基于機器視覺的荔枝無損檢測自動分級研究

王佳盛，陳 燕，李嘉威，蔣志林，劉威威，鄒湘軍

(華南農業大學工程學院/南方農業機械與裝備關鍵技術教育部重點實驗室，廣東廣州 510642)

荔枝產后分級是其保鮮包裝銷售和深加工前的一個重要工序，亦是實現荔枝優質優價，提高其附加值的關鍵[1]。但荔枝皮薄、肉多，含水量高，采用傳統的機械分級方法，存在較易損傷荔枝、分級依據單一、不夠全面等缺點。研究荔枝的無損檢測自動分級，有利于提高荔枝的產后處理效率，降低分級所造成的損傷，對提高荔枝的商品價值具有重要意義。

針對傳統的水果機械分級方法存在的弊端，許多學者研究了基于機器視覺的水果無損檢測分級方法或分級設備[2-9]，它可依據水果的多個外部品質指標進行快速智能無損判別分級，對水果的分級更加客觀和全面，損傷更少。針對荔枝水果，基于計算機視覺研究了荔枝大小和質量2個分級特征[10]；研究了荔枝采摘時的顏色檢測和過熟荔枝的殼裂檢測，但目前未見基于機器視覺的荔枝多品質指標檢測融合分級方法研究[11]。

本研究搭建荔枝輸送視覺檢測試驗平臺，在線采集荔枝圖像，研究荔枝圖像處理和特征參數提取方法，開發荔枝品質視覺檢測融合分級系統，為開發荔枝無損檢測自動分級設備提供技術支持。

1 荔枝圖像采集

1.1 材料

荔枝樣本為槐枝，采自廣東省廣州市從化區，采后2 h內運回實驗室。運輸過程采用泡沫箱加冰袋進行保鮮。

1.2 試驗平臺

荔枝在線圖像采集所用的輸送視覺檢測試驗平臺如圖1所示。該試驗平臺由攝像機(維視公司MV-E1M30C，最大分辨率1280像素×960像素，網口攝像機)、白色光源、驅動電機、同步帶傳動機構、鏈傳動機構等零部件組成。該試驗平臺模擬實際生產的荔枝輸送，在輸送過程中通過網口相機在線采集荔枝圖像。

2 荔枝圖像處理及特征參數的提取

2.1 圖像預處理

在提取荔枝分級特征向量前，對通過相機采集的荔枝圖像進行預處理。荔枝圖像預處理包括圖像分割、噪聲去除等，其中圖像分割過程見圖2。

2.1.1 圖像初步分割 圖2-a為試驗平臺采集得到的荔枝原始圖像。由于不同的荔枝灰度值不同，固定閾值分割不能適應于每個荔枝圖像。采用大津算法(OTSU)進行自適應閾值分割會導致荔枝的邊緣信息損失嚴重(圖2-b)。而在優化彩色視頻信號(YCrCb)模式下，對荔枝圖像Cr通道進行灰度k均值聚類分割，可以得到較為完整的荔枝圖像。經初步分割得到的二值圖像如圖2-c所示。

2.1.2 輪廓檢測 若對圖2-c進行濾波或形態學處理以去除噪聲和背景雜色，由于所需濾波核較大，會對荔枝輪廓產生嚴重的破壞。本研究用小的濾波核對二值圖像進行中值濾波，再對濾波結果進行輪廓查找，尋找得到的最大輪廓即為荔枝的輪廓；最后得到荔枝圖像的掩碼(圖2-d)，將其與原始圖像(圖2-a)相比，可以獲得分割后荔枝的彩色圖像(圖2-e)。

