基于圖像紋理特征的土雞蛋微裂紋無損檢測

魏 萱, 何金成, 鄭書河, 葉大鵬

(福建農(nóng)林大學機電工程學院，福建 福州 350002)

基于圖像紋理特征的土雞蛋微裂紋無損檢測

魏 萱, 何金成, 鄭書河, 葉大鵬

(福建農(nóng)林大學機電工程學院，福建 福州 350002)

為了提高土雞蛋表面微裂紋檢測的準確度和效率，提出一種基于圖像紋理特征的土雞蛋微小裂紋無損檢測方法.利用工業(yè)相機對150枚土雞蛋采集數(shù)字圖像，采用高斯濾波、灰度變換等方法對土雞蛋圖像進行預處理；利用灰度共生矩陣進一步提取圖像紋理特征，將紋理特征參數(shù)作為不同分類器包括簇類獨立軟模式法、線性判別分析(linear discriminant analysis, LDA)和偏最小二乘支持向量機輸入，進行土雞蛋有無裂紋判別.結果表明，采用圖像紋理特征參數(shù)建立的土雞蛋有無裂紋LDA模型判別準確度最高，達到96.0%.

土雞蛋; 裂紋; 機器視覺; 紋理特征; 無損檢測

雞蛋含有大量的維生素、礦物質(zhì)以及具有高生物價值的蛋白質(zhì)，是人類常食用的食品.隨著人民生活水平的提高，消費者對高端蛋品，尤其是土雞蛋的需求日益增強.中國是禽蛋生產(chǎn)和消費大國，年產(chǎn)禽蛋數(shù)量極大，但禽蛋在打包、運輸和貯藏階段，極易因磕碰而產(chǎn)生裂紋，使微生物進入禽蛋內(nèi)部，嚴重影響禽蛋的品質(zhì)，并帶來安全性問題，因此，蛋殼裂紋是禽蛋檢測的重要品質(zhì)指標之一[1].傳統(tǒng)的人工照蛋法應用最為廣泛.這種方法不僅效率低，精確度差，且極易對禽蛋造成二次損傷；同時，雞蛋表面微小裂紋采用傳統(tǒng)方法也難以分辨，雞蛋品質(zhì)無法保證.

近年來，為了適應禽蛋產(chǎn)業(yè)的快速發(fā)展，國內(nèi)外學者對禽蛋裂紋檢測的方法進行了探索與研究，并取得了一些研究成果.目前主要有聲學檢測[2-5]、機器視覺檢測等檢測技術[6,7].在機器視覺方面，Wang et al[8]利用偏振成像技術檢測裂紋，其驗證實驗精確度達到94%；Omid et al[9]利用基于組合模糊邏輯和機器視覺技術的智能系統(tǒng)對雞蛋進行分級，其裂紋檢測正確率為94.5%，但蛋殼厚度等因素會出現(xiàn)錯判；潘磊慶等[10]基于計算機視覺技術和BP神經(jīng)網(wǎng)絡技術對禽蛋裂紋進行檢測研究，對裂紋禽蛋的識別準確率達到了92.9%；Li et al[7]設計18 kPa的真空壓力系統(tǒng)迫使微裂紋張開，然后采用機器視覺檢測,正確率達到100%.目前，利用機器視覺進行土雞蛋小裂紋的研究相對還比較少.尤其是微小裂紋，直接進行一般的圖像提取與分割等處理容易丟失裂紋信息，檢測具有一定難度.

本文建立基于圖像紋理特征的機器視覺土雞蛋裂紋無損檢測方法，通過人為制造小裂紋，利用工業(yè)相機獲取有裂紋與無裂紋土雞蛋的圖像信息，對比分析其在特定區(qū)域的圖像紋理特征；建立土雞蛋裂紋檢測的判別模型，對土雞蛋實現(xiàn)快速高效的無損檢測，旨在為進一步開發(fā)在線檢測分級設備和便攜式檢測儀器提供依據(jù).

1 材料與方法

1.1 材料與儀器

新鮮土雞蛋200枚，紗布清潔表面后依次編號1～200， 保存于溫度為(24±0.5) ℃、濕度為80%的恒溫恒濕環(huán)境室.

