殼蛋品質質量分級技術的研究進展和發展趨勢

李文康,劉 雪,*,杜 娟,陳 余,王 梁

(1.中國農業大學信息與電氣工程學院,北京 100083;2.北京市畜牧總站,北京 100107)

禽蛋營養價值豐富,是居民膳食營養中蛋白質的主要來源之一。禽蛋產量中雞蛋所占比例最大,約85%左右[1]。我國是雞蛋生產和消費大國,自1985年我國雞蛋產量就超越美國居于世界第一,并呈逐年遞增趨勢,30多年以來一直保持領先地位[2]。2016年我國雞蛋產量約2631萬噸,比2015年增長3.2%[3]。目前,我國居民禽蛋消費以殼蛋為主,約占蛋品消費的90%以上[4]。

歐美及日本等發達國家市場殼蛋的分級已經非常成熟,美國的農業部農產品銷售局頒布的文件AMS 56《美國殼蛋品質、重量分級標準》、加拿大的《加拿大農產品法》和日本頒布的日本工業標準(JIS)等法規都明確規定了殼蛋必須經過清洗消毒、分級包裝,符合衛生標準后才能進入市場。但是由于傳統消費和技術等原因,我國殼蛋的清洗、分級和包裝等問題還沒有得到根本解決,大部分殼蛋基本都未經過任何加工處理便直接進入市場[1],這與發達國家相比存在很大差距,嚴重制約了我國禽蛋的生產和消費質量。隨著居民生活水平的提高和對食品安全的關注,消費者對殼蛋的大小、顏色、形狀和營養價值等的需求越來越多樣[5-6],對殼蛋質量安全的要求也越來越高。

傳統的殼蛋分級方法是通過外觀檢查和光照鑒定收集殼蛋質量信息做出分級評定,但檢測誤差大、效率低,隨著現代計算機技術和信息技術的迅速發展與應用,計算機視覺技術、聲學特性檢測技術、電特性檢測技術、動力學檢測技術、氣味特性檢測技術和光譜檢測技術等在殼蛋品質質量檢測中已經得到廣泛應用。圍繞殼蛋品質質量分級,國內外學者已經開展了大量的應用研究。

本文以殼蛋品質質量指標為出發點,就殼蛋品質質量參數的獲取技術和數據處理分析模型進行了梳理,并對未來殼蛋分級技術的研究和應用方向進行了展望。

1 殼蛋品質質量指標

殼蛋的品質質量指標較多,可以分為質量指標、外部品質指標和內部品質指標三類。

1.1 質量指標

重量是最直觀、最常用的殼蛋分級指標[1]。目前我國市場上銷售的分級雞蛋多是采用重量分級。普通雞蛋的重量一般在45～65 g之間,我國SB/T10638標準根據雞蛋單枚重量將其分XL、L、M、S四個級別[7]。

1.2 殼蛋外部品質指標

殼蛋外部品質指標是針對殼蛋外部可觀特征進行定義、描述而制定的品質指標,主要包括蛋形、清潔度和蛋殼破損度。外部品質指標可直觀反映殼蛋品質,是選購鮮蛋時的主要依據。

1.2.1 蛋形 蛋形用于反映殼蛋形狀的規則程度,一般以規則的橢圓形為標準[7]。美國農業部要求可食用雞蛋中A級及以上級別雞蛋形狀規則,B級雞蛋允許輕微變形[8]。我國SB/T10638標準[7]規定各級雞蛋都需呈現規則的卵圓形。

1.2.2 清潔度 清潔度由蛋殼上有無污漬和污漬面積大小來判斷,蛋殼上的污漬不僅會影響殼蛋品質,還會大大降低消費者購買欲。美國農業部要求其所有進入市場的雞蛋都必須經過清洗殺菌,外殼干凈無污漬[8]。我國也要求包裝雞蛋蛋殼清潔,無肉眼可見污染。

1.2.3 破損度 蛋殼上的裂紋大小和有無漏液反應雞蛋破損度,蛋殼破損會導致細菌進入,直接影響雞蛋的貨架期和可食用性[9]。美國和我國都要求市場上的包裝雞蛋無破損[7-8]。

1.3 殼蛋內部品質指標

殼蛋內部品質指標用于反映蛋白、蛋黃和胚胎等的品質,可以較好地表征雞蛋新鮮度等。

1.3.1 哈夫單位 哈夫單位是根據蛋重和濃蛋白高度按公式計算得到的值,是反映雞蛋新鮮度的主要指標。哈夫單位計算公式如下[10]:

HU=100lg(H-1.7m0.37+7.6)

式中,HU為哈夫單位值,H為濃蛋白高度,m為雞蛋重量。美國農業部雞蛋哈夫單位分級要求為:AA級哈夫單位值不小于72,A級為60到72之間(包括60),B級哈夫單位值小于60[8]。

