基于機(jī)器視覺的糧食外觀品質(zhì)檢測系統(tǒng)研究

苗馳+王吉豪+陳奎

摘要：糧食外觀品質(zhì)檢測對提高我國糧食的市場競爭力具有重要意義。文章提出一種基于機(jī)器視覺與機(jī)器學(xué)習(xí)的方法對糧食外觀進(jìn)行品質(zhì)檢測與評級，并設(shè)計和開發(fā)了一種適合糧食外觀品質(zhì)抽檢的裝置。機(jī)器視覺部分采用NI-Vision實(shí)現(xiàn)相機(jī)自動控制、圖像預(yù)處理、品種識別及形態(tài)學(xué)分析，涉及顏色、幾何形態(tài)兩個特征參數(shù)。機(jī)器學(xué)習(xí)部分采用邏輯回歸對人工分揀樣本進(jìn)行監(jiān)督學(xué)習(xí)，并將模型參數(shù)導(dǎo)入LabVIEW應(yīng)用程序。LabVIEW應(yīng)用程序采用狀態(tài)機(jī)方式實(shí)現(xiàn)人機(jī)交互、數(shù)據(jù)報表及自動檢測等功能。系統(tǒng)實(shí)測表明，對外觀品質(zhì)檢測準(zhǔn)確率>90%、糧食品種添加正常、報表清晰。

關(guān)鍵詞：糧食外觀檢測；機(jī)器視覺；BP神經(jīng)網(wǎng)絡(luò)；虛擬儀器

糧食夕卜觀品質(zhì)檢測有利于從源頭上把控糧食安全風(fēng)險，讓老百姓吃上安全糧、放心糧，有助于提高我國的農(nóng)業(yè)科技化水平，更好地把控食品安全風(fēng)險，提高糧食的合格率，提升我國在國際糧食市場上的競爭能力。采用無損的基于視覺技術(shù)的外觀檢測是技術(shù)發(fā)展的方向之一。

本文基于美國國家儀器（National Instruments，NI）有限公司的LabVIEW及其視覺助手Vision Assistant，以被檢糧食顆粒的外觀及幾何參數(shù)為特征量，通過有監(jiān)督的機(jī)器學(xué)習(xí)的方法對大量統(tǒng)計特征量進(jìn)行訓(xùn)練、分類及評級，最后以報表形式輸出。

1相關(guān)技術(shù)與系統(tǒng)概述

1.1機(jī)器視覺與NI-Vision

機(jī)器視覺是隨著工業(yè)自動化的發(fā)展而逐漸完善和發(fā)展的應(yīng)用系統(tǒng)，機(jī)器視覺檢測技術(shù)，依賴成像技術(shù)、計算機(jī)技術(shù)與圖像處理算法，同時涉及運(yùn)動控制技術(shù)、人工智能等多領(lǐng)域技術(shù)[1]。NI視覺助手（NI-VisionAssistant）擁有集成了400多個圖像處理的函數(shù)庫，可以完成幾乎所有機(jī)器視覺所能完成的功能，該工具包還可以配合LabVIEW和其他工具包完成大型程序的設(shè)計

1.2機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)是人工智能的一個分支，其研究的目標(biāo)是構(gòu)建一個能夠從數(shù)據(jù)中自主學(xué)習(xí)出一定的規(guī)律（或模式）并將此規(guī)律應(yīng)用于后續(xù)數(shù)據(jù)處理的系統(tǒng)。作為一個基礎(chǔ)性的學(xué)科分支，機(jī)器學(xué)習(xí)在許多領(lǐng)域有著重要的應(yīng)用，例如生物信息學(xué)、人工智能、航空航天、現(xiàn)代醫(yī)學(xué)等[3]。

1.3虛擬儀器與LabVIEW

LabVIEW是一種圖形化的編程環(huán)境，通過驅(qū)動相應(yīng)的硬件，實(shí)現(xiàn)傳統(tǒng)儀器所具有的功能[4]。由于通過LabVIEW配合USB相機(jī)能夠快速地采集圖像，并對圖像進(jìn)行處理，所以本文程序全部采用LabVIEW，主要包括圖像采集控制模塊、圖像預(yù)處理模塊、圖像數(shù)據(jù)分析處理模塊，還有人機(jī)界面、報表輸出、文件記錄等功能模塊[5]。

