呂少中 杜文亮 陳 震 陳 偉 蘇日嘎拉圖

(1.內(nèi)蒙古農(nóng)業(yè)大學(xué)機(jī)電工程學(xué)院， 呼和浩特 010018； 2.內(nèi)蒙古工業(yè)大學(xué)信息工程學(xué)院， 呼和浩特 010080)

0 引言

蕎麥的粒徑、含水率、品種等變化后，砂盤式蕎麥剝殼機(jī)所需的最佳剝殼間隙和轉(zhuǎn)速等參數(shù)都會(huì)有所不同。剝殼機(jī)出料口混合物中未剝殼蕎麥、整米、碎米的相對(duì)含量反映了剝殼機(jī)的剝殼性能，生產(chǎn)中需要根據(jù)這些性能參數(shù)來(lái)調(diào)整砂盤間隙和轉(zhuǎn)速，以達(dá)到較高的剝殼效率[1-3]。目前，蕎麥剝殼性能參數(shù)的檢測(cè)完全由人工方式實(shí)現(xiàn)[4]，其主觀性強(qiáng)、工作強(qiáng)度大，生產(chǎn)中常會(huì)出現(xiàn)不同工作人員監(jiān)控同一臺(tái)蕎麥剝殼機(jī)而產(chǎn)量和品質(zhì)相差懸殊的現(xiàn)象。

在花生、向日葵、蕎麥以及堅(jiān)果等需要進(jìn)行剝殼或去皮處理的農(nóng)產(chǎn)品加工設(shè)備研究中，主要圍繞剝殼或去皮原理、關(guān)鍵部件的結(jié)構(gòu)參數(shù)、被處理原料的性狀及其與加工過(guò)程和設(shè)備的關(guān)系進(jìn)行探討[5-7]，目前鮮有利用機(jī)器視覺(jué)技術(shù)對(duì)產(chǎn)出物料進(jìn)行分析、反饋調(diào)節(jié)加工參數(shù)的研究[8]。

機(jī)器視覺(jué)作為一種快速、無(wú)損、精確的檢測(cè)技術(shù)，在農(nóng)產(chǎn)品籽粒的品質(zhì)檢測(cè)[9-11]、分級(jí)精選[12]和品種檢測(cè)[13]中得到了廣泛應(yīng)用。使用圖像方法進(jìn)行農(nóng)作物籽粒整碎米率檢測(cè)相關(guān)研究[14-15]中，在采集圖像前需要對(duì)籽粒進(jìn)行人工擺放，以使籽粒不粘連。國(guó)內(nèi)也有對(duì)水稻聯(lián)合收獲機(jī)含雜率、破碎率在線監(jiān)測(cè)裝置的相關(guān)研究[16]。

為了給蕎麥剝殼機(jī)的自適應(yīng)最優(yōu)控制提供反饋信號(hào)，本文提出一種對(duì)剝殼機(jī)組現(xiàn)有機(jī)械結(jié)構(gòu)和剝殼流程擾動(dòng)小、且經(jīng)濟(jì)性較好的圖像獲取方法，采集到清晰無(wú)拖影、且無(wú)堆積的蕎麥籽粒圖像。對(duì)一幅圖像中的3種蕎麥籽粒進(jìn)行背景分割，以解決在線采集圖像中的籽粒粘連問(wèn)題，提高檢測(cè)準(zhǔn)確率。

1 蕎麥剝殼機(jī)組和試驗(yàn)臺(tái)架

蕎麥剝殼機(jī)組和試驗(yàn)臺(tái)架如圖1所示，預(yù)分級(jí)未剝殼蕎麥物料經(jīng)斗式提升機(jī)送入料斗，在重力作用下進(jìn)入剝殼機(jī)進(jìn)行剝殼處理。在剝殼機(jī)出料口末端，吸風(fēng)分離器將混合物中輕的蕎麥殼、小碎米和粉塵分離后，較重的未剝殼蕎麥、整米和大碎米(簡(jiǎn)稱剝出物)自落料口落入振動(dòng)分離篩前端，振動(dòng)分離篩后端剝出物中的未剝殼蕎麥(占出料總量的80%以上)回流至斗式提升機(jī)，進(jìn)入下一次剝殼循環(huán)，整米和碎米作為成品分別進(jìn)行收集。這種輕碾多次的去殼方式以8%～15%的出米率反復(fù)進(jìn)行。未剝殼蕎麥循環(huán)一次耗時(shí)10 min。

試驗(yàn)臺(tái)架位于吸風(fēng)分離器落料口和振動(dòng)分離篩之間，由滑動(dòng)籽粒托板、LED光源、圖像采集裝置、節(jié)流擋板、振動(dòng)電機(jī)和可調(diào)支架組成。

