一種自動傳輸式水果成熟度檢測裝置設計及使用方法

王麗娟劉志剛喜冠南彭超華

(1.南通科技職業學院機電與交通工程學院，江蘇 南通 226007；2.南通大學機械工程學院，江蘇 南通 226019)

1 設計背景

我國是世界上數一數二的水果生產大國，根據大量的市場調研后發現，水果的產值是由產后處理以及產后加工創造而來。在這些加工過程中，如何對水果進行快速以及準確的分揀是其中的重要步驟。事實上，我國大部分的果制品加工廠往往通過人工分揀來進行水果好壞的分篩以及成熟度的分級，在實踐過程中面臨以下問題：人力檢測費時費力、效率低下，無法滿足規模化的流水線生產需求；工人的拿捏觸碰容易損傷水果導致損耗；工人的主觀性判斷和測量方法差異難以保證檢測結果的一致性和準確性，分篩的品質參差不齊，也難以保障后續產品的品質。

本文所研究的自動傳輸式水果成熟度檢測裝置，在無損狀態下快速準確識別水果成熟度的同時，切實解決水果經營企業、水果后處理企業在水果成熟度檢測過程中所面臨的成熟度檢測正確率低、人工費時費力、水果易磕碰損傷等難題。促進我國的水果采后處理技術的進步，加速我國農業實現現代化和智能化。

2 研究現狀

傳統的水果檢測技術主要是依靠經驗判斷或借助糖度檢測分析儀、酸度檢測分析儀、硬度計等工具來檢測判斷水果的外觀、可溶性糖含量、酸度、硬度或可溶性固溶物等指標。據此依據相關標準判定水果的成熟度等級，基本都屬于有損檢測的范疇，不僅在檢測過程中對果品造成了不同程度的損傷，而且無法實現大規模的批量檢驗，并不適用于現代果品生產業來進行成熟度判別。鑒于傳統水果檢測技術的弊端，無損檢測技術應市場需要而迅速發展，其是一種利用果品的化學性質或物理性質對水果進行檢測的高科技手段，不僅不會破壞水果的完整性，利于后續處理與銷售，亦可實現水果的品質檢測。

隨著計算機技術與信息處理技術的發展，基于機器視覺的水果成熟度檢測技術也成為了國內外學者的研究熱點[1-3]。機器視覺技術是以計算機和圖像獲取部分為工具，以圖像處理技術、圖像分析技術、模式識別技術、人工智能技術為依托，處理所獲取的圖像信號，并從圖像中獲取某些特定信息。基于機器視覺特性的無損檢測水果成熟度方法主要是依據水果成熟過程中的一系列生理化反應與其成熟度的相關性，利用機器視覺傳感系統傳導其變化并通過分析確定成熟與否的成熟度無損檢測技術。

早在20世紀80年代，Throop J A等[1]就通過機器視覺檢測蘋果的平均灰度來判定果實中是否有水芯的存在，研究結果顯示雖可以100%的準確率測量蘋果中水芯存在與否，但其嚴重程度卻難以分辨。20世紀90年代，Zwiggelaar R等[2]以桃和杏的撞傷問題為研究焦點，用計算機視覺技術檢測果品損傷，檢測的成功率約為65%。近幾年，基于機器視覺的成熟度判別技術有了較大的進展，檢測成功率有顯著提高。應義斌等[3]選取柑橘為對象，研究機器視覺系統在柑橘成熟度檢測中的可行性，研究樣本為72顆柑橘，并將固酸比和柑橘表面色澤作為判定成熟度的指標，對成熟果實和未熟果實的判斷正確率分別為79.1%和63%，總的判斷正確率為77.8%。葉晉濤等[4]以“金皇后”哈密瓜為研究對象，通過主成分分析提取的8個顏色特征值預測成熟度，利用SVM神經網絡方法建立了哈密瓜分級模型。結果表明，在圖像信息主成分因子數為4時建立的模型最佳，模型訓練時的回判率為100%，預測時識別率達到了97.22%。這表明基于機器視覺技術對不同成熟度哈密瓜分級方法是可行的，可為實現哈密瓜自動分級提供理論依據。

