基于機(jī)器視覺的核桃仁動(dòng)態(tài)分級(jí)研究

周 軍，郭俊先，張 靜，姜彥武，艾力·哈斯木，蔡 建

(新疆農(nóng)業(yè)大學(xué)機(jī)電工程學(xué)院，烏魯木齊 830052)

0 引 言

【研究意義】目前對(duì)核桃仁分級(jí)技術(shù)的研究仍處于起步階段，我國(guó)核桃仁分級(jí)仍主要靠人工進(jìn)行分揀，這種方法不僅過(guò)程繁瑣、效率低，容易受人為主觀因素影響，不能保證分級(jí)的客觀性和標(biāo)準(zhǔn)化。為了實(shí)現(xiàn)對(duì)核桃仁大小、顏色的快速檢測(cè)、分選，判別核桃仁級(jí)別，采用機(jī)器視覺技術(shù)構(gòu)建核桃仁RGB圖像采集系統(tǒng)，研究不同尺寸大小與顏色核桃仁的光學(xué)特性和成像特點(diǎn)，分析確定每一級(jí)別核桃仁的特征值，建立較優(yōu)的核桃仁特征提取方法、分級(jí)方法、分選算法、識(shí)別模型，為該領(lǐng)域設(shè)備的研發(fā)奠定研究基礎(chǔ)?！厩叭搜芯窟M(jìn)展】劉建軍等[1]基于機(jī)器視覺并結(jié)合行業(yè)標(biāo)準(zhǔn)，給出山核桃分級(jí)的方法，適用于山核桃的在線檢測(cè)；chen等[2]運(yùn)用機(jī)器視覺圖像統(tǒng)計(jì)我國(guó)35個(gè)品種的核桃的自身物理參數(shù)，結(jié)合SSR標(biāo)記為核桃品種的識(shí)別和種植資源的優(yōu)化提供參考；方建軍等[3]設(shè)計(jì)了一套基于機(jī)器視覺的板栗實(shí)時(shí)分級(jí)系統(tǒng)，其依據(jù)是板栗的尺寸大小，準(zhǔn)確率等達(dá)到98%，但是系統(tǒng)的圖像處理速度未能滿足在線分級(jí)要求；劉仕良等[4]采用MER的方法提取板栗的長(zhǎng)短徑和長(zhǎng)寬比作為分級(jí)標(biāo)準(zhǔn)，對(duì)運(yùn)動(dòng)狀態(tài)下的板栗基于機(jī)器視覺進(jìn)行分級(jí)研究，其分級(jí)精度為95.33%，分級(jí)速率為40～50 nuts/s；季雪嬌等[5]運(yùn)用圖像處理技術(shù)提取白色背景下的蟲害板栗和正常板栗的輪廓邊緣特征，將正常輪廓與蟲害板栗輪廓對(duì)比，若后者小于前者則識(shí)別為蟲孔，此種方法簡(jiǎn)單、快捷；韓志忠等[6]根據(jù)花生仁的機(jī)器視覺圖像識(shí)別花生的品種和品質(zhì)，統(tǒng)計(jì)分析了48個(gè)品種的6個(gè)等級(jí)，提取總共49個(gè)特征量，并建立準(zhǔn)確度達(dá)97%以上的仿真平臺(tái)；展慧[7]基于機(jī)器視覺對(duì)板栗正常果和缺陷果進(jìn)行分級(jí)研究，依據(jù)其著色分為三級(jí)，建立3×12×3的BP神經(jīng)網(wǎng)絡(luò)，其驗(yàn)證識(shí)別率為91.67%?！颈狙芯壳腥朦c(diǎn)】劉軍等[8]采集新疆多個(gè)品種核桃RGB圖像，設(shè)計(jì)一種自適應(yīng)雙閾值的Otsu法，快速、準(zhǔn)確地分割出缺陷區(qū)域，周竹等[9]設(shè)計(jì)了基于V型平面鏡的機(jī)器視覺系統(tǒng)獲取馬鈴薯三面圖像，用于馬鈴薯分級(jí)特征的建立分級(jí)正確率可達(dá)到91.0%；張塔烺等[10]提出了一種基于機(jī)器視覺與山核桃圖像特征的山核桃頭尾檢測(cè)方法。前人都利用機(jī)器視覺技術(shù)進(jìn)行農(nóng)產(chǎn)品的檢測(cè)分級(jí)研究，但大多停留在靜態(tài)農(nóng)產(chǎn)品個(gè)體圖像檢測(cè)上[11]，特別是國(guó)內(nèi)，對(duì)于農(nóng)產(chǎn)品動(dòng)態(tài)分級(jí)的研究尚欠缺，且針對(duì)核桃仁的顏色與完整度的自動(dòng)分級(jí)系統(tǒng)尚未建立。目前核桃仁的分級(jí)主要還是依靠人工分級(jí)的方式進(jìn)行，勞動(dòng)強(qiáng)度大，分級(jí)效率較低。針對(duì)核桃仁進(jìn)行自動(dòng)分級(jí)進(jìn)行研究?！緮M解決的關(guān)鍵問(wèn)題】研究核桃仁分選方法，確定獲得核桃仁等級(jí)數(shù)據(jù)，滿足識(shí)別速度快，表征的信息量最大，準(zhǔn)確度高、穩(wěn)定性好的要求；分析核桃仁動(dòng)態(tài)分級(jí)處理適用于實(shí)際工廠化生產(chǎn)，設(shè)計(jì)分級(jí)準(zhǔn)確、設(shè)備簡(jiǎn)單可靠的核桃仁動(dòng)態(tài)分級(jí)方法。