圖1 剝殼機(jī)組和試驗(yàn)臺(tái)架Fig.1 Hulling machine unit and experiment platform1.斗式提升機(jī) 2.料斗 3.剝殼機(jī) 4.落料口 5.振動(dòng)分離篩 6.吸風(fēng)分離器 7.光源與圖像采集裝置 8.滑動(dòng)籽粒托板 9.節(jié)流擋板 10.LED光源 11.工業(yè)相機(jī)

滑動(dòng)籽粒托板由600 mm×400 mm的底部托板和上部的籽?；瑒?dòng)板構(gòu)成，以20°傾斜角按比例承接部分剝出物自吸風(fēng)分離器落料口滑動(dòng)落入振動(dòng)分離篩前端。滑動(dòng)籽粒托板上的剝出物在動(dòng)態(tài)滑落過(guò)程中由工業(yè)相機(jī)進(jìn)行圖像采集，作為圖像數(shù)據(jù)源進(jìn)行后續(xù)的處理和分析。籽?；瑒?dòng)板材質(zhì)為淺藍(lán)色鋁塑板，表面鍍二氧化硅涂層以增加耐磨性和光滑度。為了避免滑動(dòng)中籽粒之間的堆積，滑動(dòng)籽粒托板上端安裝有節(jié)流擋板和振動(dòng)電機(jī)，在限制剝出物數(shù)量的同時(shí)對(duì)籽粒進(jìn)行振動(dòng)分散。

LED光源在滑動(dòng)籽粒托板上方平行布置，為600 mm×600 mm×10 mm的帶框平板結(jié)構(gòu)，底部正中開(kāi)4 mm×5 mm方孔供工業(yè)相機(jī)嵌入式安裝，底板除中部開(kāi)孔處以外，在600 mm×500 mm范圍內(nèi)等間隔布置720個(gè)5730型貼片式LED，外覆聚碳酸酯光擴(kuò)散板。由于剝出物的快速滑落，工業(yè)相機(jī)的快門時(shí)間短，需要強(qiáng)的光照條件配合才能滿足采集到的剝出物圖像清晰無(wú)拖影。此光源給下方滑動(dòng)籽粒托板表面提供4.37×104lx的光照強(qiáng)度。

工業(yè)相機(jī)選用大恒MER-302-56U3C型，全局快門，彩色CMOS感光芯片，圖像分辨率2 048像素×1 536像素，配用LM6NCM型KOWA定焦鏡頭，焦距6 mm，最大光圈F1.2。在臺(tái)式計(jì)算機(jī)上完成圖像的采集、處理和分析，試驗(yàn)使用的臺(tái)式計(jì)算機(jī)CPU為i7-6700、內(nèi)存8GB、SSD硬盤，操作系統(tǒng)為64位Windows 7，圖像處理軟件采用Matlab 2016a開(kāi)發(fā)。

后期的圖像處理與分析需要采集到的剝出物圖像具有籽粒分布均勻、數(shù)目多而不過(guò)度粘連、清晰無(wú)拖影等特性，這需要在正式采集圖像前確定試驗(yàn)臺(tái)架參數(shù)。經(jīng)過(guò)預(yù)試驗(yàn)，確定吸風(fēng)分離器落料口開(kāi)度為60 mm，滑動(dòng)籽粒托板頂部在落料口1/3處接料，節(jié)流擋板開(kāi)度15 mm時(shí)，在370 mm×280 mm的視場(chǎng)范圍內(nèi)有均勻分布無(wú)堆積的籽粒約900粒。剝出物通過(guò)視場(chǎng)的時(shí)間為0.25～0.4 s。光源距下方滑動(dòng)籽粒托板390 mm，鏡頭距下方滑動(dòng)籽粒托板310 mm。在前述的光照和物距條件下，工業(yè)相機(jī)的快門時(shí)間設(shè)定為300 μs、鏡頭光圈設(shè)定為F1.2時(shí)，采集到的剝出物圖像清晰無(wú)拖影。

在線采集到的滑動(dòng)籽粒板上剝出物圖像如圖2所示，籽粒無(wú)堆積無(wú)拖影，圖像亮度不均勻，由于鏡頭光圈開(kāi)度最大，導(dǎo)致暗角效應(yīng)比較明顯。后期圖像處理時(shí)使用經(jīng)裁剪后的圖像，尺寸為1 824像素×1 368像素。

