CN206331487U - 一种基于机器视觉的农产品体积快速测量装置 - Google Patents

Abstract

本实用新型公开一种基于机器视觉的农产品体积快速测量装置，包括三台互成角度的CCD工业相机、相机驱动器和图像采集处理器，相机驱动器同时与三台CCD工业相机相接，图像采集处理器同时与三台CCD工业相机和相机驱动器相连，所述的三台CCD工业相机的视觉线相交于视觉线交点上，三台CCD工业相机可以沿其视觉线前后移动。三台CCD工业相机并行获取训练样本的图像信息，对图像进行分割和边缘特征提取，再通过外接矩形法获取三面图像的六个尺寸参量，将六个尺寸参量代入预先建立的体积预测模型，即可快速获取农产品的体积大小，为综合颜色、体积等多特征的农产品智能分选提供必要的分级依据；通过预先建立的体积预测模型，忽略了三维虚拟再现过程的低实时性。

Description

一种基于机器视觉的农产品体积快速测量装置

技术领域

本实用新型属于农产品筛选领域，具体是一种基于机器视觉的农产品体积快速测量装置。

背景技术

目前基于机器视觉的农产品颜色特征检测技术已经比较成熟，颜色特征检测技术已成功应用于商业化的农产品分级筛选装置中，如大米色选机、玉米色选机等，根据不同颜色及霉变、腹白色等对光的反射程度来清除农产品中的受损粒、异色粒和其他杂质。现有的农产品分级筛选方法主要是以单一颜色特征为判据的色选技术，没有统筹考虑农产品的外观、体积，尤其是体积等特征，使得当前基于色选技术的农产品筛选方法有一定的局限性，而随着生活水平的提高和科技的进步，人们对农产品的品质要求越来越高，对于农产品的精深加工，农产品的分选依据也会越来越严苛和细化，显然，以颜色特征为单一分选依据的农产品筛选方式将难以适应分选越来越严苛及细化的趋势。为了实现对农产品更高品质的分选，除了对农产品的颜色特征进行检测外，还应该对其他的特征如体积大小等进行检测，便于实现对农产品更高等级的分选。

目前基于机器视觉的农产品颜色特征检测技术较为成熟并得到实际应用和推广，基于机器视觉的外观特征检测方法也有许多学者对之进行了广泛的研究，但是快速体积特征检测方法还有待进一步完善：基于单目视觉系统的体积测量由于省略了三维虚拟再现，在外观规则及可知的情况下，通过获取部分的尺寸特征参数预测待测物体的体积，实时性高，但是单幅图像蕴含的信息量较少，在外形残缺等因素影响时，体积测量误差较大，而且基于三维重建技术的体积测量精度较高，但由于虚拟再现的过程耗时较长，实时性不高。

实用新型内容

针对目前农产品分选方式主要以单一的颜色特征作为分选依据的缺陷，本实用新型提供一种基于机器视觉的农产品体积快速测量装置，本实用新型的测量装置以三台互成角度的CCD工业相机构建视觉系统，用于农产品快速体积测量的协同作用，并且利用图像采集处理器和相机驱动器对图像进行灰度化处理、图像分割和边缘特征提取，从而获取待测农产品的外观特征。

为解决上述技术问题，本实用新型采用如下技术方案：一种基于机器视觉的农产品体积快速测量装置，包括三台互成角度的CCD工业相机、相机驱动器和图像采集处理器，相机驱动器同时与三台CCD工业相机相接，图像采集处理器同时与三台CCD工业相机和相机驱动器相连，所述的三台CCD工业相机的视觉线相交于视觉线交点上，三台CCD工业相机的角度以成像后的三面图像覆盖面超过待测农产品的整个立体表面为准，三台CCD工业相机可以沿其视觉线前后移动；每个CCD工业相机还在其对面设置一个光源和一块背景板。

