基于红枣缺陷的分选检测仪器设计研究*

王庆喜 ，郑东梅

（榆林职业技术学院，陕西 榆林 719000）

陕西榆林是黄河滩枣的主产地，红枣成熟期若受连阴雨天气影响，会导致红枣裂果与霉变[1]。作为外观颜色和缺陷颜色很难分辨的一种物料类型，红枣颗粒常会出现虫洞、霉变、裂痕等缺陷，传统红枣捡选靠人眼识别，人工分选费工费时、进展缓慢且工作效果不好，科学分选出枣粒表皮裂痕、霉变、虫洞等缺陷，在提高红枣品质的同时可保证食品的安全性。因此，研究设计红枣光电分选机检测系统、优化图像处理算法和检测系统硬件十分有必要，红枣光电分选机检测系统可快速准确识别霉变红枣粒，降低误识率，提高红枣捡选精度和效率，在光电分选机检测系统中加入图像处理技术代替人工视觉，工作效率和经济效益提高显著。利用CCD传感器结合HSV颜色空间模型图像识别算法的光电分选系统，可使捡选效果更理想。如果在提取红枣表面颜色信息时，进一步将暗斑与霉变进行区分，不被误识，可提高光电分选机检测系统的改进空间。

1 试验样本

本研究选取的样本为市场中常见的陕北红枣[2]，陕北红枣枣粒大、枣核小、枣肉实、维生素C含量高，有非常高的营养和极高的中医药价值[3]。试验中的正常枣粒和缺陷枣粒是在当地枣树上采选的。红枣缺陷的产生，是由于红枣在生长过程中受到虫害或鸟啄而出现孔洞，在果实成熟季受雨水侵蚀而出现霉变，在采摘过程中由人为或机械作用而出现损伤，或者制干控制不当而出现裂纹[4]。本研究采用的试验样本为带有虫洞、霉变、裂痕等缺陷的红枣粒。图1为采选的带缺陷的红枣颗粒。

图1 常见的红枣缺陷

2 试验设备

新型光电分选机检测系统以提高系统的稳定性和提高图像采集速度为目标，通过图像采集、特征提取、图像识别和视觉系统控制实现。由于试验需采集红枣图像数量较多，根据实际需要，搭建了图像采集装置。图2为该装置的示意图与实物图，主要包括发光装备（光照箱外壳、支架、6×4LED恒条形光源2个、电源）、光源控制器工业相机、图像采集卡、电脑等硬件以及图像采集软件。

图2 图像采集装置

图像采集以高速、高精度为目标，工作步骤为：打开光源开关，控制调节阀使传送带拥有合适速度，当光源和传送带功率平稳时，放入枣粒样本，枣粒样本通过由照射光源、背景白板和线阵CCD传感器组成的成像区域。使用图像处理软件MIL 9.0进行枣粒样本的图像、视频数据采集。

3 工业相机的选用

采用嵌入系统或可编程逻辑等直接完成图像采集、识别、特征标记和算法处理。合适的工业相机能够改善目标图像的清晰度和分辨率，如果相机采集得到的图像像素过低，则会在处理中丢失某些细节信息，导致精度不够，相反图像像素过高则会造成图像的传输、处理效率变慢，对系统资源占用较大，不能满足现实需要。所以合适的工业相机关系着红枣图像质量的好坏，影响着红枣缺陷检测的准确性。

工业相机CCD芯片，CCD（Charge Coupled Device）即电荷耦合元件是一种半导体器件，能够把光信号转化为电信号，再通过模数转换，将电信号转换为数字图像信号[5]。CCD技术成熟，具有体积小、功耗小、重量轻、高解析度、高灵敏度、快响应度、稳定性好、应用范围广、寿命长等优点。CCD技术的成像质量清晰细腻，对工业现场的光学环境要求不高，为提高检测精度、速度和稳定性，采用彩色线阵CCD传感器和数模转换芯片完成多帧图像处理及检测，降低控制和升级的复杂程度。

本研究选用了深圳顺华利SHL-200w工业相机进行红枣图像采集。该相机符合本课题研究设计所需的行频、单线像元个数、传感器有效尺寸等条件，用以完成系统的图像采集工作。

相机部分参数：相机型号为SHL-200w，工作电压为DC 5 V，工作温度为0～50 ℃，最大分辨率为1 600×1 200，像素点大小为2.8×2.8 μm2，信噪比为42.3 dB，机械尺寸为49 mm×49 mm×35 mm，接口类型为USB 2.0。图3为本试验采集用的CCD芯片工业相机实物图。

图3 CCD工业相机实物图

4 光源配置方案

4.1 光源的选择

光源决定样本枣粒的图像质量，图像的好坏决定枣粒信息质量，决定样本枣粒中的缺陷粒能否在算法中被正确识别出来。因此，要展现出样本枣粒的颜色信息，光源的选择和打光方式极为重要，光源稳定与打光方式的好坏，直接决定着图像特征的成像清晰度，决定着能否有效降噪，决定着能否从背景中凸显出被测样本枣粒的各类重要特征，从而获取样本枣粒的高质量图像，为下一步进行高速度数据处理、提高识别精度打下基础。在红枣粒的光电分选检测系统中，图像质量受光源影响占比30%以上[6]。

