基于改進ResNet的帶孔蛋胚裂紋檢測方法

摘要：將病毒注入蛋胚培養疫苗時，針頭沖擊使注射孔周圍產生裂紋導致培養失敗。為解決目前人工手持照蛋器在暗室通過肉眼檢測蛋胚裂紋效率低、誤判率高這一問題，提出一種結合多光譜通道注意（MSCA）機制與并行堆疊拓撲（PST）模塊的帶孔蛋胚裂紋檢測方法。首先搭建帶孔蛋胚裂紋檢測黑箱，采集病毒注射后帶孔蛋胚的線形、網狀、星形裂紋和帶孔完好蛋胚圖像并建立數據集；接著以ResNet-50為骨干模型，將其后4層的第一個殘差模塊替換為PST模塊，以增加模型初期圖像表達能力；最后在每個PST模塊與殘差模塊后引入MSCA機制，MSCA機制通過二維離散余弦變換（2DDCT）壓縮數據得到各通道頻率分量，采用神經結構搜索（NAS）方式得到最佳頻率分量，即對權重重新分配，增加裂紋特征權重比例，以確保模型快速、精準識別帶孔蛋胚裂紋。結果表明，改進的網絡模型對帶孔蛋胚裂紋檢測時間為0.42 s/枚，檢測精度為96.43%，檢測效率高于人工作業。與原始ResNet-50相比，檢測精度提高3.66%，優于其他經典卷積網絡模型，改進模型可用于疫苗培育前帶孔蛋胚裂紋自動檢測。

關鍵詞：裂紋檢測；帶孔蛋胚；改進殘差網絡；多光譜通道注意機制；并行堆疊拓撲模塊

中圖分類號：TP391.4

文獻標識碼：A

文章編號：20955553 （2024） 070201

09

Detection method of egg embryo crack with hole based on improved ResNet

Li Yunliang， Zhao Mingyan， Wang Xin， Yan Hongshuo， Li Yuchan

（College of Mechanical and Electronical Engineering， China Jiliang University， Hangzhou， 310018， China）

Abstract：

In the process of injecting the virus into the egg embryo to culture the vaccine， the impact of the needle caused cracks around the injection hole and" the culture failed. In order to solve the problem of low efficiency and high misjudgment rate in the detection of egg embryo cracks by the naked eye in the darkroom， a method for detecting cracks in egg embryos with holes combined with a multispectral channel attention mechanism （MSCA） and parallel stacking topology modules （PST） was proposed. Firstly， a black box for crack detection of perforated egg embryos was built， and the images of linear cracks， mesh cracks， star-shaped cracks and intact egg embryos with holes after virus injection was collected and a data set was established， then ResNet-50 was used as the backbone model. The first residual module of the next 4 layers was replaced by the PST module to increase the image expression ability of the model at the beginning， finally， the MSCA mechanism was introduced after each PST module and the residual module， and the MSCA mechanism compressed the data through two-dimensional discrete cosine transform （2D DCT），" and the neural architecture search selection （NAS） method obtained the optimal frequency components， which could redistribute the weights to increase the proportion of crack feature weights. Thus the microporous egg embryos could be identified quickly and accurately by the model. The results show that the improved network model has a detection time of 0.42 s/piece for cracks in egg embryos with holes， a detection accuracy of 96.43%， and a higher detection efficiency than manual operations. Compared with the original ResNet-50， the detection accuracy has been improved by 3.66%， which is superior to other classical convolutional network models. It is proved that the improved model can be used for the automatic detection of cracks in egg embryos with holes before vaccine cultivation.

Keywords：

crack detection; egg embryo with hole; improved ResNet; multispectral attention mechanism; parallel stacking topology

0 引言

流感、狂犬等病毒通常在9～11日齡受精蛋胚內繁殖，病毒在蛋胚尿囊腔（培養基）發育成熟后，經提純、滅活等工序得到相應疫苗［13］。然而將病毒注入蛋胚尿囊腔時，針頭的沖擊導致蛋胚注射部位（鈍端氣室處）出現裂紋，致使外界病菌進入蛋胚內部并導致培育失敗，且在收獲階段污染同批病毒。由于針頭沖擊及部分胚殼薄厚不均，病毒注射后的蛋胚裂紋普遍為線形裂紋，這種線形裂紋對病毒的繁殖影響極小。但實際生產時，針頭因高頻沖擊產生微彎、疲勞損傷等狀況，最終在沖擊孔周圍產生星形、網狀裂紋，這兩種裂紋縫隙較大，破壞了殼膜等蛋胚重要保護層，導致培育中的病毒被污染，因此必須將上述裂紋蛋（廢胚）剔除。由于微裂紋檢測難度較大，目前仍靠人工肉眼檢測裂紋（手持照蛋器在暗室進行），存在檢測效率低、誤判率高等問題。