基于機器視覺的成熟度無損檢測技術具有將人工智能與圖像處理技術相結合的優點，功能多、信息量大，是今后水果成熟度檢測和內在品質檢測的重要檢測手段，但也存在亟待解決的問題：機器視覺系統造價高，結構復雜，難以做到性能與成本的平衡；識別準確率的問題，在查閱的文獻當中發現，目前的研究文獻中均未給出明確的目標識別準確率的定義，且不同文獻中準確率數據也不盡相同，所以試驗的可重復性有待商榷；我國果農多為個體經營戶，針對復雜的計算機機器視覺系統接受程度不高，普遍適用性問題也不可忽視。

3 設計介紹與工作原理

3.1 總體設計介紹

自動傳輸式水果成熟度檢測裝置如圖1所示，由傳輸裝置、檢測臺架和機器視覺檢測系統組成。傳輸裝置為一高一低的第1傳送帶和第2傳送帶，與檢測臺架的進出口相連，之間設有過渡板。檢測臺架主要由面向傳輸帶的進出口、可旋轉的檢測臺與可伸縮的硬度檢測器構成，視覺檢測系統包括計算機、相機以及補光設備，相機與計算機通信連接。

自動傳輸式水果成熟度檢測裝置的傳輸與檢測步驟：高位的第1傳送帶將待檢測水果送入傳輸；水果經過過渡板傳輸至檢測臺架的旋轉檢測臺上；舵機帶動旋轉檢測臺轉動180°；檢測相機以及硬度檢測器度對水果進行2次拍照和硬度值采集；靠近低位的第2傳送帶的硬度檢測器收縮；水果因重力經過過渡板滾落至低位的第2傳送帶；第2傳送帶送出傳輸，靠近高位傳送帶的硬度檢測器收縮，完成一次傳輸與檢測。

本裝置通過硬度檢測器以及檢測相機多角度的拍照，對水果成熟度進行硬度以及色度的檢測，并且通過傳送帶進行輸送達到自動化的效果，以及提高水果成熟度檢測的準確性、一致性、高效性并實現流水線生產需求。

圖1 自動傳輸式水果成熟度檢測裝置結構示意圖

1.檢測臺架；101.進口；102.出口；103.檢測工作臺；1031.旋轉檢測臺；1032.置物臺；1033.硬度檢測器；1034.舵機；104.相機支架；105.檢測相機；106.補光燈；2.第1傳送帶；3.第2傳送帶

3.2 檢測臺架的設計

檢測臺架的放大示意圖如圖2所示，前后面向第1傳送帶和第2傳送帶處分別設有進口和出口，靠近高位的第1傳送帶為進口，靠近低位的第2傳送帶為出口。內部設置傾斜的檢測工作臺，傾斜方式為高點靠近高處的傳送帶。工作臺中間設有水平放置的旋轉檢測臺，由其下方的舵機驅動旋轉，為檢測相機提供多角度拍攝。旋轉檢測臺中央設有置物臺，置物臺上設有若干可升縮的硬度檢測器，如圖3所示。檢測臺架的側面設有相機支架，為視覺檢測系統的相機提供支撐。

3.3 傳輸裝置的設計

傳輸裝置為由步進電機驅動的同步帶，分為高位的第1傳送帶與低位的第2傳送帶，2個傳送帶與檢測臺架的進出口相連，之間設有過渡板，防止傳輸過程中的磕碰。結構示意圖見圖1和圖2。

3.4 視覺檢測系統的設計

3.4.1 結構設計

機器視覺檢測系統包括計算機、相機以及補光設備，相機與計算機通信連接。

圖2 旋轉檢測臺放大示意圖

1.檢測臺架；101.進口；102.出口；103.檢測工作臺；1031.旋轉檢測臺；1034.舵機；106.補光燈；2.第1傳送帶；3.第2傳送帶；4.過渡板

圖3 旋轉檢測臺放大示意圖

1031.旋轉檢測臺；1032.置物臺；1033.硬度檢測器

如圖1b所示，相機通過相機支架固定在檢測臺架的一側，相機的鏡頭穿過臺架一側板，對準水果設置，檢測臺架內部與檢測相機相對的一面為白色的拍攝背景面，使得檢測相機拍攝到的圖像更加清楚。如圖2所示，補光設備包括4個補光燈，均選用100W的普通白熾燈。補光燈通過燈座以水果為中心環向均勻設置于檢測臺架上方，補光燈的光線均聚焦在水果的表面，使得水果在隔板、側板以及旋轉工作臺上不產生倒影，進一步提升檢測識別的準確率。

