浅谈禽蛋品质检测的发展

浅谈禽蛋品质检测的发展

0脂肪含量及组成鸟类和蛋含有人体所需的各种营养成分，其中蛋白质含量超过12%，脂肪含量超过11%，其组成部分比例非常适合人体。这些营养成分在人体中的利用率也很高。禽蛋经过加工,可以制成各种深受消费者喜爱的传统风味的蛋制品,如松花蛋、咸蛋等。1国内外对鸟类和蛋质量的检测1.1血斑的检测光学无损检测的原理是:光照射到物体上以后,光能一部分被外表面反射;一部分进入物体内遇到细胞结构或产生散射,或被物体所吸收;其余部分则透过物体。这几部分比例的大小,取决于被照物体的表面状况、内部成分、折射率以及入射光的波长等因素。物体的透光程度常用光密度来度量,它是物体透射率倒数的对数,只要找出光密度或透射率与蛋内部品质之间的相关关系就可判断其内部品质。20世纪50年代,美国就研究利用光学技术探测蛋的血斑,现已在实际中得到了应用。1989年,吴守一等分析了光密度和透射率与鸡蛋内部品质之间的相关关系,通过对鸡蛋新鲜度的追踪试验,找出了鸡蛋透射率值与一般新鲜度指标(哈夫值、蛋黄指数、挥发性盐基氮)之间的相关关系,并建立了鸡蛋新鲜度的影响因子,得出了相应的等级分界值,为鸡蛋无损检测标准和设计鸡蛋新鲜度分级装置提供了理论参考。1993年,方如明等人为提高鸡蛋内部品质光特性无损检测的精度,建立了鸡蛋的光学模型,找出了整蛋、蛋内容物、蛋壳三者透射特性之间的关系,通过试验研究得到了鸡蛋内部品质指标(哈夫值)与整蛋投射率、蛋壳颜色和外形参数之间的相关关系。1995年,日本农林水产省家畜卫生试验场的安藤义路发现了一旦对鸡蛋照射紫外线,鸡蛋本身就会发出荧光,而且越是新鲜的鸡蛋,其发光越强烈。1996年,陈斌等人研究鸡蛋主要成分的光谱透射特性,分析了它们的光谱透射曲线和存放时间的变化趋势,并对鸡蛋做了大量的跟踪试验,探索通过测量鸡蛋的光谱透射特性评价鸡蛋品质的新方法,为进一步设计全自动鸡蛋品质检测设备提供了有价值的参考数据。2002年,刘燕德等为了更好地无损检测鸡蛋的新鲜度,分析鸡蛋内部品质与透射特性的相关关系,从而对鸡蛋的新鲜度做出估量,研究了波长在200~600nm范围内鸡蛋新鲜度的光特性。试验结果表明:在波长为400~600nm的可见光区域,利用鸡蛋的透射特性对其新鲜程度进行无损检测和分级具有可行性。1.2蛋白检测和蛋白比检测机器视觉技术是20世纪70年代初期在遥感图片和生物医学图片分析两项应用技术取得卓有成效的成果后,开始崭露头角的。随着图像处理技术的发展与计算机硬件成本的下降及运行速度的提高,在农产品品质自动检测和分级领域,应用机器视觉系统已变得越来越具有吸引力。机器视觉不仅是人眼的延伸,更重要的是其具有人脑的部分功能,在农产品品质检测上的应用正是满足了这些应变的要求。机器视觉技术的特点是速度快、信息量大、功能多。以水果为例,可以一次性完成多个品质指标的检测,还可以测量定量指标。应用机器视觉技术有利于设计自动分级流水线,因而机器视觉技术在农产品品质自动检测方面有很好的应用前景。1991年,Elster,R.T.andGoodrum,J.W.