基于图像纹理特征的土鸡蛋微裂纹无损检测

魏 萱, 何金成, 郑书河, 叶大鹏

(福建农林大学机电工程学院，福建 福州 350002)

基于图像纹理特征的土鸡蛋微裂纹无损检测

魏 萱, 何金成, 郑书河, 叶大鹏

(福建农林大学机电工程学院，福建 福州 350002)

为了提高土鸡蛋表面微裂纹检测的准确度和效率，提出一种基于图像纹理特征的土鸡蛋微小裂纹无损检测方法.利用工业相机对150枚土鸡蛋采集数字图像，采用高斯滤波、灰度变换等方法对土鸡蛋图像进行预处理；利用灰度共生矩阵进一步提取图像纹理特征，将纹理特征参数作为不同分类器包括簇类独立软模式法、线性判别分析(linear discriminant analysis, LDA)和偏最小二乘支持向量机输入，进行土鸡蛋有无裂纹判别.结果表明，采用图像纹理特征参数建立的土鸡蛋有无裂纹LDA模型判别准确度最高，达到96.0%.

土鸡蛋; 裂纹; 机器视觉; 纹理特征; 无损检测

鸡蛋含有大量的维生素、矿物质以及具有高生物价值的蛋白质，是人类常食用的食品.随着人民生活水平的提高，消费者对高端蛋品，尤其是土鸡蛋的需求日益增强.中国是禽蛋生产和消费大国，年产禽蛋数量极大，但禽蛋在打包、运输和贮藏阶段，极易因磕碰而产生裂纹，使微生物进入禽蛋内部，严重影响禽蛋的品质，并带来安全性问题，因此，蛋壳裂纹是禽蛋检测的重要品质指标之一[1].传统的人工照蛋法应用最为广泛.这种方法不仅效率低，精确度差，且极易对禽蛋造成二次损伤；同时，鸡蛋表面微小裂纹采用传统方法也难以分辨，鸡蛋品质无法保证.

近年来，为了适应禽蛋产业的快速发展，国内外学者对禽蛋裂纹检测的方法进行了探索与研究，并取得了一些研究成果.目前主要有声学检测[2-5]、机器视觉检测等检测技术[6,7].在机器视觉方面，Wang et al[8]利用偏振成像技术检测裂纹，其验证实验精确度达到94%；Omid et al[9]利用基于组合模糊逻辑和机器视觉技术的智能系统对鸡蛋进行分级，其裂纹检测正确率为94.5%，但蛋壳厚度等因素会出现错判；潘磊庆等[10]基于计算机视觉技术和BP神经网络技术对禽蛋裂纹进行检测研究，对裂纹禽蛋的识别准确率达到了92.9%；Li et al[7]设计18 kPa的真空压力系统迫使微裂纹张开，然后采用机器视觉检测,正确率达到100%.目前，利用机器视觉进行土鸡蛋小裂纹的研究相对还比较少.尤其是微小裂纹，直接进行一般的图像提取与分割等处理容易丢失裂纹信息，检测具有一定难度.

本文建立基于图像纹理特征的机器视觉土鸡蛋裂纹无损检测方法，通过人为制造小裂纹，利用工业相机获取有裂纹与无裂纹土鸡蛋的图像信息，对比分析其在特定区域的图像纹理特征；建立土鸡蛋裂纹检测的判别模型，对土鸡蛋实现快速高效的无损检测，旨在为进一步开发在线检测分级设备和便携式检测仪器提供依据.

1 材料与方法

1.1 材料与仪器

新鲜土鸡蛋200枚，纱布清洁表面后依次编号1～200， 保存于温度为(24±0.5) ℃、湿度为80%的恒温恒湿环境室.

光源：LED环形光源.功率：1.1 W.型号：KW-R3215，上海楷威光电科技有限公司生产；

工业相机：Sunway 3.0 USB，有效像素为4384×3288，中国显微科技(深圳)有限公司生产.

1.2 裂纹蛋获取

试验所有土鸡蛋样品经清洗表面污斑后通过人工仔细检查，均为无裂纹土鸡蛋.人为制造微小裂缝.本研究中将单条裂纹且长度<1.5 cm的裂纹视为微裂纹.由于人为制造裂纹有一定难度，根据研究目标进行筛选，最后对75枚无裂纹土鸡蛋和75枚裂纹土鸡蛋进行图像的采集与处理.

1.3 图像采集

图1 土鸡蛋图像获取装置Fig.1 The system for egg image acquisition

图像采集装置主要由黑色背景布、蛋托、光照暗箱、光源、工业相机、图像采集卡和电脑等组成.CCD摄像头采集前保持土鸡蛋表面清洁，减小蛋壳上污迹和斑点对图像的影响.在密闭的光照暗室内，采用LED环形光源，光源的打光方式为亮视野，利用放置在顶部的CCD摄像头对土鸡蛋正反两面的图像进行采集.试验装置如图1所示.

1.4 数据处理

1.4.1 纹理信息提取 图像的灰度共生矩阵(gray level co-occurrence matrix, GLCM)是通过研究灰度的空间相关特性来描述纹理的常用方法[11].如用f(x,y)表示灰度图像在像素点(x,y)处的灰度值，则GLCM可表示为[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是像素的坐标;Δx、Δy为偏移矢量；m和n为像素点的灰度值；d为生成步长即2个像素点的距离，本研究选取1；θ为生成方向，本研究选取0°.

