自动分拣机器视觉算法研究范文

《浙江农业学报》2015年第十期

摘要:

柑橘罐头生产过程中，脱囊衣后橘片存在囊衣、橘核残留，橘片破损等缺陷，影响产品品质。目前，生产中都采用人工分拣剔除，试验针对以上3种缺陷橘片设计了基于LabVIEW的机器视觉快速检测算法，并构建试验平台，检测算法准确率与效率。结果表明，采用该算法检测准确率可达到(99.1±0.5)%，平均耗时(17±5)ms，可实现每秒(64±19)片的检测速度。

关键词:

LabVIEW;机器视觉;自动分拣算法;脱囊衣橘片

我国是世界上最大的柑橘罐头生产国，产量占世界贸易量的90%以上。新鲜柑橘经剥皮、分瓣、脱囊衣、分拣、灌装、杀菌等工序制成橘片罐头。在酸碱脱囊衣工序后，有些橘片破损，带核或囊衣未脱净，这些橘片会影响产品品质，需要将其剔除。由于橘片大小多样，且缺陷形态与位置各不相同，无法用简单的传感器检测，目前，该步骤完全由人工完成，需要耗费大量劳动力，劳动强度大，效率低，且有一定的卫生隐患。机器视觉技术是以相机等成像传感器取代人眼，获得图像并由控制器处理判别的一种技术，可用于产品的缺陷检测、物体判断和尺寸测量等方面［1－2］，被广泛用于各种工业自动化生产线产品的检测。随着视觉算法的改进，机器视觉也开始应用于大小形态不一的农产品［3］，如刘建军等［4］将机器视觉用于山核桃外观与大小的等级检测，Leemans等［5］采用机器视觉检测苹果缺陷。本文基于LabVIEW软件平台及其视觉开发模块，设计了一种针对囊衣残留、橘片破损、橘核残留3种常见脱囊衣后橘片缺陷的机器视觉算法，以期以此为基础实现柑橘橘片的自动分拣。

1材料与方法

1．1材料与仪器试验用柑橘为温州蜜柑，采自浙江台州黄岩地区。主要仪器设备包括:NationalInstrumentsUSB-6341数据采集卡，美国NationalInstruments公司;BaslerpiA640-210gc工业相机，德国Basler公司;Computar15mm镜头，日本Computar公司;HX-A00-D92-R4-W环形光源，BGL2-D100-R-24V背景光源，上海纬朗光电科技有限公司。编程软件:LabVIEW，美国NationalInstru-ments公司;工控计算机平台:NIPXIe-8133控制器，美国NationalInstruments公司。

1．2试验平台本文构建的视觉检测平台由工业相机、透射光源、反射光源、样品台、数据采集卡、工控计算机构成，结构简图如图1所示。其中，工业相机用于采集橘片图像;透射光源采用红色背光源，反射光源采用白色环形光源;数据采集卡用于控制光源开关，并触发工业相机采集图像，每次检测依次点亮透射光源与反射光源，采集两张图像;工控计算机用于对采集图像的处理。

1．3程序设计

1．3．1检测流程检测流程如图2所示。计算机通过数据采集卡控制透射光源与反射光源依次点亮，并触发采集两张图像。采集透射图像用于橘核残留检测，采集反射图像用于囊衣残留检测与橘片破损检测，图像经3种检测算法处理，3者结果均为通过的橘片为合格橘片。

1．3．2检测与控制程序采用LabVIEW编写检测与控制程序，控制程序结构图如图3所示。通过数据采集卡采集触发开关动作，当按下触发开关时执行图像采集与检测程序，通过数据采集卡输出控制信号，依次控制背景光源与环形光源点亮，同时触发相机采集透射与反射图像，执行橘核残留检测、囊衣残留检测、橘片破损检测3种缺陷检测算法，将结果进行“与”运算后，输出为最终检测结果。

1．3．3缺陷检测算法采集的彩色图像首先经灰度化处理，通过提取红色R、蓝色B分量，以及亮度分量L将彩色图像转化为3种灰度图像。其中，R分量图像用于计算橘片轮廓，B分量图像用于提取囊衣残留特征，L分量图像用于在背光图像中提取橘核残留特征。RGB图像由红绿蓝3个8-bit值构成［6］，通过将每个值与特定系数相乘后求和转化为灰度值。二值化后的图像通过形态学过滤去除贴边的物体和过小的物体，最终保留所需的缺陷图像，通过颗粒分析将图片中保留的缺陷特征量化，计算物体面积、直径等，通过与预设的缺陷阈值对比得到检测结果。取3种缺陷橘片各1000片，用于算法与检测程序的运算耗时与准确率测试，将橘片依次放入检测平台进行检测，重复5次，统计检测结果。

