緱新科 常 英

（蘭州理工大學(xué)電氣工程與信息工程學(xué)院 蘭州 730050）

1 引言

傳統(tǒng)的櫻桃番茄檢測方法主要是利用人工分級(jí)或者分級(jí)機(jī)械來完成。人工分級(jí)時(shí)，人的檢測和判斷會(huì)因疲勞、個(gè)人之間的判別差異等產(chǎn)生誤差和錯(cuò)誤，不僅費(fèi)時(shí)、效率低下，而且會(huì)影響分級(jí)質(zhì)量，具有很強(qiáng)的主觀性，從而難以保證出口番茄的質(zhì)量。采用分級(jí)機(jī)械的方法基本上都是通過設(shè)計(jì)專用機(jī)械結(jié)構(gòu)來檢測水果的大小和質(zhì)量，如通過孔洞的大小來評判水果大小屬于哪一等級(jí)，然而這些方法對水果的顏色、果面紋理和缺陷面積等均無法作出評價(jià)［1］。目前國內(nèi)外對于水果顏色、紋理等檢測在研究上已經(jīng)取得了很大進(jìn)展，有些技術(shù)在實(shí)際生產(chǎn)中得到了較好的應(yīng)用［2～3］。

利用機(jī)器視覺技術(shù)來進(jìn)行水果的在線分級(jí)檢測是實(shí)現(xiàn)水果自動(dòng)化分級(jí)進(jìn)而商品化的重要環(huán)節(jié)［4］。但是，由于傳統(tǒng)的水果分級(jí)檢測大多數(shù)是在室內(nèi)環(huán)境中進(jìn)行的，這樣光線噪聲等因素就會(huì)嚴(yán)重影響著視覺檢測效果。所以，針對光線噪聲的影響問題在檢測過程當(dāng)中需要重點(diǎn)克服。目前，大多數(shù)對櫻桃番茄的分級(jí)檢測研究都是由于圖像檢測速度較慢，所以很難實(shí)現(xiàn)在線檢測［5～6］。為了滿足櫻桃番茄檢測分級(jí)系統(tǒng)中的實(shí)際應(yīng)用需求，對準(zhǔn)確率和檢測速度也提出了更高的要求。朱堅(jiān)民等［7］提出一種新的水果特征提取方法，利用該方法提高了水果檢測和識(shí)別的準(zhǔn)確率。近些年來，因?yàn)闄C(jī)器學(xué)習(xí)方法的引入，使得水果分級(jí)檢測的自動(dòng)化水平得到了很大程度的提高。例如，支持向量機(jī)因其良好的分類效果經(jīng)常會(huì)被應(yīng)用到櫻桃番茄的自動(dòng)分揀和分級(jí)系統(tǒng)當(dāng)中［8］。目前，櫻桃番茄的形態(tài)和果面等特征成為劃分櫻桃番茄等級(jí)的關(guān)鍵性參考因素［9～12］，本文則主要是從外觀檢測方面來進(jìn)行研究。在能保證實(shí)現(xiàn)批量化檢測的基礎(chǔ)上，達(dá)到更高的準(zhǔn)確率和更小的誤檢率。基于機(jī)器視覺技術(shù)對櫻桃番茄進(jìn)行在線分級(jí)檢測時(shí)主要包括對圖像進(jìn)行預(yù)處理和大小形狀、顏色、紋理等分級(jí)算法。楊立等［13］提出了一套基于機(jī)器視覺的在線分級(jí)檢測裝置，但是該系統(tǒng)中的檢測成熟度的算法只是應(yīng)用一部分的區(qū)域顏色代替整個(gè)櫻桃番茄的顏色，而且其特征提取部分僅提取了大小和成熟度兩個(gè)特征參數(shù)，特征參數(shù)選取過少從而會(huì)影響到之后分類效果。趙娟等［14］設(shè)計(jì)的外觀缺陷在線檢測系統(tǒng)，雖然采用基于Microsoft Visual Studio 2010 平臺(tái)開發(fā)了在線控制軟件，但僅僅通過缺陷面積特征算子提取得出外觀檢測結(jié)果，特征算子選取過少從而會(huì)影響到缺陷結(jié)果判定。借助采集到的圖像來提取櫻桃番茄的多個(gè)重要特征，建立起快速高效的分級(jí)檢測模型是提高櫻桃番茄分級(jí)精度和速度的有效途徑。

2 試驗(yàn)設(shè)計(jì)

