基于圖像處理的臍橙表面缺陷檢測研究

覃倩倩，楊 潔，陳麗萍

（西南林業(yè)大學(xué)，云南 昆明 650224）

0 引 言

水果表面的缺陷對于水果的儲存與商業(yè)價值有著最直接的影響，是評定水果質(zhì)量的重要指標(biāo)之一。我國是柑橘類水果的生產(chǎn)大國，但其商品化的技術(shù)處理水平較低[1-2]?，F(xiàn)如今的水果缺陷檢測多依靠人工分揀，這就造成分揀結(jié)果的主觀性和差異性，沒有統(tǒng)一的缺陷檢測標(biāo)準(zhǔn)。水果缺陷檢測技術(shù)在國外已經(jīng)得到了廣泛的應(yīng)用，國內(nèi)的水果缺陷檢測技術(shù)還不是很成熟[3]。因此，研究自動化的臍橙果實(shí)缺陷檢測在提高產(chǎn)品質(zhì)量控制中逐漸受到關(guān)注。

國內(nèi)的水果缺陷檢測技術(shù)起步較晚，但經(jīng)過近幾年國內(nèi)專家學(xué)者們對水果缺陷檢測的大量研究，也取得了較為突出的成果。趙娟等[4]用數(shù)字處理方法分析蘋果表面的缺陷, 提出利用面積比來判斷水果缺陷大小。容典[5]針對類球形水果表面亮度分布不勻, 提出了一種快速自適應(yīng)亮度矯正及單閾值快速水果缺陷分割算法，可以直接對臍橙表面整體亮度進(jìn)行自適應(yīng)矯正。盧軍等[6]提出一種基于水果表面光照分布的分層輪廓分析算法，實(shí)現(xiàn)了在弱光情況下樹上綠色柑橘的檢測。IQBAL 等[7]提出使用兩步均值聚類技術(shù)分割各種成熟階段的整串香蕉和單個香蕉。ZHANG 等[8]利用平均值法對水果圖像表面的環(huán)帶區(qū)域灰度進(jìn)行亮度校正。NIPHADKAR 等[9]通過圖像形態(tài)學(xué)方法對潰瘍臍橙果的高光譜圖像邊緣進(jìn)行補(bǔ)償來降低對缺陷的誤檢。CUBERO 等[10]使用一種傳統(tǒng)計(jì)算機(jī)視覺系統(tǒng)使用燈光變換和圖像比率方法相結(jié)合檢測橙子的常見缺陷。

針對臍橙果實(shí)光線分布不均而導(dǎo)致缺陷檢測偏差問題，本文提出一種基于自適應(yīng)閾值分割的算法來提高缺陷識別精度及速度的方案，通過圖像不同區(qū)域亮度分布，計(jì)算缺陷果實(shí)圖像在光照不均的情況下的局部閾值，達(dá)到有效檢測臍橙表面缺陷的目的。

1 材料與圖像收集系統(tǒng)

1.1 試驗(yàn)材料

本研究使用的材料為表皮有缺陷的臍橙，被選擇果實(shí)的缺陷類型主要為擦傷、褐斑、腐爛、蟲咬斑等4 種常見缺陷，一共100 個。將采摘的目標(biāo)果實(shí)進(jìn)行清洗并擦拭干凈，并將其避光靜置12 h。

1.2 圖像收集系統(tǒng)

本文的圖像采集系統(tǒng)由手機(jī)相機(jī)、光照系統(tǒng)和計(jì)算機(jī)設(shè)備組成。光照系統(tǒng)主要由反光板、LED 攝影棚和可調(diào)節(jié)光線強(qiáng)弱的LED 燈條等組成，如圖1 所示。LED 攝影棚長×寬×高尺寸分別為450 mm×450 mm×400 mm，2 條可調(diào)節(jié)光源強(qiáng)度的LED 燈條固定在LED 攝影棚內(nèi)的兩側(cè)。選擇黑色的背景板放置在攝影棚底，設(shè)置相機(jī)與攝影棚底部的垂直距離為250 mm，打開LED 燈管并調(diào)節(jié)其亮度，等待15 min至LED 燈管的光照強(qiáng)度穩(wěn)定后對樣本進(jìn)行采集。采集圖像的原始格式為JPG，圖像的原始大小為2 592 px×1 950 px。

圖1 臍橙圖像獲取裝置

2 基于自適應(yīng)閾值分割的臍橙缺陷檢測

使用Python 對于采集的臍橙缺陷果實(shí)圖像進(jìn)行預(yù)處理、缺陷區(qū)域分割與識別。

2.1 圖像預(yù)處理

對樣本圖像使用雙線性插值算法進(jìn)行縮放。因采集到的原始圖像過大，圖片中的信息過多，會影響識別精準(zhǔn)度與速度，在不改變圖像分辨率的情況下對采集的圖片進(jìn)行縮放處理，將采集的原始圖像2 592 px×1 950 px壓縮至808 px×608 px。

為了避免受到顏色干擾而在后續(xù)缺陷分割時產(chǎn)生錯誤識別，對壓縮后的臍橙圖像進(jìn)行灰度化處理，為了更直接的展示臍橙圖像中的灰度級別分布狀況，使用加權(quán)平均法得到灰度圖像。見式（1），將R、G、B三個分量選擇合適的加權(quán)系數(shù)進(jìn)行灰度化處理，提高后續(xù)缺陷識別的精度。

