基于機器視覺與支持向量機的核桃外部缺陷判別分析方法

劉 軍，郭俊先,*，帕提古麗·司拉木，史建新，張學軍，黃 華

（1.新疆農業大學機械交通學院，新疆 烏魯木齊 830052；2.新疆阿克蘇市農牧機械管理局，新疆 阿克蘇 843000）

基于機器視覺與支持向量機的核桃外部缺陷判別分析方法

劉 軍1，郭俊先1,*，帕提古麗·司拉木2，史建新1，張學軍1，黃 華1

（1.新疆農業大學機械交通學院，新疆 烏魯木齊 830052；2.新疆阿克蘇市農牧機械管理局，新疆 阿克蘇 843000）

使用3CCD高精度面陣相機采集新疆多個品種核桃RGB圖像，設計一種自適應雙閾值的Otsu法，快速、準確地分割出缺陷區域；基于分割區域的幾何、紋理等20 個初始特征，轉換為新的9 維特征向量集；以該特征集為輸入，建立基于貝葉斯、BP神經網絡與支持向量機的15 個識別模型，對比評價其適應性，以及裂縫、碎殼、黑斑3 類核桃外部缺陷的識別性能與時間。結果表明，基于徑向基的支持向量機識別模型效果最好，對3 類缺陷的驗證集平均識別率分別為93.06%、88.31%、89.27%，對缺陷的總識別率為90.21%，平均識別時間為10－4s級。研究成果能夠用于今后核桃缺陷的在線檢測與分級，同時也為堅果等其他作物品質的在線檢測識別提供一定參考。

核桃；機器視覺；外部缺陷；支持向量機；識別

核桃營養豐富，在生長、采收、運輸和貯存過程中，由于自然和人為的因素容易造成核桃的外部缺陷。根據標準GB/T 20398—2006《核桃堅果質量等級》，核桃的外部缺陷主要表現為核桃殼的破損（裂縫、碎殼）、蟲孔、黑斑（殘留青皮或單寧氧化、病蟲害造成的黑斑）等特征[1]。一方面，破損與蟲孔缺陷使核桃仁直接暴露于外部環境，不僅容易氧化變質，而且在水洗等加工過程中還易受到不干凈水等的污染；黑斑不僅影響核桃的外觀品相及等級，還容易因吸濕而霉變。另一方面，我國核桃品種繁多，品種間核桃果顏色、紋理、形狀、殼厚等的不同，其易產生的缺陷類型、形狀以及缺陷與果面正常區域的差異性不同。所有這些因素不僅為核桃儲存、加工質量控制與食品安全構成威脅，還對缺陷果的識別造成一定困難。因此，在核桃的生產和加工過程中，如何快速而準確地對這些缺陷進行識別并處理，將從源頭上解決部分問題，并為核桃產業的自動化、智能化與集成化提供部分技術支持。

機器視覺技術是用機器代替人眼，結合圖像處理、模式識別算法，在堅果快速實時在線自動檢測系統的應用已經有了長足的進展。可見光波段圖像的堅果外部特征或瑕疵的定性、定量判斷效果明顯，一些研究成果轉化為檢出設備。另一些研究用機器視 覺技術針對核桃等堅果的性狀、缺陷檢測與分級展開。其中，Ercisli[2]、Chen Linnan[3]等用機器視覺技術先后對土耳其10 個品種、我國35 個品種的核桃，結合其果長、果寬、殼厚、縫合線、紋理等特性，用簡單序列重復（simple sequence repeats，SSR）標記等方法總結各品種的性狀特征，為我國與土耳其核桃品種的標準化種植、識別、分級、加工與品種間遺傳特性的研究提供基礎性參考；展慧等[15]基于機器視覺結合企業現行標準，為提取的山核桃長軸、最大橫涇、面積分別賦予25%、35%、40%的權值，給出了山核桃分級方法，該法單果平均處理時間為0.83 s，適合于山核桃在線分級。以上研究，根據不同品種核桃的幾何、紋理等特征，提出了正常核桃果的處理辦法，對于缺陷核桃果的判別分析需要進一步研究。此外，等目前已利用機器視覺技術對阿月渾子、板栗、澳洲堅果、榛子等堅果的外部缺陷與分級進行了研究[4-20]；研究者[21-26]分別采用X射線、太赫茲光譜、近紅外光譜、電子鼻、高光譜等技術，識別檢測核桃空仁、蟲害、機械損傷，板栗霉變，桃果冷害等缺陷特征，對堅果在線無損檢測技術的發展提供研究依據。

