基于机器视觉的海产品外观品质分级方法

邢 士 元， 刘 艳 秋， 郑 元 松， 顾 伟， 王 慧 慧， 吕 艳

( 1.大连工业大学 机械工程与自动化学院， 辽宁 大连 116034；2.大连工业大学 国家海洋食品工程技术研究中心， 辽宁 大连 116034 )

基于机器视觉的海产品外观品质分级方法

邢 士 元1,2， 刘 艳 秋1,2， 郑 元 松1,2， 顾 伟1,2， 王 慧 慧1,2， 吕 艳1,2

( 1.大连工业大学 机械工程与自动化学院， 辽宁 大连 116034；2.大连工业大学 国家海洋食品工程技术研究中心， 辽宁 大连 116034 )

海产品外观品质的机器视觉检测分级方法旨在克服人工检测分级的主观性和随意性。主要采用中值滤波和边界跟踪法对图像进行预处理，在此基础上利用三点一线法和外接矩形旋转法确定海产品的横轴长和纵轴长。通过比较两种方法的优劣，采用三点一线法来处理图像，用时最短。提取横轴长、纵轴长、似圆度、形状参数、偏心率和中轴曲率作为分类特征，建立BP神经网络模型，实现海产品表观质量等级评定。识别的平均准确率达89.5%。

海产品；机器视觉；特征提取；BP神经网络

0 引 言

我国海产品总产量已跃居全球首位。海产品已成为居民重要的食品来源[1-3]。外观品质的好坏是决定其商业价值的关键因素之一。目前，海产品的检测分级多通过企业鉴评人员运用感官评定的方法进行外观品质检测，但人工检测有较大的主观性和随意性。利用机器视觉技术进行外观品质分级已成为农副产品研究热点，在水果、粮食、肉类等产品检测方面，取得了较好效果[4-6]。万鹏等[7]通过提取鱼类图像的形态结构参数等特征，利用BP神经网络模型，从而有效区分鱼类品种。张志强等[8]利用鱼的头部、腹部和尾部的长度以及质量关系，建立鱼体质量的预测模型，提出了淡水鱼质量分类的有效方案。对于大多数海产品而言，生产过程中需要将其按大小分级。传统方法采用筛子和分级机筛分，会使物料受到振动、碰撞，造成不同程度损伤，且机械筛分分级精度低、人工劳动强度大、效率低[9-11]。本试验研究了一种利用机器视觉技术检测海产品表观品质的智能算法，可快速、无损地实现海产品表观品质智能评定。

1 实 验

1.1 材料与设备

以海参和柳青蛤为研究对象，根据企业有经验的鉴评人员感官评定结果为标准选取各自外观品质为特级、一级、二级和三级的样本各50个，其中25个为训练样本，余下为测试样本。

实验设备主要由图像采集装置、照明装置及计算机组成。图像采集装置为近红外工业相机，在光源配合下，可获得高质量图像。光照装置为单色漫反射圆顶光源，对于海产品特殊形状及表面，可完全清除阴影。捕获图像后，存储于计算机，进行自动分析和处理，实现海产品表观质量的检测分级。

1.2 预处理

为减少算法运行时间并准确获得海产品的形态特征，需要对海产品图像进行预处理：

(1)对采集图像进行二值化，去除背景，提取感兴趣区域(ROI)。

(2)由于海产品图像在形成、传输和处理的过程中，会受到光照不均和扫描精度不高等因素影响，产生噪声。为了后续分析提供较高质量图像支持，需要去除噪声。经低通、均值和中值滤波比较，中值滤波效果最好，采用3×3的中值滤波器进行处理，结果如图1所示。

图1 中值滤波图像

(3)图像边缘蕴含了丰富的特征属性，需要对图像进行边界跟踪，获得较精确的外部特征，从而为后续形状分析做准备。本研究采用了邻域边界方法进行边界跟踪，跟踪结果如图2所示。

图2 边界跟踪图像

经预处理后，通过扫描法获得海产品图像边界坐标序列，为后续的特征形态参数提取提供数据支持。

1.3 形态特征的确定与提取

形态描述了物料长、宽、周长、面积等外在特征，形态特征的选择和提取直接影响海产品分级精度。

1.3.1 边界特征分析

为了求得海产品特征形态的各个参数，首先获得海产品的基础特征形态中的纵轴长、横轴长、面积和周长。由于海产品在生产线输送过程中位置随意性，如图3所示，图像中海产品存在旋转偏差，给特征提取带来了不便。为获得海产品准确的横轴长和纵轴长，尝试使用两种方法对海产品图像进行处理。

