基于計算機視覺的草莓等級判別研究

茍爽等

摘要如何對采集到的草莓圖像進行分割和如何選取評定草莓等級的特征參數是草莓自動分揀系統的2個重要環節。該研究利用草莓R、G、B通道明顯的像素差值來分割目標和背景，并且選取草莓的形狀特征和成熟度作為草莓評級的特征參數，綜合運用機器視覺、神經網絡等理論方法，通過實驗數據統計，建立極坐標下草莓外形輪廓特征參數及顏色空間下成熟度特征參數的提取方法，以人工神經網絡為識別模型，實現對草莓的自動分類。實驗結果表明，該方法對草莓的自動分級結果與人工分級結果相比較，準確率達到90%，具有實際的可行性。

關鍵詞草莓；圖像采集；圖像分割；特征提取

中圖分類號S126文獻標識碼

A文章編號0517-6611（2015）21-370-04

草莓的分選是其產后處理的一個關鍵環節[1]，目前我國對草莓分選大部分采用人工分選。人工分選方法主要依據肉眼觀測判斷等級，缺乏客觀性。草莓大小不一，表面情況復雜，單純依靠肉眼判斷達不到較好的分級效果。而且，由于草莓果實的表面非常柔軟脆弱，人工分選容易造成機械損傷，影響草莓的商品價值。因此，研究快速、準確、高效的草莓自動化分選技術及設備具有重要的科學意義和社會經濟價值。

對于水果外觀品質檢測與分級，國內外研究人員開展了許多研究，研究思路主要采用基于計算機圖像處理、機器視覺的方法，大多以外觀形狀規整的一些水果為對象，如蘋果、柑橘、西紅柿等[2-4]。相比而言，草莓的形狀復雜，一般的水果分選原則，如形狀、大小、圓度、彎曲度以及長度比等，很難用到草莓上。針對這一問題，近些年，國內外研究人員進行了相關研究[1-8]。曹其新等利用圖像信息處理技術，研制出根據草莓的形狀和尺寸進行分級的自動分選系統。該草莓分選系統具有一定的分選精度，但效率還有待提高[6]。日本學者Pepito M Bato等建立了檢測草莓形狀的三維形狀測量實驗臺[7]。Nagata M等研究了在OHTA色度空間下草莓收獲機器人的水果分離與分級方法[8]。

從國內外研究狀況來看，目前針對草莓的自動化分選技術研究還處于起步發展階段，缺乏科學統一的分級標準，主要依賴草莓顏色、形狀和大小3種參數來劃分其優劣等級。但由于草莓外形變化大，表面凹坑較多，黑籽粒分布廣，葉子隨機覆蓋使草莓圖像分割處理和特征參數提取難度增大，從而造成草莓等級劃分不夠精確。筆者在現有研究的基礎上，綜合運用機器視覺、神經網絡等理論方法，以草莓外形輪廓及成熟度作為分級依據，通過實驗數據統計，建立極坐標下草莓外形輪廓特征參數及顏色空間下成熟度特征參數的提取方法，以人工神經網絡為識別模型，實現對草莓的自動分類。最后，通過實驗驗證所提出方法的可行性和準確性。

1圖像采集與處理

1.1圖像采集

對一般水果而言，其形狀基本相似，表面光澤，基本沒有葉子。而草莓恰恰相反，同種類的草莓相互之間形狀差異也比較大，表面顏色分布不均，而且有很多的黑色籽粒和凹坑。為保證草莓采集到的草莓圖像盡可能少的受到光照、背景、傳輸噪聲的影響，需要設計一個比較好的圖像采集裝置平臺。

圖1為設計的光照控制箱。箱體外層為630 mm×630 mm×710 mm的立體密閉木箱，內層有2塊傾角為65°的木板，板面要求為乳白色并保證板面反射光為漫反射。2塊傾斜板均在等距高度安裝透光度在60%的陽光板，在每個陽光板板上安裝色溫為5 600～6 300 K、功率4 W的白色長管熒光燈。在密閉箱頂上安裝2個散熱風機，保證密閉箱內的工作溫度穩定。箱子正上方則懸吊安裝1個CCD攝像頭，鏡頭到箱底的距離可調。整個裝置內的光線均勻適度，盡量保證拍攝到的草莓圖像沒有暗影、高光點。選取不同顏色作為拍攝背景顏色反復做實驗后，結果表明以藍色作為背景顏色時，對采集到的草莓圖像做后期處理效果最好，所以該研究圖像選取裝置的底板顏色為藍色。

