马铃薯大小分级及在线检测方法研究

马铃薯大小分级及在线检测方法研究

马铃薯分级计算机视觉自动检测自动化和精细美好的愿景是提高水平和改进的重要手段。近年来,随着计算机视觉技术的发展,基于计算机视觉的农产品品质检测和分级设备已在发达国家开始了商品化生产。Marchant等研制了一种根据尺寸对马铃薯进行分级的计算机视觉系统,通过测量马铃薯的长度、最小宽度、最大宽度、形状,并估算其质量,该系统每秒钟可以对40个马铃薯进行分级,但是分级精度还不能满足实际生产的需要。Deck等人把马铃薯按照形状、尺寸和发绿程度分类,其结果优于统计分类方法。Tao等研究了基于傅里叶形状分类方法的马铃薯形状分级机器视觉自动检测系统。Zhou等人开发了一个基于PC机的机器视觉系统,该系统能针对马铃薯的主要分类指标——质量、切面直径、形状和颜色进行分级,分级速率为50个/s,总的分级成功率为86.5%。本文根据马铃薯等级国家标准,实现马铃薯大小、形状、缺陷和综合在线分级。1图像信息分析基于计算机视觉的马铃薯检测分级系统包括计算机视觉识别系统、马铃薯输送翻转系统和分级执行系统。采用PC-PLC的主从式构架,其中上位机PC主要完成图像信息的采集和分析;下位机以PLC为控制器主要完成控制图像采集、马铃薯卸料、传送带驱动等。当马铃薯通过图像采集区域时,由光电传感器传送信号,对每个不停滚动的马铃薯拍摄3幅不同表面图像,覆盖整个薯面的90%以上。在马铃薯随传送带运动过程中,计算机对采集到的图像进行处理分析,判定马铃薯等级,并将结果发送给PLC。分级装置根据获得的分级信息驱动电磁阀卸料装置将不同等级的马铃薯送到收集箱,完成马铃薯的分级检测。2机械分级指标大小与形状是球型果蔬的重要特征,在传统的机械分级中,如漏网层分级、筛选筒分级等都是以其为指标的。在计算机视觉分级中,大小和形状仍是球型果蔬外部品质的重要特性。2.1计算每幅图像中马铃薯的最伸长采用改进的果径法,即最长轴法进行马铃薯大小分级。对马铃薯的3幅图像进行处理,计算每幅图像中马铃薯的最长轴(如图1所示),再求其最大值,即得到该马铃薯的最长轴长度M。把M作为大小分级的特征值,与大小分级的阈值相比,将马铃薯分为特级马铃薯、一级马铃薯、二级马铃薯和等级外马铃薯等4个等级,完成马铃薯的大小分级。2.2离心率分析采用计算离心率法将马铃薯的形状类型分为球型和椭球型两类,离心率即马铃薯的最长轴与该最长轴垂直方向上长轴的比值。对于拍摄到的每幅图像,计算出图像中马铃薯的最长轴长度MA,再计算其垂直方向上的长轴MB,则离心率Rr=ΜAΜB(1)Rr=MAMB(1)取每个马铃薯3幅图像中最大的离心率为形状系数RM,其值在[1,∞)之间取得。根据外形轮廓线的特点可知,对于正球型的物体,其RM值为1。当马铃薯的RM值越接近1,则马铃薯的球型度越好,即为球型马铃薯;当马铃薯的RM值越偏离1,则马铃薯越扁长,即为椭球型马铃薯。对于图2中的球型马铃薯,其离心率为1.112,接近于1;椭球型马铃薯离心率1.397,偏离于1,离心率值相对较大。3果汁产品表面缺陷检测果蔬产品的表面缺陷是影响其等级的重要因素之一,其表面缺陷检测是品质检测中的难点,所以说果蔬产品表面缺陷检测尤其重要。马铃薯的发芽和畸形最为普遍,对马铃薯的检测和分级影响比较大,所以本文对这两种缺陷进行检测研究。