殼蛋品質(zhì)質(zhì)量分級(jí)技術(shù)的研究進(jìn)展和發(fā)展趨勢(shì)

李文康,劉 雪,*,杜 娟,陳 余,王 梁

(1.中國(guó)農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院,北京 100083;2.北京市畜牧總站,北京 100107)

禽蛋營(yíng)養(yǎng)價(jià)值豐富,是居民膳食營(yíng)養(yǎng)中蛋白質(zhì)的主要來源之一。禽蛋產(chǎn)量中雞蛋所占比例最大,約85%左右[1]。我國(guó)是雞蛋生產(chǎn)和消費(fèi)大國(guó),自1985年我國(guó)雞蛋產(chǎn)量就超越美國(guó)居于世界第一,并呈逐年遞增趨勢(shì),30多年以來一直保持領(lǐng)先地位[2]。2016年我國(guó)雞蛋產(chǎn)量約2631萬噸,比2015年增長(zhǎng)3.2%[3]。目前,我國(guó)居民禽蛋消費(fèi)以殼蛋為主,約占蛋品消費(fèi)的90%以上[4]。

歐美及日本等發(fā)達(dá)國(guó)家市場(chǎng)殼蛋的分級(jí)已經(jīng)非常成熟,美國(guó)的農(nóng)業(yè)部農(nóng)產(chǎn)品銷售局頒布的文件AMS 56《美國(guó)殼蛋品質(zhì)、重量分級(jí)標(biāo)準(zhǔn)》、加拿大的《加拿大農(nóng)產(chǎn)品法》和日本頒布的日本工業(yè)標(biāo)準(zhǔn)(JIS)等法規(guī)都明確規(guī)定了殼蛋必須經(jīng)過清洗消毒、分級(jí)包裝,符合衛(wèi)生標(biāo)準(zhǔn)后才能進(jìn)入市場(chǎng)。但是由于傳統(tǒng)消費(fèi)和技術(shù)等原因,我國(guó)殼蛋的清洗、分級(jí)和包裝等問題還沒有得到根本解決,大部分殼蛋基本都未經(jīng)過任何加工處理便直接進(jìn)入市場(chǎng)[1],這與發(fā)達(dá)國(guó)家相比存在很大差距,嚴(yán)重制約了我國(guó)禽蛋的生產(chǎn)和消費(fèi)質(zhì)量。隨著居民生活水平的提高和對(duì)食品安全的關(guān)注,消費(fèi)者對(duì)殼蛋的大小、顏色、形狀和營(yíng)養(yǎng)價(jià)值等的需求越來越多樣[5-6],對(duì)殼蛋質(zhì)量安全的要求也越來越高。

傳統(tǒng)的殼蛋分級(jí)方法是通過外觀檢查和光照鑒定收集殼蛋質(zhì)量信息做出分級(jí)評(píng)定,但檢測(cè)誤差大、效率低,隨著現(xiàn)代計(jì)算機(jī)技術(shù)和信息技術(shù)的迅速發(fā)展與應(yīng)用,計(jì)算機(jī)視覺技術(shù)、聲學(xué)特性檢測(cè)技術(shù)、電特性檢測(cè)技術(shù)、動(dòng)力學(xué)檢測(cè)技術(shù)、氣味特性檢測(cè)技術(shù)和光譜檢測(cè)技術(shù)等在殼蛋品質(zhì)質(zhì)量檢測(cè)中已經(jīng)得到廣泛應(yīng)用。圍繞殼蛋品質(zhì)質(zhì)量分級(jí),國(guó)內(nèi)外學(xué)者已經(jīng)開展了大量的應(yīng)用研究。

本文以殼蛋品質(zhì)質(zhì)量指標(biāo)為出發(fā)點(diǎn),就殼蛋品質(zhì)質(zhì)量參數(shù)的獲取技術(shù)和數(shù)據(jù)處理分析模型進(jìn)行了梳理,并對(duì)未來殼蛋分級(jí)技術(shù)的研究和應(yīng)用方向進(jìn)行了展望。

1 殼蛋品質(zhì)質(zhì)量指標(biāo)

殼蛋的品質(zhì)質(zhì)量指標(biāo)較多,可以分為質(zhì)量指標(biāo)、外部品質(zhì)指標(biāo)和內(nèi)部品質(zhì)指標(biāo)三類。

1.1 質(zhì)量指標(biāo)

重量是最直觀、最常用的殼蛋分級(jí)指標(biāo)[1]。目前我國(guó)市場(chǎng)上銷售的分級(jí)雞蛋多是采用重量分級(jí)。普通雞蛋的重量一般在45～65 g之間,我國(guó)SB/T10638標(biāo)準(zhǔn)根據(jù)雞蛋單枚重量將其分XL、L、M、S四個(gè)級(jí)別[7]。

1.2 殼蛋外部品質(zhì)指標(biāo)

殼蛋外部品質(zhì)指標(biāo)是針對(duì)殼蛋外部可觀特征進(jìn)行定義、描述而制定的品質(zhì)指標(biāo),主要包括蛋形、清潔度和蛋殼破損度。外部品質(zhì)指標(biāo)可直觀反映殼蛋品質(zhì),是選購(gòu)鮮蛋時(shí)的主要依據(jù)。

1.2.1 蛋形 蛋形用于反映殼蛋形狀的規(guī)則程度,一般以規(guī)則的橢圓形為標(biāo)準(zhǔn)[7]。美國(guó)農(nóng)業(yè)部要求可食用雞蛋中A級(jí)及以上級(jí)別雞蛋形狀規(guī)則,B級(jí)雞蛋允許輕微變形[8]。我國(guó)SB/T10638標(biāo)準(zhǔn)[7]規(guī)定各級(jí)雞蛋都需呈現(xiàn)規(guī)則的卵圓形。

1.2.2 清潔度 清潔度由蛋殼上有無污漬和污漬面積大小來判斷,蛋殼上的污漬不僅會(huì)影響殼蛋品質(zhì),還會(huì)大大降低消費(fèi)者購(gòu)買欲。美國(guó)農(nóng)業(yè)部要求其所有進(jìn)入市場(chǎng)的雞蛋都必須經(jīng)過清洗殺菌,外殼干凈無污漬[8]。我國(guó)也要求包裝雞蛋蛋殼清潔,無肉眼可見污染。

1.2.3 破損度 蛋殼上的裂紋大小和有無漏液反應(yīng)雞蛋破損度,蛋殼破損會(huì)導(dǎo)致細(xì)菌進(jìn)入,直接影響雞蛋的貨架期和可食用性[9]。美國(guó)和我國(guó)都要求市場(chǎng)上的包裝雞蛋無破損[7-8]。

1.3 殼蛋內(nèi)部品質(zhì)指標(biāo)

殼蛋內(nèi)部品質(zhì)指標(biāo)用于反映蛋白、蛋黃和胚胎等的品質(zhì),可以較好地表征雞蛋新鮮度等。

1.3.1 哈夫單位 哈夫單位是根據(jù)蛋重和濃蛋白高度按公式計(jì)算得到的值,是反映雞蛋新鮮度的主要指標(biāo)。哈夫單位計(jì)算公式如下[10]:

