基于机器视觉的蓝莓果实分级研究

李建航，易克传，刘 浪，张新伟，孙业荣

（安徽科技学院 机械工程学院，安徽 凤阳 233100）

近些年，随着人们生活水平的不断提高，对水果品质的要求越来越高。而分级是水果生产加工中提高品质的重要环节。传统的水果分级方法主要是靠人工分拣，不仅费时费力，而且分级也不准确［1]。机器视觉检测已经在水果的检测和水果的自动采摘中得到应用，其中包括西瓜、脐橙、苹果片的干燥程度、干枣的在线分级及成熟度检测等。在水果检测方面，刘启全等［2]通过对采集的哈密瓜RGB图像进行处理后，采用椭圆拟合对哈密瓜轮廓进行特征提取，利用椭圆的长轴以及椭圆率建立分级标准，并以固定的阈值进行分级检测，其准确率为90.29%。王干等［3]针对脐橙外观缺陷程度的分级检测进行了研究，利用图像处理技术获取缺陷和尺寸参数，进而实现脐橙的分级检测。郭志明等［4]利用机器视觉技术结合红外光谱分析技术开发了苹果品质在线检测系统，并采用蚁群算法建立最优模型，预测集相关系数为0.9358，预测集均方根误差为0.2619。在对干枣的在线分级处理中，采用阈值分割技术对干枣的尺寸、颜色以及缺陷的精确分类准确性较高［5]。在水果的自动采摘方面，白克［6]设计了基于PLC和机器视觉相结合的控制系统，大大提高了水果的采摘效率。

本文以蓝莓果实的分级加工为研究对象，通过采用机器视觉技术对采集的蓝莓果实图像进行数字化处理，采用图像分割标记的手段，实现了对蓝莓果实的准确分割，对机器视觉技术用于水果分级具有重要意义。

1 材料与方法

1.1 供试材料

蓝莓果实图像采集系统主要由工业相机、镜头、相机支架、光源组成。实验光源采用漫反射板的高角度LED入射光源，选择白色作为采集背景。其工作原理为工业相机采集蓝莓果实图像后，将采集的图像传送到计算机中，通过对图像的处理识别从而判断蓝莓果实的大小情况，系统结构如图1所示。

图1 图像采集系统结构示意图Fig.1 The str uctur e diagram of the image acquisition system

1.2 蓝莓果实图像预处理

1.2.1 图像去噪 蓝莓果实图像采集后，由于系统本身传输的误差以及光照强度等因素的影响，会使图像在采集过程中产生分布不均匀的噪声、斑点等干扰因素，这些噪声对图像的频谱宽度有带限作用，造成了采集后的图像不清晰。为了提高采集图像的质量，采用去噪速度快且效果比较好的均值滤波算法对采集后的图像进行去噪处理。消除干扰因素，提高图像的质量，进而提高图像分割和面积测算的速度和准确性。均值滤波算法的原理是利用模板区域的像素平均值代替中间值，进而达到平滑作用［7]。

均值滤波像素值可表示为

式中，f(x i,y i)为模板区域内i点的像素值；n为模板区域像素总和。

1.2.2 图像增强 图像经过滤波处理后其边缘变得模糊，采用Sobel算子对图像进行锐化处理，并采用直方图均衡化的方法提高滤波后蓝莓果实图像的对比度［8]。其实现方法是以某个像素点与其周围邻域8个像素点组成3×3的区域，分别沿水平方向和垂直方向与卷积核对应点乘积后求和，将其结果值赋为该点新值。直方图均衡化是将原始图像的灰度图中某个比较集中的灰度区间均匀地分布到整个灰度空间，实现对图像的非线性拉伸，达到增强目的。通过直方图的均衡化可增加图像的亮度和对比度（见图2）。输出图像的灰度值为

式中，ni表示当前像素个数；L表示图像中灰度级总数。

图2 直方图均衡结果Fig.2 Histogram equalization results

1.2.3 图像二值化 图像二值化处理是将图像中的目标区域和背景区域处理成黑色与白色，进而实现对目标区域的提取［9]。图像二值化的关键是对阈值的选取，由于图像直方图呈双峰性，为了便于阈值的自动计算，本文选择了具有较好分割效果的最大类间方差法进行计算。最大类间方差法是以灰度直方图为基础，通过类间距离的极大准则来确定分割区域的一种自适应阈值分割方法［10]。最大类间方差法进行阈值分割是对单通道图像进行多重阈值处理，以灰度直方图中出现的谷底作为分割点，对波峰进行分割。在对图像进行分割时，期望找到一个将目标区域与背景分割出来的阈值T。大于阈值T的像素值设置为白色，像素值为1；小于阈值T的像素值设置为黑色，像素值为0。阈值分割后的图像像素值h(x,y)为

