蛋壳裂纹的神经网络判别_陆秋君

2009年9月S e p t.2009第30卷　第5期V o l.30　N o.5蛋壳裂纹的神经网络判别陆秋君,王　俊,于慧春,蒋瑞涉(浙江大学生物系统工程与食品科学学院,浙江杭州310029)摘要:将有裂纹鸡蛋和无裂纹鸡蛋进行敲击激励后,采用柔性压电薄膜传感器获取时域信号和频域特征:无损蛋的频域特征曲线有明显的主频率值,峰值突出;有裂纹蛋频域特征曲线上没有明显的主频率值,峰值多而紊乱.在归一化功率谱中,分别按间隔频率、依次取最高幅值和幅值高低提取的频率等方法来提取前10个或取前20个特征值,采用间隔频率提取归一化幅值,用神经网络来判别裂纹蛋与完好蛋效果较差;用幅值高低提取归一化幅值作为特征值来神经网络判别的效果较佳;采用功率幅值高低提取频率作为特征值来判别的效果最佳.采用20个特征值后的判别效果分别不如采用10个特征值的判别效果.遗传优化神经网络的测试集判断正确率高于标准B P网络.关键词:鸡蛋;裂纹;检测;神经网络;频率中图分类号:S121;T H113 文献标志码:A 文章编号:1671-7775(2009)05-0454-05I d e n t i f i c a t i o no f e g g s h e l l c r a c k u s i n g B P N Na n dG A-B P N Ni nd y n a m i c f re q u e n c y a n a l y s i sL u Q i u j u n,W a n g J u n,Y u H u i c h u n,J i a n g R u i s h e(D e p a r t m e n t o f B i o s y s t e m s E n g i n e e r i n g,Z h e j i a n g U n i v e r s i t y,H a n g z h o u,Z h e j i a n g310029,C h i n a)A b s t r a c t:T h e e g g s h e l l c r a c k s w e r e d e t e c t e d b y d y n a m i c a l f r e q u e n c y r e s p o n s e o f a n e g g e x c i t e d w i t h l i g h tm e c h a n i c a l i m p a c t s o n d i f f e r e n t l o c a t i o n s o f t h e e g g s h e l l u s i n g f l e x i b l e p i e z o e l e c t r i c f i l ms e n s o r s.A s a r e-s u l t,t h e d o m i n a n t r e s o n a n c e f r e q u e n c y c a nb e o b s e r v e d a n d t h e f r e q u e n c y v a l u e i s l o w e r i nt h e i n t a c te g g s.F r o mt h e c r a c k e de g g s,s o m e p e a kf r e q u e n c i e s w e r e f o u n d,t h e m ag n i t u d e s o f th o s e f r e q u e n ci e sw e r e a p p r o x i m a t e d,a n d t h e v a l u e s a r e h i g h e r.I n n o r m a l i z a t i o n a v e r a g e o f f r e q u e n c y d o m a i n,10o r20m a g n i t u d e s o f i n t e r v a l f r e q u e n c y,10m a g n i t u d e s i n t u r na n df r e q u e n c i e s b y m a g n i t u d e i nt u r n w e r e e x-t r a c t e d a s e i g e n v a l u e s.I n o r d e r t o i n v e s t i g a t e w h e t h e r t h e d y n a m i c a l f r e q u e n c y r e s p o n s e w a s a b l e t o d i s-t i n g u i s hb e t w e e ni n t a c t e g ga n de g g s h e l l c r a c k,B Pn e u r a l n e t w o r k(B P N N)a n dt h ec o m b i n a t i o no fg e n e t i c a l g o r i t h ma n