采用直方图均衡化和sobel算子相结合的方法检测鸡蛋表面的裂痕,从而将鸡蛋分为合格品和次品两种,检测准确性达到96%;但该方法有时会将鸡蛋图像中连在一起的白点误判为裂纹,而且检测每个鸡蛋的时间平均需要25.3s。1992年,GoodrumJ.W.等人运用机器视觉技术研究了对连续旋转鸡蛋进行裂纹检测的方法,正确率达到94%;但是该方法需要根据鸡蛋的大小不时调整软件的校准刻度,影响了检测速度。1994年,Patel等人通过获取图像的直方图来训练神经网络,检测有裂纹的鸡蛋和A级鸡蛋,模型准确率为90%,速度有了显著地提高。在1995~1998年间,Patel用神经网络技术继续研究检测有裂纹的鸡蛋,准确率为87.8%,有污点的准确率为85%,准确率较低。1998年,Nakano,K.J.用彩色图像采集系统,检测有裂纹鸡蛋准确率为96.8%,检测破裂鸡蛋准确率为98.5%,检测脏蛋准确率为97.3%,检测正常鸡蛋准确率为96.8%,总体准确率为97.2%,虽然准确率较高;但该系统只能检测白壳蛋。1999年,Keigokuchida,MihoFukaya指出蛋黄蛋白比与图像的红、绿、蓝成分间系数显著相关,选用来自4条生产线的不同种源的蛋品,通过获取蛋品的4个角度的图像,利用计算机图像统计分析方法对蛋黄蛋白比进行无损检测,将预测和实际检测结果分为5级,预测和实际检测结果0误差的准确率为76.1%,误差为0~1%的准确率为100%;由于要提取红、绿、蓝成分分量以及统计分析方法的使用,影响了检测速度。1995年,苏臣根据蛋白、蛋黄、蛋壳在光照中的不同特征,将鸡蛋分为新鲜蛋、散黄蛋、搭壳蛋、腐臭蛋、胚胎发育蛋、无精蛋等类型,利用鸡蛋的灰度直方图,进行了6类鸡蛋品质的检测。但检测的准确率较低,如散黄蛋、搭壳蛋的误判率分别达到13.3%和16.7%,而且速度较慢,判定每个蛋的时间为4.5s。1997年,杨秀坤从算法和理论入手,将遗传神经网络方法与彩色计算机视觉系统相结合进行鸡蛋新鲜度检测,将鸡蛋分为合格与不合格两种。2000年,周维忠在研究鸭蛋孵化时,在孵化早期选择了H、I、S彩色模型,利用量化后的色度值作为种蛋颜色内部特征参数,采用小波神经网络分类器判别孵化中种蛋成活可能性;在孵化中期,选择了形态学方法判别孵化中种蛋成活可能性。2001年,陈佳娟等人将计算机视觉技术与遗传神经网络相结合,建立了一套适合于孵化鸡蛋可成活性自动检测的计算机视觉系统,通过计算机视觉技术获取了孵化鸡蛋的色度直方图,并提取了孵化鸡蛋表面颜色特征,采用遗传算法优化了多层前馈神经网络的拓扑结构与权值,提高了神经网络的学习质量和学习速度,实现了孵化鸡蛋可成活性的自动检测。试验结果表明,该方法准确率较高,并具有鲁棒性和高速度。2003年,文友先等应用机器视觉技术,研究出鸭蛋大小及蛋心颜色自动分级系统,鸭蛋蛋壳颜色与蛋心区域颜色信息有关,可用光密度值进行模糊识别。该系统运用机器识别的方法对鸭蛋蛋心颜色、蛋壳厚度、蛋的新鲜度以及蛋重进行检测,建立的模型能够使蛋心颜色检测在(-2,2)级上的准确率达到91%,蛋重检测在(-2,2)kg上的准确率达到93%。蛋厚的准确率达到81%,新鲜度达到82%。