1 材料與方法

1.1 材 料

購(gòu)于新疆烏魯木齊市北園春市場(chǎng)的核桃，選擇市面上常見的新新2號(hào)核桃品種150個(gè)為分級(jí)試驗(yàn)對(duì)象。根據(jù)試驗(yàn)需求對(duì)建立機(jī)器視覺系統(tǒng)的主要硬件選擇如下：①輸送臺(tái)(浙江乾錦輸送設(shè)備有限公司2 m輸送臺(tái))②自制光源箱③相機(jī)(大恒MER-030-120U彩色相機(jī))、鏡頭(日本CBC株式會(huì)社生產(chǎn)M0814-MP2)④光源型號(hào)(LTS-2BR35030)⑤一字型噴氣嘴⑥聯(lián)想ThinkCentre E75電腦⑦變頻器⑧電磁閥(FESTO公司生產(chǎn)MHE2-M1H-3/2G-M7)⑨單片機(jī)(STC89C52RC商業(yè)級(jí))、定時(shí)器擴(kuò)展芯片(日本NEC D8253C-2)、通訊轉(zhuǎn)換器(KOB品牌，USB2.0轉(zhuǎn)RS-485/422)。針對(duì)核桃仁的自動(dòng)分級(jí)試驗(yàn)，采用機(jī)器視覺系統(tǒng)裝置結(jié)構(gòu)。圖1

1.輸送臺(tái) 2.光源箱 3.相機(jī) 4.光源 5.噴氣嘴 6.計(jì)算機(jī) 7.變頻器 8.電磁閥 9.下位機(jī)控制單元

1. transmission table, 2. light source box 3. camera 4. light source 5. jet nozzle 6. computer 7. converter 8. electromagnetic valve 9. lower machine control unit

圖1 核桃仁分級(jí)試驗(yàn)裝置
Fig.1 Walnut kernel grading test device

1.2 方 法

1.2.1 顏色特征提取

首先將圖像RGB空間轉(zhuǎn)換為符合人眼對(duì)顏色主觀認(rèn)識(shí)的HSV顏色空間，并主要在HSV顏色空間進(jìn)行顏色特征的提取。HSV顏色空間模型，即用H(色調(diào))、S(飽和度)和V(明度)表征顏色。圖2

