基于機(jī)器視覺黃瓜果實(shí)自動(dòng)分級(jí)方法

李　明，房俊龍，喬翊博，劉　超，張伶鳦，趙朝陽，欒吉玲

(東北農(nóng)業(yè)大學(xué) 電氣與信息學(xué)院，哈爾濱　150030)

?

基于機(jī)器視覺黃瓜果實(shí)自動(dòng)分級(jí)方法

李明，房俊龍，喬翊博，劉超，張伶鳦，趙朝陽，欒吉玲

(東北農(nóng)業(yè)大學(xué) 電氣與信息學(xué)院，哈爾濱150030)

摘要：為實(shí)現(xiàn)黃瓜果實(shí)快速準(zhǔn)確分級(jí)，以攝像頭為視頻采集模塊、DSP核心處理器為主控制模塊、機(jī)械手為執(zhí)行模塊，并借助質(zhì)量控制、電機(jī)傳送等輔助單元，構(gòu)建了自動(dòng)化分級(jí)平臺(tái)。參照國家標(biāo)準(zhǔn)NY/T1587-2008，利用圖像處理方法對(duì)黃瓜果實(shí)圖像的瓜長(zhǎng)、把長(zhǎng)、橫徑差、弓形高度進(jìn)行了提取和計(jì)算。選取長(zhǎng)春密刺、龍雜黃七號(hào)、露秋一號(hào)3個(gè)品種240根黃瓜果實(shí)作為試驗(yàn)樣本，抽取每個(gè)品種的20個(gè)樣本作為圖像提取數(shù)據(jù)分析，其余60個(gè)樣本作為自動(dòng)分級(jí)平臺(tái)測(cè)試。測(cè)試結(jié)果顯示：該平臺(tái)的平均分級(jí)精度為96.7%，每分鐘約檢測(cè)35根果實(shí)，相較人工分級(jí)具有快速、無損、準(zhǔn)確、客觀的特點(diǎn)，為機(jī)器視覺技術(shù)應(yīng)用于橢長(zhǎng)形果實(shí)自動(dòng)化分級(jí)提供了重要依據(jù)。

關(guān)鍵詞：機(jī)器視覺；圖像處理；黃瓜；果實(shí)；分級(jí)；機(jī)械手

0引言

黃瓜是廣大消費(fèi)者所喜愛的蔬菜之一，尤其在炎炎夏日，超市黃瓜的日銷量巨大，然而黃瓜的分級(jí)主要依靠人工方式，勞動(dòng)強(qiáng)度大、效率低。因此，黃瓜果實(shí)的自動(dòng)化分級(jí)平臺(tái)的研究對(duì)提高黃瓜產(chǎn)銷的經(jīng)濟(jì)效益具有重大意義。

國外自20世紀(jì)70年代末開始利用機(jī)器視覺對(duì)果蔬等農(nóng)產(chǎn)品質(zhì)量檢測(cè)和分類，但分類精度與速度低，涉及的果實(shí)品種較少[1-3]；80年代起，隨著科學(xué)技術(shù)的不斷進(jìn)步和生產(chǎn)需求的提高，智能無損檢測(cè)分級(jí)技術(shù)的研發(fā)得到廣大農(nóng)業(yè)科研專家的重視[4]。Rigney制作黃瓜分選線，黃瓜依據(jù)形狀與大小被分成3類、5個(gè)等級(jí)，然而當(dāng)時(shí)硬件性能低，導(dǎo)致分選準(zhǔn)確率很低，達(dá)到62%[5]。20世紀(jì)90年代，荷蘭農(nóng)業(yè)環(huán)境工程研究所研制出一種多功能黃瓜收獲機(jī)器人，能夠檢測(cè)作業(yè)區(qū)域的黃瓜，還可以進(jìn)行果實(shí)成熟度評(píng)估，并實(shí)現(xiàn)定位。采用機(jī)器視覺技術(shù)為平臺(tái)的果蔬分級(jí)裝置在歐美國家得到日益廣泛的應(yīng)用。

