高新浩，劉　斌（.蘇州工業(yè)職業(yè)技術(shù)學(xué)院機電工程系，蘇州500；.測試計量技術(shù)及儀器河北省重點實驗室燕山大學(xué)，秦皇島066004）

?

基于機器視覺的鮮食玉米品質(zhì)檢測分類器設(shè)計與試驗

高新浩1，劉斌2
（1.蘇州工業(yè)職業(yè)技術(shù)學(xué)院機電工程系，蘇州512100；2.測試計量技術(shù)及儀器河北省重點實驗室燕山大學(xué)，秦皇島066004）

摘要：設(shè)計一種基于機器視覺的鮮食玉米品質(zhì)檢測分類器。利用計算機視覺技術(shù)，通過小波分析方法對不同角度拍攝的鮮食玉米圖像進行紋理特征分析；在獲取玉米圖像紋理特征的基礎(chǔ)上，采用最大熵函數(shù)對紋理圖像的分離度進行度量，并結(jié)合重量判據(jù)設(shè)計鮮食玉米品質(zhì)檢測分類器，實現(xiàn)對不同品種、尺寸以及破損程度的鮮食玉米進行分類，有效剔除病蟲害污染的玉米產(chǎn)品。該設(shè)備可有效減少因工人主觀經(jīng)驗水平的參次不齊等主觀因素導(dǎo)致產(chǎn)品質(zhì)量檢測分類不均的現(xiàn)象。經(jīng)實驗驗證，該品質(zhì)檢測分類器能夠有效完成不同重量、尺寸的鮮食玉米的產(chǎn)品品質(zhì)檢測與分類，有效分類率可達(dá)到99%以上。關(guān)鍵詞：計算機視覺；作物；分類器；紋理特征；小波分析；視覺熵

高新浩，劉斌.基于機器視覺的鮮食玉米品質(zhì)檢測分類器設(shè)計與試驗[J].農(nóng)業(yè)工程學(xué)報，2016，32（01）：298-303.doi：10.11975/j.issn.1002-6819.2016.01.041 http://www.tcsae.org

Gao Xinhao, Liu Bin.Design and experiment of fresh corn quality detection classifier based on machine vision[J].Transactions of the Chinese Society of Agricultural Engineering（Transactions of the CSAE）, 2016, 32（01）: 298－306.（in Chinese with English abstract）doi：10.11975/j.issn.1002-6819.2016.01.041 http://www.tcsae.org

0　引言

隨著人類生活品質(zhì)的提升，甜、糯鮮食玉米以其柔嫩的口感，豐富的營養(yǎng)而成為當(dāng)今世界新開發(fā)的十大高檔蔬菜品種之一[1]。中國于2000年將鮮食玉米納入國家玉米品種管理體制，并大力發(fā)展鮮食玉米種植和深加工產(chǎn)業(yè)。隨著鮮食玉米產(chǎn)業(yè)的深入發(fā)展，消費者對鮮食玉米產(chǎn)品的數(shù)量和品質(zhì)的要求也越來越高，這對加工技術(shù)日趨完善,產(chǎn)品形式多樣的鮮食玉米深加工產(chǎn)業(yè)提出了更高的檢測分類要求和標(biāo)準(zhǔn)[2-3]。如何對產(chǎn)品品質(zhì)進行更加科學(xué)有效的檢測與分類對促進鮮食玉米產(chǎn)業(yè)的結(jié)構(gòu)升級具有巨大的推動作用，具有重要的社會價值和經(jīng)濟價值[4]。

目前，在鮮食玉米深加工產(chǎn)業(yè)中，產(chǎn)品的品質(zhì)檢測與分類工作主要依靠工作經(jīng)驗豐富的工人進行手工檢測與分類操作。該過程不僅消耗大量人力成本，同時由于操作工人工作經(jīng)驗程度的參差不齊致使鮮食玉米的分類層次界限模糊，嚴(yán)重影響了鮮食玉米深加工產(chǎn)業(yè)的發(fā)展速度和程度。針對鮮食玉米加工產(chǎn)業(yè)自動化設(shè)備的研究主要集中玉米剝皮設(shè)備[5-7]、玉米種子及其品質(zhì)檢測與分類[8-13]、玉米病害識別[14]等領(lǐng)域。在鮮食玉米產(chǎn)品品質(zhì)檢測與分類領(lǐng)域，國內(nèi)外相關(guān)雜志未有相關(guān)研究論文及專著發(fā)表。