顏色直方圖描述不同色彩在圖像中所占的比例，具有圖像縮放和旋轉(zhuǎn)不變性，即對(duì)于核桃仁動(dòng)態(tài)分級(jí)下位置不一致時(shí)具有良好的魯棒性。由圖2知，色調(diào)分布在0°到360°的圓上。將色調(diào)等間隔量化為180等份(bin)，分別隨機(jī)選取淡黃色仁，淡琥珀色仁以及等外仁各10個(gè)，作色調(diào)直方圖，其縱坐標(biāo)為對(duì)應(yīng)色調(diào)區(qū)間像素所占的頻率，從直方圖中可以看出各等級(jí)核桃仁的色調(diào)主要分布在0～30內(nèi)，即紅色到黃色(0°到60°)的范圍，則可以提取0～30共31個(gè)色調(diào)頻率作為一部份色調(diào)特征，組成基于顏色直方圖的從bin0到bin30的31個(gè)色調(diào)特征。圖3

顏色矩是一種簡(jiǎn)單有效的顏色特征表示方法。由于圖像的顏色信息主要分布在低階矩中，所以其一階矩(均值)、二階矩(方差)和三階矩(偏度)足以表達(dá)圖像顏色分布。為減小光源變化對(duì)圖像特征提取的影響，選擇圖像的色調(diào)H和飽和度S，分別計(jì)算其三個(gè)低階矩Hμ、Hv、Hs和Sμ、Sv、Ss組成表達(dá)顏色分布的6個(gè)特征。

結(jié)合基于色調(diào)直方圖的31個(gè)顏色特征和基于顏色矩的6個(gè)特征，共提取與核桃仁圖像顏色有關(guān)的37個(gè)特征作為核桃仁顏色分級(jí)的原始特征。圖4

圖2 HSV顏色空間模型
Fig.2 HSV color space model

圖3 不同等級(jí)核桃仁色調(diào)
Fig.3 Hue histogram of different grades of walnut

圖4 核桃仁形狀特征
Fig.4 Shape characteristics of walnut kernel

1.2.2 完整度特征提取

分析不同完整度核桃仁的特點(diǎn)，選取兩個(gè)特征表征核桃仁完整度的差異，分別是核桃仁輪廓面積與其最小外接圓面積的比值以及輪廓最小外界矩形長(zhǎng)寬比。為避免相機(jī)高度對(duì)核桃仁數(shù)據(jù)的影響，故暫不采用直接提取面積的方式判斷完整度。

其中輪廓最小外接矩形由OpenCV中minAreaRec函數(shù)求得，研究表明，核桃仁輪廓最小外接矩形長(zhǎng)寬比為:

式中:l：核桃仁輪廓最小外接矩形長(zhǎng)；

W：核桃仁輪廓最小外接矩形寬；

核桃仁輪廓面積與其最小外接圓輪廓面積之比為:

式中：S：核桃仁輪廓面積；

R2：核桃仁最小外接圓；

Hu矩為圖像的幾何不變矩[12]，是利用二階和三階中心矩構(gòu)造的7個(gè)矩，它們?cè)趫D像平移、旋轉(zhuǎn)和比例變化時(shí)保持不變，可用于輪廓形狀識(shí)別。結(jié)合K1、K2，則可構(gòu)成與核桃仁形狀相關(guān)的9個(gè)特征用于辨別核桃仁的完整度。圖4

1.2.3 分級(jí)處理動(dòng)作試驗(yàn)

基于前期核桃仁圖像分級(jí)方法研究，要實(shí)現(xiàn)核桃仁的動(dòng)態(tài)分級(jí)，需要確定分級(jí)動(dòng)作，為簡(jiǎn)化分級(jí)機(jī)械設(shè)備，保證分級(jí)效率，研究采用氣吹的方式對(duì)核桃仁進(jìn)行分級(jí)，使用藍(lán)色(背景色)輸送帶輸送核桃仁，并采用STC89C52單片機(jī)控制氣動(dòng)電磁閥完成分級(jí)動(dòng)作。由于核桃仁屬于相對(duì)較小的被測(cè)物體，且形狀不規(guī)則，采用光電傳感器來(lái)測(cè)量被測(cè)物體的位置存在不可靠的問(wèn)題。故此次設(shè)計(jì)直接在攝像機(jī)下通過(guò)追蹤獲得被測(cè)目標(biāo)的位置，待不同等級(jí)的核桃仁到達(dá)預(yù)定分級(jí)位置，上位機(jī)發(fā)送等級(jí)信號(hào)控制氣動(dòng)電磁閥完成分級(jí)。

