摘要设计了一套基于计算机视觉的葡萄检测分级系统，包括驱动装置、输送机构、夹持机构、图像采集和 葡萄通过悬挂连续输送处理系统和分级控制系统CCD相机在外触发模式下实时采集葡萄的两面图像。 基于RGB用投影面积法和果轴方向的投影曲线计算果穗的大小和形状参数，然后实现葡萄牙 葡萄的外观质量分类。20穗巨峰葡萄3与人工分级相比，颜色和形状分级的准确性分别为 90%和88.3%,葡萄在分级过程中不会受损。
关键词：葡萄分级计算机视觉图像处理
引言
然而，由于采摘，中国的新鲜葡萄产量居世界第一。 后处理和分类技术水平低，中国鲜葡萄产品 国际市场竞争力差，出口量小⑴。目 前葡萄的分类主要由人工完成，效率低下 很难客观准确地适应规模化和工业化的生存 产的要求。计算机视觉检测客观、准确、快速 速度、无损等优点已广泛应用于苹果、柑橘、西红色 柿子、桃子、梨等近球形单粒水果的外观质量测试 分级⑵。葡萄是一种形状复杂的穗状水果 果实包括多个相互堆积的果粒，果实柔软多汁，因为 基于机器视觉，葡萄分级有一定的特殊性 性，目前在国际上应用较少，已报道的研究成果主要是 要是Philippe Blanc美国专利申请⑴，国内此方 面部研究没有报道。本文参考人工分级标准开发 一套葡萄实时检测和分级系统，将葡萄挂在悬挂方 采用计算机视觉技术提取葡萄果实的连续输送 表面颜色、果穗大小、形状等图像信息，实现葡萄 外观品质的在线检测分级。
图2输送机构和夹持机构简图
Fig. 2 Conveying unit and holding unit
1.夹持体2.葡萄3.弹簧4.链条5.滚动轴承6.环形轨道
1.1系统结构设计
由于葡萄的检测分类不同于苹果、柑橘等水果，因此 葡萄果实柔软多汁，不允许滚动或翻转 也不允许其在检测台上滑动或滚动。本文 开发的葡萄分级系统采用人工上下料，葡萄悬挂 系统由驱动装置和悬挂式输送机连续输送 结构、葡萄夹持机构、图像采集与处理系统、分级控制 如图1所示，由系统5组成。
Fig. 1 Structure of the grapes inspection and grading system
1.驱动装置2.图像采集区3.分级控制系统4.悬挂式输送 5.简葡萄6.葡萄夹持机构
驱动装置是电机通过传动的链式传动机构 轴驱动主动链轮旋转，然后通过链驱动另外三个 旋转链轮驱动环形输送系统；悬挂式 输送机构包括机架、环轨、链条、滚动轴承组件等 如图2所示，输送链分别上下悬挂 耳朵的精密滚子链通过滚动轴承滚动轴承组件悬挂 在环形轨道中，下吊耳连接夹持机构夹持葡萄 果柄实现葡萄的悬挂式输送；葡萄夹持机构吊装 安装在输送链下吊耳下方，葡萄果柄可靠 夹在两个橡胶夹紧垫之间，通过调节弹簧预紧 保证不损坏果柄。葡萄其他部位在检测过程中 位均不与检测装置接触或碰撞，可避免 检测过程中的损坏也方便摄像系统从不同角度进行损坏 获取尽可能多的果面信息。
12图像采集和分级控制
为了在不翻滚葡萄的情况下获得输送线 该系统采用单穗葡萄相对完整的果面信息PC 机器、单采集卡、双摄像头同时采集一穗葡萄两侧图像 图3为图像采集和分级控制原理图。 横跨一侧机架的灯箱构成图像采集区，灯箱内 520个灯座板分别安装在4个灯座板上 W荧光灯管，使 进入到图像采集区域的葡萄表面形成均匀的光照效 果。选用两个JVC TK-C1481BEC型彩色CCD摄 照相机分别安装在灯箱两侧，配合日本精工 mm 物距6000的手动光圈定焦镜头 mm下进行图像 采集。选择微视凌志Matrox Morphis采集卡，其双 视频解码器框架支持连续收集双标准视频 图像。图像采集和分级控制PC-PLC的主从 式构架，PC图像信息的采集主要作为上位机完成， 处理和分析，PLC作为下位机，逻辑控制主要完成 处理传感器传输的葡萄位置信息，控制图像 另一方面，通过与上位机的通信，收集分级信息 显示控制。上位PC机与PLC以PPI多主站编程 选择点对点接口进行电缆通信 PPI协议实现PLC 与PC的通讯。每当葡萄运行到釆集区域时，电感 接近传感器检测到与葡萄相连的夹持机构，产生 脉冲触发信号PLC,脉冲触发信号 被PLC用于记录和跟踪穗葡萄的位置，触发 采集卡采集葡萄的两幅图像。收集到的图像经过 经计算机处理后，确定葡萄的等级，并通过RS232串 发送等级值PLC。PLC葡萄等级的接收和保存 当串葡萄移动到分级区时，控制指示灯显示信息 展示葡萄的等级。
图3图像采集和分级控制原理
Fig. 3 Image grabbing-processing and grading control
1.图像采集与处理系统2.分级控制系统3.分级指示灯
4.传感器5.光源6.葡萄7.CCD相机8.光照箱
2图像处理和特征参数提取
本文的研究对象是中国种植面积最广的巨峰葡萄 参照国家鲜葡萄标准和农业行业标准⑷， 巨峰葡萄的外观质量等级指标主要包括果面颜色和果面颜色
图4 一串巨峰葡萄
两面图像
Fig. 4 Two images of a bunch of Jufeng grapes
图5扁担形果穗 Fig. 5 Bunch of abnormal shape
400
350
300
250
专200
150
100
50
0 100 200 300
目标像素累加值
