CN102253052A

CN102253052A - 基于fpga的粮食品质在线检测装置及方法

Info

Publication number: CN102253052A
Application number: CN2011101138814A
Authority: CN
Inventors: 饶秀勤; 王靖宇; 应义斌
Original assignee: Zhejiang University ZJU
Current assignee: Zhejiang University ZJU
Priority date: 2011-05-04
Filing date: 2011-05-04
Publication date: 2011-11-23
Anticipated expiration: 2031-05-04
Also published as: CN102253052B

Abstract

本发明公开了一种基于FPGA的粮食品质在线检测装置及方法。多行式排种器安置在透明皮带的左侧；编码器安装在从动滚筒上，两台光照箱分别安装在透明皮带的上方和下方，光照箱内各配线光源和背景板及线扫描相机，透明皮带从线光源和背景板之间穿过；线扫描相机通过CameraLink线缆与FPGA图像处理板相连；动力由调速电机传送到透明皮带上；本发明克服了在检测粮食品质时,传统方法只能检测到颗粒整个表面一半的不足，能准确快速地通过检测颗粒的形态特征和整个颗粒表面的颜色特征，判断粮食样本中正常粮食颗粒和其它颗粒的数量；装置的检测性能优于传统基于PC的机器视觉系统的检测装置。

Description

基于FPGA的粮食品质在线检测装置及方法

技术领域

本发明涉及一种粮食品质在线检测装置及方法，尤其是涉及一种基于FPGA的粮食品质在线检测装置及方法。

背景技术

我国是世界第一产粮大国，每年生产5亿多吨粮食，占世界总产量的22％。但是与我国粮食生产大国地位极不相称的是我国粮食检测加工自动化水平的相对落后。国内粮食检测的一般方法，还停留在完全手工阶段，即便有部分粮食品质参数可以通过简单的仪器设备进行检测，其结果的准确性还远不能令人满意。大多数粮食检测加工装备制造企业规模小、技术分散、开发能力弱、产品单一、成套能力差，效率低。当前国内市场上，用于粮食颗粒品质检测和分级的光电色选机，国外品牌的占据着主要份额。

目前对粮食品质进行分级的主要指标包括容量﹑不完善粒、杂质、水分、色泽和气味，而不完善粒和杂质含量是可以通过图像的方法进行检测的。以往的检测分级工作主要是由人工完成，检测结果容易受主观因素的影响，精度低、速度慢，且对检测员而言，容易造成视觉疲劳。传统基于PC机的机器视觉技术，可以实现对粮食品质客观、准确的检测，但却存在系统体积庞大、成本高和实时性差的问题。嵌入式机器视觉技术作为一种新兴发展起来的无损检测技术，极大的克服了人工检测和传统机器视觉技术的不足，具有实时性好、成本低、功耗小和结构紧凑的特点，已经被广泛地应用于各种检测和监控行业当中。

在粮食品质自动检测方面，已完成的工作主要有：

Y N Wan等(Y N Wan，C M Lin，J F Chiou.Rice Quality Classification Using an Automatic Grain Quality Inspection System. Transactions of the ASAE，2002，45(2)：379-387)研制了谷物自动检测系统，粮粒通过送料机构中的矩阵格子撒到透明皮带上，而后进入视场；系统包含一个彩色相机和一个黑白相机，彩色相机采用入射光照明方式，用来检测非破损粒的颜色特征，黑白相机采用背光照明方式，用来检测破损粒；气动阀可以将谷物吹入集料箱内；系统对正常粒、白垩粒和破损粒的检测精度分别为95%、92% 和87%，检测速度为每分钟1200粒。

Kawamura等(Kawamura S，Natsuga M，Takekura K，Itoh K. Development of anautomatic rice-quality inspection system. Computers and Electronics in Agriculture， 2003，40：115-126)研制了稻米品质自动检测系统，该系统分为两部分，一部分利用近红外透射仪判断稻米的水分和蛋白质含量，另一部分利用透射传感器和反射传感器判断稻米的内外部特征，该系统每40秒处理1000粒，并达到了较高的检测精度。

