何 寬， 田有文*， 喬世成， 姚 萍， 古文君

(1. 沈陽(yáng)農(nóng)業(yè)大學(xué) 信息與電氣工程學(xué)院， 遼寧 沈陽(yáng) 110866； 2. 遼寧省農(nóng)業(yè)信息化工程技術(shù)研究中心， 遼寧 沈陽(yáng) 110866.)

1 引 言

藍(lán)莓學(xué)名越橘，深藍(lán)色漿果，原產(chǎn)于美國(guó)，國(guó)內(nèi)主要分布于東北和西南地區(qū)[1]。藍(lán)莓富含花青素、維生素，具有極高的營(yíng)養(yǎng)保健價(jià)值[2]，深受人們喜愛(ài)。但藍(lán)莓采后易患腐爛病，影響藍(lán)莓的可食用性，降低了藍(lán)莓的加工品質(zhì)和商業(yè)價(jià)值[3]。故病害藍(lán)莓的分揀是藍(lán)莓銷(xiāo)售或加工前的一個(gè)重要環(huán)節(jié)。傳統(tǒng)的藍(lán)莓病害檢測(cè)通常為理化分析檢測(cè)或人工肉眼檢測(cè)。前者檢測(cè)時(shí)間長(zhǎng)，且具有破壞性。后者檢測(cè)效率低、誤差大。這兩者都難以滿(mǎn)足藍(lán)莓在線分揀的要求。因此，研究藍(lán)莓病害無(wú)損檢測(cè)技術(shù)對(duì)藍(lán)莓的在線實(shí)時(shí)分揀、提高藍(lán)莓行業(yè)自動(dòng)化水平和生產(chǎn)效益具有重要意義和應(yīng)用價(jià)值。

國(guó)內(nèi)外一些研究學(xué)者利用機(jī)器視覺(jué)和高光譜成像等無(wú)損檢測(cè)技術(shù)對(duì)水果的病害進(jìn)行無(wú)損檢測(cè)[4-23]，并且取得了一定的效果。Georgina等[7]利用機(jī)器視覺(jué)技術(shù)提取柑橘顏色、形狀及紋理等14類(lèi)特征，并采用分類(lèi)回歸樹(shù)(CART)、樸素貝葉斯(NB)、多層感知器(MLP)模型對(duì)柑橘潰瘍病、黑斑病和結(jié)痂病進(jìn)行無(wú)損檢測(cè)，Shubhangi等[8]利用機(jī)器視覺(jué)技術(shù)對(duì)石榴進(jìn)行病害檢測(cè),實(shí)驗(yàn)使用k-均值和閾值圖像分割方法提取石榴病變區(qū)域。利用離散小波變換方法提取病變部位的一組視覺(jué)特征作為支持向量機(jī)(SVM)模型的輸入矢量，對(duì)石榴進(jìn)行病害識(shí)別。Sun[20]利用高光譜成像系統(tǒng)獲取無(wú)損、輕度腐爛、中度腐爛、重度腐爛桃子的高光譜圖像，采用閾值分割法來(lái)識(shí)別桃子病害區(qū)域，并采用連續(xù)投影法(SPA)提取6個(gè)特征波長(zhǎng)，建立偏最小二乘判別分析(PLS-DA)模型進(jìn)行病害識(shí)別，進(jìn)一步提高了桃子腐爛病害識(shí)別率。Folch-Fortuny等[21]利用高光譜成像技術(shù)獲取感興趣區(qū)域光譜數(shù)據(jù)，利用排列測(cè)試法提取5個(gè)特征波長(zhǎng)并采用多路偏最小二乘回歸判別分析模型對(duì)真菌感染的柑桔病害檢測(cè)柑桔腐爛病。劉思伽等[22]利用高光譜成像技術(shù)獲取蘋(píng)果光譜數(shù)據(jù)，采用閾值分割法分割出蘋(píng)果病害區(qū)域并提取高光譜數(shù)據(jù)，采用連續(xù)投影算法從全波長(zhǎng)中提取3個(gè)特征波長(zhǎng)，建立線性判別分析、支持向量機(jī)和BP人工神經(jīng)網(wǎng)絡(luò)模型對(duì)蘋(píng)果病害進(jìn)行檢測(cè)。黃鋒華等[23]采用高光譜成像技術(shù)對(duì)中油9號(hào)油桃的裂紋果、銹病果、異形果和暗傷果進(jìn)行檢測(cè)判別。研究提取了10條特征波長(zhǎng)，進(jìn)行主成分分析得到前10個(gè)主成分值。利用閾值分割方法等分割出油桃病害區(qū)域并提取紋理特征。最后將主成分值和6項(xiàng)紋理指標(biāo)(均值、對(duì)比度、相關(guān)性、能量、同質(zhì)性、熵值)紋理值融合建立極限學(xué)習(xí)機(jī)(ELM)模型對(duì)外部缺陷樣本和完好樣本進(jìn)行檢測(cè)判別。

