計算機視覺技術在農(nóng)產(chǎn)品品質檢測中的應用

陳濤

摘 要：隨著消費者對食品安全關注的增加，農(nóng)產(chǎn)品品質檢測越來越重要。計算機視覺作為一種無損檢測方法，有快速、使用簡便、制樣少的優(yōu)勢，已廣泛應用于農(nóng)產(chǎn)品的大小、形狀、顏色、缺陷、新鮮度等品質檢測。該文簡要陳述了計算機視覺技術的原理，主要介紹其在2009—2018年間農(nóng)產(chǎn)品品質評價方面的應用情況，旨在為計算機視覺技術在未來農(nóng)產(chǎn)品品質檢測方面的應用提供參考。

關鍵詞：計算機視覺;肉制品;果蔬;檢測

中圖分類號 TS207文獻標識碼 A文章編號 1007-7731（2019）20-0110-04

Abstract：With the increase of consumers′ attention to food safety，the quality detection of agricultural products is becoming more and more important，which is generally evaluated by considering their size，shape，color，visual defects，as well as freshness.As a non-destructive detection method，computer vision technology，with the advantages of rapid，easy to use and less sample preparation，has been widely used in thequality detection of agricultural products.The purpose of this paper is to present the basic theories of computer vision technology，and its application details in the quality evaluation of agricultural products in 2009-2018 years，and to provide references for future application of computer vision technology.

Key words：Computer vision technology;Meat;Fruits and vegetables;Detection

農(nóng)產(chǎn)品的品質直接影響其市場價值、消費者的偏好和選擇，甚至會引起巨大的經(jīng)濟損失和安全隱患[1]。因此，農(nóng)產(chǎn)品的識別、鑒定和分類在加工和品質評估中是非常重要和必要的環(huán)節(jié)[2]。

計算機視覺技術能夠連續(xù)和快速地定位、提取和評價目標的信息，相對于傳統(tǒng)的人工檢測，是一種更有效率、更經(jīng)濟的新型技術。圖像處理和模式識別技術的發(fā)展以及計算機硬件的改良使得計算機視覺技術的檢測范圍更為廣泛，靈敏度更高。目前，計算機視覺已經(jīng)廣泛應用于肉制品和果蔬、蛋類等農(nóng)產(chǎn)品品質檢測，包括大小、形狀、顏色、紋理、缺陷、新鮮度等[3-5]。本文簡要介紹了計算機視覺技術的原理，著重介紹了2009～2018年計算機視覺在農(nóng)產(chǎn)品品質檢測方面的應用進展。

1 原理

計算機視覺技術即通過計算機視覺硬件獲取目標圖像，然后利用圖像處理過程提取圖片中的有用信息，進行質量分析和過程控制的技術。高質量的圖片有助于提取更有效的信息，因此計算機視覺的硬件部分非常重要。同時，圖像處理過程通過校正、降噪等前處理可提高圖片的質量和特征的可見度，為后續(xù)的圖像分割以及識別和分類提供便利條件[6-7]。

2 應用

2.1 肉制品 對于肉制品來說，新鮮度是評價品質的重要指標。隨著存放時間的延長，肉的顏色逐漸從鮮紅變成暗紅，甚至會變綠，同時肉質會慢慢失去彈性。與傳統(tǒng)的Minolta CR-400色差儀相比較而言，計算機視覺系統(tǒng)生成的肉的真彩色圖像更類似于真實的肉[8]。另外，計算機視覺基于RGB和HIS等顏色空間模型可以提取目標的顏色參數(shù)，并提取表面紋理分析目標的質構特征，以此來鑒別新鮮度。

