基于聲學(xué)特性和Labview的雞蛋裂紋檢測研究

郭小軍+張海東+王孟+邢志中+陳騰+羅洋

摘要：雞蛋裂紋是評價雞蛋品質(zhì)好壞的重要指標(biāo)之一，為尋求更加直觀可行的雞蛋裂紋檢測的新方法，利用聲學(xué)特性，基于Labview虛擬儀器平臺自行設(shè)計搭建了雞蛋裂紋檢測系統(tǒng)。以雞蛋赤道部位4個點（1、2、3、4）作為敲擊位置，采集獲取雞蛋的聲音信號并進行分析，提取雞蛋最大、最小2個特征頻率（fmax，fmin），并計算其差值Δf（Δf=fmax-fmin），以1 000 Hz作為裂紋雞蛋的識別閾值，分析并剔除裂紋雞蛋，其準(zhǔn)確率達到96.667%。結(jié)果表明，基于聲學(xué)特性和Labview虛擬儀器平臺，對裂紋雞蛋進行裂紋檢測不僅可行，且具有一定的準(zhǔn)確率。

關(guān)鍵詞：雞蛋裂紋；聲學(xué)技術(shù)；Labview；主頻率

中圖分類號：TP274+.3 文獻標(biāo)識碼：A 文章編號：0439-8114（2017）21-4131-06

DOI：10.14088/j.cnki.issn0439-8114.2017.21.034

Detection of Eggs Crack based on Labview and Acoustics Characteristics

GUO Xiao-jun，ZHANG Hai-dong，WANG Meng，XING Zhi-zhong，CHEN Teng，LUO Yang

（Faculty of Mechanic & Electrical Engineering，Yunnan Agricultural University，Kunming 650201，China）

Abstract： Eggs whether there is a crack is one of the important quality of the eggs quality evaluation. Acoustic properties was used，and egg crack detection system was built based on Labview virtual instrument platform，through the collection of eggs to obtain the sound signal and analysis to determine the best hit position，and a new threshold recognition method was used to extract the maximum and minimum（fmax，fmin） two characteristic frequencies of eggs，calculate the difference Δf（Δf=fmax-fmin） between them，put 1 000 Hz as the threshold of crack egg recognition，analysis and removal of cracked eggs. Its accuracy rate reached 96.667%. The results show that based on acoustic characteristics and Labview virtual instrument platform，it is not only feasible，but also has a certain accuracy to identify the cracked eggs.

Key words： eggs crack； acoustic technique； labview； principal frequency

雞蛋裂紋是評價雞蛋品質(zhì)的重要指標(biāo)之一，目前，雖然蛋品加工業(yè)許多環(huán)節(jié)都已逐步實現(xiàn)自動化，但通過人工檢測雞蛋裂紋仍然是普遍存在并使用的方法，這種方法的檢測結(jié)果受人為因素影響大，效率低下且無法實現(xiàn)自動化的高效在線檢測。

鑒于傳統(tǒng)檢測方法的上述不足，近年，有不少學(xué)者利用農(nóng)產(chǎn)品無損檢測技術(shù)[1-3]對蛋品裂紋檢測進行研究。潘磊慶等[4]基于聲學(xué)信號，通過提取雞蛋的4個特征頻率，偏斜度平均值和峰度平均值等6個特征參數(shù)，創(chuàng)建了基于MATLAB的BP神經(jīng)網(wǎng)絡(luò)對雞蛋裂紋進行檢測識別研究，結(jié)果表明，該方法對雞蛋整體的判斷識別精度可達94%；研究者利用計算機視覺技術(shù)[5-7]和神經(jīng)網(wǎng)絡(luò)[8-12]對雞蛋裂紋進行了檢測研究，通過獲取雞蛋的表面圖像并進行處理分析，結(jié)果表明，該方法對整批雞蛋的分級準(zhǔn)確率達到96.8%；李棟等[13]以紅色LED作為光源，通過計算機視覺技術(shù)對雞蛋裂紋進行檢測研究，結(jié)果表明，裂紋雞蛋識別準(zhǔn)確率為93%；吳雪[14]利用結(jié)構(gòu)振動信號對雞蛋裂紋進行了檢測研究，通過頻譜的能量差異對裂紋雞蛋識別判斷；吳蘭蘭等[15]提出一種融合梯度幅值和置信度的雞蛋裂紋檢測新方法，通過提取圖像并對裂紋圖像進行處理，結(jié)果表明該方法能夠克服傳統(tǒng)閾值檢測的缺陷，提高識別準(zhǔn)確率；王樹才等[16]利用聲學(xué)技術(shù)對破損禽蛋進行了檢測和模糊識別，分析了完好蛋、裂紋蛋等多種雞蛋的敲擊響應(yīng)特性，以及響應(yīng)的衰減時間、共振峰頻率的差異等，并利用最大隸屬度原則對裂紋蛋進行模糊識別，取得了95%的識別準(zhǔn)確率；姜瑞涉等[17]將雞蛋敲擊激勵時域響應(yīng)信號轉(zhuǎn)換為頻域信號進行分析，并用于檢測裂紋雞蛋。研究發(fā)現(xiàn)，無裂紋雞蛋的頻域信號極為相近，都存在一個明顯的主頻率值，且峰值突出；而裂紋雞蛋頻域信號峰值較紊亂，基本沒有規(guī)律可循，且裂紋蛋上不同檢測點的頻域特性有較大差異。綜合以上分析，已有的檢測方法大都以聲學(xué)技術(shù)、計算機視覺技術(shù)為研究重點，且都取得了不朽的成果，但要運用到實際中，還需要繼續(xù)更多更廣的探索與研究。

