盧軍黨，劉東琴，田智輝

（陜西省農(nóng)業(yè)機(jī)械研究所，陜西咸陽 712000）

機(jī)器視覺技術(shù)是一種新興的檢測技術(shù)，在現(xiàn)代工農(nóng)業(yè)生產(chǎn)中有著巨大的需求空間。由于機(jī)器視覺技術(shù)可以通過計(jì)算機(jī)處理獲取大量有用的信息，而且能夠自動(dòng)處理，也易于同設(shè)計(jì)和控制等信息集成。因此，在現(xiàn)代自動(dòng)化生產(chǎn)過程中，機(jī)器視覺技術(shù)被廣泛地用于工況監(jiān)視及品質(zhì)檢驗(yàn)等領(lǐng)域。利用機(jī)器視覺技術(shù)對(duì)農(nóng)產(chǎn)品進(jìn)行檢測分級(jí)具有分級(jí)準(zhǔn)確、無損傷、智能化程度高等優(yōu)點(diǎn)，對(duì)農(nóng)產(chǎn)品檢測分級(jí)和保證貯藏品質(zhì)具有重要的意義。國內(nèi)學(xué)者在該領(lǐng)域進(jìn)行了大量的研究，部分技術(shù)已經(jīng)投入實(shí)際生產(chǎn)應(yīng)用中。

1 機(jī)器視覺技術(shù)原理及在農(nóng)產(chǎn)品分級(jí)檢測中的應(yīng)用

1.1 機(jī)器視覺技術(shù)原理

機(jī)器視覺技術(shù)是利用計(jì)算機(jī)模擬人類視覺的一種科學(xué)技術(shù)。機(jī)器視覺原理多是采用CCD（CMOS）照相機(jī)將目標(biāo)轉(zhuǎn)化為圖像信號(hào)，然后傳送給專用的圖像處理系統(tǒng)，根據(jù)像素分布和顏色、亮度等信息，將圖像轉(zhuǎn)變成數(shù)字化信號(hào)；圖像處理系統(tǒng)對(duì)這些信號(hào)進(jìn)行各種運(yùn)算來提取目標(biāo)的特征，如顏色、大小、位置等，再依據(jù)設(shè)定的條件輸出所需的結(jié)果[1]?？刂葡到y(tǒng)可以根據(jù)判定結(jié)果發(fā)出控制指令，機(jī)器設(shè)備的執(zhí)行單元完成相應(yīng)的動(dòng)作。

1.2 機(jī)器視覺技術(shù)在農(nóng)產(chǎn)品分級(jí)檢測中的應(yīng)用

隨著機(jī)器視覺技術(shù)的不斷發(fā)展，其在農(nóng)產(chǎn)品檢測方面的應(yīng)用也具有了應(yīng)用的價(jià)值。由于在農(nóng)產(chǎn)品的品質(zhì)檢測和農(nóng)產(chǎn)品的采收和包裝過程中，存在很大的人為和自然因素，如果應(yīng)用傳統(tǒng)的人工作業(yè)，不僅耗時(shí)、費(fèi)力，而且效率也比較低，作業(yè)過程中的精度也在很大程度上受到主觀因素的影響[2]。機(jī)器視覺技術(shù)是作為一門具有高科技含量的新技術(shù)，具有快速、實(shí)用及客觀等優(yōu)點(diǎn)，國內(nèi)已在基于機(jī)器視覺技術(shù)的農(nóng)產(chǎn)品分級(jí)檢測上做了諸多研究。

展慧等人[3]為了將合格和缺陷板栗分離，研究了一種基于機(jī)器視覺的板栗分級(jí)方法。試驗(yàn)以羅田板栗為研究對(duì)象，構(gòu)建了圖像采集系統(tǒng)獲取的板栗圖像，通過灰度化和形態(tài)學(xué)處理將板栗和背景準(zhǔn)確區(qū)分，通過主成分分析法提取了顏色及紋理等特征值，創(chuàng)建了3 層BP 神經(jīng)網(wǎng)絡(luò)模型，利用該模型來識(shí)別缺陷板栗，識(shí)別準(zhǔn)確率達(dá)91.67%。結(jié)果表明，這種板栗檢測方法是可行的。

王松磊等人[4]基于機(jī)器視覺技術(shù)，設(shè)計(jì)一種紅棗無損檢測分級(jí)機(jī)，該設(shè)備由輸送系統(tǒng)、圖像采集和處理系統(tǒng)、分級(jí)執(zhí)行機(jī)構(gòu)和控制部分組成。在工作過程中，由CCD 相機(jī)與STM32 嵌入式系統(tǒng)棗果從正面與背面采集棗果大小、顏色、外部損傷等綜合指標(biāo)信息，采用氣動(dòng)式分級(jí)執(zhí)行機(jī)構(gòu)完成棗果分級(jí)。試驗(yàn)結(jié)果表明，其對(duì)棗果的檢測準(zhǔn)確率達(dá)92%以上，產(chǎn)能550 kg/h，滿足紅棗自動(dòng)分級(jí)檢測的生產(chǎn)需求。

