自動分揀機器視覺算法研究

《自動分揀機器視覺算法研究》由會員分享，可在線閱讀，更多相關(guān)《自動分揀機器視覺算法研究（4頁珍藏版）》請在裝配圖網(wǎng)上搜索。

1、自動分揀機器視覺算法研究 自動分揀機器視覺算法研究 2016/01/23 《浙江農(nóng)業(yè)學(xué)報》2015年第十期 摘要: 柑橘罐頭生產(chǎn)過程中，脫囊衣后橘片存在囊衣、橘核殘留，橘片破損等缺陷，影響產(chǎn)品品質(zhì)。目前，生產(chǎn)中都采用人工分揀剔除，試驗針對以上3種缺陷橘片設(shè)計了基于LabVIEW的機器視覺快速檢測算法，并構(gòu)建試驗平臺，檢測算法準(zhǔn)確率與效率。結(jié)果表明，采用該算法檢測準(zhǔn)確率可達到(99.10.5)%，平均耗時(175)ms，可實現(xiàn)每秒(6419)片的檢測速度。

2、 關(guān)鍵詞: LabVIEW;機器視覺;自動分揀算法;脫囊衣橘片 我國是世界上最大的柑橘罐頭生產(chǎn)國，產(chǎn)量占世界貿(mào)易量的90%以上。新鮮柑橘經(jīng)剝皮、分瓣、脫囊衣、分揀、灌裝、殺菌等工序制成橘片罐頭。在酸堿脫囊衣工序后，有些橘片破損，帶核或囊衣未脫凈，這些橘片會影響產(chǎn)品品質(zhì)，需要將其剔除。由于橘片大小多樣，且缺陷形態(tài)與位置各不相同，無法用簡單的傳感器檢測，目前，該步驟完全由人工完成，需要耗費大量勞動力，勞動強度大，效率低，且有一定的衛(wèi)生隱患。機器視覺技術(shù)是以相機等成像傳感器取代人眼，獲得圖像并由控制器處理判別的一種技術(shù)，可用于產(chǎn)品的缺陷檢測、物體判斷和尺寸測量等方面［1－2］，被廣泛用于

3、各種工業(yè)自動化生產(chǎn)線產(chǎn)品的檢測。隨著視覺算法的改進，機器視覺也開始應(yīng)用于大小形態(tài)不一的農(nóng)產(chǎn)品［3］，如劉建軍等［4］將機器視覺用于山核桃外觀與大小的等級檢測，Leemans等［5］采用機器視覺檢測蘋果缺陷。本文基于LabVIEW軟件平臺及其視覺開發(fā)模塊，設(shè)計了一種針對囊衣殘留、橘片破損、橘核殘留3種常見脫囊衣后橘片缺陷的機器視覺算法，以期以此為基礎(chǔ)實現(xiàn)柑橘橘片的自動分揀。 1材料與方法 1．1材料與儀器試驗用柑橘為溫州蜜柑，采自浙江臺州黃巖地區(qū)。主要儀器設(shè)備包括:NationalInstrumentsUSB-6341數(shù)據(jù)采集卡，美國NationalInstruments公司;Bas

4、lerpiA640-210gc工業(yè)相機，德國Basler公司;Computar15mm鏡頭，日本Computar公司;HX-A00-D92-Ｒ4-W環(huán)形光源，BGL2-D100-Ｒ-24V背景光源，上海緯朗光電科技有限公司。編程軟件:LabVIEW，美國NationalInstru-ments公司;工控計算機平臺:NIPXIe-8133控制器，美國NationalInstruments公司。 1．2試驗平臺本文構(gòu)建的視覺檢測平臺由工業(yè)相機、透射光源、反射光源、樣品臺、數(shù)據(jù)采集卡、工控計算機構(gòu)成，結(jié)構(gòu)簡圖如圖1所示。其中，工業(yè)相機用于采集橘片圖像;透射光源采用紅色背光源，反射光源采用白色環(huán)

