基于多技術(shù)融合的獼猴桃在線檢測分級系統(tǒng)的創(chuàng)新集成與實證研究一、緒論1.1研究背景與意義1.1.1研究背景獼猴桃，作為獼猴桃科獼猴桃屬的多年生木本植物，其果實酸甜可口，富含維生素C、氨基酸以及多種礦物質(zhì)，享有“水果之王”“維C之王”的美譽，深受消費者喜愛。中國作為獼猴桃的原產(chǎn)地，在全球獼猴桃產(chǎn)業(yè)中占據(jù)著舉足輕重的地位。根據(jù)觀研報告網(wǎng)發(fā)布的《中國獼猴桃行業(yè)現(xiàn)狀深度研究與發(fā)展前景分析報告（2023-2030年）》數(shù)據(jù)顯示，2021年全球獼猴桃收獲面積為286.93千公頃，其中我國獼猴桃收獲面積達199.14千公頃，占比高達69.40%；2021年全球獼猴桃產(chǎn)量為443.2萬噸，我國獼猴桃產(chǎn)量為238.1萬噸，占比53.72%，收獲面積和產(chǎn)量均居全球首位。在國內(nèi)，獼猴桃產(chǎn)業(yè)發(fā)展迅速，廣泛分布于長江流域，大約在北緯23°-24°的亞熱帶山區(qū)，涵蓋陜西（南端）、湖北、湖南、江西、四川、河南、安徽、江蘇、浙江、江西、福建、廣東（北部）、廣西（北部）和臺灣等省區(qū)。其中，陜西省憑借其豐富的氣候資源和多樣的地形，成為我國獼猴桃生產(chǎn)大省，2022年陜西省獼猴桃種植面積為99.91萬畝，產(chǎn)量達138.85萬噸，種植面積和產(chǎn)量均居全國首位。盡管我國獼猴桃產(chǎn)業(yè)在種植規(guī)模和產(chǎn)量上成績斐然，但產(chǎn)后分級處理技術(shù)卻相對落后，這成為了產(chǎn)業(yè)進一步發(fā)展的瓶頸。目前，國內(nèi)獼猴桃果實分級主要依賴人工完成，現(xiàn)有的分選設(shè)備大多基于機械技術(shù)，僅能按照水果的大小和質(zhì)量進行分選。在以果實大小為分級指標的場合，人工判斷為主的方式不僅費時費力、勞動強度大、占地面積寬，而且偏差較大，完全憑借經(jīng)驗，缺乏科學(xué)精準的判斷依據(jù)?；跈C械技術(shù)的分級方式還容易對果實表面造成損傷，并且在檢測指標上存在局限性，無法對形狀、顏色以及表面缺陷等進行有效檢測。而隨著消費者對水果品質(zhì)要求的日益提高，水果的品質(zhì)分級不僅關(guān)乎銷售價格，更關(guān)系到消費者的購買體驗。果實的大小、形狀、顏色、表面缺陷以及內(nèi)部品質(zhì)等指標，成為了品質(zhì)等級評定的關(guān)鍵因素。因此，落后的分級技術(shù)嚴重阻礙了獼猴桃產(chǎn)業(yè)的快速發(fā)展，難以滿足市場對高品質(zhì)獼猴桃的需求，也不利于果農(nóng)增收和產(chǎn)業(yè)競爭力的提升。1.1.2研究意義本研究致力于開發(fā)獼猴桃在線檢測分級系統(tǒng)，對于推動獼猴桃產(chǎn)業(yè)的健康發(fā)展具有多方面的重要意義。從產(chǎn)業(yè)發(fā)展角度來看，先進的在線檢測分級系統(tǒng)能夠?qū)崿F(xiàn)獼猴桃的精準分級，提高分級效率和準確性。通過對獼猴桃的大小、形狀、顏色、表面缺陷以及內(nèi)部品質(zhì)等多指標進行綜合檢測和分級，可以將不同品質(zhì)的獼猴桃進行合理分類，滿足市場多樣化的需求。這有助于優(yōu)化產(chǎn)業(yè)結(jié)構(gòu)，促進獼猴桃產(chǎn)業(yè)向標準化、規(guī)范化、精細化方向發(fā)展，提升整個產(chǎn)業(yè)的發(fā)展水平和經(jīng)濟效益。對于果農(nóng)而言，精準的分級系統(tǒng)能夠提高獼猴桃的附加值。優(yōu)質(zhì)的獼猴桃可以獲得更高的市場價格，從而增加果農(nóng)的收入。同時，分級系統(tǒng)還可以減少因分級不準確導(dǎo)致的銷售損失，降低果農(nóng)的市場風(fēng)險。通過提高果農(nóng)的收益，能夠進一步激發(fā)果農(nóng)的種植積極性，促進獼猴桃種植規(guī)模的穩(wěn)定擴大和種植技術(shù)的不斷提升，形成良性循環(huán)，推動獼猴桃產(chǎn)業(yè)的可持續(xù)發(fā)展。在市場競爭力方面，隨著經(jīng)濟全球化的發(fā)展，水果市場的競爭日益激烈。我國雖然是獼猴桃種植大國，但在國際市場上，由于分級技術(shù)落后，獼猴桃的品質(zhì)參差不齊，難以與國外優(yōu)質(zhì)獼猴桃競爭。本研究開發(fā)的在線檢測分級系統(tǒng)，能夠提升我國獼猴桃的品質(zhì)形象，使其在國際市場上更具競爭力，有助于擴大我國獼猴桃的出口份額，提高我國獼猴桃產(chǎn)業(yè)在國際市場的地位和影響力。同時，在國內(nèi)市場，也能夠滿足消費者對高品質(zhì)獼猴桃的需求，提高消費者的滿意度和忠誠度，進一步拓展國內(nèi)市場空間。1.2國內(nèi)外研究現(xiàn)狀1.2.1水果分級方法演進水果分級技術(shù)經(jīng)歷了從簡單到復(fù)雜、從低級到高級的發(fā)展歷程，每一次技術(shù)的變革都推動了水果產(chǎn)業(yè)的進步。早期的水果分級主要依賴機械式分級機，其原理相對簡單，結(jié)構(gòu)也不復(fù)雜。例如滾杠式分級機，所有滾杠相對水平面平行安裝，在工作過程中，滾杠之間的間距由小逐漸變大。當(dāng)水果在滾杠上輸送時，一旦滾杠間距超過水果直徑，水果便會掉進下方相應(yīng)的分果槽中，從而實現(xiàn)分級。再如輥式分級機中的對輥式分級機，分級輥軸與水平面存在一定傾角，并且兩分級輥軸之間成一定角度。工作時，對輥逆向旋轉(zhuǎn)，由于對輥間有夾角，對輥之間形成逐漸增加的分級間距，同時兩輥傾斜安裝，在重力作用下水果下滾，當(dāng)滾至對輥間距大于果徑之處時，水果便從對輥間落下，進入分果槽中。這種分級方式在當(dāng)時具有一定的優(yōu)勢，其結(jié)構(gòu)簡單、價格相對便宜，與人工分級相比，分級速度較快，分級精度也較高，對操作人員的素質(zhì)要求較低，因此適用于廣大水果種植者和小型水果加工企業(yè)。然而，機械式分級機也存在明顯的缺陷，在分級過程中容易對水果造成損傷，影響水果的品質(zhì)和銷售。隨著科技的發(fā)展，光電式分級技術(shù)應(yīng)運而生。光電式分級是在機械式分級技術(shù)的基礎(chǔ)上，廣泛采用移位寄存器、光電傳感器、數(shù)顯寄存器等進行的分級。水果進入光電式分級裝置之前，先由單列機將水果排列成單列，單列機由組成“V”字形的兩根速度差異的側(cè)向輸送帶構(gòu)成，在水果向前輸送過程中自動將水果整理排列成單列。根據(jù)生產(chǎn)能力的大小，光電式分級裝備可組合成2列、4列、6列、9列等多種型式。成單列的水果逐個進入特殊輸送鏈上的物料杯或接料輥中，依次經(jīng)高速攝像機攝像。特殊的機構(gòu)使水果在攝像過程中不斷旋轉(zhuǎn)，以保證拍攝不同截面的各種參數(shù)。攝取的各種數(shù)據(jù)隨即傳送到計算機中進行貯存和處理，并和用戶設(shè)定的分級要求進行比較，然后指令水果輸送到特定的分級出口通道處，由出料機構(gòu)將水果傾翻到設(shè)定的出口通道中，之后進行包裝貯存。這種分級技術(shù)能夠提高分級精度，并實現(xiàn)自動無損檢測分級。但是，光電式分級技術(shù)也存在檢測指標單一、效率較低、穩(wěn)定性較差等不足，目前大多僅作為試驗研究，實際應(yīng)用的尚不多。近年來，基于機器視覺技術(shù)的水果分級系統(tǒng)成為研究熱點。該技術(shù)利用計算機視覺技術(shù)采集水果的圖像，應(yīng)用圖像處理、模式識別等技術(shù)，測算出水果的大小、形狀、顏色、缺陷、紋理等指標參數(shù)，根據(jù)這些參數(shù)確定水果品質(zhì)。國外從20世紀90年代開始研究基于計算機視覺技術(shù)的水果分級系統(tǒng)，到現(xiàn)在已有部分實用的產(chǎn)品，如美國的OSCARTM型和MERLIN型高速水果分級生產(chǎn)線，廣泛用于對蘋果、梨、橘子、桃等水果的分等定級和品質(zhì)檢測；日本Naoshi研究的計算機視覺檢測設(shè)備，針對蘋果、桃、梨等多個水果品種，分別制定了顏色、形狀、大小、紋理、外部損傷的計算機視覺分級標準，設(shè)備分級速度可達8500個/h。國內(nèi)從20世紀90年代開始利用計算機視覺技術(shù)進行水果的分級研究，中國農(nóng)業(yè)大學(xué)較早開始研究蘋果自動分級的圖像分割問題，提出了用計算機圖像技術(shù)進行壞損蘋果的自動檢測，根據(jù)蘋果光學(xué)反射特性建立了一套適用于蘋果自動檢測的計算機圖像處理系統(tǒng)。機器視覺技術(shù)能夠?qū)崿F(xiàn)對水果多指標的綜合檢測和分級，分級效率和準確性較高，但存在設(shè)備成本高、圖像處理算法復(fù)雜等問題，需要進一步優(yōu)化和改進。1.2.2獼猴桃檢測分級技術(shù)現(xiàn)狀在獼猴桃檢測分級領(lǐng)域，國內(nèi)外的研究和應(yīng)用存在一定的差異。國外在該領(lǐng)域起步較早，技術(shù)相對成熟。例如，美國和日本等發(fā)達國家，基于機器視覺和機電一體化技術(shù)的獼猴桃尺寸、形狀和顏色分級技術(shù)已基本實現(xiàn)自動化檢測。他們能夠利用先進的設(shè)備和算法，對獼猴桃的大小、形狀、顏色以及表面缺陷等進行精準檢測和分級。這些設(shè)備不僅檢測精度高，而且分級速度快，能夠滿足大規(guī)模生產(chǎn)的需求。相比之下，國內(nèi)的獼猴桃果實分級技術(shù)相對落后。目前，國內(nèi)獼猴桃果實分級主要由人工完成，現(xiàn)有的分選設(shè)備大多基于機械技術(shù)，僅能按照水果的大小和質(zhì)量進行分選。在以果實大小為分級指標的場合，仍以人工判斷為主，完全憑借經(jīng)驗，人為判斷水果大小，將尺寸大小差不多的水果分為一個等級，這種方式費時費力，勞動強度較大，占地面積寬，偏差較大。基于機械技術(shù)的獼猴桃果實檢測分級，容易對果實表面造成損傷，且檢測指標上有局限性，無法對形狀、顏色以及表面缺陷等進行有效檢測。雖然國內(nèi)也在積極開展基于機器視覺技術(shù)的獼猴桃分級研究，但在實際應(yīng)用中還存在一些問題，如設(shè)備成本較高、操作復(fù)雜，難以在廣大果農(nóng)和小型企業(yè)中推廣應(yīng)用。