基于聲學的禽蛋裂紋檢測關鍵技術及在線檢測研究.pdf

1、禽蛋是人們日常生活中最富營養(yǎng)的食物之一，同時也是很多其他食物的原材料，在食品行業(yè)中占有舉足輕重的地位。禽蛋表面的裂紋極易引起禽蛋內部細菌感染，嚴重危害食用者的健康，因此，禽蛋裂紋檢測是禽蛋品質檢測生產線中極為重要的一環(huán)。傳統(tǒng)人工檢測禽蛋裂紋的方法檢測精度低、速度慢、容易受人主觀因素影響，已經(jīng)無法滿足高通量在線禽蛋品質檢測生產線的要求，由于禽蛋裂紋檢測自動化難度較大，現(xiàn)已成為制約國內禽蛋品質檢測生產線速度的瓶頸。自動化禽蛋裂紋檢測方法主要

2、有機器視覺法和聲學法兩種，聲學法由于其檢測速度快、信號處理較簡單等特點，已被國外用于在線禽蛋裂紋檢測。
　　本文結合禽蛋的結構特點和生產線環(huán)境特點，研發(fā)了用于禽蛋裂紋檢測的基于電磁激勵的伸縮式激勵機構和基于CompactRIO的信號采集系統(tǒng)，探討了激勵機構敲擊不同大小禽蛋時最優(yōu)的敲擊力及參數(shù)組合，提取了與禽蛋裂紋相關的聲學信號特征，并利用人工神經(jīng)網(wǎng)絡構建判別模型驗證判別效果，設計了基于FPGA+DSP的禽蛋裂紋在線檢測系統(tǒng)，實現(xiàn)對

3、不同運行速度下不同大小禽蛋實施精準的敲擊和24通道聲學信號同步采集與實時分析，并探究了在線檢測系統(tǒng)對完好蛋和裂紋蛋的判別效果。
　　主要研究內容、結果和結論如下:
　　(1)設計了基于電磁驅動的伸縮式禽蛋激勵機構、驅動和信號采集系統(tǒng)，探討了激勵機構敲擊不同大小禽蛋時最優(yōu)的沖擊力。禽蛋激勵機構及系統(tǒng)的研制主要包括:1）分析激勵機構的結構、運行原理、敲擊力影響因素;2）設計激勵機構的驅動電路和聲音信號調理電路;3）開發(fā)基于NI

4、CompactRIO的數(shù)據(jù)采集系統(tǒng)，包括對敲擊力信號和聲音信號的采集與分析。最優(yōu)的沖擊力的探討過程包括:建立了激勵機構敲擊到禽蛋表面的敲擊力與參數(shù)（行程和脈寬）之間的關系，探究了敲擊力的上下限及敲擊不同大小禽蛋時最優(yōu)的敲擊力及參數(shù)組合，最后研究了其他參數(shù)對沖擊力的影響。結果表明:為保證禽蛋被敲擊后不破損，得到敲擊力上限約為30N，為保證激勵機構運行穩(wěn)定，得到敲擊力下限為25 N。在實際應用中，針對不同大小的禽蛋需要調整脈寬將敲擊力控制在

5、上述合適范圍內，禽蛋大小與脈寬的關系為線性關系。
　　(2)分析了敲擊禽蛋產生聲音的特征并進行優(yōu)化。提取了聲學相關的特征26個，用F-ratio值評估單個特征判別裂紋蛋的能力，并用皮爾遜相關系數(shù)對特征兩兩之間的相關關系進行評估，進而對特征參數(shù)進行篩選。分別用所有26個特征和篩選過的特征訓練人工神經(jīng)網(wǎng)絡并對比結果，最后利用新的實驗樣本獲取的特征數(shù)據(jù)對上述訓練好的人工神經(jīng)網(wǎng)絡進行驗證，并探究不同敲擊位置和裂紋位置對檢測準確率的影響。結

6、果表明:1）頻域總能量E0具有最高的F-ratio值2.058，經(jīng)過分析篩選掉F-ratio值小于0.1的特征。并根據(jù)得到的相關系數(shù)，篩選掉相關關系大于0.6的特征對中F-ratio值較小的特征，最后剩余11個特征為:DT、E0、ADF0、DF1、SR、BE1、BE2、BE4、BE5、BE7和BER。2）人工神經(jīng)網(wǎng)絡訓練結果表明兩者綜合檢測準確率分別為99.8％和98.8％，兩者差距很小，因此通過本研究方法對特征進行篩選在大大減少計算量

7、的同時又保證檢測準確率，具有實用意義。3）完好蛋的判別準確率均在90％以上，裂紋蛋的判別準確率與裂紋位置和敲擊位置有關，當敲擊位置和裂紋位置在同一側時檢測準確率較高（90％左右），當敲擊位置與裂紋位置不同時，檢測準確率較低，其中敲擊在赤道時，對大頭和小頭的裂紋的檢測準確率約60％，敲擊在大頭或者小頭時，對赤道裂紋的檢測準確率約60％，而當敲擊位置和裂紋位置分別位于兩端時，檢測能力很弱(30％)。
　　(3)搭建了禽蛋裂紋在線檢測系

8、統(tǒng)。包括:整體機械結構、基于DSP和多傳感器的控制系統(tǒng)、基于FPGA和DSP結合的信號采集與分析系統(tǒng)，實現(xiàn)了對不同運行速度下禽蛋精準敲擊和對不同大小禽蛋實施相同的敲擊，實現(xiàn)24通道聲音信號同步采集和實時分析。對裂紋在線檢測系統(tǒng)的運行狀況進行了測試，結果表明:在線系統(tǒng)運行穩(wěn)定，滿足最快5個/秒的檢測速度，不同敲擊頭敲擊產生的信號基本一致，且對不同大小雞蛋敲擊產生信號也基本一致。
　　(4)在禽蛋裂紋在線檢測系統(tǒng)平臺上，采集了敲擊運動

9、中禽蛋產生的信號，探究了在線檢測系統(tǒng)判別完好蛋和裂紋蛋的效果。分別測試在靜態(tài)系統(tǒng)（詳見第二章）和在線系統(tǒng)（詳見第四章）下訓練的神經(jīng)網(wǎng)絡模型對完好蛋和裂紋蛋的判別效果，之后重新評估和篩選了在線系統(tǒng)下信號的特征參數(shù)，并與靜態(tài)系統(tǒng)下篩選的特征進行對比分析，通過神經(jīng)網(wǎng)絡訓練并驗證重新篩選后的特征參數(shù)的判別效果。結果表明:1）靜態(tài)系統(tǒng)下訓練的神經(jīng)網(wǎng)絡對在線系統(tǒng)中的完好蛋和裂紋蛋判別效果較差（完好蛋53％和裂紋蛋66％）。2）在在線系統(tǒng)下重新訓練神

10、經(jīng)網(wǎng)絡可以提升判別準確率（完好蛋87％和裂紋蛋82％）。3）而對在線系統(tǒng)下信號特征重新評估和篩選，得到的特征參數(shù)為:E0、BE3、BE8、VARt、BER、DT、BE2、SR、BE4，與靜態(tài)系統(tǒng)中篩選得到的特征參數(shù)存在差異。4）用重新篩選的特征訓練的神經(jīng)網(wǎng)絡模型測試在線系統(tǒng)下信號，得到完好蛋和裂紋蛋的判別準確率分別為85.5％和85.3％，判別準確率沒有明顯提升，但是與靜態(tài)系統(tǒng)下判別準確率相差較多。5）在線檢測系統(tǒng)較容易判別裂紋在大頭和