【编者按】网学网理学论文频道为大家收集整理了“ 研究利用机器视觉和光谱技术设计制造水果分拣的机器装置 “提供大家参考，希望对大家有所帮助!
0 引言 随着计算机图像处理技术、光谱技术和机器视觉的发展与成熟，水果分级技术已由人工逐步发展到机器视觉分级。该技术的有效利用具有实现实时在线无损检测的优势，并可提高分级的准确性。因此，本文结合国内外的相关研究，针对不同的分级指标进行综述分析来预测未来的发展情况，将有利于推动农业机械化向数字化、智能化方向发展。
1 机器视觉分级系统概述 目前，机器视觉分级分选系统主要包括机器视觉和机械系统。其中，机械系统主要包括输送带、控制器等;机器视觉系统包括相机、图像系统、输入输出单元等，具有提高生产的柔性和自动化程度、长时间稳定工作、实现信息集成的特点，用于不适合人工作业或人工视觉难以满足要求的场合以及在批量工业生产中进行产品质量检查、计算机集成制造等。机器视觉检测系统采用CCD照相机摄取目标物，并将其转换成传送给图像处理系统的图像信号;图像系统将其转变成数字化信号，并进行各种运算来抽取面积、纹理、形状、位置等目标的特征;然后，根据预设条件如尺寸、角度、类别等输出结果，实现自动识别功能。
2 研究现状 2．1 研究对象
机器视觉作为图像处理和光谱技术的重要分支，在研究对象选取中不断拓展，但仍旧主要集中于苹果、柑橘、脐橙、西红柿、椰枣和梨等流通性好的大体积水果，然而针对于小体积、不规则和地域特色的水果如红枣等研究相对较少。
2．2 检测分级的特性指标及检测方法
基于机器视觉的果蔬品质检测分级技术主要针对其外部品质(如大小、颜色、形状、表面缺陷、纹理等)和内部品质(如硬度、硬度、坚实度、酸度、可溶性固形物等)进行分选，目前针对水果病虫害、损伤和综合品质的分级分选研究相对较少。
2．2．1 大小分级
安爱琴参照分级的国家标准利用MatLab编程对图像进行了背景去除、二值化、平滑和提取特性分级。康晴晴等在动态下连续采集3幅不同且较完整地反映苹果表面信息的图像，利用改进的面积投影法准确计算出平均直径，按大小实现苹果的精确分级。目前，我国分级技术较国外落后，但几乎所有的分级装备都具有大小分级功能且图像处理取得了较好的效果，分级速度、精度已达到较高水平。
2．2．2 形状分级
对于形状分级通常根据基本形状、矩特征、边界描述算子等进行分级，主要方法有傅里叶变换法、形状分析法、神经网络法和图形面积法等。在提取形状特征时，主要采用SIFT描述子、Laplacian变换、不变矩特征等模式识别技术以及遗传算法等进行分级。Laylin试验中提前固定好位置并利用傅里叶变换提取西红柿圆度特征，虽描述出该特征值和形状偏离圆形程度大小的关系但不适合在线分级。应义斌等在对水果形状分类中采用的描述子为Zernike矩，准确率高但速度较慢。因此，如何提高计算速度并实现精确在线分级和使用三维光谱技术重建模型成为下一步研究重点。
2．2．3 颜色分级
水果颜色分级的颜色空间模型中，ＲGB和HIS模型使用广泛。Ｒao等通过建立颜色模型实现水果品质的监测;Lee等研究了颜色转换模型和颜色分类分选技术并评价了水果成熟度。目前，国外基本实现了水果颜色自动分级，但是国内还没有解决颜色快速准确的分级算法，在线检测技术尚不成熟。
2．2．4 表面缺陷
表面缺陷包括腐烂、果锈、晒伤、病害、裂纹、虫咬、压伤、疤痕和冰冻等。目前，利用机器视觉和光谱技术进行检测分选仍旧是研究的热点。
1)分级方案。DevrimUnay等进行柑橘在线检测时，在单一像素下分割出有缺陷部分并提取特征值，用统计方法和结构方法分级。在统计分类器分级中提出，当资源有限时倾向于单一分级模式，当资源充足时采用级联分级法。级联分级法通过二次检测，有利于实现分级的准确性、保证分级效果、提高分级效率。
2)光谱技术的应用。光谱成像技术可以对待检测物体进行定性和定量、定位分析。根据传感器的光谱分辨率可分成多光谱、高光谱、超光谱3类。高光谱成像技术可同时获取空间以及光谱信息，其图像数据反映了水果的外部特征、表面缺陷等，光谱数据可对物体内部物理结构及化学成分分析。因此，近几年利用高光谱进行表面缺陷的检测分级成为研究热点。