同時，經(jīng)剝皮的鮮食玉米表皮柔嫩易損，常規(guī)接觸式的檢測與分類手段容易損壞玉米表皮，進而影響產(chǎn)品品質(zhì)。因此，鮮食玉米品質(zhì)檢測與分類需采用非接觸式檢測手段進行。針對鮮食玉米產(chǎn)品本身這一特點，本文利用機器視覺技術(shù)開展鮮食玉米產(chǎn)品品質(zhì)檢測與分類的研究，并設(shè)計鮮食玉米品質(zhì)檢測分類器，實現(xiàn)對不同品種、尺寸以及破損程度的鮮食玉米進行檢測分類，有效剔除病蟲害污染的玉米產(chǎn)品。

1　檢測分類器設(shè)計

1.1檢測分類器結(jié)構(gòu)設(shè)計

針對鮮食玉米表皮柔嫩易損這一特點，本文利用計算機視覺技術(shù)設(shè)計鮮食玉米檢測分類器進行玉米品質(zhì)的無損檢測與分類。檢測分類器設(shè)計結(jié)構(gòu)如圖1所示。

圖1　檢測分類器設(shè)計結(jié)構(gòu)Fig.1　 Structure of detection and classification

整個檢測分類器系統(tǒng)由視覺采集模塊、檢測分類控制系統(tǒng)、分類執(zhí)行機構(gòu)3部分構(gòu)成。視覺采集模塊利用兩臺工業(yè)智能相機對放置于傳送帶上的玉米的不同角度的圖像進行采集。其中，玉米本身位置和角度通過傳送機構(gòu)上的旋轉(zhuǎn)裝置調(diào)整玉米面對相機的角度，采集獲得的圖像將被傳送到檢測分類控制系統(tǒng)中進行特征分析處理。同時，利用旋轉(zhuǎn)裝置上安裝的壓力傳感器檢測鮮食玉米的重量，為玉米的分類提供重量判據(jù)；檢測分類控制系統(tǒng)作為該套檢測分類設(shè)備的控制核心，完成玉米圖像的濾波處理及紋理特征信息提取，依據(jù)紋理特征信息結(jié)合重量判據(jù)實現(xiàn)產(chǎn)品的品質(zhì)與類別分類，最后輸出分類控制指令；分類執(zhí)行機構(gòu)包括運動驅(qū)動卡、伺服控制器及伺服電機分類執(zhí)行單元3部分組成。該執(zhí)行機構(gòu)接收分類指令并通過運動控制卡控制伺服電機單元轉(zhuǎn)動一定角度，產(chǎn)品輸送到不同類別指定倉儲位置，實現(xiàn)鮮食玉米的分類操作。

1.2檢測分類控制流程

在分類檢測器設(shè)計中，利用計算機視覺技術(shù)完成鮮食玉米品質(zhì)檢測與分類。檢測分類器工作流程如圖2所示。

圖2　檢測分類器工作流程Fig.2 Workflow of detection and categorizer

在被檢測玉米通過傳送帶輸送過程中，光電開關(guān)信號分別觸發(fā)兩路工業(yè)相機采集被測玉米不同角度的圖像，該圖像被送至檢測分類系統(tǒng)進行圖像特征提取并對進行分類；最后，控制軟件系統(tǒng)解析分類信息指令并通過運動控制卡控制伺服電機旋轉(zhuǎn)分類盤到達(dá)指定角度位置，被測玉米被輸送到指定種類倉儲位置存放。檢測分類器的控制軟件系統(tǒng)利用VS2010設(shè)計開發(fā)，控制軟件人機交互操作界面如圖3所示。

