苹果内部品质分级机械手设计与试验

彭彦昆 马 营 李 龙

(1.中国农业大学工学院， 北京 100083; 2.国家农产品加工技术装备研发分中心， 北京 100083)

0 引言

苹果是我国重要的经济作物，栽培面积广,总产量居世界前列[1]。苹果具有营养价值高、生态适应强、耐性好和供应周期长等优点，深受消费者欢迎，成为我国国民膳食结构中的重要组成部分[2]。我国苹果的采后商品化处理能力仅为其总产量的15%，与发达国家相比存在较大差距[3]，是制约我国苹果产业发展的因素之一。

对苹果的品质进行检测并分级，可以提高苹果商品化处理能力，提高商品市场竞争力。目前在线检测装置的分选执行机构大多采用料斗/果盘翻转，使被测物体落下，或者采用挡板使不同级别的被测物滚落至不同区域[4-8]，这样的分选机构机械结构复杂，自由度较低，运行不够灵活。利用机械手对水果进行分选，可以实现更为灵活的分选操作。BLASCO等[9]利用气吸式机械手吸附水果转动，基于机器视觉技术采集水果不同角度的图像，并根据水果表面缺陷对水果进行评价及分选；ISHII等[10]研制的果实分选机器人系统利用图像处理技术对水果进行检测分级，由吸盘机械手执行分选操作。以上研究只是根据水果的外部品质由机械手执行分选操作，但内部品质也是水果评价的重要指标。近红外光谱技术能够无损、高效、快速地对水果的内部品质进行预测[11]，能够满足现场检测和在线分析的要求，已在提高水果生产自动化水平方面发挥了重要作用[12-15]。近红外光谱仪的小型化和便携化为近红外无损检测技术应用到不同生产领域提供了可能性[16-19]。

本文将近红外无损检测技术与分拣机械手相结合，设计苹果内部品质分级机械手，在夹持的同时采集苹果近红外光谱信息，并对其内部品质进行预测，为设计水果内部品质在线检测装置提供思路。

1 机械手设计

1.1 结构组成及工作原理

苹果内部品质分级机械手主要由夹持机构、近红外光谱采集系统、控制系统3部分组成，图1为装置示意图。夹持机构完成抓取苹果和释放苹果的动作，近红外光谱采集系统完成近红外光谱信息采集，控制系统在苹果夹持和光谱信息采集中起到连接动作和控制过程的作用。

图1 装置硬件示意图Fig.1 Schematic of device hardware1.步进电机 2.直线轴承 3.滑轨 4.反光灯杯 5.手指安装座 6.遮光胶垫 7.软胶手指 8.FSR408型膜片式压力传感器9.微动开关 10.卤钨灯珠 11.安装套筒 12.连杆 13.丝杠螺母 14.丝杠 15.光纤 16.STS-NIR型光谱仪

图2 装置工作流程图Fig.2 Working flow chart of device

装置工作流程如图2所示，机械手自上而下接近在水平面上放置的苹果，当近红外光谱采集系统的遮光胶垫贴在苹果表面时，微动开关被触发，步进电机驱动夹持机构工作，带动软胶手指夹持苹果。为防止伤害苹果，软胶手指内侧设有膜片式压力传感器，当夹持力达到膜片式压力传感器设定阈值时，步进电机停止转动，手指停止增大夹持苹果的夹持力。遮光胶垫贴在苹果表面后形成圆形光谱采集区域，来自光源的光经苹果表面反射增大后被光纤接收并由光谱仪采集光谱信息。微动开关触发的同时单片机向上位机发送信号，光谱仪采集近红外光谱信息。上位机软件根据内置的苹果可溶性固形物含量预测模型对光谱信息进行分析，并实时显示预测结果。

1.2 夹持机构

夹持机构由步进电机提供驱动力，丝杠机构将步进电机的旋转运动转换为直线运动。丝杠螺母与3个手指通过连杆连接，由步进电机驱动在丝杠上作往复运动，从而带动3个手指张合。通过控制步进电机的旋转角控制手指的张合角，实现苹果夹持和释放。

