壳蛋品质质量分级技术的研究进展和发展趋势

李文康,刘 雪,*,杜 娟,陈 余,王 梁

(1.中国农业大学信息与电气工程学院,北京 100083;2.北京市畜牧总站,北京 100107)

禽蛋营养价值丰富,是居民膳食营养中蛋白质的主要来源之一。禽蛋产量中鸡蛋所占比例最大,约85%左右[1]。我国是鸡蛋生产和消费大国,自1985年我国鸡蛋产量就超越美国居于世界第一,并呈逐年递增趋势,30多年以来一直保持领先地位[2]。2016年我国鸡蛋产量约2631万吨,比2015年增长3.2%[3]。目前,我国居民禽蛋消费以壳蛋为主,约占蛋品消费的90%以上[4]。

欧美及日本等发达国家市场壳蛋的分级已经非常成熟,美国的农业部农产品销售局颁布的文件AMS 56《美国壳蛋品质、重量分级标准》、加拿大的《加拿大农产品法》和日本颁布的日本工业标准(JIS)等法规都明确规定了壳蛋必须经过清洗消毒、分级包装,符合卫生标准后才能进入市场。但是由于传统消费和技术等原因,我国壳蛋的清洗、分级和包装等问题还没有得到根本解决,大部分壳蛋基本都未经过任何加工处理便直接进入市场[1],这与发达国家相比存在很大差距,严重制约了我国禽蛋的生产和消费质量。随着居民生活水平的提高和对食品安全的关注,消费者对壳蛋的大小、颜色、形状和营养价值等的需求越来越多样[5-6],对壳蛋质量安全的要求也越来越高。

传统的壳蛋分级方法是通过外观检查和光照鉴定收集壳蛋质量信息做出分级评定,但检测误差大、效率低,随着现代计算机技术和信息技术的迅速发展与应用,计算机视觉技术、声学特性检测技术、电特性检测技术、动力学检测技术、气味特性检测技术和光谱检测技术等在壳蛋品质质量检测中已经得到广泛应用。围绕壳蛋品质质量分级,国内外学者已经开展了大量的应用研究。

本文以壳蛋品质质量指标为出发点,就壳蛋品质质量参数的获取技术和数据处理分析模型进行了梳理,并对未来壳蛋分级技术的研究和应用方向进行了展望。

1 壳蛋品质质量指标

壳蛋的品质质量指标较多,可以分为质量指标、外部品质指标和内部品质指标三类。

1.1 质量指标

重量是最直观、最常用的壳蛋分级指标[1]。目前我国市场上销售的分级鸡蛋多是采用重量分级。普通鸡蛋的重量一般在45～65 g之间,我国SB/T10638标准根据鸡蛋单枚重量将其分XL、L、M、S四个级别[7]。

1.2 壳蛋外部品质指标

壳蛋外部品质指标是针对壳蛋外部可观特征进行定义、描述而制定的品质指标,主要包括蛋形、清洁度和蛋壳破损度。外部品质指标可直观反映壳蛋品质,是选购鲜蛋时的主要依据。

1.2.1 蛋形 蛋形用于反映壳蛋形状的规则程度,一般以规则的椭圆形为标准[7]。美国农业部要求可食用鸡蛋中A级及以上级别鸡蛋形状规则,B级鸡蛋允许轻微变形[8]。我国SB/T10638标准[7]规定各级鸡蛋都需呈现规则的卵圆形。

1.2.2 清洁度 清洁度由蛋壳上有无污渍和污渍面积大小来判断,蛋壳上的污渍不仅会影响壳蛋品质,还会大大降低消费者购买欲。美国农业部要求其所有进入市场的鸡蛋都必须经过清洗杀菌,外壳干净无污渍[8]。我国也要求包装鸡蛋蛋壳清洁,无肉眼可见污染。

1.2.3 破损度 蛋壳上的裂纹大小和有无漏液反应鸡蛋破损度,蛋壳破损会导致细菌进入,直接影响鸡蛋的货架期和可食用性[9]。美国和我国都要求市场上的包装鸡蛋无破损[7-8]。

1.3 壳蛋内部品质指标

壳蛋内部品质指标用于反映蛋白、蛋黄和胚胎等的品质,可以较好地表征鸡蛋新鲜度等。

1.3.1 哈夫单位 哈夫单位是根据蛋重和浓蛋白高度按公式计算得到的值,是反映鸡蛋新鲜度的主要指标。哈夫单位计算公式如下[10]:

HU=100lg(H-1.7m0.37+7.6)

式中,HU为哈夫单位值,H为浓蛋白高度,m为鸡蛋重量。美国农业部鸡蛋哈夫单位分级要求为:AA级哈夫单位值不小于72,A级为60到72之间(包括60),B级哈夫单位值小于60[8]。

