基于機器視覺的柑橘分級技術研究

王　旭，　　趙志衡

(懷化學院 1.機械與光電物理學院；　2.武陵山片區生態農業智能控制技術湖南省重點實驗室，湖南 懷化　418008)

?

基于機器視覺的柑橘分級技術研究

王旭1，2，趙志衡1

(懷化學院 1.機械與光電物理學院；2.武陵山片區生態農業智能控制技術湖南省重點實驗室，湖南 懷化418008)

摘要：以麻陽柑橘為研究對象，設計了由工業相機、光源、雙平面鏡等構成的全表面圖像采集試驗箱.在圖像預處理的基礎上，完成了柑橘橫徑、果形、成熟度、缺陷的檢測.由隸屬函數和權重集，采用加權平均算子計算綜合評判結果，以最大隸屬度原則確定柑橘等級.試驗結果表明，優等果、一等果、二等果和等外果的分級正確率分別為100%、88.9%、84.6%、100%，該方法可以為武陵山片區農業智能化提供一定的參考.

關鍵詞：機器視覺；柑橘；分級；模糊

柑橘在武陵山片區具有廣泛的種植分布，是片區重要的經濟水果.長期以來，柑橘的檢測分級依靠人工完成，勞動強度大，效率低，難以適應產業的發展.機器視覺具有檢測精度高，信息豐富，無損檢測等特點，已成為農產品檢測分級技術的研究熱點.如李景彬等利用機器視覺研究了干制紅棗的自動分級[1]，弋偉國等通過提取枸杞的大小、形狀、色澤信息，實現枸杞的無損檢測分級[2]，姜沛宏利用機器視覺技術對肉品新鮮度分級方法進行了研究[3].此外，以馬鈴薯、番茄、哈密瓜、蘋果等為對象的機器視覺無損檢測也被廣泛的研究[4-7].目前，機器視覺無損檢測技術呈現蓬勃發展之勢，但針對武陵山片區特優水果的研究尚未廣泛開展，相關的方法和數據尚不完備.

本文以麻陽柑橘(以下簡稱柑橘)作為研究對象，根據我國鮮柑橘標準，以橫徑、成熟度、果形和缺陷作為分級依據，利用模糊理論探討了一種基于機器視覺的分級方法.

1試驗環境

1.1試驗材料

試驗用柑橘為武陵山片區特優品種麻陽柑橘，檢測對象均來自懷化市某農貿市場，樣本檢測前經人工清洗并在自然條件下風干待測.

1.2分級依據

依據GB/T 12947-2008鮮柑橘國家標準，選取果實橫徑、果形、成熟度和缺陷4個特征量，將柑橘分為優等果、一等果、二等果和等外果4個等級(GB/T 12947-2008,鮮柑橘).

1.3機器視覺系統構成

試驗中，光源采用采用北京大恒圖像技術公司的LED漫反射環形光源LDR2-42SW2，發光顏色為白光，工業相機采用北京大恒圖像技術公司的USB接口行曝光CMOS工業數字攝像機MER-310-12UC.本研究所采用的計算機為DELL 9020MT臺式機，計算機系統為Win 7旗艦版，系統安裝有數字圖像處理軟件Matlab 7.0.

1.4柑橘全表面圖像采集

圖1　試驗箱結構示意圖1-外殼　2-工業相機　3-環形光源　4-環形光源　5-平面鏡　6-線纜　7-柑橘

水果的全表面圖像應包括水果所有外表呈現在圖像上的信息，該圖像不應遺漏水果表面的圖像.針對目前全表面圖像獲取存在的問題，本文設計了一種能夠采集柑橘全表面圖像的試驗箱，其結構示意圖如圖1所示.

試驗箱中，外殼部分可由金屬鋼板或其他材質構成，內表面采用漫反射黑色吸光物質覆蓋.箱體左右兩側設有進料口和出料口，線纜采用高強度金屬細桿構成.在箱體左右兩側內表面分別安裝環形LED光源，為避免光源直射平面鏡引起的圖像質量下降，光源位置設有柔光罩.箱體下表面安裝對稱分布的雙平面鏡，相機位于箱體的正上方，完成柑橘全表面圖像的采集.