dB Pn e u r a l n e t w o r k(G A-B P N N)w e r e u s e d.T h e r e s u l t s s h o wt h a t t h e d y n a m i c a lf r e q u e n c y r e s p o n s e c o u l db e t t e r d i s t i ng u i s hb e t w e e ni n t a c t e g ga n dc r a c k e de g gu s i n g B P N Na n dG A-B P N Nb y m a g n i t u d e s a n d f r e q u e n c i e s,a n d m o r e d i s t i n g u i s h i n g e f f e c t c a n b e o b t a i n e d b y f r e q u e n c i e s a n dm a g n i t u d e s,a n d b y u s i n g G A-B P N N.K e y w o r d s:e g g;c r a c k;d e t e c t i o n;n e u r a l n e t w o r k;f r e q u e n c y收稿日期:2008-07-23基金项目:国家自然科学基金资助项目(30570449);国家高技术研究发展计划“863”项目(2006A A10Z212)作者简介:陆秋君(1968—),女,浙江嵊州人,副教授(q i u j u n l u@z j u.e d u.c n),主要从事农产品物特与品质检测的研究.王　俊(1967—),男,浙江东阳人,教授,博士生导师(通讯作者,j w a n g@z j u.e d u.c n),主要从事电子鼻检测技术及其在农业中的应用研究.第5期　陆秋君等:蛋壳裂纹的神经网络判别455　 鸡蛋裂纹自动检选一直是禽蛋业需要解决的问题.人工检选时,由于受人的感官限制,检选速度低、检选精确率难以保证.近20多年来,国内外一些学者已经开始研究鸡蛋裂纹的自动检测方法,例如: G o o d r u m[1]和潘磊庆[2]等研究了利用视觉与图像处理来检测蛋壳上较大裂纹,其检测正确率较高;C h o[3]和屠康[4]等报道了声脉冲频率特性来检测蛋壳裂纹方法,发现声学方法在细小裂纹检测时其精度比视觉与图像检测时要高;K e t e l a e r e[5]和W a n g[6]等通过对鸡蛋的声学时间信号和频率信号分析与功率谱密度分析,发现利用振动动态特性测量是一种有效的检测鸡蛋裂纹方法.王树才等[7]认为利用声学响应后的衰竭时间、最小共振峰频率和最大频率差等参数进行模糊识别破损蛋是可行的.这些研究为深入探讨裂纹检测方法和今后生产应用提供了指导.鸡蛋裂纹检选敲击响应特性检测中,数据的分析最重要.敲击响应特性检测获得的信息是大量的,采用不同的数据处理与分析,获得的结果可能不同.在敲击响应特性检测数据处理与模式识别方面,较多采用主成分分析、线性判别函数分析,也有采用人工神经网络法,特别是B P网络.B P网络的突出优点就是具有很强的非线性映射能力和柔性的网络结构,但同时存在陷入局部极小、收敛速度慢和引起振荡效应等局限.由于遗传算法具有很强的宏观搜索能力,且能以较大的概率找到全局最优解,若能将其与B P网络结合起来,形成遗传优化B P算法,将达到优化网络的目的.文中拟采用柔性压电薄膜传感器通过敲击振动的动力学方法来对鸡蛋的裂纹检测,对获得的信号进行频谱分析后用B P网络和遗传优化B P 算法进行裂纹鸡蛋的判别.1　方法与材料1.1　测试系统所建立的测试系统如图1所示.采用柔性压电薄膜传感器L D T O-028K(宽频带0.001H z～1 G H z)和高性能自触发P C L-6250(采样率1.25M s/ s)的数据采集卡.在平台底座固定鸡蛋,两侧开有小孔用于放置传感器,两个传感器的位置在鸡蛋纵径的大、小头处(以下简称“大头处”、“小头处”)和横径的赤道中央(简称“横径处”),激励点的位置可以任意调节.试验采用单点激振多点响应的方法,鸡蛋被激励后将自触发进行数据的采集、存储.在同一工况下重复试验8次.除注明外,在鸡蛋的敲击试验中,敲击材料为木球、质量9.5g、速度0.584m/s进行敲击.获得时域数据后,进行快速傅立叶变换得到0～7500H z间的响应频率曲线(“频域特征”或称“功率频谱特征”).1.2　试验样品2007年9月15日,从杭州养鸡场取得一批新鲜鸡蛋(“伊萨褐蛋鸡”产的鸡蛋).在放大镜下观察精心挑选无损壳蛋200只,运送至浙江大学生工楼实验室.然后,根据试验需要将其中的100只人为设置成裂纹蛋,细小裂纹在近横径处、大头处和小头处的裂纹蛋各约33只.在神经网络分析中,从200只鸡蛋中随机选取130个鸡蛋(其中65个为整蛋、65个为裂纹蛋)作为训练用,另外70个鸡蛋(35个完好蛋、35个裂纹蛋)作预测检验用.