王衛(wèi)翼 張秋菊

WANG Wei－yi 1，2 ZH ANG Qiu－ju 1，2

（1.江南大學(xué)機(jī)械工程學(xué)院，江蘇 無(wú)錫 214122；2.江蘇省食品先進(jìn)制造裝備技術(shù)重點(diǎn)實(shí)驗(yàn)室，江蘇 無(wú)錫 214122）

（1.Jiangsu Key Laboratory of Advanced Food Manufacturing Equipment and Technology，Wuxi，Jiangsu 214122，China；2.School of Mechanical Engineering，Jiangnan University，Wuxi，Jiangsu 214122，China）

葵花籽俗稱(chēng)瓜子，是向日葵的籽實(shí)，同時(shí)也是中國(guó)最具傳統(tǒng)特色、歷史最為悠久的炒貨食品。根據(jù)對(duì)瓜子所做的消費(fèi)者需求市場(chǎng)調(diào)研，消費(fèi)者認(rèn)為現(xiàn)有瓜子產(chǎn)品的主要不足排在首位的是“有壞的”，可見(jiàn)，對(duì)葵花籽的分選，尤其蟲(chóng)蝕葵花籽的精選，直接影響產(chǎn)品的品質(zhì)和市場(chǎng)銷(xiāo)售。迄今為止，蟲(chóng)蝕葵花籽的識(shí)別和分選仍需要依靠人工完成。人工分選不可避免地存在著人工視覺(jué)疲勞、誤判漏判，分選效率低，出錯(cuò)率高，已成為嚴(yán)重影響產(chǎn)品質(zhì)量和生產(chǎn)效率的瓶頸問(wèn)題。

隨著機(jī)器視覺(jué)技術(shù)的快速發(fā)展和逐步成熟，視覺(jué)檢測(cè)技術(shù)被廣泛應(yīng)用于各個(gè)領(lǐng)域。近年來(lái)，由于具有處理速度快、信息豐富、非接觸性等優(yōu)點(diǎn)，利用機(jī)器視覺(jué)技術(shù)對(duì)水果、谷物、禽蛋等農(nóng)產(chǎn)品進(jìn)行自動(dòng)檢測(cè)盒分級(jí)是學(xué)術(shù)界研究的熱點(diǎn)之一［1］。中國(guó)農(nóng)業(yè)大學(xué)和北京大學(xué)成功研制了谷物品質(zhì)檢測(cè)系統(tǒng)，用圖像技術(shù)代替人工進(jìn)行大米分選［2］。周一紅［3］通過(guò)分析西瓜子表面特征和形狀特征，利用機(jī)器視覺(jué)和圖像處理技術(shù)，實(shí)現(xiàn)了西瓜子表面紋理特征的提取和描述。黎移新［4］應(yīng)用機(jī)器視覺(jué)技術(shù)實(shí)現(xiàn)了柑橘病蟲(chóng)害疤痕的識(shí)別。施健等［5］應(yīng)用機(jī)器視覺(jué)技術(shù)，實(shí)現(xiàn)了鮮棗的大小分級(jí)，并設(shè)計(jì)了鮮棗分級(jí)系統(tǒng)。但是針對(duì)葵花籽的視覺(jué)分選，尤其是針對(duì)有蟲(chóng)蝕的葵花籽視覺(jué)精選技術(shù)的研究，目前尚未見(jiàn)有相關(guān)研究報(bào)道。

本研究擬選用市場(chǎng)占有率最高的美葵5009作為研究對(duì)象，首先分析葵花籽的蟲(chóng)蝕特征，針對(duì)蟲(chóng)蝕葵花籽的識(shí)別設(shè)計(jì)專(zhuān)用的蟲(chóng)蝕葵花籽識(shí)別分選系統(tǒng)。采用機(jī)器視覺(jué)和圖像處理技術(shù)，實(shí)現(xiàn)對(duì)葵花籽蟲(chóng)蝕特征的有效提取，為實(shí)現(xiàn)蟲(chóng)蝕葵花籽的自動(dòng)化識(shí)別和分選提供有效手段。

