丸?；路N子識(shí)別檢測(cè)系統(tǒng)設(shè)計(jì)與試驗(yàn)

侯占峰 張曦文 陳 智 戴念祖 馬學(xué)杰 劉 敏

(內(nèi)蒙古農(nóng)業(yè)大學(xué)機(jī)電工程學(xué)院，呼和浩特 010018)

0 引言

種子是實(shí)現(xiàn)高產(chǎn)的關(guān)鍵，種子包衣技術(shù)可以提高種子的質(zhì)量，是種子走向商品化的關(guān)鍵環(huán)節(jié)，因此種子包衣技術(shù)一直備受關(guān)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(shù)，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(guò)機(jī)械加工，制成大小均勻、形狀規(guī)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(jù)具體環(huán)境因素，適當(dāng)調(diào)節(jié)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(guó)種子包衣技術(shù)起步較晚，包衣理論研究不足，國(guó)內(nèi)自主設(shè)計(jì)生產(chǎn)的包衣機(jī)智能化程度低、控制系統(tǒng)較為簡(jiǎn)單[7-8]。實(shí)際包衣過(guò)程中，不同的包衣配方和包衣工藝對(duì)包衣成功率影響很大[9]。由于缺少包衣種子快速識(shí)別檢測(cè)裝置，長(zhǎng)期以來(lái)主要依靠人工目測(cè)分選包衣合格的種子從而計(jì)算包衣合格率，依靠人眼識(shí)別效率低、錯(cuò)分率高、勞動(dòng)強(qiáng)度高。開(kāi)發(fā)設(shè)計(jì)丸粒化包衣種子識(shí)別檢測(cè)系統(tǒng)，提高包衣種子的檢測(cè)效率，是目前急需解決的問(wèn)題。

目前機(jī)器視覺(jué)技術(shù)被廣泛運(yùn)用于種子的形態(tài)與質(zhì)量檢測(cè)中[10-13]。將機(jī)器視覺(jué)技術(shù)運(yùn)用于包衣種子合格率檢測(cè)的研究鮮有報(bào)道。本文利用機(jī)器視覺(jué)技術(shù)，設(shè)計(jì)一套丸?；路N子識(shí)別檢測(cè)系統(tǒng)，針對(duì)形狀為類球體的包衣種子進(jìn)行識(shí)別。包衣后選取大量包衣成品進(jìn)行預(yù)試驗(yàn)，從而得到破損種子、多籽包衣種子與合格包衣種子的識(shí)別閾值。通過(guò)拍攝平臺(tái)對(duì)圖像進(jìn)行拍攝并傳輸至識(shí)別控制系統(tǒng)進(jìn)行處理與識(shí)別。識(shí)別系統(tǒng)分別對(duì)包衣種子總數(shù)、合格數(shù)、多籽數(shù)、破損數(shù)進(jìn)行檢測(cè)，最終計(jì)算生成包衣合格率，從而提高包衣種子的檢測(cè)效率。

1 整機(jī)結(jié)構(gòu)與工作原理

1.1 包衣機(jī)結(jié)構(gòu)

種子丸?；聶C(jī)由種子供給系統(tǒng)、粉料供給系統(tǒng)、藥液供給系統(tǒng)、包衣鍋調(diào)整系統(tǒng)和上位機(jī)控制系統(tǒng)組成?？傮w結(jié)構(gòu)圖如圖1所示。設(shè)計(jì)的種子丸?；聶C(jī)主要技術(shù)參數(shù)見(jiàn)表1。

圖1 包衣機(jī)總體結(jié)構(gòu)圖Fig.1 Overall structure diagram of coating machine1.供粉桶 2.氣動(dòng)閥門 3.稱量系統(tǒng) 4.電磁閥 5.粉料輸送管道 6.藥液管道 7.藥液桶 8.蠕動(dòng)泵 9.繼電器 10.減速步進(jìn)電機(jī) 11.包衣鍋電機(jī) 12.出料口 13.電動(dòng)激振器 14.包衣鍋 15.噴頭 16.分流板 17.上位機(jī)控制系統(tǒng) 18.供種桶

