基于点云变形分析的羊胴体最佳宰后成熟时间确定方法

为探索羊胴体最佳宰后成熟时间在实际生产过程中应用的方法，以变形检测技术为主要手段，研究通过观测羊胴体宰后成熟过程中的变形情况来确定胴体最佳宰后成熟时间的可行性。以同批宰杀的杜泊绵羊和巴美肉羊胴体作为试验样本，宰杀后静置于恒温排酸间并在宰后一定时间点使用激光扫描仪采集整只胴体的三维点云模型，经过预处理和配准后借助三维色谱图确定胴体上变形显著的感兴趣区域，计算其变形量的同时测定其肉样的pH值和水分含量随时间的损失率两项指标，通过分析两项指标初始值的分布性和一致性筛选用于相关性分析样本集，通过相关系数判断其变形量与上述两项指标之间变化的相关程度。结果表明，试验样本在感兴趣区域的变形量与上述两项指标在宰后成熟过程中变化的相关系数均分别达到0.875和0.944以上，呈现高度相关性。结合从传统方法中得出的研究结论，验证了通过外部观测宰后胴体的变形情况来判断胴体最佳宰后成熟时间的可行性。     

基于声波信号递归图的鸡蛋裂纹检测

针对基于声波信号的鸡蛋裂纹检测过程中易受到噪音干扰的问题,采集运输线上敲击鸡蛋产生的声波信号,对信号进行递归图分析,采用递归定量分析提取递归图的量化特征参数,用于鸡蛋壳裂纹的分类检测。分别构建基于支持向量机(support vector machine,SVM)、反向传播神经网络模型的鸡蛋裂纹分类检测模型,对300枚鸡蛋进行检测。结果表明,SVM检测模型效果较好;在SVM模型中,完好蛋和裂纹蛋的识别率分别达93.98%和95.52%,效果理想。     

基于小波变换和BP神经网络的蛋壳破损检

提出了一种基于多层小波变换和纹理分析的蛋壳破损检测方法。该方法对获取的鸡蛋透射图像G分量在不同水平上进行小波分解，计算和分析各水平高频细节子图像的纹理特征参数，实验确定最有效的8个特征参数作为BP网络输入，建立结构为8—20—2的BP神经网络蛋壳破损分类模型。实验表明，该方法对无破损蛋、线状破损蛋、网状破损蛋和点状破损蛋的判别正确率分别为95%、90%、95%、80%，平均识别率为