馬鈴薯質量和形狀自動分級系統研究
——基于計算機視覺

王 聰，王 婷

(平頂山工業職業技術學院，河南 平頂山 467001)

0 引言

馬鈴薯俗稱土豆，是一種可以同時作為糧食和蔬菜的作物，其營養豐富，加工和食用的方式多樣，具有很高的產量和經濟價值。馬鈴薯的適應性廣，抗逆性強，在世界范圍內廣泛分布，是繼小麥、水稻和玉米之后的世界第四大主食作物，在推動歐洲近代人口的增長中發揮了重要的作用，因此聯合國將2008年認定為"國際土豆年”。2016年，我國馬鈴薯種植面積超過533.3萬hm2，產量超過9 000萬t，位居世界首位。

農產品收獲后對品質進行檢測分級，不僅可以提高農產品的質量，對各等級制定相應的價格，還有利于農產品的流通和銷售，增加種植的經濟效益。馬鈴薯的品質包括外部品質和內部品質：外部品質包括大小、形狀、顏色和表面缺陷等，內部品質包括是否黑心、損傷和加工特性等。不同的食用和加工方式對馬鈴薯品質的需求各異。例如，作為蔬菜食用的馬鈴薯要去除表皮，因此要求單薯的個體較大，以便降低去皮過程中的損失率。用于加工提取淀粉的馬鈴薯則要求淀粉含量較高，而淀粉含量與單薯的大小有關，以50～100g的中等大小單薯淀粉含量相對較高[1]。在食品加工中，炸薯條則要求單薯有較大的長軸。

我國作為馬鈴薯的生產大國，已制定了NY/T1066-2006《馬鈴薯等級規格》用于指導分級，但對其品質的檢測和分級操作仍然以傳統的方式為主。馬鈴薯的傳統分級是由人工完成，即通過肉眼觀察判別馬鈴薯的等級。人工分級的作業效率較低，準確性和客觀性差，不同操作人員的分級結果差異大，傳統方法已無法滿足馬鈴薯后續加工的要求，也影響了馬鈴薯在國際市場上的出口量。因此，改進和設計新的馬鈴薯分級方法，可以提高我國馬鈴薯的種植效益和在國際市場的競爭力，對我國馬鈴薯產業的發展具有重要的意義。

隨著科學的發展和技術的進步，我國開發出了多種基于新技術的馬鈴薯檢測分級方法、系統和機械裝置。例如，魯永萍等設計了一種基于單片機的控制系統，對馬鈴薯的質量進行分級，具有較高的分級效率和準確率[2]。陶海龍和汪成龍利用計算機視覺和近紅外光譜構建的多元信息融合技術，實現了對馬鈴薯的畸形、缺陷、瘡痂、黑心、機械損傷和發芽等外部和內部品質的檢測分級[3-4]。高繼森等綜合運用計算機視覺和人工神經網絡技術，對馬鈴薯分級的準確率超過了90%[5]。劉洪義等和申屠留芳等分別對馬鈴薯分級機械進行了重新設計及關鍵部件的優化改進，在減輕工作量的同時，也提高了作業效率[6-7]。

馬鈴薯的無損檢測是快速準確分級的基礎，現代的無損檢測以計算機視覺和超聲波為核心技術，以計算機視覺應用最多[8]。計算機視覺的概念最早出現在1975年，是以圖像處理、模式識別和計算機技術為基礎的信息科學的分支。計算機視覺以拍攝設備獲取圖像，再通過計算機進行檢測和識別，提取目標的信息。農產品的品質檢測和分級是計算機視覺在農業中的重要應用領域。目前，計算機視覺技術已經在多種農產品的自動分級中得到了應用，包括各種水果、蔬菜和糧食作物。計算機視覺在馬鈴薯品質檢測分級中的應用研究已經較為廣泛，針對的性狀包括單薯的質量、大小、形狀、顏色和表面缺陷等[9-12]。例如，鄭冠楠等設計了基于計算機視覺的檢測系統，同時對馬鈴薯的大小、性狀和顏色進行分級，達到了88%的準確率[13]。孔彥龍等和周竹等也建立了類似的方法，引入回歸分析、檢測模型或V型平面鏡等設計，對馬鈴薯各種性狀的分級都獲得了超過90%的準確率[14-15]。

本文設計了一種基于計算機視覺的馬鈴薯質量和形狀的自動分級系統，對流水線上的馬鈴薯進行快速檢測，然后控制執行裝置進行分級，最后驗證了該系統對單薯檢測的速度和分級的精確度。