1.2 包衣機(jī)工作原理

包衣時(shí)，種子和粉料分別喂入供種桶和供粉桶內(nèi)，通過(guò)控制氣動(dòng)閥門的開(kāi)關(guān)實(shí)現(xiàn)種粉定量供給。通過(guò)蠕動(dòng)泵將藥液抽送至噴頭進(jìn)行霧化。種子下落過(guò)程中，經(jīng)過(guò)分流板分流，在下落過(guò)程中與霧化的藥液進(jìn)行接觸，使種子表面接觸藥液，隨后落入包衣鍋內(nèi)。供種結(jié)束后開(kāi)始供粉，當(dāng)粉料落入包衣鍋內(nèi)，包衣鍋在包衣鍋電機(jī)的帶動(dòng)下開(kāi)始旋轉(zhuǎn)，同時(shí)電動(dòng)激振器通過(guò)調(diào)節(jié)變頻器的頻率來(lái)改變激振力的大小，將激振力施加在包衣鍋的主軸上，進(jìn)而形成振動(dòng)力場(chǎng)。在振動(dòng)力場(chǎng)作用下，使粉料更加均勻、牢固粘附在種子表面，進(jìn)而有效提高種子的丸?；潞细衤省巫崖始皢巫芽箟簭?qiáng)度。丸?；潞?，包衣鍋在減速步進(jìn)電機(jī)帶動(dòng)下旋轉(zhuǎn)，將種子倒入出料口并排出，完成整個(gè)包衣過(guò)程。

表1 種子丸?；聶C(jī)主要技術(shù)參數(shù)Tab.1 Main technical parameters of seed pelleting coating machine

2 識(shí)別檢測(cè)系統(tǒng)設(shè)計(jì)

丸?；路N子識(shí)別檢測(cè)系統(tǒng)主要由拍攝平臺(tái)以及識(shí)別控制系統(tǒng)組成。包衣種子初始放置于拍攝平臺(tái)的底盤上進(jìn)行圖像采集，采集的圖像通過(guò)數(shù)據(jù)線實(shí)時(shí)傳輸至識(shí)別控制系統(tǒng)進(jìn)行識(shí)別檢測(cè)并生成識(shí)別結(jié)果，最終通過(guò)計(jì)算得到包衣合格率。

2.1 拍攝平臺(tái)設(shè)計(jì)

拍攝平臺(tái)包括攝像頭、底盤、光源燈、支架以及識(shí)別控制系統(tǒng)。拍攝分辨率為1 920像素×1 080像素，單幅圖像拍攝采集時(shí)間約為1 s。拍攝平臺(tái)結(jié)構(gòu)圖如圖2所示。拍攝平臺(tái)主要硬件參數(shù)見(jiàn)表2。

圖2 拍攝平臺(tái)結(jié)構(gòu)圖Fig.2 Structure diagram of shooting platform1.攝像頭 2.光源燈 3.底盤 4.支架 5.識(shí)別控制系統(tǒng)

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

2.2 識(shí)別控制系統(tǒng)設(shè)計(jì)

識(shí)別控制系統(tǒng)采用NI公司開(kāi)發(fā)的虛擬儀器軟件開(kāi)發(fā)平臺(tái)LabVIEW 2018進(jìn)行設(shè)計(jì)。該軟件采用圖形化編程的方法，界面美觀簡(jiǎn)潔，函數(shù)模塊豐富，可以高效地設(shè)計(jì)各種控制程序，極大簡(jiǎn)化了開(kāi)發(fā)時(shí)間。識(shí)別控制系統(tǒng)劃分成3個(gè)模塊：參數(shù)設(shè)定模塊、圖像識(shí)別顯示模塊和結(jié)果分析模塊。各模塊獨(dú)立設(shè)計(jì)編寫，實(shí)現(xiàn)了參數(shù)設(shè)置、圖像識(shí)別、目標(biāo)標(biāo)記以及計(jì)算處理等功能[14-17]。識(shí)別控制系統(tǒng)界面如圖3所示。