为避免手指在夹持过程中对苹果造成伤害，手指选用柔软的软胶材料，采用3D打印技术制作，可以适应不同大小和不同形状的苹果。为了提高手指的夹持性能，手指的结构选用Fin Ray结构[20]，如图3a所示。该结构采用仿生鱼鳍原理设计，当向该结构施加压力时，其不会沿着推力方向弯曲，而是向着推力的反方向弯曲而包裹住施力物体。该结构适用于机械手夹持不同形状的物体，结构简单紧凑，有良好的夹持性能[21]，夹持效果如图3b所示。

图3 手指结构图Fig.3 Schematics of fingers

灵敏的夹持力控制也是避免对被夹持物造成伤害的重要因素。选用FSR408型膜片式压力传感器作为手指接触力检测元件。当接触压力达到所设定的阈值时，信号转换模块输出一个高电平信号，步进电机停止转动，夹持机构停止增大夹持力。

1.3 近红外光谱采集系统

近红外光谱采集系统主要由光谱仪、光源、光纤组成。

机械手空间有限，为使结构更为紧凑，光谱仪体积应尽可能小。根据这一要求选择海洋光学STS-NIR型光谱仪，其尺寸为40 mm×42 mm×24 mm，质量68 g，光学分辨率为0.5 nm，波长范围为650～1 100 mm。评判水果内部品质指标的近红外光谱集中在700～900 nm之间[22]，此光谱仪可以满足对果蔬内部品质的预测。考虑到装置的空间布局，采用反射光测量，光源发出的光由被测物反射后经光纤传递进入光谱仪，完成光谱信息采集。

光源主要由遮光胶垫、卤钨灯珠、反光灯杯组成。遮光胶垫的材质为橡胶，可以根据样品的形状贴合在样品表面，防止光的溢出，降低由样品外形差异带来的误差。考虑到空间和发热问题，选择6个2 W小卤钨灯珠组成环形光源。

1.4 控制系统

控制系统在苹果夹持和光谱信息采集中起到连接动作和控制过程的作用，主要由计算机、STC89C52单片机、FSR408型膜片式压力传感器、信号转换模块、步进电机以及步进电机驱动器组成，其示意图如图4所示。当苹果接触遮光胶垫使微动开关闭合后，单片机向步进电机驱动器发送信号，步进电机转动，手指开始夹持苹果。当夹持力达到压力传感器设定阈值时，单片机将步进电机驱动器的使能端置为低电平，步机电机停止运行，保持夹持状态。同时通过串口向上位机发送信号。上位机软件控制光谱仪采集光谱信息，并将光谱信息输入预测模型计算预测结果，上位机软件界面显示光谱图像及检测结果，如图5所示。

图4 控制系统示意图Fig.4 Schematic of control system

图5 上位机软件界面图Fig.5 Host computer software interface

2 苹果可溶性固形物含量预测模型的建立

2.1 试验材料

试验材料为烟台红富士苹果，购于北京市某超市。挑选没有损伤和缺陷的样本共200个，运到实验室后进行清洗、编号，放置于冰箱内。试验前置于室温24 h，使苹果样品温度与环境温度一致，避免温度等因素对试验结果产生影响[23]。

2.2 光谱信息采集

打开光源及光谱仪，预热20 min使设备达到稳定工作状态，打开上位机软件对检测参数进行设置，包括积分时间、平均次数、平滑度等。为保证所建预测模型更好地适应实际工作环境，在机械手末端执行器夹持苹果的过程中进行光谱信息采集。分别采用标准白板和标准黑板贴在遮光胶垫上校正光谱仪后，进行样本光谱采集，每个苹果样本采集4次光谱，采集位置为苹果赤道带附近，每采集一次旋转90°，取4次光谱的平均值作为该样本的光谱信息。

