引言

雞蛋新鮮度等級評價是雞蛋品質檢測研究中一項重要的工作。近年來，國內外學者運用介電特性、電子鼻、機器視覺、近紅外光譜分析等技術在雞蛋新鮮度無損檢測領域進行了相關理論研究。研究表明，可以通過介電特征建立雞蛋的電磁特性與其內部成分含量的關系，建立雞蛋新鮮度無損判別模型。在雞蛋腐化過程中，營養(yǎng)物質會被微生物分解而產生NH3、H2S、CH4等特殊氣體，然后通過蛋殼上的氣孔排出，可通過電子鼻氣敏傳感器對揮發(fā)性氣體的組成及濃度進行分析，實現雞蛋內部品質的檢測，但電子鼻分析技術對傳感器靈敏度要求較高。用機器視覺對雞蛋檢測無須對樣品進行特 殊處理，但在應用過程中，雞蛋擺放位置、表面亮斑、雞蛋表面雜質以及雞蛋的蛋殼形狀等因素都會對機器判別準確率產生較大影響。近紅外光譜分析法通過采集雞蛋樣本的透射或者反射光譜圖， 建立待測目標與吸光度之間校正模型來實現對未知樣本的預測，但近紅外光譜不能體現雞蛋的外在圖像特征。蛋殼是雞蛋的重要組成部分，盡管其本身很少用于食用，但是對雞蛋的運輸、保存，乃至內部品質的影響至關重要。雞蛋新鮮度無損檢測的現有方法，各自都有局限和不足，且檢測效率較低。

近年來，高光譜成像技術在農畜產品品質檢測方面得到了廣泛應用。高光譜成像技術獲取的樣本信息具有更廣的維度，集光譜分析和圖像分析于一體。光譜信息可用于表征檢測物質內部屬性，圖像信息可用來代表檢測物質的外觀特征。通過用可見 /近紅外高光譜成像技術建立雞蛋新鮮度無損檢測判別模型，表明基于高光譜成像技術的雞蛋新鮮度無損檢測是可行的。王巧華等采用近紅外高光譜技術對白殼蛋新鮮和不新鮮兩個等級進行成功判別。目前高光譜應用于雞蛋新鮮度的研究主要應用其光譜信息，忽略了高光譜成像獨有的圖像信息，進而丟失了樣本的外在圖像特征。

應用高光譜成像技術評價雞蛋新鮮度具有良好的理論基礎和可行性，滿足快速、無損、準確檢測雞蛋新鮮度的需求。本研究擬采用高光譜透射成像技術，以雞蛋為研究對象，采用哈夫單位為雞蛋新鮮度評價標準，采集不同新鮮度等級雞蛋的500 ～1 000nm波比的高光譜信息，利用連續(xù)投影法篩選出特征波長，對特征波長對應的高光譜圖像進行圖像主成分提取，并提取前三維主成分圖像的灰度共生矩陣紋理參數，建立基于并行式特征融合的粒子群算法尋優(yōu)支持向量機的新鮮度判別模型。在并行式特征融合模型的基礎上，提出遞進式特征融合方法，采用方向梯度直方圖算法提取特征波長對應高光譜圖像的圖像特征，分別建立基于方向梯度直方圖特征的多模型共識策略和深度殘差網絡( ＲesNet) 50 模型的雞蛋新鮮度判別模型。通過比較不同的特征融合方法和建模方法對雞蛋新鮮度等級的判別效果，選出最優(yōu)模型，以期為雞蛋新鮮度等級快速、高效無損判別提供理論支撐與應用實例。

實驗方案

2.1 雞蛋新鮮度等級判定方法

根據我國農業(yè)行業(yè)標準文件，雞蛋的哈夫單位值是衡量雞蛋新鮮度的關鍵性指標。哈夫單位值的國標測定方法: 通過高精度天平稱量雞蛋質量，打破雞蛋殼倒出雞蛋液于干凈的玻璃平面上，游標卡尺測量蛋黃周圍濃蛋白的厚度。哈夫單位計算公式見式。

HU=100 × lg(H+7.57－1.7G0. 37)