現階段針對受精蛋胚培養病毒（生產疫苗）方面的研究，聚焦于蛋胚成活性檢測［4， 5］方面，而對蛋殼裂紋檢測方面的研究主要集中在食用雞蛋加工生產、品質檢測、等級劃分、運輸保存等領域，研究對象為食用雞蛋磕碰、撞擊、跌落等導致的裂紋，且以裂紋的有無作為檢測標準。檢測方法包括機器視覺檢測法［68］、聲學特性檢測法［9， 10］、多技術融合檢測法［11， 12］等，其中以聲學振動檢測與機器視覺檢測為主。

基于雞蛋蛋殼聲學特性檢測裂紋方面，為提高裂紋檢測準確率，研究人員通過外部加壓的方法增大雞蛋微小裂紋信息［13］、對雞蛋多個位置進行敲擊［14］等方法，以提高雞蛋裂紋檢測準確率。但增壓、敲擊均會對孵化中的蛋胚造成二次損傷；另外由于蛋胚氣室的影響，穿孔后裂紋蛋胚與穿孔后完好蛋胚聲學響應信號差異較小，二者難以判別。因此上述用于檢測食用雞蛋的聲學方法不適用于檢測帶注射孔的裂紋蛋胚。

機器視覺檢測裂紋方面，傳統方法通過形態學操作提取裂紋特征［15］。在批量檢測時，因蛋殼厚度及雞胚發育狀況不同，導致圖像亮度不一致、干擾特征過多，形態學操作對微裂紋特征提取效果不佳。隨著視覺技術的發展，機器學習、深度學習也逐漸被應用于雞蛋裂紋檢測。趙祚喜等［16］提出一種基于YOLOv4網絡的破損雞蛋檢測方法，通過對比不同破損比例、不同移動速度下的裂紋檢測試驗，準確率分別達到86.22%、84.91%，該研究主要針對縫隙較大的破損蛋殼裂紋，無法判別微小裂紋。張健等［17］對粒子群算法進行改進，通過余弦函數調節慣性權重、粒子反向學習等算法對網狀裂紋、線形裂紋進行檢測，雖然對明顯裂紋檢測準確率達到96.4%、94.7%，但非明顯裂紋檢測準確下降至89.2%、87.5%。上述研究盡管對不同類型裂紋進行了檢測，但只是應用原有模型或優化后的模型存在準確率不高的缺陷。且9～11日受精蛋胚與食用雞蛋（非受精卵）圖像存在顯著差異，無關特征干擾多，現階段相關研究成果不適用于檢測帶孔蛋胚裂紋。

為檢測不同類型帶孔蛋胚裂紋并提高檢測準確率，本文提出一種改進ResNet的帶孔蛋胚的裂紋檢測方法。以ResNet-50為骨干模型，為弱化蛋胚背光下的干擾特征，使用并行堆疊拓撲（Parallel Stacking Topology，PST）結構提升模型初期對蛋胚圖像表達能力，同時添加多光譜通道注意（Multispectral Channel Attention，MSCA）機制，提高模型對裂紋特征的提取，以實現對帶孔完好蛋胚及三種帶孔裂紋蛋胚的檢測。根據實際生產情況，搭建帶孔蛋胚裂紋檢測裝置，在可實時檢測并剔除帶孔線形、星形、網狀裂紋蛋胚的同時，能夠根據檢測結果，判斷對應位置的注射針頭是否需要更換，減少因針頭異常導致的廢胚。

1 材料與方法

1.1 試驗材料

試驗所用蛋胚均來自江蘇宿遷某雞胚孵化場青腳紅瑤雞受精蛋胚，其長徑、短徑分別在48～53 mm與36～41 mm之間。將受精蛋胚尖端朝下靜置24 h，對氣室與胚體進行正位。使用溫水清洗蛋胚表面污漬，并在比例為1∶1 000的高錳酸鉀水溶液中浸泡1 min進行消毒處理，最后自然晾干。按照50枚每批次將消毒后的蛋胚放入蛋胚孵化箱中孵化9日，最終獲取9日齡蛋胚以備試驗，孵化箱具體孵化參數如表1所示。

為模擬實際疫苗自動化生產中打孔、注射工藝，使用外徑2.0 mm、長35 mm的獸用針頭豎直對9日齡蛋胚進行打孔操作。得到帶孔完好蛋胚、帶孔線形裂紋蛋胚、帶孔網狀裂紋蛋胚、帶孔星形裂紋蛋胚等樣本，以備后續試驗需要。

