本實用新型屬于農(nóng)產(chǎn)品篩選領域，具體是一種基于機器視覺的農(nóng)產(chǎn)品體積快速測量裝置。

背景技術：

目前基于機器視覺的農(nóng)產(chǎn)品顏色特征檢測技術已經(jīng)比較成熟，顏色特征檢測技術已成功應用于商業(yè)化的農(nóng)產(chǎn)品分級篩選裝置中，如大米色選機、玉米色選機等，根據(jù)不同顏色及霉變、腹白色等對光的反射程度來清除農(nóng)產(chǎn)品中的受損粒、異色粒和其他雜質?，F(xiàn)有的農(nóng)產(chǎn)品分級篩選方法主要是以單一顏色特征為判據(jù)的色選技術，沒有統(tǒng)籌考慮農(nóng)產(chǎn)品的外觀、體積，尤其是體積等特征，使得當前基于色選技術的農(nóng)產(chǎn)品篩選方法有一定的局限性，而隨著生活水平的提高和科技的進步，人們對農(nóng)產(chǎn)品的品質要求越來越高，對于農(nóng)產(chǎn)品的精深加工，農(nóng)產(chǎn)品的分選依據(jù)也會越來越嚴苛和細化，顯然，以顏色特征為單一分選依據(jù)的農(nóng)產(chǎn)品篩選方式將難以適應分選越來越嚴苛及細化的趨勢。為了實現(xiàn)對農(nóng)產(chǎn)品更高品質的分選，除了對農(nóng)產(chǎn)品的顏色特征進行檢測外，還應該對其他的特征如體積大小等進行檢測，便于實現(xiàn)對農(nóng)產(chǎn)品更高等級的分選。

目前基于機器視覺的農(nóng)產(chǎn)品顏色特征檢測技術較為成熟并得到實際應用和推廣，基于機器視覺的外觀特征檢測方法也有許多學者對之進行了廣泛的研究，但是快速體積特征檢測方法還有待進一步完善：基于單目視覺系統(tǒng)的體積測量由于省略了三維虛擬再現(xiàn)，在外觀規(guī)則及可知的情況下，通過獲取部分的尺寸特征參數(shù)預測待測物體的體積，實時性高，但是單幅圖像蘊含的信息量較少，在外形殘缺等因素影響時，體積測量誤差較大，而且基于三維重建技術的體積測量精度較高，但由于虛擬再現(xiàn)的過程耗時較長，實時性不高。

技術實現(xiàn)要素：

針對目前農(nóng)產(chǎn)品分選方式主要以單一的顏色特征作為分選依據(jù)的缺陷，本實用新型提供一種基于機器視覺的農(nóng)產(chǎn)品體積快速測量裝置，本實用新型的測量裝置以三臺互成角度的CCD工業(yè)相機構建視覺系統(tǒng)，用于農(nóng)產(chǎn)品快速體積測量的協(xié)同作用，并且利用圖像采集處理器和相機驅動器對圖像進行灰度化處理、圖像分割和邊緣特征提取，從而獲取待測農(nóng)產(chǎn)品的外觀特征。

為解決上述技術問題，本實用新型采用如下技術方案：一種基于機器視覺的農(nóng)產(chǎn)品體積快速測量裝置，包括三臺互成角度的CCD工業(yè)相機、相機驅動器和圖像采集處理器，相機驅動器同時與三臺CCD工業(yè)相機相接，圖像采集處理器同時與三臺CCD工業(yè)相機和相機驅動器相連，所述的三臺CCD工業(yè)相機的視覺線相交于視覺線交點上，三臺CCD工業(yè)相機的角度以成像后的三面圖像覆蓋面超過待測農(nóng)產(chǎn)品的整個立體表面為準，三臺CCD工業(yè)相機可以沿其視覺線前后移動；每個CCD工業(yè)相機還在其對面設置一個光源和一塊背景板。

測量待測農(nóng)產(chǎn)品體積時，將待測農(nóng)產(chǎn)品置于三臺CCD工業(yè)相機的視覺線交點上，調(diào)節(jié)三臺CCD工業(yè)相機與待測農(nóng)產(chǎn)品之間的距離，使三臺CCD工業(yè)相機在對待測農(nóng)產(chǎn)品成像后的三面圖像覆蓋面超過待測農(nóng)產(chǎn)品的整個立體表面，采集待測農(nóng)產(chǎn)品的三面圖像，并利用相機驅動器和圖像采集處理器對圖像進行分析和處理，獲得三面圖像的六個尺寸參量，代入預先建立的農(nóng)產(chǎn)品體積預測模型中就可預測出待測農(nóng)產(chǎn)品的體積。背景板的顏色與待測農(nóng)產(chǎn)品的顏色有明顯的差異，可以保證待測農(nóng)產(chǎn)品成像的前景色與背景色有很顯著的差異，為快速的圖像分割提供必要的前提條件。

