李 山，鄧繼忠，何明昊，任高生

（華南農(nóng)業(yè)大學工程學院，廣東 廣州　510642）

一種基于DSP的桂圓破損檢測方法

李 山，鄧繼忠，何明昊，任高生

（華南農(nóng)業(yè)大學工程學院，廣東 廣州510642）

針對基于DSP的小型農(nóng)產(chǎn)品機器視覺分選機，設計了一種基于圖像識別的桂圓破損檢測方法。該方法首先提取桂圓的彩色分量R和G，通過R-G特征值分割提取桂圓外殼區(qū)域，并求出桂圓觀測面積；然后通過外殼邊緣求出其近似最小外接圓的面積；最后根據(jù)觀測面積和最小外接圓面積的比值來判斷桂圓的破損情況。采用桂圓外殼破損和完好的共792個樣本進行分選測試，結(jié)果表明，分選的準確率達到86.24%。該檢測方法簡單快速，有一定的準確性，適用于大多數(shù)小型球狀果實的分選。

機器視覺；DSP；桂圓；破損檢測；分選機

李山，鄧繼忠，何明昊，等. 一種基于DSP的桂圓破損檢測方法［J］.廣東農(nóng)業(yè)科學，2016，43（9）：146-151.

農(nóng)產(chǎn)品在采摘、運輸或儲存過程中難免會因為不可抗的外力產(chǎn)生小部分損壞，損壞的農(nóng)產(chǎn)品容易變質(zhì)腐爛，不僅不能食用，還可能影響其他完好的產(chǎn)品，因此在進一步加工或者長期儲存前通常都要分選出損壞的產(chǎn)品，以提升產(chǎn)品的品質(zhì)等級。目前農(nóng)產(chǎn)品分選主要包括人工分選和分選機自動分選兩種方法，從成本、效率、分選精度等方面考慮，最終自動分選機將取代人工分選。在自動分選技術方面，國內(nèi)外采用各種方法技術進行了多年的研究，例如采用機器視覺的方法［1-13］或聲音信號［14］進行破損分選，為了提升分選的精度，分選機采用近紅外光譜或高光譜圖像［15-16］，以獲取可見光圖像沒有包含的信息；或者配備PC機，以實現(xiàn)復雜的分選算法［17］。目前已經(jīng)實現(xiàn)商業(yè)化應用的自動分選機具備分選精度高、分選功能齊全的優(yōu)點，但是分選設備也存在體積大、成本高的問題。昂貴的分選設備通常用于大中型果園或農(nóng)場的大批量農(nóng)產(chǎn)品分選，而并不適用于小型果園或家庭農(nóng)場。為此，本研究針對小型農(nóng)產(chǎn)品機器視覺分選機［18］，設計了一種較為簡便的基于DSP的破損檢測圖像識別方法，并應用在破損桂圓的識別中，該方法適用于大多數(shù)小型球狀果實的分選。

1　桂圓圖像提取和分割

本方法采用TI公司的DM642芯片作為圖像處理運算單元，試驗材料為帶殼桂圓干，因桂圓干損傷多為機械碰撞或外力造成，可以直接從外殼的完整性來判定是否破損，外殼破損的桂圓干不利于長時間存放。本試驗首先對采集到的桂圓圖像進行彩色分割并二值化，提取出桂圓外殼圖像，同時求出桂圓外殼的觀測面積S1和對應最小外接圓的面積S2，根據(jù)S1和S2比值d的大小可以在一定程度上判定桂圓外殼的損傷情況。當d大于等于某個固定值n時，代表目標圖像相對接近于圓，即為完好；當d小于該固定值n時，代表目標圖像內(nèi)有較大孔洞或者邊緣有凹陷，即有損傷。

試驗采用的桂圓干購自農(nóng)貿(mào)市場，先人工分為完好和破損兩組。所用分選機［18］可4通道同時分選，每次同時處理橫向一排共4個物料，可以增加產(chǎn)品分選效率。攝像頭處于傳送帶正上方，傳送帶一側(cè)位于攝像頭的位置裝有光電開關，這樣物料每次經(jīng)過攝像頭正下方時都會觸發(fā)光電開關。DSP接收到光電開關傳來的中斷信號后，即進入中斷程序，首先對攝像頭傳來的原圖像在攝像頭下方位置橫向截取關鍵區(qū)域，以減少后續(xù)圖像處理計算量。同時本試驗采用R-G特征值進行分割，因此DSP只需要采集圖像的R分量和G分量。圖1為截取的桂圓R分量和G分量疊加圖像。

