機(jī)器視覺(jué)在農(nóng)產(chǎn)品檢測(cè)中的應(yīng)用

1、LOGO機(jī)器視覺(jué)技術(shù)在農(nóng)產(chǎn)品檢測(cè)中的應(yīng)用主要內(nèi)容一、機(jī)器視覺(jué)技術(shù)的簡(jiǎn)介二、機(jī)器視覺(jué)技術(shù)在農(nóng)產(chǎn)品檢測(cè)中的應(yīng)用三、機(jī)器視覺(jué)技術(shù)的應(yīng)用前景及問(wèn)題v 機(jī)器視覺(jué)是通過(guò)對(duì)目標(biāo)物體圖像的獲取、處理和分析來(lái)模擬人類(lèi)的視覺(jué)功能,并使用各種機(jī)電設(shè)備實(shí)現(xiàn)生產(chǎn)自動(dòng)化。圖像處理圖像處理計(jì)算機(jī)科學(xué)計(jì)算機(jī)科學(xué)模式識(shí)別模式識(shí)別機(jī)器視覺(jué)機(jī)器視覺(jué)神經(jīng)生理學(xué)神經(jīng)生理學(xué)人工智能人工智能認(rèn)知心理學(xué)認(rèn)知心理學(xué)v機(jī)器視覺(jué)是20世紀(jì) 70年代在遙感圖象處理和醫(yī)學(xué)圖象處理技術(shù)成功應(yīng)用的基礎(chǔ)上逐漸興起的，是圖象處理的一個(gè)分支學(xué)科。一、機(jī)器視覺(jué)技術(shù)簡(jiǎn)介 1.機(jī)器視覺(jué)系統(tǒng)的組成 機(jī)器視覺(jué)系統(tǒng)的組成部分主要有光源、圖像傳感器(攝像機(jī)等)、圖像采集卡、

2、計(jì)算機(jī)等硬件設(shè)備和用于處理數(shù)字圖像的軟件。2.工作原理獲取數(shù)字圖像獲取數(shù)字圖像數(shù)字圖像處理數(shù)字圖像處理成像方式特點(diǎn)及應(yīng)用可見(jiàn)光成像 可見(jiàn)光彩色或灰度成像技術(shù)適合對(duì)農(nóng)產(chǎn)品形狀、大小、顏色和紋理等外部特征進(jìn)行自動(dòng)分析。紅外成像 紅外線(xiàn)具有熱輻射效應(yīng)。熱敏成像技術(shù)可以將物體的外部輻射強(qiáng)度轉(zhuǎn)化為可視圖像，可以檢測(cè)農(nóng)產(chǎn)品表面不同部位在外界溫度變化時(shí)的不同反應(yīng)。紫外成像 穿透性較強(qiáng),當(dāng)紫外光照射到熒光物質(zhì)時(shí)這些物質(zhì)會(huì)被激發(fā)出波長(zhǎng)較長(zhǎng)的熒光。不同物質(zhì)的熒光受激能力不同。X光成像 不同的物質(zhì)對(duì)X射線(xiàn)的吸收能力不同。通過(guò)X光透射圖像檢測(cè)可見(jiàn)光不易得知的對(duì)象內(nèi)部信息。CT成像 可以表現(xiàn)物體內(nèi)部某個(gè)剖面的形態(tài)特征。

