曾令培 張廷婷 龐智

摘要：為了實(shí)現(xiàn)番茄的智能包裝，通過機(jī)器視覺獲取番茄橫徑，分析橫徑數(shù)據(jù)，完成分類包裝通道包裝膜大小的設(shè)定?；跈C(jī)器視覺的番茄橫徑測(cè)量過程包括圖像采集、預(yù)處理、橫徑提取、數(shù)據(jù)分析。番茄圖像采用圖像采集系統(tǒng)獲取;圖像預(yù)處理通過灰度轉(zhuǎn)換、去除椒鹽噪聲、邊緣提取、閾值處理、二值化與形態(tài)學(xué)處理完成;橫徑提取選用最小外接矩形法和最小外接圓法獲取番茄圖像的最大橫徑長(zhǎng);橫徑數(shù)據(jù)分析獲取不同包裝通道包裝膜大小設(shè)定值。試驗(yàn)結(jié)果表明，采用最小外接矩形法提取到的數(shù)據(jù)優(yōu)于最小外接圓法;分類通道設(shè)置包裝膜參數(shù)為68.00 mm、88.50 mm、102.00 mm，能完成不同尺寸大小的包裝?；跈C(jī)器視覺的番茄橫徑測(cè)量技術(shù)為分類包裝提供了包裝膜參數(shù)基礎(chǔ)和依據(jù)。

關(guān)鍵詞：機(jī)器視覺;番茄;橫徑;包裝膜參數(shù)

中圖分類號(hào)：TS206;TP391.41? 文獻(xiàn)標(biāo)志碼：A? 文章編號(hào)：1671-0797（2022）03-0068-04

DOI：10.19514/j.cnki.cn32-1628/tm.2022.03.020

0? ? 引言

包裝在鮮果貯藏、運(yùn)輸、貨架期都起到了重要作用，不僅能在很大程度上減少鮮果的染病腐爛，同時(shí)也是提高鮮果商品價(jià)值和擴(kuò)大銷量的重要技術(shù)措施之一[1]。番茄一直都是以原始狀態(tài)上市，對(duì)于番茄的包裝處理較少，鮮果番茄在各大商場(chǎng)基本都是采用淺托盤多個(gè)番茄保鮮膜包裝，這種包裝還停留在人工階段，因此，番茄的智能自動(dòng)化包裝成為亟待解決的問題。

番茄橫徑是番茄尺寸大小的重要特征，通過番茄橫徑的獲取可以精確地進(jìn)行番茄自動(dòng)化包裝分級(jí)通道的分級(jí)，設(shè)定分類包裝通道包裝膜的大小。目前，對(duì)于傳統(tǒng)的番茄測(cè)量方法有較多研究成果，但基于機(jī)器視覺進(jìn)行番茄橫徑檢測(cè)、設(shè)定智能分類包裝膜尚未有人研究。鑒于此，本研究針對(duì)基于機(jī)器視覺的番茄橫徑測(cè)量選用最小外接矩形法與最小外接圓法進(jìn)行對(duì)比，提取番茄橫徑尺寸，從而設(shè)定合適的番茄分類包裝膜參數(shù)，實(shí)現(xiàn)番茄的智能包裝。

1? ? 番茄圖像采集系統(tǒng)

番茄圖像采集系統(tǒng)主要由采集箱、工業(yè)照相機(jī)、鏡頭、光源、PC計(jì)算機(jī)組成，如圖1所示。采集箱尺寸為300 mm×250 mm×470 mm，采集箱內(nèi)壁涂上無反光黑漆。CMOS照相機(jī)選用Teledyne Lumenera Lw115，其分辨率為1 280×1 024，幀率為30 fps，光學(xué)格式為1/3″，鏡頭接口為cs，圖像傳感器為Sony IMX 035。鏡頭選用精工SSE0612N，其焦距為固定焦距6 mm，鏡頭到拍攝面的距離約為422.70 mm。照相機(jī)裝置在拍攝箱頂部中間位置，環(huán)形LED燈圍繞照相機(jī)。工作時(shí)相機(jī)通過USB2.0數(shù)字接口向PC提供實(shí)時(shí)拍攝的彩色圖像，PC計(jì)算機(jī)采用Matlab軟件獲取圖像，完成圖像數(shù)據(jù)處理。

