计算机视觉技术在农产品质量检测中的运用探究

王茂森

(山东省产品质量检验研究院，山东 济南 250102）

农产品质量检测方法分为人工抽检、半自动检测及全自动检测三类。按照产品质量区分，可分为分级检测、光电分选、大小分级检测等。相比传统检测方式，计算机视觉具有更为广阔的应用场景，可快速定位、精准抓取及有效评价目标信息。依托图像处理及模式识别技术，可显著提高农产品质量检测效果。目前，计算机视觉技术适用于农产品颜色检验、纹理检验、新鲜度检验、缺陷检验、大小检验、形状检验等多个方面，具有普适性强且易于上手的优势[1]。

1 计算机视觉技术

计算机视觉技术指在人类设计的基础上，依托计算机环境，再现或模拟人类视觉功能的技术，涉及印刷、手写、文字识别、图像识别、三维形状判别、距离识别、速度感知等功能。计算机视觉技术汇集了多个学科知识，包括数学、生理学、物理学、光学、信息处理及计算机等学科。计算机视觉技术大多应用在图像处理领域，其与图像处理及模糊识别有显著关联。目前，计算机视觉技术在多个领域得到广泛应用，如医学领域的辅助诊疗、天文领域的卫星图解、军事领域的地形勘察、农产品质量筛查等。伴随着对计算机视觉技术研究的愈加深入，该项技术在各个领域的应用方案更加成熟，成为不可或缺的一部分[2]。

2 计算机视觉技术在农产品质量检测中的宏观应用

2.1 在农产品外形尺寸检测中的应用

农产品质量检测中最重要的环节就是产品分级，即按照不同指标将产品分成多个等级，不同等级售价不同。以计算机视觉技术在羊绒细度检测的应用为例，借助计算机视觉技术处理图像，可得到羊绒半径，解决人工测量误差大的问题，同时显著提高工作效率，保证测量的经济性及准确性。再如，在烟叶质量检测中，利用计算机视觉技术可对烟叶质量进行分级筛选，原理是将烟叶各类参数输入到计算机中，通过计算机系统对光感度进行控制。操作流程是：选取特征参数，将其作为烟叶质量检测的向量，去除标准样本中含有的奇异样本。烟叶特征涉及长度、面积、残伤情况及烟叶轮廓线展开后的分布情况。利用计算机视觉系统一方面可模拟人类筛选流程，另一方面可提高检测的精度。

2.2 在农产品颜色检验中的应用

在农产品及食品品质检验中色泽是尤为重要的指标。在产品颜色检验中应用计算机视觉技术可精准评价各部分颜色，并做出相应判断，可有效减少人眼判断带来的误差。以果蔬质量检验为例，颜色可判断果蔬是否成熟或是否溃烂，利用计算机视觉技术可避免人为定性带来的误差。目前，有学者研制出可搜索的农产品质量视觉检测系统，用于农产品质量检验，通过图像色彩饱和度判断产品是否成熟。饱和度越小，色调直方图的峰值像素和峰值左侧的像素之比越小。如果产品成熟度低，那么色调直方图中的峰值像素和峰值左侧的像素的比例越大。相比人工成熟度检测，利用计算机视觉技术可提高检测效率。

2.3 在农产品形状识别中的应用

农产品形状是一项重要质检要素，果形识别在质量检测中发挥着重要作用。农产品成熟后，其外形发生变化，很难通过数学方式甄别。利用计算机视觉技术可分析农产品外形轮廓曲线，依托结构分析法判断果实是否成熟。与此同时，基于计算机视觉技术，以数字图像分析技术为基础，依照农产品形状、尺寸及表面缺陷进行分类，结合灰度梯度曲线，对农产品缺陷位置进行定位，以此完成农产品质量分级。R.R.Wolfe等人研究了番茄定向质检方案，结合计算机视觉技术判断番茄花萼及缺陷位置，研制出具备照明功能及定向机构的机器视觉番茄品质分级装置。结论表明，应用计算机视觉技术后，质检误差显著减少，同时远超人工检测精度。