我國在機(jī)器視覺與自動(dòng)化結(jié)合進(jìn)行農(nóng)產(chǎn)品分級(jí)方面起步較晚，從20世紀(jì)90年代中后期開始，廣大專家學(xué)者逐漸重視自動(dòng)化分級(jí)技術(shù)的研究[6-9]，但分級(jí)的對(duì)象主要集中在外觀呈現(xiàn)球形的果蔬上，對(duì)黃瓜、胡蘿卜、香蕉等外觀特異的非球形果蔬研究較少。為此，本文以黃瓜果實(shí)為研究對(duì)象，將機(jī)器視覺技術(shù)與自動(dòng)化硬件控制相結(jié)合，構(gòu)建影響黃瓜分級(jí)的外觀特征參數(shù)模型，搭建黃瓜果實(shí)自動(dòng)化在線分級(jí)平臺(tái)。

1材料與方法

1.1　試驗(yàn)材料

試驗(yàn)樣本培育在東北農(nóng)業(yè)大學(xué)農(nóng)學(xué)院試驗(yàn)田內(nèi)，根據(jù)《新鮮水果和蔬菜的取樣方法》(GB/T8855-2008)號(hào)標(biāo)準(zhǔn)對(duì)黃瓜進(jìn)行取樣[10-11]。依照標(biāo)準(zhǔn)，取樣量為3kg，在盛果期果實(shí)達(dá)到商品采摘標(biāo)準(zhǔn)時(shí)，選擇植株第6~17節(jié)位的果實(shí)進(jìn)行采摘，每個(gè)品種形狀各異的黃瓜果實(shí)分別采集80根作為試驗(yàn)樣本。

1.2　試驗(yàn)裝置

黃瓜果實(shí)分級(jí)平臺(tái)模型由14個(gè)主要部件組成，各部件協(xié)調(diào)工作，其中攝像頭、核心處理器、機(jī)械手是平臺(tái)的核心，如圖1所示。

1.攝像頭　2.核心處理器　3.機(jī)械手　4.單相傳送帶　5.步進(jìn)電機(jī)

1)攝像頭：選用德國Vision Components公司生產(chǎn)的VC4012 nano & VC4012 nano/C智能工業(yè)數(shù)字?jǐn)z像機(jī)作為分級(jí)平臺(tái)視頻采集設(shè)備。該攝像機(jī)體積小、抗震動(dòng)、抗沖擊能力強(qiáng)，工作頻率為400MHz，運(yùn)算速度可達(dá)3 200MIPS，分辨率為2 592×1 944，幀率為11.6fps。試驗(yàn)平臺(tái)選擇該款攝像頭保證了分級(jí)平臺(tái)的擴(kuò)展性開放前景，在完成黃瓜果實(shí)分級(jí)目標(biāo)的基礎(chǔ)上能夠進(jìn)一步研發(fā)各類多元化農(nóng)產(chǎn)品的分級(jí)。

2)核心處理器：核心處理器選用專門用于視頻應(yīng)用開發(fā)的EL_DM6437開發(fā)板，具有高性能、低成本的優(yōu)點(diǎn)，能夠?qū)崿F(xiàn)視頻應(yīng)用程序脫機(jī)運(yùn)行。

3)機(jī)械手：采用搖臂式自動(dòng)取料機(jī)械手，其運(yùn)動(dòng)由X、Y兩個(gè)相互垂直方向的直線運(yùn)動(dòng)與一個(gè)擺動(dòng)運(yùn)動(dòng)組合而成，具有靈活度高、體積小的特點(diǎn)。

1.3　試驗(yàn)總體思路

黃瓜果實(shí)分級(jí)平臺(tái)由進(jìn)料單元、視頻分析單元及機(jī)械分級(jí)單元3個(gè)主要部分組成。實(shí)現(xiàn)分級(jí)的總體路線如圖2所示。