上述研究中，無(wú)論采用機(jī)器視覺(jué)技術(shù)還是高光譜成像技術(shù)，都需要將柑橘、石榴等中型水果的病害區(qū)域從正常區(qū)域中分割出來(lái)。因?yàn)樯鲜鏊『^(qū)域與正常區(qū)域顏色特征對(duì)比明顯，采用閾值分割很容易將病害區(qū)域分割出來(lái)。而藍(lán)莓的表皮顏色較深，其正常區(qū)域與病害區(qū)域顏色特征相近，利用常規(guī)的閾值分割法難以將藍(lán)莓病害有效分割。因此，本研究根據(jù)藍(lán)莓正常區(qū)域與病害區(qū)域的光譜相對(duì)反射率的差異，提出光譜信息分割法(SIS)來(lái)分割病害區(qū)域。另外，藍(lán)莓正常區(qū)域和病害區(qū)域在可見(jiàn)光范圍內(nèi)的光譜相對(duì)反射率存在差異，并且藍(lán)莓正常區(qū)域和病害區(qū)域在近紅外范圍內(nèi)的光譜相對(duì)反射率也存在差異，故本研究提出區(qū)域特征篩選法(RFS),將藍(lán)莓光譜相對(duì)反射率分成可見(jiàn)光第一區(qū)域(450～760 nm)和近紅外第二區(qū)域(760～1 000 nm)進(jìn)行研究，再結(jié)合CARS與SPA算法提取出特征波長(zhǎng)，最后用RVM模型與RBF神經(jīng)網(wǎng)絡(luò)模型對(duì)藍(lán)莓病害進(jìn)行檢測(cè)，為實(shí)現(xiàn)快速、無(wú)損的藍(lán)莓病害在線檢測(cè)、分揀提供理論支持。

2 實(shí) 驗(yàn)

2.1 實(shí)驗(yàn)材料

藍(lán)莓樣本采摘于沈陽(yáng)市鐵西經(jīng)濟(jì)技術(shù)開(kāi)發(fā)區(qū)彰驛站街道彰驛站村時(shí)圣藍(lán)莓種植基地，采摘時(shí)間為2017年7月。藍(lán)莓樣本選擇果形勻稱(chēng)、大小相近、腐爛面積占總面積15%以?xún)?nèi)、無(wú)明顯霉斑的輕微腐爛病害藍(lán)莓220個(gè)，正常藍(lán)莓100個(gè)。采后利用高光譜成像系統(tǒng)采集所有藍(lán)莓的高光譜圖像。

2.2 實(shí)驗(yàn)設(shè)備

本實(shí)驗(yàn)采集藍(lán)莓高光譜圖像的高光譜成像系統(tǒng)如圖1所示，其組成部分為高光譜成像光譜儀(ImSpector V10 E，Spectral Imanging Ltd，F(xiàn)inland)，面陣CCD相機(jī)(IGV-B1410M，IMPERX indorporated，USA)，精密位移控制平臺(tái)(IRCP0076-1 COM，臺(tái)灣)，無(wú)光暗箱(120 cm×50 cm×140 cm)，兩個(gè)150 W光纖鹵素?zé)?3900Illuminatior，Illumination Technologies，Inc.美國(guó))，一臺(tái)計(jì)算機(jī)(DELL Vostro 5560D-1528)。高光譜成像系統(tǒng)的光譜采集范圍是400～1 000 nm，光譜分辨率為1.27 nm，一共472個(gè)波段。

