高新浩，劉　斌（.蘇州工業(yè)職業(yè)技術(shù)學(xué)院機(jī)電工程系，蘇州500；.測(cè)試計(jì)量技術(shù)及儀器河北省重點(diǎn)實(shí)驗(yàn)室燕山大學(xué)，秦皇島066004）

?

基于機(jī)器視覺(jué)的鮮食玉米品質(zhì)檢測(cè)分類(lèi)器設(shè)計(jì)與試驗(yàn)

高新浩1，劉斌2
（1.蘇州工業(yè)職業(yè)技術(shù)學(xué)院機(jī)電工程系，蘇州512100；2.測(cè)試計(jì)量技術(shù)及儀器河北省重點(diǎn)實(shí)驗(yàn)室燕山大學(xué)，秦皇島066004）

摘要：設(shè)計(jì)一種基于機(jī)器視覺(jué)的鮮食玉米品質(zhì)檢測(cè)分類(lèi)器。利用計(jì)算機(jī)視覺(jué)技術(shù)，通過(guò)小波分析方法對(duì)不同角度拍攝的鮮食玉米圖像進(jìn)行紋理特征分析；在獲取玉米圖像紋理特征的基礎(chǔ)上，采用最大熵函數(shù)對(duì)紋理圖像的分離度進(jìn)行度量，并結(jié)合重量判據(jù)設(shè)計(jì)鮮食玉米品質(zhì)檢測(cè)分類(lèi)器，實(shí)現(xiàn)對(duì)不同品種、尺寸以及破損程度的鮮食玉米進(jìn)行分類(lèi)，有效剔除病蟲(chóng)害污染的玉米產(chǎn)品。該設(shè)備可有效減少因工人主觀經(jīng)驗(yàn)水平的參次不齊等主觀因素導(dǎo)致產(chǎn)品質(zhì)量檢測(cè)分類(lèi)不均的現(xiàn)象。經(jīng)實(shí)驗(yàn)驗(yàn)證，該品質(zhì)檢測(cè)分類(lèi)器能夠有效完成不同重量、尺寸的鮮食玉米的產(chǎn)品品質(zhì)檢測(cè)與分類(lèi)，有效分類(lèi)率可達(dá)到99%以上。關(guān)鍵詞：計(jì)算機(jī)視覺(jué)；作物；分類(lèi)器；紋理特征；小波分析；視覺(jué)熵

高新浩，劉斌.基于機(jī)器視覺(jué)的鮮食玉米品質(zhì)檢測(cè)分類(lèi)器設(shè)計(jì)與試驗(yàn)[J].農(nóng)業(yè)工程學(xué)報(bào)，2016，32（01）：298-303.doi：10.11975/j.issn.1002-6819.2016.01.041 http://www.tcsae.org

Gao Xinhao, Liu Bin.Design and experiment of fresh corn quality detection classifier based on machine vision[J].Transactions of the Chinese Society of Agricultural Engineering（Transactions of the CSAE）, 2016, 32（01）: 298－306.（in Chinese with English abstract）doi：10.11975/j.issn.1002-6819.2016.01.041 http://www.tcsae.org

0　引言

隨著人類(lèi)生活品質(zhì)的提升，甜、糯鮮食玉米以其柔嫩的口感，豐富的營(yíng)養(yǎng)而成為當(dāng)今世界新開(kāi)發(fā)的十大高檔蔬菜品種之一[1]。中國(guó)于2000年將鮮食玉米納入國(guó)家玉米品種管理體制，并大力發(fā)展鮮食玉米種植和深加工產(chǎn)業(yè)。隨著鮮食玉米產(chǎn)業(yè)的深入發(fā)展，消費(fèi)者對(duì)鮮食玉米產(chǎn)品的數(shù)量和品質(zhì)的要求也越來(lái)越高，這對(duì)加工技術(shù)日趨完善,產(chǎn)品形式多樣的鮮食玉米深加工產(chǎn)業(yè)提出了更高的檢測(cè)分類(lèi)要求和標(biāo)準(zhǔn)[2-3]。如何對(duì)產(chǎn)品品質(zhì)進(jìn)行更加科學(xué)有效的檢測(cè)與分類(lèi)對(duì)促進(jìn)鮮食玉米產(chǎn)業(yè)的結(jié)構(gòu)升級(jí)具有巨大的推動(dòng)作用，具有重要的社會(huì)價(jià)值和經(jīng)濟(jì)價(jià)值[4]。

目前，在鮮食玉米深加工產(chǎn)業(yè)中，產(chǎn)品的品質(zhì)檢測(cè)與分類(lèi)工作主要依靠工作經(jīng)驗(yàn)豐富的工人進(jìn)行手工檢測(cè)與分類(lèi)操作。該過(guò)程不僅消耗大量人力成本，同時(shí)由于操作工人工作經(jīng)驗(yàn)程度的參差不齊致使鮮食玉米的分類(lèi)層次界限模糊，嚴(yán)重影響了鮮食玉米深加工產(chǎn)業(yè)的發(fā)展速度和程度。針對(duì)鮮食玉米加工產(chǎn)業(yè)自動(dòng)化設(shè)備的研究主要集中玉米剝皮設(shè)備[5-7]、玉米種子及其品質(zhì)檢測(cè)與分類(lèi)[8-13]、玉米病害識(shí)別[14]等領(lǐng)域。在鮮食玉米產(chǎn)品品質(zhì)檢測(cè)與分類(lèi)領(lǐng)域，國(guó)內(nèi)外相關(guān)雜志未有相關(guān)研究論文及專(zhuān)著發(fā)表。