HU=100lg(H-1.7m0.37+7.6)

式中,HU為哈夫單位值,H為濃蛋白高度,m為雞蛋重量。美國(guó)農(nóng)業(yè)部雞蛋哈夫單位分級(jí)要求為:AA級(jí)哈夫單位值不小于72,A級(jí)為60到72之間(包括60),B級(jí)哈夫單位值小于60[8]。

1.3.2 蛋黃指數(shù) 蛋黃狀態(tài)指蛋黃的形狀規(guī)則度、輪廓清晰度和可否移動(dòng)等狀態(tài),可以反映雞蛋新鮮度,用蛋黃系數(shù)來表征。蛋黃系數(shù)計(jì)算公式:蛋黃指數(shù)=蛋黃高度(mm)/蛋黃直徑(mm)[11],隨著存儲(chǔ)時(shí)間的增加,蛋黃高度降低,直徑變大,所以蛋黃指數(shù)越大,蛋黃狀態(tài)越好,雞蛋新鮮度越好。

1.3.3 異物 殼蛋內(nèi)的異物主要是由于蛋雞疾病或營(yíng)養(yǎng)物質(zhì)缺乏等原因產(chǎn)生的血斑和肉斑等物質(zhì)[12],異物較大或數(shù)量多時(shí)會(huì)導(dǎo)致雞蛋不可食用。美國(guó)農(nóng)業(yè)部[8]明確規(guī)定其AA級(jí)和A級(jí)雞蛋內(nèi)血斑直徑應(yīng)小于3.2 mm,我國(guó)SB/T10638標(biāo)準(zhǔn)要求雞蛋中無血斑肉斑等異物[7]。

1.3.4 氣室高度 氣室由殼蛋的內(nèi)外蛋殼膜包圍而成,氣室高度是反映殼蛋新鮮度的重要指標(biāo)。新鮮殼蛋氣室高度一般小于3 mm[9],存放時(shí)間越久,水分和CO2揮發(fā)越多,氣室高度越大。

1.3.5 蛋白狀態(tài) 蛋白狀態(tài)指蛋白的濃厚度和透明度等狀態(tài),可用蛋白系數(shù)表征,蛋白系數(shù)是殼蛋蛋清中濃蛋白與稀蛋白的比值[7]。隨著殼蛋的存放,濃蛋白會(huì)在蛋白酶的作用下分解,導(dǎo)致蛋白系數(shù)減小。蛋白越濃厚透明,蛋白系數(shù)越高,殼蛋新鮮度越好。

1.3.6 胚胎發(fā)育情況 種蛋在存放過程中可能會(huì)產(chǎn)生胚胎發(fā)育現(xiàn)象,直接影響殼蛋的可食用性。市場(chǎng)上流通的殼蛋應(yīng)無明顯胚胎發(fā)育跡象[7-8]。

根據(jù)以上敘述可以看出,殼蛋品質(zhì)質(zhì)量指標(biāo)有很多,各國(guó)殼蛋分級(jí)標(biāo)準(zhǔn)中都有所規(guī)定,而其中蛋重、哈夫單位、蛋黃指數(shù)、異物和破損度等被公認(rèn)為反映殼蛋品質(zhì)的重要表征指標(biāo)[13-15]。

2 殼蛋品質(zhì)質(zhì)量指標(biāo)獲取技術(shù)

殼蛋品質(zhì)質(zhì)量指標(biāo)信息的獲取是進(jìn)行殼蛋分級(jí)的基礎(chǔ)。傳統(tǒng)的指標(biāo)獲取方法是在光照條件下通過人眼獲取指標(biāo)信息,高度依賴人的感官和經(jīng)驗(yàn),檢測(cè)效率低、誤差大。隨著計(jì)算機(jī)技術(shù)、信息獲取和分析技術(shù)的發(fā)展,新型指標(biāo)獲取技術(shù)逐漸發(fā)展起來,根據(jù)采用的技術(shù)手段不同,新型指標(biāo)獲取技術(shù)可以分為聲學(xué)特性檢測(cè)技術(shù)、電特性檢測(cè)技術(shù)、動(dòng)力學(xué)檢測(cè)技術(shù)、氣味特性檢測(cè)技術(shù)、光譜檢測(cè)技術(shù)和計(jì)算機(jī)視覺技術(shù)六種。

2.1 聲學(xué)特性檢測(cè)技術(shù)

聲學(xué)特性檢測(cè)的原理是建立樣品在聲波作用下的反射、散射等特性及阻尼、衰減系數(shù)、共振頻率與樣品品質(zhì)之間的相關(guān)關(guān)系,進(jìn)行品質(zhì)特征檢測(cè)[16]。對(duì)殼蛋的檢測(cè)是利用殼蛋被敲擊時(shí)所產(chǎn)生的聲波或殼蛋在聲波作用下的反射、吸收等特性,頻譜分析聲波與殼蛋某一指標(biāo)的相互關(guān)系進(jìn)行蛋品質(zhì)檢查,常被應(yīng)用于殼蛋外部品質(zhì)指標(biāo)的檢測(cè),如破損度等。蛋殼出現(xiàn)裂紋時(shí),其剛度和阻尼系數(shù)會(huì)發(fā)生變化[17],進(jìn)而導(dǎo)致振動(dòng)特性的變化。一般情況下,完整的蛋殼聲音清脆,破損蛋殼則比較沉悶沙啞[18]。Li P等[19]通過雞蛋敲擊裝置獲取振動(dòng)脈沖信號(hào),檢測(cè)雞蛋裂縫情況,經(jīng)對(duì)比發(fā)現(xiàn)裂紋蛋和完好蛋的振動(dòng)信號(hào)有很大不同,并以此為依據(jù)判別裂紋蛋正確率達(dá)到95%。林顥[20]等通過多點(diǎn)全面敲擊殼蛋,采集分析敲擊響應(yīng)信號(hào),檢測(cè)裂紋蛋,結(jié)果顯示系統(tǒng)對(duì)裂紋蛋的識(shí)別正確率達(dá)到92%,證明利用聲學(xué)特性可以進(jìn)行裂紋檢測(cè)具有一定的可靠性。

2.2 電特性檢測(cè)技術(shù)

利用電特性進(jìn)行樣品檢測(cè)的原理是建立樣品電磁特性和內(nèi)在成分的聯(lián)系,檢測(cè)樣品品質(zhì)[21]。利用電特性技術(shù)進(jìn)行雞蛋內(nèi)部品質(zhì)指標(biāo)如蛋黃系數(shù)的研究較多,如孫俊等[22]采用平行極板法測(cè)量雞蛋在1～200 kHz下的介電特性參數(shù),分析雞蛋的介電特性變化規(guī)律,預(yù)測(cè)蛋黃指數(shù)進(jìn)而反映雞蛋新鮮度。L. Ragni等[23]進(jìn)行了雞蛋電容電壓比與哈夫單位、氣室高度、蛋黃指數(shù)等指標(biāo)的關(guān)系研究,預(yù)測(cè)結(jié)果決定系數(shù)在0.64～0.85之間。張蕾[24]利用自制的雞蛋介電特性測(cè)試裝置檢測(cè)雞蛋介電常數(shù)隨存儲(chǔ)天數(shù)的變化曲線,建立介電常數(shù)與蛋黃指數(shù)的關(guān)系,證明了蛋黃指數(shù)與介電常數(shù)、電容之間有極顯著的相關(guān)性,為利用介電特性無損檢測(cè)雞蛋新鮮度提供了可能。