1 蟲(chóng)蝕葵花籽的識(shí)別原理

在實(shí)際應(yīng)用中，為保證蟲(chóng)蝕葵花籽的識(shí)別效率，每次采集的圖像中將包含多個(gè)葵花籽個(gè)體，其中包括正?？ㄗ押拖x(chóng)蝕葵花籽。① 采集多個(gè)葵花籽的圖像，包括在合適的正面光照亮度下的特征面蟲(chóng)蝕圖像和僅有背光光照下的葵花籽所有個(gè)體圖像；② 采用圖像閾值分割方法對(duì)采集到的葵花籽所有個(gè)體圖像進(jìn)行處理，分割出每個(gè)葵花籽的單獨(dú)個(gè)體；③ 對(duì)所有葵花籽個(gè)體逐個(gè)進(jìn)行識(shí)別，判斷其是否為蟲(chóng)蝕葵花籽，同時(shí)根據(jù)個(gè)體形心進(jìn)行個(gè)體定位，以便于隨后的分揀。蟲(chóng)蝕葵花籽識(shí)別流程見(jiàn)圖1。

圖1 蟲(chóng)蝕葵花籽識(shí)別流程圖Figure 1 The flow chart of wormhole sunflower seeds sort

2 蟲(chóng)蝕葵花籽的識(shí)別與分選系統(tǒng)

2.1 系統(tǒng)總體構(gòu)成

針對(duì)葵花籽雙側(cè)弧面的特點(diǎn)，必須對(duì)葵花籽進(jìn)行雙面識(shí)別才能保證不發(fā)生蟲(chóng)蝕葵花籽漏檢。因此，設(shè)計(jì)蟲(chóng)蝕葵花籽的識(shí)別與分選系統(tǒng)時(shí)，必須考慮葵花籽的翻面裝置，以及分別針對(duì)葵花籽兩個(gè)弧面的葵花籽輸送、識(shí)別和分選機(jī)構(gòu)。針對(duì)葵花籽的蟲(chóng)蝕特征，采用機(jī)器視覺(jué)系統(tǒng)進(jìn)行葵花籽特征的采集和蟲(chóng)蝕特征的識(shí)別。經(jīng)過(guò)分選后的葵花籽可通過(guò)輸送機(jī)構(gòu)用于后續(xù)加工處理。

根據(jù)以上分析，基于機(jī)器視覺(jué)的蟲(chóng)蝕葵花籽識(shí)別與分選系統(tǒng)主要由以下部分組成：

（1）葵花籽輸送部分。該部分主要有傳送帶、動(dòng)力滾筒、交流電機(jī)、變頻器、同步帶等組成，主要是實(shí)現(xiàn)識(shí)別過(guò)程中對(duì)葵花籽運(yùn)輸?shù)墓δ?，使葵花籽能夠順利流暢的?jīng)過(guò)整個(gè)系統(tǒng)的每個(gè)功能部分；

（2）蟲(chóng)蝕葵花籽視覺(jué)識(shí)別部分。該部分主要由機(jī)器視覺(jué)相關(guān)組件構(gòu)成，包括光源系統(tǒng)、工業(yè)相機(jī)、光照箱等，是整個(gè)分揀系統(tǒng)的關(guān)鍵部分之一。視覺(jué)識(shí)別部分的主要功能是實(shí)現(xiàn)蟲(chóng)蝕葵花籽的識(shí)別和定位，其通過(guò)對(duì)傳送帶上多個(gè)葵花籽進(jìn)行圖像采集，并對(duì)采集到的圖像進(jìn)行分析和處理，識(shí)別出蟲(chóng)蝕葵花籽個(gè)體，并對(duì)每個(gè)個(gè)體進(jìn)行標(biāo)記和定位。

（3）蟲(chóng)蝕葵花籽分揀部分。該部分采用兩自由度SCARA機(jī)械手作為分揀裝置。機(jī)械手末端為真空吸嘴。通過(guò)機(jī)械手運(yùn)動(dòng)，將末端的真空吸嘴快速定位至位于傳送帶上的蟲(chóng)蝕葵花籽的上方，利用真空負(fù)壓將蟲(chóng)蝕葵花籽吸走，通過(guò)氣管輸送至分類(lèi)容器，實(shí)現(xiàn)蟲(chóng)蝕葵花籽的分揀和儲(chǔ)存。