1.4系統(tǒng)組成和功能

系統(tǒng)基于機(jī)器視覺與LabVIEW虛擬儀器架構(gòu)，旨在實(shí)現(xiàn)糧食外觀檢測與外觀品質(zhì)判定，主要包括300M像素CCD工業(yè)相機(jī)、6?12mm1/2-1：1.6手動調(diào)焦鏡頭、LED補(bǔ)光燈、檢測臺、相機(jī)支架和PC端LabVIEW應(yīng)用程序。其實(shí)物如圖1所示。

軟件采用狀態(tài)機(jī)方式實(shí)現(xiàn)程序框架，狀態(tài)機(jī)流程如圖2所示，包括用戶登錄、初始化參數(shù)、品種檢測、視覺參數(shù)設(shè)置、外觀參數(shù)檢測、訓(xùn)練數(shù)據(jù)保存、文件與報表等主要狀態(tài)。

圖像處理、形態(tài)學(xué)分析由VisionAssistant設(shè)計、驗(yàn)證并生成LabVIEW子VI放置在狀態(tài)機(jī)主程序。

系統(tǒng)主要功能：用戶登錄、糧食品種檢測、外觀檢測、外觀品質(zhì)判定、文件及報表生成，系統(tǒng)主界面如圖3所示。

2系統(tǒng)功能實(shí)現(xiàn)

系統(tǒng)主要括用戶登錄、圖像處理、品種識別、外觀檢測、生成檢測報告、離線邏輯回歸訓(xùn)練等主要功能和過程。2.1用戶登錄用戶登錄實(shí)現(xiàn)對用戶名、密碼等進(jìn)行驗(yàn)證登錄，確保測試人員的合法性及用戶數(shù)據(jù)的隱私性與安全性。用戶數(shù)據(jù)保存在文件中，系統(tǒng)讀取文件并對輸入數(shù)據(jù)進(jìn)行比對驗(yàn)證。

2.2糧食種類判別

種類判別實(shí)現(xiàn)待檢作物的品種判定，其特征量為作物的顏色特征、幾何特征。種類判別可實(shí)現(xiàn)自動檢測，更為后續(xù)外觀檢測過程中的光學(xué)參數(shù)設(shè)定、圖像處理環(huán)節(jié)參數(shù)的選擇提供靈活的依據(jù)[6-7]。因?yàn)椴煌N類糧食外觀檢測與形態(tài)學(xué)分析過程中，不同的品種糧食對光學(xué)參數(shù)、圖像處理參數(shù)有細(xì)微的區(qū)別，這些參數(shù)的優(yōu)化由Vision Assistant人工完成并通過參數(shù)簇數(shù)組的保存與使用種類判別具體的實(shí)現(xiàn)過程和算法與1.3節(jié)和1.4節(jié)所述基本一致，包括圖像采集、圖像預(yù)處理、色彩匹配、幾何判定以及邏輯回歸組成。預(yù)處理過程包括區(qū)域選取、亮度、對比度調(diào)節(jié)。

2.3外觀檢測

外觀檢測主要包括圖像采集、圖像處理分析、形態(tài)學(xué)處理與分析組成，如圖4所示，各品種糧食檢測的主要步驟被統(tǒng)一為：二值化、去噪聲、粒子濾波等形態(tài)學(xué)處理與分析。完成糧食作物粒徑大小、數(shù)量等指標(biāo)的測量，為后續(xù)分類與品質(zhì)判定提供特征數(shù)據(jù)。

外觀檢測過程中主要的圖像處理及其結(jié)果如5所示。

2.4外觀品質(zhì)判定

品質(zhì)判定采用多元邏輯回歸方法[9]，其基本算法流程如下：

假設(shè)，其次建立Sigmoid函數(shù)

規(guī)定：

尋找凸損失函數(shù)：

由最大擬然估計推導(dǎo)出單個樣本正確預(yù)測的概率為：

將上述兩個式子合并在一起表示整個樣本空間的概率分布為：

作為損失函數(shù)，將其最小化。對邏輯回歸模型的求解用梯度下降法，首先對函數(shù)求導(dǎo)，并帶入sigmoid函數(shù)表達(dá)式得：

之后，將參數(shù)更改為：

并且有：

當(dāng)公式中的逐漸收斂并達(dá)到—定條件時，則停止迭代，并記錄下最終的的值。

3實(shí)驗(yàn)與實(shí)測

3.1模型參數(shù)訓(xùn)練

以大豆為例，人工篩選出1，2，3級大豆各500份，對其應(yīng)用上述裝置和方法進(jìn)行特征參數(shù)視覺測量。選取均值、極差、數(shù)量、方差4個特征作為后續(xù)訓(xùn)練參數(shù)，如表1所示。用Matlab對1500組數(shù)據(jù)進(jìn)行有監(jiān)督的機(jī)器學(xué)習(xí)即邏輯回歸分析，獲得品質(zhì)判定模型的參數(shù)A的值，如表2所示。endprint