3、核磁共振成像 在核磁共振成像片上，含水成分大的組織結(jié)構(gòu)亮度高 ,而含水成分少的組織則亮度較低。了解農(nóng)產(chǎn)品的內(nèi)部信息。2.1獲取圖像方式(劉華波, 2009)2.2.圖像處理 利用數(shù)字圖像處理技術(shù)對(duì)采集的圖像進(jìn)行去噪、邊緣檢測(cè)、圖像增強(qiáng)等預(yù)處理，提取特征參數(shù)，進(jìn)行邏輯判斷，生成相應(yīng)的結(jié)果。最終發(fā)出相應(yīng)的操作命令。二、機(jī)器視覺(jué)在農(nóng)產(chǎn)品檢測(cè)中的應(yīng)用 機(jī)器視覺(jué)技術(shù)的特點(diǎn)是速度高、信息量大、可以排除主觀(guān)因素干擾,而且還能對(duì)參數(shù)指標(biāo)進(jìn)行定量描述,具有人工檢測(cè)所無(wú)法比擬的優(yōu)越性。 目前，國(guó)內(nèi)外利用機(jī)器視覺(jué)技術(shù)進(jìn)行農(nóng)產(chǎn)品品質(zhì)自動(dòng)識(shí)別的研究對(duì)象極其廣泛，主要包括對(duì)谷物、蔬菜、干果、水果等的大小、形狀、顏色和表面

4、損傷、缺陷、異物進(jìn)行檢測(cè)和分級(jí)。1.在農(nóng)產(chǎn)品顏色檢測(cè)中的應(yīng)用 農(nóng)產(chǎn)品的表面顏色是反映農(nóng)產(chǎn)品品質(zhì)的一個(gè)重要特征，其色澤特征可以反映其成熟程度，也可反映其級(jí)別。若靠人的感官進(jìn)行評(píng)定，缺乏客觀(guān)性和準(zhǔn)確性。利用計(jì)算機(jī)視覺(jué)系統(tǒng)對(duì)產(chǎn)品色澤做出評(píng)價(jià)，可以克服人眼的疲勞和色覺(jué)差異。v 1998年何東健等，利用機(jī)器視覺(jué)技術(shù)研究了紅星蘋(píng)果表面顏色分級(jí)方法。在HIS顏色空間中，選用在合適的色相閾值下累計(jì)著色面積的百分比作為水果等級(jí)評(píng)判指標(biāo)，結(jié)果與人工分級(jí)吻合度達(dá)88%（何東健等，1998）。v 2002年，馮斌等以水果表面顏色分布的分形維數(shù)為特征進(jìn)行了水果表面顏色分級(jí)的試驗(yàn)研究,分級(jí)正確率達(dá)到95%(馮斌等,200

5、2)。v 2004年，應(yīng)義斌等以柑橘表面色澤和固酸比作為其成熟度的評(píng)判指標(biāo)，結(jié)果表明柑橘果實(shí)表皮顏色與其成熟度之間具有相關(guān)性（應(yīng)義斌等，2004）。v 2004年趙杰文等，對(duì)田間成熟番茄識(shí)別技術(shù)進(jìn)行了研究。在HIS顏色模型下，根據(jù)成熟番茄、未成熟番茄以及枝葉的色調(diào)H分布的差異，用閾值分割的方法將成熟番茄區(qū)域分離出來(lái)，取得了良好的識(shí)別效果（趙杰文等，2004）。v 2008年，游家訓(xùn)等研究了水果分級(jí)中的顏色指標(biāo)，選用色調(diào)H來(lái)判別水果顏色，并將徑向基神經(jīng)網(wǎng)絡(luò)應(yīng)用于水果顏色分級(jí)中，在蘋(píng)果分級(jí)測(cè)試中，對(duì)特等果的分級(jí)正確率約91.7%，一等果的分級(jí)正確率約為89.5%，二等果91.2%，等外果為100%

