丸粒化包衣種子識別檢測系統設計與試驗

侯占峰 張曦文 陳 智 戴念祖 馬學杰 劉 敏

(內蒙古農業大學機電工程學院，呼和浩特 010018)

0 引言

種子是實現高產的關鍵，種子包衣技術可以提高種子的質量，是種子走向商品化的關鍵環節，因此種子包衣技術一直備受關注[1-3]。

種子包衣是一種用外部藥劑覆蓋種子以提高其性能和植株建成的技術，利用特定的包衣工藝使種子表面和包衣劑均勻接觸，包裹形成一層光滑、牢固的藥膜。通過機械加工，制成大小均勻、形狀規則的類球體(包括正圓形、橢圓形、扁圓形等)[4-6]。其中包衣劑包含多種成分，根據具體環境因素，適當調節劑量成分可提高種子耐旱、耐寒、耐鹽堿、防治土傳病害等能力。由于我國種子包衣技術起步較晚，包衣理論研究不足，國內自主設計生產的包衣機智能化程度低、控制系統較為簡單[7-8]。實際包衣過程中，不同的包衣配方和包衣工藝對包衣成功率影響很大[9]。由于缺少包衣種子快速識別檢測裝置，長期以來主要依靠人工目測分選包衣合格的種子從而計算包衣合格率，依靠人眼識別效率低、錯分率高、勞動強度高。開發設計丸粒化包衣種子識別檢測系統，提高包衣種子的檢測效率，是目前急需解決的問題。

目前機器視覺技術被廣泛運用于種子的形態與質量檢測中[10-13]。將機器視覺技術運用于包衣種子合格率檢測的研究鮮有報道。本文利用機器視覺技術，設計一套丸粒化包衣種子識別檢測系統，針對形狀為類球體的包衣種子進行識別。包衣后選取大量包衣成品進行預試驗，從而得到破損種子、多籽包衣種子與合格包衣種子的識別閾值。通過拍攝平臺對圖像進行拍攝并傳輸至識別控制系統進行處理與識別。識別系統分別對包衣種子總數、合格數、多籽數、破損數進行檢測，最終計算生成包衣合格率，從而提高包衣種子的檢測效率。

1 整機結構與工作原理

1.1 包衣機結構

種子丸粒化包衣機由種子供給系統、粉料供給系統、藥液供給系統、包衣鍋調整系統和上位機控制系統組成。總體結構圖如圖1所示。設計的種子丸粒化包衣機主要技術參數見表1。

圖1 包衣機總體結構圖Fig.1 Overall structure diagram of coating machine1.供粉桶 2.氣動閥門 3.稱量系統 4.電磁閥 5.粉料輸送管道 6.藥液管道 7.藥液桶 8.蠕動泵 9.繼電器 10.減速步進電機 11.包衣鍋電機 12.出料口 13.電動激振器 14.包衣鍋 15.噴頭 16.分流板 17.上位機控制系統 18.供種桶

1.2 包衣機工作原理

包衣時，種子和粉料分別喂入供種桶和供粉桶內，通過控制氣動閥門的開關實現種粉定量供給。通過蠕動泵將藥液抽送至噴頭進行霧化。種子下落過程中，經過分流板分流，在下落過程中與霧化的藥液進行接觸，使種子表面接觸藥液，隨后落入包衣鍋內。供種結束后開始供粉，當粉料落入包衣鍋內，包衣鍋在包衣鍋電機的帶動下開始旋轉，同時電動激振器通過調節變頻器的頻率來改變激振力的大小，將激振力施加在包衣鍋的主軸上，進而形成振動力場。在振動力場作用下，使粉料更加均勻、牢固粘附在種子表面，進而有效提高種子的丸粒化包衣合格率、單籽率及單籽抗壓強度。丸粒化包衣后，包衣鍋在減速步進電機帶動下旋轉，將種子倒入出料口并排出，完成整個包衣過程。

表1 種子丸粒化包衣機主要技術參數Tab.1 Main technical parameters of seed pelleting coating machine

2 識別檢測系統設計

丸粒化包衣種子識別檢測系統主要由拍攝平臺以及識別控制系統組成。包衣種子初始放置于拍攝平臺的底盤上進行圖像采集，采集的圖像通過數據線實時傳輸至識別控制系統進行識別檢測并生成識別結果，最終通過計算得到包衣合格率。