1.3.2 蛋黄指数 蛋黄状态指蛋黄的形状规则度、轮廓清晰度和可否移动等状态,可以反映鸡蛋新鲜度,用蛋黄系数来表征。蛋黄系数计算公式:蛋黄指数=蛋黄高度(mm)/蛋黄直径(mm)[11],随着存储时间的增加,蛋黄高度降低,直径变大,所以蛋黄指数越大,蛋黄状态越好,鸡蛋新鲜度越好。

1.3.3 异物 壳蛋内的异物主要是由于蛋鸡疾病或营养物质缺乏等原因产生的血斑和肉斑等物质[12],异物较大或数量多时会导致鸡蛋不可食用。美国农业部[8]明确规定其AA级和A级鸡蛋内血斑直径应小于3.2 mm,我国SB/T10638标准要求鸡蛋中无血斑肉斑等异物[7]。

1.3.4 气室高度 气室由壳蛋的内外蛋壳膜包围而成,气室高度是反映壳蛋新鲜度的重要指标。新鲜壳蛋气室高度一般小于3 mm[9],存放时间越久,水分和CO2挥发越多,气室高度越大。

1.3.5 蛋白状态 蛋白状态指蛋白的浓厚度和透明度等状态,可用蛋白系数表征,蛋白系数是壳蛋蛋清中浓蛋白与稀蛋白的比值[7]。随着壳蛋的存放,浓蛋白会在蛋白酶的作用下分解,导致蛋白系数减小。蛋白越浓厚透明,蛋白系数越高,壳蛋新鲜度越好。

1.3.6 胚胎发育情况 种蛋在存放过程中可能会产生胚胎发育现象,直接影响壳蛋的可食用性。市场上流通的壳蛋应无明显胚胎发育迹象[7-8]。

根据以上叙述可以看出,壳蛋品质质量指标有很多,各国壳蛋分级标准中都有所规定,而其中蛋重、哈夫单位、蛋黄指数、异物和破损度等被公认为反映壳蛋品质的重要表征指标[13-15]。

2 壳蛋品质质量指标获取技术

壳蛋品质质量指标信息的获取是进行壳蛋分级的基础。传统的指标获取方法是在光照条件下通过人眼获取指标信息,高度依赖人的感官和经验,检测效率低、误差大。随着计算机技术、信息获取和分析技术的发展,新型指标获取技术逐渐发展起来,根据采用的技术手段不同,新型指标获取技术可以分为声学特性检测技术、电特性检测技术、动力学检测技术、气味特性检测技术、光谱检测技术和计算机视觉技术六种。

2.1 声学特性检测技术

声学特性检测的原理是建立样品在声波作用下的反射、散射等特性及阻尼、衰减系数、共振频率与样品品质之间的相关关系,进行品质特征检测[16]。对壳蛋的检测是利用壳蛋被敲击时所产生的声波或壳蛋在声波作用下的反射、吸收等特性,频谱分析声波与壳蛋某一指标的相互关系进行蛋品质检查,常被应用于壳蛋外部品质指标的检测,如破损度等。蛋壳出现裂纹时,其刚度和阻尼系数会发生变化[17],进而导致振动特性的变化。一般情况下,完整的蛋壳声音清脆,破损蛋壳则比较沉闷沙哑[18]。Li P等[19]通过鸡蛋敲击装置获取振动脉冲信号,检测鸡蛋裂缝情况,经对比发现裂纹蛋和完好蛋的振动信号有很大不同,并以此为依据判别裂纹蛋正确率达到95%。林颢[20]等通过多点全面敲击壳蛋,采集分析敲击响应信号,检测裂纹蛋,结果显示系统对裂纹蛋的识别正确率达到92%,证明利用声学特性可以进行裂纹检测具有一定的可靠性。

2.2 电特性检测技术

利用电特性进行样品检测的原理是建立样品电磁特性和内在成分的联系,检测样品品质[21]。利用电特性技术进行鸡蛋内部品质指标如蛋黄系数的研究较多,如孙俊等[22]采用平行极板法测量鸡蛋在1～200 kHz下的介电特性参数,分析鸡蛋的介电特性变化规律,预测蛋黄指数进而反映鸡蛋新鲜度。L. Ragni等[23]进行了鸡蛋电容电压比与哈夫单位、气室高度、蛋黄指数等指标的关系研究,预测结果决定系数在0.64～0.85之间。张蕾[24]利用自制的鸡蛋介电特性测试装置检测鸡蛋介电常数随存储天数的变化曲线,建立介电常数与蛋黄指数的关系,证明了蛋黄指数与介电常数、电容之间有极显著的相关性,为利用介电特性无损检测鸡蛋新鲜度提供了可能。