圖2　分級(jí)總體路線

1)進(jìn)料單元：黃瓜果實(shí)需人工成批放入料斗，通過料斗震動(dòng)，由料斗下口漏出單根果實(shí)到電子秤上。如果電子稱稱量的果實(shí)質(zhì)量超過規(guī)定范圍，說明該果實(shí)不符合分級(jí)要求或者有多根果實(shí)同時(shí)漏下，由電機(jī)控制雙向傳送帶逆向傳到回收箱中；質(zhì)量滿足的果實(shí)由雙向傳送帶正向傳到單相傳送帶上，此時(shí)是單根黃瓜果實(shí)。

2)視頻分析單元：傳送帶由同步電機(jī)控制，速度約為40cm/s。攝像頭每秒鐘拍攝50幀圖像，視頻采集過程在暗箱中完成，從而保證圖像序列在相同照度光線下獲得。核心處理器對(duì)采集的視頻信息進(jìn)行分解，以單幀圖像為基礎(chǔ)，采用幀差分法結(jié)合邊緣像素存在法判斷當(dāng)前幀圖像是否為完整果實(shí)圖像；采用圖像預(yù)處理、特征提取算法對(duì)完整果實(shí)圖像進(jìn)行處理，得出分級(jí)參數(shù)和位置參數(shù)(包括果實(shí)等級(jí)、果實(shí)中心橫徑坐標(biāo)位置)，把結(jié)果參數(shù)傳到機(jī)械手控制模塊。由于機(jī)械手完成1次動(dòng)作需約2s，遠(yuǎn)低于核心處理器分析單幀圖像的速度，核心處理器針對(duì)2s內(nèi)拍攝的視頻圖像序列隨機(jī)抽取10幀，進(jìn)行圖像處理得出分級(jí)參數(shù)，并判斷10幀的分級(jí)結(jié)論是否匹配，如出現(xiàn)差異，返回上一層重新判斷是否為完整果實(shí)圖像。

3)機(jī)械分級(jí)單元：機(jī)械手控制模塊發(fā)出指令控制機(jī)械手臂動(dòng)作，根據(jù)位置參數(shù)機(jī)械手自身旋轉(zhuǎn)到果實(shí)中心位置進(jìn)行抓取，根據(jù)分級(jí)參數(shù)機(jī)械手臂左右移動(dòng)到不同分級(jí)箱內(nèi)。

2圖像處理提取特征

2.1　運(yùn)動(dòng)目標(biāo)檢測(cè)

通常運(yùn)動(dòng)目標(biāo)檢測(cè)有光流法、幀差法及背景減除法，本文采用鄰域幀差法[11-13]進(jìn)行果實(shí)目標(biāo)檢測(cè)。該算法原理簡(jiǎn)單，計(jì)算量小。其原理為：當(dāng)監(jiān)控場(chǎng)景中出現(xiàn)異常物體運(yùn)動(dòng)時(shí)，幀與幀之間會(huì)出現(xiàn)較為明顯的差別，兩幀相減，得到兩幀圖像亮度差的絕對(duì)值，判斷它是否大于閾值來分析視頻或圖像序列的運(yùn)動(dòng)特性，確定圖像序列中有無物體運(yùn)動(dòng)。圖像序列逐幀的差分，相當(dāng)于對(duì)圖像序列進(jìn)行了時(shí)域下的高通濾波。公式為

(1)

(2)

其中，IDL是相鄰幀差圖；IL(x,y,i)與IL(x,y,i-1)分別是第i幀和第i-1幀的亮度分量；i表示幀數(shù)(i=1,…,N)；N為序列總幀數(shù)；T為閾值。

幀差法可以檢測(cè)出黃瓜果實(shí)部分進(jìn)入攝像區(qū)域，但并不能判斷區(qū)域內(nèi)果實(shí)的完整性。因此，在幀差法的基礎(chǔ)上，需對(duì)當(dāng)前幀圖像四周邊界5個(gè)像素寬度進(jìn)行顏色判斷，如果為背景色則證明果實(shí)已經(jīng)完整進(jìn)入拍攝區(qū)域，否則當(dāng)前幀圖像不可用。

