基于機(jī)器視覺的蕎麥剝殼性能參數(shù)在線檢測方法

呂少中 杜文亮 陳 震 陳 偉 蘇日嘎拉圖

(1.內(nèi)蒙古農(nóng)業(yè)大學(xué)機(jī)電工程學(xué)院， 呼和浩特 010018； 2.內(nèi)蒙古工業(yè)大學(xué)信息工程學(xué)院， 呼和浩特 010080)

0 引言

蕎麥的粒徑、含水率、品種等變化后，砂盤式蕎麥剝殼機(jī)所需的最佳剝殼間隙和轉(zhuǎn)速等參數(shù)都會有所不同。剝殼機(jī)出料口混合物中未剝殼蕎麥、整米、碎米的相對含量反映了剝殼機(jī)的剝殼性能，生產(chǎn)中需要根據(jù)這些性能參數(shù)來調(diào)整砂盤間隙和轉(zhuǎn)速，以達(dá)到較高的剝殼效率[1-3]。目前，蕎麥剝殼性能參數(shù)的檢測完全由人工方式實現(xiàn)[4]，其主觀性強(qiáng)、工作強(qiáng)度大，生產(chǎn)中常會出現(xiàn)不同工作人員監(jiān)控同一臺蕎麥剝殼機(jī)而產(chǎn)量和品質(zhì)相差懸殊的現(xiàn)象。

在花生、向日葵、蕎麥以及堅果等需要進(jìn)行剝殼或去皮處理的農(nóng)產(chǎn)品加工設(shè)備研究中，主要圍繞剝殼或去皮原理、關(guān)鍵部件的結(jié)構(gòu)參數(shù)、被處理原料的性狀及其與加工過程和設(shè)備的關(guān)系進(jìn)行探討[5-7]，目前鮮有利用機(jī)器視覺技術(shù)對產(chǎn)出物料進(jìn)行分析、反饋調(diào)節(jié)加工參數(shù)的研究[8]。

機(jī)器視覺作為一種快速、無損、精確的檢測技術(shù)，在農(nóng)產(chǎn)品籽粒的品質(zhì)檢測[9-11]、分級精選[12]和品種檢測[13]中得到了廣泛應(yīng)用。使用圖像方法進(jìn)行農(nóng)作物籽粒整碎米率檢測相關(guān)研究[14-15]中，在采集圖像前需要對籽粒進(jìn)行人工擺放，以使籽粒不粘連。國內(nèi)也有對水稻聯(lián)合收獲機(jī)含雜率、破碎率在線監(jiān)測裝置的相關(guān)研究[16]。

為了給蕎麥剝殼機(jī)的自適應(yīng)最優(yōu)控制提供反饋信號，本文提出一種對剝殼機(jī)組現(xiàn)有機(jī)械結(jié)構(gòu)和剝殼流程擾動小、且經(jīng)濟(jì)性較好的圖像獲取方法，采集到清晰無拖影、且無堆積的蕎麥籽粒圖像。對一幅圖像中的3種蕎麥籽粒進(jìn)行背景分割，以解決在線采集圖像中的籽粒粘連問題，提高檢測準(zhǔn)確率。

1 蕎麥剝殼機(jī)組和試驗臺架

蕎麥剝殼機(jī)組和試驗臺架如圖1所示，預(yù)分級未剝殼蕎麥物料經(jīng)斗式提升機(jī)送入料斗，在重力作用下進(jìn)入剝殼機(jī)進(jìn)行剝殼處理。在剝殼機(jī)出料口末端，吸風(fēng)分離器將混合物中輕的蕎麥殼、小碎米和粉塵分離后，較重的未剝殼蕎麥、整米和大碎米(簡稱剝出物)自落料口落入振動分離篩前端，振動分離篩后端剝出物中的未剝殼蕎麥(占出料總量的80%以上)回流至斗式提升機(jī)，進(jìn)入下一次剝殼循環(huán)，整米和碎米作為成品分別進(jìn)行收集。這種輕碾多次的去殼方式以8%～15%的出米率反復(fù)進(jìn)行。未剝殼蕎麥循環(huán)一次耗時10 min。