同時(shí)，經(jīng)剝皮的鮮食玉米表皮柔嫩易損，常規(guī)接觸式的檢測(cè)與分類(lèi)手段容易損壞玉米表皮，進(jìn)而影響產(chǎn)品品質(zhì)。因此，鮮食玉米品質(zhì)檢測(cè)與分類(lèi)需采用非接觸式檢測(cè)手段進(jìn)行。針對(duì)鮮食玉米產(chǎn)品本身這一特點(diǎn)，本文利用機(jī)器視覺(jué)技術(shù)開(kāi)展鮮食玉米產(chǎn)品品質(zhì)檢測(cè)與分類(lèi)的研究，并設(shè)計(jì)鮮食玉米品質(zhì)檢測(cè)分類(lèi)器，實(shí)現(xiàn)對(duì)不同品種、尺寸以及破損程度的鮮食玉米進(jìn)行檢測(cè)分類(lèi)，有效剔除病蟲(chóng)害污染的玉米產(chǎn)品。

1　檢測(cè)分類(lèi)器設(shè)計(jì)

1.1檢測(cè)分類(lèi)器結(jié)構(gòu)設(shè)計(jì)

針對(duì)鮮食玉米表皮柔嫩易損這一特點(diǎn)，本文利用計(jì)算機(jī)視覺(jué)技術(shù)設(shè)計(jì)鮮食玉米檢測(cè)分類(lèi)器進(jìn)行玉米品質(zhì)的無(wú)損檢測(cè)與分類(lèi)。檢測(cè)分類(lèi)器設(shè)計(jì)結(jié)構(gòu)如圖1所示。

圖1　檢測(cè)分類(lèi)器設(shè)計(jì)結(jié)構(gòu)Fig.1　 Structure of detection and classification

整個(gè)檢測(cè)分類(lèi)器系統(tǒng)由視覺(jué)采集模塊、檢測(cè)分類(lèi)控制系統(tǒng)、分類(lèi)執(zhí)行機(jī)構(gòu)3部分構(gòu)成。視覺(jué)采集模塊利用兩臺(tái)工業(yè)智能相機(jī)對(duì)放置于傳送帶上的玉米的不同角度的圖像進(jìn)行采集。其中，玉米本身位置和角度通過(guò)傳送機(jī)構(gòu)上的旋轉(zhuǎn)裝置調(diào)整玉米面對(duì)相機(jī)的角度，采集獲得的圖像將被傳送到檢測(cè)分類(lèi)控制系統(tǒng)中進(jìn)行特征分析處理。同時(shí)，利用旋轉(zhuǎn)裝置上安裝的壓力傳感器檢測(cè)鮮食玉米的重量，為玉米的分類(lèi)提供重量判據(jù)；檢測(cè)分類(lèi)控制系統(tǒng)作為該套檢測(cè)分類(lèi)設(shè)備的控制核心，完成玉米圖像的濾波處理及紋理特征信息提取，依據(jù)紋理特征信息結(jié)合重量判據(jù)實(shí)現(xiàn)產(chǎn)品的品質(zhì)與類(lèi)別分類(lèi)，最后輸出分類(lèi)控制指令；分類(lèi)執(zhí)行機(jī)構(gòu)包括運(yùn)動(dòng)驅(qū)動(dòng)卡、伺服控制器及伺服電機(jī)分類(lèi)執(zhí)行單元3部分組成。該執(zhí)行機(jī)構(gòu)接收分類(lèi)指令并通過(guò)運(yùn)動(dòng)控制卡控制伺服電機(jī)單元轉(zhuǎn)動(dòng)一定角度，產(chǎn)品輸送到不同類(lèi)別指定倉(cāng)儲(chǔ)位置，實(shí)現(xiàn)鮮食玉米的分類(lèi)操作。

1.2檢測(cè)分類(lèi)控制流程

在分類(lèi)檢測(cè)器設(shè)計(jì)中，利用計(jì)算機(jī)視覺(jué)技術(shù)完成鮮食玉米品質(zhì)檢測(cè)與分類(lèi)。檢測(cè)分類(lèi)器工作流程如圖2所示。

