CN101915767A - 一种鸡蛋裂纹的系统性识别方法 - Google Patents
一种鸡蛋裂纹的系统性识别方法 Download PDFInfo
- Publication number
- CN101915767A CN101915767A CN 201010224731 CN201010224731A CN101915767A CN 101915767 A CN101915767 A CN 101915767A CN 201010224731 CN201010224731 CN 201010224731 CN 201010224731 A CN201010224731 A CN 201010224731A CN 101915767 A CN101915767 A CN 101915767A
- Authority
- CN
- China
- Prior art keywords
- egg
- output
- crackle
- sample
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Abstract
本发明公开了一种鸡蛋裂纹的系统性识别方法,属于农产品检测技术领域。通过机器视觉,敲击振动和电子鼻和8号三个传感器输出的一组响应阻值之比:{G/G0S2、G/G0S5、G/G0S8}3种传感器分别输出和鸡蛋的外部常规裂纹,外部细小裂纹和内部裂纹有关的无损检测参数。在此基础上设计一组针对鸡蛋裂纹无损检测参数的判据。用该判据构建一对4的鸡蛋裂纹支持向量机判别模型。本方法可以系统,准确的检测鸡蛋的裂纹,并可完全按照鸡蛋的可利用程度对其进行分级。可极大的提高鸡蛋的利用程度,降低鸡蛋加工企业的运行成本,提高企业经济效益。
Description
技术领域
一种鸡蛋裂纹的系统性识别方法,属于农产品检测技术领域。
背景技术
多传感器融合是把在不同位置的多个传感器所提供的局部环境的不完整信息加以综合,并消除传感器间可能存在的冗余和矛盾的信息,再加以互补,降低其不确定性,以形成对系统环境的相对完整一致的感知描述,从而提高智能系统的决策、规划、反应的快速性和正确性,降低决策风险的一种手段[4]。多传感器融合在农产品无损检测中的应用研究在国内处于起步阶段,在国外已有较成熟的应用。多传感器融合是一个系统科学的概念,其最早仅限于一些军事控制科学的狭义传感器。但随着系统工程的不断发展,使得该方法可以运用到生物领域。农产品无损检测属于这个范围。而且其理论也是方法层的居多,故在领域知识的支持下可以对其进行适当变换和分析,将多传感器融合的优势和农产品无损检测的特点结合起来是完全有可能的。
农产品无损检测的目的是在不破坏样品的情况下,对其进行内外品质的测定,并与实际品质参数建立对应关系,最终达到分级的目的。农产品的特点是属性复杂,检测起来具有较大的不确定性。这个不确定性是由其检测属性以及自身特点共同决定的。随着生活水平的提高,人们对农产品的质量,新鲜度,品种等要求不断提高,实际上推动农产品无损检测不断向前发展的是消费者对农产品品质的需求程度不断提高。一般来说,经验判断只能区别一些农产品的一些基本属性,对于一些比较高端的品质属性,如茶叶的品种,产地,食用鱼的养殖方式(家养或野生)等已经完全无法用传统的经验方法,单一的无损检测方式也存在检测稳定性差,精度差以及运行成本高的问题。从应用和工业化的角度来说,农产品的附加价值相对较低是一个既成事实。因此在进行分级检测的过程中必须考虑检测设备的运行成本及损耗的问题,通过大量实验及研究表明,对于一些比较复杂的品质用单一的价格昂贵的传感器对其进行检测,往往也可以取得好的效果。但传感器价格十分昂贵,这个时候可以寻求两个或多个成本较低的传感器进行融合,在数据或特征层面对其进行处理可以达到和高成本传感器相同的检测效果。从而达到控制检测分级成本的作用,结合我国现阶段农业信息化水平相对较低的实际情况来说,是有积极意义的。另一个方面,由于出口等相关标准的提高,农产品的检测也趋向全面的检测和分析,最终输出一组全面的品质数据,这个工作用单一传感器是无法完成的。要满足这个要求,多传感器融合是必由之路。综上所述,无论是从应用的角度,需求的角度还是降低成本控制风险的角度来说多传感器融合在农产品无损检测都是十分必要的。
