本發(fā)明涉及堅果內(nèi)部品質(zhì)檢測方法，尤其涉及一種用于核桃內(nèi)部干癟缺陷的在線檢測方法。

背景技術(shù)：

核桃干癟缺陷是市場上完整核桃常見的一種質(zhì)量問題，它嚴(yán)重影響了商品核桃的品質(zhì)和銷售價格。自然條件下核桃產(chǎn)生干癟缺陷的原因主要是：核桃生長環(huán)境條件限制，如土壤養(yǎng)分低和水分缺失；核桃生長過程中的病蟲害等。所以，核桃干癟缺陷不可避免地普遍存在于市場上銷售的完整核桃商品中。同時，核桃干癟缺陷不同于其他缺陷，它屬于內(nèi)部品質(zhì)問題，干癟核桃與正常核桃在外觀上難以區(qū)分。在自然觀測條件下兩者外觀基本一致，而將其破殼后可以發(fā)現(xiàn)干癟核桃內(nèi)部存在嚴(yán)重的質(zhì)量問題?；谝陨显?，本發(fā)明提出了力傳感與視覺信息融合的干癟核桃在線檢測方法，僅利用核桃的數(shù)字圖像信息及其重量信息便可實現(xiàn)干癟核桃的在線快速無損檢測。

目前，針對核桃內(nèi)部缺陷檢測的研究較少，大多數(shù)都是針對靜態(tài)條件下的缺陷檢測研究，國內(nèi)還未見有關(guān)核桃內(nèi)部缺陷在線檢測的相關(guān)報道。黃星奕等利用軟X射線獲取核桃圖像對空殼、破損和正常核桃進(jìn)行判別，試驗準(zhǔn)確率較高，但此方法對操作人員存在輻射危險，且食品安全風(fēng)險未知；Jensen等利用近紅外光譜技術(shù)對核桃仁的乙醛含量進(jìn)行了偏最小二乘回歸分析，r2＝0.72；李斌等初步探索了應(yīng)用太赫茲光譜技術(shù)檢測山核桃蟲害的可行性，研究發(fā)現(xiàn)由于活體害蟲的較高含水量以及太赫茲光譜對水分等極性分子的強(qiáng)吸收特性，通過與山核桃切片對比發(fā)現(xiàn)，活體蟲害呈現(xiàn)非常明顯的光譜吸收特性，與正常核桃均存在差異。雖然近紅外光譜技術(shù)和太赫茲光譜技術(shù)對水分敏感，能夠檢測核桃內(nèi)部水分、活體害蟲等，但干癟和空殼等變質(zhì)薄皮核桃內(nèi)部水分少，故利用近紅外光譜技術(shù)和太赫茲光譜技術(shù)無法對干癟和空殼等變質(zhì)薄皮核桃進(jìn)行有效的檢測。并且以上技術(shù)設(shè)備成本較高，信息數(shù)據(jù)量大，實時性差，大多難以滿足在線生產(chǎn)的要求。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是提供一種成本低廉、準(zhǔn)確度較高、快速無損的用于核桃內(nèi)部干癟缺陷的在線檢測方法。

本發(fā)明的目的是通過以下技術(shù)方案實現(xiàn)的：

該方法的步驟如下：獲取核桃動態(tài)條件下的圖像和重量信息，對圖像進(jìn)行二值化分割及形態(tài)學(xué)處理去背景得到核桃投影面積后，對核桃的投影面積和重量進(jìn)行回歸分析得到最優(yōu)的核桃質(zhì)量預(yù)測模型，通過此模型預(yù)測出核桃的質(zhì)量，并計算其與核桃真實質(zhì)量的相對誤差，之后利用黃金分割尋優(yōu)算法找出最佳判別閾值，以此作為判別核桃是否為干癟核桃的判別閾值，判斷所測試樣本是否為干癟核桃。

1)所述的核桃動態(tài)圖像：以黑色同步運(yùn)輸帶為背景，利用相機(jī)外部觸發(fā)采集方式與核桃的重量信息同步采集；

2)所述的核桃重量信息的采集：利用數(shù)字式加速度傳感器將懸臂梁式稱重傳感器動態(tài)條件下的采集核桃重量信號進(jìn)行數(shù)字濾波，從而得到較為精確的核桃重量信息。

3)所述的核桃圖像二值化分割及形態(tài)學(xué)處理去背景：提取核桃RGB圖像的R分量，以50/255為分割閾值進(jìn)行背景分割，之后利用中值濾波及連續(xù)開運(yùn)算去除噪聲，得到去背景的核桃圖像。