成芳(成芳.稻种质量的机器视觉无损检测研究[D].杭州：浙江大学，2005.)开发了基于Matlab平台的稻种图像分析系统；提出了基于K-W单特征分析的最优特征集选取方法；对于稻种常见缺陷如芽谷、霉变和裂颖，开发了高精度的识别算法。

凌云等(凌云，王一鸣，孙明，孙红，张小超. 基于机器视觉的大米外观品质检测装置. 农业机械学报，2005，36(6)：89-92)研制了一套基于机器视觉的大米外观品质参数检测装置，该装置由嵌入式工控机作为处理平台，利用CCD相机拍摄托盘上的静态图像；系统采用改进的流域分割算法实现了相连籽粒的分割，并实现了在静态的情况下对100粒米样本的白垩度、白垩率、黄米粒和粒型的检测，检测精度分别为±2%、±1%、±5%和±4%。

苏忆楠(苏忆楠. 基于机器视觉和高光谱图像技术的粮食水分检测及杂质与不完善粒识别方法研究[D].杭州：浙江大学，2011.) 采集6400幅粮粒图像，提取了图像的形状、颜色、不变矩等29个特征，通过以单特征识别为主，三层BP人工神经网络为辅的方法，构建了粮粒与杂质识别的机器视觉静态检测硬件系统和识别模型。结果显示该识别模型的总体识别正确率在90%以上。

在实际在线检测中，这些方法只能检测到粮粒整个表面的一半，不能完成对整个表面颜色特征的检测；且图像处理都是依赖于PC机或是基于串行指令体系处理器的嵌入式系统，这使得系统若想实现在线检测，就必须使数据运算的时钟频率是数据采集时钟频率的数倍，系统的处理速度受到极大限制。

发明内容

本发明的目的在于提供一种基于FPGA的粮食品质在线检测装置及方法，能按粮食颗粒形态特征和和整个颗粒表面的颜色特征，采用两个线扫描相机和FPGA并行处理方式的粮食品质在线检测装置及方法，能对粮食品质进行全面评定的机器视觉系统

本发明解决其技术问题所采用的技术方案是：

一、基于FPGA的粮食品质在线检测装置：

它包括主动滚筒，调速电机，第一从动滚筒，多行式排种器，透明皮带，第一线扫描相机，第一光照箱，第一线光源，第一背景板，U形机架，第二背景板，FPGA图像处理板，ARM板，第二线光源，第二线扫描相机，第二光照箱，第二从动滚筒，编码器和第三从动滚筒；其中：

在U形机架两侧的底部分别安装有由调速电机带动的主动滚筒和第二从动滚筒，在U形机架两侧的上部分别安装第一从动滚筒和第三从动滚筒；在U形机架的中部分别安装有第一光照箱和第二光照箱，透明皮带穿过第一光照箱和第二光照箱后，环绕在第三从滚筒、第二从动滚筒、主动滚筒和第一从动滚筒上；第一背景板安装在第一光照箱的透明皮带下方，第一光照箱的透明皮带上方，从下至上依次安装第一线光源和第一线扫描相机，第二背景板安装在第二光照箱的透明皮带上方，第二光照箱的透明皮带下方，从上至下依次安装第二线光源和第二线扫描相机；多行式排种器安装在第一从动滚筒侧的透明皮带的上方；FPGA图像处理板通过CameraLink连接口分别与第一线扫描相机和第二线扫描相机相连，FPGA图像处理板通过10/100 Ethernet口和DVI视频口与ARM板相连，安装在第三从动滚筒轴上的编码器与FPGA图像处理板相连。

