基于声学响应和BP神经网络检测鸡蛋裂纹

为了提高鸡蛋裂纹检测的准确性,建立了声学敲击检测鸡蛋裂纹的装置,采集和分析鸡蛋被敲击后的声音信号。提取了4个特征频率、偏斜度平均值和峰度平均值共6个特征参数,并作为神经网络的输入量,创建了基于MATLAB的结构为6-15-2的3层BP神经网络模型判别鸡蛋裂纹。检测结果显示:对蛋壳受各种程度破坏后的鸡蛋判别精度可达92%以上,对蛋壳完整的鸡蛋判别精度达到96%,对鸡蛋总体的判别精度可达94%。

基于DSP的鸡蛋裂纹多通道检测系统

为了实时采集鸡蛋敲击响应声音信号,设计了基于TMS320F28335的鸡蛋裂纹检测系统,采用外部中断触发DSP实时采集敲击响应音频信号。结果显示:完好蛋与裂纹蛋的声音信号频谱存在明显差异,完好蛋频谱的第二共振峰频率集中在6 890Hz左右,而裂纹蛋的第二共振峰频率无明显规律。结果表明,该系统能够满足检测的要求。

基于声学特性和Labview的鸡蛋裂纹检测研究

鸡蛋裂纹是评价鸡蛋品质好坏的重要指标之一,为寻求更加直观可行的鸡蛋裂纹检测的新方法,利用声学特性,基于Labview虚拟仪器平台自行设计搭建了鸡蛋裂纹检测系统。以鸡蛋赤道部位4个点(1、2、3、4)作为敲击位置,采集获取鸡蛋的声音信号并进行分析,提取鸡蛋最大、最小2个特征频率(fmax,fmin),并计算其差值Δf(Δf=fmax-fmin),以1 000 Hz作为裂纹鸡蛋的识别阈值,分析并剔除裂纹鸡蛋,其准确率达到96.667%。结果表明,基于声学特性和Labview虚拟仪器平台,对裂纹鸡蛋进行裂纹检测不仅可行,且具有一定的准确率。

基于EfficientNet的鸡蛋裂纹检测研究

针对鸡蛋裂纹检测过程,对图像采集方法和图像分类方法进行了探讨.设计了一种简易的模拟滚动破蛋装置,用于滚动鸡蛋达到相互撞击的目的,为裂纹图像采集有效性实验和图像分类提供样本和数据集.通过统计鸡蛋表面部分类型的裂纹,在旋转鸡蛋进行图像采集时,采集图像中出现裂纹不可见时的角度,提出6方位鸡蛋裂纹图像采集的方法,避免出现该类无效的图像采集.利用EfficientNet搭建迁移学习网络,训练含裂纹蛋与完好蛋的分类模型,最终测试集综合准确率达到97.2%.结合6方位鸡蛋图像采集方法进行验证,验证实验结果表明:该模型对完好蛋分类的检测准确率达到100%,对裂纹蛋的检测准确率达到95.9%,综合检测准确率达到96.7%.

鸡蛋蛋壳裂纹的模式识别

鸡蛋被敲击激励后,将传感器获得的时域信号进行频域特征分析后发现:无损蛋的频域特征曲线有明显的主频率值、峰值突出,而有裂纹蛋没有明显的主频率值。在归一化功率谱中,分别按'间隔频率提取幅值'、'依次高低取幅值'和'幅值高低依次提取频率'等方法来获取前10个或前20个特征值后,进行了主成分分析和线性判别分析,结果发现:采用间隔频率提取的幅值来判别裂纹蛋与完好蛋效果较差,采用幅值高低依次提取的频率来判别的效果最好;采用20个特征值经主成分分析和线性判别分析区分的效果分别均不如采用10个特征值的区分效果;线性判别分析区分的效果优于主成分分析区分的效果。

鸡蛋蛋壳裂纹敲击振动功率谱信号特征参数筛选和分析

运用自行研制的禽蛋裂纹检测装置,可以采集并分析敲击鸡蛋产生的响应信号,检测裂纹蛋。提取敲击响应信号功率谱的10个特征参数,并采用逐步回归法和遗传算法进行优化和筛选,以期选取更有效的特征参数,提高模型检测精度。结果表明,遗传算法筛选结果明显优于逐步回归法。当采用遗传算法筛选的4个特征参数(功率谱信号的第1共振峰对应的频率点、第1共振峰的功率谱与其前4个频率功率谱的方差、前3个共振峰功率谱方差、中低频段功率谱能量比)作为判别模型的输入向量,模型能取得最优结果,预测集判别率可达到97.2%。