圖2 工業(yè)相機(jī)輸出的圖像Fig.2 Image from industrial camera

2 圖像處理與分析

2.1 圖像插值與背景分割

2.1.1插值

試驗(yàn)中使用的工業(yè)相機(jī)采用前置顏色濾波陣列單圖像傳感器結(jié)構(gòu)，經(jīng)內(nèi)置插值算法插值重建后輸出的彩色圖像有較為嚴(yán)重的偽彩色和邊緣鋸齒效應(yīng)。本文采用帶二階拉普拉斯修正項(xiàng)的邊緣自適應(yīng)插值算法[17]對(duì)工業(yè)相機(jī)輸出的圖像進(jìn)行顏色插值重建。算法判斷當(dāng)前像素點(diǎn)是否處于邊緣以及邊緣的方向，并沿梯度變化小即色彩變化弱的方向進(jìn)行插值，重建后的彩色圖像減弱了籽粒邊緣出現(xiàn)的偽彩色和鋸齒效應(yīng)，后續(xù)使用全局閾值分割出的籽粒輪廓邊緣更為平滑。

(1)綠色通道插值重建

如圖3a所示，以估計(jì)B5的綠色像素值G5為例，算法定義了帶拉普拉斯二階修正項(xiàng)的水平梯度ΔH和垂直梯度ΔV，計(jì)算公式為

(1)

根據(jù)ΔH和ΔV的大小關(guān)系，算法判斷插值的方向，并沿梯度變化小的方向?qū)θ笔У木G色像素值G5進(jìn)行插值運(yùn)算，計(jì)算方法為：

圖3 插值示例圖Fig.3 Example graphs of interpolation

IF ΔH<ΔV

G5=(G4+G6)/2+(B3+B7-2B5)/4

ELSE IF ΔH>ΔV

G5=(G2+G8)/2+(B1+B9-2B5)/4

ELSE

G5=(G2+G8+G4+G6)/4+

(B1+B3+B7+B9-4B5)/8

END

(2)紅色和藍(lán)色通道的插值重建

如圖3b所示，以估計(jì)B5缺失的紅色像素值R5為例，算法沿對(duì)角線方向定義帶拉普拉斯二階修正項(xiàng)的梯度ΔN和梯度ΔP，計(jì)算公式為

(2)

缺失的紅色像素值R5插值計(jì)算方式同上。

如圖4所示，重建后的RGB圖像中籽粒邊緣由原來(lái)色彩交錯(cuò)變?yōu)闈u變單一色調(diào)，在使用最大類間方差法做背景分割時(shí)，邊緣處顯著減少了分割誤差。

圖4 插值前后的對(duì)比圖像Fig.4 Comparison of pre and post interpolation

2.1.2圖像背景分割

由于采集的對(duì)象是快速滑落的蕎麥籽粒，試驗(yàn)中工業(yè)相機(jī)的快門時(shí)間短，鏡頭的光圈開(kāi)度最大，雖然提供了強(qiáng)光照，但得到的圖像僅滿足無(wú)拖影，對(duì)圖像處理而言品質(zhì)不好，具體表現(xiàn)為圖像偏暗、對(duì)比度低、噪聲大和亮度不均勻。由于圖像中包含了黑褐色未剝殼蕎麥、表面光滑反光明顯的綠棕色整米和乳白色碎米3種蕎麥籽粒，導(dǎo)致背景分割中的前景在各顏色分量上灰度范圍都很寬。又由于圖像中的蕎麥籽粒面積較小(小于500像素)，導(dǎo)致粘連分割對(duì)造成籽粒邊緣模糊的圖像濾波操作和造成籽粒邊緣變形的形態(tài)學(xué)操作非常敏感。這3個(gè)不利因素導(dǎo)致現(xiàn)有的基于閾值的背景分割方法[18-20]，對(duì)試驗(yàn)中所采集到的圖像分割效果達(dá)不到要求。

對(duì)圖像中的淺藍(lán)色背景、未剝殼蕎麥、整米和碎米進(jìn)行顏色分布分析，直線采樣區(qū)域以及對(duì)應(yīng)RGB顏色通道的灰度分布如圖5所示，發(fā)現(xiàn)碎米2和整米4區(qū)域內(nèi)的B分量比R和G分量始終都低，未剝殼蕎麥3的3個(gè)分量灰度都位于15附近，互相之間的差值更小，淺藍(lán)色背景1的B分量遠(yuǎn)大于R分量。

圖5 蕎麥籽粒RGB灰度分布Fig.5 RGB intensity distribution of buckwheat grain1.背景 2.碎米 3.未剝殼蕎麥 4.整米

