基于计算机视觉的沙糖橘果皮光滑指标检测

王士龙 朱景焕

摘要  使用计算机视觉系统提取沙糖橘果皮正面图像，构建有效的图像采集方法、预处理方法、分割方法。从目标区域图像中提取6个与品质密切相关的果皮纹理特征信息用来分类识别果皮光滑，使用单一方差参数配合参数区间分类的方式正确率较低，为76.3%；进而以果皮6个灰度纹理特征开展MLP模型设计和训练，使用训练后的模型进行分类检测。在实测一定数量的果皮得出分类检测结果的基础上，进行系统设计的可行性验证。结果表明，基于3层的BP神经网络模型，设计6-8-2BP网络结构，分类识别正确率达到97.5%。该设计方法可对果蔬果皮特征检测提供参考和借鉴。

关键词  果皮；计算机视觉；图像处理；智能分级

中图分类号  S 126   文献标识码  A   文章编号  0517-6611（2023）05-0237-04

doi： 10.3969/j.issn.0517-6611.2023.05.054

开放科学（资源服务）标识码（OSID）：

Detection of Shatangju Peels Smooth Index Based on Computer Vision

WANG Shi-long，ZHU Jing-huan

（Guangxi Science & Technology Normal University，Laibin，Guangxi 546199）

Abstract  Extraction of frontal image of Shatangju peel by computer vision system， construction of effective image acquisition method， preprocessing method and segmentation method. