計算機視覺技術在食品品質檢測中的應用

（天津渤海職業技術學院，天津300402）

食品在市場中流通，其品質是衡量其市場價值和影響消費者偏好的標準，品質的低劣會引起巨大的安全隱患和經濟損失[1]。因此，食品的識別、鑒定和分級在品質檢測中是非常重要和必要的環節[2]。

計算機視覺技術是一種新型的無損檢測技術，相對于傳統的人工檢測，具有不破壞被檢測樣品，效率高更經濟的特點。隨著計算機軟件、硬件、圖像處理技術的不斷成熟與發展，計算機視覺技術在工業、商業、農業、制造業等領域有著廣泛的應用[3]。本文著重介紹計算機視覺技術在食品品質檢測方面的應用進展，從食品的外形尺寸、顏色、表面缺陷、內部品質、新鮮度等方面進行了綜述。

1 計算機視覺技術

1.1 概述

計算機視覺技術是通過圖像傳感器采集得到所測樣品的圖像，把所得圖像轉換為數字圖像，繼而通過計算機技術模擬出來人的判別準則，對圖像進行識別，并與圖像分析技術相融合來分析得出所要結論的技術[4]。該技術涉及物理學、應用數學、計算機科學、神經生理學等多門學科知識，是當今現代化工業生產中不可或缺的重要技術之一。

1.2 計算機視覺系統的組成

計算機視覺系統主要由硬件和軟件兩部分組成，其中圖像處理和圖像分析是該系統的核心。

1.2.1 計算機視覺系統的硬件組成

計算機視覺系統的硬件主要由計算機、光室、電荷耦合器件（charge coupled device，CCD）攝像頭（或掃描儀）、載物平臺4大部分組成，如圖1所示。

圖1 計算機視覺硬件系統的組成Fig.1 The computer vision hardware system

計算機：計算機能夠滿足系統圖像處理速度要求即可，沒有過多特殊要求。

光室：光室是一個密閉的空間，用來消除外界光線的干擾，保證整個圖像采集過程的穩定性。光室中的光源一般使用LED燈或日光燈，一般將光源固定在頂端，同時配置光源調節器以便進行光強度調節。

CCD照相機：圖像質量優劣對后期的處理效果有重要影響，而CCD照相機的性能高低直接影響拍攝圖像的質量高低，它是計算機視覺硬件系統中的核心部件。選擇高配置的照相機和合理的參數設定是得到真實、準確圖像信息的必要條件。

1.2.2 計算機視覺系統的軟件組成

計算機視覺軟件系統要與硬件系統相匹配，從而實現硬件系統的功能。軟件系統的開發設計會根據識別對象、目的不同而有較大的差異，但是基本框架是一樣的，如圖2所示。

圖2 計算機視覺軟件系統的組成Fig.2 The computer vision software system

為提高圖像特征提取和識別分析的可靠性，在計算機視覺軟件系統中設置圖像預處理模塊，通過圖像預處理可以消除圖像中無關的信息并恢復加強有用的信息，以便增強有關信息的可測性和最大限度地簡化數據。在經過圖像預處理之后，需要對圖像的像素進行分類識別，通過圖像分割可將圖像分解為一些特定的性質相似的部分，并對這部分圖像進行特征提取、識別分析[5]。

1.3 計算機視覺系統的工作原理

計算機視覺系統工作流程見圖3。

圖3 計算機視覺系統工作流程圖Fig.3 The work flow chart of computer vision system

計算機視覺系統的工作原理是通過攝像機獲得所需要的圖像信息，利用信號轉換器將獲得的圖像信息轉變為計算機能夠正確識別的數字信息[6]。具體工作流程包括4個模塊：（1）圖像采集模塊：該模塊由兩個子功能組成，分別是灰度圖像采集和彩色圖像采集。（2）圖像預處理模塊：該模塊由4個子功能組成，分別是直方圖均衡、圖像增強、均值濾波和邊緣檢測。同時對采樣的圖像可以實現諸多算法處理，如濾波、增強、平滑及邊緣檢測等。（3）特征提取模塊：通過圖像變換，更易于分析，從而得到相應的結果。（4）結果輸出模塊：檢測與分析的結果由一個窗口給出。

2 計算機視覺技術在食品品質檢測中的應用

計算機視覺技術在食品工業上的應用研究，起始于20世紀70年代初期，隨著近幾十年技術的更新迭代，計算機視覺技術也越來越成熟。其中在食品品質檢測領域，計算機視覺技術已經廣泛應用于果蔬、肉制品、烘焙食品、禽蛋、海鮮等大類食品的外觀（如重量、形狀、大小、色澤、外觀損傷等）識別、內部無損檢測、腐敗變質檢測、新鮮度檢測等方面[7-8]。表1列出了計算機視覺技術在食品品質檢測領域的具體應用。