1.3鸡蛋新鲜度与电导率关系讨论禽蛋的电学特性是利用对禽蛋的电导率的差异,建立与其相关的模型来检测禽蛋的品质。1991年,刘熙等人对不同新鲜度的鸡蛋进行了pH值、TVBN和电导率的检测,通过对其结果的分析得出,随着鸡蛋新鲜度的降低,鸡蛋的电导率呈下降趋势;反之,电导率升高。鸡蛋内容物不同组分之间的电导率值有明显的差异,以蛋清最高,蛋黄最低,并由此提出了用电导率检测鸡蛋的电导率值作为判断鸡蛋的新鲜度的方法。1996年,沈林生等人设计研究出用生物电鉴别受精蛋的检测装置。其研究结果表明:大部分受精蛋孵化48h后其直流电位的波形呈现方波,而无精蛋近似于直线;通过在种鸡场对受精蛋检测装置的实测考核,其判别三胚龄孵化受精蛋的准确率达到91.7%。1.4对激发鸡蛋声脉冲的检测利用动力学特性检测禽蛋品质的原理,是建立禽蛋的冲击或振动特性与禽蛋的品质之间的相关关系。1992年,李其才等人研制了传感器装置及信号变换电路,利用动力学原理研究禽蛋质量自动检测,建立了数学模型,并提出了模型参数最优化的估算方法。1992年,刘信芳等人进行了不同材料上的鲜蛋跌落试验和冲击试验,提出了动载作用下蛋的破损用能量加以描述,并为鲜蛋的贮运、加工装备的设计提供了一定的依据。1999年,Coucke研究介绍了以无破坏性冲击鸡蛋的振动频率来设定蛋壳特性,描绘了在最低响应频率时的三维振动模型(未损坏),并分析了蛋壳指标(赤道处厚度、宽度、形状指数)与动态硬度值之间的相关性。利用声学冲击特性检测禽蛋品质的原理,是根据敲击禽蛋所产生的声脉冲,利用频谱分析来研究禽蛋破损的品质特性。1995年,公茂法等人采用的机械敲击法,利用禽蛋被敲击时所产生的声音大小和频率的不同这一原理,实现了简单的自动检测蛋壳裂纹的方法。该方法根据敲击产生的声音信号大小来判断鸡蛋有无裂纹。当无裂纹时,声音较大;当有裂纹时,声音较小。2000年,Ketelaere等人利用声学脉冲共振特征频率特性来检测蛋壳的裂纹,通过对整蛋的时间信号和频率信号分析与功率谱密度的分析,得出了利用振动鸡蛋的球形动态特性测量方法是有效的检测鸡蛋裂纹的方法,检测裂纹精度小于0.5%。2000年,Cho等人采用声波冲击频率特性来探测蛋壳的裂纹。其原理是利用系统声脉冲,测量蛋壳反应信号,并分析信号的频率范围。检测结果表明:破损蛋误测为完好蛋、完好蛋误测为破损蛋的机率分别为6%和4%,检测速度为5个/s鸡蛋。2004年,王树才等人利用敲击声音信号进行禽蛋破损检测和模糊识别,其研究结果表明:正常蛋、破损蛋、钢壳蛋、尖嘴蛋的敲击声音信号在衰竭时间、最小共振峰频率和4点最大频率差等参数上存在差异,且差异的边界是模糊的。利用最大隶属度原则进行模糊识别,破损蛋的识别准确率达95%。2005年,姜瑞涉等研究了鸡蛋经敲击激励后用传感器获取时域特性信号,并进行信号频域分析,来检测蛋壳裂纹。结果表明:无裂纹鸡蛋的频域特征有相似的规律性,存在一个较明显的主频率值,峰值突出;有裂纹鸡蛋频域特征无规律性,没有明显的主频率值,峰值较紊乱;裂纹蛋上不同测点的频域特性有较大差异。2我国畜禽蛋加工产业发展的路径在广泛学习和了解国内外禽蛋品质检测技术的基础上,可以看出,将新