基于Welch法功率譜和廣義回歸神經(jīng)網(wǎng)絡(luò)的禽蛋裂紋辨識(shí)

丁天華，盧　偉，張　超，杜健健，丁為民，趙賢林

（南京農(nóng)業(yè)大學(xué)工學(xué)院，江蘇省現(xiàn)代設(shè)施農(nóng)業(yè)技術(shù)與裝備工程實(shí)驗(yàn)室，江蘇 南京 210031）

基于Welch法功率譜和廣義回歸神經(jīng)網(wǎng)絡(luò)的禽蛋裂紋辨識(shí)

丁天華，盧偉*，張超，杜健健，丁為民，趙賢林

（南京農(nóng)業(yè)大學(xué)工學(xué)院，江蘇省現(xiàn)代設(shè)施農(nóng)業(yè)技術(shù)與裝備工程實(shí)驗(yàn)室，江蘇 南京 210031）

為建立一種快速無(wú)損檢測(cè)禽蛋裂紋的方法，構(gòu)建了基于磁致伸縮振子掃頻式振動(dòng)的禽蛋裂紋檢測(cè)系統(tǒng)。系統(tǒng)以聲學(xué)特性為基礎(chǔ)，通過(guò)利用Welch法功率譜分析禽蛋振動(dòng)音頻信號(hào)，利用主成分分析法提取特征向量中的有用信息并構(gòu)建基于廣義回歸神經(jīng)網(wǎng)絡(luò)（generalized regression neural network，GRNN）的禽蛋裂紋檢測(cè)模型。實(shí)驗(yàn)對(duì)290 枚雞蛋進(jìn)行檢測(cè)（訓(xùn)練集200 枚，測(cè)試集90 枚）。結(jié)果表明，測(cè)試集中無(wú)損蛋與裂紋蛋的判別率分別達(dá)到96.7%和98.3%。研究表明，利用磁致伸縮振子掃頻和Welch法功率譜分析，通過(guò)主成分分析法提取特征向量中的有用信息并結(jié)合GRNN模型檢測(cè)禽蛋裂紋是可行的。

禽蛋裂紋檢測(cè)；磁致伸縮；Welch功率譜；主成分分析；廣義回歸神經(jīng)網(wǎng)絡(luò)

近年來(lái)，雖然國(guó)內(nèi)禽蛋生產(chǎn)加工環(huán)節(jié)自動(dòng)化水平不斷提高，但目前國(guó)內(nèi)外還是主要依靠人體感官來(lái)挑選禽蛋，不僅勞動(dòng)強(qiáng)度大，生產(chǎn)效率低，而且檢測(cè)精度受工人注意力、挑選經(jīng)驗(yàn)和工作態(tài)度的影響而難以保證［1］。為此，國(guó)內(nèi)外有不少學(xué)者和研究者積極探索各種禽蛋品質(zhì)無(wú)損檢測(cè)方法，并取得一定的研究成果［2］。目前，國(guó)內(nèi)外對(duì)禽蛋蛋殼裂紋的無(wú)損檢測(cè)方法主要有聲學(xué)特性［3-5］和機(jī)器視覺(jué)技術(shù)［6-8］。其中，潘磊慶等［9］利用聲級(jí)計(jì)采集敲擊的聲音信號(hào)，對(duì)整批雞蛋的分級(jí)準(zhǔn)確率達(dá)到87%；王巧華等［10］通過(guò)微型話筒和聲卡采集敲擊雞蛋后的脈沖時(shí)域信號(hào)，利用信號(hào)的小波變換模極大值建立了反映信號(hào)奇異性強(qiáng)度和頻帶位置的奇異性指標(biāo)；何麗紅等［11］提出了粗糙集和支持向量機(jī)相結(jié)合的方法對(duì)雞蛋進(jìn)行分類，提高了檢測(cè)精度；Lin Hao等［12-13］通過(guò)對(duì)雞蛋共振聲音進(jìn)行遞歸最小二乘自適應(yīng)濾波提高信噪比，再結(jié)合3 種模式識(shí)別方法得最佳檢測(cè)模型，并得出聲學(xué)共振結(jié)合支持向量數(shù)據(jù)描述具有較高的檢測(cè)準(zhǔn)確率的結(jié)論；Deng Xiaoyan等［14］對(duì)聲音信號(hào)利用連續(xù)小波變換和支持向量機(jī)技術(shù)提出了一種新的裂紋檢測(cè)方法；孫力等［15］設(shè)計(jì)了一套基于數(shù)字信號(hào)處理器的禽蛋裂紋在線檢測(cè)系統(tǒng)，對(duì)完好蛋和裂紋蛋的識(shí)別率分別為92.0%和90.5%，檢測(cè)速率為5 個(gè)/s，滿足在線檢測(cè)的要求；之后，孫力［16］又采用表面振動(dòng)波分析技術(shù)檢測(cè)雞蛋蛋殼裂紋，以期通過(guò)單次敲擊即可快速無(wú)損檢測(cè)裂紋禽蛋；楊冬風(fēng)等［7］使用空氣壓力調(diào)節(jié)來(lái)適度增大微小裂紋，進(jìn)而進(jìn)行圖像處理來(lái)識(shí)別禽蛋裂紋，識(shí)別準(zhǔn)確率為98.36%。但以上研究中，機(jī)器視覺(jué)技術(shù)易受禽蛋蛋殼顏色和蛋殼強(qiáng)度影響［17］，而聲學(xué)特性則易受周圍環(huán)境噪聲干擾影響［18］。