图3 旋转偏差图像和最小外接矩形图像

1.3.1.1 外接矩形旋转法

(1)海产品边界坐标点序列记为P(xk,yk)，其中k=1，2，…，l，l为边界坐标点个数，xk和yk为该海产品边界点在图像中的坐标值。扫描法求取外接矩形，确定海产品图像中心坐标O(x0,y0)、外接矩形的长度L0和宽度H0。

(2)以海产品图像的中心O(x0,y0)为旋转中心，采用最近邻法实现图像的旋转操作。

(3)对图像中ROI部分顺时针依次旋转3°，利用扫描法求其外接矩形并求取宽度Hn，其中n=1，2，…，m，m为旋转次数。当H符合式(1)时，即为最小外接矩形。

(1)

式中，H表示最小外接矩形的宽度，即海产品图像的纵轴长。利用图3所示最小外接矩形计算海产品横、纵轴长。

(1)海产品边界坐标点序列记为P(xk,yk)，其中k=1，2，…，N，N为边界坐标点个数，xk和yk即为该海产品边界点在图像中的坐标值。

(2)扫描法求取外接矩形，确定海产品图像中心坐标O(x0,y0)，顺序遍历海产品图像每个坐标点，求出距离中心O(x0,y0)最近的坐标点Pn(xn,yn)和最远坐标点Pf(xf,yf)。

(3)为减小误差，采用三点一线法确定海产品的实际纵轴长和横轴长，即利用式(2)求过中心点与最远点的直线lf和过中心点与最近点的直线ln。

(2)

(4)利用直线lf和ln及海产品的轮廓边界图像求出图像上对应的另2个坐标点Pn′(xn′,yn′)和Pf′(xf′,yf′)，进而求出海产品的纵轴长和横轴长。

(3)

式中：H表示海产品图像的纵轴长；L表示海产品图像的横轴长。

利用VC++6.0进行上述算法的编写，外接矩形旋转法平均运行时间为0.011 5 ms，三点一线法平均运行时间为0.003 5 ms，三点一线法处理速度明显高于外接矩形旋转法。由于海参肉刺的存在，第一种的误差也明显大于第二种。因此，采用三点一线法处理海产品图像。

于次年7月对各样地新竹进行每竹调查，调查指标包括老竹数、新竹数、新竹平均胸径和鲜质量。按径阶(每1 cm为1径阶)统计株数，根据株数分布，查一元质量表，计算标准地内竹秆鲜质量并推算单位面积上的竹秆鲜质量。

1.3.2 形态特征参数提取

根据物料人工分级特点，海参选取似圆度、形状参数、偏心率、中轴曲率和横轴长和纵轴长作为分级特征；由于贝类主要依据体积大小分级，因此，柳青蛤选取似圆度、形状参数、偏心率和横轴长和纵轴长作为分级特征。各8个样本，4个等级数据。

1.3.2.1 偏心率

偏心率在一定程度上描述了区域的紧凑性，定义为

E=L/H

(4)

E越接近1，则区域接近正方形，否则区域越狭长。

1.3.2.2 形状参数

形状参数是区域面积和周长的计算值，描述了区域紧凑性。

Sp=C2/4πS

(5)

式中：C为区域的周长；S为区域的面积。

1.3.2.3 似圆度

相同面积条件下，海产品的边界越光滑，形状越接近圆形，周长越短，反之周长越长。根据这个原理，可用面积周长比作为海产品的似圆度描述特征参数。似圆度反映了目标区域的伸长性和海产品肉刺的排列的紧密性。

R=4S/πL2

(6)

式中：S为海产品图像区域面积；L为横轴长。

1.3.2.4 中轴曲率

中轴曲率是指海产品中轴的弯曲程度，主要针对长轴与短轴比值较大的物料。中轴C可以看作是相连的n个像素点P(i)的集合，即

C={P(i)=(x(i),y(i))|i=0,1,2,…,n}

中轴C上某点的曲率为

(7)

式中：Δa为该点处切线倾角的变化，Δs为该点处弧长的变化。

在离散空间中，用差分代替微分，选取中轴C={P(j)|j=0,5,10,…,n-1}点，利用式(8)求海产品的中轴曲率Sr。

(8)

1.4 神经网络识别系统

以BP网络分类器为核心，建立的神经网络识别系统网络分3层，由输入层、隐含层和输出层组成。海参网络和柳青蛤网络输入层分别为6个神经元和5个神经元，分别对应于选择的各自特征值参数；隐含层节点数根据经验公式和多次实验确定为10；输出层为4个单元，分别用编码0，1，2，3表示特级、一级、二级和三级对应的网络输出，隐含层神经元采用S型正切传递函数tansig，输出层神经元采用S型对数传递函数logsig，网络训练函数trainlm，期望误差为0.01。在用训练数据集训练神经网络前，先对训练数据进行归一化处理，以避免数据饱和现象，加快网络收敛速度。