同時，國內(nèi)在獼猴桃分級標準的制定上還不夠完善，缺乏統(tǒng)一的行業(yè)標準，導(dǎo)致分級結(jié)果的一致性和可比性較差。盡管國內(nèi)獼猴桃檢測分級技術(shù)與國外存在差距，但隨著科技的不斷進步和對獼猴桃產(chǎn)業(yè)重視程度的提高，國內(nèi)在該領(lǐng)域的研究也取得了一些成果。一些科研機構(gòu)和企業(yè)通過改進算法、優(yōu)化設(shè)備結(jié)構(gòu)等方式，提高了獼猴桃分級的準確性和效率。例如，廣西科技大學(xué)設(shè)計了一種基于機器視覺的獼猴桃表面缺陷智能檢測與分級系統(tǒng)，通過圖像處理技術(shù)以及改進的canny邊緣檢測算法進行果實大小檢測，并研究和改進了YOLOv7-tiny算法進行獼猴桃缺陷檢測，最后根據(jù)大小以及缺陷的檢測結(jié)果進行分級，該系統(tǒng)的獼猴桃智能分級準確率達到95%，在保證了一定檢測精度的同時，降低了網(wǎng)絡(luò)模型的大小，滿足了實時檢測的需求。未來，國內(nèi)獼猴桃檢測分級技術(shù)有望在借鑒國外先進經(jīng)驗的基礎(chǔ)上，結(jié)合自身實際情況，實現(xiàn)快速發(fā)展和突破，推動獼猴桃產(chǎn)業(yè)的升級和發(fā)展。1.3研究內(nèi)容與技術(shù)路線1.3.1研究內(nèi)容本研究聚焦于獼猴桃在線檢測分級系統(tǒng)，核心在于攻克關(guān)鍵技術(shù)，完成系統(tǒng)集成并進行全面試驗，具體內(nèi)容如下：獼猴桃檢測分級關(guān)鍵技術(shù)研究：針對獼猴桃大小、形狀、顏色、表面缺陷以及內(nèi)部品質(zhì)等檢測分級的關(guān)鍵指標，深入研究相應(yīng)的檢測技術(shù)。利用圖像處理技術(shù)，通過對獼猴桃圖像的采集和分析，精準計算果實的像素面積，進而根據(jù)換算公式得出實際最大橫截面積大小，實現(xiàn)對獼猴桃大小的精確檢測。在形狀檢測方面，運用數(shù)學(xué)形態(tài)學(xué)和幾何特征提取等方法，對獼猴桃的形狀進行量化分析，準確判斷其形狀是否符合標準。對于顏色檢測，采用顏色空間轉(zhuǎn)換和特征提取技術(shù)，建立顏色模型，實現(xiàn)對獼猴桃顏色的客觀評價。在表面缺陷檢測中，改進YOLOv7-tiny算法，通過在原主干網(wǎng)絡(luò)Backbone的MP模塊中引入CBAM注意力模塊，提升模型提取特征的能力；將Ghostnet與C3模塊相結(jié)合，形成C3-Ghost模塊，替換主干網(wǎng)絡(luò)中部分ELAN模塊，降低網(wǎng)絡(luò)參數(shù)量，使網(wǎng)絡(luò)達到輕量化效果，提高檢測速率；使用SIOU_Loss取代CIOU_Loss，提升模型的收斂能力，從而實現(xiàn)對獼猴桃表面碰壓傷、劃傷和日灼等缺陷的有效檢測。在內(nèi)部品質(zhì)檢測方面，探索近紅外光譜分析等技術(shù)，建立內(nèi)部品質(zhì)與光譜特征之間的關(guān)聯(lián)模型，實現(xiàn)對獼猴桃內(nèi)部品質(zhì)的無損檢測。在線檢測分級系統(tǒng)集成：在關(guān)鍵技術(shù)研究的基礎(chǔ)上，進行在線檢測分級系統(tǒng)的硬件和軟件集成。硬件方面，選用高精度的圖像采集設(shè)備、穩(wěn)定可靠的輸送裝置以及高效的數(shù)據(jù)處理單元，確保系統(tǒng)能夠快速、準確地獲取獼猴桃的各項檢測數(shù)據(jù)。軟件方面，基于Python和Pyqt5設(shè)計人機交互界面，實現(xiàn)對檢測過程的實時監(jiān)控和參數(shù)調(diào)整。將圖像處理算法、缺陷檢測算法以及分級決策算法等集成到軟件系統(tǒng)中，實現(xiàn)對獼猴桃的自動化檢測和分級。通過硬件和軟件的協(xié)同工作，構(gòu)建一個高效、穩(wěn)定的獼猴桃在線檢測分級系統(tǒng)。系統(tǒng)試驗與性能評估：對集成后的在線檢測分級系統(tǒng)進行全面試驗，以實際采集的獼猴桃樣本為對象，檢測系統(tǒng)對大小、形狀、顏色、表面缺陷和內(nèi)部品質(zhì)等指標的檢測準確性。在不同的環(huán)境條件下，如不同的光照強度、溫度和濕度等，對系統(tǒng)進行測試，評估其穩(wěn)定性和適應(yīng)性。通過大量的試驗數(shù)據(jù)，分析系統(tǒng)的檢測精度、分級準確率、漏檢率和誤檢率等性能指標，與國內(nèi)外同類系統(tǒng)進行對比，客觀評價本系統(tǒng)的優(yōu)勢和不足。根據(jù)試驗結(jié)果，對系統(tǒng)進行優(yōu)化和改進，進一步提高系統(tǒng)的性能和可靠性。1.3.2技術(shù)路線本研究的技術(shù)路線圍繞獼猴桃在線檢測分級系統(tǒng)展開，從理論研究入手，逐步深入到系統(tǒng)設(shè)計、試驗驗證和優(yōu)化改進，具體如下：理論研究與技術(shù)調(diào)研：深入研究水果分級技術(shù)的發(fā)展歷程，全面了解國內(nèi)外獼猴桃檢測分級技術(shù)的現(xiàn)狀。通過查閱大量的文獻資料，分析現(xiàn)有技術(shù)的優(yōu)勢和不足，為后續(xù)的研究提供理論基礎(chǔ)和技術(shù)參考。在研究過程中，重點關(guān)注基于機器視覺技術(shù)的獼猴桃分級方法，以及相關(guān)的圖像處理、模式識別和深度學(xué)習(xí)算法等。同時，對市場上現(xiàn)有的獼猴桃分級設(shè)備進行調(diào)研，了解其性能特點和應(yīng)用情況，為系統(tǒng)的設(shè)計提供實際依據(jù)。關(guān)鍵技術(shù)研究與算法改進：針對獼猴桃的大小、形狀、顏色、表面缺陷和內(nèi)部品質(zhì)等檢測分級指標，開展關(guān)鍵技術(shù)研究。運用圖像處理技術(shù)進行果實大小檢測，通過灰度化處理、雙邊濾波和改進的canny邊緣檢測算法等，得到獼猴桃的邊緣圖像，再經(jīng)過形態(tài)學(xué)處理和輪廓面積計算，得出獼猴桃的實際最大橫截面積大小。在形狀檢測方面，利用數(shù)學(xué)形態(tài)學(xué)和幾何特征提取方法，建立形狀特征模型。對于顏色檢測，采用顏色空間轉(zhuǎn)換和特征提取技術(shù)，建立顏色模型。在表面缺陷檢測中，改進YOLOv7-tiny算法，通過引入注意力機制、輕量化網(wǎng)絡(luò)和改進損失函數(shù)等方法，提升模型的檢測能力。在內(nèi)部品質(zhì)檢測方面，探索近紅外光譜分析等技術(shù)，建立內(nèi)部品質(zhì)與光譜特征之間的關(guān)聯(lián)模型。通過對這些關(guān)鍵技術(shù)的研究和算法改進，為系統(tǒng)的設(shè)計提供技術(shù)支持。系統(tǒng)設(shè)計與集成：根據(jù)關(guān)鍵技術(shù)研究的成果，進行在線檢測分級系統(tǒng)的設(shè)計與集成。硬件設(shè)計方面，選擇合適的圖像采集設(shè)備、輸送裝置和數(shù)據(jù)處理單元，確保系統(tǒng)能夠準確獲取獼猴桃的各項數(shù)據(jù)。軟件設(shè)計方面，基于Python和Pyqt5設(shè)計人機交互界面，實現(xiàn)對檢測過程的實時監(jiān)控和參數(shù)調(diào)整。將圖像處理算法、缺陷檢測算法和分級決策算法等集成到軟件系統(tǒng)中，實現(xiàn)對獼猴桃的自動化檢測和分級。通過硬件和軟件的集成，構(gòu)建一個完整的獼猴桃在線檢測分級系統(tǒng)。試驗驗證與系統(tǒng)優(yōu)化：對集成后的在線檢測分級系統(tǒng)進行試驗驗證，以實際采集的獼猴桃樣本為對象，檢測系統(tǒng)對各項指標的檢測準確性。在不同的環(huán)境條件下對系統(tǒng)進行測試，評估其穩(wěn)定性和適應(yīng)性。通過大量的試驗數(shù)據(jù)，分析系統(tǒng)的性能指標，如檢測精度、分級準確率、漏檢率和誤檢率等。根據(jù)試驗結(jié)果，對系統(tǒng)進行優(yōu)化和改進，調(diào)整算法參數(shù)、優(yōu)化硬件配置，進一步提高系統(tǒng)的性能和可靠性。通過不斷的試驗驗證和系統(tǒng)優(yōu)化，使獼猴桃在線檢測分級系統(tǒng)達到最佳的性能狀態(tài)，滿足實際生產(chǎn)的需求。二、獼猴桃在線檢測分級系統(tǒng)關(guān)鍵技術(shù)剖析2.1機器視覺技術(shù)原理與應(yīng)用2.1.1機器視覺系統(tǒng)工作機制機器視覺技術(shù)是一門融合了光學(xué)、電子學(xué)、計算機科學(xué)等多學(xué)科知識的綜合性技術(shù)，其核心在于模擬人類視覺感知過程，實現(xiàn)對目標物體的圖像信息獲取、處理和分析。在獼猴桃在線檢測分級系統(tǒng)中，機器視覺系統(tǒng)主要由圖像采集設(shè)備、光源、圖像處理單元和執(zhí)行機構(gòu)等部分組成。圖像采集設(shè)備通常采用高分辨率的相機，其作用類似于人類的眼睛，負責(zé)捕捉獼猴桃的圖像信息。在采集過程中，相機會根據(jù)設(shè)定的參數(shù)，如分辨率、幀率、曝光時間等，對在輸送帶上移動的獼猴桃進行快速拍攝，獲取其多角度的圖像。為了確保圖像的質(zhì)量和準確性，光源的選擇和布置至關(guān)重要。合適的光源可以提供均勻、穩(wěn)定的照明，減少陰影和反光對圖像的干擾，使獼猴桃的表面特征能夠清晰地呈現(xiàn)出來。例如，采用環(huán)形光源可以從不同角度照亮獼猴桃，避免出現(xiàn)局部光照不足的情況；而背光源則可以突出獼猴桃的輪廓，便于后續(xù)的形狀檢測和尺寸測量。采集到的圖像數(shù)據(jù)會被傳輸?shù)綀D像處理單元，這相當(dāng)于人類的大腦，負責(zé)對圖像進行分析和處理。圖像處理單元首先會對圖像進行預(yù)處理，包括灰度化、濾波、降噪等操作，以提高圖像的清晰度和對比度，去除噪聲和干擾信息。接著，通過邊緣檢測、閾值分割、形態(tài)學(xué)處理等算法，對獼猴桃的邊緣、輪廓、顏色等特征進行提取和分析。