二、基于FPGA的粮食品质在线检测方法：

在皮带上运行的颗粒先经过第一线扫描相机，后经过第二线扫描相机，颗粒的形态特征和上表面颜色特征的检测过程是利用第一线扫描相机拍摄的图像完成的，颗粒的形态特征和上表面颜色特征定义为第一特征集；颗粒面积和颗粒下表面颜色特征的检测过程是利用第二线扫描相机拍摄的图像完成的，颗粒面积和颗粒下表面颜色特征定义为第二特征集。第一特征集和第二特征集中的各特征的提取方法借鉴苏忆楠在基于机器视觉和高光谱图像技术的粮食水分检测及杂质与不完善粒识别方法研究中所采用的方法。

颗粒经多行式排种器撒在透明皮带上，测量第一线光源在透明皮带上的照射位置与第二线光源在透明皮带上的照射位置之间的距离D，测量颗粒中的最小颗粒宽度W，用D除以W取整后得到第一线扫描相机和第二线扫描相机之间最多能摆放的颗粒数量M_Col；

定义常量M_ Row为多行式排种器的行数；

定义以下变量：

//第i行上的颗粒经第一线扫描相机检测的结果：true表示颗粒的第一特征集满足正常粮食颗粒标准，false表示颗粒的第一特征集不满足正常粮食颗粒标准。

bool UpIsWheat（i）；

// 第i行上的颗粒经第二线扫描相机检测的结果：true表示颗粒的第二特征集满足正常粮食颗粒标准，false表示颗粒的第二特征集不满足正常粮食颗粒标准。

bool DownIsWheat（i）；

// 从队列中取出的第i行上的颗粒经第一线扫描相机检测的结果。

bool UpIsWheatNow（i）；

// 第i行上的颗粒经第一线扫描相机和第二线扫描相机综合检测后的结果：true表示正常粮食颗粒，false表示其它颗粒。

bool IsWheatNow（i）；

定义队列结构：

Struct WheatQueueStruct

{

bool IsWheat[M_Col]；

int Head；

int Rear；

}；

// 定义多行式排种器在各行排出的颗粒队列

WheatQueueStruct WheatQueueArray[M_Row]；

当多行式排种器在第i行排出的颗粒经过第一线扫描相机时，采用现有的方法判断颗粒的第一特征集是否满足正常粮食颗粒标准，判断结果由变量UpIsWheat（i）记录，并执行如下语句：

WheatQueueArray[i].IsWheat[Rear] = UpIsWheat（i）；

WheatQueueArray[i].Rear = (WheatQueueArray[i].Rear + 1) % M_Col；

当多行式排种器排出的第i行颗粒经过第二线扫描相机时，仍采用苏忆楠论文的方法判断颗粒的第二特征集合是否满足正常粮食颗粒标准，判断结果由变量DownIsWheat（i）记录，并执行如下语句：

UpIsWheatNow（i） = WheatQueueArray[i].IsWheat[Head]；

WheatQueueArray[i].Head = (WheatQueueArray[i].Head + 1) % M_Col；

IsWheatNow（i）= UpIsWheatNow（i）* DownIsWheat（i）；

如果IsWheatNow（i）的值为true，则输出结果表示该颗粒为正常粮食颗粒，否则为其它颗粒，其它颗粒包括杂质粮食颗粒和不完善粮食颗粒，将正常粮食颗粒和其它颗粒分别计数,最终得出正常粮粒和杂质的数量。

本发明具有的有益的效果是：

克服了在检测粮食品质时, 传统方法只能检测到粮粒整个表面一半的不足，能准确快速地通过检测颗粒的形态特征和整个颗粒表面的颜色特征，判断粮食样本中正常粮食颗粒和杂质颗粒的数量；装置的检测性能优于传统基于PC的机器视觉系统的检测装置。

附图说明

附图是本发明的装置结构原理示意图。

附图中：1、主动滚筒，2、调速电机，3、第一从动滚筒，4、多行式排种器，5、透明皮带，6、第一线扫描相机，7、第一光照箱，8、第一线光源，9、第一背景板，10、机架，11、第二背景板，12、FPGA图像处理板，13、ARM板，14、第二线光源，15、第二线扫描相机，16、第二光照箱，17、第二从动滚筒，18、编码器，19、第三从动滚筒。

