基于声学特性和Labview的鸡蛋裂纹检测研究

郭小军+张海东+王孟+邢志中+陈腾+罗洋

摘要：鸡蛋裂纹是评价鸡蛋品质好坏的重要指标之一，为寻求更加直观可行的鸡蛋裂纹检测的新方法，利用声学特性，基于Labview虚拟仪器平台自行设计搭建了鸡蛋裂纹检测系统。以鸡蛋赤道部位4个点（1、2、3、4）作为敲击位置，采集获取鸡蛋的声音信号并进行分析，提取鸡蛋最大、最小2个特征频率（fmax，fmin），并计算其差值Δf（Δf=fmax-fmin），以1 000 Hz作为裂纹鸡蛋的识别阈值，分析并剔除裂纹鸡蛋，其准确率达到96.667%。结果表明，基于声学特性和Labview虚拟仪器平台，对裂纹鸡蛋进行裂纹检测不仅可行，且具有一定的准确率。

关键词：鸡蛋裂纹；声学技术；Labview；主频率

中图分类号：TP274+.3 文献标识码：A 文章编号：0439-8114（2017）21-4131-06

DOI：10.14088/j.cnki.issn0439-8114.2017.21.034

Detection of Eggs Crack based on Labview and Acoustics Characteristics

GUO Xiao-jun，ZHANG Hai-dong，WANG Meng，XING Zhi-zhong，CHEN Teng，LUO Yang

（Faculty of Mechanic & Electrical Engineering，Yunnan Agricultural University，Kunming 650201，China）

Abstract： Eggs whether there is a crack is one of the important quality of the eggs quality evaluation. Acoustic properties was used，and egg crack detection system was built based on Labview virtual instrument platform，through the collection of eggs to obtain the sound signal and analysis to determine the best hit position，and a new threshold recognition method was used to extract the maximum and minimum（fmax，fmin） two characteristic frequencies of eggs，calculate the difference Δf（Δf=fmax-fmin） between them，put 1 000 Hz as the threshold of crack egg recognition，analysis and removal of cracked eggs. Its accuracy rate reached 96.667%. The results show that based on acoustic characteristics and Labview virtual instrument platform，it is not only feasible，but also has a certain accuracy to identify the cracked eggs.

Key words： eggs crack； acoustic technique； labview； principal frequency

鸡蛋裂纹是评价鸡蛋品质的重要指标之一，目前，虽然蛋品加工业许多环节都已逐步实现自动化，但通过人工检测鸡蛋裂纹仍然是普遍存在并使用的方法，这种方法的检测结果受人为因素影响大，效率低下且无法实现自动化的高效在线检测。

鉴于传统检测方法的上述不足，近年，有不少学者利用农产品无损检测技术[1-3]对蛋品裂纹检测进行研究。潘磊庆等[4]基于声学信号，通过提取鸡蛋的4个特征频率，偏斜度平均值和峰度平均值等6个特征参數，创建了基于MATLAB的BP神经网络对鸡蛋裂纹进行检测识别研究，结果表明，该方法对鸡蛋整体的判断识别精度可达94%；研究者利用计算机视觉技术[5-7]和神经网络[8-12]对鸡蛋裂纹进行了检测研究，通过获取鸡蛋的表面图像并进行处理分析，结果表明，该方法对整批鸡蛋的分级准确率达到96.8%；李栋等[13]以红色LED作为光源，通过计算机视觉技术对鸡蛋裂纹进行检测研究，结果表明，裂纹鸡蛋识别准确率为93%；吴雪[14]利用结构振动信号对鸡蛋裂纹进行了检测研究，通过频谱的能量差异对裂纹鸡蛋识别判断；吴兰兰等[15]提出一种融合梯度幅值和置信度的鸡蛋裂纹检测新方法，通过提取图像并对裂纹图像进行处理，结果表明该方法能够克服传统阈值检测的缺陷，提高识别准确率；王树才等[16]利用声学技术对破损禽蛋进行了检测和模糊识别，分析了完好蛋、裂纹蛋等多种鸡蛋的敲击响应特性，以及响应的衰减时间、共振峰频率的差异等，并利用最大隶属度原则对裂纹蛋进行模糊识别，取得了95%的识别准确率；姜瑞涉等[17]将鸡蛋敲击激励时域响应信号转换为频域信号进行分析，并用于检测裂纹鸡蛋。研究发现，无裂纹鸡蛋的频域信号极为相近，都存在一个明显的主频率值，且峰值突出；而裂纹鸡蛋频域信号峰值较紊乱，基本没有规律可循，且裂纹蛋上不同检测点的频域特性有较大差异。综合以上分析，已有的检测方法大都以声学技术、计算机视觉技术为研究重点，且都取得了不朽的成果，但要运用到实际中，还需要继续更多更广的探索与研究。

