马铃薯质量和形状自动分级系统研究——基于计算机视觉

王 聪，王 婷

(平顶山工业职业技术学院，河南 平顶山 467001)

0 引言

马铃薯俗称土豆，是一种可以同时作为粮食和蔬菜的作物，其营养丰富，加工和食用的方式多样，具有很高的产量和经济价值。马铃薯的适应性广，抗逆性强，在世界范围内广泛分布，是继小麦、水稻和玉米之后的世界第四大主食作物，在推动欧洲近代人口的增长中发挥了重要的作用，因此联合国将2008年认定为"国际土豆年”。2016年，我国马铃薯种植面积超过533.3万hm2，产量超过9 000万t，位居世界首位。

农产品收获后对品质进行检测分级，不仅可以提高农产品的质量，对各等级制定相应的价格，还有利于农产品的流通和销售，增加种植的经济效益。马铃薯的品质包括外部品质和内部品质：外部品质包括大小、形状、颜色和表面缺陷等，内部品质包括是否黑心、损伤和加工特性等。不同的食用和加工方式对马铃薯品质的需求各异。例如，作为蔬菜食用的马铃薯要去除表皮，因此要求单薯的个体较大，以便降低去皮过程中的损失率。用于加工提取淀粉的马铃薯则要求淀粉含量较高，而淀粉含量与单薯的大小有关，以50～100g的中等大小单薯淀粉含量相对较高[1]。在食品加工中，炸薯条则要求单薯有较大的长轴。

我国作为马铃薯的生产大国，已制定了NY/T1066-2006《马铃薯等级规格》用于指导分级，但对其品质的检测和分级操作仍然以传统的方式为主。马铃薯的传统分级是由人工完成，即通过肉眼观察判别马铃薯的等级。人工分级的作业效率较低，准确性和客观性差，不同操作人员的分级结果差异大，传统方法已无法满足马铃薯后续加工的要求，也影响了马铃薯在国际市场上的出口量。因此，改进和设计新的马铃薯分级方法，可以提高我国马铃薯的种植效益和在国际市场的竞争力，对我国马铃薯产业的发展具有重要的意义。

随着科学的发展和技术的进步，我国开发出了多种基于新技术的马铃薯检测分级方法、系统和机械装置。例如，鲁永萍等设计了一种基于单片机的控制系统，对马铃薯的质量进行分级，具有较高的分级效率和准确率[2]。陶海龙和汪成龙利用计算机视觉和近红外光谱构建的多元信息融合技术，实现了对马铃薯的畸形、缺陷、疮痂、黑心、机械损伤和发芽等外部和内部品质的检测分级[3-4]。高继森等综合运用计算机视觉和人工神经网络技术，对马铃薯分级的准确率超过了90%[5]。刘洪义等和申屠留芳等分别对马铃薯分级机械进行了重新设计及关键部件的优化改进，在减轻工作量的同时，也提高了作业效率[6-7]。

马铃薯的无损检测是快速准确分级的基础，现代的无损检测以计算机视觉和超声波为核心技术，以计算机视觉应用最多[8]。计算机视觉的概念最早出现在1975年，是以图像处理、模式识别和计算机技术为基础的信息科学的分支。计算机视觉以拍摄设备获取图像，再通过计算机进行检测和识别，提取目标的信息。农产品的品质检测和分级是计算机视觉在农业中的重要应用领域。目前，计算机视觉技术已经在多种农产品的自动分级中得到了应用，包括各种水果、蔬菜和粮食作物。计算机视觉在马铃薯品质检测分级中的应用研究已经较为广泛，针对的性状包括单薯的质量、大小、形状、颜色和表面缺陷等[9-12]。例如，郑冠楠等设计了基于计算机视觉的检测系统，同时对马铃薯的大小、性状和颜色进行分级，达到了88%的准确率[13]。孔彦龙等和周竹等也建立了类似的方法，引入回归分析、检测模型或V型平面镜等设计，对马铃薯各种性状的分级都获得了超过90%的准确率[14-15]。

本文设计了一种基于计算机视觉的马铃薯质量和形状的自动分级系统，对流水线上的马铃薯进行快速检测，然后控制执行装置进行分级，最后验证了该系统对单薯检测的速度和分级的精确度。