圖3　檢測分類器控制軟件Fig.3　 Control soft of detection and categorizer

在控制軟件設(shè)計中，為提高檢測的有效性并保證整個檢測與分類過程的流暢執(zhí)行，采用多線程實現(xiàn)被測產(chǎn)品各類特征數(shù)據(jù)的采集和產(chǎn)品圖像特征處理與分類的并行執(zhí)行。軟件系統(tǒng)主要完成檢測分類的過程控制、產(chǎn)品圖像的采集與特征檢測、產(chǎn)品重量、尺寸檢測和分類操作控制。軟件界面被劃分為產(chǎn)品實時數(shù)據(jù)顯示區(qū)、產(chǎn)品圖像顯示區(qū)、檢測分類參數(shù)設(shè)置區(qū)以及軟件控制操作區(qū)四部分。產(chǎn)品實時數(shù)據(jù)顯示和產(chǎn)品圖像顯示區(qū)域分別完成被測產(chǎn)品各類檢測數(shù)據(jù)和圖像的實時采集和顯示；檢測分類參數(shù)設(shè)置區(qū)域完成檢測參數(shù)和產(chǎn)品等級分類劃分標(biāo)準(zhǔn)設(shè)定；軟件控制操作部分完成產(chǎn)品檢測與分類操作過程控制。

2　產(chǎn)品檢測分類算法

鮮食玉米在剝皮過程中往往由于剝皮機的擠壓和撕扯導(dǎo)致產(chǎn)品表面的玉米顆粒破裂，從而影響鮮食玉米的品質(zhì)。另外，玉米產(chǎn)品本身也可能存在蟲害污染問題。因此，選取何種檢測手段對玉米顆粒是否破裂以及破裂程度進行檢測評估是對鮮食玉米品質(zhì)進行準(zhǔn)確檢測和分類的最重要問題。在人工檢測分類操作中，操作工人憑借主觀經(jīng)驗通過對產(chǎn)品一摸（產(chǎn)品表面顆粒飽滿度）、二看（顆粒是否破損）、三比較（比較玉米尺寸大?。┩瓿僧a(chǎn)品的品質(zhì)檢測分類。但利用計算機和常規(guī)檢測手段很難實現(xiàn)與操作工人相同的檢測分類操作流程。因此，本文在鮮食玉米產(chǎn)品品質(zhì)檢測與分類器設(shè)計中，采用計算機視覺技術(shù)結(jié)合重量檢測手段實現(xiàn)產(chǎn)品品質(zhì)檢測與分類。

計算機視覺技術(shù)主要首先提取圖像的特征參量，然后利用特征參量實現(xiàn)被測產(chǎn)品的品質(zhì)檢測與分類。圖像特征參量包括灰度、顏色、紋理等低層特征。在鮮食玉米檢測中，由于鮮食玉米種類較多，產(chǎn)品顏色多種多樣，以顏色特征參量作為檢測判據(jù)不能實現(xiàn)較好的檢測效果；同時，像灰度特征作為檢測判據(jù)受自然環(huán)境中光線變化影響而導(dǎo)致檢測分類錯誤。因此，特征參量的選取應(yīng)該不受光線照度影響、具有旋轉(zhuǎn)不變性等特點。紋理作為自然界物體表面的自然基本屬性存在，人類描述和區(qū)分不同物體的重要特征之一。鮮食玉米表面顆粒排布形成一種自然紋理，蟲害污染或顆粒破損都將導(dǎo)致紋理特征的改變和破壞。本文在檢測分類器算法中選取鮮食玉米的紋理特征作為檢測判據(jù)。

2.1鮮食玉米圖像紋理特征描述

圖像紋理表現(xiàn)為二維空間內(nèi)的灰度變化模式，其為一個區(qū)域特征。對圖像紋理的描述主要包括一致性、密度、粗糙性、規(guī)則性、方向性、頻率和相位等[15-16]。自20世紀(jì)89年代以來，紋理分析方法分為結(jié)構(gòu)分析方法、統(tǒng)計方法、基于紋理模型的方法和信號處理方法。結(jié)構(gòu)分析方法假設(shè)紋理由紋理基元按照某種規(guī)則排列形成，該分析方法僅適用于規(guī)則紋理；統(tǒng)計方法利用隨機變量灰度在圖像空間的分布進行統(tǒng)計性分析，適用于自然紋理分析，該統(tǒng)計方法又可分為空間域和頻域2種分析方法；基于紋理模型的分析方法通過所建立的圖像模型描述紋理，該類分析方法需要構(gòu)建合適的圖像模型，適用范圍較窄；基于信號處理分析方法利用信號處理技術(shù)對紋理開展描述和分析，該類紋理分析方法大致包括空間濾波器、頻域濾波器核Gabor/小波模型。針對鮮食玉米紋理特征分析，通過是否存在蟲害污染和顆粒破損進行產(chǎn)品品質(zhì)判斷，這屬于對紋理基元細(xì)節(jié)描述分析。因此，在本文提出的紋理檢測分類算法中采用小波分析模型對產(chǎn)品紋理進行分析。2.1.1小波分析

