基于机器视觉的辣椒外部品质检测

任 锐 张淑娟 赵华民 孙海霞 李成吉 廉孟茹

(山西农业大学工学院，山西 晋中 030800)

辣椒是世界最大的调味品作物，主要以果实为食，营养丰富，维生素C含量在蔬菜中占首位。辣椒市场价值主要受其外观质量的影响，依据NY/T 944—2006标准，正常辣椒形状均匀，色泽油亮光洁呈红色，部分辣椒出现黑斑、虫蚀和花皮等缺陷，需分选出来。

目前的分选主要靠人工分选，效率低、主观性强且工作量大，机器视觉利用计算机技术代替人眼获取图像的信息，具有无损、检测精度高、节省劳动力等优点，科研人员在机器视觉方面对农产品做了大量的研究，取得较大的发展。毕智健等[1]利用番茄表面的颜色特征对不同成熟度的番茄进行判别分类，完熟番茄训练集与验证集最高均为90%。解博等[2]通过机器视觉对杏核纹理特征进行识别，杂质杏核识别率可达94%。项辉宇等[3]采用基于Halcon的图像处理方法，依据RGB颜色模型，采用模板匹配的方法，对苹果品质的大小、缺陷、颜色检测判别苹果是否合格。Xu[4]提出利用最小核值相似区和脉冲耦合神经网络识别苹果果实，在测试的50幅图像中，识别率为93%。Arakeri[5]利用计算机视觉技术，运用图像处理技术分析番茄的缺陷和成熟度，对番茄的质量评估的准确率达到96.47%。Habib[6]利用图像提取木瓜色彩特征，解决木瓜病害识别，通过支持向量机对疾病特征分类，准确率达到90.15%。综上所述，机器视觉研究主要利用颜色特征、纹理特征、形态特征和直接利用图像进行判别，其他学者的研究大都采取单一特证判别。

研究拟利用机器视觉检测辣椒外部品质，通过机器视觉系统进行图像采集，图像增强，将提取颜色特征、纹理特征和形态特征作为特征值。通过回归系数法和连续投影法优选特征值，利用偏最小二乘回归法和最小二乘支持向量机建模分析，验证研究中选择特征值和模型的有效性，为今后的辣椒在线检测提供参考和技术支持。

1 材料和方法

1.1 试验样本

试验所采用的干辣椒购买自山西省襄汾县赵雄村的三樱椒。利用K-S(Kennard-Stone)算法[7]按3∶1划分训练集和预测集，其中正常样本训练集225组，预测集75组；缺陷样本训练集225组，预测集75组。

1.2 机器视觉系统和数据采集

机器视觉系统包括暗箱(440 mm×335 mm×425 mm)内壁使用黑色拷贝纸进行贴壁处理，屏蔽外界自然光；将相机(尼康D3300)和镜头(尼康尼克尔镜头焦段：18～140 m，光圈：f/3.5-5.6G ED VR)安装于暗箱顶部，采集辣椒图像信息；暗箱顶部布置环形荧光灯(YH327200KE)提供光源，暗箱下部安装可调节载物台，载物台顶部位于镜头正下方24 cm处。通过存储卡(SDSQUNC-032G-ZN6MA)将图像传入计算机(处理器：Y50Pi5-4210H，CPU：2.90 HZ，显卡：NVIDIA GTX 960M)中，采用MATLAB R2010b软件进行图像处理。

2 结果与分析

2.1 图像增强

图像增强是为了去除噪声，提高处理图像的质量和速度。中值滤波法为线性滤波器，可以减少噪声，保护图像边缘不受影响。对图像进行裁剪和灰度处理，利用中值滤波去噪，达到增强图像的目的，为后续提取特征值作准备，图像增强结果如图1所示。

图1 图像增强Figure 1 Image enhancement

2.2 特征值提取

2.2.1 颜色特征值提取 颜色特征描述图像区域所对应的目标物的表面性质[8]。RGB颜色空间是最基础的模型；HSI颜色空间接近于人眼视觉特性；HSV颜色空间由色调、饱和度和亮度组成；Lab颜色空间是范围最大的色彩模式。从RGB、HSV、HSI、Lab颜色空间中分别提取R、G、B、H、S、V、H、S、I、L、a、b颜色特征值的最大值、最小值、均值和方差，提取样本各颜色特征值如表1所示。

2.2.2 纹理特征值提取 纹理特征描述图像或图像区域所对应的表面性质。主要从灰度差分统计法和灰度共生矩阵来提取能量、熵、惯性矩、相关性、逆差距的4个方向(0°，45°，90°，135°)的特征值的均值[9]，提取结果如表2所示。