例如，利用canny邊緣檢測算法可以準確地檢測出獼猴桃的邊緣，通過計算邊緣的周長、面積等參數(shù)，可以得到獼猴桃的形狀和大小信息；而通過顏色空間轉(zhuǎn)換和特征提取技術(shù)，可以將圖像從RGB顏色空間轉(zhuǎn)換到HSV、Lab等顏色空間，提取出獼猴桃的顏色特征，如色調(diào)、飽和度、亮度等，從而判斷其成熟度和品質(zhì)。最后，根據(jù)圖像處理單元分析得到的結(jié)果，執(zhí)行機構(gòu)會對獼猴桃進行相應(yīng)的分級操作。執(zhí)行機構(gòu)通常由機械臂、輸送帶、分選裝置等組成，根據(jù)分級結(jié)果，將不同等級的獼猴桃輸送到相應(yīng)的通道或容器中，完成分級過程。整個機器視覺系統(tǒng)通過各部分的協(xié)同工作，實現(xiàn)了對獼猴桃的快速、準確檢測和分級，大大提高了分級效率和準確性，減少了人工勞動強度和誤差。2.1.2在獼猴桃檢測中的應(yīng)用實例機器視覺技術(shù)在獼猴桃檢測中有著廣泛的應(yīng)用，通過對獼猴桃大小、形狀、顏色等多方面的檢測，為分級提供了重要依據(jù)。在大小檢測方面，以某獼猴桃種植基地采用的基于機器視覺的分級系統(tǒng)為例，該系統(tǒng)通過圖像采集設(shè)備獲取獼猴桃的圖像，利用圖像處理技術(shù)，首先對圖像進行灰度化處理，將彩色圖像轉(zhuǎn)換為灰度圖像，以便后續(xù)的處理和分析。接著，采用雙邊濾波算法對灰度圖像進行去噪處理，去除圖像中的噪聲干擾，使圖像更加清晰。然后，運用改進的canny邊緣檢測算法對去噪后的圖像進行邊緣檢測，得到獼猴桃的邊緣圖像。通過對邊緣圖像進行形態(tài)學(xué)處理，如膨脹、腐蝕等操作，進一步優(yōu)化邊緣效果，確保邊緣的完整性和準確性。最后，計算獼猴桃邊緣的周長和面積等參數(shù)，并根據(jù)預(yù)先建立的換算模型，將像素面積轉(zhuǎn)換為實際的最大橫截面積大小，從而實現(xiàn)對獼猴桃大小的精確檢測。通過該系統(tǒng)的應(yīng)用，能夠快速、準確地將獼猴桃按照大小進行分級，分級效率比人工提高了數(shù)倍，且分級誤差控制在極小的范圍內(nèi)。在形狀檢測中，例如某科研團隊研發(fā)的基于機器視覺的獼猴桃形狀檢測系統(tǒng)，利用數(shù)學(xué)形態(tài)學(xué)和幾何特征提取方法，對獼猴桃的形狀進行量化分析。該系統(tǒng)首先通過圖像采集設(shè)備獲取獼猴桃的多角度圖像，然后對圖像進行預(yù)處理，增強圖像的特征。接著，采用輪廓提取算法，提取出獼猴桃的輪廓信息。通過計算輪廓的幾何特征參數(shù)，如圓形度、矩形度、長寬比等，來描述獼猴桃的形狀。對于形狀不規(guī)則的獼猴桃，通過與標準形狀模型進行對比分析，判斷其形狀是否符合標準。該系統(tǒng)在實際應(yīng)用中，能夠準確地識別出畸形果和正常果，為獼猴桃的品質(zhì)分級提供了重要的形狀指標依據(jù)，有效提高了分級的準確性和可靠性。顏色檢測也是機器視覺技術(shù)在獼猴桃檢測中的重要應(yīng)用。以某企業(yè)應(yīng)用的機器視覺顏色檢測系統(tǒng)為例，該系統(tǒng)采用顏色空間轉(zhuǎn)換和特征提取技術(shù)，對獼猴桃的顏色進行客觀評價。系統(tǒng)首先將采集到的獼猴桃圖像從RGB顏色空間轉(zhuǎn)換到HSV顏色空間，HSV顏色空間更符合人類對顏色的感知方式，便于提取顏色特征。然后，提取圖像中獼猴桃的色調(diào)、飽和度和亮度等特征值，通過與預(yù)先設(shè)定的顏色標準進行對比分析，判斷獼猴桃的成熟度和品質(zhì)。例如，對于成熟的獼猴桃，其色調(diào)通常在一定的范圍內(nèi)，飽和度和亮度也有相應(yīng)的特征。通過該系統(tǒng)的檢測，能夠快速、準確地將不同成熟度的獼猴桃進行分類，為市場提供符合消費者需求的產(chǎn)品，提高了獼猴桃的市場競爭力。2.2光譜技術(shù)原理與應(yīng)用2.2.1光譜技術(shù)檢測原理光譜技術(shù)作為一種先進的分析手段，在獼猴桃內(nèi)部品質(zhì)檢測中發(fā)揮著重要作用。其檢測原理基于物質(zhì)對不同波長光的吸收、發(fā)射或散射特性。當(dāng)光照射到獼猴桃上時，獼猴桃內(nèi)部的化學(xué)成分，如糖類、蛋白質(zhì)、水分等，會與光發(fā)生相互作用，導(dǎo)致光的強度、波長或相位等特性發(fā)生改變。以近紅外光譜為例，近紅外光的波長范圍通常在780-2526nm之間，物質(zhì)的近紅外光譜信息主要源于分子內(nèi)部含氫基團（如C-H，O-H，N-H，S-H等）分子振動的倍頻與合頻吸收。根據(jù)朗伯一比爾吸收定律，隨著樣品成份組成或者結(jié)構(gòu)的變化，其光譜特征也將發(fā)生變化。獼猴桃中的糖類物質(zhì)含有大量的C-H和O-H基團，在近紅外區(qū)域會有特定的吸收峰。當(dāng)獼猴桃的含糖量發(fā)生變化時，這些吸收峰的位置、強度和形狀也會相應(yīng)改變。通過分析這些光譜特征的變化，就可以建立起光譜與獼猴桃內(nèi)部品質(zhì)參數(shù)之間的關(guān)系模型，從而實現(xiàn)對獼猴桃糖度、酸度、硬度等內(nèi)部品質(zhì)的定量或定性分析。此外，拉曼光譜技術(shù)也是一種常用的光譜分析方法。拉曼光譜是基于拉曼散射效應(yīng)，當(dāng)光照射到物質(zhì)上時，除了被吸收和散射外，還有一部分光會發(fā)生頻率位移，產(chǎn)生拉曼散射光。拉曼散射光的頻率位移與物質(zhì)分子的振動和轉(zhuǎn)動能級有關(guān)，不同的物質(zhì)分子具有不同的拉曼光譜特征。在獼猴桃檢測中，拉曼光譜可以用于檢測獼猴桃中的維生素C、類黃酮等營養(yǎng)成分的含量，以及檢測獼猴桃是否受到病蟲害的侵襲。通過分析拉曼光譜的特征峰，可以判斷獼猴桃中這些成分的含量和變化情況，為獼猴桃的品質(zhì)評估提供重要依據(jù)。2.2.2在獼猴桃糖度等檢測中的應(yīng)用光譜技術(shù)在獼猴桃糖度、酸度等內(nèi)部指標檢測中有著廣泛的應(yīng)用，為獼猴桃品質(zhì)分級提供了重要的數(shù)據(jù)支持。在糖度檢測方面，許多研究表明光譜技術(shù)具有較高的準確性和可靠性。例如，有研究以湖北“云海一號”獼猴桃為研究對象，采用紅外分析儀獲取了280個樣本在4000-10000cm?1范圍內(nèi)的1557個波長的光譜數(shù)據(jù)，并使用折射儀測量糖度值。通過蒙特卡洛隨機采樣結(jié)合T檢驗的奇異樣本識別算法篩除異常值樣本，利用SPXY算法按照4∶1的比例劃分訓(xùn)練集和測試集。使用多元散射校正（MSC）、SG平滑濾波（SG）、趨勢校正（DT）、矢量歸一化（VN）、標準正態(tài)變換（SNV）五種方法對數(shù)據(jù)進行預(yù)處理，使用無信息變量消除法（UVE）、競爭性自適應(yīng)重加權(quán)算法（CARS）和區(qū)間變量迭代空間收縮特征選擇算法（iVISSA）提取特征波長，使用連續(xù)投影算法（SPA）進行二次提取，消除共線性變量。設(shè)計了一種基于Stacking算法的集成學(xué)習(xí)模型，選擇貝葉斯嶺回歸（BRR）、偏最小二乘回歸（PLSR）、支持向量機回歸（SVR）以及人工神經(jīng)網(wǎng)絡(luò)（ANN）作為基學(xué)習(xí)器，線性回歸（LR）作為元學(xué)習(xí)器建立集成模型。結(jié)果表明，在五種預(yù)處理方法之中，矢量歸一化的效果最佳。對預(yù)處理后的光譜進行特征波長提取，結(jié)果顯示VN-CARS-PLSR模型效果最好，在測試集上的相關(guān)系數(shù)為0.805，RMSEP為0.498。通過Stacking算法對基學(xué)習(xí)器進行融合，對比不同的組合方式，發(fā)現(xiàn)PLS+SVR+ANN集成模型預(yù)測精度最高，達到了0.853，RMSEP下降至0.433，該方法為獼猴桃糖度品質(zhì)的無損檢測提供了技術(shù)支持。在酸度檢測中，光譜技術(shù)同樣展現(xiàn)出良好的應(yīng)用前景。有研究利用近紅外光譜技術(shù)對獼猴桃的酸度進行檢測，通過采集獼猴桃的近紅外光譜數(shù)據(jù)，并結(jié)合化學(xué)計量學(xué)方法建立酸度預(yù)測模型。實驗結(jié)果表明，所建立的模型能夠準確地預(yù)測獼猴桃的酸度，相關(guān)系數(shù)達到了較高水平，為獼猴桃酸度的快速檢測提供了一種有效的方法。此外，光譜技術(shù)還可以用于同時檢測獼猴桃的多個內(nèi)部指標，如可溶性固形物含量、硬度等。通過建立多指標的聯(lián)合檢測模型，可以更加全面地評估獼猴桃的品質(zhì)，為獼猴桃的分級提供更準確的依據(jù)。例如，有研究利用高光譜成像技術(shù)，同時獲取獼猴桃的二維空間和一維光譜信息，通過對光譜信息的分析，結(jié)合化學(xué)計量學(xué)方法，建立了獼猴桃可溶性固形物含量、硬度和顏色等多個指標的預(yù)測模型，并采用偽彩色技術(shù)對獼猴桃不同成熟期的理化指標分布進行可視化，使檢測結(jié)果更加直觀，為獼猴桃的品質(zhì)評估和分級提供了有力的支持。2.3圖像處理算法關(guān)鍵技術(shù)2.3.1圖像預(yù)處理技術(shù)圖像預(yù)處理是獼猴桃在線檢測分級系統(tǒng)中圖像處理的關(guān)鍵環(huán)節(jié)，其目的在于提高圖像質(zhì)量，為后續(xù)的特征提取和分析奠定良好基礎(chǔ)。在獼猴桃圖像采集過程中，由于受到光照條件、采集設(shè)備噪聲以及傳輸過程干擾等多種因素的影響，獲取的原始圖像往往存在噪聲、光照不均勻、對比度低等問題，這些問題會嚴重影響后續(xù)的圖像處理和分析結(jié)果。因此，需要對原始圖像進行預(yù)處理，以消除或減少這些不利因素的影響。灰度化是圖像預(yù)處理的第一步，其作用是將彩色圖像轉(zhuǎn)換為灰度圖像。在獼猴桃檢測中，彩色圖像包含豐富的顏色信息，但在某些情況下，這些顏色信息對于檢測和分級并非必需，反而會增加數(shù)據(jù)處理的復(fù)雜性。例如，在進行形狀和大小檢測時，主要關(guān)注的是圖像的灰度分布，而顏色信息可能會成為干擾因素?；叶然幚砜梢詫⒉噬珗D像中的RGB三個通道的信息轉(zhuǎn)換為一個灰度通道的信息，從而簡化圖像數(shù)據(jù)，提高處理效率。常見的灰度化方法有加權(quán)平均法、最大值法、最小值法等。