油菜聯(lián)合收獲機(jī)含雜率在線檢測(cè)系統(tǒng)設(shè)計(jì)與試驗(yàn)*

陳旭，關(guān)卓懷，李海同，沐森林，張敏，吳崇友

(1. 湖北工業(yè)大學(xué)機(jī)械工程學(xué)院，現(xiàn)代制造質(zhì)量工程湖北省重點(diǎn)實(shí)驗(yàn)室，武漢市，430068；>2. 農(nóng)業(yè)農(nóng)村部南京農(nóng)業(yè)機(jī)械化研究所，南京市，210014)

0 引言

油菜是我國(guó)第一大油料作物，提供了50%以上的國(guó)產(chǎn)食用油，位居國(guó)產(chǎn)食用植物油首位。機(jī)械化收獲是油菜生產(chǎn)中的關(guān)鍵環(huán)節(jié)，提升油菜機(jī)械化收獲水平和收獲質(zhì)量對(duì)于保障我國(guó)油料供給安全具有重要戰(zhàn)略意義[1-3]。含雜率是評(píng)價(jià)聯(lián)合收獲機(jī)作業(yè)質(zhì)量的核心指標(biāo)之一，也是科學(xué)調(diào)控聯(lián)合收獲機(jī)工作部件參數(shù)的關(guān)鍵依據(jù)。含雜過(guò)高會(huì)影響菜籽品質(zhì)，增加后續(xù)加工環(huán)節(jié)難度，導(dǎo)致油菜籽商品價(jià)值損失和經(jīng)濟(jì)效益下降[4]?，F(xiàn)階段油菜聯(lián)合收獲機(jī)含雜率主要依靠停機(jī)人工檢測(cè)，過(guò)程復(fù)雜、效率低、實(shí)時(shí)性差[5]。油菜聯(lián)合收獲機(jī)含雜率等關(guān)鍵作業(yè)參數(shù)難以實(shí)時(shí)獲取，關(guān)鍵部件作業(yè)參數(shù)調(diào)控主要依靠駕駛員經(jīng)驗(yàn)，缺少量化依據(jù)，導(dǎo)致作業(yè)質(zhì)量不穩(wěn)定。聯(lián)合收獲機(jī)需兼顧含雜率和損失率，但實(shí)際生產(chǎn)中為盡量減少收獲損失往往導(dǎo)致含雜率過(guò)高，導(dǎo)致油菜籽品質(zhì)降低[6]。因此在線檢測(cè)油菜聯(lián)合收獲機(jī)含雜率，實(shí)時(shí)掌握聯(lián)合收獲機(jī)作業(yè)質(zhì)量信息，可為聯(lián)合收獲機(jī)工作參數(shù)調(diào)控提供依據(jù)，有助于提升油菜聯(lián)合收獲機(jī)智能化水平和菜籽收獲品質(zhì)。

