發布時間：2022-04-25所屬分類：計算機職稱論文瀏覽：1次
摘 要： 摘 要：馬鈴薯自動分級過程中，存在既要保證分級精度又對分級速度有一定要求的難點問題。該文探討了利用機器視覺技術快速獲取馬鈴薯圖像特征參數，結合多元線性回歸方法，建立馬鈴薯質量和形狀分級預測模型，實現基于無損檢測的馬鈴薯自動分級。搭建了同時獲取馬鈴薯三
摘 要：馬鈴薯自動分級過程中，存在既要保證分級精度又對分級速度有一定要求的難點問題。該文探討了利用機器視覺技術快速獲取馬鈴薯圖像特征參數，結合多元線性回歸方法，建立馬鈴薯質量和形狀分級預測模型，實現基于無損檢測的馬鈴薯自動分級。搭建了同時獲取馬鈴薯三面投影圖像的機器視覺系統，通過圖像數據處理獲得馬鈴薯俯視圖像輪廓面積、兩側面圖像輪廓面積、俯視及側面圖像外接矩形長度及寬度數據等圖像特征參數，通過多元數據回歸分析，建立了馬鈴薯質量和形狀分級預測模型。選擇 100 個試驗樣本運用該方法進行質量和形狀分級模型構建和預測，采用電子稱獲取樣本實際質量，采用目測法對馬鈴薯進行形狀分選。對比試驗結果表明，質量分級相關度系數 R 為 0.991，形狀分級分辨率為 86.7%。表明該方法對馬鈴薯質量和形狀分級進行預測具有可行性，可運用于馬鈴薯自動分選系統中。
關鍵詞：無損檢測;圖像處理;分級;機器視覺;馬鈴薯;特征參數
0 引 言
馬鈴薯是僅次于小麥和玉米的第三大重要的糧食作物，是中國五大主食之一。對馬鈴薯實施自動化分級是馬鈴薯商品化處理的關鍵環節。隨著機器視覺技術的發展，采用機器視覺技術對馬鈴薯實施在線無損檢測并進行自動化分級是馬鈴薯收獲后自動化生產線的重要發展方向[1-2]。
針對馬鈴薯內外部缺陷自動檢測與分級方面，周竹等[3]利用高光譜成像技術采集了 6 種馬鈴薯外部缺陷的高光譜圖像，采用了主成分分析法確定了 5 個特征波段，最后結合波段比算法和二次差分算法，缺陷的識別率達到了 95.65%;李小昱等[4]基于機器視覺與近紅外光譜融合技術，提出了 DS 證據理論結合支持向量機來檢測馬鈴薯的痂瘡病，對測試集的識別率為 95.83%;吳晨等[5]基于高光譜成像技術結合偏最小二乘系數法優選出 8 個特征波段，分別建立了支持向量機和偏最小二乘干物質的回歸模型，其中支持向量模型的相關系數達到了 0.94。
針對無內外部缺陷的合格馬鈴薯進一步進行等級規格檢測和分級具有重要的商業意義，McClure 和 Morrow[6] 采用單色機器視覺系統利用尺寸和形狀對馬鈴薯進行了分級。Heinemann 等[7]基于美國農業部檢測標準開發了基于機器視覺的馬鈴薯自動分級系統，用 8 鄰域追蹤算法檢測邊界和傅立葉描繪子描述形狀，根據形狀和大小特征進行馬鈴薯自動分級。Marchant 等[8]研制了一種根據尺寸對馬鈴薯進行分級的機器視覺系統，通過測量馬鈴薯的長度、最小寬度、最大寬度、形狀，并估算其重量，該系統每秒鐘可以對 40 個馬鈴薯進行分級。Tao 等[9-10] 研究了基于傅里葉形狀分類方法的馬鈴薯形狀分級機器視覺自動檢測系統，提出了基于規則的馬鈴薯動態分級算法。Hassankhani 和 Navid H[11]通過機器視覺系統獲取馬鈴薯圖像，提取圖像周長和面積信息，通過設置閾值對馬鈴薯進行分級。Deck 等[12]采用多層前饋神經網絡和分類器對馬鈴薯顏色進行比較分類。Abdollah 等[13]開發了一套基于機器視覺框架的馬鈴薯實時自動分級系統，對傳動進給系統、光照系統、視覺系統進行了優化配置設計，在每秒 2 個馬鈴薯的速度下，分級精度可達 97.4%。李小昱等[14]設計了一種基于 V 型平面鏡能同時獲取馬鈴薯三面圖像的自動分級系統，根據馬鈴薯大小特性，提出了基于最小外接柱柱體體積法的分級檢測方法。孔彥龍等[15]提出了一種基于圖像綜合特征參數的分選方法，提取馬鈴薯俯視圖的面積參數和側視圖的周長參數，通過回歸分析建立馬鈴薯的質量檢測模型，實現對馬鈴薯的質量分選;提取馬鈴薯俯視圖像的 6 個不變矩參數，輸入到已訓練好的神經網絡，完成對馬鈴薯形狀分選。