基于機器視覺的類球形水果外部品質分級方法研究

饒 劍，呂自玉

（1.西南科技大學制造科學與工程學院，四川 綿陽621000；2.重慶交通大學經濟與管理學院 重慶400074）

水果品質分級作為產后處理的核心過程，是實現水果標準化和商品化的重要環節[1-2]。對于水果外部品質，一般按尺寸、表面缺陷及外觀顏色等分級，目前傳統的分級方法主要為人工分級和機械分級，其中人工分級存在檢測主觀性強、人工成本高且效率低等問題，而機械分級易損傷目標物，同時分級精度受限[3-5]。隨著計算機圖形技術和傳感技術逐步成熟，機器視覺由于快速、高精度、客觀及無損等特點，廣泛應用于水果的外部品質分級中，對此國內外專家開展了大量研究。ALEIXOS等[6]基于多光譜相機及并行DSP特定算法對柑橘的大小等特征進行檢測，實現了柑橘與檸檬的正確區分。BHARGAVA等[7]利用自動計算機化技術分析蘋果的新鮮及腐爛程度，并成功應用于多品種蘋果的果實品質評價。胡發煥等[8]采用數字形態學提取臍橙的體積、紋理等特征，并用支持向量機進行分類器訓練，實現了實時環境下的臍橙分級。劉忠超等[9]基于視覺監控和PLC設計了獼猴桃大小分級控制系統，其執行效率高，平均分級速度達2.5 s/個。綜上分析，本文開發了一種基于機器視覺的類球形水果外部品質分級方法。采用圖像傳感器對目標快速掃描成像，結合最小外接矩形與形態學填充等處理算法獲取果形指數及果面缺陷，根據特征值分類完成類球形水果的外部品質分級。同時設計了類球形水果外形及尺寸在線檢測系統，并以臍橙為測試對象，驗證分級方法的可行性。其中類球形水果圖像的果形指數及果面缺陷特征參量提取是實現品質分級的關鍵環節。

1 類球形水果外部品質分級方法

類球形水果的外部品質分級實現流程如圖1所示，

圖1 類球形水果外部品質分級原理

圖像傳感器對類球形水果表面視覺成像時，由于光照條件及場景復雜等因素，導致采集的圖像包含了大量的背景干擾噪聲，為強化目標有效信息和提高特征參量檢測精度，需進行必要的預處理過程。采用頂帽變換（TOP-HOT）校正類球形水果圖像中的非均勻光照，消除光照變化引起的檢測誤差，同時基于背景差分法，如式1所示，對類球形水果進行前景分割。

式（1）中：F（x，y）為差分圖像，即類球形水果前景圖像；f（x，y）為當前圖像；g（x，y）為背景圖像，由圖像序列第一幀或多幀均值獲得。不考慮顏色特征前提下，對前景圖像進行灰度變換。

在類球形水果的尺寸檢測中，果面缺陷處于局部區域，不會對輪廓提取產生影響，于是采用大津法（OTSU）統一前景圖像強度，從而有效減少了運算開銷時間；并在此基礎上，為獲取隨機方向上果形指數（縱徑和橫徑之比），采用最小外接矩形（MER）算法進行求解。其基本思想表述為：以等間隔角度分量在一定范圍內旋轉類球形水果前景圖像，每旋轉一次記錄其外接矩形邊界點的最值，當外接矩形面積最小時，此時其長度和寬度分別為類球形水果的橫徑和縱徑。

對于類球形水果的果面缺陷提取，前景圖像中表面缺陷和邊緣灰度強度較低，采用Canny算子分割出集中分布的低頻區；為進一步獲得缺陷特征，通過掩模處理去除邊緣信息，利用形態學區域填充，如式2所示，空洞連通域，從而計算出果面的缺陷面積。

式（2）中：Xk為與A同維度迭代集合，從0組成的陣列X0開始迭代；Xk-1⊕B為B對Xk-1的膨脹；B為結構元素；A為類球形水果的果面缺陷集。

根據提取的果形指數及果面缺陷特征值，設定不同分級區間（參照國家標準），即可完成對類球形水果的外部品質分級。

2 類球形水果外形尺寸檢測系統

為驗證分級方法的可行性，設計了一套類球形水果外形尺寸在線檢測系統，如圖2所示，主要由成像系統、照明設備、傳送裝置和數據處理中心等組成。其中，CCD工業相機選用索尼IMX600面陣傳感器，搭載4 000萬像素超感光鏡頭，最小單位像素尺寸僅為1μm，可實現5倍光學變焦；照明設備采用ColorSpace的LE005單色溫可調亮度LED光源，有效照面為280 mm×210 mm，亮度為3.2～3 200 cd/m2。檢測時，將類球形水果放置于載物工作臺上，利用傳送裝置進入CCD工業相機的測量視場，同時在載物工作臺兩側布置兩套照明設備，以盡量保證光照的均勻性；CCD工業相機采用垂直拍攝方式，采集的類球形水果圖像通過以太網接口傳輸至數據處理中心，進行果形尺寸和表面缺陷的實時分析。