2? ? 番茄圖像預(yù)處理

番茄圖像預(yù)處理主要完成圖像獲取、復(fù)原、增強(qiáng)、分割、分析工作。過程包括圖像灰度化、中值濾波器去噪聲、閾值分割、二值化與形態(tài)學(xué)處理，如圖2所示。

2.1? ? 圖像灰度化

圖像灰度化是將彩色圖像轉(zhuǎn)化為黑白圖像處理，處理后的圖像中只含亮度信息，不含彩色信息。Matlab通過USB3.0高速數(shù)字接口提取到的圖像格式為“bmp”，針對(duì)圖像格式選用了兩種方法得到圖像的灰度圖。方法1，直接通過函數(shù)rgb2gray將彩色照片轉(zhuǎn)換為灰度圖像;方法2，提取圖像中的R、G、B分量，三者分別表示圖像中的紅色、綠色、藍(lán)色分量，通過公式V=1/3（R+G+B），轉(zhuǎn)換得到灰度化圖像，如表1所示。

如表1所示，兩種方法得到的圖像差異不大，其圖像直方圖形狀、范圍基本一致。直方圖的差異在于第二次波峰處，直接轉(zhuǎn)換方法下得到的直方圖第二次波峰出現(xiàn)在亮度161處，亮度值位置的像素占量為3 279;R、G、B分量轉(zhuǎn)換方法得到的直方圖第二次波峰出現(xiàn)在亮度149處，亮度值位置的像素占量為3 475。同時(shí)，直接轉(zhuǎn)換方法下得到的直方圖截止范圍出現(xiàn)在亮度223處，亮度值位置的像素占量為95;R、G、B分量轉(zhuǎn)換方法下得到的直方圖截止范圍出現(xiàn)在亮度215處，亮度值位置的像素占量為57。

2.2? ? 中值濾波器去噪聲

一般情況下，圖像采集及傳輸過程中不可避免地容易產(chǎn)生一些噪聲，例如椒鹽噪聲。選用中值濾波器去除椒鹽噪聲，中值濾波選取大小為m×n窗口中被干擾的圖像中值，利用中值公式很好地保留了圖像的邊緣，去除椒鹽噪聲效果也較好。

2.3? ? 閾值分割

圖像分割技術(shù)中邊緣分割技術(shù)通過待測(cè)物與其背景的特征差異性實(shí)現(xiàn)邊緣檢測(cè)，常常使用微分算子（Roberts、Prewitt、Sobel）、Canny算子、LoG算子進(jìn)行邊緣檢測(cè)，如圖3所示。5種算法處理效果相近，基本都可以得到番茄的邊界，但檢測(cè)出來的邊界較粗，需要做進(jìn)一步的圖像處理。Roberts、Prewitt、Sobel算子處理后圖像效果差距不大，Roberts算子得到的圖像效果邊緣最清晰，產(chǎn)生孤立的點(diǎn)最少。Canny和LoG算子處理后的圖像，額外產(chǎn)生了許多孤立的點(diǎn)。本研究采用Roberts算子進(jìn)行邊緣分割。

工業(yè)測(cè)量中，當(dāng)背景取與目標(biāo)體對(duì)比較大的單一色時(shí)，采用閾值分割效果較好，故圖像分割中采用閾值分割法[2]。通過原圖直方圖尋找合適的閾值，原圖直方圖中兩個(gè)波峰相距較遠(yuǎn)，在色彩灰度范圍170～200之間出現(xiàn)波谷，分別取T=170、T=180、T=190作為全局閾值比較。取T=170時(shí)，番茄的分割圖像邊界不夠明顯，圖像左下角出現(xiàn)邊緣范圍較寬的毛刺，圖像內(nèi)部出現(xiàn)較少孤立點(diǎn);取T=190時(shí)，番茄圖像的邊界變得清晰，圖像左下角毛刺范圍逐漸增大，毛刺點(diǎn)變多從而顏色變深，圖像內(nèi)部出現(xiàn)更多孤立點(diǎn);取T=180時(shí)，閾值分割效果最好。不同閾值對(duì)比圖如圖4所示。