虛擬儀器（Virtual instrument）是以計算機為硬件基礎(chǔ)的儀器，是90年代發(fā)展起來的一項新技術(shù)，它實際上是一個按照儀器需求組織數(shù)據(jù)采集、分析的系統(tǒng)[18，19]。用戶可以通過自行設(shè)計定義，創(chuàng)建虛擬面板等操作來編制替代實體儀器所具有的測試功能，是計算機技術(shù)與儀器技術(shù)相結(jié)合的產(chǎn)物，計算機為其提供硬件平臺，核心是軟件技術(shù)。虛擬儀器突破了傳統(tǒng)儀器在數(shù)據(jù)采集、處理、顯示、存儲等方面的限制，是一個測試和自動化系統(tǒng)的高性能、低成本運載平臺。目前，在這一領(lǐng)域內(nèi)，使用較為廣泛的是美國國家儀器（NI）公司研制開發(fā)的Labview[20-22]（Laboratory Virtual Instrument Engineering Workbench）虛擬儀器平臺，即“軟件等于儀器”。它將儀器全部集成模塊化、集數(shù)據(jù)采集、數(shù)據(jù)處理、軟件開發(fā)為一體，應(yīng)用領(lǐng)域更加廣泛，不僅簡單易操作，而且降低了傳統(tǒng)意義上儀器對硬件技術(shù)開發(fā)的要求，節(jié)約了成本。endprint

鑒于傳統(tǒng)檢測方法的不足及虛擬儀器技術(shù)的快速發(fā)展，本研究擬利用雞蛋殼的聲學(xué)特性，基于Labview虛擬儀器平臺，開發(fā)設(shè)計一個雞蛋聲音信號采集分析處理系統(tǒng)，當(dāng)雞蛋受到敲擊時，獲取雞蛋的聲音響應(yīng)信號，通過分析完好雞蛋與裂紋雞蛋的聲學(xué)特性差異，尋求一種針對裂紋雞蛋快速無損檢測的方法。

1 材料與方法

1.1 雞蛋裂紋檢測系統(tǒng)

為了對雞蛋聲音信號進行采集和分析，本研究專門設(shè)計搭建了一個雞蛋裂紋檢測系統(tǒng)。該系統(tǒng)由硬件和軟件兩部分組成。

硬件系統(tǒng)：本研究自行設(shè)計搭建的硬件系統(tǒng)結(jié)構(gòu)如圖1所示，主要由雞蛋托輥、托輥傳動裝置、敲擊棒、聲音信號采集器（麥克風(fēng)）、聲卡、計算機等組成。敲擊棒為自制的PVC彈性細棒，直徑為10 mm，長度150 mm。試驗時，將受測雞蛋置于一對平行配置的托輥間，使雞蛋長軸基本呈水平狀態(tài)，如圖2所示。驅(qū)動托輥，使雞蛋隨托輥間歇翻轉(zhuǎn)，同時敲擊蛋殼，采集其聲音信號，并傳輸至計算機處理。