綜上，針對核桃等堅果的缺陷檢測已展開大量研究，并取得相應成果。而在核桃深加工之前，在滿足工業在線檢測對單位處理時間與識別精度指標的前提下，如何實現核桃正常果與缺陷果的判別分析，作為核桃食品工業化加工的基礎研究問題被提出來；其次，用機器視覺技術檢測核桃外部缺陷，相對于其他無損檢測技術具有成本控制、快速、高效等優點。本實驗擬基于機器視覺技術，通過高精度3CCD（charge-coupled device）面陣相機采集正常與缺陷核桃6 個方向的RGB圖像，設計一種自適應雙閾值圖像分割方法分割核桃的缺陷區域，提取原始20 個特征信息，轉換為9維最優特征空間，并作為識別模型的輸入集，對比貝葉斯、BP（back pr opagation）神經網絡、支持向量機3 種識別模型對核桃外部缺陷的識別效果，最終選擇出識別率高、穩定性好、識別處理速度快的模型，以適應于今后核桃果的快速在線檢測與分級。

1 材料與方法

1.1 材料

核桃樣本按照GB/T 20398—2006規定貯存[1]，研究主要針對常見的破損與黑斑缺陷。其中，破損缺陷被進一步劃分為破裂（即裂縫，包括I型、L型、T型與十字型裂縫）與破碎（碎殼、T型碎殼），而黑斑缺陷主要為側面、側面尾部、尾部3 個部位的青皮殘留，各核桃外部缺陷如圖1所示。

圖1 各核桃外部缺陷圖像Fig.1 External defects of walnuts

核桃樣本采用市售一年新核桃，包括產自新疆阿克蘇的新新2號、溫185號和產自新疆喀什的新豐8號共600 個樣本。其中新新2號裂縫與碎殼特 征樣本各150 個（黑斑為伴隨特征，且部分樣本含多種缺陷），溫185號與新豐8號正常樣本各150 個。

1.2 儀器與設備

像采集系統，結構如圖2所示。主要包括AT-200CL 3CCD面陣相機（有效像元：1 236×1 628，像元尺寸：4.4 μm×4.4 μm，CCD：1/1.8″ITCCD×3-ICX274AL，幀頻：20，工作溫度：－5～50 ℃） 丹麥JAI公司；LM35CLS 3CCD彩色面陣相機專用鏡頭（焦距：35 mm，成像尺寸：?30，光圈范圍：F2.8～F22，變形率：0.06%） 日本Kowa公司；數字Camera Link系列X64-Xcelera-CL PX4 Dual圖像采集卡（像素時鐘：最大85 MHz，像素位深：8、10、12、14、16，總線：PCIe×4，幀存：128 MB）、科視自動化公司HRL-180SW LED低角度環形光源、光源控制器、計算機（Lenovo Think Centre M6100t計算機Pentium，英特爾雙核E5500/2.80 GHz） 德國Dalsa公司。

圖2 圖像采集系統Fig.2 Image acquisition system

1.3 方法

1.3.1 圖像采集方法

核桃表面顏色多為棕色或淺棕色，為獲取高信噪比核桃RGB圖像，突出核桃表面正常區域、缺陷區域、背景之間的差異，預實驗確定白色卡紙作為采集背景。實驗對單個核桃樣本采集了6 幅RGB圖像，分別為側面以核桃縫合線所在平面水平放置為基準面，以90°為間隔的4幅圖像，和極面以橫徑垂直于水平面，果梗朝上和花萼朝上2 幅圖像。采集圖像類型為24 位Tif格式RGB圖像，分辨率1 200×1 600 pixels，空間分辨率約0.265 mm/pixel。

1.3.2 圖像預處理和分析

圖像的預處理是為了去除或抑制噪聲，以達到凸顯特征信息的目的。在研究中，通過對比中心分別為－4、－8、－12、－16的二階拉普拉斯算子對RGB圖像銳化處理效果，如圖3所示。

圖3 4 種拉普拉斯算子銳化效果對比圖Fig.3 Comparison of 4 types of Laplace operators to sharpen image