1.3.2 蛋黃指數 蛋黃狀態指蛋黃的形狀規則度、輪廓清晰度和可否移動等狀態,可以反映雞蛋新鮮度,用蛋黃系數來表征。蛋黃系數計算公式:蛋黃指數=蛋黃高度(mm)/蛋黃直徑(mm)[11],隨著存儲時間的增加,蛋黃高度降低,直徑變大,所以蛋黃指數越大,蛋黃狀態越好,雞蛋新鮮度越好。

1.3.3 異物 殼蛋內的異物主要是由于蛋雞疾病或營養物質缺乏等原因產生的血斑和肉斑等物質[12],異物較大或數量多時會導致雞蛋不可食用。美國農業部[8]明確規定其AA級和A級雞蛋內血斑直徑應小于3.2 mm,我國SB/T10638標準要求雞蛋中無血斑肉斑等異物[7]。

1.3.4 氣室高度 氣室由殼蛋的內外蛋殼膜包圍而成,氣室高度是反映殼蛋新鮮度的重要指標。新鮮殼蛋氣室高度一般小于3 mm[9],存放時間越久,水分和CO2揮發越多,氣室高度越大。

1.3.5 蛋白狀態 蛋白狀態指蛋白的濃厚度和透明度等狀態,可用蛋白系數表征,蛋白系數是殼蛋蛋清中濃蛋白與稀蛋白的比值[7]。隨著殼蛋的存放,濃蛋白會在蛋白酶的作用下分解,導致蛋白系數減小。蛋白越濃厚透明,蛋白系數越高,殼蛋新鮮度越好。

1.3.6 胚胎發育情況 種蛋在存放過程中可能會產生胚胎發育現象,直接影響殼蛋的可食用性。市場上流通的殼蛋應無明顯胚胎發育跡象[7-8]。

根據以上敘述可以看出,殼蛋品質質量指標有很多,各國殼蛋分級標準中都有所規定,而其中蛋重、哈夫單位、蛋黃指數、異物和破損度等被公認為反映殼蛋品質的重要表征指標[13-15]。

2 殼蛋品質質量指標獲取技術

殼蛋品質質量指標信息的獲取是進行殼蛋分級的基礎。傳統的指標獲取方法是在光照條件下通過人眼獲取指標信息,高度依賴人的感官和經驗,檢測效率低、誤差大。隨著計算機技術、信息獲取和分析技術的發展,新型指標獲取技術逐漸發展起來,根據采用的技術手段不同,新型指標獲取技術可以分為聲學特性檢測技術、電特性檢測技術、動力學檢測技術、氣味特性檢測技術、光譜檢測技術和計算機視覺技術六種。

2.1 聲學特性檢測技術

聲學特性檢測的原理是建立樣品在聲波作用下的反射、散射等特性及阻尼、衰減系數、共振頻率與樣品品質之間的相關關系,進行品質特征檢測[16]。對殼蛋的檢測是利用殼蛋被敲擊時所產生的聲波或殼蛋在聲波作用下的反射、吸收等特性,頻譜分析聲波與殼蛋某一指標的相互關系進行蛋品質檢查,常被應用于殼蛋外部品質指標的檢測,如破損度等。蛋殼出現裂紋時,其剛度和阻尼系數會發生變化[17],進而導致振動特性的變化。一般情況下,完整的蛋殼聲音清脆,破損蛋殼則比較沉悶沙啞[18]。Li P等[19]通過雞蛋敲擊裝置獲取振動脈沖信號,檢測雞蛋裂縫情況,經對比發現裂紋蛋和完好蛋的振動信號有很大不同,并以此為依據判別裂紋蛋正確率達到95%。林顥[20]等通過多點全面敲擊殼蛋,采集分析敲擊響應信號,檢測裂紋蛋,結果顯示系統對裂紋蛋的識別正確率達到92%,證明利用聲學特性可以進行裂紋檢測具有一定的可靠性。

2.2 電特性檢測技術

利用電特性進行樣品檢測的原理是建立樣品電磁特性和內在成分的聯系,檢測樣品品質[21]。利用電特性技術進行雞蛋內部品質指標如蛋黃系數的研究較多,如孫俊等[22]采用平行極板法測量雞蛋在1～200 kHz下的介電特性參數,分析雞蛋的介電特性變化規律,預測蛋黃指數進而反映雞蛋新鮮度。L. Ragni等[23]進行了雞蛋電容電壓比與哈夫單位、氣室高度、蛋黃指數等指標的關系研究,預測結果決定系數在0.64～0.85之間。張蕾[24]利用自制的雞蛋介電特性測試裝置檢測雞蛋介電常數隨存儲天數的變化曲線,建立介電常數與蛋黃指數的關系,證明了蛋黃指數與介電常數、電容之間有極顯著的相關性,為利用介電特性無損檢測雞蛋新鮮度提供了可能。