近年來(lái)，隨著計(jì)算機(jī)運(yùn)算速度和圖像處理水平的提升，機(jī)器視覺技術(shù)因其響應(yīng)快、低損傷、精度高的優(yōu)點(diǎn)在現(xiàn)代農(nóng)業(yè)生產(chǎn)中的谷物品質(zhì)檢測(cè)領(lǐng)域得到了廣泛的應(yīng)用。陳進(jìn)等[7]提出了基于機(jī)器視覺的改進(jìn)U-Net模型水稻雜質(zhì)分割方法，為水稻含雜率的計(jì)算奠定基礎(chǔ)；陳滿等[8]提出了基于顏色特征的大豆機(jī)械化收獲質(zhì)量在線監(jiān)測(cè)方法，為聯(lián)合收獲機(jī)參數(shù)調(diào)節(jié)提供數(shù)據(jù)支持；李海同等[9]提出了基于圖像特征和隨機(jī)森林的油菜生物量估算方法，為油菜聯(lián)合收割機(jī)喂入量自動(dòng)檢測(cè)提供參考；馬志艷等[10]提出了基于改進(jìn)Mask R-CNN的水稻莖稈雜質(zhì)分割方法，為后續(xù)含雜率在線檢測(cè)系統(tǒng)實(shí)現(xiàn)提供技術(shù)參考；萬(wàn)龍等[11]提出了基于機(jī)器視覺的籽棉雜質(zhì)快速檢測(cè)方法，為籽棉含雜率檢測(cè)設(shè)備的研發(fā)提供借鑒與技術(shù)參考；曾宏偉等[12]提出基于單目視覺的谷物聯(lián)合收獲機(jī)產(chǎn)量測(cè)量方法，并在谷物測(cè)產(chǎn)試驗(yàn)臺(tái)上進(jìn)行試驗(yàn)驗(yàn)證；劉雙喜等[13]提出基于圖像處理和體積排液原理的單粒不規(guī)則谷物體積測(cè)量方法，為科學(xué)研究和實(shí)際生產(chǎn)提供可靠的谷物體積數(shù)據(jù)；沈飛等[14]提出基于可見光—近紅外光譜和機(jī)器視覺的玉米霉變程度在線檢測(cè)方法，提升在線檢測(cè)結(jié)果的準(zhǔn)確度；陳樹人等[15]提出基于Micro-CT圖像處理的稻谷內(nèi)部損失定量表征與三維重構(gòu)方法，為谷物內(nèi)部損傷定量表征提供參考。但相關(guān)研究仍不成熟，有必要針對(duì)油菜機(jī)械化收獲作業(yè)環(huán)境，進(jìn)一步開展油菜含雜在線檢測(cè)系統(tǒng)的研究。目前聯(lián)合收獲機(jī)含雜率在線檢測(cè)主要采用“物料取樣+視覺識(shí)別”的技術(shù)路線，通過(guò)相機(jī)拍攝所采集的樣本識(shí)別雜質(zhì)。但取樣裝置中籽粒、雜質(zhì)間易相互遮擋，難以識(shí)別被覆蓋的雜質(zhì)；密閉采樣裝置中需要專門提供人工光源，光照效果對(duì)后續(xù)圖像處理影響大，制約油菜聯(lián)合收獲機(jī)含雜率在線檢測(cè)技術(shù)的發(fā)展與應(yīng)用。

本文針對(duì)物料遮擋導(dǎo)致雜質(zhì)漏檢、取樣裝置內(nèi)光照不均影響雜質(zhì)識(shí)別精度等問(wèn)題，設(shè)計(jì)了一種導(dǎo)流式油菜聯(lián)合收獲機(jī)含雜率檢測(cè)裝置，通過(guò)限制物料鋪層厚度減小對(duì)雜質(zhì)的遮擋，優(yōu)化光源形式并通過(guò)亮度均衡化算法提升圖像質(zhì)量，研究基于顏色特征和形狀特征的油菜雜質(zhì)分割算法，構(gòu)建油菜含雜率計(jì)算模型并試驗(yàn)驗(yàn)證，實(shí)現(xiàn)油菜含雜率在線檢測(cè)，為油菜聯(lián)合收獲機(jī)智能化測(cè)控系統(tǒng)的設(shè)計(jì)提供參考。

1 系統(tǒng)總體結(jié)構(gòu)與工作原理

1.1 系統(tǒng)總體結(jié)構(gòu)

油菜聯(lián)合收獲機(jī)含雜率在線檢測(cè)系統(tǒng)主要包括導(dǎo)流式含雜率檢測(cè)裝置、工控機(jī)等。其中導(dǎo)流式含雜率檢測(cè)裝置主要包括輸送帶、工業(yè)相機(jī)、光源、擋板、擋條和密封外殼等，其結(jié)構(gòu)如圖1所示，主要技術(shù)參數(shù)如表1所示。

圖1 導(dǎo)流式含雜率檢測(cè)裝置

表1 油菜聯(lián)合收獲含雜率在線檢測(cè)系統(tǒng)主要技術(shù)參數(shù)Tab. 1 Main parameters of on-line detection system for impurity content in rape harvest

工控機(jī)處理器為Intel酷睿i7-4790S，顯卡為Intel HD Graphics 4600，系統(tǒng)內(nèi)存8GB。工業(yè)相機(jī)為大恒MER-132-43U3C型號(hào)CCD相機(jī)，分辨率1 292×964，像素尺寸3.75 μm×3.75 μm，幀率43 fps，配有VS-LDA4可變焦鏡頭。