當(dāng)?shù)皻こ霈F(xiàn)裂紋時(shí)，蛋殼剛度和阻尼系數(shù)將隨之變化，這種變化會(huì)反映到其振動(dòng)的傳播上［19］。通常，裂紋禽蛋受沖擊發(fā)出的聲音沙啞、沉悶，完好禽蛋則發(fā)聲清脆。因此本研究通過(guò)控制磁致伸縮材料進(jìn)行寬頻掃描，同時(shí)檢測(cè)“禽蛋-振子”系統(tǒng)的音頻振動(dòng)信號(hào)并進(jìn)行Welch功率譜處理，通過(guò)主成分分析給出無(wú)損蛋與裂紋蛋差異性明顯的特征，作為廣義回歸神經(jīng)網(wǎng)絡(luò)（generalized regression neural network，GRNN）分類模型的輸入量，實(shí)現(xiàn)禽蛋裂紋的無(wú)損檢測(cè)。

1　材料與方法

1.1材料與儀器

雞蛋：南京市浦口區(qū)艷梅養(yǎng)雞場(chǎng)購(gòu)買的產(chǎn)后3 d內(nèi)形狀較為一致的褐殼蛋290 枚。實(shí)測(cè)蛋質(zhì)量在56.5～75.4 g、赤道直徑在36.4～45.7 mm。雞蛋蛋殼裂紋由人為分別撞擊赤道、大頭和小頭部位產(chǎn)生，保證蛋殼裂紋隨機(jī)分布在3 個(gè)部位區(qū)域內(nèi)，裂紋寬度，長(zhǎng)度和形狀各異，且蛋殼不發(fā)生凹陷等形變。其中，無(wú)損蛋80 枚，赤道、大頭和小頭3 類裂紋蛋均為70 枚。

CM-201電腦麥克風(fēng) 惠州宏冠電子有限公司；X450筆記本 臺(tái)灣華碩電腦股份有限公司；磁致伸縮裝置及電腦驅(qū)動(dòng)電路 自制。音頻信號(hào)的發(fā)出、采集和分析軟件為MATLAB 7.11（R2010b）。

1.2方法

1.2.1實(shí)驗(yàn)過(guò)程

實(shí)驗(yàn)中使用電腦聲卡產(chǎn)生20 Hz為間隔，1～14 kHz范圍的音頻信號(hào)，經(jīng)放大調(diào)理電路驅(qū)動(dòng)磁致伸縮材料振動(dòng)，并帶動(dòng)與之相連的探頭產(chǎn)生相同形式的振動(dòng)激勵(lì)雞蛋赤道方向，由麥克風(fēng)以44 kHz采樣率采集禽蛋受到掃頻振動(dòng)激勵(lì)時(shí)的音頻信號(hào)并傳進(jìn)電腦進(jìn)行分析處理，觀察無(wú)損蛋與裂紋蛋的特征頻帶。實(shí)驗(yàn)裝置如圖1所示。

圖1　禽蛋裂紋檢測(cè)實(shí)驗(yàn)裝置示意圖Fig.1　Schematic diagram of the experimental device for cracked egg detection