2.1 拍攝平臺設計

拍攝平臺包括攝像頭、底盤、光源燈、支架以及識別控制系統。拍攝分辨率為1 920像素×1 080像素，單幅圖像拍攝采集時間約為1 s。拍攝平臺結構圖如圖2所示。拍攝平臺主要硬件參數見表2。

圖2 拍攝平臺結構圖Fig.2 Structure diagram of shooting platform1.攝像頭 2.光源燈 3.底盤 4.支架 5.識別控制系統

表2 拍攝平臺主要硬件配置Tab.2 Main hardware configuration of shooting platform

2.2 識別控制系統設計

識別控制系統采用NI公司開發的虛擬儀器軟件開發平臺LabVIEW 2018進行設計。該軟件采用圖形化編程的方法，界面美觀簡潔，函數模塊豐富，可以高效地設計各種控制程序，極大簡化了開發時間。識別控制系統劃分成3個模塊：參數設定模塊、圖像識別顯示模塊和結果分析模塊。各模塊獨立設計編寫，實現了參數設置、圖像識別、目標標記以及計算處理等功能[14-17]。識別控制系統界面如圖3所示。

圖3 識別控制系統界面Fig.3 Identification control system interface

在控制系統中設置參數，輸入采集圖像并進行前期處理，前期處理后對各類型包衣種子進行識別，識別結束后輸出識別結果并計算包衣合格率。識別系統工作流程圖如圖4所示。

圖4 識別系統工作流程圖Fig.4 Working flow chart of identification system

3 圖像獲取及處理方法

3.1 圖像獲取

本次識別以豆科牧草紅三葉種子為對象,選用粒徑為200 μm的大豆粉與細度為100目的硅藻土進行5∶5比例混合作為丸化包衣粉料，種粉和種液質量比為1∶3，分5批次供給，相鄰批次間隔時間3 min，包衣總時長30 min。生長過程中，包衣粉料遇水溶解，既不影響種子的生長，又能給種子生長創造營養條件。在振動力與旋轉力共同作用下，包衣粉料與種子充分接觸，最終均勻包裹在種子表面，形成大小均勻、形狀規則的類球體。包衣后的種子分為3種類型:合格包衣種子、多籽包衣種子以及破損包衣種子。經多次預試驗發現，合格的包衣紅三葉種子形狀為類球體，其球體直徑穩定在3～5 mm之間(包括直徑為3 mm與5 mm的包衣種子)。多籽的包衣紅三葉種子形狀為橢球體，其特點是橢圓面長軸超過5 mm，以包衣種子最大直徑5 mm作為區別多籽包衣種子與合格包衣種子的閾值。經放大鏡目測觀察包衣種子，發現部分包衣種子存在表面膜衣覆蓋不足，種子局部區域裸露在外的問題，將其定義為破損包衣種子。包衣紅三葉種子樣品如圖5所示。

圖5 包衣紅三葉種子樣品Fig.5 Samples of red clover coated seeds

包衣結束后，隨機選擇100粒包衣紅三葉種子作為樣品，隨機擺放至拍攝平臺底盤。由于包衣種子成品為乳白色，因此底盤背景選擇鮮綠色來突出包衣種子的細節。圖像處理樣圖如圖6所示。

圖6 圖像處理樣圖Fig.6 Image processing sample

3.2 圖像前期處理

圖像處理軟件選用NI公司開發的Vision Assistant 2018，其包含一套完整的圖像處理函數功能庫，功能豐富且強大，能高效快速地進行圖像處理，同時，該軟件可以將圖像處理源程序集成到LabVIEW 2018開發環境中運行。相比于其他視覺產品，該軟件極大地簡化了處理流程，縮短了算法開發調試的時間。經測試發現，整套圖像處理算法對單幅圖像的處理時間約為1 s。

拍攝平臺采集的包衣種子圖像傳輸至識別控制系統中進行圖像前期處理，通過圖像前期處理可以消除包衣種子之間的接觸面積，使每一粒包衣種子成為一個獨立的個體，以便于后續進行包衣種子總數識別。圖像前期處理流程圖如圖7所示。

