張芯豪黃丹平,2田建平,2黃 丹

(1. 四川理工學(xué)院機(jī)械工程學(xué)院, 四川 自貢 643000； 2. 過程裝備與控制工程四川省高校重點(diǎn)實(shí)驗(yàn)室，四川 自貢 643000； 3. 四川理工學(xué)院生物工程學(xué)院，四川 自貢 643000)

“曲乃酒之骨”，大曲質(zhì)量直接影響白酒質(zhì)量?，F(xiàn)場要求曲胚幾何參數(shù)標(biāo)準(zhǔn)長為(300±3) mm，寬為(200±3) mm，厚為(100±3) mm，標(biāo)準(zhǔn)曲坯應(yīng)四角整齊、表面光滑、松緊一致、無缺邊掉角、富有彈性。曲坯主要顏色為米黃色，其斷面存在乳白色菌絲、紅曲霉及其它污染霉菌[1]。目前大部分酒企仍依靠人工經(jīng)驗(yàn)判斷大曲質(zhì)量，無量化指標(biāo)，易受主觀影響，判斷結(jié)果不標(biāo)準(zhǔn)。同時(shí)大曲發(fā)酵時(shí)環(huán)境惡劣，高溫度、高濕度、曲蟲等因素導(dǎo)致酒企難以使用人工方法來完成該工作。因此釀酒行業(yè)迫切需要一種智能化曲房系統(tǒng)，對(duì)大曲生產(chǎn)過程進(jìn)行智能化改造，從大曲的制作到大曲的發(fā)酵、出庫等環(huán)節(jié)實(shí)現(xiàn)全面智能化生產(chǎn)，得到品質(zhì)一致的高質(zhì)量大曲。為實(shí)現(xiàn)智能化生產(chǎn)，檢測大曲質(zhì)量是最重要的一環(huán)，管理控制數(shù)據(jù)來源的選擇也十分重要[2-4]。

影響大曲質(zhì)量的因素有光滑度、水分、酸度、糖化力、液化力、穿衣、氣味、菌絲、顏色等，可歸納為感官指標(biāo)、理化指標(biāo)和微生物指標(biāo)。敖宗華等[5]研究了大曲感官指標(biāo)、理化指標(biāo)以及微生物指標(biāo)，通過這些指標(biāo)量化了大曲質(zhì)量的判斷標(biāo)準(zhǔn)。炊偉強(qiáng)等[6]研究了瀘州老窖普級(jí)大曲和優(yōu)級(jí)大曲各種指標(biāo)的差別，進(jìn)一步發(fā)現(xiàn)各指標(biāo)與大曲質(zhì)量關(guān)系。何宏魁等[7]將古井貢酒優(yōu)級(jí)大曲和普級(jí)大曲進(jìn)行比較分析，研究大曲感官特征與其內(nèi)在微生物、理化指標(biāo)間的關(guān)系。目前針對(duì)機(jī)器視覺技術(shù)領(lǐng)域的大曲質(zhì)量自動(dòng)在線檢測技術(shù)研究，中國未見相關(guān)報(bào)道。

為解決白酒固態(tài)發(fā)酵自動(dòng)化程度低和人工成本高的問題，同時(shí)為實(shí)現(xiàn)智能化曲房生產(chǎn)提供大曲質(zhì)量數(shù)據(jù)來源，本研究通過機(jī)器視覺技術(shù)獲取大曲視覺信息，動(dòng)態(tài)閾值方法分割圖像，測量大曲幾何參數(shù)，通過Lab顏色空間提取大曲霉菌含量，通過CNN卷積神經(jīng)網(wǎng)絡(luò)檢測大曲裂縫信息，建立視覺信息與大曲質(zhì)量的對(duì)應(yīng)關(guān)系表，綜合判斷大曲質(zhì)量。