2.1.1 牛肉、羊肉和豬肉 在屠宰場，牛肉羊肉和豬肉的新鮮度需要進行測量以便于之后加工和運輸?shù)胶线m的市場。對于牛肉來說，除了新鮮度以外，大理石花紋、肌間脂肪的多少和分布決定了牛肉的適口性和價值[9]。通過研究牛胴體6～7肋橫斷面圖像，提取牛肉眼肌的總面積比、圓度、脂肪分布均勻度、肌肉和脂肪色度值5個特征參數(shù)，發(fā)現(xiàn)眼肌的面積、圓度越大，肌肉和脂肪色度值越高、大理石紋密度分布均勻的牛肉品質越好[10]。而在灘羊肉貯藏期間，圖像的R（紅色）值線性降低，G（綠色）和B（藍色）值線性增加，H（色度）值由紅轉為藍綠色，S（飽和度）值先減后增，而I（亮度）值沒有明顯的趨向性。通過提取RGB和HIS顏色空間的特征分量，運用神經(jīng)網(wǎng)絡建立灘羊肉新鮮度分級模型，識別準確率達90%以上[11]。豬肉RGB圖像空間中的R（紅色）分層中顏色區(qū)域比（顏色分層區(qū)域像素點數(shù)量與圖像像素總數(shù)之比）與豬肉新鮮度間有較高的相關性。肖珂等[12]提出顏色區(qū)域比檢測豬肉新鮮度的方法，當分類閾值為0.88，即大于此閾值為新鮮豬肉，而小于此閾值為腐敗豬肉，能夠實現(xiàn)對豬肉新鮮度的檢測和分類。此外，通過RGB-HIS、RGB-L*a*b*、rgb-HIS、rgb-L*a*b*及HIS-L*a*b*5類顏色特征參數(shù)組合，結合BP神經(jīng)網(wǎng)絡和支持向量機構造豬肉各類新鮮度等級預測模型，BP神經(jīng)網(wǎng)絡和支持向量機的平均預測準確率分別為84.44%和91.11%[13]。

2.1.2 水產(chǎn)品 計算機視覺在魚、蝦等水產(chǎn)品應用方面具有巨大的潛力。與傳統(tǒng)基于羅氏標準比色卡的人工分級方法相比，基于多顏色模型對于大西洋鮭魚魚肉肉色進行自動分級時，2種方法的分級結果差異并不顯著[14]。對于檢測半透明的水產(chǎn)品，如三文魚，魷魚管，去皮生蝦，Al?i?ek和Balaban[15]提出了1種新的方法（2個影像的方法），可以很好地將與背景顏色相似的物體分割出來。另外，研究發(fā)現(xiàn)在生蝦干燥過程中，含水率與L（明度）值變化有很強的相關性。隨著干燥的進行，樣品的L值降低。因此，可以利用二次回歸模型對干燥過程中蝦的含水率與顏色參數(shù)進行精確的關聯(lián)，以確定最佳的干燥時間[16]。

2.2 果蔬 水果和蔬菜的大小、形狀、顏色以及缺陷等品質是果蔬最重要和最直接的感官品質屬性，影響它們在銷售點上的價值和消費者的購買行為。因此，在評價水果和蔬菜的質量中，這些特性必不可少。計算機視覺因為它的無損的性質已經(jīng)廣泛用于果蔬品質的檢測和分類。

2.2.1 蘋果和柑橘 蘋果和柑橘是我國生產(chǎn)量最大的2種水果，發(fā)展基于計算機視覺的蘋果和柑橘品質的自動分級技術，對提高其在國際市場上的競爭力有著十分重要的意義。Moallem等[17]對120個“金冠”蘋果進行2類（健康和缺陷）和3類（第1級，第2級和不可接受）分級研究時，分級準確率分別為92.5%和89.2%。同時，為滿足蘋果產(chǎn)業(yè)化發(fā)展的需求，基于計算機視覺的蘋果自動在線分級系統(tǒng)的開發(fā)也已較成熟[18]。通過捕獲流水線狀態(tài)的蘋果圖像，然后選取最大果徑、二維傅立葉動態(tài)變換、色度圖像以及缺陷點像素面積，分別表征蘋果的大小、形狀、顏色和缺陷，自動分級系統(tǒng)的作業(yè)速度可達5個/s，4個等級蘋果的分級準確率分別為92%、88%、84%和88%，平均準確率為88%[19]。另一方面，為確定果園果樹上蘋果的采摘時期，需要克服果樹上蘋果的識別和定位的困難，排除果園復雜的環(huán)境、枝葉的遮擋和樹枝的分支機構帶來的干擾。Nguyen等[20]提出了1個基于顏色和形狀特征的算法來檢測和定位紅色和雙色蘋果，對于樹上完全可見的和部分被遮擋的蘋果的檢測準確率分別為100%和82%。

消費者在挑選水果尤其是柑橘的時候，更關注大小、表面缺陷和顏色、表皮厚度[21]。Jafar等[22]研究表明柑橘皮膚表面的粗糙度和厚度之間具有很高的相關性（R2=0.944）。在柑橘自動分級模型中，概率神經(jīng)網(wǎng)絡和支持向量機均表現(xiàn)出很好的潛力[23-24]。其中基于概率神經(jīng)網(wǎng)建立柑橘表面紋理和果實顏色的分級模型，整體的識別準確率約85%，1級和4級柑橘的識別率最高，2級和3級柑橘的識別率稍低[24]。