其中，加權(quán)平均法是最常用的方法，其公式為：Gray=0.299R+0.587G+0.114B，通過這種方式得到的灰度圖像能夠較好地保留原始圖像的亮度信息，更符合人眼的視覺感知。降噪處理是圖像預(yù)處理的重要步驟，其目的是去除圖像中的噪聲干擾，提高圖像的清晰度。在獼猴桃圖像中，噪聲可能來自于相機傳感器的熱噪聲、電子噪聲以及環(huán)境中的電磁干擾等。這些噪聲會使圖像出現(xiàn)斑點、條紋等干擾信息，影響邊緣檢測和特征提取的準確性。雙邊濾波是一種常用的降噪算法，它在考慮像素空間距離的同時，還考慮了像素的灰度值差異。對于獼猴桃圖像中的噪聲點，雙邊濾波能夠在保持圖像邊緣信息的前提下，有效地平滑噪聲。其原理是通過對鄰域內(nèi)像素的空間距離和灰度值差異進行加權(quán)求和，來計算濾波后的像素值。相比于其他濾波算法，如均值濾波和高斯濾波，雙邊濾波能夠更好地保留圖像的細節(jié)信息，對于獼猴桃表面的紋理和特征能夠進行更準確的處理，從而提高后續(xù)處理的準確性和可靠性。2.3.2邊緣檢測與特征提取算法邊緣檢測與特征提取算法在獼猴桃在線檢測分級系統(tǒng)中起著至關(guān)重要的作用，它們是實現(xiàn)對獼猴桃準確分級的核心技術(shù)之一。通過這些算法，可以從預(yù)處理后的獼猴桃圖像中提取出關(guān)鍵的特征信息，如形狀、大小、表面缺陷等，為后續(xù)的分級決策提供依據(jù)。改進的canny邊緣檢測算法是一種常用的邊緣檢測方法，在獼猴桃形狀和大小檢測中具有顯著優(yōu)勢。傳統(tǒng)的canny邊緣檢測算法在處理獼猴桃圖像時，存在一些局限性。例如，獼猴桃表面可能存在一些紋理和細節(jié)，這些信息會導(dǎo)致傳統(tǒng)canny算法檢測出過多的邊緣，干擾對獼猴桃真實邊緣的判斷；同時，在光照不均勻的情況下，傳統(tǒng)canny算法的檢測效果也會受到影響，容易出現(xiàn)邊緣不連續(xù)、漏檢等問題。針對這些問題，本研究對canny邊緣檢測算法進行了改進。在改進的canny邊緣檢測算法中，首先通過自適應(yīng)閾值處理來替代傳統(tǒng)的固定閾值。傳統(tǒng)canny算法采用固定的高低閾值來確定邊緣，這種方式在不同光照條件和圖像特征下，很難保證檢測效果的穩(wěn)定性。而自適應(yīng)閾值處理則根據(jù)圖像的局部特征，動態(tài)地調(diào)整閾值。對于獼猴桃圖像，在光照較亮的區(qū)域，適當(dāng)提高閾值，以避免檢測出過多的噪聲邊緣；在光照較暗的區(qū)域，降低閾值，確保能夠檢測到真實的邊緣。通過這種方式，能夠更好地適應(yīng)獼猴桃圖像的多樣性，提高邊緣檢測的準確性。在邊緣連接階段，采用了基于形態(tài)學(xué)的方法。傳統(tǒng)canny算法在邊緣連接時，容易出現(xiàn)邊緣斷裂的情況，尤其是在獼猴桃表面紋理復(fù)雜的區(qū)域?；谛螒B(tài)學(xué)的邊緣連接方法，利用膨脹和腐蝕等形態(tài)學(xué)操作，對初步檢測出的邊緣進行優(yōu)化。通過膨脹操作，可以將一些斷開的邊緣連接起來；再通過腐蝕操作，去除因膨脹而產(chǎn)生的多余邊緣，使邊緣更加清晰和連續(xù)。例如，對于獼猴桃邊緣上的一些小缺口，膨脹操作可以填充這些缺口，使邊緣完整；而對于因噪聲產(chǎn)生的一些孤立的邊緣點，腐蝕操作可以將其去除，從而得到更準確的獼猴桃邊緣。經(jīng)過改進的canny邊緣檢測算法，能夠更準確地提取獼猴桃的邊緣信息，為后續(xù)的形狀和大小檢測提供可靠的數(shù)據(jù)基礎(chǔ)。通過計算邊緣的周長、面積、圓形度等參數(shù)，可以準確地判斷獼猴桃的形狀是否規(guī)則，大小是否符合分級標準，從而實現(xiàn)對獼猴桃的有效分級。2.4深度學(xué)習(xí)算法關(guān)鍵技術(shù)2.4.1卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetwork，CNN）作為深度學(xué)習(xí)的重要分支，在獼猴桃缺陷檢測等計算機視覺任務(wù)中展現(xiàn)出卓越的性能，其獨特的結(jié)構(gòu)和工作原理為準確檢測提供了有力支持。CNN的結(jié)構(gòu)主要由輸入層、卷積層、激活函數(shù)層、池化層、全連接層和輸出層組成。輸入層負責(zé)接收原始圖像數(shù)據(jù)，在獼猴桃檢測中，即為采集到的獼猴桃圖像，其形狀通常為（高度，寬度，通道數(shù)），例如常見的彩色圖像通道數(shù)為3（RGB三個通道）。卷積層是CNN的核心組成部分，它通過卷積核（也稱為濾波器）對輸入圖像進行卷積操作。卷積核是一個小型的權(quán)重矩陣，在輸入圖像上滑動，對每個局部區(qū)域進行加權(quán)求和，從而生成特征圖。這種局部連接的方式大大減少了參數(shù)數(shù)量，同時參數(shù)共享機制使得卷積核在不同位置對圖像進行相同的特征提取操作，提高了模型的泛化能力。例如，一個3×3的卷積核在掃描獼猴桃圖像時，會對每個3×3的像素區(qū)域進行計算，提取該區(qū)域的特征，如邊緣、紋理等。通過多個不同的卷積核，可以提取出多種不同的特征。激活函數(shù)層緊跟卷積層之后，其作用是為網(wǎng)絡(luò)引入非線性因素。常用的激活函數(shù)有ReLU（RectifiedLinearUnit），其公式為f(x)=max(0,x)。ReLU函數(shù)計算簡單，在正數(shù)區(qū)域的梯度恒為1，能夠有效緩解梯度消失問題，使網(wǎng)絡(luò)能夠?qū)W習(xí)到更復(fù)雜的特征。在獼猴桃圖像經(jīng)過卷積層提取特征后，通過ReLU函數(shù)處理，能夠增強有用特征，抑制無用特征，提升模型對獼猴桃特征的表達能力。池化層用于降低特征圖的空間維度，減少計算量的同時保留重要信息。常用的池化操作有最大池化和平均池化。最大池化是將輸入特征圖劃分為若干個不重疊的區(qū)域，每個區(qū)域選擇最大值作為輸出；平均池化則是計算每個區(qū)域的平均值作為輸出。以獼猴桃圖像特征圖為例，通過2×2的最大池化操作，將特征圖在空間上縮小為原來的四分之一，減少了后續(xù)層的計算量，同時保留了特征圖中的重要信息，如邊緣、角點等，這些信息對于判斷獼猴桃的形狀、缺陷等至關(guān)重要。全連接層將卷積層和池化層提取的特征進行整合，其神經(jīng)元與前一層的所有神經(jīng)元相連。在獼猴桃缺陷檢測中，全連接層接收經(jīng)過前面各層處理后的特征信息，通過權(quán)重和偏置進行線性組合，然后通過激活函數(shù)引入非線性，將特征映射到具體的類別或數(shù)值上，如判斷獼猴桃是否存在缺陷以及缺陷的類型。輸出層是CNN的最后一層，用于生成最終的預(yù)測結(jié)果。在獼猴桃缺陷檢測任務(wù)中，輸出層通常使用Softmax函數(shù)，將全連接層的輸出轉(zhuǎn)換為概率分布，每個類別對應(yīng)一個概率值，概率最大的類別即為預(yù)測結(jié)果，從而實現(xiàn)對獼猴桃缺陷的準確檢測和分類。2.4.2目標檢測算法應(yīng)用在獼猴桃缺陷檢測領(lǐng)域，目標檢測算法發(fā)揮著關(guān)鍵作用。以YOLOv7-tiny算法改進為例，該算法的優(yōu)化和應(yīng)用為獼猴桃缺陷檢測帶來了顯著的提升。YOLOv7-tiny算法是一種輕量級的目標檢測算法，其設(shè)計初衷是在保證一定檢測精度的前提下，實現(xiàn)快速的目標檢測，適用于對實時性要求較高的場景。然而，原始的YOLOv7-tiny算法在處理獼猴桃缺陷檢測時，存在一些局限性。為了更好地適應(yīng)獼猴桃缺陷檢測的需求，本研究對其進行了一系列改進。在原主干網(wǎng)絡(luò)Backbone的MP模塊中引入CBAM（ConvolutionalBlockAttentionModule）注意力模塊是改進的關(guān)鍵舉措之一。CBAM注意力模塊能夠從通道和空間兩個維度對特征進行加權(quán)，使模型更加關(guān)注獼猴桃圖像中與缺陷相關(guān)的區(qū)域，抑制無關(guān)信息的干擾，從而提升模型提取特征的能力。例如，在檢測獼猴桃表面的碰壓傷時，CBAM注意力模塊可以增強碰壓傷區(qū)域的特征表達，使模型更容易識別出這些細微的缺陷，提高檢測的準確性。將Ghostnet與C3模塊相結(jié)合，形成C3-Ghost模塊，并替換主干網(wǎng)絡(luò)中部分ELAN模塊，是實現(xiàn)網(wǎng)絡(luò)輕量化的重要手段。Ghostnet通過生成廉價的特征圖來減少計算量，而C3模塊則在保證特征提取能力的同時，進一步優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)。C3-Ghost模塊的應(yīng)用，在降低網(wǎng)絡(luò)參數(shù)量的同時，保持了模型的檢測性能，使網(wǎng)絡(luò)能夠更快地處理圖像，滿足在線檢測對實時性的要求。例如，在實際檢測過程中，改進后的網(wǎng)絡(luò)能夠在短時間內(nèi)對大量的獼猴桃圖像進行分析，快速準確地檢測出缺陷，提高了檢測效率。使用SIOU_Loss取代CIOU_Loss也是改進的重要方面。SIOU_Loss在計算損失時，考慮了目標框與預(yù)測框之間的距離、角度和重疊面積等多種因素，能夠更準確地衡量預(yù)測結(jié)果與真實值之間的差異，從而提升模型的收斂能力。在獼猴桃缺陷檢測中，SIOU_Loss可以使模型更快地收斂到最優(yōu)解，減少訓(xùn)練時間，同時提高檢測的精度。例如，在訓(xùn)練過程中，使用SIOU_Loss的模型能夠更快地調(diào)整參數(shù)，使預(yù)測框更準確地定位獼猴桃的缺陷位置，提高檢測的召回率和準確率。通過這些改進措施，改進后的YOLOv7-tiny算法在獼猴桃缺陷檢測中表現(xiàn)出更高的檢測精度和效率。在實際應(yīng)用中，能夠準確地檢測出獼猴桃表面的碰壓傷、劃傷和日灼等缺陷，為獼猴桃的分級提供了可靠的依據(jù)，有效提升了獼猴桃在線檢測分級系統(tǒng)的性能。三、獼猴桃在線檢測分級系統(tǒng)集成設(shè)計3.1系統(tǒng)總體架構(gòu)設(shè)計3.1.1系統(tǒng)功能模塊劃分獼猴桃在線檢測分級系統(tǒng)主要由輸送模塊、檢測模塊、控制模塊和分級執(zhí)行模塊等組成，各模塊分工明確，協(xié)同完成對獼猴桃的檢測分級任務(wù)。