張 健 崔英杰

(黃淮學(xué)院，河南 駐馬店 463000)

目前雞蛋裂紋檢測方法主要分為有損檢測、無損檢測。聲波信號(AS)是典型的有損檢測方法[1]，雖然檢測速度比較快，但是蛋殼在檢測中由于受到了機械振動，很容易產(chǎn)生二次破裂。無損檢測通過采集雞蛋圖像進行外部檢測，不會對雞蛋產(chǎn)生破壞，主要方法有：① 利用神經(jīng)網(wǎng)絡(luò)(Neural Network，NN)對分割出的雞蛋裂紋圖像區(qū)域識別，該法準確率較高，并且泛化功能和魯棒性較好[2]，但對微小裂紋檢測時正確率較低；② 利用雞蛋圖像紋理特征(ITF)對雞蛋裂紋進行檢測[3]，與神經(jīng)網(wǎng)絡(luò)算法相比方法相對簡單，但對復(fù)雜裂紋不易檢測；③ 小波模極大值法(WMM)對裂紋明顯的邊緣能達到較好的效果[4]，但會丟失雞蛋裂紋的弱邊緣信息；④ 遺傳算法(GA)通過遺傳編碼提高了裂紋區(qū)域范圍較大的檢測準確度[5]，但易將噪聲誤判為雞蛋裂紋邊緣；⑤ 均值聚類(MC)算法實現(xiàn)較簡單[6]，但對灰度幅值較小的雞蛋裂紋檢測存在圖像邊緣不連續(xù)，導(dǎo)致斷開現(xiàn)象發(fā)生。

粒子群(PSO)算法具有可調(diào)參數(shù)少，可以全局搜索最優(yōu)解等優(yōu)點，有研究學(xué)者[7]使用粒子群神經(jīng)網(wǎng)絡(luò)方法識別種蛋成活性，但是粒子群算法對雞蛋裂紋檢測還未見報道。為了使該方法適用于對復(fù)雜、微小裂紋的檢測，研究擬采用改進粒子群算法(IPSO)，通過余弦函數(shù)、正態(tài)分布調(diào)節(jié)慣性權(quán)重，粒子反向?qū)W習(xí)過程避免了過早收斂，對雞蛋圖像自適應(yīng)閾值分割后進行增強，以期獲得最佳檢測視覺結(jié)果。

1 改進粒子群算法

1.1 基本粒子群算法

基本粒子群算法中粒子個體l在時刻t+1的第d維空間速度和位置更新公式：

(1)

式中：

c1、c2——加速系數(shù)，c1∈[0,4]、c2∈[0,4]；

w——慣性權(quán)重；

r1、r2——隨機數(shù)，r1∈[0,1]、r2∈[0,1]；

粒子個體在算法運行后期會停滯在局部最優(yōu)值周圍，導(dǎo)致粒子個體不能獲得全局最優(yōu)值，出現(xiàn)數(shù)據(jù)坍塌現(xiàn)象，無法收斂，因此需改進基本粒子群算法以解決粒子早熟現(xiàn)象的發(fā)生。

1.2 改進粒子群算法策略

1.2.1 動態(tài)調(diào)整慣性權(quán)重 粒子群算法中慣性權(quán)重w主要功能是調(diào)節(jié)全局搜索、局部尋優(yōu)，w值過大不利于后期局部尋優(yōu)，過小不利于前期全局搜索；w通過線性遞減方法也不利于算法的運行，特別是如果檢測復(fù)雜的雞蛋裂紋，檢測效果較差[8]。因此，需要增加迭代初期的全局搜索范圍和減少迭代后期的局部索搜范圍，動態(tài)調(diào)整慣性權(quán)重策略：

(2)

式中：

tmax——最大迭代次數(shù)；

wmax、wmin——慣性權(quán)重最大、最小值；

φ——調(diào)整因子，φ∈(0,1)；

N(0,1)——正態(tài)分布。

w通過第1項、第2項最小慣性權(quán)重和余弦函數(shù)調(diào)節(jié)，第3項利用正態(tài)分布調(diào)整慣性權(quán)重整體取值分布，φ主要是控制w的偏離程度，這樣使w取值分布更趨于合理，慣性權(quán)重動態(tài)調(diào)整隨迭代次數(shù)變化如圖1所示。

從圖1可以看出，在開始時刻w值為0.9，此時增加了粒子的飛翔范圍，具有較大的搜索空間；w隨迭代次數(shù)t增加逐漸減小，最終穩(wěn)定在0.4，方便了后期的局部尋優(yōu)。