桂圓外殼主要為褐色或紅褐色，其中R分量較高，G分量較低；孔洞破損部分因為桂圓肉本身較暗以及光線較難照射進去等多種原因，R分量和G分量都很低；白色橫條反射所有可見光，因此R分量和G分量都較高，值相對接近；綠色皮帶主要反射綠光，R分量較低，G分量稍高一點。因此綜合來看，最后使用R-G和G分量同時作為特征值進行分選，設定R-G大于5同時G分量大于25的像素為桂圓外殼，這樣不僅能排出背景部分，還能排除孔洞部分。圖2為桂圓經(jīng)過R-G特征值分割后的圖像和二值化后的圖像。

圖1　桂圓R分量和G分量疊加圖像

圖2　桂圓經(jīng)過R-G特征值分割后圖像和二值化圖像

由于直接分割后的圖像邊緣毛刺較多，可能會對破損檢測造成影響，因此還需要進行腐蝕和膨脹處理，使圖像邊緣更加光滑（圖3）。

圖3　腐蝕膨脹后的二值化圖像

2　求出最小外接圓

完好的桂圓近似球狀，因此在截取的圖像中應近似圓形。破損的桂圓圖像內(nèi)部通常有孔洞或邊緣有凹陷，雖然大部分輪廓接近圓形，但是觀測面積比圓形小很多。但如果直接用面積來判定，可能會將較小的完好桂圓誤判為破損的較大桂圓，因此采用最小外接圓面積和觀測面積同時來判定是否破損。如果是完好的桂圓，則觀測面積S1應該較接近最小外接圓面積S2，而破損的桂圓觀測面積S1會比最小外接圓面積S2小很多。

桂圓圖像的觀測面積可以通過在關鍵區(qū)域內(nèi)直接逐行掃描計算白色像素個數(shù)獲得，因桂圓只能在單通道的某個范圍內(nèi)活動，如圖1所示。因此只要將二值化圖像分為4個區(qū)域，分別統(tǒng)計每個區(qū)域內(nèi)白色像素的個數(shù)即可。

最小外接圓求法已經(jīng)有不少相關研究，運用計算幾何中的最遠點Voronoi圖的性質(zhì)可以精確地求出最小外接圓的圓心［19］，但是計算量太大。因此也有采用最小二乘圓近似代替最小外接圓的方法，或者求出質(zhì)心后沿圖像邊緣掃描一圈求出距離質(zhì)心最遠點，該點到質(zhì)心的距離即為近似最小外接圓半徑［20-22］。此類求近似最小外接圓的方法較適合外形接近于圓的圖像，而在求不規(guī)則圖形時可能會帶來較大誤差。本試驗采用連續(xù)迭代求三角形外接圓的方法，近似求出不規(guī)則圖形的最小外接圓。

2.1獲取合格采樣點

首先需要在圖像中獲取目標的位置，可以采用沿橫向和縱向每隔10個像素點采樣測試的方法，尋找灰度值為255的白色像素點。圖4為4個桂圓分別沿邊緣掃描后的圖像，邊緣點人為設定為灰色。由于二值圖像在腐蝕膨脹處理后，目標圖像附近可能會產(chǎn)生小塊分離區(qū)域（圖4D），采樣時有可能將這些點誤判為目標圖像，因此采樣到白色像素后，水平向右找到邊緣點并沿邊緣掃描一圈，統(tǒng)計出邊緣點的個數(shù)，如果小于一定值，則重新進行取點采樣，直到找到邊緣點數(shù)滿足條件的目標。

2.2尋找距圓心最遠點

獲取合格采樣點后，首先水平向左找到邊緣點A，水平向右找到邊緣點B。以線段AB為直徑作圓，設A點坐標為（xa，y），B點坐標為（xb，y），則圓心O坐標為［（xa+xb）/2，y］，半徑為r。隨后從B點開始沿圖像邊緣逆時針遍歷，尋找距離O最遠點C。如果C恰好為A、B兩點中的一個，或者C到圓心的距離和A到圓心的距離一致，則返回半徑值r。如果不是則以A、B、C 3個點作外接圓，圓心O1的位置由三角形的形狀決定。如果三角形ABC為鈍角或直角三角形，則O1在最長邊的中點；如果三角形ABC為銳角三角形，則O1在三角形內(nèi)部。求出O1與A點的距離即外接圓半徑r1。如圖5所示，此時外接圓仍未完全包含圖像，還需要繼續(xù)掃描邊緣點。

圖4　目標圖像邊緣掃描圖像

圖5　尋找距圓心最遠點

2.3建立四邊形并反復迭代

從點C開始繼續(xù)沿著邊緣逆時針搜索一圈，找到距離圓心O1最遠點C1。如果點C1剛好與點A、點B或點C的其中一點重合，那么也就意味著所有的邊緣點都在三角形ABC外接圓的內(nèi)部，2.2求出的半徑r1即為實際最小外接圓半徑；如果點C1是另外一點，那么從A、B、C和C14個點中，任取3個點求出最小外接圓的半徑，共有4種取法，選取半徑最大的3個點，如果這3個點剛好是A、B、C，那么可認為2.2求出的半徑r1為近似最小外接圓半徑。否則將得出的3個點設為新的A、B、C點，圓心設為新的點O1，半徑為新的r1。重復此步驟（圖6）。