為了增加自動化程度，本實用新型的測量裝置還包括傳送裝置，所述的傳送裝置包括傳送帶和輸送管道，傳送帶與輸送管道上端相對應，輸送管道的出口設置兩個開關型檢測傳感器，所述的開關型檢測傳感器與相機驅動器相接；所述的三臺CCD工業(yè)相機固定在輸送管道下方，三臺CCD工業(yè)相機的視覺線交點位于輸送管道正下方。利用傳送裝置對待測農(nóng)產(chǎn)品進行傳輸，當農(nóng)產(chǎn)品由傳送帶落入傳輸管道，再下落至開關型檢測傳感器之間時，開關型檢測傳感器發(fā)出觸發(fā)信號給相機驅動器，經(jīng)過適當?shù)难訒r，當待測農(nóng)產(chǎn)品落到三臺工業(yè)相機的視覺線交點處時，相機驅動器觸發(fā)三臺CCD工業(yè)相機自動采集待測農(nóng)產(chǎn)品的圖形信息。

本實用新型的基于機器視覺的農(nóng)產(chǎn)品體積快速測量裝置利用三臺互成角度的CCD工業(yè)相機并行采集農(nóng)產(chǎn)品的三面圖像，并利用相機驅動器和圖像采集處理器對圖像進行處理，可以快速獲取待測農(nóng)產(chǎn)品的外觀特征，再結合預先建立的農(nóng)產(chǎn)品體積預測模型能夠快速預測待測農(nóng)產(chǎn)品的體積大小，快捷、方便，預測值更加接近真實值，而且實時性強。

附圖說明

圖1是本實用新型基于機器視覺的農(nóng)產(chǎn)品體積快速測量裝置的示意圖。

圖2是基于機器視覺的農(nóng)產(chǎn)品體積快速測量方法的流程圖。

圖3是通過外接矩形法獲得的待測農(nóng)產(chǎn)品三面圖像的六個尺寸參量。

具體實施方式

下面將結合本實用新型實施例，對本實用新型的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本實用新型一部分實施例，而不是全部的實施例。

基于機器視覺的農(nóng)產(chǎn)品體積快速測量裝置，如圖1所示，包括傳送裝置、開關型檢測傳感器3，三臺互成角度的高速彩色的CCD工業(yè)相機41、42、43，三臺CCD工業(yè)相機41、42、43的相機鏡頭都采用可變焦鏡頭，相機驅動器8由FPGA為核心的驅動板實現(xiàn)相機驅動和相關的算法(如圖像的濾波、圖像分割等預處理、體積預測算法等)，圖像采集處理器7是由以DSP器件為核心的處理板實現(xiàn)，相機驅動器8和圖像采集處理器7都與CCD工業(yè)相機41、42、43相接。所述的傳送裝置包括傳送帶1和輸送管道2，傳送帶1與輸送管道2上端相對應，輸送管道2的出口O′處設置兩個開關型檢測傳感器3，所述的開關型檢測傳感器3與相機驅動器8相接，相機驅動器8同時與三臺CCD工業(yè)相機41、42、43相接，所述的三臺CCD工業(yè)相機41、42、43固定在輸送管道2下方，三臺CCD工業(yè)相機41、42、43的視覺線L1、L2、L3相交于同一點O″，視覺線交點O″位于輸送管道2正下方。所述的三臺CCD工業(yè)相機41、42、43的角度θ1、θ2、θ3以成像后的三面圖像覆蓋面超過待測農(nóng)產(chǎn)品的整個立體表面為準，三臺CCD工業(yè)相機41、42、43可以沿其視覺線L1、L2、L3前后移動；每個CCD工業(yè)相機41、42、43還在其對面設置一個光源51、52、53和一塊背景板61、62、63，光源51、52、53均采用LED光源，其穩(wěn)定性好且使用壽命較長，背景板61、62、63的顏色與待測農(nóng)產(chǎn)品的顏色有明顯的差異，可以保證待測農(nóng)產(chǎn)品成像的前景色與背景色有很顯著的差異，為快速的圖像分割提供必要的前提條件。

