基于机器视觉的鸡蛋内外品质一体化检测与分级系统

梁 丹 李 平 梁冬泰 陈 兴 吴晓成

（宁波大学机械与力学学院 浙江宁波315211）

近年来，我国禽蛋年总产量已达2.8 千万t，蛋品加工年产值高达到400 亿元，成为我国畜产食品产业中的第二大产业，在国民经济中占有重要地位[1]。在鸡蛋加工、包装中，鸡蛋品质的检测和分级处理尤为重要。鸡蛋品质检测分内部检测和外部检测，主要包括最大横径、最大纵径、蛋形指数和新鲜度等[2]。

国外在鸡蛋无损检测方面的研究起步较早。Elster R T 等[3]最早对鸡蛋的品质特征进行研究，将直方图均衡化和sobel 算子相结合，提取出鸡蛋表面裂纹，实现鸡蛋品质的简单分级，验证了机器视觉进行鸡蛋品质检测的可行性。Yoon S C 等[4]建立了一种压力成像系统，可在不影响鸡蛋质量的前提下检测出含有微裂纹和普通裂纹的鸡蛋。Priyadumkol J 等[5]设计了一种基于改进压力室和机器视觉的鸡蛋裂纹检测系统，提出一种鲁棒裂纹检测算法，采用750 个鸡蛋表面图像进行验证，正确率94%，假阴性率1.67%。国内的段宇飞等[6]采集鸡蛋透射率光谱曲线，利用支持向量回归与鸡蛋哈夫单位值进行定量分析、非线性建模，以提高鸡蛋新鲜度的检测效果。魏萱等[7]利用灰度共生矩阵提取鸡蛋图像纹理特征，进行土鸡蛋裂纹判别，准确度达到96.0%。房盟盟等[8]利用高光谱成像技术，结合化学统计学方法，实现鸡蛋哈氏单位的无损有效检测。

虽然国内外学者在禽蛋质量、色泽、裂纹等方面进行大量研究[9-10]，但是大多针对单品质因素，在内、外多品质因素综合检测方面，还难以达到整体化、集成化、高效率。鉴于此，本文设计出一体化的鸡蛋品质无损检测及分级系统，提出一种基于机器视觉的鸡蛋内外品质实时在线检测方法。综合多品质因素检测结果，按照鸡蛋大小/新鲜度等级标准，实现鸡蛋裂纹、尺寸、新鲜度与品质等级的自动化检测与分级。本文所设计的系统检测精确度较高、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，以及其它农产品的自动化检测与分级。

1 鸡蛋品质检测与分级系统方案

本文设计的鸡蛋检测与分级系统的整体结构如图1所示，包括用于图像采集、样品传输、样品分级、计算机处理的硬件部分，图像采集、图像处理、信号传递通讯、数据处理等软件部分。

图1 鸡蛋品质检测与分级设备整体结构简图Fig.1 The structure of the egg quality inspecting and grading system

图像采集单元Ⅰ如图2所示，主要由彩色CCD 相机、环形LED 光源和遮光箱等组成，用于鸡蛋裂纹、最大横径、最大纵径和蛋形指数等外部品质的检测。使用BASLER acA130-30gc 数字摄像机，Computar H0514-MP 定焦镜头。光源采用MV-LRDS-120-30-R LED 环形红色光源，通过正向照明方式采集鸡蛋正面图像。图像采集单元Ⅱ用于鸡蛋内部品质检测，选择透射性能较好的Philips WHITE P45 的磨砂玻壳LED，采用背向照明的方式，通过CCD 相机获取鸡蛋的彩色透视图。

一级分级单元主要由电磁继电器、衔铁、托盘和一级分级盘等组成，可剔除鸡蛋外部检测有裂纹的鸡蛋，无裂纹的鸡蛋则顺着托盘进入后续图像处理装置，结构如图3所示。二级分级单元先根据尺寸将鸡蛋分成大、小两类，再根据新鲜度分为特级（AA）、甲级（A）、乙（B）级3 类。该分级装置如图4所示，由舵机控制二级分级盘转动，每个转动角度分别指向不同的分级导向通道，将鸡蛋运输到各个分级槽。

图2 鸡蛋外部品质图像采集单元示意图Fig.2 Image acquisition unit diagram of egg external quality

图3 一级分级单元结构简图Fig.3 Unit diagram of the classification unit I

图4 二级分级单元结构简图Fig.4 Unit diagram of the classification unit II

系统的工作原理如图5所示。传输单元将待测鸡蛋传送至图像采集单元Ⅰ，进行外部图像数据采集，并传输至图像处理单元中进行处理，获得裂纹、最大横径、最大纵径和蛋形指数。当鸡蛋传输至一级分级单元时，计算机根据图像处理结果进行裂纹判断，若为裂纹鸡蛋则剔除；若无裂纹，则将鸡蛋继续传输至图像采集单元Ⅱ，完成对鸡蛋内部品质参数的采集、处理、存储、传输等操作，获得新鲜度信息，最后在二级分级单元处，综合内、外多品质因素进行二次分级。