2.4? ? 二值化與形態(tài)學(xué)處理

在圖4中可以看到T=180時(shí)的閾值分割效果，圖像邊緣不夠清晰，圖像左下角出現(xiàn)毛刺，圖像內(nèi)部出現(xiàn)孤立點(diǎn)。為了消除閾值分割圖像中產(chǎn)生的毛刺和孤立點(diǎn)，采用二值圖與形態(tài)學(xué)結(jié)合處理。數(shù)學(xué)形態(tài)學(xué)中的腐蝕、膨脹、開閉運(yùn)算，在圖像處理過程中各具特點(diǎn)。Matlab可以對(duì)圖形進(jìn)行算數(shù)、關(guān)系、邏輯運(yùn)算，也可以運(yùn)用形態(tài)學(xué)完成膨脹和腐蝕運(yùn)算。數(shù)學(xué)形態(tài)學(xué)中的膨脹運(yùn)算能擴(kuò)大圖像邊界區(qū)域，填充圖像邊緣的毛刺和圖像內(nèi)部小孔;腐蝕運(yùn)算能縮小圖像區(qū)域邊界，消除圖像邊緣處的噪聲區(qū)域[3]。

3? ? 番茄圖像橫徑提取

經(jīng)過以上處理后的圖像，番茄果實(shí)部分呈白色，背景部分為黑色。對(duì)番茄圖像的橫徑檢測(cè)提取用到了兩種不同的方法：最小外接矩形法和最小外接圓法。

3.1? ? 最小外接矩形法提取番茄圖像橫徑

為了確定果實(shí)的外形大小，番茄圖像采用最小外接矩形法提取，流程圖如圖5所示。

番茄二值圖像中已經(jīng)將白色、黑色區(qū)域分離，通過對(duì)行列像素不為1的點(diǎn)進(jìn)行判斷，取得圖像邊緣橫坐標(biāo)和縱坐標(biāo)，完成最大坐標(biāo)與最小坐標(biāo)的橫坐標(biāo)、縱坐標(biāo)的確定與計(jì)算。在Matlab中可以運(yùn)用rectangle、boundingbox操作指令得到番茄的最小外接矩形，并返回其橫徑值。以上是單個(gè)番茄單次外接矩形的方法，對(duì)圖像進(jìn)行每次9°的圖像旋轉(zhuǎn)，旋轉(zhuǎn)40次完成番茄圖像的全部旋轉(zhuǎn);每完成一次旋轉(zhuǎn)均計(jì)算番茄圖像的最小外接矩形，得到40個(gè)外接矩形的40個(gè)橫徑值，比較出最大的橫徑值，即番茄外接矩形的最大橫徑。

3.2? ? 最小外接圓法提取番茄圖像橫徑

番茄是一種不規(guī)則的圖形，其形狀可以近似為圓形，選用最小外接圓法提取番茄圖像橫徑，流程圖如圖6所示。

基于完成了二值化處理的圖像，獲取番茄圖像最小外接圓，返回其半徑，將半徑轉(zhuǎn)換成直徑，即可得到番茄的最大橫徑長(zhǎng)度。算法需判斷番茄二值圖中的連通區(qū)域，對(duì)圖像每一個(gè)連通區(qū)域求質(zhì)心，將質(zhì)心作為最小外接圓的圓心，遍歷各個(gè)像素點(diǎn)，計(jì)算像素點(diǎn)是否在番茄圖像的半徑內(nèi)，如果不在半徑內(nèi)，則以當(dāng)前像素點(diǎn)到質(zhì)心的距離作為新的半徑，從而類似迭代更新得到最小外接圓半徑。

4? ? 數(shù)據(jù)結(jié)果與分析

對(duì)不同時(shí)間段的三批次番茄進(jìn)行抽樣，抽出200個(gè)番茄。用最小單位為克、保留到小數(shù)點(diǎn)后兩位精度的電子秤記錄下番茄重量;用游標(biāo)卡尺測(cè)量每一個(gè)番茄的最大橫徑4次，取平均值記錄下最大橫徑值。同時(shí)，記錄下視覺系統(tǒng)下采用最小外接矩形法和最小外接圓法處理的番茄的橫徑長(zhǎng)度，對(duì)比游標(biāo)卡尺獲得的數(shù)據(jù)?，F(xiàn)從200組番茄數(shù)據(jù)中隨機(jī)抽取10組數(shù)據(jù)舉例，最小外接矩形與最小外接圓橫徑如表2所示。