（4）葵花籽翻面機(jī)構(gòu)。針對(duì)葵花籽兩個(gè)特征弧面的特點(diǎn)，該部分通過(guò)兩條傳送帶同步工作，利用翻面滾筒，實(shí)現(xiàn)對(duì)葵花籽的翻面。在蟲(chóng)蝕葵花籽經(jīng)過(guò)第一套視覺(jué)識(shí)別系統(tǒng)的識(shí)別和第一套分揀系統(tǒng)的分揀后，剩余的葵花籽經(jīng)過(guò)翻面機(jī)構(gòu)，將自身未經(jīng)過(guò)檢測(cè)的特征弧面朝向上方，以便第二套視覺(jué)識(shí)別系統(tǒng)進(jìn)行識(shí)別和定位。

（5）控制系統(tǒng)?？刂葡到y(tǒng)包括總體控制系統(tǒng)、視覺(jué)控制系統(tǒng)、運(yùn)輸控制系統(tǒng)、分揀控制系統(tǒng)。其中，總體控制系統(tǒng)的功能是完成各個(gè)分控制系統(tǒng)的總體邏輯與順序控制和相關(guān)輔助功能；視覺(jué)控制系統(tǒng)實(shí)現(xiàn)視覺(jué)識(shí)別部分的控制，包括光源的亮度、開(kāi)關(guān)狀態(tài)、相機(jī)采集圖像等；運(yùn)輸控制系統(tǒng)主要實(shí)現(xiàn)傳送帶的運(yùn)動(dòng)控制；分選控制系統(tǒng)主要實(shí)現(xiàn)SCARA機(jī)械手的運(yùn)動(dòng)控制和其末端吸嘴的控制。

綜上所述，基于機(jī)器視覺(jué)的蟲(chóng)蝕葵花籽識(shí)別分揀系統(tǒng)組成框圖和功能示意圖見(jiàn)圖2、3。由圖3可知，未經(jīng)分選的葵花籽通過(guò)上料端進(jìn)入系統(tǒng)，首先經(jīng)過(guò)第一次視覺(jué)識(shí)別后，識(shí)別出一個(gè)特征弧面具有蟲(chóng)蝕特征的蟲(chóng)蝕葵花籽，并進(jìn)行定位。然后進(jìn)入分揀系統(tǒng)，由分揀機(jī)械手1進(jìn)行分揀。剩余的葵花籽經(jīng)由翻面機(jī)構(gòu)實(shí)現(xiàn)翻面處理，并進(jìn)入傳送帶2，進(jìn)行第二次視覺(jué)識(shí)別，識(shí)別出蟲(chóng)蝕葵花籽并進(jìn)行定位，并由分揀機(jī)械手2進(jìn)行分揀。至此，一批葵花籽兩個(gè)特征弧面均進(jìn)行了檢測(cè)，識(shí)別完成，剩余的優(yōu)良葵花籽經(jīng)出料端進(jìn)入下一加工環(huán)節(jié)。

2.2 機(jī)器視覺(jué)光源系統(tǒng)設(shè)計(jì)

根據(jù)對(duì)葵花籽蟲(chóng)蝕特征的分析，在蟲(chóng)蝕葵花籽的識(shí)別過(guò)程中，需要對(duì)兩類(lèi)蟲(chóng)蝕特征進(jìn)行提取。為得到清晰有效的葵花籽圖像信息，同時(shí)保證圖像中葵花籽的蟲(chóng)蝕特征便于分析和提取，本研究設(shè)計(jì)了一套適用于蟲(chóng)蝕葵花籽視覺(jué)識(shí)別的圖像采集系統(tǒng)，包括光源系統(tǒng)和相機(jī)。