圖1 慣性權(quán)重動態(tài)調(diào)整隨迭代次數(shù)變化

1.2.2 反向?qū)W習(xí) 反向?qū)W習(xí)利用種群初始最差值和個體歷史最差值的拉動效應(yīng)，防止粒子落入極值陷阱，快速找到全局最優(yōu)位置，在反向?qū)W習(xí)過程中，調(diào)整粒子的飛行速度以便于粒子尋化。

(3)

式中：

μ——均值；

σ2——方差；

γ——擾動因子。

反向?qū)W習(xí)過程中的粒子速度更新公式：

(4)

式中：

c3、c4——加速因子，c3∈[0,4]、c4∈[0,4]；

r3、r4——隨機數(shù)，r3∈[0,1]、r4∈[0,1]；

正常尋優(yōu)粒子與反向?qū)W習(xí)粒子對比收斂如圖2所示。

從圖2可以看出，反向?qū)W習(xí)粒子通過反向?qū)W習(xí)比正常尋優(yōu)粒子更早地獲得了最佳收斂值，節(jié)省了時間。

圖2 正常尋優(yōu)粒子與反向?qū)W習(xí)粒子對比收斂

2 雞蛋裂紋獲取

2.1 基于自適應(yīng)閾值的雞蛋圖像分割

由于雞蛋形狀差異性導(dǎo)致雞蛋圖像不具有相同性，如果采用固定閾值則不能將雞蛋分割出來，因此根據(jù)雞蛋圖像灰度值采用自適應(yīng)閾值進行雞蛋圖像分割，將預(yù)分割圖像分為雞蛋區(qū)域和背景區(qū)域，雞蛋區(qū)域所占像素點個數(shù)與整個圖像比值為X0，雞蛋區(qū)域平均灰度值是Y0；背景區(qū)域所占像素點個數(shù)與整個圖像比值為X1，背景區(qū)域平均灰度值是Y1，同時整個圖像的平均灰度為Y，雞蛋區(qū)域與背景區(qū)域的類間方差為Z，則：

(5)

采用遍歷的方法使類間方差Z最大，即目標與背景的差異性最大，則此時閾值T即是最佳分割閾值。

2.2 基于改進中值濾波的雞蛋表面暗斑去除

有些雞蛋表面存在大小不一的暗斑點，背光照射使點狀暗斑、線狀暗斑的斑點非常明顯，這些暗斑形成的陰影會干擾裂紋檢測，因此需去除雞蛋裂紋周圍的暗斑點，同時要盡量減少對裂紋區(qū)域的影響。經(jīng)典中值濾波屬于非線性濾波技術(shù)，較小的中值濾波窗口能保護雞蛋裂紋圖像的細節(jié)信息，但對雞蛋暗斑點噪聲的去除效果不好；較大的中值濾波窗口對暗斑點噪聲有較好的過濾效果，但會使雞蛋裂紋區(qū)域變模糊。為了避免中值濾波窗口尺寸難于選擇的缺陷，對其改進如下：假設(shè)Wij為中心在(i,j)處的濾波窗口，W0為濾波初始窗口大小，Wmax為允許的最大窗口，設(shè)fij為(i,j)處的灰度值，fmax為Wij的最大灰度值，fmin為Wij的最小灰度值，favg為Wij的灰度中值。若當窗口Wij非噪點數(shù)量≥8時，用窗口中值替代噪點；窗口Wij非噪點的數(shù)量<8，則窗口大小增加2，則進行如下步驟：

2.3 雞蛋裂紋增強

由于獲取雞蛋圖像是在背光照射下，因此雞蛋裂紋部分的明亮度要強于其他部分，裂紋會形成中間亮、兩邊暗的條狀條紋，裂紋部分像素的灰度值明顯高于背景像素的灰度值，但是背光照射下雞蛋表面也會產(chǎn)生亮度不均勻現(xiàn)象，同時雞蛋表面非常微小裂紋即使在背光透射照明下也不易檢出，因此需對其進行增強[9]。試驗通過非完全Beta函數(shù)F(u)對雞蛋裂紋進行增強：

(6)

式中：

B(α,β)——Beta函數(shù)，α∈(0,10)，β∈(0,10)。

對雞蛋區(qū)域圖像每個像素進行歸一化變換：

(7)