测量待测农产品体积时，将待测农产品置于三台CCD工业相机的视觉线交点上，调节三台CCD工业相机与待测农产品之间的距离，使三台CCD工业相机在对待测农产品成像后的三面图像覆盖面超过待测农产品的整个立体表面，采集待测农产品的三面图像，并利用相机驱动器和图像采集处理器对图像进行分析和处理，获得三面图像的六个尺寸参量，代入预先建立的农产品体积预测模型中就可预测出待测农产品的体积。背景板的颜色与待测农产品的颜色有明显的差异，可以保证待测农产品成像的前景色与背景色有很显著的差异，为快速的图像分割提供必要的前提条件。

为了增加自动化程度，本实用新型的测量装置还包括传送装置，所述的传送装置包括传送带和输送管道，传送带与输送管道上端相对应，输送管道的出口设置两个开关型检测传感器，所述的开关型检测传感器与相机驱动器相接；所述的三台CCD工业相机固定在输送管道下方，三台CCD工业相机的视觉线交点位于输送管道正下方。利用传送装置对待测农产品进行传输，当农产品由传送带落入传输管道，再下落至开关型检测传感器之间时，开关型检测传感器发出触发信号给相机驱动器，经过适当的延时，当待测农产品落到三台工业相机的视觉线交点处时，相机驱动器触发三台CCD工业相机自动采集待测农产品的图形信息。

本实用新型的基于机器视觉的农产品体积快速测量装置利用三台互成角度的CCD工业相机并行采集农产品的三面图像，并利用相机驱动器和图像采集处理器对图像进行处理，可以快速获取待测农产品的外观特征，再结合预先建立的农产品体积预测模型能够快速预测待测农产品的体积大小，快捷、方便，预测值更加接近真实值，而且实时性强。

附图说明

图1是本实用新型基于机器视觉的农产品体积快速测量装置的示意图。

图2是基于机器视觉的农产品体积快速测量方法的流程图。

图3是通过外接矩形法获得的待测农产品三面图像的六个尺寸参量。

具体实施方式

下面将结合本实用新型实施例，对本实用新型的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本实用新型一部分实施例，而不是全部的实施例。

基于机器视觉的农产品体积快速测量装置，如图1所示，包括传送装置、开关型检测传感器3，三台互成角度的高速彩色的CCD工业相机41、42、43，三台CCD工业相机41、42、43的相机镜头都采用可变焦镜头，相机驱动器8由FPGA为核心的驱动板实现相机驱动和相关的算法(如图像的滤波、图像分割等预处理、体积预测算法等)，图像采集处理器7是由以DSP器件为核心的处理板实现，相机驱动器8和图像采集处理器7都与CCD工业相机41、42、43相接。所述的传送装置包括传送带1和输送管道2，传送带1与输送管道2上端相对应，输送管道2的出口O′处设置两个开关型检测传感器3，所述的开关型检测传感器3与相机驱动器8相接，相机驱动器8同时与三台CCD工业相机41、42、43相接，所述的三台CCD工业相机41、42、43固定在输送管道2下方，三台CCD工业相机41、42、43的视觉线L1、L2、L3相交于同一点O″，视觉线交点O″位于输送管道2正下方。所述的三台CCD工业相机41、42、43的角度θ1、θ2、θ3以成像后的三面图像覆盖面超过待测农产品的整个立体表面为准，三台CCD工业相机41、42、43可以沿其视觉线L1、L2、L3前后移动；每个CCD工业相机41、42、43还在其对面设置一个光源51、52、53和一块背景板61、62、63，光源51、52、53均采用LED光源，其稳定性好且使用寿命较长，背景板61、62、63的颜色与待测农产品的颜色有明显的差异，可以保证待测农产品成像的前景色与背景色有很显著的差异，为快速的图像分割提供必要的前提条件。