6、。（游家訓(xùn)等，2008）v 2008年，劉國(guó)敏等提取臍橙有效像素的表面顏色特征參數(shù)（H、S、R、G、B），對(duì)色澤進(jìn)行定量描述，通過(guò)神經(jīng)網(wǎng)絡(luò)算法建立顏色特征參數(shù)與色澤之間的關(guān)系模型。結(jié)果表明，該分級(jí)模型對(duì)色澤的分級(jí)與人工標(biāo)準(zhǔn)分級(jí)的一致度分別為90%和92%(劉國(guó)敏等,2008)。v 2008年，趙杰文等在HIS顏色空間中 ,提取H的均值和均方差作為紅棗的顏色特征值 ,利用支持向量機(jī)識(shí)別缺陷紅棗。實(shí)驗(yàn)結(jié)果表明,識(shí)別準(zhǔn)確率可以達(dá)到96.2%,優(yōu)于人工神經(jīng)網(wǎng)絡(luò)的89.4%（趙杰文等，2008）。v 2008年，馬學(xué)武等人設(shè)計(jì)了紅棗自動(dòng)分級(jí)裝置，以面積、顏色、最大直徑等為特征參數(shù)，可以同時(shí)對(duì)多通道的紅棗

7、進(jìn)行分級(jí),其準(zhǔn)確率可達(dá) 80%以上,系統(tǒng)處理速度約為10個(gè)/s（馬學(xué)武等，2008）。v 2009年，司永勝等采用R-G和色差比(R-G)/(G-B)相結(jié)合的方法,對(duì)順光、逆光等不同情況下的紅色蘋(píng)果進(jìn)行了識(shí)別。實(shí)驗(yàn)結(jié)果表明,該方法可以一定程度上消除光線(xiàn)、土壤等影響,識(shí)別率達(dá)到 97 %,但算法在逆光同時(shí)光線(xiàn)較暗情況下識(shí)別效果較差 (司永勝，2009）。v 2009年饒秀勤等，將完成圖像分割的水果圖像轉(zhuǎn)換為HIS顏色模型,提取其H分量的面積加權(quán)直方圖,對(duì)其用主成分分析提取特征值,然后利用馬氏距離分析方法完成樣本的分級(jí),總的分級(jí)誤差僅為 1.75 %（饒秀勤等，2009）。v 2010年，K. C

8、hen等運(yùn)用機(jī)器視覺(jué)對(duì)肥牛肉進(jìn)行識(shí)別,提取了關(guān)于皮下脂肪顏色的12個(gè)特征參數(shù)(R、G、B、H、S、I的均值和標(biāo)準(zhǔn)偏差),運(yùn)用支持向量機(jī)進(jìn)行識(shí)別,成功率達(dá)到了97.4%。（ K. Chen ，2010）v 2000年，Vzhny T等在蘑菇枯萎、損壞以及細(xì)菌感染的研究中，采用將圖像由RGB空間轉(zhuǎn)向L*a*b*空間的方法，使得圖像處理變得簡(jiǎn)單。(Vzhny T,等，2000)。v 2006年，Mendoza等對(duì)sRGB、HSV和L*a*b* 三種顏色模型在水果品質(zhì)檢測(cè)機(jī)器視覺(jué)中的應(yīng)用進(jìn)行了研究，結(jié)果表明，sRGB顏色模型效率較高，但是，很容易受背景、果實(shí)的表面曲率等因素的影響，而L*a*b* 顏色

9、模型更適合于在機(jī)器視覺(jué)系統(tǒng)中用于水果表面顏色的檢測(cè)（Mendoza等，2006）。v 2009年，J.Blasco等人研究了對(duì)石榴的計(jì)算機(jī)視覺(jué)檢測(cè)方法，采用了R/G顏色分量的閾值劃分和RGB顏色空間的貝葉斯線(xiàn)性判據(jù)兩種方法，兩種方法均可達(dá) 90%的正確率。第一種方法的處理速度15ms/幅，其分級(jí)速度可以達(dá)到75kg/h（Blasco J等，2009）。v2.在農(nóng)產(chǎn)品尺寸與形狀檢測(cè)中的應(yīng)用 農(nóng)產(chǎn)品的外形尺寸是產(chǎn)品分級(jí)的重要依據(jù)。產(chǎn)品形狀也是外形尺寸檢測(cè)的重要方面，特別是水果，其形狀優(yōu)劣是分級(jí)的重要指標(biāo)。由于種植環(huán)境和品種的不同使農(nóng)產(chǎn)品的形狀多種多樣，所以農(nóng)產(chǎn)品尺寸與形狀的自動(dòng)檢測(cè)是實(shí)現(xiàn)其分級(jí)自動(dòng)