在蟲(chóng)蝕葵花籽視覺(jué)檢測(cè)系統(tǒng)中，首先需要正面照射光源為葵花籽表面提供光線(xiàn)。同時(shí)，由于葵花籽個(gè)體獨(dú)特的雙弧面形狀，在正面光源的照射下，會(huì)產(chǎn)生陰影，故需要背光光源以消除陰影，并凸顯葵花籽個(gè)體的輪廓特征。同時(shí)，為保證較大視野中多個(gè)葵花籽個(gè)體光照均勻，采用環(huán)繞正面光源的方式。

因此，葵花籽視覺(jué)檢測(cè)系統(tǒng)中的光源系統(tǒng)采用“環(huán)繞正面光源與背光光源”的組合方式。同時(shí)將4個(gè)相同的正面照射光源分別放置在背光光源的四周，軸線(xiàn)與背光光源平面呈一定的角度，并均指向被測(cè)葵花籽。光源系統(tǒng)示意圖見(jiàn)圖4。

這種光源系統(tǒng)的每個(gè)光源均可獨(dú)立控制亮度和開(kāi)關(guān)狀態(tài)，可根據(jù)不同的葵花籽圖像采集要求設(shè)置不同的亮度和開(kāi)關(guān)狀態(tài)組合。針對(duì)蟲(chóng)蝕特征圖像的采集，則根據(jù)預(yù)先設(shè)置的光源亮度，同時(shí)開(kāi)啟正面光源和背光光源來(lái)完成圖像采集；針對(duì)蟲(chóng)蝕葵花籽的邊緣輪廓特征圖像的采集，則單獨(dú)開(kāi)啟背光光源來(lái)凸顯其輪廓特征，完成圖像采集。采用該光源系統(tǒng)，能夠很好的完成葵花籽蟲(chóng)蝕特征和輪廓特征的采集，獲取完整清晰、特征明顯的目標(biāo)圖像，為后續(xù)蟲(chóng)蝕特征的提取和識(shí)別工作奠定基礎(chǔ)。

圖2 系統(tǒng)組成框圖Figure 2 Components of the system

圖3 系統(tǒng)功能示意圖Figure 3 Schematic diagram of the system function

圖4 蟲(chóng)蝕葵花籽圖像采集專(zhuān)用光源系統(tǒng)Figure 4 The light source system for wormhole sunflower seeds image acquisition

3 葵花籽蟲(chóng)蝕特征分析

正?？ㄗ褑蝹€(gè)個(gè)體小，輪廓外形為長(zhǎng)水滴形，兩側(cè)面隆起形成弧面，成為兩個(gè)特征面。兩個(gè)特征面上分布著紋理與斑塊，顏色主要以黑色和白色為主。根據(jù)《中華人民共和國(guó)國(guó)家標(biāo)準(zhǔn) GB／T 11764—2008》［6］，蟲(chóng)蝕葵花籽指的是被蟲(chóng)蛀蝕、傷及籽仁的顆粒。蟲(chóng)蝕葵花籽表面具有明顯的蟲(chóng)蝕特征，即蟲(chóng)洞。本研究所用的蟲(chóng)蝕葵花籽均為具有蟲(chóng)蝕特征的黑葵花籽，見(jiàn)圖5。

圖5 蟲(chóng)蝕葵花籽Figure 5 Wormhole sunflower seeds

根據(jù)分布位置不同，可將蟲(chóng)蝕特征（蟲(chóng)洞）分為兩類(lèi)：特征面蟲(chóng)蝕和邊緣蟲(chóng)蝕，如圖5所示。若蟲(chóng)蝕位于葵花籽的特征面上，則在葵花籽的特征弧面上將出現(xiàn)蟲(chóng)蝕造成的蟲(chóng)洞，蟲(chóng)洞穿透葵花籽的外殼通入葵花籽內(nèi)部；若蟲(chóng)蝕位于葵花籽的邊緣輪廓上，則葵花籽的輪廓邊緣將出現(xiàn)殘缺，使其失去長(zhǎng)水滴形邊緣的完整性。同時(shí)，根據(jù)對(duì)葵花籽蟲(chóng)蝕分布情況的抽樣統(tǒng)計(jì)可以發(fā)現(xiàn)，蟲(chóng)蝕位于特征面上的蟲(chóng)蝕葵花籽數(shù)量遠(yuǎn)大于蟲(chóng)蝕位于邊緣輪廓的蟲(chóng)蝕葵花籽，特征面蟲(chóng)蝕的出現(xiàn)概率約為邊緣蟲(chóng)蝕的數(shù)十倍。

