基于LabVIEW和多光谱成像技术的苹果品质无损检测装置

杨甜军+张箭+朱哲+周竹+曾松伟

摘要：基于LabVIEW和多光谱成像技术设计了一套苹果品质检测装置，包括硬件设计和软件设计。硬件部分主要由单片机控制模块、光源模块、电机模块以及图像采集模块等组成；软件部分采用基于LabVIEW的G语言进行编写，包括通信模块、图像采集与保存模块以及图像处理与显示模块等。检测装置经调试后，对每个苹果的图像采集与处理时间为8 s，能够对大小、形状、损伤以及糖度等指标进行检测，具有无损、快速的特点。

关键词：多光谱成像技术；LabVIEW；品质；无损检测；苹果

中图分类号：S126；TP274 文献标识码：A 文章编号：0439-8114（2014）19-4720-03

DOI：10.14088/j.cnki.issn0439-8114.2014.19.056

Nondestructive Detection Device of Apple′s Quality Based on LabVIEW and Multispectral Imaging Technology

YANG Tian-juna，ZHANG Jiana，ZHU Zhea，ZHOU Zhua，b，c，ZENG Song-weia，b，c

（Zhejiang A&F University， a. School of Information Engineering； b. Research Center for Smart Agriculture and Forestry； c. Zhejiang Provincial Key Laboratory of Forestry Intelligent Monitoring and Information Technology， Linan 311300， Zhejiang， China）

Abstract： In order to realize the grading of apple based on size， shape， bruise and sugar content， a system consisted of hardware part and software part for detecting apple′s quality was developed based on multispectral imaging technology and LabVIEW. The hardware part was composed by MCU（STM32F103ZET6）， light source， stepping motor module， image acquisition module et ec. The software part was designed in the LabVIEW environment programmed by G language， made up of communication module， image acquisition and save module， image processing and display module et ec. After debugging of software and hardware parts， the device could meet the speed requirement of detecting one apple in less than 8 s， with the advantages of nondestruction and rapid detection.

Key words： multispectral imaging technology； LabVIEW； quality； nondestructive detection； apple

苹果是世界上第二大消费水果，营养价值丰富。苹果的品质包括外部品质（大小、形状以及各种缺陷）和内部品质（糖度、酸度等）。随着苹果采后商品化处理和加工技术的发展，开展苹果的自动化分级检测是促进苹果增值的重要途径。

机器视觉技术可以对果蔬的大小[1]、形状[2]以及一些常见缺陷[3]进行检测。然而在采摘、运输的过程中引起的果蔬损伤，对RGB以外的波段更加敏感。近红外光谱技术可用于农产品的组分如糖度[4]、水分[5]及缺陷[6]的检测。但该方法只能提供样品一个小区域的检测，样品的各向异性会影响测量结果。高光谱成像技术融合了图像和光谱信息，可对农产品进行品质检测[7，8]。但其数据量庞大、处理耗时，不利于在线检测。此外所需设备昂贵，制约了实际应用。前人的研究指出，通过高光谱成像技术可以获取反映被测物品质的多个波段，基于这些特征波段可以设计多光谱成像系统，从而实现农产品的在线检测[9]。在前期研究及大量学者[10-13]对苹果品质检测研究的基础上，设计了一套苹果品质检测装置，该装置可以采集特定波段下的图像，并依据大小、形状、损伤以及糖度等对苹果进行检测分级。

1 系统工作原理

基于多光谱成像技术的苹果品质无损检测装置如图1所示（专利号：ZL2013203684051），主要由步进电机及其驱动模块、图像采集模块、滤光片轮、滤光片、光源模块、单片机模块等构成。其中，步进电机的输出轴嵌入到采集箱内，轴端安装有滤光片轮。滤光片轮在圆周方向均布有多个T形通孔，每个T形通孔上放置一片滤光片。

苹果品质无损检测装置的工作原理为：将苹果样品放置在Y形载物台上，调节可调镜头，使样品图像大小合适且清晰。通过专用计算机上的上位机软件，设置合适的步进电机转速，并将信息发送给单片机，单片机接受指令后通过电机驱动模块控制步进电机选择对应波段的滤光片后，反馈完成指令给上位机。随后，上位机发送指令给近红外相机进行图像采集，并将图像实时传回，重复这个过程直到6个滤光片下的图像采集完成后进行下一个样品的采集。通过合适的图像处理算法对获取的6张图像进行处理，可快速准确地分析出样品的品质信息，并将结果进行显示。

