基于計算機視覺的草莓等級判別研究

茍爽等

摘要如何對采集到的草莓圖像進(jìn)行分割和如何選取評定草莓等級的特征參數(shù)是草莓自動分揀系統(tǒng)的2個重要環(huán)節(jié)。該研究利用草莓R、G、B通道明顯的像素差值來分割目標(biāo)和背景，并且選取草莓的形狀特征和成熟度作為草莓評級的特征參數(shù)，綜合運用機器視覺、神經(jīng)網(wǎng)絡(luò)等理論方法，通過實驗數(shù)據(jù)統(tǒng)計，建立極坐標(biāo)下草莓外形輪廓特征參數(shù)及顏色空間下成熟度特征參數(shù)的提取方法，以人工神經(jīng)網(wǎng)絡(luò)為識別模型，實現(xiàn)對草莓的自動分類。實驗結(jié)果表明，該方法對草莓的自動分級結(jié)果與人工分級結(jié)果相比較，準(zhǔn)確率達(dá)到90%，具有實際的可行性。

關(guān)鍵詞草莓；圖像采集；圖像分割；特征提取

中圖分類號S126文獻(xiàn)標(biāo)識碼

A文章編號0517-6611（2015）21-370-04

草莓的分選是其產(chǎn)后處理的一個關(guān)鍵環(huán)節(jié)[1]，目前我國對草莓分選大部分采用人工分選。人工分選方法主要依據(jù)肉眼觀測判斷等級，缺乏客觀性。草莓大小不一，表面情況復(fù)雜，單純依靠肉眼判斷達(dá)不到較好的分級效果。而且，由于草莓果實的表面非常柔軟脆弱，人工分選容易造成機械損傷，影響草莓的商品價值。因此，研究快速、準(zhǔn)確、高效的草莓自動化分選技術(shù)及設(shè)備具有重要的科學(xué)意義和社會經(jīng)濟(jì)價值。

對于水果外觀品質(zhì)檢測與分級，國內(nèi)外研究人員開展了許多研究，研究思路主要采用基于計算機圖像處理、機器視覺的方法，大多以外觀形狀規(guī)整的一些水果為對象，如蘋果、柑橘、西紅柿等[2-4]。相比而言，草莓的形狀復(fù)雜，一般的水果分選原則，如形狀、大小、圓度、彎曲度以及長度比等，很難用到草莓上。針對這一問題，近些年，國內(nèi)外研究人員進(jìn)行了相關(guān)研究[1-8]。曹其新等利用圖像信息處理技術(shù)，研制出根據(jù)草莓的形狀和尺寸進(jìn)行分級的自動分選系統(tǒng)。該草莓分選系統(tǒng)具有一定的分選精度，但效率還有待提高[6]。日本學(xué)者Pepito M Bato等建立了檢測草莓形狀的三維形狀測量實驗臺[7]。Nagata M等研究了在OHTA色度空間下草莓收獲機器人的水果分離與分級方法[8]。

從國內(nèi)外研究狀況來看，目前針對草莓的自動化分選技術(shù)研究還處于起步發(fā)展階段，缺乏科學(xué)統(tǒng)一的分級標(biāo)準(zhǔn)，主要依賴草莓顏色、形狀和大小3種參數(shù)來劃分其優(yōu)劣等級。但由于草莓外形變化大，表面凹坑較多，黑籽粒分布廣，葉子隨機覆蓋使草莓圖像分割處理和特征參數(shù)提取難度增大，從而造成草莓等級劃分不夠精確。筆者在現(xiàn)有研究的基礎(chǔ)上，綜合運用機器視覺、神經(jīng)網(wǎng)絡(luò)等理論方法，以草莓外形輪廓及成熟度作為分級依據(jù)，通過實驗數(shù)據(jù)統(tǒng)計，建立極坐標(biāo)下草莓外形輪廓特征參數(shù)及顏色空間下成熟度特征參數(shù)的提取方法，以人工神經(jīng)網(wǎng)絡(luò)為識別模型，實現(xiàn)對草莓的自動分類。最后，通過實驗驗證所提出方法的可行性和準(zhǔn)確性。