為研究禽蛋在不同位置破損時(shí)的檢測(cè)效率，本實(shí)驗(yàn)分別研究裂紋出現(xiàn)在雞蛋小頭（圖2A）、赤道（圖2B）、大頭（圖2C）位置處的音頻信號(hào)特點(diǎn)，雞蛋各部分位置劃分如圖2所示。

圖2　蛋殼的區(qū)域劃分圖Fig.2　Segmented regions of an eggshell

1.2.2振動(dòng)信號(hào)處理

受實(shí)驗(yàn)環(huán)境及其他因素的干擾，如空調(diào)、說(shuō)話、關(guān)門、走動(dòng)等，振動(dòng)信號(hào)中夾雜很多噪聲，因此擬選用濾波效果較為理想的Daubechies 10小波函數(shù)進(jìn)行濾波。而為使后面數(shù)據(jù)處理時(shí)可比性較高，且數(shù)據(jù)對(duì)比更加直觀，對(duì)消噪后的信號(hào)進(jìn)行歸一化處理。對(duì)無(wú)損蛋與3 類不同位置處的裂紋蛋的振動(dòng)音頻信號(hào)進(jìn)行Welch法功率譜分析，采集分析1～14 kHz的每20 個(gè)頻率點(diǎn)的禽蛋振動(dòng)信號(hào)并計(jì)算功率譜，然后對(duì)計(jì)算的功率譜取最大值，在進(jìn)行歸一化處理后，得到Welch法功率譜分析結(jié)果。通過(guò)主成分分析提取Welch法功率譜中特征值，并以此建立基于Welch法功率譜的GRNN分類模型，最終對(duì)禽蛋裂紋情況進(jìn)行辨識(shí)。

2　結(jié)果與分析

2.1振動(dòng)信號(hào)的小波去噪

圖3　振動(dòng)信號(hào)濾波前后時(shí)頻圖Fig.3　Acoustic signals and the spectrum before and after filtering

如圖3所示，采集到的原始振動(dòng)信號(hào)高頻噪聲較大。然后對(duì)振動(dòng)信號(hào)選用Daubechies 10小波函數(shù)作3 層小波分解，經(jīng)過(guò)小波消噪后，振動(dòng)信號(hào)包含調(diào)制信號(hào)及一次諧波信號(hào)，超過(guò)14 kHz的高頻噪聲基本被濾除，濾波效果理想。原始音頻信號(hào)頻譜和消噪后頻譜如圖3c、3d所示。小波繼承了Fourier變換的優(yōu)良特性，并彌補(bǔ)了不足，小波是滿足一定條件的函數(shù)，通過(guò)伸縮和平移產(chǎn)生的一個(gè)函數(shù)族。小波多分辨分析可以將信號(hào)分解為不同頻段條件下的信號(hào)，可以認(rèn)為由雙尺度方程決定的濾波器系數(shù)H、G對(duì)原始信號(hào)分別進(jìn)行了高通和低通濾波。一次小波分解可以得到信號(hào)的低頻近似部分cj，k和高頻細(xì)節(jié)部分dj，k，不斷重復(fù)這一過(guò)程，等效為高通和低通濾波器對(duì)原始信號(hào)的級(jí)聯(lián)濾波［20］?？梢詫⒃夹盘?hào)分解為不同頻段的信號(hào)，這樣就可以在不同頻段內(nèi)對(duì)信號(hào)進(jìn)行分析。

2.2振動(dòng)信號(hào)Welch法功率譜分析

禽蛋與振子接觸時(shí)的振動(dòng)信號(hào)為平穩(wěn)隨機(jī)信號(hào)，通過(guò)時(shí)間序列和頻譜仍然很難找到其特征，這不利于后續(xù)的分類辨識(shí)。而功率譜估計(jì)則是提取平穩(wěn)隨機(jī)信號(hào)特征的有力工具［21］。本實(shí)驗(yàn)經(jīng)過(guò)甄選比較，擬通過(guò)經(jīng)典功率譜分析的Welch法對(duì)振動(dòng)信號(hào)進(jìn)行特征提取。Welch法是對(duì)早期經(jīng)典功率譜中周期圖法和Bartlett法的改進(jìn)功率譜，可允許每一段的數(shù)據(jù)有部分的交疊，并改善了由于矩形窗邊瓣較大所產(chǎn)生的譜失真［22］。