由圖3可見，中心為－8的算子銳化效果較明顯，不僅能讓特征邊界等細節更加明顯，讓黑斑特征一定程度的“退化”，從而區別于破損特征，而且銳化產生的疊加噪點相對較弱，其表達式為：

式中：f（x,y）為輸入RGB圖像；g（x,y）為增強后RGB圖像。將增強后的核桃RGB圖像分別映射到HSI、HSV、YUV（YCbCr）等顏色空間，對比提取的各顏色分量，采用YUV顏色空間的Y分量噪聲弱化明顯，目標區域突出，如圖4所示。

圖4 HSI、HSV、YUV顏色空間各分量效果對比圖Fig.4 Comparison of components of color-space HSI, HSV and YUV

最后采用3×3掩膜對Y分量中值濾波進一步去噪，整個預處理流程如圖5所示。

圖5 圖像預處理流程Fig.5 Flow chart of image preprocessing

1.3.3 模式識別方法與分析

模式識別是所有無損檢測技術的核心部分，為了找到分類準確度、效率滿足在線要求的缺陷識別分類器，根據缺陷本身與分類器的具體特點，擬采用以下3 大類模式識別方法。

1）貝葉斯決策是一種建立在概率統計理論基礎上的模式識別方法，即在知道需要識別的類的先驗概率和類的類條件概率密度的基礎上，通過計算特征向量的后驗概率，判斷其所屬類別[21]。基于其對缺陷特征屬性正態分布的敏感性與線性決策的高效性，在被應用于工業產品的缺陷檢測與分類。

2）支持向量機建立在統計學理論的VC維理論和結構風險最小原理基礎上，其對于樣本量、高維數、非線性和局部極小值點的不敏感性成為了解決核桃外部缺陷識別問題的前提[21]。基礎的支持向量機分類器是針對兩類（正樣本X＋與負樣本X－）且樣本線性可分問題而設計的，其核心思想是對線性可分樣本集構造一個超平面作為決策面將兩類樣本分開。

而對線性不可分的樣本集，支持向量機采用核函數（包括線型、二次型、多項式、徑向基等），對特征向量進行運算，將特征空間轉換到某個更高維的空間，并確定最優決策平面，從而將非線性決策轉化成最基本的線性決策。

3）BP神經網絡是一種3 層或3 層以上，“有導師”的模式識別算法，其采用誤差逆傳播的方式學習，精度高、穩定性好，能夠很好地解決非線性分類的問題。其學習機制為當訓練缺陷特征向量輸入網絡后，其神經元將首先從輸入層到輸出層由左到右激活，并賦予每個神經元激活值，然后對比正確輸出結果計算輸出誤差，并按減少輸出誤差的原則，從輸出層經隱含層到輸入層依次修正各神經元的連接權，以這樣的方式不斷地優化各神經元的傳遞參數直到輸出誤差達到要求或迭代次數達到上限，即停止學習[21]。

針對核桃缺陷中的I型裂縫、T型結構裂縫（L型、T型、十字型）、碎殼、T型結構碎殼、側面黑斑、側面尾部黑斑、尾部黑斑7類，以及第8類其他缺陷（不在前7 種范圍之內的），將樣本近似1∶1的比例隨機劃分為訓練集與測試集，分別建立基于貝葉斯、支持向量機、BP神經網絡的不同類型的核桃外部缺陷識別模型。以識別模型的測試誤差、測試時間、具體缺陷識別性能、訓練誤差、訓練時間、穩定性等指標，優選適應核桃在線檢測的最優模型。

2 結果與分析

2.1 圖像分割

如圖6所示，核桃RGB圖像預處理得到的圖像灰度直方圖為雙峰，即前景峰與背景峰，且缺陷特征灰度范圍分布于目標峰的左側，并與前景峰存在一定重疊，但在缺陷灰度分布與目標灰度分布之間的過渡區域內，灰度變化平緩。

圖6 預處理后圖像（a）及其灰度直方圖（b）Fig.6 Preprocessed image and its grey level

因此，設計了一種自適應雙閾值的方法，分別對應于缺陷區域與目標非缺陷區域分割閾值T1，以及目標與背景區域分割閾值T2。該法的核心思想是對各灰度級向量求一階差分，求圖像各灰度級向量的離散一階差分如式（2）所示：

