基于计算机视觉的葡萄检测分级系统

引言

我国鲜食葡萄产量居世界首位，然而由于采后处理、分选分级技术水平低，我国鲜食葡萄产品在国际市场上的竞争力较差，出口量很小。目前葡萄的分选分级主要由人工完成，效率低下且难以做到客观准确，无法适应规模化和产业化生产的要求。计算机视觉检测具有客观、准确、快速、无损等优点，已广泛应用于苹果、柑桔、西红柿、桃子、梨等近球形单粒水果的外观品质检测与分级。葡萄是一种穗状水果，形状复杂，每穗果实包括相互堆积的多枚果粒，且果实柔软多汁，因此基于机器视觉进行葡萄分级具有一定的特殊性，目前在国际上应用较少，已报道的研究成果主要是Philippe Blanc申请的美国专利，国内此方面的研究未见报道。本文参考人工分级标准开发一套葡萄实时检测和分级系统，将葡萄以悬挂方式连续输送，采用计算机视觉技术，提取葡萄的果面颜色、果穗大小、形状等图像信息，以实现葡萄外观品质的在线检测分级。

1  分级系统设计

1.1  系统结构设计   

葡萄的检测分级不同于苹果、柑橘等水果，由于葡萄果实柔软多汁，不允许将其采用滚动或翻转式上、下料，也不允许其在检测台上滑动或滚动。本文开发的葡萄分级系统采用人工上、下料，将葡萄以悬挂方式连续输送，系统由驱动装置、悬挂式输送机构、葡萄夹持机构、图像采集与处理系统、分级控制系统5部分组成，如图1所示。

驱动装置是一套链传动机构，电动机通过传动轴带动主动链轮转动，进而通过链条带动另外3个从动链轮转动，从而驱动一个环形输送系统；悬挂式输送机构由机架、环形轨道、链条、滚动轴承组件等组成，如图2所示，输送链条采用上、下分别带有吊耳的精密滚子链，上方吊耳通过滚动轴承组件悬挂在环形轨道中，下方吊耳连接夹持机构以夹持葡萄果柄，从而实现葡萄的悬挂式输送；葡萄夹持机构吊装在输送链条下吊耳的下方，能可靠地将葡萄果柄夹持在两片橡胶夹持垫之间，并通过调节弹簧预紧程度保证不损伤果柄。在检测过程中，葡萄其他部位均不与检测装置产生接触或碰撞，既可以避免其在检测过程中的损伤，又便于摄像系统从不同角度获取尽量多的果面信息。

1.2  图像采集与分级控制

为了在不翻转滚动葡萄的情况下获取输送线上每穗葡萄较为完整的果面信息，本系统采用单PC机、单采集卡、双摄像头同时采集一穗葡萄两面图像的采集方案，图3为图像采集与分级控制原理图。横跨一侧机架的灯箱构成图像采集区域，灯箱内的4块灯座板上分别安装5根20 W的荧光灯管，使得进入到图像采集区域的葡萄表面形成均匀的光照效果。选用两个JVC TK- C1481BEC型彩色CCD摄像机，分别安装在灯箱两侧，配合日本精工的12 mm手动光圈定焦镜头，在物距为600 mm下进行图像采集。选用微视凌志Matrox Morphis采集卡，其双视频解码器构架支持从双路标准视频同步采集连续图像。图像采集与分级控制采用PC - PLC的主从式构架，PC作为上位机主要完成图像信息的采集、处理和分析，PLC作为下位机主要完成逻辑控制，一方面处理由传感器传送的葡萄位置信息，控制图像采集，另一方面通过与上位机的通讯，实现分级信息的显示控制。上位PC机与PLC以PPI多主站编程电缆通讯方式，选择点对点接口PPI协议实现PLC与PC的通讯。每当葡萄运行到采集区域时，电感式接近传感器检测到与葡萄相连的夹持机构，产生一个脉冲触发信号并传送给PLC，该脉冲触发信号被PLC用于记录并跟踪该穗葡萄的位置，同时触发采集卡采集该葡萄的两幅图像。采集到的图像经过计算机处理后判定该葡萄的等级，并通过RS232串口将等级值发送给PLC。PLC接收、保存葡萄等级信息，待该串葡萄运动至分级区域时，控制指示灯显示该葡萄的等级。

2  图像处理及特征参数提取

本文的研究对象为我国栽种面积最广的巨峰葡萄，参照鲜食葡萄的国家标准和农业行业标准，巨峰葡萄外观品质等级指标主要包括果面颜色、果穗大小、形状、果粒大小及均匀度等，本文主要进行果面颜色、果穗大小和形状分级。

