基于機器視覺的馬鈴薯加工原料分選系統

李 明 王潤濤 姜 微

(嶺南師范學院信息工程學院，廣東 湛江 524048)

馬鈴薯是全球第三大重要的糧食作物。以馬鈴薯為原料加工而成的薯制品達上百種，其中馬鈴薯淀粉、馬鈴薯全粉等是人們日常烹飪的主要食材，薯片、薯條等膨化食品更是受到兒童的青睞，面對嚴峻的食品安全問題，對馬鈴薯加工環節的監測管控，是保證薯制品達到食品安全標準的有效途徑，加工原料的精量篩選是確保馬鈴薯制品安全的首要環節。中國制定了GB/T 31784—2015《馬鈴薯商品薯分級與檢驗規程》，根據馬鈴薯的不同用途，規定了商品薯的檢驗分級標準。目前，馬鈴薯檢驗主要依靠人工方式，自動化檢測尚處于理論探索階段。自動化、標準化的檢驗流程必須依賴先進的科學技術，隨著機器視覺技術的應用日益廣泛，專家學者[1-3]在農產品無損檢測方面也取得了較大進展。但在馬鈴薯的無損檢測方面研究成果較少，鄧立苗等[4]結合機器視覺系統和分級控制系統，根據馬鈴薯形狀、顏色和缺陷特點，構建了馬鈴薯分選系統，綜合檢測準確率可達到90%；王紅軍等[5]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；田芳等[6]利用光在馬鈴薯塊莖組織中的透射特性設計了一種馬鈴薯黑心病檢測機構；張擻[7]利用圖像處理技術對馬鈴薯投影面積、缺陷面積和投影周長進行檢測；向靜等[8]針對馬鈴薯的損傷、綠皮，發芽狀態進行識別，識別正確率達89.7%以上；李玉華等[9]利用色飽和度三維幾何特征的馬鈴薯芽眼識別方法進行芽眼縱向識別，為種薯自動切塊提供技術支持；許偉棟等[10]利用主成分分析法對形狀特征數據與馬鈴薯形狀之間的相關性進行了分析，建立了分類模型?？v觀前人的研究成果，大部分以馬鈴薯某個外觀特征為研究對象，強調算法精度的探索，而很少討論算法是否適用于在線分選流程；神經網絡算法復雜度較大，且不同特征之間存在干擾，因而影響識別精度。與馬鈴薯分選相關的形狀特征包括大小、畸形、橢圓度，可以通過圖像處理算法進行計算并設定淘汰范圍，可避免貢獻非必要的算法復雜度；現有研究分析樣本的選擇多以靜態圖像分析為基礎，與自動化生產應用結合存在瓶頸，且在設計分類算法過程中缺乏參照國家標準的依據，難以形成統一的行業規范。

為突破現有研究的缺陷，研究擬以馬鈴薯加工原料為研究對象，以實現自動化分選為目標，獲取由定速傳送帶輸送的動態圖像，通過運動模糊圖像預處理算法復原圖像信息，參照國家標準設計系統的控制流程及分選算法，檢測馬鈴薯畸形、發芽、大小、綠皮、病斑特征，滿足分選算法識別精度的同時，保證控制機構動態響應。為形成統一的馬鈴薯分選行業規范奠定基礎。

1. 控制器 2. 傳送帶組 3. 對偶光電傳感器 4. 對稱吸盤5. 攝像頭 6. 電機 7. 馬鈴薯 8.光源圖1 馬鈴薯分選系統結構Figure 1 Structure of potato sorting system

1 試驗裝置整體結構

馬鈴薯自動化分選平臺結構模型如圖1所示，平臺由控制器分別對各個執行終端進行統籌調度，攝像頭實時采集圖像數據，馬鈴薯由傳送帶勻速運動輸送到檢測箱中，待對偶光電傳感器檢測到薯粒通過，發送信號至控制器，控制器提取攝像頭當前幀圖像，同時發出指令，控制對稱吸盤動作，對稱吸盤閉合擠壓薯粒至傳送帶上方，旋轉180°，吸盤復位馬鈴薯落回傳送帶，控制器再次提取攝像頭當前幀圖像，控制器對2幅圖像進行分析后得出分選結果顯示在屏幕上?？刂屏鞒倘鐖D2所示，吸盤擠壓馬鈴薯翻轉與復位過程耗時約3 s，傳送帶運行速度0.05 m/s，薯粒初始間隔需大于40 cm。分選平臺每個終端動作都由配置的電機驅動完成。視覺系統采用嵌入式DSP技術，能夠與控制核心ARM進行靈活的交互[11-12]。