2.3 動力學特性檢測技術

受到激勵后,物體會作強迫振動,并且振動隨系統內部結構的不同而變化。隨著存放時間的增長,殼蛋蛋黃膜系帶彈性減弱,蛋黃粘度降低,水樣蛋白增加,蛋黃和蛋白的表面張力和粘度隨之降低,表現為蛋內部液體運動阻尼比增加[25]。動力學特性檢測蛋品質原理就是通過分析雞蛋的振動信號,得到不同新鮮度雞蛋的自由振動衰減曲線,從而發現殼蛋品質的判斷規律[26]。龍翔等[27]就利用雞蛋振動力學特性,構建了基于ARM核的雞蛋新鮮度動態信號測試系統,動態采集雞蛋的振蕩信號,利用雞蛋阻尼系數的變化反映新鮮程度,驗證了利用振動法進行雞蛋新鮮度檢測的可行性。

2.4 氣味特性檢測技術

電子鼻是基于氣味進行食品品質檢測的無損檢測技術。作為一種智能感官儀器,電子鼻模擬人類嗅覺系統通過氣味指紋信息對氣體或揮發性成分做定性或定量檢測,以實現樣品的品質鑒定[28]。由于細菌的分解作用,殼蛋的蛋白質、卵磷脂分解為肽和氨基酸,進一步分解產生H2S和胺類等有異味的物質[29],利用電子鼻檢測可反映蛋類揮發成分的整體信息[30]。劉明等[30]利用德國AIRSENSE公司PEN3型電子鼻對20 ℃,70%相對濕度條件下的羅曼雞蛋進行了氣味檢測,證明了利用氣味檢測雞蛋新鮮度的可行性。英國學者Dutta R等[31]利用電子鼻采集雞蛋氣味,進而對雞蛋新鮮度進行分級,分級精度達到95%。另外劉鵬等[32]還將電子鼻和機器視覺兩種傳感器在特征層進行融合,大大提高了雞蛋新鮮度判別精度,準確率平均值達到92.6%。

2.5 光譜檢測技術

光譜檢測原理是光照射到物體上,發生表面反射,內部散射、吸收或透射等現象,這幾部分光所占比例的大小取決于物體表面情況、內部成分、折射率和入射光波長等因素[33]。通過模型建立光譜與雞蛋品質之間的關系,既可用于殼蛋指標的定性判別,也可用于定量分析[34]。可見光[35-36]、紫外光[37]、近紅外光譜[38-40]和高光譜[41-44]等各個波段都在殼蛋品質指標獲取方面有所應用。徐惠榮等[13]利用自制的雞蛋內部品質光譜檢測系統采集雞蛋可見/近紅外光譜信息,對褐殼雞蛋的血斑情況進行檢測,血斑蛋判別正確率達91%,該方法可用于褐殼蛋的血斑檢測。Abdel-Nour等[35]利用可見/近紅外光譜掃描儀獲取雞蛋411～1729 nm的光譜信息對雞蛋哈夫單位和蛋白質量進行檢測,經驗證,決定系數(R2)分別為0.9和0.79,均方根誤差(RMSEV)分別為0.06和5.05。Alessandro等[45]將近紅外光譜技術應用于雞蛋新鮮度的檢測,采用傅里葉變換近紅外光譜儀掃描雞蛋的漫反射光譜,通過光譜分析識別雞蛋存儲時間正確率達到90%以上。

2.6 計算機視覺技術

計算機視覺技術是基于圖像的數字識別技術發展起來的新興技術[46],涉及人工智能、計算機科學、圖像處理、模式識別等多個領域,不僅是人眼的延伸,還具有智能識別的功能,可以適應農產品品質復雜和多樣性的要求,在農產品品質檢驗領域具有廣闊的發展空間。在殼蛋分級方面,已有學者在殼蛋蛋形[47]、破損度[14]、重量[22]、清潔度[48]、異物[49-50]和哈夫單位[51]等方面展開大量研究。近些年來,隨著計算機視覺技術的發展,樣本圖像不僅僅可來源于可見光區域[47],還可以來自紫外、近紅外、紅外、X射線等光譜區域[16]。Omid等[52]利用計算機視覺技術對雞蛋形狀和破損度進行識別,正確率分別達到95%和98%。王巧華等[53]利用基于可見光的計算機視覺裝置和Matlab軟件獲取雞蛋顏色參數,通過實驗獲得雞蛋的新鮮度指標(哈夫單位值),得到雞蛋新鮮度與其圖像顏色參數之間的最優關系。