王紅軍等人[5]采用了三面投影的機(jī)器視覺系統(tǒng)獲取馬鈴薯的圖像特征，針對(duì)馬鈴薯質(zhì)量和形狀結(jié)合多元線性回歸方法建立其分級(jí)預(yù)測模型，實(shí)現(xiàn)了基于機(jī)器視覺技術(shù)的馬鈴薯自動(dòng)分級(jí)。三面圖像包括在俯視圖中馬鈴薯的輪廓面積、兩側(cè)面輪廓面積，在俯視及側(cè)面圖中，獲取其外接矩形長度和寬度數(shù)據(jù)，利用這些特征參數(shù)建立馬鈴薯試驗(yàn)樣本的質(zhì)量和形狀分級(jí)預(yù)測模型，同時(shí)用電子秤獲取試驗(yàn)樣本質(zhì)量進(jìn)行目測法對(duì)比。對(duì)比試驗(yàn)結(jié)果表明，馬鈴薯質(zhì)量分級(jí)相關(guān)度系數(shù)R 為0.991，形狀分級(jí)分辨率可達(dá)86.7%。

2 機(jī)器視覺技術(shù)在核桃分級(jí)檢測中的應(yīng)用

2.1 圖像處理技術(shù)在原核桃分級(jí)檢測中的應(yīng)用

核桃大多是以原核桃的形式出售，在核桃生長和初加工過程中會(huì)出現(xiàn)外觀缺陷（黑斑、破裂） 等影響其商品率的現(xiàn)象，需要對(duì)其進(jìn)行分選處理，將其中有缺陷的核桃剔除。原核桃體積小、數(shù)量大，人工挑選費(fèi)時(shí)費(fèi)力，因此很多學(xué)者利用機(jī)器視覺技術(shù)在這一領(lǐng)域進(jìn)行了研究。

李成吉等人[6]為快速識(shí)別核桃的外觀缺陷，采集了核桃的樣本圖像。基于樣本圖像提取18 個(gè)顏色特征參數(shù)和20 個(gè)紋理特征參數(shù)。分別采用了回歸系數(shù)法（RC） 和連續(xù)投影法（SPA） 對(duì)特征參數(shù)進(jìn)行優(yōu)選，同時(shí)建立偏最小二乘法（PLS） 的模型。試驗(yàn)結(jié)果表明，基于最小二乘法所建立的模型性能最優(yōu)，然后將最小二乘法提取的參數(shù)作為輸入，建立向量機(jī)模型，并對(duì)預(yù)測集樣本進(jìn)行預(yù)測。結(jié)果表明，運(yùn)用該模型對(duì)正常、黑斑和破裂核桃的判別準(zhǔn)確率分別為88.9%，83.3%，94.6%，總體的判別率為88.9%。

劉軍等人[7]采集新疆多個(gè)品種核桃，運(yùn)用3CCD面陣相機(jī)提取樣本RGB 圖像，設(shè)計(jì)一種自適應(yīng)雙閾值的Otsu 法，能夠準(zhǔn)確地分割出核桃圖像的缺陷區(qū)域；基于對(duì)分割區(qū)域的幾何、紋理等特征，轉(zhuǎn)換特征向量集；以該特征集為輸入，建立了15 個(gè)識(shí)別模型，對(duì)3 類核桃外部缺陷的識(shí)別性能和時(shí)間進(jìn)行了對(duì)比評(píng)價(jià)。結(jié)果表明，基于徑向基的支持向量機(jī)識(shí)別模型效果最好，對(duì)3 類缺陷的驗(yàn)證集平均識(shí)別率分別為93.06%，88.31%，89.27%，對(duì)缺陷的總識(shí)別率為90.21%，平均識(shí)別時(shí)間為10-4 s 級(jí)。