圖3 識(shí)別控制系統(tǒng)界面Fig.3 Identification control system interface

在控制系統(tǒng)中設(shè)置參數(shù)，輸入采集圖像并進(jìn)行前期處理，前期處理后對(duì)各類型包衣種子進(jìn)行識(shí)別，識(shí)別結(jié)束后輸出識(shí)別結(jié)果并計(jì)算包衣合格率。識(shí)別系統(tǒng)工作流程圖如圖4所示。

圖4 識(shí)別系統(tǒng)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(shí)別以豆科牧草紅三葉種子為對(duì)象,選用粒徑為200 μm的大豆粉與細(xì)度為100目的硅藻土進(jìn)行5∶5比例混合作為丸化包衣粉料，種粉和種液質(zhì)量比為1∶3，分5批次供給，相鄰批次間隔時(shí)間3 min，包衣總時(shí)長(zhǎng)30 min。生長(zhǎng)過(guò)程中，包衣粉料遇水溶解，既不影響種子的生長(zhǎng)，又能給種子生長(zhǎng)創(chuàng)造營(yíng)養(yǎng)條件。在振動(dòng)力與旋轉(zhuǎn)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(guī)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(jīng)多次預(yù)試驗(yàn)發(fā)現(xiàn)，合格的包衣紅三葉種子形狀為類球體，其球體直徑穩(wěn)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(diǎn)是橢圓面長(zhǎng)軸超過(guò)5 mm，以包衣種子最大直徑5 mm作為區(qū)別多籽包衣種子與合格包衣種子的閾值。經(jīng)放大鏡目測(cè)觀察包衣種子，發(fā)現(xiàn)部分包衣種子存在表面膜衣覆蓋不足，種子局部區(qū)域裸露在外的問(wèn)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(jié)束后，隨機(jī)選擇100粒包衣紅三葉種子作為樣品，隨機(jī)擺放至拍攝平臺(tái)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(lái)突出包衣種子的細(xì)節(jié)。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(kāi)發(fā)的Vision Assistant 2018，其包含一套完整的圖像處理函數(shù)功能庫(kù)，功能豐富且強(qiáng)大，能高效快速地進(jìn)行圖像處理，同時(shí)，該軟件可以將圖像處理源程序集成到LabVIEW 2018開(kāi)發(fā)環(huán)境中運(yùn)行。相比于其他視覺(jué)產(chǎn)品，該軟件極大地簡(jiǎn)化了處理流程，縮短了算法開(kāi)發(fā)調(diào)試的時(shí)間。經(jīng)測(cè)試發(fā)現(xiàn)，整套圖像處理算法對(duì)單幅圖像的處理時(shí)間約為1 s。

拍攝平臺(tái)采集的包衣種子圖像傳輸至識(shí)別控制系統(tǒng)中進(jìn)行圖像前期處理，通過(guò)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(gè)獨(dú)立的個(gè)體，以便于后續(xù)進(jìn)行包衣種子總數(shù)識(shí)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(xù)包衣種子的識(shí)別誤差。為了方便特征提取，提高識(shí)別的準(zhǔn)確性，在提取特征之前，對(duì)采集的圖像進(jìn)行感興趣區(qū)域(ROI)提取、顏色平面提取、濾波、閾值分割以及形態(tài)學(xué)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(jìn)行分割，突出種子輪廓，對(duì)原始圖像進(jìn)行顏色平面提取，經(jīng)調(diào)試發(fā)現(xiàn)提取紅色平面可有效去除背景干擾，突出種子輪廓[18]?；叶然幚硇Ч鐖D8a所示。

圖8 種子圖像處理結(jié)果Fig.8 Seed image processing results

圖像濾波可以改善圖像質(zhì)量、增強(qiáng)識(shí)別效果、豐富細(xì)節(jié)信息量。經(jīng)過(guò)觀察，種子擺放密度不均，部分區(qū)域接觸過(guò)于密集，3種類型種子隨機(jī)擺放，增加了處理難度，為此選用卷積型-高亮細(xì)節(jié)顯示。該方法屬于常見(jiàn)的線性卷積核濾波，可以有效地突出種子的細(xì)節(jié)，增強(qiáng)目標(biāo)輪廓、邊緣等高頻信息，使圖像更銳化。根據(jù)線性卷積運(yùn)算實(shí)現(xiàn)圖像增強(qiáng)效果，卷積核沿著圖像左上角逐行、逐列滑動(dòng)，最后停于圖像右下角最后一個(gè)像素點(diǎn)，不斷根據(jù)鄰域像素的值計(jì)算各個(gè)像素的新值來(lái)完成計(jì)算的過(guò)程[19]。卷積核選擇 3×3方形陣列。卷積核為

