崔建鹏， 徐彦伟， 颉潭成， 南 翔， 王俊澎， 刘守川

(1.河南科技大学 机电工程学院，河南 洛阳 471003; 2.洛阳普莱柯生物工程股份有限公司，河南 洛阳 471000)

0 引 言

鸡蛋胚体作为生物疫苗生产的培养基由于其培育周期长，鸡蛋产量低，一个鸡胚大概只能生产1.5个人份的疫苗。因此，如何快速、准确地筛选出合格的鸡蛋胚体，对于生物制药行业显得极其重要[1]。

河南科技大学胡忠阳等人采用机器视觉技术对鸡蛋胚体进行检测的过程中发现：采用单一的检测方法所建立的模型准确率较低。为解决上述问题，本文引入了基于多信息融合的疫苗培养基检测方法。实验结果表明：利用多信息融合方法检测疫苗培养基是可行的。

1 鸡蛋胚体多信息融合系统设计

多信息融合的基本原理类似人脑综合处理复杂问题的过程。通过将多种传感器数据的综合，实现了传感器之间的信息互补，很大程度上提高了系统的容错能力。本文采用3种传感器分别对鸡蛋胚体的图像、温度和透光度进行测量或标定，根据融合中心输出的结果来判别鸡蛋胚体的类型，检测系统融合流程如图1所示。

2 实验条件与方法

2.1 实验装置

根据实验要求，设计了一套基于多信息融合的疫苗培养基检测系统，主要包括：Firefly MV FMVU—13S2C彩色面阵CCD工业相机、光照度传感器、HYXC—H01型红外测温仪、传感器阿尔泰PCI8510数据采集卡。

图1 鸡蛋胚体多信息融合检测融合流程

2.2 实验材料

按照工厂分类标准，鸡蛋胚体主要分为活胚、弱胚、死胚和污染胚4种类型。因此，实验材料为上述4种胚体，胚体的类别由专业分拣人员通过人工照蛋检测来确定，所有样本均由某生物制药有限公司提供。从每种胚体类型分别选取各50个样本，共计200个样本。其中，100个样本作为训练集，每种类型各取25个样本，用于建立模型，剩余的100个样本作为测试集。

2.3 实验设计

数据采集时，将鸡蛋样本放在托盘上，由工业相机完成对鸡蛋胚体的拍摄，工业相机与垂直面的夹角为30°，方便对鸡蛋进行拍摄，并通过图像采集卡传输到计算机。光照度传感器安装在鸡蛋胚体的正上方，与鸡蛋顶部的距离为1～2 cm。光源选用LED点光源，对单个鸡蛋自下而上进行投射，整个过程在暗箱中进行。温度采集由红外温度传感器测量鸡蛋胚体的温度，并通过PCI8510数据采集卡传输到计算机，采样频率为2 Hz，采样点数为1 024。整个过程在室温(25 ℃)环境下进行。

3 实验结果与分析

3.1 鸡蛋胚体图像分析

原始图像是以RGB模式存放的数字图像，鸡蛋胚体类别图像如图2所示。由图可知，活胚图像血管较多且有分叉，弱胚图像血管较少且断裂，死胚图像没有血管且内部比较均匀，污染胚胚体通体发黑。弱胚、死胚和污染胚属于不合格的的胚体，在检测过程中需要将其剔除。

图2 4种胚体类型

实验采用常用的滤波消噪方法均值滤波、中值滤波和高斯低通滤波等，最终确定中值滤波的方法对鸡蛋胚体进行处理，这种方式不仅滤波后的图像细节保留较好，而且检测效率较高，如图3所示。

图3 鸡蛋胚体图像预处理

对于图像特征数据，通过主成分分析，提取不同数目的主成分因子作为特征变量建立BP判别模型如图4所示。从图中可看出:当主成分数为6时，所建模型的识别率最高，此时预测识别率为90 %。

图4 图像信息不同主成分因子数下训练集和测试集的识别率

3.2 鸡蛋胚体温度分析

图5为4种不同类型鸡蛋胚体温度衰减的拟合图像，活胚显示测量结果为缓慢变化的曲线，而弱胚比活胚温度下降的较快，在不考虑其它因素对测量结果影响的情况下，说明活胚比弱胚更健壮。死胚和污染胚温度下降速度最快。由图可知，弱胚衰减率为活胚的2.1倍，死胚和污染胚衰减率为活胚的2.72倍。

图5 温度衰减曲线

产生这种情况的原因是：孵化鸡蛋最适宜的温度是37.8 ℃，由于鸡胚在孵化初期，已经具有成形的心脏和血管，可以依靠心脏跳动和血管收缩产生热量。

对于温度数据，通过主成分分析，提取不同数目的主成分因子作为特征变量建立BP判别模型，如图6所示。从图中可看出:当主成分数为3时，所建模型的识别率最高，此时预测识别率为82 %。