1.2.4 核桃仁動(dòng)態(tài)分級(jí)流程設(shè)計(jì)

核桃仁分級(jí)方法為，系統(tǒng)在核桃仁輪廓入口處檢測(cè)到完整輪廓即確定追蹤目標(biāo)，目標(biāo)追蹤中心到達(dá)位置l則提取核桃仁圖像進(jìn)行特征提取、分級(jí)并繼續(xù)追蹤其位置，待核桃仁到達(dá)相應(yīng)分級(jí)位置即發(fā)送等級(jí)信號(hào)，控制電磁閥完成分級(jí)動(dòng)作。圖5

對(duì)基于CamShift算法的核桃仁目標(biāo)追蹤需要解決的問(wèn)題是，確定包含所追蹤核桃仁目標(biāo)區(qū)域的窗口以及色調(diào)直方圖。動(dòng)態(tài)分級(jí)情況下要實(shí)現(xiàn)對(duì)每個(gè)進(jìn)入相機(jī)視場(chǎng)的核桃仁追蹤，就需要計(jì)算機(jī)自動(dòng)判斷進(jìn)入視場(chǎng)的核桃仁，并初始化包含該核桃仁的搜索窗口，提取搜索窗口內(nèi)的色調(diào)直方圖用于在視頻序列中追蹤此核桃仁。根據(jù)核桃仁在傳送帶上運(yùn)動(dòng)的實(shí)際情況，攝像機(jī)拍攝視頻時(shí)還未有核桃仁處于視場(chǎng)中，輸送設(shè)備啟動(dòng)后，核桃仁依次進(jìn)入相機(jī)視場(chǎng)，繪出各線程基本流程。圖6

圖5 核桃仁分級(jí)方法示意

Fig.5 Schematic diagram of walnut kernel classification

圖6 圖像處理、追蹤、分級(jí)流程
Fig.6 Image processing, tracking, and classification flow chart

2 結(jié)果與分析

2.1 原始特征矩陣

通過(guò)人工分級(jí)，取不同等級(jí)核桃仁樣本各30個(gè)，通過(guò)以上圖像處理與特征提取方式得到30×5個(gè)樣本特征的數(shù)據(jù)。對(duì)于OpenCV和Matlab，它們對(duì)圖像特征處理函數(shù)的輸入量均為矩陣，且多數(shù)函數(shù)要求矩陣的每一行(Row)為一個(gè)樣本，每一列(Col)為一個(gè)特征，則由所有樣本的特征數(shù)據(jù)可得到用于特征選擇與模型訓(xùn)練的訓(xùn)練矩陣150(Row)×46(Col)，列出Col代表的特征。表1

mRMR(最大相關(guān)最小冗余)算法是一種在保證最大相關(guān)性的同時(shí)，又去除冗余特征的方法[13-14]。算法利用互信息[15]衡量特征子集中特征與特征之間、特征與類別之間的相關(guān)度，互信息是兩個(gè)隨機(jī)變量統(tǒng)計(jì)相關(guān)性的測(cè)度，可以看成是一個(gè)隨機(jī)變量中包含的關(guān)于另一個(gè)隨機(jī)變量的信息量，或者是一個(gè)隨機(jī)變量由于已知另一個(gè)隨機(jī)變量而減少的不確定性，mRMR可有效減少特征向量中的冗余特征。使用基于mRMR的MID、MIQ兩種算法對(duì)訓(xùn)練樣本矩陣進(jìn)行特征選擇，取算法選擇的前15個(gè)特征。表2

表1 特征與列號(hào)對(duì)照
Table 1 Comparison Table of feature and column number

列 ColumnCol1Col2Col3…Col9Col10…Col12Col13…Col15Col16…Col46特征 FeaturesK1K2I1…I7Hμ Hv HsSμ Sv Ssbin0…bin30

表2 MID、MIQ特征選擇結(jié)果
Table 2 Results of MID and MIQ feature selection

MID301263122427232925286223216MIQ30126272449228232925163631

2.2 基于機(jī)器學(xué)習(xí)的核桃仁分級(jí)