5、形光源;數(shù)據(jù)采集卡用于控制光源開關(guān)，并觸發(fā)工業(yè)相機采集圖像，每次檢測依次點亮透射光源與反射光源，采集兩張圖像;工控計算機用于對采集圖像的處理。 1．3程序設(shè)計 1．3．1檢測流程檢測流程如圖2所示。計算機通過數(shù)據(jù)采集卡控制透射光源與反射光源依次點亮，并觸發(fā)采集兩張圖像。采集透射圖像用于橘核殘留檢測，采集反射圖像用于囊衣殘留檢測與橘片破損檢測，圖像經(jīng)3種檢測算法處理，3者結(jié)果均為通過的橘片為合格橘片。 1．3．2檢測與控制程序采用LabVIEW編寫檢測與控制程序，控制程序結(jié)構(gòu)圖如圖3所示。通過數(shù)據(jù)采集卡采集觸發(fā)開關(guān)動作，當(dāng)按下觸發(fā)開關(guān)時執(zhí)行圖像采集與檢測程序，通過數(shù)據(jù)采集卡輸出

6、控制信號，依次控制背景光源與環(huán)形光源點亮，同時觸發(fā)相機采集透射與反射圖像，執(zhí)行橘核殘留檢測、囊衣殘留檢測、橘片破損檢測3種缺陷檢測算法，將結(jié)果進行“與”運算后，輸出為最終檢測結(jié)果。 1．3．3缺陷檢測算法采集的彩色圖像首先經(jīng)灰度化處理，通過提取紅色Ｒ、藍色B分量，以及亮度分量L將彩色圖像轉(zhuǎn)化為3種灰度圖像。其中，Ｒ分量圖像用于計算橘片輪廓，B分量圖像用于提取囊衣殘留特征，L分量圖像用于在背光圖像中提取橘核殘留特征。ＲGB圖像由紅綠藍3個8-bit值構(gòu)成［6］，通過將每個值與特定系數(shù)相乘后求和轉(zhuǎn)化為灰度值。二值化后的圖像通過形態(tài)學(xué)過濾去除貼邊的物體和過小的物體，最終保留所需的缺陷圖像，通過

7、顆粒分析將圖片中保留的缺陷特征量化，計算物體面積、直徑等，通過與預(yù)設(shè)的缺陷閾值對比得到檢測結(jié)果。取3種缺陷橘片各1000片，用于算法與檢測程序的運算耗時與準(zhǔn)確率測試，將橘片依次放入檢測平臺進行檢測，重復(fù)5次，統(tǒng)計檢測結(jié)果。 2結(jié)果與分析 2．1橘核殘留檢測結(jié)果橘核殘留檢測各步驟圖像處理結(jié)果如圖4所示。采集的透射圖像用于橘核殘留識別，由于橘片厚薄不均勻，外緣較厚，在圖像中會形成陰影影響橘核判別(圖4-A)。完整橘片外緣為弧形，因此，可通過檢測圓弧確定內(nèi)外緣，而橘核處于橘片內(nèi)緣，由此可將較厚的外緣陰影分離。經(jīng)圖像增強(圖4-B)與二值化處理(圖4-C)，獲得輪廓圖像，計算外緣圓弧半徑r

8、與圓心坐標(biāo)p(x，y)，在p點繪制半徑r=kr(k為半徑系數(shù)，定義為橘核檢測區(qū)域半徑與橘片外緣圓弧半徑的比值)的圓形蒙版，去除圓形區(qū)域外的圖像(圖4-D)。從圖4-D中可見分離的橘核特征圖像，當(dāng)陰影面積大于200pixels時，判定存在橘核殘留缺陷。橘核殘留檢測耗時(73)ms。圖5為不同半徑系數(shù)k下橘核殘留檢測準(zhǔn)確率，可見，在半徑系數(shù)為0.4時準(zhǔn)確率最高，準(zhǔn)確率可達到(99.50.3)%。 2．2囊衣殘留檢測結(jié)果圖6所示為囊衣殘留檢測各步驟圖像處理結(jié)果。囊衣是柑橘橘片表面的一層白色薄膜狀組織，為了降低橘片食用時的殘渣感，生產(chǎn)中通過酸堿脫囊衣處理去除橘片表面囊衣，部分橘片囊衣未除盡，仍有