4 葵花籽蟲(chóng)蝕特征的提取

4.1 特征面蟲(chóng)蝕特征的提取

4.1.1 孔洞的“吸光效應(yīng)” 物體表面存在孔洞且其他表面較平滑時(shí)，若采用合適角度的光線(xiàn)照射其表面，部分光線(xiàn)照射進(jìn)入孔洞中，由于漫反射導(dǎo)致這部分光線(xiàn)的反射光線(xiàn)被孔壁阻擋，從而出現(xiàn)孔洞部分亮度低于周?chē)交砻媪炼鹊默F(xiàn)象，將這種現(xiàn)象稱(chēng)為孔洞的“吸光效應(yīng)”。“吸光效應(yīng)”原理示意圖見(jiàn)圖6。散射光線(xiàn)從不同角度照射到物體表面時(shí)，由于表面較為平滑，形成類(lèi)似鏡面反射或漫反射，光線(xiàn)能量損失小，反射光線(xiàn)亮度強(qiáng)；而光線(xiàn)若照射至表面的孔洞中，光線(xiàn)由于在孔洞內(nèi)部進(jìn)行漫反射而導(dǎo)致大部分光線(xiàn)無(wú)法反射出孔洞，反射光線(xiàn)能量低，從而導(dǎo)致表面孔洞部分亮度低。試驗(yàn)表明，對(duì)于平面孔洞和弧面孔洞，在設(shè)置合理的光線(xiàn)角度和光源亮度后，均可出現(xiàn)較為明顯的孔洞“吸光效應(yīng)”。

4.1.2 葵花籽特征面蟲(chóng)蝕圖像的采集 本研究針對(duì)葵花籽的特征面蟲(chóng)蝕的孔洞特征，根據(jù)孔洞“吸光效應(yīng)”原理，采用圖4所示的光源系統(tǒng)，為正面光源設(shè)置合適的照射角度和亮度，利用工業(yè)相機(jī)對(duì)葵花籽（包括正?？ㄗ押拖x(chóng)蝕葵花籽）進(jìn)行拍攝，采集葵花籽特征面蟲(chóng)蝕特征?？ㄗ烟卣髅嫦x(chóng)蝕特征采集圖片見(jiàn)圖7。其中圖7（b）為設(shè)置了合適的正面光源亮度后采集到的葵花籽特征面蟲(chóng)蝕圖像，圖7（a）為設(shè)置正面光源為低亮度后采集的葵花籽原圖（包括正常葵花籽和蟲(chóng)蝕葵花籽），以便觀(guān)察對(duì)比，實(shí)際識(shí)別中無(wú)需采集。由圖7可知，圖中包含蟲(chóng)蝕葵花籽和正?？ㄗ?，應(yīng)用本研究設(shè)計(jì)的葵花籽特征面蟲(chóng)蝕特征提取方法，能夠凸顯葵花籽的特征面蟲(chóng)蝕，采集清晰有效的特征圖像，同時(shí)自動(dòng)屏蔽正?？ㄗ褕D像的相關(guān)特征，為蟲(chóng)蝕特征的進(jìn)一步識(shí)別奠定基礎(chǔ)。

圖6 “吸光效應(yīng)”原理圖Figure 6 The light absorbing effect

圖7 葵花籽特征面蟲(chóng)蝕Figure 7 The wormhole feature in the face

4.1.3 特征面蟲(chóng)蝕特征的提取 針對(duì)圖7（b）圖像，采用圖像閾值分割［7］的方法進(jìn)行處理，從原圖像中分割出特征面蟲(chóng)蝕特征，其分割閾值采用Otsu法［8］確定。