2 装置硬件设计

苹果品质检测装置硬件部分主要实现苹果的多光谱图像采集，其装置的设计包括单片机控制模块、光源模块、电机模块以及图像采集模块等部分。

2.1 单片机控制模块

单片机在系统中的主要功能是对步进电机进行控制，并和上位机进行通信。本装置采用ST（意法半导体）公司的STM32F103ZET6单片机，该单片机为32位基于ARM内核的带512 k字节闪存的微控制器，具有高性价比，运行速度快，其资源足以满足本系统的功能要求。其I/O端口中的PF0-PF3以及电源正极与电机驱动器相连，向驱动芯片发送信号来控制步进电机的转向和角度。RS232串口与上位机通信，配合控制步进电机的转动和近红外相机的图像光谱的采集。此单片机的软件设计在Keil开发环境下进行，采用C语言编程。图2为单片机与步进电机驱动的接线图。

2.2 光源模块

光源模块为采集装置提供稳定的可见/近红外光照。本装置使用了一种碗状光源，底部由6盏50 W的卤素灯发出的光线，通过半球形内腔壁涂有的特殊漫反射材料反射，均匀地、多角度地照射到苹果上，能够减少由于苹果表面的凹凸不平引起的光照不均匀。卤素灯发光效率高、色温稳定，满足装置采用的488～947 nm滤光片的波段需求。

2.3 电机模块

电机模块的作用是控制滤光片轮的转向和精准定位，由于本装置采用开环控制，因此步进电机的控制精度尤为重要。步进电机选用型号为57BYGH338C-72J的两相四线步进电机，是一款大扭矩、高精度的步进电机，具体参数为：轴径 8 mm，工作电压24 VDC，工作电流3 A，力矩1.6 N·m，步距角1.8°。步进电机驱动器则采用TOSHIBA（东芝）公司的TB6560AHQ芯片，该芯片采用光耦隔离，抗高频干扰能力强，最高驱动电流为3.5 A，是具有高集成度高可靠性的两相步进电机驱动器。

2.4 图像采集模块

图像采集模块中相机选用的是杭州微图视觉科技有限公司生产的VT-EXGM360近红外相机，敏感波段范围为350～1 050 nm。该相机遵循千兆网高速传输的标准，集高分辨率、高清晰度、高帧率为一体，具有300万物理像素和板级处理功能，从而提供了高质量的图像采集。同时该相机还支持多种图像处理及测控软件如LabVIEW和Matlab等。系统中的相机透过滤光片采集到相应波段的图像数据，通过千兆网口传给上位机，由上位机进行保存、处理、分析等一系列操作。

3 装置软件设计

苹果品质检测装置的多光谱图像采集软件是基于虚拟仪器LabVIEW开发环境来实现。LabVIEW是美国国家仪器（NI）公司研制开发的一种虚拟仪器软件开发平台，使用图形化编程语言G编写程序，开发周期短，设计出来的系统界面美观，便于修改，扩展性强。图3为苹果品质检测的多光谱图像采集软件工作流程图。其中主要涉及通信模块、图像采集与保存模块以及图像处理及显示模块。

3.1 通信模块

上位机与单片机通信单元通过LabVIEW软件中的VISA Configure Serial Port控件来实现。通信信号以字符帧传输，每帧包含8位数据位、1位停止位、无奇偶校验。故设置控件的波特率为9 600 bit/s，数据为8 bit，停止位为1，奇偶校验为0。以十六进制0X31作为上位机与单片机的识别信号，当单片机接收到命令信号0X31时，则启动步进电机，发送反馈信号0X31；当上位机收到反馈信号0X31判别与发出的命令信号相同时，则启动近红外相机；若不是，则继续等待。另以十六进制0X32～0X36作为步进电机速度选择信号，其中0X32为最高档速度。具体前面板和程序框图如图4所示。

3.2 图像采集与保存模块

通过LabVIEW图像采集工具包IMAQ中的Vision Acquisition控件读取图像数据，再通过IMAQ OUT控件进行显示。将前面板设置中的地址和Vision Acquisition控件的输出作为输入，再通过IMAQ Write File控件进行相应的图片保存。程序中通过编号的自增来改变图像的保存名称进而实现图像光谱的自动保存，用户只需通过启动和停止按钮就可选择是否运行装置。图像采集与保存模块的前面板和程序框图如图5所示。