2柑橘圖像的預處理

本文在HSI顏色空間中，對柑橘圖像進行預處理，處理的流程如圖2所示.首先，將RGB顏色空間圖像轉換到HSI顏色空間中，對H分量圖像進行高斯濾波，然后采用OTSU法分割柑橘區域.在分割結果中，存在誤分割區域，根據誤分割區域面積小于柑橘區域的特性，采用面積閾值剔除誤分割區域，最終將分割結果恢復到RGB顏色空間.

圖2　柑橘圖像預處理

3柑橘的特征量檢測

3.1柑橘橫徑的檢測

通過求取柑橘上表面圖像最小外接矩形的方法計算柑橘的最大橫徑，檢測結果如圖3所示.

圖3　柑橘最小外接矩形

柑橘的橫徑以頂點A、B的歐氏距離表示，要描述柑橘實際大小，需要乘以一比例系數K.通過多次試驗，本文采用的比例系數為K=0.0222.

3.2柑橘成熟度的檢測

根據柑橘成熟過程中表皮顏色的變化規律，隨著柑橘的逐漸成熟，其表皮顏色將由綠色逐漸過渡成為黃色，可溶性固形物和固酸比也相應提高.成熟度越高的柑橘，其表皮中黃色部分所占比例越大，相反，成熟度越低的柑橘表皮中綠色部分所占的比例越大[8].因此，本文根據果皮顏色中黃色所占比例判斷柑橘成熟程度.

圖像中像素f(i,j)的顏色特點可以表示為

在柑橘圖像中，fb值并不為零，表皮顏色受B分量的影響.分析B分量圖像可以發現，在柑橘表面區域，B分量值很小，接近于0.因此，忽略B分量不會對柑橘分級準確率造成實質影響，后繼的試驗結果也證實了這一點.分別計算柑橘左、中、右側面圖像中黃色像素所占的比例，并取最小值作為成熟度的檢測結果.

3.3柑橘果形的檢測

柑橘呈類球形，因此，可以用圓形度描述柑橘果形.圓形度的計算公式為

式中，S為圖形面積，C為圖形周長.

在橫徑檢測中獲得的柑橘邊緣圖像中，令每一像素所表示的距離為1，若

(1)位于原邊緣像素四鄰域內的相鄰邊緣像素數量為n1；

(2)位于原邊緣像素四鄰域外、八鄰域內的相鄰邊緣像素數量為n2；

則柑橘周長可以表示為

柑橘區域面積S利用統計柑橘區域的像素數目進行計算，即計算二值圖像中“1”的數量.

3.4柑橘缺陷的檢測

柑橘近似為球體，難以實現表面照明的絕對均勻.在灰度圖像中，柑橘的四周亮度要低于中央的亮度，而在閾值分割過程中，低灰度區域會被誤判為缺陷區域.

李江波等驗證了一種照度不均勻圖像的校正方法，取得了較好的效果.該方法根據照度-反射模型，采用低通濾波提取圖像的照度分量，將原圖像與照度圖像相除實現亮度校正[9].對亮度校正后的柑橘圖像進行閾值分割，可以較完整的分割出柑橘表面的缺陷區域.

圖4　柑橘缺陷檢測

4柑橘的模糊分級

4.1隸屬函數的確定

根據鮮柑橘國家標準，果面存在缺陷的柑橘直接被定為等外果，因此在柑橘的模糊分級中僅選取橫徑、果形和成熟度作為特征量.

由檢測結果可知，三者的檢測指標均位于實數集上，因此，可以結合典型分布確定其隸屬函數.以橫徑為例，其對一等果、二等果的隸屬度符合正態分布，文中以正態函數構造隸屬函數；對優等果的隸屬度符合戒下型分布，對等外果的隸屬度符合戒上型分布，文中以指數函數構造隸屬函數.

(1)柑橘橫徑隸屬函數

(2)柑橘果形隸屬函數

(3)柑橘成熟度隸屬函數

4.2權重集的確定

隨機選取137人作為調查對象，評判在挑選柑橘時最看重的特征量.問卷調查采用單選的形式，被調查者只能在橫徑、成熟度和果形中選擇一項，調查結果如表1所示.

