《Journal of Food Engineering》:Geometric Recovery for Online Inspection of Adherent Food Particles
编辑推荐:
•提出了一种针对粘连食品颗粒的以测量为导向的视觉框架。•采用受前景约束的Voronoi分割方法进行基于拓扑的实例分配。•通过几何约束恢复技术,在严重粘连条件下提升尺寸估算精度。•利用有效的外部边界片段,减少人为分割带来的测量偏差。•该系统在成本较低的Jetson Nano平台上可
- •
提出了一种针对粘连食品颗粒的以测量为导向的视觉框架。
- •
采用受前景约束的Voronoi分割方法进行基于拓扑的实例分配。
- •
通过几何约束恢复技术,在严重粘连条件下提升尺寸估算精度。
- •
利用有效的外部边界片段,减少人为分割带来的测量偏差。
- •
该系统在成本较低的Jetson Nano平台上可实现近乎实时的处理性能。
引言
在现代食品工程中,对食品颗粒材料进行精确的在线测量对于分级、分选、工艺监控以及质量控制至关重要。对于大豆、玉米粒、谷物、豆类以及形状较为规则的食品颗粒而言,其颗粒数量、投影面积、等效直径、轴长以及形状均匀性等几何参数与产品的商业等级、加工稳定性、储存性能以及后续处理效果密切相关。基于机器视觉的检测方法作为一种快速、无损且客观的替代方案,已被广泛用于食品质量评估和智能检测系统中(Meenu等人,2021;Zhu等人,2021;Kaushal等人,2024;Zhao等人,2025)。
然而,当食品颗粒处于密集或粘连状态时,实现精确的视觉测量仍面临挑战。在进料、输送、分级和包装过程中,这些颗粒可能会相互接触或部分遮挡,从而导致可见边界不完整,出现相连的前景区域。尽管机器视觉和深度学习方法已被广泛用于食品识别、分类以及缺陷检测领域(Shen等人,2024;Ji等人,2025;Wang等人,2025),但在线尺寸检测不仅需要能够识别颗粒,还需要能够可靠地获取具有物理意义的几何描述参数。如果从错误分离或人为切割的轮廓直接进行测量,将会影响投影面积、等效直径和轴长的准确性,进而降低分级决策的可靠性。
传统的图像处理方法,如阈值处理、形态学滤波、距离变换分析以及分水岭分割,由于具有可解释性强、成本低且易于部署等优点,很适合用于在线食品检测(Meyer,1994;Borgefors,1986;Kornilov等人,2022)。不过,基于分水岭的分割方法往往会在粘连的颗粒之间引入人为边界,虽然这有助于提高视觉上的分离效果,但却会扭曲测量结果。而像Mask R-CNN和YOLO系列这样的深度学习方法在物体检测和实例分割方面表现优异(He等人,2017;Wang等人,2023),但由于标注要求高、重新训练成本大、内存消耗高,以及在资源有限的边缘设备上运行时吞吐量不稳定,这类方法在低成本食品加工生产线中的应用受到限制(Liu等人,2024;Ngo等人,2025)。基于几何学的恢复方法则提供了一种潜在的替代方案,它通过利用拓扑约束、凸形先验、稳健的椭圆拟合以及不完整边界的特征,来估算具有物理意义的颗粒几何参数(Aurenhammer,1991;Barber等人,1996;Fischler和Bolles,1981;Fitzgibbon等人,1999;Zafari等人,2015;Zou等人,2021)。
本研究的新颖之处在于提出了一种用于粘连食品颗粒在线检测的以测量为导向的几何恢复框架。与传统的分割方法不同,该框架不会直接使用人为分割后的轮廓来进行尺寸测量。相反,它仅将拓扑分解用于实例分配,而几何描述参数则是从有效的外部边界信息中提取的。与基于深度学习的实例分割方法相比,该方法并非旨在生成完整的像素级掩码,而是专注于从不完整但可靠的边界片段中恢复具有物理意义的尺寸参数。这样一来,粘连颗粒的分析任务就从以分割为导向的轮廓划分任务,转变为以测量为导向的几何恢复任务。本研究的主要贡献如下:首先,提出了一种基于拓扑的实例分配策略,无需依赖人为创建的内部边界即可分离粘连的颗粒群,从而为后续测量提供基础;其次,设计了一种基于有效边界的几何恢复机制,能够依据外部轮廓信息而非分割后的区域来估算颗粒尺寸;第三,构建了一种分层回退策略,通过逐步恢复合理的颗粒几何形状,确保在边界信息不完整的情况下仍能保持尺寸估算的稳定性;最后,将该框架在嵌入式平台上实现,并通过手动标注的传送带图像以及反复进行的实际轴长测量对其进行了验证。
章节节选
实验材料与图像数据集
本研究所使用的实验数据集包含440张不同类型食品颗粒的传送带图像,这些颗粒包括大豆、玉米粒、红腰豆以及小豆样本。选择这些颗粒是为了体现形状接近圆形、椭圆形以及略带不规则性的紧凑型食品颗粒。图像采集是在固定的相机位置、固定的成像距离、固定的照明条件以及固定的
实验装置与验证数据集
该框架在2.1节中提到的440张图像构成的验证数据集上进行了测试,同时也在2.10节所述的嵌入式检测平台上得到了实现。该数据集包含了处于四种粘连程度下的大豆、玉米粒、红腰豆以及小豆样本:独立颗粒、轻度粘连、中度粘连以及严重粘连。图10展示了本研究中使用的实验平台以及在线测量界面。
经过校准的缩放因子为0.18
讨论
总体而言,实验结果表明,通过将颗粒分离问题转化为以测量为导向的几何恢复问题,所提出的框架提升了粘连食品颗粒的测量精度。该框架的一个核心特点在于明确了实例分配与几何测量之间的区别。在传统基于分割的方法中,通常会使用分割后的轮廓既来进行粘连颗粒的分离,又用来获取尺寸参数,这就使得
结论
本研究开发了一种轻量级的、以测量为导向的视觉框架,用于粘连食品颗粒的在线尺寸检测。通过将基于拓扑的实例分配与基于有效边界的几何恢复相结合,该方法减少了由人为分割边界带来的尺寸偏差,并通过分层回退策略确保了尺寸估算的稳定性。
验证工作是通过440张手动标注的传送带图像以及反复进行的实际轴长
CRediT作者贡献说明
高杰:写作——审稿与编辑,写作——初稿。胡军:写作——审稿与编辑,写作——初稿。葛邦:写作——审稿与编辑,写作——初稿,可视化,验证,软件,资源,项目管理,方法论,研究,形式分析,数据整理,概念构建。庄立成:写作——审稿与编辑,写作——初稿,可视化,验证,监督,软件,资源,项目管理,
利益冲突声明
? 作者声明不存在任何可能影响本文研究结果的已知利益冲突或个人关系。
致谢
本研究部分得到了安徽省教育厅自然科学基金项目(项目编号2022AH050393)、安徽省高校协同创新项目(项目编号GXXT-2023-108)以及国家自然科学基金项目(项目编号62006092)的支持。
Licheng Zhuang|Boang Ge|Jun Hu|Jie Gao|Sheng Liu