2 鸡蛋品质检测方法

鸡蛋品质无损检测及分级系统采用链传动流水线结构，主要包括外部品质检测、内部品质新鲜度检测和品质自动分级。基于梯度幅度直方图和类间方差最大法进行自动阈值选取，剔除裂纹蛋。采用外接最小矩形法检测鸡蛋轮廓的最大横径与最大纵径，计算蛋形指数，以此将鸡蛋尺寸分为大、小两个等级。基于新鲜度BP 神经网络对新鲜度进行无损检测，训练出鸡蛋新鲜度综合检测模型。根据新鲜度等级分为AA（特级）、A（甲级）、B（乙级）3 个等级。鸡蛋品质检测方法如图6所示。

图5 鸡蛋内、外品质实时在线检测系统原理框图Fig.5 Schematic diagram of the real-time on-line inspecting system of egg internal and external qualities

图6 鸡蛋品质检测与分级示意图Fig.6 Diagram of inspecting and grading system of egg qualities

2.1 鸡蛋图像精准定位

首先将鸡蛋彩色RGB 图像转换为灰度图，进行直方图灰度变换、中值滤波平滑、图像增强、二值化操作等图像预处理，然后搜索像素值为“1”的上、下、左、右4 个边界像素点，找到鸡蛋ROI 区域对图像进行精准定位。分别向图像4 个方向扩大40 个像素点进行剪切，以防止边缘信息丧失。试验结果如图7所示。

图7 鸡蛋图像精准定位Fig.7 Egg image location

2.2 裂纹图像处理

试验获得的图像为BMP（800×600）彩色图，对每枚鸡蛋图像进行灰度转化、平滑处理、锐化处理、图像增强等预处理后，基于梯度幅度直方图和类间方差最大法进行自动阈值选取，阈值分割并提取出裂纹区域，实现对裂纹鸡蛋的判别。

类间方差最大法（Otsu）的基本思想是将图像按照灰度特性分成背景和目标两类，搜索类间方差最大时所对应的阈值为最优阈值，保证阈值分割错分概率最小。设图像中的总像素为N，灰度值区间为[0，L-1]。其中，背景类像素灰度值区间为[0，T]，目标类为[T+1，L-1]，灰度值i 对应的像素数为Ni，其概率为Pi=Ni/N（i=0，1，2，...，L-1），则类间方差公式为：

令T 在区间[0，L-1]内循环取值，搜索使σ2（T）最大的T 值，即最佳阈值。将Canny 算子非极大值抑制后的图像像素分为3 个类别C1，C2，C3，分别包含梯度幅值为{t1，t2，...，tk}、{tk+1，tk+2，...，tm}、{tm+1，tm+2，...，tl}的像素，分别表示原图像中的非边缘点、待判断边缘点、边缘点。设灰度梯度为tj对应的像素数为nj，其概率为pj=nj/N，（j=1，2，...，l）。整个图像的梯度幅值期望为：

发生在C1、C2、C3类内的梯度幅值期望分别为：

上式中，tj，pj，l 为已知，通过搜索σ2（k，m）最大值所对应的tm，pm，可得到区间C1、C2、C3的分界点，即Canny 算子的高低阈值。自适应阈值Canny算法的流程如图8所示。

图8 自适应阈值算法流程图Fig.8 Flow chart of the adaptive threshold algorithm

图像处理流程如图9所示，即a→b→c→d→e→f→g。有裂纹的鸡蛋直接被一级分级单元剔除。

图9 鸡蛋图像处理过程示意图Fig.9 The image process of egg

2.3 鸡蛋尺寸测量

采用外接最小矩形法：以鸡蛋形心为原点建立直角坐标系，通过旋转图像不断搜索并比较上、下、左、右4 个边界像素点构成的矩形高度，当矩形高度达到最大时即所求最小外切矩形。计算最大横、纵径像素长度，算法流程如图10所示。图9h 为使用外接最小矩形法测量得到的鸡蛋尺寸轮廓图像。

图10 外接最小矩形法流程图Fig.10 Flow chart of the external minimumrectangular method

2.4 鸡蛋新鲜度检测

不同贮藏时间的鸡蛋的透视图不同[11]。本文通过图像采集单元Ⅱ采集鸡蛋内部品质信息透射图像，获取透视图颜色信息作为鸡蛋新鲜度判断的特征量。目前，国际上对鸡蛋品质的评价指标主要是鸡蛋新鲜度哈夫值[12]。根据哈夫值Haugh 将鸡蛋分为3 级：Haugh ≥72，特级（AA）；60 ≤Haugh<72，甲级（A）；30≤Haugh<60，乙级（B）。根据公式Haugh=100lg（H+7.57-1.7W037），计算鸡蛋样本哈夫值。