表1　權重集調查結果

根據調查結果，文中權重集為

4.3試驗結果與分析

在樣本中隨機選取一個無缺陷的柑橘，檢測得到該柑橘橫徑7.29 cm，成熟度為0.99，果形圓形度為0.88，計算得其隸屬度矩陣為

采用加權平均模型，由權重集計算得到該柑橘的綜合評判結果為

B=[0.42250.55130.07870.0001]

由最大隸屬度原則可以確定，該柑橘屬于一等果.

對50個樣本進行檢測，并與人工分級進行對比，結果如表2所示.

表2　多樣本檢測結果

試驗結果表明，利用模糊理論對柑橘進行分級檢測，總體上精確度較高.其中，優等果和等外果的分級與人工分級的一致率為100%，在一等果和二等果的分級結果中，與人工分級存在不一致情況.對不一致樣本進行分析，發現兩枚柑橘的果皮顏色中，黃色和綠色比例較為接近，通過肉眼難以精確判斷，人工分級將其分為二等果.在機器分級中，計算得到兩枚柑橘果面黃色像素所占比例分別為54.73%和52.32%，二者對一等果的隸屬度分別為0.51、0.58，對二等果的隸屬度分別為0.42、0.37，根據最大隸屬度原則，將其分為一等果.

綜上所述，本文以全表面圖像為基礎，利用模糊理論對柑橘進行檢測分級處理，分級準確度較高，對推動武陵山片區農業智能化和信息化具有較高的參考價值.

參考文獻：

[1]李景彬,鄧向武,坎雜，等.基于機器視覺的干制紅棗大小分級方法研究[J].農機化研究,2014(2):55-59.

[2]弋偉國,張冬,何建國，等.基于機器視覺的枸杞檢測分級系統[J].中國農機化學報,2015(4):100-105.

[3]姜沛宏,張玉華,錢乃余,張長峰,陳東杰.基于機器視覺技術的肉新鮮度分級方法研究[J].食品科技,2015(3):296:300.

[4]鄧立苗,杜宏偉,徐艷，等.基于機器視覺的馬鈴薯智能分選方法與實現[J].中國農機化學報,2015(5):145-150.

[5]于桓.基于機器視覺的番茄顏色分級檢測研究[J].機電技術,2015(4):75-77.

[6]虞飛宇,郭俊先,胡光輝，等.哈密瓜分級系統上位機軟件功能的實現[J].農機化研究,2015(3):215-218.

[7]吳曉強,黃云戰,趙永杰.基于運動控制器的蘋果質量分級系統[J].食品與機械,2015(5):114-116.

[8]應義斌,饒秀勤,馬俊福.柑橘成熟度機器視覺無損檢測方法研究[J].農業工程學報,2004(2):144-147.

[9]李江波,饒秀勤,應義斌.水果表面亮度不均校正及單閾值缺陷提取研究[J].農業機械學報,2011(8):159-163.

Research on the Classification Technology of Citrus Based on Machine Vision

WANG Xu1，2,ZHAO Zhi-heng1

(1.CollegeofMechanicalEngineering,OptoelectronicsandPhysics；2.TheKeyLaboratoryofIntelligentControlofEcologicalAgricultureinWulingMountainArea，HuaihuaUniversity,Huaihua,Hunan418008)

Abstract：In this paper,a visual detection system for full surface image was built,which is composed of an industrial camera,a light source and two plane mirrors.The feature of Mayang citrus,such as transverse diameter,shape,maturity and defects was extracted based on image processing.By the membership function and weight set,the comprehensive result was computed by using weighted average operators,finally,the citrus grading can be obtained on the base of max subordination principle.The experimental results showed that the classification accuracy for the high-class,the first-class,the second-class and substandard citrus is 100%,88.9%,84.6% and 100%,respectively.This method can provide certain reference for the intelligent agriculture in Wuling mountain area.

Key words：machine vision；citrus；classification；fuzzy

收稿日期：2016-03-17

基金項目：湖南省教育廳項目(15C1092)；武陵山片區生態農業智能控制技術湖南省重點實驗室項目(ZNKZ2015-3)；懷化學院大學生研究性學習和創新性實驗計劃項目(2015).

作者簡介：王旭，1984年生，男，遼寧鐵嶺人，實驗師，研究方向：機器視覺與圖像處理；

中圖分類號：O439

文獻標識碼：A

文章編號：1671-9743(2016)05-0060-04

趙志衡，1994年生，男，內蒙古赤峰人，2012級光信息科學與技術專業本科生.