1 系統(tǒng)結(jié)構(gòu)與工作原理

針對(duì)影響大曲質(zhì)量的感官特征，研究其感官特征與視覺信息的對(duì)應(yīng)關(guān)系，基于機(jī)器視覺、智能制造、運(yùn)動(dòng)控制等技術(shù)，研發(fā)一套大曲質(zhì)量檢測系統(tǒng)。如圖1所示，大曲質(zhì)量檢測系統(tǒng)主要由面陣工業(yè)相機(jī)、環(huán)形LED光源、光電傳感器、上位機(jī)、剔除機(jī)構(gòu)、傳輸機(jī)構(gòu)組成[8]。

1. 上位機(jī) 2. 傳輸機(jī)構(gòu) 3. 大曲 4. 光電傳感器 5. 環(huán)形LED光源 6. 面陣工業(yè)相機(jī) 7. 剔除機(jī)構(gòu)

圖1 大曲質(zhì)量檢測系統(tǒng)結(jié)構(gòu)圖

Figure 1 The structural diagram of Daqu quality inspection system

在機(jī)器視覺系統(tǒng)中工業(yè)相機(jī)、光源及打光方式的選擇會(huì)直接影響視覺信息的提取效果，本系統(tǒng)工業(yè)相機(jī)選用德國Balser彩色面陣相機(jī)，型號(hào)為acA 1300-30gc，其分辨率為1 294×964 pixel，幀率為30 FPS。系統(tǒng)光源選用白色LED環(huán)形光源，其工作原理見圖2。本系統(tǒng)中環(huán)形光源α為30°，可以有效消除大曲周圍陰影，提高幾何參數(shù)測量精度，同時(shí)可提高視覺信息中孔洞、裂縫、穿衣等細(xì)節(jié)信息[9]。該光源與面陣工業(yè)相機(jī)同軸安裝，保證光源能均勻照射工業(yè)相機(jī)正下方的大曲。

該大曲質(zhì)量檢測系統(tǒng)工作原理：

(1) 傳輸機(jī)構(gòu)2帶動(dòng)大曲3移動(dòng)至光電傳感器4正下方位置。

(2) 光電傳感器4檢測大曲3位置信息并傳輸給上位機(jī)1，該信息反饋至工業(yè)相機(jī)6作為工業(yè)相機(jī)6的觸發(fā)信號(hào)。

α. 光源照射角度

(3) 工業(yè)相機(jī)6接收到觸發(fā)信號(hào)，采集視覺信息并上傳到上位機(jī)1中等待處理。

(4) 上位機(jī)1內(nèi)軟件對(duì)視覺信息進(jìn)行處理，根據(jù)檢測結(jié)果發(fā)送剔除信號(hào)給剔除機(jī)構(gòu)7。

(5) 大曲3移動(dòng)到剔除機(jī)構(gòu)7區(qū)域，剔除機(jī)構(gòu)7根據(jù)剔除信號(hào)剔除對(duì)應(yīng)工位的不合格大曲3。

2 大曲質(zhì)量檢測算法

圖3為系統(tǒng)軟件流程圖，主要針對(duì)大曲幾何參數(shù)、顏色、裂縫3種特征進(jìn)行檢測。尺寸檢測包含均值濾波、動(dòng)態(tài)閾值分割、形態(tài)學(xué)處理等步驟；顏色檢測首先將原圖從RGB顏色空間轉(zhuǎn)換到XYZ顏色空間，再由XYZ顏色空間轉(zhuǎn)換到Lab顏色空間，最后通過特定閾值從不同通道中提取到特征目標(biāo)；裂縫檢測將原圖灰度化后，裁剪ROI區(qū)域并分割為多張小圖片，通過提前訓(xùn)練好的CNN神經(jīng)網(wǎng)絡(luò)判斷該大曲是否存在裂縫。