1.2圖像分割

草莓圖像分割方法有多種[9-12]，該設計中在藍色固定背景下采集圖像，R通道對應灰度圖r1中果實像素值明顯大于背景像素值，用灰度像素值全為255的等大小圖像r2減去r1，得到新灰度圖r3，r3中果實像素值小于背景像素值。由于R中果實像素值較大，故用r3再減去r后得到的新圖中草莓果實與背景的像素差值進一步放大，對比更加明顯，經過二值圖像轉換即完成圖像分割。該方法運算速度快，處理方便，效果也比較好，具體方法如下：

（1）提取彩色圖像2a中R通道，并構造只含R通道的彩色圖，并將其轉為灰度圖r1，如圖2b。

（2）構造一個與r1等大小，灰度值全為255的新圖r2。

（3）求差r3=r2-r1，得到圖2c。再求差r4=r3-r，將r4轉化為二值圖像，并求反得到目標圖像，如圖2d。

安徽農業科學2015年

2基于計算機視覺的草莓等級判別

2.1草莓輪廓特征模型

計算機不能直接對得到的圖像進行判斷，必須借助于從圖像中抽取的參數進行計算[13-15]。在線分級處理要求計算的效率較高，為提高計算效率，采用抽取草莓圖像形狀特征參數的算法：

（1）取草莓果肉圖像的重心點O和頂點D，作線段DO并延長交于草莓圖像點C，則選定點C為極坐標原點。

（2）以CD為極坐標中心對稱軸、C為原點，向軸兩邊等弧度角間隔分別作4條射線交于圖像的邊緣，由此得到9條線段分別為：CR1、CR2、CR3、CR4、CD、CL4、CL3、CL2、CL1（圖3）。

（3）根據下列參數：

m1=CL1/CD，m2=CL2/CD，m3=CL3/CD，m4=CL4/CD

m5=CR1/CD，m6=CR2/CD，m7=CR3/CD，m8=CR4/CD

選取60顆草莓做數據分析，先將草莓按照形狀和大小分為A、B、C 3類，分別對應優、良、次3類，每類20顆草莓。圖4記錄了60顆草莓中軸CD長度。表1中記錄了樣本草莓各項形狀特征參數變化范圍。結合圖4和表1中數據分析可知，不同等級草莓的形狀參數呈一定規律變化，設計中對每個草莓提取8個相對比值參數和一個徑向長度參數來組成草莓形狀特征模型。對60顆草莓分3類進行數據分析，A類草莓個頭最長，寬度最大，形狀也最勻稱；B類草莓長度居中，寬度也比A類小；C類草莓長度和B類基本一致，但是果實寬度明顯很小。

2.2草莓成熟度判斷

顏色是判斷草莓是否成熟的重要標志，所以它也是草莓等級劃分的重要指標參數。未成熟的草莓顏色有綠、青、淺紅等，不過大多數草莓呈現頭青色、身紅色。成熟度高的草莓R通道灰度平均值較大和G通道的灰度平均值較小，兩通道的標準差相對較小，相反不成熟的草莓R通道灰度平均值較小和G通道的灰度平均值較大，且兩通道的標準差相對較大。所以可以通過計算草莓果肉中紅色、綠色灰度平均值和標準差表征草莓的成熟度。

從RGB彩色圖中分割出草莓果實，分別計算R通道和G通道的灰度平均值和標準差。將60顆草莓按照成熟度分為A、B、C 3類，對該60顆草莓的紅色、綠色灰度平均值和標準差分析可以看出確實滿足預期的理論設想。不同等級樣本草莓的R、G像素變化規律見圖5。

結合圖5a～5d可以看出，3類草莓的紅、綠色像素平均值和標準差整體有規律的變化。A類草莓果實紅色像素平均值最大且其標準差最小，綠色像素平均值最最小且標準差最大；C類草莓實紅色像素平均值最小且其標準差最大，綠色像素平均值最最大且標準差最小。因此選取草莓R、G像素平均值及其標準差作為描述草莓成熟度的特征參數。