2.3 动力学特性检测技术

受到激励后,物体会作强迫振动,并且振动随系统内部结构的不同而变化。随着存放时间的增长,壳蛋蛋黄膜系带弹性减弱,蛋黄粘度降低,水样蛋白增加,蛋黄和蛋白的表面张力和粘度随之降低,表现为蛋内部液体运动阻尼比增加[25]。动力学特性检测蛋品质原理就是通过分析鸡蛋的振动信号,得到不同新鲜度鸡蛋的自由振动衰减曲线,从而发现壳蛋品质的判断规律[26]。龙翔等[27]就利用鸡蛋振动力学特性,构建了基于ARM核的鸡蛋新鲜度动态信号测试系统,动态采集鸡蛋的振荡信号,利用鸡蛋阻尼系数的变化反映新鲜程度,验证了利用振动法进行鸡蛋新鲜度检测的可行性。

2.4 气味特性检测技术

电子鼻是基于气味进行食品品质检测的无损检测技术。作为一种智能感官仪器,电子鼻模拟人类嗅觉系统通过气味指纹信息对气体或挥发性成分做定性或定量检测,以实现样品的品质鉴定[28]。由于细菌的分解作用,壳蛋的蛋白质、卵磷脂分解为肽和氨基酸,进一步分解产生H2S和胺类等有异味的物质[29],利用电子鼻检测可反映蛋类挥发成分的整体信息[30]。刘明等[30]利用德国AIRSENSE公司PEN3型电子鼻对20 ℃,70%相对湿度条件下的罗曼鸡蛋进行了气味检测,证明了利用气味检测鸡蛋新鲜度的可行性。英国学者Dutta R等[31]利用电子鼻采集鸡蛋气味,进而对鸡蛋新鲜度进行分级,分级精度达到95%。另外刘鹏等[32]还将电子鼻和机器视觉两种传感器在特征层进行融合,大大提高了鸡蛋新鲜度判别精度,准确率平均值达到92.6%。

2.5 光谱检测技术

光谱检测原理是光照射到物体上,发生表面反射,内部散射、吸收或透射等现象,这几部分光所占比例的大小取决于物体表面情况、内部成分、折射率和入射光波长等因素[33]。通过模型建立光谱与鸡蛋品质之间的关系,既可用于壳蛋指标的定性判别,也可用于定量分析[34]。可见光[35-36]、紫外光[37]、近红外光谱[38-40]和高光谱[41-44]等各个波段都在壳蛋品质指标获取方面有所应用。徐惠荣等[13]利用自制的鸡蛋内部品质光谱检测系统采集鸡蛋可见/近红外光谱信息,对褐壳鸡蛋的血斑情况进行检测,血斑蛋判别正确率达91%,该方法可用于褐壳蛋的血斑检测。Abdel-Nour等[35]利用可见/近红外光谱扫描仪获取鸡蛋411～1729 nm的光谱信息对鸡蛋哈夫单位和蛋白质量进行检测,经验证,决定系数(R2)分别为0.9和0.79,均方根误差(RMSEV)分别为0.06和5.05。Alessandro等[45]将近红外光谱技术应用于鸡蛋新鲜度的检测,采用傅里叶变换近红外光谱仪扫描鸡蛋的漫反射光谱,通过光谱分析识别鸡蛋存储时间正确率达到90%以上。

2.6 计算机视觉技术

计算机视觉技术是基于图像的数字识别技术发展起来的新兴技术[46],涉及人工智能、计算机科学、图像处理、模式识别等多个领域,不仅是人眼的延伸,还具有智能识别的功能,可以适应农产品品质复杂和多样性的要求,在农产品品质检验领域具有广阔的发展空间。在壳蛋分级方面,已有学者在壳蛋蛋形[47]、破损度[14]、重量[22]、清洁度[48]、异物[49-50]和哈夫单位[51]等方面展开大量研究。近些年来,随着计算机视觉技术的发展,样本图像不仅仅可来源于可见光区域[47],还可以来自紫外、近红外、红外、X射线等光谱区域[16]。Omid等[52]利用计算机视觉技术对鸡蛋形状和破损度进行识别,正确率分别达到95%和98%。王巧华等[53]利用基于可见光的计算机视觉装置和Matlab软件获取鸡蛋颜色参数,通过实验获得鸡蛋的新鲜度指标(哈夫单位值),得到鸡蛋新鲜度与其图像颜色参数之间的最优关系。

以上六种主要的指标获取技术,根据不同的检测原理可以获取不同的品质质量指标。声学特性检测技术研究较早,多用于壳蛋外部品质指标如破损度的检测[54-56],电特性和动力学检测技术,适用于壳蛋内部品质指标的检测如哈夫单位和蛋黄系数等[22,27]。光谱和计算机视觉技术都可获取大量数据,可以同时检测多个壳蛋品质和质量指标如蛋重[22]、哈夫单位[38-40]、异物[49-50]和破损度等[52]。电子鼻技术依据壳蛋的气味特性多被应用于哈夫单位的检测[30-32]。随着研究的深入,很多学者进行了多检测技术的集成应用研究[32],集成技术的应用克服了单一技术特异性高、数据单一的缺点,促进了多品质和质量指标的综合检测,并提高了壳蛋分级的准确性和可靠性。表1对参数获取技术的原理、特点和适用指标等信息进行了整理。