試驗臺架位于吸風(fēng)分離器落料口和振動分離篩之間，由滑動籽粒托板、LED光源、圖像采集裝置、節(jié)流擋板、振動電機(jī)和可調(diào)支架組成。

圖1 剝殼機(jī)組和試驗臺架Fig.1 Hulling machine unit and experiment platform1.斗式提升機(jī) 2.料斗 3.剝殼機(jī) 4.落料口 5.振動分離篩 6.吸風(fēng)分離器 7.光源與圖像采集裝置 8.滑動籽粒托板 9.節(jié)流擋板 10.LED光源 11.工業(yè)相機(jī)

滑動籽粒托板由600 mm×400 mm的底部托板和上部的籽?；瑒影鍢?gòu)成，以20°傾斜角按比例承接部分剝出物自吸風(fēng)分離器落料口滑動落入振動分離篩前端?；瑒幼蚜Ｍ邪迳系膭兂鑫镌趧討B(tài)滑落過程中由工業(yè)相機(jī)進(jìn)行圖像采集，作為圖像數(shù)據(jù)源進(jìn)行后續(xù)的處理和分析。籽粒滑動板材質(zhì)為淺藍(lán)色鋁塑板，表面鍍二氧化硅涂層以增加耐磨性和光滑度。為了避免滑動中籽粒之間的堆積，滑動籽粒托板上端安裝有節(jié)流擋板和振動電機(jī)，在限制剝出物數(shù)量的同時對籽粒進(jìn)行振動分散。

LED光源在滑動籽粒托板上方平行布置，為600 mm×600 mm×10 mm的帶框平板結(jié)構(gòu)，底部正中開4 mm×5 mm方孔供工業(yè)相機(jī)嵌入式安裝，底板除中部開孔處以外，在600 mm×500 mm范圍內(nèi)等間隔布置720個5730型貼片式LED，外覆聚碳酸酯光擴(kuò)散板。由于剝出物的快速滑落，工業(yè)相機(jī)的快門時間短，需要強(qiáng)的光照條件配合才能滿足采集到的剝出物圖像清晰無拖影。此光源給下方滑動籽粒托板表面提供4.37×104lx的光照強(qiáng)度。

工業(yè)相機(jī)選用大恒MER-302-56U3C型，全局快門，彩色CMOS感光芯片，圖像分辨率2 048像素×1 536像素，配用LM6NCM型KOWA定焦鏡頭，焦距6 mm，最大光圈F1.2。在臺式計算機(jī)上完成圖像的采集、處理和分析，試驗使用的臺式計算機(jī)CPU為i7-6700、內(nèi)存8GB、SSD硬盤，操作系統(tǒng)為64位Windows 7，圖像處理軟件采用Matlab 2016a開發(fā)。

后期的圖像處理與分析需要采集到的剝出物圖像具有籽粒分布均勻、數(shù)目多而不過度粘連、清晰無拖影等特性，這需要在正式采集圖像前確定試驗臺架參數(shù)。經(jīng)過預(yù)試驗，確定吸風(fēng)分離器落料口開度為60 mm，滑動籽粒托板頂部在落料口1/3處接料，節(jié)流擋板開度15 mm時，在370 mm×280 mm的視場范圍內(nèi)有均勻分布無堆積的籽粒約900粒。剝出物通過視場的時間為0.25～0.4 s。光源距下方滑動籽粒托板390 mm，鏡頭距下方滑動籽粒托板310 mm。在前述的光照和物距條件下，工業(yè)相機(jī)的快門時間設(shè)定為300 μs、鏡頭光圈設(shè)定為F1.2時，采集到的剝出物圖像清晰無拖影。

在線采集到的滑動籽粒板上剝出物圖像如圖2所示，籽粒無堆積無拖影，圖像亮度不均勻，由于鏡頭光圈開度最大，導(dǎo)致暗角效應(yīng)比較明顯。后期圖像處理時使用經(jīng)裁剪后的圖像，尺寸為1 824像素×1 368像素。