2.2　圖像預(yù)處理

高效準(zhǔn)確的圖像處理過程能夠保證硬件部分的分級(jí)精度和時(shí)效性，本文經(jīng)過對(duì)多種圖像預(yù)處理算法進(jìn)行比較分析，選擇耗時(shí)最短、效果最佳的一組處理方案。

試驗(yàn)中采集到的黃瓜果實(shí)樣本形狀各異，本文選擇龍雜黃七號(hào)代表性的圖像進(jìn)行分析[14-15]。

1)攝像頭獲取的單幀彩色數(shù)字圖像，采用RGB圖像灰度化以減小像素運(yùn)算量，黃瓜果實(shí)灰度圖像如圖3所示；

2)高斯濾波算法去除干擾噪聲像素；

3)Sobel邊緣檢測(cè)算法提取果實(shí)的邊緣像素，邊緣提取圖像如圖4所示；

4)分水嶺分割算法分離目標(biāo)與背景區(qū)域；

5)區(qū)域標(biāo)記算法標(biāo)識(shí)目標(biāo)區(qū)域。

圖3　黃瓜果實(shí)灰度圖

圖4　邊緣提取圖像

2.3　特征提取

為計(jì)算圖像像素與實(shí)際標(biāo)尺之間的關(guān)系，本文采用參照物標(biāo)定法，將5cm×5cm固定尺寸的硬紙板置于分級(jí)平臺(tái)攝像頭下方傳送帶上，獲取圖像后經(jīng)過背景分割算法，提取參照物區(qū)域像素值，進(jìn)而計(jì)算出像素與厘米之間的轉(zhuǎn)換關(guān)系。為檢測(cè)特征提取算法精度，通過人工測(cè)量獲取黃瓜果實(shí)的實(shí)際尺寸作為誤差分析的基礎(chǔ)。

本文參照中華人民共和國農(nóng)業(yè)行業(yè)標(biāo)準(zhǔn)NY/T 1587-2008[16]，影響黃瓜果實(shí)等級(jí)的因素包括3個(gè)主要指標(biāo)[17-18]：弓形高度R、瓜身橫徑差、把長(zhǎng)比。

2.3.1把長(zhǎng)比

把長(zhǎng)比定義為瓜把長(zhǎng)占瓜總長(zhǎng)的比例A，則

(3)

其中，H為瓜長(zhǎng)(瓜蒂至瓜頂?shù)拈L(zhǎng)度)；h為瓜把長(zhǎng)(將瓜沿中線縱向切開，種子腔底部至瓜把頂端的距離)。

本文在傳統(tǒng)的骨架提取算法基礎(chǔ)上，加入了毛刺骨架剔除計(jì)算，從而將像素聯(lián)通較短的區(qū)域去除掉，獲取到最長(zhǎng)骨架像素值，提取瓜長(zhǎng)數(shù)據(jù)，如表1所示。

通過Moravec角點(diǎn)檢測(cè)法與瓜橫徑畸變處搜尋計(jì)算結(jié)合提取瓜把長(zhǎng)，進(jìn)而計(jì)算出把長(zhǎng)占瓜長(zhǎng)的比例。Moravec角點(diǎn)檢測(cè)法思想是在圖像中設(shè)計(jì)一個(gè)局部檢測(cè)窗口，當(dāng)該窗口沿各個(gè)方向作微小移動(dòng)時(shí)，考查窗口的平均能量變化，當(dāng)該能量變化值超過設(shè)定的閾值時(shí)，就將窗口的中心像素點(diǎn)提取為角點(diǎn)。

表1　骨架相關(guān)數(shù)據(jù)

2.3.2瓜橫徑差參數(shù)提取

瓜橫徑差Q計(jì)算公式為

(4)