如圖4A所示，無(wú)損蛋與裂紋蛋的振動(dòng)音頻信號(hào)的差異性集中表現(xiàn)在4 500～8 000 Hz頻段內(nèi)，為更清楚研究無(wú)損蛋與裂紋蛋的差異振動(dòng)信號(hào)特征，特將4 500～8 000 Hz頻段內(nèi)的功率譜圖進(jìn)行展開(kāi)，如圖4B所示。

圖4　1～14 000 Hz（A）和4 500～8 000 Hz（B）的Welch功率譜圖Fig.4　Welch spectrum from 1 to 14 000 Hz and 4 500 to 8 000 Hz

2.3基于主成分分析的特征參數(shù)選取

由圖4B可知，無(wú)損蛋與裂紋蛋Welch法功率譜具有顯著差異，其中幅值也有明顯差異，這表明Welch法功率譜能夠有效提取禽蛋破損信息。所以，之后實(shí)驗(yàn)均在4 500～8 000 Hz頻段內(nèi)進(jìn)行掃頻并提取如表1所示的特征參數(shù)。

表1　特征參數(shù)定義Table1　Definition of feature parameters

對(duì)表1所示的特征參數(shù)進(jìn)行主成分分析，確定各特征值權(quán)重，最終選取高權(quán)重特征值作為GRNN分類模型的輸入，以期達(dá)到高精度禽蛋裂紋識(shí)別效果。

通過(guò)主成分分析后，前2 個(gè)主成分的累積方差貢獻(xiàn)率達(dá)到91.24%，基本可以反映全部特征值的信息，其中第1主成分方差貢獻(xiàn)率為62.17%，第2主成分方差貢獻(xiàn)率為29.07%。由此得到2 個(gè)主成分線性組合如下：

并根據(jù)F1、F2的特征值系數(shù)，計(jì)算出所有特征值的綜合系數(shù)，如X1綜合系數(shù)計(jì)算方法如下：

以此類推，得到所有特征值的綜合系數(shù)和綜合系數(shù)歸一化后得到各特征值的權(quán)重如表2所示。

表2　所有特征值的綜合系數(shù)和所占權(quán)重Table2　Comprehensive coefficients and proportions of all eigenvalues

2.4基于GRNN的禽蛋裂紋辨識(shí)

GRNN的主要優(yōu)點(diǎn)在于它學(xué)習(xí)快速，隱層節(jié)點(diǎn)數(shù)自適應(yīng)，訓(xùn)練速度快，非線性映射能力強(qiáng)，因此常用于函數(shù)逼近［23］。

根據(jù)表2所示的所有特征值所占權(quán)重，最終選擇所占權(quán)重較高的X1、X2和X4，即在頻率為6 700 Hz時(shí)的峰值、最大主峰峰值對(duì)應(yīng)的頻率和最大主峰峰值衰減20 db的帶寬，作為基于Welch法功率譜的GRNN模型的輸入量。經(jīng)過(guò)不斷嘗試［24］，設(shè)置徑向基函數(shù)的分布密度為0.4，無(wú)損蛋與裂紋蛋的類別標(biāo)識(shí)如表3所示，用訓(xùn)練好的GRNN對(duì)訓(xùn)練集測(cè)試后的分類效果如圖5a所示，準(zhǔn)確率達(dá)到100%，其中，訓(xùn)練集中有無(wú)損蛋、赤道處裂紋蛋、大頭處裂紋蛋與小頭處裂紋蛋各50 枚。然后利用所建立的GRNN網(wǎng)對(duì)測(cè)試集進(jìn)行檢驗(yàn)，測(cè)試集中有無(wú)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。分類效果如圖5b所示。

表3　類別標(biāo)識(shí)Table3　The class labels

通過(guò)圖5的分類結(jié)果可見(jiàn)，無(wú)損蛋的識(shí)別率為96.7%（P≤0.05，相關(guān)性顯著），正確判別存在裂紋及其發(fā)生位置的識(shí)別率均為90%，所有裂紋蛋的識(shí)別率為98.3%（P≤0.05，相關(guān)性顯著），辨識(shí)結(jié)果如表4所示。而已有研究表明，利用敲擊法檢測(cè)禽蛋裂紋時(shí)，當(dāng)禽蛋裂紋與敲擊點(diǎn)夾角在30°以內(nèi)時(shí)，檢測(cè)效果較好，當(dāng)夾角為90°時(shí)，無(wú)損蛋與裂紋蛋振動(dòng)信號(hào)接近，在線檢測(cè)時(shí)需多次、多點(diǎn)敲擊［13］。本實(shí)驗(yàn)采用磁致伸縮技術(shù)持續(xù)掃頻激勵(lì)，實(shí)驗(yàn)表明可實(shí)現(xiàn)禽蛋振動(dòng)信息的增強(qiáng)，單次激勵(lì)就能完成對(duì)禽蛋裂紋信息的快速檢測(cè)。

