基于LabVIEW和多光譜成像技術的蘋果品質無損檢測裝置

楊甜軍+張箭+朱哲+周竹+曾松偉

摘要：基于LabVIEW和多光譜成像技術設計了一套蘋果品質檢測裝置，包括硬件設計和軟件設計。硬件部分主要由單片機控制模塊、光源模塊、電機模塊以及圖像采集模塊等組成；軟件部分采用基于LabVIEW的G語言進行編寫，包括通信模塊、圖像采集與保存模塊以及圖像處理與顯示模塊等。檢測裝置經調試后，對每個蘋果的圖像采集與處理時間為8 s，能夠對大小、形狀、損傷以及糖度等指標進行檢測，具有無損、快速的特點。

關鍵詞：多光譜成像技術；LabVIEW；品質；無損檢測；蘋果

中圖分類號：S126；TP274 文獻標識碼：A 文章編號：0439-8114（2014）19-4720-03

DOI：10.14088/j.cnki.issn0439-8114.2014.19.056

Nondestructive Detection Device of Apple′s Quality Based on LabVIEW and Multispectral Imaging Technology

YANG Tian-juna，ZHANG Jiana，ZHU Zhea，ZHOU Zhua，b，c，ZENG Song-weia，b，c

（Zhejiang A&F University， a. School of Information Engineering； b. Research Center for Smart Agriculture and Forestry； c. Zhejiang Provincial Key Laboratory of Forestry Intelligent Monitoring and Information Technology， Linan 311300， Zhejiang， China）

Abstract： In order to realize the grading of apple based on size， shape， bruise and sugar content， a system consisted of hardware part and software part for detecting apple′s quality was developed based on multispectral imaging technology and LabVIEW. The hardware part was composed by MCU（STM32F103ZET6）， light source， stepping motor module， image acquisition module et ec. The software part was designed in the LabVIEW environment programmed by G language， made up of communication module， image acquisition and save module， image processing and display module et ec. After debugging of software and hardware parts， the device could meet the speed requirement of detecting one apple in less than 8 s， with the advantages of nondestruction and rapid detection.

Key words： multispectral imaging technology； LabVIEW； quality； nondestructive detection； apple

蘋果是世界上第二大消費水果，營養價值豐富。蘋果的品質包括外部品質（大小、形狀以及各種缺陷）和內部品質（糖度、酸度等）。隨著蘋果采后商品化處理和加工技術的發展，開展蘋果的自動化分級檢測是促進蘋果增值的重要途徑。

機器視覺技術可以對果蔬的大小[1]、形狀[2]以及一些常見缺陷[3]進行檢測。然而在采摘、運輸的過程中引起的果蔬損傷，對RGB以外的波段更加敏感。近紅外光譜技術可用于農產品的組分如糖度[4]、水分[5]及缺陷[6]的檢測。但該方法只能提供樣品一個小區域的檢測，樣品的各向異性會影響測量結果。高光譜成像技術融合了圖像和光譜信息，可對農產品進行品質檢測[7，8]。但其數據量龐大、處理耗時，不利于在線檢測。此外所需設備昂貴，制約了實際應用。前人的研究指出，通過高光譜成像技術可以獲取反映被測物品質的多個波段，基于這些特征波段可以設計多光譜成像系統，從而實現農產品的在線檢測[9]。在前期研究及大量學者[10-13]對蘋果品質檢測研究的基礎上，設計了一套蘋果品質檢測裝置，該裝置可以采集特定波段下的圖像，并依據大小、形狀、損傷以及糖度等對蘋果進行檢測分級。

1 系統工作原理

基于多光譜成像技術的蘋果品質無損檢測裝置如圖1所示（專利號：ZL2013203684051），主要由步進電機及其驅動模塊、圖像采集模塊、濾光片輪、濾光片、光源模塊、單片機模塊等構成。其中，步進電機的輸出軸嵌入到采集箱內，軸端安裝有濾光片輪。濾光片輪在圓周方向均布有多個T形通孔，每個T形通孔上放置一片濾光片。

蘋果品質無損檢測裝置的工作原理為：將蘋果樣品放置在Y形載物臺上，調節可調鏡頭，使樣品圖像大小合適且清晰。通過專用計算機上的上位機軟件，設置合適的步進電機轉速，并將信息發送給單片機，單片機接受指令后通過電機驅動模塊控制步進電機選擇對應波段的濾光片后，反饋完成指令給上位機。隨后，上位機發送指令給近紅外相機進行圖像采集，并將圖像實時傳回，重復這個過程直到6個濾光片下的圖像采集完成后進行下一個樣品的采集。通過合適的圖像處理算法對獲取的6張圖像進行處理，可快速準確地分析出樣品的品質信息，并將結果進行顯示。