1.2 圖像采集、預處理與數據集建立

1.2.1 圖像采集

圖像采集裝置見圖1，主要由檢測黑箱、500萬像素工業相機、蛋胚底座、24 V 5 W照蛋冷光源、計算機等部分組成。將孵化至9日齡并處理好的帶孔裂紋蛋胚置于蛋胚底座上，合閉檢測黑箱并打開照蛋冷光源，工業相機豎直對背光照射的帶孔裂紋蛋胚進行圖像采集，并上傳至計算機。

1.2.2 圖像預處理與數據集建立

根據裂紋擴展位置、方向以及數目的不同，試驗所用數據集主要分為帶孔完好蛋胚、帶孔線形裂紋蛋胚、帶孔星形裂紋蛋胚、帶孔網狀裂紋蛋胚共4類圖像，如圖2所示。

采集上述4類圖像共1 965幅，其中完好蛋胚642幅、線形裂紋蛋胚634幅、星型裂紋蛋胚351幅、網狀裂紋蛋胚338幅。經過圖像預處理將蛋胚圖像縮放、剪裁至432像素×432像素，并按照3∶1∶1比例將數據集劃分為訓練集1 179幅、驗證集393幅和測試集393幅。訓練集的樣本數量過少會影響模型的訓練效果，甚至出現模型過擬合、泛化能力差等問題；又因蛋胚裂紋特征信息主要位于圖像中央，為保證裂紋特征信息完整且避免模型訓練達不到預期效果，通過數據增強，對圖像訓練集進行旋轉、高斯噪聲、椒鹽噪聲、亮度變化等方式交替使用。按照比例1∶4增加訓練集樣本數量，最終獲得4 716幅圖像作為訓練集樣本。

1.3 基于改進ResNet的帶孔蛋胚裂紋檢測模型

1.3.1 ResNet網絡

在卷積神經網絡中，為獲得更深層次特征的獲取，需要疊加大量卷積層數來豐富特征，進而達到更高的分類精度。但隨著卷積層數的疊加，卷積神經網絡的計算量也會隨之增長，同時會產生梯度消失甚至梯度爆炸的狀況。為解決這一問題，He等［18］提出ResNet模型，引入殘差模塊，在中間層添加快連接層，當深度卷積過程中出現梯度消失、爆炸時，通過快連接層繼承上一層權重信息并忽略該層卷積提取的特征信息，使得模型梯度收斂達到更高精度。

雖然ResNet能夠更好地解決卷積神經網絡在深層訓練時梯度消失、梯度爆炸等問題，使得模型能夠有效收斂。然而對于受精蛋胚，即便是同批次、同品種母雞產下的蛋胚，也會因母雞個體情況的不同，導致每個蛋胚圖像存在不同差異。

1） 蛋殼厚度、密度差異。導致光源在底部照射蛋胚時，相機視野下每個帶孔蛋胚蛋殼的亮度、裂紋大小不同，特別是存在微裂紋時，薄蛋殼與厚蛋殼差異較大，致使裂紋特征提取困難。

2） 蛋殼氣孔、暗斑差異。由于個體差異，不同蛋胚的胚殼表面產生大小、規則不一的氣孔和暗斑，而這些氣孔與暗斑特征在冷光源背光照射時會干擾對裂紋特征信息的提取。

3） 蛋胚個體發育差異。由于蛋胚的個體差異，使得蛋胚內部營養物質存在差異，進而導致在相同孵化條件下，蛋胚內部胚體發育情況不同。9日齡蛋胚胚體已初具雛形，致使拍攝視野出現不同胚體黑影，影響裂紋特征的識別。

基于上述三類問題，單一的ResNet模型無法完全解決帶孔蛋胚裂紋識別問題，因此本文基于ResNet進行改進，使模型能夠更準確、快速檢測出帶孔蛋胚裂紋。

1.3.2 多光譜通道注意力機制的裂紋檢測模塊

深度學習中的注意力機制［19］是基于人類視覺感應而提出的。其原理是通過效仿人類在觀察事物時，關注重要信息并減少次要信息的獲取。注意力機制泛用公式為

Attention=f（g（X），X）

（1）

式中：

X——神經網絡輸入；

g（X）——注意所需識別特征區域方式；

f（X）——

基于g（X）所需識別特征處理輸入X。

根據上述注意力公式定義，可通過改變g（X）的處理方式，從而在深度學習訓練過程中，更多地專注裂紋特征的提取而忽略無關特征。

本文引用Qin等［20］提出FcaNet網絡架構中的多光譜通道注意機制MSCA，添加至本文改進模型中。將通道注意機制中的擠壓操作視為頻率分析中壓縮過程，在有限的計算開銷內將一個通道的信息用一個標量緊湊編碼，同時盡可能保留整個通道的表示能力。為此MSCA通過離散余弦變換（DCT）［21］來進行通道注意力機制中的數據壓縮，DCT可實現高質量、高數據壓縮比［22］，且具有較強的能量壓縮特性［23］。同時DCT可以通過元素級乘法來實現，而且可微，能夠方便地集成在CNN中，MSCA模塊說明如圖3所示。

