计算机视觉检测技术在食品物流中的应用

1、摘要： 计算机技术的发展与计算机速度的提高和硬件成本的下降，使得计算机视觉检测技术在食品物流领域中的应用越来越广泛，论述了国内外计算机视觉检测技术在食品物流中的应用研究和发展情况，同时指出了进一步研究的方向。关键词： 计算机视觉检测技术；食品物流；贮运；配送；包装Computer visiondetectiontechnology in food logisticsand ProspectsAbstract： With development of computer technology, acceleration of its speed and reduction of cost of h

2、ardware, computer vision detection technology is being used more and more widely in food logistics. This article summarizes the application and development of computer vision detection technology in food logistics, and points out the orientation for further research.Key words： computer vision detect

3、ion technology； food logistics ； storage and transportation； distribution； package1引言计算机视觉检测技术，又称机器视觉检测技术，是利用图像传感器获取对象的图像，并将图像转化成数据矩阵，用计算机进行分析，同时完成与视觉有关的任务。20 世纪70 年代初期，计算机视觉技术得到了迅猛的发展。其后，国际上许多研究人员利用该技术在食品物流自动化领域中开展了多方面的研究。在我国，用计算机视觉技术进行食品物流检测的研究，始于20世纪90 年代。在传统食品物流过程中，人工分选操作由于身心疲惫、情绪波动等原因，难以保证产品质量；

4、另外，市场对食品质量的要求越来越高，而且食品的品质差异很大，如形状、大小、色泽等，一般的检测方法难以胜任。计算机视觉检测技术具有对光谱的敏感范围广、测量精度高、信息量大、速度快、功能全等优点，可以测量定量指标，在食品物流各环节有非常好的应用前景。本文主要从贮运、配送、包装等物流环节，论述了计算机视觉检测技术在我国食品物流中的应用与前景展望。2 计算机视觉检测技术在食品物流贮运中的应用食品的贮运是整个食品物流过程中的关键环节，是食品物流的支柱。在食品商品交换过程中，虽然食品的购、销活动决定了食品的交换关系，但若没有食品的贮运，食品的这种交换关系则不能最终实现。目前，计算机视觉检测技术在食品物流贮

5、运方面的研究主要集中在食品贮运期间的品质无损检测和仓储害虫的检测。2 .1 应用计算机视觉检测技术无损检测食品贮运期间的品质在食品特别是水果的贮藏和运输过程中，易发生食品与容器间表面摩擦、果柄刺伤果实等，常使食品表面受损，不但影响品质而且很快就会发生腐烂，并传染给周围食品。严重时，几天之内整箱水果都会烂掉。传统的检测方法主要是通过肉眼检测出受损水果，但当操作工疲劳以及受损部位与正常部位的差别不大时，常有漏检情况发生。Crowe T.G.等1,2为对水果表面损伤进行实时检测设计了一套硬件系统，采用双锥体的滚子链传动，使得被检测的水果总是在同一位置上被摄取图像，在漫射光照射下摄取用于检测可能坏损部

6、位的750nm 波段的图像，而780nm 波段的图像在结构光照射下获得，用于检测水果梗的凹陷，开发了一套用于果实处理和图像采集的硬件，解决了人工检测带来的主观问题。早在20世纪80年代，Thomason R. L3和GodinezP. A4分别描述了一种具有实用价值的可以区分不规则图像信息特征和正常图像信息特征的计算机视觉系统, 这种系统在某些食品的污点检测、皱纹检测和从蔬菜中去除杂物等领域中得到了应用。Delw icheM. J等5利用线扫描摄像机来采集以1.2m/s的速度通过一个漫射光照箱的干梅脯的图像，测出各种表面缺陷的光谱特性，根据灰度级的变化确定完好或损伤的像素，并用一个单目标线性决

7、策函数来分类，正确率达到97.6%，速度约为每秒20 只梅脯。马诚一等人6的研究表明，由于食品的内部成分及外部特性不同，在不同波长光线照射下会有不同的吸收或反射，即分光反射率在一特定波长域内会比其它部分大。如正常和压伤的桃子在可见光域两者的反射差异极小，而在800nm 以上的近红外波长域反射率差值却很大。为食品品质机器视觉自动识别中选择合适的光源以提高识别精度和速度打下了基础。鸡蛋在贮运和装卸中经常发生碰撞而导致蛋壳出现裂纹甚至裂，利用计算机视觉技术检测鸡蛋裂纹时通常都采用静止鸡蛋的图像，Worley J W等人7为克服这种方法只能对一个方向进行检测的缺点，研究对连续旋转鸡蛋进行裂纹检测的方法