3系統測試

隨機選取20顆新鮮草莓，將其用來測試系統的準確性和精確度。提取草莓的相關特征參數，如表2所示。

草莓等級判別系統是由60顆人工分類為A、B、C類的樣本草莓的特征參數訓練出的BP神經網絡。現將每顆待測草莓的13個特征參數作為神經網絡輸入參數，輸出值為設定的3個不同值，對應表征草莓優劣的A、B、C 3個等級。測試結果見表3。

由表3可知，BP神經網絡得出的結果是優 （A 類）7顆，良（B類）5顆，差（C類）8顆，與人工分類結果對比，準確率達到90%。因此肯定表征草莓等級的形狀、大小和成熟度的特征參數選取正確，系統分類方法可行。造成誤差的原因有2個，一是草莓葉子帶有葉子且葉子大小不一，部分草莓圖像中葉子遮蓋了很大部分的果肉，以至于圖像分割后得到的圖像與草莓果肉實際圖像有較大的出入，提取的特征參數可信不度不高；二是BP神經網絡訓練樣本過少，影響分級精度。

4結論

該研究綜合應用機器視覺、神經網絡理論，建立了包括圖像采集、圖像分割、特征參數提取、模型識別各環節的草莓自動分級方法，并進行了實驗驗證，得到以下結論：

（1）基于極坐標下草莓幾何形狀特征、顏色成熟度兩類特征參數，用人工神經網絡作為識別模型，來劃分草莓品質的方法是可行的，與人工分級結果相比，測試中準確度達到90%。

（2）實際操作中要保證圖像采集時光照均勻、色溫適中，使圖像最大程度地反映草莓真實顏色，以提高判別結果的準確度。

參考文獻

[1]

喬勇進，王海宏，方強，等.草莓采后處理及貯藏保鮮的研究進展[J].上海農業學報， 2007（23）：109-113.

[2] CAO O， NAGATA M.Study on grade judgment of fruit vegetables using machine vision （Part 3）[J].Journal of Society of High Technology in Agriculture，1997，9（1）：49-59.

[3] 應以斌， 饒秀勤， 趙勻，等.機器視覺技術在農產品品質自動識別中的應用[J].農業工程學報， 2000， 16（1）：103-108.

[4] TAO Y，HEINEMANN P H，VARGHESE Z.Machine Vision for color inspection of potatoes and apples[J].Transaction of ASAE， 1995， 38（5）：1555-1561.

[5] 郭峰， 曹其新， 崔永杰， 等.用于草莓收獲機器人的果實定位和果柄檢測方法[J].農業工程學報， 2008， 24（10）：89-94.

[6] 曹其新， 呂恬生， 永田雅輝.草莓揀選機器人的開發[J].上海交通大學學報， 1999， 33（7）：880-884.

[7] BaAT6O P M.Strawberry Sorting Using Machine Vision[C].1999 ASAE Annual International Meeting Technical Paper，1999：299-316.

[8] GUO F， CAO Q X， NAGATA M.Fruit detachment and classification method for strawberry harvesting robot[J].International Journal of Advanced Robotic Systems， 2008， 1（5）：41-48.

[9] 張鐵中，周天娟.基于BP神經網絡的草莓圖像分割[J]，中國農業大學學報，2004，9（4）：65-68.

[10] 王婷婷.彩色圖像分割方法的研究與實現[D].青島：山東科技大學，2005.

[11] 王雪光，陳淑紅.基于K 均值聚類的成熟草莓圖像分割算法[J].農機化研究，2013，6（6）：51-54.

[12] 許曉麗，盧志茂，張格森，等.改進近鄰傳播聚類的彩色圖像分割[J].計算機輔助設計與圖形學學報，2012，24（4）：514-519.

[13] 趙燕超，徐麗明.基于多元聚類分析的草莓形狀分類算法[J].中國農業大學學報，2008，13（1）：77-80.

[14] 趙靜，何東健.果實形狀的計算機識別方法研究[J].農業工程學報，2001，3（2）：165-167.

[15] 林開顏，吳軍輝，徐力鴻.基于計算機視覺技術的水果形狀分級方法[J].農業機械學報，2005，6（6）：72-74.