圖1 高光譜成像系統(tǒng)示意圖Fig.1 Schematic diagram of hyperspectral imaging system

2.3 高光譜圖像采集

藍(lán)莓圖像采集前調(diào)整高光譜成像系統(tǒng)，調(diào)整鏡頭光圈確定合適焦距，采集反射率99%的白板的白色標(biāo)定圖像RW和蓋上鏡頭蓋的全黑標(biāo)定圖像RD。將藍(lán)莓樣本20個(gè)按照5排4列擺放在位移臺(tái)上。為確保圖像不失真，位移臺(tái)速度控制為1.7 mm·s-1。最后通過(guò)高光譜圖像采集系統(tǒng)獲取藍(lán)莓樣本的高光譜圖像，并分割出單個(gè)藍(lán)莓高光譜圖像，如圖2所示。

圖2 藍(lán)莓高光譜圖像

2.4 藍(lán)莓高光譜圖像處理

采集高光譜圖像時(shí)，由于暗電流的存在會(huì)使光源強(qiáng)度不均勻從而導(dǎo)致高光譜圖像產(chǎn)生噪聲，因此需要對(duì)高光譜圖像進(jìn)行黑白板校正，并按照公式(1)計(jì)算得到校正后的高光譜圖像I以消除噪聲:

(1)

式中RS為藍(lán)莓的原始高光譜圖像反射率，RW為全白校正圖像反射率，RD為全黑校正圖像反射率，I為校正后的藍(lán)莓高光譜圖像反射率。

本實(shí)驗(yàn)處理藍(lán)莓高光譜圖像選用ENVI 4.8(Rese archSystem Inc.，美國(guó))、Matlab 7.1(The MathWorksInc.，美國(guó))軟件。ENVI用于光譜數(shù)據(jù)和圖像的提取，Matlab用于光譜數(shù)據(jù)處理、圖像分割、特征波長(zhǎng)的提取以及模型的建立。

2.5 實(shí)驗(yàn)流程

本實(shí)驗(yàn)的藍(lán)莓病害檢測(cè)實(shí)驗(yàn)流程為：首先獲取藍(lán)莓高光譜圖像；然后圖像分割確定感興趣區(qū)域，提取光譜相對(duì)反射率，篩選特征波長(zhǎng)；最后利用模型對(duì)藍(lán)莓病害進(jìn)行檢測(cè)。具體操作流程如圖3所示。

圖3 藍(lán)莓病害檢測(cè)處理流程圖Fig.3 Processing flow chart of blueberry disease detection

3 實(shí)驗(yàn)結(jié)果與討論

3.1 高光譜曲線分析

從圖2中可以看出在波長(zhǎng)400～450 nm范圍內(nèi)，藍(lán)莓病害區(qū)域與正常區(qū)域的光譜數(shù)據(jù)存在噪聲。為了不影響后續(xù)檢測(cè)的準(zhǔn)確率，本研究去除該范圍波段的光譜數(shù)據(jù)。另外在可見(jiàn)光波段(450～760 nm)范圍內(nèi)，藍(lán)莓病害區(qū)域的光譜相對(duì)反射率比藍(lán)莓正常區(qū)域的光譜相對(duì)反射率稍大一些。而在近紅外波段(760～1 000 nm)范圍內(nèi)，藍(lán)莓正常區(qū)域的光譜相對(duì)反射率比藍(lán)莓病害區(qū)域的光譜相對(duì)反射率大。藍(lán)莓病害區(qū)域與正常區(qū)域光譜相對(duì)反射率存在差異的原因是由于藍(lán)莓正常區(qū)域與藍(lán)莓病害區(qū)域顏色稍微有些差異，而且藍(lán)莓病變腐爛使藍(lán)莓病害區(qū)域主要成分及理化性質(zhì)發(fā)生改變，從而使光譜反射率發(fā)生變化。因此采用450～1 000 nm波段范圍的光譜數(shù)據(jù)建立模型檢測(cè)藍(lán)莓的病害。