2 裝置硬件設計

蘋果品質檢測裝置硬件部分主要實現蘋果的多光譜圖像采集，其裝置的設計包括單片機控制模塊、光源模塊、電機模塊以及圖像采集模塊等部分。

2.1 單片機控制模塊

單片機在系統中的主要功能是對步進電機進行控制，并和上位機進行通信。本裝置采用ST（意法半導體）公司的STM32F103ZET6單片機，該單片機為32位基于ARM內核的帶512 k字節閃存的微控制器，具有高性價比，運行速度快，其資源足以滿足本系統的功能要求。其I/O端口中的PF0-PF3以及電源正極與電機驅動器相連，向驅動芯片發送信號來控制步進電機的轉向和角度。RS232串口與上位機通信，配合控制步進電機的轉動和近紅外相機的圖像光譜的采集。此單片機的軟件設計在Keil開發環境下進行，采用C語言編程。圖2為單片機與步進電機驅動的接線圖。

2.2 光源模塊

光源模塊為采集裝置提供穩定的可見/近紅外光照。本裝置使用了一種碗狀光源，底部由6盞50 W的鹵素燈發出的光線，通過半球形內腔壁涂有的特殊漫反射材料反射，均勻地、多角度地照射到蘋果上，能夠減少由于蘋果表面的凹凸不平引起的光照不均勻。鹵素燈發光效率高、色溫穩定，滿足裝置采用的488～947 nm濾光片的波段需求。

2.3 電機模塊

電機模塊的作用是控制濾光片輪的轉向和精準定位，由于本裝置采用開環控制，因此步進電機的控制精度尤為重要。步進電機選用型號為57BYGH338C-72J的兩相四線步進電機，是一款大扭矩、高精度的步進電機，具體參數為：軸徑 8 mm，工作電壓24 VDC，工作電流3 A，力矩1.6 N·m，步距角1.8°。步進電機驅動器則采用TOSHIBA（東芝）公司的TB6560AHQ芯片，該芯片采用光耦隔離，抗高頻干擾能力強，最高驅動電流為3.5 A，是具有高集成度高可靠性的兩相步進電機驅動器。

2.4 圖像采集模塊

圖像采集模塊中相機選用的是杭州微圖視覺科技有限公司生產的VT-EXGM360近紅外相機，敏感波段范圍為350～1 050 nm。該相機遵循千兆網高速傳輸的標準，集高分辨率、高清晰度、高幀率為一體，具有300萬物理像素和板級處理功能，從而提供了高質量的圖像采集。同時該相機還支持多種圖像處理及測控軟件如LabVIEW和Matlab等。系統中的相機透過濾光片采集到相應波段的圖像數據，通過千兆網口傳給上位機，由上位機進行保存、處理、分析等一系列操作。

3 裝置軟件設計

蘋果品質檢測裝置的多光譜圖像采集軟件是基于虛擬儀器LabVIEW開發環境來實現。LabVIEW是美國國家儀器（NI）公司研制開發的一種虛擬儀器軟件開發平臺，使用圖形化編程語言G編寫程序，開發周期短，設計出來的系統界面美觀，便于修改，擴展性強。圖3為蘋果品質檢測的多光譜圖像采集軟件工作流程圖。其中主要涉及通信模塊、圖像采集與保存模塊以及圖像處理及顯示模塊。

3.1 通信模塊

上位機與單片機通信單元通過LabVIEW軟件中的VISA Configure Serial Port控件來實現。通信信號以字符幀傳輸，每幀包含8位數據位、1位停止位、無奇偶校驗。故設置控件的波特率為9 600 bit/s，數據為8 bit，停止位為1，奇偶校驗為0。以十六進制0X31作為上位機與單片機的識別信號，當單片機接收到命令信號0X31時，則啟動步進電機，發送反饋信號0X31；當上位機收到反饋信號0X31判別與發出的命令信號相同時，則啟動近紅外相機；若不是，則繼續等待。另以十六進制0X32～0X36作為步進電機速度選擇信號，其中0X32為最高檔速度。具體前面板和程序框圖如圖4所示。

3.2 圖像采集與保存模塊

通過LabVIEW圖像采集工具包IMAQ中的Vision Acquisition控件讀取圖像數據，再通過IMAQ OUT控件進行顯示。將前面板設置中的地址和Vision Acquisition控件的輸出作為輸入，再通過IMAQ Write File控件進行相應的圖片保存。程序中通過編號的自增來改變圖像的保存名稱進而實現圖像光譜的自動保存，用戶只需通過啟動和停止按鈕就可選擇是否運行裝置。圖像采集與保存模塊的前面板和程序框圖如圖5所示。

