一种鸡蛋裂纹的系统性识别方法

专利名称：一种鸡蛋裂纹的系统性识别方法
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M。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-C1380CXD ；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A。值)特征参数 鸡蛋裂纹图像区域面积A。(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ION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fCT ；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/ Gcis8，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Gtl的比值G/G。；(二)判据构建
5
将以上得到的A。，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A。、fCT、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SVMl输出为正值，则属于正常鸡蛋；若SVMl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

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
五具体实施例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
6
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800X600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A。值)特征参数鸡蛋 裂纹图像区域面积A。(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fCT ；[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°C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(Gtl)的比值(G/GJ，其敏感性为lcm3/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/&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 = {A。， fcv, G/G052 , G/G0S5, G/Gos8I3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A。， fCT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fCT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
8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
口 、
m ) ο3. 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SVMl输出为正值，则属于正常鸡蛋；若SVMl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
9and Knowledge Discovery,1998,2(2) 121-169][K. -ff. 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(A。，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
10
权利要求
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Α。、 、6/‘2、6Α^5、GAicis8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SVMl输出为正值，则属于正常鸡蛋；若SVMl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。
全文摘要
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。
文档编号G01N29/12GK101915767SQ20101022473
公开日2010年12月15日 申请日期2010年7月13日 优先权日2010年7月13日
发明者刘鹏, 屠康 申请人:南京农业大学