針對(duì)蕎麥籽粒具有的特點(diǎn)，本文提出了一種淺藍(lán)色背景下進(jìn)行N(B-R)灰度變換(N為正整數(shù)系數(shù))，然后使用最大類間方差法對(duì)剝出物圖像進(jìn)行背景分割的方法。

在N(B-R)灰度變換時(shí)，圖像中的幾種對(duì)象發(fā)生了如下的變化：

(1)由于藍(lán)色背景的B分量最大，隨著N的增大，背景的B-R值逐漸擴(kuò)大，到最大值255溢出后維持為255不變。

(2)碎米和整米的B-R運(yùn)算結(jié)果為負(fù)值，灰度反向溢出至0并維持不變。

(3)未剝殼蕎麥B-R的絕對(duì)值很小，試驗(yàn)中的平均值為4，隨著N的增大，它的B-R值擴(kuò)大程度遠(yuǎn)低于背景B-R值的擴(kuò)大程度，不會(huì)和背景產(chǎn)生交集。

(4)由于已經(jīng)對(duì)圖像進(jìn)行了插值重建，籽粒邊緣部分不會(huì)出現(xiàn)鋸齒效應(yīng)產(chǎn)生的劇烈色彩變化，它的B-R值變化規(guī)律與邊緣兩邊內(nèi)部的變化規(guī)律一致。

圖6b～6d為選擇不同N值時(shí)經(jīng)N(B-R)變換后的灰度圖像?？梢钥闯觯S著N的增大，背景區(qū)域逐漸變亮，光照不均勻和噪聲的影響減弱直至消失，而前景中的籽粒對(duì)象外形變化不大。在N=4時(shí)，利用籽粒和背景的灰度分布進(jìn)行閾值分割效果比較理想。

由于籽粒邊緣內(nèi)縮會(huì)對(duì)后續(xù)的粘連分割產(chǎn)生有利條件，可以繼續(xù)加大N的值，在減少粘連程度的同時(shí)，小粒徑的碎米也不會(huì)丟失。本試驗(yàn)中選取N=25，可從圖6e箭頭1所指處看出小的碎米籽粒沒(méi)有丟失，箭頭2所指處的籽粒邊緣內(nèi)縮使粘連處產(chǎn)生了斷裂。使用最大類間方差法將圖6e所示的灰度圖像二值化，結(jié)果如圖6f所示。將這兩幅圖像中虛線框內(nèi)的局部區(qū)域分別放大顯示，如圖6g、6h所示。從圖6g、6h箭頭3所指處可以看出，當(dāng)N=25時(shí)，N(B-R)灰度變換方法可使多個(gè)粘連籽粒中間的小塊背景區(qū)域顯現(xiàn)出來(lái)。在生成距離圖像時(shí)，如果這些粘連籽粒中間的背景區(qū)域未顯現(xiàn)，所有的粘連區(qū)域內(nèi)部像素點(diǎn)都只能與外邊緣處的背景進(jìn)行距離計(jì)算，從而導(dǎo)致最終得到的籽粒距離圖像與實(shí)際的籽粒形態(tài)及籽粒分布不相符。

圖6 圖像背景分割Fig.6 Image background segmentation

使用本文的背景分割方法，能夠有效克服光照不均勻的影響，在不對(duì)蕎麥籽粒圖像進(jìn)行濾波和形態(tài)學(xué)操作的情況下，分割效果可以達(dá)到實(shí)際使用的要求。

2.2 粘連籽粒分割

粘連籽粒的骨架中包含了粘連點(diǎn)[21]和距離極大值點(diǎn)等可用于輔助粘連分割的特殊像素點(diǎn)，而圖像中某些具有特殊屬性的像素點(diǎn)可以使用模版搜索的方法[22]進(jìn)行定位。本文提出一種通過(guò)對(duì)距離骨架圖像進(jìn)行鄰域極大值濾波來(lái)提取種子點(diǎn)的方法，這個(gè)方法的基本思路是：①兩個(gè)相互粘連的類圓形籽粒，只要在粘連處有雙側(cè)凹點(diǎn)，在距離圖像中，兩邊的籽粒內(nèi)部必定都會(huì)有某個(gè)像素點(diǎn)的距離大于粘連處像素點(diǎn)的距離。②籽粒距離圖像的最大值點(diǎn)位于脊線上。③脊線與骨架線在籽粒的中部基本吻合。④在由骨架分離出的距離圖像脊線上尋找籽粒區(qū)域極大值點(diǎn)作為分水嶺分割的種子點(diǎn)。