輸送模塊是整個系統(tǒng)的基礎(chǔ)，負責(zé)將獼猴桃有序地輸送至檢測區(qū)域。該模塊采用輸送帶作為主要輸送工具，輸送帶的材質(zhì)選擇柔軟且具有一定摩擦力的材料，以避免在輸送過程中對獼猴桃表面造成損傷。同時，輸送帶的速度可根據(jù)實際生產(chǎn)需求進行調(diào)整，確保獼猴桃在檢測區(qū)域內(nèi)的停留時間能夠滿足檢測要求。例如，在檢測精度要求較高時，可適當(dāng)降低輸送帶速度，使檢測模塊有更充足的時間獲取獼猴桃的各項數(shù)據(jù)；而在生產(chǎn)效率要求較高時，則可適當(dāng)提高輸送帶速度，加快檢測分級進程。此外，輸送模塊還配備了獼猴桃定向裝置，能夠使獼猴桃以統(tǒng)一的姿態(tài)進入檢測區(qū)域，便于后續(xù)的檢測工作。檢測模塊是系統(tǒng)的核心部分，運用機器視覺技術(shù)和光譜技術(shù)，對獼猴桃的大小、形狀、顏色、表面缺陷以及內(nèi)部品質(zhì)等指標進行全面檢測。機器視覺子模塊通過高分辨率相機和合適的光源，采集獼猴桃的圖像信息。相機的分辨率和幀率經(jīng)過精心選擇，以確保能夠清晰地捕捉獼猴桃的細節(jié)特征，同時滿足在線檢測的實時性要求。光源則根據(jù)獼猴桃的特性，選擇能夠突出其表面特征的類型，如環(huán)形光源可減少陰影對圖像的影響，使表面缺陷更易被檢測到。采集到的圖像數(shù)據(jù)經(jīng)過預(yù)處理后，利用圖像處理算法計算獼猴桃的像素面積，通過換算公式得出實際最大橫截面積大小，從而實現(xiàn)大小檢測；運用數(shù)學(xué)形態(tài)學(xué)和幾何特征提取方法，分析獼猴桃的形狀特征，判斷其形狀是否符合標準；采用顏色空間轉(zhuǎn)換和特征提取技術(shù)，建立顏色模型，對獼猴桃的顏色進行客觀評價；通過改進的YOLOv7-tiny算法，對獼猴桃表面的碰壓傷、劃傷和日灼等缺陷進行檢測。光譜子模塊利用近紅外光譜儀等設(shè)備，獲取獼猴桃的光譜信息，通過分析光譜特征，建立內(nèi)部品質(zhì)與光譜之間的關(guān)聯(lián)模型，實現(xiàn)對獼猴桃糖度、酸度等內(nèi)部品質(zhì)的檢測。控制模塊猶如系統(tǒng)的大腦，負責(zé)對整個系統(tǒng)的運行進行監(jiān)控和管理。該模塊基于PLC（可編程邏輯控制器）實現(xiàn)，通過編寫相應(yīng)的控制程序，實現(xiàn)對輸送模塊、檢測模塊和分級執(zhí)行模塊的協(xié)調(diào)控制?？刂颇K接收檢測模塊傳輸?shù)臋z測數(shù)據(jù)，根據(jù)預(yù)先設(shè)定的分級標準，對數(shù)據(jù)進行分析和處理，判斷獼猴桃的等級。同時，控制模塊還能夠根據(jù)檢測結(jié)果，對系統(tǒng)的運行參數(shù)進行調(diào)整，如輸送帶速度、檢測頻率等，以保證系統(tǒng)的高效穩(wěn)定運行。此外，控制模塊還具備故障診斷和報警功能，當(dāng)系統(tǒng)出現(xiàn)故障時，能夠及時發(fā)出警報，并顯示故障信息，便于工作人員進行維修和排除故障。分級執(zhí)行模塊根據(jù)控制模塊的指令，將不同等級的獼猴桃進行分離和收集。該模塊采用氣動分選裝置作為主要執(zhí)行機構(gòu)，通過控制氣缸的動作，將符合不同等級標準的獼猴桃推送到相應(yīng)的收集容器中。氣動分選裝置具有響應(yīng)速度快、動作準確等優(yōu)點，能夠滿足在線檢測分級的高效性要求。收集容器的設(shè)計充分考慮了獼猴桃的特性，采用柔軟的內(nèi)襯材料，避免在收集過程中對獼猴桃造成二次損傷。同時，收集容器的容量和數(shù)量可根據(jù)實際生產(chǎn)需求進行調(diào)整，確保能夠及時收集不同等級的獼猴桃。3.1.2模塊間協(xié)同工作機制在獼猴桃在線檢測分級系統(tǒng)中，各模塊之間緊密協(xié)作，形成一個有機的整體，確保檢測分級任務(wù)的順利完成。當(dāng)獼猴桃進入輸送模塊時，輸送帶以設(shè)定的速度將獼猴桃平穩(wěn)地輸送至檢測區(qū)域。在輸送過程中，獼猴桃定向裝置將獼猴桃調(diào)整為統(tǒng)一的姿態(tài)，便于檢測模塊進行檢測。輸送模塊與檢測模塊之間通過光電傳感器進行信號交互，當(dāng)光電傳感器檢測到獼猴桃進入檢測區(qū)域時，向檢測模塊發(fā)送觸發(fā)信號，啟動檢測流程。檢測模塊接收到觸發(fā)信號后，機器視覺子模塊和光譜子模塊同時開始工作。機器視覺子模塊利用相機快速采集獼猴桃的圖像信息，并將圖像數(shù)據(jù)傳輸至圖像處理單元進行分析處理，獲取獼猴桃的大小、形狀、顏色和表面缺陷等信息；光譜子模塊則利用光譜儀采集獼猴桃的光譜信息，通過分析光譜特征，得出獼猴桃的內(nèi)部品質(zhì)數(shù)據(jù)。檢測模塊將檢測得到的各項數(shù)據(jù)進行整合，形成完整的獼猴桃品質(zhì)信息，并將這些信息傳輸至控制模塊?？刂颇K接收檢測模塊傳輸?shù)钠焚|(zhì)信息后，根據(jù)預(yù)先設(shè)定的分級標準，對獼猴桃進行等級判定。分級標準綜合考慮了獼猴桃的大小、形狀、顏色、表面缺陷以及內(nèi)部品質(zhì)等多個因素，確保分級結(jié)果能夠準確反映獼猴桃的品質(zhì)?？刂颇K根據(jù)等級判定結(jié)果，向分級執(zhí)行模塊發(fā)送控制指令，指示分級執(zhí)行模塊將不同等級的獼猴桃輸送至相應(yīng)的收集容器中。分級執(zhí)行模塊接收到控制模塊的指令后，氣動分選裝置迅速動作，將符合不同等級標準的獼猴桃準確地推送到對應(yīng)的收集容器中。在分級執(zhí)行過程中，分級執(zhí)行模塊會實時向控制模塊反饋執(zhí)行狀態(tài)信息，以便控制模塊及時了解分級執(zhí)行情況，確保系統(tǒng)的穩(wěn)定運行。在整個檢測分級過程中，控制模塊還負責(zé)對系統(tǒng)的運行狀態(tài)進行實時監(jiān)控。一旦檢測到系統(tǒng)出現(xiàn)異常情況，如輸送帶故障、檢測模塊數(shù)據(jù)異常等，控制模塊會立即發(fā)出警報，并采取相應(yīng)的措施進行處理，如暫停系統(tǒng)運行、啟動備用設(shè)備等，以保障系統(tǒng)的正常運行和檢測分級的準確性。通過各模塊之間的協(xié)同工作，獼猴桃在線檢測分級系統(tǒng)能夠高效、準確地完成對獼猴桃的檢測分級任務(wù)，提高獼猴桃的分級質(zhì)量和生產(chǎn)效率，為獼猴桃產(chǎn)業(yè)的發(fā)展提供有力支持。三、獼猴桃在線檢測分級系統(tǒng)集成設(shè)計3.2硬件系統(tǒng)集成設(shè)計3.2.1檢測機構(gòu)設(shè)計檢測機構(gòu)作為獼猴桃在線檢測分級系統(tǒng)的核心組成部分，其設(shè)計的合理性直接影響到檢測的準確性和效率。本研究根據(jù)系統(tǒng)的功能需求，精心設(shè)計了外形尺寸和糖度在線檢測機構(gòu)。外形尺寸檢測機構(gòu)主要基于機器視覺技術(shù)實現(xiàn)。選用工業(yè)相機作為圖像采集設(shè)備，其分辨率為2592×1944像素，幀率為30fps，能夠清晰地捕捉獼猴桃的圖像信息。為了確保圖像的質(zhì)量，采用環(huán)形光源作為照明設(shè)備，環(huán)形光源能夠提供均勻的光照，減少陰影對圖像的影響，使獼猴桃的邊緣和表面特征更加清晰。相機和光源安裝在一個可調(diào)節(jié)的支架上，通過調(diào)節(jié)支架的高度和角度，可以使相機和光源處于最佳的工作位置，保證采集到的圖像能夠準確反映獼猴桃的外形尺寸。在實際檢測過程中，獼猴桃通過輸送帶勻速輸送至檢測區(qū)域。當(dāng)獼猴桃進入相機的視野范圍時，相機快速采集其圖像，并將圖像數(shù)據(jù)傳輸至圖像處理單元。圖像處理單元首先對圖像進行預(yù)處理，包括灰度化、濾波等操作，以提高圖像的清晰度和對比度。接著，利用改進的canny邊緣檢測算法對圖像進行邊緣檢測，得到獼猴桃的邊緣圖像。通過對邊緣圖像進行形態(tài)學(xué)處理，如膨脹、腐蝕等操作，進一步優(yōu)化邊緣效果，確保邊緣的完整性和準確性。最后，計算獼猴桃邊緣的周長和面積等參數(shù)，并根據(jù)預(yù)先建立的換算模型，將像素面積轉(zhuǎn)換為實際的最大橫截面積大小，從而實現(xiàn)對獼猴桃外形尺寸的精確檢測。糖度在線檢測機構(gòu)則基于光譜技術(shù)設(shè)計。選用近紅外光譜儀作為檢測設(shè)備，其波長范圍為900-1700nm，分辨率為1nm，能夠準確地獲取獼猴桃的光譜信息。光譜儀通過光纖與檢測探頭相連，檢測探頭安裝在輸送帶的上方，距離獼猴桃表面約5mm。當(dāng)獼猴桃經(jīng)過檢測探頭下方時，光譜儀發(fā)射近紅外光照射到獼猴桃上，獼猴桃內(nèi)部的化學(xué)成分會與近紅外光發(fā)生相互作用，導(dǎo)致光的強度和波長發(fā)生變化。光譜儀接收反射回來的光信號，并將其轉(zhuǎn)換為電信號，傳輸至數(shù)據(jù)處理單元。數(shù)據(jù)處理單元首先對光譜數(shù)據(jù)進行預(yù)處理，包括平滑、去噪等操作，以提高光譜數(shù)據(jù)的質(zhì)量。接著，利用化學(xué)計量學(xué)方法，如偏最小二乘回歸（PLSR）、主成分分析（PCA）等，建立光譜與獼猴桃糖度之間的關(guān)系模型。通過將采集到的光譜數(shù)據(jù)代入模型中，即可計算出獼猴桃的糖度值。為了提高糖度檢測的準確性，還對模型進行了優(yōu)化和驗證。通過采集大量不同品種、不同成熟度的獼猴桃樣本，對模型進行訓(xùn)練和測試，不斷調(diào)整模型的參數(shù)，使其能夠準確地預(yù)測獼猴桃的糖度。同時，還采用交叉驗證等方法對模型的性能進行評估，確保模型的可靠性和穩(wěn)定性。3.2.2輸送與執(zhí)行機構(gòu)選型輸送與執(zhí)行機構(gòu)在獼猴桃在線檢測分級系統(tǒng)中起著至關(guān)重要的作用，它們的性能直接影響到系統(tǒng)的工作效率和分級準確性。輸送帶作為輸送機構(gòu)的核心部件，其選擇直接關(guān)系到獼猴桃的輸送效果。經(jīng)過對多種輸送帶材質(zhì)和類型的比較，最終選用了橡膠輸送帶。橡膠輸送帶具有良好的柔韌性和耐磨性，能夠有效地保護獼猴桃在輸送過程中不受損傷。