图1　测试分析系统示意图F i g.1　S c h e m a t i c d i a g r a m o f d e t e c t i o ns y s t e m1.3　数据处理方法1.3.1　经典B P神经网络算法典型的B P网络是三层网络,包括输入层、输出层及隐层,对于网络的训练采用反向传播(b a c k p r o p a g a t i o n)算法.这是一种有导师学习方法,其基本思想是最小二乘算法.它利用根均方误差和梯度下降法来实现对网络连接权的修正,从而使网络趋向收敛,即使网络的全局误差趋向极小值.1.3.2　基于遗传算法的B P神经网络遗传算法(g e n e t i c a l g o r i t h m)是一种非导数优化的随机优化方法,可以对一复杂的、多峰的、非线性及不可微的函数实现全局搜索,而B P算法对局部搜索比较有效,因此为了使算法能很快地找到满意解,可以先用遗传算法对初始权值进行优化,在解空间中定位出较好的搜索空间,然后用B P算法在这些小的解空间中搜索出最优解.(1)遗传操作初始种群的群体大小(P O P S I Z E)对计算的搜索空间有很大的影响,文中取P O P S I Z E=120.确定456　第30卷遗传操作算子:①选择操作:淘汰个体的操作,常用的有轮盘赌选择法和排序选择法.文中采用稳态轮盘赌选择法.具体过程为将当代种群的个体适应度由大到小进行排序,按下式概率值选择个体:p s =fi∑N 1fi 其中f i 为个体i 的适应度值;N 为染色体数.②交叉操作:依照交叉概率,随机选择两个父个体按照一定的规则进行某些位置上的字符交换,产生新个体.③变异操作:模拟生物进化过程中的基因突变,常用方法为按位变异.(2)B P 训练经过以上的遗传运算,就得到了B P 神经网络误差最小的初始权值.将以上得到的初始权值代入B P 网络进行正常的前馈训练,得到计算样本的实际输出值和期望输出的误差平方和εB P ,若达到了指定网络的训练精度,则结束,否则转入遗传算法继续优化.2　响应特性与特征值的提取2.1　无损蛋与有损蛋敲击的响应特性以鸡蛋小头处为激励点、横径处为测点进行鸡蛋蛋壳有无裂纹的敲击试验,结果见图2.图2　敲击响应特性曲线图F i g .2　T y p i c a l t i m e s i g n a l a n df r e q u e n c y s i g n a lo f r e s p o n s e o f e g g从频域图中可发现无损蛋有一个幅值最大、频率值较低的主频率;而有裂纹蛋对应的频域特征中虽也存在一个响应幅值的主频率,但与其他幅值较高的频率相比幅值差异不明显,且该频率值相对较高.同样,以鸡蛋大头处为激励点、横径处或小头处为测点进行试验后,也获得相类似的规律.2.2　归一化功率谱平均值的提出及分析在对蛋壳有无裂纹的检测中,功率谱幅值可作为一个主要的考虑因素.但在相同条件的敲击响应下,功率谱幅值的大小与鸡蛋本身的多种物理特性有关,例如激励强度、鸡蛋大小、蛋形指数、蛋壳强度等,这使得对于鸡蛋有无裂纹的检测只能停留在相近特性鸡蛋的裂纹检测上.笔者经过试验分析发现敲击响应后不同品种或不同特性的鸡蛋(有裂纹和无裂纹)其功率谱特性曲线图都存在相似性,因此提出了归一化功率谱幅值.其定义如下:P 1=PP m a x式中P 1为从0～7500H z 内归一化功率谱幅值;P 为从0～7500H z 内功率谱幅值;P m a x 为从0～7500H z 内功率谱最大幅值.2.3　特征值的提取文中采用了单点激励多点响应,即采用了以横径处为激励点,大头处、小头处和横径处同时为测点进行鸡蛋蛋壳有无裂纹的敲击试验.2.3.1　间隔频率提取特征值类似于图2b 中,每间格750H z 后,分别提750,1500,2250H z 等频率下的归一化功率谱幅值,每频域曲线上共提取10个频率的功率谱幅值作为特征值,来进行区分有无裂纹鸡蛋的识别.这样,大头、小头和横经等三处信号的频谱曲线中各10个特征值,共计有30个功率谱幅值的特征值.每间隔375H z 下,分别提取375,750,1125H z 等频率下的功率谱值,共提取20个频率下的功率谱幅值作为特征值,来进行区分有无裂纹鸡蛋的识别.这样,大头、小头和横经等三处信号的频谱曲线中各20个特征值,共计有60个功率谱幅值特征值.2.3.2　依次取最高幅值提取特征值在归一化功率谱幅值中,依次提取最高幅值、第二高幅值、第三高幅值…直至第十高幅值功率谱幅值,共提取前10个归一功率幅值作为特征值,来进行区分有无裂纹鸡蛋的识别.这样,三个测点共有30个功率谱幅值特征值.同样,依次提取前20个归一功率后幅值作为特征值,三个位置测点共有60个功率谱幅值特征值.2.3.3　幅值高低提取的频率作为特征值在归一化功率谱幅值中,按幅值高低依次提取第5期　陆秋君等:蛋壳裂纹的神经网络判别457　相对应的频率值,将前10个频率值、前20个频率值作为特征值,来进行区分有无裂纹鸡蛋的识别.这样,三个测点共有30或60个功率谱幅值特征值.3　判别结果与分析3.1　间隔频率提取归一化幅值间隔频率提取归一化幅值的特征值作为神经网络输入值后,分别采用标准B P神经网络和遗传优化神经网络算法的训练集回判正确率和测试集判断正确率见表1.从表1中可知,采用2种神经网络方法,训练集回判正确率并没有达到100%.这可能是因为间隔频率所提取的归一化幅值并不是在响应频域中用于区分裂纹蛋与完全蛋的较佳特征值.