1 系統的設計原理及結構

1.1 設計原理

馬鈴薯單薯在傳送帶上按照固定的方向勻速運動，經過拍攝箱時用攝像機捕獲俯視圖和側視圖，圖像信息被轉換為數碼格式導入計算機中；計算機視覺軟件對圖像進行灰度化和二值化處理，提取單薯的輪廓和特征參數，以單薯的質量和形狀這兩種外部品質作為分級依據。參考前人的研究，以單薯的俯視圖面積和側視圖周長為參數計算其質量，按照NY/T1066-2006《馬鈴薯等級規格》規定的100g和300g為界限分為小、中和大。以邊界的歸一化半徑序列參數反映形狀，將單薯按照形狀分級為圓形、橢圓和畸形。計算機同時檢測這兩種性狀，共得到9種類型的單薯；根據檢測的結果，向分級執行裝置發出指令，控制其將單薯送入相應的通道內實現自動分級。系統具體的工作原理如圖1所示。

圖1 自動分級系統的工作過程

1.2 系統組成

自動分級系統主要由拍攝箱、核心計算機和分級執行裝置這3大部分組成。拍攝箱是在GelDoc-It 310型成像系統(見圖2)的基礎上改裝而成，為0.6m×0.6m×0.8m的長方體，去除了左右壁便于安裝傳送帶。箱體內壁為黑色，4個角上分別安裝了15W的白熾燈；左側安裝基恩士LR-W型光電傳感器，能夠捕獲單薯通過的信號并發送給核心計算機，從而控制攝像機的拍攝時機。拍攝箱內壁的頂部和側面分別放置1個羅技C270型攝像頭，以垂直于傳送帶運動方向的角度拍攝形成馬鈴薯的俯視圖和側視圖。拍攝的圖像通過MXT2002型A/D轉換器變為數碼信號后發送給核心計算機。

圖2 計算機視覺的成像系統

核心計算機的主機為聯想M4600型，配置Intel i5處理器、GTX1070型獨立顯卡、4G內存和1TB硬盤，兼容性較強，運行快速穩定。計算機視覺的圖像分析軟件為MatLab工具箱，能夠分析各種類型的圖像，處理速度快，實時性較好。

2 圖像分析

馬鈴薯一直處于運動的狀態，因此拍攝獲得的圖像存在噪音，會對圖像的質量和后續分析的準確度造成影響。對此，采用5×5的中值濾波法進行平滑處理去除噪音，得到不同類型馬鈴薯的代表性俯視圖像，如圖3所示。

拍攝過程中的光照強度是一致的，因此選用HSL顏色空間中的色調H、飽和度S和亮度L作為分量來對圖像進行灰度化處理，增加對比度和減少亮度后得到了經過對L分量進行灰度化后的圖像，如圖4所示。

圖3 馬鈴薯的原始圖像(A：大畸形；B：大圓形；C：小圓形；D：小橢圓)

圖4 馬鈴薯的灰度化圖像(A：大畸形；B：大圓形；C：小圓形；D：小橢圓)

原始圖像中的馬鈴薯為淡黃色，背景為黑色，因此利用二者之間顏色或亮度的差異都可以從背景中提取出馬鈴薯的輪廓。HSL模型的亮度L分量不會受到顏色的影響，并且可以減少光照強度變化所產生的差異。因此，這里以亮度L為分量的閾值分割法提取馬鈴薯的輪廓，并進行單薯大小和形狀的分析，如圖5所示。

圖5 馬鈴薯的輪廓提取(A：大畸形；B：大圓形；C：小圓形；D：小橢圓)

計算機視覺無法識別馬鈴薯的質量，但是單薯的質量是與其體積大小相關的。該系統以單薯的俯視面積和側視周長為參數分析體積大小，其面積為輪廓內部的像素總數，周長為輪廓邊界上的像素總數；然后，通過建模集建立回歸模型來計算質量，并按照NY/T1066-2006規定的界限進行分級。邊界的半徑序列方法是對單薯的輪廓邊界進行等間距取樣，以取樣點和形心點的距離為半徑，并進行歸一化處理；然后，計算相鄰兩個取樣點的半徑之差的絕對值并沿邊界展開。單薯畸形處的半徑突變較大，橢圓形次之，圓形的最小。以建模集獲得特征檢測的閾值，對單薯的形狀進行分級。

3 試驗結果與分析

3.1 試驗設計

檢測系統分級速度和準確度的試驗以馬鈴薯品種中薯18號為對象，傳送帶的運行速率為0.1m/s。首先隨機選擇50個大小不一的單薯進行編號作為建模集，用電子天平稱取質量并評定質量等級，再通過肉眼觀察并評定形狀類型。用系統對建模集單薯進行檢測，建立質量與俯視面積和側視周長之間的回歸方程，同時分析單薯的形狀類型與邊界半徑突變峰值的關系，選擇合適的判定閾值。