1.2 工作原理

導(dǎo)流式含雜率檢測(cè)裝置安裝于油菜聯(lián)合收獲機(jī)糧倉(cāng)出糧口下方，油菜籽粒、雜質(zhì)等物料通過(guò)接樣口進(jìn)入采集裝置，實(shí)現(xiàn)清選后物料采樣。輸送帶由直流電機(jī)驅(qū)動(dòng)，樣品采集速度無(wú)級(jí)可調(diào)。在輸送帶和擋條的共同作用下，物料由接樣口向卸樣口方向運(yùn)動(dòng)并落入油菜聯(lián)合收獲機(jī)糧倉(cāng)中。通過(guò)調(diào)整高度調(diào)節(jié)板與輸送帶的間隙，控制物料鋪層厚度，減小對(duì)雜質(zhì)的遮擋。環(huán)形光源提供穩(wěn)定照明，亞克力透明隔板將圖像采集裝置分隔成兩個(gè)空間，工業(yè)相機(jī)和光源安裝在完全封閉的上側(cè)，油菜籽粒與輸送帶位于隔板的下方，避免田間作業(yè)時(shí)灰塵對(duì)鏡頭的損害。工業(yè)相機(jī)通過(guò)透明隔板拍攝油菜樣品圖像，輸入工控機(jī)識(shí)別物料中的雜質(zhì)并計(jì)算含雜率，實(shí)現(xiàn)油菜聯(lián)合收獲機(jī)含雜率在線檢測(cè)。

2 檢測(cè)系統(tǒng)光源設(shè)計(jì)與分析

油菜圖像采集是實(shí)現(xiàn)油菜含雜率在線檢測(cè)的重要環(huán)節(jié)，圖像質(zhì)量直接影響后續(xù)圖像處理的準(zhǔn)確度，圖像亮度均勻性是評(píng)價(jià)圖像質(zhì)量的關(guān)鍵指標(biāo)。由于檢測(cè)裝置內(nèi)部為密封空間，需要人工提供光源。為提升圖像質(zhì)量，確定最優(yōu)光源形式，選用單條形光源、雙條形光源和環(huán)形光源開展圖像采集試驗(yàn)，如圖2所示。

為分析不同光源形式下圖像亮度分布規(guī)律，采用HSV(Hue Saturation Value)顏色空間模型對(duì)所拍攝的圖片進(jìn)行處理分析。HSV顏色空間模型中的V分量表示圖像亮度，范圍0～1，與光強(qiáng)度之間并沒有直接聯(lián)系，可以排除不同光源形式本身強(qiáng)度對(duì)均勻度的影響。圖片的亮度分析結(jié)果如圖3所示。

(a) 單側(cè)條形光源 (b) 雙側(cè)條形光源

(c) 中心環(huán)形光源

(a) 單側(cè)條形光源

(b) 雙側(cè)條形光源

(c) 中心環(huán)形光源

從圖3可以看出，單側(cè)條形光源下，在光源一側(cè)區(qū)域的亮度顯著高于未設(shè)置光源的一側(cè)，亮度分布不均。雙側(cè)條形光源下，兩側(cè)亮度較高，中心區(qū)域亮度較低。中心環(huán)形光源下，四周亮度較低，中心區(qū)域亮度較高。為進(jìn)一步量化分析光源形式對(duì)圖片亮度分布的影響，對(duì)圖片像素點(diǎn)的亮度值進(jìn)行了統(tǒng)計(jì)分析，結(jié)果圖4所示。圖像亮度過(guò)大或者過(guò)小都會(huì)影響圖像的質(zhì)量，亮度接近中值時(shí)圖像細(xì)節(jié)部分更清晰，更利于后續(xù)的圖像處理。通過(guò)計(jì)算圖像中各像素點(diǎn)亮度值在[0.30，0.70]、[0.25，0.75]和[0.20，0.80]的分布比例，分析圖像總體亮度與亮度中值的接近程度，并通過(guò)亮度變異系數(shù)表征圖像亮度均勻度。三種光源形式下亮度分布和亮度均勻度變異系數(shù)計(jì)算結(jié)果如表2所示。

