計算機視覺技術在農產品品質檢測中的應用思考

［摘 要］計算機視覺檢測技術具備快捷、無損、經濟等優點，近幾年得到了農產品質量檢測相關部門的廣泛青睞，被應用到農產品品質檢測當中。農產品的外觀能夠對消費者產生直接的影響，某種程度上還會對內在品質產生影響。文章介紹了計算機視覺技術概念，分析計算機視覺技術對農產品品質檢測的檢測要點，并討論計算機視覺技術在農產品品質檢測中的具體應用，希望能夠為農產品品質檢測提供有效參考，為消費者食品安全提供保障。

［關鍵詞］計算機視覺技術；農產品；品質檢測

doi：10.3969/j.issn.1673 - 0194.2023.10.063

［中圖分類號］TP391；TS207.3 ［文獻標識碼］A ［文章編號］1673-0194（2023）10-0191-03

0" " "引 言

農產品作為人們生活必需品，其安全性至關重要。隨著經濟的快速發展，人們的生活水平日益提升，消費者開始追求品質更好、更加安全的農產品。消費者在選擇和購買農產品時首先會觀察其外部品質，由此可以看出農產品的外部品質會對消費者的選擇造成直接影響。傳統的農產品品質檢測方面主要采用人工檢測的方式，檢測通常僅限于農產品的外部品質，對內部品質則采用破壞性分析或者化學分析等方式。傳統的檢測方法效率低、耗時長，為提升農產品的品質檢測水平，近幾年國內外加大了計算機視覺技術的應用力度。

1" " "計算機視覺技術概述

計算機視覺主要是通過電腦和攝像機來代替人眼對事物進行識別、測量和跟蹤的一種技術，這項技術對事物進行圖像數據的采集、特征識別、提取，以此為基礎對圖像數據進行分析［1］。近幾年，計算機視覺技術得到了快速發展，被廣泛應用于文檔分析、醫療診斷等方面。計算機視覺技術在農業領域中的應用范圍較廣，包括農作物種子篩選、農產品品質檢測、農作物病蟲害監測、糧食無損檢測以及植物生長監測等方面。計算機視覺技術在農業生產方面的應用能夠有效提升農業生產效率，推動農業自動化轉型。同時，計算機視覺技術在農產品品質檢測當中也有較為廣泛的應用，如在農產品品質檢測中的應用，該系統包含圖像傳感器模塊、圖形處理單元、應用程序處理單元及視覺處理單元等。計算機視覺技術品質檢測原理：選擇適合的光源能夠有效提升圖像的品質，進而簡化算法，提升系統檢測的穩定性；通過工業攝像機和相關機械裝置獲取被檢產品進行圖像，通過視覺系統對圖像進行處理，包括圖片大小的標化、去噪以及色域的變換等［2］；結合圖像的具體情況選擇適合的算法，對目標的特征進行提取，如農產品的大小和顏色等。

2" " "計算機視覺技術在農產品品質檢測中的檢測要點

2.1" "外形檢測

外形是影響農產品銷售的重要因素，如水果的外觀質量要求，包括果實是否端正、是否有破損、是否整齊均勻、大小是否合適。水果的外形特性可以采用計算機視覺技術進行有效提取，進而實現水果品質的自動化檢測。對比人工分揀檢測方式，自動化監測系統有效節省了人力、物力和時間，也能夠提升檢測的精度和速度。計算機視覺技術主要依靠工業檢測和自動化技術，在農業領域可以對果蔬進行色性一體化的分選檢測，這項技術能夠根據農產品的國家分級標準檢測農產品的品質，也可以根據檢測獲得的信息對農產品進行自動化分級。計算機視覺技術能夠應用在蘋果、柑橘、土豆、西紅柿、梨、棗和桃子等多種球形或者類球形的農產品檢測與分級中。為提升系統檢測分級的準確度，可以通過大量的圖像數據來達到視覺算法訓練的效果。根據分級機構的要求設置系統分級指令，能夠對農產品外形進行快速高效分級，分級的過程中也能夠對農產品等級和出口數進行自動記錄，更加便于用戶進行數據統計［3］。

2.2" "顏色檢測

顏色是農產品分級的另一個重要參考標準，如水果和蔬菜的顏色在一定程度上能夠真實反映蔬果的質量和新鮮程度。近幾年，紅棗成為我國一項重要的經濟農作物，其質量的檢測和分級要求也在逐年提高。現階段，紅棗采用的檢測分級方法主要為人工分級和機械化分級，但這樣的方法普遍存在精度較低和視覺疲勞的問題，同時也無法兼顧表面出現的霉變情況。利用計算機視覺技術可以檢測紅棗的顏色和外觀，進而對產品進行自動分級，有效彌補傳統檢測方式的不足。農產品通過傳輸裝置進行連續的傳輸，在經過圖像采集裝置時，傳感器能夠檢測到相關顏色信號，工業相機對農產品進行圖像采集后將圖像傳輸到視覺系統中進行處理，從而對農產品進行檢測和分級［4］。