小波變換具有多尺度分解特性，可以分別從空域和頻域兩個方面分別對紋理圖像進行分析，該分析方法將紋理圖像在頻域分解為低頻子帶（表征紋理基本結(jié)構(gòu)）和若干方向上的高頻子帶（表征紋理細(xì)節(jié)），然后對各子帶的特征進行提取并形成特征向量用以描述復(fù)雜的紋理。圖像信號的小波變換結(jié)果可以表示為一個低分辨率的圖像近似信號與所有細(xì)節(jié)信號的疊加[17-18]。Daubechies小波（dbN）具有緊支集的標(biāo)準(zhǔn)正交基，當(dāng)N=1時，db1代表Haar小波。dbN離散形式表示為：

dbN離散小波變換的模平方具有固定的表達(dá)式：

在鮮食玉米紋理特征檢測中采用Haar小波變換形式，則此時N=1，式（1）和式（2）表示為：

在實際紋理圖像計算中，采用積分圖像對Haar小波變換特征進行模擬，已提高小波變換的求解速度。在鮮食玉米紋理圖像小波變換計算中利用Lienhart等提出的Haar-like邊緣特征和對角線特征對二階小波變換進行求解。Haar-like的X和Y方向邊緣特征以及對角線特征如圖4所示：

圖4　Haar-like邊緣特征和對角線特征Fig.4 Haar-like border and diagonal features

2.1.2圖像熵判據(jù)

通過對圖像紋理基元的特征分析，可以獲得紋理圖像定量的描述。但在圖像紋理特征分析的實際應(yīng)用中，通過各種紋理特征描述方法獲取的紋理特征向量具有冗余性和干涉性將對特征描述算法的精度和執(zhí)行效率產(chǎn)生不利影響。因此，選取合適的紋理特征度量是正確進行紋理特征選擇和相似性分類的基礎(chǔ)。目前紋理特征度量的方法主要有基于距離度量[19]、概率距離度量[20]和熵函數(shù)度量[21]3類。基于距離度量通過特征空間上的距離系數(shù)的選擇，以距離衡量特征向量之間的聚類關(guān)系，該方法運算速度快，但針對較復(fù)雜的自然紋理特征處理效果較差；基于概率距離度量則從統(tǒng)計角度建立類別的特征向量條件概率密度分布來衡量類別之間的概率距離度量，針對自然紋理特征處理效果較好，但計算量較大，不適用于實時操作處理；基于熵函數(shù)的度量從信息論的角度出發(fā)，利用紋理特征向量的后驗概率建立類別之間的分離度度量，該方法運算量適中，且對自然紋理特征處理效果較好。在鮮食玉米紋理分析分類中，權(quán)衡計算時間成本與分析效果二者對實際檢測分類運行的影響，最終選取基于最大熵函數(shù)度量進行紋理圖像的分離度度量。最大熵函數(shù)模型如式（5）所示：

式中，H為滿足條件概率分布的熵值，P={p｜p是X集合上滿足Y條件的概率分布}。其中，X和Y為不同分類條件的集合，x和y分別為不同分類條件變量，x∈X，y∈Y。

首先，利用二階小波變換對產(chǎn)品圖像的紋理特征進行頻域分解。針對鮮食玉米產(chǎn)品，如果產(chǎn)品出現(xiàn)區(qū)域蟲害污染或顆粒破損情況時，表征圖像紋理細(xì)節(jié)特征的高頻子帶將產(chǎn)生變化，污染程度和顆粒破損的不同程度表現(xiàn)為紋理細(xì)節(jié)特征的混亂程度的不同。因此，利用二維最大熵函數(shù)作為分析判據(jù)對鮮食玉米紋理細(xì)節(jié)的混亂程度進行描述和表征。