虚拟仪器（Virtual instrument）是以计算机为硬件基础的仪器，是90年代发展起来的一项新技术，它实际上是一个按照仪器需求组织数据采集、分析的系统[18，19]。用户可以通过自行设计定义，创建虚拟面板等操作来编制替代实体仪器所具有的测试功能，是计算机技术与仪器技术相结合的产物，计算机为其提供硬件平台，核心是软件技术。虚拟仪器突破了传统仪器在数据采集、处理、显示、存储等方面的限制，是一个测试和自动化系统的高性能、低成本运载平台。目前，在这一领域内，使用较为广泛的是美国国家仪器（NI）公司研制开发的Labview[20-22]（Laboratory Virtual Instrument Engineering Workbench）虚拟仪器平台，即“软件等于仪器”。它将仪器全部集成模块化、集数据采集、数据处理、软件开发为一体，应用领域更加广泛，不仅简单易操作，而且降低了传统意义上仪器对硬件技术开发的要求，节约了成本。endprint

鉴于传统检测方法的不足及虚拟仪器技术的快速发展，本研究拟利用鸡蛋壳的声学特性，基于Labview虚拟仪器平台，开发设计一个鸡蛋声音信号采集分析处理系统，当鸡蛋受到敲击时，获取鸡蛋的声音响应信号，通过分析完好鸡蛋与裂纹鸡蛋的声学特性差异，寻求一种针对裂纹鸡蛋快速无损检测的方法。

1 材料与方法

1.1 鸡蛋裂纹检测系统

为了对鸡蛋声音信号进行采集和分析，本研究专门设计搭建了一个鸡蛋裂纹检测系统。该系统由硬件和软件两部分组成。

硬件系统：本研究自行设计搭建的硬件系统结构如图1所示，主要由鸡蛋托辊、托辊传动装置、敲击棒、声音信号采集器（麦克风）、声卡、计算机等组成。敲击棒为自制的PVC弹性细棒，直径为10 mm，长度150 mm。试验时，将受测鸡蛋置于一对平行配置的托辊间，使鸡蛋长轴基本呈水平状态，如图2所示。驱动托辊，使鸡蛋随托辊间歇翻转，同时敲击蛋壳，采集其声音信号，并传输至计算机处理。

软件系统：本研究所设计的软件系统是基于Labview虚拟仪器平台开发的，该软件系统由声音信号采集储存模块和识别模块两大部分组成，可同时完成声音信号采集、存储、分析处理及裂纹蛋自动报警等功能。图3为鸡蛋声音信号采集储存模块。前面板是一个人机交互界面，可以直接记录被采鸡蛋的序号、数目、时间，并将其相应声音信号的时域图和频域图直观的展示出来，同时进行保存。后面板是与前面板相对应的程序框。图4所示为鸡蛋裂纹识别模块。前面板为人机交互界面，可以自动读取声音信号并计算鸡蛋的阈值，判断鸡蛋是否完好。若为完好鸡蛋，面板上的指示灯显示为绿色，并显示识别结果；若为裂纹鸡蛋，系统将发出警报声，面板上的指示灯变为红色，同时显示识别结果。后面板是与前面板相对应的程序框。

1.2 试验材料

试验所用鸡蛋样本由云南农业大学养鸡场提供，采集产后1～2 d的红褐色新鲜鸡蛋，经人工仔细检查，选取完好鸡蛋120枚，分为两批，每批60枚。第一批用以确定裂纹鸡蛋的检测阈值，第二批用来检验模型。鸡蛋的基本特征参数如表1所示。蛋形指数c为鸡蛋长径最大值（a）与鸡蛋短径最大值（b）的比值，c=a/b。

1.3 方法

1.3.1 样本敲击位置的确定 对初步试验采集到的声音信号进行观察以及查阅资料可以发现，同一个鸡蛋的不同位置，鸡蛋的声音信号均有不同。由于鸡蛋形状是近椭球形，在其两端蛋壳的弯曲较大，而在赤道处则较為光滑平缓。为了寻找最佳的敲击点，此次试验选取6个代表点来进行敲击试验，如图5所示，鸡蛋大头、小头各1个点，记为5、6，鸡蛋赤道处相隔90 °各1个点，记为1、2、3、4。介于不同位置声音信号特征的不同，试验最终选取赤道处的4个点（1、2、3、4）作为最佳的敲击位置。