圖2　檢測(cè)分類(lèi)器工作流程Fig.2 Workflow of detection and categorizer

在被檢測(cè)玉米通過(guò)傳送帶輸送過(guò)程中，光電開(kāi)關(guān)信號(hào)分別觸發(fā)兩路工業(yè)相機(jī)采集被測(cè)玉米不同角度的圖像，該圖像被送至檢測(cè)分類(lèi)系統(tǒng)進(jìn)行圖像特征提取并對(duì)進(jìn)行分類(lèi)；最后，控制軟件系統(tǒng)解析分類(lèi)信息指令并通過(guò)運(yùn)動(dòng)控制卡控制伺服電機(jī)旋轉(zhuǎn)分類(lèi)盤(pán)到達(dá)指定角度位置，被測(cè)玉米被輸送到指定種類(lèi)倉(cāng)儲(chǔ)位置存放。檢測(cè)分類(lèi)器的控制軟件系統(tǒng)利用VS2010設(shè)計(jì)開(kāi)發(fā)，控制軟件人機(jī)交互操作界面如圖3所示。

圖3　檢測(cè)分類(lèi)器控制軟件Fig.3　 Control soft of detection and categorizer

在控制軟件設(shè)計(jì)中，為提高檢測(cè)的有效性并保證整個(gè)檢測(cè)與分類(lèi)過(guò)程的流暢執(zhí)行，采用多線程實(shí)現(xiàn)被測(cè)產(chǎn)品各類(lèi)特征數(shù)據(jù)的采集和產(chǎn)品圖像特征處理與分類(lèi)的并行執(zhí)行。軟件系統(tǒng)主要完成檢測(cè)分類(lèi)的過(guò)程控制、產(chǎn)品圖像的采集與特征檢測(cè)、產(chǎn)品重量、尺寸檢測(cè)和分類(lèi)操作控制。軟件界面被劃分為產(chǎn)品實(shí)時(shí)數(shù)據(jù)顯示區(qū)、產(chǎn)品圖像顯示區(qū)、檢測(cè)分類(lèi)參數(shù)設(shè)置區(qū)以及軟件控制操作區(qū)四部分。產(chǎn)品實(shí)時(shí)數(shù)據(jù)顯示和產(chǎn)品圖像顯示區(qū)域分別完成被測(cè)產(chǎn)品各類(lèi)檢測(cè)數(shù)據(jù)和圖像的實(shí)時(shí)采集和顯示；檢測(cè)分類(lèi)參數(shù)設(shè)置區(qū)域完成檢測(cè)參數(shù)和產(chǎn)品等級(jí)分類(lèi)劃分標(biāo)準(zhǔn)設(shè)定；軟件控制操作部分完成產(chǎn)品檢測(cè)與分類(lèi)操作過(guò)程控制。

2　產(chǎn)品檢測(cè)分類(lèi)算法

鮮食玉米在剝皮過(guò)程中往往由于剝皮機(jī)的擠壓和撕扯導(dǎo)致產(chǎn)品表面的玉米顆粒破裂，從而影響鮮食玉米的品質(zhì)。另外，玉米產(chǎn)品本身也可能存在蟲(chóng)害污染問(wèn)題。因此，選取何種檢測(cè)手段對(duì)玉米顆粒是否破裂以及破裂程度進(jìn)行檢測(cè)評(píng)估是對(duì)鮮食玉米品質(zhì)進(jìn)行準(zhǔn)確檢測(cè)和分類(lèi)的最重要問(wèn)題。在人工檢測(cè)分類(lèi)操作中，操作工人憑借主觀經(jīng)驗(yàn)通過(guò)對(duì)產(chǎn)品一摸（產(chǎn)品表面顆粒飽滿(mǎn)度）、二看（顆粒是否破損）、三比較（比較玉米尺寸大小）完成產(chǎn)品的品質(zhì)檢測(cè)分類(lèi)。但利用計(jì)算機(jī)和常規(guī)檢測(cè)手段很難實(shí)現(xiàn)與操作工人相同的檢測(cè)分類(lèi)操作流程。因此，本文在鮮食玉米產(chǎn)品品質(zhì)檢測(cè)與分類(lèi)器設(shè)計(jì)中，采用計(jì)算機(jī)視覺(jué)技術(shù)結(jié)合重量檢測(cè)手段實(shí)現(xiàn)產(chǎn)品品質(zhì)檢測(cè)與分類(lèi)。

計(jì)算機(jī)視覺(jué)技術(shù)主要首先提取圖像的特征參量，然后利用特征參量實(shí)現(xiàn)被測(cè)產(chǎn)品的品質(zhì)檢測(cè)與分類(lèi)。圖像特征參量包括灰度、顏色、紋理等低層特征。在鮮食玉米檢測(cè)中，由于鮮食玉米種類(lèi)較多，產(chǎn)品顏色多種多樣，以顏色特征參量作為檢測(cè)判據(jù)不能實(shí)現(xiàn)較好的檢測(cè)效果；同時(shí)，像灰度特征作為檢測(cè)判據(jù)受自然環(huán)境中光線變化影響而導(dǎo)致檢測(cè)分類(lèi)錯(cuò)誤。因此，特征參量的選取應(yīng)該不受光線照度影響、具有旋轉(zhuǎn)不變性等特點(diǎn)。紋理作為自然界物體表面的自然基本屬性存在，人類(lèi)描述和區(qū)分不同物體的重要特征之一。鮮食玉米表面顆粒排布形成一種自然紋理，蟲(chóng)害污染或顆粒破損都將導(dǎo)致紋理特征的改變和破壞。本文在檢測(cè)分類(lèi)器算法中選取鮮食玉米的紋理特征作為檢測(cè)判據(jù)。

