楊靜嫻 任小洪

(1.四川輕化工大學(xué)人工智能四川省重點(diǎn)實(shí)驗(yàn)室，四川 宜賓 644000；2.四川輕化工大學(xué)自動(dòng)化與信息工程學(xué)院，四川 宜賓 644000)

近年，隨著數(shù)字經(jīng)濟(jì)的發(fā)展，釀酒工藝數(shù)字化、智能化[1-3]和信息化[4-7]已成為發(fā)展趨勢(shì)。在傳統(tǒng)的摘酒過程中，酒度的范圍都是人工通過經(jīng)驗(yàn)來判斷，白酒釀制工人通過“看花摘酒”和“邊摘邊嘗”的方法對(duì)白酒度數(shù)進(jìn)行判斷，從而實(shí)現(xiàn)對(duì)白酒度數(shù)的分級(jí)，這樣的判斷存在分級(jí)不穩(wěn)定性以及不確定性的問題[8]。因此，實(shí)現(xiàn)白酒摘酒過程中度數(shù)分級(jí)智能化已經(jīng)是必然的發(fā)展趨勢(shì)。對(duì)白酒摘酒工藝的研究通常從白酒多個(gè)方面的特征考慮。例如，陳林等[9]提出從酒精水溶液濃度、溫度、酒精體積分?jǐn)?shù)關(guān)系進(jìn)行酒精度模型搭建，通過音叉密度計(jì)監(jiān)測(cè)基酒密度，再將模型轉(zhuǎn)化為酒精度，對(duì)比實(shí)測(cè)酒精度與預(yù)測(cè)酒精度之間的差異，實(shí)現(xiàn)酒精度的預(yù)測(cè)；何盛國(guó)等[10-11]通過檢測(cè)基酒中的四大脂，傳送到控制系統(tǒng)，通過實(shí)測(cè)脂含量與預(yù)設(shè)含量的對(duì)比，通過脂含量的固定范圍將基酒進(jìn)行分級(jí)，實(shí)現(xiàn)自動(dòng)化摘取，但在此研究中會(huì)受到酒醅物性、裝甄工藝的影響，同時(shí)需要大量樣本的學(xué)習(xí)。除此以外，大多數(shù)白酒智能化研究都是基于白酒風(fēng)味物質(zhì)[12]、含量[13-14]、變化規(guī)律[15-16]進(jìn)行。

現(xiàn)階段除人工摘酒外，已有企業(yè)采用的酒精度檢測(cè)儀進(jìn)行自動(dòng)摘酒，但存在價(jià)格昂貴、在線檢測(cè)效果不理想等問題，而通過機(jī)器視覺技術(shù)、圖像處理技術(shù)相結(jié)合的方法具有成本低、方便快捷、易于實(shí)現(xiàn)大規(guī)模摘酒的優(yōu)點(diǎn)。文章擬分析和討論一種基于圖像處理技術(shù)的白酒酒花輪廓檢測(cè)的方法，以期實(shí)現(xiàn)酒花分級(jí)摘酒的智能化。

1 白酒酒度分級(jí)基本信息

在現(xiàn)階段，白酒在生產(chǎn)中通常實(shí)現(xiàn)的是三段摘酒。在白酒蒸餾開始后，通過人工的方法進(jìn)行“看花摘酒”“邊摘邊嘗”等操作實(shí)現(xiàn)白酒酒度的分級(jí)。在白酒蒸餾過程中，蒸餾液流入酒桶中，水、酒精由于表面張力的作用而激濺起的氣泡，稱為“酒花”。酒花的大小以及酒花的滯留時(shí)間長(zhǎng)短便作為白酒酒度的一種判別方法。

針對(duì)某酒廠的白酒摘酒酒度分級(jí)中的酒花進(jìn)行示例見表1。

表1 宜賓某酒廠白酒酒花分類

在摘酒時(shí)要掐去酒頭與酒尾，分別貯存，可以選擇合適的餾分用于后續(xù)的勾兌白酒，也可將酒頭與酒尾混合，一起進(jìn)行再次蒸餾。

要實(shí)現(xiàn)對(duì)酒花的分級(jí)，得到摘酒過程中的酒花輪廓圖便是關(guān)鍵所在，通過對(duì)白酒酒花的輪廓獲取，可以更加清晰地對(duì)白酒酒花進(jìn)行分級(jí)，從而實(shí)現(xiàn)對(duì)白酒酒度的分級(jí)。