1.3.2 信号采集 每天同一时间（21：00）在同一个僻静的屋子里，先对样本鸡蛋进行编号，然后将每一个编号后的鸡蛋置于托辊上，转动托辊，利用敲击棒对鸡蛋进行轻轻地敲击，同时通过Labview虚拟仪器平台所建立的软件系统对鸡蛋不同位置的声音信号进行采集储存，以便后续进行分析。

1.3.3 信号分析 对采集到的声音信号进行观察及利用Excel软件进行统计分析，寻求最佳阈值，建立识别模型并对其进行验证分析。

2 结果与分析

2.1 鸡蛋声音信号的时域分析

通过对Labview虚拟仪器平台上所采集到的样本鸡蛋的声音信号进行观察，可以看出完好鸡蛋与裂纹鸡蛋的时域声音信号均在极短的时间内发生了衰减，且裂纹鸡蛋声音信号衰减的更加迅速，如图6所示。这是由于试验时对鸡蛋的敲击实际上相当于给了鸡蛋一个尖脉冲信号，随着时间的推移，完好鸡蛋与裂纹鸡蛋能量耗散，振动逐渐消失。裂纹鸡蛋由于自身结构遭到了破坏，阻尼系数变大，能量损耗较完好鸡蛋更加严重，振动消失的更快，信号衰减更加迅速。但由于时域信号较为混乱，完好鸡蛋与裂纹鸡蛋的特征信号并不明显，无法找到合适的阈值进行裂纹识别。因此，避开时域信号的不足，采用频域信号进行研究。

2.2 鸡蛋敲击试验点声音信号的频域分析

介于时域信号的缺点，基于Labview虚拟仪器平台，本研究将完好鸡蛋时域信号通过快速傅里叶变换（FFT）转换为频域信号，得到响应信号的频谱，图7所示为同一完好鸡蛋样品6个不同敲击位置处的信号响应频谱。

由图7可以看出，鸡蛋赤道部位上的四个点，其敲击响应信号的频谱图上都有一个明显特征峰（共振峰），此特征峰所对应的频率称为鸡蛋的特征响应频率f，也称为主频率。观察图7可以发现，鸡蛋赤道上4个点的频谱图非常相似，它们的主频率值分别为7 698.027、7 705.215、7 696.233、7 702.296 Hz。而鸡蛋大头和小头部位的敲击响应频谱则较为杂乱，没有明显的特征波峰。因此，最终决定选取鸡蛋赤道部位作为最佳的敲击位置。

2.3 裂纹鸡蛋识别的阈值分析

裂纹鸡蛋的识别阈值是进行裂纹鸡蛋识别的重要依据，为了得到合适的阈值，基于Labview虚拟仪器平台，本研究重新采集得到了裂纹鸡蛋最佳敲击位置（1、2、3、4）处频谱并进行分析，图8为敲击裂纹鸡蛋赤道不同位置的信号响应频谱。

从图8中可以发现，对于裂纹鸡蛋，由于结构刚度被破坏，导致其阻尼系数增大，在受到外力冲击时，不仅在敲击点（1、2、3、4）处产生脉冲振动，在结构被破坏的位置附近都会产生共振，这样就出现大量共振峰，特征频率各有不同，有高有低，分散在1 000～9 000 Hz范围内，难以确定，且与完好鸡蛋的特征频率分布范围7 000～8 000 Hz（图7）有很大的重叠区，统计结果如表2所示。因此，通过特征频率对裂纹鸡蛋进行检测识别是不可行的。

通过计算完好鸡蛋与裂纹鸡蛋赤道（1、2、3、4）处各自相应的最大主频率和最小主频率的差异值，作出散点图，如图9所示，同时进行统计分析，结果如表3所示。endprint

由表3可以看出，裂纹鸡蛋的Δf主要分布在 1 200～7 300 Hz范围内，完好鸡蛋的Δf<1 000 Hz，裂纹鸡蛋Δf总体高于完好鸡蛋。从这一点上来看，本研究拟选择1 000 Hz作为识别裂纹鸡蛋的阈值，即Δfc=1 000 Hz。然后建立裂纹蛋的识别准则：

受测鸡蛋=完好鸡蛋 Δf≤1 000裂纹鸡蛋 Δf>1 000

式中，Δf=fmax-fmin。

2.4 鸡蛋裂纹检测模型的验证

对剩余的60个样本鸡蛋依次进行验证，先对它们进行编号，采集其完好状态时的声音信号并进行分析，然后再将鸡蛋人工破坏为裂纹鸡蛋，再采集它们的声音信号并进行分析。图10为验证集样本的Δf散点图，从图10可以看出，验证集样本的Δf呈现与训练集样本Δf相同的分布，即裂纹鸡蛋的Δf大于完好鸡蛋的Δf。表4为系统实际识别结果，从表4可以看出，完好鸡蛋的检出率为100%，裂纹鸡蛋除了两个样本被判断为完好鸡蛋外，其他均正确识别，准确率为96.667%。