計算機為DELL OPTIPLEX 3020，內存為4GB，1TB硬盤。相機選擇Openmv h7 Ca智能攝像頭，500萬高清像素。

3.4.2 顏色特征的提取

通過硬度檢測器以及檢測相機多角度的拍照，對水果成熟度進行硬度以及色度的檢測，采用的顏色模型即為RGB顏色模型，以蘋果為例。

確定紅色為蘋果樣本的主色。讀取蘋果樣本的一次照片作為實驗圖像，如圖4(figure1)；讀取背景照片作為背景圖像，如圖4(figure2)；刪除實驗圖像中的背景圖像，得到處理圖像如圖4(figure3)；將處理圖像二值化得到圖4(figure4)，二值化閾值在0.04～0.15，本研究中二值化閾值以0.1為例；為減小二值化圖像的背景噪音和光干擾，采用中值濾波，以減少干擾，并增強二值化的圖像；采用imfill函數填補取反后的二值化圖像圖4(figure4)；采用bwboundaries函數尋找二值化圖像的圖形邊界；從圖形邊界中取出圖像的內部邊界，并保存當前的圖像，如圖4(figure5)所示；將實驗圖像圖4(figure1)按照RGB模型，提取出所有R通道的顏色信息，保存當前圖像為實驗圖像R通道圖像，如圖4(figure6)；采用find函數，選擇內部邊界圖像圖4(figure5)的所有背景區域的像素位置，然后將尋得的地址映射到實驗圖像R通道圖像圖4(figure6)里，并將其背景填充為黑色；采用reshape函數重構圖內部邊界圖像圖4(figure5)的顏色信息，分別提取出R、G、B通道的顏色強度序列，分別計算顏色強度均值Rm1、Gm1、Bm1(其中，顏色強度均值Rm1、Gm1、Bm1通過mean函數獲得。

將統一蘋果樣本旋轉180°，拍攝二次照片，重復上述操作，獲得顏色強度均值Rm2、Gm2、Bm2。計算2次顏色強度均值Rm、Gm、Bm后，根據公式計算蘋果的平均紅色強度占比，計算公式：

Ra=Rm/(Rm+Gm+Bm)

圖4 圖像處理過程圖

3.4.3 成熟度預測模型

基于機器視覺的蘋果成熟度無損檢測技術本質上就是利用其表面的顏色信息與蘋果成熟度的相關性，本文通過描述蘋果果實的表面顏色信息，預測可溶性固形物T。根據GB/T 10651-2008，如果T﹥11%，則說明該蘋果是成熟的，否則判定為不成熟。

根據上述的機器視覺設備，提取水果的紅色強度均值Rm，作為輸入集；根據國家的農業標準GB/T 10651-2008，測定蘋果的可溶性固形物含量，作為輸出集；采用自適應的神經網絡智能算法，訓練合適的預測模型。

根據紅色強度占比，對成熟的蘋果進行分級，標準如下：0.45≤Ra≤0.5為三級成熟；0.5

4 結論

本文所設計的動傳輸式水果成熟度檢測通過傳送帶進行輸送達到自動化的效果，體積小，操作簡單，實用性強；能保護水果，提升品質；價格低廉，易于推廣。

蘋果的成熟度與外表皮顏色信息具有一定的關聯性，可利用機器視覺測定蘋果果實的表皮顏色信息來進行成熟度判定，提高水果成熟度檢測的一致性、準確性與正確率。這種方法不僅可用于蘋果后處理中的分級，也可用于蘋果采收期的成熟度預判，防止誤采。

利用機器視覺與自適應神經網絡來訓練成熟度判定模型，通過描述蘋果果實的表面顏色信息，預測可溶性固形物T，從而進行成熟度判定。判定準確率較高，由檢測樣本顯示，誤差范圍可控制在±0.2%以內。根據蘋果紅色強度占比，對成熟的蘋果進行分級，標準如下：0.45≤Ra≤0.5為三級成熟；0.5