圖2 工業(yè)相機(jī)輸出的圖像Fig.2 Image from industrial camera

2 圖像處理與分析

2.1 圖像插值與背景分割

2.1.1插值

試驗中使用的工業(yè)相機(jī)采用前置顏色濾波陣列單圖像傳感器結(jié)構(gòu)，經(jīng)內(nèi)置插值算法插值重建后輸出的彩色圖像有較為嚴(yán)重的偽彩色和邊緣鋸齒效應(yīng)。本文采用帶二階拉普拉斯修正項的邊緣自適應(yīng)插值算法[17]對工業(yè)相機(jī)輸出的圖像進(jìn)行顏色插值重建。算法判斷當(dāng)前像素點是否處于邊緣以及邊緣的方向，并沿梯度變化小即色彩變化弱的方向進(jìn)行插值，重建后的彩色圖像減弱了籽粒邊緣出現(xiàn)的偽彩色和鋸齒效應(yīng)，后續(xù)使用全局閾值分割出的籽粒輪廓邊緣更為平滑。

(1)綠色通道插值重建

如圖3a所示，以估計B5的綠色像素值G5為例，算法定義了帶拉普拉斯二階修正項的水平梯度ΔH和垂直梯度ΔV，計算公式為

(1)

根據(jù)ΔH和ΔV的大小關(guān)系，算法判斷插值的方向，并沿梯度變化小的方向?qū)θ笔У木G色像素值G5進(jìn)行插值運算，計算方法為：

圖3 插值示例圖Fig.3 Example graphs of interpolation

IF ΔH<ΔV

G5=(G4+G6)/2+(B3+B7-2B5)/4

ELSE IF ΔH>ΔV

G5=(G2+G8)/2+(B1+B9-2B5)/4

ELSE

G5=(G2+G8+G4+G6)/4+

(B1+B3+B7+B9-4B5)/8

END

(2)紅色和藍(lán)色通道的插值重建

如圖3b所示，以估計B5缺失的紅色像素值R5為例，算法沿對角線方向定義帶拉普拉斯二階修正項的梯度ΔN和梯度ΔP，計算公式為

(2)

缺失的紅色像素值R5插值計算方式同上。

如圖4所示，重建后的RGB圖像中籽粒邊緣由原來色彩交錯變?yōu)闈u變單一色調(diào)，在使用最大類間方差法做背景分割時，邊緣處顯著減少了分割誤差。

圖4 插值前后的對比圖像Fig.4 Comparison of pre and post interpolation

2.1.2圖像背景分割

由于采集的對象是快速滑落的蕎麥籽粒，試驗中工業(yè)相機(jī)的快門時間短，鏡頭的光圈開度最大，雖然提供了強(qiáng)光照，但得到的圖像僅滿足無拖影，對圖像處理而言品質(zhì)不好，具體表現(xiàn)為圖像偏暗、對比度低、噪聲大和亮度不均勻。由于圖像中包含了黑褐色未剝殼蕎麥、表面光滑反光明顯的綠棕色整米和乳白色碎米3種蕎麥籽粒，導(dǎo)致背景分割中的前景在各顏色分量上灰度范圍都很寬。又由于圖像中的蕎麥籽粒面積較小(小于500像素)，導(dǎo)致粘連分割對造成籽粒邊緣模糊的圖像濾波操作和造成籽粒邊緣變形的形態(tài)學(xué)操作非常敏感。這3個不利因素導(dǎo)致現(xiàn)有的基于閾值的背景分割方法[18-20]，對試驗中所采集到的圖像分割效果達(dá)不到要求。

對圖像中的淺藍(lán)色背景、未剝殼蕎麥、整米和碎米進(jìn)行顏色分布分析，直線采樣區(qū)域以及對應(yīng)RGB顏色通道的灰度分布如圖5所示，發(fā)現(xiàn)碎米2和整米4區(qū)域內(nèi)的B分量比R和G分量始終都低，未剝殼蕎麥3的3個分量灰度都位于15附近，互相之間的差值更小，淺藍(lán)色背景1的B分量遠(yuǎn)大于R分量。