3.3 圖像處理及顯示模塊

檢測裝置中需要根據蘋果的大小、形狀、損傷以及糖度等進行分級。圖像處理流程為：首先判斷蘋果是否出現損傷，若無損傷，再根據大小、形狀以及糖度含量進行分級。蘋果的損傷要使用所獲取的全部圖像，并對圖像進行主成分以及波段比分析，其實現可以借助LabVIEW和Matlab的交互工具來實現。糖度檢測可以提取每張圖像中心部位感興趣區域的亮度值，通過前期建立好的多元線性模型進行計算。而大小、形狀檢測可以選定指定波段的圖像，通過IMAQ中的圖像處理函數直接進行分析。圖6給出了蘋果部分品質檢測圖像處理的程序框圖。

圖7給出了蘋果品質無損檢測裝置的前面板，該裝置經軟、硬件調試后，在中擋步進電機轉速下，蘋果的檢測速度為8 s/個，能夠滿足蘋果分級檢測需求，具備無損、快速檢測的優點。

4 小結

基于虛擬儀器LabVIEW和多光譜成像技術設計了一套蘋果品質檢測的多光譜成像裝置。該裝置由單片機、光源、電機及驅動模塊、近紅外相機、濾光片以及濾光片輪等組成。通過單片機控制濾光片輪轉動，可以獲得特定波段下的圖像。該裝置能對蘋果的損傷、果形、大小以及糖度進行檢測并分級，檢測速度為8s/個，具備快速、無損等特點，為蘋果及其他果蔬品質的檢測和分級提供了參考和借鑒。

參考文獻：

[1] 安愛琴，余澤通，王宏強.基于機器視覺的蘋果大小自動分級方法[J].農機化研究，2008（4）：163-166.

[2] 司永勝，喬 軍，劉 剛，等.基于機器視覺的蘋果識別和形狀特征提取[J].農業機械學報，2009，40（8）：161-165.

[3] 李小昱，陶海龍，高海龍，等馬鈴薯缺陷透射和反射機器視覺檢測方法分析[J].農業機械學報，2014，45（5）：191-196.

[4] 趙杰文，張海東，劉木華.利用近紅外漫反射光譜技術進行蘋果糖度無損檢測的研究[J].農業工程學報，2005，21（3）：162-165.

[5] 劉 潔，李小昱，李培武，等.基于近紅外光譜的板栗水分檢測方法[J].農業工程學報，2010，26（2）：338-341.

[6] 韓東海，劉新鑫，趙麗麗，等.受損蘋果顏色和組織的近紅外光譜特性[J].農業機械學報，2003，34（6）：112-115.

[7] 郭俊先，饒秀勤，程國首，等.基于高光譜成像技術的新疆冰糖心紅富士蘋果分級和糖度預測研究[J].新疆農業大學學報， 2012，35（1）：78-86.

[8] 高海龍，李小昱，徐森淼，等.透射和反射高光譜成像的馬鈴薯損傷檢測比較研究[J].光譜學與光譜分析，2013，33（12）：3366-3371.

[9] QIN J W， BURKS T F， ZHAO X， et al. Development of a two-band spectral imaging system for real-time citrus canker detection[J]. Journal of Food Engineering，2012，108（1）：87-93.

[10] 黃文倩，陳立平，李江波，等.基于高光譜成像的蘋果輕微損傷檢測有效波長選取[J].農業工程學報，2013，29（1）： 272-277.

[11] LEE K， KANG S， DELWICHE S R， et al. Correlation analysis of hyperspectral imagery for multispectral wavelength selection for detection of defects on apples[J]. Sensing and Instrumentation for Food Quality and Safety，2008，2（2）：90-96.

[12] ELMASRY G， WANG N， VIGNEAULT C， et al. Early detection of apple bruises on different background colors using hyperspectral imaging[J]. LWT-Food Science and Technology， 2008， 41（2）：337-345.

[13] KLEYNEN O， LEEMANS V， DESTAIN M F. Selection of the most efficient wavelength bands for ‘Jonagold apple sorting[J]. Postharvest Biology and Technology， 2003， 30（3）：221-232.

[2] 司永勝，喬 軍，劉 剛，等.基于機器視覺的蘋果識別和形狀特征提取[J].農業機械學報，2009，40（8）：161-165.