2.1鮮食玉米圖像紋理特征描述

圖像紋理表現(xiàn)為二維空間內(nèi)的灰度變化模式，其為一個(gè)區(qū)域特征。對(duì)圖像紋理的描述主要包括一致性、密度、粗糙性、規(guī)則性、方向性、頻率和相位等[15-16]。自20世紀(jì)89年代以來(lái)，紋理分析方法分為結(jié)構(gòu)分析方法、統(tǒng)計(jì)方法、基于紋理模型的方法和信號(hào)處理方法。結(jié)構(gòu)分析方法假設(shè)紋理由紋理基元按照某種規(guī)則排列形成，該分析方法僅適用于規(guī)則紋理；統(tǒng)計(jì)方法利用隨機(jī)變量灰度在圖像空間的分布進(jìn)行統(tǒng)計(jì)性分析，適用于自然紋理分析，該統(tǒng)計(jì)方法又可分為空間域和頻域2種分析方法；基于紋理模型的分析方法通過(guò)所建立的圖像模型描述紋理，該類(lèi)分析方法需要構(gòu)建合適的圖像模型，適用范圍較窄；基于信號(hào)處理分析方法利用信號(hào)處理技術(shù)對(duì)紋理開(kāi)展描述和分析，該類(lèi)紋理分析方法大致包括空間濾波器、頻域?yàn)V波器核Gabor/小波模型。針對(duì)鮮食玉米紋理特征分析，通過(guò)是否存在蟲(chóng)害污染和顆粒破損進(jìn)行產(chǎn)品品質(zhì)判斷，這屬于對(duì)紋理基元細(xì)節(jié)描述分析。因此，在本文提出的紋理檢測(cè)分類(lèi)算法中采用小波分析模型對(duì)產(chǎn)品紋理進(jìn)行分析。2.1.1小波分析

小波變換具有多尺度分解特性，可以分別從空域和頻域兩個(gè)方面分別對(duì)紋理圖像進(jìn)行分析，該分析方法將紋理圖像在頻域分解為低頻子帶（表征紋理基本結(jié)構(gòu)）和若干方向上的高頻子帶（表征紋理細(xì)節(jié)），然后對(duì)各子帶的特征進(jìn)行提取并形成特征向量用以描述復(fù)雜的紋理。圖像信號(hào)的小波變換結(jié)果可以表示為一個(gè)低分辨率的圖像近似信號(hào)與所有細(xì)節(jié)信號(hào)的疊加[17-18]。Daubechies小波（dbN）具有緊支集的標(biāo)準(zhǔn)正交基，當(dāng)N=1時(shí)，db1代表Haar小波。dbN離散形式表示為：

dbN離散小波變換的模平方具有固定的表達(dá)式：

在鮮食玉米紋理特征檢測(cè)中采用Haar小波變換形式，則此時(shí)N=1，式（1）和式（2）表示為：

在實(shí)際紋理圖像計(jì)算中，采用積分圖像對(duì)Haar小波變換特征進(jìn)行模擬，已提高小波變換的求解速度。在鮮食玉米紋理圖像小波變換計(jì)算中利用Lienhart等提出的Haar-like邊緣特征和對(duì)角線特征對(duì)二階小波變換進(jìn)行求解。Haar-like的X和Y方向邊緣特征以及對(duì)角線特征如圖4所示：

圖4　Haar-like邊緣特征和對(duì)角線特征Fig.4 Haar-like border and diagonal features

2.1.2圖像熵判據(jù)

通過(guò)對(duì)圖像紋理基元的特征分析，可以獲得紋理圖像定量的描述。但在圖像紋理特征分析的實(shí)際應(yīng)用中，通過(guò)各種紋理特征描述方法獲取的紋理特征向量具有冗余性和干涉性將對(duì)特征描述算法的精度和執(zhí)行效率產(chǎn)生不利影響。因此，選取合適的紋理特征度量是正確進(jìn)行紋理特征選擇和相似性分類(lèi)的基礎(chǔ)。目前紋理特征度量的方法主要有基于距離度量[19]、概率距離度量[20]和熵函數(shù)度量[21]3類(lèi)?；诰嚯x度量通過(guò)特征空間上的距離系數(shù)的選擇，以距離衡量特征向量之間的聚類(lèi)關(guān)系，該方法運(yùn)算速度快，但針對(duì)較復(fù)雜的自然紋理特征處理效果較差；基于概率距離度量則從統(tǒng)計(jì)角度建立類(lèi)別的特征向量條件概率密度分布來(lái)衡量類(lèi)別之間的概率距離度量，針對(duì)自然紋理特征處理效果較好，但計(jì)算量較大，不適用于實(shí)時(shí)操作處理；基于熵函數(shù)的度量從信息論的角度出發(fā)，利用紋理特征向量的后驗(yàn)概率建立類(lèi)別之間的分離度度量，該方法運(yùn)算量適中，且對(duì)自然紋理特征處理效果較好。在鮮食玉米紋理分析分類(lèi)中，權(quán)衡計(jì)算時(shí)間成本與分析效果二者對(duì)實(shí)際檢測(cè)分類(lèi)運(yùn)行的影響，最終選取基于最大熵函數(shù)度量進(jìn)行紋理圖像的分離度度量。最大熵函數(shù)模型如式（5）所示：

