苗馳+王吉豪+陳奎

摘要：糧食外觀品質(zhì)檢測(cè)對(duì)提高我國(guó)糧食的市場(chǎng)競(jìng)爭(zhēng)力具有重要意義。文章提出一種基于機(jī)器視覺(jué)與機(jī)器學(xué)習(xí)的方法對(duì)糧食外觀進(jìn)行品質(zhì)檢測(cè)與評(píng)級(jí)，并設(shè)計(jì)和開(kāi)發(fā)了一種適合糧食外觀品質(zhì)抽檢的裝置。機(jī)器視覺(jué)部分采用NI-Vision實(shí)現(xiàn)相機(jī)自動(dòng)控制、圖像預(yù)處理、品種識(shí)別及形態(tài)學(xué)分析，涉及顏色、幾何形態(tài)兩個(gè)特征參數(shù)。機(jī)器學(xué)習(xí)部分采用邏輯回歸對(duì)人工分揀樣本進(jìn)行監(jiān)督學(xué)習(xí)，并將模型參數(shù)導(dǎo)入LabVIEW應(yīng)用程序。LabVIEW應(yīng)用程序采用狀態(tài)機(jī)方式實(shí)現(xiàn)人機(jī)交互、數(shù)據(jù)報(bào)表及自動(dòng)檢測(cè)等功能。系統(tǒng)實(shí)測(cè)表明，對(duì)外觀品質(zhì)檢測(cè)準(zhǔn)確率>90%、糧食品種添加正常、報(bào)表清晰。

關(guān)鍵詞：糧食外觀檢測(cè)；機(jī)器視覺(jué)；BP神經(jīng)網(wǎng)絡(luò)；虛擬儀器

糧食夕卜觀品質(zhì)檢測(cè)有利于從源頭上把控糧食安全風(fēng)險(xiǎn)，讓老百姓吃上安全糧、放心糧，有助于提高我國(guó)的農(nóng)業(yè)科技化水平，更好地把控食品安全風(fēng)險(xiǎn)，提高糧食的合格率，提升我國(guó)在國(guó)際糧食市場(chǎng)上的競(jìng)爭(zhēng)能力。采用無(wú)損的基于視覺(jué)技術(shù)的外觀檢測(cè)是技術(shù)發(fā)展的方向之一。

本文基于美國(guó)國(guó)家儀器（National Instruments，NI）有限公司的LabVIEW及其視覺(jué)助手Vision Assistant，以被檢糧食顆粒的外觀及幾何參數(shù)為特征量，通過(guò)有監(jiān)督的機(jī)器學(xué)習(xí)的方法對(duì)大量統(tǒng)計(jì)特征量進(jìn)行訓(xùn)練、分類(lèi)及評(píng)級(jí)，最后以報(bào)表形式輸出。

1相關(guān)技術(shù)與系統(tǒng)概述

1.1機(jī)器視覺(jué)與NI-Vision

機(jī)器視覺(jué)是隨著工業(yè)自動(dòng)化的發(fā)展而逐漸完善和發(fā)展的應(yīng)用系統(tǒng)，機(jī)器視覺(jué)檢測(cè)技術(shù)，依賴(lài)成像技術(shù)、計(jì)算機(jī)技術(shù)與圖像處理算法，同時(shí)涉及運(yùn)動(dòng)控制技術(shù)、人工智能等多領(lǐng)域技術(shù)[1]。NI視覺(jué)助手（NI-VisionAssistant）擁有集成了400多個(gè)圖像處理的函數(shù)庫(kù)，可以完成幾乎所有機(jī)器視覺(jué)所能完成的功能，該工具包還可以配合LabVIEW和其他工具包完成大型程序的設(shè)計(jì)

1.2機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)是人工智能的一個(gè)分支，其研究的目標(biāo)是構(gòu)建一個(gè)能夠從數(shù)據(jù)中自主學(xué)習(xí)出一定的規(guī)律（或模式）并將此規(guī)律應(yīng)用于后續(xù)數(shù)據(jù)處理的系統(tǒng)。作為一個(gè)基礎(chǔ)性的學(xué)科分支，機(jī)器學(xué)習(xí)在許多領(lǐng)域有著重要的應(yīng)用，例如生物信息學(xué)、人工智能、航空航天、現(xiàn)代醫(yī)學(xué)等[3]。

1.3虛擬儀器與LabVIEW

LabVIEW是一種圖形化的編程環(huán)境，通過(guò)驅(qū)動(dòng)相應(yīng)的硬件，實(shí)現(xiàn)傳統(tǒng)儀器所具有的功能[4]。由于通過(guò)LabVIEW配合USB相機(jī)能夠快速地采集圖像，并對(duì)圖像進(jìn)行處理，所以本文程序全部采用LabVIEW，主要包括圖像采集控制模塊、圖像預(yù)處理模塊、圖像數(shù)據(jù)分析處理模塊，還有人機(jī)界面、報(bào)表輸出、文件記錄等功能模塊[5]。