算法描述如下：

(1)求含有粘連蕎麥籽粒二值圖像的歐氏距離圖像和骨架圖像，并對(duì)歐氏距離圖像進(jìn)行高斯濾波。

(2)將濾波后的距離圖像和骨架圖像對(duì)應(yīng)像素點(diǎn)相乘，得到距離骨架圖像imDS。imDS中原骨架位置像素點(diǎn)的距離值保留，非骨架位置像素點(diǎn)距離值為零。

(3)定義一個(gè)元素值全零且與原圖像大小相同的標(biāo)記矩陣imSeed。將imDS中非零像素點(diǎn)的坐標(biāo)保存在一個(gè)M×2的位置矩陣posTemp中，M是imDS中非零像素點(diǎn)的個(gè)數(shù)。

(4)在imDS中移動(dòng)一個(gè)k×k大小的滑動(dòng)濾波窗口矩陣wFilter=imDS(X-d:X+d,Y-d:Y+d),d=(k-1)/2，X=posTemp(i,1),Y=posTemp(i,2)。

(5)如果窗口矩陣中心點(diǎn)wFilter[X,Y]值大于或等于窗口中其余像素點(diǎn)的值，imSeed[X,Y]=1，否則imSeed[X,Y]保持原值為0。

(6)i=i+1，如果i小于或等于M則重復(fù)步驟(4)～(6)，否則結(jié)束。

(7)在imDS中，對(duì)被imSeed標(biāo)記為1的像素點(diǎn)進(jìn)行遍歷，將k×k窗口內(nèi)出現(xiàn)的距離相同的像素點(diǎn)坐標(biāo)合并，形成新的種子點(diǎn)坐標(biāo)，并在imSeed中標(biāo)記為1，被合并的像素點(diǎn)重新被標(biāo)記為0，將imSeed保存后作為分水嶺分割的種子點(diǎn)標(biāo)記矩陣。

算法中使用高斯卷積核與距離圖像的每個(gè)像素點(diǎn)進(jìn)行卷積，將包含了附近像素點(diǎn)距離值的和作為像素點(diǎn)的距離，目的是減少滑動(dòng)窗口內(nèi)具有相同距離的像素點(diǎn)數(shù)目。試驗(yàn)中高斯濾波模板和滑動(dòng)濾波窗口大小相同，標(biāo)準(zhǔn)差為0.3。算法中決定滑動(dòng)濾波窗口大小的k值為圖像中未剝殼蕎麥籽粒短軸的1/2，本試驗(yàn)k取值為13。算法中采用位置矩陣posTemp的目的是減少窗口濾波的時(shí)間，由于在imDS中只對(duì)骨架處的像素點(diǎn)進(jìn)行濾波，相比對(duì)整個(gè)圖像進(jìn)行掃描，耗時(shí)減少為原時(shí)間的1%。

圖7為提取種子點(diǎn)和分水嶺分割后的圖像，可以看出，標(biāo)注為1、2和3的重度粘連處分割正確，標(biāo)注為4的重度粘連處由于外形沒(méi)有收縮凹陷，導(dǎo)致了種子點(diǎn)提取和分割不正確。

圖7 種子點(diǎn)和分水嶺分割圖Fig.7 Seed point and watershed segmentation image

在樣本標(biāo)注過(guò)程中統(tǒng)計(jì)正確分割籽粒數(shù)與總籽粒數(shù)的比例。試驗(yàn)對(duì)象為8幅在線采集到的蕎麥剝出物圖像，這些圖像經(jīng)粘連分割后的連通域總數(shù)為7 200個(gè)，其中錯(cuò)誤分割區(qū)域數(shù)有98個(gè)。錯(cuò)誤分割區(qū)域中包含欠分割籽粒176個(gè)和過(guò)分割籽粒15個(gè)。試驗(yàn)得到的籽粒平均正確分割率為97.4%。

2.3 出料口剝出物成分識(shí)別

2.3.1籽粒樣本交互式標(biāo)注

針對(duì)試驗(yàn)采集到的蕎麥剝殼機(jī)出料口連續(xù)滑落的混合籽粒圖像，設(shè)計(jì)了一種基于交互方式的籽粒樣本標(biāo)注方法及軟件，軟件界面如圖8所示。