式中：di（i=0,1,2...L...254）表示第i灰度級的灰度向量（即第i灰度級的像素數）。

由于各灰度級向量在前景峰與背景峰范圍內變化最為明顯，因此差分后的直方圖中同樣會出現“前景峰”與“背景峰”，從“前景峰”的峰頂開始向低階灰度級方向尋找“平緩”的過渡位置作為T1，即差分最接近于零的灰度級。T1的自適應過程分為確定步長起始點與在有限個步長內統計過渡點兩步，第一步確定步長起始點Z0，即從“前景峰”的峰頂向低灰度級方向，在每α個連續的差分向量（Zi）中若存在不小于β個連續向量小于γ，則第一個小于β的差分向量即為Z0，在本研究中通過正交試驗確定α、β、γ分別取5、3、80；第二步在b個步長內統計過渡點的個數K1、K2，K1和K2分別滿足Zi≤μ和Zi≤μ/2，在各步長內若K1、K2滿足判別條件P1、P2或進行到第b個步長，則返絕對值最小Zi的位置即T1，通過正交試驗確定b、μ分別為3、10，每個步長取10 個差分向量，其自適應流程如圖7所示。同時采用最大類間方差法（即Otsu）求得圖像的全局閾值作為目標閾值T2對各類缺陷核桃樣本圖像的自適應雙閾值分割結果如圖8所示。

圖7 缺陷閾值T1自適應流程圖Fig.7 Flow chat of adaptive threshold T1

圖8 自適應雙閾值法對各類缺陷樣本的分割圖像Fig.8 Segmentation of defective sample images based on self-adaptive double threshold method

統計600 個樣本的分割效果，核桃裂縫特征分割效果最好，碎殼與黑斑特征效果稍次，分別表現為對缺陷的邊緣分割不夠準確以及容易產生較多的噪點。這主要存在兩方面原因：一方面，核桃殼的內層存在容易與外層脫離的內殼，而在人工構造過程中殘留的內殼、裸露的仁與核桃表面的顏色非常接近，易造成誤分割；另一方面，裸露的仁與黑斑的顏色存在個體差異，深淺不一，使得缺陷區域大致相同，但分割出的缺陷區域存在較大差異，而黑斑特征本身不連貫性等因素在分割后圖像中則容易表現為較多的離散噪點。該法在Matlab R2010b、Intel i3-3110M CPU 2×2.4 GHz處理下，平均分割時間為0.564 4 s，相較于國外類似研究應用滿足在線識別要求。

2.2 特征的選擇與提取

提取了600 個核桃樣本的2 127 個缺陷圖像，分割確定的T型破裂、I型破裂、T型破碎、碎殼、側面黑斑、側面尾部黑斑、尾部黑斑和第8類缺陷樣本量分別為192、885、166、276、175、221、352和26 872。

缺陷特征的選擇與提取，直接影響識別模型對缺陷的識別效果。依據兩類典型缺陷的特點，提取了包含幾何、紋理、空間3 個屬性的20 個特征量。為了提高模型對缺陷的識別精度和效率，對初始特征空間進行降維，通過交叉對比各特征屬性組合優缺點，確定了以長寬比、分散度、歐拉數、相同二階矩橢圓的偏心率、最小多邊形頂點數、面積/凸殼面積、3 個二階矩的9 維最優特征空間。

2.3 3 種識別模型的建立

各類型的缺陷等樣本按1∶1的比例隨機劃分為訓練集與驗證集，以對應的9 維特征向量按劃分作為模型的輸入。模型的訓練按照劃分隨機抽取10 次訓練集，訓練誤差取10 次訓練的平均值；模型的驗證以訓練集與驗證集交叉驗證的方式，驗證誤差取10 次驗證的平均值。

2.3.1 基于貝葉斯決策核桃外部缺陷識別模型的建立

選擇最具有代表性的基于最小錯誤率和最小風險的貝葉斯決策建立識別模型，其中最小錯誤率和最小風險分別表示判斷特征所屬類別的決策基準，即分別將特征向量對各類缺陷的后驗概率中的最大值，和對特征向量對應各類缺陷的后驗概率加權和（即決策風險）的最小值作為決策依據。