1圖像采集與處理

1.1圖像采集

對一般水果而言，其形狀基本相似，表面光澤，基本沒有葉子。而草莓恰恰相反，同種類的草莓相互之間形狀差異也比較大，表面顏色分布不均，而且有很多的黑色籽粒和凹坑。為保證草莓采集到的草莓圖像盡可能少的受到光照、背景、傳輸噪聲的影響，需要設(shè)計一個比較好的圖像采集裝置平臺。

圖1為設(shè)計的光照控制箱。箱體外層為630 mm×630 mm×710 mm的立體密閉木箱，內(nèi)層有2塊傾角為65°的木板，板面要求為乳白色并保證板面反射光為漫反射。2塊傾斜板均在等距高度安裝透光度在60%的陽光板，在每個陽光板板上安裝色溫為5 600～6 300 K、功率4 W的白色長管熒光燈。在密閉箱頂上安裝2個散熱風(fēng)機，保證密閉箱內(nèi)的工作溫度穩(wěn)定。箱子正上方則懸吊安裝1個CCD攝像頭，鏡頭到箱底的距離可調(diào)。整個裝置內(nèi)的光線均勻適度，盡量保證拍攝到的草莓圖像沒有暗影、高光點。選取不同顏色作為拍攝背景顏色反復(fù)做實驗后，結(jié)果表明以藍(lán)色作為背景顏色時，對采集到的草莓圖像做后期處理效果最好，所以該研究圖像選取裝置的底板顏色為藍(lán)色。

1.2圖像分割

草莓圖像分割方法有多種[9-12]，該設(shè)計中在藍(lán)色固定背景下采集圖像，R通道對應(yīng)灰度圖r1中果實像素值明顯大于背景像素值，用灰度像素值全為255的等大小圖像r2減去r1，得到新灰度圖r3，r3中果實像素值小于背景像素值。由于R中果實像素值較大，故用r3再減去r后得到的新圖中草莓果實與背景的像素差值進(jìn)一步放大，對比更加明顯，經(jīng)過二值圖像轉(zhuǎn)換即完成圖像分割。該方法運算速度快，處理方便，效果也比較好，具體方法如下：

（1）提取彩色圖像2a中R通道，并構(gòu)造只含R通道的彩色圖，并將其轉(zhuǎn)為灰度圖r1，如圖2b。

（2）構(gòu)造一個與r1等大小，灰度值全為255的新圖r2。

（3）求差r3=r2-r1，得到圖2c。再求差r4=r3-r，將r4轉(zhuǎn)化為二值圖像，并求反得到目標(biāo)圖像，如圖2d。

安徽農(nóng)業(yè)科學(xué)2015年

2基于計算機視覺的草莓等級判別

2.1草莓輪廓特征模型

計算機不能直接對得到的圖像進(jìn)行判斷，必須借助于從圖像中抽取的參數(shù)進(jìn)行計算[13-15]。在線分級處理要求計算的效率較高，為提高計算效率，采用抽取草莓圖像形狀特征參數(shù)的算法：

（1）取草莓果肉圖像的重心點O和頂點D，作線段DO并延長交于草莓圖像點C，則選定點C為極坐標(biāo)原點。

（2）以CD為極坐標(biāo)中心對稱軸、C為原點，向軸兩邊等弧度角間隔分別作4條射線交于圖像的邊緣，由此得到9條線段分別為：CR1、CR2、CR3、CR4、CD、CL4、CL3、CL2、CL1（圖3）。