3.2模型驗(yàn)證

根據(jù)訓(xùn)練模型所得到的參數(shù)，抽取50組檢測數(shù)據(jù)進(jìn)行模型參數(shù)驗(yàn)證，以檢驗(yàn)訓(xùn)練參數(shù)的可靠性與科學(xué)性，檢驗(yàn)子程序如圖6所示。

判定模型參數(shù)訓(xùn)練的準(zhǔn)確率：綠豆為97%，大豆為84%，其原因是送檢大顯和綠_&原料品質(zhì)關(guān)系。所米購綠本身就區(qū)別較大，回歸分析準(zhǔn)確率高于大豆。采購大豆等級區(qū)肉眼幾乎無法區(qū)分，準(zhǔn)確率相對較低，這也說明了模型訓(xùn)練方法以及所得參數(shù)的正確性、科學(xué)性與合理性。

4結(jié)語

機(jī)器視覺在農(nóng)業(yè)領(lǐng)域應(yīng)用研究得到了廣泛開展，機(jī)器視覺包括圖像處理、模式識別、神經(jīng)網(wǎng)絡(luò)等技術(shù)和方法，對于作物特征的識別、苗情的監(jiān)測、病蟲害的防治以及精細(xì)農(nóng)業(yè)的發(fā)展都將起到積極的推動作用。與傳統(tǒng)的人工檢測相比，機(jī)器視覺還具有檢測速度快、精度高、重復(fù)性好等優(yōu)點(diǎn)。

文中系統(tǒng)在糧食品種的自適應(yīng)檢測、圖像處理、形態(tài)學(xué)[1～分析，外觀特征參數(shù)的選取、機(jī)器學(xué)習(xí)與深度學(xué)習(xí)[11]等方面還需要進(jìn)一步研究和實(shí)驗(yàn)。另外，遠(yuǎn)程操控、網(wǎng)絡(luò)控制也是監(jiān)測裝置提升性能、提高實(shí)用性的解決途徑之一。

[參考文獻(xiàn)]

[1]陳康.基于機(jī)器視覺的沖裁斷面質(zhì)量檢測[D].廣州：廣東工業(yè)大學(xué)，2016.

[2]於文欣.基于機(jī)器視覺的FPC表面缺陷檢測研究[D].上海：東華大學(xué)，2017.

[3]屠恩美.基于圖論的機(jī)器學(xué)習(xí)算法設(shè)計及在神經(jīng)網(wǎng)絡(luò)中的應(yīng)用研究[D].上海：上海交通大學(xué)，2014.

[4]劉乘，劉俊，劉穎君.基于LabVIEW的包裝測試虛擬儀器[J].包裝工程，2008（8）：89-90.

[5]楊麗麗.基于機(jī)器視覺的強(qiáng)化木地板表面瑕疵檢測方法研究[D].北京：北京林業(yè)大學(xué)，2010.

[6]劉力銀.基于邏輯回歸的推薦技術(shù)研究及應(yīng)用[D].成都：電子科技大學(xué)，2013.

[7]劉立波.數(shù)學(xué)形態(tài)學(xué)在二值圖象處理與分析中的研究及應(yīng)用[D].西安：西北大學(xué)，2002.

[8]任小靜.基于計算機(jī)視覺的大米外觀品質(zhì)檢測技術(shù)研究[D].哈爾濱：哈爾濱工程大學(xué)，2007.

[9]賈云德.機(jī)器視覺[M].北京：科學(xué)出版社，2000.

[10]阮奇楨.我和LabVIEW：—個NI工程師的十年編程經(jīng)驗(yàn)[M].北京：北京航空航天大學(xué)出版，2009.

[11]石冬晨.基于虛擬儀器的幾何尺寸非接觸測量技術(shù)研究[D].西安：西安工業(yè)大學(xué)，2010.endprint