李 明 王潤(rùn)濤 姜 微

(嶺南師范學(xué)院信息工程學(xué)院，廣東 湛江 524048)

馬鈴薯是全球第三大重要的糧食作物。以馬鈴薯為原料加工而成的薯制品達(dá)上百種，其中馬鈴薯淀粉、馬鈴薯全粉等是人們?nèi)粘Ｅ腼兊闹饕巢模砥?、薯?xiàng)l等膨化食品更是受到兒童的青睞，面對(duì)嚴(yán)峻的食品安全問(wèn)題，對(duì)馬鈴薯加工環(huán)節(jié)的監(jiān)測(cè)管控，是保證薯制品達(dá)到食品安全標(biāo)準(zhǔn)的有效途徑，加工原料的精量篩選是確保馬鈴薯制品安全的首要環(huán)節(jié)。中國(guó)制定了GB/T 31784—2015《馬鈴薯商品薯分級(jí)與檢驗(yàn)規(guī)程》，根據(jù)馬鈴薯的不同用途，規(guī)定了商品薯的檢驗(yàn)分級(jí)標(biāo)準(zhǔn)。目前，馬鈴薯檢驗(yàn)主要依靠人工方式，自動(dòng)化檢測(cè)尚處于理論探索階段。自動(dòng)化、標(biāo)準(zhǔn)化的檢驗(yàn)流程必須依賴(lài)先進(jìn)的科學(xué)技術(shù)，隨著機(jī)器視覺(jué)技術(shù)的應(yīng)用日益廣泛，專(zhuān)家學(xué)者[1-3]在農(nóng)產(chǎn)品無(wú)損檢測(cè)方面也取得了較大進(jìn)展。但在馬鈴薯的無(wú)損檢測(cè)方面研究成果較少，鄧立苗等[4]結(jié)合機(jī)器視覺(jué)系統(tǒng)和分級(jí)控制系統(tǒng)，根據(jù)馬鈴薯形狀、顏色和缺陷特點(diǎn)，構(gòu)建了馬鈴薯分選系統(tǒng)，綜合檢測(cè)準(zhǔn)確率可達(dá)到90%；王紅軍等[5]探討了利用機(jī)器視覺(jué)技術(shù)快速獲取馬鈴薯圖像特征參數(shù)，結(jié)合多元線(xiàn)性回歸方法，建立馬鈴薯質(zhì)量和形狀分級(jí)預(yù)測(cè)模型；田芳等[6]利用光在馬鈴薯塊莖組織中的透射特性設(shè)計(jì)了一種馬鈴薯黑心病檢測(cè)機(jī)構(gòu)；張擻[7]利用圖像處理技術(shù)對(duì)馬鈴薯投影面積、缺陷面積和投影周長(zhǎng)進(jìn)行檢測(cè)；向靜等[8]針對(duì)馬鈴薯的損傷、綠皮，發(fā)芽狀態(tài)進(jìn)行識(shí)別，識(shí)別正確率達(dá)89.7%以上；李玉華等[9]利用色飽和度三維幾何特征的馬鈴薯芽眼識(shí)別方法進(jìn)行芽眼縱向識(shí)別，為種薯自動(dòng)切塊提供技術(shù)支持；許偉棟等[10]利用主成分分析法對(duì)形狀特征數(shù)據(jù)與馬鈴薯形狀之間的相關(guān)性進(jìn)行了分析，建立了分類(lèi)模型?？v觀(guān)前人的研究成果，大部分以馬鈴薯某個(gè)外觀(guān)特征為研究對(duì)象，強(qiáng)調(diào)算法精度的探索，而很少討論算法是否適用于在線(xiàn)分選流程；神經(jīng)網(wǎng)絡(luò)算法復(fù)雜度較大，且不同特征之間存在干擾，因而影響識(shí)別精度。與馬鈴薯分選相關(guān)的形狀特征包括大小、畸形、橢圓度，可以通過(guò)圖像處理算法進(jìn)行計(jì)算并設(shè)定淘汰范圍，可避免貢獻(xiàn)非必要的算法復(fù)雜度；現(xiàn)有研究分析樣本的選擇多以靜態(tài)圖像分析為基礎(chǔ)，與自動(dòng)化生產(chǎn)應(yīng)用結(jié)合存在瓶頸，且在設(shè)計(jì)分類(lèi)算法過(guò)程中缺乏參照國(guó)家標(biāo)準(zhǔn)的依據(jù)，難以形成統(tǒng)一的行業(yè)規(guī)范。