2.1 試驗(yàn)平臺(tái)構(gòu)建

試驗(yàn)裝置如圖1 所示。試驗(yàn)裝置由水平棍子輸送部分、機(jī)器視覺部分、電氣控制PLC 部分和氣動(dòng)分選部分組成。試驗(yàn)過程為：首先，當(dāng)櫻桃番茄從水平棍子輸送部分抵達(dá)工業(yè)相機(jī)拍照所覆蓋的范圍時(shí)，相機(jī)會(huì)被光電傳感器觸發(fā)開始進(jìn)行拍照，達(dá)到對成像區(qū)域內(nèi)部的目標(biāo)進(jìn)行圖像采集。之后圖像預(yù)處理單元會(huì)對圖像進(jìn)行采集，最后檢測單元進(jìn)行檢測，輸出檢測結(jié)果和耗時(shí)。試驗(yàn)開始前應(yīng)當(dāng)調(diào)整好相機(jī)位置以使其成像范圍能夠覆蓋整個(gè)水平棍子輸送部分物料區(qū)。機(jī)器視覺部分相機(jī)選擇PointGrey 相機(jī)，型號(hào)為BFLY-PGE-50S5C-C。采集圖像格式設(shè)置為bmp。櫻桃番茄在線分級(jí)檢測設(shè)備圖如圖1所示。

系統(tǒng)采取水平輥?zhàn)虞斔汀獗梅诌x的工作方式，同時(shí)水平棍子輸送線路的設(shè)計(jì)使得櫻桃番茄在輸送的過程中實(shí)現(xiàn)自動(dòng)翻轉(zhuǎn)，從而達(dá)到可以全面獲取櫻桃番茄外觀信息的目的。輸送部分由一條輸送鏈帶動(dòng)，輥輪通過輥軸安裝在輸送鏈上，可繞軸自由轉(zhuǎn)動(dòng)。輥輪呈雙錐凹形，當(dāng)輸送鏈帶動(dòng)輥輪到圖像采集區(qū)時(shí)，輥輪一側(cè)的齒輪與齒條嚙合，輥輪前行的同時(shí)勻速旋轉(zhuǎn)。櫻桃番茄放置在兩個(gè)相鄰的輥輪上，在輥輪的帶動(dòng)下做翻轉(zhuǎn)運(yùn)動(dòng)，以使相機(jī)獲取櫻桃番茄不同表面的圖像。櫻桃番茄經(jīng)過圖像采集區(qū)域時(shí)，軟件對其進(jìn)行數(shù)據(jù)采集及識(shí)別，并觸發(fā)相應(yīng)的分級(jí)裝置實(shí)現(xiàn)水果分級(jí)。

圖1 櫻桃番茄在線分級(jí)檢測裝置圖

2.2 分級(jí)樣本

樣本的檢測等級(jí)劃分為三級(jí)：一等品、二等品和三等品。預(yù)先選出滿足等級(jí)要求的櫻桃番茄樣本共600 個(gè)，每級(jí)樣本為200 個(gè)，其中訓(xùn)練樣本150個(gè)、測試樣本50個(gè)。

2.3 圖像采集裝置的設(shè)計(jì)

為了提高在線分級(jí)環(huán)境的適應(yīng)性，整個(gè)圖像采集設(shè)備均安裝在一個(gè)密閉的暗箱中。系統(tǒng)中圖像采集部分采用的是一個(gè)灰點(diǎn)相機(jī)，系統(tǒng)光源部分采用2 個(gè)100 W 的鹵鎢燈，光源部分安裝在垂直于水平棍子傳送帶方向的兩側(cè)。選擇合適的打光方式可以提高圖像采集的質(zhì)量從而降低圖像處理的難度［15］。

2.4 實(shí)時(shí)圖像采集與數(shù)據(jù)傳輸

整個(gè)圖像采集的過程通過外觸發(fā)信號(hào)的方式來進(jìn)行控制，當(dāng)水果在水平輥?zhàn)由闲D(zhuǎn)向前輸送并通過安裝有對射式傳感器的位置時(shí)，圖像采集卡就會(huì)接收到一個(gè)外部觸發(fā)信號(hào)，這個(gè)觸發(fā)信號(hào)進(jìn)一步會(huì)控制相機(jī)開始進(jìn)行圖像的采集。整個(gè)圖像的采集、保存及預(yù)處理和最終分選的過程都會(huì)依次連續(xù)完成。水果在線檢測分選的全過程都是由基于VS2010 平臺(tái)配置OpenCV 環(huán)境開發(fā)的檢測分選軟件控制，該軟件可根據(jù)外部觸發(fā)信號(hào)來控制相機(jī)進(jìn)行自動(dòng)采集和保存，能實(shí)時(shí)調(diào)用圖像預(yù)處理程序模塊在線同步進(jìn)行處理，并結(jié)合水平棍子傳送帶的輸送速度和圖像處理速度，當(dāng)樣品遠(yuǎn)離采集光照箱快要到達(dá)分選位置時(shí)，將判斷等級(jí)結(jié)果依次有序地傳送給分選裝置進(jìn)行在線分選。進(jìn)行處理的計(jì)算機(jī)配置選擇內(nèi)存4G、處理器2.50GHz。

