《自動分揀機器視覺算法研究》由會員分享,可在線閱讀,更多相關《自動分揀機器視覺算法研究(4頁珍藏版)》請在裝配圖網(wǎng)上搜索。
1、自動分揀機器視覺算法研究
自動分揀機器視覺算法研究
2016/01/23
《浙江農(nóng)業(yè)學報》2015年第十期
摘要:
柑橘罐頭生產(chǎn)過程中,脫囊衣后橘片存在囊衣、橘核殘留,橘片破損等缺陷,影響產(chǎn)品品質。目前,生產(chǎn)中都采用人工分揀剔除,試驗針對以上3種缺陷橘片設計了基于LabVIEW的機器視覺快速檢測算法,并構建試驗平臺,檢測算法準確率與效率。結果表明,采用該算法檢測準確率可達到(99.10.5)%,平均耗時(175)ms,可實現(xiàn)每秒(6419)片的檢測速度。
2、
關鍵詞:
LabVIEW;機器視覺;自動分揀算法;脫囊衣橘片
我國是世界上最大的柑橘罐頭生產(chǎn)國,產(chǎn)量占世界貿(mào)易量的90%以上。新鮮柑橘經(jīng)剝皮、分瓣、脫囊衣、分揀、灌裝、殺菌等工序制成橘片罐頭。在酸堿脫囊衣工序后,有些橘片破損,帶核或囊衣未脫凈,這些橘片會影響產(chǎn)品品質,需要將其剔除。由于橘片大小多樣,且缺陷形態(tài)與位置各不相同,無法用簡單的傳感器檢測,目前,該步驟完全由人工完成,需要耗費大量勞動力,勞動強度大,效率低,且有一定的衛(wèi)生隱患。機器視覺技術是以相機等成像傳感器取代人眼,獲得圖像并由控制器處理判別的一種技術,可用于產(chǎn)品的缺陷檢測、物體判斷和尺寸測量等方面[1-2],被廣泛用于
3、各種工業(yè)自動化生產(chǎn)線產(chǎn)品的檢測。隨著視覺算法的改進,機器視覺也開始應用于大小形態(tài)不一的農(nóng)產(chǎn)品[3],如劉建軍等[4]將機器視覺用于山核桃外觀與大小的等級檢測,Leemans等[5]采用機器視覺檢測蘋果缺陷。本文基于LabVIEW軟件平臺及其視覺開發(fā)模塊,設計了一種針對囊衣殘留、橘片破損、橘核殘留3種常見脫囊衣后橘片缺陷的機器視覺算法,以期以此為基礎實現(xiàn)柑橘橘片的自動分揀。
1材料與方法
1.1材料與儀器試驗用柑橘為溫州蜜柑,采自浙江臺州黃巖地區(qū)。主要儀器設備包括:NationalInstrumentsUSB-6341數(shù)據(jù)采集卡,美國NationalInstruments公司;Bas
4、lerpiA640-210gc工業(yè)相機,德國Basler公司;Computar15mm鏡頭,日本Computar公司;HX-A00-D92-R4-W環(huán)形光源,BGL2-D100-R-24V背景光源,上海緯朗光電科技有限公司。編程軟件:LabVIEW,美國NationalInstru-ments公司;工控計算機平臺:NIPXIe-8133控制器,美國NationalInstruments公司。
1.2試驗平臺本文構建的視覺檢測平臺由工業(yè)相機、透射光源、反射光源、樣品臺、數(shù)據(jù)采集卡、工控計算機構成,結構簡圖如圖1所示。其中,工業(yè)相機用于采集橘片圖像;透射光源采用紅色背光源,反射光源采用白色環(huán)
5、形光源;數(shù)據(jù)采集卡用于控制光源開關,并觸發(fā)工業(yè)相機采集圖像,每次檢測依次點亮透射光源與反射光源,采集兩張圖像;工控計算機用于對采集圖像的處理。
1.3程序設計