圖5 蕎麥籽粒RGB灰度分布Fig.5 RGB intensity distribution of buckwheat grain1.背景 2.碎米 3.未剝殼蕎麥 4.整米

針對蕎麥籽粒具有的特點，本文提出了一種淺藍(lán)色背景下進(jìn)行N(B-R)灰度變換(N為正整數(shù)系數(shù))，然后使用最大類間方差法對剝出物圖像進(jìn)行背景分割的方法。

在N(B-R)灰度變換時，圖像中的幾種對象發(fā)生了如下的變化：

(1)由于藍(lán)色背景的B分量最大，隨著N的增大，背景的B-R值逐漸擴(kuò)大，到最大值255溢出后維持為255不變。

(2)碎米和整米的B-R運算結(jié)果為負(fù)值，灰度反向溢出至0并維持不變。

(3)未剝殼蕎麥B-R的絕對值很小，試驗中的平均值為4，隨著N的增大，它的B-R值擴(kuò)大程度遠(yuǎn)低于背景B-R值的擴(kuò)大程度，不會和背景產(chǎn)生交集。

(4)由于已經(jīng)對圖像進(jìn)行了插值重建，籽粒邊緣部分不會出現(xiàn)鋸齒效應(yīng)產(chǎn)生的劇烈色彩變化，它的B-R值變化規(guī)律與邊緣兩邊內(nèi)部的變化規(guī)律一致。

圖6b～6d為選擇不同N值時經(jīng)N(B-R)變換后的灰度圖像?？梢钥闯?，隨著N的增大，背景區(qū)域逐漸變亮，光照不均勻和噪聲的影響減弱直至消失，而前景中的籽粒對象外形變化不大。在N=4時，利用籽粒和背景的灰度分布進(jìn)行閾值分割效果比較理想。

由于籽粒邊緣內(nèi)縮會對后續(xù)的粘連分割產(chǎn)生有利條件，可以繼續(xù)加大N的值，在減少粘連程度的同時，小粒徑的碎米也不會丟失。本試驗中選取N=25，可從圖6e箭頭1所指處看出小的碎米籽粒沒有丟失，箭頭2所指處的籽粒邊緣內(nèi)縮使粘連處產(chǎn)生了斷裂。使用最大類間方差法將圖6e所示的灰度圖像二值化，結(jié)果如圖6f所示。將這兩幅圖像中虛線框內(nèi)的局部區(qū)域分別放大顯示，如圖6g、6h所示。從圖6g、6h箭頭3所指處可以看出，當(dāng)N=25時，N(B-R)灰度變換方法可使多個粘連籽粒中間的小塊背景區(qū)域顯現(xiàn)出來。在生成距離圖像時，如果這些粘連籽粒中間的背景區(qū)域未顯現(xiàn)，所有的粘連區(qū)域內(nèi)部像素點都只能與外邊緣處的背景進(jìn)行距離計算，從而導(dǎo)致最終得到的籽粒距離圖像與實際的籽粒形態(tài)及籽粒分布不相符。

圖6 圖像背景分割Fig.6 Image background segmentation

使用本文的背景分割方法，能夠有效克服光照不均勻的影響，在不對蕎麥籽粒圖像進(jìn)行濾波和形態(tài)學(xué)操作的情況下，分割效果可以達(dá)到實際使用的要求。

2.2 粘連籽粒分割

粘連籽粒的骨架中包含了粘連點[21]和距離極大值點等可用于輔助粘連分割的特殊像素點，而圖像中某些具有特殊屬性的像素點可以使用模版搜索的方法[22]進(jìn)行定位。本文提出一種通過對距離骨架圖像進(jìn)行鄰域極大值濾波來提取種子點的方法，這個方法的基本思路是：①兩個相互粘連的類圓形籽粒，只要在粘連處有雙側(cè)凹點，在距離圖像中，兩邊的籽粒內(nèi)部必定都會有某個像素點的距離大于粘連處像素點的距離。②籽粒距離圖像的最大值點位于脊線上。③脊線與骨架線在籽粒的中部基本吻合。④在由骨架分離出的距離圖像脊線上尋找籽粒區(qū)域極大值點作為分水嶺分割的種子點。