式中，H為滿(mǎn)足條件概率分布的熵值，P={p｜p是X集合上滿(mǎn)足Y條件的概率分布}。其中，X和Y為不同分類(lèi)條件的集合，x和y分別為不同分類(lèi)條件變量，x∈X，y∈Y。

首先，利用二階小波變換對(duì)產(chǎn)品圖像的紋理特征進(jìn)行頻域分解。針對(duì)鮮食玉米產(chǎn)品，如果產(chǎn)品出現(xiàn)區(qū)域蟲(chóng)害污染或顆粒破損情況時(shí)，表征圖像紋理細(xì)節(jié)特征的高頻子帶將產(chǎn)生變化，污染程度和顆粒破損的不同程度表現(xiàn)為紋理細(xì)節(jié)特征的混亂程度的不同。因此，利用二維最大熵函數(shù)作為分析判據(jù)對(duì)鮮食玉米紋理細(xì)節(jié)的混亂程度進(jìn)行描述和表征。

單純的二維最大熵函數(shù)對(duì)圖像紋理細(xì)節(jié)的表征并不理想。因此，在圖像熵度量判據(jù)模型設(shè)計(jì)中，首先選取特定角度（90°、135°和180°）的小波變換濾波函數(shù)對(duì)紋理圖像進(jìn)行濾波，在獲取產(chǎn)品紋理明顯的表征特征的基礎(chǔ)上，選取第2層和第3層高頻部分圖像并將圖像分割為16等份分別進(jìn)行圖像二階熵值計(jì)算。獲取各子圖像的二階熵值并計(jì)算熵值數(shù)據(jù)的標(biāo)準(zhǔn)差，通過(guò)標(biāo)準(zhǔn)差值的大小作為表征玉米產(chǎn)品品質(zhì)和分類(lèi)的判據(jù)。

2.2基于小波分析的鮮食玉米品質(zhì)檢測(cè)與分類(lèi)算法

基于紋理特征的鮮食玉米品質(zhì)檢測(cè)與分類(lèi)算法分為檢測(cè)器和分類(lèi)器兩部分，檢測(cè)器利用Haar小波分析完成玉米圖像在不同頻率范圍和尺度范圍內(nèi)的紋理特征檢測(cè)；在獲取相應(yīng)的紋理特征描述之后，分類(lèi)器通過(guò)計(jì)算圖像二階熵值并結(jié)合重量判據(jù)進(jìn)行鮮食玉米的品質(zhì)分類(lèi)。檢測(cè)分類(lèi)算法流程如圖5所示：

圖5　檢測(cè)分類(lèi)算法流程Fig.5 Flow of detect and categorize algorithm

在檢測(cè)器部分，針對(duì)鮮食玉米圖像中玉米顆粒度大小及分布情況，算法完成3層二階小波分析計(jì)算，并選取第2層和第3層高頻部分圖像進(jìn)行后續(xù)的圖像二階熵值計(jì)算。在分類(lèi)器的設(shè)計(jì)中，分別選取鮮食玉米正反2幅圖像經(jīng)過(guò)小波分析處理后的高頻圖像進(jìn)行圖像熵值計(jì)算，并結(jié)合產(chǎn)品的重量判據(jù)將產(chǎn)品類(lèi)別分為剝皮不凈、蟲(chóng)害污染、顆粒嚴(yán)重破損、顆粒輕微破損和顆粒無(wú)破損5類(lèi)。分類(lèi)器判據(jù)結(jié)構(gòu)設(shè)計(jì)如圖6所示：

圖6　分類(lèi)器判據(jù)結(jié)構(gòu)Fig.6　 Criteria structure of categorizer

3　試驗(yàn)驗(yàn)證

利用本文提出的鮮食玉米檢測(cè)分類(lèi)算法對(duì)鮮食玉米進(jìn)行實(shí)際品質(zhì)檢測(cè)和分類(lèi)試驗(yàn)。試驗(yàn)設(shè)備如圖7所示。

圖7　試驗(yàn)設(shè)備Fig.7 Experiment devices

試驗(yàn)設(shè)備配置參數(shù)如表1所示。

表1　試驗(yàn)設(shè)備配置參數(shù)Table 1 Parameters of experiment device

試驗(yàn)分別選取不同品質(zhì)程度的鮮食玉米圖片進(jìn)行檢測(cè)，圖8所示為被檢測(cè)圖像紋理特征。

圖中，（a）～（f）所示為不同種類(lèi)（A類(lèi)和B類(lèi)）、剝皮不凈、蟲(chóng)害污染和顆粒破損四類(lèi)鮮食玉米圖像，（h）～（m）為利用三階小波分析函數(shù)對(duì)各個(gè)圖像分別在水平、垂直和對(duì)角方向上進(jìn)行濾波處理獲取的紋理特征高頻分量。比較各階紋理特征發(fā)現(xiàn)不同品質(zhì)鮮食玉米產(chǎn)品紋理特征分解有明顯的區(qū)別。