軟件系統(tǒng)：本研究所設(shè)計的軟件系統(tǒng)是基于Labview虛擬儀器平臺開發(fā)的，該軟件系統(tǒng)由聲音信號采集儲存模塊和識別模塊兩大部分組成，可同時完成聲音信號采集、存儲、分析處理及裂紋蛋自動報警等功能。圖3為雞蛋聲音信號采集儲存模塊。前面板是一個人機交互界面，可以直接記錄被采雞蛋的序號、數(shù)目、時間，并將其相應(yīng)聲音信號的時域圖和頻域圖直觀的展示出來，同時進行保存。后面板是與前面板相對應(yīng)的程序框。圖4所示為雞蛋裂紋識別模塊。前面板為人機交互界面，可以自動讀取聲音信號并計算雞蛋的閾值，判斷雞蛋是否完好。若為完好雞蛋，面板上的指示燈顯示為綠色，并顯示識別結(jié)果；若為裂紋雞蛋，系統(tǒng)將發(fā)出警報聲，面板上的指示燈變?yōu)榧t色，同時顯示識別結(jié)果。后面板是與前面板相對應(yīng)的程序框。

1.2 試驗材料

試驗所用雞蛋樣本由云南農(nóng)業(yè)大學(xué)養(yǎng)雞場提供，采集產(chǎn)后1～2 d的紅褐色新鮮雞蛋，經(jīng)人工仔細檢查，選取完好雞蛋120枚，分為兩批，每批60枚。第一批用以確定裂紋雞蛋的檢測閾值，第二批用來檢驗?zāi)Ｐ?。雞蛋的基本特征參數(shù)如表1所示。蛋形指數(shù)c為雞蛋長徑最大值（a）與雞蛋短徑最大值（b）的比值，c=a/b。

1.3 方法

1.3.1 樣本敲擊位置的確定 對初步試驗采集到的聲音信號進行觀察以及查閱資料可以發(fā)現(xiàn)，同一個雞蛋的不同位置，雞蛋的聲音信號均有不同。由于雞蛋形狀是近橢球形，在其兩端蛋殼的彎曲較大，而在赤道處則較為光滑平緩。為了尋找最佳的敲擊點，此次試驗選取6個代表點來進行敲擊試驗，如圖5所示，雞蛋大頭、小頭各1個點，記為5、6，雞蛋赤道處相隔90 °各1個點，記為1、2、3、4。介于不同位置聲音信號特征的不同，試驗最終選取赤道處的4個點（1、2、3、4）作為最佳的敲擊位置。

1.3.2 信號采集 每天同一時間（21：00）在同一個僻靜的屋子里，先對樣本雞蛋進行編號，然后將每一個編號后的雞蛋置于托輥上，轉(zhuǎn)動托輥，利用敲擊棒對雞蛋進行輕輕地敲擊，同時通過Labview虛擬儀器平臺所建立的軟件系統(tǒng)對雞蛋不同位置的聲音信號進行采集儲存，以便后續(xù)進行分析。

1.3.3 信號分析 對采集到的聲音信號進行觀察及利用Excel軟件進行統(tǒng)計分析，尋求最佳閾值，建立識別模型并對其進行驗證分析。

2 結(jié)果與分析

2.1 雞蛋聲音信號的時域分析

通過對Labview虛擬儀器平臺上所采集到的樣本雞蛋的聲音信號進行觀察，可以看出完好雞蛋與裂紋雞蛋的時域聲音信號均在極短的時間內(nèi)發(fā)生了衰減，且裂紋雞蛋聲音信號衰減的更加迅速，如圖6所示。這是由于試驗時對雞蛋的敲擊實際上相當(dāng)于給了雞蛋一個尖脈沖信號，隨著時間的推移，完好雞蛋與裂紋雞蛋能量耗散，振動逐漸消失。裂紋雞蛋由于自身結(jié)構(gòu)遭到了破壞，阻尼系數(shù)變大，能量損耗較完好雞蛋更加嚴(yán)重，振動消失的更快，信號衰減更加迅速。但由于時域信號較為混亂，完好雞蛋與裂紋雞蛋的特征信號并不明顯，無法找到合適的閾值進行裂紋識別。因此，避開時域信號的不足，采用頻域信號進行研究。

2.2 雞蛋敲擊試驗點聲音信號的頻域分析

介于時域信號的缺點，基于Labview虛擬儀器平臺，本研究將完好雞蛋時域信號通過快速傅里葉變換（FFT）轉(zhuǎn)換為頻域信號，得到響應(yīng)信號的頻譜，圖7所示為同一完好雞蛋樣品6個不同敲擊位置處的信號響應(yīng)頻譜。

由圖7可以看出，雞蛋赤道部位上的四個點，其敲擊響應(yīng)信號的頻譜圖上都有一個明顯特征峰（共振峰），此特征峰所對應(yīng)的頻率稱為雞蛋的特征響應(yīng)頻率f，也稱為主頻率。觀察圖7可以發(fā)現(xiàn)，雞蛋赤道上4個點的頻譜圖非常相似，它們的主頻率值分別為7 698.027、7 705.215、7 696.233、7 702.296 Hz。而雞蛋大頭和小頭部位的敲擊響應(yīng)頻譜則較為雜亂，沒有明顯的特征波峰。因此，最終決定選取雞蛋赤道部位作為最佳的敲擊位置。