光源：LED環(huán)形光源.功率：1.1 W.型號：KW-R3215，上?？怆娍萍加邢薰旧a(chǎn)；

工業(yè)相機：Sunway 3.0 USB，有效像素為4384×3288，中國顯微科技(深圳)有限公司生產(chǎn).

1.2 裂紋蛋獲取

試驗所有土雞蛋樣品經(jīng)清洗表面污斑后通過人工仔細檢查，均為無裂紋土雞蛋.人為制造微小裂縫.本研究中將單條裂紋且長度<1.5 cm的裂紋視為微裂紋.由于人為制造裂紋有一定難度，根據(jù)研究目標進行篩選，最后對75枚無裂紋土雞蛋和75枚裂紋土雞蛋進行圖像的采集與處理.

1.3 圖像采集

圖1 土雞蛋圖像獲取裝置Fig.1 The system for egg image acquisition

圖像采集裝置主要由黑色背景布、蛋托、光照暗箱、光源、工業(yè)相機、圖像采集卡和電腦等組成.CCD攝像頭采集前保持土雞蛋表面清潔，減小蛋殼上污跡和斑點對圖像的影響.在密閉的光照暗室內(nèi)，采用LED環(huán)形光源，光源的打光方式為亮視野，利用放置在頂部的CCD攝像頭對土雞蛋正反兩面的圖像進行采集.試驗裝置如圖1所示.

1.4 數(shù)據(jù)處理

1.4.1 紋理信息提取 圖像的灰度共生矩陣(gray level co-occurrence matrix, GLCM)是通過研究灰度的空間相關特性來描述紋理的常用方法[11].如用f(x,y)表示灰度圖像在像素點(x,y)處的灰度值，則GLCM可表示為[12]：

P(m,n,d,θ)={[(x,y),(x+Δx,y+Δy)|f(x,y)=m,f(x+Δx,y+Δy)=n]}

(1)

式中：x、y是像素的坐標;Δx、Δy為偏移矢量；m和n為像素點的灰度值；d為生成步長即2個像素點的距離，本研究選取1；θ為生成方向，本研究選取0°.

表1 灰度共生矩陣提取紋理特征Table 1 Extraction of textural features from GLCM

為了減小冗余信息和計算量，本研究選取了4個紋理特征，分別為自相關、對比度、能量和同質(zhì)性.幾種紋理特征計算方法如表1所示[13].

其中，P(i,j)是歸一化后的灰度共生矩陣元素；

μx=∑i∑ji·P(i,j)，μy=∑i∑jj·P(i,j)，

1.4.2 判別模型 采用3種判別方法，即簇類獨立軟模式法(soft independence modeling of class analogy, SIMCA)、線性判別分析(linear discriminant analysis, LDA)和偏最小二乘支持向量機(least squares support vector machine, LS-SVM)進行裂紋蛋識別.

SIMCA是由主成分分析方法發(fā)展而來的模式識別方法，基本思路是對每一種類別建立1個PCA模型，然后通過計算未知樣本與PCA模型的距離進行判別分析[14].LDA也稱為Fisher′s線性判別，是模式識別的經(jīng)典方法，它通過將高維的模式樣本投影到最佳鑒別矢量空間以抽取分類信息[15].LS-SVM是標準支持向量機(SVM)的擴展，它使用等式約束代替了SVM中的不等式約束，將二次規(guī)劃問題轉化為可用最小二乘法求解的線性方程組求解，降低了計算復雜性，提高了求解速度[16,17].

2 結果與分析

2.1 圖像預處理

利用工業(yè)相機拍攝土雞蛋表面圖像，可采集到1 944×2 594大小的彩色圖像，得到的圖片示例見圖2.

