基于圖像處理的雞蛋新鮮度預測模型研究

劉瑩瑩 - 鐘 南

(1. 華南農業(yè)大學工程學院，廣東 廣州 510642；2. 教育部南方農業(yè)機械與裝備關鍵技術重點實驗室， 廣東 廣州 510642；3. 廣東省食品質量安全重點實驗室，廣東 廣州 510642)

雞蛋作為蛋類消費品的主導者，為人體提供豐富的蛋白質、脂肪、礦物質和各種維生素等，營養(yǎng)價值極高。雞蛋品質與其貯藏期息息相關，隨著存放時間的延長，蛋內品質會發(fā)生物理、化學及微生物等方面的變化。哈夫單位是表征雞蛋新鮮度的重要參數，其值越高，表示蛋清黏稠度越好，蛋清品質越高[1]，即新鮮度越高。雞蛋新鮮度的高低不僅影響口味的好壞，同時直接決定人體蛋白質等各種營養(yǎng)物質吸收程度的高低。

國內外學者在雞蛋新鮮度的檢測方面已有多年研究歷史，其中無損檢測技術及手段已日趨完善及高效，光譜分析、氣敏傳感器檢測、機器視覺、超聲波等無損檢測技術深受歡迎。在光譜分析方面，畢夏坤等[2-5]采集不同貯藏時間雞蛋近紅外透射光譜，建立雞蛋品質光譜模型，對雞蛋新鮮度及貨架期進行判別；王巧華等[6-7]利用高光譜儀采集雞蛋高光譜透射圖像，選用高光譜二階微分建立哈夫單位值預測模型；Bart J Kemps等[8]采集雞蛋可見透射光譜，建立哈夫單位和蛋白pH偏最小二乘(PLS1)模型，發(fā)現哈夫單位和蛋白pH值具有相同的物理化學背景；在氣敏傳感器檢測方面，劉明等[9-10]利用電子鼻檢測不同貨架期雞蛋氣味，驗證了氣敏傳感器及模式識別方法區(qū)分貨架期雞蛋新鮮度可行性；在機器視覺方面，王巧華等[11-13]采集雞蛋透射光圖像，通過圖像處理，提取L分量使整蛋及氣室特征顯現，提取R或G分量分離雞蛋蛋黃，利用蛋黃面積比、氣室面積比、蛋黃橢圓系數及氣室高度與整蛋長軸比值等建立新鮮度關系模型；祝志慧等[14]通過VFW視頻捕獲雞蛋圖像，提取蛋芯區(qū)域的H、I、S值作為衡量新鮮度的因子，建立雞蛋品質識別模型；在超聲波方面，Aboonajmi等[15]采用非破壞性超聲波方法研究了不同貯藏時間雞蛋超聲波信號變化過程，發(fā)現超聲信號峰值在時域內的振幅隨貯存天數的增加而增大。在建模方法上都是采用數理統(tǒng)計模型，除BP神經網絡外，其它機器學習算法鮮有應用。

本試驗以Matlab為開發(fā)工具，利用圖像處理技術提取建模所需特征參數；為解決傳統(tǒng)BP神經網絡預測結果不穩(wěn)定性問題，提出深度信念網絡建模方法；用實測數據訓練深度信念網絡，圖像處理數據驗證網絡準確率。測量方式上以圖像處理手段代替?zhèn)鹘y(tǒng)人工測量，從而解決傳統(tǒng)人工測量方法中出現的不可抗拒的，由主觀意識造成的人工誤差等問題；建模方法上用深度信念網絡模型優(yōu)化傳統(tǒng)BP神經網絡模型，提高預測結果準確性及穩(wěn)定性，為便捷、穩(wěn)定、低價估測雞蛋新鮮度等級提供方法指導。

1 材料與方法

1.1 試驗材料選擇

試驗樣品購于華南農業(yè)大學原種雞場，大小均勻的當日產新鮮雞蛋120枚，去除表面臟物，按數字順序1～120進行編號，貯存于26～29 ℃，相對濕度75%～87%的室內環(huán)境中；其中編號1～100的雞蛋為實測組，編號101～120為失重率檢測組；其中，實測組雞蛋分別進行圖像采集及物理指標測量，失重率檢測組雞蛋在整個試驗周期內進行失重率測量。

