基于声信号-图像转换与卷积神经网络的蛋壳裂纹无损检测模型及其在食品安全中的应用

来自研究人员团队开发了一种集成声信号-图像转换的卷积神经网络（CNN）模型，用于蛋壳裂纹检测。通过非破坏性声学激励和变分模态分解（VMD）提取本征模态函数（IMF），并转换为灰度图像进行分类。该模型实现了100%的裂纹识别准确率，包括微裂纹检测，对保障食品安全具有重要意义。

　　

蛋壳存在裂缝或裂纹时会构成显著的食品安全风险，细菌和病毒可能通过这些裂隙侵入，增加食物中毒风险。此外，外壳变形会破坏保护性结构的完整性，使鸡蛋更容易受环境损害并加速变质。

为降低这些风险，研究人员开发了一种集成声信号-图像转换的卷积神经网络（CNN）裂纹检测系统。该系统通过机械电子子系统产生非破坏性声学激励，并用高灵敏度麦克风采集响应声音。

研究采集了120个完好或裂纹鸡蛋的1×731样本信号，经变分模态分解（VMD）处理提取本征模态函数（IMF），随后将IMF转换为灰度图像，并采用声信号-图像转换技术与轻量级CNN进行分类。

该模型展现出卓越能力（100%准确率），能有效区分完好蛋与裂纹蛋（包括不可见微裂纹），为食品工业质量控制提供了可靠解决方案。