2.3 動(dòng)力學(xué)特性檢測(cè)技術(shù)

受到激勵(lì)后,物體會(huì)作強(qiáng)迫振動(dòng),并且振動(dòng)隨系統(tǒng)內(nèi)部結(jié)構(gòu)的不同而變化。隨著存放時(shí)間的增長(zhǎng),殼蛋蛋黃膜系帶彈性減弱,蛋黃粘度降低,水樣蛋白增加,蛋黃和蛋白的表面張力和粘度隨之降低,表現(xiàn)為蛋內(nèi)部液體運(yùn)動(dòng)阻尼比增加[25]。動(dòng)力學(xué)特性檢測(cè)蛋品質(zhì)原理就是通過分析雞蛋的振動(dòng)信號(hào),得到不同新鮮度雞蛋的自由振動(dòng)衰減曲線,從而發(fā)現(xiàn)殼蛋品質(zhì)的判斷規(guī)律[26]。龍翔等[27]就利用雞蛋振動(dòng)力學(xué)特性,構(gòu)建了基于ARM核的雞蛋新鮮度動(dòng)態(tài)信號(hào)測(cè)試系統(tǒng),動(dòng)態(tài)采集雞蛋的振蕩信號(hào),利用雞蛋阻尼系數(shù)的變化反映新鮮程度,驗(yàn)證了利用振動(dòng)法進(jìn)行雞蛋新鮮度檢測(cè)的可行性。

2.4 氣味特性檢測(cè)技術(shù)

電子鼻是基于氣味進(jìn)行食品品質(zhì)檢測(cè)的無損檢測(cè)技術(shù)。作為一種智能感官儀器,電子鼻模擬人類嗅覺系統(tǒng)通過氣味指紋信息對(duì)氣體或揮發(fā)性成分做定性或定量檢測(cè),以實(shí)現(xiàn)樣品的品質(zhì)鑒定[28]。由于細(xì)菌的分解作用,殼蛋的蛋白質(zhì)、卵磷脂分解為肽和氨基酸,進(jìn)一步分解產(chǎn)生H2S和胺類等有異味的物質(zhì)[29],利用電子鼻檢測(cè)可反映蛋類揮發(fā)成分的整體信息[30]。劉明等[30]利用德國(guó)AIRSENSE公司PEN3型電子鼻對(duì)20 ℃,70%相對(duì)濕度條件下的羅曼雞蛋進(jìn)行了氣味檢測(cè),證明了利用氣味檢測(cè)雞蛋新鮮度的可行性。英國(guó)學(xué)者Dutta R等[31]利用電子鼻采集雞蛋氣味,進(jìn)而對(duì)雞蛋新鮮度進(jìn)行分級(jí),分級(jí)精度達(dá)到95%。另外劉鵬等[32]還將電子鼻和機(jī)器視覺兩種傳感器在特征層進(jìn)行融合,大大提高了雞蛋新鮮度判別精度,準(zhǔn)確率平均值達(dá)到92.6%。

2.5 光譜檢測(cè)技術(shù)

光譜檢測(cè)原理是光照射到物體上,發(fā)生表面反射,內(nèi)部散射、吸收或透射等現(xiàn)象,這幾部分光所占比例的大小取決于物體表面情況、內(nèi)部成分、折射率和入射光波長(zhǎng)等因素[33]。通過模型建立光譜與雞蛋品質(zhì)之間的關(guān)系,既可用于殼蛋指標(biāo)的定性判別,也可用于定量分析[34]。可見光[35-36]、紫外光[37]、近紅外光譜[38-40]和高光譜[41-44]等各個(gè)波段都在殼蛋品質(zhì)指標(biāo)獲取方面有所應(yīng)用。徐惠榮等[13]利用自制的雞蛋內(nèi)部品質(zhì)光譜檢測(cè)系統(tǒng)采集雞蛋可見/近紅外光譜信息,對(duì)褐殼雞蛋的血斑情況進(jìn)行檢測(cè),血斑蛋判別正確率達(dá)91%,該方法可用于褐殼蛋的血斑檢測(cè)。Abdel-Nour等[35]利用可見/近紅外光譜掃描儀獲取雞蛋411～1729 nm的光譜信息對(duì)雞蛋哈夫單位和蛋白質(zhì)量進(jìn)行檢測(cè),經(jīng)驗(yàn)證,決定系數(shù)(R2)分別為0.9和0.79,均方根誤差(RMSEV)分別為0.06和5.05。Alessandro等[45]將近紅外光譜技術(shù)應(yīng)用于雞蛋新鮮度的檢測(cè),采用傅里葉變換近紅外光譜儀掃描雞蛋的漫反射光譜,通過光譜分析識(shí)別雞蛋存儲(chǔ)時(shí)間正確率達(dá)到90%以上。

2.6 計(jì)算機(jī)視覺技術(shù)

計(jì)算機(jī)視覺技術(shù)是基于圖像的數(shù)字識(shí)別技術(shù)發(fā)展起來的新興技術(shù)[46],涉及人工智能、計(jì)算機(jī)科學(xué)、圖像處理、模式識(shí)別等多個(gè)領(lǐng)域,不僅是人眼的延伸,還具有智能識(shí)別的功能,可以適應(yīng)農(nóng)產(chǎn)品品質(zhì)復(fù)雜和多樣性的要求,在農(nóng)產(chǎn)品品質(zhì)檢驗(yàn)領(lǐng)域具有廣闊的發(fā)展空間。在殼蛋分級(jí)方面,已有學(xué)者在殼蛋蛋形[47]、破損度[14]、重量[22]、清潔度[48]、異物[49-50]和哈夫單位[51]等方面展開大量研究。近些年來,隨著計(jì)算機(jī)視覺技術(shù)的發(fā)展,樣本圖像不僅僅可來源于可見光區(qū)域[47],還可以來自紫外、近紅外、紅外、X射線等光譜區(qū)域[16]。Omid等[52]利用計(jì)算機(jī)視覺技術(shù)對(duì)雞蛋形狀和破損度進(jìn)行識(shí)別,正確率分別達(dá)到95%和98%。王巧華等[53]利用基于可見光的計(jì)算機(jī)視覺裝置和Matlab軟件獲取雞蛋顏色參數(shù),通過實(shí)驗(yàn)獲得雞蛋的新鮮度指標(biāo)(哈夫單位值),得到雞蛋新鮮度與其圖像顏色參數(shù)之間的最優(yōu)關(guān)系。

