基于声波信号的HHT和Multi-PCA无损检测鸡蛋蛋壳裂纹

采用自行搭建的声波信号响应装置对实验中裂纹鸡蛋样本的蛋壳裂纹随机分布进行无损检测。利用端点检测等方法对声波信号(采集点在鸡蛋赤道部位)进行预处理,然后采用Hilbert Huang变换(HilbertHuang transform,HHT)和多重主成分分析(Multi-PCA)对预处理之后的声波信号进行分析,分别提取声波信号在时域和频域上的主要特征参数,用于鸡蛋蛋壳裂纹的分类检测。结果表明,当鸡蛋蛋壳裂纹大小和位置均随机分布时,由HHT和Multi-PCA提取的特征参量经由支持向量机(support vector machine,SVM)模型和人工神经网络(artificial neural network,ANN)模型均可达到较高识别率。在SVM模型中,采用径向基核函数的效果最好,检测精度高达90%;在ANN模型中,整体回归系数可达0.924 76,检测精度为86.70%。

基于分形纹理分析的蛋壳裂纹识别

为了实现蛋壳裂纹的精确识别,设计了蛋壳裂纹识别装置。针对微小裂纹识别难的问题,使用空气压力调节来适度增大微小裂纹。根据完好蛋图像具有均匀光滑表面和裂纹蛋图像具有不规则纹理的特点,使用分形维数对图像进行分析。用4个方向的剖面分割灰度图像曲面,得到具有分形规律的曲线,计算曲线的维数与图像整体盒维数,作为神经网络的特征向量。对284个样本进行训练之后,用240个样本进行验证,正确识别率为98.36%。

基于冲击响应信号的大规模蛋壳裂纹检测仿真

针对当前蛋壳裂纹检测方法存在查准性和查全性差的问题,提出基于冲击响应信号的大规模蛋壳裂纹检测方法。利用激振器、鸡蛋、底座、加速度传感设备、信号采集端等构成蛋壳冲击响应信号采集装置。将得到的非稳态信号经EMD分解成多个固有的模态函数,并对信号主要分量实行Hilbert Huang变换,得到时频上的能量分布图谱。将其代入主成分分析法中,计算信号特征贡献率。由此得到蛋壳各层信号奇异性指标,并给出相应层次的奇异性指标标准值。对各层信号奇异性指标和标准值进行对比,如果奇异性指标大于标准值,则为裂纹蛋壳。反之,则为好蛋壳。通过逐层对比,实现大规模蛋壳裂纹全面检测。实验结果表明,上述方法查准率和查全率均较高,具有合理性。

禽蛋裂纹检测敲击装置力学分析与结构优化

为了增强敲击响应信号对禽蛋蛋壳裂纹信息的感知能力,提高禽蛋裂纹检测的准确性,分析了敲击装置的力学模型,并以此为依据优化设计激励棒的结构参数和检测条件。力学分析发现,禽蛋的激振力脉冲形态与激励棒质量、棒头刚度和敲击速度有关;优化后的激励棒质量应小于5.6 g,棒头采用尼龙材质;建立了冲击力能量与激励棒质量和敲击速度之间的相互关系,并建立了瞬态冲击过程的数学模型。试验结果表明,优化后激励棒对完好蛋激振力脉冲的稳定性较好,与所建立数学模型的相关系数均达到0.92以上;产生的力信号频带能覆盖禽蛋固有频率且具有足够的激振能量,有利于提高完好蛋与裂纹蛋的可区分性和响应信号的信噪比。

融合梯度幅值和置信度的鸡蛋裂纹图像检测

提出一种融合梯度幅值和置信度的鸡蛋裂纹检测新方法。采集褐壳鸡蛋的裂纹图像,运用提及边缘检测算法获取感兴趣区域图像,采用最大边界算法挑选边界轮廓,融合二者获取裂纹区域图像。对3种典型鸡蛋裂纹图像进行边缘检测新方法与传统边缘检测算子(Log算子、Sobel算子及Canny算子)对比试验,结果表明:融合梯度幅值和置信度的鸡蛋裂纹检测新方法能够克服固定阈值适应性较差的缺陷,提高检测准确率,在消除噪声、增强弱边缘信息方面优于传统边缘检测算子。