2.2.2 棗 計算機視覺重點對于棗的外部品質檢測的進行研究，包括大小、裂紋、表面褶皺和病害等。目前棗的大小分級還處在人工或機械分級的初級階段，而干癟褶皺棗、病害棗和裂紋棗也還需要人工揀選。采用計算機視覺技術，棗的大小可以用輪廓上2點之間最大距離和最小外截矩形的長和寬進行表征，準確率分別可達91.7%[25]和94%[26]。李運志[27]對紅棗表面紋理和病害識別進行研究，通過灰度共生矩陣的6個參數(shù)（對比度、相關、能量、一致性、熵和灰度圖的標準差）描述紅棗表面褶皺紋理，基于BP神經(jīng)網(wǎng)絡和支持向量機建立分級模型，分級正確率分別為94.29%和95.23%;結合紅棗區(qū)域顏色特征值色調H的均值和均方差，用支持向量機方法建立紅棗表面缺陷檢測的模型中，訓練集和測試集的識別正確率分別為95.77%和95.79%。對于畸形棗的判別，許敏等[28]提取前15項系數(shù)傅里葉級數(shù)，分別使用不規(guī)則度判別法和歐氏距離法進行研究，結果表明：2種分類方法中，正常棗的分類準確率都比較高;采用不規(guī)則度判別法畸形棗的識別率可達90%，高于歐氏距離法（識別率僅為35%）。

2.2.3 土豆 土豆之間的大小、形狀和規(guī)則性各不相同，很不容易分級。ElMasry等[29]嘗試通過運用自動的計算機視覺系統(tǒng)將不規(guī)則的土豆分為不同等級。他們建立了土豆圖片的第1個數(shù)據(jù)庫，提取了一些必不可少的物理特征，包括周長、質心、慣性矩、面積、長和寬。通過2次測試來證實分類的準確性，最成功的分類結果是測試228個土豆有96.5%的正確分類率。在土豆質量和形狀自動分級系統(tǒng)中，系統(tǒng)對每幅圖片的處理時間只需要1.5s，可以實現(xiàn)40個/min的自動分級速度[30]。另一方面，為實現(xiàn)土豆綠皮、內部發(fā)芽以及發(fā)芽狀態(tài)和損失的判定，向靜等[31]分別利用感知器學習算法、K-最近鄰分類算法以及角點檢測法和長短軸的比值來表征綠皮、發(fā)芽和損失，識別正確率分別為89.7%，96%和90.4%。

2.2.4 胡蘿卜 胡蘿卜外觀品質包括青頭、開裂、須根、彎曲、斷折等。韓仲志等[32]對520個胡蘿卜樣本進行分級，分別通過提取骨架檢測端點數(shù)、R分量上二值化、S分量結合區(qū)域標記的方法來實現(xiàn)須根、青頭和開裂檢測，正確率分別為97.5%，81.8%和92.3%，總體識別率91.3%。同樣，杜宏偉等[33]對含有以上不同種類的缺陷的520個胡蘿卜樣本進行分級檢測，識別率達93.5%。

2.2.5 蛋類 在蛋品的品質評價指標中，除了蛋的重量和大小以外，蛋殼上的裂紋也是另一重要指標，直接影響蛋的質量和安全，可能導致細菌污染。因此，需要有效的裂紋檢測系統(tǒng)。通過背景分割和邊緣檢測以及小波變換后，基于費歇爾判別和支持向量機神經(jīng)網(wǎng)絡的裂紋識別模型準確率可分別達到95%和98.07%[34-35]。在雞蛋長短軸、重量和表面污漬檢測模型中，長軸檢測誤差在-0.81～0.53mm內，短軸長度的誤差在-0.55～0.41mm內，重量誤差小于±1g，表面污漬檢測率為75.86%[36]。