其中，D為瓜長(zhǎng)1/2處瓜橫截面直徑；d1為距瓜把端3cm處瓜橫徑；d2為距瓜頂3cm處瓜橫徑。

利用Hough變換[19]，把圖像空間中的檢測(cè)問題轉(zhuǎn)換到參數(shù)空間。通過累加統(tǒng)計(jì)尋找峰值檢測(cè)直線，進(jìn)而提取橫徑圖像，如圖5所示。

計(jì)算得出的橫徑數(shù)據(jù)如表2所示。

2.3.3弓形高度提取

基于運(yùn)算的骨架圖像，采用Newton-Raphson method計(jì)算出每10cm骨架的弓形高度R，以其最大值作為整個(gè)果實(shí)分級(jí)的參數(shù)。

計(jì)算得出弓形高度數(shù)據(jù)如表3所示。

圖5　橫徑提取圖像

樣本d1/cmD/cmd2/cmQ計(jì)算/cmQ實(shí)測(cè)/cm誤差/%13.783.923.590.330.342.9423.623.163.220.460.444.5532.453.083.120.630.613.2842.23.222.971.021.002.00

表3　弓形高度相關(guān)數(shù)據(jù)

3分級(jí)結(jié)果分析

按照國標(biāo)的分級(jí)標(biāo)準(zhǔn)，各參數(shù)限定范圍如表4所示。

表4　黃瓜果實(shí)分級(jí)標(biāo)準(zhǔn)

設(shè)定R、Q、A3個(gè)參數(shù)均在表4分級(jí)標(biāo)準(zhǔn)特級(jí)的數(shù)值范圍內(nèi)時(shí)，定為特級(jí)果實(shí)。如果一個(gè)參數(shù)不滿足條件，就分到一級(jí)進(jìn)行判斷，仍不滿足轉(zhuǎn)到二級(jí)判斷，3個(gè)級(jí)別都不滿足或者長(zhǎng)度和重量超出規(guī)定范圍的定為超標(biāo)果實(shí)。如表4中樣本1的R、Q、A均滿足特級(jí)要求；樣本2的A為特級(jí)、Q為特級(jí)、R為一級(jí)因此定為一級(jí)果實(shí)；同理樣本3和4為二級(jí)果實(shí)。

試驗(yàn)對(duì)每個(gè)黃瓜品種分別抽取20根，進(jìn)行誤差分析，剩余的60根黃瓜樣本對(duì)分級(jí)平臺(tái)進(jìn)行測(cè)試。平臺(tái)運(yùn)行前，需在核心處理器中設(shè)置好該品種果實(shí)的單根最大質(zhì)量和長(zhǎng)度兩個(gè)參數(shù)；將3個(gè)品種黃瓜分批次放入料斗中，每次放30根，平臺(tái)終端機(jī)械手將果實(shí)分為特級(jí)、一級(jí)、二級(jí)、超標(biāo)四類，分級(jí)結(jié)果如表5所示。

采用人工尺測(cè)的方式耗時(shí)68min，人工目測(cè)耗時(shí)11min，分級(jí)平臺(tái)耗時(shí)5.2min。本文以人工尺測(cè)的結(jié)果為參照標(biāo)準(zhǔn)，表5中數(shù)據(jù)顯示對(duì)180根黃瓜果實(shí)進(jìn)行分級(jí)，分級(jí)平臺(tái)的準(zhǔn)確率達(dá)到96.7%，而人工目測(cè)的準(zhǔn)確率只有82.2%。通過選取更多的樣本，經(jīng)過多次試驗(yàn)發(fā)現(xiàn)，分級(jí)平臺(tái)的準(zhǔn)確率與黃瓜的品種有關(guān)：品種1的果實(shí)瓜把明顯，瓜條較直，圖像提取的準(zhǔn)確度高，平臺(tái)分級(jí)準(zhǔn)確率達(dá)到99%以上；品種2瓜條彎曲，果實(shí)飽滿，平臺(tái)分級(jí)精度約97%；品種3的果實(shí)呈桶形，瓜把較粗，圖像提取的把長(zhǎng)精度低，平臺(tái)分級(jí)準(zhǔn)確率約為92%。