3.2 感興趣區(qū)域分割

藍(lán)莓顏色為深藍(lán)色，病害部分與表皮顏色相近，采用閾值分割方法容易把正常區(qū)域誤當(dāng)作病害區(qū)域分割出來(lái)。本實(shí)驗(yàn)分割圖像時(shí)，由于866.5 nm波段圖像中藍(lán)莓病害區(qū)域與正常區(qū)域差異相對(duì)明顯，所以實(shí)驗(yàn)選擇866.5 nm波段圖像作為特征圖像進(jìn)行分割。再利用閾值分割對(duì)866.5 nm波段藍(lán)莓圖像進(jìn)行二值化，得到圖像如圖4(c)所示。然后用該二值化圖像對(duì)高光譜圖像進(jìn)行掩膜得到圖4(d)，再對(duì)圖4(d)進(jìn)行閾值分割，閾值設(shè)定為0.65，得到病害區(qū)域分割圖像，如圖4(e)所示。最后，對(duì)圖4(e)圖像進(jìn)行腐蝕膨脹，實(shí)現(xiàn)病害區(qū)域分割,如圖4(f)所示。由該圖可看出常規(guī)的閾值分割法未能比較完整地分割出藍(lán)莓病害區(qū)域，并將部分正常區(qū)域當(dāng)作病害也分割出來(lái)。所以，本研究根據(jù)藍(lán)莓正常區(qū)域與病害區(qū)域光譜信息的差異，提出了光譜信息分割法SIS，利用光譜信息將藍(lán)莓病害區(qū)域從藍(lán)莓正常區(qū)域中分割出來(lái)。實(shí)驗(yàn)同樣選擇866.5 nm波段圖像。該波段下背景的光譜相對(duì)反射率為0.05左右，光譜相對(duì)反射率較小。故提取866.5 nm波段圖像所有像素點(diǎn)的光譜相對(duì)反射率，并求其平均值g=0.21作為藍(lán)莓分割閾值。比較藍(lán)莓圖像每個(gè)像素點(diǎn)的光譜相對(duì)反射率與分割閾值的大小，若該像素點(diǎn)的光譜相對(duì)反射率小于0.21，該像素點(diǎn)的光譜相對(duì)反射率賦值為1，該像素點(diǎn)的像素值賦值為255；若該像素點(diǎn)的光譜相對(duì)反射率大于等于0.21，該像素點(diǎn)的光譜相對(duì)反射率不變，該像素點(diǎn)的像素值也不變。得到藍(lán)莓分割圖像，如圖5(c)所示。

圖4 閾值分割結(jié)果Fig.4 Result of threshold segmentation method

圖5 光譜信息分割結(jié)果

在866.5 nm波段，藍(lán)莓正常區(qū)域的光譜相對(duì)反射率均大于0.35，病害區(qū)域的光譜相對(duì)反射率在0.3左右，且均小于0.35，故設(shè)定藍(lán)莓病害區(qū)域的分割閾值為0.35。比較圖5(c)藍(lán)莓圖像每個(gè)像素點(diǎn)的光譜相對(duì)反射率與藍(lán)莓病害分割閾值的大小，若該像素點(diǎn)的光譜相對(duì)反射率小于0.35，該像素點(diǎn)的像素值賦值為1；若該像素點(diǎn)的光譜相對(duì)反射率大于等于0.35，該像素點(diǎn)的像素值賦值為0。藍(lán)莓病害分割圖像如圖5(d)所示。因?yàn)樗{(lán)莓邊緣正常區(qū)域的光譜相對(duì)反射率有一部分小于0.35，導(dǎo)致將藍(lán)莓邊緣正常區(qū)域分割出來(lái)，所以再對(duì)圖4(d)進(jìn)行腐蝕膨脹運(yùn)算得到最終分割后的藍(lán)莓病害圖像，如圖5(e)所示。

從分割結(jié)果可看出，本研究提出的光譜信息圖像分割法能夠準(zhǔn)確分割出藍(lán)莓病害區(qū)域，解決了由于藍(lán)莓正常區(qū)域與病害區(qū)域顏色特征相近難以有效分割病害區(qū)域的問(wèn)題。

3.3 提取特征波長(zhǎng)

根據(jù)前面的藍(lán)莓分割圖像，5×5大小區(qū)域提取光譜數(shù)據(jù)并求其平均值以代替該區(qū)域的平均光譜相對(duì)反射率。

由于光譜存在小鋸齒噪聲，所以采用Savitzky-Golay平滑方法對(duì)光譜曲線進(jìn)行平滑處理，為后續(xù)研究提供理想數(shù)據(jù)。