由于RGB 图像受光照条件影响较大，且分量间相关性较高，所以本文将鸡蛋透视图像RGB 颜色特征转换为HSI 特征量，分析哈夫值与透视图H、S、I 分量间关系，建立新鲜度BP 神经网络，并通过试验训练得出两者之间的最优相关。新鲜度BP 神经网络采用3 层前反馈结构，即输入层、隐层和输出层。其中输入层节点数目为3，分别为H、S、I 3 个颜色特征分量；输出层节点数为3，分别对应编码后的哈夫值等级。根据隐含层的经验公式，确定隐层数目m 范围为[10，25]，经仿真确定最佳隐层数目为19。本文取200 枚用于神经网络训练，后取120 枚用于试验验证。本试验的结果输出集为{123}，其中“1”对应特级，“2”对应甲级，“3”对应乙级。

本试验的新鲜度BP 神经网络结构如图11所示，其中，x={x1，x2，x3}为输入，ωjm为输入层第j 个神经元与隐含层第m 个神经元间连接权重 （1≤j≤3，1≤m≤19），ω’mi为隐含层第m 个神经元与输出层第i 个神经元间的连接权重 （1≤i≤3），netm、ym分别为隐含层第m 个神经元的输入和输出，net’i为输出层第i 个神经元的输入，g={g1，g2，g3}为输出。其中：

netm=，ym=f（netm），net′i=∑ω′miym，gi=f（net′i）。

新鲜度BP 神经网络输出层的输出可表示为：

图11 鸡蛋新鲜度BP 神经网络结构Fig.11 The BP neural network structure of the egg freshness

3 试验测试

3.1 裂纹检测结果

以MATLAB 2012b 为试验平台分别采用sobel 算法、Canny 算法、传统Otsu 算法以及本文基于梯度幅度直方图和类间方差最大法的自适应阈值算法进行鸡蛋裂纹、边缘轮廓的检测分析，结果如图12所示。

图12 本文算法与传统算法效果比较Fig.12 The effect comparison of the algorithm in this paper and the traditional algorithms

可以看出，使用sobel 算子、canny 算子方法进行鸡蛋边缘提取时，轮廓易间断。使用传统Otsu算法时外部轮廓可较好地识别，然而效果不佳，轮廓较为模糊。本文方法提取的边缘信息清晰可见，具有较好的连续性和完整性，优于其余几种传统方法。

3.2 模型验证

利用训练好的神经网络，随机选取褐壳鸡蛋140 个，其中裂纹蛋20 个，完整蛋120 个（AA 级30 个，A 级60 个，B 级30 个）进行检验分级，验证系统分级和新鲜度BP 神经网络模型的正确率，结果见表1。检测过程中，采用外接最小矩形法计算蛋形指数，以此将鸡蛋尺寸分为大、小2 个等级。测试样本中，检测算法对裂纹蛋的识别率达98.18%。新鲜度BP 神经网络检测中，AA 级鸡蛋的新鲜度识别正确率为96.67%；A 级鸡蛋新鲜度识别正确率为98.31%；B 级鸡蛋新鲜度识别正确率为96.67%。综合各检测结果，对不同新鲜度等级的鸡蛋品质整体识别正确率为97.48%。分级系统能够准确、快速分级，图像处理单元Ⅰ每张图像的平均处理时间为0.26s，图像处理单元Ⅱ每张图像的平均处理时间为0.13s。

表1 鸡蛋品质无损检测与分级结果Table 1 The results of the non-destructive inspecting and grading system of egg quality

3.3 误差分析

本文设计的鸡蛋新鲜度检测与分级系统，在一级分级系统中剔除裂纹蛋时，鸡蛋表面污渍会对图像处理过程产生干扰，导致个别鸡蛋裂纹识别错误，建议检测前先清洗有污渍的鸡蛋。在检测鸡蛋新鲜度时，设计新鲜度BP 神经网络进行试验，通过200 枚模型样本的训练，得出鸡蛋透视图中H、S、I 颜色特征分量和新鲜度哈夫值的对应关系。从识别正确率看，模型还存在一定的误差，主要原因有：①不同蛋壳厚度、颜色会影响鸡蛋的透光度；②本神经网络训练样本数据较小，应增大训练样本数据量以改善训练正确率。

4 结论

本文基于机器视觉设计出一体化的鸡蛋品质无损检测与分级系统，利用机器视觉算法实现了鸡蛋裂纹、尺寸、新鲜度与品质等级多品质因素的自动化检测与分级。（1）设计的鸡蛋品质检测与分级机构采用流水线结构，主要包括图像采集单元、分级单元、传输单元、图像处理单元和单片机控制单元等；（2）针对微小裂纹难以识别检测的问题，基于梯度幅度直方图和类间方差最大法进行自动阈值选取，对一级分级时的裂纹蛋进行剔除；（3）采用外接最小矩形法对鸡蛋最大横径、最大纵径、蛋行指数进行测量，该方法可检测并判断出鸡蛋的大小，在二级分级系统中进行分级；（4）利用鸡蛋透射图颜色信息的变化与新鲜度指标哈夫单位值间的关系，建立新鲜度BP 神经网络对新鲜度进行分级。试验结果表明，裂纹识别正确率为98.18%，对不同新鲜度等级的鸡蛋品质识别正确率为97.48%。本文所设计的系统检测精确度较高，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，以及其它农产品的自动化检测与分级。