3 讨论

研究对样本鸡蛋进行敲击响应时，赤道部位4个点处的频率声音信号均有明显峰值，而鸡蛋两端（大头、小头）的声音信号则较为混乱，原因可能为鸡蛋赤道部位占据了鸡蛋大部分的面积，集中了鸡蛋大部分的信息，振动更加平稳，而鸡蛋两端则较为偏远，振动较为涣散，故选取鸡蛋赤道部位进行试验是可行的。

研究基于声学特性和Labview虚拟仪器平台，以1 000 Hz为阈值建立裂纹鸡蛋识别模型对裂纹鸡蛋进行检测识别，除了个别样本被判断为完好鸡蛋外，其他均正确识别，准确率为96.667%。分析原因可能是因为鸡蛋裂纹太微小，敲击位置又离裂纹区比较远所致，故需后续对更大范围内的样本进行研究分析，建立一个实用性更强的识别模型。

4 结论

本研究基于声学特性和Labview虚拟仪器平台，将鸡蛋最大、最小两特征频率的差值与裂纹鸡蛋的识别阈值（1 000 Hz）进行比较，创建了一个直观可视化的鸡蛋裂纹检测模型，其实际检测准确率达到了96.667%。结果表明，基于声学特性和Labview虚拟仪器平台，对鸡蛋进行裂纹检测不仅可行，且具有一定的识别准确率。

参考文献：

[1] 耿荣生，景 鹏.蓬勃发展的我国无损检测技术[J].机械工程学报，2013，49（22）：1-7.

[2] 马保全，周正干.航空航天复合材料结构非接触无损检测技术的进展及发展趋势[J].航空学报，2014，35（7）：1787-1803.

[3] 雷玉兰.新型无损检测技术在压力管道在线检测中的应用研究[J].科技资讯，2012（23）：1.

[4] 潘磊庆，屠 康，刘 明，等.基于声学响应和BP神经网络检测鸡蛋裂纹[J].南京农业大学学报，2010，33（6）：115-118.

[5] 潘磊庆，屠 康，苏子鹏，等.基于计算机视觉和神经网络检测鸡蛋裂纹的研究[J].农业工程学报，2007，23（5）：154-158.

[6] 卢宏涛，张秦川.深度卷积神经网络在计算机视觉中的应用研究综述[J].数据采集与处理，2016，31（1）：1-17.

[7] 杨春阳.多核平台计算机视觉应用并行优化关键技术研究[D].沈阳：东北大学，2011.

[8] 李 翔，朱全银.Adaboost算法改进BP神经网络预测研究[J].计算机工程与科学，2013，35（8）：96-102.

[9] 柯福阳，李亚云.基于BP神经网络的滑坡地质灾害预测方法[J].工程勘察，2014（8）：55-60.

[10] 罗周全，左红艳，王爽英，等.基于模糊自适应变权重算法的函数链神经网络预测方法[J].中南大学学报（自然科学版），2011， 42（9）：2812-2818.

[11] 马云龙.基于主成分分析的RBF神经网络预测算法及其应用[D].长春：吉林大学，2015.

[12] 王 婷.基于GAPSO算法和RBF神经网络预测控制方法的研究[D].太原：太原理工大学，2015.

[13] 李 栋，赖科星.一种基于机器视觉技术的鸡蛋裂纹检测[J].电脑知识与技术，2013，9（7）：1633-1635.

[14] 吴 雪.鸡蛋裂纹损伤检测的声振分析方法研究[J].食品與机械，2014，30（6）：10-13.

[15] 吴兰兰，王巧华，祝志慧，等.融合梯度幅值和置信度的鸡蛋裂纹图像检测[J].华中农业大学学报，2016，35（6）：136-141.

[16] 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，2004，20（4）：130-134.

[17] 姜瑞涉，王 俊，陆秋君，等.鸡蛋敲击响应特性与蛋壳裂纹检测[J].农业机械学报，2005，36（3）：75-79.

[18] 潘 红.基于虚拟仪器技术的数字信号检测系统研究[D].长春：吉林大学，2015.

[19] 伍星华，王 旭.国内虚拟仪器技术的应用研究现状及展望[J].现代科学仪器，2011（4）：112-116.

[20] 汪敏生.LABVIEW基础教程[M].北京：电子工业出版社，2002.

[21] 邹 翔，孙肖子.基于图形化编程语言LABVIEW虚拟仪器的方法[J].现代电子技术，2003（1）：36-38.

[22] 戴鹏飞，王胜开.测试工程与LABVIEW应用[M].北京：电子工业出版社，2006.endprint