基于計算機視覺核桃質(zhì)量預測方法的研究

李成吉，張淑娟，孫海霞，陳彩虹，邢書海，趙旭婷

（山西農(nóng)業(yè)大學工學院，山西晉中 030801）

我國是核桃原產(chǎn)地之一，已有3 000多年的栽培歷史[1]。核桃食用價值高，具有良好的健腦效果和豐富的營養(yǎng)價值，隨著社會的發(fā)展和消費者健康意識的提高，對核桃的需求越來越大，也給核桃產(chǎn)業(yè)帶來巨大的經(jīng)濟效益。在核桃分級過程中，確定核桃質(zhì)量是一個必要的過程。傳統(tǒng)獲得物體質(zhì)量一般是使用物理器械，如天平、電子秤和適用于工業(yè)化的質(zhì)量傳感器。隨著信息電子技術的發(fā)展，自動、智能化逐步代替人工，以實現(xiàn)農(nóng)產(chǎn)品檢測和分級一體化，傳統(tǒng)稱重方法很難滿足要求，這就需要研究相應的技術手段。

計算機視覺技術是一種無損檢測方法[2]，20世紀70年代末就已經(jīng)出現(xiàn)。就計算機視覺系統(tǒng)的價值看，其能夠有效模仿和參照人的視覺功能，并且對物體的三維立體化狀況形成合理化感知，并且發(fā)揮人腦的價值功能[3]。機器視覺技術最大的特點是速度快、信息量大、功能多，目前計算機視覺技術廣泛運用于農(nóng)產(chǎn)品檢測中。Szczypiński等人[4]通過計算機視覺技術提取不同品種大麥圖像的形狀、顏色、紋理特征進行品種判別，精度達86%。Rong D等人[5]等通過計算機視覺技術采用一種滑動比較窗口局部分割算法對橙子表面缺陷進行檢測，判別準確率達97%。李曉斌等人[6]用κ-means圖像法和主成分分析法監(jiān)測生菜生長態(tài)勢，單株生菜模型的顯著性檢驗概率均小于0.000 1，除第4株生菜外，其余模型的決定系數(shù)均大于0.80；群體生菜模型顯著性檢驗概率均小于0.000 1，且決定系數(shù)均大于0.89。潘磊慶等人[7]為檢測稻谷的霉變程度，提取不同霉變程度和霉變類型樣本的68個圖像特征，優(yōu)選特征并構(gòu)建模型。試驗表明，使用連續(xù)投影算法（SPA）優(yōu)選特征和支持向量機（SVM）構(gòu)建模型能較好地對稻谷霉變進行識別和區(qū)分。

針對體重預測問題，計算機視覺技術多應用于水產(chǎn)領域。唐楊捷等人[8]基于計算機視覺技術和GA-SVM對梭子蟹體重進行預測。結(jié)果表明，梭子蟹體重預測值與實測值平均絕對百分比誤差（MAPE）為2.23%，均方根誤差（RMSE）為5.80 g，優(yōu)于BP神經(jīng)網(wǎng)絡和參數(shù)未優(yōu)化的SVM預測。劉偉等人[9]采用切片得到白鰱體長方向質(zhì)量分布模型，利用機器視覺技術預測白鰱質(zhì)量。結(jié)果表明，預測相對誤差均值為6.04%。張超等人[10]采用計算機視覺技術提取梭子蟹面積參數(shù)，利用最小二乘法對面積和質(zhì)量進行擬合。結(jié)果表明，二次多項式相關性可達0.922 0。

綜上，計算機視覺技術已廣泛應用于農(nóng)產(chǎn)品的檢測及分級當中，關于核桃質(zhì)量預測方面鮮有報道。研究基于計算機視覺技術對核桃投影面積與質(zhì)量建立預測模型，為實現(xiàn)核桃產(chǎn)業(yè)自動化、智能化提供技術基礎。

1 材料和方法

1.1 試驗材料

山西為核桃種植大省，試驗所用樣本為“禮品2號”核桃，購于山西省太谷縣農(nóng)貿(mào)市場，使用核桃去空殼裝置去除空癟核桃樣本，人工挑選質(zhì)地均勻、無破損樣本123個，并使用電子天平稱質(zhì)量（精度為0.01 g）。利用Kennard-Stone算法將樣本按3∶1分成校正集和預測集，其中校正集92個，質(zhì)量在6.51～25.23 g，預測集31個，質(zhì)量在9.44～18.51 g，校正集質(zhì)量范圍包含預測集質(zhì)量范圍，建模樣本有很好代表性。

1.2 圖像采集系統(tǒng)及數(shù)據(jù)處理工具

搭建圖像采集系統(tǒng)，由暗箱、相機、環(huán)形熒光燈、載物板組成。

圖像采集系統(tǒng)見圖1。

圖1 圖像采集系統(tǒng)