1.2 雞蛋圖像采集裝置

圖像采集裝置由光源、相機、蛋托、暗箱組成。其中，光源選用3.7 V，3 W的LED燈，相機選用iPhone 6自帶相機(光圈值f/2.2，焦距4 mm)，圖片分辨率為3 264×2 448；采集裝置見圖1。

圖像采集裝置中，相機鏡頭距透光孔(10+1) cm，暗箱長15 cm，寬10 cm，高30 cm；圖像采集過程在無風無強光照射的室內環(huán)境中進行。

1. 雞蛋樣本 2. 光源 3. 蛋托 4. 相機 5. 暗箱圖1 圖像采集裝置Figure 1 Image collecting device

(1) 實測組于采購第2天開始，第2～9天每天取3枚雞蛋，第10～19天每天取6枚，第19天之后每天取3枚，分別將其置于透光孔之上，確保被測雞蛋與透光孔之間無縫隙，用鉛筆標記氣室位置，通過相機采集雞蛋圖像信息傳至電腦保存；直至第25天出現散黃蛋終止試驗，除去測量過程中人為失誤打破一枚雞蛋，共計采集98枚雞蛋圖像信息。

(2) 對采集到的圖像信息進行去噪、顏色空間提取[16]、二值化、形態(tài)學操作及邊緣曲線擬合等處理以提取蛋黃、氣室及整蛋形狀及面積信息。

1.3 雞蛋物理參數采集儀器

1.3.1 器材

電子天平：CX-I2000型，東莞市南城長協(xié)電子制品廠；

游標卡尺：第三代IP54級，魯匠工具有限公司。

1.3.2 試驗步驟

(1) 采集圖像后的雞蛋用電子天平測量重量，重復3次，取平均值。

(2) 用游標卡尺測量整蛋長短徑。

(3) 沿短徑方向輕輕打破雞蛋，將其平鋪在水平校正后的培養(yǎng)皿上，避開系帶，測量蛋黃邊緣與濃蛋白邊緣中點成等邊三角形的三點濃蛋白高度，取平均值為所測蛋白高度[17]。

(4) 在蛋黃表面不同方位取3條穿過蛋黃中心直線測蛋黃直徑，結果取平均值為最終所測蛋黃直徑。

(5) 垂直于培養(yǎng)皿，測量距蛋黃中心2 cm內不同位置蛋黃高度，測量3次，取平均值為最終所得蛋黃高度。

(6) 將打破殼的雞蛋鈍端氣室高度位置用鉛筆畫出，并從蛋殼打破口按螺旋狀將氣室區(qū)域小心剪出，將氣室區(qū)域蛋殼平放于水平桌面，氣室頂點垂直于桌面進行氣室高度測量，取3次測量平均值為最終所測氣室高度。

(7) 由上述步驟中測得蛋重及蛋白高度，按式(1)計算雞蛋新鮮度(哈夫值)：

Hu=100×lgH+7.57-1.7×w0.37，

(1)

式中：

Hu——哈夫值；

H——蛋白高度，mm；

W——蛋重，g。

哈夫單位值是美國農業(yè)部蛋品標準規(guī)定的檢驗和表示蛋品新鮮度的指標，綜合比較了蛋重與蛋白高度2個表征雞蛋新鮮度因子。

1.4 雞蛋新鮮度等級預測模型神經網絡的選擇

神經網絡是一種通過模擬人腦神經系統(tǒng)，對真實世界物體做出交互反應的學習算法，其基本組成單元是神經元模型；神經網絡有較強的自學習、自適應能力和強容錯性，可以建立更加接近人類思維模式的綜合評價模型[18]。

本試驗選取2種神經網絡(BP神經網絡及深度信念網絡)作為雞蛋新鮮度等級預測模型，比較二者在結構與性能上的差異。

1.4.1 BP神經網絡 BP神經網絡是一種利用誤差反向傳播訓練算法的前饋型網絡[19]，由輸入層、隱含層、輸出層三部分組成，結構簡單，上下層之間實行權連接，每層神經元之間無任何連接[20]；BP神經網絡可以根據誤差反復修正權值和閾值，使誤差函數值達到最小，因而有利于信號校正[21]。

1.4.2 深度信念網絡 深度信念網絡(Deep Belief Network，簡稱DBN)是一種使用層疊限制波爾茲曼機組成深度神經網絡的方法。其中，受限波爾茲曼機(簡稱RBM)由顯層及隱層兩層神經元組成，顯層用于數據的輸入與輸出，隱層用作數據的特征檢測器，且RBM中僅層間存在連接，層內神經元之間不存在連接[22]。