赵杰文等利用高光谱图像技术进行主成分分析以提取特征图像来检测水果轻微损伤。Kleynen等通过寻找特征波段的图像并采用阈值分割法分割缺陷，实现了多光谱成像系统对苹果缺陷的识别。Blasco等提出了可见光、近红外、紫外和荧光等不同波段光谱图像信息融合的柑橘常见缺陷检测方法，准确度在可见光与荧光图像融合后从65%提高到94%。D．C．Slaughter等用2个摄像机与计算机视觉系统相关联，完成了实时检测并有足够精确度来满足商业需求。Lu等获取了桃子的超光谱散射图像，运用多元线性回归以及交叉验证的方法建立了不同波长洛伦兹函数的参数与桃子硬度的关系，开发了硬度预测模型并得到良好建模结果。目前，该类分级的研究方向逐渐面向多种光谱技术的融合和建立表面缺陷等与果肉质量间的相关性，如何提高建模预测精度仍是焦点。
3)图像处理方法。目前，图像处理方法主要采用多阈值分割、图像变换、K－均值聚类纹理分析等方法。Blasco．J．等检测柑橘表面缺陷时采用了基于非监督技术的区域分割算法;Lopez－Garci等在进行纹理、颜色、形状、缺陷检测时采用多元图像和主成分分析提取样本特征，并进行T2统计和缺陷匹配度计算。但是，以上两项研究均无法实现缺陷和梗萼的区分且速度有待提高。因此，如何使用图像处理方法、提高检测分级的准确度及速度是目前的一个难点。
2．2．5 纹理分级
纹理分析法分为统计法和结构法。根据纹理特征提取方法不同，有基于灰度共生矩阵、基于马尔可夫随机场模型特征和小波变换等方法;根据采用的分类器不同，主要有神经网络、贝尔斯分类等方法。目前使用较多的为傅里叶变换，如Zhou利用此方法把图像变换到频域进行直方图统计分析来提取纹理特征。纹理分级方法的研究相对较少，因此如何提取纹理特征并提高识别率仍需进一步研究。
2．2．6 综合品质
水果质量的优劣不能用某一品质进行评价，要综合一系列影响其销售的品质来判断。目前，研究针对单一品质的较多，如JorgeI．Aranda－Sanchez等设计了由声学传感器和色度学传感器组成的番茄成熟度检测系统，通过数据融合技术和贝叶斯分类器实现检测分选，但重复检测增加了错误率。而针对集合外部和内部综合品质进行评价的较少，因此实时在线、快速、综合检测、自动分级系统的研究将是水果分级分选技术的重要突破。现有的自动检测分级系统在外观检测方面较为成熟，但是在系统通用性、营养组分检测、速度等方面仍旧薄弱。例如，Kondo中提到的水果自动检测分级系统实现了3个/s的检测速率且不造成损伤;但果梗过长或果型极度歪曲的情况下，将会影响检测分级速度和精度。因此，在提高综合品质分级系统的适用性、精度、速度方面还需不断进步。
2．3 机械装置及生产线开发
随着规模生产的推进，基于机器视觉的机械装置及生产线开发逐渐受到关注。Dah－JyeLee开发了一套椰枣的自动单体化上料输送、以红外成像为依托实时在线检测自动分级系统，但是否适合其他水果有待于考究。何建国等研制出基于机器视觉的红枣无损检测自动分级分选设备，实现了集枣的大小、颜色、形状、表面缺陷等指标的综合品质自动分级并实现矩阵有序排列、无损输送等功能，但生产效率有待于进一步提高。D．C．Slaughter等采用基于倾斜金属板和狭窄传送带的进给装置，有效分离了来自提取机的原材料破碎物，并利用光学编码器使检测和分选系统间的同步性不依赖于机器传送带的速度，减小了局限性。目前，基于机器视觉的机械装置的研究取得了一定进展，但应用于大规模生产实践中还存在一定的障碍需改进。
3 结论与展望 基于机器视觉和光谱技术的分级分选在水果无损检测中的发展日新月异，相关的研究人员进行了综述与分析。研究结果表明，该技术在水果品质检测分级方面发展潜力巨大。
1)基于机器视觉的水果分级技术目前主要针对于流通好、普及高、体积较大、单一品种的水果，因此未来的研究重点将转向具有地域特色、小体积不规则的水果和建立通用性强的检测分级系统。
2)目前，针对于单一品质的检测分级技术较为成熟。大小、颜色、形状等分级技术较成熟，正确率较高，提高其分级速度、应用于大规模生产实践成为重点;病虫害等缺陷、纹理分级成为研究重点，研究内容逐渐面向正确提取纹理特征、建立表面缺陷与果肉质量和表面纹理与内部品质的相关性，以实现多类别实时在线准确分级，并且通过评估水果的分级准确性、鲁棒性、通用性将其在规模化生产中检测分级多个品种的水果。
3)基于机器视觉检测分级技术中，光谱成像技术的融入可以同时获得研究对象的空间及光谱信息。应用研究逐渐倾向高光谱成像技术，研究的突破性主要集中于降低其使用成本、采用合理的图像处理方法、使用三维光谱技术重建三维信息并将荧光、透射、反射等多种技术，同时应用于生产线，进一步实现实时快速在线检测和综合品质精确自动分级。
4)单面实时检测已经完成，从全自动单体化喂料到分级完成的全程性系统性研究及全表面在线实时多指标综合自动检测分级还有待于进一步提高。