2.1图像预处理

对检测线上采集的每穗葡萄的两幅图像，如图4所示，首先采用3x3中值滤波去除噪声。分析葡萄图像R、G、B3个通道的直方图，发现每个通道直方图均表现为明显的双峰，而B通道直方图的波谷宽度较大，且对于不同成熟度的葡萄，在灰度210附近都有明显的波谷，因此，选取B通道固定阈值T=210进行目标分割。

2.2果面颜色特征参数提取

颜色在某种意义上代表水果的成熟度和口感，水果颜色分级中，大多基于RGB或HSI两种色彩空间提取特征参数，建立分级模型。巨峰葡萄等级标准中按照果面紫黑着色率将葡萄分为优等果（紫黑着色率大于95%）、一级果(紫黑着色率大于85%)和二级果（紫黑着色率小于85%）。通过大量试验，发现颜色特征参数Ccolor=2G -R -B（R、G、B分别为R、G、B颜色通道的灰度值）能较好地区分果面的紫黑色区域和非紫黑区域，对于紫黑色区域Ccolor>0。据此可以计算出葡萄果面紫黑区域百分比进而进行颜色分级。

2.3果穗大小参数提取

在机器视觉检测分级中，可以采用投影面积、周长、最大横径、体积等作为大小分级参数。本文采用投影面积法，计算一穗葡萄的两幅图像中葡萄目标的投影面积s1、s2，取其平均值Carea=(s1+s2)／2，作为大小分级的特征参数。

2.4  果穗形状参数提取

目前水果形状检测的方法主要分两种，一是用简单的几何量如圆度、横纵径之比、曲率等作为形状分类的特征参数，二是采用傅里叶描述子重建水果形状。葡萄果穗的形状受环境因素影响而千差万别，且随机性很大，难以采用简单的几何量加以描述或重建果形。

在人工分级中，巨峰葡萄果穗典型的形状缺陷是扁担形，即两端大中间小，如图5。由于扁担形的葡萄果穗下半部分质量较大，而中间部分细弱，容易出现掉粒和下部脱落的情况。本文基于果轴方向投影曲线提取形状参数以识别扁担形果穗，首先逐行扫描图像，计算每一行目标像素点个数的累加值n，从而得到果轴方向(l)投影曲线，如图6。对于扁担形果穗，曲线呈明显的双峰，谷点位置标记为G(lg，ng)，下峰点位置标记为F(lf，nf)，通过统计55穗形状各异葡萄的110幅图像（每穗采集两面图像），发现谷点位置lg的取值在0. 15L -0.65L范围内，其中L为果轴长度。

求ng= minn(l)，Z∈(0. 15L，0.65L)，从而得到谷点G(lg，ng)，求nf= maxn(l)，l∈(O，lg)，从而得到下峰点F（lf，nf），定义形状参数Cshape=ng/nf。一般Cshape≤1，Cshape越小说明扁担形越严重。

选取55穗巨峰葡萄（其中25穗为扁担形，30穗为正常形状），在检测线上采集110幅图像，按上述方法求得每幅图像的形状参数，得到图7所示的形状参数分布散点图，可以看出扁担形葡萄的Cshape。基本在0.55以下，而正常形状葡萄的Cshape一般在0.55以上。故确定形状分级模型为：若Cshape<0. 55，则判断为畸形果。

3分级试验与结果

3.1颜色分级试验    选用20穗巨峰葡萄，人工按颜色分为3级后，

将其分别悬挂在检测线的夹持机构上，并将各自的等级在夹持机构上做标记，以便与在线检测结果进行对比。进行了3次试验，每次试验前将葡萄绕果轴随机旋转一定角度后吊装，从而使拍摄图像的角度有所不同。统计在线分级与人工分级不一致的穗数，结果如表1所示，分级精度为90%。

3.2  果穗大小形状分级试验

将20穗巨峰葡萄人工按大小和形状分为3级，然后按照上述方法进行分级试验。统计在线分级与人工分级不一致的穗数，结果如表2所示，分级精度为88.3%。

4结束语

设计了一套计算机视觉葡萄分级系统，将葡萄以悬挂方式连续输送，分级过程中不会对葡萄造成损伤。在外触发模式下同时采集一串葡萄的两面图像，以提取较为全面的果面信息。基于颜色特征参数C color=2G -R -B统计巨峰葡萄果面着色率，采用投影面积法和果轴方向投影曲线计算果穗大小和形状参数，试验结果表明，与人工分级对比，颜色和大小形状分级的准确率分别为90%和88.3%。

陈英  廖涛  林初靠  万虎  李伟（中国农业大学工学院，北京100083）

农业机械学报2010.3