基于机算机视觉的杨梅自动检测分级

李思广

(周口职业技术学院，河南 周口 466000)

0 引言

杨梅是杨梅科的常绿乔木，其果实含有丰富的花青素、糖类和有机酸等，具有很高的食用和药用价值，也是市场上很受消费者欢迎的一种水果。杨梅具有较为悠久的历史，生长历史达到7 000年，栽培的历史也有2 000年。杨梅仅分布在中国、韩国、日本和印度等少数几个亚洲国家，栽培面积约40万hm2，年产量超过100万t，而中国占比超过98%[1-2]。我国是杨梅的发源地，其主要分布在长江以南的地区，对当地的经济发展起着重要的作用。浙江是我国杨梅主产区，出产的杨梅具有很大的果形是优良的品质，在2010年的产值已经达到49.5亿元。目前，最著名的杨梅品种为东魁杨梅和荸荠种杨梅，占比分别为47.6%和28.3%[3]。

杨梅分布区域广阔，生态适应性好。因分布区域内的地理环境差异大，因此形成了多样的品种和品质[4-6]。对杨梅进行分析检测的品质性状包括果形指数、可食率、单果重、可溶性固形物含量、总糖含量、酸含量和维生素C含量等。各种杨梅品种都有其自身的品质特征，如地方品种的果形比栽培品种好，可溶性固形物含量更高，但是可食率较低[7]。杨梅的果实大小不一，不仅是重要的分级依据，还与杨梅的品质有着密切的关系。龚洁强的研究表明：东魁杨梅果实的大小与可食率和出汁率显著正相关，而对酸含量有负面影响，与可溶固形物之间则没有相关性[8]。杨梅的品质主要由品种的特性决定，此外还会受到栽培措施和生长期气候因子的影响。黄海静等利用设施大棚增加杨梅生长季节的有效积温和湿度，明显加快了其发育进程，也提高了果实品质[9]。

杨梅一般在高温高湿的6-7月份采摘，质地柔软，含水量高，没有外果皮。这些导致杨梅极易因碰撞而受损，可运输性和耐储藏性都很差。若加工成各种产品，又要面临储藏和加工过程中的变质问题。人们对杨梅采摘后的各种品质变化进行了研究，如蒋玲玲建立了基于不同颜色空间的杨梅表面性状和营养成分检测方法，以便加强对杨梅采后品质的监测和分类[10]。

分级是水果采摘后商品化处理的一个环节，有利于提高销售收益和市场竞争力。杨梅采摘后的挑选分级主要是去除损伤、畸形和病虫害果，然后通过人工观察判别等级。分级的依据主要是大小、颜色和成熟度等[11]。杨梅主要以鲜果的形式进行销售和食用，销售期最长仅为40天左右，集中销售的时间更短至20天。因此，杨梅采摘后须要立刻进入市场销售，加重了人工分级的劳动强度，较短的销售时期也影响了消费者的购买热情。

受农业发展水平的限制，我国的水果分级以人工方法为主。人工分级方法的劳动强度大、效率低且分级质量不稳定，这些问题在杨梅上体现得更为明显。计算机视觉技术可以对图像中的目标进行快速识别和检测，其在水果分级中的应用成为了研究热点。目前，对计算机视觉技术的研究主要集中于杨梅采摘机器人，用于对自然环境下的果实进行识别。徐黎明等通过同态滤波和K均值聚类的算法消除光照影响，增强杨梅的图像，对自然光照条件下的杨梅取得了理想的识别效果[12-13]。

计算机视觉的分析软件、算法已经成熟，可以针对水果的各种外部和内部品质进行检测和分级。本文根据杨梅鲜果的特性，设计了一个基于计算机视觉的自动检测分级系统。该系统利用CCD相机拍摄杨梅图像，传输给计算机进行分析，经过预处理、灰度化和图像分割后提取杨梅的轮廓；然后，检测杨梅的大小、果形和颜色，并以此为依据进行分级。最后，通过试验验证了系统分级的实时性和准确性，以期为我国杨梅产业的可持续发展提供技术支撑。

1 系统的设计原理及组成

1.1 设计原理

系统以计算机视觉为核心，控制相机拍摄流水线上的杨梅图像。图像传回核心计算机进行处理和分析，提取杨梅的各种性状特征，然后依据相关的等级标准判定级别；计算机根据分级结果生成操作指令并发送给分级装置，实现对相应鲜果的分级。

1.2 系统组成

光照室为0.4m×0.3m×0.5m的自制箱体结构，安装在流水线上，内壁黑色。光照室上壁两侧各安装一个10W的白炽灯作为光源，顶端安装一台Genie Nano C640型CCD相机。相机分辨率640×480，拍摄范围0.2m×0.3m，形成BMP格式的彩色图像。核心计算机为戴尔7040MT型台式电脑，配置Intel i7中央处理器，8GB DDR4内存和1TB硬盘，其运行速度和存储容量能够满足图像处理分析的要求。计算机安装Linux操作系统以及MatLab10.0视觉软件，其流程设计灵活，图像处理质量高，具有可视化界面设计和便捷的借口功能。计算机与光照室及分级装置之间通过USB3.0接口连接，如图1所示。

