一种自动传输式水果成熟度检测装置设计及使用方法

2022-04-20王丽娟刘志刚喜冠南彭超华

农业与技术 2022年7期

王丽娟刘志刚喜冠南彭超华

(1.南通科技职业学院机电与交通工程学院，江苏南通 226007；2.南通大学机械工程学院，江苏南通 226019)

1 设计背景

我国是世界上数一数二的水果生产大国，根据大量的市场调研后发现，水果的产值是由产后处理以及产后加工创造而来。在这些加工过程中，如何对水果进行快速以及准确的分拣是其中的重要步骤。事实上，我国大部分的果制品加工厂往往通过人工分拣来进行水果好坏的分筛以及成熟度的分级，在实践过程中面临以下问题：人力检测费时费力、效率低下，无法满足规模化的流水线生产需求；工人的拿捏触碰容易损伤水果导致损耗；工人的主观性判断和测量方法差异难以保证检测结果的一致性和准确性，分筛的品质参差不齐，也难以保障后续产品的品质。

本文所研究的自动传输式水果成熟度检测装置，在无损状态下快速准确识别水果成熟度的同时，切实解决水果经营企业、水果后处理企业在水果成熟度检测过程中所面临的成熟度检测正确率低、人工费时费力、水果易磕碰损伤等难题。促进我国的水果采后处理技术的进步，加速我国农业实现现代化和智能化。

2 研究现状

传统的水果检测技术主要是依靠经验判断或借助糖度检测分析仪、酸度检测分析仪、硬度计等工具来检测判断水果的外观、可溶性糖含量、酸度、硬度或可溶性固溶物等指标。据此依据相关标准判定水果的成熟度等级，基本都属于有损检测的范畴，不仅在检测过程中对果品造成了不同程度的损伤，而且无法实现大规模的批量检验，并不适用于现代果品生产业来进行成熟度判别。鉴于传统水果检测技术的弊端，无损检测技术应市场需要而迅速发展，其是一种利用果品的化学性质或物理性质对水果进行检测的高科技手段，不仅不会破坏水果的完整性，利于后续处理与销售，亦可实现水果的品质检测。

随着计算机技术与信息处理技术的发展，基于机器视觉的水果成熟度检测技术也成为了国内外学者的研究热点[1-3]。机器视觉技术是以计算机和图像获取部分为工具，以图像处理技术、图像分析技术、模式识别技术、人工智能技术为依托，处理所获取的图像信号，并从图像中获取某些特定信息。基于机器视觉特性的无损检测水果成熟度方法主要是依据水果成熟过程中的一系列生理化反应与其成熟度的相关性，利用机器视觉传感系统传导其变化并通过分析确定成熟与否的成熟度无损检测技术。

早在20世纪80年代，Throop J A等[1]就通过机器视觉检测苹果的平均灰度来判定果实中是否有水芯的存在，研究结果显示虽可以100%的准确率测量苹果中水芯存在与否，但其严重程度却难以分辨。20世纪90年代，Zwiggelaar R等[2]以桃和杏的撞伤问题为研究焦点，用计算机视觉技术检测果品损伤，检测的成功率约为65%。近几年，基于机器视觉的成熟度判别技术有了较大的进展，检测成功率有显著提高。应义斌等[3]选取柑橘为对象，研究机器视觉系统在柑橘成熟度检测中的可行性，研究样本为72颗柑橘，并将固酸比和柑橘表面色泽作为判定成熟度的指标，对成熟果实和未熟果实的判断正确率分别为79.1%和63%，总的判断正确率为77.8%。叶晋涛等[4]以“金皇后”哈密瓜为研究对象，通过主成分分析提取的8个颜色特征值预测成熟度，利用SVM神经网络方法建立了哈密瓜分级模型。结果表明，在图像信息主成分因子数为4时建立的模型最佳，模型训练时的回判率为100%，预测时识别率达到了97.22%。这表明基于机器视觉技术对不同成熟度哈密瓜分级方法是可行的，可为实现哈密瓜自动分级提供理论依据。

基于机器视觉的成熟度无损检测技术具有将人工智能与图像处理技术相结合的优点，功能多、信息量大，是今后水果成熟度检测和内在品质检测的重要检测手段，但也存在亟待解决的问题：机器视觉系统造价高，结构复杂，难以做到性能与成本的平衡；识别准确率的问题，在查阅的文献当中发现，目前的研究文献中均未给出明确的目标识别准确率的定义，且不同文献中准确率数据也不尽相同，所以试验的可重复性有待商榷；我国果农多为个体经营户，针对复杂的计算机机器视觉系统接受程度不高，普遍适用性问题也不可忽视。

3 设计介绍与工作原理

3.1 总体设计介绍

自动传输式水果成熟度检测装置如图1所示，由传输装置、检测台架和机器视觉检测系统组成。传输装置为一高一低的第1传送带和第2传送带，与检测台架的进出口相连，之间设有过渡板。检测台架主要由面向传输带的进出口、可旋转的检测台与可伸缩的硬度检测器构成，视觉检测系统包括计算机、相机以及补光设备，相机与计算机通信连接。

