李棟　賴科星

摘要：為了實現(xiàn)對雞蛋殼裂紋的檢測，提出了一種基于機器視覺技術的雞蛋裂紋檢測系統(tǒng)設計方案，該系統(tǒng)的硬件部分采用紅色LED作為光源，選用背景光照射方式，在封閉的環(huán)境中通過CCD攝像機來獲取單個靜止雞蛋的圖像。軟件部分采用灰度轉換，中值濾波，線性銳化，閾值分割，邊緣輪廓特征提取等手段實現(xiàn)圖像的裂紋檢測，最后基于圖像的數(shù)學特征去除干擾因素，準確定位裂紋。實驗結果表明系統(tǒng)對破損雞蛋檢測的準確率達到了93%。

關鍵詞：裂紋；機器視覺；雞蛋；MATLAB；檢測

中圖分類號：TP18 文獻標識碼：A 文章編號：1009-3044（2013）07-1633-03

蛋類食品具有很高的營養(yǎng)價值，是人們?nèi)粘Ｉ钪械闹饕称?，其品質(zhì)的優(yōu)劣直接決定蛋類產(chǎn)品的質(zhì)量，甚至于影響食用者的健康。我國蛋類產(chǎn)品的市場資源深厚，需求量大，但是在雞蛋生產(chǎn)體系結構中，蛋殼破損檢測方法還很落后，還沒有產(chǎn)品化的自動檢測系統(tǒng)，受鴨蛋表面污點的影響，傳統(tǒng)的檢測設備不能夠正確識別裂紋和污點，除一些大規(guī)模的生產(chǎn)基地分別從荷蘭Hot-Cheers及日本NABEL公司引進檢測生產(chǎn)線，我國絕大部分禽蛋生產(chǎn)企業(yè)仍然沿用人工檢測方法。目前，人工檢測是國內(nèi)外雞蛋破損檢測的主要方法[1]，由于人工檢測生產(chǎn)效率低，勞動強度大，對檢測人員的技術要求高，檢測穩(wěn)定性較差，這些嚴重制約著中國蛋品加工技術的規(guī)?；l(fā)展。據(jù)資料顯示，美國每年因照蛋環(huán)節(jié)造成的雞蛋破損率為5%～8%，經(jīng)濟損失巨大[2]。因此，研究適合我國國情的雞蛋破損檢測設備，提高分揀效率，已經(jīng)成為我國蛋產(chǎn)品制造業(yè)目前及未來亟待解決的問題。機器視覺檢測作為一種主要利用光的透射、折射、反射的原理與蛋殼結構建立一種關系，通過數(shù)學模型建立檢測蛋殼裂紋的方法[3-5]，無疑將極大的推動我國雞蛋檢測事業(yè)的發(fā)展。

1 試驗材料和機器視覺系統(tǒng)硬件設計

本試驗所研究的雞蛋來自于長沙春華皮蛋廠的同一批雞蛋。機器視覺系統(tǒng)硬件部分可概括分為圖像獲取、圖像分析處理以及圖像結果顯示與控制三個部分，主要由LED光源、照蛋器、可散熱暗室、CCD攝像機、圖像采集卡和計算機等環(huán)節(jié)組成。采用紅色LED作為光源，選用背景光照射方式。雞蛋距離光源15cm。在暗室中，光線通過照蛋器上的小孔透射到雞蛋上，CCD攝像機可以采集到雞蛋的正面圖像。裝置圖如圖1所示。