具体实施方式

一、基于FPGA的粮食品质在线检测装置：

如附图所示，本发明包括主动滚筒1，调速电机2，第一从动滚筒(3)，多行式排种器4，透明皮带5，第一线扫描相机6，第一光照箱7，第一线光源8，第一背景板9，U形机架10，第二背景板11，FPGA图像处理板12，ARM板13，第二线光源14，第二线扫描相机 15，第二光照箱16，第二从动滚筒17，编码器18和第三从动滚筒19；其中：

在U形机架11两侧的底部分别安装有由调速电机2带动的主动滚筒1和第二从动滚筒17，在U形机架10两侧的上部分别安装第一从动滚筒3和第三从动滚筒19；在U形机架10的中部分别安装有第一光照箱7和第二光照箱16，透明皮带5穿过第一光照箱7和第二光照箱16后，环绕在第三从滚筒19、第二从动滚筒17、主动滚筒1和第一从动滚筒3上；第一背景板9安装在第一光照箱7的透明皮带下方，第一光照箱7的透明皮带上方，从下至上依次安装第一线光源8和第一线扫描相机6，第二背景板11安装在第二光照箱16的透明皮带上方，第二光照箱16的透明皮带下方，从上至下依次安装第二线光源14和第二线扫描相机15；多行式排种器4安装在第一从动滚筒3侧的透明皮带5的上方；FPGA图像处理板12通过CameraLink连接口分别与第一线扫描相机8和第二线扫描相机15相连，FPGA图像处理板12通过10/100 Ethernet口和DVI视频口与ARM板13相连，安装在第三从动滚筒19轴上的编码器18与FPGA图像处理板12相连。

所述的FPGA（场可编程门阵列）图像处理板12型号为TB-5V-LX110-DDR2，两个线扫描相机型号为AViiVA® SC2 CL。

二、基于FPGA的粮食品质在线检测方法：

在皮带5上运行的颗粒先经过第一线扫描相机6，后经过第二线扫描相机15，颗粒的形态特征和上表面颜色特征的检测过程是利用第一线扫描相机6拍摄的图像完成的，颗粒的形态特征和上表面颜色特征定义为第一特征集；颗粒面积和颗粒下表面颜色特征的检测过程是利用第二线扫描相机15拍摄的图像完成的，颗粒面积和颗粒下表面颜色特征定义为第二特征集。第一特征集和第二特征集中的各特征的提取方法借鉴苏忆楠在基于机器视觉和高光谱图像技术的粮食水分检测及杂质与不完善粒识别方法研究中所采用的方法。

颗粒经多行式排种器4撒在透明皮带5上，测量第一线光源8在透明皮带5上的照射位置与第二线光源14在透明皮带5上的照射位置之间的距离D，测量颗粒中的最小颗粒宽度W，用D除以W取整后得到第一线扫描相机6和第二线扫描相机15之间最多能摆放的颗粒数量M_Col；

定义常量M_ Row为多行式排种器4的行数。

定义以下变量：

// 待测粮食样本中正常粮食颗粒数量；

C_n；

// 待测粮食样本中其它颗粒数量；

C_a；

// 通过第i行的粮食样本中正常粮食颗粒数量；

C_n(i)；

// 通过第i行的粮食样本中其它颗粒数量；

C_a(i)；

初始情况下C_n = C_a = C_n(i) = C_a(i) = 0；

//第i行上的颗粒经第一线扫描相机6检测的结果：true表示颗粒的第一特征集满足正常粮食颗粒标准，false表示颗粒的第一特征集不满足正常粮食颗粒标准；

bool UpIsWheat（i）；

// 第i行上的颗粒经第二线扫描相机15检测的结果：true表示颗粒的第二特征集满足正常粮食颗粒标准，false表示颗粒的第二特征集不满足正常粮食颗粒标准；

bool DownIsWheat（i）；

// 从队列中取出的第i行上的颗粒经第一线扫描相机6检测的结果；

bool UpIsWheatNow（i）；

// 第i行上的颗粒经第一线扫描相机6和第二线扫描相机15综合检测后的结果：true表示正常粮食颗粒，false表示其它颗粒。

bool IsWheatNow（i）；在FPGA的RAM存储器内，开辟M_ Row个存储单元，存储深度为M_Col，每个存储单元用来存放一个循环队列，命名为WheatQueueArray[i](i = 1，2，3…M_Col)，循环队列的对头和队尾分别为Head和Rear。