8、，正确率达94%。H.F.Ng等人8提出了玉米机械损伤和腐烂损伤的计算机视觉计算法则，通过提取单个仁和一批仁图像中绿色的损伤面积，计算这个面积占总面积的百分比来获得玉米的机械损伤。通过将单个仁的腐烂面积从图像中分离出来，计算腐烂的覆盖百分比获得玉米的腐烂损伤，对机械损伤和腐烂损伤的判断达到很高的准确性和一致性，其标准偏差小于平均值的5%。张泰岭、邓继忠9应用计算机视觉技术对梨的碰压伤进行了检测，提出通过区域标记技术区别多处碰压伤，根据梨的外形及碰压伤的特征，建立了碰压伤面积测量的数学模型。该方法能够准确地检测梨的多处碰压伤，测量相对误差可控制在 10% 内。2 .2 应用计算机视觉技术智能检测

9、仓储害虫近年来仓储食品尤其是储粮害虫的种类和密度呈上升趋势，这对害虫的检测提出更高的要求。邱道尹等人10运用图像差分法及自适应图像增强法提高粮虫样本图像的质量，利用改进的直方图阈值将粮虫从背景中分割开来，并运用数学形态学处理法进行了滤波。以提取出的粮虫面积、周长、复杂度为特征，运用基于模糊决策的分类器对粮仓中常见的9 种、7 类害虫进行了分类，识别正确率达到95.2%。谭佐军等人11针对无明显的直线特征的仓储害虫图像，提出了一种基于整数Bresenham算法求方向投影值，利用方向投影值检测图像的倾斜角度的方法。实验结果表明，该算法能快速准确地测量出仓储害虫图像的倾斜角度，并具有很强的抗干扰性和

10、应用适应性。3 计算机视觉检测技术在食品物流配送中的应用配送是按用户的订货要求，在物流据点进行分货、配货工作，并将配好的货物送交收货人的物流活动。分货和配货工作是为满足用户要求而进行的，因而要开展分选、改包装等工作，必要情况下要对货物进行流通加工。然而，食品的配送具有多批量、多品种的特点，其操作过程相对其他产品更为复杂，单靠人工操作效率低、成本高，难以适应现代配送中心高效率运作的要求，也延长了食品在配送环节的耗时，降低食品的新鲜度。运用计算机视觉检测技术辅助分选食品，有利于解决该问题。3 .1 应用计算机视觉检测技术分选水果食品水果分选内容一般分为等级和大小两项，涉及多项物理指标和化学指标。传

11、统的机械式分选技术只是根据水果的大小、重量进行分级，利用输送带或输送滚子上的空洞或间隙将水果分成有限的几个档次。这类分选方法通常结构简单，但分选时可能由于碰撞而损伤水果，一般只用于那些对机械负荷不敏感以及随之要做进一步加工的水果。应用基于计算机视觉检测技术的分选技术，可不分先后地进行等级和大小的自动同时分选，大大提高了工作效率。应用计算机图像处理技术，进行随机取样，计算机根据随机取样的图像可以计算出这个图像内水果的大中小、优良中差等分级信息及受损情况、所占比例等，并作出综合质量判断，这种方法不仅省时省力而且客观公正。全自动计算机视觉分选系统一般由CCD摄像头、检测装置、传送装置、计算机、控制系

12、统等组成。在水果分选过程中，水果位于传送带上，CCD 摄像机配置在传送带的上方及周边，在传送带的两侧安装有无损伤检测装置。当水果通过CCD 摄像机时，水果的颜色、大小、形状、表面损伤情况等均被记录下来，这些信息通过计算机处理即可完成一般分选作业(如图1) 。Tao Y等12成功研制了Merling高速高频计算机视觉水果分选系统。该机的生产率为44t/h，适合苹果、桔子、桃子、西红柿及其它水果的分选，目前已得到广泛应用。美国每年有50% 以上的苹果经该设备处理，并已推广到加拿大等其它国家。何东健等13进行了果实表面颜色计算机视觉分选技术研究以计算机视觉自动检测果实表面着色度并进行分选为目的建立了