图6 温度信息不同主成分因子数下训练集和测试集的识别率

3.3 鸡蛋胚体透光度分析

光照度传感器采用光敏探测器，将光照度强度转换为电流信号，再经过运算放大器转换为电压信号输出。实验前先对传感器进行标定，测得标准鸡蛋的透光度电压值显示为406.22 mV。

对训练集100枚鸡蛋进行了测试，将其中的41#～45#蛋的测试结果列于表1。

表1 不同胚体类型的透光度

由表1可知，经过5天的发育，鸡胚的卵黄已经开始发生变化，并开始向气室端扩张，血管呈蜘蛛形，所以,透光量降低。而死胚和污染胚发生的变化不大,所以,显示的电压,活胚和死胚、污染胚已经明显不同，死胚平均电压为533.84 mV，污染胚平均电压为407.666 mV，活胚和弱胚电压值介于两者之间。

对于透光度数据，通过主成分分析，提取不同数目的主成分因子作为特征变量建立BP判别模型如图7所示。从图中可看出：当主成分数为4时，所建模型的识别率最高,此时预测识别率为87 %。

图7 透光度信息不同主成分因子数下训练集和测试集的识别率

3.4 鸡蛋胚体多信息融合检测分析

对于鸡蛋胚体样本所提取的图像信息、温度信息和光照度信息，需要通过一种合适的算法将其进行融合。BP神经网络具有较强的非线性映射能力、高度自学习和自适应能力，可以避免各因素之间的多重相关性。本文采用BP神经网络进行多信息的特征融合和目标求解。

选用具有三层结构的BP神经网络进行特征层融合，在模型建立的过程中，为了能够应用神经网络对各种输入状态进行处理，需要统一量纲，本文采用如下的归一化方法

(1)

BP网络的输入层和输出层节点个数是由输入和输出向量的维数来确定的。输入向量选取6个图像特征、3个温度特征和4个光照度特征参数，所以,输入层的神经元个数为13。胚体类型的判别结果为活胚、弱胚、死胚和污染胚4种情况，所以,输出层节点个数为4，目标输出模式为[0 0 0 1],[0 0 1 0],[0 1 0 0],[1 0 0 0]分别对应活胚、弱胚、死胚和污染胚4种胚体类型。

隐含层根据如下经验公式进行设计

(2)

式中l为隐含层的节点数，n为输入层节点数，m为输出层节点数，a为1～10之间的调节常数。改变l，用同一样本集训练，从中确定网络误差最小时对应的隐含层节点数，经过反复测试确定为11。利用Matlab神经网络工具箱对样本数据进行训练。

将训练好的神经网络对测试集中的样本进行检测，测试结果与单一传感器检测结果对比如表2所示。

表2 不同模型在测试集中的检测结果

由表可知，基于BP神经网络的融合模型对测试集的检测准确率比用单一传感器建立的检测模型对测试集的识别率分别提高了7 %,15 %和10 %，这说明通过多信息融合

的方法对鸡蛋胚体进行检测的方法是可行的。

4 结 论

本文以疫苗培养基为研究对象，利用多信息融合检测方法，建立了网络结构为13—11—4的三层BP神经网络融合判别模型，该模型对测试集样本的识别率为97 %。实验表明：基于多信息融合的疫苗培养基检测方法是可行的，提高了疫苗培养基检测系统的检测速率和可靠性，随着样本数据的增加，该模型将更加完善。

参考文献:

[1] 胡忠阳，颉潭成，南 翔，等．孵化鸡蛋胚体缺陷在线图像检测系统[J].机械设计与制造，2010(10)：81-83.

[2] 田景文，高美娟.人工神经网络算法的研究及应用[M]．北京:北京理工大学出版社,2006.

[3] 傅荟璇，赵 红．Matlab神经网络应用设计[M]．北京：机械工业出版社，2010： 227-268.

[4] 潘 泉，于 昕，程永梅，等．信息融合理论的基本方法与进展[J]．自动化学报，2003,163(1-3)：175-180．

[5] 陈 红，王巧华，宗望远，等．禽蛋品质检测现状及展望[J].湖北农业科学，2003,42(2):85-87.

[6] Xie Tancheng，Mao Hengxuan，Xu Yanwei．A decision tree me-thod based on support vector machine to identify egg embryo[J]．Key Engineering Materials,2012，522：833-837.

[7] 刘 鹏，屠 康，潘磊庆．基于多传感器融合的鸡蛋裂纹系统性识别[J]．农业机械学报，2010，41(10)：185-189.

[8] 刘 健，吴雄喜，计时鸣． 基于多信息融合的油液品质评价方法及其实现[J]．中国机械工程，2010,21:2614-2618.