2.2 分級特征參數提取

參照國際鮮荔枝標準，荔枝的外觀品質等級指標主要包括荔枝大小、果形、缺陷等。其中，果皮褐變是荔枝最常見的缺陷之一。本研究主要探討荔枝大小和果皮褐變缺陷的綜合分級。

2.2.1 荔枝大小參數提取 荔枝的大小是其品質的重要指標之一，本研究用橫徑表示荔枝的大小。荔枝在圖像上近似圓形，對荔枝輪廓做圓擬合，求得擬合圓的直徑作為荔枝橫徑的近似值。具體方法如下：(1)采集最大輪廓點集的橫縱坐標；(2)求解輪廓最小外接矩形，求長寬比，當長寬比超過某閾值時定義為畸形果，不做檢測；(3)對非畸形果分別求橫縱坐標的均值，作為擬合圓的圓心；(4)以輪廓點集到該圓心的距離的平均作為擬合圓的半徑。

選取80個非畸形荔枝做圓擬合，建立計算機估測荔枝橫徑與人工實際測量橫徑的關系。根據試驗結果可得機測橫徑與人工實際測量橫徑的對比及回歸方程如圖3所示。

試驗結果表明，圓擬合法測算荔枝橫徑的平均相對誤差為1.56%，可代替實際橫徑作為判斷荔枝大小的標準。

2.2.2 褐變缺陷的參數提取 由于荔枝的果實呈球狀，邊緣光照不足，其圖象像素點灰度值較低，與褐變缺陷的灰度值相近。因此在分割時荔枝邊緣部分會被誤認為是褐斑，此時采用閾值分割后效果如圖4所示。

為了防止邊緣誤檢測，本研究對圖像進行了對比增強和邊緣光照補償。

根據荔枝RGB(red、green、blue)三通道圖像的特點，按下式對圖像進行對比增強：

fR(x,y)=2×fR(x,y)-fG(x,y)。

(1)

式中：fR(x,y)為R通道在(x,y)點的灰度值，fG(x,y)為G通道在(x,y)點的灰度值。

根據下式計算生成一幅從擬合圓圓心向外線性漸變的灰度圖，作為光照補償圖。

(2)

式中：g(x,y)為光照補償圖的在(x,y)點的灰度值，α為光照補償量，d為(x,y)點到擬合圓圓心的距離，R為擬合圓半徑，γ為照補償范圍調整系數。

將光照補償圖與對比增強圖疊加，再對其結果進行閾值分割，得到褐斑提取結果(圖5)。

建立荔枝果皮褐變模型，將褐斑面積和褐變顏色深度進行歸一化，并建立如圖6所示的坐標系。

3 分級方法

3.1 橫徑大小分級

國際鮮荔枝標準[12]中將荔枝按其橫徑大小分為3個等級(表1)。采用本研究算法，當荔枝為畸形果時，為不合格品。對于非畸形果，根據圓擬合結果求得荔枝橫徑，與此標準對比，即可將荔枝分為3個品級。

表1 國際鮮荔枝橫徑標準

3.2 褐變缺陷程度分級

國際鮮荔枝標準中，對荔枝外觀的參考只將荔枝外觀瑕疵的面積作為指標，沒有將瑕疵的嚴重程度作為分級指標。本研究基于荔枝果皮褐變模型，將各點到原點的距離R作為分級標準，當R

3.3 分級系統

結合荔枝橫徑大小和果皮褐變缺陷程度2個特征，開發了荔枝品質視覺分級系統。該系統可以對輸送線上的荔枝進行品質檢測并分級，同時通過樣本學習可以適應不同品種荔枝的分級。系統界面如圖7所示。

采用該系統，在輸送線上對80個荔枝進行了視覺檢測分級，結果如表2所示。

表2 荔枝分級試驗結果統計

4 結束語

本研究通過搭建荔枝輸送視覺檢測試驗平臺，獲取了不同大小和褐變狀態的荔枝圖像，研究了荔枝的圖像處理、橫徑大小和褐變缺陷2個分級特征參數的提取方法，開發了荔枝品質視覺檢測融合分級系統，在線試驗結果表明，該系統對荔枝分級的平均準確率為93.75%。