表4　無(wú)損和裂紋蛋識(shí)別率判別結(jié)果Table4　Identification results of intact and cracked eggs

3　結(jié) 論

本實(shí)驗(yàn)首先搭建基于磁致伸縮的“禽蛋-振子”振動(dòng)系統(tǒng)，采集并分析禽蛋振動(dòng)產(chǎn)生的響應(yīng)信號(hào)，結(jié)果表明，禽蛋受激勵(lì)后振動(dòng)能量分布集中，而傳統(tǒng)敲擊法能量過(guò)于分散，所以掃頻激勵(lì)法能有效提高振動(dòng)信號(hào)的信噪比，即本系統(tǒng)有效實(shí)現(xiàn)了禽蛋檢測(cè)音頻信號(hào)的增強(qiáng)。音頻信號(hào)經(jīng)過(guò)小波去噪和Welch法功率譜分析后，通過(guò)主成分分析法提取特征向量中有用信息并輸入到GRNN分類模型中，測(cè)試集中無(wú)損蛋與裂紋蛋的判別率分別達(dá)到96.7%和98.3%，且檢測(cè)效果不受檢測(cè)點(diǎn)與裂紋的相對(duì)位置距離大而影響。初期實(shí)驗(yàn)以20 Hz為間隔，1～14 kHz掃頻檢測(cè)時(shí)間1 352 ms，后選取4 500～8 000 Hz頻段檢測(cè)，時(shí)間僅需34.8 ms。因此，磁致伸縮等技術(shù)可應(yīng)用于禽蛋智能化流水線在線快速無(wú)損檢測(cè)。

［1］ 梅勁華. 動(dòng)態(tài)禽蛋自動(dòng)敲擊發(fā)聲裝置及蛋殼裂紋聲學(xué)檢測(cè)的研究［D］.武漢： 華中農(nóng)業(yè)大學(xué)， 2011： 1-2.

［2］ 陳紅， 王巧華， 文友先. 無(wú)損檢測(cè)技術(shù)在禽蛋破損自動(dòng)檢測(cè)中的應(yīng)用［J］. 食品與機(jī)械， 2003， 19（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）： 1921-1926.

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

［6］ 賀靜， 王樹(shù)才. 基于DSP實(shí)時(shí)圖像分割算法的雞蛋蛋殼破損檢測(cè)［J］.湖南科技學(xué)院學(xué)報(bào)， 2010， 31（4）： 55-58.

［7］ 楊冬風(fēng)， 馬秀蓮. 基于分形紋理分析的蛋殼裂紋識(shí)別［J］. 吉林大學(xué)學(xué)報(bào)： 工學(xué)版， 2011， 41（增刊1）： 348-352.

［8］ 李競(jìng). 基于機(jī)器視覺(jué)的鴨蛋蛋殼檢測(cè)系統(tǒng)［D］. 長(zhǎng)沙： 中南大學(xué)，2013： 4-10.

［9］ 潘磊慶， 屠康， 趙立， 等. 敲擊振動(dòng)檢測(cè)雞蛋裂紋的初步研究［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2005， 21（4）： 11-15.

［10］ 王巧華， 鄧小炎， 文友先. 雞蛋敲擊響應(yīng)的奇異性特征與蛋殼裂紋多層檢測(cè)［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2008， 39（12）： 127-131.

［11］ 何麗紅， 劉金剛， 文友先. 基于粗糙集與支持向量機(jī)的禽蛋蛋殼無(wú)損檢測(cè)［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2009， 40（3）： 167-171.

［12］ LIN Hao， ZHAO Jiewen， CHEN Quansheng， et al. Eggshell crack detection based on acoustic impulse response and supervised pattern recognition［J］. Czech Journal of Food Sciences， 2009， 27（6）： 393-402.

［13］ LIN Hao， ZHAO Jiewen， CHEN Quansheng， 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.