經(jīng)mRMR的MID和MIQ特征選擇算法對(duì)特征重要性做了排序，但不能確定使用特征個(gè)數(shù)和種類以便達(dá)到分類速度快、準(zhǔn)確率高的效果，因此分別對(duì)選擇后的特征采用序列向前選擇(SFS，屬于啟發(fā)式搜索)的方法選擇訓(xùn)練集，即依據(jù)表2中特征重要性由高到低，從30號(hào)特征開始依次加入一個(gè)特征，組成訓(xùn)練集，分別送入決策樹[16-17]、樸素貝葉斯(Bayes)[18-20]、支持向量機(jī)(SVM)[21-23]三個(gè)分類器中進(jìn)行訓(xùn)練，生成相應(yīng)模型。

另取不同等級(jí)核桃仁各30個(gè)作為測(cè)試樣本，使用上述得到的3個(gè)模型對(duì)這批測(cè)試樣本的靜態(tài)圖像作分級(jí)測(cè)試，對(duì)MID算法選擇的特征序列，其測(cè)試效果為，橫坐標(biāo)為加入的特征，縱坐標(biāo)為分級(jí)正確率，可以看到SVM在使用11個(gè)特征后分級(jí)正確率達(dá)到最大值85.33%，決策樹在使用3個(gè)特征后正確率達(dá)到最大值96.00%，樸素貝葉斯在使用3個(gè)特征后正確率達(dá)到最大值97.33%。圖7

對(duì)MIQ算法選擇的特征序列，其測(cè)試效果為，由于選擇的前3個(gè)特征相同，決策樹與樸素貝葉斯效果與MID算法一致，但對(duì)于使用較多特征的支持向量機(jī)，在使用5個(gè)特征后即達(dá)到最大正確率85.33%。圖8

圖7 mRAR MID 算法特征選擇序列測(cè)試結(jié)果
Fig.7 Test results of feature selection sequences for mrar mid algorithm

圖8 mRMR MIQ 算法特征選擇序列測(cè)試結(jié)果
Fig.8 Test results of feature selection sequences for mRMR MIQ algorithm

用ReliefF算法[24-25]篩選的特征集作為樣本訓(xùn)練數(shù)據(jù)(特征按照算法排好的順序組成訓(xùn)練矩陣)，使用OpenCV決策樹類進(jìn)行特征選擇時(shí)，使用CvDtree: getVarImportance()函數(shù)計(jì)算特征的重要性。去除重要性為0的特征，留下3個(gè)重要特征為：K1、bin19和bin17。用這3個(gè)特征重新訓(xùn)練決策樹、SVM和樸素貝葉斯模型，列出對(duì)測(cè)試樣本進(jìn)行訓(xùn)練的效果。表3

表3 選擇特征測(cè)試效果
Table 3 Decision tree selection feature test results

分類器Classifier決策樹Decision tree支持向量機(jī)SVM樸素貝葉斯Naive Bayes正確率Correct rate93.33%80.67%94.67%

2.3 測(cè)試結(jié)果

在靜態(tài)樣本圖像下，通過(guò)對(duì)不同特征選擇算法的測(cè)試可知，幾種特征選擇算法對(duì)重要特征的選擇很接近，且樸素貝葉斯分類器的效果均要好于其它兩個(gè)分類器，支持向量機(jī)的分類效果最差。若使用支持向量機(jī)分類，當(dāng)選用最少5個(gè)特征bin19、K1、bin15、bin16和bin13訓(xùn)練分類器時(shí)，分類正確率達(dá)到最大為85.33%；若使用決策樹分類，當(dāng)選用3個(gè)特征bin19、K1和bin15訓(xùn)練分類器時(shí)，分類正確率達(dá)到最大為96.00%；若使用樸素貝葉斯分類，當(dāng)選用3個(gè)特征bin19、K1和bin15訓(xùn)練分類器時(shí)，分類正確率達(dá)到最大為97.33%。

試驗(yàn)可選擇特征bin19、K1和bin15，并利用分類效果最佳的樸素貝葉斯分類方法對(duì)核桃仁進(jìn)行分級(jí)，列出不同等級(jí)的分類效果。表4

