英语原文共 9 页，剩余内容已隐藏，支付完成后下载完整资料

In-line sorting of irregular potatoes by using automated computer-based machine vision system

基于计算机自动视觉系统的不规则马铃薯在线分选系统

摘要

本文研究了一种快速、准确的计算机视觉系统，用于实时检测不规则马铃薯。支持的算法经过专门开发和编程，用于图像采集和处理、控制整个分类过程、保存分类结果和监控所有操作的进度。首先建立了不同形状和大小马铃薯的图像数据库，然后从每个图像中提取周长、质心、面积、转动惯量、长度和宽度等基本几何特征。此外，还对数据库中的每幅图像计算了由尺寸特征和傅里叶变换得到的8个形状参数。所有提取的形状参数均输入逐步线性判别分析，以提取最能表征马铃薯规律性的重要参数。基于逐步线性判别分析，发现两个形状特征（圆度和广度）和四个傅里叶形状参数对规则和不规则马铃薯的分类是有效的。对于由228个土豆组成的训练集，平均正确分类率为96.5%，然后在另一个由182个土豆组成的测试集上对算法进行了实时验证。实验表明，马铃薯在线分类的成功率为96.2%。同时，根据大小对形状良好的土豆进行分类，达到100%的准确率，这表明所开发的机器视觉系统在畸形产品的自动检测和分类方面具有巨大的潜力。

一．介绍

尽管产品最重要的质量参数为感官属性、营养价值、化学成分、机械性能、功能特性和缺陷，但是消费者消费的偏好主要取决于产品的整体外观、颜色和形状。马铃薯作为世界上第五大重要的作物，依据粮农组织在2004年公布的数据显示其总收获面积为1890万亩，马铃薯的大小形状和规律性上存在巨大差异。马铃薯在大小形状上的巨大差异并且其易受损害，因此马铃薯处理和分级较为困难。形状相对较为规则的马铃薯比较好，因为不规则的马铃薯在剥皮和后期加工中会损失很大一部分。大多数消费者首选的产品永远是一个良好的外观，尺寸和形状统一的产品，此类产品比较畅销。因此马铃薯的分级分类将可以有效保证卖家对马铃薯的制定等级和质量的需求，也可以满足买家买到预期的优质产品。

丢弃损坏和畸形的马铃薯通常是由生产线的工人根据他们的经验知识手动操作，并丢弃所有不需要的马铃薯。马铃薯包装行业面临着许多与人力相关的问题，如由于分类和分级标准不一致以及人为失误导致的劳动力成本上升和生产浪费（Zhou等人，1998）。除了标准的不一致性、可变性和主观性之外，手动分拣过程非常繁琐、费时费力且成本高昂，且容易受到环境的影响（Razmjooy等人，2012）。由于质量检验流程的效率和有效性决定了产品的畅销与否，因此需要处理能力强大、自动化、标准一致的检验系统来提高生产速度，提高准确性和效率，同时降低生产成本。因此，在过去20年中，在发达国家的大多数包装厂，采用基于计算机的机器视觉系统对新鲜水果和蔬菜进行检测的工作在逐渐代替采用体力劳动的同类企业（Moreda等人，2012年）。

基于计算机的机器视觉技术以相对较低的成本提供高水平的检测的灵活性和可重复性，具有较高的工业生产能力和较高的分拣精度。随着计算机技术的进步，现代制造商已经开始注意机器视觉检测系统的作用（Sylla，2002）。因此，目前正在将这种系统作为食品加工厂实时质量评估和质量控制系统的一个组成部分进行开发，并广泛用于多种食品的检验（Cubero等人，2011年）。这些系统为许多农产品的自动化控制和控制中的一些固有问题提供了各解决方案（Urea等人。2001年；Aleixos等人，2002年；Blasco等人，2009a；Jarimopas和Jaisin，2008年；al Mallahi等人，2010年；Kondo，2010年；AlOhali，2011年）。然而，要使这些系统在马铃薯分拣工序中较好应用，需要改进分级和分类速度，以及检测外部（瘀伤、冻伤、污点、腐烂等）和内部缺陷（黑心、冻伤、水芯、内腔等）的能力。这可以通过将成像和光谱技术集成到成像光谱学或光谱成像的系统中来实现功能（ElMasry和Sun，2010；Li等人，2011）。除了作为所有机器视觉系统的即使图像处理机制之外，机器视觉应用于食品质量评估、传递由成像算法做出的决策以及用于同步、分离、分级和分类过程的另一个挑战是机械化高效化。因此，主要的问题是如何以串联模式实现所有的图像处理例程，以在毫秒内执行基本操作，以及如何在一秒钟内评估多个产品，而不是用几秒钟来评估一个产品。这种方法需要克服所有的计算复杂性。

马铃薯必须具有良好的色泽，形状均匀规则，没有任何缺陷，才能在竞争激烈的市场中获得合理的份额。马铃薯受到某些致病因子的感染，如病毒或类病毒的感染，导致马铃薯形状的巨大变化。在所有的分类和质量检验标准中，由于产品形状和不规则性的巨大变化，形状是马铃薯检验中最为关注的问题之一，也是马铃薯检验中最为复杂的问题之一。此外，收获和搬运过程中的损坏和切割会增加额外的形状类型（Ding和Gunasekaran，1994）。

