《Smart Agricultural Technology》：Vision-based real-time monitoring and signal stabilization for automated lotus fiber extraction process
编辑推荐：
本研究针对莲藕丝手工提取效率低、质量不一的问题，开发了一种实时监控框架。该框架结合图像处理与混合数据滤波技术，通过阈值分割和Canny边缘检测量化纤维面积与长度，并采用混合移动平均-双指数移动平均（MA–DEMA）滤波器稳定噪声信号。参数分析确定了最佳平滑因子（α=0.005）和窗口大小（N=101），使混合模型相比MA、EMA、DEMA和1DKalman滤波器，噪声降低率提升41.6%，实现了Sm=2.81、VRR=0.51和MAE=408.3。该方法为天然纤维生产的数字化提供了实时监测方案，并可扩展至自动控制流程。
莲藕丝“看得见”的自动化之路：从传统手艺到智能制造的跨越
在越南湄公河三角洲，一种被誉为“植物丝绸”的珍稀天然纤维——莲藕丝，正因其柔软、透气、可持续的特性，在高端纺织品和传统手工艺品中备受青睐。然而，这缕来自莲藕茎秆的天然馈赠，其提取过程却长期依赖于世代相传的手工技艺。工匠们凭借经验和手感，小心翼翼地剥离出纤细的丝线，这不仅效率低下，更导致纤维质量波动大、产量难以提升，成为制约这一绿色产业规模化和标准化的核心瓶颈。
现有的研究多聚焦于莲藕纤维的材料特性改良（如微波辅助提取或蒸汽爆破）和机械提取原型机的设计，却普遍缺乏对提取过程的“实时监控”。没有“眼睛”和“大脑”的机器，其提取质量依然严重依赖操作员的经验，无法实现稳定、可重复的自动化生产。与此同时，在更广阔的农业与农产品加工领域，计算机视觉早已成为非接触测量、质量评估和自主决策的关键工具，从番茄的机器人采摘到辣椒的营养缺失诊断，均已展现其强大潜力。
那么，能否为莲藕纤维提取装上一双敏锐的“眼睛”和一个聪明的“大脑”，让机器能实时“看到”纤维的多少与长短，并“理解”这些信号的变化，从而实现精准控制呢？这正是由越南芹苴大学（Can Tho University）的Vinh-Phuc Mai、Thuan-Tien Tran、Quoc-Khanh Huynh等研究人员在《Smart Agricultural Technology》期刊上发表的研究所要回答的问题。
为了攻克这一难题，研究团队设计并实现了一套创新的实时框架。该框架的核心是两大关键技术模块的融合：一是基于视觉的图像处理与特征提取模块，二是负责信号去噪与稳定的混合数据滤波模块。在精心搭建的提取实验平台上，研究团队使用树莓派相机（Raspberry Pi Camera V3）以100 FPS的帧率，实时捕捉纤维提取区域（ROI）的图像。对每一帧图像，系统首先将其转换为灰度图，然后应用阈值分割来突出明亮的纤维区域（量化等效纤维面积 na），同时运用Canny边缘检测算子勾勒出纤维的轮廓（量化等效纤维长度 nl）。这两个参数共同表征了提取过程中的纤维产量。然而，光照变化、机械振动和纤维表面纹理噪声会导致提取出的参数剧烈波动。因此，研究团队创新性地设计了一种混合移动平均-双指数移动平均（MA–DEMA）滤波器。该滤波器先利用移动平均（MA）阶段抑制高频噪声，再通过双指数移动平均（DEMA）阶段进一步平滑信号，同时保持对动态变化的响应能力。通过系统的参数分析，研究找到了能兼顾平滑度与响应性的最佳参数组合：平滑因子α=0.005，窗口大小N=101。
研究结果显示，这套框架在多个层面取得了成功：
- 1.
图像处理结果清晰可靠：处理后的图像在提取的初始、中期和末期阶段，都能清晰地将纤维区域与背景分离。二值化结果保留了有效的纤维面积且无显著噪声，检测到的轮廓在各阶段均保持连续，为后续滤波提供了稳定的输入。
- 2.
混合滤波性能卓越：参数分析表明，α和N的值对滤波效果影响显著。过大的α会导致信号保留过多局部波动，而过小的α或过大的N则会引起信号延迟或偏离原始趋势。在最优参数（N=101, α=0.005）下，混合MA–DEMA滤波器实现了最佳平衡。
- 3.
滤波模型对比优势明显：与传统的移动平均（MA）、指数移动平均（EMA）、双指数移动平均（DEMA）以及一维卡尔曼（1DKalman）滤波器相比，提出的混合MA–DEMA模型在多项性能指标上表现最优。它取得了最低的平滑度系数（Sm=2.81）和最高的噪声降低率（Nr=41.6%），意味着其输出信号最平滑、去噪能力最强。虽然卡尔曼滤波器在方差降低比（VRR=0.70）上最高，但其产生的平均绝对误差（MAE=548.7）也最大，表明其估计存在较大偏差。
- 4.
纤维提取实验验证可行性：通过80次连续的提取试验，研究验证了该框架用于实时控制的可行性与重复性。试验建立了等效纤维面积（na）与提取行程（Exstr）之间的二次关系模型（R2≈0.99）。数据显示，较高的na值（代表更粗的纤维束）对应更小的提取行程变异（标准偏差更低），表明系统在控制较粗纤维束时更稳定。所有试验的平均图像处理时间稳定在28.5毫秒/帧左右，满足实时性要求（约35 Hz采样率）。
在讨论与结论部分，作者深入剖析了该研究的价值与局限。本工作的核心贡献在于，它首次将实时视觉管道与专门为莲藕纤维提取信号时域特性量身定制的混合平滑模型相结合，填补了材料研究与自动化传感工具开发之间的技术鸿沟。混合MA–DEMA结构通过结合短期和长期记忆组件，为兼具低频趋势和不规则局部波动特征的信号提供了理想的平衡响应。相比于其他滤波器，它在抑制噪声和保持响应性之间取得了更优的折衷，更适合支持实时闭环控制。
实验结果表明，基于视觉的测量结合自适应滤波，能够为天然纤维提取的自动化控制提供可靠支持。该方法不仅显著提升了信号稳定性（噪声降低41.6%），其轻量化的计算设计和固定采样率运行模式也使其易于集成到实际的自动化系统中，通过实时估计的纤维面积和长度参数直接驱动运动控制器。
当然，研究也指出了当前框架的局限性：二维成像系统捕捉的是纤维束的投影几何形状，可能受到非圆形横截面或轻微旋转运动的影响；滤波参数为手动调优，在变化的环境条件下自适应能力有限。针对这些，未来工作将探索集成三维传感技术、开发滤波器参数的自适应调度策略，以及实现自整定或基于学习的控制策略，以进一步增强系统的鲁棒性、吞吐量和自动化就绪程度。
总而言之，这项研究为莲藕丝这一古老工艺的现代化升级提供了一条切实可行的技术路径。它不仅仅是给机器装上了“眼睛”，更是赋予其“稳定神经”，让自动化提取过程从“盲操作”走向“明察秋毫”，为可持续天然纤维生产的数字化、智能化转型奠定了坚实的技术基石。