式中，f(x,y)为分割前的像素值。

1.2.4 图像形态学处理 图像经过分割后得到二值图，如图3（a）所示。从蓝莓果实的二值图像中可以发现，还存在一部分干扰点，而且蓝莓果实区域有空洞，这些因素都会对蓝莓果实图像的处理造成影响。需要使用形态学处理方法对蓝莓果实二值图进行二次处理［11]，如图3（b）所示。二次处理对蓝莓果实区域先后分别进行了形态学操作以及连通区域去除。

图3 蓝莓果实图像处理结果图Fig.3 Results chart of blueberry image processing

1.3 蓝莓果实面积计算

1.3.1 最小二乘法拟合圆 蓝莓果实区域的投影面积反应了蓝莓果实的大小，是蓝莓果实等级分类的重要指标之一。目标区域测量是物体选择的重要特征，单个区域的灰度像素值是区域面积分割的主要依据。最小二乘法拟合是根据最小误差平方和找到一组数据的最佳函数匹配。

设理想圆心为(x0,y0)，半径为R，则拟合圆方程为

圆方程进行变换后即为

对比（4）式和（5）式的参数求出a、b、c，即可求出圆心(x0,y0)与半径R：

边缘点的样本集(X i,Y i),i∈(1,2,…,N)，样本集中各点到圆心距离d i的平方与半径平方的差为

令Q(a,b,c)为δi的平方和，即

求出参数a、b、c使得Q(a,b,c)值最小，且Q(a,b,c)≥0，可得

式中，

将（9）式代入（6）式，得出拟合圆心的坐标位置(x0,y0)以及半径R的值。拟合结果如图4所示。

1.3.2 标定 测量系统测量的蓝莓果实尺寸都是以像素为单位，将计算机计算出来的像素值转化为以mm为单位的尺寸［12]。在获取蓝莓果实图像时加入已知面积的第四套（2017年）一角人民币硬币（1590.43 mm2）作为定标物对摄像头进行标定，如图5所示。通过提取图像中蓝莓果实的像素值、定标物的像素值和定标物的实际面际求出蓝莓果的实际面积。

式中，Sl为被测蓝莓果实的实际面积；Nr为图像中定标物的像素值；Nl为蓝莓果实的像素值；Sr为定标物的实际面积。

图4 最小二乘拟合圆Fig.4 Least-squar es fitting cir cle

图5 蓝莓果实定标图Fig.5 Calibr ation chart of blueber ry fr uit

2 结果与分析

蓝莓果实区域经过算法标记处理后，可以计算出其面积与周长的像素值，可实现对蓝莓果实大小进行无损的测量。为测验算法的准确性，实验选择45个不同样本的蓝莓果实图像，分别采用Photoshop工具手动分割和算法分割测算目标区域的像素值。本文采用相对准确率φ衡量测算精度，

式中，La为Photoshop工具手动分割出的目标区域的像素值；Li为算法分割出的目标区域的像素值。

将算法测出的面积像素值和周长像素值分别与手工测量的像素值建立回归模型，实验结果如图6所示。面积计算的相关系数R2=0.99889，相对准确率的平均值为98.93%；周长计算的相关系数R2=0.98003，相对准确率的平均值为87.74%。由于部分蓝莓果实上保留着果梗，导致计算蓝莓果实周长时存在较大误差。通过实验数据可以发现，考虑到蓝莓果实进行分拣过程中样本的随机性与复杂性，采用蓝莓果实投影面积作为蓝莓果实等级分类标准比采用蓝莓果实周长作为蓝莓果实等级分类标准更加精确。

图6 实验结果Fig.6 The exper imental results

3 结语

本文以成熟蓝莓彩色图像作为研究对象，采用最大类间方差法对目标区域进行分割，并计算出蓝莓果实区域的面积和周长。结果表明，蓝莓果实面积计算的平均准确率为98.93%；蓝莓果实周长计算的平均准确率为87.74%。

本研究通过实验较准确地计算了蓝莓果实的面积和周长，但仍然存在一些问题需要改进。由于不能将蓝莓果实上保留的果梗进行准确的分割，导致对其进行周长的精确计算存在较大的误差。有些蓝莓图像的直方图呈单峰不能准确地将目标区域从背景中分割出来，如何更加准确地分割并使结果的鲁棒性提高还需要继续研究。本研究不依赖大量的样品处理和模型训练，其复杂度和成本都较低。在后续工作中，对蓝莓进行更加深层次的数据分析，融合机器视觉方法与深度学习框架实现蓝莓的等级检测为研究重点。