圖2 類球形水果外形尺寸在線檢測系統

實驗以臍橙為檢測對象，CCD鏡頭光心到臍橙投影切面的距離（工作距離）設置為150 mm，視場范圍為120 mm×70 mm，同時照明光源亮度調節為100 cd/m2，分別對100個臍橙（包含特等、一等、二等及等外級果）的外部特征進行了圖像采集。

3 臍橙外形及尺寸檢測及分級結果

臍橙樣品圖像外形及尺寸檢測的實現過程如圖3所示。原始的臍橙圖像具有明顯的表面缺陷特征，表現為局部的潰瘍和裂傷，同時背景干擾明顯，如圖3（a）所示；預處理后，背景噪聲消失，臍橙特征清晰，如圖3（b）所示；使用Otus自適應閾值增強后，臍橙缺陷特征被有效去除，如圖3（c）所示；通過MER標記并計算出臍橙尺寸大小，橫徑為651個像素，縱徑為658個像素，如圖3（d）所示；在圖3（b）基礎上，Canny算子分割出臍橙輪廓與表面缺陷特征，細連通無斷裂，邊緣寬度均為1個像素，如圖3（e）所示；通過掩模處理及形態學填充后的缺陷區域，獲得獨立分布的表面缺陷，其面積分別為686個像素、616個像素（對應編號1和2），如圖3（f）所示。

圖3 臍橙外形尺寸檢測過程

采用棋盤標定板實現圖像坐標系到世界坐標系的轉換，以檢測臍橙的橫徑及表面缺陷真實值，標定出單位像素長度為0.11 mm/piexl。因此，圖3中臍橙的橫徑為71.61 mm，縱徑為72.38 mm，果形指數為1.01（偏長圓形），與臍橙實際形狀相符；同時，臍橙表面缺陷面積分別為8.30 mm2、7.45 mm2。為分析臍橙尺寸檢測的精度，用數顯游表卡尺對臍橙（圖3）進行尺寸測量，橫徑實際檢測值為72 mm，與檢測值71.61 mm的相對誤差為0.54%。為進一步驗證尺寸檢測的穩定性，在100個試驗臍橙中抽樣5個（包含各等級果）進行尺寸檢測，結果如表1所示。

表1 臍橙橫徑的檢測值與實際測量值對比

從表1可知，臍橙的橫徑檢測值與實際測量值最大相對誤差為0.79%，表明檢測算法對各等級的臍橙均具有較高的檢測精度，可作為臍橙外部品質分級的依據。由于臍橙的表面缺陷表現為不規則形，實際面積難以準確測量，因此不對表面缺陷的檢測精度進行評價。根據果形指數和果面缺陷特征對100個試驗臍橙進行外部品質分級，分級指標參照GB/T 21488—2008鮮臍橙的國家標準，分級結果如表2所示。

結果顯示，次等級果未誤識別為高等級果，尺寸檢測準確性高；特級果、一級果、二級果的檢測分級中出現了識別誤差，分析后考慮為果形缺陷面積的檢測誤差導致；總體平均識別率達94.4%，分級效果較好。

4 結論

開發了一種基于機器視覺的類球形水果的外部品質分級方法，將類球形水果的果形指數和果面缺陷特征參量作為重要檢測指標，并以此進行分級判定。通過頂帽變換和背景差分法可有效去除復雜的背景干擾噪聲，利用大津法和最小外接矩形可獲得臍橙的果形指數，同時基于二階微分Canny算子和形態學填充可提取果面缺陷特征。

設計了一套類球形水果外形尺寸在線檢測系統，并以臍橙為試驗對象進行了檢測分級。結果表明，在對5個抽樣臍橙進行尺寸檢測中，橫徑檢測值與實際測量值最大差值為0.67 mm，最大相對誤差為0.79%；在100個試驗臍橙分級中，等外果識別率高達100%，平均識別率達94.4%，為類球形水果的外部品質分級提供了一種新的解決思路。受實驗條件限制，無法實現對臍橙的全表面自動果面缺陷的檢測，同時未考慮果梗和果萼區域，因此果面缺陷特征對臍橙的外部品質分級識別精度產生了一定影響。