机器视觉技术在核桃分级检测中的应用

卢军党，刘东琴，田智辉

（陕西省农业机械研究所，陕西咸阳 712000）

机器视觉技术是一种新兴的检测技术，在现代工农业生产中有着巨大的需求空间。由于机器视觉技术可以通过计算机处理获取大量有用的信息，而且能够自动处理，也易于同设计和控制等信息集成。因此，在现代自动化生产过程中，机器视觉技术被广泛地用于工况监视及品质检验等领域。利用机器视觉技术对农产品进行检测分级具有分级准确、无损伤、智能化程度高等优点，对农产品检测分级和保证贮藏品质具有重要的意义。国内学者在该领域进行了大量的研究，部分技术已经投入实际生产应用中。

1 机器视觉技术原理及在农产品分级检测中的应用

1.1 机器视觉技术原理

机器视觉技术是利用计算机模拟人类视觉的一种科学技术。机器视觉原理多是采用CCD（CMOS）照相机将目标转化为图像信号，然后传送给专用的图像处理系统，根据像素分布和颜色、亮度等信息，将图像转变成数字化信号；图像处理系统对这些信号进行各种运算来提取目标的特征，如颜色、大小、位置等，再依据设定的条件输出所需的结果[1]。控制系统可以根据判定结果发出控制指令，机器设备的执行单元完成相应的动作。

1.2 机器视觉技术在农产品分级检测中的应用

随着机器视觉技术的不断发展，其在农产品检测方面的应用也具有了应用的价值。由于在农产品的品质检测和农产品的采收和包装过程中，存在很大的人为和自然因素，如果应用传统的人工作业，不仅耗时、费力，而且效率也比较低，作业过程中的精度也在很大程度上受到主观因素的影响[2]。机器视觉技术是作为一门具有高科技含量的新技术，具有快速、实用及客观等优点，国内已在基于机器视觉技术的农产品分级检测上做了诸多研究。

展慧等人[3]为了将合格和缺陷板栗分离，研究了一种基于机器视觉的板栗分级方法。试验以罗田板栗为研究对象，构建了图像采集系统获取的板栗图像，通过灰度化和形态学处理将板栗和背景准确区分，通过主成分分析法提取了颜色及纹理等特征值，创建了3 层BP 神经网络模型，利用该模型来识别缺陷板栗，识别准确率达91.67%。结果表明，这种板栗检测方法是可行的。

王松磊等人[4]基于机器视觉技术，设计一种红枣无损检测分级机，该设备由输送系统、图像采集和处理系统、分级执行机构和控制部分组成。在工作过程中，由CCD 相机与STM32 嵌入式系统枣果从正面与背面采集枣果大小、颜色、外部损伤等综合指标信息，采用气动式分级执行机构完成枣果分级。试验结果表明，其对枣果的检测准确率达92%以上，产能550 kg/h，满足红枣自动分级检测的生产需求。

王红军等人[5]采用了三面投影的机器视觉系统获取马铃薯的图像特征，针对马铃薯质量和形状结合多元线性回归方法建立其分级预测模型，实现了基于机器视觉技术的马铃薯自动分级。三面图像包括在俯视图中马铃薯的轮廓面积、两侧面轮廓面积，在俯视及侧面图中，获取其外接矩形长度和宽度数据，利用这些特征参数建立马铃薯试验样本的质量和形状分级预测模型，同时用电子秤获取试验样本质量进行目测法对比。对比试验结果表明，马铃薯质量分级相关度系数R 为0.991，形状分级分辨率可达86.7%。

2 机器视觉技术在核桃分级检测中的应用

2.1 图像处理技术在原核桃分级检测中的应用

核桃大多是以原核桃的形式出售，在核桃生长和初加工过程中会出现外观缺陷（黑斑、破裂） 等影响其商品率的现象，需要对其进行分选处理，将其中有缺陷的核桃剔除。原核桃体积小、数量大，人工挑选费时费力，因此很多学者利用机器视觉技术在这一领域进行了研究。

李成吉等人[6]为快速识别核桃的外观缺陷，采集了核桃的样本图像。基于样本图像提取18 个颜色特征参数和20 个纹理特征参数。分别采用了回归系数法（RC） 和连续投影法（SPA） 对特征参数进行优选，同时建立偏最小二乘法（PLS） 的模型。试验结果表明，基于最小二乘法所建立的模型性能最优，然后将最小二乘法提取的参数作为输入，建立向量机模型，并对预测集样本进行预测。结果表明，运用该模型对正常、黑斑和破裂核桃的判别准确率分别为88.9%，83.3%，94.6%，总体的判别率为88.9%。