10、化的關(guān)鍵一步。 v 2000年，應(yīng)義斌通過(guò)建立圖像中點(diǎn)與被測(cè)物體上點(diǎn)間的定量關(guān)系，提出了利用物體的邊界信息求出物體的形心坐標(biāo)的方法，所測(cè)水果最大橫徑與實(shí)際最大橫徑的相關(guān)系數(shù)為0.96（應(yīng)義斌，2000）。v 2001年，應(yīng)義斌提出了利用物體的邊界信息求物體的形心坐標(biāo)和描述果形的新方法，用 Fourie描述子的前15個(gè)諧波分量來(lái)描述形狀，可以達(dá)到相當(dāng)高的精度（應(yīng)義斌，2001）。 v 2003年，饒秀勤等根據(jù)水果成像時(shí)水果、攝像機(jī)透鏡、水果圖像三者之間的相互關(guān)系，運(yùn)用幾何光學(xué)理論分析了尺寸檢測(cè)中的標(biāo)定誤差、半徑誤差、形狀誤差等3種誤差形成的原因，并給出了定量計(jì)算標(biāo)定誤差大小的公式和水果半徑的公式

11、，減少了檢測(cè)誤差，（饒秀勤等，2003）。v 2003年，馮斌等以自然對(duì)稱(chēng)形態(tài)特征為依據(jù)，確定水果的檢測(cè)方向以檢測(cè)水果的大小。試驗(yàn)結(jié)果表明檢測(cè)正確率達(dá) 94.4%，水果大小檢測(cè)最大絕對(duì)測(cè)量誤差為3mm（馮斌,2003）。v 2005年，郭峰等研究了用插值的方法得到平滑的輪廓曲線(xiàn)，并按大小對(duì)溫室西紅柿進(jìn)行分類(lèi)，實(shí)驗(yàn)結(jié)果表明算法的精度可達(dá)98%，分選速度達(dá)到3個(gè)/S （郭峰，2005） 。v 2007年，應(yīng)義斌等提出了一種基于Zernike 矩的水果形狀分類(lèi)方法，能夠?qū)λ男螤畲笮∵M(jìn)行識(shí)別，對(duì)輕度畸形的識(shí)別率最高達(dá)到 94.48%，試驗(yàn)結(jié)果表明該方法優(yōu)于傳統(tǒng)的傅立葉描述子.用 Zernike矩作

12、為分類(lèi)特征更適合水果分級(jí) ,但是該方法的速度比傅立葉描述子慢（應(yīng)義斌, 2007）。v2008年，楊飛等在對(duì)花椒各成分形態(tài)特征分析的基礎(chǔ)上，提出以凹性率、橢圓度、面積為分離各成分的參數(shù),試驗(yàn)結(jié)果表明：對(duì)椒籽、果穗梗正確識(shí)別率為100%，閉眼及果皮正確識(shí)別率分別為89%、96.8%（楊飛等，2008）。v2009年,張俊雄等由顏色因子2G-R-B和G值識(shí)別出山竹的果柄、果蒂和果皮。由果柄、果蒂和果皮區(qū)域形心位置判斷水果的姿態(tài),提取水果的最大橫徑作為大小分級(jí)指標(biāo)，果徑檢測(cè)精度達(dá)到1.8 mm(張俊雄等,2009)。v2010年，郝敏等在歸一化的馬鈴薯圖像中計(jì)算出具有旋轉(zhuǎn)不變性的 Zernike 矩