表5　人工與平臺(tái)分級(jí)結(jié)果

4結(jié)論

1)參照國家標(biāo)準(zhǔn)，基于圖像處理方法對(duì)黃瓜果實(shí)圖像的形態(tài)特征進(jìn)行了提取，通過骨架提取算法得到瓜長(zhǎng)、角點(diǎn)檢測(cè)算法求取把長(zhǎng)、Hough變換計(jì)算橫徑、牛頓迭代法實(shí)現(xiàn)弓形高度計(jì)算。通過對(duì)人工實(shí)測(cè)數(shù)據(jù)與圖像提取數(shù)據(jù)進(jìn)行誤差分析，各參數(shù)的相對(duì)誤差均低于5%，能夠滿足檢測(cè)要求。

2)利用機(jī)器視覺技術(shù)、自動(dòng)控制方法與機(jī)械設(shè)計(jì)原理的相互融合，搭建了脫離PC機(jī)的黃瓜果實(shí)自動(dòng)分級(jí)平臺(tái)。該平臺(tái)以攝像頭為視頻采集模塊、DSP核心處理器為控制主模塊、機(jī)械手為分級(jí)執(zhí)行模塊，并借助質(zhì)量控制、電機(jī)傳送等輔助單元，實(shí)現(xiàn)了黃瓜自動(dòng)分級(jí)。

3)通過對(duì)人工尺測(cè)、人工目測(cè)、分級(jí)平臺(tái)的分級(jí)結(jié)果進(jìn)行分析，平臺(tái)分級(jí)準(zhǔn)確率達(dá)到96.7%，且耗時(shí)較少，數(shù)據(jù)客觀可靠，為橢長(zhǎng)形果實(shí)檢測(cè)和分級(jí)提供了重要依據(jù)。

參考文獻(xiàn)：

[1]Wan Y N. Kernel handling performance of an automatic grain quality inspection system[J].Transactions of the ASAE, 2002,45 (2) : 369-377.

[2]Urena R, Rodr guez F, BerenguelM. A machine vison system for seeds germination quality evaluation using fuzzy logic[J].Computers and Electronics in Agiculture, 2001, 32 (1) : 1-20.

[3]WangN, ZhangN, Dowell F E, et al. Determining virtuousness of durum wheat using transmitted and reflected images[J].Transactions of the ASAE, 2005, 48(1): 219-222.

[4]RIGNEY K．Applying digital image processing in agriculture[J]．Agricultural Engineering，1978，58：11-17．

[5]周增產(chǎn)，BONTSEMA J，VANKOLLENBURG-CRISAN L．荷蘭黃瓜收獲機(jī)器人的研究開發(fā)[J]．農(nóng)業(yè)工程學(xué)報(bào)，2001(6)：77-80．

[6]王紅永，曹其新，劉文秀，等．基于神經(jīng)網(wǎng)絡(luò)的黃瓜等級(jí)判別[J]．農(nóng)業(yè)機(jī)械學(xué)報(bào)，1999(6)：83-87．

[7]趙杰文，劉少鵬，鄒小波，等．基于支持向量機(jī)的缺陷紅棗機(jī)器視覺識(shí)別[J]．農(nóng)業(yè)機(jī)械學(xué)報(bào)，2008，39(3)：113-115．

[8]展慧，李小昱，王為，等．基于機(jī)器視覺的板栗分級(jí)檢測(cè)方法[J]．農(nóng)業(yè)工程學(xué)報(bào)，2010，26(4)：327-331．

[9]郝敏，麻碩士，郝小冬.基于Zernike矩的馬鈴薯薯形檢測(cè)[J].農(nóng)業(yè)工程學(xué)報(bào)，2010，26(2)：347-350.