計(jì)算過(guò)程中,每滑動(dòng)至一個(gè)新像素，都經(jīng)過(guò)卷積運(yùn)算得到新值，并對(duì)圖像原像素值進(jìn)行覆蓋。經(jīng)卷積運(yùn)算后的模板中心位置對(duì)應(yīng)的像素值P′5為

(1)

式中Pi——點(diǎn)i處的像素值

W——卷積核模板

本次圖像處理算法運(yùn)用兩次卷積型-高亮細(xì)節(jié)顯示，卷積核相同。濾波處理效果如圖8b所示。

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

均勻性度量法的原理是，假定初始閾值已經(jīng)能把圖像分割成“背景”和“目標(biāo)”兩部分，那么屬于同一類別內(nèi)的灰度分布應(yīng)當(dāng)具有均勻性。采用方差來(lái)對(duì)均勻性進(jìn)行度量。設(shè)原圖像上任一點(diǎn)(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(biāo))兩類，則算法步驟如下：

(2)

(3)

式中NC1、NC2——第1、2類中的像素?cái)?shù)

分別計(jì)算兩類在圖像中的分布概率p1和p2。分布概率計(jì)算公式為

(4)

(5)

經(jīng)閾值分割后的種子圖像存在個(gè)體分割不佳、邊緣處區(qū)域連接等問(wèn)題。閾值處理效果如圖8c所示。

膨脹和腐蝕并不是互逆的運(yùn)算，因此具體使用過(guò)程中，兩者可以級(jí)連結(jié)合。經(jīng)閾值化處理后的二值圖像先腐蝕再膨脹，進(jìn)行開(kāi)運(yùn)算，以此來(lái)去除圖像中不必要的信息，如噪聲、相互重疊的區(qū)域、種子連接區(qū)域等。開(kāi)運(yùn)算可以對(duì)圖像進(jìn)行局部修飾，經(jīng)形態(tài)學(xué)處理后的包衣種子消除了接觸面積，分割成獨(dú)立的顆粒，提高了后續(xù)算法的準(zhǔn)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(qū)域。形態(tài)學(xué)處理效果如圖8d所示。

本次設(shè)計(jì)的圖像處理方法實(shí)現(xiàn)了包衣種子的邊緣劃分，使包衣種子分割成獨(dú)立的由白色像素組成的顆粒。經(jīng)過(guò)處理后的圖像更適合進(jìn)行基于顆粒的定量分析、提取模型建立和目標(biāo)識(shí)別。

4 圖像識(shí)別算法

經(jīng)前期處理的圖像通過(guò)識(shí)別函數(shù)對(duì)目標(biāo)種子進(jìn)行標(biāo)記識(shí)別，識(shí)別得到單組包衣參數(shù)下3種類型包衣種子的數(shù)量并實(shí)時(shí)計(jì)算包衣合格率[23]。圖像識(shí)別算法流程圖如圖9所示。

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

4.1 總數(shù)識(shí)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(yuǎn)大于其他兩種類型。根據(jù)組成顆粒的白色像素總值不同，運(yùn)用視覺(jué)識(shí)別函數(shù)IMAQ Machine Vision中的IMAQ Count Objects子模塊對(duì)目標(biāo)顆粒進(jìn)行識(shí)別。該模塊能對(duì)圖像中由白色像素組成的顆粒進(jìn)行識(shí)別、框選以及計(jì)數(shù)，通過(guò)設(shè)置最小識(shí)別像素總值以及最大識(shí)別像素總值，生成一個(gè)識(shí)別范圍，從而對(duì)圖像中的目標(biāo)顆粒進(jìn)行識(shí)別框選并標(biāo)記數(shù)量。當(dāng)不設(shè)置識(shí)別閾值時(shí)，識(shí)別系統(tǒng)對(duì)圖像中所有包含白色像素的顆粒進(jìn)行識(shí)別框選。