HU為哈夫單位; H為蛋白高度，mm; G 為雞蛋質量，g。共測得90枚樣本的哈夫單位值，根據測得的哈夫單位值范圍不同，依據國標定義4種雞蛋等級，分別為特級、一級、二級、三級。“特級雞蛋”和“一級 雞蛋”合并為可食用類別，“二級雞蛋”為不建議食用類別，“三級雞蛋”為不可食用類別。具體分類見表 2。

2.2 高光譜數據采集

2.2 1 高光譜系統校正

高光譜成像系統在數據采集過程中，受到光源在各波段強度分布不均勻以及存在暗電流噪聲的影響，會造成采集的高光譜圖像質量降低。為了降噪及修正圖像，可對原始高光譜系統進行黑白板校正。高光譜照相機掃描到的雞蛋高光譜原始圖像，經黑白板校正轉換為相對透射圖像，校 正公式見式。

Ｒ' = S － D W － D

Ｒ'為校正后的光譜圖像，S為采集到的暗場原始光譜圖像，W 為拍攝光源得到的白板圖像，D為關閉鏡頭后的全黑圖像。

2.2 2 數據采集

分別采集90枚不同新鮮度雞蛋樣品的高光譜圖像，為保證實驗數據不受非系統光線干擾，所有實驗均在常溫暗室中進行。

1) 光譜采集前預熱 20 min，待照明系統穩(wěn)定開始檢測工作。

2) 檢查軟件與儀器的連接狀況，連接成功進行下一步操作。

3) 放置樣品于載物臺，粗調成像光譜儀的掃描速度和曝光時間。

4) 黑板校正: 遮蓋鏡頭，采集多個暗電流噪聲。

5) 白板校正: 將光源移至鏡頭下，采集光源信 號譜圖作為白板信號。

6) 經反復 調 整，確定儀器設置參數: 幀 頻 為 30 Hz，積分時 間 為 31.886ms，掃 描 速 度 為 4.09mm /s。

2.2 3 雞蛋原始高光譜信息采集

采集到的雞蛋透射高光譜偽彩色圖像如圖1。提取90個不同新鮮度雞蛋的感興趣區(qū)域的平均光譜見圖2。

光譜與圖像特征提取方法

3.1 光譜特征提取

由于高光譜數據維度較大，存在信息重疊、共線性度高等問題，故采用連續(xù)投影算法進行光譜特 征提取。SPA是一種前向循環(huán)選擇特征方法，是將某一個單波長作為起始波長，進行多次循環(huán)選取計 算，在每次循環(huán)中計算選中波長在未選中波長上的投影，將最大投影向量對應的波長自動選入特征波長組合。經SPA算法選出的特征波長組合中的每一個波長的共線性關系最小。

3.2 圖像特征提取

圖像信息是高光譜成像技術的特有特征，采用灰度共生矩陣算法和方向梯度直方圖算法提取其圖像特征信息。GLCM以圖像像素的灰度值和位置信息作為參考量，通過分析圖像空間中相鄰區(qū)域間像素點的灰度值組合情況來描述圖像的紋理特征。HOG算法應用在計算機視覺和圖像處理領域中，是通過計算局部圖像梯度方向信息的統計值，來實現物體檢測的。

結果與分析

4.1 不同新鮮度等級雞蛋的光譜信息分析

任意提取3個不同新鮮度等級雞蛋的光譜信息，見3。

從圖3可知，3種不同新鮮等級度的雞蛋分別在 620、700、800 nm 波長附近的波峰呈現明顯差異。620nm 附近波峰變化為橙色可見光的透射信息，主要是由于蛋殼顏色和蛋黃顏色的不同引起 的。700nm 附近處的波峰變化表征紅色可見光的透射信息，3類新鮮度雞蛋的透射率差別較大且可食用雞蛋的透射率最高，不建議食用的雞蛋次之，不可食用的雞蛋透射率最低。產生這種現象的主 要原因是3種新鮮度雞蛋的濃厚蛋白稀化程度依次增大，蛋清的黏度和透明度依次減小，蛋清的酸堿度依次變大，且蛋黃的形態(tài)逐漸變成液態(tài)，內部變得渾濁，導致雞蛋的透射率依次降低。800 nm 附近的波峰變化為近紅外光的透射信息，主要是由于N—H鍵振動和能級的躍遷引起的變化。雞蛋內部的蛋白質部分發(fā)生裂解和變質現象，N—H鍵的穩(wěn)定性被破壞，N—H鍵的含量下降導致此波段內透射率升高。該處透射率差異主要是3種 鮮度等級的雞蛋內部蛋白質等營養(yǎng)物質的含量不同所引起的。