表1 壳蛋品质质量指标参数获取技术的应用Table 1 Application of shell eggs quality parameter acquisition technologies

3 壳蛋品质质量指标分析模型

壳蛋常用的品质质量指标如蛋重、哈夫单位、蛋黄指数、破损度等都有其适用的测算分析模型。

3.1 蛋重测算模型

3.1.1 线性回归模型 姜松[15]和张世庆等[58]都利用鸡蛋的长轴、短轴和体积参数构建线性回归模型计算鸡蛋重量。长轴短轴利用计算机图像获取,标准椭球体积公式计算鸡蛋体积。

V=πLB2/6

式中,V为鸡蛋体积,L为长轴,B为短轴。经过图像去噪处理及分析,得到鸡蛋质量回归模型。

m=1.07V

利用该模型进行鸡蛋质量检测结果与称重法得到的鸡蛋质量相关系数达到0.95,且处理速度快,准确率高。

3.1.2 神经网络模型 王巧华等[59]结合计算机采集的鸡蛋图像和BP神经网络模型模型(BP-ANN)建立鸡蛋像素点数和蛋重之间的关系,进行鸡蛋蛋重的测量。经过图像去噪处理,构建了包含输入层、隐含层和输出层的三层神经网络:

图1 BP神经网络结构Fig.1 The BP neural network model

输入层节点数为1,即鸡蛋图像像素数,输出层节点数为3,对应鸡蛋重量三个等级:55 g以下、55～65 g和65 g以上。隐层神经元计算公式

m=(n+l)1/2+a

式中,m为隐层单元数,n为输入层单元数,l为输出层单元数,a为1～10之间的整数。考虑最优收敛速度和训练精度,确定隐含层节点数为25,网络函数传递函数为tansig和purelin,训练函数为trainlm。经过模型的可靠性验证,蛋重分级正确率达到91%,满足蛋品分级的要求,且该模型具有较好的泛化能力和鲁棒性。

3.2 哈夫单位测算模型

3.2.1 支持向量机 林颢等[38]将一类支持向量机(OC-SVM)算法引入鸡蛋新鲜度检测中,通过主成分分析(PCA)近红外光谱信号,采用前3个主成分作为模输入向量,模型目标函数

s.t.(wφ(xi))≥ρ-εi,εi≥0

式中,W是将特征空间到输出空间的权值,v∈(0,1]是提前设定的参数,是支持向量个数的下届,称为v属性。xi为数据点,φ(xi)为第i个数据点在特征空间的像。测试样本依据其落在特征空间中超平面的哪一侧决定其类别,以哈夫单位值大于60为新鲜蛋,小于60为非新鲜蛋,经验证模型对鸡蛋新鲜度分级正确率达到80%。该一类支持向量机模型可以解决输入样本不平衡的问题,相较于传统的二类支持向量机模型适用性更广。

3.2.2 遗传-神经网络模型 Lin H等[39]将遗传算法和人工神经网络结合,构建了基于近红外光谱的鸡蛋哈夫单位遗传-神经网络(GA-ANN)检测模型,遗传思想模型。

式中,δh是隐含层节点错误率,利用对δh的后向反馈可以实现网络权重的优化。构建了三层神经网络模型,将独立成分分析(ICA)后的7个独立光谱信息作为输入参数,哈夫单位值为输出参数。经验证该模型预测值与传统方法测得的鸡蛋哈夫单位值相关系数达到0.879,该神经网络模型结合遗传学思想,较传统神经网络对网络权重有较好的优化性能,网络的收敛速度和训练精度都有所提高。

3.2.3 偏最小二乘法 偏最小二乘法(PLS)是通过误差平方和最小化思想寻找一组数据的最佳匹配函数的方法,可以解决线性回归和非线性拟合等求解问题[60]。Alessandro G等[61]以主成分提取后的近红外光谱数据为输入量建立偏最小二乘回归模型进行鸡蛋哈夫单位的预测,同时进行破坏性检测,将哈夫单位真实值与预测值进行相关分析,相关系数为0.676,该PLS模型对于相关性较好的数据具有很高的预测精度。

3.3 异物分析模型

最小二乘支持向量机模型(LS-SVM)是基于最小二乘算法构建的结构风险最小化向量机模型,在模式判别问题中应用广泛。徐惠荣等[13]进行了基于光谱技术的褐壳鸡蛋血斑检测研究,将LS-SVM模型应用于血斑检测中,选择径向基函数作为核函数,利用基于留一交互验证的二次网格搜索法确定模型参数,通过原始光谱主成分分析,选取前三主成分和蛋壳颜色参数L*、a*和b*融合作为模型输入变量,进行LS-SVM建模分析。因为融合了鸡蛋光谱数据和蛋壳颜色信息,考虑了蛋壳颜色的补偿提高了检测精度,正常蛋检出率为90%,血斑蛋检出率为91.7%。同时,线性判别[13]、偏最小二乘法[64]等数据分析模型在血斑蛋的检测中也有所应用。