麻碩士等[16]基于機器視覺技術將Zernike矩作為特征參數并利用支持向量機實現了馬鈴薯薯形的檢測分類;譚豫之等[17]利用改進的果徑法和離心率法對馬鈴薯進行了大小和形狀的分級，并且根據馬鈴薯的顏色特性提出了區分發芽馬鈴薯和畸形馬鈴薯的 2 種算法，馬鈴薯在線綜合檢測的精度達到了 88%;童淑敏等[18]提出了一種結合矩特征和傅立葉描述子的馬鈴薯形狀識別的新的方法，橢圓、圓和畸形馬鈴薯的識別率分別達到了 90%、93.3%、 100%。從以上文獻分析可知，利用機器視覺技術提取馬鈴薯的圖像數據，估算馬鈴薯的質量和形狀，實現馬鈴薯自動分級是無損檢測自動分級的研究熱點。但現階段的研究重點集中在馬鈴薯質量和形狀估算算法研究方面，對馬鈴薯多維圖像特征數據的快速提取和篩選以及圖像數據與馬鈴薯質量和形狀之間的關聯度缺乏深入研究。
馬鈴薯的質量及形狀是劃分馬鈴薯等級、進行包裝預測的重要指標，質量和形狀與馬鈴薯的外形尺寸參數具有顯著的正相關性。如何通過機器視覺技術快速感知與馬鈴薯質量和形狀相關性顯著的特征數據，建立相關性強的預測估算模型是提高馬鈴薯分級精度和速度的關鍵。本文探討了利用機器視覺技術獲取馬鈴薯圖像特征參數，結合主成分分析法和多元線性回歸方法，篩選出權重系數大的圖像特征數據，并建立馬鈴薯質量和形狀分級預測模型，實現基于無損檢測的馬鈴薯自動分級。通過機器視覺試驗平臺同時捕獲馬鈴薯三面圖像，對獲取的圖像進行圖像數據處理獲得馬鈴薯俯視圖像輪廓面積、兩側面輪廓圖像面積、俯視及側視圖像外接矩形長度及寬度數據，通過數據回歸分析，建立馬鈴薯質量和形狀分級預測模型，并采用電子稱獲取樣本實際質量，采用目測法對馬鈴薯進行形狀分類，對本文所述方法的質量和形狀分級預測模型進行驗證，以期提高分級生產精度和速度。
1 試驗材料及方法
1.1 試驗材料
試驗用馬鈴薯全部采購自廣州某批發市場，考慮到馬鈴薯自動分級過程中，對分選出的合格馬鈴薯產品進一步進行質量和形狀評估才有實際意義的需求，先人工挑選合格馬鈴薯樣品，剔除干腐、表面碰傷、機械損傷以及孔洞等外表面缺陷薯，選擇大小規格不同的合格馬鈴薯試驗樣本共 100 個。根據 NY/T1006-2006《馬鈴薯等級》國家標準[19]要求，劃分為大(>300 g)、中(100～ 300 g)、小(<100 g)3 個等級，其中大類 32 個，中類 30 個，小類 38 個。為了使試驗樣本數據更具代表性，在 3 類不同樣品中均包含具有典型代表外形的類球型和類橢球型馬鈴薯若干。進行圖像采集之前，進行簡單清洗處理，用干毛巾擦干后，放置 1 d，自然風干。
1.2 試驗硬件系統構成
圖像采集試驗所用的硬件系統示意圖如圖 1 所示。該系統中的主要硬件規格為 USB 工業相機： 3.0Megapixels，光源：4 根 13 W 的 LED 燈管，普通平面鏡。工業相機置于頂部中央，距離載物臺的距離為 740 mm，4 根 LED 燈管置于支架頂部，燈管直接放在支架的 4 條橫梁上，保證每個方向的光照均勻。兩普通平面鏡以夾角 65°呈 V 形置于載物臺兩邊，角度的調整確定以通過攝像頭觀察左右兩邊的鏡子中不出現對面鏡子中的虛像，并且左右兩邊成像變形較小的狀態為角度最終取值。將馬鈴薯置于載物臺上的托杯中，同時采集一個俯視和 2 個側視共 3 幅圖像。經過圖像采集卡轉換成數字圖像存儲于計算機中，進行后續分析處理。
1.3 圖像分析及數據處理軟件
馬鈴薯原始圖像為 24 位真彩色圖像，將采集到的 3 幅圖像進行預分割，用 MATLAB 編程實現圖像處理，采用 Unscramble 軟件進行數據回歸處理。
1.4 馬鈴薯特征數據提取
為獲得與馬鈴薯等級相關的幾何形狀尺寸，基于機器視覺技術首先要對獲取的圖像進行預處理，提取出與馬鈴薯質量和形狀相關的圖像特征參數。由于馬鈴薯質量和形狀與圖像顏色無關，本文采取背景去除、彩色圖像二值化、中值濾波法等預處理對圖像進行快速平滑處理，獲得馬鈴薯投影二值圖像，預處理后馬鈴薯三面投影二值化圖像見圖 2。