為突破現(xiàn)有研究的缺陷，研究擬以馬鈴薯加工原料為研究對(duì)象，以實(shí)現(xiàn)自動(dòng)化分選為目標(biāo)，獲取由定速傳送帶輸送的動(dòng)態(tài)圖像，通過(guò)運(yùn)動(dòng)模糊圖像預(yù)處理算法復(fù)原圖像信息，參照國(guó)家標(biāo)準(zhǔn)設(shè)計(jì)系統(tǒng)的控制流程及分選算法，檢測(cè)馬鈴薯畸形、發(fā)芽、大小、綠皮、病斑特征，滿(mǎn)足分選算法識(shí)別精度的同時(shí)，保證控制機(jī)構(gòu)動(dòng)態(tài)響應(yīng)。為形成統(tǒng)一的馬鈴薯分選行業(yè)規(guī)范奠定基礎(chǔ)。

1. 控制器 2. 傳送帶組 3. 對(duì)偶光電傳感器 4. 對(duì)稱(chēng)吸盤(pán)5. 攝像頭 6. 電機(jī) 7. 馬鈴薯 8.光源圖1 馬鈴薯分選系統(tǒng)結(jié)構(gòu)Figure 1 Structure of potato sorting system

1 試驗(yàn)裝置整體結(jié)構(gòu)

馬鈴薯自動(dòng)化分選平臺(tái)結(jié)構(gòu)模型如圖1所示，平臺(tái)由控制器分別對(duì)各個(gè)執(zhí)行終端進(jìn)行統(tǒng)籌調(diào)度，攝像頭實(shí)時(shí)采集圖像數(shù)據(jù)，馬鈴薯由傳送帶勻速運(yùn)動(dòng)輸送到檢測(cè)箱中，待對(duì)偶光電傳感器檢測(cè)到薯粒通過(guò)，發(fā)送信號(hào)至控制器，控制器提取攝像頭當(dāng)前幀圖像，同時(shí)發(fā)出指令，控制對(duì)稱(chēng)吸盤(pán)動(dòng)作，對(duì)稱(chēng)吸盤(pán)閉合擠壓薯粒至傳送帶上方，旋轉(zhuǎn)180°，吸盤(pán)復(fù)位馬鈴薯落回傳送帶，控制器再次提取攝像頭當(dāng)前幀圖像，控制器對(duì)2幅圖像進(jìn)行分析后得出分選結(jié)果顯示在屏幕上?？刂屏鞒倘鐖D2所示，吸盤(pán)擠壓馬鈴薯翻轉(zhuǎn)與復(fù)位過(guò)程耗時(shí)約3 s，傳送帶運(yùn)行速度0.05 m/s，薯粒初始間隔需大于40 cm。分選平臺(tái)每個(gè)終端動(dòng)作都由配置的電機(jī)驅(qū)動(dòng)完成。視覺(jué)系統(tǒng)采用嵌入式DSP技術(shù)，能夠與控制核心ARM進(jìn)行靈活的交互[11-12]。

圖2 馬鈴薯分選控制流程Figure 2 Potato sorting control process

2 馬鈴薯圖像預(yù)處理

2.1 運(yùn)動(dòng)模糊復(fù)原

馬鈴薯自動(dòng)化分選平臺(tái)是通過(guò)調(diào)節(jié)傳送帶的速度實(shí)現(xiàn)馬鈴薯的在線(xiàn)檢測(cè)，因此攝像頭獲取的運(yùn)動(dòng)中的馬鈴薯圖像必然存在運(yùn)動(dòng)模糊現(xiàn)象，圖像復(fù)原是圖像分析的首要步驟，是將退化圖像復(fù)原為理想圖像的過(guò)程。采用最小均方誤差濾波綜合考慮退化函數(shù)和噪聲統(tǒng)計(jì)特征進(jìn)行薯粒圖像復(fù)原。

(1)