單純的二維最大熵函數(shù)對圖像紋理細(xì)節(jié)的表征并不理想。因此，在圖像熵度量判據(jù)模型設(shè)計中，首先選取特定角度（90°、135°和180°）的小波變換濾波函數(shù)對紋理圖像進行濾波，在獲取產(chǎn)品紋理明顯的表征特征的基礎(chǔ)上，選取第2層和第3層高頻部分圖像并將圖像分割為16等份分別進行圖像二階熵值計算。獲取各子圖像的二階熵值并計算熵值數(shù)據(jù)的標(biāo)準(zhǔn)差，通過標(biāo)準(zhǔn)差值的大小作為表征玉米產(chǎn)品品質(zhì)和分類的判據(jù)。

2.2基于小波分析的鮮食玉米品質(zhì)檢測與分類算法

基于紋理特征的鮮食玉米品質(zhì)檢測與分類算法分為檢測器和分類器兩部分，檢測器利用Haar小波分析完成玉米圖像在不同頻率范圍和尺度范圍內(nèi)的紋理特征檢測；在獲取相應(yīng)的紋理特征描述之后，分類器通過計算圖像二階熵值并結(jié)合重量判據(jù)進行鮮食玉米的品質(zhì)分類。檢測分類算法流程如圖5所示：

圖5　檢測分類算法流程Fig.5 Flow of detect and categorize algorithm

在檢測器部分，針對鮮食玉米圖像中玉米顆粒度大小及分布情況，算法完成3層二階小波分析計算，并選取第2層和第3層高頻部分圖像進行后續(xù)的圖像二階熵值計算。在分類器的設(shè)計中，分別選取鮮食玉米正反2幅圖像經(jīng)過小波分析處理后的高頻圖像進行圖像熵值計算，并結(jié)合產(chǎn)品的重量判據(jù)將產(chǎn)品類別分為剝皮不凈、蟲害污染、顆粒嚴(yán)重破損、顆粒輕微破損和顆粒無破損5類。分類器判據(jù)結(jié)構(gòu)設(shè)計如圖6所示：

圖6　分類器判據(jù)結(jié)構(gòu)Fig.6　 Criteria structure of categorizer

3　試驗驗證

利用本文提出的鮮食玉米檢測分類算法對鮮食玉米進行實際品質(zhì)檢測和分類試驗。試驗設(shè)備如圖7所示。

圖7　試驗設(shè)備Fig.7 Experiment devices

試驗設(shè)備配置參數(shù)如表1所示。

表1　試驗設(shè)備配置參數(shù)Table 1 Parameters of experiment device

試驗分別選取不同品質(zhì)程度的鮮食玉米圖片進行檢測，圖8所示為被檢測圖像紋理特征。

圖中，（a）～（f）所示為不同種類（A類和B類）、剝皮不凈、蟲害污染和顆粒破損四類鮮食玉米圖像，（h）～（m）為利用三階小波分析函數(shù)對各個圖像分別在水平、垂直和對角方向上進行濾波處理獲取的紋理特征高頻分量。比較各階紋理特征發(fā)現(xiàn)不同品質(zhì)鮮食玉米產(chǎn)品紋理特征分解有明顯的區(qū)別。

圖8　被測圖像及紋理特征分解Fig.8 Texture feature decompose and test images

針對不同品質(zhì)的玉米，利用圖像最大熵函數(shù)對圖像紋理分解特征進行量度分析，各類產(chǎn)品在水平、垂直和對角方向紋理特征熵值求解如圖9所示。

圖9　不同方向紋理特征熵值求解Fig.9　 Entropy value of texture feature in different direction

圖中列舉了5類典型產(chǎn)品類別在水平、垂直和對角方向?qū)?yīng)的圖像熵值，從中可以明顯看出蟲害污染熵值明顯高于其他種類熵值；此外，產(chǎn)品出現(xiàn)顆粒破損時紋理熵值低于產(chǎn)品正常顆粒狀態(tài)。根據(jù)圖像紋理熵值閾值并結(jié)合重量判據(jù)即可實現(xiàn)被測產(chǎn)品的品質(zhì)檢測與分類。