表1 計算機視覺技術在食品品質檢測中的應用Table 1 The application of computer vision technology in food quality inspection

2.1 外形尺寸識別

食品等級是對食品的外觀、安全性、保質期等方面的嚴格規定和劃分，國家對于食品的等級劃分一般為4個級別：優等品、一等品、合格品和不合格品。不同等級需經有關主管部門評定確認，并獲得各級頒發的食品證書。其中食品的外形尺寸是食品分級的重要依據。

在尺寸及形狀檢測中，通常以面積、周長、長度和寬度等作為樣品的特征參數，通過計算圖像中目標樣本區域的像素個數獲取被測樣本的特征參數[9]。Heinemann P H等[10]對于蘑菇尺寸的檢測，采用基于計算機視覺的自動化系統檢測方法，其結果遠優于人工檢測方法，25個樣本的自動化系統檢測誤差為8%～25%，而人工檢測的誤差為14%～46%。孔彥龍等[11]提出了一種基于圖像綜合特征參數（質量、形狀）的分選方法。利用計算機視覺技術提取馬鈴薯俯視圖像的6個不變矩參數，并通過人工神經網絡模型完成對馬鈴薯的形狀分選，分選準確率高達96%。蔡健榮等[12]利用計算機視覺技術對煙葉的大小形狀特征參數進行提取，并選擇形成特征向量，去除了標準樣本中的奇異樣本。通過人工神經網絡對多個地區的煙葉進行學習和分類，實現了煙葉質量分選。里紅杰等[13]通過海產品的尺寸、形狀、顏色、紋理等特征，結合預測模型，采用數字圖像處理的方法實現海產品的分類及質量評估。趙靜等[14]利用計算機視覺技術提取果形的6個特征參數，通過人工神經網絡對果形進行識別和分級。該方法是首次將參考形狀分析法用于果形判別，分級準確率在93%以上，基本與人工分級結果持平。

2.2 顏色檢測

顏色是食品的重要感官屬性，人眼對于顏色的感知存在一段適合的閾值，長時間分辨會出現視疲勞。為了克服人眼的疲勞和差異，可以利用計算機視覺系統對食品顏色做出評價和判斷。

留胚率是大米品質的一個重要指標。黃星奕等[15]利用計算機視覺技術測定大米的留胚率，首次提出以飽和度S作為顏色特征參數進行胚芽和胚乳的識別，其檢測結果與人工檢測吻合率達88%以上。Tao Y等[16]基于計算機視覺技術通過色調直方圖表示顏色特征并以此構建HIS彩色模型，該模型采用多變量識別技術區別好馬鈴薯與發芽馬鈴薯及黃色和綠色的蘋果，正確率高達90%以上。趙慧等[17]建立一種對午餐肉樣品物理特性要求較少，能對物料表面整體顏色進行準確測量的無損檢測方法。采用計算機視覺系統對24色色彩測試板測得L，a，b值，使用色彩色差計對24色色彩測試板測得L*，a*，b*值，對兩組數據進行線性回歸，該測定方法可以準確測定午餐肉顏色，其效果可以代替色差計。

同樣在烘焙食品的品質檢測中，顏色是重要的檢測指標。Mcconnell R K等[18]提出利用計算機視覺技術檢測面包或其它焙烤食品的顏色來控制食品的質量。朱錚濤等[19]利用計算機視覺技術實現食品表面色澤、單元完整性、表面花紋清晰性及露餡等項目的檢測，把圖像的灰度均值、斑點面積和局部閾值分割結果等作為圖像特征，實現各項目客觀、定量、準確和快速地檢測。

2.3 表面缺陷檢測

食品在生產過程中會產生各種缺陷，給食品帶來嚴重隱患。為了提高食品品質，利用計算機視覺技術對缺陷進行檢測，具有檢測精度高、漏檢率低、系統穩定性能高等優點。

孫洪勝等[20]基于計算機視覺技術提出了一種缺陷面積的新算法，實現了利用計算機視覺技術對蘋果缺陷域地快速、準確識別。王澤京[21]利用計算機視覺技術對馬鈴薯自動檢測分級做了研究，提出了利用R、G、B三個分量的標準差，對馬鈴薯暗色部分缺陷分割的方法和一種以歐氏距離為標準進行馬鈴薯綠皮檢測分割的方法，缺陷馬鈴薯檢測的準確率較高，達到90%。楊祖彬等[22]提出了一種改進的計算機視覺識別技術與圖像融合算法，建立了臍橙表面損傷識別系統，試驗結果表明，該方法加快了系統對于損傷定位的處理速度，檢測達到了10.5個/s。