2.4 在产地检测的应用

常规条件下，农产品成熟度、色度、新鲜度检测会使用计算机视觉技术，并且已经建立了快速检测方法。在信息技术的高速发展下，计算机视觉技术不再局限于可见光区域，延伸至红外线、远红外线领域。例如，高光图谱属于新型的计算机视觉技术，检测精度达到纳米级标准。针对农产品产地检测，其归属于环境检测，属于农产品质量检测的一环。在农产品产地检测中应用高光图谱进行检测可分析土壤养分。依托计算机视觉技术建立分析鉴别模型，以可溶性固形物含量作为产地判别基础，可为农产品种植提供保障，是提高农产品质量的重要手段。

2.5 在农产品农药残留检测中的应用

农产品采摘后有多种化学物质残留，这是因为其种植过程中需投入农药、化肥、生长调节剂、添加剂。目前，农产品农药残留检测方法分为两种，一种是农业投入品残留研究，第二种是农产品投入品质量判别，已经投入的检测方法为氯氰菊酯检测法，可判断农药残留与红外光谱的关系。此外，还可利用计算机视觉技术中的傅里叶变换模型减全反射法检测农产品残留农药比率，该方法具有较高的检测精度。在未来发展中，在农产品农药残留检测中红外光谱技术将得到广泛应用。通过农药残留检测，可为提升食品安全性奠定基础。

3 计算机视觉技术在农产品质量检测中的具体应用

3.1 在水果质量检测中的应用

水果质量检测重点关注大小、形状、颜色及缺陷四个关键性指标，水果质量检测决定着售价及受众。在评价水果质量时，可利用计算机视觉无损检测技术对水果进行分类。以苹果和橘子质量检测为例。苹果与柑橘是我国产量最大的水果之一，对其质量检测时可利用计算机视觉技术的自动分级技术，对产品进行自动分级。Moallem等人研究了计算机视觉技术在苹果质量检测的应用，择取120个苹果样本，进行健康与非健康2类分级检测，检测准确率约92%。目前，在计算机视觉技术分级系统的持续开发下，可通过捕获流水线状态的方式，择取最大果径、二维傅里叶动态变换、色度图像及缺陷点像素面积，判断苹果的大小、形状、色度及完整度，检测速度可达到每秒五个，且准确率极高。苹果作为我国水果的核心品类，计算机视觉技术在该领域的应用较为成熟，并且延伸到苹果采摘期。为确定苹果园苹果的采摘时期，应克服苹果树上苹果识别及定位的问题，避免果园环境及枝叶遮挡对分支机构带来的影响。苹果采摘期质量检测可利用形状特征的算法来检测及定位红色及双色苹果，可检测遮挡苹果成熟度。针对柑橘质量检测，与消费者判别类似，关注果实大小、表面缺陷、表皮厚度及色度。在柑橘质量检测中应用计算机视觉技术主要判断果实表面的粗糙度及厚度间的关联性。柑橘自动分级系统中，依托神经网络及支持向量建立柑橘表面纹理及颜色分级模型，从而对柑橘质量进行智能分级，可显著提高检测效率[3]。

3.2 在水产品质量检测中的应用

计算机视觉技术在水产品质量检测中发挥着重要作用。传统水产品质量检测采用罗氏标准比色卡的人工分级法，通过多颜色模型对大西洋鲑鱼肉色进行分级检测，但人工检测效率较低，且分级效果不明显。利用计算机视觉技术检测水产品质量，可提高检测效率及准确性。例如，在检测皮皮虾、三文鱼等半透明水产品时，可将其与背景颜色分离开来，借助计算机视觉成像判断水产品含水率及透明度的变化情况。伴随水产品变干燥，样本明度值会显著下降。所以，可利用二次回归模型对干燥中的样本参数进行评估，确定最佳干燥时间，为水产品贮存提供最适宜的环境。

