杏仁品质无损检测研究现状

段纪发，李传峰，陶思宇，马 博，肖爱玲※

（1.新疆维吾尔自治区现代农业工程重点实验室，新疆 阿拉尔843300；2.塔里木大学机械电气化工程学院）

0 引言

杏仁中含有多种人体必需的维生素和蛋白质，具有很高的食用和工业价值，国外化妆品及相关工业中杏仁使用量大，尤其是苦杏仁具有药用价值，使杏仁在医药领域应用广泛。在我国，新鲜杏总产量的50%出自新疆，其中南疆杏产量占90%以上。据统计，新疆种植的杏大约有120个品种，种质资源极为丰富[1-2]。目前杏仁的分选主要依靠人工，机械分选杏仁的文献报道较少，鉴于此，本文介绍了国内外杏仁内外部品质检测的研究现状，旨在为杏仁的智能分选提供理论依据。

1 杏仁无损检测技术现状

杏仁检测分为外部品质检测与内部品质检测。外部品质主要包含大小、形状、颜色、纹理及表面缺陷等，内部品质主要包含油脂、蛋白质、碳水化合物含量以及内部缺陷等。国内外科研工作者对杏仁的内外部品质检测进行了不断的探索。

1.1 杏仁外部品质无损检测方法

Ebrahim Ebrahimi[3]等结合模糊数据挖掘和脉冲声学技术对杏仁进行分类。通过对大量数据进行选择、探索和建模来发现声波光谱和不同杏仁之间的关系，通过决定阈值缩短处理速度，达到快速实时分类。扁桃的外形及大小与杏仁极其相似，其检测方法可为杏仁的检测提供参考。Francesca Antonucci[4]等针对扁桃品种形状提出基于椭圆傅里叶分析法，在轮廓坐标上研究整体形状，使用非层次和层次两种方法对扁桃仁进行识别，采用偏最小二乘判别分析进行形状分类，但是这种方法对于同品种扁桃仁形状鉴别效果不明显。Nima Teimouri等[5]提出采用H分量使图像中的杏仁、背景和阴影形成较高的对比度之后，用Otsu方法对图像进行分割，成功地将杏仁从背景和阴影中分离出来。选用敏感性分析在冗余特征中选取相关特征，最终结合形状、颜色和纹理特性应用人工神经网络实现对五种杏仁的分类。正常杏仁、破碎杏仁、双杏仁、皱杏仁、杏仁壳检测的灵敏度、特异性和准确率如表1所示。

表1 所有种类杏仁的灵敏度、特异性和准确率指标

Abozar Nasirahmadi等[6]提出甜杏仁和苦杏仁分类的特征袋模型，首先从训练图像中提取关键点，并将每个关键点编码到一个图像描述符中。然后，用矢量量化聚类，采用视觉码字直方图表示图像，在特征袋模型中测试并比较K-NN、L-SVM和Chi-SVM3种分类器分类性能，经过比较，Chi-SVM性能优于其他两种分类器，总体分类准确率达到91%。Ikbal Eskiet等[7]为了预测杏仁的长度、宽度等物理性质，设计了一种集成神经网络和模糊接口于一体的自适应神经模糊接口系统,该系统以杏仁果为研究对象，通过测量杏仁的长度、宽度和厚度三个数据，将收集的数据用于训练自适应神经模糊接口系统，经过训练后的系统主要用垂直维数估算投影面积、表面积、形状指数等物理参数值。实践证明，所提出的自适应神经模糊接口系统在预测算法、长宽比和其他物理参数方面具有更好的性能，均方根误差可达0.0001。Sriram K.Vidyarthi等[8]提出利用堆栈集合模型测量杏仁的大小，杏仁图像在得到二值化图像之后使用递归算法处理，递归函数通过访问每个白色像素来标记之前未标记的相邻白色像素，以将像素域转换为真实世界尺寸的方式校正图像，如图1。堆栈集成模型将不同的ML模型组合在不同的层中对杏仁的大小和质量进行准确的预测，提高了检测精度。