2.2 圖像處理技術(shù)在核桃仁品質(zhì)檢測中的應(yīng)用

部分核桃會(huì)進(jìn)行破殼處理，以核桃仁的形式進(jìn)入市場，核桃仁的品質(zhì)根據(jù)其完整程度和色澤進(jìn)行分類，利用機(jī)器視覺技術(shù)可以實(shí)現(xiàn)核桃仁品質(zhì)的自動(dòng)檢測。蔡建等人[8]通過機(jī)器視覺的方法對(duì)核桃仁的顏色與完整度的分選上進(jìn)行了研究，通過對(duì)采集的核桃仁圖像進(jìn)行預(yù)處理與分割，將含有多個(gè)核桃仁的圖像進(jìn)行圖像學(xué)處理，分割出了單幅核桃仁圖像。對(duì)單幅核桃仁圖像提其輪廓與最小外接圓面積，利用其比值對(duì)核桃在完整度上進(jìn)行了分類。最后通過機(jī)器學(xué)習(xí)的方法建立決策樹模型對(duì)核桃仁樣本進(jìn)行預(yù)測，總體正確率達(dá)92%，為核桃仁自動(dòng)分級(jí)提供了參考。

申愛敏等人[9]提出1 種基于機(jī)器視覺和圖像處理技術(shù)的核桃仁完整度的檢測方法。構(gòu)建圖像采集系統(tǒng)并采集核桃仁圖像；通過灰度變換、中值濾波等圖像預(yù)處理方法降低了圖像計(jì)算數(shù)據(jù)量，再用閾值分割與區(qū)域填充等方法，獲取了完整的核桃仁區(qū)域分割圖；然后對(duì)核桃仁圖像區(qū)域進(jìn)行了像素統(tǒng)計(jì)，與構(gòu)建的核桃仁分級(jí)模型進(jìn)行對(duì)比，提出了1 種自適應(yīng)平均算法對(duì)核桃仁樣本學(xué)習(xí)訓(xùn)練；最后設(shè)計(jì)了配套的核桃仁完整度自動(dòng)分級(jí)軟件。結(jié)果表明，該方法在實(shí)驗(yàn)室條件下可實(shí)現(xiàn)核桃仁大小分級(jí)，分級(jí)正確率達(dá)90.0%以上。

2.3 圖像處理技術(shù)在核桃仁中混雜物檢測中的應(yīng)用

核桃經(jīng)破殼處理后要進(jìn)行殼仁分離處理，一般采用的殼仁分離方式為風(fēng)選式分離，這種方法對(duì)于殼仁物料比較小的時(shí)候分離效果較差。研究人員運(yùn)用及其視覺技術(shù)研究了一種識(shí)別核桃殼、仁和分心木的方法，該方法以“清香”核桃為研究對(duì)象，在樣本中的圖像信息中分別提取了顏色分量的均值與方差，同時(shí)利用灰度共生矩陣提取了各樣本的紋理特征參數(shù)。再以顏色特征值、紋理特征值和顏色-紋理特征值結(jié)合作為輸入，分別建立最小二乘支持向量機(jī)模型（即Y-LS-SVM，W-LS-SVM，Y-WLS-SVM），并對(duì)各預(yù)測集樣本進(jìn)行判別。結(jié)果表明，Y-W-LS-SVM 模型的判別效果最好，其對(duì)核桃仁、分心木及核桃殼的判別準(zhǔn)確率分別為93.3%，97.1%，100.0%。

雷凱棟[10]選用山西呂梁野生核桃為研究對(duì)象，運(yùn)用高光譜成像和機(jī)器視覺技術(shù)對(duì)核桃殼、仁和分心木進(jìn)行了識(shí)別和分類，并建立了人機(jī)交互界面。研究過程中，對(duì)高光譜所獲信息進(jìn)行了SNV 預(yù)處理后分別建立了PLS 模型。利用機(jī)器視覺系統(tǒng)采集并處理了樣本的圖像信息，建立了CNN 神經(jīng)網(wǎng)絡(luò)模型。結(jié)果表明，PLS 模型的判別準(zhǔn)確率分心木100%，核桃仁98.75%，核桃殼99.44%；CNN 模型對(duì)分心木、殼、仁的判別率為100.00%，90.62%，97.50%[10]。

3 結(jié)語

作為一種新興的分選技術(shù)，機(jī)器視覺技術(shù)有很多優(yōu)點(diǎn)：①由于檢測過程與被檢測物料沒有物理接觸，因此不會(huì)產(chǎn)生損傷；②在檢測過程中對(duì)被檢測物料圖像提取的信息較多，可以在同一檢測過程中實(shí)現(xiàn)多種檢測功能；③機(jī)器視覺技術(shù)處理過程中所得到的圖像為數(shù)字圖像，相對(duì)于模擬圖像能很好避免在處理過程中產(chǎn)生的圖像失真現(xiàn)象，確保圖像的真實(shí)再現(xiàn)。隨著計(jì)算機(jī)科學(xué)的發(fā)展，機(jī)器視覺技術(shù)將具有更加廣闊的應(yīng)用前景。