(a) 單側(cè)條形光源

(b) 雙側(cè)條形光源

(c) 中心環(huán)形光源

表2 三種光源亮度分布情況Tab. 2 Brightness distribution of three light sources

從圖4和表2可以看出，單側(cè)條形光源下圖像總體亮度較低，各像素亮度值在[0.30，0.70]、[0.25，0.75]和[0.20，0.80]亮度區(qū)間的比例分別為38.3%、48.6%和60.2%。雙側(cè)條形光源亮度值在[0.30，0.70]、[0.25，0.75]和[0.20，0.80]的比例分別為51.5%、63.3%和75.4%，高于單側(cè)條形光源，但低于中心環(huán)形光源的77.4%、91.3%和96.3%。中心環(huán)形光源下圖像各像素點(diǎn)的亮度值總體更接近中值，有利于后續(xù)雜質(zhì)識(shí)別。單側(cè)條形光源、雙側(cè)條形光源和中心環(huán)形光源下，圖像各像素亮度變異系數(shù)分別為0.643、0.584和0.394，中心環(huán)形光源下圖像的亮度變異系數(shù)最小，亮度分布最為均勻，有利于提高后續(xù)圖像處理的精度和效率。

3 含雜率檢測(cè)算法設(shè)計(jì)與特征分析

3.1 圖像亮度均衡化算法

在優(yōu)化光源形式的基礎(chǔ)上，通過(guò)增強(qiáng)算法對(duì)含雜油菜圖像進(jìn)行預(yù)處理，進(jìn)一步提升圖像亮度均勻度?，F(xiàn)有圖像增強(qiáng)算法主要包括直方圖均衡化及其改進(jìn)算法、基于Retinex理論的圖像增強(qiáng)算法和分區(qū)色調(diào)映射算法。對(duì)于均衡化圖像對(duì)比度具有較好的效果[16-17]。但應(yīng)用于圖像亮度均衡化時(shí)，易出現(xiàn)光暈、邊緣模糊等負(fù)面效果，后續(xù)需要恢復(fù)圖像細(xì)節(jié)信息，增加了后續(xù)圖像處理難度[18-19]。

本文提出一種動(dòng)態(tài)調(diào)整圖像亮度的方法對(duì)圖像做亮度均衡化處理，首先把圖像進(jìn)行分塊，分別計(jì)算全局平均亮度以及局部平均亮度，獲得差值矩陣，之后利用插值計(jì)算得到全局亮度差值矩陣，再補(bǔ)償每個(gè)小塊的低亮度區(qū)，削弱每個(gè)小塊的高亮度區(qū)域，使得整幅圖像的亮度趨于一致，進(jìn)而解決光照不均勻的問(wèn)題。試驗(yàn)結(jié)果表明，使用該方法可以獲得光照均衡的圖像，能夠更好地對(duì)圖像做閾值分割處理，更準(zhǔn)確、更科學(xué)地對(duì)收獲油菜的含雜量進(jìn)行檢測(cè)。其算法流程如圖5所示。

圖5 圖像亮度均衡化算法流程

設(shè)采集到的圖像全局尺寸為W×H，對(duì)圖像進(jìn)行灰度化處理，灰度級(jí)為(0，…，L)，求得全局平均亮度值

(1)

式中：L(i，j)——全局圖像中坐標(biāo)為(i，j)點(diǎn)的亮度值；

W——全局圖像的像素寬度；

H——全局圖像的像素高度。

將圖像分成大小為w×h的子塊，計(jì)算得到每個(gè)子塊的平均亮度值

(2)

式中：l(i，j)——子塊圖像中坐標(biāo)為(i，j)點(diǎn)的亮度值；

w——子塊圖像的像素寬度；

h——子塊圖像的像素寬度。

通過(guò)計(jì)算全局圖像平均亮度值與子塊圖像平均亮度值獲得差值矩陣，差值為

Δl-L=lav-Lav

(3)

當(dāng)圖像中的區(qū)域?yàn)楦吡炼葏^(qū)域時(shí)，計(jì)算得到的差值Δl-L為正，需要對(duì)圖像亮度做衰減處理；若圖像中的區(qū)域?yàn)榈土炼葏^(qū)域差值Δl-L則為負(fù)，需要對(duì)圖像做亮度增強(qiáng)處理。本文為避免在后續(xù)閾值分割中局部閾值分割的缺陷，對(duì)得到的差值矩陣進(jìn)行Bicubic插值運(yùn)算，使差值矩陣擴(kuò)充到與原圖相同的大小，得到全局亮度差值矩陣，利用插值運(yùn)算可以使相鄰子塊需要調(diào)整的值比較平滑，可以起到保護(hù)圖像細(xì)節(jié)信息的作用，最后用原始圖像的像素值減去全局亮度差值矩陣，得到亮度均衡化的圖像。