2 輪廓檢測(cè)方法的設(shè)計(jì)與分析

2.1 圖像處理流程設(shè)計(jì)

基于圖像處理的白酒酒花輪廓檢測(cè)方法是在Visual studio+opencv平臺(tái)上進(jìn)行的，通過對(duì)多種處理流程以及處理算法的試驗(yàn)，最終確定在對(duì)白酒摘酒圖像進(jìn)行以下的檢測(cè)流程，方法能夠很好地獲取到在摘酒過程中的白酒酒花，具體流程圖如圖1所示。

通過對(duì)白酒摘酒原始圖像進(jìn)行以上的預(yù)處理方法后，能夠消除圖像中的大量噪聲，并在OTSU算法以及Canny邊緣檢測(cè)相結(jié)合的方法下能夠獲得相對(duì)精確清晰的大清花以及小清花酒花輪廓，為實(shí)現(xiàn)在白酒摘酒過程中的白酒酒度分級(jí)打下基礎(chǔ)。在以下將對(duì)大清花以及小清花的圖像進(jìn)行算法實(shí)現(xiàn)。

2.2 白酒酒花圖像分析

通過在宜賓某酒廠進(jìn)行數(shù)據(jù)采集，在同一光照條件下，采用1 600萬像素拍攝工具進(jìn)行視頻拍攝，對(duì)同一甄酒的摘酒酒花進(jìn)行了數(shù)據(jù)采集，獲取了在現(xiàn)階段人工摘酒時(shí)大清花和小清花的觀測(cè)圖像。在采集的圖片中可以看出，受到蒸餾液擊打在白紡布上飛濺的影響以及動(dòng)態(tài)酒的影響，圖像中只有部分能夠觀測(cè)到酒花的輪廓。因此，為了避免大量噪聲的影響，只針對(duì)所獲取圖像的部分進(jìn)行圖像處理，即選取感興趣區(qū)域(region of interest，ROI)進(jìn)行白酒酒花的輪廓檢測(cè)。在文中主要是通過圖像處理部分對(duì)酒花圖片進(jìn)行分析，因此采用鼠標(biāo)截取酒泡清晰的部分，對(duì)比選取最優(yōu)的ROI區(qū)域進(jìn)行接下來的圖像處理部分。在應(yīng)用中可以通過固定出酒管的位置設(shè)置矩形區(qū)域進(jìn)行ROI區(qū)域的選擇再進(jìn)行后續(xù)的圖像處理。根據(jù)多次試驗(yàn)對(duì)比，ROI區(qū)域的像素控制在300×300左右能夠獲得較為全面的酒花圖像。原始圖像以及酒花處理部分如圖2所示。

圖1 檢測(cè)流程圖

圖2 原始圖像以及酒花處理部分

通過圖2可以看出，白酒酒花的圖像提取受到酒桶、酒裝、蒸餾酒流以及光照等因素的影響，經(jīng)過ROI提取后的酒花圖像能過夠大部分的刪除包含酒桶、酒裝的影響，將圖像處理區(qū)域減小。通過觀察ROI區(qū)域圖像可看出，白酒酒花圖像仍然存在酒花粘連、邊緣不清晰、酒花高光區(qū)域等影響因素，在不同的光照條件所獲取的圖像在亮度方面也是存在差異的。白酒酒花為無色透明狀，在透明酒花中存在嚴(yán)重的反光現(xiàn)象，造成了酒花與背景之間的差別不明顯，對(duì)白酒酒花輪廓的提取造成了較大的困難。實(shí)現(xiàn)白酒酒花與背景的分離，消除酒花中存在的反光現(xiàn)象是實(shí)現(xiàn)白酒酒花輪廓檢測(cè)的關(guān)鍵。

3 輪廓檢測(cè)方法的實(shí)現(xiàn)

3.1 圖像預(yù)處理

在所獲得的ROI圖像中，圖像的對(duì)比度較低，酒花與背景之間的分割不明顯，通過酒花的灰度直方圖進(jìn)行分析。在圖3(a)中，由于受到陰影以及邊緣不清晰的影響，直方圖中酒花區(qū)域較小且集中在灰度級(jí)的偏左部分，相應(yīng)的對(duì)比度也就不明顯；在圖3(b)中由于受到酒花反光以及大部分的白色細(xì)花的影響，出現(xiàn)了多個(gè)峰值。