表4 樸素貝葉斯模型分級(jí)效果
Table 4 Classification effect of naive Bayes model

人工分類等級(jí)Artificial classification level樣本數(shù)Sample number特征數(shù)Characteristic number模型預(yù)測(cè)數(shù)Model predictive number正確率Correct rate(%)白頭路 White first grade3032893.33白二路 White second grade30330100.00淺頭路 Yellow first grade3032893.33淺二路 Yellow second grade30330100.00等外 Off grade30330100.00合計(jì) Total150314697.33

2.4 分級(jí)速度測(cè)試

試驗(yàn)設(shè)計(jì)的動(dòng)態(tài)分級(jí)方法中，在計(jì)算機(jī)擁有足夠的圖像處理分級(jí)時(shí)間的基礎(chǔ)上，核桃仁的分級(jí)速度則主要與輸送帶的運(yùn)行速度和兩個(gè)待分級(jí)核桃仁之間的距離有關(guān)。將所編寫軟件在Release(發(fā)布)版本(相對(duì)于調(diào)試(Debug)版本，Release版本經(jīng)優(yōu)化，速度較快)下進(jìn)行編譯，對(duì)核桃仁運(yùn)動(dòng)圖像序列進(jìn)行分級(jí)測(cè)試，發(fā)現(xiàn)其對(duì)每一幀圖像的處理時(shí)間均低于0.03 s，可以滿足動(dòng)態(tài)分級(jí)要求。

隨機(jī)取20個(gè)核桃仁，啟動(dòng)電動(dòng)機(jī)并調(diào)節(jié)運(yùn)行頻率使輸送帶運(yùn)行速度約為0.25 m/s(高速下對(duì)相機(jī)幀率要求較高，當(dāng)速度更快時(shí)，相機(jī)拍攝的圖像質(zhì)量較差)，在輸送帶上放置核桃仁使每個(gè)核桃仁的中心在運(yùn)動(dòng)方向上的距離保持大約6 cm(此距離的設(shè)置以不影響輪廓提取和兩個(gè)相鄰等級(jí)核桃仁分級(jí)為準(zhǔn))，從第1個(gè)核桃仁進(jìn)入相機(jī)視場(chǎng)開始計(jì)時(shí)，到最后一個(gè)核桃仁分級(jí)結(jié)束停止計(jì)時(shí)，計(jì)時(shí)時(shí)間為4.53 s。研究表明，此系統(tǒng)對(duì)核桃仁的分級(jí)速度可達(dá)到4.4個(gè)/s。

2.5 分級(jí)效果測(cè)試

分別取各等級(jí)核桃仁各30個(gè)共150個(gè)核桃仁，空壓機(jī)氣壓為0.5 MPa左右(試驗(yàn)用空壓機(jī)工作時(shí)，氣壓穩(wěn)定于一個(gè)范圍內(nèi)，最低為0.4 MPa，最高為0.6 MPa)，調(diào)節(jié)電動(dòng)機(jī)運(yùn)行頻率使輸送帶運(yùn)行速度為0.25 m/s，在保證核桃仁可以吹掉且不影響相鄰核桃仁分級(jí)的前提下，單片機(jī)定時(shí)器延時(shí)時(shí)間越小，空壓機(jī)氣壓下降越慢，空壓機(jī)啟動(dòng)頻率越低、越節(jié)能，從0.01 s(需大于電磁閥開啟速度0.007 s)開始遞增，分別測(cè)試核桃仁吹掉的效果，當(dāng)延時(shí)時(shí)間最小為0.03 s時(shí)，可以保證核桃仁被完全吹掉，統(tǒng)一設(shè)置定時(shí)器延時(shí)時(shí)間為0.03 s，并采用Release發(fā)布版圖像處理分級(jí)軟件，對(duì)圖像動(dòng)態(tài)采集和處理分級(jí)系統(tǒng)以及下位機(jī)分級(jí)執(zhí)行機(jī)構(gòu)進(jìn)行分級(jí)測(cè)試，試驗(yàn)以人工分級(jí)的核桃仁進(jìn)入系統(tǒng)后，能夠?qū)崿F(xiàn)在其到達(dá)指定分級(jí)位置處時(shí)，氣嘴可正確完成吹氣動(dòng)作為準(zhǔn)。表5

