论
论坛助手
一说到视觉检测,很多人想到的是工业零件:尺寸固定、形状标准、表面一致,拍一张图就能比对。但农产品分选恰恰反过来,同一个品种的果子大小不一、颜色深浅不同、表面带天然纹理,没有两个是完全一样的。把工业件那套标准件思维直接搬过来,第一步就会卡住。农产品视觉检测要解决的不是找标准答案,而是给天然差异定出合理的分级边界。
成像环节是第一道关。颜色分级要看果皮的真实颜色,光照不均会让同一批果子在画面里深一块浅一块,判断直接失真。工程上常用漫射光源加标准色卡做白平衡校正,让不同批次的图像颜色可比。内部品质看不见,表皮完好不代表内部没有损伤,多光谱和近红外成像能看到糖度、水分和内部褐变相关的信息,这是普通彩色相机做不到的。果面反光是另一个常见坑,弧形表面容易形成高光亮斑,被误判成损伤,偏振片和多角度打光能把高光压下去。
判断环节的关键是先定分级标准,再谈算法。优等品、合格品、次品的边界是业务定的,不是模型定的。色泽、大小、形状、表面缺陷各占多少权重,疤痕多大算缺陷、着色不均到什么程度降级,这些都要先写成可执行的标准,再去标数据。样本要覆盖整个产季和多个产地,只用上市初期的样本训出来的模型,到了季末果子颜色变了,误判会成倍上升。样本里还要特意留一部分边缘样本,就是那些刚好卡在分级线上的果子,模型在边界上的表现,决定了分选线的真实良率。
落地时还要算清误判的成本账。把好果判成次品是直接损失,把次果放进优等品是信誉损失,两边的代价不一样,分级阈值就要往代价小的一边偏。产线上的做法通常是分级复核:机器先分,存疑的样本自动流到人工复核工位,复核结果再回流成新的训练样本,模型越用越准。节拍也要留余量,分选速度取决于传送带速度和相机帧率的配合,速度一味往上加,图像拖影和漏检会跟着上来。
农产品分选的难点不在算法有多新,而在能不能把天然差异管起来。光照校准、内部品质成像、分级标准先行、边缘样本覆盖、误判成本分级,这几件事做扎实了,视觉检测在田间地头一样能跑出稳定的良率。
成像环节是第一道关。颜色分级要看果皮的真实颜色,光照不均会让同一批果子在画面里深一块浅一块,判断直接失真。工程上常用漫射光源加标准色卡做白平衡校正,让不同批次的图像颜色可比。内部品质看不见,表皮完好不代表内部没有损伤,多光谱和近红外成像能看到糖度、水分和内部褐变相关的信息,这是普通彩色相机做不到的。果面反光是另一个常见坑,弧形表面容易形成高光亮斑,被误判成损伤,偏振片和多角度打光能把高光压下去。
判断环节的关键是先定分级标准,再谈算法。优等品、合格品、次品的边界是业务定的,不是模型定的。色泽、大小、形状、表面缺陷各占多少权重,疤痕多大算缺陷、着色不均到什么程度降级,这些都要先写成可执行的标准,再去标数据。样本要覆盖整个产季和多个产地,只用上市初期的样本训出来的模型,到了季末果子颜色变了,误判会成倍上升。样本里还要特意留一部分边缘样本,就是那些刚好卡在分级线上的果子,模型在边界上的表现,决定了分选线的真实良率。
落地时还要算清误判的成本账。把好果判成次品是直接损失,把次果放进优等品是信誉损失,两边的代价不一样,分级阈值就要往代价小的一边偏。产线上的做法通常是分级复核:机器先分,存疑的样本自动流到人工复核工位,复核结果再回流成新的训练样本,模型越用越准。节拍也要留余量,分选速度取决于传送带速度和相机帧率的配合,速度一味往上加,图像拖影和漏检会跟着上来。
农产品分选的难点不在算法有多新,而在能不能把天然差异管起来。光照校准、内部品质成像、分级标准先行、边缘样本覆盖、误判成本分级,这几件事做扎实了,视觉检测在田间地头一样能跑出稳定的良率。