鸡蛋储运过程中最主要的问题是由于各种原因造成的裂纹。有效快速的识别裂纹是鸡蛋储运研究的重点领域。传统的光照法速度慢,主观性强,无法在线检测,制约了我国鸡蛋的自动分级与产品增值的要求。近年来国内外许多专家学者进行了裂纹的无损检测和识别,包括光学方法(可见光、激光等),振动频谱分析法,气味传感器分析法等[何丽红,刘金刚,文友先.基于粗糙集与支持向量机的禽蛋蛋壳无损检测[J].农业机械学报,2009,40(3):167~171][黄耀志.基于神经网络分析的鲜蛋破损检测[J].振动测试与诊断,2003,23(3):205~209.][王树才,任奕林,陈红,等.利用敲击声音信号进行禽蛋破损检测和模糊识别[J].农业工程学报,2007,23(4):130~133]。这些研究采用单项检测方法对鸡蛋的裂纹进行了有无及面积大小的识别,取得了较好的效果。但一般只检查是否有裂纹,进行简单的分拣。导致大量可再利用蛋品浪费,并增加禽蛋储运的成本。从蛋品综合利用的角度看,鸡蛋的裂纹的评价除了大小外还应考虑裂纹是否破坏蛋内膜,内膜破坏和非破坏的蛋有必要分类处理。对不同裂损程度的蛋,若能准确地识别其裂损程度,则可及时进行分别分类处理,进而大幅降低鸡蛋的储运损耗,为企业创造效益。
发明内容
技术问题
本发明主要针对现有无损检测方法检测鸡蛋的裂纹评判系统性不强,判别分析模型无法和蛋品综合利用以及出口要求相适应的现状。利用电子鼻,计算机视觉及振动频谱分析三种传感器构建融合体系,并结合实验数据在此基础上设计基于支持向量机的裂纹系统性识别模型。该模型可以按照鸡蛋的裂损程度和使用范围进行分级,极大的降低鸡蛋加工企业的生产成本。
技术方案
一种鸡蛋裂纹的系统性识别方法,其特征在于:
(一)数据采集
1)机器视觉传感器:摄像头为JVC公司的TK-C1380CCD;图像采集卡为加拿大Matrox Meteror-II/Standard;通用图像处理系统Image Sys3.0,摄像头镜头距离样品25cm,每个样品由摄像头可见光环境下采集一幅图像,并传至图像采集卡,图像采集卡将模拟信号变为数字信号后,再由图像处理系统Image Sys3.0提取(通过“选定图像区域”按钮选择图像所在区域,点击“裂纹面积计算”按钮得到鸡蛋的裂纹区域面积Ac值)特征参数鸡蛋裂纹图像区域面积Ac(裂纹区域像素面积);
2)声学传感器:波形数据采集卡和SD150频谱信号分析系统型号为SD150,声级计为HS5633A型声级计,敲击棒为PVC材质,长10cm,直径5mm,重15g;采集时,受测鸡蛋沿赤道顺时针方向每90°敲击一次,每次敲击4次,敲击时与样品所在切面呈30°夹角,每次敲击产生10N的力,产生的声波由声级计搜集并通过波形采集卡将模拟声音信号转化为数字声音信号传入电脑,再用SD150的频谱信号分析系统‘通过点击“计算最大频率值”按钮得到最大频率值f,再点击“最大频率值变异系数计算”按钮得到敲击蛋壳产生的最大频率值的变异系数fCV;
3)气味传感器:型号为PEN3型电子鼻,进行检测时,将样品置于150mL密闭容器内,将电子鼻检测探针插入容器内,距离样品3cm,电子鼻取样的参数获取最佳时间点为43s,传感器洗脱时间50s,检测时间30s,通过电子鼻自带的智能数据分析软件获取特征参数:2号W5S,5号W5C和8号W2S三个传感器输出的三个响应值的读数:G/G0S2、G/G0S5、G/G0S8,电子鼻输出的参数响应值读数是根据传感器接触到样品挥发物后的电阻量G与传感器在经过标准活性碳过滤气体的电阻量G0的比值G/G0;
(二)判据构建
将以上得到的Ac,fCV,G/G0 S2,G/G0 S5,G/G0 S8 5个参数依次代入判据模型F1,F2,F3,F4得到相应判别值:其中Min为取最小值运算
F1=Min{(0.001-fCV);(30-Ac);(1.18-G/G0S2);(0.97-G/G0S5);(G/G0S8-1.23)}
F2=Min{(1.18-G/G0S2);(0.97-G/G0S5);(G/G0S8-1.23)}
F3=Min{(0.001-fCV);(30-Ac)}
F4=0.2-f CV
若F1输出为正值,则属于正常鸡蛋;
若F1输出为负值,再看F2值,若F2输出为正值,则判断为外部裂纹鸡蛋;
若F2输出为负值,再看F3值,若F3输出为正值,则判断为内层裂纹鸡蛋;
若F3输出为负值,再看F4值,若F4输出为正值,则判断为同时存在内外裂纹的复合裂纹鸡蛋,
若F4输出为负值,则判断该样品为破裂蛋。
选择LIBSVM软件包,在Windows XP环境下,将所述的判据模型F1~F4编程,构建相应的4个裂纹判断支持向量机模块:SVM1、SVM2、SVM3,SVM4,模块按照顺序关系执行裂纹的判断,再将5个特征参数Ac、fCV、G/G0S2、G/G0S5、G/G0S8依次代入4个裂纹判断支持向量机模块:SVM1、SVM2、SVM3,SVM4,执行判断:
若SVM1输出为正值,则属于正常鸡蛋;
若SVM1输出为负值,再看F2值,若F2输出为正值,则判断为外部裂纹鸡蛋;
若SVM2输出为负值,再看F3值,若F3输出为正值,则判断为内层裂纹鸡蛋;
若SVM3输出为负值,再看F4值,若F4输出为正值,则判断为同时存在内外裂纹的复合裂纹鸡蛋,
若SVM4输出为负值,则判断该样品为破裂蛋。
有益效果
1.本方法分别发挥三种传感器的优点,解决长期以来无法快速,系统对鸡蛋裂纹进行分级的问题。
2.本方法可以系统,准确的检测鸡蛋的裂纹,并可以完全按照鸡蛋的可利用程度对其进行分级。