2.3.2 基于支持向量機核桃外部缺陷識別模型的建立

圖9 支持向量機網絡結構圖Fig.9 Structural image of support vector machine network

對單位支持向量機（針對兩類問題）采用1～7（即待識別類樣本做正樣本集，其他7類樣本做負樣本集）的方式，設計8 個單位支持向量機分類器，實現對8 類樣本分 類識別，設計的支持向量機網絡如圖9所示。

支持向量機用核函數取代了高維空間中的內積運算，將非線性決策轉換為線性決策。分別設計了線型、二次型、多項式、徑向基4種核函數類型的支持向量機分類器，建立模型。

2.3.3 基于BP神經網絡核桃外部缺陷識別模型的建立

由于3層BP神經網絡已經能夠逼近任何有理函數，因此設計了9×25×4的網絡結構，學習速率0.2，最大迭代次數20000的BP神經網絡。根據網絡學習過程中參數調節機制的不同，設計了基于梯度下降、有動量的梯度下降、自適應lr梯度下降、有動量加自適應梯度下降、彈性梯度下降、Fletcher-Reeves共軛梯度、Polak-Ribiere共軛梯度、Powell-Beale共軛梯度、量化共軛梯度的BP神經網絡模型。

2.3.4 模型識別結果與分析

基于貝葉斯、支持向量機、BP神經網絡的3 類15 個識別模型，對3 個類型的核桃外部缺陷的平均驗證誤差與平均識別時間，如圖10所示。

圖10 各模型對3種類型缺陷的平均驗證誤差與識別時間Fig.10 Mean test error and recognition time of models for three defects

結果顯示，3 類模型對核桃的破裂（裂縫）缺陷識別效果最好，對破碎（碎殼）與黑斑特征識別效果相對較差；在穩定性方面，2 種貝葉斯模型、除徑向基支持向量機外的3 種支持向量機模型與包含梯度下降機制的4 種BP神經網絡模型，對缺陷識別的穩定性不強，對特征空間的適應性不夠好；在對單個缺陷的識別速度上，貝葉斯和支持向量機模型效率相對較好，平均分類時間達到10－4s級，BP神經網絡稍次，對單個缺陷的平均處理時間為10－2s級。

綜上，在建立的15 種缺陷識別模型中，基于徑向基的支持向量機模型與基于彈性梯度下降的BP神經網絡模型對3 種核桃外部缺陷的平均識別率相對較高，對特征的適應性較為穩定，2 種模型對缺陷的識別性能基本相近，因此對2 種優選模型做進一步比較，指標包括穩定性、模型訓練時間與訓練精度。

表1 2 種優選模型對3 大類缺陷的平均識別率、模型總識別率與模型訓練時間Table1 Average precision for 3 types of defects, overall accuracy, and training time of optimal models

如表1所示，2 種優選模型對核桃3 類外部缺陷的總平均識別率分別為90.38%與90.21%；訓練時間分別為208 s與1083.1 s，存在較大差異，這主要是由于徑向基的支持向量機模型是在特征空間中進行內積運算將低維非線性特征空間決策轉換到高維線性特征空間決策，而彈性梯度下降的BP神經網絡模型是直接在低維非線性特征空間中進行非線性決策所致。結果表明，2 種優選模型對各類缺陷的平均訓練準確度相當，基于徑向基的支持向量機模型對特征的適應性更強，模型表現得更加穩定。

在對2 種優選模型的比較中，2 種模型對核桃各類型的外部缺陷與模型的總識別準確度基本相同；對單一缺陷的平均決策時間分別為10－4s級與10－2s級；徑向基的支持向量機模型對特征的適應性與穩定性優于彈性梯度下降的BP神經網絡模型；在模型的學習訓練效率上，彈性梯度下降的BP神經網絡模型具有優勢。因此，本實驗最終采用基于徑向基的支持向量機模型識別分類核桃外部缺陷，鑒于其對特征的適應性更強，對核桃外部缺陷的處理識別上更加高效，適合于核桃外部缺陷的在線識別與檢測。

其對600 個實驗核桃樣本總驗證準確度為90.21%。對裂縫、碎殼、黑斑3 類缺陷的訓練集和驗證集平均識別率分別為94.89%、91.92%、92.43%和93.06%、88.31%、89.27%。顯然，徑向基的支持向量機模型優選模型對裂縫缺陷的識別率最高，對碎殼與黑斑識別率相對較差，均未達到90%，需要從以下幾個方面進行改進：采用更加有效的打光方式，如采用球頂光源；進一步提取對碎殼與黑斑特征相對有效的特征屬性；采用多技術、多方法的多源信息融合的方式，如可見光機器視覺結合X射線成像技術。

