基于表面缺陷識別的獼猴桃分級方法

楊 濤，馬京晶，雷 進(jìn)

（1.成都農(nóng)業(yè)科技職業(yè)學(xué)院機(jī)電信息學(xué)院，成都611130；2.成都工貿(mào)職業(yè)技術(shù)學(xué)院，成都611731）

中國獼猴桃種植基地主要分布于大別山區(qū)、陜西秦嶺北麓、貴州高原及湖南省西部地區(qū)、廣東、四川等地，其產(chǎn)量達(dá)237萬t，遠(yuǎn)超意大利、新西蘭成為全球第一產(chǎn)出國［1］。然而，獼猴桃出口量（約2 000 t）不到全國總產(chǎn)量的千分之一。筆者對四川省獼猴桃主產(chǎn)區(qū)（蒼溪、都江堰、蒲江）調(diào)研發(fā)現(xiàn)，中國獼猴桃產(chǎn)后處理比例與水平較低，產(chǎn)品品質(zhì)良莠不齊，導(dǎo)致獼猴桃難以進(jìn)入高端市場。由此可見，獼猴桃的品質(zhì)是影響其銷量與價格的主要因素之一。然而，獼猴桃大小、顏色、形狀、表面缺陷、成熟度、農(nóng)藥殘留等性狀均是影響獼猴桃鮮果品質(zhì)的主要因素，將獼猴桃按照一定的標(biāo)準(zhǔn)進(jìn)行分級是提高果實(shí)附加值、提升國際競爭力的重要手段。但是，常規(guī)的以大小或重量來區(qū)分水果等級的方法已難以滿足現(xiàn)代社會人們對高品質(zhì)獼猴桃的需要。因此，探索快速、低廉、準(zhǔn)確的獼猴桃鮮果分級方法是促進(jìn)獼猴桃產(chǎn)業(yè)發(fā)展的重要環(huán)節(jié)。基于此，國內(nèi)外學(xué)者紛紛加入到獼猴桃鮮果在線檢測與自動分級方面的研究中來。其中，西北農(nóng)林科技大學(xué)對獼猴桃分級方法展開了系統(tǒng)地研究，霍迎秋等［2］提出高光譜技術(shù)結(jié)合機(jī)器學(xué)習(xí)建立識別模型的檢測方法，對過量使用1-MCP化學(xué)保鮮劑的獼猴桃快速、無損檢測，平均識別率達(dá)100%；閆彬等［3］通過比較獼猴桃果萼區(qū)域最小外接矩形的長寬比來判別是否經(jīng)過膨大劑處理，其識別率達(dá)91.55%；劉忠超等［4］設(shè)計了基于面積的獼猴桃大小分級控制系統(tǒng)，平均分級速率可達(dá)2.5 s/個。國外水果自動化分級生產(chǎn)設(shè)備已經(jīng)相當(dāng)完善，美國OSCARTM型與MERLIN型高速水果分級生產(chǎn)線已廣泛應(yīng)用于蘋果、梨、柑橘等水果的分級［5］。國內(nèi)外學(xué)者對獼猴桃分級的研究還未涉及表面缺陷識別的分級方法。因此，基于獼猴桃表面缺陷識別技術(shù)設(shè)計了獼猴桃分級系統(tǒng)，該系統(tǒng)具有成本低廉、識別速度快等優(yōu)勢，這對于研制小型獼猴桃分級裝置、提高果農(nóng)收入、助力鄉(xiāng)村發(fā)展有積極意義。

1 獼猴桃等級

根據(jù)成都市獼猴桃協(xié)會海沃德獼猴桃鮮果分級標(biāo)準(zhǔn)與NY/T 1794-2009獼猴桃等級規(guī)格，人工挑選了符合標(biāo)準(zhǔn)的獼猴桃鮮果（圖1）。簡而言之，獼猴桃鮮果呈長橢圓形、顏色分布均勻，體積越大、品質(zhì)越高。

圖1 獼猴桃鮮果等級

獼猴桃在生長、采摘、搬運(yùn)、分選、包裝等環(huán)節(jié)不可避免地會出現(xiàn)一些病斑、曬傷、疤痕、碰傷等表面缺陷（圖2）。這類帶有表面缺陷的獼猴桃鮮果統(tǒng)稱為殘次果。

圖2 獼猴桃鮮果表面缺陷

2 獼猴桃分級方法

研究提出的基于表面缺陷識別的獼猴桃分級方法見圖3。首先由圖像采集系統(tǒng)采集獼猴桃圖像；然后對其進(jìn)行預(yù)處理以調(diào)整圖像效果；接著使用Kmeans聚類算法對預(yù)處理后的獼猴桃圖像進(jìn)行聚類分割，得到獼猴桃表面缺陷圖像并提取其顏色矩信息，再與無表面缺陷獼猴桃顏色矩信息作對比，判斷該獼猴桃是否為殘次果。若判斷為正常果，隨即提取其形狀特征信息，組成特征向量；最后設(shè)計SVM分類器輸出獼猴桃等級信息。

圖3 獼猴桃分級流程

2.1 圖像采集與預(yù)處理

獼猴桃圖像采集系統(tǒng)見圖4，由PC、CCD相機(jī)、鏡頭、相機(jī)支架、LED環(huán)形光源等部件組成。使用該系統(tǒng)分別采集獼猴桃Ⅰ級果、Ⅱ級果、Ⅲ級果、殘次果各60張圖像。然后運(yùn)用Otsu分割算法剔除背景，進(jìn)行Hough變換獲取目標(biāo)區(qū)域最小外接矩形，提取獼猴桃果實(shí)輪廓曲線，進(jìn)而實(shí)現(xiàn)獼猴桃果實(shí)圖像分割，以便對圖像進(jìn)一步分析和處理［6］。