4)所述核桃投影面積：在相同條件下采集硬幣的圖像，經(jīng)過相同的處理方法得到其去背景的圖像計算出單個像素點(diǎn)的標(biāo)準(zhǔn)面積，在去背景的核桃圖像中統(tǒng)計核桃所占像素點(diǎn)個數(shù)，計算得到核桃的投影面積。

5)所述核桃質(zhì)量相對誤差：以所得核桃投影面積為自變量，以動態(tài)條件下測得的核桃重量為因變量進(jìn)行回歸分析得到兩者之間存在線性相關(guān)關(guān)系，并以此為核桃重量預(yù)測模型計算得出預(yù)測值，將核桃重量預(yù)測值與測試值的差的絕對值除以測試值便得到了核桃重量相對誤差。

6)所述黃金分割尋優(yōu)算法求最優(yōu)閾值：以所測試樣本的重量相對誤差為自變量，以每個相對誤差為閾值時的判別準(zhǔn)確率為因變量，進(jìn)行回歸分析得兩者之間存在Pulse函數(shù)關(guān)系，此函數(shù)為單峰函數(shù)，利用黃金分割法計算得到自變量區(qū)間內(nèi)的最大值，此時所對應(yīng)的自變量的值即為最優(yōu)閾值。

7)所述干癟核桃判別方法：以在線條件下的核桃圖像經(jīng)過數(shù)字圖像處理并計算得到核桃投影面積，以投影面積預(yù)測核桃重量，并與核桃測試重量運(yùn)算得到核桃重量相對誤差，與所得最優(yōu)閾值比較，若相對誤差大于閾值則判別其為干癟核桃，反之則為正常核桃。

與現(xiàn)有的技術(shù)相比，本發(fā)明根據(jù)核桃本身的物料特性，基于力傳感與視覺信息融合的方法實現(xiàn)了核桃干癟缺陷的在線檢測，成本低廉，快速有效，適合于工業(yè)化生產(chǎn)。本發(fā)明準(zhǔn)確有效，經(jīng)濟(jì)實用，適應(yīng)性強(qiáng)，是一種能很好的實現(xiàn)核桃干癟缺陷在線檢測的方法。

本發(fā)明具有的有益的效果是：

本發(fā)明僅利用核桃的數(shù)字圖像信息和核桃重量信息便可實現(xiàn)干癟核桃的在線無損檢測，方法簡單，相較于現(xiàn)有的技術(shù)，大大降低了檢測成本，提高了檢測速度和準(zhǔn)確率，適合于工廠規(guī)?；a(chǎn)。本發(fā)明可用于核桃等各類堅果的內(nèi)部干癟缺陷的在線檢測。

附圖說明

圖1為本發(fā)明的核桃內(nèi)部干癟缺陷在線檢測方法實現(xiàn)流程圖。

圖2為本發(fā)明的裝置結(jié)構(gòu)示意圖。

圖3為經(jīng)過圖像處理得到的去背景后的核桃圖像及其所占像素點(diǎn)個數(shù)。

圖4為核桃投影面積與核桃重量之間的擬合關(guān)系曲線。

圖5為各個閾值下的判別準(zhǔn)確率與判別閾值之間的擬合曲線關(guān)系。

圖示中：1為工業(yè)CCD相機(jī)；2為同步運(yùn)輸帶；3為直流電機(jī)；4為數(shù)字式加速度傳感器；5為墊片；6為底座；7為稱重傳感器；8為支架；9為核桃樣本；10為光源。

具體實施方式

實施例：圖1所示為核桃內(nèi)部干癟缺陷在線檢測方法實現(xiàn)流程圖。首先，將核桃樣本放置于所述同步運(yùn)輸帶2上，由工業(yè)CCD相機(jī)1獲取清晰的圖像，并對其進(jìn)行二值化處理得到其投影面積，同時利用稱重傳感器5與數(shù)字式加速度傳感器6相結(jié)合的方式獲取核桃動態(tài)條件下的重量信息；之后利用對核桃的投影面積和重量進(jìn)行回歸分析得到的核桃重量預(yù)測模型計算得出核桃的預(yù)測重量，并計算出其與核桃真實質(zhì)量之間的相對誤差，以相對誤差為判別閾值判斷所檢測的核桃是否為干癟核桃，并破殼驗證判別準(zhǔn)確率；之后對不同判別閾值和其對應(yīng)的判別準(zhǔn)確率進(jìn)行回歸分析；最后利用黃金分割法搜索判別閾值與判別準(zhǔn)確率之間的擬合函數(shù)找出最佳的判別閾值，若所檢測核桃的重量相對誤差大于此閾值則判別為干癟核桃，若所檢測核桃的重量相對誤差小于或等于此閾值則判別為正常核桃。