自动传输式水果成熟度检测装置的传输与检测步骤：高位的第1传送带将待检测水果送入传输；水果经过过渡板传输至检测台架的旋转检测台上；舵机带动旋转检测台转动180°；检测相机以及硬度检测器度对水果进行2次拍照和硬度值采集；靠近低位的第2传送带的硬度检测器收缩；水果因重力经过过渡板滚落至低位的第2传送带；第2传送带送出传输，靠近高位传送带的硬度检测器收缩，完成一次传输与检测。

本装置通过硬度检测器以及检测相机多角度的拍照，对水果成熟度进行硬度以及色度的检测，并且通过传送带进行输送达到自动化的效果，以及提高水果成熟度检测的准确性、一致性、高效性并实现流水线生产需求。

图1 自动传输式水果成熟度检测装置结构示意图

1.检测台架；101.进口；102.出口；103.检测工作台；1031.旋转检测台；1032.置物台；1033.硬度检测器；1034.舵机；104.相机支架；105.检测相机；106.补光灯；2.第1传送带；3.第2传送带

3.2 检测台架的设计

检测台架的放大示意图如图2所示，前后面向第1传送带和第2传送带处分别设有进口和出口，靠近高位的第1传送带为进口，靠近低位的第2传送带为出口。内部设置倾斜的检测工作台，倾斜方式为高点靠近高处的传送带。工作台中间设有水平放置的旋转检测台，由其下方的舵机驱动旋转，为检测相机提供多角度拍摄。旋转检测台中央设有置物台，置物台上设有若干可升缩的硬度检测器，如图3所示。检测台架的侧面设有相机支架，为视觉检测系统的相机提供支撑。

3.3 传输装置的设计

传输装置为由步进电机驱动的同步带，分为高位的第1传送带与低位的第2传送带，2个传送带与检测台架的进出口相连，之间设有过渡板，防止传输过程中的磕碰。结构示意图见图1和图2。

3.4 视觉检测系统的设计

3.4.1 结构设计

机器视觉检测系统包括计算机、相机以及补光设备，相机与计算机通信连接。

图2 旋转检测台放大示意图

1.检测台架；101.进口；102.出口；103.检测工作台；1031.旋转检测台；1034.舵机；106.补光灯；2.第1传送带；3.第2传送带；4.过渡板

图3 旋转检测台放大示意图

1031.旋转检测台；1032.置物台；1033.硬度检测器

如图1b所示，相机通过相机支架固定在检测台架的一侧，相机的镜头穿过台架一侧板，对准水果设置，检测台架内部与检测相机相对的一面为白色的拍摄背景面，使得检测相机拍摄到的图像更加清楚。如图2所示，补光设备包括4个补光灯，均选用100W的普通白炽灯。补光灯通过灯座以水果为中心环向均匀设置于检测台架上方，补光灯的光线均聚焦在水果的表面，使得水果在隔板、侧板以及旋转工作台上不产生倒影，进一步提升检测识别的准确率。

计算机为DELL OPTIPLEX 3020，内存为4GB，1TB硬盘。相机选择Openmv h7 Ca智能摄像头，500万高清像素。

3.4.2 颜色特征的提取

通过硬度检测器以及检测相机多角度的拍照，对水果成熟度进行硬度以及色度的检测，采用的颜色模型即为RGB颜色模型，以苹果为例。

确定红色为苹果样本的主色。读取苹果样本的一次照片作为实验图像，如图4(figure1)；读取背景照片作为背景图像，如图4(figure2)；删除实验图像中的背景图像，得到处理图像如图4(figure3)；将处理图像二值化得到图4(figure4)，二值化阈值在0.04～0.15，本研究中二值化阈值以0.1为例；为减小二值化图像的背景噪音和光干扰，采用中值滤波，以减少干扰，并增强二值化的图像；采用imfill函数填补取反后的二值化图像图4(figure4)；采用bwboundaries函数寻找二值化图像的图形边界；从图形边界中取出图像的内部边界，并保存当前的图像，如图4(figure5)所示；将实验图像图4(figure1)按照RGB模型，提取出所有R通道的颜色信息，保存当前图像为实验图像R通道图像，如图4(figure6)；采用find函数，选择内部边界图像图4(figure5)的所有背景区域的像素位置，然后将寻得的地址映射到实验图像R通道图像图4(figure6)里，并将其背景填充为黑色；采用reshape函数重构图内部边界图像图4(figure5)的颜色信息，分别提取出R、G、B通道的颜色强度序列，分别计算颜色强度均值Rm1、Gm1、Bm1(其中，颜色强度均值Rm1、Gm1、Bm1通过mean函数获得。

将统一苹果样本旋转180°，拍摄二次照片，重复上述操作，获得颜色强度均值Rm2、Gm2、Bm2。计算2次颜色强度均值Rm、Gm、Bm后，根据公式计算苹果的平均红色强度占比，计算公式：

Ra=Rm/(Rm+Gm+Bm)