2.3 标准理化值的测定

采集完光谱信息后，参照文献[24]，采用RA-620型数字阿贝折射仪立即对苹果的可溶性固形物含量进行测量。每个样本从测量点切去一定厚度的果肉，用手持式榨汁机榨取果汁，将果汁滴于折光仪镜面，读取并记录可溶性固形物含量，测量结果如表1所示。

表1 苹果可溶性固形物含量统计Tab.1 Statistics of apple’s SSC

2.4 建模结果与分析

2.4.1光谱预处理

200个苹果样本的原始反射光谱曲线如图6所示，选取650～1 100 nm波长下的光谱数据进行预处理和建模。本装置检测苹果的内部品质是基于反射光谱，选择苹果样本光谱的反射率作为光谱信息的研究参数，反射率计算公式[25]为

(1)

式中R——苹果样本的反射率

Is——苹果所反射的光谱强度

Iw——标准白板反射的光谱强度

Ib——标准黑板所反射的光谱强度

原始光谱曲线如图6a所示。选用5点SG卷积平滑(Savitzky-Golay smooth, SG-smooth)的预处理方式降低光谱采集过程中随机白噪声的干扰，选用标准正态变换(Standard normal variable transformation, SNV)和多元散射校正(Multiplicative scattering correction, MSC)预处理方式可以消除样本间散射所导致的基线平移和偏移现象。经过预处理之后的光谱曲线如图6b～6d所示。

图6 200个苹果样本反射光谱曲线Fig.6 Reflectance spectra of 200 apple samples

2.4.2苹果可溶性固形物含量预测模型

以经过预处理之后的光谱数据和按国家标准测量法所测得的可溶性固形物含量理化值作为自变量和因变量，采用偏最小二乘回归法(Partial least squares regression, PLSR)建立回归模型。将样品按3∶1的比例随机分为校正集与验证集。用校正集相关系数Rc、预测集相关系数Rp、校正集均方根误差RMSEC和预测集均方根误差RMSEP评定建模效果，相关系数越高，均方根误差越低，所建立的预测模型越稳定。建模结果如表2所示，采用多元散射校正预处理方法所得苹果可溶性固形物含量建模效果最优。

3 试验验证

选取20个苹果样本对机械手进行外部验证，以检验可溶性固形物含量预测模型的稳定性和准确性。

表2 不同预处理后的建模结果Tab.2 Modeling result with different pretreatments

预热至光源稳定后，用机械手末端执行器夹持苹果并采集光谱数据。随即用标准测量法检测苹果可溶性固形物含量的真实值，通过对比预测值与真实值，分析装置的检测性能。预测效果如图7所示，苹果可溶性固形物含量预测模型的相关系数为0.957 3，均方根误差为0.422 4°Brix。

图7 苹果可溶性固形物含量预测模型预测效果Fig.7 Prediction results of apple soluble solids model

4 结论

(1)设计了一种苹果内部品质分级机械手，主要由夹持机构、近红外光谱采集系统、控制系统等组成，分别完成夹持苹果、采集苹果光谱信息和控制动作的任务。

(2)基于所设计的苹果内部品质分级机械手，采集苹果在650～1 100 nm波长范围内的可见/近红外反射光谱。采用SG卷积平滑、标准正态变量变换和多元散射校正对原始光谱曲线进行预处理，建立苹果可溶性固形物含量预测模型。不同预处理方法建模结果表明，采用多元散射校正方法预处理后的建模效果最优，其预测模型的校正集和预测集相关系数分别为0.978 2、0.970 1，均方根误差分别为0.274 6、0.326 3°Brix。

(3)对苹果内部品质分级机械手预测模型的稳定性和准确性进行测试。结果显示，可溶性固形物含量预测值与测量值相关系数为0.957 3，均方根误差为0.422 4°Brix。

(4)该苹果内部品质分级机械手将近红外无损检测技术与分拣机械手相结合，可以实现苹果可溶性固形物含量的预测，预测精度和稳定性较好，在机械手夹持苹果的同时可对苹果的内部品质进行预测。