13、參數(shù)作為特征參數(shù), 利用支持向量機(jī)實(shí)現(xiàn)了馬鈴薯薯形的檢測(cè)分類(lèi)，對(duì)薯形良好和畸形的檢測(cè)準(zhǔn)確率分別達(dá) 93%和 100%（郝敏等，2010）。v 2010年，陳英等設(shè)計(jì)了一套基于計(jì)算機(jī)視覺(jué)的葡萄檢測(cè)分級(jí)系統(tǒng),采用投影面積法和傳立葉描述子計(jì)算果穗大小和形狀參數(shù),進(jìn)而實(shí)現(xiàn)葡萄外觀(guān)品質(zhì)分級(jí)。與人工分級(jí)對(duì)比,大小形狀分級(jí)的準(zhǔn)確率分別88.3%（陳英等，2010）。v2007年，Koc AB通過(guò)圖像處理的方法來(lái)測(cè)算西瓜的體積，針對(duì)西瓜的橢圓形形狀特征，在圖像處理中采用橢圓模型進(jìn)行匹配檢測(cè)確定西瓜的大、小直徑，將其對(duì)應(yīng)橢圓的長(zhǎng)軸、短軸長(zhǎng)度（ Koc AB等，2007）。v 2008 年，Jarimopas B

14、等研究了對(duì)羅望子（Sitong 和 Srichompoo 兩個(gè)品種）的機(jī)器視覺(jué)分級(jí)方法，實(shí)驗(yàn)在檢測(cè)尺寸大小的同時(shí)，對(duì)表面缺陷，也進(jìn)行了檢測(cè)。通過(guò)視覺(jué)分類(lèi)方法，可以實(shí)現(xiàn)對(duì) Sitong 品種（長(zhǎng)度為 8.5-12.4cm）的分類(lèi)準(zhǔn)確度達(dá) 89.8%，對(duì)Srichompoo 品種（長(zhǎng)度為 10.0-14.0cm）的分類(lèi)精度達(dá) 94.3% （Jarimopas B等，2008）。v 2009年，J. Blasco等人開(kāi)發(fā)了一套桔子瓣分級(jí)系統(tǒng)，根據(jù)RGB值和形態(tài)特征（面積、周長(zhǎng)、偏心率，緊湊度和圓度系數(shù)）將其分為完整瓣、破損瓣、桔子皮、籽 四類(lèi)，樣機(jī)的正確識(shí)別率達(dá)到了93.2%，處理每幅圖像的時(shí)間為4

15、8ms，產(chǎn)量達(dá)到了1000kg/h（J. Blasco等，2009 ）。 3.在農(nóng)產(chǎn)品表面缺陷、品質(zhì)檢測(cè)中的應(yīng)用 農(nóng)產(chǎn)品表面的缺陷包括碰壓傷、刺傷、疤痕、腐爛、蟲(chóng)咬、裂傷、果銹等。 如何從其圖像中準(zhǔn)確地劃分出壞損區(qū)域，并對(duì)分割出的部分加以描述和分類(lèi)，一直是農(nóng)產(chǎn)品自動(dòng)檢測(cè)的難題。v 2002年，應(yīng)義斌等研究了黃花梨缺陷區(qū)域的 R、G、B 各分量灰度的變化特點(diǎn)，采用梯度算法求得了可疑缺陷點(diǎn)，然后再用區(qū)域生長(zhǎng)法，找出了缺陷點(diǎn)像素的最大連通集及所有的缺陷區(qū)域，進(jìn)一步提高了缺陷面積計(jì)算的精度（應(yīng)義斌,2002）。 v 2004年，成芳等根據(jù)顏色特征對(duì)稻種圖像進(jìn)行了霉變分析識(shí)別研究。研究了基于色調(diào)H顏色特