表1 样本各颜色特征值Table 1 Sample color eigenvalue

表2 样本纹理特征值均值Table 2 Mean of texture feature values of sample

2.2.3 形态特征值提取 图像形态特征是在物体从图像中分割出来后进行分析，在机器视觉中起着十分重要的作用[10]。通过计算缺陷面积比值和欧拉数确定辣椒类别。利用Otsu算法阈值分割，二值化分别提取模板图像和缺陷图像，如图2、3所示。

(1)

式中：

S——面积比；

s1——模板图像像素面积；

s2——缺陷图像像素面积。

EUL=C-H，

(2)

式中：

EUL——欧拉数；

C——代表对象总数；

H——孔洞数。

2.3 优选特征值

研究中，通过提取出600组图像，每幅图像46个特征值。由于特征值提取数据量大，每一组特征值对辣椒检测影响不同，因此需要提取影响效果显著的特征值建模检测。

2.3.1 RC方法优选特征值 回归系数法(RC)通过建立偏最小二乘回归法(PLS)模型的回归系数中的局部极值进行提取，其表达了PLS方法建模中每个特征值对此次建模相关性的情况。RC方法优选特征值如图4所示，优选出21个特征值，分别为5(0°方向的熵)，6(45°方向的熵)，7(90°方向的熵)，8(135°方向的熵)，9(0°方向的惯性矩)，11(90°方向的惯性矩)，20(135°方向的逆差距)，21(比值)，24(RGB中R值方差)，25(RGB中G值均值)，26(RGB中G值方差)，27(RGB中B值均值)，29(HSV中H值均值)，30(HSV中H值方差)，31(HSV中S值均值)，35(HSV中H值均值)，36(HSV中H值方差)，37(HSV中S值均值)，41(Lab中L值均值)，42(Lab中L值方差)，44(Lab中a值方差)。

图2 提取模板图像Figure 2 Extraction of template image

图3 提取缺陷图像Figure 3 Extraction of defect image

2.3.2 SPA方法优选特征值 连续投影法(SPA)是一种研究系统确定性与不确定性相互作用的分析理论[11]。SPA方法优选特征值如图5所示，可得14个优选特征值最优解依次排列为42(Lab中L值方差)，26(RGB中G值方差)，34(HSV中V值方差)，21(比值)，18(45°方向的逆差距)，5(0°方向的熵)，6(45°方向的熵)，17(0°方向的逆差距)，8(135°方向的熵)，32(HSV中S值方差)，45(Lab中b值均值)，46(Lab中b值方差)，7(90°方向的熵)，30(HSV中H值方差)。

2.4 建立检测模型

偏最小二乘回归法(PLS)是一种多元统计数据分析方法[12]。利用PLS方法与RC方法优选特征值和SPA方法优选特征值分别建模检测，判别结果如表3所示。

最小二乘支持向量机(LS-SVM)是支持向量机(SVM)的一种扩展，解决问题的线性性能。利用LS-SVM方法与RC方法优选特征值和SPA方法优选特征值分别建模检测，判别结果如表3所示。

由于模型预测出的结果非整数型，因此将0.5作为最大偏离值，预测类别值和假设类别值相差小于0.5的判定为此类样本[13]。由表3可知，利用PLS方法和LS-SVM方法分别结合RC方法和SPA方法优选特征值分别建模分析，RC-PLS模型判别率为95.33%，SPA-PLS模型和RC-PLS模型判别率为96.67%，PLS模型判别率为97.33%，LS-SVM模型和SPA-LS-SVM模型判别率为98.67%，6种方法检测结果都达到了90%以上。显然LS-SVM模型和SPA-LS-SVM模型检测结果最好，SPA-LS-SVM方法可以通过SPA方法优选特征值简化模型，提高检测精度和效率，因此选用LS-SVM方法建模结合SPA方法优选特征值检测模型最优。

图4 RC曲线Figure 4 RC curve

图5 SPA优选特征值Figure 5 Preferred eigenvalues by SPA

表3 检测模型判别结果分析Table 3 Analysis of detection model discrimination results

3 结论

研究主要利用机器视觉系统进行图像采集，利用中值滤波增强图像，减少噪声；通过提取RGB、HSV、HSI、Lab 4种颜色空间各颜色特征值的均值和方差，提取纹理特征的能量、熵、惯性矩、相关性、逆差距的4个方向(0°，45°，90°，135°)的特征值，利用Otsu算法阈值分割图像，提取形态特征缺陷比值和欧拉数作为特征值，共提取46个特征值。结果表明，选用连续投影法优选14个特征值，结合最小二乘支持向量机法进行建模，所得模型的检测准确率为98.67%，模型最优。