《Smart Agricultural Technology》：Vision-based real-time monitoring and signal stabilization for automated lotus fiber extraction process
編輯推薦：
本研究針對蓮藕絲手工提取效率低、質量不一的問題，開發了一種實時監控框架。該框架結合圖像處理與混合數據濾波技術，通過閾值分割和Canny邊緣檢測量化纖維面積與長度，并采用混合移動平均-雙指數移動平均（MA–DEMA）濾波器穩定噪聲信號。參數分析確定了最佳平滑因子（α=0.005）和窗口大小（N=101），使混合模型相比MA、EMA、DEMA和1DKalman濾波器，噪聲降低率提升41.6%，實現了Sm=2.81、VRR=0.51和MAE=408.3。該方法為天然纖維生產的數字化提供了實時監測方案，并可擴展至自動控制流程。
蓮藕絲“看得見”的自動化之路：從傳統手藝到智能制造的跨越
在越南湄公河三角洲，一種被譽為“植物絲綢”的珍稀天然纖維——蓮藕絲，正因其柔軟、透氣、可持續的特性，在高端紡織品和傳統手工藝品中備受青睞。然而，這縷來自蓮藕莖稈的天然饋贈，其提取過程卻長期依賴于世代相傳的手工技藝。工匠們憑借經驗和手感，小心翼翼地剝離出纖細的絲線，這不僅效率低下，更導致纖維質量波動大、產量難以提升，成為制約這一綠色產業規模化和標準化的核心瓶頸。
現有的研究多聚焦于蓮藕纖維的材料特性改良（如微波輔助提取或蒸汽爆破）和機械提取原型機的設計，卻普遍缺乏對提取過程的“實時監控”。沒有“眼睛”和“大腦”的機器，其提取質量依然嚴重依賴操作員的經驗，無法實現穩定、可重復的自動化生產。與此同時，在更廣闊的農業與農產品加工領域，計算機視覺早已成為非接觸測量、質量評估和自主決策的關鍵工具，從番茄的機器人采摘到辣椒的營養缺失診斷，均已展現其強大潛力。
那么，能否為蓮藕纖維提取裝上一雙敏銳的“眼睛”和一個聰明的“大腦”，讓機器能實時“看到”纖維的多少與長短，并“理解”這些信號的變化，從而實現精準控制呢？這正是由越南芹苴大學（Can Tho University）的Vinh-Phuc Mai、Thuan-Tien Tran、Quoc-Khanh Huynh等研究人員在《Smart Agricultural Technology》期刊上發表的研究所要回答的問題。
為了攻克這一難題，研究團隊設計并實現了一套創新的實時框架。該框架的核心是兩大關鍵技術模塊的融合：一是基于視覺的圖像處理與特征提取模塊，二是負責信號去噪與穩定的混合數據濾波模塊。在精心搭建的提取實驗平臺上，研究團隊使用樹莓派相機（Raspberry Pi Camera V3）以100 FPS的幀率，實時捕捉纖維提取區域（ROI）的圖像。對每一幀圖像，系統首先將其轉換為灰度圖，然后應用閾值分割來突出明亮的纖維區域（量化等效纖維面積 na），同時運用Canny邊緣檢測算子勾勒出纖維的輪廓（量化等效纖維長度 nl）。這兩個參數共同表征了提取過程中的纖維產量。然而，光照變化、機械振動和纖維表面紋理噪聲會導致提取出的參數劇烈波動。因此，研究團隊創新性地設計了一種混合移動平均-雙指數移動平均（MA–DEMA）濾波器。該濾波器先利用移動平均（MA）階段抑制高頻噪聲，再通過雙指數移動平均（DEMA）階段進一步平滑信號，同時保持對動態變化的響應能力。通過系統的參數分析，研究找到了能兼顧平滑度與響應性的最佳參數組合：平滑因子α=0.005，窗口大小N=101。
研究結果顯示，這套框架在多個層面取得了成功：
- 1.
圖像處理結果清晰可靠：處理后的圖像在提取的初始、中期和末期階段，都能清晰地將纖維區域與背景分離。二值化結果保留了有效的纖維面積且無顯著噪聲，檢測到的輪廓在各階段均保持連續，為后續濾波提供了穩定的輸入。
- 2.
混合濾波性能卓越：參數分析表明，α和N的值對濾波效果影響顯著。過大的α會導致信號保留過多局部波動，而過小的α或過大的N則會引起信號延遲或偏離原始趨勢。在最優參數（N=101, α=0.005）下，混合MA–DEMA濾波器實現了最佳平衡。
- 3.
濾波模型對比優勢明顯：與傳統的移動平均（MA）、指數移動平均（EMA）、雙指數移動平均（DEMA）以及一維卡爾曼（1DKalman）濾波器相比，提出的混合MA–DEMA模型在多項性能指標上表現最優。它取得了最低的平滑度系數（Sm=2.81）和最高的噪聲降低率（Nr=41.6%），意味著其輸出信號最平滑、去噪能力最強。雖然卡爾曼濾波器在方差降低比（VRR=0.70）上最高，但其產生的平均絕對誤差（MAE=548.7）也最大，表明其估計存在較大偏差。
- 4.
纖維提取實驗驗證可行性：通過80次連續的提取試驗，研究驗證了該框架用于實時控制的可行性與重復性。試驗建立了等效纖維面積（na）與提取行程（Exstr）之間的二次關系模型（R2≈0.99）。數據顯示，較高的na值（代表更粗的纖維束）對應更小的提取行程變異（標準偏差更低），表明系統在控制較粗纖維束時更穩定。所有試驗的平均圖像處理時間穩定在28.5毫秒/幀左右，滿足實時性要求（約35 Hz采樣率）。
在討論與結論部分，作者深入剖析了該研究的價值與局限。本工作的核心貢獻在于，它首次將實時視覺管道與專門為蓮藕纖維提取信號時域特性量身定制的混合平滑模型相結合，填補了材料研究與自動化傳感工具開發之間的技術鴻溝。混合MA–DEMA結構通過結合短期和長期記憶組件，為兼具低頻趨勢和不規則局部波動特征的信號提供了理想的平衡響應。相比于其他濾波器，它在抑制噪聲和保持響應性之間取得了更優的折衷，更適合支持實時閉環控制。
實驗結果表明，基于視覺的測量結合自適應濾波，能夠為天然纖維提取的自動化控制提供可靠支持。該方法不僅顯著提升了信號穩定性（噪聲降低41.6%），其輕量化的計算設計和固定采樣率運行模式也使其易于集成到實際的自動化系統中，通過實時估計的纖維面積和長度參數直接驅動運動控制器。
當然，研究也指出了當前框架的局限性：二維成像系統捕捉的是纖維束的投影幾何形狀，可能受到非圓形橫截面或輕微旋轉運動的影響；濾波參數為手動調優，在變化的環境條件下自適應能力有限。針對這些，未來工作將探索集成三維傳感技術、開發濾波器參數的自適應調度策略，以及實現自整定或基于學習的控制策略，以進一步增強系統的魯棒性、吞吐量和自動化就緒程度。
總而言之，這項研究為蓮藕絲這一古老工藝的現代化升級提供了一條切實可行的技術路徑。它不僅僅是給機器裝上了“眼睛”，更是賦予其“穩定神經”，讓自動化提取過程從“盲操作”走向“明察秋毫”，為可持續天然纖維生產的數字化、智能化轉型奠定了堅實的技術基石。