3.3 图像处理及显示模块

检测装置中需要根据苹果的大小、形状、损伤以及糖度等进行分级。图像处理流程为：首先判断苹果是否出现损伤，若无损伤，再根据大小、形状以及糖度含量进行分级。苹果的损伤要使用所获取的全部图像，并对图像进行主成分以及波段比分析，其实现可以借助LabVIEW和Matlab的交互工具来实现。糖度检测可以提取每张图像中心部位感兴趣区域的亮度值，通过前期建立好的多元线性模型进行计算。而大小、形状检测可以选定指定波段的图像，通过IMAQ中的图像处理函数直接进行分析。图6给出了苹果部分品质检测图像处理的程序框图。

图7给出了苹果品质无损检测装置的前面板，该装置经软、硬件调试后，在中挡步进电机转速下，苹果的检测速度为8 s/个，能够满足苹果分级检测需求，具备无损、快速检测的优点。

4 小结

基于虚拟仪器LabVIEW和多光谱成像技术设计了一套苹果品质检测的多光谱成像装置。该装置由单片机、光源、电机及驱动模块、近红外相机、滤光片以及滤光片轮等组成。通过单片机控制滤光片轮转动，可以获得特定波段下的图像。该装置能对苹果的损伤、果形、大小以及糖度进行检测并分级，检测速度为8s/个，具备快速、无损等特点，为苹果及其他果蔬品质的检测和分级提供了参考和借鉴。

参考文献：

[1] 安爱琴，余泽通，王宏强.基于机器视觉的苹果大小自动分级方法[J].农机化研究，2008（4）：163-166.

[2] 司永胜，乔 军，刘 刚，等.基于机器视觉的苹果识别和形状特征提取[J].农业机械学报，2009，40（8）：161-165.

[3] 李小昱，陶海龙，高海龙，等马铃薯缺陷透射和反射机器视觉检测方法分析[J].农业机械学报，2014，45（5）：191-196.

[4] 赵杰文，张海东，刘木华.利用近红外漫反射光谱技术进行苹果糖度无损检测的研究[J].农业工程学报，2005，21（3）：162-165.

[5] 刘 洁，李小昱，李培武，等.基于近红外光谱的板栗水分检测方法[J].农业工程学报，2010，26（2）：338-341.

[6] 韩东海，刘新鑫，赵丽丽，等.受损苹果颜色和组织的近红外光谱特性[J].农业机械学报，2003，34（6）：112-115.

[7] 郭俊先，饶秀勤，程国首，等.基于高光谱成像技术的新疆冰糖心红富士苹果分级和糖度预测研究[J].新疆农业大学学报， 2012，35（1）：78-86.

[8] 高海龙，李小昱，徐森淼，等.透射和反射高光谱成像的马铃薯损伤检测比较研究[J].光谱学与光谱分析，2013，33（12）：3366-3371.

[9] QIN J W， BURKS T F， ZHAO X， et al. Development of a two-band spectral imaging system for real-time citrus canker detection[J]. Journal of Food Engineering，2012，108（1）：87-93.

[10] 黄文倩，陈立平，李江波，等.基于高光谱成像的苹果轻微损伤检测有效波长选取[J].农业工程学报，2013，29（1）： 272-277.

[11] LEE K， KANG S， DELWICHE S R， et al. Correlation analysis of hyperspectral imagery for multispectral wavelength selection for detection of defects on apples[J]. Sensing and Instrumentation for Food Quality and Safety，2008，2（2）：90-96.

[12] ELMASRY G， WANG N， VIGNEAULT C， et al. Early detection of apple bruises on different background colors using hyperspectral imaging[J]. LWT-Food Science and Technology， 2008， 41（2）：337-345.

[13] KLEYNEN O， LEEMANS V， DESTAIN M F. Selection of the most efficient wavelength bands for ‘Jonagold apple sorting[J]. Postharvest Biology and Technology， 2003， 30（3）：221-232.

[2] 司永胜，乔 军，刘 刚，等.基于机器视觉的苹果识别和形状特征提取[J].农业机械学报，2009，40（8）：161-165.

[3] 李小昱，陶海龙，高海龙，等马铃薯缺陷透射和反射机器视觉检测方法分析[J].农业机械学报，2014，45（5）：191-196.

