基于声学的禽蛋裂纹检测关键技术及在线检测研究

发布时间：2017-12-30 06:21

本文关键词：基于声学的禽蛋裂纹检测关键技术及在线检测研究　出处：《浙江大学》2016年博士论文　论文类型：学位论文

【摘要】：禽蛋是人们曰常生活中最富营养的食物之一,同时也是很多其他食物的原材料,在食品行业中占有举足轻重的地位。禽蛋表面的裂纹极易引起禽蛋内部细菌感染,严重危害食用者的健康,因此,禽蛋裂纹检测是禽蛋品质检测生产线中极为重要的一环。传统人工检测禽蛋裂纹的方法检测精度低、速度慢、容易受人主观因素影响,已经无法满足高通量在线禽蛋品质检测生产线的要求,由于禽蛋裂纹检测自动化难度较大,现已成为制约国内禽蛋品质检测生产线速度的瓶颈。自动化禽蛋裂纹检测方法主要有机器视觉法和声学法两种,声学法由于其检测速度快、信号处理较简单等特点,已被国外用于在线禽蛋裂纹检测。本文结合禽蛋的结构特点和生产线环境特点,研发了用于禽蛋裂纹检测的基于电磁激励的伸缩式激励机构和基于CompactRIO的信号采集系统,探讨了激励机构敲击不同大小禽蛋时最优的敲击力及参数组合,提取了与禽蛋裂纹相关的声学信号特征,并利用人工神经网络构建判别模型验证判别效果,设计了基于FPGA+DSP的禽蛋裂纹在线检测系统,实现对不同运行速度下不同大小禽蛋实施精准的敲击和24通道声学信号同步采集与实时分析,并探究了在线检测系统对完好蛋和裂纹蛋的判别效果。主要研究内容、结果和结论如下：(1)设计了基于电磁驱动的伸缩式禽蛋激励机构、驱动和信号采集系统,探讨了激励机构敲击不同大小禽蛋时最优的冲击力。禽蛋激励机构及系统的研制主要包括：1)分析激励机构的结构、运行原理、敲击力影响因素；2)设计激励机构的驱动电路和声音信号调理电路；3)开发基于NI CompactRIO的数据采集系统,包括对敲击力信号和声音信号的采集与分析。最优的冲击力的探讨过程包括：建立了激励机构敲击到禽蛋表面的敲击力与参数(行程和脉宽)之间的关系,探究了敲击力的上下限及敲击不同大小禽蛋时最优的敲击力及参数组合,最后研究了其他参数对冲击力的影响。结果表明：为保证禽蛋被敲击后不破损,得到敲击力上限约为30 N,为保证激励机构运行稳定,得到敲击力下限为25 N。在实际应用中,针对不同大小的禽蛋需要调整脉宽将敲击力控制在上述合适范围内,禽蛋大小与脉宽的关系为线性关系。(2)分析了敲击禽蛋产生声音的特征并进行优化。提取了声学相关的特征26个,用F-ratio值评估单个特征判别裂纹蛋的能力,并用皮尔逊相关系数对特征两两之间的相关关系进行评估,进而对特征参数进行筛选。分别用所有26个特征和筛选过的特征训练人工神经网络并对比结果,最后利用新的实验样本获取的特征数据对上述训练好的人工神经网络进行验证,并探究不同敲击位置和裂纹位置对检测准确率的影响。结果表明：1)频域总能量E0具有最高的F-ratio值2.058,经过分析筛选掉F-ratio值小于0.1的特征。并根据得到的相关系数,筛选掉相关关系大于0.6的特征对中F-ratio值较小的特征,最后剩余11个特征为：DT、E0、ADF0、DF1、SR、BE1、BE2、BE4、BE5、BE7和BERo 2)人工神经网络训练结果表明两者综合检测准确率分别为99.8%和98.8%,两者差距很小,因此通过本研究方法对特征进行筛选在大大减少计算量的同时又保证检测准确率,具有实用意义。3)完好蛋的判别准确率均在90%以上,裂纹蛋的判别准确率与裂纹位置和敲击位置有关,当敲击位置和裂纹位置在同一侧时检测准确率较高(90%左右),当敲击位置与裂纹位置不同时,检测准确率较低,其中敲击在赤道时,对大头和小头的裂纹的检测准确率约60%,敲击在大头或者小头时,对赤道裂纹的检测准确率约60%,而当敲击位置和裂纹位置分别位于两端时,检测能力很弱(30%)。(3)搭建了禽蛋裂纹在线检测系统。包括：整体机械结构、基于DSP和多传感器的控制系统、基于FPGA和DSP结合的信号采集与分析系统,实现了对不同运行速度下禽蛋精准敲击和对不同大小禽蛋实施相同的敲击,实现24通道声音信号同步采集和实时分析。对裂纹在线检测系统的运行状况进行了测试,结果表明：在线系统运行稳定,满足最快5个／秒的检测速度,不同敲击头敲击产生的信号基本一致,且对不同大小鸡蛋敲击产生信号也基本一致。(4)在禽蛋裂纹在线检测系统平台上,采集了敲击运动中禽蛋产生的信号,探究了在线检测系统判别完好蛋和裂纹蛋的效果。分别测试在静态系统(详见第二章)和在线系统(详见第四章)下训练的神经网络模型对完好蛋和裂纹蛋的判别效果,之后重新评估和筛选了在线系统下信号的特征参数,并与静态系统下筛选的特征进行对比分析,通过神经网络训练并验证重新筛选后的特征参数的判别效果。结果表明：1)静态系统下训练的神经网络对在线系统中的完好蛋和裂纹蛋判别效果较差(完好蛋53%和裂纹蛋66%)。2)在在线系统下重新训练神经网络可以提升判别准确率(完好蛋87%和裂纹蛋82%)。3)而对在线系统下信号特征重新评估和筛选,得到的特征参数为：E0、BE3、BE8、VARt、BER、DT、BE2、 SR、BE4,与静态系统中筛选得到的特征参数存在差异。4)用重新筛选的特征训练的神经网络模型测试在线系统下信号,得到完好蛋和裂纹蛋的判别准确率分别为85.5%和85.3%,判别准确率没有明显提升,但是与静态系统下判别准确率相差较多。5)在线检测系统较容易判别裂纹在大头和赤道的裂纹蛋,而对裂纹在小头的裂纹蛋判别准确率较低。6)蛋重和蛋形指数对判别准确率没有影响。
[Abstract]:......
【学位授予单位】：浙江大学
【学位级别】：博士
【学位授予年份】：2016
【分类号】：TP274;S879.3

【相似文献】