圖3 大曲質(zhì)量檢測流程圖

2.1 大曲幾何參數(shù)檢測

在實(shí)際采集大曲視覺信息過程中，由于光照、電流、機(jī)械運(yùn)動(dòng)等原因，視覺信息中會(huì)生成脈沖噪聲、散粒噪聲和高斯噪聲。同時(shí)現(xiàn)場陽光、工人走動(dòng)、發(fā)酵房暗室等因素可能造成照度不均勻，導(dǎo)致所采集視覺信息中有陰影，各處對(duì)比度不同，從而影響大曲幾何參數(shù)的檢測。因此本研究采用動(dòng)態(tài)閾值分割法對(duì)大曲圖像進(jìn)行處理，首先對(duì)圖像進(jìn)行均值濾波，均值濾波的基本原理是把數(shù)字圖像或數(shù)字序列中一點(diǎn)的值用該點(diǎn)部分鄰域中各點(diǎn)值的均值代替，從而削弱噪聲影響[10]。圖4和圖5所示為一張大曲圖濾波前和濾波后的直方圖。

式(1)中η為動(dòng)態(tài)閾值法的閾值范圍，表示原圖g與均值濾波后的圖f在同一閾值下像素點(diǎn)個(gè)數(shù)之差，本研究中設(shè)為20。

(1)

圖4 原圖直方圖

圖5 濾波后直方圖

式中:

λ——灰度值，范圍為0～255；

gR——均值濾波前R通道圖；

gG——均值濾波前G通道圖；

gB——均值濾波前B通道圖；

fR——均值濾波后R通道圖；

fG——均值濾波后G通道圖；

fB——均值濾波后B通道圖；

η——閾值差。

(2)

再將0～255所有灰度值條件下的二值圖相加，如式(3)所示。

(3)

實(shí)際采集時(shí)大曲周圍可能存在曲渣，同時(shí)大曲外圍可能存在突出的谷殼或麥稈。因此對(duì)分割后的二值圖像I去除小面積連通域，再通過開運(yùn)算(先腐蝕后膨脹)去掉毛刺，最后求出連通域最小外接矩形，尋找該矩形邊緣，將邊緣像素長度乘以物像比例，得到實(shí)際長度。

R=As/Ar，

(4)

式中：

R——連通域矩形度，表示一個(gè)連通域接近矩形的程度，越接近1越像矩形；

As——連通域面積，像素點(diǎn)個(gè)數(shù)；

Ar——連通域最小外接矩形面積，像素點(diǎn)個(gè)數(shù)。

曲胚俯視圖應(yīng)十分接近矩形，因此若R<0.95，即判斷大曲不完整[11]。

2.2 大曲顏色檢測

本系統(tǒng)中顏色識(shí)別主要針對(duì)大曲斷面的乳白色菌絲、紅曲霉及可能存在的其它顏色污染菌霉。工業(yè)相機(jī)采集到的大曲圖像是RGB彩色圖，由于天氣、光源衰減、光照角度等原因可能導(dǎo)致采集到的大曲圖像質(zhì)量不一，同時(shí)總結(jié)現(xiàn)場檢測人員的判斷經(jīng)驗(yàn)，采用一種基于人對(duì)顏色感覺的Lab色彩空間進(jìn)行顏色檢測。

Lab色彩空間有顏色均勻性的優(yōu)點(diǎn)，但與XYZ色彩空間不同，未包含人類能夠感覺到的所有顏色，所以要先將RGB色彩空間轉(zhuǎn)換為XYZ色彩空間，見式(5)[12]。

(5)

再由XYZ色彩空間轉(zhuǎn)換為Lab色彩空間，見式(6)。

(6)

經(jīng)過試驗(yàn)，本系統(tǒng)最終識(shí)別乳白色菌絲和紅曲霉的方法[13]：

(7)

(8)

如式(7)所示在L通道以閾值206分割圖像為二值圖，可以有效提出乳白色菌絲部分。同理如式(8)在b通道以閾值167分割圖像為二值圖，提取紅曲霉。最后計(jì)算乳白色菌絲與斷面面積百分比N1，紅曲霉與斷面面積百分比N2。

