基于機器視覺的鮮駿棗大小分級研究

王艷++木合塔爾·米吉提++劉亞++郭俊先

摘要：為改善鮮棗人工分選速度慢、效率低的現狀，結合圖像處理技術對鮮駿棗的質量和大小預測分級。將原圖像經過去噪、形態學處理后，得到僅含目標的二值圖，提取幾何特征，與實際質量擬合建立回歸模型，預測鮮駿棗的質量，最后采用判別分析法對大小進行分選。結果表明：使用平均面積、周長、長軸、短軸對鮮駿棗質量進行預測的相關系數達到95.45%，機器視覺技術能夠較為準確地實現對質量的預測和分選。

關鍵詞：鮮駿棗；分級；機器視覺

中圖分類號：TP391.41 文獻標識碼：A 文章編號：1674-1161（2017）04-0015-03

鮮棗作為鮮食以及后續深加工產品的原材料，對其大小分級具有重要意義。采用機械式分選容易損傷表面，造成腐爛；統收后人工分選效率低、勞動強度大，無法實現在線檢測。這些分選方式導致產品質量無法客觀保證，影響紅棗產業經濟效益。隨著計算機科學的發展，機器視覺技術在農產品品質檢測方面應用越來越廣，尤其在柑橘、蘋果、梨的顏色、大小、形狀等方面，這種結合計算機的非接觸方式，既能保證樣品不碰傷，又能提高分選效率。

本研究采用機器視覺技術對鮮駿棗進行分選。通過提取紅棗圖像的面積尺寸特征預測鮮駿棗的質量，并對其進行大小分級，為實現鮮棗在線分級檢測提供一定的理論支持。

1 材料與方法

1.1 試驗材料

試驗樣本為新疆阿克蘇脆熟期鮮駿棗，均采摘于新疆阿克蘇紅旗坡農場，共490個樣本。樣本采摘后于1 ℃冰柜中冷藏存放。

1.2 圖像采集系統及采集方式

機器視覺系統主要包括計算機、輸送平臺、相機、鏡頭、光源、圖像采集卡等（如圖1所示）。當樣本在輸送帶上運行時，觸發光電開關，控制相機采集圖像。

采集圖像時，樣本置于室溫下裸果放置1 h。調整機器視覺系統焦距、曝光量、光照強度、行頻、傳送帶速度，直至采集的圖像清晰、不失真。每幅圖像上放置2個樣本目標，每90°翻轉一次，采集4幅圖像，以tif格式保存。

1.3 圖像預處理及特征提取

在圖像采集過程中，一副圖像上包含了2個紅棗樣本，需要分別提取其目標特征。首先對鮮駿棗圖像中值濾波去噪，對2*B-G灰度圖像二值化、孔洞填充后，通過形態學處理，去果梗、去除小面積的孤立點，得到僅含目標的二值圖，膨脹后對目標進行標記，然后分別在標記狀態下，結合最小外接矩形獲取長短軸在水平、垂直方向的坐標值。圖像處理過程如圖2所示。

1.4 數據分析方法

一元線性回歸只包含一個自變量和因變量，兩者關系可用直線近似表示；多元線性回歸包括兩個及兩個以上自變量，自變量和因變量之間可用線性關系來表示。

線性判別分析（Linear Discriminant Analysis，LDA）是特征分類提取中最為經典和廣泛使用的方法之一，其目的是將數據從高維特征空間投影到低維空間，使各類別之間盡可能分開，有利于分類識別。

2 結果與分析

圖像經過去噪、形態學等預處理后，通過區域標記結合最小外接矩形法提取樣本的幾何尺寸、周長、面積等特征信息，建立鮮駿棗質量的線性回歸預測模型，其中4幅圖像的面積值及其面積平均值分別表示為A1，A2，A3，A4，AM；長軸平均值表示為CM；周長平均值表示為ZM；短軸平均值表示為DM。分別使用上述特征建立回歸模型，分析結果見表1和表2。

由表1可知：單獨使用4幅圖像中某一幅作為自變量建立一元回歸方程時，相關系數均低于以面積平均值為自變量建立的一元回歸方程和以4幅圖像提取的面積為自變量建立的多元回歸方程；以面積平均值為自變量建立的一元回歸方程與以4幅圖像提取的面積為自變量建立的多元回歸方程，兩者相對誤差相差不大，相關系數前者略高于后者。因此，選擇面積平均值作為回歸自變量，建立質量預測模型。

由表2可知：以平均面積與平均長軸為自變量建立的回歸方程，預測相對誤差大；以平均面積+平均短軸、平均長軸+平均短軸、平均周長+平均短軸+平均長軸建立的線性回歸模型，相關系數較低。使用平均面積+平均長軸+平均短軸預測時，相關系數達到0.991 8，預測集相對誤差為0.026 2；使用平均面積+平均長軸+平均短軸+平均周長進行預測時，相關系數達到0.992 0，訓練集相對誤差為0.031 9，預測集相對誤差為0.025 9。上述兩組數據中，相關系數相差不大，但第二組預測集相對誤差較小，所以選擇第二組自變量預測鮮駿棗的質量，即使用平均面積+平均長軸+平均短軸+平均周長預測鮮駿棗質量，預測效果如圖3所示。從圖3可以看出，訓練集與預測集的回歸預測值與真實值基本完全分布在對角線上，說明數值相差不大，預測效果好。

將樣品中264個樣本進行人工分選，每個等級分別為66個樣本，按照1∶1的比例劃分預測集和訓練集。再采用判別分析法，對預測集樣本進行大小判別。將判別結果與人工分級結果進行對比，結果見表3。

由表3可知：各等級分級正確率分別為96.97%，96.97%，87.88%，100.00%，預測集中總準確率為95.45%。第三等級的樣品中預測準確率較低，被錯分為第四等級，這是因為錯分樣本值與第四等級樣本值相近而出現錯分。

3 結論

本研究將采集的圖像經去噪、二值化、形態學處理后提取紅棗幾何特征，并將其作為特征參數，建立質量預測模型；將預測的質量作為大小分級標準，建立鮮駿棗的大小分級模型，其分級準確率可達到95%以上。試驗結果表明，將機器視覺技術運用到鮮駿棗的大小分級中是可行的。在后續研究中，將進一步優化模型，建立鮮駿棗實時在線檢測系統，提高分選效率。

參考文獻

[1] 張俊雄，荀一，李偉，等.基于計算機視覺的柑橘自動化分級[J].江蘇大學學報：自然科學版，2007（2）：100-103.

[2] 刁智華，王會丹，魏偉.機器視覺在農業生產中的應用研究[J].農機化研究，2014（3）：206-211.

[3] 韓偉.基于計算機視覺的柑橘分選系統[D].鄭州：鄭州大學，2011.

[4] 王鑫，趙瑩，楊簡.基于視覺技術的蘋果分揀系統設計[J].中國農機化學報，2014（5）：169-172.

[5] 戴美松，張小斌，李秀根，等.基于圖像處理技術梨果實尺寸測定系統的研發與應用[J].園藝學報，2016（4）：763-770.

[6] 楊淑瑩.模式識別與智能計算-MATLAB技術實現[M].北京：電子工業出版社，2011.