4.2 SPA特征波長提取結果

從圖3可知，3種新鮮度等級雞蛋在3個波峰附近有較大差異，采用 SPA算法提取表征差異的特征波長( 見圖 4) 。SPA 篩選的特征波長數量與均方根誤差( ＲMSE) 變化見圖 4( a) 。經 SPA算法 提取的特征波長有6個，分別為606.83、676.27、740.62、807.91、880.88、905.27 nm，特征波長位置見圖 4( b)

從圖4(a)可知，當篩選的特征波長數為6個時，SPA 的均方根誤差最小，為 0.3843，表明這6個波長對雞蛋等級判別的效果最 佳。圖4(b) 中， 606.83 nm 處的波長是橙色可見光有效波段，該波段處的差異主要是由雞蛋殼顏色和蛋黃顏色的不同引起的; 676.27、740.62 nm處的波長是紅色可見光的有效波段，該波段的差異主要是由雞蛋殼的顏色不同造成的差異; 807.91 nm處的波長為N—H鍵伸縮振動敏感波段，該處透射率的差異主要由雞蛋內部的蛋白質等營養(yǎng)物質的含量不同所引起的; 880.88 nm附近波段為C—H鍵 4 倍頻伸縮振動活躍波段范圍，該處表征雞蛋內部的脂肪等含量的差異; 905.27 nm 附近波段處于O—H鍵伸縮振動波段范圍，該波段的差異受雞蛋內部水分含量不同的影響。

4.3 主成分圖像提取結果

特征波長對應的高光譜圖像見圖5。利用ENVI 軟件對圖像進行主成分分析，根據主成分分量重構前三維圖像見圖 6。前三維圖像的累計貢獻率為95.75% 。

4.4 并行式高光譜圖像與光譜特征數據融合建模結果

提取的主成分分析( PCA) 前三維圖像的 GLCM 紋理特征參數，取其平均值作為該樣本的高光譜圖像特征，將光譜特征波段下的透射率與圖像特征首尾相連，得到 90 個樣本組成的并行式融合數據矩陣。

4.5 遞進式高光譜圖像與光譜特征融合建模結果

4.5.1 基于HOG-SVM的多模型共識策略方法建模結果與分析

針對SPA提取出的6個特征波長下的雞蛋圖像，應用HOG算法對雞蛋圖像進行特征提取，提取后的結果見圖7。

首先分別建立基于HOG圖像特征的6個單波長模型，隨機2∶1劃分樣本集，訓練集樣本60個，預測集樣本30個，則單波長模型對應的訓練集圖像60張，預測集圖像30張。單波長模型的HOG-SVM建模結果見表4，單波長模型訓練集的 圖像誤識別數見圖 8，單波長模型預測集的圖像誤 識別數見圖9。

從表4可知，單波長模型的預測集最高準確率為80.00% ，其他單波長模型的預測集準確率等于或低于70.00% 。從圖8和圖9可知，單波長模型對可食用雞蛋類別的判別效果較好，對不可食用雞蛋和不建議食用雞蛋類別的判別效果不佳。

為了保證不同單波長模型對同一個樣本判別為真和假的概率不相同，采用子模型聯合建模策略，設定子模型聯合個數為4和5。根據表4中單波長模型的識別率從高到低進行排序，固定判別準確率最 高的前3個波長，即807.91、606.83、740.62nm; 依次聯合第4個單波長模型和第5個單波長模型進行建模判別。

聯合第4個單波長模型進行判別，隨機以2：1的比例劃分樣本集，預測集30個，則4個單波長對應的訓練集60個，訓練集樣本圖像240張、預測集樣本圖像120張。4個單波長聯合的HOG-SVM 建模結果見表5。

4個單波長聯合模型的訓練集圖像誤識別數 見圖 10，4個單波長聯合模型的預測集圖像誤識別數見圖 11。

從表 5 可知，4 個單波長聯合模型的預測集最高準確率達82. 50% ，相對于單特征波長模型有小幅提升。從圖10和圖11可知，4個單波長聯合模型的誤識別比例有明顯下降，表明聯合模型比單波長模型整體識別效果更好。