3.2 油菜雜質(zhì)圖像特征分析

為利用視覺系統(tǒng)識(shí)別物料中的雜質(zhì)，需要分析圖像中油菜籽粒和雜質(zhì)在顏色空間內(nèi)的差異。工業(yè)相機(jī)得到的油菜彩色圖像為RGB顏色模型，與人眼對(duì)色彩的感知差異較大。HSV顏色模型與人眼對(duì)色彩的感知更為接近，更適合用于機(jī)器視覺的顏色表征，因此本文采用HSV顏色模型對(duì)油菜圖像進(jìn)行處理[20]。由于圖像的顏色信息主要分布于低階矩中，本文采用一階矩(Mean)、二階矩(Variance)和三階矩(Skewness)來(lái)表達(dá)圖像的顏色分布特征，其中一階矩描述圖像像素的顏色均值、二階矩描述圖像像素的標(biāo)準(zhǔn)差、三階矩描述圖像像素的偏移度。三個(gè)顏色矩的數(shù)學(xué)定義為

(4)

(5)

(6)

式中：pi,j——圖像第j個(gè)像素第i個(gè)顏色通道的像素值；

N——圖像的總像素?cái)?shù)；

μi——第i個(gè)顏色通道上所有像素的均值；

σi——第i個(gè)顏色通道上所有像素的標(biāo)準(zhǔn)差；

si——第i個(gè)顏色通道上所有像素的偏移度。

從100張待處理的油菜圖像中隨機(jī)選取50幅圖像作為樣本，人工截取樣本圖片中的雜質(zhì)成分和油菜籽粒成分，分別對(duì)油菜籽粒和雜質(zhì)區(qū)域像素點(diǎn)的H、S、V分量分布情況進(jìn)行統(tǒng)計(jì)分析，得到50個(gè)樣本的顏色特征參數(shù)分布范圍統(tǒng)計(jì)結(jié)果，如表3所示。

表3 HSV顏色特征參數(shù)分布范圍區(qū)間Tab. 3 Distribution range of HSV color characteristic parameters

從表3可以看出，雜質(zhì)成分的H分量一階矩分布范圍為[0.013 0，0.089 7]，油菜籽粒的H分量一階矩范圍為[0.104 6，0.314 0]，二者在H分量的分布范圍差異明顯，因此本文設(shè)定油菜圖像的H分量一階矩范圍[0.013 0，0.089 7]進(jìn)行雜質(zhì)成分的提取，確保所有雜質(zhì)成分都被提取在內(nèi)。

3.3 油菜雜質(zhì)分割算法

根據(jù)油菜籽粒和雜質(zhì)在HSV顏色空間模型中H分量差異性明顯這一特征，通過(guò)設(shè)定H分量閾值，對(duì)含雜油菜圖像進(jìn)行二值化處理，初步提取油菜雜質(zhì)，確保所有雜質(zhì)成分都被提取在內(nèi)，判定條件如下

(7)

式中：h——圖像中像素點(diǎn)的H分量。

若滿足條件h∈[0.013 0，0.089 7]，則判定為雜質(zhì)成分，將其保留；否則將其清空。得到的雜質(zhì)粗提取結(jié)果如圖6(b)所示。為了減小閾值設(shè)定對(duì)油菜雜質(zhì)識(shí)別的干擾，采用形態(tài)學(xué)處理算法進(jìn)行進(jìn)一步的篩選。采用3×3像素大小的圓形結(jié)構(gòu)進(jìn)行形態(tài)學(xué)開運(yùn)算和閉運(yùn)算處理，斷開物體之間的粘連，平滑較大物體的邊界同時(shí)不改變其面積形狀。由于圖像中油菜籽粒主要呈圓形，雜質(zhì)形狀上呈長(zhǎng)條狀或者不規(guī)則形狀，本文通過(guò)設(shè)定連通域的圓形度參數(shù)范圍來(lái)進(jìn)一步提取圖片中的雜質(zhì)，判定條件如下

(8)