圖2 馬鈴薯分選控制流程Figure 2 Potato sorting control process

2 馬鈴薯圖像預處理

2.1 運動模糊復原

馬鈴薯自動化分選平臺是通過調節傳送帶的速度實現馬鈴薯的在線檢測，因此攝像頭獲取的運動中的馬鈴薯圖像必然存在運動模糊現象，圖像復原是圖像分析的首要步驟，是將退化圖像復原為理想圖像的過程。采用最小均方誤差濾波綜合考慮退化函數和噪聲統計特征進行薯粒圖像復原。

(1)

式中：

e2——最小均方差；

E{…}——期望值；

f——未退化理想圖像；

條件假設噪聲與圖像不相關，存在零均值且預估灰度級是退化圖像灰度級的線性函數，則誤差函數最小值頻域求解見式(2)和式(3)。

(2)

(3)

式中：

u、v——頻域變量;

H(u,v)——退化函數；

G(u,v)——退化圖像的傅里葉變換；

K——特殊常數；

T——曝光時間；

a——水平移動距離；

b——垂直移動距離。

攝像頭獲取的模糊退化圖像如圖3所示。

圖像尺寸688×688像素，采用參數a=b=0.1、T=1，迭代法選擇K，復原后的圖像如圖4所示。

對比圖3和圖4發現，正常薯、斑薯、畸形薯圖像的運動模糊退化問題，均可通過最小均方誤差濾波算法得到較好的復原。

圖3 馬鈴薯退化圖像Figure 3 Potato degradation image

圖4 馬鈴薯復原圖像Figure 4 Potato reconstruction image

2.2 馬鈴薯圖像分割

馬鈴薯檢測平臺的傳送帶采用黑色不反光材料，采集的馬鈴薯圖像中馬鈴薯與背景的區分度較大，采用迭代閾值分割法實現馬鈴薯與黑色背景的分割，病斑薯與綠皮薯分割效果如圖5所示。

圖5 背景分割圖像Figure 5 Background segmentation image

馬鈴薯形狀各異，邊緣輪廓是形狀特征分析的基礎，以畸形薯為例，對比圖像與提取結果如圖6所示。

圖6 邊緣檢測圖像Figure 6 Edge detection image

采用Sobel與Laplace邊緣檢測算子，雖然邊緣清晰，但薯內部呈現較多噪聲，不利于邊緣提取。廣義Hough變換算法可用于檢測任意形狀，對算法進行優化，忽略小的閉合形狀，再進一步進行骨架提取，可得到馬鈴薯輪廓區域。

3 馬鈴薯圖像特征檢測

利用機器視覺進行無損檢測具有一定的約束性，從馬鈴薯圖像中獲取的信息可概括為兩大類：邊緣輪廓特征與外觀灰度分布，馬鈴薯的畸形、發芽、大損傷會呈不規則橢球形，而綠皮、斑點病、腐爛會以顏色灰度分布差異形式體現。

3.1 形狀特征

3.1.1 面積比 相機獲取拍攝區域688×688像素，可通過式(4)計算面積比。

(4)

式中：

S——面積比；

Area——馬鈴薯區域像素面積。

在同樣的拍攝條件下，面積比能夠充分反映馬鈴薯塊莖的大小。

3.1.2 凸起檢測 馬鈴薯的畸形、發芽、大損傷均會表現為表面凸起或凹陷，這里統一歸類為畸形薯，提出如下凸起檢測方法判定畸形薯。

(1) 如圖7所示，求出馬鈴薯區域最小外接橢圓的圓心坐標(x0,y0)，從(x0,y0)向馬鈴薯邊緣輪廓點(xn,yn)作連線Ln，Ln與X軸正向夾角φ。

圖7 凸起檢測Figure 7 Convex detection

(2)φ逆時針增加φΔ，當(xΔn,yΔn)與(xn,yn)連線在馬鈴薯區域內部，且|LΔn-Ln|不呈數值跳變，標記為“0”，反之標記為“1”。

(3) 選擇適當的φΔ(4，6，10，15，20，25，30，35，40，45)，重復步驟(2)直至遍歷一個周期，如果存在標記數組中存在“1”值，即存在凸起。

通過與人工觀察對比，φΔ≤15一般為小的凸起，如馬鈴薯芽體，15<φΔ<45一般為畸形馬鈴薯，而馬鈴薯表面損傷根據損傷程度不同表現各異，采用上述凸起檢測方法，如存在凸起，即判定為畸形薯。

3.1.3 長、短徑檢測 如圖8所示，搜尋馬鈴薯輪廓直線距離最大的兩點x0、y0，線段x0y0為R區域最長徑L；過線段x0y0中心點O，遍歷搜索與輪廓相交于兩點x1、y1的最短線段x1y1，即為最短徑d。