1 系统的设计原理及结构

1.1 设计原理

马铃薯单薯在传送带上按照固定的方向匀速运动，经过拍摄箱时用摄像机捕获俯视图和侧视图，图像信息被转换为数码格式导入计算机中；计算机视觉软件对图像进行灰度化和二值化处理，提取单薯的轮廓和特征参数，以单薯的质量和形状这两种外部品质作为分级依据。参考前人的研究，以单薯的俯视图面积和侧视图周长为参数计算其质量，按照NY/T1066-2006《马铃薯等级规格》规定的100g和300g为界限分为小、中和大。以边界的归一化半径序列参数反映形状，将单薯按照形状分级为圆形、椭圆和畸形。计算机同时检测这两种性状，共得到9种类型的单薯；根据检测的结果，向分级执行装置发出指令，控制其将单薯送入相应的通道内实现自动分级。系统具体的工作原理如图1所示。

图1 自动分级系统的工作过程

1.2 系统组成

自动分级系统主要由拍摄箱、核心计算机和分级执行装置这3大部分组成。拍摄箱是在GelDoc-It 310型成像系统(见图2)的基础上改装而成，为0.6m×0.6m×0.8m的长方体，去除了左右壁便于安装传送带。箱体内壁为黑色，4个角上分别安装了15W的白炽灯；左侧安装基恩士LR-W型光电传感器，能够捕获单薯通过的信号并发送给核心计算机，从而控制摄像机的拍摄时机。拍摄箱内壁的顶部和侧面分别放置1个罗技C270型摄像头，以垂直于传送带运动方向的角度拍摄形成马铃薯的俯视图和侧视图。拍摄的图像通过MXT2002型A/D转换器变为数码信号后发送给核心计算机。

图2 计算机视觉的成像系统

核心计算机的主机为联想M4600型，配置Intel i5处理器、GTX1070型独立显卡、4G内存和1TB硬盘，兼容性较强，运行快速稳定。计算机视觉的图像分析软件为MatLab工具箱，能够分析各种类型的图像，处理速度快，实时性较好。

2 图像分析

马铃薯一直处于运动的状态，因此拍摄获得的图像存在噪音，会对图像的质量和后续分析的准确度造成影响。对此，采用5×5的中值滤波法进行平滑处理去除噪音，得到不同类型马铃薯的代表性俯视图像，如图3所示。

拍摄过程中的光照强度是一致的，因此选用HSL颜色空间中的色调H、饱和度S和亮度L作为分量来对图像进行灰度化处理，增加对比度和减少亮度后得到了经过对L分量进行灰度化后的图像，如图4所示。

图3 马铃薯的原始图像(A：大畸形；B：大圆形；C：小圆形；D：小椭圆)

图4 马铃薯的灰度化图像(A：大畸形；B：大圆形；C：小圆形；D：小椭圆)

原始图像中的马铃薯为淡黄色，背景为黑色，因此利用二者之间颜色或亮度的差异都可以从背景中提取出马铃薯的轮廓。HSL模型的亮度L分量不会受到颜色的影响，并且可以减少光照强度变化所产生的差异。因此，这里以亮度L为分量的阈值分割法提取马铃薯的轮廓，并进行单薯大小和形状的分析，如图5所示。

图5 马铃薯的轮廓提取(A：大畸形；B：大圆形；C：小圆形；D：小椭圆)

计算机视觉无法识别马铃薯的质量，但是单薯的质量是与其体积大小相关的。该系统以单薯的俯视面积和侧视周长为参数分析体积大小，其面积为轮廓内部的像素总数，周长为轮廓边界上的像素总数；然后，通过建模集建立回归模型来计算质量，并按照NY/T1066-2006规定的界限进行分级。边界的半径序列方法是对单薯的轮廓边界进行等间距取样，以取样点和形心点的距离为半径，并进行归一化处理；然后，计算相邻两个取样点的半径之差的绝对值并沿边界展开。单薯畸形处的半径突变较大，椭圆形次之，圆形的最小。以建模集获得特征检测的阈值，对单薯的形状进行分级。

3 试验结果与分析

3.1 试验设计

检测系统分级速度和准确度的试验以马铃薯品种中薯18号为对象，传送带的运行速率为0.1m/s。首先随机选择50个大小不一的单薯进行编号作为建模集，用电子天平称取质量并评定质量等级，再通过肉眼观察并评定形状类型。用系统对建模集单薯进行检测，建立质量与俯视面积和侧视周长之间的回归方程，同时分析单薯的形状类型与边界半径突变峰值的关系，选择合适的判定阈值。