定义队列结构：

Struct WheatQueueStruct

{

bool IsWheat[M_Col]；

int Head；

int Rear；

}；

// 定义多行式排种器4在各行排出的颗粒队列

WheatQueueStruct WheatQueueArray[M_Row]；

当多行式排种器4在第i行排出的颗粒经过第一线扫描相机7时，采用现有的方法 (如：苏忆楠. 基于机器视觉和高光谱图像技术的粮食水分检测及杂质与不完善粒识别方法研究[D].杭州：浙江大学，2011.)判断颗粒第一特征集是否满足正常粮食颗粒标准，判断结果由变量UpIsWheat（i）记录，并执行如下语句：

WheatQueueArray[i].IsWheat[Rear] = UpIsWheat（i）；

WheatQueueArray[i].Rear = (WheatQueueArray[i].Rear + 1) % M_Col；

当多行式排种器4排出的第i行颗粒经过第二线扫描相机 15时，仍采用苏忆楠论文的方法判断颗粒的第二特征集是否满足正常粮食颗粒标准，判断结果由变量DownIsWheat（i）记录，并执行如下语句：

UpIsWheatNow（i） = WheatQueueArray[i].IsWheat[Head]；

WheatQueueArray[i].Head = (WheatQueueArray[i].Head + 1) % M_Col；

IsWheatNow（i）= UpIsWheatNow（i）* DownIsWheat（i）；

如果IsWheatNow（i）的值为true，则输出结果表示该颗粒为正常粮食颗粒，否则为其它颗粒。之后执行如下语句：

If (WheatQueueArray[i].Head == WheatQueueArray[i].Rear)

C_n = C_n+ C_n(i);

C_a= C_a + C_a(i);

WheatQueueArray[i].Head = WheatQueueArray[i].Rear = 0;

else

if (IsWheatNow（i）)

C_n(i) = C_n(i) + 1;

else

C_a(i) = C_a(i) + 1;

最终得出正常粮粒颗粒和其它颗粒的数量。

Claims

1.一种基于FPGA的粮食品质在线检测装置，其特征在于：包括主动滚筒(1)，调速电机(2)，第一从动滚筒(3)，多行式排种器(4)，透明皮带(5)，第一线扫描相机(6)，第一光照箱(7)，第一线光源(8)，第一背景板(9)，U形机架(10)，第二背景板(11)，FPGA图像处理板(12)，ARM板(13)，第二线光源(14)，第二线扫描相机 (15)，第二光照箱(16)，第二从动滚筒(17)，编码器(18)和第三从动滚筒(19)；其中：

在U形机架(11)两侧的底部分别安装有由调速电机(2)带动的主动滚筒(1)和第二从动滚筒(17)，在U形机架(10)两侧的上部分别安装第一从动滚筒(3)和第三从动滚筒(19)；在U形机架(10)的中部分别安装有第一光照箱(7)和第二光照箱(16)，透明皮带(5)穿过第一光照箱(7)和第二光照箱(16)后，环绕在第三从滚筒(19)、第二从动滚筒(17)、主动滚筒(1)和第一从动滚筒(3)上；第一背景板(9)安装在第一光照箱(7)的透明皮带下方，第一光照箱(7)的透明皮带上方，从下至上依次安装第一线光源(8)和第一线扫描相机(6)，第二背景板(11)安装在第二光照箱(16)的透明皮带上方，第二光照箱(16)的透明皮带下方，从上至下依次安装第二线光源(14)和第二线扫描相机(15)；多行式排种器(4)安装在第一从动滚筒(3)侧的透明皮带(5)的上方；FPGA图像处理板(12)通过CameraLink连接口分别与第一线扫描相机(8)和第二线扫描相机(15)相连，FPGA图像处理板(12)通过10/100 Ethernet口和DVI视频口与ARM板(13)相连，安装在第三从动滚筒(19)轴上的编码器(18)与FPGA图像处理板(12)相连。