2 结果与分析

以实验材料训练BP网络，直至总误差小于给定值，网络训练完毕。利用海参网络和柳青蛤网络分别对各自测试样本进行等级识别。海参网络对海参识别分级，特级品识别率为92%，一等品和二等品识别率为88%，三等品识别率为96%。识别平均正确率为91%，海参分级结果如表1所示。柳青蛤网络对柳青蛤识别分级，特级品和二等品识别率为88%，一等品识别率为84%，三等品识别率为92%。识别平均正确率为88%，柳青蛤分级结果如表2。

表1 神经网络海参分级结果

表2 神经网络柳青蛤分级结果

综上所述，利用训练的BP网络对海产品进行分级，总识别平均正确率为89.5%，分级效果较好。

3 结 论

(1)利用三点一线法和外接矩形旋转法确定海产品的横轴长和纵轴长，通过比较，采用三点一线方法来处理海产品图像，时间短，效率高，有利于后续的海产品外观品质的分级。

(2)通过对海产品外观形态的分析，确定以似圆度、形状参数、偏心率、中轴曲率等分极特征参数来描述海产品的形态，并用BP人工神经网络对海产品进行识别和分级。结果表明，用试验的特征参数识别方法，其等级分选平均正确率为89.5%。

[1] 吉哲.认识海产品[J].人人健康,2013(14):30-31.

[2] 张鹤,郭兴月,张鹏,等.海参品质与检测技术研究进展[J].保鲜与加工,2014,14(2):60-64.

[3] HONG H M, YANG X L, YOU Z H, et al. Visual quality detection of aquatic products using machine vision[J]. Aquacultural Engineering, 2014, 63: 62-71.

[4] 张烈平,曾爱群,陈婷.基于计算机视觉和神经网络的芒果检测与等级分类[J].农机化研究,2008,10(10):57-60.

[5] 陈坤杰,孙鑫,陆秋琰.基于计算机视觉和神经网络的牛肉颜色自动分级[J].农业机械学报,2009,40(4):173-178.

[6] 彭辉,文友先,王巧华,等.基于小波变换和BP神经网络的蛋壳破损检测[J].农业机械学报,2009,40(2):170-174.

[7] 张志强,牛智有,赵思明.基于机器视觉技术的淡水鱼质量分级[J].农业工程学报,2011,27(2):350-354.

[8] 万鹏,潘海兵,龙长江,等.基于机器视觉技术淡水鱼品种在线识别装置设计[J].食品与机械,2012,28(6):164-167.

[9] 余心杰,吴雄飞,王建平,等.基于机器视觉的大黄鱼形态参数快速检测方法[J].集成技术,2014,3(5):45-51.

[10] 万鹏,潘海兵,宗力,等.基于机器视觉的鲫鱼和鲤鱼品种识别方法研究[J].广东农业科技,2012,39(17):184-187.

[11] 沈建,徐文其,刘世晶.基于机器视觉的淡干海参的复水监控方法[J].食品工业科技,2011,32(1):106-111.

Determination of seafood exterior quality grading based on machine vision

XING Shiyuan1,2, LIU Yanqiu1,2, ZHENG Yuansong1,2,GU wei1,2, WANG Huihui1,2, LYU Yan1,2

( 1.School of Mechanical Engineering and Automation, Dalian Polytechnic University, Dalian 116034, China；2.National Engineering Research Center of Seafood, Dalian Polytechnic University, Dalian 116034, China )

A classification method of the seafood exterior quality grading based on machine vision was studied to overcome the subjectivity and arbitrariness of the artificial detection and classification. The image was preprocessed by median filter and contour tracing method, and the three-points line method and the external rotation rectangles method were employed to determine seafood horizontal length and vertical length. The result showed that the processing time of three-points line method was shorter. BP neural network model was established to detect seafood exterior quality based on extracting horizontal length, vertical length, roundness, shape parameters, eccentricity and axial curvature, and the average accuracy rate could reach to 89.5%.

seafood; machine vision; feature extraction; BP neural network

2015-07-20.

国家火炬计划重点项目(2012GH560223)；海洋公益性行业科研专项(201505029)；国家海洋食品工程技术研究中心开放课题(2012FU125X03).

邢士元(1989-)，男，硕士研究生；通信作者：刘艳秋(1971-)，女，副教授.

TP391.4；TS254.4

A

1674-1404(2017)02-0147-04

邢士元,刘艳秋,郑元松,顾伟,王慧慧,吕艳.基于机器视觉的海产品外观品质分级方法[J].大连工业大学学报,2017,36(2):147-150.

XING Shiyuan, LIU Yanqiu, ZHENG Yuansong, GU wei, WANG Huihui, LYU Yan. Determination of seafood exterior quality grading based on machine vision[J]. Journal of Dalian Polytechnic University, 2017, 36(2): 147-150.