式中，R、G、B表示彩色圖像紅、黃、藍(lán)3 個通道值，a、b、c為各個通道的系數(shù)。

灰度化處理后的臍橙圖像采用中值濾波進(jìn)行去噪，在濾除噪聲的同時，能夠保護(hù)信號的邊緣，最大程度上保留缺陷邊緣細(xì)節(jié)。設(shè)｛xij,(i,j)∈I2}為數(shù)字圖像各點(diǎn)的灰度值，濾波窗口為A的二維中值濾波可定義為：

式中，yi代表中值濾波后得到的圖像的像素值，A為濾波窗口，MedA｛xij}表示像素值中值，r、s為指定鄰域的大小，｛xij, (i,j)∈I2}為數(shù)字圖像各點(diǎn)的灰度值。

2.2 基于自適應(yīng)閾值分割算法的分割方法

由于臍橙果實(shí)自身的形狀特征，在對臍橙果實(shí)采集的過程中必定有光照不均的現(xiàn)象，且臍橙果實(shí)的缺陷類型之間差異也較大，缺陷區(qū)域與完好部分的對比也各不相同。通常對于缺陷進(jìn)行提取的算法是針對于同亮度的圖像才有較好的效果，對于光照不均且缺陷區(qū)與完好區(qū)對比度小的樣本圖像，常規(guī)的缺陷提取方案便無法得到預(yù)期目的。使用自適應(yīng)閾值分割算法對臍橙缺陷部分進(jìn)行分割，不易受光線強(qiáng)弱干擾，在光照不均的情況下，通過圖像不同區(qū)域亮度分布，計(jì)算圖像的局部閾值，從而凸顯出臍橙表面缺陷的輪廓。其原理是將一張圖像分割為多個區(qū)域，然后分別計(jì)算每一個小塊的閾值，每一塊的亮度不同所計(jì)算出的閾值則不一樣，避免因光線不均的問題導(dǎo)致對臍橙缺陷部分的誤判，同時最難被識別的缺陷邊緣部分才能被最準(zhǔn)確地保留。

最后對所得的圖像進(jìn)行二值化處理，將圖像上的像素點(diǎn)的灰度值設(shè)置為0 或255，將使整個圖像呈現(xiàn)出明顯的黑白效果，從而凸顯出目標(biāo)的輪廓。

3 結(jié)論與分析

3.1 圖像預(yù)處理結(jié)果分析

圖2 分別為劃傷缺陷、潰瘍?nèi)毕?、蟲咬缺陷和褐斑缺陷果實(shí)，4 種缺陷果實(shí)的原始圖像經(jīng)過圖像壓縮、灰度化處理和中值濾波進(jìn)行去噪后的圖像。結(jié)果可知：臍橙的外部輪廓及臍橙果實(shí)表面缺陷的輪廓明顯，在對原始圖像進(jìn)行對比度增強(qiáng)和去噪后依然被最大程度上保留臍橙果實(shí)圖像缺陷部分。

圖2 臍橙果實(shí)表面缺陷預(yù)處理圖像

3.2 基于自適應(yīng)閾值分割對缺陷的識別結(jié)果

本實(shí)驗(yàn)選取劃傷、潰瘍、蟲咬和褐斑臍橙等4 種類型的缺陷果實(shí)作為樣本進(jìn)行實(shí)驗(yàn)，缺陷顏色多為黑色褐色，果實(shí)為橙黃色。由于臍橙果實(shí)表面的缺陷類型不同，其缺陷的表現(xiàn)形式也有所差異，對于缺陷部分顏色較深且缺陷范圍大的果實(shí)，其缺陷部分更容易被精準(zhǔn)的識別出來，而對于像褐斑缺陷臍橙果實(shí)來說，其缺陷部分顏色較淺，不易與正常果實(shí)區(qū)域區(qū)分開，缺陷邊緣容易出現(xiàn)部分?jǐn)?shù)據(jù)丟失現(xiàn)象。針對光線不均且缺陷差異較大的果實(shí)使用自適應(yīng)閾值分割算法對臍橙果實(shí)進(jìn)行缺陷提取，然后進(jìn)行二值化處理，實(shí)驗(yàn)結(jié)果見圖3，可以明顯的看到臍橙這4 種缺陷都通過缺陷識別的試驗(yàn)可得出：自適應(yīng)閾值算法針對解決光照不均造成的臍橙缺陷識別錯誤有著顯著的效果，特別是對于臍橙的褐斑缺陷果實(shí)，對于不明顯的缺陷區(qū)域也能有快速有效地提取出來。

圖3 臍橙果實(shí)表面缺陷提取

4 結(jié) 語

因臍橙果實(shí)為圓形及橢圓形的特性，其果實(shí)的采集過程中會出現(xiàn)光照不均的情況，為減少光照強(qiáng)度不均對臍橙果實(shí)表面缺陷提取造成誤判及遺漏現(xiàn)象，本文使用一種基于自適應(yīng)閾值分割的算法來提高缺陷識別精度及速度。實(shí)驗(yàn)表明，基于自適應(yīng)閾值分割的算法對于臍橙的擦傷、褐斑、腐爛和蟲咬等4種類型的缺陷在果實(shí)表面光線分布不均對于缺陷的錯誤識別的情況，對于幾種典型臍橙果實(shí)表面的缺陷識別準(zhǔn)確度及速度上都有了很大的提升。為后續(xù)臍橙果實(shí)的分級工作提供了更精準(zhǔn)高效的解決途徑。