算法描述如下：

(1)求含有粘連蕎麥籽粒二值圖像的歐氏距離圖像和骨架圖像，并對歐氏距離圖像進(jìn)行高斯濾波。

(2)將濾波后的距離圖像和骨架圖像對應(yīng)像素點相乘，得到距離骨架圖像imDS。imDS中原骨架位置像素點的距離值保留，非骨架位置像素點距離值為零。

(3)定義一個元素值全零且與原圖像大小相同的標(biāo)記矩陣imSeed。將imDS中非零像素點的坐標(biāo)保存在一個M×2的位置矩陣posTemp中，M是imDS中非零像素點的個數(shù)。

(4)在imDS中移動一個k×k大小的滑動濾波窗口矩陣wFilter=imDS(X-d:X+d,Y-d:Y+d),d=(k-1)/2，X=posTemp(i,1),Y=posTemp(i,2)。

(5)如果窗口矩陣中心點wFilter[X,Y]值大于或等于窗口中其余像素點的值，imSeed[X,Y]=1，否則imSeed[X,Y]保持原值為0。

(6)i=i+1，如果i小于或等于M則重復(fù)步驟(4)～(6)，否則結(jié)束。

(7)在imDS中，對被imSeed標(biāo)記為1的像素點進(jìn)行遍歷，將k×k窗口內(nèi)出現(xiàn)的距離相同的像素點坐標(biāo)合并，形成新的種子點坐標(biāo)，并在imSeed中標(biāo)記為1，被合并的像素點重新被標(biāo)記為0，將imSeed保存后作為分水嶺分割的種子點標(biāo)記矩陣。

算法中使用高斯卷積核與距離圖像的每個像素點進(jìn)行卷積，將包含了附近像素點距離值的和作為像素點的距離，目的是減少滑動窗口內(nèi)具有相同距離的像素點數(shù)目。試驗中高斯濾波模板和滑動濾波窗口大小相同，標(biāo)準(zhǔn)差為0.3。算法中決定滑動濾波窗口大小的k值為圖像中未剝殼蕎麥籽粒短軸的1/2，本試驗k取值為13。算法中采用位置矩陣posTemp的目的是減少窗口濾波的時間，由于在imDS中只對骨架處的像素點進(jìn)行濾波，相比對整個圖像進(jìn)行掃描，耗時減少為原時間的1%。

圖7為提取種子點和分水嶺分割后的圖像，可以看出，標(biāo)注為1、2和3的重度粘連處分割正確，標(biāo)注為4的重度粘連處由于外形沒有收縮凹陷，導(dǎo)致了種子點提取和分割不正確。

圖7 種子點和分水嶺分割圖Fig.7 Seed point and watershed segmentation image

在樣本標(biāo)注過程中統(tǒng)計正確分割籽粒數(shù)與總籽粒數(shù)的比例。試驗對象為8幅在線采集到的蕎麥剝出物圖像，這些圖像經(jīng)粘連分割后的連通域總數(shù)為7 200個，其中錯誤分割區(qū)域數(shù)有98個。錯誤分割區(qū)域中包含欠分割籽粒176個和過分割籽粒15個。試驗得到的籽粒平均正確分割率為97.4%。

2.3 出料口剝出物成分識別

2.3.1籽粒樣本交互式標(biāo)注

針對試驗采集到的蕎麥剝殼機(jī)出料口連續(xù)滑落的混合籽粒圖像，設(shè)計了一種基于交互方式的籽粒樣本標(biāo)注方法及軟件，軟件界面如圖8所示。