2.3" "缺陷檢測

農產品表面出現缺陷對其品質有著巨大的影響。果蔬深加工的過程中需要分揀表面存在缺陷的產品，按照缺陷的類型和具體程度進行分級。缺陷檢測是果蔬品質檢測中的重要環節。計算機視覺技術能夠有效檢測農產品表面的缺陷，主要是利用成像技術和視覺算法來實現。采用計算機視覺技術對農產品進行缺陷檢測能夠達到無損檢測的效果。現階段，我國應用在農產品上的缺陷檢測成像技術主要采用結構光成像、紅綠藍（Red-Green-Blue，RGB）成像、高光譜成像以及近紅外光譜成像等，不同的成像技術有不同的優缺點。結構光成像具有較高的穩定性，但誤判率通常較高；RGB成像具有復雜的識別算法，在線監測無法提升效率；高光譜成像的檢測效率較高、效果較好，但成本較高；近紅外光譜成像更加適合現場的檢測，也能夠對農產品內部品質進行檢測，但需要定標和校正，操作過于復雜［5］。

3" " "計算機視覺技術在農產品品質檢測中的具體應用

3.1" "肉制品

肉制品最重要的品質指標是新鮮度，存放時間越長，肉的顏色就會變得越深，從鮮紅色到暗紅色，甚至會變成綠色，肉質也會逐漸失去彈性。對比傳統檢測方法，計算機視覺系統采集到的肉的色彩圖像更加接近實際產品顏色。計算機視覺系統的顏色空間模型主要基于RGB成像和HIS，即色調（Hue）、亮度（Intensity）和色飽和度（Saturation），能夠有效提取目標顏色參數，對表面的紋理進行結構特征分析，多方面檢測肉類的新鮮度。屠宰場需要對牛羊豬等各種肉類的新鮮度進行檢測，這樣才便于后期的加工和運輸。

3.1.1" "牛 肉

牛肉的品質檢測不僅限于新鮮度，其肌肉之間的脂肪和大理石花紋也會影響牛肉的價值和口感。計算機視覺技術通過對牛肉橫斷面圖像的分析來提取牛肉肌肉的比例和脂肪的分布。大理石紋密度分布較為均勻、脂肪與肌肉色度值較高的牛肉具有更好的品質。

3.1.2" "羊 肉

羊肉主要通過RGB成像和HIS顏色空間特色分量的提取，結合神經網絡構建羊肉新鮮度的分級模型來檢測羊肉品質。計算機視覺技術的識別率能夠達到90%以上。

3.1.3" "豬 肉

通過RGB圖像空間中的紅色分層區域比來檢測豬肉的新鮮度。顏色區域比是一種新的豬肉新鮮度檢測方法。計算機視覺技術結合反向傳播（Back Propagation，BP）神經網絡及向量結構來構建豬肉新鮮度等級的預測模型，具有較高的準確率。

3.2" "水產品

計算機視覺技術在水產品方面也具有較大的應用潛力。對比傳統的人工分級方法，計算機視覺技術可以構建多顏色模型對鮭魚等魚肉肉色進行自動化分級。對半透明的水產品，如魷魚、三文魚、去皮生蝦等進行有效識別，將產品從背景顏色中分離出來。另外，現階段研究發現，生蝦在干燥的過程中，其明度值的變化與含水率具有較強的關聯性。產品的干燥程度與樣品的明度值成負相關關系，因此可以通過計算機視覺技術和二次回歸模型對生蝦干燥過程中的含水率及顏色參數的關聯性來確定干燥的最佳時間。

3.3" "果 蔬

果蔬產品的形狀、大小、顏色以及缺陷能夠直接影響果蔬的銷售，對后期加工也有著極大的影響。因此，在評價果蔬產品品質時，需要加大對這些特征的關注力度。計算機視覺技術的無損檢測優勢能夠有效應用在果蔬品質的檢測和品級分類當中［6］。

3.3.1" "蘋 果

蘋果作為我國生產量最大的水果，計算機視覺技術被廣泛應用在蘋果的品質檢測和分級當中，這對我國提升蘋果國際市場競爭力有著重要的作用。計算機視覺技術的分級準確率達到89%～95%，能夠滿足蘋果產業化的發展需求。計算機視覺技術在蘋果的自動分級方面逐漸成熟，通過獲取流水線上蘋果的圖像，選取最大果徑、色度圖像、動態變換、缺陷點像素面積等參數來對蘋果的形狀、大小、顏色、缺陷進行表征自動檢測分級，具有較高的正確率。另外，為確保果樹上的蘋果在恰當時機采摘，需要對果樹上的蘋果進行定位和識別，其難點在于排除果園的復雜因素，如樹干分支、枝葉遮擋等相關干擾。有研究者提出基于顏色及形狀特征的計算方法來定位和檢測雙色蘋果，能夠對樹上完全可見及部分遮擋的蘋果進行高準確率的檢測。