經(jīng)過試驗(yàn)數(shù)據(jù)分析可知，最小外接矩形法測(cè)得的值跟游標(biāo)卡尺測(cè)量的值較為接近，由于在測(cè)量時(shí)像素取的是整數(shù)部分，因而數(shù)據(jù)不夠精確。分析最小外接圓法絕對(duì)誤差、相對(duì)誤差數(shù)據(jù)，測(cè)得的所有橫徑長(zhǎng)度都比實(shí)際測(cè)得的橫徑長(zhǎng)度要大。

200組番茄中，番茄的重量情況為：100 g以下有24個(gè)，100～150 g有99個(gè)，150～200 g有34個(gè)，200～250 g有22個(gè)，250 g以上有21個(gè)。其中番茄重量最小為86.39 g，最大為350.05 g。游標(biāo)卡尺測(cè)量的橫徑長(zhǎng)度，最小番茄與最大番茄之間橫徑相差接近40 mm。在200組數(shù)據(jù)中，出現(xiàn)多組重量148.20 g與148.60 g的番茄，尺寸分別為72.30 mm與66.46 mm，番茄重量與尺寸大小不一定成正比。番茄重量范圍、分布及橫徑跨度如表3所示。

根據(jù)以上數(shù)據(jù)，番茄包裝過程中可以設(shè)定包裝膜的長(zhǎng)度，選擇設(shè)置參數(shù)分別為68.00 mm、88.50 mm、102.00 mm。

5? ? 結(jié)論

（1）通過圖像采集系統(tǒng)獲取番茄圖像，經(jīng)過灰度化、去除噪聲、邊緣分割、閾值分割、二值化與形態(tài)學(xué)處理后，直接運(yùn)用形態(tài)學(xué)中腐蝕、膨脹處理的圖像與運(yùn)用形態(tài)學(xué)簡(jiǎn)單運(yùn)算后再完成腐蝕、膨脹處理的圖像相比，后者的處理效果遠(yuǎn)遠(yuǎn)好于前者。

（2）利用最小外接矩形法和最小外接圓法進(jìn)一步提取番茄的尺寸，根據(jù)測(cè)量數(shù)據(jù)，最小外接矩形法所測(cè)數(shù)據(jù)跟游標(biāo)卡尺直接所測(cè)數(shù)據(jù)更為接近。

（3）番茄在包裝中可以通過對(duì)其橫徑大小的檢測(cè)，分級(jí)進(jìn)入番茄包裝通道，通道中包裝膜分別設(shè)定為68.00 mm、88.50 mm、102.00 mm，可以完成不同尺寸大小的包裝。

基于機(jī)器視覺的番茄橫徑檢測(cè)方法，可實(shí)現(xiàn)對(duì)番茄橫徑的獲取，并通過橫徑分級(jí)使番茄進(jìn)入不同包裝膜通道，為智能包裝的實(shí)現(xiàn)提供新的分級(jí)依據(jù)。當(dāng)番茄傳送過快時(shí)，應(yīng)用本文方法提取橫徑的速度還需要提高，在今后的研究中，可以進(jìn)一步將深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)算法與傳送速度相結(jié)合，以提高番茄橫徑獲取速度，改善當(dāng)前研究中的不足。

[參考文獻(xiàn)]

[1] 李莉，劉超超，李蕾，等.我國(guó)水果包裝現(xiàn)狀及問題啟示[J].保鮮與加工，2016，16（2）：105-107.

[2] 鄧海霞.基于機(jī)器視覺的群體禽蛋大小檢測(cè)方法研究[D].武漢：華中農(nóng)業(yè)大學(xué)，2006.

[3] 徐冬.基于卷積神經(jīng)網(wǎng)絡(luò)的大豆病害識(shí)別研究[D].合肥：安徽大學(xué)，2018.

收稿日期：2021-12-02

作者簡(jiǎn)介：曾令培（1981—），男，四川資陽人，碩士，講師，工程師，研究方向：自動(dòng)化控制。

通信作者：張廷婷（1985—），女，四川隆昌人，碩士，工程師，研究方向：農(nóng)業(yè)工程與信息技術(shù)。