圖7 圖像前期處理流程圖Fig.7 Flow chart of image pre-processing

圖像前期處理效果直接影響后續包衣種子的識別誤差。為了方便特征提取，提高識別的準確性，在提取特征之前，對采集的圖像進行感興趣區域(ROI)提取、顏色平面提取、濾波、閾值分割以及形態學分析，最終消除包衣種子之間的接觸面積。

考慮到底盤背景為鮮綠色，為了更好地進行分割，突出種子輪廓，對原始圖像進行顏色平面提取，經調試發現提取紅色平面可有效去除背景干擾，突出種子輪廓[18]。灰度化處理效果如圖8a所示。

圖8 種子圖像處理結果Fig.8 Seed image processing results

圖像濾波可以改善圖像質量、增強識別效果、豐富細節信息量。經過觀察，種子擺放密度不均，部分區域接觸過于密集，3種類型種子隨機擺放，增加了處理難度，為此選用卷積型-高亮細節顯示。該方法屬于常見的線性卷積核濾波，可以有效地突出種子的細節，增強目標輪廓、邊緣等高頻信息，使圖像更銳化。根據線性卷積運算實現圖像增強效果，卷積核沿著圖像左上角逐行、逐列滑動，最后停于圖像右下角最后一個像素點，不斷根據鄰域像素的值計算各個像素的新值來完成計算的過程[19]。卷積核選擇 3×3方形陣列。卷積核為

計算過程中,每滑動至一個新像素，都經過卷積運算得到新值，并對圖像原像素值進行覆蓋。經卷積運算后的模板中心位置對應的像素值P′5為

(1)

式中Pi——點i處的像素值

W——卷積核模板

本次圖像處理算法運用兩次卷積型-高亮細節顯示，卷積核相同。濾波處理效果如圖8b所示。

自動閾值分割方法基于圖像的灰度直方圖來確定灰度閾值，適用性強，本文選用均勻性度量法進行分割[20-22]。

均勻性度量法的原理是，假定初始閾值已經能把圖像分割成“背景”和“目標”兩部分，那么屬于同一類別內的灰度分布應當具有均勻性。采用方差來對均勻性進行度量。設原圖像上任一點(x,y)處的灰度為f(x,y)，將待分割圖像分為C1和C2(即背景和目標)兩類，則算法步驟如下：

(2)

(3)

式中NC1、NC2——第1、2類中的像素數

分別計算兩類在圖像中的分布概率p1和p2。分布概率計算公式為

(4)

(5)

經閾值分割后的種子圖像存在個體分割不佳、邊緣處區域連接等問題。閾值處理效果如圖8c所示。

膨脹和腐蝕并不是互逆的運算，因此具體使用過程中，兩者可以級連結合。經閾值化處理后的二值圖像先腐蝕再膨脹，進行開運算，以此來去除圖像中不必要的信息，如噪聲、相互重疊的區域、種子連接區域等。開運算可以對圖像進行局部修飾，經形態學處理后的包衣種子消除了接觸面積，分割成獨立的顆粒，提高了后續算法的準確性。其中顆粒是指圖像中一組非0或灰度很高的白色像素組成的區域。形態學處理效果如圖8d所示。

本次設計的圖像處理方法實現了包衣種子的邊緣劃分，使包衣種子分割成獨立的由白色像素組成的顆粒。經過處理后的圖像更適合進行基于顆粒的定量分析、提取模型建立和目標識別。

4 圖像識別算法

經前期處理的圖像通過識別函數對目標種子進行標記識別，識別得到單組包衣參數下3種類型包衣種子的數量并實時計算包衣合格率[23]。圖像識別算法流程圖如圖9所示。

圖9 圖像識別算法流程圖Fig.9 Flow chart of image recognition algorithm

4.1 總數識別算法

由于處理后的種子為一組由白色像素組成的顆粒，種子表面包裹的粉料面積直接影響白色像素總值。其中多籽包衣種子由于體積較大，處理后的白色像素總值遠大于其他兩種類型。根據組成顆粒的白色像素總值不同，運用視覺識別函數IMAQ Machine Vision中的IMAQ Count Objects子模塊對目標顆粒進行識別。該模塊能對圖像中由白色像素組成的顆粒進行識別、框選以及計數，通過設置最小識別像素總值以及最大識別像素總值，生成一個識別范圍，從而對圖像中的目標顆粒進行識別框選并標記數量。當不設置識別閾值時，識別系統對圖像中所有包含白色像素的顆粒進行識別框選。