馬鈴薯幾何特征數據均與其圖像邊界有關，經典的 Sobel 邊緣檢測算法因其計算量小、方法簡單、處理速度快，所得到的邊緣光滑、連續 在圖像邊緣提取過程中得到廣泛應用。本文采用 Sobel 邊緣檢測算法[20]對馬鈴薯三面投影邊界進行提取，按式(1)、式(2)的 Sobel 算子檢測水平和垂直邊緣。用該算子與圖像進行卷積后，提取出馬鈴薯邊緣圖像。
1.5 多變量分類方法
馬鈴薯質量和形狀與圖像處理抽取的特征數據具有顯著的正相關性。通過同時獲取的馬鈴薯三面圖像，可獲得如表 1 所示的 9 個圖像特征數據。為滿足馬鈴薯在線分級速度的要求，需要對眾多特征數據進行篩選，獲取與馬鈴薯質量特征相關度高的參數變量，作為質量預測模型的自變量，提高分級處理速度。本文采用主成分分析法(PCA，principal components analysis)進行多變量特征數據降維篩選,采用偏最小二乘法-判別分析(PLS-DA，partial least squares discriminate analysis)進行形狀分類判定。
1.5.1 主成分分析法
主成分分析利用降維的思想，把多指標轉化為少數幾個綜合指標，其基本思想是設法將原來眾多的具有一定相關性的指標 X1，X2，…，XP(比如 P 個指標)，重新組合成一組較少個數的互不相關的綜合指標 Fm來代替原來指標，它不僅能夠對數據降維，又可以消除原始數據中的冗余信息，是一種應用最廣的數據降維方法。
1.5.2 特征數據處理
將采集的 100 個樣品的圖像特征數據用于多元線性回歸分析。從質量分級的角度，在人工劃分的大、中、小的 3 類馬鈴薯樣品中，隨機抽取方法獲得訓練集和校樣集樣本特征數據，其中 32 個大類樣本分為 22 個訓練集樣本、10 個校驗集樣本，30 個中類樣本分為 20 個訓練集樣本、10 個校驗集樣本，38 個小類樣本分為 28 個訓練集樣本、10 個校驗集樣本。從形狀分級的角度，通過目測挑選具有典型形狀特征的樣品(類球形 42 個，類橢球形 58 個)，類球形中的 30 個樣本作為訓練集，12 個作為校驗集，類橢球形中 30 個樣本作為訓練集，28 個作為校驗集。
由于各特征數據具有量綱和數量級間的差異，為了避免特征數據不同量綱和數據數量級相差太大對數據分析結果的影響，數據分析前對所有樣本的特征數據按式(4)進行標準化處理，采用軟件 THE Unscramble(version9.8， CAMO Software AS，Oslo，Norway)進行數據分析。
2 結果與分析
2.1 質量分級
訓練集樣本由 22 個大類樣品、20 個中類樣本、28 個小類樣本組成，采集訓練集的圖像特征數據作為馬鈴薯質量分級的主成分分析數據(圖 3)。
從主成分得分數據可知，前 2 個主成分變量解釋了所有特征數據所包含 96%(PC-1 86%，PC-2 10%)的信息，各類樣本數據的得分分布將樣本大致分為 3 大類型，小類位于得分圖中的左下區域，中類位于中間區域，大類分散于圖中右邊區域。由此利用圖像特征數據對馬鈴薯的質量進行分類是有效的。
相關知識推薦：論文增加作者該如何說明
經主成分分析得到 9 個圖像特征參數的載荷量(如表 1)。由表 1 可知，俯視區域、左側視區域和右側視區域像素值載荷量取值較大，分別為 0.699、0.508 和 0.503，均超過 0.5，而其余參數的載荷量取值較小，說明這些參數對質量分級的貢獻率不大，可篩選剔除。
2.2 形狀分選