將輸入帶孔裂紋蛋胚特征圖保留寬度W、高度H信息，按照通道C方向進行切片處理得到n個單通道特征圖，每個單通道特征圖中都包含帶孔裂紋蛋胚的各種特征細節，其中單通道輸入如式（2）所示。

Xi=X/n i∈（0，1，…，n－1）

（2）

C′=C/n

（3）

式中：

Xi——單個通道神經網絡輸入；

C′——單個通道。

采用2DDCT壓縮得到各通道頻率分量，并通過NAS方式搜索每個通道的最佳頻率分量，即帶孔蛋胚裂紋特征最佳權重分配，頻率分量表示為

Freqi=

∑（u，v）∈Oexp（α（u，v））∑（u′，v′）∈Oexp（α（u′，v′））

2DDCTu，v（Xi）

（4）

式中：

u、v——輸入X的頻率分量二維指數；

u′、v′——Xi的頻率分量二維指數；

α（u，v）——每個通道分配的連續變量組；

O——包含所有2DDCT指數的集合；

Freqi——通過2DDCT得到的每組頻率分量。

將壓縮以及NAS獲取的各通道頻率分量，進行拼接得到多光譜向量，也就是對2DDCT后的頻率分量進行串聯拼接，所獲得的多光譜向量

Freq=cat（［Freq0，Freq1，…，Freqn－1］）

（5）

對多光譜向量送入全連接層進行加權求和，提取出裂紋特征信息并增加其權重分配，然后經過激活函數得到多光譜通道注意機制處理后帶孔蛋胚裂紋特征的權重分配。多光譜通道注意機制獲取的權重信息可表示為

MSCA=sigmoid（fc（Freq））

（6）

式中：

sigmoid——激活函數。

根據圖2中3類帶孔裂紋蛋胚圖像，可以發現其中裂紋特征信息較為明顯，但是存在其他無關特征的干擾。添加多光譜通道注意機制，可將帶孔蛋胚裂紋的裂紋特征權重增加，忽略其他如氣孔、黑斑、胚體黑影等無關特征信息，隨著網絡的不斷加深，模型對裂紋特征的注意不斷增加，對裂紋特征識別也會更加準確。

1.3.3 改進的并行堆疊拓撲結構

為提高網絡模型的準確率，普遍的方法增加網絡模型的深度和寬度，代價則是超參數的增加以及網絡計算量的增大。因此，為了能夠對帶孔蛋胚的4類圖像進行快速、準確判別，本文引用ResNetXt［24］中的并行堆疊拓撲模塊來替代原始的殘差模塊，二者結構如圖4所示。

與ResNet中的殘差模塊不同，在帶孔蛋胚裂紋特征圖輸入初始卷積過程中，通過增加開始通道數，即采用32組降維、卷積、升維3層操作進而減少中間卷積核參數，最后通過加法運算替代原有的拼接操作，能夠在同等計算量下，增加模型對帶孔蛋胚裂紋圖像的表達能力。

由于每組的拓撲結構相同，使得參數量減少，便于模型移植到改進的ResNet網絡中。同時，本文對原ResNeXt提出的方式做出改變，本文并沒有將并行堆疊拓撲結構替換每一個殘差模塊，而是用于每一個網絡層的第一個卷積層，通過這種并行堆疊拓撲結構提升每層初始表達能力，對后續添加的MSCA模塊進行更好的前饋輸入，從而達到快速注意帶孔裂紋蛋胚圖像中的裂紋特征的效果。

1.3.4 改進的ResNet-50帶孔蛋胚裂紋檢測模型

綜合ResNet模型的參數量、計算量、檢測精度等信息，本文選用ResNet-50作為病毒注射后帶孔蛋胚裂紋檢測改進的骨干模型，并對其結構進行改進，具體改進模型如圖5所示。