图6提取形状特征参数Fig. 6 Shape featureextraction
本文主要介绍穗的大小、形状、果粒的大小和均匀性 果面颜色、大小和形状分类。
2.1图像预处理
每次在检测线收集 如图4所示，穗葡萄的两幅图像 所示，先用3x3中值 滤波器去除噪音。葡萄分析 图像R、G、B 3个通道的 找到每个通道的直方图 方图均为明显方图 峰值，B通道直方图的波 谷宽大，不同 成熟葡萄，灰度210 附近有明显的波谷，所以选择B通道固定阈值 T = 21。进行目标分割。
2.2提取果面颜色特征参数
颜色在某种意义上代表水果的成熟度和味道， 大多数水果颜色分类都是基于RGB⑴或HSI⑹两种色 彩色空间提取特征参数，建立分级模型。巨峰葡萄等 葡萄根据果面紫黑的着色率分为优等果实 (紫黑着色率大于95% ）、一级果(紫黑着色率大于紫黑着色率) 85%)和二级果(紫黑色着色率小于85%) ）0通过大量 发现颜色特征参数Ccolor =2G-R-B（R、G、B 分别为R、G、B颜色通道的灰度值)可以更好地区分 果面紫黑区和非紫黑区，紫黑区 《。板>0.可以计算出葡萄果面紫黑区域的百分比。 然后进行颜色分级。
2.3提取果穗大小参数
投影面可用于机器视觉检测分级 积⑺、周长⑻、最大横径⑴、体积质等作为大小分 等级参数。本文采用投影面积法计算一穗葡萄的两个 葡萄目标在图像中的投影面积S|、S2.取其平均值 C““ =（S| Sz）作为大小分类的特征参数。
24提取果穗形状参数
目前，水果形状检测方法主要分为两种，一种是使用 简单的几何量径比、曲率等简单几何量 对于形状分类的特征参数，其次是傅里叶描述子的重量 建造水果形状"I。葡萄果穗的形状受环境因素影响 而且差别很大，随机性很大，很难使用简单的几何量 描述或重建果形。/p>
在人工分级中，巨峰葡萄果穗典型的形状缺陷 是扁担形，即两端大中间小，如图5。由于扁担形的 葡萄果穗下半部分质量较大，而中间部分细弱，容易 出现掉粒和下部脱落的情况。本文基于果轴方向投 影曲线提取形状参数以识别扁担形果穗，首先逐行 扫描图像，计算每一行目标像素点个数的累加值n, 从而得到果轴方向（Z）投 影曲线，如图6。对于扁担 形果穗，曲线呈明显的双 峰，谷点位置标记为G（l,, 七），下峰点位置标记为 F（S）,通过统计55穗 形状各异葡萄的110幅图 像（每穗采集两面图像）， 发现谷点位置八的取值在 0. 15Z, -0. 65Z,范围内，其 中L为果轴长度。
求 ％ = minn （ Z） , / g （0. 15L,0. 65L）,从而得到 谷点 G（lg,Hg）,求 nf = maxn（Z） ,1 g （0,。）,从而 得到下峰点，（垢勺），定 义形状参数Chap。= ng/nf0 一般ChgWl,纣”越小 说明扁担形越严重。
选取55穗巨峰葡萄 （其中25穗为扁担形，30 穗为正常形状），在检测线 上采集110幅图像，按上 述方法求得每幅图像的形状参数，得到图7所示的 形状参数分布散点图，可以看出扁担形葡萄的。血* 基本在0.55以下，而正常形状葡萄的一般在 0. 55以上。故确定形状分级模型为：若Cm” < 0. 55,则判断为畸形果。
图7形状参数分布图
Fig. 7 Shape parameters distribution
♦扁担形状葡萄 ■正常形状葡萄
80 100 120
图像川号
3分级试验与结果 3.1颜色分级试验
选用20穗巨峰葡萄，人工按颜色分为3级后， 将其分别悬挂在检测线的夹持机构上，并将各自的 等级在夹持机构上做标记，以便与在线检测结果进 行对比。进行了 3次试验，每次试验前将葡萄绕果 轴随机旋转一定角度后吊装，从而使拍摄图像的角 度有所不同。统计在线分级与人工分级不一致的穗 数，结果如表1所示，分级精度为90%。
颜色分级结果
Tab. 1 Color grading results
| 参数 | 等级 | |||
| 一级 | 二级 | 三级 | ||
| 果面紫黑色着色率/% | >95 | >85 | W85 | |
| 人工分级穂数 | 11 | 5 | 4 | |
| 第1次试验 | 1 | 1 | 0 | |
| 在线错分穗数 | 第2次试验 | 1 | 0 | 1 |
| 第3次试验 | 1 | 1 | 0 |
3.2果穂大小形状分级试验
将20穗巨峰葡萄人工按大小和形状分为3级, 然后按照上述方法进行分级试验。统计在线分级与 人工分级不一致的穗数，结果如表2所示，分级精度 为 88. 3%。
4结束语
设计了一套计算机视觉葡萄分级系统,将葡萄
«2果穂大小形状分级结果
Tab. 2 Bunch size and shape grading results
| 参数 | 等级 | ||
| 一级 | 二级 | 三级 | |
| 分级标准 | Cg > 130 cm2 | CQ110 cm2 | Cm.<110cni2 |
| 且 C.h・pe >0. 55 且 C.h.pe >0. 55 | 或 C.5<0・55 | ||
| 人工分级穗数 | 8 | 5 | 7 |
| 第1次试验 | 1 | 1 | 1 |
| 在线错 | |||
| 第2次试验 | 0 | 1 | 1 |
| 分穗数 | |||