經濾波和開運算處理后的圖像消除了微小像素點的干擾。對種子總數進行識別時，調整最小識別像素總值為1，對圖像中所有包含白色像素的目標進行框選識別。以樣圖為例，目標種子總數為100，識別過程從圖像上方向下依次識別框選并編號，編號從0開始，到99結束，識別成功率達到100%。總數識別效果如圖10所示。

圖10 總數識別效果圖Fig.10 Total recognition effect picture

4.2 破損包衣種子識別算法

與基礎組合形態學處理算法不同，高級的形態學處理算法通過執行有條件的基礎形態學處理算法，專門用于二值圖像中顆粒的處理。

由于破損包衣種子表面粉料較少，種子局部裸露在外，經前期處理后的白色像素面積遠小于其他類型種子，且難以形成完整的圓形顆粒。綜上，運用Vision Assistant 2018中Particle Analysis功能模塊對圖像中顆粒的面積進行分析和統計，該模塊支持對圖像中顆粒的坐標、像素總值以及面積進行分析。通過拍攝平臺拍攝的圖像寬度像素值與高度像素值固定，圖像總面積為固定值，圖像處理后的單個顆粒面積占圖像總面積的百分比記為S。為了得到破損包衣種子顆粒的面積百分比閾值，選取多粒直徑為3 mm、形狀類似于球體的合格包衣種子進行單獨處理，得到其顆粒平均面積百分比為0.034 22%。根據破損包衣種子顆粒的面積遠小于合格包衣種子和多籽包衣種子顆粒，設定閾值S小于0.034 22%作為破損包衣種子顆粒的識別條件。

運用功能模塊Advanced Morphology中的Remove small objects子模塊，移除圖像中的小面積顆粒，從而移除圖像中破損包衣種子顆粒。通過調試發現，當函數迭代次數為13次時，可去除圖像中S<0.033 89%的顆粒，迭代次數為14次時，將去除圖像中S>0.034 22%的顆粒。綜上，迭代次數為13時符合設計功能要求。樣圖中包含兩粒破損包衣種子，高級形態學處理效果如圖11所示。

圖11 高級形態學處理效果圖Fig.11 Effect picture of advanced morphology processing

經高級形態學處理后的圖像再次運用總數識別算法進行總數識別，識別后的結果與處理前的識別總數的差值為破損包衣種子數。

4.3 多籽種子與合格種子識別算法

在移除破損包衣種子顆粒的基礎上對多籽以及合格的包衣種子進行識別檢測。多籽包衣種子體積較大，經處理后白色像素值較高，為了更好區別，選取多顆直徑為5 mm、形狀規則類似于球體的合格包衣種子進行單獨識別，測得其白色像素總值的平均值為10 064，作為判斷多籽與合格包衣種子的閾值。

運用IMAQ Count Objects子模塊對多籽顆粒進行識別，對閾值參數進行設置，調整最小識別像素總值為10 065，對多籽包衣種子進行框選識別并計數。樣圖中多籽包衣種子個數為8，識別系統檢測結果與其一致，滿足設計要求。多籽包衣種子識別效果如圖12所示。

圖12 多籽包衣種子識別效果圖Fig.12 Recognition effect diagram of multiple coated seeds

圖13 合格包衣種子識別效果圖Fig.13 Qualified coated seed identification effect picture

同理，設置合格包衣種子的閾值參數，調整最大識別像素總值為10 064，對合格包衣種子進行框選識別并計數。識別過程中，對圖中白色像素總值小于等于10 064的目標進行框選計數，樣圖中合格包衣種子數量為90，識別結果與其一致，符合設計要求。合格包衣種子識別效果如圖13所示。

識別過程中，3種識別過程同時進行，實時顯示識別結果。包衣合格率等于合格包衣種子數除以識別總數。生成結果后保存至Excel中，方便對不同包衣參數下的包衣合格率進行對比分析[24]。經測試發現，識別系統對單幅圖像的識別檢測時間約為1 s。