由于本研究选用线阵CCD作为成像元件，因此，基于红枣缺陷的光电分选机检测系统的照射光源选用可见光源，可见光源分为自然光源和人造光源。太阳光属色彩神奇的自然光，随时间的变化其亮度、色度等都在变化，不易保持图像效果相近，不适合对同一物体进行重复性拍摄。由于本试验需要重复性好、稳定性好的工作环境，因此，为避免自然光的干扰，选择人造光源，同时，还需要制造一个相对封闭的工作环境以防外部自然光对图像采集的影响。

人造光源类型包括光纤卤素灯、高频荧光灯以及LED光源[7]。卤素灯的灯光高亮，白色偏黄，亮度随时间的变化可以忽略，较常用于数控机床等加工制造设备，提供可持续的集中照明，寿命为3 000 h～8 000 h，其响应速度为ms级。高频荧光灯普遍照明时间为5 000 h～7 000 h，其响应速度慢，一般用于超市、学校等大面积照明场所；LED灯，颜色由稀土元素决定，寿命为50 000 h～100 000 h，其响应速度为ns级，很快，优点是发光稳定、功率小、节能、可根据设计要求设计特定的光源和形状、发热量低、光谱特性良好等。因此，本课题的红枣光电分选机检测系统的照射光源选用LED光源。

4.2 光源配置方案

照射光按其照射方向的不同分为4种照射类型，分别是直射光、漫射光、偏光光以及平行光。本试验光源为2组6×4型号的LED灯组，安放在相机镜头以下、光照箱的顶部、传送带运行方向的两侧，与待测面的高度相距约80 mm，同时配置光照亮度调节器及12 V电源。最后，通过调整LED灯的照射角、光照强度等来确定最佳光照环境。图4为光源组合设计方案，该方案可以为光源箱内的待测区域提供一个光照亮度分布均匀、光线柔和稳定的图像采集环境，有效减少光学反射镜中产生的光斑，使图像采集系统能够采集到清晰、明亮的目标红枣图像。

图4 光源组合设计方案

5 计算机与图像采集

计算机主要用于图像采集软件的运行，控制图像采集硬件完成图片拍摄，将采集到的图像信息在软件显示区域输出，并储存到指定位置。本试验图像采集使用的笔记本电脑为华硕品牌，16 G内存，硬盘容量为1 TB，使用操作系统为Windows 10，将以上各硬件连接组合而成，对采集摄像机镜头和红枣间的相对位置、LED灯亮度进行手动调节，确保采集的红枣图像完整、清晰、无重影。整个机器运转时枣粒会随传送带一起运动，当到达摄像头正下方时，触发相机完成图像采集，相机采集的图像通过与PC连接的线缆被实时传送到计算机当中[8]。图5为暗光照箱内结构。光源使用万向云台夹固定，可在一定范围内调节光源位置，其具有独立的亮度调节开关，通过调节光源亮度可有效减少红枣表面反光，提高图像质量[9]。通过相机与光电传感器连接，当红枣经过光电开关时触发相机拍摄，相机采集1张红枣图片。

图5 光源箱实物图

6 图像Blob分析的实现流程

图像Blob分析的实现流程[10-11]大致可分为以下3个步骤：获取图像、提取二值图像数据、进行Blob分析。一是获取图像，即通过计算机图像采集软件的运行控制图像采集硬件完成图片拍摄。二是提取二值图像数据，即根据目标物的数据需求，将目标物图像的有用数据进行区域二值化处理，提取出要分析的二值区域。三是Blob特征分析，即将前景和背景分离开的二值图像，进行连通区域提取和标记，标记完的每一个Blob都代表一个前景目标，这样可以计算Blob的一些相关特征。

本试验中Blob分析的实现流程为：首先获取样本枣粒图像，然后将样本枣粒的图像通过区域二值化法进行处理，使样本枣粒二值图像与背景分离，提取样本枣粒的前景，对连通区域进行标记、检测，进而获得了样本枣粒的Blob区域，最后对样本枣粒的缺陷位置、表面形状、颗粒大小进行计算。提取样本枣粒二值图像数据是流程的重要环节，第一步要去除背景物等的干扰，将采集的RGB图像通过公式转换为合适的HSV颜色空间，然后用图像分割和红枣粒识别算法提取红枣的二值区域图像数据。第二步要对提取到的红枣二值区域进行形态学数据处理，确保将其分割为单个红枣粒的有用区域并去除杂点。第三步继续对红枣图像进行连通域分析，最后根据不同缺陷的数值特征，分别对各类缺陷数值图像进行特征提取，该算法可以有效识别霉变、坏头等枣粒缺陷。

图6为Blob分析实现流程[12-14]，样本枣粒图像获取后，进行去除背景图像分析，即分割图像、进行颜色空间数据转换、阈值分割、形态学数据处理、特征提取、连通域分析，分离出每一个枣。最后通过阈值分割、连通域分析、特征提取等进行红枣表面的缺陷识别，即是否霉变、是否有洞、是否有裂痕等。

图6 Blob分析实现流程

7 小结

目前，基于机器视觉的红枣缺陷检测技术正好处于试用阶段，检测手段还不够成熟，使用时稳定性较差。本研究仅从设备搭建、图像检测算法入手，其结构功能还需优化改进，对算法研究不够深入，在外部环境复杂时精度和效率受影响较大，在今后的研究中，还需对设备结构和图像识别算法进行进一步优化，以满足实际生产需求。