形状是食品分级和分类过程中最常见的质量评价标准之一，目的是为消费者提供同质的产品。因此，新鲜农产品营销标准规定的将水果定为优质水果的一个必要条件是可以有效地在包装店中被应用，在包装店，分级员根据水果形状是否有损于品种的典型特征形状来判断水果形状。畸形或畸形的表达因产品而异（Moreda等人，2012）。由于马铃薯形状的多样性，很难总结出这种产品的形状类别。这种特性通常被称为物体几何的物理结构（Jain，1989）。在食品质量评价中，人们研究了各种形状描述技术，如链码法、多元逼近法、矩法等方法。

在这些技术中，大多数应用都基于傅里叶描述子和不变矩，因为它们在方向、形状或大小方面具有不变性（Menesatti et al.，2008；Blasco et al.，2009b；Costa et al.，2009；Mebatsion et al.，2012）。然而，傅里叶变换的估计在计算资源方面是非常昂贵的。为了克服这个问题，可以用快速傅立叶变换（FFT）代替。

本研究的总体目标是开发一个计算机视觉系统，根据电子分拣机运输马铃薯马铃薯时的形状规律，实时自动分类和分级。这就需要开发快速算法来分析马铃薯的形状，以实现基于计算机视觉的马铃薯形状实时分级系统。不规则的脚趾将被丢弃，好的脚趾应按大小分级

以便将它们分为不同的类别。所开发的系统已在一台完整的分拣机上作为一个预制工业原型进行了测试。

2．材料和方法

2.1．马铃薯样品

马铃薯是直接从一家包装厂（Patatas Aguilar，S.a.，Valencia，Spain）购买的，该包装厂采用手工和机械结合的方式进行分级和分类。在包装室内的过程中，马铃薯被机械地清洗和清洗，以清除所有的污垢和粘土，然后在工人面前转移，以收集发芽的、受感染的、老化的和所有不受欢迎类型的马铃薯。在这项研究中，本文不是随机抽取马铃薯样本，而是有意选择不同大小和形状的马铃薯作为训练/学习集，尽可能覆盖马铃薯大小和规律的全谱。事实上，使用形状信息来建立判别边界通常需要有经验的人类专家进行检查和分级。这些马铃薯是由专业检查人员手动分类为规则和畸形（不规则）马铃薯。从马铃薯形状的规律性来判断马铃薯的形状是好还是畸形。不规则的马铃薯可能包括任何遭受严重切割、畸形或存在二次生长的马铃薯，称为珠状马铃薯或二次马铃薯。图1a显示了这些畸形马铃薯的一些例子。培训组共228个马铃薯（190个被选为常规马铃薯，38个被选为畸形马铃薯）。通过在传送带上方的照明室中分别放置每个马铃薯来获取图像，从而建立了图像数据库。然后将所有图像保存在计算机上作为数据库，提取每个马铃薯的主要特征，并建立线性判别分析（LDA）模型预测马铃薯的规律性。在学习模式中，对已知形状的数据库图像提取的特征进行分析，以预测未知马铃薯集的规律性。因此，另一组由182个（162个常规马铃薯和20个畸形马铃薯）组成的马铃薯作为测试集，在实时应用中验证预测模型，并评估训练后的机器视觉系统执行此类任务的准确性。

2.2．机器视觉系统、图像处理和分类算法

如图2所示，本研究中使用的机器视觉系统包括一个CCD摄像机（Sony XC003P）、一个帧抓取器（Mat-rox Meteor）、一个照明室、一个滚筒传送系统和一台具有四个RAM存储器且处理器速度为2.66GHz的计算机。摄像机安装在照明室的顶部。帧捕获器以RGB（红色、绿色和蓝色）格式对图像进行数字化，并将其传输到计算机内存中。照明室是由一个不锈钢盒子制成的。在这个室内，16个40 W日光紧凑型荧光管固定在室内两侧和顶部，以便在被检查的管通过摄像机下方时为其提供均匀的照明。照明管与高频电子镇流器（Osram，Quicktronic professional QTP）一起使用，以避免flicker效应。一个精心选择的照明系统可以让马铃薯被正确地识别和分析。因此，重要的是避免定向光照射在马铃薯上，以避免亮点和镜面反射，从而隐藏或改变马铃薯表面的重要特征。由于马铃薯形状的变化，不可能避免这种情况；

图1.图像处理的步骤.（a） 第一行显示一些不规则马铃薯在传送带上移动的原始图像，第二行是从背景中分割马铃薯，第三行是经过中值滤波后的分割图像，第四行是每个马铃薯的边界边缘；（b）识别惯性轴、边界点的坐标，除了从边界到质心提取边界pro file r（t）外，还提取质心和长轴和短轴。