1.4系統(tǒng)組成和功能

系統(tǒng)基于機(jī)器視覺(jué)與LabVIEW虛擬儀器架構(gòu)，旨在實(shí)現(xiàn)糧食外觀檢測(cè)與外觀品質(zhì)判定，主要包括300M像素CCD工業(yè)相機(jī)、6?12mm1/2-1：1.6手動(dòng)調(diào)焦鏡頭、LED補(bǔ)光燈、檢測(cè)臺(tái)、相機(jī)支架和PC端LabVIEW應(yīng)用程序。其實(shí)物如圖1所示。

軟件采用狀態(tài)機(jī)方式實(shí)現(xiàn)程序框架，狀態(tài)機(jī)流程如圖2所示，包括用戶登錄、初始化參數(shù)、品種檢測(cè)、視覺(jué)參數(shù)設(shè)置、外觀參數(shù)檢測(cè)、訓(xùn)練數(shù)據(jù)保存、文件與報(bào)表等主要狀態(tài)。

圖像處理、形態(tài)學(xué)分析由VisionAssistant設(shè)計(jì)、驗(yàn)證并生成LabVIEW子VI放置在狀態(tài)機(jī)主程序。

系統(tǒng)主要功能：用戶登錄、糧食品種檢測(cè)、外觀檢測(cè)、外觀品質(zhì)判定、文件及報(bào)表生成，系統(tǒng)主界面如圖3所示。

2系統(tǒng)功能實(shí)現(xiàn)

系統(tǒng)主要括用戶登錄、圖像處理、品種識(shí)別、外觀檢測(cè)、生成檢測(cè)報(bào)告、離線邏輯回歸訓(xùn)練等主要功能和過(guò)程。2.1用戶登錄用戶登錄實(shí)現(xiàn)對(duì)用戶名、密碼等進(jìn)行驗(yàn)證登錄，確保測(cè)試人員的合法性及用戶數(shù)據(jù)的隱私性與安全性。用戶數(shù)據(jù)保存在文件中，系統(tǒng)讀取文件并對(duì)輸入數(shù)據(jù)進(jìn)行比對(duì)驗(yàn)證。

2.2糧食種類(lèi)判別

種類(lèi)判別實(shí)現(xiàn)待檢作物的品種判定，其特征量為作物的顏色特征、幾何特征。種類(lèi)判別可實(shí)現(xiàn)自動(dòng)檢測(cè)，更為后續(xù)外觀檢測(cè)過(guò)程中的光學(xué)參數(shù)設(shè)定、圖像處理環(huán)節(jié)參數(shù)的選擇提供靈活的依據(jù)[6-7]。因?yàn)椴煌N類(lèi)糧食外觀檢測(cè)與形態(tài)學(xué)分析過(guò)程中，不同的品種糧食對(duì)光學(xué)參數(shù)、圖像處理參數(shù)有細(xì)微的區(qū)別，這些參數(shù)的優(yōu)化由Vision Assistant人工完成并通過(guò)參數(shù)簇?cái)?shù)組的保存與使用種類(lèi)判別具體的實(shí)現(xiàn)過(guò)程和算法與1.3節(jié)和1.4節(jié)所述基本一致，包括圖像采集、圖像預(yù)處理、色彩匹配、幾何判定以及邏輯回歸組成。預(yù)處理過(guò)程包括區(qū)域選取、亮度、對(duì)比度調(diào)節(jié)。

2.3外觀檢測(cè)

外觀檢測(cè)主要包括圖像采集、圖像處理分析、形態(tài)學(xué)處理與分析組成，如圖4所示，各品種糧食檢測(cè)的主要步驟被統(tǒng)一為：二值化、去噪聲、粒子濾波等形態(tài)學(xué)處理與分析。完成糧食作物粒徑大小、數(shù)量等指標(biāo)的測(cè)量，為后續(xù)分類(lèi)與品質(zhì)判定提供特征數(shù)據(jù)。

外觀檢測(cè)過(guò)程中主要的圖像處理及其結(jié)果如5所示。

2.4外觀品質(zhì)判定

品質(zhì)判定采用多元邏輯回歸方法[9]，其基本算法流程如下：

假設(shè)，其次建立Sigmoid函數(shù)

規(guī)定：

尋找凸損失函數(shù)：

由最大擬然估計(jì)推導(dǎo)出單個(gè)樣本正確預(yù)測(cè)的概率為：

將上述兩個(gè)式子合并在一起表示整個(gè)樣本空間的概率分布為：

作為損失函數(shù)，將其最小化。對(duì)邏輯回歸模型的求解用梯度下降法，首先對(duì)函數(shù)求導(dǎo)，并帶入sigmoid函數(shù)表達(dá)式得：

之后，將參數(shù)更改為：

并且有：

當(dāng)公式中的逐漸收斂并達(dá)到—定條件時(shí)，則停止迭代，并記錄下最終的的值。

3實(shí)驗(yàn)與實(shí)測(cè)