以上六種主要的指標(biāo)獲取技術(shù),根據(jù)不同的檢測(cè)原理可以獲取不同的品質(zhì)質(zhì)量指標(biāo)。聲學(xué)特性檢測(cè)技術(shù)研究較早,多用于殼蛋外部品質(zhì)指標(biāo)如破損度的檢測(cè)[54-56],電特性和動(dòng)力學(xué)檢測(cè)技術(shù),適用于殼蛋內(nèi)部品質(zhì)指標(biāo)的檢測(cè)如哈夫單位和蛋黃系數(shù)等[22,27]。光譜和計(jì)算機(jī)視覺技術(shù)都可獲取大量數(shù)據(jù),可以同時(shí)檢測(cè)多個(gè)殼蛋品質(zhì)和質(zhì)量指標(biāo)如蛋重[22]、哈夫單位[38-40]、異物[49-50]和破損度等[52]。電子鼻技術(shù)依據(jù)殼蛋的氣味特性多被應(yīng)用于哈夫單位的檢測(cè)[30-32]。隨著研究的深入,很多學(xué)者進(jìn)行了多檢測(cè)技術(shù)的集成應(yīng)用研究[32],集成技術(shù)的應(yīng)用克服了單一技術(shù)特異性高、數(shù)據(jù)單一的缺點(diǎn),促進(jìn)了多品質(zhì)和質(zhì)量指標(biāo)的綜合檢測(cè),并提高了殼蛋分級(jí)的準(zhǔn)確性和可靠性。表1對(duì)參數(shù)獲取技術(shù)的原理、特點(diǎn)和適用指標(biāo)等信息進(jìn)行了整理。

表1 殼蛋品質(zhì)質(zhì)量指標(biāo)參數(shù)獲取技術(shù)的應(yīng)用Table 1 Application of shell eggs quality parameter acquisition technologies

3 殼蛋品質(zhì)質(zhì)量指標(biāo)分析模型

殼蛋常用的品質(zhì)質(zhì)量指標(biāo)如蛋重、哈夫單位、蛋黃指數(shù)、破損度等都有其適用的測(cè)算分析模型。

3.1 蛋重測(cè)算模型

3.1.1 線性回歸模型 姜松[15]和張世慶等[58]都利用雞蛋的長(zhǎng)軸、短軸和體積參數(shù)構(gòu)建線性回歸模型計(jì)算雞蛋重量。長(zhǎng)軸短軸利用計(jì)算機(jī)圖像獲取,標(biāo)準(zhǔn)橢球體積公式計(jì)算雞蛋體積。

V=πLB2/6

式中,V為雞蛋體積,L為長(zhǎng)軸,B為短軸。經(jīng)過圖像去噪處理及分析,得到雞蛋質(zhì)量回歸模型。

m=1.07V

利用該模型進(jìn)行雞蛋質(zhì)量檢測(cè)結(jié)果與稱重法得到的雞蛋質(zhì)量相關(guān)系數(shù)達(dá)到0.95,且處理速度快,準(zhǔn)確率高。

3.1.2 神經(jīng)網(wǎng)絡(luò)模型 王巧華等[59]結(jié)合計(jì)算機(jī)采集的雞蛋圖像和BP神經(jīng)網(wǎng)絡(luò)模型模型(BP-ANN)建立雞蛋像素點(diǎn)數(shù)和蛋重之間的關(guān)系,進(jìn)行雞蛋蛋重的測(cè)量。經(jīng)過圖像去噪處理,構(gòu)建了包含輸入層、隱含層和輸出層的三層神經(jīng)網(wǎng)絡(luò):

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 The BP neural network model

輸入層節(jié)點(diǎn)數(shù)為1,即雞蛋圖像像素?cái)?shù),輸出層節(jié)點(diǎn)數(shù)為3,對(duì)應(yīng)雞蛋重量三個(gè)等級(jí):55 g以下、55～65 g和65 g以上。隱層神經(jīng)元計(jì)算公式

m=(n+l)1/2+a

式中,m為隱層單元數(shù),n為輸入層單元數(shù),l為輸出層單元數(shù),a為1～10之間的整數(shù)。考慮最優(yōu)收斂速度和訓(xùn)練精度,確定隱含層節(jié)點(diǎn)數(shù)為25,網(wǎng)絡(luò)函數(shù)傳遞函數(shù)為tansig和purelin,訓(xùn)練函數(shù)為trainlm。經(jīng)過模型的可靠性驗(yàn)證,蛋重分級(jí)正確率達(dá)到91%,滿足蛋品分級(jí)的要求,且該模型具有較好的泛化能力和魯棒性。

3.2 哈夫單位測(cè)算模型

3.2.1 支持向量機(jī) 林顥等[38]將一類支持向量機(jī)(OC-SVM)算法引入雞蛋新鮮度檢測(cè)中,通過主成分分析(PCA)近紅外光譜信號(hào),采用前3個(gè)主成分作為模輸入向量,模型目標(biāo)函數(shù)

s.t.(wφ(xi))≥ρ-εi,εi≥0

式中,W是將特征空間到輸出空間的權(quán)值,v∈(0,1]是提前設(shè)定的參數(shù),是支持向量個(gè)數(shù)的下屆,稱為v屬性。xi為數(shù)據(jù)點(diǎn),φ(xi)為第i個(gè)數(shù)據(jù)點(diǎn)在特征空間的像。測(cè)試樣本依據(jù)其落在特征空間中超平面的哪一側(cè)決定其類別,以哈夫單位值大于60為新鮮蛋,小于60為非新鮮蛋,經(jīng)驗(yàn)證模型對(duì)雞蛋新鮮度分級(jí)正確率達(dá)到80%。該一類支持向量機(jī)模型可以解決輸入樣本不平衡的問題,相較于傳統(tǒng)的二類支持向量機(jī)模型適用性更廣。

3.2.2 遺傳-神經(jīng)網(wǎng)絡(luò)模型 Lin H等[39]將遺傳算法和人工神經(jīng)網(wǎng)絡(luò)結(jié)合,構(gòu)建了基于近紅外光譜的雞蛋哈夫單位遺傳-神經(jīng)網(wǎng)絡(luò)(GA-ANN)檢測(cè)模型,遺傳思想模型。

式中,δh是隱含層節(jié)點(diǎn)錯(cuò)誤率,利用對(duì)δh的后向反饋可以實(shí)現(xiàn)網(wǎng)絡(luò)權(quán)重的優(yōu)化。構(gòu)建了三層神經(jīng)網(wǎng)絡(luò)模型,將獨(dú)立成分分析(ICA)后的7個(gè)獨(dú)立光譜信息作為輸入?yún)?shù),哈夫單位值為輸出參數(shù)。經(jīng)驗(yàn)證該模型預(yù)測(cè)值與傳統(tǒng)方法測(cè)得的雞蛋哈夫單位值相關(guān)系數(shù)達(dá)到0.879,該神經(jīng)網(wǎng)絡(luò)模型結(jié)合遺傳學(xué)思想,較傳統(tǒng)神經(jīng)網(wǎng)絡(luò)對(duì)網(wǎng)絡(luò)權(quán)重有較好的優(yōu)化性能,網(wǎng)絡(luò)的收斂速度和訓(xùn)練精度都有所提高。