图2.实验性机器视觉系统.（a） 显示照明室、传送带、摄像机控制器和计算机的机器视觉原型的总体布局；（b）照明室的特写视图，显示照明管，灯管前面固定有极化滤光片；（c）系统满负荷在传送带中移动时的马铃薯（d）在双锥形滚筒皮带上移动的马铃薯的平面图。

因此，本文通过在荧光管上和相机镜头前放置交叉偏振滤光片，这个问题得到了根本的缓解。

输送系统是一个自动检查和处理机器的一部分，由一个非常长的带两条双圆锥滚子线的输送机组成，该双圆锥滚子具有旋转运动，可单独传送管道。输送机能够同时旋转和运输管子，允许摄像机在所有位置和侧面对其成像，从而允许检查所有管子表面。虽然输送机有两条双圆锥滚子线，但只有中间的那条线被开发出来了

在这项研究中。为了冻结移动并获得马铃薯的清晰图像，相机的快门设置为1/500秒。传送辊的颜色为完全黑色，以增强马铃薯和旋转辊的对比度，从而使图像的分割过程更容易。上述所有单元都完全由计算机控制。

所有的图像采集程序和并行图像处理算法都是用C语言编写的。设计了一个特殊的图形用户界面（GUI）来控制整个过程，保存分类结果并监控所有操作的进度。所有源代码都是专门编写的

对于此应用程序，无需使用任何自定义库，以确保对操作的控制和实时响应。图3所示的流程图全面描述了检测畸形马铃薯的图像处理算法所涉及的关键步骤。算法有不同的处理步骤。第一步是图像采集和图像预处理。第二步是提取周长、质心、面积、转动惯量、长度和宽度等几何特征。第三步是根据尺寸特征或傅立叶变换计算形状参数。最重要的阶段是判别分析阶段，在这个阶段中，所有提取的参数都进入逐步线性判别分析，以获得最能表征马铃薯形状的最重要参数，然后建立判别函数来识别未知形状。如果马铃薯脚趾被鉴定为形状不规则，那么它们被归类为畸形马铃薯，同时如果它们被鉴定为普通马铃薯，那么它们根据大小被分为四个等级。

2.2.1.图像采集

该系统连续采集768times;576像素的图像，分辨率为0.71mm/像素，其中一幅图像对某一场景的采集时间为40ms，为了加速系统以实时执行所有处理，采集的图像与同时采集新图像的同时进行处理，这节省了采集所需的40 ms，使得在在线模式下执行分类成为可能。这是通过在图像采集算法中使用两个内存缓冲区来分配图像来实现的。一旦在一个缓冲区中采集到一幅图像，系统就开始对其进行处理，同时，相机也在另一个缓冲区中采集下一幅图像。当第一幅图像完成后，信息从缓冲区释放出来，以便它可以拍摄另一幅图像。

在采集过程中，马铃薯由传送带以1 m/s的速度传送，同时摄像机从所有可能的侧面连续采集每个马铃薯的多个图像，以确保最大程度的表面检查。由于马铃薯在运动过程中是旋转的，因此采集了马铃薯不同侧面的图像（视图）。根据马铃薯的大小，在摄像机的整个视野中，每个马铃薯采集的图像总数约为5-7幅。一旦马铃薯进入摄像机的视野，它就会在连续的视野中进行数字标记和跟踪。除非整个表面出现在视野中，否则这些视图不被视为马铃薯。然后，分别处理每个部分图像（视图）。滚筒间距为80 mm。包含七个完整视图的图像可能会导致连续图像之间的间隙或重叠问题。在这种情况下，实际场景可以包含七个完整的马铃薯（最佳情况）或六个完整的马铃薯加上两个接触图像两端边界的部分马铃薯。这些算法能够检测出这些案例并从分析中去除它们的影响，从而只分析完整马铃薯的视图。一旦收集到特定马铃薯的最后一张图像，该算法将根据所有处理图像的部分结果估计该马铃薯的特征。选择帧捕获速率是为了防止仅当图像丢失时才可能发生的连续图像之间的间隙（发生可能性为0）。在任何情况下，如果这是由于技术问题，算法将只漏掉五个马铃薯的视图到七个马铃薯的视图，并将其余的用于分析。

为了使图像采集与传送带的前进同步，使用了一个附着在机器旋转辊上，并连接到计算机并行端口的递增编码器（Wachendorff WDG40S）。编码器的分辨率为3脉冲/mm。知道滚轴之间的距离为80毫米，软件触发相机每240个脉冲，为每个进入场景的滚轴捕捉一个图像。这也允许跟踪每一个马铃薯在机器中的位置，直到它被送到。在内部，每个马铃薯的信息存储在一个数组中，该数组存储从每个视图获得的数据。当最后一个视图被分析时，信息被组合起来，算法产生一个剩余脉冲数以到达正确的出口。编码器的每一个脉冲都会减少这个计数，直到到达数值0为止，这时马铃薯应该被完全送完。

图3.马铃薯畸形检测图像处理算法关键步骤流程图

2.2.2图像预处理与分

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[237013]，资料为PDF文档或Word文档，PDF文档可免费转换为Word