粮食品质快速光学检测检测系统装置研究现状-技术圈

点击下方卡片，关注“新机器视觉”公众号

重磅干货，第一时间送达

来源丨人工智能大讲堂

目前,三大主粮外观品质光学检测技术主要有机器视觉、HSI、MSI等,其中机器视觉因低成本、客观等特点广泛应用于三大主粮外部品质检测。三大主粮外部品质机器视觉检测系统一般包括样品板、光源、相机、数据采集卡和计算机,其中相机(个数及空间位置)、光源(颜色、形状、强度)和样品板(颜色)是粮食外部品质检测系统研发过程中重点考虑的因素。

在大米/稻谷、玉米和小麦的机器视觉检测装置中,相机的个数通常为单个,位于粮食颗粒的上方。然而,单个相机很难获取粮食全表面信息,已有研究利用3个相机采集下落过程中大米图像,实现了对大米不完善粒的检测究也有研究专门设计了振动盘和线性振动传送带,使其能够逐个通过滑道。两个相机放置于透明玻璃通道的两侧,当光纤传感器收到稻谷经过信号时,触发两个相机采集稻谷颗粒上下两面的图像。

光源是机器视觉系统中影响检测结果的重要部件,光源的类型、形状、颜色、照明方式和强度决定了图像的清晰度、重复性和可靠性。目前主要光源类型包括LED、白炽灯、红外灯和荧光灯,其中LED应用最为广泛。常见的商用光源形状主要为线光源、环形光源、方形光源和圆顶灯,颜色以白色为主。照明方式包括正面照明和背面照明两种,正面照明主要用于表征颗粒的表面特征,背面照明则适用于子曲面特征和边缘特征的突出。样品板的颜色即成像的背景颜色,其选择合理可以降低图像处理过程中背景分割的复杂性,通常会选择与待测样品颗粒颜色对比度大的颜色作为样品板的颜色。另外,光源强度是影响机器视觉系统图像采集质量的一个重要因素。自然光等作为光源时其强度难以人为干预,会对图像采集和模型结果产生不可忽视的影响。

大米破损粒检测系统使用多视图完整空间学习算法可以在不同照明条件下提升完整大米颗粒和破损大米颗粒分类模型的稳定性，削弱照明强度对模型稳定性的影响。基于NIR的检测系统在三大主粮内部品质检测中的应用最为广泛。日本等发达国家在粮食收购、粮食储藏、粮食精深加工等各个环节已广泛应用NIR检测系统。国内基于NIR检测系统在粮食加工、在线控制等方面还没有成功应用。

HSI系统融合了光谱和图像,被应用于对大米/稻谷、小麦和玉米的霉变或虫蚀粒检测,MSI检测系统与HSI相比成本低,更具有产业推广优势。用于MSI检测的光源按照波长可以分为紫外光、可见光和近红外光,但是在实际MSI光源的选型与配置中,还需要考虑光源(或者滤光片)的普适性和成本。一般地,通用的光源(如LED)和滤光片有特定的中心波长,因此根据HSI理论结果得到的特征波长不一定有对应的光源产品类型。此外,长波近红外范围内的光源和滤光片成本远高于可见光和短波近红外(400~1100nm)以及紫外光范围内的产品成本,从而限制了长波近红外光源在MSI系统搭建时的应用。

此外,多种技术融合检测系统也被应用于三大主粮品质检测,当单一的检测方式无法满足检测的精确度和适用性时,选择将两种以上检测技术进行融合。Vis/NIR、NIR和MSI都已有商业化的粮食/粮食检测装置,而目前尚未见基于拉曼光谱、HSI的三大主粮商用化专用检测装备。虽然不少研究基于自行搭建的HSI检测系统实现了对三大主粮多品质指标的检测,但是其昂贵的仪器和时间成本使其不利于推向产业/商业应用。MSI检测装置虽然因成本低等优点而具有较好的推广应用前景,但是特征波长确定,不同波长光源之间的强度差异以及多光源/滤光片与相机、计算机之间的同步等系列问题有待解决和优化。

机器视觉具有成本低、客观、无损、快速等特点,广泛应用于外部品质的检测。基于机器视觉的研究多数集中于图像识别的理论算法,实现粮食外观品质高通量逐一检测,动态特征获取、检测时间以及系统适应性是关键。目前,基于机器视觉的粮食外观品质检测仍然停留在实验室阶段,市售检测装备少见。今后,应采用深度学习等进行模式识别提升系统适用性,根据检测需求利用相互融合的光学无损实时传感技术提高检测准确性,并逐步应用于粮食收获、干燥、加工等过程品质监控。

参考文献

[1]聂森,马劭瑾,彭彦昆,王威,李永玉.主要粮食品质快速光学检测技术与装备研究进展[J].农业机械学报,2022,53(11):1-12.

来源：农产品加工智能装备星创天地

本文仅做学术分享，如有侵权，请联系删文。

—THE END—

粮食品质快速光学检测检测系统装置研究现状

添加附言

相关文章推荐