以上六種主要的指標獲取技術,根據不同的檢測原理可以獲取不同的品質質量指標。聲學特性檢測技術研究較早,多用于殼蛋外部品質指標如破損度的檢測[54-56],電特性和動力學檢測技術,適用于殼蛋內部品質指標的檢測如哈夫單位和蛋黃系數等[22,27]。光譜和計算機視覺技術都可獲取大量數據,可以同時檢測多個殼蛋品質和質量指標如蛋重[22]、哈夫單位[38-40]、異物[49-50]和破損度等[52]。電子鼻技術依據殼蛋的氣味特性多被應用于哈夫單位的檢測[30-32]。隨著研究的深入,很多學者進行了多檢測技術的集成應用研究[32],集成技術的應用克服了單一技術特異性高、數據單一的缺點,促進了多品質和質量指標的綜合檢測,并提高了殼蛋分級的準確性和可靠性。表1對參數獲取技術的原理、特點和適用指標等信息進行了整理。

表1 殼蛋品質質量指標參數獲取技術的應用Table 1 Application of shell eggs quality parameter acquisition technologies

3 殼蛋品質質量指標分析模型

殼蛋常用的品質質量指標如蛋重、哈夫單位、蛋黃指數、破損度等都有其適用的測算分析模型。

3.1 蛋重測算模型

3.1.1 線性回歸模型 姜松[15]和張世慶等[58]都利用雞蛋的長軸、短軸和體積參數構建線性回歸模型計算雞蛋重量。長軸短軸利用計算機圖像獲取,標準橢球體積公式計算雞蛋體積。

V=πLB2/6

式中,V為雞蛋體積,L為長軸,B為短軸。經過圖像去噪處理及分析,得到雞蛋質量回歸模型。

m=1.07V

利用該模型進行雞蛋質量檢測結果與稱重法得到的雞蛋質量相關系數達到0.95,且處理速度快,準確率高。

3.1.2 神經網絡模型 王巧華等[59]結合計算機采集的雞蛋圖像和BP神經網絡模型模型(BP-ANN)建立雞蛋像素點數和蛋重之間的關系,進行雞蛋蛋重的測量。經過圖像去噪處理,構建了包含輸入層、隱含層和輸出層的三層神經網絡:

圖1 BP神經網絡結構Fig.1 The BP neural network model

輸入層節點數為1,即雞蛋圖像像素數,輸出層節點數為3,對應雞蛋重量三個等級:55 g以下、55～65 g和65 g以上。隱層神經元計算公式

m=(n+l)1/2+a

式中,m為隱層單元數,n為輸入層單元數,l為輸出層單元數,a為1～10之間的整數。考慮最優收斂速度和訓練精度,確定隱含層節點數為25,網絡函數傳遞函數為tansig和purelin,訓練函數為trainlm。經過模型的可靠性驗證,蛋重分級正確率達到91%,滿足蛋品分級的要求,且該模型具有較好的泛化能力和魯棒性。

3.2 哈夫單位測算模型

3.2.1 支持向量機 林顥等[38]將一類支持向量機(OC-SVM)算法引入雞蛋新鮮度檢測中,通過主成分分析(PCA)近紅外光譜信號,采用前3個主成分作為模輸入向量,模型目標函數

s.t.(wφ(xi))≥ρ-εi,εi≥0

式中,W是將特征空間到輸出空間的權值,v∈(0,1]是提前設定的參數,是支持向量個數的下屆,稱為v屬性。xi為數據點,φ(xi)為第i個數據點在特征空間的像。測試樣本依據其落在特征空間中超平面的哪一側決定其類別,以哈夫單位值大于60為新鮮蛋,小于60為非新鮮蛋,經驗證模型對雞蛋新鮮度分級正確率達到80%。該一類支持向量機模型可以解決輸入樣本不平衡的問題,相較于傳統的二類支持向量機模型適用性更廣。

3.2.2 遺傳-神經網絡模型 Lin H等[39]將遺傳算法和人工神經網絡結合,構建了基于近紅外光譜的雞蛋哈夫單位遺傳-神經網絡(GA-ANN)檢測模型,遺傳思想模型。

式中,δh是隱含層節點錯誤率,利用對δh的后向反饋可以實現網絡權重的優化。構建了三層神經網絡模型,將獨立成分分析(ICA)后的7個獨立光譜信息作為輸入參數,哈夫單位值為輸出參數。經驗證該模型預測值與傳統方法測得的雞蛋哈夫單位值相關系數達到0.879,該神經網絡模型結合遺傳學思想,較傳統神經網絡對網絡權重有較好的優化性能,網絡的收斂速度和訓練精度都有所提高。

3.2.3 偏最小二乘法 偏最小二乘法(PLS)是通過誤差平方和最小化思想尋找一組數據的最佳匹配函數的方法,可以解決線性回歸和非線性擬合等求解問題[60]。Alessandro G等[61]以主成分提取后的近紅外光譜數據為輸入量建立偏最小二乘回歸模型進行雞蛋哈夫單位的預測,同時進行破壞性檢測,將哈夫單位真實值與預測值進行相關分析,相關系數為0.676,該PLS模型對于相關性較好的數據具有很高的預測精度。