式中：T——設(shè)定的圓形度閾值；

m——各連通域的圓形度。

若連通域滿足條件m>T，則將其置0；若連通域滿足條件m≤T，則將其保留，各連通域的圓形度計(jì)算結(jié)果如圖6(c)所示。為了消除小顆粒噪聲的干擾，刪除面積小于100像素的連通域，最終得到針對(duì)油菜原始圖像(圖6(a))的雜質(zhì)檢測(cè)結(jié)果如圖6(d)所示。通過(guò)識(shí)別結(jié)果可以看出，油菜原圖中的雜質(zhì)基本都被識(shí)別出來(lái)，而且對(duì)雜質(zhì)的形狀、位置和大小均有良好的還原度。

(a) 油菜原圖 (b) 雜質(zhì)粗提取結(jié)果

(c) 連通域圓形度 (d) 雜質(zhì)提取結(jié)果

3.4 油菜含雜率計(jì)算模型

為獲取油菜物料含雜率，需要標(biāo)定油菜籽粒和雜質(zhì)的像素密度，將油菜籽粒、雜質(zhì)間的像素關(guān)系轉(zhuǎn)化為實(shí)際質(zhì)量關(guān)系。標(biāo)定方法為拍攝單層無(wú)遮擋情況下油菜籽粒與雜質(zhì)的照片，統(tǒng)計(jì)其像素?cái)?shù)并稱量質(zhì)量，如圖7所示，標(biāo)定試驗(yàn)中相機(jī)物距與采樣裝置中保持一致。

(a) 油菜籽粒 (b) 雜質(zhì)

本文采集了10組油菜籽粒和雜質(zhì)的圖像和質(zhì)量信息，為確保雜質(zhì)成分較少時(shí)依然具有較好的擬合度，在擬合圖像像素?cái)?shù)與實(shí)際質(zhì)量的關(guān)系時(shí)，設(shè)定擬合曲線截距為0。油菜籽粒、雜質(zhì)的像素—質(zhì)量擬合關(guān)系如圖8所示。

(a) 油菜籽粒

(b) 雜質(zhì)

根據(jù)圖8(a)，油菜籽粒在圖像中所占的像素?cái)?shù)與其實(shí)際質(zhì)量之間的關(guān)系為

f(xi)=5×10-5xi

(9)

式中：xi——油菜籽粒在圖像中所占的像素?cái)?shù)；

f(xi)——油菜籽粒的實(shí)際質(zhì)量。

根據(jù)圖8(b)，雜質(zhì)成分在圖像中所占的像素?cái)?shù)與其實(shí)際質(zhì)量之間的關(guān)系為

g(xj)=6×10-6xj

(10)

式中：xj——雜質(zhì)成分在圖像中所占的像素?cái)?shù)；

g(xj)——雜質(zhì)成分的實(shí)際質(zhì)量。

油菜籽粒像素?cái)?shù)—質(zhì)量關(guān)系、雜質(zhì)像素?cái)?shù)—質(zhì)量關(guān)系的回歸決定系數(shù)R2分別為0.997 6、0.981 9，表明擬合結(jié)果準(zhǔn)確可靠。油菜真實(shí)含雜率計(jì)算模型為

(11)

式中：p——油菜籽粒的實(shí)際含雜率。

3.5 識(shí)別結(jié)果量化評(píng)價(jià)

為了衡量本文識(shí)別油菜雜質(zhì)的準(zhǔn)確度，采用查準(zhǔn)率P和查全率R對(duì)識(shí)別結(jié)果進(jìn)行量化評(píng)價(jià)。查準(zhǔn)率(Precision)表示準(zhǔn)確率，指所有檢測(cè)結(jié)果中正確部分占總檢測(cè)結(jié)果的百分比。查全率(Recall)表示召回率，指檢測(cè)結(jié)果中正確部分占實(shí)際正確部分的百分比。計(jì)算公式見式(12)、式(13)。

(12)

(13)

式中：TP——正確識(shí)別的像素?cái)?shù)；

FP——誤識(shí)別的像素?cái)?shù)；

FN——漏識(shí)別的像素?cái)?shù)。

TP、FP、FN均由人工標(biāo)注得到。

此外，本文根據(jù)查準(zhǔn)率P和查全率R這兩項(xiàng)指標(biāo)，設(shè)定綜合評(píng)價(jià)指標(biāo)F1值進(jìn)行整體評(píng)估識(shí)別結(jié)果。