3.4 蛋黄指数测算模型

3.4.1 线性回归模型 线性回归模型被一些学者应用于蛋黄指数检测中。Ragni[23]利用平行电极板检测鸡蛋的电特性,将电容电压比和蛋重作为输入参数,构建了蛋黄指数预测多元线性回归模型:

Y=-0.183+2.25M+3.77DC/DV

式中,Y为蛋黄指数,M为鸡蛋重量,DC为电极板电容,DV为电压。张蕾[24]、孙力等[17]也基于鸡蛋的介电特性,利用线性回归模型进行了蛋黄指数的检测,分析表明线性回归模型可以用于蛋黄指数的检测。

3.4.2 偏最小二乘法 金亚美等[57]利用鸡蛋低频波段下的介电特性,建立了蛋黄介电常数对蛋黄水分的PLS预测模型,交叉检验提取主成分作为模型输入参数,预测模型R2为0.9891,RMSEP为0.0653。使用PLS模型检测蛋品质时,一般需要输入参数与预测指标间具有较好的相关性。

3.5 胚胎发育程度分析模型

张伟等[44]利用鸡蛋高光谱图像数据进行鸡蛋胚胎发育情况的分析,引入学习向量量化神经网络模型(LVQ-ANN),LVQ-ANN较传统的BP神经网络模型,参数确定简单,收敛速度快,且更加适合于简单分类问题的处理。将鸡蛋的550～950 nm波段范围的高光谱数据作为输入参数,胚胎发育结果作为输出,经过多次实验,确定了4-10-1的三层神经网络结构,其中隐含层节点数利用式(3)确定,输入层为光谱数据经主成分分析提取的前四个主成分,输出层是鸡蛋代码:(1,0)代表有胚胎发育迹象,(0,1)代表无胚胎发育迹象。经过验证,模型预测准确率达到90%以上,同时模型的稳定性也较高。

3.6 破损度分析模型

3.6.1 支持向量机 支持向量机模型在解决小样本、非线性、高维度和局部最小值等模式识别中有很多优势,被一些学者用于蛋破损检测,何丽红等[63]将粗糙集处理后的鸡蛋敲击声音信号作为模型特征参数,构造支持向量机检测模型式:

K(x,xi)=exp(-|xi-xj|2/(2σ2))

f(x)=sign(y)

3.6.2 变异系数法 潘磊庆等[64]利用敲击裂纹蛋和完整蛋不同位置的频率响应差异检测裂纹,进行鸡蛋分级。敲击鸡蛋赤道两极点等四个位置得到四个响应频率,完好蛋响应频率相似,裂纹蛋差别较大,将四个响应频率进行变异分析,得到变异系数,将变异系数阈值设为1,由此确定鸡蛋的破损判别式:

式中,定义U为所有鸡蛋,A为完好鸡蛋,B为壳裂鸡蛋。当检测得一个鸡蛋的变异系数大于1时为裂壳蛋,小于1时为完好蛋。该判别算法判别简单、计算效率高,对裂纹蛋和完好蛋的分级准确率达到87%。

3.6.3 概率神经网络 Wang Y等[14]将概率神经网络模型(PNN)应用于鸡蛋破损度的检测,PNN是一种基于统计原理的概率神经网络模型,克服了传统BP神经网络收敛速度慢、易产生局部最优的缺点。经过灰度共生矩阵和小波变换进行图像特征提取后,将裂纹特征参数作为模型输入量进行裂纹检测。利用MATLAB实现神经网络的构建:

net=newpnn(P,T,SPREAD)

式中,P为鸡蛋图像特征矩阵和T都是鸡蛋图像特征矩阵,SPREAD是PNN的分布密度。经过实验对比,PNN模型对鸡蛋破损度检测准确率达到96.67%,效果优于传统BP神经网络,同时该模型结构更加稳定,训练速度快,非常适合此类图像分类问题。

3.7 蛋形分析模型

3.7.1 线性判别 段宇飞等[47]通过传送装置动态采集鸡蛋图像,提取鸡蛋尺寸参数,通过计算蛋形指数判别形状规则度。对鸡蛋图像进行漏光处理和最大类间方差法(otsu法)预处理后,利用最小二乘椭圆拟合和凸包算法拟合鸡蛋轮廓,然后从鸡蛋轮廓上提取其长轴和短轴数据。利用蛋形指数公式:

l=la/lb

其中,I为蛋形指数,la为鸡蛋长轴长度,lb为鸡蛋短轴长度。以蛋形指数在1.3～1.35为适中,小于1.3过圆,大于1.35过扁,样本鸡蛋经上述方法分级验证,分级准确率为89.3%,且该方法处理速度快,满足生产需求。