圖8　被測(cè)圖像及紋理特征分解Fig.8 Texture feature decompose and test images

針對(duì)不同品質(zhì)的玉米，利用圖像最大熵函數(shù)對(duì)圖像紋理分解特征進(jìn)行量度分析，各類(lèi)產(chǎn)品在水平、垂直和對(duì)角方向紋理特征熵值求解如圖9所示。

圖9　不同方向紋理特征熵值求解Fig.9　 Entropy value of texture feature in different direction

圖中列舉了5類(lèi)典型產(chǎn)品類(lèi)別在水平、垂直和對(duì)角方向?qū)?yīng)的圖像熵值，從中可以明顯看出蟲(chóng)害污染熵值明顯高于其他種類(lèi)熵值；此外，產(chǎn)品出現(xiàn)顆粒破損時(shí)紋理熵值低于產(chǎn)品正常顆粒狀態(tài)。根據(jù)圖像紋理熵值閾值并結(jié)合重量判據(jù)即可實(shí)現(xiàn)被測(cè)產(chǎn)品的品質(zhì)檢測(cè)與分類(lèi)。

4　結(jié)論

1）設(shè)計(jì)鮮食玉米檢測(cè)分類(lèi)算法。利用計(jì)算機(jī)視覺(jué)技術(shù)，采集鮮食玉米圖像并通過(guò)小波分析算法獲取圖像紋理特征；在此基礎(chǔ)上，基于最大熵函數(shù)判據(jù)度量紋理圖像的分離度，并結(jié)合重量判據(jù)實(shí)現(xiàn)鮮食玉米產(chǎn)品品質(zhì)自動(dòng)檢測(cè)與分類(lèi)。

2）設(shè)計(jì)鮮食玉米自動(dòng)檢測(cè)與分類(lèi)裝置。通過(guò)工業(yè)相機(jī)、檢測(cè)分類(lèi)算法那和分類(lèi)執(zhí)行機(jī)構(gòu)3者配合實(shí)現(xiàn)對(duì)不同種類(lèi)、尺寸及顆粒破損程度的鮮食玉米產(chǎn)品品質(zhì)的自動(dòng)檢測(cè)和分類(lèi)，有效剔除病蟲(chóng)害污染產(chǎn)品，降低個(gè)人主觀經(jīng)驗(yàn)導(dǎo)致的產(chǎn)品質(zhì)量分類(lèi)不均現(xiàn)象。實(shí)驗(yàn)結(jié)果顯示，該檢測(cè)分類(lèi)裝置可以實(shí)時(shí)完成玉米產(chǎn)品檢測(cè)與分類(lèi)，檢測(cè)分類(lèi)速度可達(dá)1 500 kg/h，總體有效分類(lèi)率可達(dá)99%以上。

3）試驗(yàn)過(guò)程發(fā)現(xiàn)，針對(duì)顆粒破損程度不同的產(chǎn)品的有效檢測(cè)分類(lèi)率為92%左右。經(jīng)初步分析，該現(xiàn)象與產(chǎn)品圖像獲取環(huán)境及檢測(cè)分類(lèi)算法中熵值判據(jù)的顆粒度相關(guān)。在圖像獲取過(guò)程中，LED光源的照射角度及光源照度對(duì)圖像質(zhì)量影響較大；同時(shí)，熵值顆粒度大小與產(chǎn)品檢測(cè)分類(lèi)過(guò)程的處理時(shí)間和分類(lèi)精度成正比，較粗的熵值顆粒度導(dǎo)致產(chǎn)品分類(lèi)粗糙，較細(xì)的熵值顆?？商岣弋a(chǎn)品檢測(cè)精度但處理速度降低。下一步將針對(duì)圖像獲取環(huán)境構(gòu)建及算法熵值判據(jù)參數(shù)的優(yōu)化開(kāi)展研究。

[參考文獻(xiàn)]

[1]邢燕菊,陰衛(wèi)軍，邱登林，等.鮮食玉米的品質(zhì)評(píng)價(jià)及采收期品質(zhì)變化[J].山東農(nóng)業(yè)科學(xué)，2011，11：44-46.Xing Yanju, Yin Weijun, Qiu Denglin et cl.Quality evaluation of fresh corn and its quality changes during harvest time [J].Shandong Agricultural Sciences, 2011, 11: 44-46.（in Chinese with English abstract）

[2]劉夫國(guó)，牛麗影，李大婧，等.鮮食玉米加工利用研究進(jìn)展[J].食品科學(xué)，2012，33（23）：375-379.Liu Fuguo, Niu Liying, Li Dajing, et al.Research progress in processing and utilization of fresh corn[J].Food Sciences, 2012, 33（23）:375-379.（in Chinese with English abstract）

[3]陳曉軍.鮮食玉米綜合利用技術(shù)及效益初探[J].農(nóng)業(yè)科技通訊，2013（1）：90-94.

