基于表面缺陷識別的獼猴桃分級方法

楊 濤，馬京晶，雷 進

（1.成都農(nóng)業(yè)科技職業(yè)學(xué)院機電信息學(xué)院，成都611130；2.成都工貿(mào)職業(yè)技術(shù)學(xué)院，成都611731）

中國獼猴桃種植基地主要分布于大別山區(qū)、陜西秦嶺北麓、貴州高原及湖南省西部地區(qū)、廣東、四川等地，其產(chǎn)量達237萬t，遠超意大利、新西蘭成為全球第一產(chǎn)出國［1］。然而，獼猴桃出口量（約2 000 t）不到全國總產(chǎn)量的千分之一。筆者對四川省獼猴桃主產(chǎn)區(qū)（蒼溪、都江堰、蒲江）調(diào)研發(fā)現(xiàn)，中國獼猴桃產(chǎn)后處理比例與水平較低，產(chǎn)品品質(zhì)良莠不齊，導(dǎo)致獼猴桃難以進入高端市場。由此可見，獼猴桃的品質(zhì)是影響其銷量與價格的主要因素之一。然而，獼猴桃大小、顏色、形狀、表面缺陷、成熟度、農(nóng)藥殘留等性狀均是影響獼猴桃鮮果品質(zhì)的主要因素，將獼猴桃按照一定的標(biāo)準進行分級是提高果實附加值、提升國際競爭力的重要手段。但是，常規(guī)的以大小或重量來區(qū)分水果等級的方法已難以滿足現(xiàn)代社會人們對高品質(zhì)獼猴桃的需要。因此，探索快速、低廉、準確的獼猴桃鮮果分級方法是促進獼猴桃產(chǎn)業(yè)發(fā)展的重要環(huán)節(jié)。基于此，國內(nèi)外學(xué)者紛紛加入到獼猴桃鮮果在線檢測與自動分級方面的研究中來。其中，西北農(nóng)林科技大學(xué)對獼猴桃分級方法展開了系統(tǒng)地研究，霍迎秋等［2］提出高光譜技術(shù)結(jié)合機器學(xué)習(xí)建立識別模型的檢測方法，對過量使用1-MCP化學(xué)保鮮劑的獼猴桃快速、無損檢測，平均識別率達100%；閆彬等［3］通過比較獼猴桃果萼區(qū)域最小外接矩形的長寬比來判別是否經(jīng)過膨大劑處理，其識別率達91.55%；劉忠超等［4］設(shè)計了基于面積的獼猴桃大小分級控制系統(tǒng)，平均分級速率可達2.5 s/個。國外水果自動化分級生產(chǎn)設(shè)備已經(jīng)相當(dāng)完善，美國OSCARTM型與MERLIN型高速水果分級生產(chǎn)線已廣泛應(yīng)用于蘋果、梨、柑橘等水果的分級［5］。國內(nèi)外學(xué)者對獼猴桃分級的研究還未涉及表面缺陷識別的分級方法。因此，基于獼猴桃表面缺陷識別技術(shù)設(shè)計了獼猴桃分級系統(tǒng)，該系統(tǒng)具有成本低廉、識別速度快等優(yōu)勢，這對于研制小型獼猴桃分級裝置、提高果農(nóng)收入、助力鄉(xiāng)村發(fā)展有積極意義。

1 獼猴桃等級

根據(jù)成都市獼猴桃協(xié)會海沃德獼猴桃鮮果分級標(biāo)準與NY/T 1794-2009獼猴桃等級規(guī)格，人工挑選了符合標(biāo)準的獼猴桃鮮果（圖1）。簡而言之，獼猴桃鮮果呈長橢圓形、顏色分布均勻，體積越大、品質(zhì)越高。

圖1 獼猴桃鮮果等級

獼猴桃在生長、采摘、搬運、分選、包裝等環(huán)節(jié)不可避免地會出現(xiàn)一些病斑、曬傷、疤痕、碰傷等表面缺陷（圖2）。這類帶有表面缺陷的獼猴桃鮮果統(tǒng)稱為殘次果。

圖2 獼猴桃鮮果表面缺陷

2 獼猴桃分級方法

研究提出的基于表面缺陷識別的獼猴桃分級方法見圖3。首先由圖像采集系統(tǒng)采集獼猴桃圖像；然后對其進行預(yù)處理以調(diào)整圖像效果；接著使用Kmeans聚類算法對預(yù)處理后的獼猴桃圖像進行聚類分割，得到獼猴桃表面缺陷圖像并提取其顏色矩信息，再與無表面缺陷獼猴桃顏色矩信息作對比，判斷該獼猴桃是否為殘次果。若判斷為正常果，隨即提取其形狀特征信息，組成特征向量；最后設(shè)計SVM分類器輸出獼猴桃等級信息。

圖3 獼猴桃分級流程

2.1 圖像采集與預(yù)處理

獼猴桃圖像采集系統(tǒng)見圖4，由PC、CCD相機、鏡頭、相機支架、LED環(huán)形光源等部件組成。使用該系統(tǒng)分別采集獼猴桃Ⅰ級果、Ⅱ級果、Ⅲ級果、殘次果各60張圖像。然后運用Otsu分割算法剔除背景，進行Hough變換獲取目標(biāo)區(qū)域最小外接矩形，提取獼猴桃果實輪廓曲線，進而實現(xiàn)獼猴桃果實圖像分割，以便對圖像進一步分析和處理［6］。