3.3.2" "柑 橘

在柑橘的銷售方面，消費者更加在意柑橘的顏色、大小、表皮厚度、表面缺陷等。研究證明，柑橘的表面粗糙程度和表皮厚度之間存在著較高的關聯性。對柑橘進行自動分級模型構建時，概率神經網絡及向量結構均具有較大的優勢［7］。其中，概率神經網絡構建的柑橘表面紋理及顏色分級模型能夠達到85%以上的識別率。

3.3.3" "土 豆

土豆屬于不易分級的農產品，在形狀、大小以及規則方面不具備較強的共性。利用計算機視覺系統對不規則的土豆進行自動分級，提取土豆的物理特征，以此對土豆進行測試和分類，具有較高的準確性。在對土豆的形狀和質量進行自動分級時，系統對圖片的處理時間可以縮短到1.5 s，能夠快速自動分級土豆。同時，也可以判斷土豆的綠皮及內部發芽情況，對土豆的整體缺陷進行判定。另外，結合感知器學習法、焦點檢測法、最近鄰分類算法以及長短軸比值等，能夠進一步識別綠皮、發芽以及損壞的情況，正確率可以達到89%～96%。

3.4" "蛋 類

蛋類的品質評價指標除了大小和重量，還包含蛋殼的裂紋。裂紋情況會對蛋類的質量和安全性造成直接影響，還會導致細菌滋生。因此，需要對裂紋進行有效檢測，杜絕有裂紋的蛋類出現在市場上。計算機視覺技術能夠對背景進行分割，對蛋類邊緣進行檢測，變換小波之后根據費謝爾判別及神經網絡裂紋識別模型能夠達到95%以上的準確率。在蛋類的重量、長短軸、表面污漬的檢測當中，能夠將長軸誤差控制在-0.80～0.54 mm內，短軸誤差控制在-0.54～0.42 mm內，重量的誤差控制在1 g以內，表面污漬的檢測準確率高于75%。

3.5" "其他農產品

近幾年，計算機視覺技術的應用范圍拓展到其他果蔬產品的品質檢測中，這類果蔬產品主要是針對水分和顏色的檢測［8］。例如，草莓與櫻桃的顏色評級，整體精度能夠達到80%～90%；楊梅自動檢測分級時，可以對楊梅的果形和顏色進行分級和識別，準確率能夠達到93%，圖片處理時間每幅可以控制在1 s以內。如果不考慮其他限制條件，理論上系統分級的效率能夠達到每秒700個。基于圖像分析技術及滴定酸度、氫離子濃度指數和褐變等化學特性對油桃的外觀和褐變之間的關系進行評估，能夠有效判定相關品質等級。人工神經網絡和支持向量機也能夠有效控制和在線監測葡萄干燥的過程，通過建模的形式來進行檢測，具有良好的效果。

4" " "結束語

計算機視覺技術近幾年得到了快速發展，逐漸取代人工視覺檢測方式，在產品品質檢測中得到了廣泛應用。紅外、近紅外的圖像處理技術進一步提升了計算機視覺技術水平，使其不僅可以進行農產品外觀檢測，還能夠有效檢測產品的內部特性。計算機視覺技術在農業發展中能夠起到促進作用，可以被廣泛應用在農產品品質檢測當中。

主要參考文獻

［1］王茂森.計算機視覺技術在農產品質量檢測中的運用探究［J］.數字通信世界，2022（6）：129-131.

［2］魏洪昌，羅陽.在農產品和食品檢測中應用計算機視覺技術的研究［J］.食品界，2020（11）：83.

［3］汪敬育.探析計算機視覺技術在纖維檢驗中的應用［J］.消費導刊，2021（15）：36.

［4］常志敏.高光譜圖像技術在農產品檢測中的應用進展［J］.中國食品，2021（8）：127.

［5］朱東曉，申海榮.快速檢測技術在果蔬農產品檢測中的應用［J］.農業科技與信息，2021（12）：46-47.

［6］劉婷.農產品檢測中快速檢測技術的應用探究［J］.農家參謀，2020（12）：261.

［7］盧瑩瑩.計算機視覺技術在農業自動化中的應用［J］.南方農機，2020（16）：69-70.

［8］游海英，方銳.計算機視覺技術在農作物病蟲害檢測方面的應用研究［J］.智慧農業導刊，2021（19）：14-16，19.