[4]史振聲.鮮食玉米品種品質(zhì)評(píng)價(jià)及標(biāo)準(zhǔn)的探討[J].玉米科學(xué)，2007，14（6）：69-70.Shi Zhensheng.Evaluation of fresh food corn varieties and quali ty standards[J].Journal of Maize Sciences, 2007, 14（6）: 69-70.（in Chinese with English abstract）

[5]宋朝玉，朱丕生，劉樹(shù)堂，等.籽粒水量與鮮食糯玉米適宜采收期關(guān)系的研究[J].山東農(nóng)業(yè)科學(xué)，2014，46（11）：43-45.Song Chaoyu, Zhu Pisheng, Liu Shutang, et al.Study on relationship between seed water content and optimum harvest period of fresh waxy maize[J].Shandong Agricultural Sciences, 2014, 46（11）: 43-45.（in Chinese with English abstract）

[6]趙玉強(qiáng)，何曉鵬，劉清，等.甜玉米剝皮機(jī)結(jié)構(gòu)改進(jìn)及性能試驗(yàn)[J].食品與機(jī)械，2014，30（2）: 102-105.Zhao Yuqiang, He Xiaopeng, Liu Qing et al.Design and development of a sweet corn husker[J].Food Machinery, 2014, 30（2）: 102-105.（in Chinese with English abstract）

[7]趙玉強(qiáng)，何曉鵬，師建芳，等.鮮食玉米剝皮機(jī)的設(shè)計(jì)與試驗(yàn)[J].農(nóng)業(yè)工程學(xué)報(bào)，2011，27（2）：114-118.Zhao Yuqiang, He Xiaopeng, Shi Jianfang, et al.Design and development of sweet and waxy corn husker [J].Transactions of the Chinese Society of Agricultural Engineering（Transactions of the CSAE）, 2011, 27（2）: 114-118.（in Chinese with English abstract）

[8]易克傳,曾其良，陳守江.小型摩擦式鮮食玉米剝皮機(jī)的設(shè)計(jì)[J].包裝與食品機(jī)械，2011，29（6）：24-26.Yi Kechuan, Zeng Qiliang, Chen Shoujiang.Desion on fresh corn husker by rubbing method [J].Packaging and Food Machinery, 2011, 29（6）: 24-26.（in Chinese with English abstract）

[9]凌云.基于機(jī)器視覺(jué)的谷物外觀品質(zhì)檢測(cè)技術(shù)研究[D].北京：中國(guó)農(nóng)業(yè)大學(xué)，2004年.Ling Yun.Study on Grain Appearance Quality Inspection Using Machine Vision[D].Beijing:China Agricultural University, 2004.（in Chinese with English abstract）

[10]趙敏.基于機(jī)器視覺(jué)的玉米品質(zhì)檢測(cè)[D].長(zhǎng)春：吉林大學(xué)，2012.Zhao Min.Detection of the Maize Qualities Based on Machine Vision Technology[D].Changchun: Jilin University, 2012.（in Chinese with English abstract）

[11]萬(wàn)鵬，孫鐘雷，宗力.基于計(jì)算機(jī)視覺(jué)的玉米粒形檢測(cè)方法[J].中國(guó)糧油學(xué)報(bào)，2011，26（5）: 107-110.Wan Peng, Sun Zhonglei, Zong Li.Detection method of maize kernel shape based on computer vision[J].Journal of the Chinese Cereals and Oils Asscociation, 2011, 26（5）: 107 -110.（in Chinese with English abstract）

[12]郝建平，楊錦忠，杜天慶，等.基于圖像處理的玉米品種的種子形態(tài)分析及其分類(lèi)研究[J].中國(guó)農(nóng)業(yè)科學(xué)，2008，41（4）: 994-1002.Hao Jianping, Yang Jinzhong, Du Tianqing, et al.A study on basic morphologic information and classification of maize cultivars based on seed image process [J].Scientia Agricultura Sinica, 2008, 41（4）: 994-1002.（in Chinese with English abstract）

[13]程洪,史智興，尹輝娟，等.基于機(jī)器視覺(jué)的多個(gè)玉米籽粒胚部特征檢測(cè)[J].農(nóng)業(yè)工程學(xué)報(bào)，2013，29（19）：145-151.Cheng Hong, Shi Zhixing, Yi Huijuan, et al.Detection of multicorn kernel embryos characteristic using machine vision [J].Transactions of the Chinese Society of Agricultural Engineering （Transactions of the CSAE）, 2013, 29（19）: 145-151.（in Chinese with English abstract）

[14]田有文，王濱，唐曉明.基于紋理特征和支持向量機(jī)的玉米病害的識(shí)別[J].沈陽(yáng)農(nóng)業(yè)大學(xué)學(xué)報(bào)，2006，36（6）：730-732.Tian Youwen, Wang Bing, Tang Xiaoming.Recognition of maize disease based on texture feature and support vector machine[J].Journal of Shenyang Agricaltural University, 2006, 36（6）: 730-732.（in Chinese with English abstract）

[15]劉曉民.紋理研究及其應(yīng)用綜述[J].測(cè)控技術(shù)，2008，27（5）：4-9.Liu Xiaomin.Summary of texture research [J].Measurement Control Technology, 2008, 27（5）: 4-9.（in Chinese with English abstract）

[16] Haralick R M, Shanmugam K, Dinstein I H.Textural features for image classification.IEEE Trans.on SMC, 1973, 3（6）:610-671.