圖8 標(biāo)注軟件界面Fig.8 Interface of labeling software

選擇標(biāo)注對象所在的圖像后，左側(cè)“整體圖像”窗口顯示標(biāo)注對象在圖像中所處的位置，右側(cè)“區(qū)域圖像”窗口放大顯示外接矩形框的標(biāo)注對象以及附近的籽粒。點擊右下部未剝殼、整米、碎米和誤分割4個按鈕或按下按鈕對應(yīng)的鍵盤快捷按鍵，可以將當(dāng)前籽粒對象標(biāo)注為對應(yīng)的類型，并繼續(xù)顯示下一個待標(biāo)注籽粒。本試驗設(shè)定了一種誤分割類型，將粘連籽粒分割時產(chǎn)生的錯誤分割區(qū)域進(jìn)行標(biāo)注，在后續(xù)的神經(jīng)網(wǎng)絡(luò)訓(xùn)練和識別過程中減小由誤分割區(qū)域產(chǎn)生的噪聲干擾。使用這種交互式標(biāo)注軟件，可以進(jìn)行籽粒樣本的快速標(biāo)注，標(biāo)注一個籽粒平均用時小于1.5 s。

2.3.2特征選擇和BP神經(jīng)網(wǎng)絡(luò)識別

試驗采集到的圖像中蕎麥籽粒區(qū)域面積較小，并且背景分割造成邊緣內(nèi)縮，粘連分割產(chǎn)生變形，故本試驗初選形狀特征中的面積、周長、長軸長和短軸長4個尺寸相關(guān)特征以及RGB顏色通道的一階矩、二階矩和三階矩共13個特征。隨機(jī)選取已標(biāo)注的未剝殼蕎麥、整米、碎米各100粒以及50個誤分割區(qū)域，分別對每種樣本的各特征分量取平均值，結(jié)果見表1。

表1 蕎麥混合物特征Tab.1 Features of buckwheat mixture

由表1可以看出，未剝殼蕎麥的二階矩、碎米的三階矩與其他成分差異明顯。未剝殼蕎麥、整米和碎米的一階矩呈遞增趨勢且差值較大。由于殼的去除和部分果肉的損失，整米和碎米的4個尺寸特征值表現(xiàn)為減小趨勢。粘連分割算法產(chǎn)生的誤分割主要體現(xiàn)為對粘連籽粒的欠分割，過分割籽粒數(shù)占比較少，因此表1中誤分割籽粒尺寸特征均值相對明顯偏大，三階矩也與其他3種籽粒有明顯區(qū)別。

使用ReliefF特征選擇算法對初選的13個特征進(jìn)行權(quán)重分析，結(jié)果如圖9所示。最終選取編號為5、4、11、13、2、8和10的7個特征用于分類識別。

圖9 特征權(quán)重Fig.9 Weight of features

使用7-15-4結(jié)構(gòu)的單隱層BP神經(jīng)網(wǎng)絡(luò)對剝出物各成分進(jìn)行分類識別，網(wǎng)絡(luò)中間層神經(jīng)元傳遞函數(shù)選擇S型正切傳遞函數(shù)Tansig，輸出層神經(jīng)元傳遞函數(shù)選擇S型對數(shù)傳遞函數(shù)Logsig。對已標(biāo)注的7 200個籽粒區(qū)域(見2.2節(jié))隨機(jī)排序，每種類型的樣本分別各選取一半，3 600個樣本作為訓(xùn)練集，另3 600個樣本作為測試集。使用訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)對測試集進(jìn)行識別，識別結(jié)果見表2。

表2 測試集識別結(jié)果Tab.2 Recognition result of test set

由表2可以看出，未剝殼蕎麥、整米、碎米和誤分割區(qū)域的正確識別率分別為99.7%、97.2%、92.6%和51.0%。誤分割籽粒由于樣本不均衡以及粘連的復(fù)雜性，正確識別率較低。由于誤分割籽粒在總籽粒中占比較低，為2.6%左右，又由于被錯誤識別的誤分割籽粒已計入其他成分的錯誤識別部分，所以較低的正確識別率對另外3種籽粒的正確識別率影響有限。

