機器視覺技術(shù)在核桃分級檢測中的應(yīng)用

盧軍黨，劉東琴，田智輝

（陜西省農(nóng)業(yè)機械研究所，陜西咸陽 712000）

機器視覺技術(shù)是一種新興的檢測技術(shù)，在現(xiàn)代工農(nóng)業(yè)生產(chǎn)中有著巨大的需求空間。由于機器視覺技術(shù)可以通過計算機處理獲取大量有用的信息，而且能夠自動處理，也易于同設(shè)計和控制等信息集成。因此，在現(xiàn)代自動化生產(chǎn)過程中，機器視覺技術(shù)被廣泛地用于工況監(jiān)視及品質(zhì)檢驗等領(lǐng)域。利用機器視覺技術(shù)對農(nóng)產(chǎn)品進行檢測分級具有分級準(zhǔn)確、無損傷、智能化程度高等優(yōu)點，對農(nóng)產(chǎn)品檢測分級和保證貯藏品質(zhì)具有重要的意義。國內(nèi)學(xué)者在該領(lǐng)域進行了大量的研究，部分技術(shù)已經(jīng)投入實際生產(chǎn)應(yīng)用中。

1 機器視覺技術(shù)原理及在農(nóng)產(chǎn)品分級檢測中的應(yīng)用

1.1 機器視覺技術(shù)原理

機器視覺技術(shù)是利用計算機模擬人類視覺的一種科學(xué)技術(shù)。機器視覺原理多是采用CCD（CMOS）照相機將目標(biāo)轉(zhuǎn)化為圖像信號，然后傳送給專用的圖像處理系統(tǒng)，根據(jù)像素分布和顏色、亮度等信息，將圖像轉(zhuǎn)變成數(shù)字化信號；圖像處理系統(tǒng)對這些信號進行各種運算來提取目標(biāo)的特征，如顏色、大小、位置等，再依據(jù)設(shè)定的條件輸出所需的結(jié)果[1]?？刂葡到y(tǒng)可以根據(jù)判定結(jié)果發(fā)出控制指令，機器設(shè)備的執(zhí)行單元完成相應(yīng)的動作。

1.2 機器視覺技術(shù)在農(nóng)產(chǎn)品分級檢測中的應(yīng)用

隨著機器視覺技術(shù)的不斷發(fā)展，其在農(nóng)產(chǎn)品檢測方面的應(yīng)用也具有了應(yīng)用的價值。由于在農(nóng)產(chǎn)品的品質(zhì)檢測和農(nóng)產(chǎn)品的采收和包裝過程中，存在很大的人為和自然因素，如果應(yīng)用傳統(tǒng)的人工作業(yè)，不僅耗時、費力，而且效率也比較低，作業(yè)過程中的精度也在很大程度上受到主觀因素的影響[2]。機器視覺技術(shù)是作為一門具有高科技含量的新技術(shù)，具有快速、實用及客觀等優(yōu)點，國內(nèi)已在基于機器視覺技術(shù)的農(nóng)產(chǎn)品分級檢測上做了諸多研究。

展慧等人[3]為了將合格和缺陷板栗分離，研究了一種基于機器視覺的板栗分級方法。試驗以羅田板栗為研究對象，構(gòu)建了圖像采集系統(tǒng)獲取的板栗圖像，通過灰度化和形態(tài)學(xué)處理將板栗和背景準(zhǔn)確區(qū)分，通過主成分分析法提取了顏色及紋理等特征值，創(chuàng)建了3 層BP 神經(jīng)網(wǎng)絡(luò)模型，利用該模型來識別缺陷板栗，識別準(zhǔn)確率達91.67%。結(jié)果表明，這種板栗檢測方法是可行的。