（3）根據(jù)下列參數(shù)：

m1=CL1/CD，m2=CL2/CD，m3=CL3/CD，m4=CL4/CD

m5=CR1/CD，m6=CR2/CD，m7=CR3/CD，m8=CR4/CD

選取60顆草莓做數(shù)據(jù)分析，先將草莓按照形狀和大小分為A、B、C 3類，分別對應(yīng)優(yōu)、良、次3類，每類20顆草莓。圖4記錄了60顆草莓中軸CD長度。表1中記錄了樣本草莓各項形狀特征參數(shù)變化范圍。結(jié)合圖4和表1中數(shù)據(jù)分析可知，不同等級草莓的形狀參數(shù)呈一定規(guī)律變化，設(shè)計中對每個草莓提取8個相對比值參數(shù)和一個徑向長度參數(shù)來組成草莓形狀特征模型。對60顆草莓分3類進(jìn)行數(shù)據(jù)分析，A類草莓個頭最長，寬度最大，形狀也最勻稱；B類草莓長度居中，寬度也比A類小；C類草莓長度和B類基本一致，但是果實寬度明顯很小。

2.2草莓成熟度判斷

顏色是判斷草莓是否成熟的重要標(biāo)志，所以它也是草莓等級劃分的重要指標(biāo)參數(shù)。未成熟的草莓顏色有綠、青、淺紅等，不過大多數(shù)草莓呈現(xiàn)頭青色、身紅色。成熟度高的草莓R通道灰度平均值較大和G通道的灰度平均值較小，兩通道的標(biāo)準(zhǔn)差相對較小，相反不成熟的草莓R通道灰度平均值較小和G通道的灰度平均值較大，且兩通道的標(biāo)準(zhǔn)差相對較大。所以可以通過計算草莓果肉中紅色、綠色灰度平均值和標(biāo)準(zhǔn)差表征草莓的成熟度。

從RGB彩色圖中分割出草莓果實，分別計算R通道和G通道的灰度平均值和標(biāo)準(zhǔn)差。將60顆草莓按照成熟度分為A、B、C 3類，對該60顆草莓的紅色、綠色灰度平均值和標(biāo)準(zhǔn)差分析可以看出確實滿足預(yù)期的理論設(shè)想。不同等級樣本草莓的R、G像素變化規(guī)律見圖5。

結(jié)合圖5a～5d可以看出，3類草莓的紅、綠色像素平均值和標(biāo)準(zhǔn)差整體有規(guī)律的變化。A類草莓果實紅色像素平均值最大且其標(biāo)準(zhǔn)差最小，綠色像素平均值最最小且標(biāo)準(zhǔn)差最大；C類草莓實紅色像素平均值最小且其標(biāo)準(zhǔn)差最大，綠色像素平均值最最大且標(biāo)準(zhǔn)差最小。因此選取草莓R、G像素平均值及其標(biāo)準(zhǔn)差作為描述草莓成熟度的特征參數(shù)。

3系統(tǒng)測試

隨機選取20顆新鮮草莓，將其用來測試系統(tǒng)的準(zhǔn)確性和精確度。提取草莓的相關(guān)特征參數(shù)，如表2所示。

草莓等級判別系統(tǒng)是由60顆人工分類為A、B、C類的樣本草莓的特征參數(shù)訓(xùn)練出的BP神經(jīng)網(wǎng)絡(luò)?，F(xiàn)將每顆待測草莓的13個特征參數(shù)作為神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)，輸出值為設(shè)定的3個不同值，對應(yīng)表征草莓優(yōu)劣的A、B、C 3個等級。測試結(jié)果見表3。

由表3可知，BP神經(jīng)網(wǎng)絡(luò)得出的結(jié)果是優(yōu) （A 類）7顆，良（B類）5顆，差（C類）8顆，與人工分類結(jié)果對比，準(zhǔn)確率達(dá)到90%。因此肯定表征草莓等級的形狀、大小和成熟度的特征參數(shù)選取正確，系統(tǒng)分類方法可行。造成誤差的原因有2個，一是草莓葉子帶有葉子且葉子大小不一，部分草莓圖像中葉子遮蓋了很大部分的果肉，以至于圖像分割后得到的圖像與草莓果肉實際圖像有較大的出入，提取的特征參數(shù)可信不度不高；二是BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本過少，影響分級精度。