3.3 在肉制品检测中的应用

在肉制品检验中新鲜度是重要的评价指标，随着放置时间的增长，肉的颜色随之变化，同时肉的弹性降低。传统肉制品质量检测中采用色差仪比对，但评估效果不理想。在肉制品质量检测中应用计算机视觉技术生成的肉图像接近于真实的肉，可有效评估肉的新鲜度。除此之外，应用RGB及HIS颜色空间模型可获取肉的颜色参数，提取样本表面的质构特征，鉴别肉的新鲜度。例如，在牛肉新鲜度检测中，可依托计算机视觉技术，观察牛肉表面的大理石花纹及肌肉间脂肪分布，判断牛肉的适口性及价值。借助计算机视觉技术，研究牛胴体6～7肋横断面图像，提取牛肉眼肌总面积比、脂肪分布均匀度及肉质色度，借助特征参数判断肉质。常规而言，眼肌面积及圆度越大、肌肉及脂肪色度越高、大理石纹分布均匀的牛肉品质最好，如和牛。针对羊肉贮存，可借助RGB与HIS颜色空间的特征分量，依托神经网络建立羊肉新鲜度分级模型，可提高羊肉新鲜度检测准确率。针对猪肉新鲜度检测，可利用计算机视觉技术的RGB成像中的红色分成区分，红色分层颜色区域比和猪肉新鲜度有较高关联度。通过确定颜色分类阈值的方式判断猪肉新鲜度，如果大于阈值为新鲜猪肉，如果小于阈值则为腐败猪肉，可有效评估猪肉新鲜度，确定猪肉价值。猪肉新鲜度检测还可以利用RGB-HIS颜色特征参数组合，依托BP神经网络及支持向量机构造猪肉新鲜度等级预测模型，依托神经网络及支持向量机，猪肉新鲜度检测精准度可达到90%左右。

3.4 在蔬菜质量检测中的应用

蔬菜质量检测重点与水果类似，关注大小、形状、颜色及缺陷四个关键性指标，依托计算机视觉技术对蔬菜进行分级，如常见的精品蔬菜区与折扣蔬菜区就是不同级别的蔬菜产品。在蔬菜质量检测中最具代表性的就是土豆与胡萝卜。针对土豆质量检测，重点判断大小、形状及规整度，利用计算机技术将不规则的土豆进行分级。具体流程是：①建立土豆图片数据库，提取特征物理量，涉及周长、质心、惯性矩、面积、长宽；②通过2次筛选对土豆进行分级。在土豆自动分级系统中单幅图片处理时间仅为1.5秒，每分钟可筛选40个土豆。除此之外，利用计算机视觉技术还可以观测土豆绿皮、内部发芽及发芽状态，依托计算机视觉技术，利用感知器学习算法、K-最近邻分类算法及角点检测法与长短周比值，自动观测土豆绿皮、发芽及损失情况，相比人工观测具有误差小且效率高的优势。针对胡萝卜质量检测，主要判断胡萝卜的青头、开裂、须根、弯曲、断折情况。在胡萝卜质量检测中应用计算机视觉技术可通过骨架检测点数、r分量上二值化、s分量结合区域标记法对胡萝卜质量进行筛选评估。

3.5 在蛋类质量检测中的应用

伴随我国蛋鸡养殖业的迅速崛起，一方面推动了行业发展，另一方面引发了产量与鸡蛋深加工断层的问题，即蛋类产量达到现代化水平，但生产流程未达到工业化水平，分级精度欠佳，导致我国鸡蛋出口率较低。鸡蛋含有大量蛋白质，而蛋白质由大量氨基酸通过氨基和羧基形成的肽键连接而成，主成分是氨基团。可利用计算机视觉技术对氨基团进行检验，这是因为氨基团在近红外区域表现出较强的吸收谱带特性，可利用计算机视觉技术对其进行检验，判断鸡蛋与氨基团的关系，即蛋黄指数、蛋白高度、蛋黄高度等核心指标。除此之外，可利用傅里叶变换近红外光谱仪采集不同存储条件下的鸡蛋的漫透射光谱，对鸡蛋进行质量检测，涉及蛋白pH值、蛋白高度、蛋形指数等，此类核心参数随着鸡蛋存储天数增加而变化，以鸡蛋蛋白高度而言，存储天数增加后，蛋白高度逐渐下降，同时蛋白pH值上升，最后趋于平衡，此类参数均可通过计算机视觉技术观测。

4 结束语

计算机视觉技术依托图像采集、识别与预处理，可对农产品大小、缺陷、色度、纹理、形状、农药残留、新鲜度等进行检测，从而对农产品进行分级处理。相比传统质量检测技术，计算机视觉技术具有高效率、高精准度的优势。同时，计算机视觉技术可结合红外光谱等无损检测技术对农产品内部及外部进行检测，一方面扩大计算机视觉技术适用范围，另一方面为农产品质量多维度检测提供有力的技术支持。■