2.3 裂紋雞蛋識別的閾值分析

裂紋雞蛋的識別閾值是進行裂紋雞蛋識別的重要依據(jù)，為了得到合適的閾值，基于Labview虛擬儀器平臺，本研究重新采集得到了裂紋雞蛋最佳敲擊位置（1、2、3、4）處頻譜并進行分析，圖8為敲擊裂紋雞蛋赤道不同位置的信號響應(yīng)頻譜。

從圖8中可以發(fā)現(xiàn)，對于裂紋雞蛋，由于結(jié)構(gòu)剛度被破壞，導(dǎo)致其阻尼系數(shù)增大，在受到外力沖擊時，不僅在敲擊點（1、2、3、4）處產(chǎn)生脈沖振動，在結(jié)構(gòu)被破壞的位置附近都會產(chǎn)生共振，這樣就出現(xiàn)大量共振峰，特征頻率各有不同，有高有低，分散在1 000～9 000 Hz范圍內(nèi)，難以確定，且與完好雞蛋的特征頻率分布范圍7 000～8 000 Hz（圖7）有很大的重疊區(qū)，統(tǒng)計結(jié)果如表2所示。因此，通過特征頻率對裂紋雞蛋進行檢測識別是不可行的。

通過計算完好雞蛋與裂紋雞蛋赤道（1、2、3、4）處各自相應(yīng)的最大主頻率和最小主頻率的差異值，作出散點圖，如圖9所示，同時進行統(tǒng)計分析，結(jié)果如表3所示。endprint

由表3可以看出，裂紋雞蛋的Δf主要分布在 1 200～7 300 Hz范圍內(nèi)，完好雞蛋的Δf<1 000 Hz，裂紋雞蛋Δf總體高于完好雞蛋。從這一點上來看，本研究擬選擇1 000 Hz作為識別裂紋雞蛋的閾值，即Δfc=1 000 Hz。然后建立裂紋蛋的識別準(zhǔn)則：

受測雞蛋=完好雞蛋 Δf≤1 000裂紋雞蛋 Δf>1 000

式中，Δf=fmax-fmin。

2.4 雞蛋裂紋檢測模型的驗證

對剩余的60個樣本雞蛋依次進行驗證，先對它們進行編號，采集其完好狀態(tài)時的聲音信號并進行分析，然后再將雞蛋人工破壞為裂紋雞蛋，再采集它們的聲音信號并進行分析。圖10為驗證集樣本的Δf散點圖，從圖10可以看出，驗證集樣本的Δf呈現(xiàn)與訓(xùn)練集樣本Δf相同的分布，即裂紋雞蛋的Δf大于完好雞蛋的Δf。表4為系統(tǒng)實際識別結(jié)果，從表4可以看出，完好雞蛋的檢出率為100%，裂紋雞蛋除了兩個樣本被判斷為完好雞蛋外，其他均正確識別，準(zhǔn)確率為96.667%。

3 討論

研究對樣本雞蛋進行敲擊響應(yīng)時，赤道部位4個點處的頻率聲音信號均有明顯峰值，而雞蛋兩端（大頭、小頭）的聲音信號則較為混亂，原因可能為雞蛋赤道部位占據(jù)了雞蛋大部分的面積，集中了雞蛋大部分的信息，振動更加平穩(wěn)，而雞蛋兩端則較為偏遠，振動較為渙散，故選取雞蛋赤道部位進行試驗是可行的。

研究基于聲學(xué)特性和Labview虛擬儀器平臺，以1 000 Hz為閾值建立裂紋雞蛋識別模型對裂紋雞蛋進行檢測識別，除了個別樣本被判斷為完好雞蛋外，其他均正確識別，準(zhǔn)確率為96.667%。分析原因可能是因為雞蛋裂紋太微小，敲擊位置又離裂紋區(qū)比較遠所致，故需后續(xù)對更大范圍內(nèi)的樣本進行研究分析，建立一個實用性更強的識別模型。

4 結(jié)論

本研究基于聲學(xué)特性和Labview虛擬儀器平臺，將雞蛋最大、最小兩特征頻率的差值與裂紋雞蛋的識別閾值（1 000 Hz）進行比較，創(chuàng)建了一個直觀可視化的雞蛋裂紋檢測模型，其實際檢測準(zhǔn)確率達到了96.667%。結(jié)果表明，基于聲學(xué)特性和Labview虛擬儀器平臺，對雞蛋進行裂紋檢測不僅可行，且具有一定的識別準(zhǔn)確率。

參考文獻：

[1] 耿榮生，景 鵬.蓬勃發(fā)展的我國無損檢測技術(shù)[J].機械工程學(xué)報，2013，49（22）：1-7.