4結(jié)論

該研究綜合應(yīng)用機器視覺、神經(jīng)網(wǎng)絡(luò)理論，建立了包括圖像采集、圖像分割、特征參數(shù)提取、模型識別各環(huán)節(jié)的草莓自動分級方法，并進(jìn)行了實驗驗證，得到以下結(jié)論：

（1）基于極坐標(biāo)下草莓幾何形狀特征、顏色成熟度兩類特征參數(shù)，用人工神經(jīng)網(wǎng)絡(luò)作為識別模型，來劃分草莓品質(zhì)的方法是可行的，與人工分級結(jié)果相比，測試中準(zhǔn)確度達(dá)到90%。

（2）實際操作中要保證圖像采集時光照均勻、色溫適中，使圖像最大程度地反映草莓真實顏色，以提高判別結(jié)果的準(zhǔn)確度。

參考文獻(xiàn)

[1]

喬勇進(jìn)，王海宏，方強，等.草莓采后處理及貯藏保鮮的研究進(jìn)展[J].上海農(nóng)業(yè)學(xué)報， 2007（23）：109-113.

[2] CAO O， NAGATA M.Study on grade judgment of fruit vegetables using machine vision （Part 3）[J].Journal of Society of High Technology in Agriculture，1997，9（1）：49-59.

[3] 應(yīng)以斌， 饒秀勤， 趙勻，等.機器視覺技術(shù)在農(nóng)產(chǎn)品品質(zhì)自動識別中的應(yīng)用[J].農(nóng)業(yè)工程學(xué)報， 2000， 16（1）：103-108.

[4] TAO Y，HEINEMANN P H，VARGHESE Z.Machine Vision for color inspection of potatoes and apples[J].Transaction of ASAE， 1995， 38（5）：1555-1561.

[5] 郭峰， 曹其新， 崔永杰， 等.用于草莓收獲機器人的果實定位和果柄檢測方法[J].農(nóng)業(yè)工程學(xué)報， 2008， 24（10）：89-94.

[6] 曹其新， 呂恬生， 永田雅輝.草莓揀選機器人的開發(fā)[J].上海交通大學(xué)學(xué)報， 1999， 33（7）：880-884.

[7] BaAT6O P M.Strawberry Sorting Using Machine Vision[C].1999 ASAE Annual International Meeting Technical Paper，1999：299-316.

[8] GUO F， CAO Q X， NAGATA M.Fruit detachment and classification method for strawberry harvesting robot[J].International Journal of Advanced Robotic Systems， 2008， 1（5）：41-48.

[9] 張鐵中，周天娟.基于BP神經(jīng)網(wǎng)絡(luò)的草莓圖像分割[J]，中國農(nóng)業(yè)大學(xué)學(xué)報，2004，9（4）：65-68.

[10] 王婷婷.彩色圖像分割方法的研究與實現(xiàn)[D].青島：山東科技大學(xué)，2005.

[11] 王雪光，陳淑紅.基于K 均值聚類的成熟草莓圖像分割算法[J].農(nóng)機化研究，2013，6（6）：51-54.

[12] 許曉麗，盧志茂，張格森，等.改進(jìn)近鄰傳播聚類的彩色圖像分割[J].計算機輔助設(shè)計與圖形學(xué)學(xué)報，2012，24（4）：514-519.

[13] 趙燕超，徐麗明.基于多元聚類分析的草莓形狀分類算法[J].中國農(nóng)業(yè)大學(xué)學(xué)報，2008，13（1）：77-80.

[14] 趙靜，何東健.果實形狀的計算機識別方法研究[J].農(nóng)業(yè)工程學(xué)報，2001，3（2）：165-167.

[15] 林開顏，吳軍輝，徐力鴻.基于計算機視覺技術(shù)的水果形狀分級方法[J].農(nóng)業(yè)機械學(xué)報，2005，6（6）：72-74.