式中：

Lmax、Lmin——分割后雞蛋區(qū)域的最大、最小灰度值。

對歸一化雞蛋區(qū)域圖像中的每個像素利用非完全Beta函數(shù)F(u)進行處理：

(8)

根據(jù)雞蛋區(qū)域圖像灰度值對區(qū)域中的每個像素反變換得到最終增加圖像：

(9)

式中：

當α、β取得最佳組合值時，雞蛋裂紋增強效果才最好，因此參數(shù)α、β組合問題即可轉(zhuǎn)為粒子算法優(yōu)化處理。

粒子對雞蛋裂紋增強的適應(yīng)度函數(shù)設(shè)為：

F=(H+S+D)/3，

(10)

式中：

H——熵值；

S——邊緣內(nèi)容；

D——灰度標準方差。

2.4 算法流程

(1) 粒子群初始化，隨機產(chǎn)生粒子個體。

(2) 計算粒子的適應(yīng)度值。

(3) 輸入待檢測雞蛋裂紋圖像。

(4) 按照式(4)進行更新粒子，若更新后適應(yīng)度值大于原來個體最優(yōu)值，則將該粒子位置作為個體最優(yōu)值，若更新后粒子適應(yīng)度值大于原來全局最優(yōu)值，則將該粒子位置作為全局最優(yōu)值。

(5) 判斷是否達到迭代停止條件，連續(xù)5次迭代的全局最優(yōu)值相同或達到最大迭代次數(shù)，則進行步驟(6)，否則進行步驟(4)。

(6) 輸出檢測結(jié)果。

3 試驗仿真

試驗仿真中計算機配置為Intel Core i5-9400，集成顯卡，內(nèi)存8 GB，Matlab2007實現(xiàn)編程，粒子群總數(shù)為300，迭代最大次數(shù)設(shè)置為600，c1=c2=c3=c4=2。

3.1 視覺效果分析

從圖3、4可以看出，試驗算法對雞蛋網(wǎng)狀裂紋、線形裂紋圖像均能檢測出裂紋，并且裂紋邊緣清晰，一定程度增強了雞蛋的裂紋信息，抑制了斑點噪聲，視覺效果較好，其他算法檢測雞蛋裂紋出現(xiàn)斷紋以及錯誤檢測，不能將雞蛋裂紋信息提取出來，同時對復(fù)雜的網(wǎng)狀裂紋檢測錯誤較多，非明顯的線形裂紋則斷紋較多。

圖3 不同算法對雞蛋網(wǎng)狀裂紋檢測的視覺效果

圖4 不同算法對雞蛋線形裂紋檢測的視覺效果

3.2 不同裂紋正確檢測率分析

從圖5可以看出，明顯的線形裂紋、網(wǎng)狀裂紋檢測正確率要高于非明顯的線形裂紋、網(wǎng)狀裂紋，這是因為裂紋越復(fù)雜，裂紋的交叉點越多，越不容易檢測，但是試驗算法IPSO的不同裂紋正確檢測率均高于其他算法，相比AS、NN、ITF、WMM、PSO、GA、MC檢測明顯的線形裂紋分別高出0.93%，3.31%，5.60%，6.17%，7.37%，8.82%，11.63%；檢測明顯的網(wǎng)狀裂紋分別高出0.74%，3.07%，5.06%，6.13%，7.19%，8.80%，11.01%；檢測非明顯的線形裂紋分別高出1.87%，2.14%，4.53%，4.67%，6.85%，8.80%，10.17%；檢測非明顯的網(wǎng)狀裂紋分別高出1.23%，1.79%，3.37%，4.54%，6.50%，8.07%，10.12%。

圖5 不同裂紋正確檢測率

4 結(jié)論

針對雞蛋裂紋圖像檢測問題，通過余弦函數(shù)、反向?qū)W習(xí)優(yōu)化粒子群，將雞蛋圖像分割后進行增強，以消除微小

裂紋在背光透射照明下不易檢出的缺陷。結(jié)果表明，試驗算法對雞蛋網(wǎng)狀裂紋、線形裂紋圖像均能檢測出裂紋，并且裂紋邊緣清晰，明顯的線形裂紋、網(wǎng)狀裂紋正確檢測率分別為96.4%，94.7%，非明顯的線形裂紋、網(wǎng)狀裂紋正確檢測率分別為89.2%，87.5%，高于其他算法。試驗只針對常見的雞蛋裂紋進行識別，后續(xù)將對復(fù)雜、多變、無規(guī)則的雞蛋裂紋圖像進行識別。