4　結(jié)論

1）設(shè)計鮮食玉米檢測分類算法。利用計算機視覺技術(shù)，采集鮮食玉米圖像并通過小波分析算法獲取圖像紋理特征；在此基礎(chǔ)上，基于最大熵函數(shù)判據(jù)度量紋理圖像的分離度，并結(jié)合重量判據(jù)實現(xiàn)鮮食玉米產(chǎn)品品質(zhì)自動檢測與分類。

2）設(shè)計鮮食玉米自動檢測與分類裝置。通過工業(yè)相機、檢測分類算法那和分類執(zhí)行機構(gòu)3者配合實現(xiàn)對不同種類、尺寸及顆粒破損程度的鮮食玉米產(chǎn)品品質(zhì)的自動檢測和分類，有效剔除病蟲害污染產(chǎn)品，降低個人主觀經(jīng)驗導(dǎo)致的產(chǎn)品質(zhì)量分類不均現(xiàn)象。實驗結(jié)果顯示，該檢測分類裝置可以實時完成玉米產(chǎn)品檢測與分類，檢測分類速度可達(dá)1 500 kg/h，總體有效分類率可達(dá)99%以上。

3）試驗過程發(fā)現(xiàn)，針對顆粒破損程度不同的產(chǎn)品的有效檢測分類率為92%左右。經(jīng)初步分析，該現(xiàn)象與產(chǎn)品圖像獲取環(huán)境及檢測分類算法中熵值判據(jù)的顆粒度相關(guān)。在圖像獲取過程中，LED光源的照射角度及光源照度對圖像質(zhì)量影響較大；同時，熵值顆粒度大小與產(chǎn)品檢測分類過程的處理時間和分類精度成正比，較粗的熵值顆粒度導(dǎo)致產(chǎn)品分類粗糙，較細(xì)的熵值顆?？商岣弋a(chǎn)品檢測精度但處理速度降低。下一步將針對圖像獲取環(huán)境構(gòu)建及算法熵值判據(jù)參數(shù)的優(yōu)化開展研究。

[參考文獻]

[1]邢燕菊,陰衛(wèi)軍，邱登林，等.鮮食玉米的品質(zhì)評價及采收期品質(zhì)變化[J].山東農(nóng)業(yè)科學(xué)，2011，11：44-46.Xing Yanju, Yin Weijun, Qiu Denglin et cl.Quality evaluation of fresh corn and its quality changes during harvest time [J].Shandong Agricultural Sciences, 2011, 11: 44-46.（in Chinese with English abstract）

[2]劉夫國，牛麗影，李大婧，等.鮮食玉米加工利用研究進展[J].食品科學(xué)，2012，33（23）：375-379.Liu Fuguo, Niu Liying, Li Dajing, et al.Research progress in processing and utilization of fresh corn[J].Food Sciences, 2012, 33（23）:375-379.（in Chinese with English abstract）

[3]陳曉軍.鮮食玉米綜合利用技術(shù)及效益初探[J].農(nóng)業(yè)科技通訊，2013（1）：90-94.

[4]史振聲.鮮食玉米品種品質(zhì)評價及標(biāo)準(zhǔn)的探討[J].玉米科學(xué)，2007，14（6）：69-70.Shi Zhensheng.Evaluation of fresh food corn varieties and quali ty standards[J].Journal of Maize Sciences, 2007, 14（6）: 69-70.（in Chinese with English abstract）

[5]宋朝玉，朱丕生，劉樹堂，等.籽粒水量與鮮食糯玉米適宜采收期關(guān)系的研究[J].山東農(nóng)業(yè)科學(xué)，2014，46（11）：43-45.Song Chaoyu, Zhu Pisheng, Liu Shutang, et al.Study on relationship between seed water content and optimum harvest period of fresh waxy maize[J].Shandong Agricultural Sciences, 2014, 46（11）: 43-45.（in Chinese with English abstract）

[6]趙玉強，何曉鵬，劉清，等.甜玉米剝皮機結(jié)構(gòu)改進及性能試驗[J].食品與機械，2014，30（2）: 102-105.Zhao Yuqiang, He Xiaopeng, Liu Qing et al.Design and development of a sweet corn husker[J].Food Machinery, 2014, 30（2）: 102-105.（in Chinese with English abstract）