2 圖像分析與處理

試驗獲得的圖像格式為JPG，720×350大小的彩色圖片，圖像分析與處理的流程是灰度轉化，中值濾波，線性銳化，閾值分割，邊緣輪廓特征提取，最終得到試驗結果。

2.1 灰度轉化

在暗室的背景光照射下，裂紋部分與非裂紋部分的亮度有很大的差異，裂紋部分的亮度更強，采集的原圖像的裂紋部分是一條明亮的線條或網(wǎng)狀的明亮區(qū)域。在灰度圖中裂紋部分和雞蛋其他區(qū)域也容易分辨，因此將彩色圖像轉化為灰度圖像，既有易于區(qū)分裂紋，又可以提高圖像的處理速度，并且在后期的圖像處理過程中，期間使用的多個函數(shù)要求文件格式為二維的灰度圖像，而imread函數(shù)讀出的是三維圖像，因此為了前后函數(shù)的兼容，有必要進行灰度轉換。將彩色圖片進行灰度轉化是把彩色圖像中的RGB值轉化為灰度值，RGB圖像是以R、G、B為軸來建立空間直角坐標系，RGB圖像的每個像素的顏色都是用該三維空間的一個點來表示的?；叶葓D像每個像素的顏色可以用直線R=G=B上的一個點來表示。因此RGB圖像轉灰度圖像的本質(zhì)就是尋求一個三維空間到一維空間的映射。在MATLAB仿真軟件中是由公式（1）來實現(xiàn)的，函數(shù)表達式為I=rgb2gray（RGB）。如圖2a所示。

2.2 圖像增強

為了使雞蛋的裂紋尤其是微小裂紋能夠準確快速地識別出來，圖像增強處理是一切工作的基礎，圖像增強能夠顯示那些被模糊了的細節(jié)或簡單突出一幅圖像中我們最感興趣的特征，同時削弱或去除某些不需要的信息。該文采用中值濾波和線性銳化的方法對雞蛋圖像進行增強處理。

2.2.1 中值濾波

蛋殼的結構特點和物理環(huán)境決定了通過CCD攝像機采集到的圖像主區(qū)域上會不可避免的出現(xiàn)與裂紋形狀和結構相類似的部分，這一部分噪聲信號會影響系統(tǒng)對裂紋區(qū)域的識別與判定。中值濾波是一種去除噪聲的非線性處理方法，其基本原理是把數(shù)字圖像中一點的值用該鄰域中各點值的中值代替[6]，利用中值濾波可以消除各種噪聲源和一些干擾引起的虛假的樣品邊緣或輪廓。在MATLAB仿真軟件中，采用I2=medfilt2（I1）函數(shù)，通過3×3的模板返回中值濾波后的圖像矩陣I2[7]。如圖2b所示。

2.2.2 線性銳化

為了更進一步突出裂紋的特征信息，采用圖像銳化處理來突出圖像的邊緣輪廓信息，加強圖像的輪廓特征，以便于機器視覺系統(tǒng)的識別，提高準確率。線性高通濾波器是最常用的線性銳化濾波器，這種濾波器的中心系數(shù)都是正的，而周圍的系數(shù)都是負的。對3×3的模板來說，典型的系數(shù)取值是

在MATLAB仿真軟件中，可采用I2=imfilter（I，h1）函數(shù)實現(xiàn)線性銳化。如圖2c所示。

2.3 閾值分割

閾值分割法是一種基于圖像的分割技術，通過設定不同的特征閾值，把圖像像素點分為若干類。當不同類的物體灰度值或其他特征值相差很大時，它能很有效地對圖像進行分割。在前人的研究基礎上，采用最大類間方差法可以自動計算出最優(yōu)閾值，較灰度直方圖確定閾值的方法其準確率大大提高[8]。在MATLAB仿真軟件中，可以采用thresh=graythresh（I）函數(shù)實現(xiàn)動態(tài)閾值分割。如圖2d所示。

2.4 雞蛋邊緣輪廓特征提取

通過對雞蛋圖像處理，可以得到圖像中裂紋部分和噪聲部分的幾何特征參數(shù)。通過實驗分析可知在帶有污點的雞蛋圖像中，裂紋部分一般呈現(xiàn)線條狀或網(wǎng)狀，污點部分的長寬比較小，裂紋處的數(shù)學特征如數(shù)學期望和方差等與污點有較大差別；污點處的期望值一般小于整幅圖像的平均閾值，而裂紋大于平均閾值，并且污點處的數(shù)值波動比裂紋處的小。