經(jīng)濾波和開(kāi)運(yùn)算處理后的圖像消除了微小像素點(diǎn)的干擾。對(duì)種子總數(shù)進(jìn)行識(shí)別時(shí)，調(diào)整最小識(shí)別像素總值為1，對(duì)圖像中所有包含白色像素的目標(biāo)進(jìn)行框選識(shí)別。以樣圖為例，目標(biāo)種子總數(shù)為100，識(shí)別過(guò)程從圖像上方向下依次識(shí)別框選并編號(hào)，編號(hào)從0開(kāi)始，到99結(jié)束，識(shí)別成功率達(dá)到100%。總數(shù)識(shí)別效果如圖10所示。

圖10 總數(shù)識(shí)別效果圖Fig.10 Total recognition effect picture

4.2 破損包衣種子識(shí)別算法

與基礎(chǔ)組合形態(tài)學(xué)處理算法不同，高級(jí)的形態(tài)學(xué)處理算法通過(guò)執(zhí)行有條件的基礎(chǔ)形態(tài)學(xué)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(jīng)前期處理后的白色像素面積遠(yuǎn)小于其他類型種子，且難以形成完整的圓形顆粒。綜上，運(yùn)用Vision Assistant 2018中Particle Analysis功能模塊對(duì)圖像中顆粒的面積進(jìn)行分析和統(tǒng)計(jì)，該模塊支持對(duì)圖像中顆粒的坐標(biāo)、像素總值以及面積進(jìn)行分析。通過(guò)拍攝平臺(tái)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(gè)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(jìn)行單獨(dú)處理，得到其顆粒平均面積百分比為0.034 22%。根據(jù)破損包衣種子顆粒的面積遠(yuǎn)小于合格包衣種子和多籽包衣種子顆粒，設(shè)定閾值S小于0.034 22%作為破損包衣種子顆粒的識(shí)別條件。

運(yùn)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(guò)調(diào)試發(fā)現(xiàn)，當(dāng)函數(shù)迭代次數(shù)為13次時(shí)，可去除圖像中S<0.033 89%的顆粒，迭代次數(shù)為14次時(shí)，將去除圖像中S>0.034 22%的顆粒。綜上，迭代次數(shù)為13時(shí)符合設(shè)計(jì)功能要求。樣圖中包含兩粒破損包衣種子，高級(jí)形態(tài)學(xué)處理效果如圖11所示。

圖11 高級(jí)形態(tài)學(xué)處理效果圖Fig.11 Effect picture of advanced morphology processing

經(jīng)高級(jí)形態(tài)學(xué)處理后的圖像再次運(yùn)用總數(shù)識(shí)別算法進(jìn)行總數(shù)識(shí)別，識(shí)別后的結(jié)果與處理前的識(shí)別總數(shù)的差值為破損包衣種子數(shù)。

4.3 多籽種子與合格種子識(shí)別算法

在移除破損包衣種子顆粒的基礎(chǔ)上對(duì)多籽以及合格的包衣種子進(jìn)行識(shí)別檢測(cè)。多籽包衣種子體積較大，經(jīng)處理后白色像素值較高，為了更好區(qū)別，選取多顆直徑為5 mm、形狀規(guī)則類似于球體的合格包衣種子進(jìn)行單獨(dú)識(shí)別，測(cè)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(yùn)用IMAQ Count Objects子模塊對(duì)多籽顆粒進(jìn)行識(shí)別，對(duì)閾值參數(shù)進(jìn)行設(shè)置，調(diào)整最小識(shí)別像素總值為10 065，對(duì)多籽包衣種子進(jìn)行框選識(shí)別并計(jì)數(shù)。樣圖中多籽包衣種子個(gè)數(shù)為8，識(shí)別系統(tǒng)檢測(cè)結(jié)果與其一致，滿足設(shè)計(jì)要求。多籽包衣種子識(shí)別效果如圖12所示。