圖2 工業(yè)相機攝取的土雞蛋樣本圖像Fig.2 Sample images captured by industrial cameras

將工業(yè)相機采集的圖片通過圖像采集卡傳輸?shù)絇C機中，利用MATLAB軟件對圖像進行處理.為了減小計算量，提高運算速度，首先對得到的圖像進行雙三次插值的算法處理，處理后的圖片大小為800×1 200.經(jīng)過前期對比處理，結果表明采用高斯低通濾波處理對提升圖像質(zhì)量的效果最為明顯.因此選取高斯低通濾波進行去噪處理.隨后經(jīng)過圖像增強處理以提高圖像質(zhì)量、豐富信息量、加強圖像判讀和識別效果，然后進行灰度變換，完成圖像預處理[18,19]，結果見圖3.

圖3 經(jīng)過預處理之后的裂紋蛋樣本圖像Fig.3 The preprocessed images of cracked eggs

2.2 紋理信息提取與分類識別

在灰度圖像中裂紋區(qū)域截取圖像像素為250×250的局部信息.圖4是有裂紋蛋和無裂紋蛋4種紋理特征值的對比圖，可以看出，直接從單一紋理特征值對裂紋蛋和無裂紋蛋進行判別分析比較困難.因此將4種紋理特征值作為LDA、SIMCA和LS-SVM3種分類器的輸入.將樣本按照2∶1劃分為建模集和預測集，即分別為100個和50個樣本，由此建立裂紋蛋判別模型，其結果如表2所示.從表2可見，LDA模型的識別效果最好，建模集和預測集正確判別率(correct classification rate, CCR)達到96.0%，LS-SVM次之，SIMCA的結果最差.其中，采用SIMCA方法，部分樣本尚未判斷出類別，表明在該方法中，裂紋蛋與完好蛋紋理信息提取出的主成分不足以對兩類雞蛋樣本進行準確的判別，建模集和預測集判別正確率分別為68.0%和66.0%.結果表明本研究提出的算法具有一定的可行性.

圖4 無裂紋與有裂紋雞蛋不同紋理參數(shù)平均值對比圖Fig.4 Comparison on average value of textural feature parameters for intact and cracked eggs

模型類別建模集01預測集01LDA04732411149124CCR%96.096.0SIMCA032-15-1-36-18CCR%68.066.0LS-SVM04732321248124CCR%95.094.0

1)0表示完好蛋;1表示裂紋蛋;“—”表示未判別出是哪一類.

3 小結

本研究利用機器視覺與數(shù)字圖像處理對土雞蛋微裂紋進行建模與評價分析.提出了利用雞蛋灰度共生矩陣提取圖像紋理信息，通過建模分析進行裂紋蛋識別.結果表明建立的土雞蛋微裂紋檢測算法的準確率達96.0%，說明該算法的精確度較高，結構簡單，執(zhí)行速度快，可應用于禽蛋養(yǎng)殖場的規(guī)模化在線檢測.

[1] 孫力,蔡健榮,李雅琪,等.禽蛋蛋殼品質(zhì)無損檢測方法研究進展[J].中國農(nóng)業(yè)科技導報,2015,17(5):11-17.

[2] JIN C, XIE L J, YING Y B. Eggshell crack detection based on the time-domain acoustic signal of rolling eggs on a step-plate[J]. Journal of Food Engineering, 2015,153(1):53-62.

[3] SUN L, BI X K, LIN H, et al. On-line detection of eggshell crack based on acoustic resonance analysis[J]. Journal of Food Engineering, 2013,116(1):240-245.

[4] 羅慧,閆思蒙,盧偉,等.基于力—聲學特性的雞蛋微小裂紋在線檢測方法[J].農(nóng)業(yè)機械學報,2016,47(11):224-230.

[5] 王巧華,鄧小炎,文友先.雞蛋敲擊響應的奇異性特征與蛋殼裂紋多層檢測[J].農(nóng)業(yè)機械學報,2008,39(12):127-131.

[6] LAWRENCE K C, YOON S C, HEITSCHMIDT G W, et al. Imaging system with modified-pressure chamber for crack detection in shell eggs[J]. Sensing & Instrumentation for Food Quality & Safety, 2008,2(2):116-122.

[7] LI Y Y, DHAKAL S, PENG Y K. A machine vision system for identification of micro-crack in egg shell[J]. Journal of Food Engineering, 2012,109(1):127-134.