禽蛋表面缺陷或損傷的自動檢測一直是質量分級的難題。利用計算機視覺技術檢測禽蛋表面缺陷可以很好地解決以往人工檢測勞動強度大、人為誤差大、工作效率低等缺點。歐陽靜怡等[23]利用計算機視覺系統獲取雞蛋表面圖像，通過同態濾波、BET算法、fisher等改進型圖像處理技術，提取裂紋特征并判決，從而實現對雞蛋表面裂紋的檢測。結果表明，該技術對雞蛋表面裂紋的檢測準確率高達98%。潘磊慶等[24]創新了計算機視覺技術，將聲學響應信息與其融合進行雞蛋裂紋的檢測，試驗結果表明準確率可達98%。

2.4 大小、重量檢測

食品的大小、重量是食品分級的指標之一。馮斌等[25]提出利用水果的大小對水果分級的一種方法。通過計算機視覺技術對水果圖像的邊緣進行檢測，從而確定水果大小，實現水果分級。韓偉等[26]通過對水果圖像進行分割，提出了一種水果直徑大小檢測的快速算法，即計算各區域內水果的最大半徑，進而得出果蔬的最大直徑。改法與傳統方法相比較，不僅降低了計算量而且提高了計算精度，具有很大的實際工業應用價值。王江楓等[27]利用計算機視覺技術檢測芒果的重量及果面損傷情況，建立了芒果重量與其投影圖像的相互關系。通過模型試驗研究表明，按重量分級其準確率均為92%以上，按果面損傷分級其準確率為76%以上。

2.5 內部品質檢測

在食品品質檢測過程中，很多情況下需要保證在不破壞被檢測食品的情況下，應用一定的檢測技術和分析方法對食品的內在品質加以測定，這就需要采用無損檢測技術。無損檢測技術是近年來發展起來的一項新技術，其中綜合利用圖像處理與分析等相關方面的計算機視覺技術，具有檢測速度快、信息量大等優點，在食品品質檢測領域有著迅猛的發展。

韓仲志等[28]提出了一種基于計算機視覺的花生品質分級檢測方法。該方法分別從花生品質表征的3個方面提取和分析54個特征參數，分別采用神經網絡和支持向量機建立識別模型，并加以比較，試驗表明，使用支持向量機的非線性模型對花生規格和等級檢測的正確率達到了93%。辛華健[29]設計了一種基于計算機視覺的芒果品質檢測方法，拍攝芒果圖像后利用自適應Canny算法獲取目標區域的邊緣，以大小、顏色和表面缺陷反映芒果的品質，并基于BP神經網絡實現對芒果的分級。Pace B等[30]對胡蘿卜抗氧化活性（antioxidant activity，AA）與總酚（total phenols，TP）含量進行相關性研究。利用計算機視覺技術獲取胡蘿卜的顏色參數，并將顏色參數與兩個指標關聯建立多變量模型。通過模型，可以根據胡蘿卜顏色值，成功地估計胡蘿卜的AA和TP的含量。成熟度是食品品質指標之一，Wang等[31]建立了一個計算機視覺系統，通過透射和相互作用模式分別獲取甜瓜斷裂表面的圖像，從而得到計算甜瓜的可食用率，采用偏最小二乘算法（plsregress，PLS）建立了校準模型來預測甜瓜的成熟度指數，結果表明該方法可以很好地預測甜瓜的成熟度。

2.6 腐敗變質檢測

食品腐敗變質是指食品受到各種內外因素的影響，造成其原有化學性質或物理性質和感官性狀發生變質，降低或失去其營養價值和商品價值的過程。引起食品腐敗變質的原因有很多，其中微生物是最主要原因之一。近年來，隨著計算機硬件和圖像處理技術的快速發展，計算機視覺技術在食品腐敗變質中微生物檢測方面的應用也越來越廣泛。

Bayraktar B等[32]利用計算機視覺技術獲取李斯特菌菌落中的形態特征，同時融合模式識別技術、光散射技術對圖像進行分析處理從而實現對該菌的分類識別。Gomez-Sanchis J等[33]利用計算機視覺技術檢測了由青霉屬真菌引起的柑橘類水果腐爛，采用人工神經網絡數據處理方法，結果顯示檢測正確率達到98%。殷涌光等[34]利用計算機視覺技術提取培養后溶液顏色的變化圖像，從而建立顏色變化與食品中大腸桿菌含量的關系模型。試驗證明，利用該模型判斷待測液中大腸桿菌的數目較傳統方法相比可以節省6 d時間，大大提高了檢測效率。