3.3 異物分析模型

最小二乘支持向量機模型(LS-SVM)是基于最小二乘算法構建的結構風險最小化向量機模型,在模式判別問題中應用廣泛。徐惠榮等[13]進行了基于光譜技術的褐殼雞蛋血斑檢測研究,將LS-SVM模型應用于血斑檢測中,選擇徑向基函數作為核函數,利用基于留一交互驗證的二次網格搜索法確定模型參數,通過原始光譜主成分分析,選取前三主成分和蛋殼顏色參數L*、a*和b*融合作為模型輸入變量,進行LS-SVM建模分析。因為融合了雞蛋光譜數據和蛋殼顏色信息,考慮了蛋殼顏色的補償提高了檢測精度,正常蛋檢出率為90%,血斑蛋檢出率為91.7%。同時,線性判別[13]、偏最小二乘法[64]等數據分析模型在血斑蛋的檢測中也有所應用。

3.4 蛋黃指數測算模型

3.4.1 線性回歸模型 線性回歸模型被一些學者應用于蛋黃指數檢測中。Ragni[23]利用平行電極板檢測雞蛋的電特性,將電容電壓比和蛋重作為輸入參數,構建了蛋黃指數預測多元線性回歸模型:

Y=-0.183+2.25M+3.77DC/DV

式中,Y為蛋黃指數,M為雞蛋重量,DC為電極板電容,DV為電壓。張蕾[24]、孫力等[17]也基于雞蛋的介電特性,利用線性回歸模型進行了蛋黃指數的檢測,分析表明線性回歸模型可以用于蛋黃指數的檢測。

3.4.2 偏最小二乘法 金亞美等[57]利用雞蛋低頻波段下的介電特性,建立了蛋黃介電常數對蛋黃水分的PLS預測模型,交叉檢驗提取主成分作為模型輸入參數,預測模型R2為0.9891,RMSEP為0.0653。使用PLS模型檢測蛋品質時,一般需要輸入參數與預測指標間具有較好的相關性。

3.5 胚胎發育程度分析模型

張偉等[44]利用雞蛋高光譜圖像數據進行雞蛋胚胎發育情況的分析,引入學習向量量化神經網絡模型(LVQ-ANN),LVQ-ANN較傳統的BP神經網絡模型,參數確定簡單,收斂速度快,且更加適合于簡單分類問題的處理。將雞蛋的550～950 nm波段范圍的高光譜數據作為輸入參數,胚胎發育結果作為輸出,經過多次實驗,確定了4-10-1的三層神經網絡結構,其中隱含層節點數利用式(3)確定,輸入層為光譜數據經主成分分析提取的前四個主成分,輸出層是雞蛋代碼:(1,0)代表有胚胎發育跡象,(0,1)代表無胚胎發育跡象。經過驗證,模型預測準確率達到90%以上,同時模型的穩定性也較高。

3.6 破損度分析模型

3.6.1 支持向量機 支持向量機模型在解決小樣本、非線性、高維度和局部最小值等模式識別中有很多優勢,被一些學者用于蛋破損檢測,何麗紅等[63]將粗糙集處理后的雞蛋敲擊聲音信號作為模型特征參數,構造支持向量機檢測模型式:

K(x,xi)=exp(-|xi-xj|2/(2σ2))

f(x)=sign(y)

3.6.2 變異系數法 潘磊慶等[64]利用敲擊裂紋蛋和完整蛋不同位置的頻率響應差異檢測裂紋,進行雞蛋分級。敲擊雞蛋赤道兩極點等四個位置得到四個響應頻率,完好蛋響應頻率相似,裂紋蛋差別較大,將四個響應頻率進行變異分析,得到變異系數,將變異系數閾值設為1,由此確定雞蛋的破損判別式:

式中,定義U為所有雞蛋,A為完好雞蛋,B為殼裂雞蛋。當檢測得一個雞蛋的變異系數大于1時為裂殼蛋,小于1時為完好蛋。該判別算法判別簡單、計算效率高,對裂紋蛋和完好蛋的分級準確率達到87%。

3.6.3 概率神經網絡 Wang Y等[14]將概率神經網絡模型(PNN)應用于雞蛋破損度的檢測,PNN是一種基于統計原理的概率神經網絡模型,克服了傳統BP神經網絡收斂速度慢、易產生局部最優的缺點。經過灰度共生矩陣和小波變換進行圖像特征提取后,將裂紋特征參數作為模型輸入量進行裂紋檢測。利用MATLAB實現神經網絡的構建:

net=newpnn(P,T,SPREAD)

式中,P為雞蛋圖像特征矩陣和T都是雞蛋圖像特征矩陣,SPREAD是PNN的分布密度。經過實驗對比,PNN模型對雞蛋破損度檢測準確率達到96.67%,效果優于傳統BP神經網絡,同時該模型結構更加穩定,訓練速度快,非常適合此類圖像分類問題。