[7]趙玉強，何曉鵬，師建芳，等.鮮食玉米剝皮機的設(shè)計與試驗[J].農(nóng)業(yè)工程學(xué)報，2011，27（2）：114-118.Zhao Yuqiang, He Xiaopeng, Shi Jianfang, et al.Design and development of sweet and waxy corn husker [J].Transactions of the Chinese Society of Agricultural Engineering（Transactions of the CSAE）, 2011, 27（2）: 114-118.（in Chinese with English abstract）

[8]易克傳,曾其良，陳守江.小型摩擦式鮮食玉米剝皮機的設(shè)計[J].包裝與食品機械，2011，29（6）：24-26.Yi Kechuan, Zeng Qiliang, Chen Shoujiang.Desion on fresh corn husker by rubbing method [J].Packaging and Food Machinery, 2011, 29（6）: 24-26.（in Chinese with English abstract）

[9]凌云.基于機器視覺的谷物外觀品質(zhì)檢測技術(shù)研究[D].北京：中國農(nóng)業(yè)大學(xué)，2004年.Ling Yun.Study on Grain Appearance Quality Inspection Using Machine Vision[D].Beijing:China Agricultural University, 2004.（in Chinese with English abstract）

[10]趙敏.基于機器視覺的玉米品質(zhì)檢測[D].長春：吉林大學(xué)，2012.Zhao Min.Detection of the Maize Qualities Based on Machine Vision Technology[D].Changchun: Jilin University, 2012.（in Chinese with English abstract）

[11]萬鵬，孫鐘雷，宗力.基于計算機視覺的玉米粒形檢測方法[J].中國糧油學(xué)報，2011，26（5）: 107-110.Wan Peng, Sun Zhonglei, Zong Li.Detection method of maize kernel shape based on computer vision[J].Journal of the Chinese Cereals and Oils Asscociation, 2011, 26（5）: 107 -110.（in Chinese with English abstract）

[12]郝建平，楊錦忠，杜天慶，等.基于圖像處理的玉米品種的種子形態(tài)分析及其分類研究[J].中國農(nóng)業(yè)科學(xué)，2008，41（4）: 994-1002.Hao Jianping, Yang Jinzhong, Du Tianqing, et al.A study on basic morphologic information and classification of maize cultivars based on seed image process [J].Scientia Agricultura Sinica, 2008, 41（4）: 994-1002.（in Chinese with English abstract）

[13]程洪,史智興，尹輝娟，等.基于機器視覺的多個玉米籽粒胚部特征檢測[J].農(nóng)業(yè)工程學(xué)報，2013，29（19）：145-151.Cheng Hong, Shi Zhixing, Yi Huijuan, et al.Detection of multicorn kernel embryos characteristic using machine vision [J].Transactions of the Chinese Society of Agricultural Engineering （Transactions of the CSAE）, 2013, 29（19）: 145-151.（in Chinese with English abstract）

[14]田有文，王濱，唐曉明.基于紋理特征和支持向量機的玉米病害的識別[J].沈陽農(nóng)業(yè)大學(xué)學(xué)報，2006，36（6）：730-732.Tian Youwen, Wang Bing, Tang Xiaoming.Recognition of maize disease based on texture feature and support vector machine[J].Journal of Shenyang Agricaltural University, 2006, 36（6）: 730-732.（in Chinese with English abstract）

[15]劉曉民.紋理研究及其應(yīng)用綜述[J].測控技術(shù)，2008，27（5）：4-9.Liu Xiaomin.Summary of texture research [J].Measurement Control Technology, 2008, 27（5）: 4-9.（in Chinese with English abstract）

[16] Haralick R M, Shanmugam K, Dinstein I H.Textural features for image classification.IEEE Trans.on SMC, 1973, 3（6）:610-671.

[17] LuCS,ChungPC,ChenCF.Unsupervisedtexturesegmentationvia wavelettransform[J].Pattern Recognition.1997,30（5）:729-742.

[18] Bashar M K, Matsumoto T, Ohnishi N.Wavelet transform-based locally orderless images for texture segmentation [J].Pattern Recognition Letters, 2003, 24（15）: 2633-2650.