表1 灰度共生矩阵提取纹理特征Table 1 Extraction of textural features from GLCM

为了减小冗余信息和计算量，本研究选取了4个纹理特征，分别为自相关、对比度、能量和同质性.几种纹理特征计算方法如表1所示[13].

其中，P(i,j)是归一化后的灰度共生矩阵元素；

μx=∑i∑ji·P(i,j)，μy=∑i∑jj·P(i,j)，

1.4.2 判别模型 采用3种判别方法，即簇类独立软模式法(soft independence modeling of class analogy, SIMCA)、线性判别分析(linear discriminant analysis, LDA)和偏最小二乘支持向量机(least squares support vector machine, LS-SVM)进行裂纹蛋识别.

SIMCA是由主成分分析方法发展而来的模式识别方法，基本思路是对每一种类别建立1个PCA模型，然后通过计算未知样本与PCA模型的距离进行判别分析[14].LDA也称为Fisher′s线性判别，是模式识别的经典方法，它通过将高维的模式样本投影到最佳鉴别矢量空间以抽取分类信息[15].LS-SVM是标准支持向量机(SVM)的扩展，它使用等式约束代替了SVM中的不等式约束，将二次规划问题转化为可用最小二乘法求解的线性方程组求解，降低了计算复杂性，提高了求解速度[16,17].

2 结果与分析

2.1 图像预处理

利用工业相机拍摄土鸡蛋表面图像，可采集到1 944×2 594大小的彩色图像，得到的图片示例见图2.

图2 工业相机摄取的土鸡蛋样本图像Fig.2 Sample images captured by industrial cameras

将工业相机采集的图片通过图像采集卡传输到PC机中，利用MATLAB软件对图像进行处理.为了减小计算量，提高运算速度，首先对得到的图像进行双三次插值的算法处理，处理后的图片大小为800×1 200.经过前期对比处理，结果表明采用高斯低通滤波处理对提升图像质量的效果最为明显.因此选取高斯低通滤波进行去噪处理.随后经过图像增强处理以提高图像质量、丰富信息量、加强图像判读和识别效果，然后进行灰度变换，完成图像预处理[18,19]，结果见图3.

图3 经过预处理之后的裂纹蛋样本图像Fig.3 The preprocessed images of cracked eggs

2.2 纹理信息提取与分类识别

在灰度图像中裂纹区域截取图像像素为250×250的局部信息.图4是有裂纹蛋和无裂纹蛋4种纹理特征值的对比图，可以看出，直接从单一纹理特征值对裂纹蛋和无裂纹蛋进行判别分析比较困难.因此将4种纹理特征值作为LDA、SIMCA和LS-SVM3种分类器的输入.将样本按照2∶1划分为建模集和预测集，即分别为100个和50个样本，由此建立裂纹蛋判别模型，其结果如表2所示.从表2可见，LDA模型的识别效果最好，建模集和预测集正确判别率(correct classification rate, CCR)达到96.0%，LS-SVM次之，SIMCA的结果最差.其中，采用SIMCA方法，部分样本尚未判断出类别，表明在该方法中，裂纹蛋与完好蛋纹理信息提取出的主成分不足以对两类鸡蛋样本进行准确的判别，建模集和预测集判别正确率分别为68.0%和66.0%.结果表明本研究提出的算法具有一定的可行性.

图4 无裂纹与有裂纹鸡蛋不同纹理参数平均值对比图Fig.4 Comparison on average value of textural feature parameters for intact and cracked eggs

模型类别建模集01预测集01LDA04732411149124CCR%96.096.0SIMCA032-15-1-36-18CCR%68.066.0LS-SVM04732321248124CCR%95.094.0

1)0表示完好蛋;1表示裂纹蛋;“—”表示未判别出是哪一类.

3 小结

本研究利用机器视觉与数字图像处理对土鸡蛋微裂纹进行建模与评价分析.提出了利用鸡蛋灰度共生矩阵提取图像纹理信息，通过建模分析进行裂纹蛋识别.结果表明建立的土鸡蛋微裂纹检测算法的准确率达96.0%，说明该算法的精确度较高，结构简单，执行速度快，可应用于禽蛋养殖场的规模化在线检测.

[1] 孙力,蔡健荣,李雅琪,等.禽蛋蛋壳品质无损检测方法研究进展[J].中国农业科技导报,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] 罗慧,闫思蒙,卢伟,等.基于力—声学特性的鸡蛋微小裂纹在线检测方法[J].农业机械学报,2016,47(11):224-230.

[5] 王巧华,邓小炎,文友先.鸡蛋敲击响应的奇异性特征与蛋壳裂纹多层检测[J].农业机械学报,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,谭佐军,等.基于偏振光和聚类分析的皮蛋壳裂纹无损检测[J].农业机械学报,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.

[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] 王昊鹏,李慧.基于局部二值模式和灰度共生矩阵的籽棉杂质分类识别[J].农业工程学报,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,王长缨,等.基于圆弧的原木轮廓的识别与验证[J].福建农林大学学报(自然科学版),2016,45(6):649-654.

[19] 郭瑞,安凤平,宋洪波,等.过热蒸汽膨化青苹果组织结构的定量分析[J].福建农林大学学报(自然科学版),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

福建省自然科学基金资助项目(2017J05041);福建农林大学现代农林装备及其自动化创新平台(612014017).

魏萱(1987-)，女，讲师，博士.研究方向：农业测控技术与智能装备.通讯作者叶大鹏(1971-)，男，教授，博士.研究方向：现代农业智能装备及自动化.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

(责任编辑:叶济蓉)