人工進行馬鈴薯形狀劃分時，主要觀察馬鈴薯橫徑和縱徑方向的尺寸比，如果橫徑與縱徑尺寸較接近，則人工判定為類球形，否則判定為類橢球性。根據馬鈴薯形狀分類的特點，形狀判定與馬鈴薯俯視和側視圖像的區域像素數據相關度低，為降低數據處理的復雜性，進行主成分分析時，可剔除俯視區域、左側視區域和右側視區域像素值 3 個參數，主要考慮馬鈴薯俯視和側視圖像外接矩形特征數據來預測馬鈴薯的形狀，用于形狀分析的特征數據包含俯視圖和兩側視圖最小外接矩形長和寬。將 60 個訓練樣品的外接特征數據進行主成分分析，其結果如圖 4 所示。從圖 4 可知，前 2 個主成分變量解釋了所有特征數據所包含 95%(PC-1 81%，PC-2 14%)的信息，類球形樣本得分位于圖中上部區域，類橢球形樣本得分位于下部區域但兩者在中間，有部分重疊但較小，說明圖像特征數據對馬鈴薯形狀分類預測具有較好的效果。
為進一步用圖像特征參數對馬鈴薯形狀進行判定，設置啞元變量−1 和 1 分別代表類球型和類橢球形，采用偏最小二乘法-判別分析對樣品進行分類預測，結果如圖 5 所示，形狀類型分類錯誤矩陣如表 4 所示，60 個樣品有 8 個誤判，分類正確率為 86.7%。
如表 4 所示，算法在對 30 個類球樣本進行識別時，把 27 個預測為類球，而把 3 個誤判為類橢球，正確率率為 90%在對 30 個類橢球樣本識別時，把 25 個預測為類橢球，把 5 個預測為類球，正確率為 83.3%。
為幫助生產線分級判斷，選擇馬鈴薯俯視圖最小外接矩形長和寬、側視圖最小外接矩形長和寬構建馬鈴薯形狀預測模型，用啞元變量−1 和 1 分別代表類球型和類橢球形。用軟件建立的形狀回歸模型如式(6)，用該回歸方程對形狀分類的 40 個隨機校驗集樣本進行分級試驗，將 Shape 值為正值的判斷為類橢球形，Shape 值為負值的判斷為類球形，分選結果表 5 所示，類球形和類橢球形的分選正確率分別為 83.3%和 89.3%，說明用該回歸模型進行形狀分選是可行的。
3 結 論
1)本文利用機器視覺技術，采用 V 形平面鏡同時捕獲馬鈴薯三面圖像。利用圖像處理技術提取包含俯視圖區域、左側視圖區域、右側視圖區域像素，俯視區外接矩形長和寬，左側視區外接矩形長和寬，右側視區外接矩形長和寬 9 個馬鈴薯圖像特征數據用于馬鈴薯質量和形狀分級。
2)采用主成分分析方法對圖像特征數據與馬鈴薯質量之間的相關性進行了分析，分析顯示前 2 個主成分變量解釋了所有特征數據所包含 96%的信息。從訓練集樣品得分結果看，小類位于得分圖中的左下區域，中類位于中間區域，大類分散于圖中右邊區域，樣品得分結果將樣品按質量大小劃分為三大類。通過選擇馬鈴薯俯視圖像面積和 2 個側視圖像面積構建馬鈴薯質量預測模型，其相關系數為 0.991，表明建立的重量回歸模型是可行的。通過測試集測試，3 種類型的正確率分別為 90%、100%、90%。
3)采用主成分分析方法對圖像特征數據與馬鈴薯形狀之間的相關性進行了分析，得分圖顯示前兩個主成分變量解釋了所有特征數據所包含 95%的信息，類球形樣本得分位于圖中上部區域，類橢球形樣本得分位于下部區域，樣品得分結果將樣品按形狀類型劃分為兩大類。通過偏最小二乘法-判別分析對樣品進行分類預測，分類率為 86.7%。表明用圖像特征參數進行形狀預測是可行的。
4)選擇馬鈴薯俯視圖最小外接矩形長和寬、側視圖最小外接矩形長和寬構建馬鈴薯形狀預測模型，用預測模型對形狀測試集樣本進行分選，類球形和類橢球形的分選正確率分別為 83.2%和 89.3%，該回歸模型進行形狀分選是可行的。 ——論文作者：王紅軍，熊俊濤，黎鄒鄒，鄧建猛，鄒湘軍
[參 考 文 獻]
[1] Joko Siswantoro, Anton Satria Prabuwono, Azizi Abdullah. Volume measurement algorithm for food product with irregular shape using computer vision based on Monte Carlo method[J]. Journal of Ict Research & Applications, 2014, 8C(1): 1-17.