2 图像分析

杨梅图像在光照室中拍摄，虽然人工光源较为稳定，但是外界光照和鲜果个体不同，可能会产生孤立的亮点或阴影。另外，杨梅处于流水线上，具有一定的运动速度，也导致获得的图像中含有不同程度的噪音。这些噪音降低了成像的质量，引起图像模糊，不利于对目标的精确识别和检测。本文采用常见的5×5模式中值滤波法对原始图像进行预处理，去除噪音，如图2所示。然后通过Gamma校正非线性变换法进行灰度化处理，增强目标的图像特征，如图3所示。

图1 检测分级系统的组成

图2 杨梅的预处理图像

图3 杨梅的灰度化图像

图像中的背景基本为灰黑色，杨梅为紫红色，因此利用两者的颜色差异将目标从背景中提取出来。计算机视觉常用的色彩空间有RGB和HIS模式，本文选用RGB模式。在R、G和B分量中，G分量在杨梅和背景之间的差异最大。因此，采用双峰法在G分量的直方图中确定最佳阈值，对图像进行阈值分割，从背景中提取出杨梅的轮廓，如图4所示。

图4 杨梅的图像分割

反映杨梅果实大小的指标有果径及单果质量等，杨梅果实较为规则，一般为球形或近球形，因此本文选择果径作为指标。检测方法是扫描鲜果轮廓所包含的像素点，根据像素点数和实测果径值，确定两者之间的关系为y=0.002 84N。其中，y代表果径(mm)，N代表像素点数，果径越大则品质越高。以圆形度作为衡量果形的参数，计算公式为e=(4π·S)/(L×L)。其中，e为圆形度，S、L分别为轮廓面积和周长(pixel)，圆形度越大则品质越高。颜色是杨梅的重要外观特征和分级依据，但是无法用仪器直接测量。本文根据色彩饱和度与色彩形成原理的相似性，以R和G这2个分量作为特征，R所占比例越大则品质越高。最后，在视觉软件中设定杨梅果实大小、果形和颜色的参数，按照相关的标准对其进行分级，如图5所示。

3 试验结果与分析

3.1 试验设计

用东魁杨梅鲜果对系统的分级效率和准确性进行了测验，设定流水线的运行速度0.3m/s，相机拍摄间隔为1s。分级的依据为DB44/T 1303-2014东魁杨梅鲜果的等级标准，共有特级、一级和二级3个等级，果径要求分别为>35mm、28～35mm和24～28mm，果形要求端正，颜色为紫红色。首先对杨梅进行人工分级，果径用游标卡尺测量，目测果形和颜色并评判等级；然后选择3个等级的鲜果各100个编号，用系统检测分级，统计分级的准确性。

图5 杨梅的检测分级

3.2 试验结果与分析

系统分级的结果如表1所示。由表1可知：对特级鲜果的准确率为94%，分别有4个和2个被误判为一级和二级；对一级的准确率为92%，分别有3个和5个被误判为特级和二级；对二级的准确率为92%，分别有1个和7个被误判为特级和一级。整体而言，系统的分级准确达到92.7%，且对大小和果形的识别准确率很高，而对颜色深浅的检测能力相对不足。单幅图片处理所需时间为0.45s，小于拍摄的时间间隔，因而能够满足实时检测分级的要求。若不考虑其它环节的限制，系统的分级效率理论上可以达到700个/s。

表1 系统分级的准确率

4 结论

设计了一个基于计算机视觉的杨梅自动检测分级系统，利用CCD相机拍摄流水线上的杨梅图像，经过计算机视觉软件的预处理、灰度化和图像分割后提取到鲜果轮廓；然后，检测鲜果的果径、圆形度和颜色深度，并根据东魁杨梅的等级标准进行分级。经过验证，系统分级的准确达到92.7%，对大小和果形的识别准确率很高，而对颜色深浅的检测能力相对不足；单幅图片处理所需时间为0.45s，能够满足实时检测分级的要求，理论效率达到700个/s。

不同杨梅品种的果径和颜色都存在差异，本系统仅用东魁杨梅进行了验证，因此还需要优化各项参数和阈值，以提高其对不同品种的适用性。杨梅鲜果质地柔软，即使轻微的碰撞也会引起损失。为避免分级过程中的损伤，研制相应的分级执行装置势在必行。合适的分级装置与计算机视觉结合使用，才能达到高效无损的分级效果，为我国杨梅产业可持续发展提供技术支撑。