原始高光譜圖像光譜數(shù)據(jù)維數(shù)大，信息量冗余，增加了檢測(cè)模型計(jì)算量，降低了檢測(cè)模型性能，需要對(duì)其進(jìn)行降維，提取特征波長(zhǎng)。根據(jù)可見(jiàn)光范圍(450～760 nm)和近紅外范圍(760～1 000 nm)內(nèi)病害區(qū)域的光譜相對(duì)反射率和正常區(qū)域的光譜相對(duì)反射率分別存在不同的差異，本研究提出區(qū)域特征篩選法(RFS)，將光譜分成可見(jiàn)光第一區(qū)域波段(450～760 nm)和近紅外第二區(qū)域波段(760～1 000 nm)，然后再采用CARS與SPA算法分別對(duì)兩個(gè)區(qū)域的光譜信息提取特征波長(zhǎng)，并提取出特征波長(zhǎng)對(duì)應(yīng)的光譜相對(duì)反射率[24-26]。采用區(qū)域特征篩選法方法的優(yōu)點(diǎn)在于強(qiáng)制減少了近乎一半維數(shù)，降低了CARS與SPA算法的篩選工作量。特征波長(zhǎng)的篩選結(jié)果如表1所示。

表1 特征波長(zhǎng)提取Tab.1 Feature wavelength extraction

3.4 檢測(cè)結(jié)果與討論

本研究采用RVM和RBF神經(jīng)網(wǎng)絡(luò)兩種模型檢測(cè)病害藍(lán)莓，模型輸出為1和0兩種結(jié)果，1表示正常藍(lán)莓，0表示病害藍(lán)莓。將220個(gè)正常藍(lán)莓和100個(gè)病害藍(lán)莓分成訓(xùn)練集和測(cè)試集，其中訓(xùn)練集樣本數(shù)量選60個(gè)正常藍(lán)莓和140個(gè)病害藍(lán)莓，測(cè)試集樣本數(shù)量選擇40個(gè)正常藍(lán)莓和80個(gè)病害藍(lán)莓。

采用RBF模型檢測(cè)時(shí)，隱含層的徑向基函數(shù)采用高斯函數(shù)作為傳遞函數(shù)，輸出層的傳遞函數(shù)為線性函數(shù)，分布常數(shù)speed為10。采用RVM模型檢測(cè)時(shí)，內(nèi)核函數(shù)采用高斯函數(shù)，核長(zhǎng)度尺度為1，最大迭代次數(shù)為1 000。選擇第一區(qū)域特征波長(zhǎng)的光譜相對(duì)反射率、第二區(qū)域特征波長(zhǎng)的光譜相對(duì)反射率、第一區(qū)域和第二區(qū)域特征波長(zhǎng)組合的光譜相對(duì)反射率分別作為RVM模型和RBF模型的輸入矢量，比較不同模型的檢測(cè)效果。檢測(cè)結(jié)果如表2所示。

表2 藍(lán)莓病害檢測(cè)結(jié)果Tab.2 Result of blueberry disease detection

從采用不同區(qū)域特征波長(zhǎng)的相對(duì)反射率矩陣進(jìn)行檢測(cè)的結(jié)果來(lái)看，第一區(qū)域與第二區(qū)域組合的識(shí)別模型檢測(cè)結(jié)果最好，第二區(qū)域的模型次之，第一區(qū)域模型檢測(cè)結(jié)果最差。根據(jù)前面的高光譜曲線分析，藍(lán)莓的病害區(qū)域與正常區(qū)域的光譜相對(duì)反射率在近紅外范圍的差異比可見(jiàn)光范圍的差異要大很多，因而正常區(qū)域與病害區(qū)域在近紅外范圍內(nèi)的光譜特征差異更明顯，所以檢測(cè)模型在近紅外范圍的檢測(cè)效果要比可見(jiàn)光范圍的檢測(cè)效果好。兩個(gè)區(qū)域組合的特征波長(zhǎng)光譜相對(duì)反射率則能更全面地表達(dá)出藍(lán)莓的病害區(qū)域與正常區(qū)域之間的差異，所以第一區(qū)域與第二區(qū)域特征波長(zhǎng)組合的模型檢測(cè)效果最好。