3 結 論

綜上所述，采集實驗核桃樣本的6×600幅RGB圖像，預處理后基于自適應雙閾值的Otsu法分割，能夠正確分割出缺陷區域，其中對核桃裂縫特征分割效果最好，對碎殼與黑斑特征效果稍次。分割后圖像中共提取出20 個特征信息，轉換為9維特征組合（長寬比、分散度、歐拉數、相同二階矩橢圓的偏心率、最小多邊形頂點數、面積/凸殼面積、3 個二階矩），實現特征空間降維。以9 維最優特征組合為輸入，建立基于貝葉斯、BP神經網絡、支持向量機的15 個不同類型核桃外部缺陷識別模型，對比平均處理時間總平均驗證精度，以及對各類型缺陷具體判別情況、穩定性以及訓練時間，徑向基的支持向量機模型更加符合在線分級要求，模型對缺陷的總識別率為90.21%。

總之，結合機器視覺技術與支持向量機方法，能夠準確判別核桃外部主要缺陷，為今后核桃視覺無損快速檢測提供一定的參考依據。

[1] 王文德, 王貴, 張俊寬, 等. GB/T 20398—2006 核桃堅果質量等級[S].北京: 中國標準出版社, 2006.

[2] ERCISLI S, SAYINCI B, KARA M, et al. Determination of size and shape features of walnut (Juglansregia L.) cultivars using image processing[J]. Scientia Horticulturae, 2012, 133: 47-55.

[3] CHEN Linnan, MA Qingguo, CHEN Yongkun, et al. Identifi cation of major walnut cultivars grown in China based on nut phenotypes and SSR markers[J]. Scientia Horticulturae, 2014, 168: 240-248.

[4] GHAZANFARI A, IRUDAYARAJ J. Classifi cation of pistachio nuts using a string matching technique[J]. Transactions of the ASABE, 1996, 39(3): 1197-1202.

[5] GHAZANFARI A. Machine vision classification of pistachio nuts using pattern recognition and neural networks[D]. Saskatoon: University of Saskatchewan, 1996.

[6] GHAZANFARI A, IRUDAYARAJ J, KUSALIK A. Grading pistachio n uts using a neural networ k approach[J]. Transacti ons of the ASABE, 1996, 39(6): 2319-2 324.

[7] GHAZANFARI A, IRUDAYARAJ J, KUSALIK A, et al. Machine vision grading of pistachio nuts using fourier descriptors[J]. Journal of Agricultural Engineering Research, 1997, 68(3): 247-252.

[8] GHAZANFARI A, WULFSOHN D, IRUDAYARAJ J. Machine vision grading of pistachio nuts using gray-level histogram[J]. Canadian Agricultural Engineering, 1998, 40(1): 61-66.

[9] 郭曉偉. 基于機器視覺的開心果閉殼與開殼識別[J]. 計算機應用, 2011, 31(2): 426-427; 434.

[10] 方建軍, 劉仕良, 張虎. 基于機 器視覺的板栗實時分級系統[J]. 輕工機械, 2004(3): 92-94.

[11] 方建軍, 張虎. 板栗長 短徑的實時光學檢測算法[J]. 農業機械學報, 2006, 37(5): 87-89; 95.

[12] 劉仕良. 基于機器視覺的板栗分級設備研究[D]. 北京: 北方工業大學, 2005.

[13] 季雪嬌, 尹成名, 朱元波, 等. 板栗圖像的低層處理及邊緣檢測[J].農產品加工: 學刊, 2008(1): 26-28.

[14] 蔣艷軍, 盧軍, 陳建軍. 板栗圖像的去噪及缺陷檢測研究[J]. 農產品加工, 2008(9): 72-73.

[15] 展慧, 李小昱, 王為, 等. 基于機器視覺的板栗分級檢測方法[J]. 農業工程學報, 2010, 26(4): 327-331.

[16] 展慧, 李小昱, 王為, 等. 蟲眼板栗的圖像識別方法研究[J]. 農機化研究, 2010(8): 121-124.