圖8 標(biāo)注軟件界面Fig.8 Interface of labeling software

選擇標(biāo)注對(duì)象所在的圖像后，左側(cè)“整體圖像”窗口顯示標(biāo)注對(duì)象在圖像中所處的位置，右側(cè)“區(qū)域圖像”窗口放大顯示外接矩形框的標(biāo)注對(duì)象以及附近的籽粒。點(diǎn)擊右下部未剝殼、整米、碎米和誤分割4個(gè)按鈕或按下按鈕對(duì)應(yīng)的鍵盤快捷按鍵，可以將當(dāng)前籽粒對(duì)象標(biāo)注為對(duì)應(yīng)的類型，并繼續(xù)顯示下一個(gè)待標(biāo)注籽粒。本試驗(yàn)設(shè)定了一種誤分割類型，將粘連籽粒分割時(shí)產(chǎn)生的錯(cuò)誤分割區(qū)域進(jìn)行標(biāo)注，在后續(xù)的神經(jīng)網(wǎng)絡(luò)訓(xùn)練和識(shí)別過(guò)程中減小由誤分割區(qū)域產(chǎn)生的噪聲干擾。使用這種交互式標(biāo)注軟件，可以進(jìn)行籽粒樣本的快速標(biāo)注，標(biāo)注一個(gè)籽粒平均用時(shí)小于1.5 s。

2.3.2特征選擇和BP神經(jīng)網(wǎng)絡(luò)識(shí)別

試驗(yàn)采集到的圖像中蕎麥籽粒區(qū)域面積較小，并且背景分割造成邊緣內(nèi)縮，粘連分割產(chǎn)生變形，故本試驗(yàn)初選形狀特征中的面積、周長(zhǎng)、長(zhǎng)軸長(zhǎng)和短軸長(zhǎng)4個(gè)尺寸相關(guān)特征以及RGB顏色通道的一階矩、二階矩和三階矩共13個(gè)特征。隨機(jī)選取已標(biāo)注的未剝殼蕎麥、整米、碎米各100粒以及50個(gè)誤分割區(qū)域，分別對(duì)每種樣本的各特征分量取平均值，結(jié)果見(jiàn)表1。

表1 蕎麥混合物特征Tab.1 Features of buckwheat mixture

由表1可以看出，未剝殼蕎麥的二階矩、碎米的三階矩與其他成分差異明顯。未剝殼蕎麥、整米和碎米的一階矩呈遞增趨勢(shì)且差值較大。由于殼的去除和部分果肉的損失，整米和碎米的4個(gè)尺寸特征值表現(xiàn)為減小趨勢(shì)。粘連分割算法產(chǎn)生的誤分割主要體現(xiàn)為對(duì)粘連籽粒的欠分割，過(guò)分割籽粒數(shù)占比較少，因此表1中誤分割籽粒尺寸特征均值相對(duì)明顯偏大，三階矩也與其他3種籽粒有明顯區(qū)別。

使用ReliefF特征選擇算法對(duì)初選的13個(gè)特征進(jìn)行權(quán)重分析，結(jié)果如圖9所示。最終選取編號(hào)為5、4、11、13、2、8和10的7個(gè)特征用于分類識(shí)別。

圖9 特征權(quán)重Fig.9 Weight of features

使用7-15-4結(jié)構(gòu)的單隱層BP神經(jīng)網(wǎng)絡(luò)對(duì)剝出物各成分進(jìn)行分類識(shí)別，網(wǎng)絡(luò)中間層神經(jīng)元傳遞函數(shù)選擇S型正切傳遞函數(shù)Tansig，輸出層神經(jīng)元傳遞函數(shù)選擇S型對(duì)數(shù)傳遞函數(shù)Logsig。對(duì)已標(biāo)注的7 200個(gè)籽粒區(qū)域(見(jiàn)2.2節(jié))隨機(jī)排序，每種類型的樣本分別各選取一半，3 600個(gè)樣本作為訓(xùn)練集，另3 600個(gè)樣本作為測(cè)試集。使用訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)對(duì)測(cè)試集進(jìn)行識(shí)別，識(shí)別結(jié)果見(jiàn)表2。

表2 測(cè)試集識(shí)別結(jié)果Tab.2 Recognition result of test set

由表2可以看出，未剝殼蕎麥、整米、碎米和誤分割區(qū)域的正確識(shí)別率分別為99.7%、97.2%、92.6%和51.0%。誤分割籽粒由于樣本不均衡以及粘連的復(fù)雜性，正確識(shí)別率較低。由于誤分割籽粒在總籽粒中占比較低，為2.6%左右，又由于被錯(cuò)誤識(shí)別的誤分割籽粒已計(jì)入其他成分的錯(cuò)誤識(shí)別部分，所以較低的正確識(shí)別率對(duì)另外3種籽粒的正確識(shí)別率影響有限。

3 試驗(yàn)與結(jié)果分析

生產(chǎn)現(xiàn)場(chǎng)除了憑觀感和經(jīng)驗(yàn)的人工方式外，檢測(cè)蕎麥剝殼性能參數(shù)較為準(zhǔn)確的方式是：收集一段時(shí)間內(nèi)剝殼機(jī)出料口排出的剝出物，篩分后稱量各種成分的質(zhì)量并計(jì)算之間的比例。這種方式雖然耗時(shí)，但能有效避免各種隨機(jī)因素對(duì)測(cè)量結(jié)果的影響。