Otsu法的基本思想是使用閾值T將圖像像素點(diǎn)的灰度值分為兩類(lèi)，當(dāng)這兩類(lèi)的類(lèi)間方差最大時(shí)即為閾值T的確定值。具體實(shí)現(xiàn)過(guò)程：設(shè)待處理圖像的灰度范圍為［0，L－1］，根據(jù)閾值T將圖像的像素點(diǎn)分為兩類(lèi)C0和C1，即類(lèi)C0中的像素點(diǎn)的灰度值均分布在［0，T］的區(qū)間上，類(lèi)C1中的像素點(diǎn)的灰度值均分布在［T＋1，L－1］的區(qū)間上。計(jì)算得出整幅圖像灰度均值uT，類(lèi)C0的灰度均值u0和類(lèi)C1的灰度均值u1，C0和C1兩類(lèi)的出現(xiàn)概率w0和w1，則類(lèi)C0和類(lèi)C1的類(lèi)間方差為

令T在區(qū)間［0，L－1］中依次取值，當(dāng)σ2最大時(shí)，此時(shí)的T即為選取的閾值。

根據(jù)Otsu法確定的閾值，對(duì)特征面蟲(chóng)蝕特征圖像進(jìn)行閾值分割，得到分割后僅包含特征面蟲(chóng)蝕特征的圖像，如圖8所示，其中黑色斑塊即為分割得到的葵花籽特征面蟲(chóng)蝕特征。

4.2 邊緣蟲(chóng)蝕特征的提取

葵花籽蟲(chóng)蝕特征中的邊緣蟲(chóng)蝕可能不會(huì)造成葵花籽表面蟲(chóng)洞，但是其會(huì)破壞葵花籽的完整輪廓，使葵花籽邊緣出現(xiàn)明顯的內(nèi)凹，如圖5（c）所示。通過(guò)分析包含邊緣蟲(chóng)蝕的葵花籽的真實(shí)輪廓，利用多邊形擬合與圖像運(yùn)算提取邊緣蟲(chóng)蝕特征。

4.2.1 葵花籽邊緣輪廓的生成 為提取邊緣蟲(chóng)蝕特征，需分析葵花籽的輪廓信息。采用圖4所示的光源系統(tǒng)，關(guān)閉正面光源而僅開(kāi)啟背光光源。由于無(wú)正面光線(xiàn)，葵花籽表面亮度低，表面紋理和斑塊暗淡、不清晰，而背光光線(xiàn)充足，使葵花籽所在的背景亮度高，與葵花籽表面的低亮度形成鮮明的對(duì)比，使得葵花籽的輪廓信息清晰、完整，特征明顯。

針對(duì)特征清晰完整的葵花籽輪廓圖像，首先采用本文介紹的圖像閾值分割方法對(duì)葵花籽輪廓圖像進(jìn)行分割，獲得葵花籽個(gè)體。其次對(duì)葵花籽個(gè)體圖像進(jìn)行處理，提取其輪廓信息。

采用Canny算法對(duì)分割后的葵花籽個(gè)體進(jìn)行處理，得到葵花籽的真實(shí)邊緣輪廓。Canny算法具有既能濾去噪聲又能保持邊緣特性的邊緣檢測(cè)最優(yōu)濾波器，采用一階微分濾波器。此算法采用二維高斯函數(shù)的任意方向上的一階方向?qū)?shù)為噪聲濾波器，通過(guò)與圖像卷積進(jìn)行濾波；然后對(duì)濾波后的圖像尋找圖像梯度的局部最大值，以此來(lái)確定圖像邊緣。根據(jù)對(duì)信噪比與定位乘積進(jìn)行測(cè)度，得到最優(yōu)化逼近算子［9］。應(yīng)用以上過(guò)程生成的葵花籽邊緣輪廓見(jiàn)圖9。

4.2.2 葵花籽邊緣的多邊形擬合 針對(duì)提取得到的葵花籽邊緣輪廓，采用多邊形擬合的方法，對(duì)葵花籽的邊緣輪廓進(jìn)行近似建模，得到葵花籽真實(shí)輪廓的多邊形模型?？ㄗ颜鎸?shí)邊緣輪廓和擬合多邊形見(jiàn)圖10。