13、室内计算机视觉系统获取苹果果实的色彩图像并将RGB 值转换成HIS值在分析苹果颜色特性的基础上确定了用合适色相值累计着色面积百分比进行颜色分选的方法，实验结果表明应用建立的准则和方法，计算机视觉分选与人工分选的一致度在88% 以上。张书慧、张晓梅14进行了苹果、桃等水果品质检测与分选图像处理系统的研究，该系统通过建立图像数据采集与分析与系统相关的水果图像数据库,实现对水果品质(表面颜色、形状、缺陷)的准确分选。使用该系统对100 个富士苹果进行质量分选，检测优等果准确率达到96%。龙满生等15利用计算机视觉技术和人工神经网络技术，建立了以果实形状、颜色和缺陷为判别依据的苹果外观品质综合分选系统

14、。实验结果表明，该系统能够实现对苹果综合外观品质的正确检测与分选，准确率达90.8%。冯斌16对水果在线检测与品质分选的方法和技术进行了研究，解决动态条件下图像质量差、信息量大、实时处理能力低、检测精度低等问题。为了提高实时处理速度，他提出了一些新图像处理方法，包括：图像边缘检测算法(灰度邻域法和模板分析法)、图像快速定位和标记方法、图像运动模糊的复原方法、果径检测与轴向检测方法以及利用标准球体灰度模型进行灰度变换方法等。应义斌，王剑平等17研制了一套适合黄花梨品质检测的计算机视觉系统，为了适应实际生产中水果方向的随机性和水果外形的不规则性的要求，使水果尺寸检测的方法有更好的适应性，设计了一种

15、利用水果的最小外接矩形(MER)法求最大横径的方法，并进行了实验验证，得出了表示实际最大横径与预测横径关系的回归方程式，两者的关系系数为0.9962。2004年，我国首条用于水果品质计算机视觉实时检测与分选的生产线在浙江大学研制完成。这条每小时能检测和分选36t 水果的自动化生产线，装备有计算机视觉系统，能精确地按国家标准同时完成果品大小、形状、色泽、果面缺陷和损伤等全部外观品质指标的检测，适用于柑橘、胡柚、苹果、西红柿和土豆等多种水果及其它食品。3 .2 应用计算机视觉检测技术分选蔬菜食品Marchant J. A.等人18研制成一种根据尺寸对马铃薯进行分选的计算机视觉系统，配备有并行处理器

16、和数据采集处理卡的该系统每秒钟可以对40 个马铃薯进行分选，分选精度和速度还不能满足实际生产的需要。Shearer S. A等人19提出根据颜色利用计算机视觉对新鲜市售食品进行品质分选的新方法，该方法用于圆椒的品质分选时的正确率高达96%。潘伟20研究了利用计算机视觉技术进行西红柿的检测与分选的技术。他用3 个方面来描述果形特征、圆度特征、果径变化特征及比值特征。实验结果表明，用遗传算法训练的神经网络对番茄果径变化特征的识别率可达到94%。Muhammad A,Shahin Stephen J, Symons21采用计算机视觉从大量的样品图像中测定了扁豆种子大小分布，利用形态学处理技术分割种子

17、边界，在柱状图上将种子尺寸分类成不同种类，结果显示计算机视觉可用来获取大量扁豆的尺寸分布。K. Ninomiya等人22成功研制了一个由3个计算机视觉系统组成的茄子自动分选系统，该系统采用了6 个彩色相机，4 个单色相机和1 个近红外相机，可以从获得的图像中提取检测出茄子的大小、损伤数量和损伤面积、花萼颜色、水果形状、水果弯曲度，经2002 2003年的试用结果显示，利用它能检测出茄子的许多缺陷，能更准确地对茄子进行分选。3 .3 应用计算机视觉检测技术分选粮油食品Liao K.等人23利用一块实时图像处理板(Matrox IM21280) 和RTP 实时图像处理器创立了实时特征提取算法，在特

18、征高速提取时采用了板载(on-board) 硬件作业和并行统计检查，新算法可以为一个人工智能的玉米质量在线自动检测系统提取和处理颜色特征。与玉米籽粒质量有关的颜色特征包括玉米粒特定区域的平均R、G、B 值或H(色调)、S(饱和度)和I(亮度)值等，研究表明，在R 、G 、B 色彩辨别方面，白色和黄色玉米粒之间的B值差异最大，G 值次之，而R 值的差异则最小。而在HSI 色彩辨别方面，根据H 值来区分黄色和白色的玉米粒最为容易。只要经过合适的标定，该系统的精度和速度都要比以往的方法高，处理速度约为每1.3s处理12个籽粒，这为大规模、工业水平的谷物质量的自动化检测系统的开发打下了一定的技术基础。