2.3 裂縫檢測

大曲表面裂縫形態(tài)多樣，裂開部分內(nèi)部與表面結(jié)構(gòu)、顏色一致，因此難以通過顏色識(shí)別、閾值分割、紋理分析等方法實(shí)現(xiàn)對(duì)大曲表面裂縫的檢測。根據(jù)裂縫檢測特點(diǎn)本研究選用一種基于人工監(jiān)督的卷積神經(jīng)網(wǎng)絡(luò)(CNN)進(jìn)行裂縫檢測，經(jīng)過試驗(yàn)可以達(dá)到要求。

CNN提取特征主要依靠交替的卷積層和降采樣層來完成，然后通過BP算法來調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)，最后多次迭代訓(xùn)練直到網(wǎng)絡(luò)達(dá)到收斂狀態(tài)來提高網(wǎng)絡(luò)的泛化性能。從本質(zhì)上來看，CNN是一種輸入到輸出的映射，通過大量學(xué)習(xí)所有訓(xùn)練樣本輸入與其對(duì)應(yīng)輸出的映射關(guān)系來判斷測試樣本類型，因此輸入與輸出沒有確定的數(shù)學(xué)表達(dá)式。卷積神經(jīng)網(wǎng)絡(luò)在圖像處理領(lǐng)域應(yīng)用廣泛，具有兩大特征[14]：

(1) 相鄰兩層神經(jīng)元之間的連接方式采用的是局部連接而不是全連接。

(2) 在同一特征圖中，神經(jīng)元(激活單元)的權(quán)值是共享的。通過局部連接和權(quán)值共享2種方式，CNN在很大程度上減少權(quán)值數(shù)量，降低網(wǎng)絡(luò)復(fù)雜度，起到一定的正則化作用。

CNN識(shí)別準(zhǔn)確率需要調(diào)節(jié)學(xué)習(xí)率、學(xué)習(xí)批大小、卷積核數(shù)和訓(xùn)練次數(shù)等，通過多次調(diào)整來確定參數(shù)[15]。在開始訓(xùn)練前，程序?qū)⑤斎雸D像進(jìn)行規(guī)整，否則圖像過大會(huì)導(dǎo)致訓(xùn)練系數(shù)過多而無法收斂。同時(shí)將所有的權(quán)值設(shè)置為較小的不同隨機(jī)數(shù)值來保證訓(xùn)練網(wǎng)絡(luò)可以正常地學(xué)習(xí)。學(xué)習(xí)率是運(yùn)行SGD(隨機(jī)梯度下降法)算法重要參數(shù)，值設(shè)置過大算法可能無法優(yōu)化，過小會(huì)使得算法優(yōu)化速度太慢且陷入局部最優(yōu)。學(xué)習(xí)批大小需要能整除訓(xùn)練樣本數(shù)量，否則會(huì)使部分樣本不參與訓(xùn)練。訓(xùn)練次數(shù)需要通過對(duì)同一個(gè)樣本進(jìn)行訓(xùn)練，通過觀察得到測試誤差最小時(shí)對(duì)應(yīng)的訓(xùn)練次數(shù)。

本研究算法中1張大曲圖片分割出10張小圖片作為裂縫樣本進(jìn)行檢測，每一張大小為300像素×300像素，剩余部分有背景影響，根據(jù)樣本圖片含有裂縫的張數(shù)判斷大曲整體圖片是否含有裂縫。

2.4 綜合判斷

經(jīng)過研究，本系統(tǒng)中視覺信息與大曲質(zhì)量對(duì)應(yīng)關(guān)系見表1。

表1 大曲質(zhì)量等級(jí)指標(biāo)?