多邊形擬合是一種常用的曲線(xiàn)形狀描述方法，它根據(jù)一定的規(guī)則，利用直線(xiàn)對(duì)目標(biāo)曲線(xiàn)進(jìn)行近似擬合，只保留曲線(xiàn)上關(guān)鍵點(diǎn)的信息，剔除冗余的無(wú)用點(diǎn)信息，實(shí)現(xiàn)曲線(xiàn)輪廓的簡(jiǎn)化［10］。通過(guò)多邊形擬合可以大大減少表示數(shù)字曲線(xiàn)所需要的數(shù)據(jù)量，把不規(guī)則的數(shù)字曲線(xiàn)擬合成規(guī)則的多邊形，使得一些特征量的計(jì)算變得方便，同時(shí)極大限度地保留原始數(shù)字曲線(xiàn)的形狀特征［11，12］。

采用“最大距離法”對(duì)葵花籽邊緣輪廓進(jìn)行多邊形擬合，該算法具體步驟如下：

圖9 葵花籽邊緣輪廓圖像Figure 9 The wormhole feature at the edge

圖10 葵花籽真實(shí)輪廓和擬合多邊形Figure 10 The real contour and the polygonal approximation of sunflower seeds

（1）設(shè)置算法迭代終止參數(shù)dmin。該參數(shù)指的是待擬合曲線(xiàn)上所有點(diǎn)到多邊形的最短距離。設(shè)pk（xk，yk）為待擬合曲線(xiàn)上的一點(diǎn)，pi（xi，yi）、pj（xj，yj）分別為多邊形某一條邊的兩個(gè)頂點(diǎn)，則pk點(diǎn)到多邊形的邊pipj的距離d的計(jì)算公式為

當(dāng)曲線(xiàn)上各個(gè)點(diǎn)到多邊形的距離均小于終止參數(shù)dmin時(shí)，算法迭代終止。

（2）遍歷曲線(xiàn)上的所有點(diǎn)，尋找出曲線(xiàn)上兩個(gè)距離最遠(yuǎn)的點(diǎn)，并繪制第一條線(xiàn)段，將這兩個(gè)點(diǎn)連接起來(lái)。

（3）在曲線(xiàn)上各個(gè)點(diǎn)中尋找到該線(xiàn)段距離最遠(yuǎn)的點(diǎn)，分別連接第一條線(xiàn)段的兩個(gè)端點(diǎn)到該點(diǎn)間的線(xiàn)段，得到第二條和第三條線(xiàn)段，形成第一個(gè)多邊形。

（4）以此類(lèi)推，不斷尋找曲線(xiàn)上各個(gè)點(diǎn)中到已知多邊形距離最遠(yuǎn)的點(diǎn)，并將這些點(diǎn)作為多邊形新的端點(diǎn)，重新擬合多邊形。

（5）算法迭代，直到滿(mǎn)足迭代終止條件，即曲線(xiàn)上各個(gè)點(diǎn)到多邊形的距離均小于終止參數(shù)dmin時(shí)，算法停止，此時(shí)得到的多邊形即為曲線(xiàn)的擬合多邊形。

采用的多邊形擬合算法中的終止參數(shù)dmin是該算法的關(guān)鍵參數(shù)，該參數(shù)將直接決定擬合得到的多邊形的復(fù)雜程度。同時(shí)，合適的終止參數(shù)，可以保證擬合得到的多邊形既能描述葵花籽真實(shí)輪廓的關(guān)鍵信息，如邊緣蟲(chóng)蝕，又能自動(dòng)去除會(huì)造成干擾的冗余信息，如葵花籽邊緣自然形成的微小凹陷。本文通過(guò)試驗(yàn)，確定該參數(shù)為葵花籽輪廓總長(zhǎng)度的0.005倍，使用該值能夠獲得理想的多邊形擬合效果，為邊緣蟲(chóng)蝕特征提取奠定良好的基礎(chǔ)。