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

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

同理，設(shè)置合格包衣種子的閾值參數(shù)，調(diào)整最大識(shí)別像素總值為10 064，對(duì)合格包衣種子進(jìn)行框選識(shí)別并計(jì)數(shù)。識(shí)別過(guò)程中，對(duì)圖中白色像素總值小于等于10 064的目標(biāo)進(jìn)行框選計(jì)數(shù)，樣圖中合格包衣種子數(shù)量為90，識(shí)別結(jié)果與其一致，符合設(shè)計(jì)要求。合格包衣種子識(shí)別效果如圖13所示。

識(shí)別過(guò)程中，3種識(shí)別過(guò)程同時(shí)進(jìn)行，實(shí)時(shí)顯示識(shí)別結(jié)果。包衣合格率等于合格包衣種子數(shù)除以識(shí)別總數(shù)。生成結(jié)果后保存至Excel中，方便對(duì)不同包衣參數(shù)下的包衣合格率進(jìn)行對(duì)比分析[24]。經(jīng)測(cè)試發(fā)現(xiàn)，識(shí)別系統(tǒng)對(duì)單幅圖像的識(shí)別檢測(cè)時(shí)間約為1 s。

5 試驗(yàn)與結(jié)果分析

為驗(yàn)證裝置的穩(wěn)定性與可靠性，選用實(shí)驗(yàn)室自主設(shè)計(jì)搭建的振動(dòng)旋轉(zhuǎn)式包衣機(jī)進(jìn)行試驗(yàn)包衣，裝置樣機(jī)如圖14所示。試驗(yàn)樣品選用無(wú)包衣劑的紅三葉種子進(jìn)行丸化包衣，包衣結(jié)束后進(jìn)行干燥處理，隨機(jī)挑選包衣成品擺放至拍攝平臺(tái)，進(jìn)行圖像拍攝，后續(xù)進(jìn)行圖像處理以及識(shí)別。試驗(yàn)對(duì)包衣種子識(shí)別算法的可靠性以及準(zhǔn)確性進(jìn)行測(cè)試。

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

5.1 破損包衣種子識(shí)別算法驗(yàn)證試驗(yàn)

為了驗(yàn)證破損包衣種子的識(shí)別誤差，選取成品中的破損包衣種子進(jìn)行試驗(yàn)。由于破損包衣種子基數(shù)較少，本次試驗(yàn)選擇20到100粒破損種子，每組破損包衣種子不重復(fù)進(jìn)行試驗(yàn)，通過(guò)拍攝平臺(tái)進(jìn)行拍攝。處理過(guò)程中，通過(guò)函數(shù)去除圖像中S小于閾值的顆粒。破損包衣種子識(shí)別算法試驗(yàn)結(jié)果見(jiàn)表3。

表3 破損包衣種子識(shí)別試驗(yàn)結(jié)果Tab.3 Experimental results of damaged coated seed recognition

根據(jù)表3可知，該識(shí)別算法準(zhǔn)確率達(dá)98.8%，滿足設(shè)計(jì)要求，對(duì)于破損包衣種子總數(shù)小于100粒的識(shí)別，誤差穩(wěn)定在1粒以內(nèi)。根據(jù)試驗(yàn)證明，運(yùn)用高級(jí)形態(tài)學(xué)處理識(shí)別破損包衣種子的方法準(zhǔn)確率高、穩(wěn)定性強(qiáng)，可有效減少破損包衣種子對(duì)后續(xù)識(shí)別的影響。

5.2 包衣種子識(shí)別算法驗(yàn)證試驗(yàn)