DBN訓練過程主要分為預訓練與調優(yōu)兩步：第一步，分別單獨無監(jiān)督訓練每一層RBM網絡，確保特征向量映射到不同特征空間時，都盡可能多地保留特征信息；第二步，在 DBN 的最后一層設置BP網絡，接收 RBM的輸出特征向量作為它的輸入特征向量，有監(jiān)督地訓練實體關系分類器。其中，RBM網絡訓練模型的過程可以看作對一個深層BP網絡權值參數的初始化，使DBN克服BP網絡因隨機初始化權值參數而容易陷入局部最優(yōu)和時間長的問題[23]。

2 雞蛋特征提取

2.1 整蛋面積提取

考慮到采集圖像過程中的機器及人為操作上的不當引起的圖像噪聲問題，首先對整蛋RGB空間圖像進行均值濾波以消除噪聲[24]；同時因圖像采集裝置中透光孔及雞蛋之間無縫隙，即光源所發(fā)射的光只聚集在雞蛋樣品上，采用YUV顏色空間中的Y顏色分量提取整蛋二值圖像。在YUV顏色空間中，Y代表亮度，也是指圖像的灰度值；U、V表示的則是色度，作用是描述影像色彩及飽和度，用于指定像素的顏色，即U、V代表色差，是構成彩色的兩個分量；其中，U反映了RGB輸入信號紅色部分與RGB信號亮度值之間的差異，V反映的是RGB輸入信號藍色部分與RGB信號亮度值之同的差異[25]。YUV色彩空間的亮度信號Y和色度信號U、V是分離的，YUV顏色空間可由RGB顏色空間經矩陣轉換得到[26]。

對原始圖像均值濾波消除噪聲后，將圖像由RGB空間向YUV空間轉換，提取Y分量，經圖像亮度調整后，按照圖像的灰度特性，將圖像分成背景和目標兩部分，使用最大類間方差法(Otsu)獲得閾值得到整蛋二值圖像；開、閉運算以消除因少數邊緣漏光現象及蛋殼厚度不均等引起的雜點，對處理后的整蛋區(qū)域進行輪廓提取以方便進行整蛋面積橢圓擬合。

2.2 蛋黃輪廓提取

對去噪后的RGB圖像進行彩色增強算法以增加圖像彩色對比度，彩色增強后的圖像顏色更加有利于顏色分量提取。雞蛋蛋黃顏色一般為黃或近紅色，對濾波后的圖像進行色彩增強后發(fā)現，RGB空間中G分量更容易進行蛋黃面積識別。因此，在彩色增強基礎上進行G分量提取以識別蛋黃區(qū)域。

對G分量提取后的圖像進行最大類間方差法(Otsu)獲得閾值使蛋黃區(qū)域凸顯出來，然后進行開、閉運算(處理結構，‘disk’，10)以消除因少數漏光引起的部分蛋殼邊緣留存以及因蛋殼厚度不均引起的蛋孔雜點。對處理后的蛋黃區(qū)域進行輪廓提取以方便進行蛋黃面積橢圓擬合。

2.3 氣室特征提取

對蛋黃圖像進行最大類間方差二值化處理后，因鉛筆標記氣室位置，氣室區(qū)域將同時被檢測出來；進行開、閉等形態(tài)學操作(‘disk’，3)以平滑氣室邊緣，運用bwlabel語句進行連通區(qū)域提取，并用包含相應區(qū)域的最小矩形及質心(‘BoundingBox’，‘Centroid’)標記，進而進行氣室提取，最后通過橢圓擬合得到氣室形狀參數。

橢圓擬合形狀由大到小依次代表整蛋輪廓，蛋黃輪廓及氣室輪廓

圖2 圖像處理

Figure 2 Image processing

處理完成的雞蛋圖像利用regionprops語句度量雞蛋整蛋、蛋黃及氣室區(qū)域屬性，并返回Command Window窗口進行顯示，以便進行雞蛋屬性記錄。

3 新鮮度預測模型

3.1 樣本質量正態(tài)分布

采購當天對所購120枚雞蛋樣品稱量質量，利用SPSS統(tǒng)計變量各個觀測值的頻數直方圖并繪制正態(tài)曲線，同時結合正態(tài)分布的Q—Q圖，對其進行正態(tài)分布檢驗，檢驗結果見圖3。