19、 Panigrahi S.等人24为了精确快速地测量玉米种质的尺寸，提出了一种从背景中分割玉米种质图像的阈值自动选择技术，并利用计算机视觉测定了玉米种质的最大长度、最大宽度和沿长度方向每隔5mm 测量一次所得的连续宽度，三者与人工所测结果的相关性分别为01998、01997 和01970，具有很高的精度。Wang D等人25应用测量4002000nm反射光谱的光辐射测量系统，定量研究了6 种小麦的单粒颜色。同时应用神经网络(NN) 研究单粒小麦的颜色分选。NN 采用离散特征选择法和主矢量分析法使输入数据数量减少。两种情况下的分级精度分别为98.8% 和98%。LuoX等人26为了应用从谷粒样品

20、图像获得的形态和颜色特征分选谷粒，使用了两种统计分级器和一种神经网络来分选谷粒，并对试验进行了比较。对于谷粒的分选以及加拿大西部红春小麦完好、受损粒的分选，K 最近邻域统计分级器和多层神经网络(MNN) 分级器得出了相似的结论。该分级器具有15 个形态特征和13 个颜色特征，其对加拿大西部红春小麦和加拿大西部琥珀色硬质小麦以及大麦、黑麦和燕麦平均分选精度分别为：98.2%、96.9%、99.0%、98.2% 和99.0%。Hong- sun Yun等人27研制成功了一个对谷粒表面特性分选的计算机视觉系统，并提出了能够准确分选谷粒的计算法则，测试了研制系统对谷粒快速分级的准确率，该系统的整体区分

21、准确度达到了98.9%，对不同种类谷物制粉率检测的准确度都达到了95% 左右，在2min 内可一次性完成200 颗谷粒的分选。此外，日本还研制出大豆的颜色分选机，该机根据颜色对大豆进行分选，分选精度高，加工能力为350kg，前后两个照像机将大豆分选进16 个箱内。4 计算机视觉检测技术在食品物流包装中的应用包装不仅使食品在物流过程中得到保护，而且具方便食品流通、装卸和运输的功能。包装在食品物流过程中发挥着重要的作用。在现代物流包装的自动化生产中，经常涉及各种各样的检查、测量和零件识别应用，如电子装配线的元件自动定位、包装材料印刷质量检查、产品包装上的条码和字符识别等。这类应用的共同特点是连续大

22、量的生产，而且对外观的质量要求非常高。一般来说，这种带有高度重复性和智能性的检测，只能靠人工完成，这给配送中心和工厂增加了巨大的人工和管理成本的同时，却又不能保证100% 的合格率。因此，人们开始考虑利用计算机视觉检测技术的快速性、可靠性、结果的可重复性，解决上述问题。吴成东，M.H.Lee 等人28设计了一种食品包装生产线的机器人控制系统，该系统基于视觉系统获得生产线上被包装物体的位置与几何信息，利用惯量分析原理确定抓取点，采用矢量控制与学习控制方法调节机器人抓取器对物体实施稳定抓取。仿真及实验结果证明了控制策略的有效性。蔡叶菁等人29从机器视觉的角度出发，提出了一种基于机器视觉的包装检测方

23、案。该系统对图像进行滤波、灰度变换、边缘检测、二值化等方法进行处理，得到较好的效果，并满足了实时性的要求。德国Siemens公司99推出的SIMATIC VS710是第一个智能化的、一体化的、带PROFIBUS 接口的、分布式的灰度级工业视觉系统，VS710 的几个重要特征：一体化和小型化、网络化、编程灵活性、可靠性和经济性，使之在包装领域有着广泛的应用，如瓶子的分类和液位测量，标签、盖子、盒子的检查，可乐瓶的形状、尺寸、密封性、完整性的检查等。从包装物的形状上分类有：包装盒、包装箱、包装袋、金属箔、管状、泡状、盘状、杯状、广口瓶、细口瓶、罐状、桶状等。该设备可包装糖果、饮料、烟草等30。5展

24、望 计算机视觉检测技术在食品物流各环节的应用研究在我国还处于起步阶段。尽管发达国家在此领域已经进行了一些相关研究，但仍有很多技术难题有待解决。如：(1)通过计算机获得的图像往往是平面图，而食品的表面往往不是平面，这将导致由于获取的距离不等问题造成的图像颜色失真，怎样对其进行矫正，这还是一个尚未完全解决的难题。 (2)食品物流配送的分选技术方面，目前大多数研究的是静态的食品个体，如何从输送带上快速运动的食品群体中提取有效的图像信息并对其进行矫正，也是一个尚未解决的难题。 (3)在多指标检测食品时，大多采用串行算法，这大大影响处理速度，研究多图像处理的并行算法，也是急需解决的问题。 (4)无论在硬