2.2.6 其他 近年來計算機視覺還應用在其他果蔬的品質檢測中，這些研究主要是對顏色和水分的檢測。在櫻桃和草莓的顏色評級中，整體的評級精度可分別達到85%和90%[37-38]。在楊梅的自動在線檢測分級中，系統(tǒng)對楊梅的顏色和果形進行識別和分級時，分級準確率為92.7%。處理每幅圖片所需時間僅0.45s。且若不考慮其它環(huán)節(jié)的限制，系統(tǒng)的分級效率理論上可以達到700個/s[39]。Pace等[40]基于圖像分析和現(xiàn)摘油桃的化學特性評估外觀和褐變之間的聯(lián)系。他們檢測了包括滴定酸度、褐變評分和pH在內的化學特征，并進行了定量分析，獲得了0.76的相關系數(shù)?；谥С窒蛄繖C和人工神經(jīng)網(wǎng)絡還可對葡萄干燥過程進行在線監(jiān)測和控制。結果表明，人工神經(jīng)網(wǎng)絡的檢測模型（4個輸入，5個隱含層節(jié)點，1個輸出）最好，建模集的均方根誤差為0.00004，R2為0.99947，預測集的均方根誤差為0.00003，R2為0.99952[41]。

3 結語

計算機視覺技術通過圖像采集、預處理、分割和識別，實現(xiàn)對農(nóng)產(chǎn)品大小、形狀、顏色、紋理和缺陷以及新鮮度等品質的檢測和分類，在質量控制和品質評價中起著至關重要的作用。同時，計算機視覺技術可以結合其他技術如近紅外光譜、電子鼻等無損檢測技術，實現(xiàn)農(nóng)產(chǎn)品外部和內部品質以及風味品質的檢測，擴大計算機視覺技術的應用范圍。

參考文獻

[1]陳桂珍，龔聲蓉.計算機視覺及模式識別技術在農(nóng)業(yè)生產(chǎn)領域的應用[J].江蘇農(nóng)業(yè)科學，2015（8）：409-413.

[2]Zhang B，Huang W，Gong L，et al. Computer vision detection of defective apples using automatic lightness correction and weighted RVM classifier[J]. Journal of Food Engineering，2015（146）：143-151.

[3]潘磊慶，屠康.計算機視覺對青刀豆長度及彎曲度評價的初步研究[J].食品安全質量檢測學報，2014（3）：691-696.

[4]程魯玉，吳艷，孟小艷.基于計算機視覺的香梨損傷自動檢測與分類研究[J].農(nóng)業(yè)網(wǎng)絡信息，2013（7）：25-27.

[5]白東升，李康.基于計算機視覺的高速機器人芒果分選系統(tǒng)設計[J].農(nóng)機化研究，2017，39（8）：231-233.

[6]賈永紅.數(shù)字圖像處理[M].武漢：武漢大學出版社，2010：4-6.

[7]鄭繼剛，王邊疆.基于MATLAB的數(shù)字圖像處理研究[M].昆明：云南大學出版社，2010：121-125.

[8]Girolami A，Napolitano F，F(xiàn)araone D，et al. Measurement of meat color using a computer vision system[J]. Meat Science，2013（93）：111-118.

[9]丁冬，陳士進，沈明霞，等.基于計算機視覺的牛肉質量分級研究進展[J].食品科學，2015，36（7）：251-255.

[10]張麗，李艷梅，孫寶忠，等.邊緣檢測、二值化處理進行牛肉分級的應用[J].肉類研究，2013，27（4）：10-14.

[11]田銀，羅瑞明，吳亮亮，等.基于計算機視覺技術對灘羊肉新鮮度分級方法研究[J].食品安全導刊，2016（3）：104-105.

[12]肖珂，段曉霞，高冠東，等.基于圖像特征的豬肉新鮮度無損檢測方法[J].河北農(nóng)業(yè)大學學報，2012，35（4）：111-113+122.

[13]潘婧，錢建平，劉壽春，等.計算機視覺用于豬肉新鮮度檢測的顏色特征優(yōu)化選取[J].食品與發(fā)酵工業(yè)，2016（6）：153-158.

[14]劉子毅.基于計算機視覺的大西洋鮭魚肉色自動分級及攝食活躍性測量研究[D].北京：中國科學院大學，2013：27-35.

[15]Al?i?ek Z，Balaban M. Development and application of the two image method for accurate object recognition and color analysis[J]. Journal of Food Engineering，2012（111）：46-51.

[16]Hosseinpour S，Rafiee S，Mohtasebi S S，et al. Application of computer vision technique for on-line monitoring of shrimp color changes during drying[J]. Journal of Food Engineering，2013，115（1）：99-114.

[17]Moallem P，Serajoddin A，Pourghassem H. Computer vision-based apple grading for golden delicious apples based on surface features[J]. Information Processing in Agriculture，2016，6（9）：211-223.

