋和散黃蛋的識別率均為98%。

2.4 不同雞蛋散黃檢測分類模型效果對比

通過對圖4、圖5和圖7所示的辨識結果進行匯總，得到如表1所示的各分類模型的辨識精度對比。

圖6 Hopfield網絡內部結構示意圖Fig.6 Internal structure diagram of Hopfield neural network

圖7 Hopfield網絡的辨識結果Fig.7 Identification results of Hopfield neural network

表1 新鮮蛋和散黃蛋的辨識結果Table1 Identification results of Fresh and scattered yolk eggs

由表1可見，Hopfield雞蛋散黃檢測模型對新鮮蛋和散黃蛋辨識效果最佳，識別率均可達到98%，可對散黃蛋進行有效檢測。

3 結語

利用農產品的聲學特性對其品質進行無損檢測是近30年來發展較快的一門技術，而以往利用聲學特性檢測雞蛋品質時，主要是通過聲脈沖敲擊法進行研究，但其易受噪聲干擾，頻譜幅值能量較低，而掃頻式振動雞蛋可以極大地提高信噪比，增強雞蛋振動信息，通過對圖2的研究發現，其頻譜幅值能量要比參考文獻9和參考文獻10中利用聲脈沖敲擊法的頻譜幅值能量分別高近1至兩個數量級，從而更加驗證了掃頻式振動在雞蛋散黃檢測中的可行性，且掃頻振動時間為31.6 ms，能夠對雞蛋品質進行快速檢測。研究結果表明，散黃蛋的敏感頻段出現在4 000～7 500 Hz范圍內，且利用磁致伸縮振子掃頻振動未知品質雞蛋，再通過3尺度Daubechies小波變換分析，并結合Hopfield雞蛋散黃檢測模型檢測雞蛋散黃是可行的，且對新鮮蛋和散黃蛋的識別率均可達到98%，為雞蛋散黃的無損檢測提供了一種快速有效的方法。

［1］MERTENS K，DE Ketelaere B，KAMERS B，et al.Dirt detection on brown eggs by means of color computer vision［J］.Poultry Science，2005，84（10）：1653-1659.

［2］馮俊青.基于SVM的雞蛋外觀品質檢測方法研究［D］.呼和浩特：內蒙古農業大學，2008.

［3］DEHROUYEH M H，OMID M，AHMADI H，et al.Grading and quality inspection of defected eggs using machine vision［J］. International Journal of Advanced Science and Technology，2010，17：23-31.

［4］ALTUNTAS E，SEKEROGLU A.Effect of egg shape index on mechanical properties of chicken eggs［J］.Journal of Food Engineering，2008，85（4）：606-612.

［5］LIN H，ZHAO J，SUN L，et al.Stiffness measurement of eggshell by acoustic resonance and PLS models［J］.Journal of Food Engineering，2011，103（4）：351-356.

［6］熊歡.蛋殼強度和厚度的近紅外光譜檢測分析［D］.杭州：浙江大學，2013.

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

［8］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.

［9］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.

［10］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. PAN Leiqing，TU Kang，ZHAO Li，et al.Preliminary research of chicken egg crack detection based on acoustic resonance analysis［J］.Chinese society of Agricultural Engineering，2005，21（4）：11-15.（in Chinese）

［11］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. HE Jing，WANG Shucai.Detection of eggshell defects using the segmentation algorithm of real-time image based on DSP［J］. Journal of Hunan University of Science and Engineering，2010，31（4）：55-58.（in Chinese）

［12］DUTTA R，HINES E L，GARDNER J W，et al.Non-destructive egg freshness determination：an electronic nose based approach ［J］.Measurement Science and Technology，2003，14（2）：190-195.

［13］劉明，潘磊慶，屠康，等.電子鼻檢測雞蛋貨架期新鮮度變化［J］.農業工程學報，2010，26（4）：317-321. LIU Ming，PAN Leiqing，TU Kang，et al.Determination of egg freshness during shelf life with electronic nose［J］.Chinese Society of Agricultural Engineering，2010，26（4）：317-321.（in Chinese）

［14］YANDE L，YIBIN Y.Study on optical nondestructive inspection of chicken-egg freshness［J］.Proceeding of JICAST，2002，32 （3）：112-116.

［15］KEMPS B J，BAMELIS F R，DE Ketelaere B，et al.Visible transmission spectroscopy for the assessment of egg freshness［J］. Journal of the Science of Food and Agriculture，2006，86（9）：1399-1406.

［16］GIUNCHI A，BERADINELLI A，RAGNI L，et al.Non-destructive freshness assessment of shell eggs using FT-NIR spectroscopy ［J］.Journal of Food Engineering，2008，89（2）：142-148.

［17］LIN H，ZHAO J，SUN L，et al.Freshness measurement of eggs using near infrared （NIR）spectroscopy and multivariate data analysis［J］.Innovative Food Science&Emerging Technologies，2011，12（2）：182-186.

［18］彭玉華.小波變換與工程應用［M］.北京：科學出版社，2000.

［19］汪小鋒，付強，申旭光，等.基于BP神經網絡的洋蔥伯克霍爾德菌脂肪酶發酵軟測量建模 ［J］.食品與生物技術學報，2010，29（6）：921-926. WANG Xiaofeng，FU Qiang，SHEN Xuguang，et al.Soft sensor modeling of Burkholderia cepacia lipase fermentation process based on BP neural network［J］.Journal of food science and Biotechnology，2010，29（6）：921-926.（in Chinese）

［20］楊淑瑩.模式識別與智能計算：Matlab技術實現［M］.北京：電子工業出版社，2011.

Study on Detection of Scattered Yolk Eggs Based on Multi-Scale Wavelet Transform Method

ZHANG Chao， LU Wei*， DING Tianhua， DU Jianjian， DING Weimin， LUO Hui
（College of Engineering/Jiangsu Province Engineering Laboratory of Modern Facility Agriculture Technology and Equipment，Nanjing Agricultural University，Nanjing 210031，China）

Ferric chloride is widely used in the wastewater treatment.The mechanism study on the flocculating of ferric chloride and the recent progress were discussed in this paper.Four typical mechanisms were illustrated including charge neutralization，adsorption bridging，sweep flocculation and compressing thickness of electric double layer.The current research progress was reviewed and intensive study was suggested on floc structure，conformation，zeta potential and the synergistic effect of ferric chloride.

ferric chloride，mechanism of flocculation，research progress

TP 391.42

A

1673—1689（2016）07—0709—05

2015-03-14

國家自然科學基金青年基金項目（61401215）；江蘇省自然科學基金項目（BK20130696）；中央高校基本科研業務經費項目（KYZ201427）；國家大學生創新項目（201410307081）。

盧 偉（1978—），男，江蘇徐州人，工學博士，副教授，主要從事農產品無損檢測技術、機器人傳感與控制技術研究。

E-mail：njaurobot@njau.edu.cn