基于机器视觉的农产品体积快速测量方法，其流程如图2所示，包括以下步骤：

(1)建立体积预测模型：选取若干个已知体积的农产品作为训练样本并置于传送带1上，调整三台高速彩色的CCD工业相机41、42、43与视觉线交点O″的距离并分别进行标定，如图1所示，使三台CCD工业相机41、42、43在对训练样本成像后的三面图像覆盖面超过训练样本的整个立体表面。当训练样本由传送带1送入输送管道2中，在落到O'位置时，高速开关型检测传感器3发出触发信号给相机驱动器8，经过适当的延时，当训练样本落到O″位置时，相机驱动器8触发三台CCD工业相机41、42、43并行采集训练样本的三面图像并传输给图像采集处理器7，图像采集处理器7对图像进行灰度化处理，图像分割及边缘特征提取。为保证农产品在传送过程中的旋转不变性，采用外接矩形的方法并结合相机的标定参数得到三面图像中各自的最长尺寸及其正交方向上的最大尺寸参数，如图3所示，并将其作为输入变量，结合样本训练过程中基于机器学习中的降维算法—偏最小二乘回归算法(PLSR)建立体积预测模型，如下式所示：

V＝α₀+α₁A₁+α₂B₁+α₃A₂+α₄B₂+α₅A₃+α₆B₃

式中：V——待测农产品的体积，α₀——回归截距，α₁、α₂、…、α₆——原始自变量和原始因变量间的回归系数，A₁、B₁、A₂、B₂和A₃、B₃——待测农产品三面图像的六个尺寸参量。

并利用训练样本的已知体积对体积预测模型进行验证，若精度达到要求，则说明体积预测模型合格，可以用于待测农产品的体积测量；若精度未达到要求，则需要重新进行PLSR建模，直到精度达到要求；

(2)获取待测农产品的六个尺寸参量：按照步骤(1)所述的方法采集待测农产品的三面图像，对采集的三面图像进行图像分割及边缘特征提取，然后通过外接矩形法分别获取待测农产品三面图像的六个尺寸参量A₁、B₁、A₂、B₂、A₃、B₃；

(3)计算待测农产品的体积：将步骤(2)获取的三面图像的六个尺寸参量A₁、B₁、A₂、B₂、A₃、B₃代入步骤(1)得到的体积预测模型中，计算出待测农产品的体积V。

经计算，马铃薯的体积为88.60cm³，排水法测得的同一块马铃薯的体积为89.28cm³，误差为0.76％。

下面结合图2及图3说明体积预测模型建立的具体过程：

机器学习中的降维算法-偏最小二乘法(PLS)结合了多元回归分析、主成分分析及相关分析等功能，基于偏最小二乘法原理的偏最小二乘回归(PLSR)可用来解决多元回归分析中自变量之间的多重相关性或样本容量小于变量个数等问题，在众多的回归分析中有着其他回归分析所不具有的优势，目前已经广泛地应用于多个领域并取得了很好的效果。

假设待测农产品的体积为V，六个尺寸参量如图3所示的A₁、B₁、A₂、B₂和A₃、B₃，为便于分析，作如下变量代换：设单因变量y＝V，六个尺寸参量为自变量，并分别设为：x₁＝A₁,x₂＝B₁,x₃＝A₂,x₄＝B₂,x₅＝A₃,x₆＝B₃。

选择u个不同的已知体积的农产品作为训练样本，获得自变量和因变量的样本数据X及Y，其中X_u×6为解释矩阵，Y_u×1为响应矩阵。按照降序及交叉有效性原则，对样本矩阵X进行标准化处理，并从标准化处理后的矩阵中依次选择使方差Var(t_i)和协方差Cov(t_i，y)都尽可能大的成分t₁,t₂,…,t_h(h≤6)，然后通过建立y与t₁,t₂,…,t_h的回归方程最终得到y与x₁,x₂,…,x_h的回归方程式。