3 試驗與結(jié)果分析

生產(chǎn)現(xiàn)場除了憑觀感和經(jīng)驗的人工方式外，檢測蕎麥剝殼性能參數(shù)較為準(zhǔn)確的方式是：收集一段時間內(nèi)剝殼機(jī)出料口排出的剝出物，篩分后稱量各種成分的質(zhì)量并計算之間的比例。這種方式雖然耗時，但能有效避免各種隨機(jī)因素對測量結(jié)果的影響。

由于去除了密度較低的蕎麥殼，整米與未剝殼蕎麥的容重不同，相同質(zhì)量下兩者籽粒數(shù)目差別較大，相同質(zhì)量下碎米籽粒數(shù)目與另外兩種籽粒差別更大?；跈C(jī)器視覺的方法是測量某一個時刻剝出物中各種成分的籽粒數(shù)目，因此圖像分割的準(zhǔn)確率、識別的準(zhǔn)確率、剝殼過程本身的隨機(jī)性以及勻料和取料的隨機(jī)性都會對檢測結(jié)果的準(zhǔn)確性造成不利影響。

鑒于與傳統(tǒng)基于質(zhì)量的蕎麥剝殼性能參數(shù)測量方式不同，本文試驗以所測得數(shù)據(jù)的穩(wěn)定性、區(qū)分性、與已有研究成果數(shù)據(jù)變化趨勢的一致性以及是否能夠反映剝殼機(jī)理為判斷依據(jù)，分析蕎麥剝殼性能參數(shù)在線檢測方法的可行性。

以單一粒徑、不同砂盤間隙這種剝殼工況變化為代表，試驗所提出的機(jī)器視覺檢測方法對出料口剝出物成分比例變化的檢測效果。試驗中選取經(jīng)過預(yù)分級的4.6～4.8 mm粒徑未剝殼蕎麥為剝殼物料，砂盤間隙分別設(shè)定為4.6、4.8、5.0、5.2、5.4、5.6 mm。由于預(yù)試驗測得剝出物通過視場的時間為0.25～0.4 s，所以試驗中每隔0.5 s采集一幀圖像，這樣既可以避免圖像的重采集，也可以保證有足夠的物料模擬蕎麥剝殼機(jī)真實的剝殼過程。

參考GB/T 29898—2013《糧油機(jī)械 膠輥礱谷機(jī)》[23]中糙碎率和出糙率的定義，定義機(jī)器視覺檢測下的蕎麥剝殼加工出米率和碎米率計算式為

(3)

(4)

式中η——出米率ε——碎米率

MZ——圖像中整米粒數(shù)

MW——圖像中未剝殼蕎麥粒數(shù)

MS——圖像中碎米粒數(shù)

首先使用斗式提升機(jī)將預(yù)分級后的同一粒徑未剝殼蕎麥物料送入料斗，達(dá)到料位3/4刻度線，并在試驗中維持料斗中的物料在這個容量基本不變。然后分4個步驟進(jìn)行圖像采集：①開機(jī)空轉(zhuǎn)1 min，排空剝殼機(jī)中的剩余物料。②開料斗門，剝殼機(jī)給料開始剝殼，運轉(zhuǎn)1 min達(dá)到穩(wěn)定運行狀態(tài)。③開始以每秒2幅的速度連續(xù)采集400幅圖像。④停止圖像采集，關(guān)料斗門，機(jī)組繼續(xù)空轉(zhuǎn)1 min后停機(jī)。調(diào)整剝殼機(jī)砂盤間隙后，按上述4個步驟采集另一組400幅圖像，總計采集對應(yīng)6種不同剝殼間隙的6組圖像。

連續(xù)對所采集到的2 400幅圖像分別進(jìn)行“插值→背景分割→粘連分割→特征值計算→識別→分類計數(shù)→出米率和碎米率計算”的處理。出米率和碎米率的計算結(jié)果以組為單位分別存儲和進(jìn)行顯示。