3.7 蛋形分析模型

3.7.1 線性判別 段宇飛等[47]通過傳送裝置動態采集雞蛋圖像,提取雞蛋尺寸參數,通過計算蛋形指數判別形狀規則度。對雞蛋圖像進行漏光處理和最大類間方差法(otsu法)預處理后,利用最小二乘橢圓擬合和凸包算法擬合雞蛋輪廓,然后從雞蛋輪廓上提取其長軸和短軸數據。利用蛋形指數公式:

l=la/lb

其中,I為蛋形指數,la為雞蛋長軸長度,lb為雞蛋短軸長度。以蛋形指數在1.3～1.35為適中,小于1.3過圓,大于1.35過扁,樣本雞蛋經上述方法分級驗證,分級準確率為89.3%,且該方法處理速度快,滿足生產需求。

3.7.2 神經網絡模型 周維忠等[65]利用計算機視覺采集的雞蛋圖像進行蛋形的篩選。以雞蛋圖像特征數據作為模型輸入,利用matlab中的神經網絡軟件包實現16-8-1的三層結構神經網絡模型的構建。

圖2 神經網絡結構Fig.2 The neural network model

輸入層參數為雞蛋圖像進行帶離散小波變換特征提取出16個小波變換系數參數,輸出層為代表蛋形是否合格的代碼,1為合格,0為不合格。該模型利用神經網絡的自學習性可以建立了輸入與輸出參數間任意的非線性映射關系,且魯棒性好,判別準確率達到93%。

由以上殼蛋品質和質量模型的分析應用可以看出,研究方法由簡單的線性計算到非線性映射,考慮的品質指標由單一指標到多指標的綜合分析。其中線性回歸模型算法簡單、計算速度快,適合于簡單的判別分析,在蛋重、蛋形和清潔度等指標的分析中都有應用。偏最小二乘法對相關性強的數據具有很高的預測精度,在利用雞蛋的光譜信息進行指標預測時,如哈夫單位、蛋黃指數和異物等內部指標的預測中該方法使用較多。神經網絡以其學習能力強的特點應用于解決各種非線性問題,應用范圍非常廣,可以適用于大部分品質和質量指標的預測。支持向量機模型適用于解決小樣本、非線性問題,在殼蛋分級中應用較多的是在其傳統結構的基礎上的優化模型,對哈夫單位、破損度和異物等指標都有很好的預測效果。同時在一些指標分析中,多個數據模型的結合,如最小二乘支持向量機、支持向量量化神經網絡模型等,可以彌補單一模型的不足,提高模型的可靠性和魯棒性,為殼蛋分級中多品質和質量指標的綜合分析提供了理論支持。表2對各個指標分析模型的應用、特點及效果進行了整理。

表2 殼蛋品質和質量指標分析模型及應用Table 2 Analysis models of shell egg quality indexes

4 發展趨勢

消費者需求的多樣化和對食品質量要求的不斷提高,必將促進我國殼蛋分級的快速發展。同時,現代計算機技術、信息技術和數據處理分析技術的快速發展為殼蛋分級提供了強大的技術支持和保障。多指標參數的融合、檢測技術的集成應用、檢測過程的自動化和智能化是未來殼蛋分級的必然趨勢。

殼蛋品質指標參數的獲取將更加注重殼蛋產品的物理和化學等產品特性。光譜技術、計算機視覺技術和電子鼻等先進計算機技術和信息技術為殼蛋品質質量指標參數的獲取提供了技術基礎,也在很大程度上提高了指標參數獲取的準確性和可靠性。

殼蛋分級將注重多指標獲取技術的集成和融合。單一的指標獲取方法特異性較高,當殼蛋質量情況復雜或發生變化時,可能會出現較大的偏差,降低檢測精度。隨著光譜分析和計算機技術在殼蛋分級中的集成應用,使得同時檢測和獲取殼蛋的多項品質質量指標提供技術保障。

殼蛋品質質量指標參數的分析將更加模型化和智能化。神經網絡、向量機等數據分析模型在殼蛋分級中的應用,較傳統的線性分析算法,能夠更加有效地結合軟件解決殼蛋分級數據的信息冗雜、影響因子多等問題,更高效智能地處理光譜、計算機等技術獲取的大量數據,模型的適應性和計算精度都有很大的提高。

[1]司偉達,韓兆鵬,劉旭明. 鮮蛋分級和質量控制技術研究現狀[J]. 中國家禽,2013,35(8):44-48.

[2]楊寧. 2014年我國蛋雞產業狀況及發展趨勢[J]. 中國畜牧雜志,2015,51(2):32-37.