[18]闕玲麗.計算機視覺信息處理技術在蘋果自動分級中的應用[J].農(nóng)機化研究，2017，39（5）：246-248.

[19]錢中華.計算機視覺技術在紅富士蘋果自動分級系統(tǒng)中的應用[J].農(nóng)機化研究，2018，40（3）：181-184.

[20]Nguyen T T，Koenraad V，Niels W，et al. Detection of red and bicoloured apples on tree with an RGB-D camera[J]. Biosystems Engineering，2016（146）：33-44.

[21]譚博.基于計算機視覺技術的柑橘感官分級研究[D].長沙：湖南農(nóng)業(yè)大學，2013：44-56.

[22]Jafar A，Atefeh F，Mohammad R Z. Estimation of orange skin thickness based on visual texture coarseness[J].Biosystems Engineering，2014（117）：73-82.

[23]Pan Z B，Wei X Y. Computer vision based orange grading using SVM[J].Sensors，Measurement and Intellgent Materials，2013：1134-1138.

[24]盧軍，付雪媛，苗晨琳，等.基于顏色和紋理特征的柑橘自動分級[J].華中農(nóng)業(yè)大學學報，2012，31（6）：783-786.

[25]施健，何建國，張冬，等.基于計算機視覺鮮棗大小分級系統(tǒng)研究[J].食品與機械，2013（5）：134-137.

[26]顏秉忠，王曉玲.基于計算機視覺技術大棗品質檢測分級的研究[J].農(nóng)機化研究，2018，40（8）：232-235+268.

[27]李運志.基于機器視覺的紅棗外觀品質分級方法研究[D].陜西：西北農(nóng)林科技大學，2016：1-6.

[28]許敏，馬鉞，陳帥，等.基于計算機視覺的紅棗形狀識別方法研究[J].傳感器與微系統(tǒng)，2013，32（4）：23-26.

[29]ElMasry G，Cubero S，Moltó E，et al. In-line sorting of irregular potatoes by using automated computer-based machine vision system[J].Journal of Food Engineering，2012，112（1–2）：60-68.

[30]王聰，王婷.馬鈴薯質量和形狀自動分級系統(tǒng)研究—基于計算機視覺[J].農(nóng)機化研究，2018，40（6）：205-209.

[31]向靜，何志良，湯林越，等.結合計算機視覺的馬鈴薯外部品質檢測技術[J].計算機工程與應用，2017.

[32]韓仲志，鄧立苗，徐艷，等.基于圖像處理的胡蘿卜青頭、須根與開裂的檢測方法[J].農(nóng)業(yè)工程學報，2013（9）：156-161.

[33]杜宏偉，鄧立苗，熊凱，等.基于計算機視覺的胡蘿卜外觀品質分級系統(tǒng)與裝備[J].農(nóng)機化研究，2015（1）：196-200.

[34]周晶.基于視覺檢測技術的蛋縫識別系統(tǒng)的設計與實現(xiàn)[D].廈門：廈門大學，2012：42-56.

[35]涂佳.基于計算機視覺和動態(tài)稱重的雞蛋外部品質檢測系統(tǒng)研究[D].鎮(zhèn)江：江蘇大學，2013：47-62.

[36]Yang J，Shi Y，Zhou W，et al. Study on detection method for crack in eggs based on computer vision and support vector machine neural network[J].Mechanical Science and Engineering IV，2014（472）：176-179.

[37]Wang Q，Wang H，Xi，L J，et al. Outdoor color rating of sweet cherries using computer vision[J].Computers and Electronics in Agriculture，2012（87）：113-120.

[38]茍爽，張寧，張云偉，等.基于計算機視覺的草莓等級判別研究[J].安徽農(nóng)業(yè)科學，2015（21）：370-373.

[39]李思廣.基于機算機視覺的楊梅自動檢測分級[J].農(nóng)機化研究，2018，40（9）：204-207.

[40]Pace B，Cefole M，Renna F，et al. Relationship between visual appearance and browning as evaluated by image analysis and chemical traits in fresh-cut nectarines[J].Postharvest Biology and Technology，2011（61）：178-183.

[41]Behroozi K N，Tavakoli T，Ghassemian H，et al. Applied machine vision and artificial neural network for modeling and controlling of the grape drying process[J].Computers and Electronics in Agriculture，2013（98）：205-213.

（責編：楊 林）