将矩阵X与因变量Y进行标准化处理，得到标准化变量矩阵E₀和列向量ζ₀：

其中

式中μ_jx、S_jx--第j个自变量x_j的样本均值和样本标准差，μ_y、S_y--因变量y_j的样本均值和样本标准差；

从E₀中提取第1个成分：

并执行E₀和ζ₀对第1个成分t₁的回归：

其中

式中p₁、r₁--回归系数，E₁、ζ₁--回归方程的残差矩阵和向量；

继续提取第2个成分t₂，并执行E₁和ζ₁对第2个成分t₂的回归：

其中

式中p₂、r₂——回归系数，E₂、ζ₂——回归方程的残差矩阵和向量；

继续提取成分，设得到m个成分t₁，t₂，…，t_m，并执行ζ₀对m个成分的回归，即：

ζ₀＝r₁t₁+r₂t₂+r₃t₃+…+r_mt_m，最终将之还原成原始变量的形式，得到待测农产品体积回归模型：

y＝α₀+α₁x₁+α₂x₂+...+α₆x₆，

即待测农产品的体积V和6个尺寸参量A₁、B₁、A₂、B₂、A₃、B₃之间的关系式为：

V＝α₀+α₁A₁+α₂B₁+α₃A₂+α₄B₂+α₅A₃+α₆B₃，

式中α₀——回归截距，α₁、α₂、…、α₆——原始自变量和原始因变量间的回归系数。

该测量方法借鉴机器视觉在三维重建中的应用，采取互成角度的三台CCD工业相机并行获取农产品的图像信息，通过对三台CCD工业相机输出图像进行快速分割、边缘特征提取等方法获取农产品的外观特征，为了避免基于三维重建技术的体积测量方法的低实时性，通过外接矩形法分别获取并行输出的三面图像中最大长度尺寸及其正交方向上的最大长度尺寸，结合样本训练及机器学习中的降维算法—偏最小二乘回归算法(PLSR)得到以三面图像中的六个尺寸参量为输入变量的农产品体积预测模型，并用训练样本的体积加以验证，使用体积预测模型得到的待测农产品的体积更加接近真实值；再将获取的待测农产品的三面图像的六个尺寸参量代入体积预测模型中，快速获取农产品的体积大小，从而实现待测农产品体积大小的快速测量。通过在样本训练阶段建立的农产品体积预测模型，忽略了三维虚拟再现过程的低实时性，在体积测量阶段，通过体积预测模型快速获取待测农产品的体积大小，为综合颜色、体积等多特征的农产品智能分选提供必要的分级依据：在保留现有农产品色选技术的基础上，在智能分选装置上增加农产品体积特征检测，得到待测农产品的多方面特征，农产品的分级依据将更为细化，高品质的农产品优选可得到保证。

通过获得最长尺寸及其正交方向上的外观尺寸参数，可以确保待测农产品在传送过程中的旋转不变性，而且体积特征获取是通过独立于实际的体积测量过程的样本训练阶段建立的体积预测模型得到的，从而可以极大提升待测农产品多特征测量的效率。

Claims (2)

1.一种基于机器视觉的农产品体积快速测量装置，其特征在于：包括三台互成角度的CCD工业相机、相机驱动器和图像采集处理器，相机驱动器同时与三台CCD工业相机相接，图像采集处理器同时与三台CCD工业相机和相机驱动器相连，所述的三台CCD工业相机的视觉线相交于视觉线交点上，三台CCD工业相机的角度以成像后的三面图像覆盖面超过待测农产品的整个立体表面为准，三台CCD工业相机可以沿其视觉线前后移动；每个CCD工业相机还在其对面设置一个光源和一块背景板。

2.根据权利要求1所述的基于机器视觉的农产品体积快速测量装置，其特征在于，还包括传送装置，所述的传送装置包括传送带和输送管道，传送带与输送管道上端相对应，输送管道的出口设置两个开关型检测传感器，所述的开关型检测传感器与相机驱动器相接；所述的三台CCD工业相机固定在输送管道下方，三台CCD工业相机的视觉线交点位于输送管道正下方。