[17] LuCS,ChungPC,ChenCF.Unsupervisedtexturesegmentationvia wavelettransform[J].Pattern Recognition.1997,30（5）:729-742.

[18] Bashar M K, Matsumoto T, Ohnishi N.Wavelet transform-based locally orderless images for texture segmentation [J].Pattern Recognition Letters, 2003, 24（15）: 2633-2650.

[19] Shen H C, Bie C Y C, Chiu D K Y.A texture-based distance measure for classfication[J].Pattern Recognition, 1993, 26（9）: 1429-1437.

[20] Reyes-Akdasoro C C, Bhaleraom A.The Bhattacharyya space for feature selection and its application to texture segmentation[J].Pattern Recognition, 2006, 39（5）: 812-826.

[21] Lewandowski J.Maximum-entropy estimate of the orthorhombic texture from ultrasonic measurements[J].Ultrasonics, 1995, 33 （3）: 229-238.

Design and experiment of fresh corn quality detection classifier based on machine vision

Gao Xinhao1, Liu Bin2
（1.Department of Mechanical and Electrial Engineering, Suzhou Institute of Industrial Technology, Suzhou, 215100, China; 2.Hebei Provincial Key laboratory of Measurement Technology and Instrumentation, Yanshan University, Qinhuangdao, 066004, China）

Abstract:In the deep processing of fresh corn, the detection and classification of fresh corn quality are an important but tedious process.The traditional treatment needs a lot of experienced workers to complete this operation, while the results of product quality detection and classification are affected by the subjective experience factors.In order to ensure product quality and increase productivity, an automatic detection and classification algorithm for corn product quality and the equipment are designed in this paper.This automatic device consists of the vision acquisition module, detection and classification control module and execution control module.The vision acquisition module acquires the images of products through the cameras which are installed on the device.In the equipment design process, 2 work stations are designed to capture the images of fresh corn in different view, and the position of fresh corn product is rolled over by a designed mechanical device which is driven by a step motor.In order to provide high quality images for the detection and classification, a light emitting diode（LED）light source is installed near the camera and lighting the measured product during the process of image acquisition; the detection and classification control module is the control core, and it accomplishes the image filtering, texture feature extraction and product classification.In the end of detection and classification operation, this module will export the control instruction to the execution control module.The execution module consists of motion control card, servo controller and servo motor.Using these components, this module moves for special degrees according to the control instruction, and sends the measured products to the designated storage location.In the detection and classification algorithm design process, the computer vision technology is used to detect the fresh corn images and extract texture feature of image.At first, we capture the fresh corn images from different angles of view, and then the texture features of fresh corn images are calculated through the wavelet analysis.In this algorithm, the high-frequency components of texture feature in the horizontal, vertical and diagonal direction are calculated respectively; based on the analysis of texture feature, the separation degree of texture feature is measured by the maximum visual entropy function.The difference between different categories is obtained by comparing with the texture feature of corn products.At the same time, the weight criterion is coordinated with the vision detection algorithm to complete the product detection and classification.According to the texture feature and entropy criterion, the fresh corn products are divided into the following 5 categories, which are peel not clear, pest pollution, no grain damage, minor grain damage and serious grain damage.The equipment prototype has been tested in laboratory, and the experiment results show that the different species, size and broken level of fresh corn can be detected and classified using this device, and the pest pollution product can be eliminated effectively.The average speed of quality detection and classification reaches 1 500 kg per hour, and the effective composite classification rate reaches 99% for the fresh corn with different weight and size; for different damaged corn products, the effective classification rate reaches 92%, which is lower than the composite classification rate.The analysis finds that it is caused by the image acquisition environment and graininess of entropy criterion in the image processing algorithm.In the process of image acquisition, the irradiating degree and illumination of LED light source affect the quality of images.At the same time, the thicker the entropy graininess, the coarser the product detection and classification; the finer the entropy graininess is, the more time the calculation spends.In the future, we will carry out the research on the image acquisition environment construction and the entropy criterion parameter optimization.

Keywords:computer vision; crops; classifier; texture feature; wavelet analysis; visual entropy

作者簡(jiǎn)介：高新浩（1985-），男，漢族，講師，博士，研究方向：農(nóng)業(yè)機(jī)械，機(jī)器視覺(jué)。蘇州蘇州工業(yè)職業(yè)技術(shù)學(xué)院機(jī)電工程系，215100。Email:gaoxinhao555901@163.com

基金項(xiàng)目：河北省自然科學(xué)基金（F2015203287）

收稿日期：2015-08-07

修訂日期：2015-11-16

中圖分類(lèi)號(hào)：TP391.4

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1002-6819（2016）-01-0298-06

doi：10.11975/j.issn.1002-6819.2016.01.041