随机选择100个大小不一的单薯进行编号作为检验集，用系统进行检测并输出分级结果；再对检验集单薯的质量和形状进行人工分级，比较两种方式所得分级结果之间的差异。

3.2 试验结果和分析

在试验中，系统对单个马铃薯的处理过程耗时为1.5s，因此在传送带速度合适的情况下，可以实现40个/min的自动分级速度。经过回归分析，确定质量的计算模型为W=19.652+0.011S-0.235L。其中，W为单薯质量(g)；S为俯视轮廓面积(Pixel)；L为侧视轮廓周长(Pixel)。边界半径突变的阈值设定为0.09和0.06，突变峰值小于0.06、0.06～0.09之间和大于0.09的单薯依次分级为圆形、椭圆和畸形。

对检验集单薯质量的分级结果如表1所示。系统自动分级的准确性较好，对小、中和大个单薯的误判数量仅为2、2、1个，总体的准确率达到95%。

表1 系统质量分级的准确性

对检验集单薯形状的分级结果如表2所示。系统自动分级的准确性也较好，对圆形、椭圆和畸形单薯的误判数量仅为2、3、5个，总体的准确率达到90%。但是，被识别为椭圆的畸形单薯数目相对较多，因此需要优化特征参数，适当降低相应的阈值。

表2 系统形状分级的准确性

4 结论

设计了一种基于计算机视觉的马铃薯质量和形状的自动分级系统，用于对流水线上的马铃薯进行快速的检测，然后控制执行装置进行分级。系统对单个马铃薯的处理耗时为1.5s，可以实现40个/min的自动分级速度。对单薯的质量和形状分级准确性均较好，总体的准确率分别达到95%和90%。被识别为椭圆的畸形单薯数目相对较多，因此需要优化特征参数。该系统可以作为提升我国马铃薯产业竞争力的技术支撑。

参考文献：

[1] 郝敏，麻硕士.基于机器视觉的马铃薯单薯质量检测技术研究[J].农机化研究，2009, 31(9):61-63.

[2] 鲁永萍，郁志宏，郝敏，等.基于单片机控制的马铃薯质量分级系统的研究[J].农机化研究，2014,36(1):136-138.

[3] 陶海龙.基于机器视觉和近红外光谱的马铃薯分级检测方法[D].武汉：华中农业大学，2014.

[4] 汪成龙.基于多元信息融合的马铃薯分级无损检测方法研究[D].武汉：华中农业大学，2014.

[5] 高继森，陈勉舟，李玉平. 基于人工神经网络的马铃薯品质分级系统[J].五邑大学学报：自然科学版，2008,22(3):62-65.

[6] 刘洪义，朱晓民，谭海林，等.马铃薯分级生产线机器关键设备的设计[J].农机化研究，2010,32(4):84-86.

[7] 申屠留芳，韦奇，巩尊国，等.马铃薯分选机的设计[J].农机化研究，2014, 36(8):114-117.

[8] 孙金凤，李小昱，汪成龙，等.马铃薯无损检测技术的研究进展[J].湖北农业科学，2012, 51(22):4974-4977.

[9] 郝敏，麻硕士，郝小冬.基于Zernike矩的马铃薯薯形检测[J].农业工程学报，2010, 26(26):347-350.

[10] 鲁永萍. 基于机器视觉的马铃薯外部品质检测与分级[D].呼和浩特：内蒙古农业大学，2013.

[11] 邓立苗，杜宏伟，徐艳，等.基于机器视觉的马铃薯智能分选方法与实现[J].中国农机化，2015, 36(5):145-150.

[12] 王红军，熊俊涛，黎邹邹，等.基于机器视觉图像特征参数的马铃薯质量和形状分级方法[J]. 农业工程学报，2016, 32(8):272-277.

[13] 郑冠楠，谭豫之，张俊雄，等.基于计算机视觉的马铃薯自动检测分级[J].农业机械学报，2009,40(4):166-168.

[14] 孔彦龙，高晓阳，李红玲，等.基于机器视觉的马铃薯质量和形状分选方法[J].农业工程学报，2012,28(17):143-148.

[15] 周竹，黄懿，李小昱，等.基于机器视觉的马铃薯自动分级方法[J].农业工程学报，2012, 28(7):178-183.