[3]中華人民共和國國家統計局. 中國統計年鑒:National bureau of statistics of China. 2016,2017:(總第27期No.27)[M].中國統計出版社,2016,2017.

[4]言思進. 從蛋品加工看我國蛋業的持續發展[J]. 中國家禽,2005,27(9):37-45.

[5]PAUL,BUISMAN. 國際市場上雞蛋分級的趨勢[J]. 中國禽業導刊,2010(16):12-13.

[6]劉璐,鄭江霞,徐桂云. 雞蛋蛋黃比例研究綜述[J]. 食品安全質量檢測學報,2014(8):2560-2567.

[7]中華人民共和國商務部,SB/T10638-2011,鮮雞蛋、鮮鴨蛋分級[S].北京:中國標準出版社,2011.

[8]United States Department of Agricultural,AMS 56,United States Standards,Grades,and Weight Classes for Shell Eggs,Agricultural Marketing Service,2000.

[9]白修云,劉旭明,龔海巖,等. 我國與歐美鮮禽蛋質量分級及檢驗標準比較解析[J]. 中國家禽,2014,36(1).

[10]Zhang W,Pan L,Tu S,et al. Non-destructive internal quality assessment of eggs using a synthesis of hyperspectral imaging and multivariate analysis[J]. Journal of Food Engineering,2015,157:41-48.

[11]劉雪,李亞妹,劉嬌,等. 基于BP神經網絡的鮮雞蛋貨架期預測模型[J]. 農業機械學報,2015,46(10):328-334.

[12]Roberts J R. Factors affecting egg internal quality and eggshell quality in laying hens[J]. Journal of Poultry Science,2006,41(3):161-177.

[13]徐惠榮,徐文豪,陳華瑞,等. 基于光譜技術的褐殼血斑蛋鑒別方法研究[J]. 農業機械學報,2014,45(2):194-198.

[14]Wang Y. Research on the computer vision cracked eggs detecting method[J]. International Journal of Computer Applications in Technology,2014,50(3/4):215

[15]姜松,漆虹,王國江,等. 禽蛋基本特性參數分析與實驗[J]. 農業機械學報,2012,43(4):137-142.

[16]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(s2):325-330.

[17]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.

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

[19]Li P,Wang Q,Zhang Q,et al. Non-destructive Detection on the Egg Crack Based on Wavelet Transform[J]. IeriProcedia,2012,2(4):372-382.

[20]林顥,趙杰文,陳全勝,等. 基于聲學特性的雞蛋蛋殼裂紋檢測[J]. 食品科學,2010,31(2):199-202.

[21]Jha S N,Narsaiah K,Basediya A L,et al. Measurement techniques and application of electrical properties for nondestructive quality evaluation of foods—a review[J]. Journal of Food Science and Technology,2011,48(4):387-411.

[22]孫俊,劉彬,毛罕平,等. 基于介電特性與蛋黃指數回歸模型的雞蛋新鮮度無損檢測[J]. 農業工程學報,2016,32(21):290-295.

[23]Ragni L,Gradari P,Berardinelli A,et al. Predicting Quality Parameters of Shell Eggs using a Simple Technique based on the Dielectric Properties[J]. Biosystems Engineering,2006,94(2):255-262.

[24]張蕾,郭文川,馬嚴明. 雞蛋儲藏過程中介電特性與新鮮品質的變化[J]. 農機化研究,2008(4):146-148.

[25]白修云,李勇,孟艷莉,等. 常溫保存條件下砂殼雞蛋和正常雞蛋蛋品質變化比較[J]. 中國家禽,2013,35(6):29-32.

[26]龍翔.雞蛋品質無損檢測與研究[D].廣州:華南農業大學,2008.

[27]龍翔,李運兵,羅霞. 雞蛋新鮮度無損檢測系統的研究與設計[J]. 計算機與數字工程,2010,38(5):155-158.

[28]王俊,崔紹慶,陳新偉,等. 電子鼻傳感技術與應用研究進展[J]. 農業機械學報,2013,44(11):160-167.

[29]張虹艷. 電子鼻技術對雞肉、雞蛋、羊奶貯藏時間的快速檢測[D].楊凌,西北農林科技大學,2012.

[30]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.

[31]Dutta R,Hines E L,Gardner J W,et al. Non-destructive egg freshness determination:an electronic nose basedapproach[J]. Measurement Science & Technology,2003,14(2):190-198.

[32]劉鵬,屠康,潘磊慶,等. 基于D-S證據理論的雞蛋新鮮度多傳感器融合識別[J]. 農業機械學報,2011,42(8):122-127.

[33]姚子升. 拉曼光譜分析技術在食品安全保障中的應用及發展[J]. 食品界,2017(3):72-73.

[34]吳建虎,王向東. 雞蛋品質無損檢測技術研究進展[J].中國家禽,2013,35(1):42-44.