在灰度直方圖中，灰度值的范圍變化較小，圖像整體較暗，對(duì)比度不強(qiáng)。直方圖均衡化是常用的圖形增強(qiáng)的方法，通過直方圖均衡化，可以拉伸像素強(qiáng)度分布范圍，以此來增強(qiáng)圖像中的對(duì)比度，獲得更加明亮的圖像。白酒酒花的直方圖均衡化后的圖像如圖4所示。

在白酒酒花圖片中，由于酒花邊緣相互粘連，造成酒花之間的分界不清淅。通過圖像的腐蝕，可以求得局部最小值，將圖像中的部分粘連進(jìn)行消除，降低噪聲。通過圖像的腐蝕，得到去除了酒花中大部分高光區(qū)域的圖像，使每個(gè)酒花呈現(xiàn)出與邊界相似的灰度級(jí)，酒花與背景之間的差別更明顯，每個(gè)酒花的輪廓也更加清晰。通過圖5酒花腐蝕圖像可以看出，相鄰酒花之間的邊界更加清晰，酒花中高光區(qū)域產(chǎn)生的影響也得到了改善。

3.2 酒花的邊緣檢測(cè)

不同的灰度值之間會(huì)存在界限，這種界限稱為邊緣，直接通過以上腐蝕圖像進(jìn)行邊緣檢測(cè)，仍然會(huì)出現(xiàn)很多噪聲邊界，為了能夠獲得更加清晰的酒花邊界，進(jìn)行圖像的二值化是獲取更加精確酒花輪廓的關(guān)鍵步驟。

圖5 酒花腐蝕圖像

3.2.1 圖像的二值化 圖像二值化將圖像處理成只含有黑色和白色兩種顏色，能夠更好地保留圖像中目標(biāo)物體的形態(tài)信息，減少圖像中顏色信息與背景信息可能在圖像處理中存在的影響。

圖像二值化，最重要的就是對(duì)分割閾值的選取。在灰度平均值二值化方法中，將整幅圖像的灰度平均值作為二值化的閾值；在雙峰法中，是根據(jù)直方圖中的兩個(gè)最高峰值之間的峰谷最低值進(jìn)行閾值的設(shè)定。這兩種方法進(jìn)行閾值選取時(shí)都具有局限性，會(huì)導(dǎo)致圖像部分的邊緣像素丟失，使二值化圖像不能反映真實(shí)的圖像信息。

相比之下，圖像二值化方法中的OTSU算法(也稱為大津法或是最大類間方差法)是自適應(yīng)閾值分割算法，不需要實(shí)時(shí)監(jiān)督，屬于自動(dòng)進(jìn)行最優(yōu)閾值選取的圖像分割法[17-19]。采用該算法利用自適應(yīng)閾值分割將酒花圖像分割為酒花與背景兩部分。通過計(jì)算得到最佳的分割閾值來區(qū)分背景與前景兩類像素，使前景與背景兩類像素的區(qū)分度最大。

運(yùn)用OTSU算法進(jìn)行最佳的閾值選取后，通過將圖像中每一個(gè)像素點(diǎn)的灰度值與最佳分割閾值相比較，便可以分割出圖像的酒花與背景，圖6為酒花OTSU圖像。

圖6 酒花OTSU圖像

3.2.2 邊緣檢測(cè) 在進(jìn)行邊緣檢測(cè)時(shí)，常用的有Sobel算子、Laplacian算子、Canny算子等。Sobel算子通過求導(dǎo)計(jì)算圖像灰度函數(shù)近似梯度；Laplacian算子是n維歐幾里得空間中的一個(gè)二階微分算子；Canny邊緣檢測(cè)是一種多級(jí)邊緣檢測(cè)算法，Canny使用變分法，是能夠表示出盡可能多的實(shí)際邊緣同時(shí)減少噪聲誤報(bào)的函數(shù)方法，使得到的邊緣與實(shí)際邊緣更加接近[20-21]。在進(jìn)行邊緣檢測(cè)前，通常會(huì)對(duì)圖像進(jìn)行濾波處理，最常用的濾波方法是高斯濾波[22]。