3.2.3 偏最小二乘法 偏最小二乘法(PLS)是通過誤差平方和最小化思想尋找一組數(shù)據(jù)的最佳匹配函數(shù)的方法,可以解決線性回歸和非線性擬合等求解問題[60]。Alessandro G等[61]以主成分提取后的近紅外光譜數(shù)據(jù)為輸入量建立偏最小二乘回歸模型進(jìn)行雞蛋哈夫單位的預(yù)測(cè),同時(shí)進(jìn)行破壞性檢測(cè),將哈夫單位真實(shí)值與預(yù)測(cè)值進(jìn)行相關(guān)分析,相關(guān)系數(shù)為0.676,該P(yáng)LS模型對(duì)于相關(guān)性較好的數(shù)據(jù)具有很高的預(yù)測(cè)精度。

3.3 異物分析模型

最小二乘支持向量機(jī)模型(LS-SVM)是基于最小二乘算法構(gòu)建的結(jié)構(gòu)風(fēng)險(xiǎn)最小化向量機(jī)模型,在模式判別問題中應(yīng)用廣泛。徐惠榮等[13]進(jìn)行了基于光譜技術(shù)的褐殼雞蛋血斑檢測(cè)研究,將LS-SVM模型應(yīng)用于血斑檢測(cè)中,選擇徑向基函數(shù)作為核函數(shù),利用基于留一交互驗(yàn)證的二次網(wǎng)格搜索法確定模型參數(shù),通過原始光譜主成分分析,選取前三主成分和蛋殼顏色參數(shù)L*、a*和b*融合作為模型輸入變量,進(jìn)行LS-SVM建模分析。因?yàn)槿诤狭穗u蛋光譜數(shù)據(jù)和蛋殼顏色信息,考慮了蛋殼顏色的補(bǔ)償提高了檢測(cè)精度,正常蛋檢出率為90%,血斑蛋檢出率為91.7%。同時(shí),線性判別[13]、偏最小二乘法[64]等數(shù)據(jù)分析模型在血斑蛋的檢測(cè)中也有所應(yīng)用。

3.4 蛋黃指數(shù)測(cè)算模型

3.4.1 線性回歸模型 線性回歸模型被一些學(xué)者應(yīng)用于蛋黃指數(shù)檢測(cè)中。Ragni[23]利用平行電極板檢測(cè)雞蛋的電特性,將電容電壓比和蛋重作為輸入?yún)?shù),構(gòu)建了蛋黃指數(shù)預(yù)測(cè)多元線性回歸模型:

Y=-0.183+2.25M+3.77DC/DV

式中,Y為蛋黃指數(shù),M為雞蛋重量,DC為電極板電容,DV為電壓。張蕾[24]、孫力等[17]也基于雞蛋的介電特性,利用線性回歸模型進(jìn)行了蛋黃指數(shù)的檢測(cè),分析表明線性回歸模型可以用于蛋黃指數(shù)的檢測(cè)。

3.4.2 偏最小二乘法 金亞美等[57]利用雞蛋低頻波段下的介電特性,建立了蛋黃介電常數(shù)對(duì)蛋黃水分的PLS預(yù)測(cè)模型,交叉檢驗(yàn)提取主成分作為模型輸入?yún)?shù),預(yù)測(cè)模型R2為0.9891,RMSEP為0.0653。使用PLS模型檢測(cè)蛋品質(zhì)時(shí),一般需要輸入?yún)?shù)與預(yù)測(cè)指標(biāo)間具有較好的相關(guān)性。

3.5 胚胎發(fā)育程度分析模型

張偉等[44]利用雞蛋高光譜圖像數(shù)據(jù)進(jìn)行雞蛋胚胎發(fā)育情況的分析,引入學(xué)習(xí)向量量化神經(jīng)網(wǎng)絡(luò)模型(LVQ-ANN),LVQ-ANN較傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)模型,參數(shù)確定簡(jiǎn)單,收斂速度快,且更加適合于簡(jiǎn)單分類問題的處理。將雞蛋的550～950 nm波段范圍的高光譜數(shù)據(jù)作為輸入?yún)?shù),胚胎發(fā)育結(jié)果作為輸出,經(jīng)過多次實(shí)驗(yàn),確定了4-10-1的三層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),其中隱含層節(jié)點(diǎn)數(shù)利用式(3)確定,輸入層為光譜數(shù)據(jù)經(jīng)主成分分析提取的前四個(gè)主成分,輸出層是雞蛋代碼:(1,0)代表有胚胎發(fā)育跡象,(0,1)代表無胚胎發(fā)育跡象。經(jīng)過驗(yàn)證,模型預(yù)測(cè)準(zhǔn)確率達(dá)到90%以上,同時(shí)模型的穩(wěn)定性也較高。

3.6 破損度分析模型

3.6.1 支持向量機(jī) 支持向量機(jī)模型在解決小樣本、非線性、高維度和局部最小值等模式識(shí)別中有很多優(yōu)勢(shì),被一些學(xué)者用于蛋破損檢測(cè),何麗紅等[63]將粗糙集處理后的雞蛋敲擊聲音信號(hào)作為模型特征參數(shù),構(gòu)造支持向量機(jī)檢測(cè)模型式:

K(x,xi)=exp(-|xi-xj|2/(2σ2))

f(x)=sign(y)

3.6.2 變異系數(shù)法 潘磊慶等[64]利用敲擊裂紋蛋和完整蛋不同位置的頻率響應(yīng)差異檢測(cè)裂紋,進(jìn)行雞蛋分級(jí)。敲擊雞蛋赤道兩極點(diǎn)等四個(gè)位置得到四個(gè)響應(yīng)頻率,完好蛋響應(yīng)頻率相似,裂紋蛋差別較大,將四個(gè)響應(yīng)頻率進(jìn)行變異分析,得到變異系數(shù),將變異系數(shù)閾值設(shè)為1,由此確定雞蛋的破損判別式:

式中,定義U為所有雞蛋,A為完好雞蛋,B為殼裂雞蛋。當(dāng)檢測(cè)得一個(gè)雞蛋的變異系數(shù)大于1時(shí)為裂殼蛋,小于1時(shí)為完好蛋。該判別算法判別簡(jiǎn)單、計(jì)算效率高,對(duì)裂紋蛋和完好蛋的分級(jí)準(zhǔn)確率達(dá)到87%。

3.6.3 概率神經(jīng)網(wǎng)絡(luò) Wang Y等[14]將概率神經(jīng)網(wǎng)絡(luò)模型(PNN)應(yīng)用于雞蛋破損度的檢測(cè),PNN是一種基于統(tǒng)計(jì)原理的概率神經(jīng)網(wǎng)絡(luò)模型,克服了傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)收斂速度慢、易產(chǎn)生局部最優(yōu)的缺點(diǎn)。經(jīng)過灰度共生矩陣和小波變換進(jìn)行圖像特征提取后,將裂紋特征參數(shù)作為模型輸入量進(jìn)行裂紋檢測(cè)。利用MATLAB實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)的構(gòu)建:

net=newpnn(P,T,SPREAD)