3.7.2 神经网络模型 周维忠等[65]利用计算机视觉采集的鸡蛋图像进行蛋形的筛选。以鸡蛋图像特征数据作为模型输入,利用matlab中的神经网络软件包实现16-8-1的三层结构神经网络模型的构建。

图2 神经网络结构Fig.2 The neural network model

输入层参数为鸡蛋图像进行带离散小波变换特征提取出16个小波变换系数参数,输出层为代表蛋形是否合格的代码,1为合格,0为不合格。该模型利用神经网络的自学习性可以建立了输入与输出参数间任意的非线性映射关系,且鲁棒性好,判别准确率达到93%。

由以上壳蛋品质和质量模型的分析应用可以看出,研究方法由简单的线性计算到非线性映射,考虑的品质指标由单一指标到多指标的综合分析。其中线性回归模型算法简单、计算速度快,适合于简单的判别分析,在蛋重、蛋形和清洁度等指标的分析中都有应用。偏最小二乘法对相关性强的数据具有很高的预测精度,在利用鸡蛋的光谱信息进行指标预测时,如哈夫单位、蛋黄指数和异物等内部指标的预测中该方法使用较多。神经网络以其学习能力强的特点应用于解决各种非线性问题,应用范围非常广,可以适用于大部分品质和质量指标的预测。支持向量机模型适用于解决小样本、非线性问题,在壳蛋分级中应用较多的是在其传统结构的基础上的优化模型,对哈夫单位、破损度和异物等指标都有很好的预测效果。同时在一些指标分析中,多个数据模型的结合,如最小二乘支持向量机、支持向量量化神经网络模型等,可以弥补单一模型的不足,提高模型的可靠性和鲁棒性,为壳蛋分级中多品质和质量指标的综合分析提供了理论支持。表2对各个指标分析模型的应用、特点及效果进行了整理。

表2 壳蛋品质和质量指标分析模型及应用Table 2 Analysis models of shell egg quality indexes

4 发展趋势

消费者需求的多样化和对食品质量要求的不断提高,必将促进我国壳蛋分级的快速发展。同时,现代计算机技术、信息技术和数据处理分析技术的快速发展为壳蛋分级提供了强大的技术支持和保障。多指标参数的融合、检测技术的集成应用、检测过程的自动化和智能化是未来壳蛋分级的必然趋势。

壳蛋品质指标参数的获取将更加注重壳蛋产品的物理和化学等产品特性。光谱技术、计算机视觉技术和电子鼻等先进计算机技术和信息技术为壳蛋品质质量指标参数的获取提供了技术基础,也在很大程度上提高了指标参数获取的准确性和可靠性。

壳蛋分级将注重多指标获取技术的集成和融合。单一的指标获取方法特异性较高,当壳蛋质量情况复杂或发生变化时,可能会出现较大的偏差,降低检测精度。随着光谱分析和计算机技术在壳蛋分级中的集成应用,使得同时检测和获取壳蛋的多项品质质量指标提供技术保障。

壳蛋品质质量指标参数的分析将更加模型化和智能化。神经网络、向量机等数据分析模型在壳蛋分级中的应用,较传统的线性分析算法,能够更加有效地结合软件解决壳蛋分级数据的信息冗杂、影响因子多等问题,更高效智能地处理光谱、计算机等技术获取的大量数据,模型的适应性和计算精度都有很大的提高。

[1]司伟达,韩兆鹏,刘旭明. 鲜蛋分级和质量控制技术研究现状[J]. 中国家禽,2013,35(8):44-48.

[2]杨宁. 2014年我国蛋鸡产业状况及发展趋势[J]. 中国畜牧杂志,2015,51(2):32-37.

[3]中华人民共和国国家统计局. 中国统计年鉴:National bureau of statistics of China. 2016,2017:(总第27期No.27)[M].中国统计出版社,2016,2017.

[4]言思进. 从蛋品加工看我国蛋业的持续发展[J]. 中国家禽,2005,27(9):37-45.

[5]PAUL,BUISMAN. 国际市场上鸡蛋分级的趋势[J]. 中国禽业导刊,2010(16):12-13.

[6]刘璐,郑江霞,徐桂云. 鸡蛋蛋黄比例研究综述[J]. 食品安全质量检测学报,2014(8):2560-2567.

[7]中华人民共和国商务部,SB/T10638-2011,鲜鸡蛋、鲜鸭蛋分级[S].北京:中国标准出版社,2011.

[8]United States Department of Agricultural,AMS 56,United States Standards,Grades,and Weight Classes for Shell Eggs,Agricultural Marketing Service,2000.

[9]白修云,刘旭明,龚海岩,等. 我国与欧美鲜禽蛋质量分级及检验标准比较解析[J]. 中国家禽,2014,36(1).

[10]Zhang W,Pan L,Tu S,et al. Non-destructive internal quality assessment of eggs using a synthesis of hyperspectral imaging and multivariate analysis[J]. Journal of Food Engineering,2015,157:41-48.