2结果与分析

2．1橘核残留检测结果橘核残留检测各步骤图像处理结果如图4所示。采集的透射图像用于橘核残留识别，由于橘片厚薄不均匀，外缘较厚，在图像中会形成阴影影响橘核判别(图4-A)。完整橘片外缘为弧形，因此，可通过检测圆弧确定内外缘，而橘核处于橘片内缘，由此可将较厚的外缘阴影分离。经图像增强(图4-B)与二值化处理(图4-C)，获得轮廓图像，计算外缘圆弧半径r与圆心坐标p(x，y)，在p点绘制半径r'=k×r(k为半径系数，定义为橘核检测区域半径与橘片外缘圆弧半径的比值)的圆形蒙版，去除圆形区域外的图像(图4-D)。从图4-D中可见分离的橘核特征图像，当阴影面积大于200pixels时，判定存在橘核残留缺陷。橘核残留检测耗时(7±3)ms。图5为不同半径系数k下橘核残留检测准确率，可见，在半径系数为0.4时准确率最高，准确率可达到(99.5±0.3)%。

2．2囊衣残留检测结果图6所示为囊衣残留检测各步骤图像处理结果。囊衣是柑橘橘片表面的一层白色薄膜状组织，为了降低橘片食用时的残渣感，生产中通过酸碱脱囊衣处理去除橘片表面囊衣，部分橘片囊衣未除尽，仍有部分囊衣残留在橘片表面。采集的反射图像通过提取红色分量(图6-A)可以获得橘片轮廓，从而将橘片区域与背景分离(图6-A)。囊衣残留呈现白色，与橘片本身的橘色有较大反差，通过提取蓝色分量，可以获得对比度较高的图像(图6-C)，经过二值化与颗粒过滤，去除较小的干扰点后可提取囊衣残留图像(图6-D)，统计残留区域像素数判定是否存在囊衣残留，若面积大于100pixels，则判定存在囊衣残留缺陷。图6-D所示为分离的囊衣残留特征。囊衣残留检测耗时(2±1)ms，检测准确率(99.8±0.2)%。

2．3橘片破损检测结果图7所示为橘片破损检测各步骤图像处理结果。采集反射图像提取红色分量，可以获得与背景对比度较大的灰度图像(图7-A)，二值化后提取橘片区域。常见的破损橘片有碎块与缺裂两类，橘片碎块通常面积较小，低于合格要求，若橘片区域总像素低于30000pixels，判定橘片不合格。橘片缺裂在二值化的图像上表现为轮廓上大块凹陷(图7-B)，通过凸包算法处理，产生一个囊括橘片图像中所有点的凸多边形，填充凹陷缺口(图7-C)，可用减法算子将填充的部分分离出来，即为缺裂特征图像(图7-D)，此特征面积超过1000pixels时，橘片不合格。橘片破损检测耗时(3±1)ms，准确率(99.7±0.2)%。

2．4缺陷橘片检测样品橘片依次采集透射与反射图像，经上述橘核检测、囊衣残留检测、破损检测，最终判断橘片是否合格，经测试，检测程序平均耗时(17±5)ms，可实现(64±19)片•s－1的检测速率，检测准确率达(99.1±0.5)%。

3小结

本研究基于LabVIEW，设计了一种脱囊衣橘片检测算法，可检测囊衣残留，橘核残留，橘片破损3种常见缺陷类型，检测准确率可达(99.1±0.5)%，检测程序完成对囊衣残留、橘核残留、橘片破损3种检测平均总耗时(17±5)ms，具有较高的识别度和识别效率。后续需要进一步研究能够实现橘片分拣剔除的装置，以实现橘片自动分拣。

参考文献:

［1］SonkaM，HlavacV，BoyleR．Imageprocessing，analysis，andmachinevision［M］．Toronto:CLEngineering，2007．

［2］王璜，李九灵，代新，等．可重用的机器视觉检测算法库设计［J］．湖北工业大学学报，2013，28(2):49－52．

［3］VijayarekhaK．Machinevisionapplicationforfoodquality:Areview［J］．ResearchJournalofAppliedSciencesEngineering＆Technology，2012，24(4):5453－5458．

［4］刘建军，姚立健，彭樟林．基于机器视觉的山核桃等级检测技术［J］．浙江农业学报，2010，22(6):854－858．

［5］LeemansV，MageinH，DestainMF．Defectssegmentationon‘GoldenDelicious’applesbyusingcolourmachinevision［J］．Computers＆ElectronicsinAgriculture，1998，20(2):117－130．

［6］周金和，彭福堂．一种有选择的图像灰度化方法［J］．计算机工程，2006，32(20):198－200．

［7］李革，李斌，王莹，等．基于HSL模型的珍珠光泽度分选方法［J］．农业机械学报，2008，39(6):113－117．

［8］吴成茂．直方图均衡化的数学模型研究［J］．电子学报，2013，41(3):598－602．

［9］KimW，YouJ，JeongJ．Contrastenhancementusinghisto-gramequalizationbasedonlogarithmicmapping［J］．OpticalEngineering，2012，51(6):067002-1－067002-10

作者：任磊 张俊 陆胜民 单位：浙江师范大学 化学与生命科学院浙江省农业科学院 食品科学研究所/浙江省果蔬保鲜与加工技术研究重点实验室