式中,P為雞蛋圖像特征矩陣和T都是雞蛋圖像特征矩陣,SPREAD是PNN的分布密度。經(jīng)過實(shí)驗(yàn)對(duì)比,PNN模型對(duì)雞蛋破損度檢測(cè)準(zhǔn)確率達(dá)到96.67%,效果優(yōu)于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò),同時(shí)該模型結(jié)構(gòu)更加穩(wěn)定,訓(xùn)練速度快,非常適合此類圖像分類問題。

3.7 蛋形分析模型

3.7.1 線性判別 段宇飛等[47]通過傳送裝置動(dòng)態(tài)采集雞蛋圖像,提取雞蛋尺寸參數(shù),通過計(jì)算蛋形指數(shù)判別形狀規(guī)則度。對(duì)雞蛋圖像進(jìn)行漏光處理和最大類間方差法(otsu法)預(yù)處理后,利用最小二乘橢圓擬合和凸包算法擬合雞蛋輪廓,然后從雞蛋輪廓上提取其長(zhǎng)軸和短軸數(shù)據(jù)。利用蛋形指數(shù)公式:

l=la/lb

其中,I為蛋形指數(shù),la為雞蛋長(zhǎng)軸長(zhǎng)度,lb為雞蛋短軸長(zhǎng)度。以蛋形指數(shù)在1.3～1.35為適中,小于1.3過圓,大于1.35過扁,樣本雞蛋經(jīng)上述方法分級(jí)驗(yàn)證,分級(jí)準(zhǔn)確率為89.3%,且該方法處理速度快,滿足生產(chǎn)需求。

3.7.2 神經(jīng)網(wǎng)絡(luò)模型 周維忠等[65]利用計(jì)算機(jī)視覺采集的雞蛋圖像進(jìn)行蛋形的篩選。以雞蛋圖像特征數(shù)據(jù)作為模型輸入,利用matlab中的神經(jīng)網(wǎng)絡(luò)軟件包實(shí)現(xiàn)16-8-1的三層結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建。

圖2 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 The neural network model

輸入層參數(shù)為雞蛋圖像進(jìn)行帶離散小波變換特征提取出16個(gè)小波變換系數(shù)參數(shù),輸出層為代表蛋形是否合格的代碼,1為合格,0為不合格。該模型利用神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)性可以建立了輸入與輸出參數(shù)間任意的非線性映射關(guān)系,且魯棒性好,判別準(zhǔn)確率達(dá)到93%。

由以上殼蛋品質(zhì)和質(zhì)量模型的分析應(yīng)用可以看出,研究方法由簡(jiǎn)單的線性計(jì)算到非線性映射,考慮的品質(zhì)指標(biāo)由單一指標(biāo)到多指標(biāo)的綜合分析。其中線性回歸模型算法簡(jiǎn)單、計(jì)算速度快,適合于簡(jiǎn)單的判別分析,在蛋重、蛋形和清潔度等指標(biāo)的分析中都有應(yīng)用。偏最小二乘法對(duì)相關(guān)性強(qiáng)的數(shù)據(jù)具有很高的預(yù)測(cè)精度,在利用雞蛋的光譜信息進(jìn)行指標(biāo)預(yù)測(cè)時(shí),如哈夫單位、蛋黃指數(shù)和異物等內(nèi)部指標(biāo)的預(yù)測(cè)中該方法使用較多。神經(jīng)網(wǎng)絡(luò)以其學(xué)習(xí)能力強(qiáng)的特點(diǎn)應(yīng)用于解決各種非線性問題,應(yīng)用范圍非常廣,可以適用于大部分品質(zhì)和質(zhì)量指標(biāo)的預(yù)測(cè)。支持向量機(jī)模型適用于解決小樣本、非線性問題,在殼蛋分級(jí)中應(yīng)用較多的是在其傳統(tǒng)結(jié)構(gòu)的基礎(chǔ)上的優(yōu)化模型,對(duì)哈夫單位、破損度和異物等指標(biāo)都有很好的預(yù)測(cè)效果。同時(shí)在一些指標(biāo)分析中,多個(gè)數(shù)據(jù)模型的結(jié)合,如最小二乘支持向量機(jī)、支持向量量化神經(jīng)網(wǎng)絡(luò)模型等,可以彌補(bǔ)單一模型的不足,提高模型的可靠性和魯棒性,為殼蛋分級(jí)中多品質(zhì)和質(zhì)量指標(biāo)的綜合分析提供了理論支持。表2對(duì)各個(gè)指標(biāo)分析模型的應(yīng)用、特點(diǎn)及效果進(jìn)行了整理。

表2 殼蛋品質(zhì)和質(zhì)量指標(biāo)分析模型及應(yīng)用Table 2 Analysis models of shell egg quality indexes

4 發(fā)展趨勢(shì)

消費(fèi)者需求的多樣化和對(duì)食品質(zhì)量要求的不斷提高,必將促進(jìn)我國(guó)殼蛋分級(jí)的快速發(fā)展。同時(shí),現(xiàn)代計(jì)算機(jī)技術(shù)、信息技術(shù)和數(shù)據(jù)處理分析技術(shù)的快速發(fā)展為殼蛋分級(jí)提供了強(qiáng)大的技術(shù)支持和保障。多指標(biāo)參數(shù)的融合、檢測(cè)技術(shù)的集成應(yīng)用、檢測(cè)過程的自動(dòng)化和智能化是未來殼蛋分級(jí)的必然趨勢(shì)。

殼蛋品質(zhì)指標(biāo)參數(shù)的獲取將更加注重殼蛋產(chǎn)品的物理和化學(xué)等產(chǎn)品特性。光譜技術(shù)、計(jì)算機(jī)視覺技術(shù)和電子鼻等先進(jìn)計(jì)算機(jī)技術(shù)和信息技術(shù)為殼蛋品質(zhì)質(zhì)量指標(biāo)參數(shù)的獲取提供了技術(shù)基礎(chǔ),也在很大程度上提高了指標(biāo)參數(shù)獲取的準(zhǔn)確性和可靠性。

殼蛋分級(jí)將注重多指標(biāo)獲取技術(shù)的集成和融合。單一的指標(biāo)獲取方法特異性較高,當(dāng)殼蛋質(zhì)量情況復(fù)雜或發(fā)生變化時(shí),可能會(huì)出現(xiàn)較大的偏差,降低檢測(cè)精度。隨著光譜分析和計(jì)算機(jī)技術(shù)在殼蛋分級(jí)中的集成應(yīng)用,使得同時(shí)檢測(cè)和獲取殼蛋的多項(xiàng)品質(zhì)質(zhì)量指標(biāo)提供技術(shù)保障。

殼蛋品質(zhì)質(zhì)量指標(biāo)參數(shù)的分析將更加模型化和智能化。神經(jīng)網(wǎng)絡(luò)、向量機(jī)等數(shù)據(jù)分析模型在殼蛋分級(jí)中的應(yīng)用,較傳統(tǒng)的線性分析算法,能夠更加有效地結(jié)合軟件解決殼蛋分級(jí)數(shù)據(jù)的信息冗雜、影響因子多等問題,更高效智能地處理光譜、計(jì)算機(jī)等技術(shù)獲取的大量數(shù)據(jù),模型的適應(yīng)性和計(jì)算精度都有很大的提高。

[1]司偉達(dá),韓兆鵬,劉旭明. 鮮蛋分級(jí)和質(zhì)量控制技術(shù)研究現(xiàn)狀[J]. 中國(guó)家禽,2013,35(8):44-48.