9、部分囊衣殘留在橘片表面。采集的反射圖像通過提取紅色分量(圖6-A)可以獲得橘片輪廓，從而將橘片區(qū)域與背景分離(圖6-A)。囊衣殘留呈現(xiàn)白色，與橘片本身的橘色有較大反差，通過提取藍色分量，可以獲得對比度較高的圖像(圖6-C)，經(jīng)過二值化與顆粒過濾，去除較小的干擾點后可提取囊衣殘留圖像(圖6-D)，統(tǒng)計殘留區(qū)域像素數(shù)判定是否存在囊衣殘留，若面積大于100pixels，則判定存在囊衣殘留缺陷。圖6-D所示為分離的囊衣殘留特征。囊衣殘留檢測耗時(21)ms，檢測準(zhǔn)確率(99.80.2)%。 2．3橘片破損檢測結(jié)果圖7所示為橘片破損檢測各步驟圖像處理結(jié)果。采集反射圖像提取紅色分量，可以獲得與背景對

10、比度較大的灰度圖像(圖7-A)，二值化后提取橘片區(qū)域。常見的破損橘片有碎塊與缺裂兩類，橘片碎塊通常面積較小，低于合格要求，若橘片區(qū)域總像素低于30000pixels，判定橘片不合格。橘片缺裂在二值化的圖像上表現(xiàn)為輪廓上大塊凹陷(圖7-B)，通過凸包算法處理，產(chǎn)生一個囊括橘片圖像中所有點的凸多邊形，填充凹陷缺口(圖7-C)，可用減法算子將填充的部分分離出來，即為缺裂特征圖像(圖7-D)，此特征面積超過1000pixels時，橘片不合格。橘片破損檢測耗時(31)ms，準(zhǔn)確率(99.70.2)%。 2．4缺陷橘片檢測樣品橘片依次采集透射與反射圖像，經(jīng)上述橘核檢測、囊衣殘留檢測、破損檢測，最終判

11、斷橘片是否合格，經(jīng)測試，檢測程序平均耗時(175)ms，可實現(xiàn)(6419)片s－1的檢測速率，檢測準(zhǔn)確率達(99.10.5)%。 3小結(jié) 本研究基于LabVIEW，設(shè)計了一種脫囊衣橘片檢測算法，可檢測囊衣殘留，橘核殘留，橘片破損3種常見缺陷類型，檢測準(zhǔn)確率可達(99.10.5)%，檢測程序完成對囊衣殘留、橘核殘留、橘片破損3種檢測平均總耗時(175)ms，具有較高的識別度和識別效率。后續(xù)需要進一步研究能夠?qū)崿F(xiàn)橘片分揀剔除的裝置，以實現(xiàn)橘片自動分揀。 參考文獻: ［1］SonkaM，HlavacV，BoyleＲ．Imageprocessing，analysis，andma

12、chinevision［M］．Toronto:CLEngineering，2007． ［2］王璜，李九靈，代新，等．可重用的機器視覺檢測算法庫設(shè)計［J］．湖北工業(yè)大學(xué)學(xué)報，2013，28(2):49－52． ［3］VijayarekhaK．Machinevisionapplicationforfoodquality:Areview［J］．ＲesearchJournalofAppliedSciencesEngineering＆Technology，2012，24(4):5453－5458． ［4］劉建軍，姚立健，彭樟林．基于機器視覺的山核桃等級檢測技術(shù)［J］．浙江農(nóng)業(yè)學(xué)報，20

13、10，22(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．一種有選擇的圖像灰度化方法［J］．計算機工程，2006，32(20):198－200． ［7］李革，李斌，王瑩，等．基于HSL模型的珍珠光澤度分選方法［J］．農(nóng)業(yè)機械學(xué)報，2008，39(6):113－117． ［8］吳成茂．直方圖均衡化的數(shù)學(xué)模型研究［J］．電子學(xué)報，2013，41(3):598－602． ［9］KimW，YouJ，JeongJ．Contrastenhancementusinghisto-gramequalizationbasedonlogarithmicmapping［J］．OpticalEngineering，2012，51(6):067002-1－067002-10