1.1  机器视觉概述

机器视觉是近几十年来发展起来的一门智能技术，它主要用计算机来模拟人的视觉功能，从客观事物的图像或图像序列中提取信息，对客观世界的三维景物和物体进行形态和运动识别，目的是寻找人类视觉规律，从而开发出从图像输入到自然景物分析的图像理解系统，最终用于实际检测、测量和控制 [1～3]。

机器视觉是计算机、自动化、光学、视觉学、心理学、脑研究等多学科的交叉领域，它始于20世纪70年代，是在遥感和生物医学图片分析应用技术取得卓越成果的基础上发展起来的。随着计算机技术的飞速发展，机器视觉、模式识别、人工智能及人工神经网络等交叉学科的研究与应用已扩展到人们生产生活的各个领域，在工业检测、农业生产自动化、农产品分选、收获机器人、动植物生长状态监控、机器人导航、视觉伺服系统、军事、医学、商业、闭路电视监控系统和卫星遥感系统等领域得到了广泛的应用，并取得了重要研究成果。机器视觉技术的诞生与应用，极大地解放了劳动生产力，提高了生产自动化水平，改善了人类生活现状，具有很好的应用前景。

机器视觉不仅是人眼的延伸，也具有人脑的部分功能，其优点是速度快、信息量大、功能多、检测精度和效率高。借助红外线、紫外线、X射线、超声波等高新探测技术，机器视觉在探测不可视物体和高危险场景时更突显其优点。在需要重复、单调的依靠视觉获取信息的场合，如大批量的产品品质检测、分级，机器视觉还能够达到快速、准确、无损等人工无法比拟的效果。目前，国内外的许多研究人员已为开发应用于农产品品质识别和分级的机器视觉系统付出了不懈努力，如谷粒的表面裂纹检测、农作物种子的分级以及根据鸡蛋、黄瓜、玉米、竹笋、番茄、辣椒、苹果、桃、梨、柑橘等的大小、形状、颜色和表面损伤与缺陷进行分级，取得了不少阶段性的研究成果。

1.2  研究背景和意义

禽蛋含有人体所需的蛋白质、脂肪、矿物质和多种维生素，易于消化和吸收，具有很高的营养价值，是人们日常生活中重要的动物性营养食品。我国禽蛋资源丰富、品种多样，是世界禽蛋生产和消费大国。伴随着中国经济体制改革开放的步伐，禽蛋业也轻舒猿臂、展翅腾飞。据统计，1982年我国的鲜蛋产量仅281万t，1992年突破1000万t大关，1998年则达到2000万t。2002年中国禽蛋产量增加到2462万t，之后产量连年递增，到2005年已达到2860万t[4，4]，近八年来我国禽蛋年产量一直呈增长趋势(图1)。自1985年以来我国已连续20年保持了世界第一产蛋大国的地位，禽蛋的人均占有和消费量均超过了世界平均水平[5]，禽蛋业在我国工农业生产中扮演着重要的角色。作为全球第一禽蛋生产大国，我国禽蛋的生产成本大大低于其它国家，因此，禽蛋业作为国内畜牧业的优势产业，开拓国际市场理应很有潜力。20世纪90年代以后，我国鲜蛋产量虽逐年飙升，但出口量却持续下滑。

图1  禽蛋年产量增长趋势

Fig.1  The annual output trend of eggs

美国鲜蛋年产量虽占世界第二位(仅为我国产量的1/5)，然而其出口量却占到世界出口总量的22%;荷兰、马来西亚的鲜蛋生产量并不在世界前10位之列，但其出口已分别占到世界总量的31%和7%。他们成功的秘诀是在高效控制质量的前提下，形成了产品规格和包装统一化的市场模式。造成中国禽蛋产业与国际市场差距的主要原因，有以下两个方面：

(1)禽蛋产品本身的质量存在问题[7]，如农药残留、微生物污染等。我国禽蛋业生产集约化程度不高，仅占30%左右，而农村的散养比重却高达70%[4，8]。禽舍的环境控制不力，禽蛋产后处理方式不当及大量的手工劳动污染引起的微生物污染。

(2)禽蛋检测标准未达到国际技术质量标准，缺乏严格的挑选与分级，品种混杂、质量参差不齐。CAC、欧盟和美国均有现行的禽蛋标准，其中CAC是国际通用的标准，其制定有着较为严密的程序和规范，具有一定的先进性、广泛性和普适性，为大多数国家所承认，已被采用为禽蛋国际贸易的基本准则。我国在禽蛋的标准制定方面相对滞后，不能适应国际禽蛋发展的要求。