2.7 新鮮度檢測

新鮮度是食品品質安全的一個重要衡量指標，檢測和評價新鮮度是食品品質安全控制的關鍵環節，關系著消費者的切身利益。

馮甲一等[35]開發了一套基于計算機視覺的葉類蔬菜新鮮度等級識別系統，以計算機視覺和模式識別理論為基礎，獲取在一定條件下背景為白色的葉類蔬菜圖像，利用MATLAB軟件對圖像進行處理、分析，同時采用主成分分析、費歇爾判別相結合的方法，實現了特征提取和判別模型的構建。其中主成分分析將13個特征參數綜合成4個新變量，構建的判別模型對樣本總體的識別率達84%。鄭麗敏等[36]基于計算機視覺技術，采用背向照明方式采集雞蛋的透射圖像得到雞蛋的蛋黃和氣室的圖像信息，并根據圖像特征建立數學模型來預測雞蛋的新鮮度和貯藏期。Shi等[37]利用計算機視覺系統對4℃貯藏羅非魚的瞳孔和鰓部顏色參數進行提取，研究基于顏色參數的多元回歸模型對揮發性鹽基氮值（total volatile basic nitrogen，TVB-N）、菌落總數（total viable count，TVC）和硫代巴比妥酸（thiobarbituric acid，TBA） 值進行預測，R2值達到 0.989～0.999，并采用圖像算法生成TVB-N、TVC和TBA的可視化圖，方便了新鮮度地檢測。

2.8 食品中丙烯酰胺檢測

丙烯酰胺是一種可能的致癌物，廣泛存在于各種食品中，如焙烤食品、油炸食品、煎烤食品和膨化食品等。丙烯酰胺檢測方法對于準確評估其對人體危害十分必要，計算機視覺技術憑借測量精度高、信息量大、速度快等優點成為食品中丙烯酰胺便捷檢測技術方法之一。

何鵬等[38]設計了一套基于計算機視覺技術油炸馬鈴薯中丙烯酰胺含量的測定系統，該方法計算得到的丙烯酰胺含量與標準化學方法測定值之間的最大相對誤差為4.94%，表明該方法可行、準確。王成琳[39]提出一種基于計算機視覺技術的熏烤肉中丙烯酰胺含量值的測定方法。分析檢測得到的熏烤肉表面顏色值及其丙烯酰胺含量值，發現熏烤肉雙表面α值與其丙烯酰胺含量值之間有很強的相關性，擬合出兩者之間的線性回歸方程。在測定熏烤肉中丙烯酰胺含量值時，將熏烤肉雙表面顏色值α帶入到已經建立好的線性回歸方程中，即可求得熏烤肉中的丙烯酰胺含量值。該方法實現了準確快速、無損失測定熏烤肉中丙烯酰胺的含量。

3 展望

計算機視覺融合了圖像處理、模式識別以及人工智能等技術，隨著計算機軟硬件技術、圖形圖像處理技術的迅猛發展，該技術在食品品質檢測方面得到了廣泛應用。在計算機視覺研究領域，眾多學者將此技術的研究分為3個層次：低層特征研究、中層語義特征表達和高層語義理解。通過以上綜述可以發現，在食品品質檢測領域中的計算機視覺技術多數關注的是內容單一的食品圖像和簡單的圖像分割，屬于該技術研究領域的前兩個層次，即使如此，該技術在運用過程中，仍然存在較多的技術難題亟待解決。如（1）檢測性能受環境影響較大：現階段的計算機視覺技術受環境制約較大，建立的配套數學模型一般適用于簡單的環境，對于影響因素較多的環境其檢測準確率將會降低；（2）檢測指標有限：在檢測食品單一指標或者分級標準為一個指標時，計算機視覺技術表現出理想效果，但對同一食品的多個指標或分級標準為多個指標時，檢測分級效果較差；（3）檢測兼容性差：食品分級對于檢測模型的依賴性較強，現階段計算機視覺技術對于單一種類的食品分級檢測效果顯著，如果食品種類發生變化則同一套系統和設備則很難實現檢測。

為解決以上技術難題，近些年學者們提出了基于卷積神經網絡的圖像識別，它是計算機視覺與人工神經網絡技術的融合，保證檢測對象在不同環境下的最大程度識別。韓朋朋[40]課題組采用基于卷積神經網絡的計算機視覺技術，通過設計深層卷積神經網絡模型和壓縮嵌入式蔬菜網絡模型，對不同擺放角度、不同光線強度和不同放置背景下的蔬菜進行圖像識別，實驗證明，蔬菜識別的準確性高達97%。廖恩紅等[41]運用基于卷積神經網絡的計算機視覺技術，提出了一種新的食品圖像識別模型China Food-CNN，實現了對食物的精準分類。

4 總結

綜上所述，可以看出國內外學者對計算機視覺技術在食品品質檢測中的應用進行了大量地研究，有些是對食品單一指標的檢測，有些是綜合性能指標的檢測。在此研究和應用過程中，既取得了較大的經濟效益，也遇到了很多問題。在新的形勢下，計算機視覺技術與人工神經網絡、數學模型、微生物快速計量等高新技術相融合，探究該技術在高層次語義理解方面的應用，為食品品質檢測發展提供技術支持。