圖4 圖像采集系統(tǒng)

2.2 表面缺陷識別

2.2.1 缺陷分割要提取獼猴桃表面缺陷特征就需要將缺陷分割出來，運用K-means聚類算法對預(yù)處理后的獼猴桃圖像進行處理，其算法為：①隨機選擇K個初始聚類中心作為起始點；②計算每個樣本到各聚類中心的距離，并將每個樣本歸入最近的聚類中心；③以簇內(nèi)樣本均值作為該簇新的聚類中心；④重復(fù)②③步驟直至聚類中心不再變化或達到設(shè)定的迭代次數(shù)。試驗發(fā)現(xiàn)，該算法能較好地分割出獼猴桃圖像中的表面缺陷，同時，對于正常果圖像的聚類效果也不錯。

2.2.2 顏色判別人們可以通過視覺直觀地識別出獼猴桃表面是否存在缺陷、獼猴桃屬于何種等級，而計算機只能通過具體的數(shù)據(jù)對比來判斷。因此，提取分割后獼猴桃圖像各顏色分量并分別計算其三階顏色矩。分別對不同等級的獼猴桃鮮果圖像進行顏色矩提取得到不同等級的獼猴桃鮮果圖像顏色分布情況（圖5）。由圖5可知，獼猴桃表面缺陷首先會表現(xiàn)為顏色變化，即疤痕、病斑等表面缺陷會比正常獼猴桃顏色偏深，尤其在HSV顏色空間中的三階矩存在差異較大。而正常的獼猴桃分割后顏色特征信息差異不明顯。由此，可以將與正常果顏色特征差異較大的獼猴桃果判斷為殘次果。

圖5 不同等級的獼猴桃鮮果圖像顏色分布

2.3 特征提取

獼猴桃鮮果形狀特征與尺寸測量結(jié)合起來是區(qū)分不同等級獼猴桃的重要依據(jù)。從外觀上看，可通過獼猴桃形狀、大小進一步區(qū)分獼猴桃的等級。由此，提取獼猴桃形狀特征并與尺寸測量結(jié)合起來就可作為區(qū)分獼猴桃等級的重要依據(jù)。將預(yù)處理后的獼猴桃圖像轉(zhuǎn)換為二值圖像并進行連通域分析，再分別計算其面積A、周長L、圓形度ρc、矩形度ρR、最小外接矩形長寬比ρWL5個形狀特征參數(shù)得到獼猴桃形狀特征信息，見圖6、圖7。

面積A指的是連通域中像素的總個數(shù)，該特征受圖像尺寸、拍攝條件等因素影響較大，故需要在特定的成像系統(tǒng)獲取待識別獼猴桃圖像才具有一定的比較意義。

周長L指的是包圍某個連通域邊界輪廓線的長度。

式中，N1表示方向碼為偶數(shù)的像素；N2表示方向碼為奇數(shù)的像素個數(shù)。

圓形度ρc也被稱為似圓度，表示的是目標(biāo)圖像與圓形的相似程度。定義為目標(biāo)圖像面積A的4π倍與其周長L的平方之比。

矩形度ρR描述的是目標(biāo)圖像在其最小外接矩形區(qū)域內(nèi)的充滿程度，即目標(biāo)圖像面積A與其最小外接矩形面積A'之比。顯然，矩形的矩形度為1，圓的矩形度為，正三角形的矩形度為0.5，而其他不規(guī)則形狀的矩形度在0～1。且該特征受成像條件的影響較小，對目標(biāo)圖像形狀表征能力較強。

圖6 獼猴桃面積、周長

圖7 獼猴桃?guī)缀涡螤?/p>

長寬比ρWL指的是目標(biāo)圖像最小外接矩形的長寬比，該值不受圖像尺寸、方向的影響，是較為理想的幾何形狀特征。

2.4 分類判別

從獼猴桃形狀特征可以看出，不同等級的獼猴桃形狀存在不同程度的差異。簡單的邏輯判別會造成較大的識別誤差。為提高系統(tǒng)的識別率，設(shè)計了SVM多級分類器，判別函數(shù)見式6。

3 獼猴桃分級系統(tǒng)

為便于用戶對獼猴桃進行分級，開發(fā)了一套獼猴桃分級系統(tǒng)（圖8）。頂部為菜單欄，左側(cè)分為上下兩個區(qū)域顯示分級過程圖像，右側(cè)為按鈕操作與結(jié)果顯示區(qū)，能適應(yīng)小規(guī)模農(nóng)戶獼猴桃分級需求。未來，系統(tǒng)可進一步擴展以適應(yīng)更多的水果分級需求。

4 結(jié)論

研究基于獼猴桃鮮果表面缺陷圖像展開研究，提出了K-means聚類算法與SVM結(jié)合的獼猴桃表面缺陷圖像分級方法并開發(fā)了獼猴桃分級系統(tǒng)，適應(yīng)小規(guī)模農(nóng)戶需求。為水果分級打開了新思路，對于提升果農(nóng)收入有重要意義。

圖8 獼猴桃分級系統(tǒng)