刘军等人[7]采集新疆多个品种核桃，运用3CCD面阵相机提取样本RGB 图像，设计一种自适应双阈值的Otsu 法，能够准确地分割出核桃图像的缺陷区域；基于对分割区域的几何、纹理等特征，转换特征向量集；以该特征集为输入，建立了15 个识别模型，对3 类核桃外部缺陷的识别性能和时间进行了对比评价。结果表明，基于径向基的支持向量机识别模型效果最好，对3 类缺陷的验证集平均识别率分别为93.06%，88.31%，89.27%，对缺陷的总识别率为90.21%，平均识别时间为10-4 s 级。

2.2 图像处理技术在核桃仁品质检测中的应用

部分核桃会进行破壳处理，以核桃仁的形式进入市场，核桃仁的品质根据其完整程度和色泽进行分类，利用机器视觉技术可以实现核桃仁品质的自动检测。蔡建等人[8]通过机器视觉的方法对核桃仁的颜色与完整度的分选上进行了研究，通过对采集的核桃仁图像进行预处理与分割，将含有多个核桃仁的图像进行图像学处理，分割出了单幅核桃仁图像。对单幅核桃仁图像提其轮廓与最小外接圆面积，利用其比值对核桃在完整度上进行了分类。最后通过机器学习的方法建立决策树模型对核桃仁样本进行预测，总体正确率达92%，为核桃仁自动分级提供了参考。

申爱敏等人[9]提出1 种基于机器视觉和图像处理技术的核桃仁完整度的检测方法。构建图像采集系统并采集核桃仁图像；通过灰度变换、中值滤波等图像预处理方法降低了图像计算数据量，再用阈值分割与区域填充等方法，获取了完整的核桃仁区域分割图；然后对核桃仁图像区域进行了像素统计，与构建的核桃仁分级模型进行对比，提出了1 种自适应平均算法对核桃仁样本学习训练；最后设计了配套的核桃仁完整度自动分级软件。结果表明，该方法在实验室条件下可实现核桃仁大小分级，分级正确率达90.0%以上。

2.3 图像处理技术在核桃仁中混杂物检测中的应用

核桃经破壳处理后要进行壳仁分离处理，一般采用的壳仁分离方式为风选式分离，这种方法对于壳仁物料比较小的时候分离效果较差。研究人员运用及其视觉技术研究了一种识别核桃壳、仁和分心木的方法，该方法以“清香”核桃为研究对象，在样本中的图像信息中分别提取了颜色分量的均值与方差，同时利用灰度共生矩阵提取了各样本的纹理特征参数。再以颜色特征值、纹理特征值和颜色-纹理特征值结合作为输入，分别建立最小二乘支持向量机模型（即Y-LS-SVM，W-LS-SVM，Y-WLS-SVM），并对各预测集样本进行判别。结果表明，Y-W-LS-SVM 模型的判别效果最好，其对核桃仁、分心木及核桃壳的判别准确率分别为93.3%，97.1%，100.0%。

雷凯栋[10]选用山西吕梁野生核桃为研究对象，运用高光谱成像和机器视觉技术对核桃壳、仁和分心木进行了识别和分类，并建立了人机交互界面。研究过程中，对高光谱所获信息进行了SNV 预处理后分别建立了PLS 模型。利用机器视觉系统采集并处理了样本的图像信息，建立了CNN 神经网络模型。结果表明，PLS 模型的判别准确率分心木100%，核桃仁98.75%，核桃壳99.44%；CNN 模型对分心木、壳、仁的判别率为100.00%，90.62%，97.50%[10]。

3 结语

作为一种新兴的分选技术，机器视觉技术有很多优点：①由于检测过程与被检测物料没有物理接触，因此不会产生损伤；②在检测过程中对被检测物料图像提取的信息较多，可以在同一检测过程中实现多种检测功能；③机器视觉技术处理过程中所得到的图像为数字图像，相对于模拟图像能很好避免在处理过程中产生的图像失真现象，确保图像的真实再现。随着计算机科学的发展，机器视觉技术将具有更加广阔的应用前景。