同時，橡膠輸送帶的表面摩擦力適中，能夠確保獼猴桃在輸送帶上穩(wěn)定移動，不易發(fā)生滑動和滾動。輸送帶的寬度根據(jù)獼猴桃的大小和輸送量進行設(shè)計，本研究中選用的輸送帶寬度為500mm，能夠滿足一次輸送多個獼猴桃的需求。輸送帶的速度可通過調(diào)速電機進行調(diào)節(jié)，調(diào)速范圍為0-2m/s，能夠根據(jù)實際生產(chǎn)需求進行靈活調(diào)整。例如，在檢測精度要求較高時，可將輸送帶速度調(diào)至0.5m/s，使檢測機構(gòu)有更充足的時間獲取獼猴桃的各項數(shù)據(jù)；而在生產(chǎn)效率要求較高時，則可將輸送帶速度調(diào)至1.5m/s，加快檢測分級進程。電機是驅(qū)動輸送帶運轉(zhuǎn)的動力源，其性能直接影響到輸送帶的運行穩(wěn)定性和速度控制精度。本研究選用了交流調(diào)速電機作為輸送帶的驅(qū)動電機，該電機具有調(diào)速范圍廣、控制精度高、運行穩(wěn)定等優(yōu)點。電機的功率根據(jù)輸送帶的負載和運行速度進行計算和選擇，本研究中選用的電機功率為1.5kW，能夠滿足輸送帶帶動獼猴桃穩(wěn)定運行的需求。電機通過減速機與輸送帶的驅(qū)動滾筒相連，減速機能夠降低電機的轉(zhuǎn)速，提高輸出扭矩，使輸送帶能夠平穩(wěn)地運行。同時，減速機還具有過載保護功能，當(dāng)輸送帶遇到過載情況時，減速機能夠自動切斷電源，保護電機和輸送帶不受損壞。分級執(zhí)行機構(gòu)是實現(xiàn)獼猴桃分級的關(guān)鍵部件，其作用是根據(jù)檢測機構(gòu)的檢測結(jié)果，將不同等級的獼猴桃輸送到相應(yīng)的收集容器中。本研究選用了氣動分選裝置作為分級執(zhí)行機構(gòu)，氣動分選裝置具有響應(yīng)速度快、動作準確、結(jié)構(gòu)簡單等優(yōu)點。氣動分選裝置主要由氣缸、推板、電磁閥等部件組成。當(dāng)檢測機構(gòu)檢測到獼猴桃的等級后，控制系統(tǒng)會向電磁閥發(fā)出控制信號，電磁閥控制氣缸的動作，氣缸推動推板將相應(yīng)等級的獼猴桃從輸送帶上推至對應(yīng)的收集容器中。例如，當(dāng)檢測到一個一級獼猴桃時，控制系統(tǒng)會控制對應(yīng)通道的電磁閥打開，氣缸推動推板將該獼猴桃推至一級獼猴桃收集容器中。收集容器采用塑料材質(zhì)制成，具有重量輕、耐腐蝕、易清洗等優(yōu)點。收集容器的容量根據(jù)實際生產(chǎn)需求進行設(shè)計，本研究中選用的收集容器容量為50L，能夠滿足一定時間內(nèi)不同等級獼猴桃的收集需求。3.2.3硬件系統(tǒng)集成方案硬件系統(tǒng)集成是將檢測機構(gòu)、輸送機構(gòu)和執(zhí)行機構(gòu)等各個硬件設(shè)備有機地連接在一起，使其協(xié)同工作，實現(xiàn)對獼猴桃的在線檢測分級。在硬件系統(tǒng)集成過程中，首先將檢測機構(gòu)安裝在輸送帶的上方，確保檢測機構(gòu)能夠準確地獲取獼猴桃的各項檢測數(shù)據(jù)。工業(yè)相機和環(huán)形光源通過支架固定在輸送帶的正上方，相機的鏡頭與輸送帶的距離為300mm，能夠保證采集到清晰的獼猴桃圖像。近紅外光譜儀的檢測探頭安裝在輸送帶的上方，距離獼猴桃表面5mm，能夠準確地獲取獼猴桃的光譜信息。檢測機構(gòu)與數(shù)據(jù)處理單元通過數(shù)據(jù)線相連，數(shù)據(jù)處理單元負責(zé)對檢測機構(gòu)采集到的數(shù)據(jù)進行處理和分析。輸送機構(gòu)由輸送帶、電機、減速機等部件組成。輸送帶安裝在機架上，機架采用鋁合金材質(zhì)制成，具有重量輕、強度高、耐腐蝕等優(yōu)點。電機和減速機安裝在機架的底部，通過聯(lián)軸器與輸送帶的驅(qū)動滾筒相連。電機通過電源線與電源相連，電源為電機提供穩(wěn)定的電力供應(yīng)。輸送帶的速度可通過調(diào)速器進行調(diào)節(jié)，調(diào)速器安裝在操作臺上，操作人員可以根據(jù)實際生產(chǎn)需求方便地調(diào)節(jié)輸送帶的速度。執(zhí)行機構(gòu)安裝在輸送帶的末端，根據(jù)檢測機構(gòu)的檢測結(jié)果，將不同等級的獼猴桃輸送到相應(yīng)的收集容器中。氣動分選裝置的氣缸和推板安裝在輸送帶的兩側(cè)，電磁閥安裝在操作臺上，與控制系統(tǒng)相連。當(dāng)檢測機構(gòu)檢測到獼猴桃的等級后，控制系統(tǒng)會向電磁閥發(fā)出控制信號，電磁閥控制氣缸的動作，氣缸推動推板將相應(yīng)等級的獼猴桃從輸送帶上推至對應(yīng)的收集容器中。收集容器放置在輸送帶的末端，按照等級順序排列，方便操作人員進行收集和整理。控制系統(tǒng)是硬件系統(tǒng)集成的核心，它負責(zé)對整個系統(tǒng)的運行進行監(jiān)控和管理?？刂葡到y(tǒng)采用PLC（可編程邏輯控制器）作為核心控制器，PLC通過信號線與檢測機構(gòu)、輸送機構(gòu)和執(zhí)行機構(gòu)相連，實現(xiàn)對各個設(shè)備的控制和數(shù)據(jù)傳輸。PLC還通過通信接口與上位機相連，上位機安裝有監(jiān)控軟件，操作人員可以通過上位機實時監(jiān)控系統(tǒng)的運行狀態(tài)，設(shè)置系統(tǒng)的參數(shù)，查看檢測數(shù)據(jù)和分級結(jié)果等。例如，操作人員可以在上位機上設(shè)置輸送帶的速度、檢測機構(gòu)的工作參數(shù)、分級標準等，還可以查看實時的檢測數(shù)據(jù)和分級結(jié)果，對系統(tǒng)的運行情況進行分析和調(diào)整。通過硬件系統(tǒng)的集成，各個硬件設(shè)備協(xié)同工作，實現(xiàn)了對獼猴桃的在線檢測分級，提高了分級效率和準確性，為獼猴桃產(chǎn)業(yè)的發(fā)展提供了有力的技術(shù)支持。3.3軟件系統(tǒng)集成設(shè)計3.3.1圖像與光譜信息處理算法集成圖像與光譜信息處理算法的集成是軟件系統(tǒng)的核心部分，其目的是實現(xiàn)對獼猴桃圖像和光譜數(shù)據(jù)的高效處理和分析，為后續(xù)的分級決策提供準確的數(shù)據(jù)支持。在圖像信息處理方面，系統(tǒng)集成了一系列圖像處理算法，以實現(xiàn)對獼猴桃大小、形狀、顏色和表面缺陷的檢測。對于大小檢測，首先通過灰度化處理將彩色圖像轉(zhuǎn)換為灰度圖像，減少數(shù)據(jù)量的同時突出圖像的亮度信息，便于后續(xù)處理。接著采用雙邊濾波算法對灰度圖像進行去噪處理，該算法在考慮像素空間距離的同時，還考慮了像素的灰度值差異，能夠在保持圖像邊緣信息的前提下，有效地平滑噪聲，提高圖像的清晰度。然后運用改進的canny邊緣檢測算法對去噪后的圖像進行邊緣檢測，通過自適應(yīng)閾值處理和基于形態(tài)學(xué)的邊緣連接方法，準確地提取獼猴桃的邊緣信息。最后，通過對邊緣圖像進行形態(tài)學(xué)處理，計算邊緣的周長和面積等參數(shù)，并根據(jù)預(yù)先建立的換算模型，將像素面積轉(zhuǎn)換為實際的最大橫截面積大小，從而實現(xiàn)對獼猴桃大小的精確檢測。在形狀檢測中，利用數(shù)學(xué)形態(tài)學(xué)和幾何特征提取方法，對獼猴桃的形狀進行量化分析。通過計算輪廓的幾何特征參數(shù)，如圓形度、矩形度、長寬比等，來描述獼猴桃的形狀。對于形狀不規(guī)則的獼猴桃，通過與標準形狀模型進行對比分析，判斷其形狀是否符合標準。在顏色檢測方面，采用顏色空間轉(zhuǎn)換和特征提取技術(shù)，將圖像從RGB顏色空間轉(zhuǎn)換到HSV、Lab等顏色空間，提取出獼猴桃的顏色特征，如色調(diào)、飽和度、亮度等，從而判斷其成熟度和品質(zhì)。在表面缺陷檢測中，集成了改進的YOLOv7-tiny算法。在原主干網(wǎng)絡(luò)Backbone的MP模塊中引入CBAM注意力模塊，該模塊能夠從通道和空間兩個維度對特征進行加權(quán)，使模型更加關(guān)注獼猴桃圖像中與缺陷相關(guān)的區(qū)域，抑制無關(guān)信息的干擾，從而提升模型提取特征的能力。將Ghostnet與C3模塊相結(jié)合，形成C3-Ghost模塊，替換主干網(wǎng)絡(luò)中部分ELAN模塊，大大降低了網(wǎng)絡(luò)的參數(shù)量，使網(wǎng)絡(luò)達到輕量化的效果，提高了檢測速率，滿足在線檢測對實時性的要求。使用SIOU_Loss取代CIOU_Loss，SIOU_Loss在計算損失時，考慮了目標框與預(yù)測框之間的距離、角度和重疊面積等多種因素，能夠更準確地衡量預(yù)測結(jié)果與真實值之間的差異，從而提升模型的收斂能力。在光譜信息處理方面，系統(tǒng)集成了近紅外光譜分析算法。通過近紅外光譜儀獲取獼猴桃的光譜信息后，首先對光譜數(shù)據(jù)進行預(yù)處理，包括平滑、去噪等操作，以提高光譜數(shù)據(jù)的質(zhì)量。接著，利用化學(xué)計量學(xué)方法，如偏最小二乘回歸（PLSR）、主成分分析（PCA）等，建立光譜與獼猴桃內(nèi)部品質(zhì)之間的關(guān)系模型。通過將采集到的光譜數(shù)據(jù)代入模型中，即可計算出獼猴桃的糖度、酸度等內(nèi)部品質(zhì)指標，實現(xiàn)對獼猴桃內(nèi)部品質(zhì)的無損檢測。通過將圖像與光譜信息處理算法有機地集成到軟件系統(tǒng)中，實現(xiàn)了對獼猴桃多指標的綜合檢測和分析，為獼猴桃的分級提供了全面、準確的數(shù)據(jù)依據(jù)。3.3.2控制算法與用戶界面設(shè)計控制算法與用戶界面設(shè)計是軟件系統(tǒng)的重要組成部分，它們分別負責(zé)系統(tǒng)的自動化控制和用戶交互，對于提高系統(tǒng)的易用性和穩(wěn)定性具有重要意義。控制算法基于PLC（可編程邏輯控制器）實現(xiàn)，通過編寫相應(yīng)的控制程序，實現(xiàn)對輸送模塊、檢測模塊和分級執(zhí)行模塊的協(xié)調(diào)控制。在輸送模塊中，控制算法根據(jù)檢測模塊的需求，實時調(diào)整輸送帶的速度，確保獼猴桃在檢測區(qū)域內(nèi)的停留時間能夠滿足檢測要求。