图1 杏仁的鉴定阶段

随着深度学习的深入发展，多种相关模型应运而生，检测精度也得到提高。虽然可以通过投影面积、长径比等来预测物料的质量，但这种方法只适合形状规则的产品，对于形状各异的产品达不到理想预测效果。与广泛使用的统计方法相比，软计算是较好的方法，在农业分级方面得到广泛使用。因此，Seyed-Hassan Miraei Ashtiani等[9]研究了径向基函数神经网络和其他4种不同的机器学习模型，利用杏仁的长度、宽度和厚度参数来预测杏仁质量，经比较采用最佳预测模型径向基函数神经网络作为杏仁分类器，可将杏仁划分为不同质量类别，准确率达96.22%。Sriram K.Vidyarthi等[10]提出结合不同的深度卷积神经网络机器学习模型进行图像处理从而实现杏仁的分级，采用Inception-V3、ResNet50、VGG-16和自定义模型4种深度神经网络模型对杏仁分类。经过良好训练后比较得出ResNet50模型准确率达99%，在4种模型中准确率最高，深度卷积神经网络结构凭借其优势已经成为近年来十分流行的用于检测的工具之一。

1.2 杏仁内部品质无损检测方法

由于环境等因素的影响，杏仁内部结构会发生变化，但在外观上很难看出内部是否受损伤。因此，Tom C.Pearson[11]建立了一套红外检测系统，采用六个不同近红外LED灯的透射光对杏仁照射，以杏仁的平均图像灰度值变化建立三个回归分析模型预测杏仁隐蔽性损伤，采用多元线性回归和判别分析将杏仁分为隐蔽损伤和未损伤两类，判别分类错误率为14.3%。Songyot Nakariyakul等[12]使用高光谱数据中一小部分波段对干燥后的杏仁进行处理，首先将训练集样本中不同波段相似的响应进行处理，然后选择比值特征选择方法将两组最好的比例特征输入到SVM分类器中从而实现对内部损伤杏仁分类的目的。比值特征选择法相比单独波段特征提取法分辨率高，只有1.74%的正常杏仁被错误分类为内部损坏。Cristian Rogel-Castillo[13]等针对杏仁内部由于高度热造成的隐蔽性损伤进行了研究。隐蔽性损伤的杏仁的内部结构发生变化，如图2。采用1 125~2 153nm范围内的红外光谱进行检测，利用偏最小二乘判别分析特定波长，选择建立3种分类模型，实现杏仁隐蔽性损伤和未损伤的分类，模型的错误率在8.2%~9.2%之间。Faqeerzada Mohammad Akbar等[14]利用红外高光谱技术首先进行光谱数据预处理，去除不相关数据后采用多元分类偏最小二乘鉴别分析的方法建立杏仁分类模型，该模型显示超过97%的准确率。此外，利用该模型得到的β系数进行基于像素的分类，提出了一种用于杏仁和杏仁化学映射的图像处理算法，根据杏仁中蛋白质、碳水化合物等含量不同，进行杏仁识别并分类处理。

图2 隐蔽性损伤的杏仁内部结构变化

在这之前，对产品的内部检测一般是破坏性检测，在一定程度上造成了浪费，而高光谱图像技术是通过判断图像中的像素来实现物体的识别和分类，是无创伤、高精度的系统，因此在农产品检测和分类上也得到了广泛应用。但是，高光谱存在很高的冗余度，需要大量的计算时间，还存在对混合像素较敏感的问题。

2 结论与展望

（1）杏仁分级一般都是实时在线检测，实时实现物料全方位图像采集以及图像处理，但在图像采集、信息传输过程中易受各种因素的干扰，因此建立稳固、可靠的在线检测系统是未来需要解决的问题之一。

（2）机器视觉、光谱技术由于技术条件限制，数据量大，影响计算机处理速度，神经网络算法的出现以及发展降低了数据处理的复杂程度，大大提高了处理速度和准确率。

（3）经过长时间的发展，深度学习分类器一定程度上改善了处理速度和准确率的问题，但训练样本等因素会影响到分类器的精度，在精度问题上还需进一步研究。

（4）杏仁分级设备应与时俱进，与新材料、新能源等结合改进设备，实现检测自动化精确分选杏仁，满足未来实时测试的要求，以达到降低劳动强度和增加经济收入的目的。