蘋果內部品質分級機械手設計與試驗

彭彥昆 馬 營 李 龍

(1.中國農業大學工學院， 北京 100083; 2.國家農產品加工技術裝備研發分中心， 北京 100083)

0 引言

蘋果是我國重要的經濟作物，栽培面積廣,總產量居世界前列[1]。蘋果具有營養價值高、生態適應強、耐性好和供應周期長等優點，深受消費者歡迎，成為我國國民膳食結構中的重要組成部分[2]。我國蘋果的采后商品化處理能力僅為其總產量的15%，與發達國家相比存在較大差距[3]，是制約我國蘋果產業發展的因素之一。

對蘋果的品質進行檢測并分級，可以提高蘋果商品化處理能力，提高商品市場競爭力。目前在線檢測裝置的分選執行機構大多采用料斗/果盤翻轉，使被測物體落下，或者采用擋板使不同級別的被測物滾落至不同區域[4-8]，這樣的分選機構機械結構復雜，自由度較低，運行不夠靈活。利用機械手對水果進行分選，可以實現更為靈活的分選操作。BLASCO等[9]利用氣吸式機械手吸附水果轉動，基于機器視覺技術采集水果不同角度的圖像，并根據水果表面缺陷對水果進行評價及分選；ISHII等[10]研制的果實分選機器人系統利用圖像處理技術對水果進行檢測分級，由吸盤機械手執行分選操作。以上研究只是根據水果的外部品質由機械手執行分選操作，但內部品質也是水果評價的重要指標。近紅外光譜技術能夠無損、高效、快速地對水果的內部品質進行預測[11]，能夠滿足現場檢測和在線分析的要求，已在提高水果生產自動化水平方面發揮了重要作用[12-15]。近紅外光譜儀的小型化和便攜化為近紅外無損檢測技術應用到不同生產領域提供了可能性[16-19]。

本文將近紅外無損檢測技術與分揀機械手相結合，設計蘋果內部品質分級機械手，在夾持的同時采集蘋果近紅外光譜信息，并對其內部品質進行預測，為設計水果內部品質在線檢測裝置提供思路。

1 機械手設計

1.1 結構組成及工作原理

蘋果內部品質分級機械手主要由夾持機構、近紅外光譜采集系統、控制系統3部分組成，圖1為裝置示意圖。夾持機構完成抓取蘋果和釋放蘋果的動作，近紅外光譜采集系統完成近紅外光譜信息采集，控制系統在蘋果夾持和光譜信息采集中起到連接動作和控制過程的作用。

圖1 裝置硬件示意圖Fig.1 Schematic of device hardware1.步進電機 2.直線軸承 3.滑軌 4.反光燈杯 5.手指安裝座 6.遮光膠墊 7.軟膠手指 8.FSR408型膜片式壓力傳感器9.微動開關 10.鹵鎢燈珠 11.安裝套筒 12.連桿 13.絲杠螺母 14.絲杠 15.光纖 16.STS-NIR型光譜儀

圖2 裝置工作流程圖Fig.2 Working flow chart of device

裝置工作流程如圖2所示，機械手自上而下接近在水平面上放置的蘋果，當近紅外光譜采集系統的遮光膠墊貼在蘋果表面時，微動開關被觸發，步進電機驅動夾持機構工作，帶動軟膠手指夾持蘋果。為防止傷害蘋果，軟膠手指內側設有膜片式壓力傳感器，當夾持力達到膜片式壓力傳感器設定閾值時，步進電機停止轉動，手指停止增大夾持蘋果的夾持力。遮光膠墊貼在蘋果表面后形成圓形光譜采集區域，來自光源的光經蘋果表面反射增大后被光纖接收并由光譜儀采集光譜信息。微動開關觸發的同時單片機向上位機發送信號，光譜儀采集近紅外光譜信息。上位機軟件根據內置的蘋果可溶性固形物含量預測模型對光譜信息進行分析，并實時顯示預測結果。

1.2 夾持機構

夾持機構由步進電機提供驅動力，絲杠機構將步進電機的旋轉運動轉換為直線運動。絲杠螺母與3個手指通過連桿連接，由步進電機驅動在絲杠上作往復運動，從而帶動3個手指張合。通過控制步進電機的旋轉角控制手指的張合角，實現蘋果夾持和釋放。

