基于機器視覺的糧食外觀品質檢測系統(tǒng)研究

苗馳+王吉豪+陳奎

摘要：糧食外觀品質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器視覺與機器學習的方法對糧食外觀進行品質檢測與評級，并設計和開發(fā)了一種適合糧食外觀品質抽檢的裝置。機器視覺部分采用NI-Vision實現(xiàn)相機自動控制、圖像預處理、品種識別及形態(tài)學分析，涉及顏色、幾何形態(tài)兩個特征參數(shù)。機器學習部分采用邏輯回歸對人工分揀樣本進行監(jiān)督學習，并將模型參數(shù)導入LabVIEW應用程序。LabVIEW應用程序采用狀態(tài)機方式實現(xiàn)人機交互、數(shù)據(jù)報表及自動檢測等功能。系統(tǒng)實測表明，對外觀品質檢測準確率>90%、糧食品種添加正常、報表清晰。

關鍵詞：糧食外觀檢測；機器視覺；BP神經網絡；虛擬儀器

糧食夕卜觀品質檢測有利于從源頭上把控糧食安全風險，讓老百姓吃上安全糧、放心糧，有助于提高我國的農業(yè)科技化水平，更好地把控食品安全風險，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的外觀檢測是技術發(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)督的機器學習的方法對大量統(tǒng)計特征量進行訓練、分類及評級，最后以報表形式輸出。

1相關技術與系統(tǒng)概述

1.1機器視覺與NI-Vision

機器視覺是隨著工業(yè)自動化的發(fā)展而逐漸完善和發(fā)展的應用系統(tǒng)，機器視覺檢測技術，依賴成像技術、計算機技術與圖像處理算法，同時涉及運動控制技術、人工智能等多領域技術[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計

1.2機器學習

機器學習是人工智能的一個分支，其研究的目標是構建一個能夠從數(shù)據(jù)中自主學習出一定的規(guī)律（或模式）并將此規(guī)律應用于后續(xù)數(shù)據(jù)處理的系統(tǒng)。作為一個基礎性的學科分支，機器學習在許多領域有著重要的應用，例如生物信息學、人工智能、航空航天、現(xiàn)代醫(yī)學等[3]。

1.3虛擬儀器與LabVIEW

LabVIEW是一種圖形化的編程環(huán)境，通過驅動相應的硬件，實現(xiàn)傳統(tǒng)儀器所具有的功能[4]。由于通過LabVIEW配合USB相機能夠快速地采集圖像，并對圖像進行處理，所以本文程序全部采用LabVIEW，主要包括圖像采集控制模塊、圖像預處理模塊、圖像數(shù)據(jù)分析處理模塊，還有人機界面、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)基于機器視覺與LabVIEW虛擬儀器架構，旨在實現(xiàn)糧食外觀檢測與外觀品質判定，主要包括300M像素CCD工業(yè)相機、6?12mm1/2-1：1.6手動調焦鏡頭、LED補光燈、檢測臺、相機支架和PC端LabVIEW應用程序。其實物如圖1所示。

軟件采用狀態(tài)機方式實現(xiàn)程序框架，狀態(tài)機流程如圖2所示，包括用戶登錄、初始化參數(shù)、品種檢測、視覺參數(shù)設置、外觀參數(shù)檢測、訓練數(shù)據(jù)保存、文件與報表等主要狀態(tài)。

圖像處理、形態(tài)學分析由VisionAssistant設計、驗證并生成LabVIEW子VI放置在狀態(tài)機主程序。

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、離線邏輯回歸訓練等主要功能和過程。2.1用戶登錄用戶登錄實現(xiàn)對用戶名、密碼等進行驗證登錄，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)進行比對驗證。

2.2糧食種類判別

種類判別實現(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。種類判別可實現(xiàn)自動檢測，更為后續(xù)外觀檢測過程中的光學參數(shù)設定、圖像處理環(huán)節(jié)參數(shù)的選擇提供靈活的依據(jù)[6-7]。因為不同種類糧食外觀檢測與形態(tài)學分析過程中，不同的品種糧食對光學參數(shù)、圖像處理參數(shù)有細微的區(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、圖像預處理、色彩匹配、幾何判定以及邏輯回歸組成。預處理過程包括區(qū)域選取、亮度、對比度調節(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)學處理與分析。完成糧食作物粒徑大小、數(shù)量等指標的測量，為后續(xù)分類與品質判定提供特征數(shù)據(jù)。

外觀檢測過程中主要的圖像處理及其結果如5所示。

2.4外觀品質判定

品質判定采用多元邏輯回歸方法[9]，其基本算法流程如下：

假設，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出單個樣本正確預測的概率為：

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，并帶入sigmoid函數(shù)表達式得：

之后，將參數(shù)更改為：

并且有：

當公式中的逐漸收斂并達到—定條件時，則停止迭代，并記錄下最終的的值。

3實驗與實測

3.1模型參數(shù)訓練

以大豆為例，人工篩選出1，2，3級大豆各500份，對其應用上述裝置和方法進行特征參數(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)訓練參數(shù)，如表1所示。用Matlab對1500組數(shù)據(jù)進行有監(jiān)督的機器學習即邏輯回歸分析，獲得品質判定模型的參數(shù)A的值，如表2所示。endprint

3.2模型驗證

根據(jù)訓練模型所得到的參數(shù)，抽取50組檢測數(shù)據(jù)進行模型參數(shù)驗證，以檢驗訓練參數(shù)的可靠性與科學性，檢驗子程序如圖6所示。

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

4結語

機器視覺在農業(yè)領域應用研究得到了廣泛開展，機器視覺包括圖像處理、模式識別、神經網絡等技術和方法，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農業(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，機器視覺還具有檢測速度快、精度高、重復性好等優(yōu)點。

文中系統(tǒng)在糧食品種的自適應檢測、圖像處理、形態(tài)學[1～分析，外觀特征參數(shù)的選取、機器學習與深度學習[11]等方面還需要進一步研究和實驗。另外，遠程操控、網絡控制也是監(jiān)測裝置提升性能、提高實用性的解決途徑之一。

[參考文獻]

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

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

[3]屠恩美.基于圖論的機器學習算法設計及在神經網絡中的應用研究[D].上海：上海交通大學，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.基于機器視覺的強化木地板表面瑕疵檢測方法研究[D].北京：北京林業(yè)大學，2010.

[6]劉力銀.基于邏輯回歸的推薦技術研究及應用[D].成都：電子科技大學，2013.

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

[8]任小靜.基于計算機視覺的大米外觀品質檢測技術研究[D].哈爾濱：哈爾濱工程大學，2007.

[9]賈云德.機器視覺[M].北京：科學出版社，2000.

[10]阮奇楨.我和LabVIEW：—個NI工程師的十年編程經驗[M].北京：北京航空航天大學出版，2009.

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