1.3.1檢測流程檢測流程如圖2所示。計算機通過數(shù)據(jù)采集卡控制透射光源與反射光源依次點亮,并觸發(fā)采集兩張圖像。采集透射圖像用于橘核殘留檢測,采集反射圖像用于囊衣殘留檢測與橘片破損檢測,圖像經(jīng)3種檢測算法處理,3者結果均為通過的橘片為合格橘片。
1.3.2檢測與控制程序采用LabVIEW編寫檢測與控制程序,控制程序結構圖如圖3所示。通過數(shù)據(jù)采集卡采集觸發(fā)開關動作,當按下觸發(fā)開關時執(zhí)行圖像采集與檢測程序,通過數(shù)據(jù)采集卡輸出
6、控制信號,依次控制背景光源與環(huán)形光源點亮,同時觸發(fā)相機采集透射與反射圖像,執(zhí)行橘核殘留檢測、囊衣殘留檢測、橘片破損檢測3種缺陷檢測算法,將結果進行“與”運算后,輸出為最終檢測結果。
1.3.3缺陷檢測算法采集的彩色圖像首先經(jīng)灰度化處理,通過提取紅色R、藍色B分量,以及亮度分量L將彩色圖像轉化為3種灰度圖像。其中,R分量圖像用于計算橘片輪廓,B分量圖像用于提取囊衣殘留特征,L分量圖像用于在背光圖像中提取橘核殘留特征。RGB圖像由紅綠藍3個8-bit值構成[6],通過將每個值與特定系數(shù)相乘后求和轉化為灰度值。二值化后的圖像通過形態(tài)學過濾去除貼邊的物體和過小的物體,最終保留所需的缺陷圖像,通過
7、顆粒分析將圖片中保留的缺陷特征量化,計算物體面積、直徑等,通過與預設的缺陷閾值對比得到檢測結果。取3種缺陷橘片各1000片,用于算法與檢測程序的運算耗時與準確率測試,將橘片依次放入檢測平臺進行檢測,重復5次,統(tǒng)計檢測結果。
2結果與分析
2.1橘核殘留檢測結果橘核殘留檢測各步驟圖像處理結果如圖4所示。采集的透射圖像用于橘核殘留識別,由于橘片厚薄不均勻,外緣較厚,在圖像中會形成陰影影響橘核判別(圖4-A)。完整橘片外緣為弧形,因此,可通過檢測圓弧確定內(nèi)外緣,而橘核處于橘片內(nèi)緣,由此可將較厚的外緣陰影分離。經(jīng)圖像增強(圖4-B)與二值化處理(圖4-C),獲得輪廓圖像,計算外緣圓弧半徑r
8、與圓心坐標p(x,y),在p點繪制半徑r=kr(k為半徑系數(shù),定義為橘核檢測區(qū)域半徑與橘片外緣圓弧半徑的比值)的圓形蒙版,去除圓形區(qū)域外的圖像(圖4-D)。從圖4-D中可見分離的橘核特征圖像,當陰影面積大于200pixels時,判定存在橘核殘留缺陷。橘核殘留檢測耗時(73)ms。圖5為不同半徑系數(shù)k下橘核殘留檢測準確率,可見,在半徑系數(shù)為0.4時準確率最高,準確率可達到(99.50.3)%。
2.2囊衣殘留檢測結果圖6所示為囊衣殘留檢測各步驟圖像處理結果。囊衣是柑橘橘片表面的一層白色薄膜狀組織,為了降低橘片食用時的殘渣感,生產(chǎn)中通過酸堿脫囊衣處理去除橘片表面囊衣,部分橘片囊衣未除盡,仍有
9、部分囊衣殘留在橘片表面。采集的反射圖像通過提取紅色分量(圖6-A)可以獲得橘片輪廓,從而將橘片區(qū)域與背景分離(圖6-A)。囊衣殘留呈現(xiàn)白色,與橘片本身的橘色有較大反差,通過提取藍色分量,可以獲得對比度較高的圖像(圖6-C),經(jīng)過二值化與顆粒過濾,去除較小的干擾點后可提取囊衣殘留圖像(圖6-D),統(tǒng)計殘留區(qū)域像素數(shù)判定是否存在囊衣殘留,若面積大于100pixels,則判定存在囊衣殘留缺陷。圖6-D所示為分離的囊衣殘留特征。囊衣殘留檢測耗時(21)ms,檢測準確率(99.80.2)%。