3.本方法可极大的提高鸡蛋的利用程度。降低鸡蛋加工企业的运行成本。
四、附图说明
图1:鸡蛋裂纹的多传感器融合检测流程
图2:支持向量机识别鸡蛋裂纹逻辑模型
图3:不同蛋内膜状态下电子鼻响应值分析
五、具体实施方式
针对本发明是一种鸡蛋裂纹的系统性识别方法。样品为鸡蛋。具体实施过程包括4个部分
1实验设计与方法
1.1裂纹的多传感器融合总体流程
根据融合系统所处理的信息层面可以将多传感器信息融合分为决策层融合、特征层融合和原始数据层(像素级融合)3个不同的层面[Lawrence A.Klein多传感器数据融合理论及应用[M].北京:北京理工大学出版社,2004.15-45.]。在本文讨论的融合系统中,敲击振动分析系统,可见光图像分析系统以及气味传感器-电子鼻可以看作三种完全不同的传感器,由于其产生的信号类型及激励-响应方式均存在较大差异。因此在原始数据层的融合是缺乏条件的。同时故考虑在特征层进行融合,这种方式不仅保留了足够数量的原始信息,而且实现了一定的数据变换和压缩,有利于处理效果和精度的提高。
在本研究中,鸡蛋的裂纹主要从大小和深浅两方面考察,大小主要是裂纹在蛋壳表面分布的范围,主要通过计算机视觉和敲击振动来识别完成。有的裂纹可能看起来不大但比较深,可能全部或部分破坏了蛋壳内膜,这种蛋是储藏过程中最容易变质的,容易染菌,成为完全无法利用的霉变蛋[丁幼春,文友先.鸭蛋蛋壳破损检测方法及其发展趋势[J].中国家禽,2007,29(6)51~54]。电子鼻可以有效的识别蛋壳内膜破坏后蛋内部逸出的气味。用融合的方法可以快速识别裂纹并完成对蛋表面和内部裂纹的系统性识别分析。本研究的融合方法流程见图1。
1.2材料,方法及实验设计
实验材料为新鲜鸡蛋300枚(产自南京源创无公害畜禽产品有限公司)。经过净化处理,表面无污斑。自然运输到学校(其中包括数量不等的各种裂纹蛋),产蛋鸡种为罗曼蛋鸡。分为模型构建组(200枚)和验证组(100枚),其中模型构建组样本逐个分别运用可见光计算机视觉分析,敲击振动频谱分析以及电子鼻的气味测定再经人工光照,开壳检测其裂纹的程度记录其结果。模型验证组用以上方法测定其无损指标,记录其人工检测结果。把无损指标代入构建的模型中,输出判定结果,再比对人工检测结果。分析模型的识别能力。具体实验设计如下表1所示:
表1实验设计概要
2传感器信息提取及处理
2.1鸡蛋表面可见光图像参数提取
每个样品采集1幅图像。实验获得800×600大小的BMP彩色图像,采用通用图像处理系统ImageSys3.0(北京现代富博科技有限公司)提取(通过“选定图像区域”按钮选择图像所在区域,点击“裂纹面积计算”按钮得到鸡蛋的裂纹区域面积Ac值)特征参数鸡蛋裂纹图像区域面积Ac(裂纹区域像素面积);
2.2鸡蛋蛋体敲击振动频谱信号提取
所有受测鸡蛋沿赤道顺时针方向每90°敲击一次,共敲击4次。每次敲击后,用频谱信号分析系统(天津中环电子仪器公司出产,型号为SD150)‘通过点击“计算最大频率值”按钮得到最大频率值f,再点击“最大频率值变异系数计算”按钮得到敲击蛋壳产生的最大频率值的变异系数fCV;[潘磊庆,屠康,赵立等.敲击振动检测鸡蛋裂纹的初步研究[J].农业工程学报:2005,21(4):11~14.]。
2.3电子鼻响应参数提取
将每个鸡蛋放置250ml烧杯,并用封口膜封口,于20℃静止20min后测定电子鼻响应参数。电子鼻用以判定识别裂纹是否到内层,蛋壳内膜是否被破坏。蛋品的挥发性气体以200ml/min流速通过采集管吸到电子鼻的传感器通道里,使气体传感器响应值发生改变。该响应值是传感器接触到样品挥发物后的电阻量(G)与传感器在经过标准活性炭过滤气体的电阻量(G0)的比值(G/G0),其敏感性为1cm3/m3。检测时间设定为60s,特征值提取时间点为响应曲线平稳时刻50s,这有利于减小选定时间点造成的误差;清洗时间(Flush time)都设置为90s,可以基本使传感器响应恢复到初始状态。提取的特征参数为50s时各个传感器的G/G0均值。前期研究表明2号,5号。8号3个传感器对蛋的内层裂纹识别性能最好,可能的原因是以上传感器对芳香成分,氮氧化合物以及氨类成分灵敏度较大所致[Ritaban Dutta,Evor L Hines,Julian W Gardner et al.Non-destructive eggfreshness determination:an electronic nose based approach[J].Measurement Science And Technology,2003,14;190-198]。
2.4特征参数集合的构建
将以上提取的各个传感器的特征参数以矩阵形式整理成一个集合:记为V={Ac,fCV,G/G0S2,G/G0S5,G/G0S8}
3鸡蛋裂纹系统识别模型构建
3.1不同类型缺陷的传感器特征参数判别函数的确定