由于去除了密度較低的蕎麥殼，整米與未剝殼蕎麥的容重不同，相同質(zhì)量下兩者籽粒數(shù)目差別較大，相同質(zhì)量下碎米籽粒數(shù)目與另外兩種籽粒差別更大?；跈C(jī)器視覺(jué)的方法是測(cè)量某一個(gè)時(shí)刻剝出物中各種成分的籽粒數(shù)目，因此圖像分割的準(zhǔn)確率、識(shí)別的準(zhǔn)確率、剝殼過(guò)程本身的隨機(jī)性以及勻料和取料的隨機(jī)性都會(huì)對(duì)檢測(cè)結(jié)果的準(zhǔn)確性造成不利影響。

鑒于與傳統(tǒng)基于質(zhì)量的蕎麥剝殼性能參數(shù)測(cè)量方式不同，本文試驗(yàn)以所測(cè)得數(shù)據(jù)的穩(wěn)定性、區(qū)分性、與已有研究成果數(shù)據(jù)變化趨勢(shì)的一致性以及是否能夠反映剝殼機(jī)理為判斷依據(jù)，分析蕎麥剝殼性能參數(shù)在線檢測(cè)方法的可行性。

以單一粒徑、不同砂盤間隙這種剝殼工況變化為代表，試驗(yàn)所提出的機(jī)器視覺(jué)檢測(cè)方法對(duì)出料口剝出物成分比例變化的檢測(cè)效果。試驗(yàn)中選取經(jīng)過(guò)預(yù)分級(jí)的4.6～4.8 mm粒徑未剝殼蕎麥為剝殼物料，砂盤間隙分別設(shè)定為4.6、4.8、5.0、5.2、5.4、5.6 mm。由于預(yù)試驗(yàn)測(cè)得剝出物通過(guò)視場(chǎng)的時(shí)間為0.25～0.4 s，所以試驗(yàn)中每隔0.5 s采集一幀圖像，這樣既可以避免圖像的重采集，也可以保證有足夠的物料模擬蕎麥剝殼機(jī)真實(shí)的剝殼過(guò)程。

參考GB/T 29898—2013《糧油機(jī)械 膠輥礱谷機(jī)》[23]中糙碎率和出糙率的定義，定義機(jī)器視覺(jué)檢測(cè)下的蕎麥剝殼加工出米率和碎米率計(jì)算式為

(3)

(4)

式中η——出米率ε——碎米率

MZ——圖像中整米粒數(shù)

MW——圖像中未剝殼蕎麥粒數(shù)

MS——圖像中碎米粒數(shù)

首先使用斗式提升機(jī)將預(yù)分級(jí)后的同一粒徑未剝殼蕎麥物料送入料斗，達(dá)到料位3/4刻度線，并在試驗(yàn)中維持料斗中的物料在這個(gè)容量基本不變。然后分4個(gè)步驟進(jìn)行圖像采集：①開(kāi)機(jī)空轉(zhuǎn)1 min，排空剝殼機(jī)中的剩余物料。②開(kāi)料斗門，剝殼機(jī)給料開(kāi)始剝殼，運(yùn)轉(zhuǎn)1 min達(dá)到穩(wěn)定運(yùn)行狀態(tài)。③開(kāi)始以每秒2幅的速度連續(xù)采集400幅圖像。④停止圖像采集，關(guān)料斗門，機(jī)組繼續(xù)空轉(zhuǎn)1 min后停機(jī)。調(diào)整剝殼機(jī)砂盤間隙后，按上述4個(gè)步驟采集另一組400幅圖像，總計(jì)采集對(duì)應(yīng)6種不同剝殼間隙的6組圖像。

連續(xù)對(duì)所采集到的2 400幅圖像分別進(jìn)行“插值→背景分割→粘連分割→特征值計(jì)算→識(shí)別→分類計(jì)數(shù)→出米率和碎米率計(jì)算”的處理。出米率和碎米率的計(jì)算結(jié)果以組為單位分別存儲(chǔ)和進(jìn)行顯示。

由圖10和圖11可以看出，剝殼間隙逐步增大時(shí)，出米率和碎米率都呈下降趨勢(shì)，這反映出了剝殼間隙在由小變大的過(guò)程中，砂盤對(duì)蕎麥籽粒的碾搓效應(yīng)由強(qiáng)變?nèi)?，?dǎo)致未剝殼蕎麥占比增加。在5.4 mm和5.6 mm兩種剝殼間隙時(shí)的出米率和碎米率差異都相對(duì)較小，這反映了沖擊效應(yīng)取代碾搓效應(yīng)成為蕎麥去殼和籽粒破碎主要因素的細(xì)節(jié)。