[2] Narendra V G, Hareesh K S. Quality inspection and grading of agricultural and food products by computer vision: A review[J]. International Journal of Computer Applications, 2010, 2(1): 43-65.
[3] 周竹，李小昱，陶海龍，等. 基于高光譜成像技術的馬鈴薯外部缺陷檢測[J]. 農業工程學報，2012，28(21)：221-228. Zhou Zhu, Li Xiaoyu, Tao Hailong, et al. Detection of potatoexternal defects based on hyperspectral imaging technology[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(21): 221-228. (in Chinese with English abstract)
[4] 李小昱，陶海龍，高海龍，等. 基于多源信息融合技術的馬鈴薯痂瘡病無損檢測方法[J]. 農業工程學報，2013， 29(19)：277-284. Li Xiaoyu, Tao Hailong, Gao Hailong, et al. Nondestructive detection method of potato scab based on multi-sensor information fusion technology[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(19): 277-284. (in Chinese with English abstract)
[5] 吳晨，何建國，劉貴珊，等. 基于近紅外高光譜成像技術的馬鈴薯干物質含量無損檢測[J]. 食品與機械，2014， 30(4)：133-136，150. Wu Cheng, He Jianguo, Liu Guishan, et al. Non-destructive determination of dry matter content in potatoes based on near-infrared hyperspectral imaging techinque[J]. Food and Machinery, 2014, 30(4): 133-136, 150. (in Chinese with English abstract)
[6] McClure J E, Morrow C T. Computer-vision sorting of potatoes[C]. ASAE Paper, 1987, 87: 6501.
[7] Heinemann P H, Pathare N P, Morrow C T. An automated inspection station for machine-vision grading of potatoes[J]. Machine Vision and Application, 1996, 9(1): 14-19.
[8] Marchant J A, Onyango C M, Street M J. High speed sorting of potatoes using computer vision[C]. ASAE Paper, 1988, 88: 3540.
[9] Tao Y, Morrow C T, Heinemann P H, et al. Fourier-based separation technique for shape grading of potatoes using machine vision[J]. Transactions of the ASAE, 1995, 38(3): 949-957.
[10] Tao Y, Heinemann P H, Varghese Z, et al. Machine vision for color inspection of potatoes and apples[J]. Transactions of the ASAE, 1995, 38(3): 1555-1561.
[11] Hassankhani R, Navid H. Potato sorting based on size and color in machine vision system[J]. Journal of Agricultural Science, 2012, 4(5): 235-244.
[12] Deck S H, Morrow C T, Heinemann P H, et al. Comparison of neural network and additional classifier for machine vision inspection of potatoes[J]. Applied Engineering in Agriculture, 1995, 11(2): 319-326.
[13] Abdollah G, Farid B, Hossein B. Design, development and evaluation of an online potato sorting system using machine vision[J]. International Journal of Agriculture and Crop Science, 2013, 6(7): 396-402.
[14] 周竹，黃懿，李小昱，等. 基于機器視覺的馬鈴薯自動分級方法[J]. 農業工程學報，2012，28(7)：178-183. Zhou Zhu, Huang Yi, Li Xiaoyu, et al. Automatic detecting and grading method of potatoes based on machine vision[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(7): 178- 183. ( in Chinese with English abstract)
SCISSCIAHCI