由图1中的融合流程,对未破坏内膜的裂纹(包括常规裂纹和微小裂纹),通过Ac,fCV两个参数判断。对于细小裂纹检测,采用敲击振动方法。通过实验表明当敲击振动特征峰频率的变异系数小于0.001,所有鸡蛋样品经人工检查比对都没有可见的裂纹,而变异系数在0.001和0.002之间内的样本(灵敏限在0.001),出现裂纹的数量达到整个样本的5%,故将变异系数fCV的判别阈值设定为0.00112-15]。对常规裂纹通过图像分析来判别,若图像分析检测出裂纹区域。则计算该区域的像素数量(裂纹面积Ac),根据前期研究表明Ac计算值大于30时则肯定视为存在裂纹[9]。
电子鼻对蛋内层裂纹具有很好的识别能力,蛋壳内膜是否破坏是该识别过程的主要理论基础。通过前期相关研究[A Hyvarinen and E Oja.Independent component analysis:algorithm and applications[J].Neural Networks,2000,13(4):411-430.][Ritaban Dutta,Evor L Hines,Julian W Gardner et al.Non-destructive egg freshness determination:an electronic nose based approach[J].MEASUREMENTSCIENCE AND TECHNOLOGY,2003,14;190-198][A Hyvarinen and E Oja.Independent componentanalysis:algorithm and applications[J].Neural Networks,2000,13(4):411-430.]表明99%以上的样品蛋壳内膜是破损前后,电子鼻的2,5,8号传感器分别有特征性很强的识别阈值。其中2号和5号传感器的响应阻值之比小于某特定值时可认为是蛋壳内膜未破,无内部气味的渗漏的情况。而8号传感器的响应阻值之比大于某特定值时可认为是蛋壳内膜未破,无内部气味的渗漏的情况。以2号传感器为例(内膜破损的为1,未有破损的为-1)可以看出(如图2所示):当响应值在1.18以上所有样品内膜经人工检查未破,当响应值在1.18以下时所有的样品内膜经人工检查均存在一定程度的破损,故将该传感器对蛋壳内膜是否破损的判别阈值设为1.18。5号和8号传感器也有类似的判别情况,其对应的判别阈值分别为0.97和1.23。
按照以上分析设计一组供支持向量机分类的判据F1~F4(其中Min为取最小值运算)。
F1=Min{(0.001-fCV);(30-Ac);(1.18-G/G0S2);(0.97-G/G0S5);(G/G0S8-1.23)}(式1)
F1模型用来判断无裂纹蛋(三种传感器的输出参数均不在有任何种类和程度裂纹时对应的阈值范围内)情况。
F2=Min{(1.18-G/G0S2);(0.97-G/G0S5);(G/G0S8-1.23)}(式2)
F2模型结合式1用来判断对于外部存在裂纹,但内部无裂纹的的情况。
F3=Min{(0.001-fCV);(30-Ac)} (式3)
F3模型结合式1用来判断是否存在复合裂纹的情况。
F4=0.2-fCV (式4)
F4模型用来判断是否为等外样品(前期研究表明当振动频谱特征峰的变异系数大于0.2时,该样品蛋壳存在巨大的裂损,可以认为是无法贮藏而需要马上处理的等外样品)。
3.2系统识别支持向量机设计与构建
支持向量机是一种建立在统计学习理论和结构风险最小化原理基础上的新型学习机器。支持向量机最初是针对二值分类问题提出来的,因为实际问题一般都是多值分类问题,因此需要将其推广到多类问题的划分中[Shi Z,Tang H,Tang Y.A new fixed-point algorithm for independent componentanalysis[J].Neural Computing,2004,56:467-473][Sergiy Vorobyov,Andrzej Cichocki.Blind noisereduction for multi-sensory signals using ICA and subspace filtering,with application to EEG analysis[J].Biological Cybernetics,2002,86(4):293~303][刘鹏,屠康,潘磊庆.基于虚拟仪器和神经网络的禽蛋检测系统设计[J].农业工程学报:2009,25(1):158~160]