[2]楊寧. 2014年我國(guó)蛋雞產(chǎn)業(yè)狀況及發(fā)展趨勢(shì)[J]. 中國(guó)畜牧雜志,2015,51(2):32-37.

[3]中華人民共和國(guó)國(guó)家統(tǒng)計(jì)局. 中國(guó)統(tǒng)計(jì)年鑒:National bureau of statistics of China. 2016,2017:(總第27期No.27)[M].中國(guó)統(tǒng)計(jì)出版社,2016,2017.

[4]言思進(jìn). 從蛋品加工看我國(guó)蛋業(yè)的持續(xù)發(fā)展[J]. 中國(guó)家禽,2005,27(9):37-45.

[5]PAUL,BUISMAN. 國(guó)際市場(chǎng)上雞蛋分級(jí)的趨勢(shì)[J]. 中國(guó)禽業(yè)導(dǎo)刊,2010(16):12-13.

[6]劉璐,鄭江霞,徐桂云. 雞蛋蛋黃比例研究綜述[J]. 食品安全質(zhì)量檢測(cè)學(xué)報(bào),2014(8):2560-2567.

[7]中華人民共和國(guó)商務(wù)部,SB/T10638-2011,鮮雞蛋、鮮鴨蛋分級(jí)[S].北京:中國(guó)標(biāo)準(zhǔn)出版社,2011.

[8]United States Department of Agricultural,AMS 56,United States Standards,Grades,and Weight Classes for Shell Eggs,Agricultural Marketing Service,2000.

[9]白修云,劉旭明,龔海巖,等. 我國(guó)與歐美鮮禽蛋質(zhì)量分級(jí)及檢驗(yàn)標(biāo)準(zhǔn)比較解析[J]. 中國(guó)家禽,2014,36(1).

[10]Zhang W,Pan L,Tu S,et al. Non-destructive internal quality assessment of eggs using a synthesis of hyperspectral imaging and multivariate analysis[J]. Journal of Food Engineering,2015,157:41-48.

[11]劉雪,李亞妹,劉嬌,等. 基于BP神經(jīng)網(wǎng)絡(luò)的鮮雞蛋貨架期預(yù)測(cè)模型[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào),2015,46(10):328-334.

[12]Roberts J R. Factors affecting egg internal quality and eggshell quality in laying hens[J]. Journal of Poultry Science,2006,41(3):161-177.

[13]徐惠榮,徐文豪,陳華瑞,等. 基于光譜技術(shù)的褐殼血斑蛋鑒別方法研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào),2014,45(2):194-198.

[14]Wang Y. Research on the computer vision cracked eggs detecting method[J]. International Journal of Computer Applications in Technology,2014,50(3/4):215

[15]姜松,漆虹,王國(guó)江,等. 禽蛋基本特性參數(shù)分析與實(shí)驗(yàn)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào),2012,43(4):137-142.

[16]潘立剛,張縉,陸安祥,等. 農(nóng)產(chǎn)品質(zhì)量無損檢測(cè)技術(shù)研究進(jìn)展與應(yīng)用[J]. 農(nóng)業(yè)工程學(xué)報(bào),2008(s2):325-330.

[17]孫力,蔡健榮,林顥,等. 基于聲學(xué)特性的禽蛋裂紋實(shí)時(shí)在線檢測(cè)系統(tǒng)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào),2011,42(5):183-186.

[18]Ketelaere B D,Coucke P,Baerdemaeker J D. Eggshell crack detection based on acoustic resonance frequency analysis[J]. Journal of Agricultural Engineering Research,2000,76(2):157-163.

[19]Li P,Wang Q,Zhang Q,et al. Non-destructive Detection on the Egg Crack Based on Wavelet Transform[J]. IeriProcedia,2012,2(4):372-382.

[20]林顥,趙杰文,陳全勝,等. 基于聲學(xué)特性的雞蛋蛋殼裂紋檢測(cè)[J]. 食品科學(xué),2010,31(2):199-202.

[21]Jha S N,Narsaiah K,Basediya A L,et al. Measurement techniques and application of electrical properties for nondestructive quality evaluation of foods—a review[J]. Journal of Food Science and Technology,2011,48(4):387-411.

[22]孫俊,劉彬,毛罕平,等. 基于介電特性與蛋黃指數(shù)回歸模型的雞蛋新鮮度無損檢測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào),2016,32(21):290-295.

[23]Ragni L,Gradari P,Berardinelli A,et al. Predicting Quality Parameters of Shell Eggs using a Simple Technique based on the Dielectric Properties[J]. Biosystems Engineering,2006,94(2):255-262.

[24]張蕾,郭文川,馬嚴(yán)明. 雞蛋儲(chǔ)藏過程中介電特性與新鮮品質(zhì)的變化[J]. 農(nóng)機(jī)化研究,2008(4):146-148.

[25]白修云,李勇,孟艷莉,等. 常溫保存條件下砂殼雞蛋和正常雞蛋蛋品質(zhì)變化比較[J]. 中國(guó)家禽,2013,35(6):29-32.

[26]龍翔.雞蛋品質(zhì)無損檢測(cè)與研究[D].廣州:華南農(nóng)業(yè)大學(xué),2008.

[27]龍翔,李運(yùn)兵,羅霞. 雞蛋新鮮度無損檢測(cè)系統(tǒng)的研究與設(shè)計(jì)[J]. 計(jì)算機(jī)與數(shù)字工程,2010,38(5):155-158.

[28]王俊,崔紹慶,陳新偉,等. 電子鼻傳感技術(shù)與應(yīng)用研究進(jìn)展[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào),2013,44(11):160-167.

[29]張虹艷. 電子鼻技術(shù)對(duì)雞肉、雞蛋、羊奶貯藏時(shí)間的快速檢測(cè)[D].楊凌,西北農(nóng)林科技大學(xué),2012.

[30]劉明,潘磊慶,屠康,等. 電子鼻檢測(cè)雞蛋貨架期新鮮度變化[J]. 農(nóng)業(yè)工程學(xué)報(bào),2010,26(4):317-321.

[31]Dutta R,Hines E L,Gardner J W,et al. Non-destructive egg freshness determination:an electronic nose basedapproach[J]. Measurement Science & Technology,2003,14(2):190-198.

[32]劉鵬,屠康,潘磊慶,等. 基于D-S證據(jù)理論的雞蛋新鮮度多傳感器融合識(shí)別[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào),2011,42(8):122-127.