圖6　建立四邊形并反復迭代示意圖

3　破損識別

依據(jù)上述方法，可以由半徑r1很容易求出最小外接圓測量面積S2，該面積實際是由獲得的最小外接圓半徑r1計算得出的，桂圓觀測面積S1則可由圖3中各個桂圓區(qū)域白色像素個數(shù)的統(tǒng)計而獲得。表1是針對圖1～圖4中所含的4個桂圓（按從左至右順序標為目標1、2、3、4）求出的最小外接圓測量面積與觀測面積及其比值，其中目標1、目標3分別對應第1、第3個完好的桂圓，比值d分別為0.77、0.75；目標2、目標4分別對應第2、第4個表面破損的桂圓，比值d分別為0.585、0.633，可以看出，破損桂圓的比值d均小于完好桂圓，這個結(jié)果符合實際情況，也具有普遍性。經(jīng)過多次測試發(fā)現(xiàn)，外表完好桂圓的比值d的數(shù)值主要集中在0.74～0.82之間，破損桂圓比值d的數(shù)值主要集中在0.54～0.66之間。因此，在實際分選時可以選擇0.66和0.74的近似中間值0.7作為判斷閾值，將比值d大于0.7的一律視為完好桂圓，d小于0.7的一律視為破損桂圓。

表1　桂圓最小外接圓測量面積與觀測面積及其比值

4　測試結(jié)果與分析

為驗證上述桂圓破損識別方法及耗時情況，利用基于DSP的分選機進行測試試驗。測試試驗臺為并行4通道［18］，輸送時物料可形成4行×N列的陣列，分選時獲取的物料圖像可分割出4行×1列的物料，即可以一次處理4個通道中各1個物料。

4.1破損識別測試

試驗共測試了198組共792個（4×198）分選樣本，每組同時測量分選4個物料（分別包含在4個通道）。由于試驗采用的是單個普通攝像頭，只能拍攝到目標上方或側(cè)上方位置，因此測試時優(yōu)先排除破損部位朝下，從而完全被遮擋的情況。分別對4個通道的各桂圓按全部完好、全部損壞、1個損壞3個完好、2個損壞2個完好、3個損壞1個完好等5種情況進行組合測試，測試結(jié)果見表2，測試總樣本數(shù)792個，正確識別樣本數(shù)為683個，識別正確率為86.24%。

表2　桂圓破損檢測測試結(jié)果

4.2識別耗時統(tǒng)計

對每次分選單排4個物料進行破損識別時DSP運行各步驟的指令周期數(shù)與耗時見表3，其中求觀測面積要對區(qū)域內(nèi)每一個像素進行掃描并累加，而求最小外接圓只需要沿邊緣掃描數(shù)次求出半徑即可，因此求最小外接圓耗時比求觀測面積短。最后累計所有步驟耗時，求出每次分選單排4個物料共耗時約為0.214 s，可以滿足分選實時性需求。

表3　優(yōu)化模式下各步驟運行耗時

5　結(jié)語

本方法基于圖像識別，主要針對小型農(nóng)產(chǎn)品分選機的破損檢測及分選，首先求出目標的觀測面積，然后再求其對應的最小外接圓面積，如果目標觀測面積接近最小外接圓面積，即外形接近于球形，那么可以近似認為是完好果，否則為破損果。本方法理論上適用于大多數(shù)小型球狀果實的分選，對792個桂圓樣本的分選測試結(jié)果表明，共正確分選桂圓果實683個，正確率為86.24%。其中發(fā)生錯誤識別的原因主要包括破損位置較偏不能完全拍攝到、圖像分割誤差、最小外接圓計算誤差等。后續(xù)改進可以通過增加攝像頭個數(shù)，同時在不同角度拍攝，結(jié)合多張圖像進行分選，以及更換更清晰、感光性更好的攝像頭來實現(xiàn)。

［1］陳紅，夏青，左婷，等. 基于機器視覺的花菇分選技術［J］. 農(nóng)業(yè)機械學報，2014，45（11）：60-67.

［2］王松磊，劉民法，何建國，等. 紅棗自動快速無損檢測分級機研究［J］. 農(nóng)業(yè)機械學報，2014，45（9）：79-83.

［3］殷勇，陶凱，于慧春. 基于機器視覺的蘋果分級中特征參量選擇方法［J］. 農(nóng)業(yè)機械學報，2012，43（6）：118-121.

［4］王潤濤，張長利，房俊龍，等. 基于機器視覺的大豆籽粒精選技術［J］. 農(nóng)業(yè)工程學報，2011，27（8）：355-359.