在鸡蛋的裂纹研究体系内,可以将裂纹的程度分为正常、外层裂纹、内层裂纹、复合裂纹(表面裂纹,内层裂纹都存在的情况)以及有巨大缺陷的等外样品几种情况(分别用字母a~e表示)。本研究采用“一对多”的分类方法,设计构建4个支持向量机即SVM1、SVM2、SVM3,SVM4组成裂纹的判断器,其逻辑框图如图3所示。其中支持向量判别模型工作过程如下:若SVM1输出为正值,则属于正常鸡蛋;若SVM1输出为负值则进入SVM2,若SVM2输出为正值,则属于外部裂纹鸡蛋;若SVM2输出为负值则进入SVM3,若SVM3输出为正值,则属于内层裂纹鸡蛋;若SVM3输出为负值则进入SVM4,SVM4输出为正值,则属于同时存在内外裂纹的复合裂纹鸡蛋,若SVM4输出为负值则说明该样品为等外样品。
按照每一种裂纹状态都将挑选出一定数量的数据作为裂纹分析和裂纹特征提取数据的原则。先分别提取模型构建组样品的裂纹(包含5种裂纹状态)无损检测参数数据共200组。将其中的5个参数矩阵化后作为裂纹特征向量代入4.1中确定的判别函数F1,F2,F3,F4中。再将以上赋值的判别函数装入支持向量机中;比对模型构建组样品的人工检查结果进行支持向量机训练。支持向量机建模选择LIBSVM软件包[Burges C J C.A tutorial on support vector machines for pattern recognition[J].Data Mining and Knowledge Discovery,1998,2(2):121-169][K.-W.Chang,C.-J.Hsieh,andC.-J.Lin.Coordinate Descent Method for Large-scale L2-loss Linear SVM.Journal of Machine LearningResearch 9(2008),1369-1398]进行。其中支持向量分类类型采用C-SVC结构,核函数类型为多项式。支持向量机训练参数Degree、Gamma、nu、probability分别为3、0.704、0.510、和1。通过训练和构建,得到的模型拟合度为0.9735,且收敛误差在0.0001以内。说明该支持向量模型是可信的,且具有较好好的判别性能。
4模型验证与应用
为了验证建立的裂纹判断支持向量机模块的性能。选择鸡蛋100个样品进行模型验证。具体步骤为:
(1)利用前述3种传感器(机器视觉传感器,声学传感器,气味传感器)按照2.1-2.3中的方法检测鸡蛋,输出无损检测特征参数(Ac,fCV,G/G0 S2,G/G0 S5,G/G0 S8 5个参数)。
(2)利用步骤(1)中提取的裂纹特征参数作为支持向量机的输入参数,代入如图3所示的裂纹判断支持向量机模块进行裂纹识别,并输出判断结果,待用。
(3)将该100个样品进行人工开壳检查,记录其裂纹情况。将(2)中支持向量机裂纹判别结果和人工开壳检测结果进行比对,计算准确率。
经过人工检查,总共输入到分类器中的样本数量是100个(其中25个正常样品、20个外部裂纹样品、25个内层裂纹样品、20个复合裂纹样品,10个等外样品),部分样品的支持向量状态,相关判别分类结果及人工检测结果如表2所示(限于篇幅只列出部分结果)。通过计算表明正常蛋,内层裂纹蛋,等外蛋的多传感器的支持向量判别模型判断结果和人工检查结果完全一致,准确率达到100%。对外层裂纹蛋和复合裂纹蛋各出现了1个和2个误判,准确率分别为95%和90%。出现误判的原因可能是由于仪器测定过程的误差。
表2模型验证结果
Claims (2)
1.一种鸡蛋裂纹的系统性识别方法,其特征在于:
(一)数据采集
1)机器视觉传感器:摄像头为JVC公司的TK-C1380CCD;图像采集卡为加拿大Matrox Meteror-II/Standard;通用图像处理系统Image Sys3.0,摄像头镜头距离样品25cm,每个样品由摄像头可见光环境下采集一幅图像,并传至图像采集卡,图像采集卡将模拟信号变为数字信号后,再由图像处理系统Image Sys3.0,通过“选定图像区域”按钮选择图像所在区域,点击“裂纹面积计算”按钮得到特征参数鸡蛋的裂纹区域像素面积Ac值;
2)声学传感器:波形数据采集卡和SD150频谱信号分析系统型号为SD150,声级计为HS5633A型声级计,敲击棒为PVC材质,长10cm,直径5mm,重15g;采集时,受测鸡蛋沿赤道顺时针方向每90°敲击一次,每次敲击4次,敲击时与样品所在切面呈30°夹角,每次敲击产生10N的力,产生的声波由声级计搜集并通过波形采集卡将模拟声音信号转化为数字声音信号传入电脑,再用SD150的频谱信号分析系统,通过点击“计算最大频率值”按钮得到最大频率值f,再点击“最大频率值变异系数计算”按钮得到敲击蛋壳产生的最大频率值的变异系数fCV;
3)气味传感器:型号为PEN3型电子鼻,进行检测时,将样品置于150mL密闭容器内,将电子鼻检测探针插入容器内,距离样品3cm,电子鼻取样的参数获取最佳时间点为43s,传感器洗脱时间50s,检测时间30s,通过电子鼻自带的智能数据分析软件得到特征参数:2号W5S,5号W5C和8号W2S三个传感器输出的响应值读数:G/G0S2、G/G0S5、G/G0S8,电子鼻输出的响应值读数是根据传感器接触到样品挥发物后的电阻量G与传感器在经过标准活性碳过滤气体的电阻量G0的比值G/G0;