圖10 不同剝殼間隙下出米率的變化Fig.10 Variations of unbroken rice rate under different hulling gaps

圖11 不同剝殼間隙下碎米率的變化Fig.11 Variations of broken rice rate under different hulling gaps

文獻(xiàn)[1]中人工測(cè)量了與本試驗(yàn)相同粒徑和相同剝殼間隙下的出米率數(shù)據(jù)，但不同的是其定義的出米率是整米總質(zhì)量與試驗(yàn)樣品總質(zhì)量之比，將該文獻(xiàn)中的出米率數(shù)據(jù)與圖10對(duì)比可以看出，在4.6 mm間隙時(shí)基本相同，在4.8、5.4、5.6 mm間隙時(shí)低約10%，在5.0、5.2 mm時(shí)低約20%，整體的變化趨勢(shì)一致，考慮到其出米率計(jì)算式分母中總質(zhì)量包含碎米、蕎麥殼和灰分的因素，實(shí)際結(jié)果相差更小。

圖10中出米率在同一剝殼間隙時(shí)相對(duì)穩(wěn)定，不同剝殼間隙差異較為明顯，反映出所采用的機(jī)器視覺(jué)檢測(cè)方法有良好的工作穩(wěn)定性和區(qū)分度。結(jié)合出米率對(duì)剝殼機(jī)實(shí)際運(yùn)行情況的準(zhǔn)確反映以及與人工測(cè)量數(shù)據(jù)的對(duì)比，表明試驗(yàn)中測(cè)得的出米率數(shù)據(jù)經(jīng)濾波處理后可以作為反映剝殼性能變化的指標(biāo)。

4.6 mm剝殼間隙時(shí),蕎麥米破碎嚴(yán)重，雖然經(jīng)吸風(fēng)分離器吸走了破碎粒中的小顆粒，但碎米比未剝殼蕎麥和整米粒數(shù)之和多，又由于吸風(fēng)分離和蕎麥碾搓破碎過(guò)程具有一定的隨機(jī)性，反映在圖11中，4.6 mm剝殼間隙時(shí)的碎米率波動(dòng)劇烈。4.8、5.0、5.2 mm剝殼間隙時(shí)碎米率雖然比4.6 mm時(shí)變化小，但相比5.4、5.6 mm時(shí)碎米率的相對(duì)穩(wěn)定和變化平緩，這幾個(gè)剝殼間隙時(shí)的碎米率仍變化幅度較大、差異不明顯且有交疊，因此可以看出碎米率不適合作為反映剝殼性能變化的指標(biāo)。

試驗(yàn)選取一幅含897個(gè)籽粒的圖像，在前述的軟硬件條件下，測(cè)量所使用機(jī)器視覺(jué)檢測(cè)方法的運(yùn)行時(shí)間。各功能部分的處理時(shí)間見(jiàn)表3，運(yùn)行時(shí)間最長(zhǎng)的部分是對(duì)所有籽粒循環(huán)進(jìn)行特征值的計(jì)算，耗時(shí)約為2.55 s，平均每個(gè)籽粒耗時(shí)為2.8 ms，總耗時(shí)為4.79 s，滿足在線檢測(cè)的需求。

4 結(jié)論

(1)提出的蕎麥混合籽粒圖像背景分割方法、用于分割粘連的種子點(diǎn)提取方法以及交互式快速標(biāo)注方法，克服了蕎麥剝殼性能參數(shù)機(jī)器視覺(jué)檢測(cè)中圖像品質(zhì)差、籽粒面積小、且互相粘連的不利因素，圖像處理效果滿足籽粒識(shí)別的需求。

表3 圖像處理中各功能模塊的運(yùn)行時(shí)間Tab.3 Runtime of functional parts of image processing

(2)在線試驗(yàn)中，處理和識(shí)別一幅包含897個(gè)籽粒的1 824像素×1 368像素圖像耗時(shí)4.79 s。未剝殼蕎麥、整米和碎米的正確識(shí)別率分別為99.7%、97.2%和92.6%。對(duì)剝出物成分進(jìn)行識(shí)別和計(jì)算后得到的出米率能反映蕎麥剝殼加工的工況變化，可為人工調(diào)節(jié)或蕎麥剝殼機(jī)自適應(yīng)最優(yōu)控制和智能化提供有效基礎(chǔ)數(shù)據(jù)。