為避免手指在夾持過程中對蘋果造成傷害，手指選用柔軟的軟膠材料，采用3D打印技術制作，可以適應不同大小和不同形狀的蘋果。為了提高手指的夾持性能，手指的結構選用Fin Ray結構[20]，如圖3a所示。該結構采用仿生魚鰭原理設計，當向該結構施加壓力時，其不會沿著推力方向彎曲，而是向著推力的反方向彎曲而包裹住施力物體。該結構適用于機械手夾持不同形狀的物體，結構簡單緊湊，有良好的夾持性能[21]，夾持效果如圖3b所示。

圖3 手指結構圖Fig.3 Schematics of fingers

靈敏的夾持力控制也是避免對被夾持物造成傷害的重要因素。選用FSR408型膜片式壓力傳感器作為手指接觸力檢測元件。當接觸壓力達到所設定的閾值時，信號轉換模塊輸出一個高電平信號，步進電機停止轉動，夾持機構停止增大夾持力。

1.3 近紅外光譜采集系統

近紅外光譜采集系統主要由光譜儀、光源、光纖組成。

機械手空間有限，為使結構更為緊湊，光譜儀體積應盡可能小。根據這一要求選擇海洋光學STS-NIR型光譜儀，其尺寸為40 mm×42 mm×24 mm，質量68 g，光學分辨率為0.5 nm，波長范圍為650～1 100 mm。評判水果內部品質指標的近紅外光譜集中在700～900 nm之間[22]，此光譜儀可以滿足對果蔬內部品質的預測?？紤]到裝置的空間布局，采用反射光測量，光源發出的光由被測物反射后經光纖傳遞進入光譜儀，完成光譜信息采集。

光源主要由遮光膠墊、鹵鎢燈珠、反光燈杯組成。遮光膠墊的材質為橡膠，可以根據樣品的形狀貼合在樣品表面，防止光的溢出，降低由樣品外形差異帶來的誤差。考慮到空間和發熱問題，選擇6個2 W小鹵鎢燈珠組成環形光源。

1.4 控制系統

控制系統在蘋果夾持和光譜信息采集中起到連接動作和控制過程的作用，主要由計算機、STC89C52單片機、FSR408型膜片式壓力傳感器、信號轉換模塊、步進電機以及步進電機驅動器組成，其示意圖如圖4所示。當蘋果接觸遮光膠墊使微動開關閉合后，單片機向步進電機驅動器發送信號，步進電機轉動，手指開始夾持蘋果。當夾持力達到壓力傳感器設定閾值時，單片機將步進電機驅動器的使能端置為低電平，步機電機停止運行，保持夾持狀態。同時通過串口向上位機發送信號。上位機軟件控制光譜儀采集光譜信息，并將光譜信息輸入預測模型計算預測結果，上位機軟件界面顯示光譜圖像及檢測結果，如圖5所示。

圖4 控制系統示意圖Fig.4 Schematic of control system

圖5 上位機軟件界面圖Fig.5 Host computer software interface

2 蘋果可溶性固形物含量預測模型的建立

2.1 試驗材料

試驗材料為煙臺紅富士蘋果，購于北京市某超市。挑選沒有損傷和缺陷的樣本共200個，運到實驗室后進行清洗、編號，放置于冰箱內。試驗前置于室溫24 h，使蘋果樣品溫度與環境溫度一致，避免溫度等因素對試驗結果產生影響[23]。

2.2 光譜信息采集

打開光源及光譜儀，預熱20 min使設備達到穩定工作狀態，打開上位機軟件對檢測參數進行設置，包括積分時間、平均次數、平滑度等。為保證所建預測模型更好地適應實際工作環境，在機械手末端執行器夾持蘋果的過程中進行光譜信息采集。分別采用標準白板和標準黑板貼在遮光膠墊上校正光譜儀后，進行樣本光譜采集，每個蘋果樣本采集4次光譜，采集位置為蘋果赤道帶附近，每采集一次旋轉90°，取4次光譜的平均值作為該樣本的光譜信息。

