基于机器视觉条件的火龙果自动分级检测系统

2020-11-10辛华健

中国果业信息 2020年10期

文/辛华健，杨铨

【导读】果实商品化处理中，传统的人工分级方式耗时、成本高、准确率难以保证。开发基于机器视觉条件的果品自动分级检测系统，对促进我国果品产业健康持续发展具有重要的现实意义。

火龙果属仙人掌科，是亚热带水果经济作物，一般分为红皮红肉、红皮白肉及黄皮白肉等3种类型，红皮红肉、红皮白肉在市场上较为常见[1]。火龙果营养价值极其丰富，具有低热量、高纤维及糖分少等特点。我国的火龙果种植面积相对较少，很大部分依靠进口渠道来满足国人的需求。尤其是中国—东盟双边贸易合作机制的建立，我国火龙果国外贸易从以往1.34亿美元突飞猛进地增长至30亿美元左右[2]。随着我国农业经济政策调整和产业结构不断发生变化，我国火龙果业在种植、采摘及深加工等方面面临更大的挑战和机遇。

有效分级是火龙果深加工和商品化的关键工艺环节。传统的人工分级，不但耗时，效率低，而且人工成本高。计算机机器视觉是随着互联网技术不断提高和农业经济需求而发展起来的新兴技术，机器视觉与火龙果分级有效结合在一起，代替了传统的人工分级模式，提高了工作效率[3]。因此，基于机器视觉条件的火龙果自动分级系统研究已成为当前关注的重点。

1 基于机器视觉条件的水果自动分级系统研究现状

机器视觉是伴随着互联网技术发展而来的新兴技术。其主要原理是通过计算机对水果三维模型空间的感知，包括捕捉、数据分析及图像识别等，完成自动分级的全过程。它有效综合了计算机科学、工业设计、农业、信息自动化及智能识别等相关专业知识，在各种水果自动分级系统中被广泛应用[4]。基于机器视觉条件的水果自动分级系统，一般分为3个模块：水果获取三维模型图像、处理并分析图像要素、智能输出并完成识别。

商品化处理是水果采摘后进入市场的重要环节，包括清洗、打蜡、分级及包装等。现阶段，清洗、打蜡和商品包装等环节技术相对比较成熟，但在自动分级方面比较欠缺。为了实现水果自动化分级，20世纪中期，我国开始研究现代化水果自动分级技术，计算机视觉技术随之开始推广起来。随着信息技术不断提高，机器视觉在水果信息获取、加工处理和产品包装等流程取得了实质性的进展。火龙果的分级主要从外部指标和内部指标两个角度考虑，外部指标为尺寸外观、色泽等，内部可以通过糖度、酸度等指标进行分级。当前，我国对火龙果自动识别分级的研究较少。基于计算机机器视觉技术，能有效实现火龙果的自动化分级。

2 火龙果自动分级系统的设计思路

按照成熟度、色泽度、完整度和质量缺陷分为一级、二级和三级[5]，基于机器视觉条件的水果自动分级也以这4个方面进行（见表1）。

3 机器视觉的火龙果自动分级检测系统设计

计算机视觉具有速度快、精度高及分级系统性能稳定等特点，在农业其他水果品种分级中也被广泛运用，并产生了很高的经济价值。由于火龙果人工分级准确率不高，难以满足商品化处理的要求，国内的相关专家开始尝试利用机器视觉技术进行火龙果分级。常见的火龙果自动分级检测系统，包括光源、高清工业相机、计算机处理系统及图像采集智能软件。机器视觉使用的高清相机一般是工业相机，一般只能监测到火龙果的表面部分区域，无法全面采集火龙果的表面信息。同时，如果在分级对位过程中不准确，图像就无法保证快速有效地进行分割，严重制约着火龙果分级技术的发展。因此，在机器视觉检测时必须对火龙果进行定位处理。

表1 火龙果分级标准

我国的火龙果自动分级检测系统机械传送装置，一般采用双锥滚子结构。火龙果随锥滚子结构向前运动时，自主完成转动，结合高清相机进行图像采集，然后得到火龙果表面多次的三维图像。由于在高清相机多次进行图像采集时容易造成部分火龙果图像的遗漏；火龙果果梗与其表面质量缺陷相似度极高，需要多次重复采集，降低了分级效率。对此，设计出一种机器视觉条件的火龙果自动分级检测系统，主要由4个部分组成，即传输水果机构、火龙果定向装置、视觉处理系统及分送组件（见图1）。

4 机器视觉的火龙果自动分级检测系统关键环节

一是光源选择。光源对火龙果图像采集质量的好坏有很大的影响，是决定火龙果高效分级的重要因素。合适的光源能够提高采集图像的清晰度，有效降低机器视觉处理数据的难度，提高计算速度，进而充分保证分级精确度。光源的影响因素有照度、鲁棒性、匀称性。在试验过程中，对多种光源进行了对比分析。通过不同光源试验对比，最终选定了LED光源（见表2）。LED光源颜色种类多、形状样式丰富、带电效率高、耗电量低及发光稳定，在水果分级监测系统中普遍应用，可根据不同分级状况，设计对应的LED光源。

二是图像采集技术设计。在火龙果自动分级系统的传输、定位、图像采集机分组等环节中，图像采集技术是该系统的核心。火龙果图像采集过程受多方面因素的影响。比如光源在火龙果表面会反射不规则光线，影响火龙果图像采集的清晰度和稳定性。因此，应尽量避免光线对火龙果分级指标的影响，提高自动分级效率和精度。图像采集技术编程语言主要是用VC++6.0实现，图像采集的图片大小规格为768×576。试验过程中的图像采集系统，一般有火龙果载物平台、CCD摄像机、光源箱、计算机处理系统、分级控制装置等。在智能识别条件下，火龙果被传输装置输送至载物平台，CCD摄像机被放置在火龙果载物台上方及左右两侧，将采集到的火龙果图像传输至计算机处理系统，对图像进一步处理分析（见图2）。CCD照相机采集的火龙果图像质量好坏，直接影响其自动分级。

三是传输火龙果机构和定向装置设计。火龙果传输机构主要由传输带和若干滚动小滑轮组成。火龙果随着传输带向前滑动，同时受滚动小滑轮的导向作用，在输出通道内依次排列成带状形式被输出。因此，传输火龙果机构、定向装置及分送组件之间，对火龙果的输送要求基本一致。火龙果定向装置包括第二支架、传动链条、定位器和定向驱动单元。传输过程结束后，定向装置将火龙果有序地通过第二支架固定在传动链条的链载平台上，进而实现定向装置与传动链条的同步传输。

表2 常见光源选择

表3 火龙果自动分级检测系统试验结果

5 火龙果自动分级检测系统试验结果分析

为了充分验证基于机器视觉的火龙果自动分级检测系统的可行性，选取300个红皮红肉火龙果进行试验。300个火龙果分为3组，即处理1、处理2、处理3，且以人工分级为对照组进行对比试验，试验结果见表3。从表3中看出，机器视觉的火龙果自动分级检测系统所分级的火龙果个数，与人工分级个数无显著性差异（P＞0.05），但分级时间具有显著性差异（P＜0.05）；火龙果自动分级检测系统不同处理间无显著性差异（P＞0.05）。表明该火龙果自动分级检测系统精确度高且稳定性好，与人工分级相比，分级效率有了很大程度地提高，能有效地替代人工分级。