王松磊等人[4]基于機器視覺技術(shù)，設(shè)計一種紅棗無損檢測分級機，該設(shè)備由輸送系統(tǒng)、圖像采集和處理系統(tǒng)、分級執(zhí)行機構(gòu)和控制部分組成。在工作過程中，由CCD 相機與STM32 嵌入式系統(tǒng)棗果從正面與背面采集棗果大小、顏色、外部損傷等綜合指標(biāo)信息，采用氣動式分級執(zhí)行機構(gòu)完成棗果分級。試驗結(jié)果表明，其對棗果的檢測準(zhǔn)確率達92%以上，產(chǎn)能550 kg/h，滿足紅棗自動分級檢測的生產(chǎn)需求。

王紅軍等人[5]采用了三面投影的機器視覺系統(tǒng)獲取馬鈴薯的圖像特征，針對馬鈴薯質(zhì)量和形狀結(jié)合多元線性回歸方法建立其分級預(yù)測模型，實現(xiàn)了基于機器視覺技術(shù)的馬鈴薯自動分級。三面圖像包括在俯視圖中馬鈴薯的輪廓面積、兩側(cè)面輪廓面積，在俯視及側(cè)面圖中，獲取其外接矩形長度和寬度數(shù)據(jù)，利用這些特征參數(shù)建立馬鈴薯試驗樣本的質(zhì)量和形狀分級預(yù)測模型，同時用電子秤獲取試驗樣本質(zhì)量進行目測法對比。對比試驗結(jié)果表明，馬鈴薯質(zhì)量分級相關(guān)度系數(shù)R 為0.991，形狀分級分辨率可達86.7%。

2 機器視覺技術(shù)在核桃分級檢測中的應(yīng)用

2.1 圖像處理技術(shù)在原核桃分級檢測中的應(yīng)用

核桃大多是以原核桃的形式出售，在核桃生長和初加工過程中會出現(xiàn)外觀缺陷（黑斑、破裂） 等影響其商品率的現(xiàn)象，需要對其進行分選處理，將其中有缺陷的核桃剔除。原核桃體積小、數(shù)量大，人工挑選費時費力，因此很多學(xué)者利用機器視覺技術(shù)在這一領(lǐng)域進行了研究。

李成吉等人[6]為快速識別核桃的外觀缺陷，采集了核桃的樣本圖像?；跇颖緢D像提取18 個顏色特征參數(shù)和20 個紋理特征參數(shù)。分別采用了回歸系數(shù)法（RC） 和連續(xù)投影法（SPA） 對特征參數(shù)進行優(yōu)選，同時建立偏最小二乘法（PLS） 的模型。試驗結(jié)果表明，基于最小二乘法所建立的模型性能最優(yōu)，然后將最小二乘法提取的參數(shù)作為輸入，建立向量機模型，并對預(yù)測集樣本進行預(yù)測。結(jié)果表明，運用該模型對正常、黑斑和破裂核桃的判別準(zhǔn)確率分別為88.9%，83.3%，94.6%，總體的判別率為88.9%。

劉軍等人[7]采集新疆多個品種核桃，運用3CCD面陣相機提取樣本RGB 圖像，設(shè)計一種自適應(yīng)雙閾值的Otsu 法，能夠準(zhǔn)確地分割出核桃圖像的缺陷區(qū)域；基于對分割區(qū)域的幾何、紋理等特征，轉(zhuǎn)換特征向量集；以該特征集為輸入，建立了15 個識別模型，對3 類核桃外部缺陷的識別性能和時間進行了對比評價。結(jié)果表明，基于徑向基的支持向量機識別模型效果最好，對3 類缺陷的驗證集平均識別率分別為93.06%，88.31%，89.27%，對缺陷的總識別率為90.21%，平均識別時間為10-4 s 級。