改進模型具體參數如表2所示。

由于帶孔蛋胚裂紋過于細小，且存在氣孔、黑斑、胚體黑影等無關特征，會在很大程度上影響模型對裂紋特征的提取和識別。將改進模型Layer 2～Layer 5的第一個殘差模塊替換為PST模塊，在初始卷積過程中，改進模型能夠更有效地表達帶孔蛋胚裂紋各個紋理特征的圖像信息，其中PST模塊使用32組相同卷積層結構作為并行堆疊拓撲模塊的基本單元。在每個殘差模塊與PST模塊中添加MSCA模塊，使得MSCA模塊經過每個殘差模塊與PST模塊后能夠更清楚地認知裂紋特征與無關特征的關系，通過NAS方式增加裂紋特征權重，進而能夠快速注意裂紋特征，達到在相同訓練輪次中，模型能夠實現更快、更準確地擬合效果。

2 結果與分析

2.1 試驗平臺與模型超參數調優

2.1.1 試驗環境

為滿足訓練與測試試驗的順利進行，本文采用的配置信息如表3所示。

2.1.2 模型超參數調優

為使得模型檢測精度達到最優效果，對優化器、批量大小、學習率等超參數進行測試優化，其中試驗優化器選用自適應矩估計法、隨機梯度下降結合動量梯度下降法。根據測試，優化器選取隨機動量梯度結合動量梯度下降法，批量大小為16，學習率為0.000 1。

為研究動量梯度下降法中動量因子m對模型精度的影響，采用優化的超參數，批量大小為16，學習率為0.000 1，分別選取m為0.5、0.6、0.7、0.8、0.9對模型進行訓練，其結果如圖6所示。可以發現，隨著m的增加，模型的訓練集與驗證集精度均在不斷提高，但提高幅度在不斷減小。同時隨著m的增加，模型能夠在更短的迭代周期內達到擬合。當m=0.9時，模型的訓練集精度達到96.82%，驗證集精度達到96.32%，且在120個迭代周期模型達到擬合狀態。因此選用m=0.9作為裂紋檢測模型的最優動量值。

2.2 注意力機制對模型檢測效果影響分析

為研究注意力機制對改進模型檢測效果的影響，試驗引用使用廣泛的注意力機制SE模塊、ECA模塊與本文使用的MSCA模塊進行對比。對比模型均以ResNet-50為基本框架，并分別添加3種注意力機制，具體對比結果如表4所示。

對比添加注意力機制的模型與原模型ResNet-50，三者檢測準確率均有不同程度的提升。添加SE模塊與ECA模塊的模型較ResNet-50相比準確率分別提高了1.96%、2.04%。其中添加MSCA模塊的模型檢測效果最優，檢測準確率為95.44%，較ResNet-50相比提高了2.67%，雖然添加注意力機制后模型的參數量與計算量有小幅增加，但對帶孔蛋胚的裂紋檢測準確率也有進一步增長。綜上分析表明，添加MSCA模塊的模型對帶孔蛋胚裂紋檢測效果最好，可以作為模型改進方案。

2.3 PST模塊對模型檢測效果影響分析

為研究PST模塊對改進模型檢測結果的影響，將不同數目的PST模塊用于ResNet-50的Layer 2～Layer 5中不同位置。具體對比試驗方案如下。

1）" PST1：將ResNet-50的Layer 2～Layer 5中第一層殘差模塊替換為PST模塊，研究PST模塊對每一Layer前端卷積的影響。

2） PST2：將ResNet-50的Layer 2～Layer 5中最后一層殘差模塊替換為PST模塊，研究PST模塊對每一Layer后端卷積的影響。

3） PST3：將ResNet-50的Layer 2、Layer 3中全部殘差模塊替換為PST模塊，研究PST模塊對整體ResNet-50前端卷積的影響。

4） PST4：將ResNet-50的Layer 4、Layer 5中全部殘差模塊替換為PST模塊，研究PST模塊對整體ResNet-50后端卷積的影響。

添加MSCA-ResNet-50、ResNet-50作為上述方案的對比模型，同時對上述4組模型方案引入MSCA模塊并進行帶孔蛋胚裂紋檢測訓練，具體對比結果如表5所示。

經過4個改進方案的對比結果分析，從整體上看，方案2、方案3的準確率均高于方案4、方案5。說明對每一Layer進行改進的效果優于對整個Layer進行改進。在分析PST模塊對每一Layer影響方面，可以看出方案2與方案3在參數量、計算量近似相同的情況下，方案2準確率較方案3高0.29%，表明對每一Layer前端替換為PST模塊的效果優于在Layer后端進行替換。在分析PST模塊對ResNet-50整體結構影響時，雖然方案4計算量低于方案5，但方案5檢測準確率卻較方案4高0.11個百分點。說明在對ResNet-50前端進行改進的方案與對其后端改進的方案相比略有不足。經過對比分析，方案1對帶孔蛋胚裂紋檢測結果最好，準確率為96.43%，較只引入MSCA模塊相比，準確率提高了0.99%。與ResNet-50相比，檢測準確率高出3.66%。綜上分析，添加PST模塊，可以提高模型對帶孔蛋胚裂紋檢測準確率，其中以方案1檢測效果最優。