為了驗(yàn)證種子總數(shù)識(shí)別算法、多籽種子數(shù)以及合格種子數(shù)識(shí)別算法的準(zhǔn)確性，隨機(jī)選取大量包衣成品進(jìn)行試驗(yàn)，考慮到拍攝平臺(tái)的底盤最佳容量為500粒以內(nèi)，選取試驗(yàn)樣品數(shù)為100～500粒，每組進(jìn)行10次試驗(yàn)。試驗(yàn)過(guò)程中隨機(jī)選擇包衣成品擺放至底盤，單次試驗(yàn)的種子擺放位置重新進(jìn)行分布。通過(guò)傳統(tǒng)人工目測(cè)法得到結(jié)果，與識(shí)別系統(tǒng)識(shí)別結(jié)果進(jìn)行對(duì)比，得到總數(shù)識(shí)別算法的準(zhǔn)確率以及檢測(cè)合格包衣種子與多籽包衣種子的相對(duì)誤差，最終通過(guò)每組數(shù)據(jù)計(jì)算得到對(duì)應(yīng)的方差。檢測(cè)結(jié)果見(jiàn)表4。

表4 包衣種子識(shí)別算法準(zhǔn)確率及方差Tab.4 Accuracy and variance of coated seed recognition algorithm

通過(guò)表4可知，本次設(shè)計(jì)的識(shí)別檢測(cè)系統(tǒng)隨著試驗(yàn)種子數(shù)量增加，總數(shù)識(shí)別算法準(zhǔn)確率逐漸降低，當(dāng)樣本總數(shù)為500粒時(shí)，準(zhǔn)確率達(dá)到97.1%。由于拍攝過(guò)程中種子擺放存在重疊現(xiàn)象，導(dǎo)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(dǎo)致識(shí)別過(guò)程中，兩個(gè)或多個(gè)包衣種子被誤識(shí)別成一個(gè)包衣種子，且因白色像素值較多導(dǎo)致識(shí)別結(jié)果為多籽包衣種子。同時(shí)由于多籽包衣種子的基數(shù)較少，導(dǎo)致多籽包衣種子識(shí)別誤差較大。試驗(yàn)結(jié)果表明，隨著測(cè)試種子總數(shù)的增加，檢測(cè)包衣合格種子相對(duì)誤差以及檢測(cè)多籽包衣種子相對(duì)誤差在逐漸增大。根據(jù)國(guó)家制定的農(nóng)作物薄膜包衣種子技術(shù)條件，包衣合格率檢驗(yàn)試驗(yàn)需要隨機(jī)取試樣3份，每份200粒包衣種子。當(dāng)樣本總數(shù)為200粒時(shí)，總數(shù)識(shí)別算法準(zhǔn)確率為99.1%，檢測(cè)合格包衣種子相對(duì)誤差以及檢測(cè)多籽包衣種子相對(duì)誤差分別為1.18%與3.36%。試驗(yàn)證明，該方法極大地提高了工作效率，降低了工作強(qiáng)度，可有效替代傳統(tǒng)人工目測(cè)法。

6 結(jié)論

(1)通過(guò)機(jī)器視覺(jué)技術(shù)，設(shè)計(jì)了一套丸?；路N子識(shí)別檢測(cè)系統(tǒng)。針對(duì)類球體的包衣種子，設(shè)計(jì)了圖像處理算法，通過(guò)識(shí)別系統(tǒng)實(shí)現(xiàn)了對(duì)包衣種子總數(shù)、多籽數(shù)、合格數(shù)、破損數(shù)的識(shí)別以及包衣合格率的計(jì)算。

(2)經(jīng)試驗(yàn)驗(yàn)證，該圖像處理算法可有效消除種子之間接觸面積，實(shí)現(xiàn)了將包衣種子分割成獨(dú)立顆粒的功能。同時(shí)，在總數(shù)識(shí)別算法無(wú)誤差的前提下，運(yùn)用高級(jí)形態(tài)學(xué)處理識(shí)別破損包衣種子數(shù)的準(zhǔn)確率高達(dá)98.8%，滿足設(shè)計(jì)要求。

(3)根據(jù)國(guó)家制定的農(nóng)作物薄膜包衣種子技術(shù)條件，選取每份試驗(yàn)樣本為200粒包衣種子時(shí)，總數(shù)識(shí)別算法的準(zhǔn)確率達(dá)到99.1%，對(duì)合格包衣種子以及多籽包衣種子識(shí)別相對(duì)誤差分別為1.18%與3.36%，滿足設(shè)計(jì)要求。