2.2 圖像處理技術(shù)在核桃仁品質(zhì)檢測中的應(yīng)用

部分核桃會進行破殼處理，以核桃仁的形式進入市場，核桃仁的品質(zhì)根據(jù)其完整程度和色澤進行分類，利用機器視覺技術(shù)可以實現(xiàn)核桃仁品質(zhì)的自動檢測。蔡建等人[8]通過機器視覺的方法對核桃仁的顏色與完整度的分選上進行了研究，通過對采集的核桃仁圖像進行預(yù)處理與分割，將含有多個核桃仁的圖像進行圖像學(xué)處理，分割出了單幅核桃仁圖像。對單幅核桃仁圖像提其輪廓與最小外接圓面積，利用其比值對核桃在完整度上進行了分類。最后通過機器學(xué)習(xí)的方法建立決策樹模型對核桃仁樣本進行預(yù)測，總體正確率達92%，為核桃仁自動分級提供了參考。

申愛敏等人[9]提出1 種基于機器視覺和圖像處理技術(shù)的核桃仁完整度的檢測方法。構(gòu)建圖像采集系統(tǒng)并采集核桃仁圖像；通過灰度變換、中值濾波等圖像預(yù)處理方法降低了圖像計算數(shù)據(jù)量，再用閾值分割與區(qū)域填充等方法，獲取了完整的核桃仁區(qū)域分割圖；然后對核桃仁圖像區(qū)域進行了像素統(tǒng)計，與構(gòu)建的核桃仁分級模型進行對比，提出了1 種自適應(yīng)平均算法對核桃仁樣本學(xué)習(xí)訓(xùn)練；最后設(shè)計了配套的核桃仁完整度自動分級軟件。結(jié)果表明，該方法在實驗室條件下可實現(xiàn)核桃仁大小分級，分級正確率達90.0%以上。

2.3 圖像處理技術(shù)在核桃仁中混雜物檢測中的應(yīng)用

核桃經(jīng)破殼處理后要進行殼仁分離處理，一般采用的殼仁分離方式為風(fēng)選式分離，這種方法對于殼仁物料比較小的時候分離效果較差。研究人員運用及其視覺技術(shù)研究了一種識別核桃殼、仁和分心木的方法，該方法以“清香”核桃為研究對象，在樣本中的圖像信息中分別提取了顏色分量的均值與方差，同時利用灰度共生矩陣提取了各樣本的紋理特征參數(shù)。再以顏色特征值、紋理特征值和顏色-紋理特征值結(jié)合作為輸入，分別建立最小二乘支持向量機模型（即Y-LS-SVM，W-LS-SVM，Y-WLS-SVM），并對各預(yù)測集樣本進行判別。結(jié)果表明，Y-W-LS-SVM 模型的判別效果最好，其對核桃仁、分心木及核桃殼的判別準(zhǔn)確率分別為93.3%，97.1%，100.0%。

雷凱棟[10]選用山西呂梁野生核桃為研究對象，運用高光譜成像和機器視覺技術(shù)對核桃殼、仁和分心木進行了識別和分類，并建立了人機交互界面。研究過程中，對高光譜所獲信息進行了SNV 預(yù)處理后分別建立了PLS 模型。利用機器視覺系統(tǒng)采集并處理了樣本的圖像信息，建立了CNN 神經(jīng)網(wǎng)絡(luò)模型。結(jié)果表明，PLS 模型的判別準(zhǔn)確率分心木100%，核桃仁98.75%，核桃殼99.44%；CNN 模型對分心木、殼、仁的判別率為100.00%，90.62%，97.50%[10]。

3 結(jié)語

作為一種新興的分選技術(shù)，機器視覺技術(shù)有很多優(yōu)點：①由于檢測過程與被檢測物料沒有物理接觸，因此不會產(chǎn)生損傷；②在檢測過程中對被檢測物料圖像提取的信息較多，可以在同一檢測過程中實現(xiàn)多種檢測功能；③機器視覺技術(shù)處理過程中所得到的圖像為數(shù)字圖像，相對于模擬圖像能很好避免在處理過程中產(chǎn)生的圖像失真現(xiàn)象，確保圖像的真實再現(xiàn)。隨著計算機科學(xué)的發(fā)展，機器視覺技術(shù)將具有更加廣闊的應(yīng)用前景。