2.4 改進ResNet-50的帶孔蛋胚裂紋檢測結果分析

2.4.1 改進模型與ResNet-50可視化結果分析

圖7為改進模型與ResNet-50的Layer 1與Layer 2中部分星形裂紋蛋胚特征矩陣圖?？梢园l現，改進的模型由于引用MSCA模塊，提高了對裂紋特征的注意，從而能夠有效提取裂紋特征信息。但ResNet-50與改進模型相比，部分裂紋特征提取不到。尤其是在Layer 2時ResNet-50提取的裂紋特征信息更少，因此也驗證了表4中ResNet-50對4類帶孔蛋胚裂紋識別精度低于本文改進的模型。

2.4.2 混淆矩陣對帶孔蛋胚裂紋判別分析

通過對改進模型進行訓練，提取最終的訓練權重，對393張帶孔蛋胚裂紋進行測試試驗。最終測試試驗的4類帶孔蛋胚的混淆矩陣如圖8所示。經分析發現，由于少部分線形裂紋蛋胚的裂紋過于微小，線形裂紋蛋胚與完好蛋胚的特征相似，因此線形裂紋蛋胚測試樣本中有4枚被誤判為完好蛋胚；部分星形裂紋蛋胚的裂紋特征存在兩條明顯裂紋、其余擴展裂紋不明顯的情況，故而被誤判為線形裂紋；部分網狀裂紋蛋胚縱向擴展較深，橫向裂紋不明顯，使得網狀裂紋被誤判為星形裂紋。綜合試驗結果表明，測試樣本主要位于混淆矩陣的對角線處，表明基于多光譜通道注意機制與并行堆疊拓撲模塊結合的網絡模型對帶孔蛋胚裂紋的識別效果較好。

精確率（Precision，P）、召回率（Recall，R）、特異度（Specificity）以及F1得分作為模型評價指標，能夠客觀準確地評價一個模型的優劣，計算如式（7）～式（10）所示。

P=TPTP+FP

（7）

R=TPRTP+FN

（8）

Specificity=TNTN+FP

（9）

F1=2PRP+R

（10）

式中：

TP——真實標簽為正、預測結果為正；

FP——真實標簽為負、預測結果為正；

FN——真實標簽為正、預測結果為負；

TN——真實標簽為負、預測結果為負。

根據圖8混淆矩陣，最終計算出4個評價指標的具體值如表6所示。通過F1得分可綜合判斷精確率與召回率指標，可以發現，改進模型對完好蛋胚裂紋檢測的F1得分最高，在當裂紋過小時星型裂紋與線型裂紋特征相似，故而二者存在誤判并導致F1得分最低，網狀裂紋的特征與其他兩類裂紋特征差異較大，故而特異度較高。綜合分析，改進模型平均F1得分為96.25%，證明模型對4類帶孔蛋胚裂紋檢測效果滿足檢測要求。

2.4.3 改進模型與其他模型對比

將本文提出改進的帶孔蛋胚裂紋識別模型分別與GoogLeNet、EfficientNetV2-L、FcaNet、ResNet-50、ResNeXt-50等應用廣泛的模型進行對比，改進模型訓練超參數選用前文最優超參數。而與之對照模型的超參數，采用上述各模型原論文中最優參數進行訓練，訓練輪次均為500，模型性能對比結果如表7所示。

根據測試結果可以發現，改進模型最終測試精度為96.43%。較ResNet-50相比，改進模型參數量與計算量均有小幅增加，但檢測精度提高了3.66%。雖然改進模型使用FcaNet中的MSCA機制，但由于改進了并行堆疊拓撲結構，降低了模型參數量，且以添加較小計算量為代價，使測試精度較FcaNet提高了0.99%。但對于相同試驗樣本，EfficientNetV2-L使用了SE注意力機制模塊后檢測精度僅為92.20%，并未體現其模型優勢。與ResNeXt-50、GoogLeNet相比，本文改進模型較二者檢測精度分別提高2.22%、12.27%。綜合對比上述模型性能，改進模型對帶孔蛋胚的裂紋檢測具有一定優勢。