3.1模型參數(shù)訓(xùn)練

以大豆為例，人工篩選出1，2，3級(jí)大豆各500份，對(duì)其應(yīng)用上述裝置和方法進(jìn)行特征參數(shù)視覺(jué)測(cè)量。選取均值、極差、數(shù)量、方差4個(gè)特征作為后續(xù)訓(xùn)練參數(shù)，如表1所示。用Matlab對(duì)1500組數(shù)據(jù)進(jìn)行有監(jiān)督的機(jī)器學(xué)習(xí)即邏輯回歸分析，獲得品質(zhì)判定模型的參數(shù)A的值，如表2所示。endprint

3.2模型驗(yàn)證

根據(jù)訓(xùn)練模型所得到的參數(shù)，抽取50組檢測(cè)數(shù)據(jù)進(jìn)行模型參數(shù)驗(yàn)證，以檢驗(yàn)訓(xùn)練參數(shù)的可靠性與科學(xué)性，檢驗(yàn)子程序如圖6所示。

判定模型參數(shù)訓(xùn)練的準(zhǔn)確率：綠豆為97%，大豆為84%，其原因是送檢大顯和綠_&原料品質(zhì)關(guān)系。所米購(gòu)綠本身就區(qū)別較大，回歸分析準(zhǔn)確率高于大豆。采購(gòu)大豆等級(jí)區(qū)肉眼幾乎無(wú)法區(qū)分，準(zhǔn)確率相對(duì)較低，這也說(shuō)明了模型訓(xùn)練方法以及所得參數(shù)的正確性、科學(xué)性與合理性。

4結(jié)語(yǔ)

機(jī)器視覺(jué)在農(nóng)業(yè)領(lǐng)域應(yīng)用研究得到了廣泛開(kāi)展，機(jī)器視覺(jué)包括圖像處理、模式識(shí)別、神經(jīng)網(wǎng)絡(luò)等技術(shù)和方法，對(duì)于作物特征的識(shí)別、苗情的監(jiān)測(cè)、病蟲(chóng)害的防治以及精細(xì)農(nóng)業(yè)的發(fā)展都將起到積極的推動(dòng)作用。與傳統(tǒng)的人工檢測(cè)相比，機(jī)器視覺(jué)還具有檢測(cè)速度快、精度高、重復(fù)性好等優(yōu)點(diǎn)。

文中系統(tǒng)在糧食品種的自適應(yīng)檢測(cè)、圖像處理、形態(tài)學(xué)[1～分析，外觀特征參數(shù)的選取、機(jī)器學(xué)習(xí)與深度學(xué)習(xí)[11]等方面還需要進(jìn)一步研究和實(shí)驗(yàn)。另外，遠(yuǎn)程操控、網(wǎng)絡(luò)控制也是監(jiān)測(cè)裝置提升性能、提高實(shí)用性的解決途徑之一。

[參考文獻(xiàn)]

[1]陳康.基于機(jī)器視覺(jué)的沖裁斷面質(zhì)量檢測(cè)[D].廣州：廣東工業(yè)大學(xué)，2016.

[2]於文欣.基于機(jī)器視覺(jué)的FPC表面缺陷檢測(cè)研究[D].上海：東華大學(xué)，2017.

[3]屠恩美.基于圖論的機(jī)器學(xué)習(xí)算法設(shè)計(jì)及在神經(jīng)網(wǎng)絡(luò)中的應(yīng)用研究[D].上海：上海交通大學(xué)，2014.

[4]劉乘，劉俊，劉穎君.基于LabVIEW的包裝測(cè)試虛擬儀器[J].包裝工程，2008（8）：89-90.

[5]楊麗麗.基于機(jī)器視覺(jué)的強(qiáng)化木地板表面瑕疵檢測(cè)方法研究[D].北京：北京林業(yè)大學(xué)，2010.

[6]劉力銀.基于邏輯回歸的推薦技術(shù)研究及應(yīng)用[D].成都：電子科技大學(xué)，2013.

[7]劉立波.數(shù)學(xué)形態(tài)學(xué)在二值圖象處理與分析中的研究及應(yīng)用[D].西安：西北大學(xué)，2002.

[8]任小靜.基于計(jì)算機(jī)視覺(jué)的大米外觀品質(zhì)檢測(cè)技術(shù)研究[D].哈爾濱：哈爾濱工程大學(xué)，2007.

[9]賈云德.機(jī)器視覺(jué)[M].北京：科學(xué)出版社，2000.

[10]阮奇楨.我和LabVIEW：—個(gè)NI工程師的十年編程經(jīng)驗(yàn)[M].北京：北京航空航天大學(xué)出版，2009.

[11]石冬晨.基于虛擬儀器的幾何尺寸非接觸測(cè)量技術(shù)研究[D].西安：西安工業(yè)大學(xué)，2010.endprint