［14］ DENG Xiaoyan， WANG Qiaohua， CHEN Hong， et al. Eggshell crack detection using a wavelet-based support vector machine［J］. Computers and Electronics in Agriculture， 2010， 70（1）： 135-143.

［15］ 孫力， 蔡健榮， 林顥， 等. 基于聲學(xué)特性的禽蛋裂紋實(shí)時(shí)在線檢測(cè)系統(tǒng)［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2011， 42（5）： 183-186.

［16］ 孫力. 禽蛋品質(zhì)在線智能化檢測(cè)關(guān)鍵技術(shù)研究［D］. 鎮(zhèn)江： 江蘇大學(xué)，2013： 97-99.

［17］ 郁志宏. 基于機(jī)器視覺(jué)的種蛋篩選及孵化成活性檢測(cè)研究［D］. 呼和浩特： 內(nèi)蒙古農(nóng)業(yè)大學(xué)， 2006： 19-20.

［18］ 潘磊慶. 基于計(jì)算機(jī)視覺(jué)和聲學(xué)技術(shù)融合檢測(cè)雞蛋品質(zhì)的研究［D］.南京： 南京農(nóng)業(yè)大學(xué)， 2007： 9-10.

［19］ 郎濤， 林顥. 雞蛋蛋殼裂紋敲擊振動(dòng)功率譜信號(hào)特征參數(shù)篩選和分析［J］. 農(nóng)機(jī)化研究， 2012， 34（7）： 161-164.

［20］ 沈松， 應(yīng)懷樵， 劉進(jìn)明. 小波變換在振動(dòng)信號(hào)分析中的工程解釋與應(yīng)用［J］. 振動(dòng)、測(cè)試與診斷， 2000， 20（4）： 259-263.

［21］ 徐富強(qiáng)， 鄭婷婷， 方葆青. 基于廣義回歸神經(jīng)網(wǎng)絡(luò)（GRNN）的函數(shù)逼近［J］. 巢湖學(xué)院學(xué)報(bào)， 2011（6）： 11-16.

［22］ 楊曉明， 晉玉劍， 李永紅. 經(jīng)典功率譜估計(jì)Welch法的MATLAB仿真分析［J］. 電子測(cè)試， 2011， 18（7）： 101-104.

［23］ SPECHT D F. A general regression neural network［J］. Neural Networks， IEEE Transactions on， 1991， 2（6）： 568-576.

［24］ 王春興. 基于MATLAB實(shí)現(xiàn)經(jīng)典功率譜估計(jì)［J］. 曲阜師范大學(xué)學(xué)報(bào)： 自然科學(xué)版， 2011， 37（2）： 59-62.

Eggshell Crack Identification Based on Welch Power Spectrum and Generalized Regression Neural Network （GRNN）

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

This study aimed to establish a quick method for non-destructive testing of cracked eggs. We fi rstly developed a detection system for cracked eggs based on sweep frequency vibration of the magnetostrictive vibrator. The system was based on the acoustic characteristics， and by Welch power spectrum analysis of vibration audio signal of eggs and extraction of useful information in the feature vector through the principal component analysis （PCA）， the detection model for egg cracks was constructed based on generalized regression neural network （GRNN）. A total of 290 eggs， including 200 eggs in the training set and 90 eggs in the test set， were detected in this study. The results showed that the recognition rates of intact eggs and cracked eggs reached 96.7% and 98.3%， respectively， in the test set. The research indicated the feasibility of using the magnetostrictive vibrator sweep and Welch power spectrum analysis and extracting useful information in the feature vector through PCA method coupled with GRNN neural network model for the detection of cracked eggs.

eggshell crack detection； magnetostriction； Welch power spectrum； principal component analysis （PCA）；generalized regression neural network （GRNN）

TP391.42

A

1002-6630（2015）14-0156-05

10.7506/spkx1002-6630-201514030

2014-11-03

國(guó)家自然科學(xué)基金青年科學(xué)基金項(xiàng)目（61401215）；江蘇省自然科學(xué)基金項(xiàng)目（BK20130696）；中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)（KYZ201427）

丁天華（1993—），男，本科生，研究方向?yàn)闊o(wú)損檢測(cè)技術(shù)。E-mail：32212501@njau.edu.cn

盧偉（1978—），男，副教授，博士，研究方向?yàn)檗r(nóng)產(chǎn)品無(wú)損檢測(cè)技術(shù)與農(nóng)業(yè)機(jī)器人。E-mail：njaurobot@njau.edu.cn