［5］李錦衛(wèi)，廖桂平，金晶，等. 基于灰度截留分割與十色模型的馬鈴薯表面缺陷檢測方法［J］.農(nóng)業(yè)工程學報，2010，26（10）：236-242.

［6］黃星奕，姜爽，陳全勝，等. 基于機器視覺技術的畸形秀珍菇識別［J］. 農(nóng)業(yè)工程學報，2010，26（10）：350-354.

［7］李晶，張東興，劉寶. 蘋果分級機輸送與翻轉(zhuǎn)機構(gòu)設計［J］. 農(nóng)業(yè)機械學報，2009，40（5）：158-161.

［8］張俊雄，荀一，李偉. 山竹的計算機視覺分級方法［J］. 農(nóng)業(yè)機械學報，2009，40（11）：176-179，188.

［9］鄭冠楠，譚豫之，張俊雄，等. 基于計算機視覺的馬鈴薯自動檢測分級［J］. 農(nóng)業(yè)機械學報，2009，40（4）：166-168，156.

［10］Haff R P，Jackson E. Low cost real-time sorting of in-shell pistachio nuts from kernels［J］. Applied Engineering in Agriculture，2008，24（4）：487-490.

［11］魏新華，胡學同，周杏鵬，等. 水果機器視覺自動分選機同步控制系統(tǒng)設計［J］. 農(nóng)業(yè)機械學報，2008，39（11）：99-103.

［12］Riquelme M T，Barreiro P，Ruiz-Altisent M，et al. Olive classification according to external damage using image analysis［J］. Journal of Food Engineering，2008，87（3）：371-379.

［13］Cho N H，Chang D I，Lee S H，et al. Development of automatic sorting system for green pepper using machine vision［J］. Developmental Biology， 2007， 153（2）：402-406.

［14］梅勁華，王石泉，王樹才. 禽蛋破損在線檢測自動敲擊發(fā)聲裝置設計與試驗［J］. 農(nóng)業(yè)工程學報，2011，27（9）：334-338.

［15］展慧，李小昱，周竹，等. 基于近紅外光譜和機器視覺融合技術的板栗缺陷檢測［J］. 農(nóng)業(yè)工程學報，2011，27（2）：345-349.

［16］單佳佳，彭彥昆，王偉，等. 基于高光譜成像技術的蘋果內(nèi)外品質(zhì)同時檢測［J］. 農(nóng)業(yè)機械學報，2011，42（3）：140-144.

［17］王書志，張建華，馮全. 基于紋理和顏色特征的甜瓜缺陷識別［J］. 農(nóng)業(yè)機械學報，2011，42（3）：175-179.

［18］鄧繼忠，李山，張建瓴，等. 小型農(nóng)產(chǎn)品分選機設計與試驗［J］. 農(nóng)業(yè)機械學報，2015（9）：245-250.

［19］劉書桂，楊芳，陶晉. 計算幾何在測試計量技術中的應用-求解最小外接圓［J］. 工程圖學學報，2000（3）：83-89.

［20］沈?qū)殗?，魏新華，尹建軍. 基于最小外接圓法的蘋果直徑檢測技術［J］. 農(nóng)機化研究，2011（12）：131-134.

［21］劉新庭，匡迎春，陳熵，等. 基于最小外接圓直徑的蘋果分級研究［J］. 中國農(nóng)學通報，2015（20）：239-243.

［22］Akira M，Renfu L. A low-cost color vision system for automatic estimation of apple fruit orientation and maximum equatorial diameter［J］. Transactions of the ASABE，2013，56（3）：813-827.

（責任編輯 鄒移光）

A longan damage detection method based on DSP

LI Shan，DENG Ji-zhong，HE Ming-hao，REN Gao-sheng
（College of Engineering，South China Agricultural University，Guangzhou 510642，China）

A damage longan rapid detection method based on image recognition was designed for small agricultural products vision sorting machine based on DSP. The method first extracted the color components R and G of longan image，according to the characteristics of R-G value segmentation longan shell region，and found the longan observation area；secondly，with the help of shell edge，calculated the approximate area of the minimum circumscribed circle. Finally，according to the ratio of observation area and minimum circumscribed circle area to determine the longan's damage. A total of 792 longan samples contained broken and intact shell were tested，the results showed that，the sorting accuracy rate reached 86.24%. The detection method is simple，fast and has certain accuracy，and it is also suitable for the separation of most small spherical fruits.

machine vision；DSP；longan；damage detection；sorting machine

S667.2

A

1004-874X（2016）09-0146-06

2016-05-09

廣東省科技計劃項目（2013B020313003）；國家星火計劃項目（2011GA780026）

李山（1992-），男，在讀碩士生，E-mail：kirsi@stu.scau.edu.cn

鄧繼忠（1963-），男，博士，副教授，E-mail：jz-deng@scau.edu.cn