基于计算机视觉的苹果水心病无损在线分级系统

张弘炀，蔡 骋

(西北农林科技大学 信息工程学院，陕西 杨凌 712100)

0 引言

苹果在我国水果市场中占有较高的比例，苹果采摘机器人具有广阔的应用前景。考虑到部分苹果果实患有生理病害，有必要在苹果采摘机器人中加入无损在线检测苹果病害的模块，以便指导苹果采摘机器人的采摘行为。

水心病是我国西北地区元帅和秦冠苹果园中常见的一种苹果病害，是在抗药性、温度、果实大小及土壤环境等因素综合作用下形成的苹果内部病害。轻度患有水心病的苹果果实，其果心附近的果肉糖化，呈现出半透明的水渍状的斑纹，果面与无病苹果没有明显区别。水心病只是对苹果果实有害，对于人类无害且其口感比无病苹果要好，因此日本等地的苹果园挑选出患有水心病的苹果进行高价售卖。重度患有水心病的苹果果实，其水渍状的斑纹一直延伸到苹果果实表面，不仅严重影响了果实的美观程度，而且其部分果肉腐败褐变，不适合进行食用。患有水心病的苹果会在短时间内加快患病程度，因此有必要在苹果采摘机器人中加入苹果水心病无损在线分级系统，优先采摘轻度患有水心病的苹果，以便通过减少水心病加重造成的损失和通过单独售卖糖心苹果提高经济效益。

因为要保持苹果的完整性以便售卖，所以只能采用无损检测技术地对苹果水心病进行分级检测，本文基于高光谱技术和计算机视觉特征对此进行了研究。计算机视觉是一种无损检测技术，使用计算机算法对采集到的农业图像进行分析，与人工分析农业图像相比， 不受个人主观影响，可以挖掘出人眼观察不到的底层图像特征，并可自动化运行。目前，计算机视觉被广泛用于农业机械领域，如计算机视觉用于棉花生长监测自主导航车辆及玉米植株高度检测等。

韩东海等人于2004年使用苹果果实的密度和透光强度对苹果水心病的分级检测进行了研究，将苹果按照水心病患病程度分为了4个等级。王思玲等人于2015年基于苹果果实对高光谱近红外光的吸收值，采用特征选择算法和支持向量机算法对苹果果实是否患有水心病进行了检测。阙玲丽于2017年采用计算机视觉技术对获取到的苹果图像进行边缘检测、图像预处理操作，然后提取出形状特征和颜色特征对苹果果实进行了分级研究。苏欣于2017年采用计算机视觉技术对苹果图像提取出了大小特征、形状特征和颜色特征，并根据主特征参量对苹果果实进行了分级研究。

本文采用计算机视觉技术，在西北农林科技大学白水苹果试验示范站无损在线采集到秦冠苹果的高光谱透射图像和果面图像，然后使用K-SVD压缩感知算法对苹果图像进行降噪预处理，并提取计算机视觉领域的图像金字塔特征，用支持向量机算法进行苹果果实水心病患病程度的分级，根据分级结果指导苹果采摘机器人的采摘行为。

1 系统设计

1.1 苹果果实图像采集模块

本系统在西北农林科技大学白水苹果试验示范站采集到479个苹果的高光谱透射图像和果面图像，然后剖开苹果根据苹果内部水心病患病情形对其水心病患病程度进行标注。其中，采集到的高光谱透射图像的大小为512×512，采集到的果面图像的大小为400×600。

1.2 苹果果实图像降噪预处理模块

本系统采用压缩感知算法K-SVD对苹果果实图像进行降噪处理。该算法基于压缩感知，假设图像中局部区域是由基本的图像纹理、图像边缘等基本信号线性组合而成，则

arg minx‖x‖0s.t.‖y-Dx‖2≤

(1)

针对容量为K的基本信号字典，K-SVD算法每次使用OMP算法根据当前基本信号字典为苹果果实图像求解出线性组合系数，对基本信号字典的每一列计算出当前残差，并使用SVD分解残差的结果更新基本信号字典；迭代有限次后即可求得与图像内容相关的自适应基本信号字典，基本信号字典与对应线性表示系数的乘积即为降噪预处理后的苹果果实图像。

1.3 苹果果实图像计算机视觉特征提取模块

计算机视觉特征有直方图特征、LBF(Local Binary Pattern)特征、GIST特征、HOG(Histogram of Oriented Gradient)特征、SIFT(Scale Invariant Feature Transform)特征及SPM(Spatial Pyramid Matching)特征等。在这些特征中，SPM特征基于SIFT特征和直方图特征，既有SIFT特征对平移不变、对尺度不变、对旋转不变及对光照有一定程度不变的优点，又可以保留图像的空间分布信息。

SPM特征将图像划分为尺度0到尺度L,对于每个尺度l，将图像分割为2l个区域并对每个区域分别提取128维度的SIFT特征，使用kmeans聚类算法从所有SIFT特征求取K个基本信号组成特征字典；将所有尺度的SIFT特征用其对应的聚类中心的索引表示，拼接所有尺度的索引数组得到最终的SPM特征。

1.4 苹果水心病分级模块

根据人工标注好4种等级水心病患病程度无水心病、轻度水心病、中度水心病和重度水心病的苹果果实图像，对采用RBF核函数的支持向量机进行训练。即假设4个等级水心病患病程度的苹果果实图像的计算机视觉特征经过RBF核函数映射后是线性可分的，使用支持向量机算法训练4个等级中每一对等级的苹果果实图像对应的计算机视觉特征的划分边界。对于未知等级的苹果果实图像，使用训练好的支持向量机划分边界，基于1-vs-1策略可以无损在线对苹果的水心病患病程度进行分级。

1.5 水心病分级结果对苹果采摘机器人行为的指导

根据对苹果园中苹果果实的水心病患病程度的分级结果，果农可以对苹果采摘机器人的行为进行调节，优先采摘轻度水心病的苹果果实。这样，不仅可以尽早将糖心苹果提供给消费者以避免苹果果实由轻度水心病发展成重度水心病造成浪费，而且可以通过高价出售糖心苹果来提高经济效益。

2 实验结果

本次研究使用计算机视觉函数库OpenCV3.0为苹果果实图像提取SPM特征，使用libSVM库根据苹果果实图像的SPM特征进行苹果果实水心病患病程度的分级。

尺度数量L对苹果水心病分级准确率的影响如表1所示。K=200时，使用5-fold交叉验证对系统的参数L进行研究发现，L=2时的苹果水心病分级准确率最高。

表1 尺度数量L对苹果水心病分级准确率的影响

基本信号数量K对苹果水心病分级准确率的影响如表2所示。由表2可以看出：L=2时，使用5-fold交叉验证对系统的参数K进行研究发现，K=200时的苹果水心病分级准确率最高。

表2 基本信号数量K对苹果水心病分级准确率的影响

Table 2 Apple water core classification accuracy with different number of base signalK

KSPM特征维度杂草种子识别准确率/%100420075.4200840078.2

续表2

3 结论

本系统将压缩感知降噪算法、计算机视觉特征与机器学习算法用于苹果水心病的无损在线分级，构建了苹果水心病分级系统用于果园中无损在线获取到苹果果实的高光谱透射图像和果面图像；然后，经过降噪预处理和计算机视觉特征提取后，对苹果水心病的患病程度进行分级，最后根据分级结果指导苹果采摘机器人的采摘行为。实验表明：本系统实现了基于计算机视觉对苹果水心病患病程度进行分级及根据分级结果优先采摘糖心苹果的目标，可以取得降低人工成本、提高经济效益的结果，值得推广。