2.3橘片破損檢測結果圖7所示為橘片破損檢測各步驟圖像處理結果。采集反射圖像提取紅色分量,可以獲得與背景對
10、比度較大的灰度圖像(圖7-A),二值化后提取橘片區(qū)域。常見的破損橘片有碎塊與缺裂兩類,橘片碎塊通常面積較小,低于合格要求,若橘片區(qū)域總像素低于30000pixels,判定橘片不合格。橘片缺裂在二值化的圖像上表現(xiàn)為輪廓上大塊凹陷(圖7-B),通過凸包算法處理,產(chǎn)生一個囊括橘片圖像中所有點的凸多邊形,填充凹陷缺口(圖7-C),可用減法算子將填充的部分分離出來,即為缺裂特征圖像(圖7-D),此特征面積超過1000pixels時,橘片不合格。橘片破損檢測耗時(31)ms,準確率(99.70.2)%。
2.4缺陷橘片檢測樣品橘片依次采集透射與反射圖像,經(jīng)上述橘核檢測、囊衣殘留檢測、破損檢測,最終判
11、斷橘片是否合格,經(jīng)測試,檢測程序平均耗時(175)ms,可實現(xiàn)(6419)片s-1的檢測速率,檢測準確率達(99.10.5)%。
3小結
本研究基于LabVIEW,設計了一種脫囊衣橘片檢測算法,可檢測囊衣殘留,橘核殘留,橘片破損3種常見缺陷類型,檢測準確率可達(99.10.5)%,檢測程序完成對囊衣殘留、橘核殘留、橘片破損3種檢測平均總耗時(175)ms,具有較高的識別度和識別效率。后續(xù)需要進一步研究能夠實現(xiàn)橘片分揀剔除的裝置,以實現(xiàn)橘片自動分揀。
參考文獻:
[1]SonkaM,HlavacV,BoyleR.Imageprocessing,analysis,andma
12、chinevision[M].Toronto:CLEngineering,2007.
[2]王璜,李九靈,代新,等.可重用的機器視覺檢測算法庫設計[J].湖北工業(yè)大學學報,2013,28(2):49-52.
[3]VijayarekhaK.Machinevisionapplicationforfoodquality:Areview[J].ResearchJournalofAppliedSciencesEngineering&Technology,2012,24(4):5453-5458.
[4]劉建軍,姚立健,彭樟林.基于機器視覺的山核桃等級檢測技術[J].浙江農(nóng)業(yè)學報,20
13、10,22(6):854-858.
[5]LeemansV,MageinH,DestainMF.Defectssegmentationon‘GoldenDelicious’applesbyusingcolourmachinevision[J].Computers&ElectronicsinAgriculture,1998,20(2):117-130.
[6]周金和,彭福堂.一種有選擇的圖像灰度化方法[J].計算機工程,2006,32(20):198-200.
[7]李革,李斌,王瑩,等.基于HSL模型的珍珠光澤度分選方法[J].農(nóng)業(yè)機械學報,2008,39(6):113-117.
[8]吳成茂.直方圖均衡化的數(shù)學模型研究[J].電子學報,2013,41(3):598-602.
[9]KimW,YouJ,JeongJ.Contrastenhancementusinghisto-gramequalizationbasedonlogarithmicmapping[J].OpticalEngineering,2012,51(6):067002-1-067002-10