基于图像处理的脐橙表面缺陷检测研究

覃倩倩，杨 洁，陈丽萍

（西南林业大学，云南 昆明 650224）

0 引 言

水果表面的缺陷对于水果的储存与商业价值有着最直接的影响，是评定水果质量的重要指标之一。我国是柑橘类水果的生产大国，但其商品化的技术处理水平较低[1-2]。现如今的水果缺陷检测多依靠人工分拣，这就造成分拣结果的主观性和差异性，没有统一的缺陷检测标准。水果缺陷检测技术在国外已经得到了广泛的应用，国内的水果缺陷检测技术还不是很成熟[3]。因此，研究自动化的脐橙果实缺陷检测在提高产品质量控制中逐渐受到关注。

国内的水果缺陷检测技术起步较晚，但经过近几年国内专家学者们对水果缺陷检测的大量研究，也取得了较为突出的成果。赵娟等[4]用数字处理方法分析苹果表面的缺陷, 提出利用面积比来判断水果缺陷大小。容典[5]针对类球形水果表面亮度分布不匀, 提出了一种快速自适应亮度矫正及单阈值快速水果缺陷分割算法，可以直接对脐橙表面整体亮度进行自适应矫正。卢军等[6]提出一种基于水果表面光照分布的分层轮廓分析算法，实现了在弱光情况下树上绿色柑橘的检测。IQBAL 等[7]提出使用两步均值聚类技术分割各种成熟阶段的整串香蕉和单个香蕉。ZHANG 等[8]利用平均值法对水果图像表面的环带区域灰度进行亮度校正。NIPHADKAR 等[9]通过图像形态学方法对溃疡脐橙果的高光谱图像边缘进行补偿来降低对缺陷的误检。CUBERO 等[10]使用一种传统计算机视觉系统使用灯光变换和图像比率方法相结合检测橙子的常见缺陷。

针对脐橙果实光线分布不均而导致缺陷检测偏差问题，本文提出一种基于自适应阈值分割的算法来提高缺陷识别精度及速度的方案，通过图像不同区域亮度分布，计算缺陷果实图像在光照不均的情况下的局部阈值，达到有效检测脐橙表面缺陷的目的。

1 材料与图像收集系统

1.1 试验材料

本研究使用的材料为表皮有缺陷的脐橙，被选择果实的缺陷类型主要为擦伤、褐斑、腐烂、虫咬斑等4 种常见缺陷，一共100 个。将采摘的目标果实进行清洗并擦拭干净，并将其避光静置12 h。

1.2 图像收集系统

本文的图像采集系统由手机相机、光照系统和计算机设备组成。光照系统主要由反光板、LED 摄影棚和可调节光线强弱的LED 灯条等组成，如图1 所示。LED 摄影棚长×宽×高尺寸分别为450 mm×450 mm×400 mm，2 条可调节光源强度的LED 灯条固定在LED 摄影棚内的两侧。选择黑色的背景板放置在摄影棚底，设置相机与摄影棚底部的垂直距离为250 mm，打开LED 灯管并调节其亮度，等待15 min至LED 灯管的光照强度稳定后对样本进行采集。采集图像的原始格式为JPG，图像的原始大小为2 592 px×1 950 px。

图1 脐橙图像获取装置

2 基于自适应阈值分割的脐橙缺陷检测

使用Python 对于采集的脐橙缺陷果实图像进行预处理、缺陷区域分割与识别。

2.1 图像预处理

对样本图像使用双线性插值算法进行缩放。因采集到的原始图像过大，图片中的信息过多，会影响识别精准度与速度，在不改变图像分辨率的情况下对采集的图片进行缩放处理，将采集的原始图像2 592 px×1 950 px压缩至808 px×608 px。

为了避免受到颜色干扰而在后续缺陷分割时产生错误识别，对压缩后的脐橙图像进行灰度化处理，为了更直接的展示脐橙图像中的灰度级别分布状况，使用加权平均法得到灰度图像。见式（1），将R、G、B三个分量选择合适的加权系数进行灰度化处理，提高后续缺陷识别的精度。

