基于表面缺陷识别的猕猴桃分级方法

杨 涛，马京晶，雷 进

（1.成都农业科技职业学院机电信息学院，成都611130；2.成都工贸职业技术学院，成都611731）

中国猕猴桃种植基地主要分布于大别山区、陕西秦岭北麓、贵州高原及湖南省西部地区、广东、四川等地，其产量达237万t，远超意大利、新西兰成为全球第一产出国［1］。然而，猕猴桃出口量（约2 000 t）不到全国总产量的千分之一。笔者对四川省猕猴桃主产区（苍溪、都江堰、蒲江）调研发现，中国猕猴桃产后处理比例与水平较低，产品品质良莠不齐，导致猕猴桃难以进入高端市场。由此可见，猕猴桃的品质是影响其销量与价格的主要因素之一。然而，猕猴桃大小、颜色、形状、表面缺陷、成熟度、农药残留等性状均是影响猕猴桃鲜果品质的主要因素，将猕猴桃按照一定的标准进行分级是提高果实附加值、提升国际竞争力的重要手段。但是，常规的以大小或重量来区分水果等级的方法已难以满足现代社会人们对高品质猕猴桃的需要。因此，探索快速、低廉、准确的猕猴桃鲜果分级方法是促进猕猴桃产业发展的重要环节。基于此，国内外学者纷纷加入到猕猴桃鲜果在线检测与自动分级方面的研究中来。其中，西北农林科技大学对猕猴桃分级方法展开了系统地研究，霍迎秋等［2］提出高光谱技术结合机器学习建立识别模型的检测方法，对过量使用1-MCP化学保鲜剂的猕猴桃快速、无损检测，平均识别率达100%；闫彬等［3］通过比较猕猴桃果萼区域最小外接矩形的长宽比来判别是否经过膨大剂处理，其识别率达91.55%；刘忠超等［4］设计了基于面积的猕猴桃大小分级控制系统，平均分级速率可达2.5 s/个。国外水果自动化分级生产设备已经相当完善，美国OSCARTM型与MERLIN型高速水果分级生产线已广泛应用于苹果、梨、柑橘等水果的分级［5］。国内外学者对猕猴桃分级的研究还未涉及表面缺陷识别的分级方法。因此，基于猕猴桃表面缺陷识别技术设计了猕猴桃分级系统，该系统具有成本低廉、识别速度快等优势，这对于研制小型猕猴桃分级装置、提高果农收入、助力乡村发展有积极意义。

1 猕猴桃等级

根据成都市猕猴桃协会海沃德猕猴桃鲜果分级标准与NY/T 1794-2009猕猴桃等级规格，人工挑选了符合标准的猕猴桃鲜果（图1）。简而言之，猕猴桃鲜果呈长椭圆形、颜色分布均匀，体积越大、品质越高。

图1 猕猴桃鲜果等级

猕猴桃在生长、采摘、搬运、分选、包装等环节不可避免地会出现一些病斑、晒伤、疤痕、碰伤等表面缺陷（图2）。这类带有表面缺陷的猕猴桃鲜果统称为残次果。

图2 猕猴桃鲜果表面缺陷

2 猕猴桃分级方法

研究提出的基于表面缺陷识别的猕猴桃分级方法见图3。首先由图像采集系统采集猕猴桃图像；然后对其进行预处理以调整图像效果；接着使用Kmeans聚类算法对预处理后的猕猴桃图像进行聚类分割，得到猕猴桃表面缺陷图像并提取其颜色矩信息，再与无表面缺陷猕猴桃颜色矩信息作对比，判断该猕猴桃是否为残次果。若判断为正常果，随即提取其形状特征信息，组成特征向量；最后设计SVM分类器输出猕猴桃等级信息。

图3 猕猴桃分级流程

2.1 图像采集与预处理

猕猴桃图像采集系统见图4，由PC、CCD相机、镜头、相机支架、LED环形光源等部件组成。使用该系统分别采集猕猴桃Ⅰ级果、Ⅱ级果、Ⅲ级果、残次果各60张图像。然后运用Otsu分割算法剔除背景，进行Hough变换获取目标区域最小外接矩形，提取猕猴桃果实轮廓曲线，进而实现猕猴桃果实图像分割，以便对图像进一步分析和处理［6］。