(二)判据构建
将以上得到的Ac,fCV,G/G0 S2,G/G0 S5,G/G0 S8 5个参数依次代入判据模型F1,F2,F3,F4得到相应判别值:其中Min为取最小值运算
F1=Min{(0.001-fCV);(30-Ac);(1.18-G/G0S2);(0.97-G/G0S5);(G/G0S8-1.23)}
F2=Min{(1.18-G/G0S2);(0.97-G/G0S5);(G/G0S8-1.23)}
F3=Min{(0.001-fCV);(30-Ac)}
F4=0.2-fCV
若F1输出为正值,则属于正常鸡蛋;
若F1输出为负值,再看F2值,若F2输出为正值,则判断为外部裂纹鸡蛋;
若F2输出为负值,再看F3值,若F3输出为正值,则判断为内层裂纹鸡蛋;
若F3输出为负值,再看F4值,若F4输出为正值,则判断为同时存在内外裂纹的复合裂纹鸡蛋,
若F4输出为负值,则判断该样品为破裂蛋。
2.根据权利要求1所述的一种鸡蛋裂纹的系统性识别方法,其特征在于:
选择LIBSVM软件包,在Windows XP环境下,将权利要求1所述的判据模型F1~F4编程,构建相应的4个裂纹判断支持向量机模块:SVM1、SVM2、SVM3,SVM4,模块按照顺序关系执行裂纹的判断,
再将权利要求1中所述的5个特征参数Ac、fCV、G/G0S2、G/G0S5、G/G0S8依次代入4个裂纹判断支持向量机模块:SVM1、SVM2、SVM3,SVM4,模块按照顺序关系执行裂纹的判断:
若SVM1输出为正值,则属于正常鸡蛋;
若SVM1输出为负值,再看F2值,若F2输出为正值,则判断为外部裂纹鸡蛋;
若SVM2输出为负值,再看F3值,若F3输出为正值,则判断为内层裂纹鸡蛋;
若SVM3输出为负值,再看F4值,若F4输出为正值,则判断为同时存在内外裂纹的复合裂纹鸡蛋,
若SVM4输出为负值,则判断该样品为破裂蛋。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102247316A CN101915767B (zh) | 2010-07-13 | 2010-07-13 | 一种鸡蛋裂纹的系统性识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102247316A CN101915767B (zh) | 2010-07-13 | 2010-07-13 | 一种鸡蛋裂纹的系统性识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101915767A true CN101915767A (zh) | 2010-12-15 |
CN101915767B CN101915767B (zh) | 2011-10-19 |
Family
ID=43323328
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010102247316A Expired - Fee Related CN101915767B (zh) | 2010-07-13 | 2010-07-13 | 一种鸡蛋裂纹的系统性识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101915767B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102445456A (zh) * | 2011-10-09 | 2012-05-09 | 河海大学常州校区 | 基于dsp机器视觉的鸡蛋品质无损检测装置及检测方法 |
CN102955005A (zh) * | 2011-08-19 | 2013-03-06 | 郑经伟 | 蛋品检测器 |
CN104749249A (zh) * | 2015-03-23 | 2015-07-01 | 中国农业大学 | 一种基于超声波技术的检测种子净度的方法 |
CN104749219A (zh) * | 2013-07-30 | 2015-07-01 | 中国标准化研究院 | 一种基于粒子群算法的支持向量机分类器参数选择的蜂蜜检测方法 |
CN104833724A (zh) * | 2015-04-30 | 2015-08-12 | 江苏大学 | 一种禽蛋蛋壳裂纹检测方法与装置 |
CN108469455A (zh) * | 2017-02-23 | 2018-08-31 | 南京农业大学 | 一种用于草莓新鲜度判别的便携式电子鼻系统的设计及方法 |
CN109596715A (zh) * | 2018-12-18 | 2019-04-09 | 龙口盛福达食品有限公司 | 一种基于霍普菲尔德神经网络的鸡蛋散黄无损检测方法 |