3 圖像處理

3.1 預(yù)處理

從采集得到的原圖（圖2（a））當(dāng)中可以看出，原圖像中背景需要去除并且存在噪聲需要降噪，因?yàn)樵肼暤拇嬖谌菀赘蓴_到后續(xù)圖像處理過程中對圖像的分割和特征參數(shù)提取。為解決這一問題需要對采集到的圖像首先進(jìn)行圖像去背景，然后通過采用二級(jí)小波分解和中值濾波相結(jié)合的方法對圖像進(jìn)行壓縮和降噪處理以達(dá)到實(shí)時(shí)處理效率和質(zhì)量得到提高的目的。為避免不同工位光照不同，本文均對2號(hào)工位進(jìn)行處理。

1）小波變換［16］壓縮原圖像是通過將含有噪聲的二維圖像信號(hào)進(jìn)行多尺度分解，時(shí)域信號(hào)轉(zhuǎn)換到小波域中，充分提取信號(hào)的小波系數(shù)來完成的。本文將采用選擇分解級(jí)數(shù)為2，低頻信號(hào)為壓縮圖像的方法，圖像壓縮后表明平均節(jié)省時(shí)間可達(dá)到0.03s左右。

2）自適應(yīng)中值濾波［17］是通過對圖像每個(gè)區(qū)域進(jìn)行噪聲檢測，按照區(qū)域中受到噪聲的污染程度不同來選擇濾波方形窗口尺寸的大小。根據(jù)所檢測出的噪聲點(diǎn)進(jìn)行中值濾波。圖2（b）為去背景圖片，圖2（c）為預(yù)處理結(jié)果。

圖2 圖像預(yù)處理過程圖

3.2 特征提取

1）果形：特征提取通過最小外接矩形法進(jìn)行選擇，得出輪廓高度和輪廓寬度兩個(gè)參數(shù)值。

2）果面紋理

紋理特征可用來檢測果面是否光滑，該特征具有旋轉(zhuǎn)不變性和局部抗噪能力?；诨叶裙采仃嚕℅LCM）的紋理特征分析方法［16］是通過計(jì)算灰度來得到共生矩陣，表征紋理特征通過采用反差、能量、熵和逆差距四個(gè)參數(shù)。設(shè)I（x，y）為櫻桃番茄圖像，橫坐標(biāo)和縱坐標(biāo)分別用x和y表示，圖像的灰度共生矩陣用p（i，j）表示，灰度值分別用i 和j 表示，則有：

反差：

能量：

熵：

逆差距：

3）成熟度

RGB分量值可表示數(shù)字圖像顏色，櫻桃番茄顏色分布特征主要由R 分量均值與方差、G 分量均值與方差、平均灰度等五個(gè)參數(shù)值表示。

最后，為了避免特征參數(shù)之間產(chǎn)生干擾，對其進(jìn)行歸一化處理。

3.3 SVM分級(jí)模型

針對復(fù)雜高維的特征，本文將建立有監(jiān)督的分類模型，首先依據(jù)人工經(jīng)驗(yàn)對訓(xùn)練樣本進(jìn)行分級(jí)。

3.3.1 特征降維

為了提高在線分級(jí)的實(shí)時(shí)性對高維復(fù)雜特征進(jìn)行降維。由于該特征集具有非線性特點(diǎn)，采用核主元分析法。具體步驟如下。

1）針對訓(xùn)練集S，給定一個(gè)核函數(shù)K。

2）計(jì)算出核矩陣K 之后再計(jì)算～K（中心化的K）。

3）求～K 的特征值和單位特征向量，首先將特征值從大到小進(jìn)行排列，之后提取前D 個(gè)特征向量，并令ai表達(dá)為式（5）：

降維矩陣Q 表達(dá)為式（6）：

4）對任一樣本向量x，經(jīng)過KPCA 降維后的數(shù)據(jù)表達(dá)為式（7）：

核矩陣K 計(jì)算表達(dá)為式（8）、式（9），其中i,j=1,2,…N 。

～K計(jì)算方法表達(dá)為式（10）

3.3.2 SVM分類方法

SVM 分類方法［18～19］可以解決小樣本訓(xùn)練集的機(jī)器學(xué)習(xí)問題從而提高泛化性能。

訓(xùn)練時(shí)，由于SVM 模型的兩個(gè)預(yù)設(shè)參數(shù)，參數(shù)和核參數(shù)g 對分類結(jié)果影響較大。為了避免參數(shù)的盲目選擇，決定引入具有較好全局遍歷能力的粒子群優(yōu)化算法（Particle Swarm Optimization，PSO）［20～21］對參數(shù)進(jìn)行優(yōu)化選擇。常用的核函數(shù)有以下四種：