4.2.3 邊緣蟲(chóng)蝕特征的提取 通過(guò)對(duì)葵花籽真實(shí)邊緣輪廓進(jìn)行擬合，能夠得到葵花籽邊緣輪廓擬合多邊形，并對(duì)該多邊形的凹凸性進(jìn)行判斷［13］。若多邊形為凹多邊形，則說(shuō)明葵花籽邊緣輪廓存在內(nèi)凹，有邊緣蟲(chóng)蝕；若多邊形為凸多邊形，則說(shuō)明葵花籽邊緣輪廓無(wú)內(nèi)凹，不存在邊緣蟲(chóng)蝕。

5 結(jié)束語(yǔ)

蟲(chóng)蝕葵花籽嚴(yán)重影響食用葵花籽的品質(zhì)質(zhì)量。采用蟲(chóng)蝕葵花籽自動(dòng)化識(shí)別分選技術(shù)取代人工分選，是食用葵花籽工業(yè)化加工的迫切需求和必然發(fā)展趨勢(shì)。本研究介紹了一種基于機(jī)器視覺(jué)的蟲(chóng)蝕葵花籽識(shí)別分選方法，通過(guò)對(duì)兩類(lèi)不同蟲(chóng)蝕特征的分析和提取，實(shí)現(xiàn)了單個(gè)及多個(gè)葵花籽個(gè)體中蟲(chóng)蝕葵花籽的識(shí)別，為實(shí)現(xiàn)蟲(chóng)蝕葵花籽的自動(dòng)化識(shí)別和分選提供了有效手段。本研究對(duì)于籽實(shí)類(lèi)農(nóng)產(chǎn)品分類(lèi)、識(shí)別等問(wèn)題的解決與研究同樣具有一定的參考和借鑒意義。

1 田緒順，李景彬，坎雜，等.基于機(jī)器視覺(jué)的紅棗雙面檢測(cè)分級(jí)裝置設(shè)計(jì)［J］.食品與機(jī)械，2012，28（5）：138～140.

2 侯彩云，李慧園，尚艷芬.稻谷品質(zhì)的圖像識(shí)別與快速檢測(cè)［J］.中國(guó)糧油學(xué)報(bào)，2003（4）：80～83.

3 周一紅.西瓜子智能識(shí)別系統(tǒng)核心技術(shù)研究與實(shí)現(xiàn)［D］.蘇州：蘇州大學(xué)，2007.

4 黎移新.柑橘病蟲(chóng)害疤痕的計(jì)算機(jī)視覺(jué)識(shí)別［J］.食品與機(jī)械，2009，25（3）：78～81.

5 施健，何建國(guó)，張冬，等.基于計(jì)算機(jī)視覺(jué)鮮棗大小分級(jí)系統(tǒng)研究［J］.食品與機(jī)械，2013，29（5）：134～137.

6 中國(guó)國(guó)家標(biāo)準(zhǔn)化管理委員會(huì).GB／T 11764—2008葵花籽［S］.北京：國(guó)家標(biāo)準(zhǔn)出版社，2008.

7 劉金，金煒東.噪聲圖像的快速二維Otsu閾值分割［J］.計(jì)算機(jī)應(yīng)用研究，2013（10）：3 169～3 171，3 200.

8 Otsu N.A threshold selection method from gray level histograms［J］.IEEE Transactions on Systems Man and Cybernetics，1979（1）：62～66.

9 馮珂，朱敏，鐘煜，等.一種改進(jìn)的Canny邊緣檢測(cè)AGT算法［J］.計(jì)算機(jī)應(yīng)用與軟件，2012，29（3）：265～300.

10 謝明鴻，張亞飛，付琨，等.一種基于矩和支配點(diǎn)檢測(cè)的多邊形擬合算法［J］.模式識(shí)別與人工智能，2007，20（2）：219～224.

11 Shen C T.Using cross－ratios to model curve data for aircraft recognition［J］.Pattern Recognition Letters，2003（24）：2 047～2 060.

12 Ediz Saykol，Gürcan Gülesir，Ugur Güdükbay，et al.KiMPA：A kinematics－based method for polygon approximation［J］.Lecture Notes in Computer Science，2002，2 457：186～194.

13 丁健，江南，芮挺.基于邊方向角長(zhǎng)度表示的多邊形方向、凹凸性及點(diǎn)包含算法［J］.計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2005（6）：1 233～1 239.