式中：

e2——最小均方差；

E{…}——期望值；

f——未退化理想圖像；

條件假設(shè)噪聲與圖像不相關(guān)，存在零均值且預(yù)估灰度級(jí)是退化圖像灰度級(jí)的線(xiàn)性函數(shù)，則誤差函數(shù)最小值頻域求解見(jiàn)式(2)和式(3)。

(2)

(3)

式中：

u、v——頻域變量;

H(u,v)——退化函數(shù)；

G(u,v)——退化圖像的傅里葉變換；

K——特殊常數(shù)；

T——曝光時(shí)間；

a——水平移動(dòng)距離；

b——垂直移動(dòng)距離。

攝像頭獲取的模糊退化圖像如圖3所示。

圖像尺寸688×688像素，采用參數(shù)a=b=0.1、T=1，迭代法選擇K，復(fù)原后的圖像如圖4所示。

對(duì)比圖3和圖4發(fā)現(xiàn)，正常薯、斑薯、畸形薯圖像的運(yùn)動(dòng)模糊退化問(wèn)題，均可通過(guò)最小均方誤差濾波算法得到較好的復(fù)原。

圖3 馬鈴薯退化圖像Figure 3 Potato degradation image

圖4 馬鈴薯復(fù)原圖像Figure 4 Potato reconstruction image

2.2 馬鈴薯圖像分割

馬鈴薯檢測(cè)平臺(tái)的傳送帶采用黑色不反光材料，采集的馬鈴薯圖像中馬鈴薯與背景的區(qū)分度較大，采用迭代閾值分割法實(shí)現(xiàn)馬鈴薯與黑色背景的分割，病斑薯與綠皮薯分割效果如圖5所示。

圖5 背景分割圖像Figure 5 Background segmentation image

馬鈴薯形狀各異，邊緣輪廓是形狀特征分析的基礎(chǔ)，以畸形薯為例，對(duì)比圖像與提取結(jié)果如圖6所示。

圖6 邊緣檢測(cè)圖像Figure 6 Edge detection image

采用Sobel與Laplace邊緣檢測(cè)算子，雖然邊緣清晰，但薯內(nèi)部呈現(xiàn)較多噪聲，不利于邊緣提取。廣義Hough變換算法可用于檢測(cè)任意形狀，對(duì)算法進(jìn)行優(yōu)化，忽略小的閉合形狀，再進(jìn)一步進(jìn)行骨架提取，可得到馬鈴薯輪廓區(qū)域。

3 馬鈴薯圖像特征檢測(cè)

利用機(jī)器視覺(jué)進(jìn)行無(wú)損檢測(cè)具有一定的約束性，從馬鈴薯圖像中獲取的信息可概括為兩大類(lèi)：邊緣輪廓特征與外觀(guān)灰度分布，馬鈴薯的畸形、發(fā)芽、大損傷會(huì)呈不規(guī)則橢球形，而綠皮、斑點(diǎn)病、腐爛會(huì)以顏色灰度分布差異形式體現(xiàn)。

3.1 形狀特征

3.1.1 面積比 相機(jī)獲取拍攝區(qū)域688×688像素，可通過(guò)式(4)計(jì)算面積比。

(4)

式中：

S——面積比；

Area——馬鈴薯區(qū)域像素面積。

在同樣的拍攝條件下，面積比能夠充分反映馬鈴薯塊莖的大小。

3.1.2 凸起檢測(cè) 馬鈴薯的畸形、發(fā)芽、大損傷均會(huì)表現(xiàn)為表面凸起或凹陷，這里統(tǒng)一歸類(lèi)為畸形薯，提出如下凸起檢測(cè)方法判定畸形薯。

(1) 如圖7所示，求出馬鈴薯區(qū)域最小外接橢圓的圓心坐標(biāo)(x0,y0)，從(x0,y0)向馬鈴薯邊緣輪廓點(diǎn)(xn,yn)作連線(xiàn)Ln，Ln與X軸正向夾角φ。

圖7 凸起檢測(cè)Figure 7 Convex detection

(2)φ逆時(shí)針增加φΔ，當(dāng)(xΔn,yΔn)與(xn,yn)連線(xiàn)在馬鈴薯區(qū)域內(nèi)部，且|LΔn-Ln|不呈數(shù)值跳變，標(biāo)記為“0”，反之標(biāo)記為“1”。