由圖10和圖11可以看出，剝殼間隙逐步增大時，出米率和碎米率都呈下降趨勢，這反映出了剝殼間隙在由小變大的過程中，砂盤對蕎麥籽粒的碾搓效應(yīng)由強(qiáng)變?nèi)?，?dǎo)致未剝殼蕎麥占比增加。在5.4 mm和5.6 mm兩種剝殼間隙時的出米率和碎米率差異都相對較小，這反映了沖擊效應(yīng)取代碾搓效應(yīng)成為蕎麥去殼和籽粒破碎主要因素的細(xì)節(jié)。

圖10 不同剝殼間隙下出米率的變化Fig.10 Variations of unbroken rice rate under different hulling gaps

圖11 不同剝殼間隙下碎米率的變化Fig.11 Variations of broken rice rate under different hulling gaps

文獻(xiàn)[1]中人工測量了與本試驗相同粒徑和相同剝殼間隙下的出米率數(shù)據(jù)，但不同的是其定義的出米率是整米總質(zhì)量與試驗樣品總質(zhì)量之比，將該文獻(xiàn)中的出米率數(shù)據(jù)與圖10對比可以看出，在4.6 mm間隙時基本相同，在4.8、5.4、5.6 mm間隙時低約10%，在5.0、5.2 mm時低約20%，整體的變化趨勢一致，考慮到其出米率計算式分母中總質(zhì)量包含碎米、蕎麥殼和灰分的因素，實際結(jié)果相差更小。

圖10中出米率在同一剝殼間隙時相對穩(wěn)定，不同剝殼間隙差異較為明顯，反映出所采用的機(jī)器視覺檢測方法有良好的工作穩(wěn)定性和區(qū)分度。結(jié)合出米率對剝殼機(jī)實際運行情況的準(zhǔn)確反映以及與人工測量數(shù)據(jù)的對比，表明試驗中測得的出米率數(shù)據(jù)經(jīng)濾波處理后可以作為反映剝殼性能變化的指標(biāo)。

4.6 mm剝殼間隙時,蕎麥米破碎嚴(yán)重，雖然經(jīng)吸風(fēng)分離器吸走了破碎粒中的小顆粒，但碎米比未剝殼蕎麥和整米粒數(shù)之和多，又由于吸風(fēng)分離和蕎麥碾搓破碎過程具有一定的隨機(jī)性，反映在圖11中，4.6 mm剝殼間隙時的碎米率波動劇烈。4.8、5.0、5.2 mm剝殼間隙時碎米率雖然比4.6 mm時變化小，但相比5.4、5.6 mm時碎米率的相對穩(wěn)定和變化平緩，這幾個剝殼間隙時的碎米率仍變化幅度較大、差異不明顯且有交疊，因此可以看出碎米率不適合作為反映剝殼性能變化的指標(biāo)。

試驗選取一幅含897個籽粒的圖像，在前述的軟硬件條件下，測量所使用機(jī)器視覺檢測方法的運行時間。各功能部分的處理時間見表3，運行時間最長的部分是對所有籽粒循環(huán)進(jìn)行特征值的計算，耗時約為2.55 s，平均每個籽粒耗時為2.8 ms，總耗時為4.79 s，滿足在線檢測的需求。

4 結(jié)論

(1)提出的蕎麥混合籽粒圖像背景分割方法、用于分割粘連的種子點提取方法以及交互式快速標(biāo)注方法，克服了蕎麥剝殼性能參數(shù)機(jī)器視覺檢測中圖像品質(zhì)差、籽粒面積小、且互相粘連的不利因素，圖像處理效果滿足籽粒識別的需求。

表3 圖像處理中各功能模塊的運行時間Tab.3 Runtime of functional parts of image processing

(2)在線試驗中，處理和識別一幅包含897個籽粒的1 824像素×1 368像素圖像耗時4.79 s。未剝殼蕎麥、整米和碎米的正確識別率分別為99.7%、97.2%和92.6%。對剝出物成分進(jìn)行識別和計算后得到的出米率能反映蕎麥剝殼加工的工況變化，可為人工調(diào)節(jié)或蕎麥剝殼機(jī)自適應(yīng)最優(yōu)控制和智能化提供有效基礎(chǔ)數(shù)據(jù)。