通過(guò)比較CARS與SPA兩種方法提取特征波長(zhǎng)的模型檢測(cè)效果來(lái)看，CARS提取特征波長(zhǎng)在訓(xùn)練集和測(cè)試集中的檢測(cè)效果要比SPA提取特征波長(zhǎng)的檢測(cè)效果好。CARS提取特征長(zhǎng)的檢測(cè)效果較好可能是因?yàn)镃ARS提取的特征波長(zhǎng)基本分布在正常藍(lán)莓光譜曲線與病害藍(lán)莓光譜曲線相對(duì)反射率差異較大的波段，SPA提取的特征波長(zhǎng)則大多數(shù)分布在正常藍(lán)莓光譜曲線與病害藍(lán)莓光譜曲線相對(duì)反射率差異較小的波段。

通過(guò)比較RVM和RBF模型檢測(cè)藍(lán)莓病害的檢測(cè)結(jié)果，可以看出RBF的檢測(cè)效果比RVM的檢測(cè)效果要好。這可能是RVM模型中懲罰項(xiàng)會(huì)隨著距離的增大而增大，懲罰因子越大，該項(xiàng)所占的權(quán)重越大，使得訓(xùn)練會(huì)盡可能地將所有樣本點(diǎn)擬合，從而產(chǎn)生過(guò)擬合現(xiàn)象，導(dǎo)致置信區(qū)間較小對(duì)，對(duì)預(yù)測(cè)數(shù)據(jù)產(chǎn)生誤判[27]。RBF模型具有任意逼近的能力，其網(wǎng)絡(luò)可以自動(dòng)增加神經(jīng)元直到滿(mǎn)足精度要求為止，這使得RBF模型的檢測(cè)結(jié)果要準(zhǔn)確得多[28]。

Gabriel等[29]利用機(jī)器視覺(jué)技術(shù)對(duì)腐爛藍(lán)莓進(jìn)行無(wú)損檢測(cè)，檢測(cè)準(zhǔn)確率達(dá)到98%，效果較好，但是該實(shí)驗(yàn)檢測(cè)的病害藍(lán)莓都是存在霉斑菌落覆蓋較多、腐爛程度較嚴(yán)重的藍(lán)莓，藍(lán)莓病害圖像與藍(lán)莓正常圖像的紋理特征差異明顯，利用機(jī)器視覺(jué)技術(shù)容易識(shí)別病害，而對(duì)于輕微腐爛的藍(lán)莓并沒(méi)有進(jìn)行檢測(cè)。本文則是采用高光譜成像結(jié)合SIS與RFS方法對(duì)輕微腐爛藍(lán)莓進(jìn)行無(wú)損檢測(cè)，其訓(xùn)練集和測(cè)試集的病害檢測(cè)效果比較理想。

4 結(jié) 論

本研究通過(guò)高光譜成像技術(shù)對(duì)采后藍(lán)莓的腐爛病進(jìn)行病害檢測(cè)，研究結(jié)論如下：

(1)本研究提出的基于光譜信息圖像分割法(SIS)利用866.5 nm波段下的光譜相對(duì)反射率對(duì)該波段下的藍(lán)莓圖像進(jìn)行分割，達(dá)到了準(zhǔn)確分割藍(lán)莓病害區(qū)域的效果。

(2)本研究提出的區(qū)域特征篩選法(RFS)根據(jù)病害區(qū)域與藍(lán)莓正常區(qū)域的光譜相對(duì)反射率在可見(jiàn)光與近紅外光譜范圍內(nèi)的不同差異，將光譜分成可見(jiàn)光第一區(qū)域和近紅外第二區(qū)域兩個(gè)光譜范圍，有效地選擇出了第一區(qū)域與第二區(qū)域組合的7個(gè)特征波長(zhǎng)(655.8,710.9,752.2,759.9,761.2,866.5,969.7 nm)，提高了檢測(cè)模型的病害檢測(cè)效果。

(3)通過(guò)比較RVM和RBF模型檢測(cè)藍(lán)莓病害的檢測(cè)結(jié)果，可知檢測(cè)模型CARS-RBF的檢測(cè)結(jié)果最好，達(dá)到了比較理想的檢測(cè)效果，能夠滿(mǎn)足在線檢測(cè)要求。

本文提出的高光譜成像結(jié)合SIS和RFS研究方法對(duì)提高藍(lán)莓腐爛分揀的準(zhǔn)確性、保證藍(lán)莓深加工產(chǎn)品的品質(zhì)以及提升藍(lán)莓產(chǎn)業(yè)自動(dòng)化分揀水平具有參考意義。