[33]姚子升. 拉曼光譜分析技術(shù)在食品安全保障中的應(yīng)用及發(fā)展[J]. 食品界,2017(3):72-73.

[34]吳建虎,王向東. 雞蛋品質(zhì)無損檢測(cè)技術(shù)研究進(jìn)展[J].中國(guó)家禽,2013,35(1):42-44.

[35]Abdel-Nour N,Ngadi M,Prasher S,et al. Prediction of Egg Freshness and Albumen Quality Using Visible/Near Infrared Spectroscopy[J]. Food and Bioprocess Technology,2011,4(5):731-736.

[36]祝志慧,謝德君,李婉清,等. 基于光譜技術(shù)和多分類器融合的異物蛋檢測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào),2015,31(2):312-318.

[37]Kemps B J,Ketelaere B D. Albumen freshness assessment by combining visible near-infrared transmission and low-resolution proton nuclear magnetic resonance spectroscopy[J]. Poultry Science,2007,86(4):752-9.

[38]林顥,趙杰文,陳全勝,等. 近紅外光譜結(jié)合一類支持向量機(jī)算法檢測(cè)雞蛋的新鮮度[J]. 光譜學(xué)與光譜分析,2010,30(4):929-932.

[39]Lin H,Zhao J,Sun L,et al. Freshness measurement of eggs using near infrared(NIR)spectroscopy and multivariate data analysis[J]. Innovative Food Science & Emerging Technologies,2011,12(2):182-186.

[40]劉燕德,周延睿,彭彥穎. 基于近紅外漫反射光譜檢測(cè)雞蛋品質(zhì)[J]. 光學(xué)精密工程,2013,21(1):40-45.

[41]付丹丹,王巧華. 雞蛋新鮮度、pH及黏度的高光譜檢測(cè)模型[J]. 食品科學(xué),2016,37(22):173-179.

[42]王巧華,周凱,吳蘭蘭,等. 基于高光譜的雞蛋新鮮度檢測(cè)[J]. 光譜學(xué)與光譜分析,2016,36(8):2596-2600.

[43]Zhang W,Pan L,Tu S,et al. Non-destructive internal quality assessment of eggs using a synthesis of hyperspectral imaging and multivariate analysis[J]. Journal of Food Engineering,2015,157:41-48.

[44]張偉,潘磊慶,屠康. 利用高光譜透射圖像檢測(cè)雞種蛋早期孵化[J]. 農(nóng)業(yè)工程學(xué)報(bào),2012(21):149-155.

[45]Alessandro G,Annachiara B,Luigi R,et al. Non-destructive freshness assessment of shell eggs using FT-NIR spectroscopy[J].Journal of Food Engineering,2008,89(2):142-148.

[46]趙燕,涂勇剛,李建科,等. 發(fā)酵全蛋蛋黃中的脂肪酸組成分析[J]. 食品工業(yè)科技,2013,34(23):336-339.

[47]段宇飛,王巧華,李小明,等. 基于凸包算法的雞蛋尺寸形狀在線視覺高通量檢測(cè)方法[J]. 農(nóng)業(yè)工程學(xué)報(bào),2016,32(15):282-288.

[48]屠康,潘磊慶,楊佳麗,等. 基于計(jì)算機(jī)視覺的雞蛋污斑檢測(cè)[J]. 江蘇大學(xué)學(xué)報(bào):自然科學(xué)版,2007,28(3):189-192.

[49]Nakano,K,J. Us ui.,Y. Motonaga and J.Mizutani. Development of nondestructive detector for abnormal eggs[J]. Workshop on control Application in Post harvest and Processing Technology,2001.71-76.

[50]M. C. Garci a-Alegre,A. Ribeiro,D. Guinea,and G. cristobal. Eggshell defects detection based on color processing. SPIE 2000 Electronic Imaging Conf,CA,Jan. 2000.

[51]Sun L,Yuan L M,Cai J R,et al. Egg Freshness on-Line Estimation Using Machine Vision and Dynamic Weighing[J]. Food Analytical Methods,2015,8(4):922-928.

[52]Omid M,Soltani M,Dehrouyeh M H,et al. An expert egg grading system based on machine vision and artificial intelligence techniques[J]. Journal of Food Engineering,2013,118(1):70-77.

[53]王巧華,任奕林,文友先. 基于BP神經(jīng)網(wǎng)絡(luò)的雞蛋新鮮度無損檢測(cè)方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào),2006,37(1):104-106.

[54]孫力,蔡健榮,林顥,等. 基于聲學(xué)特性的禽蛋裂紋實(shí)時(shí)在線檢測(cè)系統(tǒng)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào),2011,42(5):183-186.

[55]PAUL,BUISMAN. 國(guó)際市場(chǎng)上雞蛋分級(jí)的趨勢(shì)[J]. 中國(guó)禽業(yè)導(dǎo)刊,2010(16):12-13.

[56]劉璐,鄭江霞,徐桂云. 雞蛋蛋黃比例研究綜述[J]. 食品安全質(zhì)量檢測(cè)學(xué)報(bào),2014(8):2560-2567.

[57]金亞美,王浩月,楊娜,等. 低頻波段對(duì)雞蛋貯藏期間介電特性的影響[J]. 中國(guó)食品學(xué)報(bào),2015,15(6):220-225.

[58]張世慶,涂佳,孫力,等. 雞蛋質(zhì)量與長(zhǎng)短軸在線檢測(cè)方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào),2014,45(2):204-209.

[59]王巧華,文友先. 基于BP神經(jīng)網(wǎng)絡(luò)的雞蛋大小分級(jí)方法研究[J]. 湖北農(nóng)業(yè)科學(xué),2005(1):97-99.

[60]田生昌. 最小二乘法的統(tǒng)計(jì)學(xué)原理及在農(nóng)業(yè)實(shí)驗(yàn)分析中的應(yīng)用[J]. 數(shù)學(xué)的實(shí)踐與認(rèn)識(shí),2015(4):124-133.

[61]Alessandro G,Annachiara B,Luigi R,et al. Non-destructive freshness assessment of shell eggs using FT-NIR spectroscopy[J].Journal of Food Engineering,2008,89(2):142-148.

[62]陳猛. 雞蛋新鮮度和血斑蛋光譜技術(shù)在線檢測(cè)研究[D].杭州,浙江大學(xué),2015.

[63]何麗紅,劉金剛,文友先. 基于粗糙集與支持向量機(jī)的禽蛋蛋殼無損檢測(cè)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào),2009,40(3):167-171.

[64]潘磊慶,屠康,趙立,等.敲擊振動(dòng)檢測(cè)雞蛋裂紋的初步研究[J].農(nóng)業(yè)工程學(xué)報(bào),2005,21(4):11-15.

[65]周維忠,馮心海,孫國(guó)基. 種蛋外形的計(jì)算機(jī)視覺識(shí)別研究[J]. 農(nóng)業(yè)工程學(xué)報(bào),2000,16(6):126-130.