?X表示1張完整大曲圖片分割出的10張裂縫樣本圖片中判斷為含有裂縫的圖片張數(shù)；R為矩形度，表示大曲面積與其最小外接矩形面積的比；N1表示乳白色菌絲面積占斷面面積的百分比；N2表示紅曲霉面積占斷面面積的百分比。

3 試驗(yàn)結(jié)果及分析

3.1 幾何參數(shù)檢測結(jié)果

現(xiàn)場采用半自動(dòng)化壓曲機(jī)制作大曲，因此在測量時(shí)大曲尺寸只可能比標(biāo)準(zhǔn)值小。圖6為幾何參數(shù)測量示意圖。

圖6(a)中大曲已發(fā)酵完閉2個(gè)月，因此其內(nèi)部水分散失，尺寸縮小，同時(shí)其背景光照不均，有明顯亮斑。圖6(d)中顯示大曲幾何參數(shù)，其中長為292.04 mm，寬為170.1 mm，矩形度R為0.953 259，符合實(shí)際數(shù)據(jù)，可實(shí)現(xiàn)預(yù)期功能，用于測量大曲幾何參數(shù)。

3.2 顏色檢測結(jié)果

圖7為大曲斷面圖，含有紅曲霉和乳白色菌絲。紅曲霉為污染霉，該大曲紅曲霉與斷面面積百分比為4.54%。乳白色菌絲表示微生物發(fā)酵成熟，該大曲乳白色菌絲與斷面面積百分比為50.50%。

圖6 幾何參數(shù)測量示意圖

圖7 顏色檢測示意圖

3.3 裂縫檢測結(jié)果

圖8為部分裂縫樣本圖，采用CNN卷積神經(jīng)網(wǎng)絡(luò)檢測大曲表面是否存在裂縫。本研究使用4 800個(gè)有裂縫樣本和5 600個(gè)無裂縫樣本進(jìn)行訓(xùn)練，使用1 000個(gè)樣本進(jìn)行測試，其中有裂縫樣本300個(gè)，無裂縫圖700個(gè)。

本方法中有3個(gè)重要參數(shù)：學(xué)習(xí)批大小，表示一次參數(shù)更新運(yùn)算所需的樣本數(shù)量；學(xué)習(xí)率，表示參數(shù)到達(dá)最優(yōu)值過程的速度快慢；學(xué)習(xí)次數(shù)，表示訓(xùn)練過程中數(shù)據(jù)迭代次數(shù)。將學(xué)習(xí)批大小設(shè)置為4，為尋找最佳學(xué)習(xí)率和學(xué)習(xí)次數(shù)，進(jìn)行試驗(yàn)。由表2可知，學(xué)習(xí)次數(shù)為10時(shí)，最佳學(xué)習(xí)率為0.10。

圖8 裂縫樣本組合圖

學(xué)習(xí)率有裂縫樣本正確率/%無裂縫樣本正確率/%總體樣本正確率/%0.0139.093.877.40.0588.793.391.90.1092.096.395.00.1588.789.489.20.2058.788.786.70.5039.079.067.0

? 學(xué)習(xí)次數(shù)為10。

由表3可知，學(xué)習(xí)率為0.10時(shí)，最佳學(xué)習(xí)次數(shù)最低為30。針對(duì)本算法中裂縫樣本特征，得到本研究最佳參數(shù)：學(xué)習(xí)批大小4，學(xué)習(xí)率0.10，學(xué)習(xí)次數(shù)30，該條件下大曲表面裂縫的識(shí)別正確率可達(dá)99.0%。

表3 學(xué)習(xí)次數(shù)對(duì)樣本正確率的影響?

? 學(xué)習(xí)率為0.10。

4 結(jié)論

本試驗(yàn)研究了大曲質(zhì)量檢測系統(tǒng)通過動(dòng)態(tài)閾值分割法、Lab顏色空間、CNN卷積神經(jīng)網(wǎng)絡(luò)等機(jī)器視覺技術(shù)處理采集到的大曲視覺信息，綜合判斷大曲質(zhì)量信息。通過實(shí)驗(yàn)驗(yàn)證，本研究具有實(shí)時(shí)性好、非接觸、易實(shí)現(xiàn)制曲工藝自動(dòng)化等優(yōu)點(diǎn)，對(duì)大曲幾何參數(shù)檢測精度可達(dá)到±1 mm，對(duì)紅曲霉和乳白色菌絲可精準(zhǔn)提取其數(shù)量，試驗(yàn)內(nèi)裂縫樣本識(shí)別正確率可達(dá)到99.0%，均滿足現(xiàn)場制曲工藝要求，可實(shí)現(xiàn)對(duì)大曲質(zhì)量檢測并提高大曲質(zhì)量檢測的客觀性和準(zhǔn)確度。