[10]GBT 8855-2008 新鮮水果和蔬菜 取樣方法[S]．

[11]中華人民共和國商務(wù)部．GBT 8855-2008 新鮮水果和蔬菜 取樣方法[S]．

[12]王小平，張麗杰，常佶．基于單高斯背景模型運(yùn)動(dòng)目標(biāo)檢測(cè)方法的改進(jìn)[J]．計(jì)算機(jī)工程與應(yīng)用，2009(21)：118-120．

[13]劉亞，艾海舟，徐光佑．一種基于背景模型的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤算法[J]．信息與控制，2002(4):315-319,328．

[14]饒秀勤，應(yīng)義斌．基于機(jī)器視覺的水果尺寸檢測(cè)誤差分析[J]．農(nóng)業(yè)工程學(xué)報(bào)，2003(1)：121-123．

[15]于正林，江長(zhǎng)青．邊緣檢測(cè)技術(shù)在角鋼沖孔在線檢測(cè)中的應(yīng)用[J]．長(zhǎng)春理工大學(xué)學(xué)報(bào)(自然科學(xué)版)，2012，35(1)：65-67．

[16]任華中，張振賢，高麗紅，等．NYT 1587-2008 黃瓜等級(jí)規(guī)格[S]．

[17]葛長(zhǎng)軍，秦智偉，周秀艷．黃瓜果實(shí)曲直性評(píng)價(jià)方法及相關(guān)性分析[J]．中國蔬菜，2009(8)：28-31．

[18]鄭淑芳，林源，王福東．果類蔬菜商品化分級(jí)標(biāo)準(zhǔn)制定和應(yīng)用[J]．中國蔬菜，2011(Z1)：130-132．

[19]楊四海，陳鍛生，謝維波．Hough變換的特性分析：一種全局觀點(diǎn)[J]．計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2006(8)：1197-1204．

Automatic Grading Method of Cucumber Fruits Based on Machine Vision

Li Ming，F(xiàn)ang Junlong，Qiao Yibo，Liu Chao，Zhang Lingyi，Zhao Zhaoyang，Luan Jiling

(Electrical and Information College, Northeast Agricultural University, Harbin 150030,China)

Abstract：To achieve the realization of grading cucumber fruit fast and accurately, we build an automation sub-base platform with the help of a camera as video acquisition module, DSP core processor as the main control module, as well as other auxiliary units like weight control and motor transport part. With reference to the national standard NY/T1587-2008, we adopt the image processing method to extract and compute the melon length, pedicel length, diameter difference, arcuate height of our cucumber fruit images, thus picking up 3 varieties 240 cucumber fruit as our test sample which contains 'Changchun Mici', 'Longzahuang VII' and ‘Luqiu I’. After, extract 20 samples of every variety as the image extracting data analysis and take the other 60 samples into the automation sub-base platform testing. Based on the test result, it shows: the average grade precision of the platform is 96.7% while it can process 35 fruits per minute. Compared with the traditional manual classification, our platform has a characteristic of fast-processing, NDT, accurate and objective, which provides an important basis on applying machine vision technology into the automated classification of elliptical elongated fruit.

Key words：machine vision; image processing; cucumber; the fruit; classification; manipulator

中圖分類號(hào)：TP391.41；S126

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1003-188X(2016)11-0229-05

作者簡(jiǎn)介：李明(1984-)，女，黑龍江北安人，講師，碩士，(E-mail)601939971@qq.com。通訊作者：房俊龍(1971-)，男，黑龍江延壽人，教授，博士生導(dǎo)師， (E-mail)junlongfang@126.com。

基金項(xiàng)目：黑龍江省博士后科研啟動(dòng)基金項(xiàng)目(LBH-Q13022)；黑龍江省教育廳科學(xué)技術(shù)研究項(xiàng)目(12531004)

收稿日期：2015-10-14