基于機器視覺的農(nóng)產(chǎn)品體積快速測量方法，其流程如圖2所示，包括以下步驟：

(1)建立體積預測模型：選取若干個已知體積的農(nóng)產(chǎn)品作為訓練樣本并置于傳送帶1上，調(diào)整三臺高速彩色的CCD工業(yè)相機41、42、43與視覺線交點O″的距離并分別進行標定，如圖1所示，使三臺CCD工業(yè)相機41、42、43在對訓練樣本成像后的三面圖像覆蓋面超過訓練樣本的整個立體表面。當訓練樣本由傳送帶1送入輸送管道2中，在落到O'位置時，高速開關型檢測傳感器3發(fā)出觸發(fā)信號給相機驅動器8，經(jīng)過適當?shù)难訒r，當訓練樣本落到O″位置時，相機驅動器8觸發(fā)三臺CCD工業(yè)相機41、42、43并行采集訓練樣本的三面圖像并傳輸給圖像采集處理器7，圖像采集處理器7對圖像進行灰度化處理，圖像分割及邊緣特征提取。為保證農(nóng)產(chǎn)品在傳送過程中的旋轉不變性，采用外接矩形的方法并結合相機的標定參數(shù)得到三面圖像中各自的最長尺寸及其正交方向上的最大尺寸參數(shù)，如圖3所示，并將其作為輸入變量，結合樣本訓練過程中基于機器學習中的降維算法—偏最小二乘回歸算法(PLSR)建立體積預測模型，如下式所示：

V＝α₀+α₁A₁+α₂B₁+α₃A₂+α₄B₂+α₅A₃+α₆B₃

式中：V——待測農(nóng)產(chǎn)品的體積，α₀——回歸截距，α₁、α₂、…、α₆——原始自變量和原始因變量間的回歸系數(shù)，A₁、B₁、A₂、B₂和A₃、B₃——待測農(nóng)產(chǎn)品三面圖像的六個尺寸參量。

并利用訓練樣本的已知體積對體積預測模型進行驗證，若精度達到要求，則說明體積預測模型合格，可以用于待測農(nóng)產(chǎn)品的體積測量；若精度未達到要求，則需要重新進行PLSR建模，直到精度達到要求；

(2)獲取待測農(nóng)產(chǎn)品的六個尺寸參量：按照步驟(1)所述的方法采集待測農(nóng)產(chǎn)品的三面圖像，對采集的三面圖像進行圖像分割及邊緣特征提取，然后通過外接矩形法分別獲取待測農(nóng)產(chǎn)品三面圖像的六個尺寸參量A₁、B₁、A₂、B₂、A₃、B₃；

(3)計算待測農(nóng)產(chǎn)品的體積：將步驟(2)獲取的三面圖像的六個尺寸參量A₁、B₁、A₂、B₂、A₃、B₃代入步驟(1)得到的體積預測模型中，計算出待測農(nóng)產(chǎn)品的體積V。

經(jīng)計算，馬鈴薯的體積為88.60cm³，排水法測得的同一塊馬鈴薯的體積為89.28cm³，誤差為0.76％。

下面結合圖2及圖3說明體積預測模型建立的具體過程：

機器學習中的降維算法-偏最小二乘法(PLS)結合了多元回歸分析、主成分分析及相關分析等功能，基于偏最小二乘法原理的偏最小二乘回歸(PLSR)可用來解決多元回歸分析中自變量之間的多重相關性或樣本容量小于變量個數(shù)等問題，在眾多的回歸分析中有著其他回歸分析所不具有的優(yōu)勢，目前已經(jīng)廣泛地應用于多個領域并取得了很好的效果。

假設待測農(nóng)產(chǎn)品的體積為V，六個尺寸參量如圖3所示的A₁、B₁、A₂、B₂和A₃、B₃，為便于分析，作如下變量代換：設單因變量y＝V，六個尺寸參量為自變量，并分別設為：x₁＝A₁,x₂＝B₁,x₃＝A₂,x₄＝B₂,x₅＝A₃,x₆＝B₃。