式中，R、G、B表示彩色图像红、黄、蓝3 个通道值，a、b、c为各个通道的系数。

灰度化处理后的脐橙图像采用中值滤波进行去噪，在滤除噪声的同时，能够保护信号的边缘，最大程度上保留缺陷边缘细节。设｛xij,(i,j)∈I2}为数字图像各点的灰度值，滤波窗口为A的二维中值滤波可定义为：

式中，yi代表中值滤波后得到的图像的像素值，A为滤波窗口，MedA｛xij}表示像素值中值，r、s为指定邻域的大小，｛xij, (i,j)∈I2}为数字图像各点的灰度值。

2.2 基于自适应阈值分割算法的分割方法

由于脐橙果实自身的形状特征，在对脐橙果实采集的过程中必定有光照不均的现象，且脐橙果实的缺陷类型之间差异也较大，缺陷区域与完好部分的对比也各不相同。通常对于缺陷进行提取的算法是针对于同亮度的图像才有较好的效果，对于光照不均且缺陷区与完好区对比度小的样本图像，常规的缺陷提取方案便无法得到预期目的。使用自适应阈值分割算法对脐橙缺陷部分进行分割，不易受光线强弱干扰，在光照不均的情况下，通过图像不同区域亮度分布，计算图像的局部阈值，从而凸显出脐橙表面缺陷的轮廓。其原理是将一张图像分割为多个区域，然后分别计算每一个小块的阈值，每一块的亮度不同所计算出的阈值则不一样，避免因光线不均的问题导致对脐橙缺陷部分的误判，同时最难被识别的缺陷边缘部分才能被最准确地保留。

最后对所得的图像进行二值化处理，将图像上的像素点的灰度值设置为0 或255，将使整个图像呈现出明显的黑白效果，从而凸显出目标的轮廓。

3 结论与分析

3.1 图像预处理结果分析

图2 分别为划伤缺陷、溃疡缺陷、虫咬缺陷和褐斑缺陷果实，4 种缺陷果实的原始图像经过图像压缩、灰度化处理和中值滤波进行去噪后的图像。结果可知：脐橙的外部轮廓及脐橙果实表面缺陷的轮廓明显，在对原始图像进行对比度增强和去噪后依然被最大程度上保留脐橙果实图像缺陷部分。

图2 脐橙果实表面缺陷预处理图像

3.2 基于自适应阈值分割对缺陷的识别结果

本实验选取划伤、溃疡、虫咬和褐斑脐橙等4 种类型的缺陷果实作为样本进行实验，缺陷颜色多为黑色褐色，果实为橙黄色。由于脐橙果实表面的缺陷类型不同，其缺陷的表现形式也有所差异，对于缺陷部分颜色较深且缺陷范围大的果实，其缺陷部分更容易被精准的识别出来，而对于像褐斑缺陷脐橙果实来说，其缺陷部分颜色较浅，不易与正常果实区域区分开，缺陷边缘容易出现部分数据丢失现象。针对光线不均且缺陷差异较大的果实使用自适应阈值分割算法对脐橙果实进行缺陷提取，然后进行二值化处理，实验结果见图3，可以明显的看到脐橙这4 种缺陷都通过缺陷识别的试验可得出：自适应阈值算法针对解决光照不均造成的脐橙缺陷识别错误有着显著的效果，特别是对于脐橙的褐斑缺陷果实，对于不明显的缺陷区域也能有快速有效地提取出来。

图3 脐橙果实表面缺陷提取

4 结 语

因脐橙果实为圆形及椭圆形的特性，其果实的采集过程中会出现光照不均的情况，为减少光照强度不均对脐橙果实表面缺陷提取造成误判及遗漏现象，本文使用一种基于自适应阈值分割的算法来提高缺陷识别精度及速度。实验表明，基于自适应阈值分割的算法对于脐橙的擦伤、褐斑、腐烂和虫咬等4种类型的缺陷在果实表面光线分布不均对于缺陷的错误识别的情况，对于几种典型脐橙果实表面的缺陷识别准确度及速度上都有了很大的提升。为后续脐橙果实的分级工作提供了更精准高效的解决途径。