CN110618242A (zh) * | 2018-09-25 | 2019-12-27 | 北京锐康远中科技有限公司 | 一种检测猪肉新鲜度方法 |
CN111257339A (zh) * | 2020-02-25 | 2020-06-09 | 华中农业大学 | 一种基于机器视觉的皮蛋裂纹在线检测方法及检测装置 |
CN114332665A (zh) * | 2022-01-06 | 2022-04-12 | 河北农业大学 | 一种单笼种鸡蛋只识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1804620A (zh) * | 2005-12-30 | 2006-07-19 | 南京农业大学 | 一种禽蛋表面品质检测的方法和装置 |
CN1940555A (zh) * | 2006-09-04 | 2007-04-04 | 江苏大学 | 一种农产品内外品质检测方法及装置 |
JP2007127467A (ja) * | 2005-11-02 | 2007-05-24 | Joichiro Tsuboi | 画像処理による自動検卵装置 |
US20090091744A1 (en) * | 2007-09-07 | 2009-04-09 | Lawrence Kurt C | Egg micro-crack detection systems |
CN101603927A (zh) * | 2009-07-17 | 2009-12-16 | 南京农业大学 | 一种无损检测丰水梨缺陷的装置与用法 |
-
2010
- 2010-07-13 CN CN2010102247316A patent/CN101915767B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007127467A (ja) * | 2005-11-02 | 2007-05-24 | Joichiro Tsuboi | 画像処理による自動検卵装置 |
CN1804620A (zh) * | 2005-12-30 | 2006-07-19 | 南京农业大学 | 一种禽蛋表面品质检测的方法和装置 |
CN1940555A (zh) * | 2006-09-04 | 2007-04-04 | 江苏大学 | 一种农产品内外品质检测方法及装置 |
US20090091744A1 (en) * | 2007-09-07 | 2009-04-09 | Lawrence Kurt C | Egg micro-crack detection systems |
CN101603927A (zh) * | 2009-07-17 | 2009-12-16 | 南京农业大学 | 一种无损检测丰水梨缺陷的装置与用法 |
Non-Patent Citations (2)
Title |
---|
《农业机械学报》 20080131 周平等 基于支持向量机的鸭蛋破损检测技术 195-197,204 1-2 第39卷, 第1期 2 * |
《农业机械学报》 20090331 何丽红等 基于粗糙集与支持向量机的禽蛋蛋壳无损检测 167-171 1-2 第40卷, 第3期 2 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102955005A (zh) * | 2011-08-19 | 2013-03-06 | 郑经伟 | 蛋品检测器 |
CN102955005B (zh) * | 2011-08-19 | 2014-11-05 | 郑经伟 | 蛋品检测器 |
CN102445456B (zh) * | 2011-10-09 | 2013-07-03 | 河海大学常州校区 | 基于dsp机器视觉的鸡蛋品质无损检测装置及检测方法 |
CN102445456A (zh) * | 2011-10-09 | 2012-05-09 | 河海大学常州校区 | 基于dsp机器视觉的鸡蛋品质无损检测装置及检测方法 |
CN104749219A (zh) * | 2013-07-30 | 2015-07-01 | 中国标准化研究院 | 一种基于粒子群算法的支持向量机分类器参数选择的蜂蜜检测方法 |
CN104749249B (zh) * | 2015-03-23 | 2018-03-09 | 中国农业大学 | 一种基于超声波技术的检测种子净度的方法 |
CN104749249A (zh) * | 2015-03-23 | 2015-07-01 | 中国农业大学 | 一种基于超声波技术的检测种子净度的方法 |
CN104833724A (zh) * | 2015-04-30 | 2015-08-12 | 江苏大学 | 一种禽蛋蛋壳裂纹检测方法与装置 |