高斯濾波是一種線性平滑濾波，可以消除噪聲，并且使圖像邊緣更加平滑。高斯濾波的具體操作是用模板中確定的領(lǐng)域內(nèi)像素的加權(quán)平均灰度值去代替模板中心像素點(diǎn)的值。通過對(duì)OTSU圖像進(jìn)行高斯濾波處理，會(huì)得到更加平滑的酒花邊緣，使進(jìn)行邊緣檢測(cè)時(shí)得到的酒花輪廓更加接近真實(shí)酒花輪廓。白酒的酒花高斯濾波圖如圖7所示。

圖7 酒花高斯濾波圖

高斯濾波后進(jìn)行圖像的邊緣檢測(cè)對(duì)比，選取最優(yōu)的邊緣檢測(cè)算子進(jìn)行后續(xù)酒花圖像處理。在Sobel算子進(jìn)行一階導(dǎo)數(shù)計(jì)算時(shí)，內(nèi)核值的設(shè)置會(huì)對(duì)圖像邊緣提取產(chǎn)生不同的邊緣，并且在內(nèi)核值選取為1時(shí)，圖像沒有進(jìn)行高斯平滑操作；在Laplacian算子中也存在內(nèi)核值的選擇，相比之下，在內(nèi)核值選取為3時(shí)，得到的邊緣輪廓圖像較為清晰；在Canny算子中默認(rèn)內(nèi)核值大小為3，在此時(shí)，所獲得的邊緣輪廓相比其他兩種算子的邊緣更加清晰，如圖8所示。因此，選取Canny算子進(jìn)行酒花邊緣檢測(cè)。

在進(jìn)行Canny邊緣檢測(cè)的圖像已經(jīng)是經(jīng)過OTSU算法二值化后并濾波的圖像，在圖片中只存在兩個(gè)像素值，不存在傳統(tǒng)的Canny邊緣檢測(cè)中需要設(shè)定高低閾值的困難，任意的閾值設(shè)定均可以實(shí)現(xiàn)圖像在此時(shí)的準(zhǔn)確邊緣檢測(cè)，白酒酒花的邊緣檢測(cè)如圖9所示。

圖8 邊緣檢測(cè)對(duì)比圖

圖9 酒花Canny邊緣檢測(cè)圖像

3.2.3 輪廓提取 在已經(jīng)得到的邊緣檢測(cè)圖像中，仍然存在部分的由于蒸餾酒飛濺以及酒花高光區(qū)域產(chǎn)生的誤差，但是這些噪聲產(chǎn)生的邊緣輪廓都遠(yuǎn)小于實(shí)際的大清花與小清花的酒花大小，可以通過篩選實(shí)際面積的方法獲取更加清晰明確的酒花圖像。在邊緣輪廓檢測(cè)圖像中，可以清晰地看出大清花圖像與小清花圖像之間的差別。在大清花圖像中，大酒花的數(shù)量較多，且分部集中；小清花中也存在少量的大酒花，但是數(shù)量較少、分布較散。白酒的酒花邊緣輪廓檢測(cè)圖像如圖10所示。

圖10 酒花邊緣輪廓檢測(cè)圖像

4 結(jié)論

文章主要針對(duì)生產(chǎn)現(xiàn)場(chǎng)采集的白酒酒花視頻圖像進(jìn)行圖像處理，在圖像預(yù)處理采用直方圖均衡化和圖像腐蝕進(jìn)行了酒花圖像中高光噪聲的消除，采用OTSU算法與Canny邊緣檢測(cè)算法結(jié)合的方法，獲取清晰的酒花邊緣輪廓，對(duì)大清花圖像與小清花圖像進(jìn)行了對(duì)比研究。結(jié)果表明，采用機(jī)器視覺的智能摘酒方法是可行的。在后續(xù)的工作中將進(jìn)一步開展多等級(jí)酒花分類算法研究，并依據(jù)酒花圖像建立在一定場(chǎng)景下的酒花分級(jí)閾值和判斷標(biāo)準(zhǔn)。通過選擇合適的工業(yè)攝像機(jī)采集摘酒過程中的酒花圖像，并進(jìn)行酒花圖像的實(shí)時(shí)處理，實(shí)現(xiàn)白酒摘酒的智能自動(dòng)化。