(3) 選擇適當(dāng)?shù)摩咋?4，6，10，15，20，25，30，35，40，45)，重復(fù)步驟(2)直至遍歷一個(gè)周期，如果存在標(biāo)記數(shù)組中存在“1”值，即存在凸起。

通過(guò)與人工觀(guān)察對(duì)比，φΔ≤15一般為小的凸起，如馬鈴薯芽體，15<φΔ<45一般為畸形馬鈴薯，而馬鈴薯表面損傷根據(jù)損傷程度不同表現(xiàn)各異，采用上述凸起檢測(cè)方法，如存在凸起，即判定為畸形薯。

3.1.3 長(zhǎng)、短徑檢測(cè) 如圖8所示，搜尋馬鈴薯輪廓直線(xiàn)距離最大的兩點(diǎn)x0、y0，線(xiàn)段x0y0為R區(qū)域最長(zhǎng)徑L；過(guò)線(xiàn)段x0y0中心點(diǎn)O，遍歷搜索與輪廓相交于兩點(diǎn)x1、y1的最短線(xiàn)段x1y1，即為最短徑d。

圖8 徑長(zhǎng)檢測(cè)Figure 8 Diameter detection

3.2 顏色特征

綠皮馬鈴薯的外觀(guān)呈不均勻青綠色分布，部分馬鈴薯只在某個(gè)端部呈青綠而另一端表現(xiàn)正常。瘡痂病、黑痣病外觀(guān)呈黑褐色斑塊，也會(huì)出現(xiàn)分布不均勻現(xiàn)象，馬鈴薯自動(dòng)分選平臺(tái)可獲取馬鈴薯兩面的圖像，即A面和B面，如果對(duì)2副圖像進(jìn)行簡(jiǎn)單的顏色分析，很難達(dá)到精確分類(lèi)的目的。

選取正常色馬鈴薯樣本65個(gè)、綠皮馬鈴薯樣本45個(gè)、病斑馬鈴薯樣本50個(gè)。采用BP神經(jīng)網(wǎng)絡(luò)算法[13-15]預(yù)測(cè)馬鈴薯外觀(guān)顏色綠皮、病斑、正常的分類(lèi)。對(duì)每個(gè)馬鈴薯的A面和B面，基于RGB、HSV、CMY 3個(gè)顏色模型的9個(gè)分量，分別計(jì)算顏色均值作為判別依據(jù)，即神經(jīng)網(wǎng)絡(luò)輸入層9個(gè)神經(jīng)元，1個(gè)隱含層，經(jīng)多次驗(yàn)證該層神經(jīng)元5個(gè)網(wǎng)絡(luò)收斂速度最快，輸出是3類(lèi)，網(wǎng)絡(luò)結(jié)構(gòu)為9×5×3，為驗(yàn)證算法可行性，利用交叉驗(yàn)證法，將160個(gè)樣本分為4等份，1份測(cè)試，3份訓(xùn)練，訓(xùn)練樣本和測(cè)試樣本輪流互換，計(jì)算出誤差分?jǐn)?shù)以其大小作為衡量預(yù)測(cè)模型的準(zhǔn)確性。訓(xùn)練網(wǎng)絡(luò)誤差曲線(xiàn)如圖9所示。

圖9 訓(xùn)練網(wǎng)絡(luò)誤差曲線(xiàn)Figure 9 Neural network error curve

從測(cè)試集中隨機(jī)抽取4個(gè)輪次測(cè)試結(jié)果見(jiàn)表1。

由表1可知，神經(jīng)網(wǎng)絡(luò)分選模型對(duì)病斑薯識(shí)別的準(zhǔn)確率較高，對(duì)綠皮和正常薯的誤判率較大。分析其原因，訓(xùn)練樣本由人工目測(cè)選取，綠皮薯樣本選取馬鈴薯表面青綠色達(dá)到20%以上，病斑薯樣本表面病斑面積20%以上。馬鈴薯病斑為黑褐色，與正常薯土黃色差異明顯，且病斑呈塊狀分布在表皮，在初始運(yùn)動(dòng)模糊圖像復(fù)原過(guò)程中，復(fù)原效果較好。馬鈴薯綠皮存在很多“一頭綠”的情況，試驗(yàn)所用分選裝置采集同一馬鈴薯正反兩面的圖像，但仍存在兩端的拍攝盲區(qū)，這會(huì)影響綠皮薯識(shí)別精度。以誤差分?jǐn)?shù)衡量預(yù)測(cè)模型的準(zhǔn)確性，神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)分類(lèi)平均準(zhǔn)確率為96.2%。