2.5 帶孔蛋胚裂紋檢測試驗

根據目前疫苗企業實際生產流程，設計并搭建了帶孔蛋胚裂紋檢測裝置（圖9），模擬實際病毒注入蛋胚、帶孔蛋胚裂紋的檢測以及廢胚剔除動作。

帶孔蛋胚裂紋檢測裝置工作流程如下：規格為3×3的蛋盤傳送至打孔工位，模擬蛋胚打孔（省略病毒注射）作業；隨后帶孔蛋胚進入黑箱（裂紋檢測模塊），3組工業相機對每排單個蛋胚拍照并上傳9枚蛋胚圖像，程序對9幅圖像進行裂紋檢測；最后根據檢測結果，分選吸盤將對應位置的廢胚吸附至落料盤中，合格蛋胚隨傳送裝置進入下一工作流程。當出現網狀裂紋、星型裂紋蛋胚時，程序會根據蛋胚位置查找到對應位置注射針頭，提示工人及時更換針頭，避免廢胚增加。

模擬試驗具體結果如表8所示，共檢測蛋胚200枚，檢測過程平均耗時10.8 s，平均準確率為96.85%，單枚檢測時間0.42 s，檢測精度及效率明顯高于人工，滿足實際檢測要求。

3 結論

1）" 為解決目前人工手持照蛋器在暗室通過肉眼檢測蛋胚裂紋效率低、誤判率高這一問題，本文提出一種基于改進ResNet的檢測方法。將ResNet-50中Layer 2～Layer 5的第一個殘差模塊替換為并行堆疊拓撲模塊作為改進方案，同時在每一層引入多光譜通道注意機制提升改進模型對裂紋特征的提取性能，有效提高改進模型對帶孔蛋胚裂紋的識別效果，最終測試精度達到96.43%。

2）" 改進模型與ResNet-50相比，在以提高較少參數量與計算量的基礎上，識別精度提高3.66個百分點，較FcaNet、ResNetXt-50相比識別精度各提高0.99和2.22個百分點，其中精確率、召回率、特異度與F1得分為96.58%、95.95%、98.75%、96.25%。

3）" 根據疫苗生產工藝，搭建帶孔蛋胚裂紋檢測裝置，模擬蛋胚打孔、帶孔蛋胚裂紋檢測及廢胚剔除三個動作。檢測過程平均耗時10.8 s，單枚帶孔蛋胚裂紋檢測時間為0.42 s。在提高檢測精度與效率的同時，實現自動化檢測。

參 考 文 獻

［1］Iseki H， Watanabe S， Mase M. A potential system for the isolation and propagation of porcine deltacoronavirus using embryonated chicken eggs ［J］. Journal of Virological Methods， 2021， 290： 114068.

［2］Yu Qingzhong， Li Yufeng， Kiril Dimitrov， et al. Genetic stability of a Newcastle disease virus vectored infectious laryngotracheitis virus vaccine after serial passages in chicken embryos ［J］. Vaccine， 2019， 38（4）： 925-932.

［3］唐靜， 辛麗， 李曉丹， 等. 2015—2016年度中國甲型H1N1亞型流感病毒疫苗候選株的制備及鑒定［J］. 中華實驗和臨床病毒學雜志， 2017， 31（4）： 348-352.

Tang Jing， Xin Li， Li Xiaodan， et al. Preparation and identification of influenza H1N1 subtype vaccine candidate strain in China ［J］. Chinese Journal of Experimental and Clinical Virology， 2017， 31（4）： 348-352.

［4］徐彥偉， 徐愛軍， 頡潭成， 等. 基于多信息融合的疫苗制備中雞蛋胚體分揀系統［J］. 農業機械學報， 2015， 46（2）： 20-26.

Xu Yanwei， Xu Aijun， Xie Tancheng， et al. Automatic sorting system of egg embryo in biological vaccines production based on multi-information fusion ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2015， 46（2）： 20-26.

［5］郭盟， 董新明， 韓廣， 等. 基于卷積神經網絡的蛋胚活性精準檢測方法研究［J］. 應用光學， 2021， 42（2）： 268-275.

Guo Meng， Dong Xinming， Han Guang， et al. Research on accurate detection method of egg embryo activity based on convolutional neural network ［J］. Journal of Applied Optics， 2021， 42（2）： 268-275.

［6］Bao G J， Jia M M， Xun Y， et al. Cracked egg recognition based on machine vision ［J］. Computers and Electronics in Agriculture， 2019， 158： 159-166.

［7］涂偉滬， 蔡玲霞， 李學軍. 基于改進蝗蟲算法優化Canny算子的雞蛋裂紋圖像檢測［J］. 食品與機械， 2022， 38（2）： 167-172， 202.

Tu Weihu， Cai Lingxia， Li Xuejun. Egg crack image detection method based on improved grasshopper optimization algorithm and Canny operator ［J］. Food amp; Machinery， 2022， 38（2）： 167-172， 202.