隨機選擇100個大小不一的單薯進行編號作為檢驗集，用系統進行檢測并輸出分級結果；再對檢驗集單薯的質量和形狀進行人工分級，比較兩種方式所得分級結果之間的差異。

3.2 試驗結果和分析

在試驗中，系統對單個馬鈴薯的處理過程耗時為1.5s，因此在傳送帶速度合適的情況下，可以實現40個/min的自動分級速度。經過回歸分析，確定質量的計算模型為W=19.652+0.011S-0.235L。其中，W為單薯質量(g)；S為俯視輪廓面積(Pixel)；L為側視輪廓周長(Pixel)。邊界半徑突變的閾值設定為0.09和0.06，突變峰值小于0.06、0.06～0.09之間和大于0.09的單薯依次分級為圓形、橢圓和畸形。

對檢驗集單薯質量的分級結果如表1所示。系統自動分級的準確性較好，對小、中和大個單薯的誤判數量僅為2、2、1個，總體的準確率達到95%。

表1 系統質量分級的準確性

對檢驗集單薯形狀的分級結果如表2所示。系統自動分級的準確性也較好，對圓形、橢圓和畸形單薯的誤判數量僅為2、3、5個，總體的準確率達到90%。但是，被識別為橢圓的畸形單薯數目相對較多，因此需要優化特征參數，適當降低相應的閾值。

表2 系統形狀分級的準確性

4 結論

設計了一種基于計算機視覺的馬鈴薯質量和形狀的自動分級系統，用于對流水線上的馬鈴薯進行快速的檢測，然后控制執行裝置進行分級。系統對單個馬鈴薯的處理耗時為1.5s，可以實現40個/min的自動分級速度。對單薯的質量和形狀分級準確性均較好，總體的準確率分別達到95%和90%。被識別為橢圓的畸形單薯數目相對較多，因此需要優化特征參數。該系統可以作為提升我國馬鈴薯產業競爭力的技術支撐。

參考文獻：

[1] 郝敏，麻碩士.基于機器視覺的馬鈴薯單薯質量檢測技術研究[J].農機化研究，2009, 31(9):61-63.

[2] 魯永萍，郁志宏，郝敏，等.基于單片機控制的馬鈴薯質量分級系統的研究[J].農機化研究，2014,36(1):136-138.

[3] 陶海龍.基于機器視覺和近紅外光譜的馬鈴薯分級檢測方法[D].武漢：華中農業大學，2014.

[4] 汪成龍.基于多元信息融合的馬鈴薯分級無損檢測方法研究[D].武漢：華中農業大學，2014.

[5] 高繼森，陳勉舟，李玉平. 基于人工神經網絡的馬鈴薯品質分級系統[J].五邑大學學報：自然科學版，2008,22(3):62-65.

[6] 劉洪義，朱曉民，譚海林，等.馬鈴薯分級生產線機器關鍵設備的設計[J].農機化研究，2010,32(4):84-86.

[7] 申屠留芳，韋奇，鞏尊國，等.馬鈴薯分選機的設計[J].農機化研究，2014, 36(8):114-117.

[8] 孫金鳳，李小昱，汪成龍，等.馬鈴薯無損檢測技術的研究進展[J].湖北農業科學，2012, 51(22):4974-4977.

[9] 郝敏，麻碩士，郝小冬.基于Zernike矩的馬鈴薯薯形檢測[J].農業工程學報，2010, 26(26):347-350.

[10] 魯永萍. 基于機器視覺的馬鈴薯外部品質檢測與分級[D].呼和浩特：內蒙古農業大學，2013.

[11] 鄧立苗，杜宏偉，徐艷，等.基于機器視覺的馬鈴薯智能分選方法與實現[J].中國農機化，2015, 36(5):145-150.

[12] 王紅軍，熊俊濤，黎鄒鄒，等.基于機器視覺圖像特征參數的馬鈴薯質量和形狀分級方法[J]. 農業工程學報，2016, 32(8):272-277.

[13] 鄭冠楠，譚豫之，張俊雄，等.基于計算機視覺的馬鈴薯自動檢測分級[J].農業機械學報，2009,40(4):166-168.

[14] 孔彥龍，高曉陽，李紅玲，等.基于機器視覺的馬鈴薯質量和形狀分選方法[J].農業工程學報，2012,28(17):143-148.

[15] 周竹，黃懿，李小昱，等.基于機器視覺的馬鈴薯自動分級方法[J].農業工程學報，2012, 28(7):178-183.