圖3 樣本質量正態(tài)分布圖Figure 3 Quality normal distribution of samples

質量頻數直方圖中，橫坐標為樣本質量，縱坐標為樣本質量出現的頻數。從圖3中可以看出，根據直方圖繪出的曲線接近正態(tài)分布曲線；Q-Q圖中，橫坐標為改變量的觀測值，縱坐標是根據分布函數公式F(x)=i/n+1得出的分位數，其中i為把一組數從小到大排序后第i個數據的位置，n為樣本容量。若該數組服從正態(tài)分布則其Q-Q圖應該與理論的Q-Q圖(y=x直線)基本符合。綜合直方圖正態(tài)曲線及Q—Q圖檢驗可知，所選樣本質量分布符合正態(tài)分布。

3.2 雞蛋質量失重率與貯藏時間關系

失重率檢測組20枚未破壞雞蛋在整個試驗期內的質量變化與貯藏時間關系見圖4。

由圖4可知，貯藏期間20枚雞蛋樣本質量損失呈上升趨勢，隨貯藏時間的越長，質量損失越多。

3.3 氣室高度模型

氣室位置一般處于雞蛋鈍端?？紤]到雞蛋大小不一引起蛋面距相機鏡頭距離不同，進而影響造成氣室高度定標不同，故將上述圖像處理后，并經橢圓擬合得到的像素單位下氣室橢圓短軸乘以整蛋實測雞蛋長徑與整蛋擬合橢圓長軸(像素單位)之商為圖像處理結果下的氣室高度，單位為mm。

圖4 貯藏期間質量變化Figure 4 Quality change during storage

3.4 蛋重預測模型

雞蛋貯藏過程中，因蛋殼上面分布呼吸作用的氣孔，儲藏期間蛋內物質中的水分不斷向外蒸發(fā)，導致雞蛋蛋重減輕，雞蛋的氣室變化與質量損失有直接關系[27]，伴隨著質量的損失，氣室逐漸增大；由文獻[28]知，雞蛋質量與橫徑有很好相關性，與縱經也有一定相關性；據此，以氣室高度、橫徑、縱經為因素，利用全回歸法進行多因素分析，得到多元回歸方程：

2、20世紀60年代和80年代進入成熟發(fā)展時期，大多數古箏演奏家都接受過專業(yè)音樂訓練。他們不僅接觸了西方音樂，而且全面掌握了中外音樂的精髓。他們試圖把西方和聲概念運用到現代古箏音樂的創(chuàng)作和演奏中去。尤其要強調的是，這一時期的古箏作品中，左手的伴奏也有了突破性的進展。代表作《戰(zhàn)臺風》。

(2)

式中：

Y1——蛋重，g；

所得回歸關系相關系數高，說明蛋重與氣室高度、整蛋長短徑有極顯著線性相關關系。

3.5 蛋白預測模型

蛋白高度是表征雞蛋新鮮度的重要指標，新產出的雞蛋中，卵清蛋白約占總蛋白的55%，雞蛋在貯藏過程中，蛋白中卵清蛋白不可逆轉地向S-卵清蛋白轉變[29]，蛋清濃厚蛋白逐漸減少，稀薄蛋白逐漸增加，蛋白高度逐漸降低[30-31]；蛋內水分通過蛋殼上的氣孔向外蒸發(fā)，導致氣室逐漸變大；蛋黃主要由蛋白質、水、脂肪等組成，不同貯藏時間的雞蛋蛋黃扁平狀不同，隨著貯藏時間的延長，蛋清中水分不斷向蛋黃中擴散[32]，導致蛋黃膜彈性變小，蛋黃形狀由原先飽滿圓形向扁平橢圓狀發(fā)展；另外，除哈夫值以外，蛋黃指數也是評定雞蛋新鮮度的主要指標[33]，雞蛋越新鮮，蛋黃膜包得越緊，蛋黃指數就越高，在蛋清中水分向蛋黃擴散的同時，蛋黃中鹽類以相反方向滲透[34]，導致蛋白純度降低，繼而影響蛋白發(fā)泡等食用性能[35]。