5 試驗與結果分析

為驗證裝置的穩定性與可靠性，選用實驗室自主設計搭建的振動旋轉式包衣機進行試驗包衣，裝置樣機如圖14所示。試驗樣品選用無包衣劑的紅三葉種子進行丸化包衣，包衣結束后進行干燥處理，隨機挑選包衣成品擺放至拍攝平臺，進行圖像拍攝，后續進行圖像處理以及識別。試驗對包衣種子識別算法的可靠性以及準確性進行測試。

圖14 種子包衣裝置樣機Fig.14 Seed coating device prototype

5.1 破損包衣種子識別算法驗證試驗

為了驗證破損包衣種子的識別誤差，選取成品中的破損包衣種子進行試驗。由于破損包衣種子基數較少，本次試驗選擇20到100粒破損種子，每組破損包衣種子不重復進行試驗，通過拍攝平臺進行拍攝。處理過程中，通過函數去除圖像中S小于閾值的顆粒。破損包衣種子識別算法試驗結果見表3。

表3 破損包衣種子識別試驗結果Tab.3 Experimental results of damaged coated seed recognition

根據表3可知，該識別算法準確率達98.8%，滿足設計要求，對于破損包衣種子總數小于100粒的識別，誤差穩定在1粒以內。根據試驗證明，運用高級形態學處理識別破損包衣種子的方法準確率高、穩定性強，可有效減少破損包衣種子對后續識別的影響。

5.2 包衣種子識別算法驗證試驗

為了驗證種子總數識別算法、多籽種子數以及合格種子數識別算法的準確性，隨機選取大量包衣成品進行試驗，考慮到拍攝平臺的底盤最佳容量為500粒以內，選取試驗樣品數為100～500粒，每組進行10次試驗。試驗過程中隨機選擇包衣成品擺放至底盤，單次試驗的種子擺放位置重新進行分布。通過傳統人工目測法得到結果，與識別系統識別結果進行對比，得到總數識別算法的準確率以及檢測合格包衣種子與多籽包衣種子的相對誤差，最終通過每組數據計算得到對應的方差。檢測結果見表4。

表4 包衣種子識別算法準確率及方差Tab.4 Accuracy and variance of coated seed recognition algorithm

通過表4可知，本次設計的識別檢測系統隨著試驗種子數量增加，總數識別算法準確率逐漸降低，當樣本總數為500粒時，準確率達到97.1%。由于拍攝過程中種子擺放存在重疊現象，導致圖像處理算法存在較小誤差。圖像中存在部分種子接觸面積分割不到位，導致識別過程中，兩個或多個包衣種子被誤識別成一個包衣種子，且因白色像素值較多導致識別結果為多籽包衣種子。同時由于多籽包衣種子的基數較少，導致多籽包衣種子識別誤差較大。試驗結果表明，隨著測試種子總數的增加，檢測包衣合格種子相對誤差以及檢測多籽包衣種子相對誤差在逐漸增大。根據國家制定的農作物薄膜包衣種子技術條件，包衣合格率檢驗試驗需要隨機取試樣3份，每份200粒包衣種子。當樣本總數為200粒時，總數識別算法準確率為99.1%，檢測合格包衣種子相對誤差以及檢測多籽包衣種子相對誤差分別為1.18%與3.36%。試驗證明，該方法極大地提高了工作效率，降低了工作強度，可有效替代傳統人工目測法。

6 結論

(1)通過機器視覺技術，設計了一套丸粒化包衣種子識別檢測系統。針對類球體的包衣種子，設計了圖像處理算法，通過識別系統實現了對包衣種子總數、多籽數、合格數、破損數的識別以及包衣合格率的計算。

(2)經試驗驗證，該圖像處理算法可有效消除種子之間接觸面積，實現了將包衣種子分割成獨立顆粒的功能。同時，在總數識別算法無誤差的前提下，運用高級形態學處理識別破損包衣種子數的準確率高達98.8%，滿足設計要求。

(3)根據國家制定的農作物薄膜包衣種子技術條件，選取每份試驗樣本為200粒包衣種子時，總數識別算法的準確率達到99.1%，對合格包衣種子以及多籽包衣種子識別相對誤差分別為1.18%與3.36%，滿足設計要求。