例如，當(dāng)檢測模塊需要對獼猴桃進行更詳細的檢測時，控制算法會降低輸送帶的速度，使獼猴桃在檢測區(qū)域內(nèi)停留更長時間；當(dāng)檢測任務(wù)完成后，控制算法會提高輸送帶的速度，加快獼猴桃的輸送進程，提高生產(chǎn)效率。在檢測模塊中，控制算法根據(jù)設(shè)定的檢測參數(shù)，控制圖像采集設(shè)備和光譜檢測設(shè)備的工作。例如，控制相機的拍攝頻率、曝光時間等參數(shù)，確保采集到的圖像清晰、準確；控制光譜儀的掃描頻率和波長范圍，獲取高質(zhì)量的光譜數(shù)據(jù)。同時，控制算法還負責(zé)對檢測數(shù)據(jù)進行實時處理和分析，根據(jù)預(yù)先設(shè)定的分級標準，判斷獼猴桃的等級，并將分級結(jié)果傳輸給分級執(zhí)行模塊。分級執(zhí)行模塊根據(jù)控制算法發(fā)送的分級結(jié)果，控制氣動分選裝置將不同等級的獼猴桃輸送到相應(yīng)的收集容器中。控制算法通過控制電磁閥的開關(guān)，實現(xiàn)對氣缸動作的精確控制，確保每個獼猴桃都能被準確地分送到對應(yīng)的收集容器中。此外，控制算法還具備故障診斷和報警功能，當(dāng)系統(tǒng)出現(xiàn)故障時，能夠及時檢測到故障點，并發(fā)出警報信號，提示操作人員進行維修。用戶界面基于Python和Pyqt5設(shè)計，具有友好的交互界面，方便操作人員對系統(tǒng)進行監(jiān)控和管理。用戶界面主要包括實時監(jiān)控界面、參數(shù)設(shè)置界面和數(shù)據(jù)查詢界面等。在實時監(jiān)控界面中，操作人員可以實時查看系統(tǒng)的運行狀態(tài)，包括輸送帶的運行速度、檢測模塊的工作情況、分級執(zhí)行模塊的執(zhí)行結(jié)果等。通過直觀的圖形化界面，操作人員可以清晰地了解系統(tǒng)的工作狀態(tài)，及時發(fā)現(xiàn)問題并進行處理。參數(shù)設(shè)置界面允許操作人員根據(jù)實際生產(chǎn)需求，對系統(tǒng)的參數(shù)進行調(diào)整。例如，設(shè)置獼猴桃的分級標準、輸送帶的速度、檢測設(shè)備的參數(shù)等。通過靈活的參數(shù)設(shè)置，系統(tǒng)能夠適應(yīng)不同的生產(chǎn)環(huán)境和檢測需求，提高系統(tǒng)的通用性和適應(yīng)性。數(shù)據(jù)查詢界面則方便操作人員查詢歷史檢測數(shù)據(jù)和分級結(jié)果。操作人員可以根據(jù)時間、批次等條件，查詢相關(guān)的檢測數(shù)據(jù)和分級結(jié)果，并進行數(shù)據(jù)分析和統(tǒng)計。這些數(shù)據(jù)可以為生產(chǎn)決策提供參考依據(jù)，幫助企業(yè)優(yōu)化生產(chǎn)流程，提高產(chǎn)品質(zhì)量。通過設(shè)計合理的控制算法和友好的用戶界面，軟件系統(tǒng)實現(xiàn)了對獼猴桃在線檢測分級系統(tǒng)的高效控制和便捷操作，提高了系統(tǒng)的智能化水平和用戶體驗。3.3.3軟件系統(tǒng)集成架構(gòu)軟件系統(tǒng)集成架構(gòu)是整個獼猴桃在線檢測分級系統(tǒng)的核心支撐，它將各個功能模塊有機地整合在一起，確保系統(tǒng)的高效穩(wěn)定運行。該架構(gòu)主要包括數(shù)據(jù)采集層、數(shù)據(jù)處理層、控制層和用戶界面層，各層之間相互協(xié)作，共同完成對獼猴桃的檢測分級任務(wù)。數(shù)據(jù)采集層位于架構(gòu)的最底層，負責(zé)采集獼猴桃的圖像和光譜數(shù)據(jù)。圖像采集部分采用工業(yè)相機，其具有高分辨率和高幀率的特點，能夠快速、清晰地捕捉獼猴桃的圖像信息。光譜采集部分則使用近紅外光譜儀，能夠準確地獲取獼猴桃的光譜信息。采集到的數(shù)據(jù)通過數(shù)據(jù)線傳輸?shù)綌?shù)據(jù)處理層，為后續(xù)的分析和處理提供原始數(shù)據(jù)支持。數(shù)據(jù)處理層是軟件系統(tǒng)的核心部分，它集成了圖像與光譜信息處理算法，對采集到的數(shù)據(jù)進行深度分析和處理。在圖像處理方面，通過灰度化、濾波、邊緣檢測、特征提取等一系列算法，實現(xiàn)對獼猴桃大小、形狀、顏色和表面缺陷的檢測。在光譜處理方面，利用化學(xué)計量學(xué)方法，對光譜數(shù)據(jù)進行預(yù)處理和建模分析，實現(xiàn)對獼猴桃糖度、酸度等內(nèi)部品質(zhì)的檢測。經(jīng)過數(shù)據(jù)處理層的分析和處理，原始數(shù)據(jù)被轉(zhuǎn)化為能夠反映獼猴桃品質(zhì)的特征數(shù)據(jù)，為后續(xù)的分級決策提供準確依據(jù)?？刂茖踊赑LC實現(xiàn)，負責(zé)對整個系統(tǒng)的運行進行監(jiān)控和管理。它接收數(shù)據(jù)處理層傳輸?shù)臋z測結(jié)果，根據(jù)預(yù)先設(shè)定的分級標準，對獼猴桃進行等級判定，并向分級執(zhí)行模塊發(fā)送控制指令。同時，控制層還負責(zé)對輸送模塊、檢測模塊和分級執(zhí)行模塊的協(xié)調(diào)控制，確保各模塊之間的協(xié)同工作。例如，根據(jù)檢測模塊的需求，實時調(diào)整輸送帶的速度；根據(jù)分級結(jié)果，控制氣動分選裝置將不同等級的獼猴桃輸送到相應(yīng)的收集容器中。此外，控制層還具備故障診斷和報警功能，能夠及時發(fā)現(xiàn)系統(tǒng)故障并采取相應(yīng)的措施，保障系統(tǒng)的正常運行。用戶界面層是用戶與系統(tǒng)交互的接口，基于Python和Pyqt5設(shè)計，為操作人員提供了友好的操作界面。操作人員可以通過用戶界面實時監(jiān)控系統(tǒng)的運行狀態(tài)，包括輸送帶的運行速度、檢測模塊的工作情況、分級執(zhí)行模塊的執(zhí)行結(jié)果等。在參數(shù)設(shè)置界面，操作人員可以根據(jù)實際生產(chǎn)需求，對系統(tǒng)的參數(shù)進行調(diào)整，如分級標準、輸送帶速度、檢測設(shè)備參數(shù)等。數(shù)據(jù)查詢界面則方便操作人員查詢歷史檢測數(shù)據(jù)和分級結(jié)果，進行數(shù)據(jù)分析和統(tǒng)計。通過用戶界面層，操作人員能夠方便地對系統(tǒng)進行操作和管理，提高系統(tǒng)的易用性和智能化水平。通過這種分層的軟件系統(tǒng)集成架構(gòu)，各個功能模塊之間分工明確，協(xié)同工作，實現(xiàn)了對獼猴桃的高效、準確檢測分級。從數(shù)據(jù)采集到數(shù)據(jù)處理，再到控制決策和用戶交互，每個環(huán)節(jié)都緊密相連，確保了系統(tǒng)的穩(wěn)定性和可靠性，為獼猴桃產(chǎn)業(yè)的發(fā)展提供了有力的技術(shù)支持。四、獼猴桃在線檢測分級系統(tǒng)試驗研究4.1試驗材料與設(shè)備準備4.1.1獼猴桃樣本選擇為了全面、準確地評估獼猴桃在線檢測分級系統(tǒng)的性能，本研究精心挑選了具有代表性的獼猴桃樣本。樣本涵蓋了秦美、海沃德、徐香、紅陽等多個品種，這些品種在市場上廣泛種植，具有不同的外觀特征、口感和營養(yǎng)價值，能夠充分反映獼猴桃品種的多樣性。在成熟度方面，選取了硬熟期、半軟熟期和軟熟期的獼猴桃。硬熟期的獼猴桃果實較硬，口感酸澀，此時果實的內(nèi)部品質(zhì)正在逐漸形成；半軟熟期的獼猴桃果實硬度適中，口感酸甜可口，是市場上常見的銷售狀態(tài)；軟熟期的獼猴桃果實較軟，口感甜美，但儲存和運輸難度較大。通過對不同成熟度的獼猴桃進行檢測，能夠評估系統(tǒng)對不同成熟階段果實的分級能力，確保系統(tǒng)在實際應(yīng)用中能夠準確地對各種成熟度的獼猴桃進行分級。同時，為了考察系統(tǒng)對不同品質(zhì)獼猴桃的檢測能力，樣本中包含了表面無缺陷、有碰壓傷、有劃傷和有日灼等不同品質(zhì)的果實。表面無缺陷的果實作為正常樣本，用于驗證系統(tǒng)對優(yōu)質(zhì)果實的檢測準確性；有碰壓傷的果實，其表面會出現(xiàn)凹陷、變色等特征，檢測時需要系統(tǒng)能夠準確識別這些損傷；有劃傷的果實，表面會有明顯的劃痕，這對系統(tǒng)的邊緣檢測和特征提取能力是一個考驗；有日灼的果實，表面會出現(xiàn)灼傷的斑塊，顏色和紋理與正常果實有明顯差異。通過對這些不同品質(zhì)果實的檢測，能夠全面評估系統(tǒng)對獼猴桃表面缺陷的檢測能力，為系統(tǒng)的優(yōu)化和改進提供依據(jù)。本研究共選取了500個獼猴桃樣本，每個品種在不同成熟度和品質(zhì)狀態(tài)下均有一定數(shù)量的樣本，以保證樣本的隨機性和代表性。在樣本采集過程中，嚴格遵循隨機抽樣的原則，從不同的果園、不同的批次中選取獼猴桃，避免因樣本選取的局限性而導(dǎo)致試驗結(jié)果的偏差。同時，對每個樣本進行了詳細的記錄，包括品種、成熟度、品質(zhì)特征等信息，以便在試驗過程中對樣本進行準確的識別和分析。4.1.2試驗設(shè)備搭建為了順利開展獼猴桃在線檢測分級系統(tǒng)的試驗研究，搭建了專門的檢測分級系統(tǒng)試驗平臺。該平臺以輸送帶為核心，構(gòu)建了獼猴桃的輸送通道。輸送帶選用了橡膠材質(zhì)，其表面具有一定的摩擦力，能夠確保獼猴桃在輸送過程中保持穩(wěn)定，不易滑動和滾動。輸送帶的寬度為500mm，能夠滿足一次輸送多個獼猴桃的需求，提高試驗效率。輸送帶的速度可通過調(diào)速電機進行調(diào)節(jié)，調(diào)速范圍為0-2m/s，在試驗過程中，可根據(jù)實際需求靈活調(diào)整輸送帶的速度，以適應(yīng)不同的檢測要求。在輸送帶的上方，安裝了工業(yè)相機和環(huán)形光源，用于采集獼猴桃的圖像信息。工業(yè)相機的分辨率為2592×1944像素，幀率為30fps，能夠清晰、快速地捕捉獼猴桃的圖像。環(huán)形光源能夠提供均勻的光照，減少陰影對圖像的影響，使獼猴桃的表面特征更加清晰地呈現(xiàn)出來。