[11]刘雪,李亚妹,刘娇,等. 基于BP神经网络的鲜鸡蛋货架期预测模型[J]. 农业机械学报,2015,46(10):328-334.

[12]Roberts J R. Factors affecting egg internal quality and eggshell quality in laying hens[J]. Journal of Poultry Science,2006,41(3):161-177.

[13]徐惠荣,徐文豪,陈华瑞,等. 基于光谱技术的褐壳血斑蛋鉴别方法研究[J]. 农业机械学报,2014,45(2):194-198.

[14]Wang Y. Research on the computer vision cracked eggs detecting method[J]. International Journal of Computer Applications in Technology,2014,50(3/4):215

[15]姜松,漆虹,王国江,等. 禽蛋基本特性参数分析与实验[J]. 农业机械学报,2012,43(4):137-142.

[16]潘立刚,张缙,陆安祥,等. 农产品质量无损检测技术研究进展与应用[J]. 农业工程学报,2008(s2):325-330.

[17]孙力,蔡健荣,林颢,等. 基于声学特性的禽蛋裂纹实时在线检测系统[J]. 农业机械学报,2011,42(5):183-186.

[18]Ketelaere B D,Coucke P,Baerdemaeker J D. Eggshell crack detection based on acoustic resonance frequency analysis[J]. Journal of Agricultural Engineering Research,2000,76(2):157-163.

[19]Li P,Wang Q,Zhang Q,et al. Non-destructive Detection on the Egg Crack Based on Wavelet Transform[J]. IeriProcedia,2012,2(4):372-382.

[20]林颢,赵杰文,陈全胜,等. 基于声学特性的鸡蛋蛋壳裂纹检测[J]. 食品科学,2010,31(2):199-202.

[21]Jha S N,Narsaiah K,Basediya A L,et al. Measurement techniques and application of electrical properties for nondestructive quality evaluation of foods—a review[J]. Journal of Food Science and Technology,2011,48(4):387-411.

[22]孙俊,刘彬,毛罕平,等. 基于介电特性与蛋黄指数回归模型的鸡蛋新鲜度无损检测[J]. 农业工程学报,2016,32(21):290-295.

[23]Ragni L,Gradari P,Berardinelli A,et al. Predicting Quality Parameters of Shell Eggs using a Simple Technique based on the Dielectric Properties[J]. Biosystems Engineering,2006,94(2):255-262.

[24]张蕾,郭文川,马严明. 鸡蛋储藏过程中介电特性与新鲜品质的变化[J]. 农机化研究,2008(4):146-148.

[25]白修云,李勇,孟艳莉,等. 常温保存条件下砂壳鸡蛋和正常鸡蛋蛋品质变化比较[J]. 中国家禽,2013,35(6):29-32.

[26]龙翔.鸡蛋品质无损检测与研究[D].广州:华南农业大学,2008.

[27]龙翔,李运兵,罗霞. 鸡蛋新鲜度无损检测系统的研究与设计[J]. 计算机与数字工程,2010,38(5):155-158.

[28]王俊,崔绍庆,陈新伟,等. 电子鼻传感技术与应用研究进展[J]. 农业机械学报,2013,44(11):160-167.

[29]张虹艳. 电子鼻技术对鸡肉、鸡蛋、羊奶贮藏时间的快速检测[D].杨凌,西北农林科技大学,2012.

[30]刘明,潘磊庆,屠康,等. 电子鼻检测鸡蛋货架期新鲜度变化[J]. 农业工程学报,2010,26(4):317-321.

[31]Dutta R,Hines E L,Gardner J W,et al. Non-destructive egg freshness determination:an electronic nose basedapproach[J]. Measurement Science & Technology,2003,14(2):190-198.

[32]刘鹏,屠康,潘磊庆,等. 基于D-S证据理论的鸡蛋新鲜度多传感器融合识别[J]. 农业机械学报,2011,42(8):122-127.

[33]姚子升. 拉曼光谱分析技术在食品安全保障中的应用及发展[J]. 食品界,2017(3):72-73.

[34]吴建虎,王向东. 鸡蛋品质无损检测技术研究进展[J].中国家禽,2013,35(1):42-44.

[35]Abdel-Nour N,Ngadi M,Prasher S,et al. Prediction of Egg Freshness and Albumen Quality Using Visible/Near Infrared Spectroscopy[J]. Food and Bioprocess Technology,2011,4(5):731-736.

[36]祝志慧,谢德君,李婉清,等. 基于光谱技术和多分类器融合的异物蛋检测[J]. 农业工程学报,2015,31(2):312-318.

[37]Kemps B J,Ketelaere B D. Albumen freshness assessment by combining visible near-infrared transmission and low-resolution proton nuclear magnetic resonance spectroscopy[J]. Poultry Science,2007,86(4):752-9.