［8］辛永信， 黃泳波. 基于機器視覺的禽蛋臟污及裂紋檢測系統設計［J］. 機電信息， 2020（2）： 108-110.

［9］Cheng C W， Feng P H， Xie J H， et al. Eggshell crack detection and egg classification using resonance and support vector machine methods ［J］. Applied Engineering in Agriculture， 2019， 35（1）： 23-30.

［10］Lai C C， Li C H， Huang K J， et al. Duck eggshell crack detection by nondestructive sonic measurement and analysis ［J］. Sensors， 2021， 21（21）： 7299.

［11］劉鵬， 屠康， 潘磊慶， 等. 基于多傳感器融合的雞蛋裂紋系統性識別［J］. 農業機械學報， 2010， 41（10）： 185-189， 203.

Liu Peng， Tu Kang， Pan Leiqing， et al. Systematic recognition research of egg crack based on multi-sensor fusion ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2010， 41（10）： 185-189， 203.

［12］Sun Li， Zhang Pengqi， Feng Siyu， et al. Eggshell crack detection based on the transient impact analysis and cross-correlation method ［J］. Current Research in Food Science， 2021， 4： 716-723.

［13］羅慧， 閆思蒙， 盧偉， 等. 基于力—聲學特性的雞蛋帶小裂紋在線檢測方法［J］. 農業機械學報， 2016， 47（11）： 224-230.

Luo Hui， Yan Simeng， Lu Wei， et al. Micro-cracked eggs online detection method based on force-acoustic features ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2016， 47（11）： 224-230.

［14］李雅琪， 孫力， 陳誠， 等. 基于多維振動響應信號分析的雞蛋裂紋檢測研究［J］. 鎮江高專學報， 2019， 32（4）： 31-35.

Li Yaqi， Sun Li， Chen Cheng， et al. A study of eggshell crack detection based on the analysis of multidimensional vibration signals ［J］. Journal of Zhenjiang College， 2019， 32（4）： 31-35.

［15］陳靜， 梁俊毅. 基于機器視覺的禽蛋外觀品質在線檢測系統設計［J］. 食品工業， 2020， 41（5）： 232-234.

Chen Jing， Liang Junyi. Design of on-line detection system for egg appearance quality based on machine vision ［J］. The Food Industry， 2020， 41（5）： 232-234.

［16］趙祚喜， 羅陽帆， 黃杏彪， 等. 基于機器視覺和YOLOv4的破損雞蛋在線檢測研究［J］. 現代農業裝備， 2022， 43（1）： 8-16.

Zhao Zuoxi， Luo Yangfan， Huang Xingbiao， et al. Research on on-line detection of damaged eggs based on machine vision and YOLOv4 ［J］. Modern Agricultural Equipment， 2022， 43（1）： 8-16.

［17］張健， 崔英杰. 基于改進粒子群算法的雞蛋裂紋檢測方法［J］. 食品與機械， 2020， 36（7）： 136-139， 226.

Zhang Jian， Cui Yingjie. Egg crack detection based on improved particle swarm optimization ［J］. Food amp; Machinery， 2020， 36（7）： 136-139， 226.

［18］He K M， Zhang X Y， Ren S Q， et al. Deep residual learning for image recognition ［C］. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition， 2016： 770-778.

［19］Guo M H， Xu T X， Liu J J， et al. Attention mechanisms in computer vision： A survey ［J］. Computational Visual Media， 2022： 1-38.

［20］Qin Z Q， Zhang P Y， Wu F， et al. FcaNet： Frequency channel attention networks ［C］. Proceedings of the IEEE/CVF International Conference on Computer Vision， 2021： 783-792.

［21］Escudero-Vinolo M， Bescos J. Squeezing the DCT to fight camouflage ［J］. Journal of Mathematical Imaging and Vision， 2020， 62（2）： 206-222.

［22］萬豐， 苑豪杰， 宮威. 基于離散余弦變換的數字圖像壓縮技術研究［J］. 自動化應用， 2020（3）： 65-67.

［23］狄恩彪， 徐光輝. 基于部分離散余弦變換的卷積神經網絡設計與分析［J］. 通信技術， 2020， 53（7）： 1636-1640.

Di Enbiao， Xu Guanghui. Design and analysis of convolutional neural network based on partial discrete cosine transform ［J］. Communications Technology， 2020， 53（7）： 1636-1640.

［24］Xie S N， Girshick R， Dollar P， et al. Aggregated residual transformations for deep neural networks ［C］. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition， 2017： 1492-1500.