[2] 馬保全，周正干.航空航天復(fù)合材料結(jié)構(gòu)非接觸無損檢測技術(shù)的進展及發(fā)展趨勢[J].航空學(xué)報，2014，35（7）：1787-1803.

[3] 雷玉蘭.新型無損檢測技術(shù)在壓力管道在線檢測中的應(yīng)用研究[J].科技資訊，2012（23）：1.

[4] 潘磊慶，屠 康，劉 明，等.基于聲學(xué)響應(yīng)和BP神經(jīng)網(wǎng)絡(luò)檢測雞蛋裂紋[J].南京農(nóng)業(yè)大學(xué)學(xué)報，2010，33（6）：115-118.

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

[6] 盧宏濤，張秦川.深度卷積神經(jīng)網(wǎng)絡(luò)在計算機視覺中的應(yīng)用研究綜述[J].數(shù)據(jù)采集與處理，2016，31（1）：1-17.

[7] 楊春陽.多核平臺計算機視覺應(yīng)用并行優(yōu)化關(guān)鍵技術(shù)研究[D].沈陽：東北大學(xué)，2011.

[8] 李 翔，朱全銀.Adaboost算法改進BP神經(jīng)網(wǎng)絡(luò)預(yù)測研究[J].計算機工程與科學(xué)，2013，35（8）：96-102.

[9] 柯福陽，李亞云.基于BP神經(jīng)網(wǎng)絡(luò)的滑坡地質(zhì)災(zāi)害預(yù)測方法[J].工程勘察，2014（8）：55-60.

[10] 羅周全，左紅艷，王爽英，等.基于模糊自適應(yīng)變權(quán)重算法的函數(shù)鏈神經(jīng)網(wǎng)絡(luò)預(yù)測方法[J].中南大學(xué)學(xué)報（自然科學(xué)版），2011， 42（9）：2812-2818.

[11] 馬云龍.基于主成分分析的RBF神經(jīng)網(wǎng)絡(luò)預(yù)測算法及其應(yīng)用[D].長春：吉林大學(xué)，2015.

[12] 王 婷.基于GAPSO算法和RBF神經(jīng)網(wǎng)絡(luò)預(yù)測控制方法的研究[D].太原：太原理工大學(xué)，2015.

[13] 李 棟，賴科星.一種基于機器視覺技術(shù)的雞蛋裂紋檢測[J].電腦知識與技術(shù)，2013，9（7）：1633-1635.

[14] 吳 雪.雞蛋裂紋損傷檢測的聲振分析方法研究[J].食品與機械，2014，30（6）：10-13.

[15] 吳蘭蘭，王巧華，祝志慧，等.融合梯度幅值和置信度的雞蛋裂紋圖像檢測[J].華中農(nóng)業(yè)大學(xué)學(xué)報，2016，35（6）：136-141.

[16] 王樹才，任奕林，陳 紅，等.利用敲擊聲音信號進行禽蛋破損檢測和模糊識別[J].農(nóng)業(yè)工程學(xué)報，2004，20（4）：130-134.

[17] 姜瑞涉，王 俊，陸秋君，等.雞蛋敲擊響應(yīng)特性與蛋殼裂紋檢測[J].農(nóng)業(yè)機械學(xué)報，2005，36（3）：75-79.

[18] 潘 紅.基于虛擬儀器技術(shù)的數(shù)字信號檢測系統(tǒng)研究[D].長春：吉林大學(xué)，2015.

[19] 伍星華，王 旭.國內(nèi)虛擬儀器技術(shù)的應(yīng)用研究現(xiàn)狀及展望[J].現(xiàn)代科學(xué)儀器，2011（4）：112-116.

[20] 汪敏生.LABVIEW基礎(chǔ)教程[M].北京：電子工業(yè)出版社，2002.

[21] 鄒 翔，孫肖子.基于圖形化編程語言LABVIEW虛擬儀器的方法[J].現(xiàn)代電子技術(shù)，2003（1）：36-38.

[22] 戴鵬飛，王勝開.測試工程與LABVIEW應(yīng)用[M].北京：電子工業(yè)出版社，2006.endprint