本試驗(yàn)尚未研究大曲視覺信息和理化特性的聯(lián)系，不能得到更全面的大曲參數(shù)，因此，后續(xù)將展開對(duì)此類問題的相關(guān)研究，以便實(shí)現(xiàn)制曲工藝的全面自動(dòng)化。

[1] 瀘州老窖集團(tuán)有限責(zé)任公司. 瀘型酒技藝大全[M]. 北京: 中國輕工業(yè)出版社, 2011: 82-85.

[2] 沈怡方. 白酒生產(chǎn)技術(shù)全書[M]. 北京: 中國輕工業(yè)出版社, 1998: 54-57.

[3] 李安軍, 何宏魁. “基于物聯(lián)網(wǎng)技術(shù)的數(shù)字化曲房綜合管控系統(tǒng)”在濃香型白酒生產(chǎn)過程中的應(yīng)用[J]. 釀酒科技, 2014(2): 63-64, 67.

[4] 敖宗華, 陜小虎, 沈才洪, 等. 國內(nèi)主要大曲相關(guān)標(biāo)準(zhǔn)及研究進(jìn)展[J]. 釀酒科技, 2010(2): 104-108.

[5] 肖冬光, 趙樹欣, 陳葉福, 等. 白酒生產(chǎn)技術(shù)[M]. 2版. 北京: 化學(xué)工業(yè)出版社, 2013: 70-74.

[6] 何宏魁, 李蘭, 湯有宏, 等. 古井貢酒大曲感官評(píng)價(jià)與其微生物、理化指標(biāo)的關(guān)系研究[J]. 釀酒, 2017, 44(1): 58-63.

[7] 炊偉強(qiáng), 敖宗華, 張春林, 等. 瀘州老窖大曲感官特征與微生物、理化指標(biāo)和生化性能的關(guān)聯(lián)研究[J]. 食品與生物技術(shù)學(xué)報(bào), 2011, 30(5): 761-766.

[8] 黃丹平, 廖世鵬, 于少東, 等. 基于機(jī)器視覺瓦楞紙板自動(dòng)計(jì)數(shù)系統(tǒng)研究[J]. 機(jī)械工程學(xué)報(bào), 2017, 53(10): 79-86.

[9] 郭康, 黃丹平, 王磊, 等. 基于機(jī)器視覺的曲面字符缺陷檢測系統(tǒng)研究[J]. 現(xiàn)代制造工程, 2016(12): 122-127.

[10] 黃河, 李慶武, 范習(xí)健. 采用局部動(dòng)態(tài)閾值的圖像分割算法[J]. 光電子技術(shù), 2011, 31(1): 10-13.

[11] RAFAEL C G, RICHARD E W, STEVEN L E. 數(shù)字圖像處理[M]. 阮秋琦, 阮宇智, 譯. 3版. 北京: 電子工業(yè)出版社, 2011: 487-490.

[12] 田原嫄, 黃合成, 譚慶昌, 等. 基于機(jī)器視覺的零件尺寸測量[J]. 激光與光電子學(xué)進(jìn)展, 2010, 47(1): 82-90.

[13] 劉瓊, 史諾. 基于Lab和YUV顏色空間的農(nóng)田圖像分割方法[J]. 國外電子測量技術(shù), 2015, 34(4): 39-41.

[14] 喬麗. 基于CNN的工件缺陷檢測方法研究及系統(tǒng)設(shè)計(jì)[D]. 武漢: 華中師范大學(xué), 2016: 1-16.

[15] 盧宏濤, 張秦川. 深度卷積神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)視覺中的應(yīng)用研究綜述[J]. 數(shù)據(jù)采集與處理, 2016, 31(1): 1-17.