選擇u個不同的已知體積的農(nóng)產(chǎn)品作為訓練樣本，獲得自變量和因變量的樣本數(shù)據(jù)X及Y，其中X_u×6為解釋矩陣，Y_u×1為響應矩陣。按照降序及交叉有效性原則，對樣本矩陣X進行標準化處理，并從標準化處理后的矩陣中依次選擇使方差Var(t_i)和協(xié)方差Cov(t_i，y)都盡可能大的成分t₁,t₂,…,t_h(h≤6)，然后通過建立y與t₁,t₂,…,t_h的回歸方程最終得到y(tǒng)與x₁,x₂,…,x_h的回歸方程式。

將矩陣X與因變量Y進行標準化處理，得到標準化變量矩陣E₀和列向量ζ₀：

其中

式中μ_jx、S_jx--第j個自變量x_j的樣本均值和樣本標準差，μ_y、S_y--因變量y_j的樣本均值和樣本標準差；

從E₀中提取第1個成分：

并執(zhí)行E₀和ζ₀對第1個成分t₁的回歸：

其中

式中p₁、r₁--回歸系數(shù)，E₁、ζ₁--回歸方程的殘差矩陣和向量；

繼續(xù)提取第2個成分t₂，并執(zhí)行E₁和ζ₁對第2個成分t₂的回歸：

其中

式中p₂、r₂——回歸系數(shù)，E₂、ζ₂——回歸方程的殘差矩陣和向量；

繼續(xù)提取成分，設得到m個成分t₁，t₂，…，t_m，并執(zhí)行ζ₀對m個成分的回歸，即：

ζ₀＝r₁t₁+r₂t₂+r₃t₃+…+r_mt_m，最終將之還原成原始變量的形式，得到待測農(nóng)產(chǎn)品體積回歸模型：

y＝α₀+α₁x₁+α₂x₂+...+α₆x₆，

即待測農(nóng)產(chǎn)品的體積V和6個尺寸參量A₁、B₁、A₂、B₂、A₃、B₃之間的關系式為：

V＝α₀+α₁A₁+α₂B₁+α₃A₂+α₄B₂+α₅A₃+α₆B₃，

式中α₀——回歸截距，α₁、α₂、…、α₆——原始自變量和原始因變量間的回歸系數(shù)。

該測量方法借鑒機器視覺在三維重建中的應用，采取互成角度的三臺CCD工業(yè)相機并行獲取農(nóng)產(chǎn)品的圖像信息，通過對三臺CCD工業(yè)相機輸出圖像進行快速分割、邊緣特征提取等方法獲取農(nóng)產(chǎn)品的外觀特征，為了避免基于三維重建技術的體積測量方法的低實時性，通過外接矩形法分別獲取并行輸出的三面圖像中最大長度尺寸及其正交方向上的最大長度尺寸，結合樣本訓練及機器學習中的降維算法—偏最小二乘回歸算法(PLSR)得到以三面圖像中的六個尺寸參量為輸入變量的農(nóng)產(chǎn)品體積預測模型，并用訓練樣本的體積加以驗證，使用體積預測模型得到的待測農(nóng)產(chǎn)品的體積更加接近真實值；再將獲取的待測農(nóng)產(chǎn)品的三面圖像的六個尺寸參量代入體積預測模型中，快速獲取農(nóng)產(chǎn)品的體積大小，從而實現(xiàn)待測農(nóng)產(chǎn)品體積大小的快速測量。通過在樣本訓練階段建立的農(nóng)產(chǎn)品體積預測模型，忽略了三維虛擬再現(xiàn)過程的低實時性，在體積測量階段，通過體積預測模型快速獲取待測農(nóng)產(chǎn)品的體積大小，為綜合顏色、體積等多特征的農(nóng)產(chǎn)品智能分選提供必要的分級依據(jù)：在保留現(xiàn)有農(nóng)產(chǎn)品色選技術的基礎上，在智能分選裝置上增加農(nóng)產(chǎn)品體積特征檢測，得到待測農(nóng)產(chǎn)品的多方面特征，農(nóng)產(chǎn)品的分級依據(jù)將更為細化，高品質的農(nóng)產(chǎn)品優(yōu)選可得到保證。

通過獲得最長尺寸及其正交方向上的外觀尺寸參數(shù)，可以確保待測農(nóng)產(chǎn)品在傳送過程中的旋轉不變性，而且體積特征獲取是通過獨立于實際的體積測量過程的樣本訓練階段建立的體積預測模型得到的，從而可以極大提升待測農(nóng)產(chǎn)品多特征測量的效率。