相機和光源通過可調(diào)節(jié)的支架固定在輸送帶的正上方，相機的鏡頭與輸送帶的距離為300mm，通過調(diào)節(jié)支架的高度和角度，可以使相機和光源處于最佳的工作位置，確保采集到的圖像質(zhì)量滿足試驗要求。近紅外光譜儀安裝在輸送帶的一側(cè)，用于檢測獼猴桃的內(nèi)部品質(zhì)。光譜儀的波長范圍為900-1700nm，分辨率為1nm，能夠準確地獲取獼猴桃的光譜信息。光譜儀通過光纖與檢測探頭相連，檢測探頭安裝在距離獼猴桃表面約5mm的位置，當(dāng)獼猴桃經(jīng)過檢測探頭下方時，光譜儀能夠及時采集到其光譜信息。除了上述主要設(shè)備外，還準備了一些輔助設(shè)備。例如，準備了不同規(guī)格的收集容器，用于收集不同等級的獼猴桃。收集容器采用塑料材質(zhì)制成，具有重量輕、耐腐蝕、易清洗等優(yōu)點。根據(jù)試驗設(shè)計，設(shè)置了多個收集通道，每個通道對應(yīng)一個等級，通過分級執(zhí)行機構(gòu)將不同等級的獼猴桃輸送到相應(yīng)的收集容器中。同時，還配備了計算機、數(shù)據(jù)采集卡、信號放大器等設(shè)備，用于數(shù)據(jù)的采集、傳輸和處理。計算機安裝了專門的檢測分級軟件，該軟件集成了圖像與光譜信息處理算法、控制算法等，能夠?qū)崿F(xiàn)對獼猴桃的在線檢測分級，并對試驗數(shù)據(jù)進行實時記錄和分析。通過搭建完善的試驗設(shè)備平臺，為獼猴桃在線檢測分級系統(tǒng)的試驗研究提供了有力的硬件支持，確保了試驗的順利進行。四、獼猴桃在線檢測分級系統(tǒng)試驗研究4.2系統(tǒng)性能指標測試試驗4.2.1檢測準確率測試為了全面評估獼猴桃在線檢測分級系統(tǒng)對獼猴桃各項指標的檢測準確性，本研究進行了一系列嚴格的檢測準確率測試試驗。在大小檢測準確率測試中，以實際測量的獼猴桃最大橫截面積作為真實值，將系統(tǒng)檢測得到的大小數(shù)據(jù)與之進行對比。通過對500個獼猴桃樣本的檢測，利用公式：大小檢測準確率=（檢測正確的樣本數(shù)/總樣本數(shù)）×100%，計算得出系統(tǒng)的大小檢測準確率。在實際操作中，首先使用高精度的游標卡尺對每個獼猴桃樣本的最大橫截面積進行精確測量，記錄下真實值。然后將樣本通過檢測分級系統(tǒng)，獲取系統(tǒng)檢測得到的大小數(shù)據(jù)。經(jīng)過仔細比對和統(tǒng)計，最終計算出系統(tǒng)的大小檢測準確率達到了96.6%。這一結(jié)果表明，系統(tǒng)在獼猴桃大小檢測方面具有較高的準確性，能夠滿足實際生產(chǎn)中對大小分級的需求。在形狀檢測準確率測試中，通過對獼猴桃輪廓的幾何特征分析，判斷其形狀是否符合標準。對于形狀不規(guī)則的獼猴桃，通過與標準形狀模型進行對比分析，判斷其形狀是否符合標準。形狀檢測準確率=（形狀判斷正確的樣本數(shù)/總樣本數(shù)）×100%。在測試過程中，選取了不同品種、不同形狀的獼猴桃樣本，利用圖像處理算法提取其輪廓信息，計算輪廓的幾何特征參數(shù)，如圓形度、矩形度、長寬比等。將這些參數(shù)與預(yù)先設(shè)定的標準形狀模型進行對比，判斷形狀是否符合標準。經(jīng)過對大量樣本的測試和統(tǒng)計，系統(tǒng)的形狀檢測準確率達到了93%，說明系統(tǒng)能夠準確地識別出獼猴桃的形狀，為形狀分級提供了可靠的依據(jù)。對于表面缺陷檢測準確率測試，以人工標注的缺陷類型和位置作為標準，與系統(tǒng)檢測結(jié)果進行對比。利用公式：表面缺陷檢測準確率=（缺陷檢測正確的樣本數(shù)/總樣本數(shù)）×100%，計算系統(tǒng)的表面缺陷檢測準確率。在試驗中，邀請專業(yè)人員對獼猴桃樣本的表面缺陷進行人工標注，記錄下缺陷的類型（如碰壓傷、劃傷、日灼等）和位置。然后將樣本通過檢測分級系統(tǒng)，利用改進的YOLOv7-tiny算法對表面缺陷進行檢測。將系統(tǒng)檢測結(jié)果與人工標注結(jié)果進行對比，統(tǒng)計缺陷檢測正確的樣本數(shù)。經(jīng)過對500個樣本的測試，系統(tǒng)的表面缺陷檢測準確率達到了93%，其中碰壓傷檢測準確率為94%，劃傷檢測準確率為92%，日灼檢測準確率為91%。這表明系統(tǒng)在表面缺陷檢測方面具有較高的準確性，能夠有效地識別出獼猴桃表面的各種缺陷，為品質(zhì)分級提供了重要的參考依據(jù)。4.2.2分級精度測試分級精度測試是評估獼猴桃在線檢測分級系統(tǒng)性能的重要環(huán)節(jié)，它直接關(guān)系到系統(tǒng)分級結(jié)果的準確性和可靠性。在本次試驗中，以行業(yè)標準和專家評定為參考，對系統(tǒng)的分級精度進行了深入測試。行業(yè)標準對獼猴桃的分級有著明確的規(guī)定，包括大小、形狀、顏色、表面缺陷以及內(nèi)部品質(zhì)等多個方面的指標。例如，在大小方面，根據(jù)果實的最大橫截面積或重量，將獼猴桃分為不同的等級；在形狀方面，要求果實形狀規(guī)則，無明顯畸形；在表面缺陷方面，對碰壓傷、劃傷、日灼等缺陷的大小和數(shù)量都有嚴格的限制。專家評定則是邀請具有豐富經(jīng)驗的水果分級專家，對獼猴桃樣本進行人工分級。專家們憑借其專業(yè)知識和豐富經(jīng)驗，能夠準確地判斷獼猴桃的品質(zhì)等級。將系統(tǒng)的分級結(jié)果與行業(yè)標準和專家評定結(jié)果進行對比，統(tǒng)計分級一致的樣本數(shù)量。分級精度=（分級一致的樣本數(shù)/總樣本數(shù)）×100%。在實際測試過程中，對500個獼猴桃樣本進行了分級測試。首先，將樣本通過檢測分級系統(tǒng)，獲取系統(tǒng)的分級結(jié)果。然后，按照行業(yè)標準和專家評定的方法，對相同的樣本進行人工分級。將系統(tǒng)分級結(jié)果與人工分級結(jié)果逐一進行對比，記錄分級一致的樣本數(shù)量。經(jīng)過統(tǒng)計分析，系統(tǒng)的分級精度達到了95%。這一結(jié)果表明，系統(tǒng)的分級結(jié)果與行業(yè)標準和專家評定結(jié)果具有較高的一致性，能夠準確地對獼猴桃進行分級，滿足市場對獼猴桃品質(zhì)分級的要求。為了進一步分析系統(tǒng)在不同等級獼猴桃分級中的表現(xiàn)，對不同等級的樣本進行了單獨統(tǒng)計。在一級獼猴桃樣本中，系統(tǒng)分級與人工分級一致的樣本數(shù)占該等級樣本總數(shù)的96%；在二級獼猴桃樣本中，這一比例為94%；在三級獼猴桃樣本中，比例為93%。從不同等級的統(tǒng)計結(jié)果可以看出，系統(tǒng)在各級獼猴桃的分級中都具有較高的精度，但隨著等級的降低，分級精度略有下降。這可能是由于低等級獼猴桃的品質(zhì)差異較大，存在多種復(fù)雜的缺陷和特征，增加了系統(tǒng)分級的難度。然而，總體來說，系統(tǒng)的分級精度仍然能夠滿足實際生產(chǎn)和市場需求，為獼猴桃的分級提供了可靠的技術(shù)支持。4.2.3檢測速度測試檢測速度是衡量獼猴桃在線檢測分級系統(tǒng)性能的關(guān)鍵指標之一，它直接影響到系統(tǒng)的生產(chǎn)效率和實際應(yīng)用價值。在本次試驗中，對系統(tǒng)的檢測速度進行了詳細測試，以評估其在實際生產(chǎn)中的適用性。在測試過程中，將輸送帶的速度設(shè)置為1m/s，這是根據(jù)實際生產(chǎn)中的常見速度范圍設(shè)定的，能夠模擬真實的生產(chǎn)場景。在該速度下，系統(tǒng)連續(xù)運行1小時，記錄在這1小時內(nèi)系統(tǒng)檢測的獼猴桃數(shù)量。經(jīng)過實際測試，系統(tǒng)在1小時內(nèi)共檢測了1800個獼猴桃。通過計算可知，系統(tǒng)的檢測速度為30個/分鐘，這一速度在同類獼猴桃檢測分級系統(tǒng)中處于較高水平，能夠滿足大多數(shù)獼猴桃生產(chǎn)企業(yè)的生產(chǎn)需求。為了驗證系統(tǒng)檢測速度的穩(wěn)定性，進行了多次重復(fù)測試。在不同的時間段內(nèi)，分別將輸送帶速度設(shè)置為1m/s，讓系統(tǒng)連續(xù)運行1小時，記錄每次檢測的獼猴桃數(shù)量。經(jīng)過5次重復(fù)測試，檢測數(shù)量分別為1805個、1798個、1802個、1795個、1800個。通過對這些數(shù)據(jù)的分析，計算出檢測數(shù)量的平均值為1800個，標準差為3.6個。較小的標準差表明系統(tǒng)檢測速度的穩(wěn)定性較高，在不同的測試時間內(nèi)，系統(tǒng)的檢測速度波動較小，能夠持續(xù)穩(wěn)定地運行，保證生產(chǎn)效率的一致性。與其他同類獼猴桃檢測分級系統(tǒng)相比，本系統(tǒng)的檢測速度具有明顯優(yōu)勢。一些傳統(tǒng)的基于機械技術(shù)的分級系統(tǒng)，檢測速度通常較慢，每分鐘只能檢測10-15個獼猴桃，遠遠無法滿足大規(guī)模生產(chǎn)的需求。而一些基于機器視覺技術(shù)的分級系統(tǒng)，雖然在檢測精度上有一定提升，但檢測速度也大多在20-25個/分鐘左右。本系統(tǒng)通過優(yōu)化硬件設(shè)備和算法，提高了圖像采集和處理的速度，使得檢測速度達到了30個/分鐘，大大提高了生產(chǎn)效率，降低了生產(chǎn)成本，為獼猴桃產(chǎn)業(yè)的規(guī)?；l(fā)展提供了有力支持。4.3系統(tǒng)工作條件優(yōu)化試驗4.3.1外形尺寸檢測條件優(yōu)化為了提高獼猴桃外形尺寸檢測的準確性和穩(wěn)定性，本研究對傳送帶速度和光照條件等關(guān)鍵因素進行了深入的優(yōu)化試驗。在傳送帶速度優(yōu)化試驗中，設(shè)置了0.5m/s、1m/s、1.5m/s和2m/s四個不同的速度梯度。在每個速度下，對50個獼猴桃樣本進行外形尺寸檢測，通過圖像處理算法計算樣本的最大橫截面積，并與實際測量值進行對比，分析檢測誤差。當(dāng)傳送帶速度為0.5m/s時，相機有較充足的時間采集獼猴桃的圖像，圖像模糊程度較低，檢測誤差相對較小，平均誤差為1.2mm2。然而，較低的速度會導(dǎo)致檢測效率降低，無法滿足大規(guī)模生產(chǎn)的需求。隨著傳送帶速度增加到1m/s，檢測誤差略有增大，平均誤差為1.5mm2，但在可接受范圍內(nèi)，同時檢測效率得到了顯著提高，基本能夠滿足一