[3] 李小昱，陶海龍，高海龍，等馬鈴薯缺陷透射和反射機器視覺檢測方法分析[J].農業機械學報，2014，45（5）：191-196.

[4] 趙杰文，張海東，劉木華.利用近紅外漫反射光譜技術進行蘋果糖度無損檢測的研究[J].農業工程學報，2005，21（3）：162-165.

[5] 劉 潔，李小昱，李培武，等.基于近紅外光譜的板栗水分檢測方法[J].農業工程學報，2010，26（2）：338-341.

[6] 韓東海，劉新鑫，趙麗麗，等.受損蘋果顏色和組織的近紅外光譜特性[J].農業機械學報，2003，34（6）：112-115.

[7] 郭俊先，饒秀勤，程國首，等.基于高光譜成像技術的新疆冰糖心紅富士蘋果分級和糖度預測研究[J].新疆農業大學學報， 2012，35（1）：78-86.

[8] 高海龍，李小昱，徐森淼，等.透射和反射高光譜成像的馬鈴薯損傷檢測比較研究[J].光譜學與光譜分析，2013，33（12）：3366-3371.

[9] QIN J W， BURKS T F， ZHAO X， et al. Development of a two-band spectral imaging system for real-time citrus canker detection[J]. Journal of Food Engineering，2012，108（1）：87-93.

[10] 黃文倩，陳立平，李江波，等.基于高光譜成像的蘋果輕微損傷檢測有效波長選取[J].農業工程學報，2013，29（1）： 272-277.

[11] LEE K， KANG S， DELWICHE S R， et al. Correlation analysis of hyperspectral imagery for multispectral wavelength selection for detection of defects on apples[J]. Sensing and Instrumentation for Food Quality and Safety，2008，2（2）：90-96.

[12] ELMASRY G， WANG N， VIGNEAULT C， et al. Early detection of apple bruises on different background colors using hyperspectral imaging[J]. LWT-Food Science and Technology， 2008， 41（2）：337-345.

[13] KLEYNEN O， LEEMANS V， DESTAIN M F. Selection of the most efficient wavelength bands for ‘Jonagold apple sorting[J]. Postharvest Biology and Technology， 2003， 30（3）：221-232.

[2] 司永勝，喬 軍，劉 剛，等.基于機器視覺的蘋果識別和形狀特征提取[J].農業機械學報，2009，40（8）：161-165.

[3] 李小昱，陶海龍，高海龍，等馬鈴薯缺陷透射和反射機器視覺檢測方法分析[J].農業機械學報，2014，45（5）：191-196.

[4] 趙杰文，張海東，劉木華.利用近紅外漫反射光譜技術進行蘋果糖度無損檢測的研究[J].農業工程學報，2005，21（3）：162-165.

[5] 劉 潔，李小昱，李培武，等.基于近紅外光譜的板栗水分檢測方法[J].農業工程學報，2010，26（2）：338-341.

[6] 韓東海，劉新鑫，趙麗麗，等.受損蘋果顏色和組織的近紅外光譜特性[J].農業機械學報，2003，34（6）：112-115.

[7] 郭俊先，饒秀勤，程國首，等.基于高光譜成像技術的新疆冰糖心紅富士蘋果分級和糖度預測研究[J].新疆農業大學學報， 2012，35（1）：78-86.

[8] 高海龍，李小昱，徐森淼，等.透射和反射高光譜成像的馬鈴薯損傷檢測比較研究[J].光譜學與光譜分析，2013，33（12）：3366-3371.

[9] QIN J W， BURKS T F， ZHAO X， et al. Development of a two-band spectral imaging system for real-time citrus canker detection[J]. Journal of Food Engineering，2012，108（1）：87-93.

[10] 黃文倩，陳立平，李江波，等.基于高光譜成像的蘋果輕微損傷檢測有效波長選取[J].農業工程學報，2013，29（1）： 272-277.

[11] LEE K， KANG S， DELWICHE S R， et al. Correlation analysis of hyperspectral imagery for multispectral wavelength selection for detection of defects on apples[J]. Sensing and Instrumentation for Food Quality and Safety，2008，2（2）：90-96.

[12] ELMASRY G， WANG N， VIGNEAULT C， et al. Early detection of apple bruises on different background colors using hyperspectral imaging[J]. LWT-Food Science and Technology， 2008， 41（2）：337-345.

[13] KLEYNEN O， LEEMANS V， DESTAIN M F. Selection of the most efficient wavelength bands for ‘Jonagold apple sorting[J]. Postharvest Biology and Technology， 2003， 30（3）：221-232.