测试集的判断正确率仅为60%～70%也说明了这一点.这也表明采用间隔频率提取归一化幅值,用神经网络来判别裂纹蛋与完好蛋不可行.从表1也可知,遗传优化神经网络训练集回判正确率和测试集判断正确率高于标准B P网络;提取10个特征值的判断效果优于提取20个特征值的判断效果.表1　间隔频率提取幅值的判别结果T a b.1　D i s c r i m i n a t i o nf o r c r a c ko r i n t a c t e g gb a s i c o nma g n i t u d e b yi n t e r v a l f r e q u e n c y提取方式网络类型网络拓扑结构训练集的回判正确率/%测试集的判断正确数测试集的判断正确率/%10个特征值标准B P网络30-12-296.154970.00遗传优化B P网络30-12-298.465274.28 20个特征值标准B P网络60-12-295.384462.85遗传优化B P网络60-12-298.464260.003.2　幅值高低依次提取归一化幅值幅值高低提取归一化幅值作为特征值用于神经网络输入参数,分别采用标准B P网络、遗传优化B P 网络后,训练集的回判正确率和测试集的判断正确率见表2.从表中可知,按幅值高低提取归一化幅值前10个特征值进行人工神经网络区分的效果较佳.训练集的回判正确率达100%,测试集的判断正确率达82.85%以上.采用遗传优化B P网络测试集的正确率达到了87.14%.从幅值高低提取前20个特征值采用B P网络的回判正确率没有达到100%,且2种神经网络的测试判断正确率低于提取前10个幅值时的判断率,为77.14%和78.57%.从图2b可知,完好蛋在低频率(0～2500H z)的幅值明显较高,在中频率(2500～5000H z)和高频率(5000～7500H z)阶段幅值相对低些.提取前10个特征值中,完好蛋相应的归一化后,幅值相互间可能高低差异较大;而裂纹蛋相应幅值相互间高低差异较小.在提取前10个特征值,完好蛋的特征值(低频率占有多数)相对幅值较高,而裂纹蛋的特征值幅值没有完好蛋的高.提取前20个特征值,完好蛋特征值组成与裂纹蛋的特征值差异没有前10个特征值时那样大了.这样导致提取前10个特征值的判断效果优于提取前20个特征值.比较表2与表1可知,用幅值高低提取归一化幅值作为特征值来神经网络判别的效果,比采用间隔频率提取归一化幅值采样的效果佳.这从图2b中也可知,完好蛋的响应频率曲线中幅值高低差异明显,而裂纹蛋的幅值高低差异相对小些.从表2也可知,遗传优化神经网络的测试集判断正确率高于标准B P网络.表2　幅值高低提取幅值的判别结果T a b.2　D i s c r i mi n a t i o nf o r c r a c ko r i n t a c t e g g b a s i c o nm a g n i t u d e i nt u r n提取方式网络类型网络拓扑结构训练集的回判正确率/%测试集的判断正确数测试集的判断正确率/%10个特征值标准B P网络30-12-21005882.85遗传优化B P网络30-12-21006187.14 20个特征值标准B P网络60-12-298.465477.14遗传优化B P网络60-12-21005578.573.3　功率幅值高低提取频率从表3可知,采用功率幅值高低提取频率后,神经网络分析的结果比较好,训练集回判正确率均为100%.采用前10个频率作为模式识别的特征值的预测正确率达91.43%和94.29%.采用前20个频率作为特征值的预测正确率也达87.14%和90%.458第30卷采用功率幅值高低提取频率作为特征值来判别完好蛋与裂纹蛋,其效果优于功率谱幅值高低提取幅值的方法.这可能是因为完好蛋的响应频域中幅值较高的低频率较多,特别是提取前10个的特征值中大多系低频率段的,而裂纹蛋的幅值较高频率以中高频率为主.这种差异在功率谱幅值高低提取幅值中没有这样大.提取前10个频率作为特征值的判别正确率比提取前20个频率的正确率要高.在完好蛋前10个频率响应频域中,低频率段占多数;而裂纹蛋前10个频率中中高频率占多数.在完好蛋前20个频率中,增加了许多中高频率;而裂纹蛋的前20个频率也增加了多个低频率.这样导致提取10个特征值的判断效果优于提取20个特征值的判断效果.从表3也可知,遗传优化神经网络的测试集判断正确率高于标准B P网络.表3　幅值高低提取频率的判别结果T a b.3　D i s c r i m i n a t i o nf o r c r a c ko r i n t a c t e g gb a s i c o nf r e q u e n c yb y ma g n i t u d e i nt u r n提取方式网络类型网络拓扑结构训练集的回判正确率/%测试集的判断正确数测试集的判断正确率/%10个特征值标准B P网络30-12-21006491.43遗传优化B P网络30-12-21006694.29 20个特征值标准B P网络60-12-21006187.14遗传优化B P网络60-12-21006390.004　结　论(1)将有裂纹鸡蛋和无裂纹鸡蛋进行敲击激励后,采用柔性压电薄膜传感器获取时域信号和频域特征:无损蛋的频域特征曲线有明显的主频率值,峰值突出;有裂纹蛋频域特征曲线上没有明显的主频率值,峰值多而紊乱.