暗箱（長×寬×高為440 mm×335 mm×425 mm）內(nèi)刷成黑色，外部用黑布遮蓋，防止外界光線干擾，頂部有一個圓形口（直徑為80 mm）用于放置相機（FRD-AL00）和鏡頭（傳感器：索尼IMX286，BSI CMOS；光圈：f/2.2），暗箱內(nèi)上方安置三基色環(huán)形光源（北京松下照明有限公司，YH327200KE），底部設有高度可調(diào)載物臺，用于放置樣本。

將樣本做好標簽放置在載物臺上，然后調(diào)整載物臺高度（210 mm）、光源和相機，使達到理想的成像效果，依次采集圖像。每次采集3幅圖像，選取其中成像質(zhì)量最好的樣本圖像。使用計算機內(nèi)置圖像采集卡（恒大公司，DH-CG300）將采集好的樣本圖像存儲于計算機（1.7 GHz CPU，512 MB內(nèi)存，50 GB硬盤） 中，使用 Matlab R2012a（The MathWorks，Natick，USA）對圖像進行預處理、形態(tài)學分割，提取面積特征值。最后使用Matlab R2012a及SAS（SAS INSTITUTE INC，USA） 建立LS-SVM質(zhì)量預測模型和多項式回歸質(zhì)量預測模型。

2 結(jié)果與分析

2.1 圖像預處理

預處理是為了去除或抑制圖像中噪聲，以達到凸顯特征信息的目的[11]。通過試驗對比，采用3×3模板中值濾波和四領域銳化處理，以消除噪聲影響，增強細節(jié)表現(xiàn)力。

圖像預處理見圖2。

圖2 圖像預處理

2.2 樣本投影面積獲取

經(jīng)過大量研究表明，在物體的形態(tài)特征中，投影面積與其質(zhì)量的相關性最高[12-13]。在提取圖像中樣本投影面積時，需要將樣本與背景分割開，最大類間方差法（Ostu）[14-15]是比較常用的閾值分割方法，但是有些核桃樣本外殼布有黑斑（主要是殘留青皮或單寧氧化、病蟲害造成），這與黑色背景極為相似，在分割過程中將黑斑部分也分割出去，造成投影面積減小。

黑斑核桃Ostu閾值分割效果見圖3。

采用形態(tài)學和邏輯學運算獲取樣本投影面積，在Matlab中先將樣本RGB圖像轉(zhuǎn)換為灰度圖像并進行二值化，然后分別進行膨脹和腐蝕運算，將膨脹和腐蝕后的圖像相減得到樣本邊緣圖像，依次使用“Imclearborder”“Bwareaopen”“Imfill”算法清除離散孤立點并進行填充，正常與黑斑核桃均可得到完好的投影形狀。

形態(tài)學邏輯算法分割效果見圖4。

圖3 黑斑核桃Ostu閾值分割效果

圖4 形態(tài)學邏輯算法分割效果

在Matlab中使用“Bwarea”算法計算樣本投影像素點數(shù)目，為轉(zhuǎn)換成真實面積，需進行圖像標定[16]。以25 mm標準直徑的一元硬幣為參照物，采用相同拍攝條件采集圖像。

標定物見圖5。

圖5 標定物

根據(jù)標定物實際面積和計算的像素點數(shù)目，可計算得樣本的實際面積，計算公式如公式（1）所示。

式中：S1——樣本實際面積；

S2——樣本像素點數(shù)目；

N1——標定物實際面積；

N2——標定物像素點數(shù)目。

2.3 核桃質(zhì)量預測模型建立

2.3.1 LS-SVM質(zhì)量預測模型的建立

最小二乘支持向量機（LS-SVM）[17-18]是一種改進優(yōu)化版的支持向量機（SVM）算法，不僅有更好的泛化能力，還能減少訓練時間、簡化訓練復雜度。研究將校正集通過計算的投影面積作為輸入，質(zhì)量作為輸出，建立質(zhì)量預測模型。然后對預測集進行質(zhì)量預測。

LS-SVM模型預測結(jié)果見圖6。

圖6 LS-SVM模型預測結(jié)果

模型正則化參數(shù) γ=1 747.007 9，核寬帶 σ2=1.054 2，相關系數(shù)R=0.897 4。經(jīng)過結(jié)果分析，最大絕對誤差為2.9 g，最小絕對誤差為0.012 g，相對誤差均值為6.5%。

2.3.2 多項式回歸方程建立

回歸分析（Eegression analysis）是確定2種或2種以上變量間相互依賴的定量關系的一種統(tǒng)計分析方法，只有一個自變量，因此在SAS軟件中建立一元多項式回歸方程，并進行分析。經(jīng)過多次試驗，二次多項式擬合效果最好，回歸方程如公式（2）所示。

Y=-1.47×10-7X+4.356×103X-5.862. （2）多項式回歸方差分析見表1，多項式回歸參數(shù)估計及其t值見表2。

表1 多項式回歸方差分析

表2 多項式回歸參數(shù)估計及其t值

由表1、表2可知，回歸模型的p值小于0.000 1，決定系數(shù)R2=0.857 207，說明該模型極其顯著且精度較高。然后，將預測集實際投影面積代入回歸方程中，輸出預測的質(zhì)量結(jié)果。經(jīng)過結(jié)果分析，最大絕對誤差為2.54 g，最小絕對誤差為0.016 g，相對誤差均值為5.9%。