圖8 徑長檢測Figure 8 Diameter detection

3.2 顏色特征

綠皮馬鈴薯的外觀呈不均勻青綠色分布，部分馬鈴薯只在某個端部呈青綠而另一端表現正常。瘡痂病、黑痣病外觀呈黑褐色斑塊，也會出現分布不均勻現象，馬鈴薯自動分選平臺可獲取馬鈴薯兩面的圖像，即A面和B面，如果對2副圖像進行簡單的顏色分析，很難達到精確分類的目的。

選取正常色馬鈴薯樣本65個、綠皮馬鈴薯樣本45個、病斑馬鈴薯樣本50個。采用BP神經網絡算法[13-15]預測馬鈴薯外觀顏色綠皮、病斑、正常的分類。對每個馬鈴薯的A面和B面，基于RGB、HSV、CMY 3個顏色模型的9個分量，分別計算顏色均值作為判別依據，即神經網絡輸入層9個神經元，1個隱含層，經多次驗證該層神經元5個網絡收斂速度最快，輸出是3類，網絡結構為9×5×3，為驗證算法可行性，利用交叉驗證法，將160個樣本分為4等份，1份測試，3份訓練，訓練樣本和測試樣本輪流互換，計算出誤差分數以其大小作為衡量預測模型的準確性。訓練網絡誤差曲線如圖9所示。

圖9 訓練網絡誤差曲線Figure 9 Neural network error curve

從測試集中隨機抽取4個輪次測試結果見表1。

由表1可知，神經網絡分選模型對病斑薯識別的準確率較高，對綠皮和正常薯的誤判率較大。分析其原因，訓練樣本由人工目測選取，綠皮薯樣本選取馬鈴薯表面青綠色達到20%以上，病斑薯樣本表面病斑面積20%以上。馬鈴薯病斑為黑褐色，與正常薯土黃色差異明顯，且病斑呈塊狀分布在表皮，在初始運動模糊圖像復原過程中，復原效果較好。馬鈴薯綠皮存在很多“一頭綠”的情況，試驗所用分選裝置采集同一馬鈴薯正反兩面的圖像，但仍存在兩端的拍攝盲區，這會影響綠皮薯識別精度。以誤差分數衡量預測模型的準確性，神經網絡的預測分類平均準確率為96.2%。

表1 神經網絡預測結果Table 1 Nneural network predicts the results

4 分選模型試驗分析

分選系統先后采集馬鈴薯A、B面2副圖像，控制中心分析A面圖像得出結論A，分析B面圖像得出結論B，當且僅當結論A與結論B同時為合格時，分選結果為合格，分選算法流程如圖10所示。

圖10 馬鈴薯分選算法流程Figure 10 Potato sorting algorithm flow chart

參照GB/T 31784—2015《馬鈴薯商品薯分級與檢驗規程》，分選系統對加工型馬鈴薯采用唯一標準，分選結果簡化為合格與不合格兩類，分選設定標準見表2。為進一步對馬鈴薯分選系統進行試驗分析，人工選取馬鈴薯樣本98個(與前述樣本不重復)，采用分選系統進行分選測試，結果見表3。

表2 馬鈴薯分選標準

表3 馬鈴薯分選系統測試結果

分選系統對98個樣本分選總耗時368 s，平均分選1個馬鈴薯耗時為3.76 s，考慮為采集馬鈴薯雙面圖像時，需要利用對稱吸盤擠壓馬鈴薯翻轉，機械終端響應耗時問題有待進一步優化。采用分選系統分選時，發芽薯1個誤判為畸形薯、綠皮且畸形薯1個誤判為畸形薯、綠皮薯2個誤判為合格薯，正確率為95.92%，表明該系統用于馬鈴薯加工原料精量分選可行，能夠滿足薯制品加工生產線前端的分選需要。

5 結論

利用機器視覺技術、嵌入式技術與自動控制技術設計了雙面圖像分析的馬鈴薯加工原料精量分選系統模型，構建了面積比、長短徑、凸起檢測算法，實現了馬鈴薯畸形、發芽、大小檢測，基于3個顏色模型9個顏色分量構建了神經網絡預測模型，實現了馬鈴薯綠皮、病斑、常色分類，預測模型準確率為96.2%。通過分選試驗，馬鈴薯樣本分選正確率95.92%；單薯處理耗時3.76 s，該方法用于馬鈴薯加工原料精量分選可行，能夠滿足薯制品加工生產線前端的分選需要。后續可在其前端增加震動料斗、摩擦擋板、定位裝置使馬鈴薯在傳送帶上保持一定間隔無堆放運送，并在其后端增加機械臂、收集裝置以實現分選動作，從而實現全自動化在線分選。