25、件还是软件上，国内的技术水平同国外还有很大的差距，这一技术涉及多学科的交叉和融合，我们当前的任务就是在跟踪国际最新研究动态的同时探索新的方法并研制适合我国国情的食品物流视觉自动识别和分选系统。 (5)目前，计算机视觉检测技术在食品物流的应用研究，主要还集中在贮运、配送和包装环节，而在信息、装卸等其他物流环节的应用研究报道甚少，今后应多开展这方面的研究。总而言之，由于计算机视觉检测技术在食品物流各环节的应用在我国尚处于起步阶段，应进一步加强、加快该领域的研究与开发应用。参考文献：1 Crowe T G, Delwiche M J. Real-time defect detection in fr

26、uit-part I:design concepts and development of prototype hardwareJ. Trans of theASAE, 1996, 39(6): 2309-2317.2 Crowe T G, Delwiche M J. Real-time defect detection in fruit-part II: analgorithm and performance of a prototype systemJ. Trans of the ASAE,1996, 39(6): 2309-2317.3 Thomason R L. High speed

27、machine vision inspection for surface flaws,textures and contours J. Proc Vision 86 Conf, 1986, (5): 51-61.4 Godinez P A. Inspection of surface flows and textures J. Sensors, 1987,(6): 27-32.5 Delwiche M J , Tang S, Thompson J F. Prune defect detection by linescan imaging J. Trans of the ASAE, 1990,

28、 33 (3): 950-954.6 由马诚一, 藤浦建史, 近藤直, 等. 收获研究(第三报)TV 走查型距离组果实检出J. 农业机械学会志, 1995, 57 (1): 51-78.7 Worley J W, J W Goodrum. Strobevs. Incandescent lighting for eggcrack detection using machine visionJ. Applied Engineering inAgriculture, 1995, 11(4): 549-554.8 Ng H F, Wilcke W F, VcMorey R, et al. Machin

29、e vision edaluation ofcorn kernel mechanical and mold damageJ. Transactions of the ASAE,1998, 41 (2): 415-420.9 张泰岭,邓继忠. 应用机器视觉技术对梨压伤的检测J. 农业工程学报, 1999, 15 (1):205-209.10 邱道尹, 张红涛, 陈铁军, 等. 基于机器视觉的储粮害虫智能检测系统软件设计J. 农业机械学报, 2003, 34(2): 83-85.11 谭佐军, 吴鹏飞, 卢军. 利用方向投影算法计算仓储害虫图像倾斜角度J. 计算机工程与应用, 2006, 16:

30、222-223, 232.12 Tao Y, Chance L. Full scale fruit vision sorting system design factor sand considerationsA. Proceedings of the FPAC ConferenceC.1995. 14-22.13 何东健. 果实表面颜色计算机视觉分级技术研究J. 农业工程学报,1998, 14(3): 202-205.14 张书慧, 张晓梅. 苹果、 桃等农副产品品质检测与分级图像处理系统的研究J. 农业工程学报, 1999, 15 (1): 201-204.15 龙满生, 何东健. 基于遗

31、传神经网络的苹果综合分级系统J. 西北农林科技大学学报(自然科学版), 2001, 29 (6): 108-111.16 冯斌, 汪懋华. 基于颜色分形的水果机器视觉分级技术J. 农业工程学报, 2002, 18 (2): 141-144.17 应义斌, 王剑平. 水果直径和缺陷面积的机器视觉检测J. 农业工程学报, 2002, 18 (6): 165-168.18 Marchant J A , Onyango C M , Street M J. High speed sorting of potatoes using computer vision J. ASAE Paper, 1988,

32、88:3540.19 Shearer S A, Payne F. A Color and defect sorting of bell peppers usingmachine vision J. Trans of the ASAE, 1990, 33(6): 2045-2050.20 潘伟. 计算机视觉在农产品自动检测与分级中的研究蕃茄的自动检测与分级D. 哈尔滨:东北农业大学, 2000.21 Muhammad A, Shahin Stephen J. Symons, lentile seed size distribution with machine vision R. Paper No: . An ASAE Meeting Presentation.22 Ninomiya K, Kondo N, ChongV K, et al. Machine vision systems of egg plant grading systemA. A