考慮到因雞蛋大小不一引起的后續(xù)新鮮度指標分析標準不一，以及因拍攝距離(相機鏡頭距蛋面距離)的微小變化引起雞蛋整蛋和蛋黃區(qū)域面積的較大變化，故對蛋黃狀態(tài)的分析選取蛋黃與整蛋面積比值為特征參數，進一步分析新鮮度變化過程中雞蛋蛋黃形態(tài)的變化。貯藏期間蛋黃指數與蛋黃面積比(蛋黃面積與整蛋面積比值)變化情況見圖5，由圖5可知，雞蛋貯藏過程中，蛋黃指數逐漸下降，蛋黃面積與整蛋面積比值逐漸上升。因此，隨著貯藏時間的延長，蛋黃面積發(fā)生變化，新鮮度越高的雞蛋，蛋黃高度越高，蛋黃面積越小。

圖5 貯藏期間蛋黃指數與蛋黃面積比變化Figure 5 Change of egg yolk index and egg yolk area ratio

據此，對蛋白高度與氣室高度、蛋黃面積比、整蛋長短徑、蛋形指數(短徑/長徑)進行多元回歸分析：

(3)

式中：

Y2——蛋白高度，mm；

3.6 雞蛋新鮮度預測模型

雞蛋新鮮度變化過程中，由哈夫單位計算公式知，蛋重及蛋白高度是影響雞蛋新鮮度的關鍵因素。上述分析中可知，氣室高度、蛋黃面積比隨著貯藏時間的延長也發(fā)生了相應的變化。因此蛋重及蛋白高度預測模型中將蛋黃面積比、圖像處理所得氣室高度納入雞蛋新鮮度變化研究指標中。

據此，將圖像處理與回歸分析所得蛋重及蛋白高度預測結果代替實測蛋重與蛋白高度值，代入哈夫值計算公式中，所得哈夫值為回歸分析預測哈夫值；哈夫值預測值與實測值對比見圖6。

由圖6可知，98枚雞蛋樣本的預測值與實際值的誤差較小，平均誤差為6%，最小誤差僅為0.13%，說明通過圖像處理數據建立的蛋白、蛋重預測模型可以應用于預測哈夫值。

3.7 深度信念網絡預測模型

從所測98組數據中隨機選取68組實測數據作為訓練樣本，剩余30組圖像處理數據作為驗證樣本；按照文獻[1]中雞蛋等級分級制度，將所測雞蛋按哈夫單位值分為三級：大于72為1級，60～71為2級，30～59為3級。為避免出現因輸入數據單位不同導致神經網絡收斂慢、訓練時間長的現象，網絡訓練前需對數據進行歸一化處理。

圖6 預測值與實測值Figure 6 Predicted and measured values

3.7.1 BP神經網絡模型 在BP神經網絡模型中，其隱層節(jié)點數對模型預測結果有較大影響，BP神經網絡隱層節(jié)點數m由式(4)計算[36]：

(4)

式中：

n——隱層節(jié)點數；

l——輸出層節(jié)點數；

α——1與10之間的自然數。

本試驗隱含層節(jié)點數分別選取3、4、5、6，最終隱含層節(jié)點數由SPSS隨機篩選同一訓練集(68組)，用同一訓練集以蛋白高度、蛋重為輸入，新鮮度等級(數字1、2、3分別代表新鮮度等級由高到低)為輸出，比較網絡預測結果；各節(jié)點數預測結果見圖7。

經測試得知，當隱層節(jié)點數為3時，預測值的準確性比隱層節(jié)點數為4、5時要高。當m=6時，雖然個別樣本比m=3時的網絡預測值要準確，但在BP神經網絡中，隨著隱層節(jié)點數的增多，網絡訓練時間就會增加，同時網絡結構越復雜，故網絡隱層節(jié)點數選為3，其余網絡參數均為默認值。當隱層節(jié)點數為3時，BP網絡預測準確率為90%。

3.7.2 深度信念網絡模型 在BP神經網絡預測模型中，因網絡權值隨機初始化問題，導致即使隱層節(jié)點及其他參數不改變，網絡預測結果仍然存在差別，即在網絡參數不變情況下，不同預測次數得到不同預測結果。基于此，借助深度信念網絡對訓練數據優(yōu)良的特征提取功能，優(yōu)化BP網絡權值參數，進一步提高模型穩(wěn)定性及預測結果準確性。