表5 動(dòng)態(tài)分級(jí)效果
Table 5 Dynamic grading effect

人工分類等級(jí)Artificial classification level樣本數(shù)Sample number動(dòng)態(tài)分級(jí)數(shù)Dynamic classification number正確率Correct rate(%)白頭路 White first grade302583.33白二路 White second grade302480.00淺頭路 Yellow first grade302686.67淺二路 Yellow second grade302376.67等外 Off grade302480.00合計(jì) Total15012281.33

3 討 論

在靜態(tài)下運(yùn)用樸素貝葉斯模型分級(jí)處理，當(dāng)選用3個(gè)特征bin19、K1和bin15訓(xùn)練分類器時(shí)，分類正確率達(dá)到最大為97.33%；而當(dāng)核桃仁在輸送帶上運(yùn)輸處于動(dòng)態(tài)分級(jí)時(shí)，分類正確率只能達(dá)到81.33%，動(dòng)態(tài)分級(jí)效果較靜態(tài)分級(jí)效果差。由于核桃仁運(yùn)動(dòng)過(guò)程中獲取圖像的質(zhì)量比靜態(tài)下模糊，且速度較快的情況下，采集到的圖像會(huì)產(chǎn)生拖影，對(duì)核桃仁的分級(jí)造成一定影響；分級(jí)動(dòng)作依靠氣吹方式完成，氣壓的穩(wěn)定性、氣流的直線性、噴氣嘴的形狀等會(huì)造成執(zhí)行機(jī)構(gòu)的分級(jí)誤差較大；在動(dòng)態(tài)條件下，輸送帶運(yùn)行過(guò)程中整機(jī)有震動(dòng)和電磁干擾，相機(jī)采集圖像時(shí)效果差，圖像有較多噪點(diǎn)。

今后研究針對(duì)核桃仁圖像信息獲取不全面的問(wèn)題，增加適合于核桃仁翻面的機(jī)械裝置，獲取核桃仁雙面圖像，使核桃仁分級(jí)更加準(zhǔn)確可靠；在四分仁分級(jí)后部添加振動(dòng)式篩網(wǎng)分級(jí)裝置，將碎仁和米仁納入核桃仁完整度分級(jí)中，實(shí)現(xiàn)核桃仁的完整標(biāo)準(zhǔn)分級(jí)；增加核桃仁單?；肓显O(shè)備和分級(jí)后回收裝置，實(shí)現(xiàn)核桃仁的完全自動(dòng)化分級(jí)；完善核桃仁多線程分級(jí)程序，提高核桃仁分級(jí)的速度，實(shí)現(xiàn)核桃仁分級(jí)設(shè)備的穩(wěn)定、高效使用。

4 結(jié) 論

工業(yè)相機(jī)在線采集核桃仁圖像，運(yùn)用編程技術(shù)進(jìn)行圖像處理，利用mRMR特征選擇算法篩選原始特征集并對(duì)特征的重要性進(jìn)行排列，最后通過(guò)對(duì)支持向量機(jī)、決策樹和樸素貝葉斯三種機(jī)器學(xué)習(xí)算法進(jìn)行模型訓(xùn)練和測(cè)試，得出在使用特征bin19、K1和bin15訓(xùn)練樸素貝葉斯分類器時(shí)，分類正確率達(dá)到最大為97.33%的結(jié)論。利用機(jī)器視覺技術(shù)設(shè)計(jì)基于CamShift算法的核桃仁自動(dòng)追蹤方法和動(dòng)態(tài)分級(jí)流程，運(yùn)用構(gòu)建的核桃仁自動(dòng)分級(jí)系統(tǒng)在動(dòng)態(tài)條件對(duì)150個(gè)核桃仁進(jìn)行分級(jí)測(cè)試，總體正確率為81.33%?；跈C(jī)器視覺研究出的核桃仁特征提取與分級(jí)方法、核桃仁動(dòng)態(tài)分級(jí)處理動(dòng)作的方法可以完成對(duì)核桃顏色和完整度的分級(jí)任務(wù)，但在在線動(dòng)態(tài)條件下分級(jí)效果比靜態(tài)條件時(shí)的效果差，此方法離實(shí)際生產(chǎn)應(yīng)用還有距離。