16、征的稻種霉變檢測(cè)算法，試驗(yàn)結(jié)果表明，該算法對(duì)金優(yōu)402、加優(yōu)等5個(gè)品種的正常、輕度霉變、嚴(yán)重霉變稻種的平均識(shí)別率分別達(dá)到了92%、95%、83%（成芳等，2004）。v 2005年，王樹(shù)文等研究了番茄損傷前后顏色變化，對(duì)番茄圖像逐行掃描,尋找R灰度及G灰度同時(shí)發(fā)生變化的點(diǎn),作為可疑損傷點(diǎn)。然后判斷33鄰域內(nèi)是否有其它相似損傷點(diǎn)存在, 若沒(méi)有則說(shuō)明此點(diǎn)是噪聲點(diǎn); 若小于3點(diǎn),且不與其它區(qū)域相連,則認(rèn)為該點(diǎn)也不是壞損點(diǎn)。最后將所有將所有損壞點(diǎn)的灰度值置為m，得到表面缺陷圖像。（王樹(shù)文等，2005）。v 2007年,吳彥紅等通過(guò)計(jì)算單體米粒灰度圖像中每行的灰度指數(shù)差分,得到差分曲線(xiàn),根據(jù)曲線(xiàn)是否存在

17、波谷判斷裂紋米,裂紋米粒識(shí)別的準(zhǔn)確率為96.41%(吳彥紅等,2007)。v 2009年，鄭冠楠等采用灰度值差值法檢測(cè)發(fā)芽馬鈴薯; 采用相鄰采樣邊界點(diǎn)歸一化半徑差的方法檢測(cè)畸形馬鈴薯 ,并實(shí)現(xiàn)了馬鈴薯在線(xiàn)綜合檢測(cè)分級(jí),分級(jí)精度達(dá)到88%（鄭冠楠等,2009）。v 2009年，劉韶軍等用NxN的檢測(cè)窗口,遍歷棉種的邊緣輪廓 ,計(jì)算檢測(cè)窗口內(nèi)目標(biāo)的像素?cái)?shù)Su。由此完成棉種破損檢測(cè)。研究中選用了Su的均值、方差、均方差作為特征參數(shù)，當(dāng)選用7x7正方形窗口時(shí)，能夠有效地將破損棉種與正常棉種區(qū)分開(kāi),其識(shí)別正確率達(dá)到了93%（劉韶軍等，2009）。v 2009年，饒洪輝等研制了基于機(jī)器視覺(jué)的水稻種子質(zhì)量在

18、線(xiàn)檢測(cè)裝置 ,其主要由落料機(jī)構(gòu)、傳動(dòng)裝置、光照箱和水稻種子排料機(jī)構(gòu)組成（饒洪輝等，2009）。v 2010年，陳兵旗等以等價(jià)矩形長(zhǎng)、寬的差值最小為標(biāo)準(zhǔn) ,進(jìn)行了未知稻種類(lèi)型的判斷;以?huà)呙杈€(xiàn)上黑白像素的變化次數(shù)和掃描線(xiàn)數(shù)來(lái)判斷稻種的破裂;以不同閾值提取的稻種面積差來(lái)判斷稻種是否霉變。分別進(jìn)行了種子類(lèi)型判斷、以及發(fā)霉與破損情況判斷,檢測(cè)正確率分別為100%、88.9%和76.8%（ 陳兵旗等，2010 ）。v 2007年，J. Blasco等采用面向區(qū)域的分割算法（區(qū)域增長(zhǎng)和區(qū)域融合），對(duì)多個(gè)品種柑桔的表皮缺陷進(jìn)行的檢測(cè)，識(shí)別率為95%，這種算法的特點(diǎn)就是對(duì)品種的適應(yīng)性好（ J. Blasco等，2007 ）。v 2008年， D.C. Slaughter等研究了柑橘凍傷無(wú)損檢測(cè)，根據(jù)柑橘果皮油在紫外線(xiàn)下顯示為黃光，根據(jù)黃色斑點(diǎn)面積的多少判斷柑橘的凍傷程度。其中對(duì)未凍傷、中等凍傷和嚴(yán)重凍傷柑橘的識(shí)別率達(dá)到了87.9%，而對(duì)輕度凍傷柑橘的識(shí)別率為64.4%（D.C. Slaughter等，2008）。 v 2010年，A.Al-Mallahi等