基于柔性传感的鲜桃分拣流水线的系统设计

★  研究背景

随着经济发展和消费水平的提高，消费者对水果的数量和质量要求日益提高。然而，在运输和储存过程中未对水果进行分类可能导致部分变质和品质不均，从而造成严重的经济损失。鲜桃作为易腐烂且难以储存的时令水果，未能根据成熟度进行分类是采后损失的主要原因之一。

目前，人工分类不仅需要大量劳动力，而且主观判断难以确保分类的一致性和准确性，易对后续生产造成负面影响。传统分类技术通常根据水果的外观、硬度和化学特性来完成水果成熟度的无损分级，例如计算机视觉、高光谱、红外光谱、电子鼻等技术。当前计算机视觉技术能够检测的特征单一，对外观特征与成熟度的相关性要求较高。利用高光谱技术和红外光谱技术的系统普遍成本高昂且复杂，市场应用方面仍存在一定困难。电子鼻能够获取的数据有限，导致分类的细致程度难以达到市场要求。因此，迫切需要开发一种高效、清洁、低成本的成熟度分类系统，能通过自动识别流水线上鲜桃的位置和成熟度进行分拣，从而提高鲜果贮藏质量和市场竞争力。

中国农业大学王想副教授、张小栓教授团队研究了一种基于计算机视觉和柔性传感技术的桃成熟度分拣系统。该系统包括了重新训练的专用于鲜桃分拣流水线的YOLOv4模型，能够实时检测并定位流水线上的鲜桃，根据外观特征完成初步的成熟度分类。提出了以柔性压电传感器为中心的方法，利用柔性压电传感器在接触时的应力反馈来完成鲜桃的深度分类。使用质构分析仪模拟完成了该系统在应用阶段的验证。系统评估结果表明，本研究提出系统可以准确、高效、低功耗、低成本地实现果实分级分选过程的自动化。基于外观和触觉特征的成熟度测定方法还可以适用于其他具有类似特征的水果，具备较为广泛的应用前景。

★  文章解析

图1展示了本文提出的鲜桃分拣流水线的系统设计。符合采摘标准的鲜桃被采摘并输送到分拣包装线。在分拣流水线上，相机在固定位置拍摄照片，PC接收相机拍摄的图像，并使用经过训练的YOLOv4模型进行特征检测、目标定位和成熟度分类。完全着色（A类）和未完全着色（B类）的桃子将被机械手拾取并发送到包装线。腐烂的（R类）桃子将被丢弃。在抓取过程中，连接到机械手的柔性压电传感器获得力反馈信号，可用于更深入的分类。全色桃子将根据相应的电压阈值更深地分为完全着色和已经软化（A1）和完全着色但未完全软化（A2）的桃子。未完全着色的桃子将使用另一个电压阈值分为未完全着色但略微软化（B1）和未完全着色且未软化（B2）的桃子。

图1：桃分拣流水线系统框架图

图2说明了鲜桃在流水线上通过相机实时定位的过程。由相机获取图片反馈给PC，PC利用已训练的YOLOv4网络处理图像，获取目标特征并反馈目标位置与分类。本研究中的YOLOv4 模型经过预训练和迁移学习后，在测试数据上取得了良好的结果，meanIoU为0.9454，mAP值达到了0.9304。这证明了经过训练的YOLOv4网络具备准确定位和精准分类鲜桃的能力。

图 2：用于鲜桃成熟度分类的Yolov4识别过程和反馈图

图3展示了本文所用的柔性压电传感器。如图3c所示，传感器在接触鲜桃后，内部产生结构形变，将力反馈转换为电信号。不同的电压反馈给PC，由PC端处理信号并给出进一步的成熟度分类判断。

图 3：柔性压电传感器抓取过程变化示意图

图4展示了质构分析仪对系统的验证结果。每个鲜桃样品通过质构分析仪完成TPA测试，分析力-时间数据，并推导出各种成熟度类别的质地特性。这些数据证明了内部纹理、颜色和表面硬度之间的关系，并进一步支持将YOLOv4和柔性压电传感器结合使用来确定成熟度的方法。

图 4：通过质构分析仪验证整体系统的分类效果

最后，文章从硬件成本、功耗和分拣效率等方面对系统进行了全面的对比分析，突出了该系统在生产区域内的巨大优势。论文结果表明本研究提出的鲜桃成熟度分级分拣系统可以精确、稳定、环保地实现果实分级分选过程的自动化，减少人工劳动需求。该系统基于外观和硬度的成熟度测定方法还可以适用于其他任何具有类似特征的水果，在水果自动分拣领域具备可观的市场前景。

审核编辑：刘清