2.3 標準理化值的測定

采集完光譜信息后，參照文獻[24]，采用RA-620型數字阿貝折射儀立即對蘋果的可溶性固形物含量進行測量。每個樣本從測量點切去一定厚度的果肉，用手持式榨汁機榨取果汁，將果汁滴于折光儀鏡面，讀取并記錄可溶性固形物含量，測量結果如表1所示。

表1 蘋果可溶性固形物含量統計Tab.1 Statistics of apple’s SSC

2.4 建模結果與分析

2.4.1光譜預處理

200個蘋果樣本的原始反射光譜曲線如圖6所示，選取650～1 100 nm波長下的光譜數據進行預處理和建模。本裝置檢測蘋果的內部品質是基于反射光譜，選擇蘋果樣本光譜的反射率作為光譜信息的研究參數，反射率計算公式[25]為

(1)

式中R——蘋果樣本的反射率

Is——蘋果所反射的光譜強度

Iw——標準白板反射的光譜強度

Ib——標準黑板所反射的光譜強度

原始光譜曲線如圖6a所示。選用5點SG卷積平滑(Savitzky-Golay smooth, SG-smooth)的預處理方式降低光譜采集過程中隨機白噪聲的干擾，選用標準正態變換(Standard normal variable transformation, SNV)和多元散射校正(Multiplicative scattering correction, MSC)預處理方式可以消除樣本間散射所導致的基線平移和偏移現象。經過預處理之后的光譜曲線如圖6b～6d所示。

圖6 200個蘋果樣本反射光譜曲線Fig.6 Reflectance spectra of 200 apple samples

2.4.2蘋果可溶性固形物含量預測模型

以經過預處理之后的光譜數據和按國家標準測量法所測得的可溶性固形物含量理化值作為自變量和因變量，采用偏最小二乘回歸法(Partial least squares regression, PLSR)建立回歸模型。將樣品按3∶1的比例隨機分為校正集與驗證集。用校正集相關系數Rc、預測集相關系數Rp、校正集均方根誤差RMSEC和預測集均方根誤差RMSEP評定建模效果，相關系數越高，均方根誤差越低，所建立的預測模型越穩定。建模結果如表2所示，采用多元散射校正預處理方法所得蘋果可溶性固形物含量建模效果最優。

3 試驗驗證

選取20個蘋果樣本對機械手進行外部驗證，以檢驗可溶性固形物含量預測模型的穩定性和準確性。

表2 不同預處理后的建模結果Tab.2 Modeling result with different pretreatments

預熱至光源穩定后，用機械手末端執行器夾持蘋果并采集光譜數據。隨即用標準測量法檢測蘋果可溶性固形物含量的真實值，通過對比預測值與真實值，分析裝置的檢測性能。預測效果如圖7所示，蘋果可溶性固形物含量預測模型的相關系數為0.957 3，均方根誤差為0.422 4°Brix。

圖7 蘋果可溶性固形物含量預測模型預測效果Fig.7 Prediction results of apple soluble solids model

4 結論

(1)設計了一種蘋果內部品質分級機械手，主要由夾持機構、近紅外光譜采集系統、控制系統等組成，分別完成夾持蘋果、采集蘋果光譜信息和控制動作的任務。

(2)基于所設計的蘋果內部品質分級機械手，采集蘋果在650～1 100 nm波長范圍內的可見/近紅外反射光譜。采用SG卷積平滑、標準正態變量變換和多元散射校正對原始光譜曲線進行預處理，建立蘋果可溶性固形物含量預測模型。不同預處理方法建模結果表明，采用多元散射校正方法預處理后的建模效果最優，其預測模型的校正集和預測集相關系數分別為0.978 2、0.970 1，均方根誤差分別為0.274 6、0.326 3°Brix。

(3)對蘋果內部品質分級機械手預測模型的穩定性和準確性進行測試。結果顯示，可溶性固形物含量預測值與測量值相關系數為0.957 3，均方根誤差為0.422 4°Brix。

(4)該蘋果內部品質分級機械手將近紅外無損檢測技術與分揀機械手相結合，可以實現蘋果可溶性固形物含量的預測，預測精度和穩定性較好，在機械手夾持蘋果的同時可對蘋果的內部品質進行預測。