(2)在归一化功率谱中,分别按间隔频率、依次取最高幅值和幅值高低提取频率等方法来提取前10个或取前20个特征值,采用间隔频率提取归一化幅值用神经网络来判别裂纹蛋与完好蛋效果较差;用幅值高低提取归一化幅值作为特征值来神经网络判别的效果较佳;采用功率幅值高低提取频率作为特征值来判别的效果最佳.(3)采用20个特征值后的判别效果分别不如采用10个特征值的判别效果.遗传优化神经网络的测试集判断正确率高于标准B P网络.参考文献(R e f e r e n c e s)[1]　G o o d r u m J W,E l s t e r RT.M a c h i n e v i s i o n f o r c r a c k d e-t e c t i o ni nr o t a t i n g e g g s[J].T r a n s a c t i o n s o f t h e A S A E,1992,35(4):1323-1328.[2]　潘磊庆,屠　康,苏子鹏,等.基于计算机视觉和神经网络检测鸡蛋裂纹的研究[J].农业工程学报,2007,23(5):154-158.P a n L e i q i n g,T u K a n g,S uZ i p e n g,e t a1.C r a c k d e t e c t i o ni ne g g su s i n gc o m p u t e r v i s i o n a n dB P n e u r a ln e t w o r k[J].T r a n s a c t i o n s o f t h e C S A E,2007,23(5):154-158.(i n C h i n e s e)[3]　屠　康,潘磊庆,杨佳丽,等.基于计算机视觉的鸡蛋污斑检测[J].江苏大学学报:自然科学版,2007,28(3):189-192.T uK a n g,P a nL e i q i n g,Y a n gJ i a l i,e t a l.D i r t d e t e c t i o no nb r o w ne g g s b a s e d o nc o m p u t e r v i s i o n[J].J o u r n a l o fJ i a n g s uU n i v e r s i t y:N a t u r a lS c i e n c eE d i t i o n,2007,28(3):189-192.(i nC h i n e s e)[4]　C h o H K,C h o i W K,P a e k J H.D e t e c t i o no f s u r f a c e i ns h e l l e g g s b y a c o u s t i c i m p u l s em e t h o d[J].T r a n s a c t i o n so f A S A E,2000,43(6):1921-1926.[5]　d e K e t e l a e r e B,C o u c k eP,D eB a e r d e m a e k e rJ.E g g-s h e l l c r a c kd e t e c t i o n b a s e do na c o u s t i cr e s o n a n c ef r e-q u e n c y a n a l y s i s[J].J o u r n a l o f A g r i c u l t u r a l E n g i n e e r i n gR e s e a r c h,2000,76(1):157-163.[6]　Wa n gJ,J i a n g RS.E g g s h e l l c r a c kd e t e c t i o n b y d y n a m i cf r e q u e n c y a n a l y s i s[J].E u r o p e a nF o o d R e s e a r c ha n dT e c h n o l o g y,2005,221(1-2):214-220.[7]　王树才,任奕林,陈　红,等.利用敲击声音信号进行禽蛋破损检测和模糊识别[J].农业工程学报,2004,20(4):130-133.Wa n gS h u c a i,R e nY i l i n,C h e nH o n g,e t a l.D e t e c t i o no fc r a c k e d-s h e l l e g g s u s i n g a c o u s t i c s i g n a l a nd f u z z y re c o g-n i t i o n[J].T r a n s a c t i o n s o f t h eC S A E,2004,20(4):130-133.(i n C h i n e s e)(责任编辑　祝贞学)。