在邊緣檢測中，邊緣定位能力和噪聲抵制能力是一對矛盾體，有的算法邊緣定位能力比較強，有的抗噪能力比較好。邊緣檢測算子參數(shù)的選擇也直接影響到邊緣定位能力和噪聲抵制能力，常用的算子有水平垂直差分算子、Roberts算子、Sobel算子、Prewitt算子[9]、Laplacian算子、LOG算子和Canny算子。Sobel算子對灰度漸變和噪聲較多的圖像處理效果好，且對邊緣定位比較準確，因此選取Sobel算子進行邊緣輪廓特征處理。在MATLAB圖像處理工具箱中提供了edge函數(shù)用于實現(xiàn)Sobel邊緣算子檢測。其調(diào)用格式為I2=edge（I2，'sobel'）。如圖2e所示。

3 試驗結果

本試驗選取150個大小不同，品種相同，有標號的雞蛋作圖像采樣檢測，其中經(jīng)過仔細成熟的人工檢測得知無破損的雞蛋80個，有破損的雞蛋70個 。將機器視覺系統(tǒng)的檢測結果與人工檢測結果進行對比。結果表明，系統(tǒng)的準確率達到了93%。如表1所示。

4 結論

本文建立了一種基于機器視覺技術的雞蛋裂紋檢測系統(tǒng)。通過圖像采集系統(tǒng)收集雞蛋圖像，經(jīng)圖像轉化、圖像增強和特征提取，使用MATLAB編程環(huán)境，能夠較為準確地對雞蛋圖像進行檢測，系統(tǒng)的準確率達到了93%。對干凈的雞蛋能夠準確的檢測，但對于有污點的蛋檢測精度需進一步提高，算法還有待改進。并且本系統(tǒng)現(xiàn)在是停留在實驗室條件下，對靜止對象進行拍攝和檢測，下一步要實現(xiàn)整個檢測系統(tǒng)的整體設計，力爭在工業(yè)現(xiàn)場實現(xiàn)傳動系統(tǒng)和檢測系統(tǒng)的同步。

參考文獻：

[1] 姜瑞涉，陸秋君，王俊. 雞蛋品質(zhì)檢測的研究現(xiàn)狀及其展望[J].糧油加工與食品機械，2002（11）：33-35.

[2] Bain M M.Eggshell structure and mechanical strength[C].In Proc 8th Australian Poultry and Feed Convention，Gold Coast：Australia，1990.

[3] 趙鵬.機器視覺理論及應用[M].電子工業(yè)出版社，2011：1-2.

[4] 潘磊慶，屠康，蘇子鵬，等.基于計算機視覺和神經(jīng)網(wǎng)絡檢測雞蛋裂紋的研究[J].農(nóng)業(yè)工程學報，2007，23（5）：154-158.

[5] 潘磊慶，屠康，詹歌，等.基于計算機視覺和聲學響應信息融合的雞蛋裂紋檢測[J].農(nóng)業(yè)工程學報，2010，26（11）：332-337.

[6] 周品，李曉東. MATLAB數(shù)字圖像處理[M].清華大學出版社，2012：232-236.

[7] 張錚，王艷平，薛桂香.數(shù)字圖像處理與機器視覺——Visual C++與Matlab實現(xiàn)[M].人民郵電出版社，2010，4：156-158.

[8] 王樹文，張長利，房俊龍.基于計算機視覺的番茄損傷自動檢測與分類研究[J].農(nóng)業(yè)工程學報，2005，21（5）：98-101.

[9] 彭輝，姚雅娟，文友先，等.基于圖像投影變換的雞蛋破損檢測[J].農(nóng)業(yè)工程學報，2010，49（3）：694-697.