[35]Abdel-Nour N,Ngadi M,Prasher S,et al. Prediction of Egg Freshness and Albumen Quality Using Visible/Near Infrared Spectroscopy[J]. Food and Bioprocess Technology,2011,4(5):731-736.

[36]祝志慧,謝德君,李婉清,等. 基于光譜技術和多分類器融合的異物蛋檢測[J]. 農業工程學報,2015,31(2):312-318.

[37]Kemps B J,Ketelaere B D. Albumen freshness assessment by combining visible near-infrared transmission and low-resolution proton nuclear magnetic resonance spectroscopy[J]. Poultry Science,2007,86(4):752-9.

[38]林顥,趙杰文,陳全勝,等. 近紅外光譜結合一類支持向量機算法檢測雞蛋的新鮮度[J]. 光譜學與光譜分析,2010,30(4):929-932.

[39]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.

[40]劉燕德,周延睿,彭彥穎. 基于近紅外漫反射光譜檢測雞蛋品質[J]. 光學精密工程,2013,21(1):40-45.

[41]付丹丹,王巧華. 雞蛋新鮮度、pH及黏度的高光譜檢測模型[J]. 食品科學,2016,37(22):173-179.

[42]王巧華,周凱,吳蘭蘭,等. 基于高光譜的雞蛋新鮮度檢測[J]. 光譜學與光譜分析,2016,36(8):2596-2600.

[43]Zhang W,Pan L,Tu S,et al. Non-destructive internal quality assessment of eggs using a synthesis of hyperspectral imaging and multivariate analysis[J]. Journal of Food Engineering,2015,157:41-48.

[44]張偉,潘磊慶,屠康. 利用高光譜透射圖像檢測雞種蛋早期孵化[J]. 農業工程學報,2012(21):149-155.

[45]Alessandro G,Annachiara B,Luigi R,et al. Non-destructive freshness assessment of shell eggs using FT-NIR spectroscopy[J].Journal of Food Engineering,2008,89(2):142-148.

[46]趙燕,涂勇剛,李建科,等. 發酵全蛋蛋黃中的脂肪酸組成分析[J]. 食品工業科技,2013,34(23):336-339.

[47]段宇飛,王巧華,李小明,等. 基于凸包算法的雞蛋尺寸形狀在線視覺高通量檢測方法[J]. 農業工程學報,2016,32(15):282-288.

[48]屠康,潘磊慶,楊佳麗,等. 基于計算機視覺的雞蛋污斑檢測[J]. 江蘇大學學報:自然科學版,2007,28(3):189-192.

[49]Nakano,K,J. Us ui.,Y. Motonaga and J.Mizutani. Development of nondestructive detector for abnormal eggs[J]. Workshop on control Application in Post harvest and Processing Technology,2001.71-76.

[50]M. C. Garci a-Alegre,A. Ribeiro,D. Guinea,and G. cristobal. Eggshell defects detection based on color processing. SPIE 2000 Electronic Imaging Conf,CA,Jan. 2000.

[51]Sun L,Yuan L M,Cai J R,et al. Egg Freshness on-Line Estimation Using Machine Vision and Dynamic Weighing[J]. Food Analytical Methods,2015,8(4):922-928.

[52]Omid M,Soltani M,Dehrouyeh M H,et al. An expert egg grading system based on machine vision and artificial intelligence techniques[J]. Journal of Food Engineering,2013,118(1):70-77.

[53]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.

[54]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.

[55]PAUL,BUISMAN. 國際市場上雞蛋分級的趨勢[J]. 中國禽業導刊,2010(16):12-13.

[56]劉璐,鄭江霞,徐桂云. 雞蛋蛋黃比例研究綜述[J]. 食品安全質量檢測學報,2014(8):2560-2567.

[57]金亞美,王浩月,楊娜,等. 低頻波段對雞蛋貯藏期間介電特性的影響[J]. 中國食品學報,2015,15(6):220-225.

[58]張世慶,涂佳,孫力,等. 雞蛋質量與長短軸在線檢測方法[J]. 農業機械學報,2014,45(2):204-209.

[59]王巧華,文友先. 基于BP神經網絡的雞蛋大小分級方法研究[J]. 湖北農業科學,2005(1):97-99.

[60]田生昌. 最小二乘法的統計學原理及在農業實驗分析中的應用[J]. 數學的實踐與認識,2015(4):124-133.

[61]Alessandro G,Annachiara B,Luigi R,et al. Non-destructive freshness assessment of shell eggs using FT-NIR spectroscopy[J].Journal of Food Engineering,2008,89(2):142-148.

[62]陳猛. 雞蛋新鮮度和血斑蛋光譜技術在線檢測研究[D].杭州,浙江大學,2015.

[63]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.

[64]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.

[65]周維忠,馮心海,孫國基. 種蛋外形的計算機視覺識別研究[J]. 農業工程學報,2000,16(6):126-130.