二次多項式回歸方程預測結(jié)果見圖7。

圖7 二次多項式回歸方程預測結(jié)果

3 結(jié)論

以“禮品2號”核桃為試驗樣本，采用計算機視覺技術針對核桃質(zhì)量在線檢測問題，建立質(zhì)量預測模型，結(jié)果如下：

（1）構(gòu)建圖像采集系統(tǒng)獲取樣本圖像，經(jīng)過預處理、形態(tài)邏輯學算法和參照物標定，能很好地獲取樣本投影面積。

（2）以投影面積為輸入、質(zhì)量為輸出，建立LS-SVM質(zhì)量預測模型，并對預測集進行質(zhì)量預測，模型相關系數(shù)R=0.897 4，輸出結(jié)果相對誤差均值為6.5%。

（3）以投影面積為自變量，質(zhì)量為因變量，建立一元二次多項式回歸質(zhì)量預測模型，并對預測集進行質(zhì)量預測，模型決定系數(shù)R=0.857 207，輸出結(jié)果相對誤差均值為5.9%。

2種質(zhì)量預測模型預測結(jié)果均可滿足在線檢測要求，為實現(xiàn)核桃產(chǎn)業(yè)自動、智能化提供部分技術支持。參考文獻：

[1]李俊南，習學良，熊新武，等.核桃的營養(yǎng)保健功能及功能成分研究進展 [J].中國食物與營養(yǎng)，2018，24（5）：60-64.

[2]應義斌.農(nóng)產(chǎn)品品質(zhì)無損檢測技術研究進展 [G]//中國農(nóng)業(yè)工程學會.農(nóng)業(yè)工程科技創(chuàng)新與建設現(xiàn)代農(nóng)業(yè)——2005年中國農(nóng)業(yè)工程學會學術年會論文集第四分冊.中國農(nóng)業(yè)工程學會：中國農(nóng)業(yè)工程學會，2005：14.

[3]周偉.基于機器視覺的茶葉自動采摘機械手裝配系統(tǒng)設計 [J].福建茶葉，2018，40（12）：13-16.

[4]Szczypiński， Piotr M， Klepaczko A， et al.Identifying barley varieties by computer vision[J].Computers and Electronics in Agriculture，2015（4）：1-8.

[5]Rong D，Rao X，Ying Y.Computer vision detection of surface defect on oranges by means of a sliding comparison window local segmentation algorithm[J].Computers&Electronics in Agriculture，2017（2）：59-68.

[6]李曉斌，王玉順，付麗紅.用κ-means圖像法和主成分分析法監(jiān)測生菜生長勢（英文） [J].農(nóng)業(yè)工程學報，2016，32（12）：179-186.

[7]潘磊慶，王振杰，孫柯，等.基于計算機視覺的稻谷霉變程度檢測 [J].農(nóng)業(yè)工程學報，2017，33（3）：272-280.

[8]唐楊捷，胡海剛，張剛，等.基于計算機視覺和GASVM的梭子蟹體重預測 [J].寧波大學學報（理工版），2019（1）：32-37.

[9]劉偉，譚鶴群，黃丹，等.白鰱質(zhì)量與截面積沿體長方向分布模型 [J].農(nóng)業(yè)工程學報，2012，28（12）：288-292.

[10]張超，徐建瑜，王文靜.基于機器視覺的梭子蟹質(zhì)量估計方法研究 [J].寧波大學學報（理工版），2014，27（2）：49-51.

[11]劉軍，郭俊先，帕提古麗·司拉木，等.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 [J].食品科學，2015，36（20）：211-217.

[12]楊立，趙杰文，鄒小波.基于機器視覺的軟膠囊重量在線分選研究 [J].食品工業(yè)，2008（5）：64-66.

[13]馬國強，田云臣，李曉嵐.基于不規(guī)則圖像面積測量的窄體舌鰨個體重量估計 [J].微型機與應用，2016，35（16）：67-71.

[14]李龍，彭彥昆，李永玉，等.基于紋理和梯度特征的蘋果傷痕與果梗/花萼在線識別 [J].農(nóng)業(yè)機械學報，2018，49（11）：328-335.

[15]宋彥，謝漢壘，寧井銘，等.基于機器視覺形狀特征參數(shù)的祁門紅茶等級識別 [J].農(nóng)業(yè)工程學報，2018，34（23）：279-286.

[16]李曉斌.汽油機火花塞間隙圖像法測量 [J].山西農(nóng)業(yè)大學學報（自然科學版），2015，35（6）：664-667.

[17]劉德華，張淑娟，王斌，等.基于高光譜成像技術的山楂損傷和蟲害缺陷識別研究 [J].光譜學與光譜分析，2015，35（11）：3167-3171.

[18]王斌，薛建新，張淑娟.基于高光譜成像技術的腐爛、病害梨棗檢測 [J].農(nóng)業(yè)機械學報，2013，44（S1）：205-209.◇