| 第3次试验 | 1 | 1 | 0 |
以悬挂方式连续输送，分级过程中不会对葡萄造成 损伤。在外触发模式下同时采集一串葡萄的两面图 像，以提取较为全面的果面信息。基于颜色特征参 数Ccq1„=2G-R-B统计巨峰葡萄果面着色率，采 用投影面积法和果轴方向投影曲线计算果穗大小和 形状参数,试验结果表明，与人工分级对比,颜色和 大小形状分级的准确率分别为90%和88. 3%。
參考文献
1翟衡，杜远鹏，孙庆华，等.论我国葡萄产业的发展[J].果树学报，2007,24(6):820 - 825.
Zhai Heng, Du Yuanpeng, Sun Qinghua, et al. On the development situation of Chinese grape industry] J] • Journal of Fruit Science, 2007,24 (6) ：820 ~825. (in Chinese)
- Tadhg Brosnan t Da-Wen Sun. Inspection and grading of agricultural and food products by computer vision systems a
review [ J ]. Computers and Electronics in Agriculture, 2002,36(2 ~3)：193~213. ，
- Philippe Blanc. Unit for sorting and packaging products capable of being hung on a hooking member for the purpose of their conveyance, such as bunches of fruits, in particular table grapes or truss tomatoes: US,6957940[ P]. 2005 - 10-25.
- NY/T 470—2001 鲜食葡萄[S].
- Dah-Jye Lee, James K Archibald, Chang Yuchou. Robust color space conversion and color distribution analysis techniques for date maturity evaluation] J]. Journal of Food Engineering, 2008, 88(3) : 364 ~372.
- Tao Y, Heiemann P H, Varghese Z, et al. Machine vision for color inspection of potatoes and apples[ J]. Transactions of the ASAE, 1995, 38(5) : 1 555 ~1 561.
- Bato P M, Nagata M, Cao Q, et al. Study on sorting system for strawberry using machine vision ( part 2) [ J]. Journal of the Japanese Society of Agricultural Machinery, 2000,62 (2) ：101 ~ 110.
- Sarkar N, Wolfe R R. Feature extraction techniques for sorting tomatoes by computer vision] J]. Transactions of the ASAE, 1985, 28(3): 970 ~979.
- Blasco J, Aleixos N, Molt6 E. Machine vision system for automatic quality grading of fruit[ J]. Biosystems Engineering, 2003,85(4).415 ~423.
- Chong V K, Kondo N, Ninomiya K, et al. Features extraction for eggplant fruit grading system using machine vision[ J]. Applied Engineering in Agriculture, 2008, 24(5) ； 675 - 684.
- Vooren V D, Polder J G, Heijden V D. Identification of mushrooms cultivars using image analysis[ J]. Transactions of the ASAE, 1992, 35⑴：347 ~350.
12应义斌.水果形状的傅立叶描述子研究[J].生物数学学报，2001,16(2):234 -240.
Ying Yibin. Fourier descriptor of fruit shape[ J]. Journal of Biomathematics, 2001,16 ( 2) ：234 - 240. (in Chinese)