MVTEC HALCON
收割后的小麦在运往面粉厂之前，会存放于大型粮食储存装置中。为了给这些小麦定价，必须先对样品进行分析，测定其烘焙特性、是否存在由真菌产生的有毒物质以及与一般的基本品种有何差异。
现今，有多项不同的标准规程用来测量参数，例如会直接影响小麦烘焙性能的面筋含量和水分含量。也有一些方法可以确定是否存在由真菌产生的有毒物质。然而，小麦样品化合物的标准分析方法是由实验室助理或大型面粉厂执行，他们会将小麦手工分类成不同的类别。
为了实现这一目的，首先对样品进行筛分，分离出尺寸过小和过大的麦粒，然后对其余麦粒进行检查。这是一个耗时冗长又容易出错的过程，因为分析 200 克（接近 4000-5000 个物体）的样品可能需要 30-45 分钟。
为了克服这些挑战，伊尔梅瑙科技大学机械工程学院的工程师们开发了一套自动机器视觉系统，可以自动执行分析任务，同时显著扩大小麦样本量，确保更快得到结果并达到更高的统计置信度。
为实现这一目的，对小麦进行分析：首先筛选小麦，然后确定优质、饱满、完整的籽粒以及可能存在的外来种籽、杂草种籽、麦壳和石头等其他物质（称为“异物”）的数量。最后，设置验收/剔除标准，即可自动确定价格。
通过计算不同类别物体的数量，如完好、破碎或干瘪麦粒、虫蛀麦粒、外来种籽和麦壳，然后将其合并为高等级组别，如完好麦粒、劣质麦粒和异物，可以简化识别问题，从而降低错误率。
执行图像分析的算法使用不同的颜色、纹理和形状特征作为输入参数。在入射光下，由面阵 CCD 相机在明亮背景上对样品物体进行成像，显示出物体在大小、形状和颜色方面的明显差异。由于种类繁多，样品数据集的每个类别都需要大量有代表性的物体，并且必须使用具有高泛化能力的强大物体分类器。
为了快速分析小麦样品，首先将小麦样品放入料斗，使其落到传送带上，然后通过分离装置，分离装置将物体彼此分离，并将其逐个出示给相机。然后，物体从传送带上落下，使用 JAI 生产的 CV-L107CL 三 CCD 彩色线扫描相机（带有 Camera Link 接口）和 Carl Zeiss 生产的消色差微距镜头采集图像。为了在小麦落到相机视野前方时将其照亮，使用三个独立的 LED 线灯（见图 2）。
此外，第二个三 CCD 彩色线扫描相机可以与位于第一个相机对面的照明系统一起使用，以便观察小麦样品中物体的正面和背面。对物体进行采集和分类之后，可以使用气动分拣机细分具体类别，以便进行称重和库存管理。通过这种方式，可以自动完成每个物体的材料处理和分离。
采集图像后，将其传输到主机 PC，对样品进行分类。首先，使用图像分割将物体从背景中分离出来。然后使用特征提取来确定每个物体的特定特征。
接着，将颜色、形状和纹理特征进行组合，得到每个物体的一个特征向量，其中包含 198 个特征值。图像分割和特征提取均使用图像算子完成，大部分来自 MVTEC 的 Halcon 8.0 机器视觉库。
从图像中提取特征之后，必须使用图像分类来确定小麦样品中每个物体的特征。为了正确训练用于分析小麦样品的分类器，需要大量经过人工检测的预分类物体样本。为此，多家德国面粉厂和 Max Rubner-Institut 研究所合作对新旧作物样本进行检测，生成了一个预分类物体的数据库。
使用支持向量机 (SVM)，对 23 种物体类别（包括不同的谷物种类，例如完好小麦和黑麦；不同的麦粒杂质，例如破碎麦粒、发芽麦粒；以及各种杂质，如杂草种籽、石头和其他杂物）进行识别的总识别率达到 94%，单独识别率为 69%-99%。将完好麦粒、干瘪麦粒、劣质麦粒和其他类型异物（如破碎麦粒、麦角和外来种籽）等 23 个亚类汇总到相关的高等级类别后，识别率可达 81%-99%。
这套系统的样品吞吐量为每分钟 50 克，因此自动分析流程可在短时间内提供大量结果，并可通过图形方式显示已分析谷物样品的成分。此外，还可以确定总样品的重量、完好麦粒的重量以及已分析样品的数字和图形统计数据，并存储在数据库中。
成功开发初始项目后，design:lab Weimar 设计了一套独立小麦分类系统的概念原型。
作者：Peter Brückner，Katharina Anding，Martin Dambon，Daniel Garten
感谢 Vision Systems Design 提供本文。产品/商标的所有产品名称、商标和图片版权均属于其持有者。保留所有权利。
发布日期： 八月 31, 2013