CN104833724B (zh) * | 2015-04-30 | 2018-11-09 | 江苏大学 | 一种禽蛋蛋壳裂纹检测方法 |
CN108469455A (zh) * | 2017-02-23 | 2018-08-31 | 南京农业大学 | 一种用于草莓新鲜度判别的便携式电子鼻系统的设计及方法 |
CN110618242A (zh) * | 2018-09-25 | 2019-12-27 | 北京锐康远中科技有限公司 | 一种检测猪肉新鲜度方法 |
CN109596715A (zh) * | 2018-12-18 | 2019-04-09 | 龙口盛福达食品有限公司 | 一种基于霍普菲尔德神经网络的鸡蛋散黄无损检测方法 |
CN111257339A (zh) * | 2020-02-25 | 2020-06-09 | 华中农业大学 | 一种基于机器视觉的皮蛋裂纹在线检测方法及检测装置 |
CN114332665A (zh) * | 2022-01-06 | 2022-04-12 | 河北农业大学 | 一种单笼种鸡蛋只识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101915767B (zh) | 2011-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101915767B (zh) | 一种鸡蛋裂纹的系统性识别方法 | |
CN101603927B (zh) | 一种无损检测丰水梨缺陷的装置与用法 | |
CN108711148B (zh) | 一种基于深度学习的轮胎缺陷智能检测方法 | |
CN109919934A (zh) | 一种基于多源域深度迁移学习的液晶面板缺陷检测方法 | |
CN111652883B (zh) | 基于深度学习的玻璃表面缺陷检测方法 | |
CN103984951A (zh) | 一种磁粉检测缺陷自动识别方法及系统 | |
CN108392213B (zh) | 基于绘画心理学的心理分析方法及装置 | |
CN105447506B (zh) | 一种基于区间分布概率特征的手势识别方法 | |
CN108672316A (zh) | 一种基于卷积神经网络的微小零件质量检测系统 | |
CN111753877B (zh) | 一种基于深度神经网络迁移学习的产品质量检测方法 | |
CN114841453A (zh) | 一种浮选过程的精煤灰分预测方法 | |
Hu et al. | Accurate identification strategy of coal and gangue using infrared imaging technology combined with convolutional neural network | |
CN102565074A (zh) | 小张清分机疑似缺陷产品图像复检系统及方法 | |
CN109446964A (zh) | 基于端到端单级多尺度检测器的面部检测分析方法及装置 | |
CN111931573A (zh) | 基于yolo进化深度学习模型的安全帽检测与预警方法 | |
Bawankule et al. | Visual detection of waste using YOLOv8 | |
Nie et al. | Domestic garbage recognition and detection based on Faster R-CNN | |
CN105590330B (zh) | 基于群智感知的室内平面图生成方法、服务器及系统 | |
CN105911000A (zh) | 基于特征波段的血斑蛋在线检测方法 | |
CN115953666B (zh) | 一种基于改进Mask-RCNN的变电站现场进度识别方法 | |
Hu et al. | Research on Online Rapid Sorting Method of Waste Textiles Based on Near-Infrared Spectroscopy and Generative Adversity Network | |
CN112147221A (zh) | 基于超声波探伤仪数据的钢轨螺孔裂纹识别方法及系统 | |
CN116342895A (zh) | 基于ai处理的提升再生资源分拣效率的方法及系统 | |
CN110045691A (zh) | 一种多源异构大数据的多任务处理故障监测方法 | |
CN110555384A (zh) | 基于图像数据的牛肉大理石纹自动分级系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20111019 Termination date: 20210713 |