[8] 王芳,文友先,譚佐軍,等.基于偏振光和聚類分析的皮蛋殼裂紋無損檢測[J].農(nóng)業(yè)機械學報,2014,30(9):249-255.

[9] 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.

[10] 潘磊慶,屠康,蘇子鵬,等.基于計算機視覺和神經(jīng)網(wǎng)絡檢測雞蛋裂紋的研究[J].農(nóng)業(yè)工程學報,2007,23(5):154-158.

[11] HARALICK R M, SHANMUGAM K, DINSTEIN I H. Textural features for image classification[J]. Systems Man & Cybernetics IEEE Transactions, 1973,3(6):610-621.

[12] 王昊鵬,李慧.基于局部二值模式和灰度共生矩陣的籽棉雜質(zhì)分類識別[J].農(nóng)業(yè)工程學報,2015,31(3):236-241.

[13] WEI X, LIU F, QIU Z J, et al. Ripeness classification of astringent persimmon using hyperspectral imaging technique[J]. Food & Bioprocess Technology, 2014,7(5):1 371-1 380.

[14] BRANDEN K V, HUBERT M. Robust classification in high dimensions based on the SIMCA method[J]. Chemometrics & Intelligent Laboratory Systems, 2005,79(1-2):10-21.

[15] WU W, MALLET Y, WALCZAK B, et al. Comparison of regularized discriminant analysis linear discriminant analysis and quadratic discriminant analysis applied to NIR data[J]. Analytica Chimica Acta, 1996,329(3):257-265.

[16] LIU F, JIANG Y, HE Y. Variable selection in visible/near infrared spectra for linear and nonlinear calibrations: a case study to determine soluble solids content of beer[J]. Analytica Chimica Acta, 2009,635(1):45-52.

[17] WU D, HE Y, FENG S, et al. Study on infrared spectroscopy technique for fast measurement of protein content in milk powder based on LS-SVM[J]. Journal of Food Engineering, 2008,84(1):124-131.

[18] 林耀海,景林,王長纓,等.基于圓弧的原木輪廓的識別與驗證[J].福建農(nóng)林大學學報(自然科學版),2016,45(6):649-654.

[19] 郭瑞,安鳳平,宋洪波,等.過熱蒸汽膨化青蘋果組織結構的定量分析[J].福建農(nóng)林大學學報(自然科學版),2015,44(1):96-101.

Nondestructivemethodtodetectsmallcrackofnativeeggbasedonimagetexturalfeature

WEI Xuan, HE Jincheng, ZHENG Shuhe, YE Dapeng

(College of Mechanical and Electronic Engineering, Fujian Agriculture and Forestry University, Fuzhou, Fujian 350002, China)

In order to improve the detection accuracy and efficiency for shell small crack of native egg, a method based on textural feature of images was proposed. Digital image was obtained by industrial camera and then preprocessed by Gauss filtering and gray-scale transformation. After that, textural feature of images was extracted based on gray level co-occurrence matrix (GLCM). For crack identification, textural feature parameters were used as classifier input which included soft independent modeling of class analogy (SIMCA), linear discriminant analysis (LDA) and least squares support vector machine (LS-SVM). The results showed that LDA model achieved the best correct classification rate (CCR) at 96%.

native egg; crack; machine vision; textural feature; nondestructive detection

2017-09-19

2017-11-02

福建省自然科學基金資助項目(2017J05041);福建農(nóng)林大學現(xiàn)代農(nóng)林裝備及其自動化創(chuàng)新平臺(612014017).

魏萱(1987-)，女，講師，博士.研究方向：農(nóng)業(yè)測控技術與智能裝備.通訊作者葉大鵬(1971-)，男，教授，博士.研究方向：現(xiàn)代農(nóng)業(yè)智能裝備及自動化.Email:ydp@fafu.edu.cn.

S879.3

A

1671-5470(2017)06-0716-05

10.13323/j.cnki.j.fafu(nat.sci.).2017.06.019

(責任編輯:葉濟蓉)