[19] Shen H C, Bie C Y C, Chiu D K Y.A texture-based distance measure for classfication[J].Pattern Recognition, 1993, 26（9）: 1429-1437.

[20] Reyes-Akdasoro C C, Bhaleraom A.The Bhattacharyya space for feature selection and its application to texture segmentation[J].Pattern Recognition, 2006, 39（5）: 812-826.

[21] Lewandowski J.Maximum-entropy estimate of the orthorhombic texture from ultrasonic measurements[J].Ultrasonics, 1995, 33 （3）: 229-238.

Design and experiment of fresh corn quality detection classifier based on machine vision

Gao Xinhao1, Liu Bin2
（1.Department of Mechanical and Electrial Engineering, Suzhou Institute of Industrial Technology, Suzhou, 215100, China; 2.Hebei Provincial Key laboratory of Measurement Technology and Instrumentation, Yanshan University, Qinhuangdao, 066004, China）

Abstract:In the deep processing of fresh corn, the detection and classification of fresh corn quality are an important but tedious process.The traditional treatment needs a lot of experienced workers to complete this operation, while the results of product quality detection and classification are affected by the subjective experience factors.In order to ensure product quality and increase productivity, an automatic detection and classification algorithm for corn product quality and the equipment are designed in this paper.This automatic device consists of the vision acquisition module, detection and classification control module and execution control module.The vision acquisition module acquires the images of products through the cameras which are installed on the device.In the equipment design process, 2 work stations are designed to capture the images of fresh corn in different view, and the position of fresh corn product is rolled over by a designed mechanical device which is driven by a step motor.In order to provide high quality images for the detection and classification, a light emitting diode（LED）light source is installed near the camera and lighting the measured product during the process of image acquisition; the detection and classification control module is the control core, and it accomplishes the image filtering, texture feature extraction and product classification.In the end of detection and classification operation, this module will export the control instruction to the execution control module.The execution module consists of motion control card, servo controller and servo motor.Using these components, this module moves for special degrees according to the control instruction, and sends the measured products to the designated storage location.In the detection and classification algorithm design process, the computer vision technology is used to detect the fresh corn images and extract texture feature of image.At first, we capture the fresh corn images from different angles of view, and then the texture features of fresh corn images are calculated through the wavelet analysis.In this algorithm, the high-frequency components of texture feature in the horizontal, vertical and diagonal direction are calculated respectively; based on the analysis of texture feature, the separation degree of texture feature is measured by the maximum visual entropy function.The difference between different categories is obtained by comparing with the texture feature of corn products.At the same time, the weight criterion is coordinated with the vision detection algorithm to complete the product detection and classification.According to the texture feature and entropy criterion, the fresh corn products are divided into the following 5 categories, which are peel not clear, pest pollution, no grain damage, minor grain damage and serious grain damage.The equipment prototype has been tested in laboratory, and the experiment results show that the different species, size and broken level of fresh corn can be detected and classified using this device, and the pest pollution product can be eliminated effectively.The average speed of quality detection and classification reaches 1 500 kg per hour, and the effective composite classification rate reaches 99% for the fresh corn with different weight and size; for different damaged corn products, the effective classification rate reaches 92%, which is lower than the composite classification rate.The analysis finds that it is caused by the image acquisition environment and graininess of entropy criterion in the image processing algorithm.In the process of image acquisition, the irradiating degree and illumination of LED light source affect the quality of images.At the same time, the thicker the entropy graininess, the coarser the product detection and classification; the finer the entropy graininess is, the more time the calculation spends.In the future, we will carry out the research on the image acquisition environment construction and the entropy criterion parameter optimization.

Keywords:computer vision; crops; classifier; texture feature; wavelet analysis; visual entropy

作者簡介：高新浩（1985-），男，漢族，講師，博士，研究方向：農(nóng)業(yè)機械，機器視覺。蘇州蘇州工業(yè)職業(yè)技術(shù)學(xué)院機電工程系，215100。Email:gaoxinhao555901@163.com

基金項目：河北省自然科學(xué)基金（F2015203287）

收稿日期：2015-08-07

修訂日期：2015-11-16

中圖分類號：TP391.4

文獻標(biāo)志碼：A

文章編號：1002-6819（2016）-01-0298-06

doi：10.11975/j.issn.1002-6819.2016.01.041