(14)

本文對(duì)50幅油菜籽粒圖像的雜質(zhì)識(shí)別結(jié)果進(jìn)行統(tǒng)計(jì)取平均后，得到的查準(zhǔn)率為91.6%，查全率為89.5%，綜合評(píng)價(jià)指標(biāo)F1值為90.5%。

4 臺(tái)架試驗(yàn)

為了檢驗(yàn)油菜含雜率在線檢測(cè)系統(tǒng)的準(zhǔn)確性，模擬油菜聯(lián)合收獲機(jī)糧倉(cāng)的輸糧系統(tǒng)結(jié)構(gòu)搭建了油菜含雜率檢測(cè)試驗(yàn)臺(tái)。并基于Matlab Appdesigner平臺(tái)開發(fā)了一套油菜含雜率在線檢測(cè)系統(tǒng)軟件，可在工控機(jī)上實(shí)時(shí)顯示、處理和存儲(chǔ)油菜物料圖像，實(shí)現(xiàn)油菜物料含雜率的在線檢測(cè)，軟件界面如圖9所示。稱量油菜籽粒和雜質(zhì)并混合均勻后倒入試驗(yàn)臺(tái)糧箱內(nèi)，電機(jī)帶動(dòng)輸糧攪龍持續(xù)升運(yùn)物料并從上方出糧口持續(xù)排出，模擬油菜聯(lián)合收割機(jī)田間作業(yè)時(shí)的輸送過(guò)程。導(dǎo)流式油菜含雜率檢測(cè)裝置安裝在輸糧攪龍出糧口下方，接取油菜物料。試驗(yàn)過(guò)程中實(shí)時(shí)檢測(cè)混合物料含雜率，試驗(yàn)持續(xù)2 min后停止，計(jì)算該時(shí)間段內(nèi)油菜含雜率平均值，并與實(shí)際值進(jìn)行對(duì)比。通過(guò)改變物料中的含雜量進(jìn)行重復(fù)試驗(yàn)，試驗(yàn)共進(jìn)行3次。

圖9 油菜含雜在線檢測(cè)系統(tǒng)軟件界面

3次試驗(yàn)油菜物料的實(shí)際含雜率分別為1.38%、2.55%、3.47%，運(yùn)用本文設(shè)計(jì)系統(tǒng)檢測(cè)的油菜含雜率分別為1.26%、2.14%、2.79%，油菜含雜率在線檢測(cè)系統(tǒng)的平均相對(duì)誤差為14.8%。

5 結(jié)論

1) 針對(duì)物料遮擋導(dǎo)致雜質(zhì)漏檢、取樣裝置內(nèi)光照不均影響雜質(zhì)識(shí)別精度等問(wèn)題，設(shè)計(jì)了導(dǎo)流式油菜含雜率檢測(cè)裝置，通過(guò)限制物料鋪層厚度減小對(duì)雜質(zhì)的遮擋，優(yōu)化光源形式和亮度均衡化算法提升圖像拍攝質(zhì)量。

2) 通過(guò)提取油菜雜質(zhì)成分的顏色特征，設(shè)置圖像HSV顏色空間參數(shù)閾值對(duì)圖像進(jìn)行二值化，結(jié)合形狀特征實(shí)現(xiàn)油菜雜質(zhì)成分與背景的分割。油菜雜質(zhì)成分的查準(zhǔn)率為91.6%，查全率為89.5%，綜合評(píng)價(jià)指標(biāo)F1值為90.5%。

3) 通過(guò)人工標(biāo)定油菜籽粒與雜質(zhì)成分的單位像素質(zhì)量，得到油菜籽粒與雜質(zhì)的質(zhì)量與像素?cái)?shù)目的線性擬合關(guān)系，從而將油菜的像素含雜率轉(zhuǎn)換成真實(shí)含雜率。臺(tái)架試驗(yàn)表明，油菜含雜率在線檢測(cè)系統(tǒng)平均識(shí)別誤差14.8%。試驗(yàn)過(guò)程中導(dǎo)流式含雜率在線檢測(cè)裝置運(yùn)行流暢，無(wú)物料擁堵，檢測(cè)系統(tǒng)能夠有效識(shí)別混合物料中的雜質(zhì)，可以實(shí)現(xiàn)油菜含雜率的在線檢測(cè)。