通過DBN對RBM的無監(jiān)督訓練過程，得到用于BP網絡建模的初始化權值矩陣，進而利用帶標簽數據通過BP算法去對判別性能做調整。本試驗利用深度學習工具箱建立由2個RBM堆疊而成的DBN，結合上節(jié)所建BP神經網絡模型，將最后一層BP網絡初始權值定義為DBN訓練所得權值矩陣(net.iw{1,1}=dbn.rbm{2}.W)，BP網絡隱層節(jié)點數設置為3，對驗證集樣本進行新鮮度等級預測。經測試發(fā)現，深度信念網絡不同預測次數，預測結果相同，即深度信念網絡不存在BP神經網絡因隨機初始化權值問題而出現的預測結果不同現象。深度信念網絡預測結果見表1。

圖7 不同隱含層節(jié)點數的BP神經網絡預測結果Figure 7 Prediction results of BP neural networks with different hidden layer nodes表1 基于圖像處理數據的深度信念網絡預測Table 1 Depth belief network prediction based on image processing

序號實測值預測值序號實測值預測值111．07231622．6032211．00921732．5294311．06371832．3431410．98341932．5070521．62052032．8085611．14592132．5055721．69262232．8829821．99362332．7784921．94162432．68321021．88982533．13311122．32092632．88481221．57762733．07441322．48952833．00941422．02492933．04571522．38933033．0621

利用Round函數對上表所得深度信念網絡預測數據進行四舍五入運算，對雞蛋新鮮度等級進行分級，并與實測新鮮度等級比較得知網絡分級準確率為93.3%。較BP神經網絡模型而言，深度信念網絡不僅預測結果準確性有所提高，同時網絡穩(wěn)定性也顯著提高。

4 結論

本試驗所設計方法雖然可以通過測量整蛋長短徑外部參數對雞蛋新鮮度進行無損檢測，但不同殼色雞蛋圖像處理效果不盡相同，蛋殼厚度及氣孔數目對圖像質量也有一定的影響，系統(tǒng)魯棒性仍不夠完善。同時，貯藏環(huán)境溫度及二氧化碳濃度[37]、不同品種及雞齡母雞所產蛋新鮮度及貯藏性能亦有一定參數的誤差。因此，今后需進一步分析物理參數與雞蛋新鮮度之間的關系，并優(yōu)化圖像處理算法，提高建模樣本數量，以進一步提高系統(tǒng)準確性及魯棒性。

[1] 李小利. 哈氏單位是檢驗雞蛋品質的重要指標[J]. 檢驗檢疫學刊, 2013, 23(2): 48-49.

[2] 畢夏坤, 趙杰文, 林顥, 等. 便攜式近紅外光譜儀判別雞蛋的貯藏時間[J]. 食品科學, 2013, 34(22): 285.

[3] 侯卓成, 楊寧, 李俊英, 等. 傅里葉變換近紅外反射用于雞蛋蛋品質的研究[J]. 光譜學與光譜分析, 2009, 29(8): 2 063-2 066.

[4] 介鄧飛, 王曉婧, 魏萱. 基于近紅外光譜禽蛋新鮮度無損檢測模型研究[J]. 食品與機械, 2016, 32(8): 115-118.

[5] 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.

[6] 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): 2 596-2 600.

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

[8] KEMPS Bart J, BAMELIS Flip R, KETELAERE Bart De, et al. Visible transmission spectroscopy for the assessment of egg freshness[J]. Journal of the Science of Food and Agriculture, 2006, 86: 1 399-1 406.

[9] 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(yè)工程學報, 2010, 26(4): 317-321.

[10] 周博, 王永維, 王俊, 等. 雞蛋貯藏時間和新鮮度的電子鼻檢測[J]. 浙江大學學報, 2010, 44(5): 863-869.

[11] 王巧華, 文友先, 林雪冬, 等. 雞蛋透射光圖像形態(tài)特征與其新鮮度的相關關系[J]. 農業(yè)工程學報, 2008, 24(3): 179-183.

[12] 劉艷, 李慶武, 黃小微, 等. 雞蛋透光圖像特征提取與新鮮度檢測模型研究[J]. 科學技術與工程, 2015, 15(25): 72-77.

[13] 鄭麗敏, 楊旭, 徐桂云, 等. 基于計算機視覺的雞蛋新鮮度無損檢測[J]. 農業(yè)工程學報, 2009, 25(2): 335-339.