1）線性核函數(shù)的表達(dá)為式（11）：

2）多項(xiàng)式核函數(shù)的表達(dá)為式（12）：

3）徑向（RBF）核函數(shù)（高斯核函數(shù)）的表達(dá)為式（13）：

4）二層神經(jīng)網(wǎng)絡(luò)（Sigmoid）核函數(shù)的表達(dá)為式（14）：

徑向基核函數(shù)能夠?qū)⒃伎臻g映射到無窮維空間。通過調(diào)控參數(shù)σ，高斯核函數(shù)實(shí)際上具有相當(dāng)高的靈活性。本文核函數(shù)即選擇徑向基核函數(shù)。

4 結(jié)果與分析

試驗(yàn)前，首先人工分級(jí)600 個(gè)櫻桃番茄樣本，其中包括每一等級(jí)200 個(gè)櫻桃番茄。然后，從中隨機(jī)抽取每一等級(jí)150 個(gè)櫻桃番茄按分級(jí)順序放入水平棍子進(jìn)行采集圖像離線訓(xùn)練，使用KPCA 降維特征進(jìn)行訓(xùn)練，得到特征維數(shù)是4，進(jìn)而建立起粒子群優(yōu)化的SVM分類參數(shù)模型。

最后，用每級(jí)樣本總剩余的150 個(gè)櫻桃番茄按分級(jí)順序放入水平棍子進(jìn)行在線批量測試和連續(xù)驗(yàn)證。表1 所示為在線分級(jí)檢測結(jié)果，圖4 所示為單幅圖像的實(shí)時(shí)檢測結(jié)果，其中，圖片分別為處理結(jié)果中一、二、三等品中隨意挑選圖，第一行數(shù)字代表檢測結(jié)果等級(jí)數(shù)，right、wrong 代表分級(jí)結(jié)果是否正確，第二行數(shù)字代表正確的級(jí)別數(shù)，即應(yīng)該屬于哪一等級(jí)。以人工分級(jí)結(jié)果為準(zhǔn)則，采用SVM 分類方法對上述櫻桃番茄樣本進(jìn)行分級(jí)的準(zhǔn)確率為90%，而采用KPCA-SVM分類方法對上述櫻桃番茄樣本進(jìn)行分級(jí)的準(zhǔn)確率為95%，表明該方法的正確性和有效性。最終結(jié)果得出：150 個(gè)櫻桃番茄的批量測試樣本，在線分級(jí)檢測總用時(shí)37s 左右，平均速度約為4 個(gè)/秒，能夠滿足在線檢測的實(shí)時(shí)性要求。

圖5 櫻桃番茄實(shí)時(shí)測試結(jié)果圖

表1 批量櫻桃番茄分級(jí)檢測結(jié)果

采用本文在線檢測方法對櫻桃番茄樣本進(jìn)行分級(jí)時(shí)，雖然能夠?qū)崿F(xiàn)對大多數(shù)樣本進(jìn)行準(zhǔn)確分級(jí)，但還是會(huì)存在對少量樣本進(jìn)行誤分。除了人工分級(jí)的誤差外，分析其主要原因還是因?yàn)槭艿搅送饨绻庹找蛩氐母蓴_，導(dǎo)致采集到的櫻桃番茄圖像存在噪聲，從而容易影響到紋理特征的計(jì)算，最終致使高等級(jí)櫻桃番茄錯(cuò)判為低等級(jí)櫻桃番茄。

5 結(jié)語

1）用機(jī)器視覺技術(shù)在線采集水平棍子上的櫻桃番茄圖像時(shí)，針對存在光線噪聲干擾的這一情況，本文提出了采用二級(jí)小波分解進(jìn)一步中值濾波的方法。該方法能夠達(dá)到圖像壓縮與降噪的功能，從而能夠達(dá)到實(shí)時(shí)處理效率和質(zhì)量提高的目的。

2）針對在線分級(jí)對實(shí)時(shí)性要求較高這一要求，本文從以下三個(gè)方面進(jìn)行了改進(jìn)：一，在圖像預(yù)處理階段對圖像利用二級(jí)小波分解進(jìn)行了壓縮，結(jié)果表明圖像處理平均節(jié)省時(shí)間約為0.03s；二，為了滿足實(shí)時(shí)性要求引入核函數(shù)方法對SVM 分類模型中的高維非線性特征進(jìn)行降維；三，通過利用經(jīng)過訓(xùn)練而構(gòu)建的基于粒子群優(yōu)化的SVM 分類模型對果形、紋理和顏色分布等復(fù)雜高維特征進(jìn)行分級(jí)，準(zhǔn)確率可高達(dá)95%，結(jié)果表明其具有相當(dāng)高的可行性。