[17] 展慧, 李小昱, 周竹, 等. 基于近紅外光譜和機器視覺融合技術的板栗缺陷檢測[J]. 農業工程學報, 2011, 27(2): 345-349.

[18] 薛忠, 鄧干然, 崔振德, 等. 基于機器視覺的澳洲堅果分級研究[J].農機化研究, 2010(5): 26-28.

[19] MENESATTI P, COSTA C, PAGLIA G, et al. Shape-based methodology for multivariate discrimination among Italian hazelnut cultivars[J]. Biosystems Engineering, 2008, 101(4): 417-424.

[20] FEDERICO P, MENESATTI P, CORRADO C, et al. Image analysis techniques for automated hazelnut peeling determination[J]. Food and Bioprocess Technology, 2010, 3(1): 155-159.

[21] MATHANKER S K, WECKLER P R, WANG N, et al. Local adaptive thresholding of pecan X-ray images: reverse water flow method[J]. Transactions of the ASABE, 2010, 53(3): 961-969.

[22] 周竹, 李小昱, 李培武, 等. 基于GA_LSSVM和近紅外傅里葉變換的霉變板栗識別[J]. 農業工程學報, 2011, 27(3): 331-335.

[23] 朱娜, 潘磊慶, 鄔慧穎, 等. 基于電子鼻檢測‘霞暉5號’桃果實的冷害[J]. 食品科學, 2014, 35(4): 95-100. doi: 10.7506/spkx1002-6630-201404020.

[24] 戚淑葉, 張振偉, 趙昆, 等. 太赫茲時域光譜無損檢測核桃品質的研究[J]. 光譜學與光譜分析, 2012, 32(12): 3390-3393.

[25] 李斌, WANG N, 張偉立, 等. 基于太赫茲光譜技術的山核桃內部蟲害檢測初步研究[J]. 光譜學與光譜分析, 2014, 34(5): 1196-1200.

[26] 張嬙, 潘磊慶, 屠康. 利用半透射高光譜圖像檢測‘霞暉5號’水蜜桃冷害[J]. 食品科學, 2015, 36(2): 160-167. doi: 10.7506/spkx1002-6630-201502031.

[27] 楊淑瑩. 模式識別與智能計算[M]. 北京: 電子工業出版社, 2008: 43-208.

Discrimination of Walnut External Defects Based on Machine Vision and Support Vector Machine

LIU Jun1, GUO Junxian1,*, PATIGULI · Silamu2, SHI Jianxin1, ZHANG Xuejun1, HUANG Hua1
(1. College of Machine and Traffi c, Xinjiang Agricultural University, ürümqi 830052, China; 2. Administration of Agriculture and Animal Husbandry Machinery of Aksu in Xinjiang, Aksu 843000, China)

In the present study, based on the RGB images acquired using a 3-CCD high-precision area array camera for several varieties of walnuts in Xinjiang, we designed a self-adaptive double-threshold Otsu method which can rapidly and accurately segment the defective regions and transform 20 initial features including geometry and texture and other features to a 9-demensional set of eigenvectors. Using the set of eigenvectors as input, 15 recognition models were established based on Bayesian network, BP neural network (BPNN) and support vector machine (SVM), and their adaptability as well as identifi cation performance and mean recognition time for 3 defects (crack, damage, and black spot) were compared. The results revealed that the SVM model based on radial basis function (RBF), showing a mean recognition time at the order of magnitude of 10-4s, provided the best results, giving average test recognition accuracy of 93.06% for crack, 88.31% for damage, and 89.27% for black spot and total recognition rate of 90.21% for the 3 external defects. These results can provide useful data for on-line determination and classifi cation of walnut detects and on-line quality identifi cation of other nuts.

walnuts; machine vision; external defects; support vector machine; recognition

TS255.6

A

1002-6630（2015）20-0211-07

10.7506/spkx1002-6630-201520041

2015-01-02

“十二五”國家科技支撐計劃項目（2011BAD27B02-05-02）；國家自然科學基金面上項目（61367001）；

新疆農業工程裝備創新設計重點實驗室資助項目

劉軍（1988—），男，碩士研究生，研究方向為農產品無損快速檢測。E-mail：15026015978@163.com

*通信作者：郭俊先（1975—），男，副教授，博士，研究方向為農產品無損快速檢測。E-mail： junxianguo@163.com