固定判別準確率最高的前4個單波長，即807.91、606.83、740. 62、880.88nm。聯合第5個單波長模型進行判別，隨機2∶1的比例劃分樣本集，訓練集60個，預測集30個，則5個單波長對應 的訓練集樣本圖像300張、預測集樣本圖像150張。5個單波長聯合的HOG-SVM 建模結果見表6，5個單波長聯合模型的訓練集圖像誤識別數見圖12，5個單波長聯合模型的預測集圖像誤識別數見圖13。

從表6可知，5個單波長聯合模型的預測集最高準確率達88.00% ，較單波長模型和4個單波長聯合模型的判別準確率提高了8%左右，判別準確率有了明顯提升，且誤識別比例有了大幅降低。對 比表4、5和6可 得，當5個單波長聯合時，即807.91、606. 83、740.62、880.88、676.27nm 建模判別效果最好，訓練集判別準確率達89.00% ，預測集判別準確率達88.00%。

4.5.2 基于深度殘差建模結果與分析

將SPA提取的特征波長下的高光譜圖像作為輸入，以3∶1的比例劃分數據集，將90個樣本的540張圖像作為輸入，隨機選取180 張圖像作為預測集。建立ＲesNet 50雞蛋新鮮度判別模型，設置Epoch為50，設置batch size為10，學習率( lr) 設置為e－ 4，分類數設置為3。模型在訓練過程中，有兩項模型性能評價指標，分別是loss值和模型分析準確率。迭代50次訓練時間為258 s，訓練集判別準確率在89%附近波動，損失值收斂于0.30; 預測集判別準確率可達86. 67%，損失值收斂于0. 54。ＲesNet 50 的建模結果見表 7。

ＲesNet 50模型的判別準確率變化見圖14，ＲesNet 50模型的損失值變化見圖15。

對比并行式特征融合方法，基于遞進式融合方法的模型判別性能有了明顯提升。改善原因: 一方面，遞進式特征融合是在模型學習了光譜特征后又對其相應圖像進行數據挖掘，獲取的信息更能夠表征樣本的屬性; 另一方面，對判別方法進行改進，引入多模型共識策略可以更好地解決單模型出現的偶然性誤判問題，多模型共識的結果更具有代表性;

深度殘差網絡增加了數據特征提取的層數，使得參 與建模的數據特征更顯著，同時 ＲesNet 50 中引入 殘差的概念提升了模型的性能。

討論與結論

通過采用高光譜透射成像儀無損采集不同新鮮度等級雞蛋的高光譜信息，提取其光譜特征和圖像特征，分別采用并行式圖譜特征融合和遞進式圖譜特征融合方法進行數據分析和建模，得出適用于雞 蛋新鮮度的判別模型。

1) 在并行式特征融合方法中，建立基于SPA-GLCM特征融合的 SVM 等級判別模型，采用PSO優(yōu)化模型，結果為訓練集準確率為 85.00%，預測集準確率為76.67% 。

2) 在遞進式特征融合方法中，建立基于SPA-HOG特征提取方法的多模型共識策略模型和深度ＲesNet 50模型，其中兩種模型的訓練集準確率都能達到89.00% ; 多模型共識策略模型的預測集準確率為88.00% ，深度ＲesNet 50模型的預測集準確率為86. 67% 。對比并行式融合方法，基于遞進式融合方法的模型精度和性能有了明顯提升。圖像與光譜融合方法能實現對不同新鮮度等級的雞蛋較為準確的判別，其中遞進式融合方法的模型性能更好，且遞進式融合方法中的多模型共識策略對不同新鮮度等級的雞蛋判別準確率最高。由于雞蛋種類和數量會對其準確度造成一定的影響，后期可以通過擴大實驗樣本的種類和數量，進而提高模型的判別精度和泛化性。

歡迎關注公眾號：萊森光學，了解更多光譜知識。

萊森光學（深圳）有限公司是一家提供光機電一體化集成解決方案的高科技公司，我們專注于光譜傳感和光電應用系統的研發(fā)、生產和銷售。

審核編輯hhy