圖4 圖像采集系統(tǒng)

2.2 表面缺陷識別

2.2.1 缺陷分割要提取獼猴桃表面缺陷特征就需要將缺陷分割出來，運(yùn)用K-means聚類算法對預(yù)處理后的獼猴桃圖像進(jìn)行處理，其算法為：①隨機(jī)選擇K個初始聚類中心作為起始點(diǎn)；②計算每個樣本到各聚類中心的距離，并將每個樣本歸入最近的聚類中心；③以簇內(nèi)樣本均值作為該簇新的聚類中心；④重復(fù)②③步驟直至聚類中心不再變化或達(dá)到設(shè)定的迭代次數(shù)。試驗(yàn)發(fā)現(xiàn)，該算法能較好地分割出獼猴桃圖像中的表面缺陷，同時，對于正常果圖像的聚類效果也不錯。

2.2.2 顏色判別人們可以通過視覺直觀地識別出獼猴桃表面是否存在缺陷、獼猴桃屬于何種等級，而計算機(jī)只能通過具體的數(shù)據(jù)對比來判斷。因此，提取分割后獼猴桃圖像各顏色分量并分別計算其三階顏色矩。分別對不同等級的獼猴桃鮮果圖像進(jìn)行顏色矩提取得到不同等級的獼猴桃鮮果圖像顏色分布情況（圖5）。由圖5可知，獼猴桃表面缺陷首先會表現(xiàn)為顏色變化，即疤痕、病斑等表面缺陷會比正常獼猴桃顏色偏深，尤其在HSV顏色空間中的三階矩存在差異較大。而正常的獼猴桃分割后顏色特征信息差異不明顯。由此，可以將與正常果顏色特征差異較大的獼猴桃果判斷為殘次果。

圖5 不同等級的獼猴桃鮮果圖像顏色分布

2.3 特征提取

獼猴桃鮮果形狀特征與尺寸測量結(jié)合起來是區(qū)分不同等級獼猴桃的重要依據(jù)。從外觀上看，可通過獼猴桃形狀、大小進(jìn)一步區(qū)分獼猴桃的等級。由此，提取獼猴桃形狀特征并與尺寸測量結(jié)合起來就可作為區(qū)分獼猴桃等級的重要依據(jù)。將預(yù)處理后的獼猴桃圖像轉(zhuǎn)換為二值圖像并進(jìn)行連通域分析，再分別計算其面積A、周長L、圓形度ρc、矩形度ρR、最小外接矩形長寬比ρWL5個形狀特征參數(shù)得到獼猴桃形狀特征信息，見圖6、圖7。

面積A指的是連通域中像素的總個數(shù)，該特征受圖像尺寸、拍攝條件等因素影響較大，故需要在特定的成像系統(tǒng)獲取待識別獼猴桃圖像才具有一定的比較意義。

周長L指的是包圍某個連通域邊界輪廓線的長度。

式中，N1表示方向碼為偶數(shù)的像素；N2表示方向碼為奇數(shù)的像素個數(shù)。

圓形度ρc也被稱為似圓度，表示的是目標(biāo)圖像與圓形的相似程度。定義為目標(biāo)圖像面積A的4π倍與其周長L的平方之比。

矩形度ρR描述的是目標(biāo)圖像在其最小外接矩形區(qū)域內(nèi)的充滿程度，即目標(biāo)圖像面積A與其最小外接矩形面積A'之比。顯然，矩形的矩形度為1，圓的矩形度為，正三角形的矩形度為0.5，而其他不規(guī)則形狀的矩形度在0～1。且該特征受成像條件的影響較小，對目標(biāo)圖像形狀表征能力較強(qiáng)。

圖6 獼猴桃面積、周長

圖7 獼猴桃?guī)缀涡螤?/p>

長寬比ρWL指的是目標(biāo)圖像最小外接矩形的長寬比，該值不受圖像尺寸、方向的影響，是較為理想的幾何形狀特征。

2.4 分類判別

從獼猴桃形狀特征可以看出，不同等級的獼猴桃形狀存在不同程度的差異。簡單的邏輯判別會造成較大的識別誤差。為提高系統(tǒng)的識別率，設(shè)計了SVM多級分類器，判別函數(shù)見式6。

3 獼猴桃分級系統(tǒng)

為便于用戶對獼猴桃進(jìn)行分級，開發(fā)了一套獼猴桃分級系統(tǒng)（圖8）。頂部為菜單欄，左側(cè)分為上下兩個區(qū)域顯示分級過程圖像，右側(cè)為按鈕操作與結(jié)果顯示區(qū)，能適應(yīng)小規(guī)模農(nóng)戶獼猴桃分級需求。未來，系統(tǒng)可進(jìn)一步擴(kuò)展以適應(yīng)更多的水果分級需求。

4 結(jié)論

研究基于獼猴桃鮮果表面缺陷圖像展開研究，提出了K-means聚類算法與SVM結(jié)合的獼猴桃表面缺陷圖像分級方法并開發(fā)了獼猴桃分級系統(tǒng)，適應(yīng)小規(guī)模農(nóng)戶需求。為水果分級打開了新思路，對于提升果農(nóng)收入有重要意義。

圖8 獼猴桃分級系統(tǒng)