[4] 赵杰文，张海东，刘木华.利用近红外漫反射光谱技术进行苹果糖度无损检测的研究[J].农业工程学报，2005，21（3）：162-165.

[5] 刘 洁，李小昱，李培武，等.基于近红外光谱的板栗水分检测方法[J].农业工程学报，2010，26（2）：338-341.

[6] 韩东海，刘新鑫，赵丽丽，等.受损苹果颜色和组织的近红外光谱特性[J].农业机械学报，2003，34（6）：112-115.

[7] 郭俊先，饶秀勤，程国首，等.基于高光谱成像技术的新疆冰糖心红富士苹果分级和糖度预测研究[J].新疆农业大学学报， 2012，35（1）：78-86.

[8] 高海龙，李小昱，徐森淼，等.透射和反射高光谱成像的马铃薯损伤检测比较研究[J].光谱学与光谱分析，2013，33（12）：3366-3371.

[9] QIN J W， BURKS T F， ZHAO X， et al. Development of a two-band spectral imaging system for real-time citrus canker detection[J]. Journal of Food Engineering，2012，108（1）：87-93.

[10] 黄文倩，陈立平，李江波，等.基于高光谱成像的苹果轻微损伤检测有效波长选取[J].农业工程学报，2013，29（1）： 272-277.

[11] LEE K， KANG S， DELWICHE S R， et al. Correlation analysis of hyperspectral imagery for multispectral wavelength selection for detection of defects on apples[J]. Sensing and Instrumentation for Food Quality and Safety，2008，2（2）：90-96.

[12] ELMASRY G， WANG N， VIGNEAULT C， et al. Early detection of apple bruises on different background colors using hyperspectral imaging[J]. LWT-Food Science and Technology， 2008， 41（2）：337-345.

[13] KLEYNEN O， LEEMANS V， DESTAIN M F. Selection of the most efficient wavelength bands for ‘Jonagold apple sorting[J]. Postharvest Biology and Technology， 2003， 30（3）：221-232.

[2] 司永胜，乔 军，刘 刚，等.基于机器视觉的苹果识别和形状特征提取[J].农业机械学报，2009，40（8）：161-165.

[3] 李小昱，陶海龙，高海龙，等马铃薯缺陷透射和反射机器视觉检测方法分析[J].农业机械学报，2014，45（5）：191-196.

[4] 赵杰文，张海东，刘木华.利用近红外漫反射光谱技术进行苹果糖度无损检测的研究[J].农业工程学报，2005，21（3）：162-165.

[5] 刘 洁，李小昱，李培武，等.基于近红外光谱的板栗水分检测方法[J].农业工程学报，2010，26（2）：338-341.

[6] 韩东海，刘新鑫，赵丽丽，等.受损苹果颜色和组织的近红外光谱特性[J].农业机械学报，2003，34（6）：112-115.

[7] 郭俊先，饶秀勤，程国首，等.基于高光谱成像技术的新疆冰糖心红富士苹果分级和糖度预测研究[J].新疆农业大学学报， 2012，35（1）：78-86.

[8] 高海龙，李小昱，徐森淼，等.透射和反射高光谱成像的马铃薯损伤检测比较研究[J].光谱学与光谱分析，2013，33（12）：3366-3371.

[9] QIN J W， BURKS T F， ZHAO X， et al. Development of a two-band spectral imaging system for real-time citrus canker detection[J]. Journal of Food Engineering，2012，108（1）：87-93.

[10] 黄文倩，陈立平，李江波，等.基于高光谱成像的苹果轻微损伤检测有效波长选取[J].农业工程学报，2013，29（1）： 272-277.

[11] LEE K， KANG S， DELWICHE S R， et al. Correlation analysis of hyperspectral imagery for multispectral wavelength selection for detection of defects on apples[J]. Sensing and Instrumentation for Food Quality and Safety，2008，2（2）：90-96.

[12] ELMASRY G， WANG N， VIGNEAULT C， et al. Early detection of apple bruises on different background colors using hyperspectral imaging[J]. LWT-Food Science and Technology， 2008， 41（2）：337-345.

[13] KLEYNEN O， LEEMANS V， DESTAIN M F. Selection of the most efficient wavelength bands for ‘Jonagold apple sorting[J]. Postharvest Biology and Technology， 2003， 30（3）：221-232.