图4 图像采集系统

2.2 表面缺陷识别

2.2.1 缺陷分割要提取猕猴桃表面缺陷特征就需要将缺陷分割出来，运用K-means聚类算法对预处理后的猕猴桃图像进行处理，其算法为：①随机选择K个初始聚类中心作为起始点；②计算每个样本到各聚类中心的距离，并将每个样本归入最近的聚类中心；③以簇内样本均值作为该簇新的聚类中心；④重复②③步骤直至聚类中心不再变化或达到设定的迭代次数。试验发现，该算法能较好地分割出猕猴桃图像中的表面缺陷，同时，对于正常果图像的聚类效果也不错。

2.2.2 颜色判别人们可以通过视觉直观地识别出猕猴桃表面是否存在缺陷、猕猴桃属于何种等级，而计算机只能通过具体的数据对比来判断。因此，提取分割后猕猴桃图像各颜色分量并分别计算其三阶颜色矩。分别对不同等级的猕猴桃鲜果图像进行颜色矩提取得到不同等级的猕猴桃鲜果图像颜色分布情况（图5）。由图5可知，猕猴桃表面缺陷首先会表现为颜色变化，即疤痕、病斑等表面缺陷会比正常猕猴桃颜色偏深，尤其在HSV颜色空间中的三阶矩存在差异较大。而正常的猕猴桃分割后颜色特征信息差异不明显。由此，可以将与正常果颜色特征差异较大的猕猴桃果判断为残次果。

图5 不同等级的猕猴桃鲜果图像颜色分布

2.3 特征提取

猕猴桃鲜果形状特征与尺寸测量结合起来是区分不同等级猕猴桃的重要依据。从外观上看，可通过猕猴桃形状、大小进一步区分猕猴桃的等级。由此，提取猕猴桃形状特征并与尺寸测量结合起来就可作为区分猕猴桃等级的重要依据。将预处理后的猕猴桃图像转换为二值图像并进行连通域分析，再分别计算其面积A、周长L、圆形度ρc、矩形度ρR、最小外接矩形长宽比ρWL5个形状特征参数得到猕猴桃形状特征信息，见图6、图7。

面积A指的是连通域中像素的总个数，该特征受图像尺寸、拍摄条件等因素影响较大，故需要在特定的成像系统获取待识别猕猴桃图像才具有一定的比较意义。

周长L指的是包围某个连通域边界轮廓线的长度。

式中，N1表示方向码为偶数的像素；N2表示方向码为奇数的像素个数。

圆形度ρc也被称为似圆度，表示的是目标图像与圆形的相似程度。定义为目标图像面积A的4π倍与其周长L的平方之比。

矩形度ρR描述的是目标图像在其最小外接矩形区域内的充满程度，即目标图像面积A与其最小外接矩形面积A'之比。显然，矩形的矩形度为1，圆的矩形度为，正三角形的矩形度为0.5，而其他不规则形状的矩形度在0～1。且该特征受成像条件的影响较小，对目标图像形状表征能力较强。

图6 猕猴桃面积、周长

图7 猕猴桃几何形状

长宽比ρWL指的是目标图像最小外接矩形的长宽比，该值不受图像尺寸、方向的影响，是较为理想的几何形状特征。

2.4 分类判别

从猕猴桃形状特征可以看出，不同等级的猕猴桃形状存在不同程度的差异。简单的逻辑判别会造成较大的识别误差。为提高系统的识别率，设计了SVM多级分类器，判别函数见式6。

3 猕猴桃分级系统

为便于用户对猕猴桃进行分级，开发了一套猕猴桃分级系统（图8）。顶部为菜单栏，左侧分为上下两个区域显示分级过程图像，右侧为按钮操作与结果显示区，能适应小规模农户猕猴桃分级需求。未来，系统可进一步扩展以适应更多的水果分级需求。

4 结论

研究基于猕猴桃鲜果表面缺陷图像展开研究，提出了K-means聚类算法与SVM结合的猕猴桃表面缺陷图像分级方法并开发了猕猴桃分级系统，适应小规模农户需求。为水果分级打开了新思路，对于提升果农收入有重要意义。

图8 猕猴桃分级系统