2.用于权利要求1所述装置的一种基于FPGA的粮食品质在线检测方法，其特征在于该方法的步骤如下：

在皮带(5)上运行的颗粒先经过第一线扫描相机(6)，后经过第二线扫描相机(15)，颗粒的形态特征和上表面颜色特征的检测过程是利用第一线扫描相机(6)拍摄的图像完成的，颗粒的形态特征和上表面颜色特征定义为第一特征集；颗粒面积和颗粒下表面颜色特征的检测过程是利用第二线扫描相机(15)拍摄的图像完成的，颗粒面积和颗粒下表面颜色特征定义为第二特征集，第一特征集和第二特征集中的各特征的提取方法借鉴苏忆楠在基于机器视觉和高光谱图像技术的粮食水分检测及杂质与不完善粒识别方法研究中所采用的方法；

颗粒经多行式排种器(4)撒在透明皮带(5)上，测量第一线光源(8)在透明皮带(5)上的照射位置与第二线光源(14)在透明皮带(5)上的照射位置之间的距离D，测量颗粒中的最小颗粒宽度W，用D除以W取整后得到第一线扫描相机(6)和第二线扫描相机(15)之间最多能摆放的颗粒数量M_Col；

定义常量M_ Row为多行式排种器(4)的行数；

定义以下变量：

//第i行上的颗粒经第一线扫描相机(6)检测的结果：true表示颗粒的第一特征集满足正常粮食颗粒标准，false表示颗粒的第一特征集不满足正常粮食颗粒标准；

bool UpIsWheat（i）；

// 第i行上的颗粒经第二线扫描相机(15)检测的结果：true表示颗粒的第二特征集满足正常粮食颗粒标准，false表示颗粒的第二特征集不满足正常粮食颗粒标准；

bool DownIsWheat（i）；

// 从队列中取出的第i行上的颗粒经第一线扫描相机(6)检测的结果；

bool UpIsWheatNow（i）；

// 第i行上的颗粒经第一线扫描相机(6)和第二线扫描相机(15)综合检测后的结果：true表示正常粮食颗粒，false表示其它颗粒；

bool IsWheatNow（i）；

定义队列结构：

Struct WheatQueueStruct

{

bool IsWheat[M_Col]；

int Head；

int Rear；

}；

// 定义多行式排种器(4)在各行排出的颗粒队列

WheatQueueStruct WheatQueueArray[M_Row]；

当多行式排种器(4)在第i行排出的颗粒经过第一线扫描相机(6)时，采用现有的方法判断颗粒的第一特征集是否满足正常粮食颗粒标准，判断结果由变量UpIsWheat（i）记录，并执行如下语句：

WheatQueueArray[i].IsWheat[Rear] = UpIsWheat（i）；

WheatQueueArray[i].Rear = (WheatQueueArray[i].Rear + 1) % M_Col；

当多行式排种器(4)排出的第i行颗粒经过第二线扫描相机(15)时，仍采用苏忆楠论文的方法判断颗粒的第二特征集合是否满足正常粮食颗粒标准，判断结果由变量DownIsWheat（i）记录，并执行如下语句：

UpIsWheatNow（i） = WheatQueueArray[i].IsWheat[Head]；

WheatQueueArray[i].Head = (WheatQueueArray[i].Head + 1) % M_Col；

IsWheatNow（i）= UpIsWheatNow（i）* DownIsWheat（i）；

如果IsWheatNow（i）的值为true，则输出结果表示该颗粒为正常粮食颗粒，否则为其它颗粒，其它颗粒包括杂质粮食颗粒和不完善粮食颗粒，将正常粮食颗粒和其它颗粒分别计数，最终得出正常粮粒和杂质的数量。