3.1g通道平均空白值的计算采用一种基于G通道的灰度值差值法检测发芽马铃薯。马铃薯的块茎在生长过程中埋藏在土壤中,表皮呈现暗黄色。而马铃薯刚长出的幼芽芽体鲜嫩,颜色偏亮,与正常马铃薯表皮G通道灰度值相差较大,如图3所示。对于拍摄到的每幅图像,提取出马铃薯单体的区域,计算马铃薯单体区域的G通道平均灰度值GA。再次扫描马铃薯区域,设某点G通道的灰度值为GT,则该点G通道的灰度值与马铃薯G通道平均灰度值的差值GD=GT-GA(2)将GD与灰度值差阈值TD相比,如果GD>TD,则认为该点为芽体点。但是该芽体点并不一定是真实的发芽点,当马铃薯表面有很明显亮点时,会将该亮点误判为芽体点,从而影响判定的准确性。所以需对整幅图像中判断为芽体点的个数进行统计分析,得到芽体点总数NG。根据试验结果,当NG>10时,可基本判定图像中存在发芽体。3.2半径归一化后的各边界点半径变化采用半径序列的方法对马铃薯边界轮廓进行描述,并基于边界的归一化半径序列提出一种马铃薯畸形的检测算法。提取马铃薯边界轮廓,用等间距法对边界点进行取样等分处理,采样间隔为8像素。计算采样的边界点到形心点(x0,y0)的距离,即半径r(k)=√(xk-x0)2+(yk-y0)2(k=0,1,⋯,n)(3)r(k)=(xk−x0)2+(yk−y0)2−−−−−−−−−−−−−−−−−−√(k=0,1,⋯,n)(3)式中xk、yk——等分点Pk的坐标半径r(k)的变化规律即可反映马铃薯的外形轮廓特点,但由于各个马铃薯的大小不一,为了增加可比性,还需将半径进行归一化处理。首先求得半径序列r(k)平均半径rm=1krm=1kn-1∑k=0∑k=0n−1r(k)(4)则归一化后的半径序列rn(k)可表示为rn(k)=r(k)rm(5)为了更加充分准确地描述畸形马铃薯在畸形处边界点半径的剧烈突变,需要计算每相邻2个采样边界点归一化半径之差的绝对值Δrn(m)=|rn(k+1)-rn(k)|(m=0,1,…,k-1)(6)分别求取畸形马铃薯、球型马铃薯和椭球型马铃薯的Δrn(m),并将Δrn(m)沿马铃薯边界展开,结果如图4所示。由图4可知,由于畸形马铃薯在畸形处的半径有突变,造成了Δrn(m)较大,即曲线的峰值较大,达到了0.1以上;椭球型马铃薯截面为椭圆形,半径序列也会有一定起伏,影响Δrn(m)大小,其峰值略小于0.07,但仍然明显小于畸形马铃薯曲线的峰值;球型马铃薯半径变化平缓,所以Δrn(m)较小,其峰值尚不到0.05。取马铃薯3幅图像中Δrn(m)的最大值Δrnmax(m)为畸形检测特征值,如果Δrnmax(m)大于设定阈值,即为畸形马铃薯。4综合分级试验根据配套的试验硬件,以黑色传送带作为图像处理背景,按照球型薯和椭球型薯两种形状分类,按照特级薯、一级薯和二级薯进行大小分级,加上等级外马铃薯,共7个等级进行综合分级试验。为验证整体系统的分级性能,采用上述处理算法,对50个马铃薯进行了6次分级试验。记录试验结果数据,把每个级别的样本数和分级正确率列入表中,如表1所示,分析总结综合分级试验结果。试验中,窜果数m为36,马铃薯总数n=50×6=300,则马铃薯综合分级准确率5马铃薯分类、检测(1)利用改进的果径法精确地计算出马铃薯的大小尺寸,设定3个分级阈值,按大小将马铃薯进行了分级。利用改进的离心率法,实现了球型和椭球型马铃薯的分类。(2)实现了马铃薯的发