1.3  国内外研究现状

1.3.1  国外研究现状

20世纪80年代，美国率先运用机器视觉技术进行蛋品品质检测与分级的研究，并在生产中得到了广泛应用，此后日本、西班牙等国也相继开展了这方面的研究。具有代表性的研究有：

正方形箱体的边长L可按式(1)计算：

(1)

所设计光照箱大小为60cm×60cm×60cm，内壁表面均匀用油漆涂成白色，以形成均匀的漫反射。箱顶部有一个4cm×4cm的方孔用于固定摄像机。箱内顶部四角装有位置对称、上下可调的灯座，并配置合适的光源，载物台的支架位置同样可以上下调节，可实现在摄像机固定的条件下不同物距的比较，以获得最佳图像效果。

设 为三维世界坐标系中某目标点 的三维坐标，从三维世界坐标到摄像机图像齐次坐标 的变换如式(2)：

(2)

式中： 分别为焦距f与像素点在u、 方向宽度的比值， 为图像平面不垂直光轴产生的畸变因子， 为光轴与图像平面交点坐标， 为3 ×3旋转矩阵， 为三维平移向量， 。 只与摄像机内部结构有关，称为摄像机内参数， 由摄像机相对于世界坐标系的方位决定，称为摄像机外参数。

3.2.5  检测结果与分析

检测结果如表1所示。

表1  种蛋蛋壳表面缺陷检测结果

Table.4  The different types of defect detection results on eggshells

污斑蛋 裂纹蛋 正常蛋 检测准确率

污斑蛋 73 5 2 94.18%

裂纹蛋 3 81 2 91.25%

正常蛋 5 1 104 96.36%

注：检测结果XXXX

由于在用阈值识别法进行缺陷分割时，将小于50的区域都置为背景，造成了裂纹蛋及污斑蛋的误判;对正常蛋的误判，是由于误将种蛋表面均匀斑点判为脏斑造成的。

今后应对算法作进一步改进和优化，以提高检测准确度。

图2  基于改进免疫遗传算法的LMBP网络算法流程图

Fig.2  Flow chart of LMBP network based on improved immune GA

注：检测结果，图中XXXX

② 编码方式

遗传算法染色体的编码策略有两种方式[128]：一是根据模式定理建议用尽量少的符号编码(如二进制编码);二是以数值优化计算的方便和精度为准，采用一个基因一个参数的办法(如十进制编码)，并把相应的基因操作改造成适合十进制操作的方式。

虽然二进制编码有成熟的模式定理，但采用二进制编码在网络学习中有明显的缺点：一是不直观，二进制编码只能用0和1表示参数，每位上的0和1表示的含义不明确;二是精度低，因为实际的连接权值是实数，将它们用二进制数表示编码实际上是用离散值来尽量逼近权、阈值，这就有可能导致因某些实数权值不能被更精确表达而使网络的训练失败;三是运算效率低。

与二进制编码相比，实数编码存在很多的优势。

表2  算法性能比较

Table.2  Comparison  of algorithm performance

算法 平均

收敛率(%) 平均

收敛代数 平均收敛

速度(s) 回想

准确率(%) 检测

准确率(%)

标准GA-BP 95.8 62 5.8954 100 100

改进免疫GA-LMBP 98.15 41 3.0432 100 100

由表3可知，本文提出的改进免疫遗传LMBP神经网络具有较好的收敛性能，检测准确率高。因此改进免疫遗传LMBP神经网络模型是正确。

6  结论

下面是本文的主要研究内容：

(1) 建立了基于机器视觉的种蛋筛选和孵化成活性检测硬件系统，确定了用于图像采集的光照条件。

(2) 对种蛋筛选方法进行了系统研究，提出了基于机器视觉技术的根据种蛋重量、蛋形、种蛋蛋壳表面缺陷和蛋壳颜色进行种蛋孵化前的种蛋筛选即对种蛋外观品质检测的综合指标评价体系。

① 研究了用于种蛋蛋形和蛋壳颜色自动检测的神经网络模型。将混沌思想、免疫算法与遗传算法相结合，提出了一种改进免疫遗传算法，

② 使用本文提出的方法检测结果与实际称量结果间有良好的相关性，过大蛋、正常蛋和过小蛋检测准确率分别达到了97.73%、97.04%和96.51%。

7  展望

为了进一步提高研究的实用化程度，探索更加有效、快速准确的检测方法，今后还应在以下几方面继续开展研究：

(1) 扩大研究对象范围，研究适合更多品种的种蛋品质与孵化成活性以及商品蛋品质检测分级的方法与技术。

(2) 扩展研究领域。.