[14] 祝志慧, 文友先. 基于VFW的雞蛋圖像采集與品質識別[J]. 湖北農業(yè)科學, 2010, 49(10): 2 551-2 553.

[15] ABOONAJMI M, SETAREHDAN S K, AKRAM A, et al. Prediction of poultry egg freshness using ultrasound[J]. International Journal of Food Properties, 2014, 17: 1 889-1 899.

[16] DEY Amar Kumar, SHARMA Manisha, MESHRAM M R. An analysis of leaf chlorophyll measurement method using chlorophyll meter and image processing technique[J]. Procedia Computer Science, 2016, 85: 286-292.

[17] 中華人民共和國農業(yè)行業(yè)標準. NY/T 823—2004 家禽生產性能名詞術語和度量統(tǒng)計方法[S]. [出版地不詳]: 中國禽業(yè)導刊, 2006: 46.

[18] 王曉娟. 基于模糊綜合與神經網絡的制絲工藝多因素評價模型[J]. 食品與機械, 2017, 33(5): 204-210.

[19] SUN Wei, XU Yang-feng. Financial security evaluation of the electric power industry in china based on a back propagation neural network optimized by genetic algorithm[J]. Enery, 2016, 101: 366-379.

[20] KANTI K Manikya, RAO P Srinivasa. Prediction of bead geometry in pulsed GMA welding using back propagation neural network[J]. Journal of Materials Processing Technology, 2008, 200(1/2/3): 300-305.

[21] LI Zhao-kun, ZHAO Xiao-hui. BP artificial neural network based wave front correction for sensor-less free space optics communication[J]. Optics Communications, 2017, 85: 219-228.

[22] 周志華. 機器學習[M]. 北京: 清華大學出版社, 2016: 112.

[23] 吳岸城. 神經網絡與深度學習[M]. 北京: 電子工業(yè)出版社, 2016: 113-114.

[24] OLIVEIRA Paula Cristina, MOURA Jo?o Paulo, FEMANDES Luís Filipe, et al. A non-destructive method based on digital image processing for calculate the vigor and the vegetative expression of vines[J]. Computers and Electronics in Agriculture, 2016, 124: 289-294.

[26] 曹雪婷. 擬南芥葉片面積檢測系統(tǒng)的設計與實現[D]. 大連: 大連海事大學, 2015: 21-22.

[27] 李劍峰, 王樹才. 雞蛋儲藏期間品質特征變化的研究[J]. 湖北農機化, 2008(6): 27-28.

[28] 任奕林, 劉劍英, 熊利榮. 雞蛋基本物理參數試驗研究[J]. 農機化研究, 2005(3): 191-195.

[29] HUANG Q, QIU N, MA M H, et al. Estimation of egg freshness using S-ovalbumin as an indicator[J]. Poultry Science, 2012, 91: 739-743.

[30] 杜丹萌, 王風諾, 王世平. 雞蛋新鮮度隨儲藏條件變化的規(guī)律[J]. 食品科技, 2014, 39(5): 26-33.

[31] ABOONAJMI Mohammad, NAJAFABADI Tooraj Abbasian. Prediction of poultry egg freshness using vis nir spectroscopy with maximum likelihood method[J]. International Journal of Food Properties, 2014, 17: 2 166-2 176.

[32] 張銘容, 葉勁松, 張子麗, 等. 雞蛋殼暗斑對雞蛋貯藏性能的影響[J]. 食品與機械, 2016, 32(6): 118-122.

[33] 趙杰文, 畢夏坤, 林顥, 等. 雞蛋新鮮度的可見-近紅外透射光譜快速識別[J]. 激光與光電子學進展, 2013(5): 211-220.

[34] 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(yè)工程學報, 2016, 32(21): 290-295.

[35] CLUFF K, KONDA NAGANATHAN G, JONNALAGADA D, et al. Determination of yolk contamination in liquid egg white using Raman spectroscopy[J]. Poultry Science, 2016, 95: 1 702-1 708.

[36] 陳雯柏. 人工神經網絡原理與實踐[M]. 西安: 西安電子科技大學出版社, 2016: 57.

[37] YANAGISAWA T, ARIIZUMI M, SHIGEMATSU Y, et al. Combination of super chilling and high carbon dioxide concentration techniques most effectively to preserve freshness of shell eggs during long-term storage[J]. Food Engineering and Physical Properties, 2010, 75(1): 78-82.