表1 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果Table 1 Nneural network predicts the results

4 分選模型試驗(yàn)分析

分選系統(tǒng)先后采集馬鈴薯A、B面2副圖像，控制中心分析A面圖像得出結(jié)論A，分析B面圖像得出結(jié)論B，當(dāng)且僅當(dāng)結(jié)論A與結(jié)論B同時(shí)為合格時(shí)，分選結(jié)果為合格，分選算法流程如圖10所示。

圖10 馬鈴薯分選算法流程Figure 10 Potato sorting algorithm flow chart

參照GB/T 31784—2015《馬鈴薯商品薯分級(jí)與檢驗(yàn)規(guī)程》，分選系統(tǒng)對(duì)加工型馬鈴薯采用唯一標(biāo)準(zhǔn)，分選結(jié)果簡(jiǎn)化為合格與不合格兩類(lèi)，分選設(shè)定標(biāo)準(zhǔn)見(jiàn)表2。為進(jìn)一步對(duì)馬鈴薯分選系統(tǒng)進(jìn)行試驗(yàn)分析，人工選取馬鈴薯樣本98個(gè)(與前述樣本不重復(fù))，采用分選系統(tǒng)進(jìn)行分選測(cè)試，結(jié)果見(jiàn)表3。

表2 馬鈴薯分選標(biāo)準(zhǔn)

表3 馬鈴薯分選系統(tǒng)測(cè)試結(jié)果

分選系統(tǒng)對(duì)98個(gè)樣本分選總耗時(shí)368 s，平均分選1個(gè)馬鈴薯耗時(shí)為3.76 s，考慮為采集馬鈴薯雙面圖像時(shí)，需要利用對(duì)稱(chēng)吸盤(pán)擠壓馬鈴薯翻轉(zhuǎn)，機(jī)械終端響應(yīng)耗時(shí)問(wèn)題有待進(jìn)一步優(yōu)化。采用分選系統(tǒng)分選時(shí)，發(fā)芽薯1個(gè)誤判為畸形薯、綠皮且畸形薯1個(gè)誤判為畸形薯、綠皮薯2個(gè)誤判為合格薯，正確率為95.92%，表明該系統(tǒng)用于馬鈴薯加工原料精量分選可行，能夠滿(mǎn)足薯制品加工生產(chǎn)線(xiàn)前端的分選需要。

5 結(jié)論

利用機(jī)器視覺(jué)技術(shù)、嵌入式技術(shù)與自動(dòng)控制技術(shù)設(shè)計(jì)了雙面圖像分析的馬鈴薯加工原料精量分選系統(tǒng)模型，構(gòu)建了面積比、長(zhǎng)短徑、凸起檢測(cè)算法，實(shí)現(xiàn)了馬鈴薯畸形、發(fā)芽、大小檢測(cè)，基于3個(gè)顏色模型9個(gè)顏色分量構(gòu)建了神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，實(shí)現(xiàn)了馬鈴薯綠皮、病斑、常色分類(lèi)，預(yù)測(cè)模型準(zhǔn)確率為96.2%。通過(guò)分選試驗(yàn)，馬鈴薯樣本分選正確率95.92%；單薯處理耗時(shí)3.76 s，該方法用于馬鈴薯加工原料精量分選可行，能夠滿(mǎn)足薯制品加工生產(chǎn)線(xiàn)前端的分選需要。后續(xù)可在其前端增加震動(dòng)料斗、摩擦擋板、定位裝置使馬鈴薯在傳送帶上保持一定間隔無(wú)堆放運(yùn)送，并在其后端增加機(jī)械臂、收集裝置以實(shí)現(xiàn)分選動(dòng)作，從而實(shí)現(xiàn)全自動(dòng)化在線(xiàn)分選。