[38]林颢,赵杰文,陈全胜,等. 近红外光谱结合一类支持向量机算法检测鸡蛋的新鲜度[J]. 光谱学与光谱分析,2010,30(4):929-932.

[39]Lin H,Zhao J,Sun L,et al. Freshness measurement of eggs using near infrared(NIR)spectroscopy and multivariate data analysis[J]. Innovative Food Science & Emerging Technologies,2011,12(2):182-186.

[40]刘燕德,周延睿,彭彦颖. 基于近红外漫反射光谱检测鸡蛋品质[J]. 光学精密工程,2013,21(1):40-45.

[41]付丹丹,王巧华. 鸡蛋新鲜度、pH及黏度的高光谱检测模型[J]. 食品科学,2016,37(22):173-179.

[42]王巧华,周凯,吴兰兰,等. 基于高光谱的鸡蛋新鲜度检测[J]. 光谱学与光谱分析,2016,36(8):2596-2600.

[43]Zhang W,Pan L,Tu S,et al. Non-destructive internal quality assessment of eggs using a synthesis of hyperspectral imaging and multivariate analysis[J]. Journal of Food Engineering,2015,157:41-48.

[44]张伟,潘磊庆,屠康. 利用高光谱透射图像检测鸡种蛋早期孵化[J]. 农业工程学报,2012(21):149-155.

[45]Alessandro G,Annachiara B,Luigi R,et al. Non-destructive freshness assessment of shell eggs using FT-NIR spectroscopy[J].Journal of Food Engineering,2008,89(2):142-148.

[46]赵燕,涂勇刚,李建科,等. 发酵全蛋蛋黄中的脂肪酸组成分析[J]. 食品工业科技,2013,34(23):336-339.

[47]段宇飞,王巧华,李小明,等. 基于凸包算法的鸡蛋尺寸形状在线视觉高通量检测方法[J]. 农业工程学报,2016,32(15):282-288.

[48]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.

[49]Nakano,K,J. Us ui.,Y. Motonaga and J.Mizutani. Development of nondestructive detector for abnormal eggs[J]. Workshop on control Application in Post harvest and Processing Technology,2001.71-76.

[50]M. C. Garci a-Alegre,A. Ribeiro,D. Guinea,and G. cristobal. Eggshell defects detection based on color processing. SPIE 2000 Electronic Imaging Conf,CA,Jan. 2000.

[51]Sun L,Yuan L M,Cai J R,et al. Egg Freshness on-Line Estimation Using Machine Vision and Dynamic Weighing[J]. Food Analytical Methods,2015,8(4):922-928.

[52]Omid M,Soltani M,Dehrouyeh M H,et al. An expert egg grading system based on machine vision and artificial intelligence techniques[J]. Journal of Food Engineering,2013,118(1):70-77.

[53]王巧华,任奕林,文友先. 基于BP神经网络的鸡蛋新鲜度无损检测方法[J]. 农业机械学报,2006,37(1):104-106.

[54]孙力,蔡健荣,林颢,等. 基于声学特性的禽蛋裂纹实时在线检测系统[J]. 农业机械学报,2011,42(5):183-186.

[55]PAUL,BUISMAN. 国际市场上鸡蛋分级的趋势[J]. 中国禽业导刊,2010(16):12-13.

[56]刘璐,郑江霞,徐桂云. 鸡蛋蛋黄比例研究综述[J]. 食品安全质量检测学报,2014(8):2560-2567.

[57]金亚美,王浩月,杨娜,等. 低频波段对鸡蛋贮藏期间介电特性的影响[J]. 中国食品学报,2015,15(6):220-225.

[58]张世庆,涂佳,孙力,等. 鸡蛋质量与长短轴在线检测方法[J]. 农业机械学报,2014,45(2):204-209.

[59]王巧华,文友先. 基于BP神经网络的鸡蛋大小分级方法研究[J]. 湖北农业科学,2005(1):97-99.

[60]田生昌. 最小二乘法的统计学原理及在农业实验分析中的应用[J]. 数学的实践与认识,2015(4):124-133.

[61]Alessandro G,Annachiara B,Luigi R,et al. Non-destructive freshness assessment of shell eggs using FT-NIR spectroscopy[J].Journal of Food Engineering,2008,89(2):142-148.

[62]陈猛. 鸡蛋新鲜度和血斑蛋光谱技术在线检测研究[D].杭州,浙江大学,2015.

[63]何丽红,刘金刚,文友先. 基于粗糙集与支持向量机的禽蛋蛋壳无损检测[J]. 农业机械学报,2009,40(3):167-171.

[64]潘磊庆,屠康,赵立,等.敲击振动检测鸡蛋裂纹的初步研究[J].农业工程学报,2005,21(4):11-15.

[65]周维忠,冯心海,孙国基. 种蛋外形的计算机视觉识别研究[J]. 农业工程学报,2000,16(6):126-130.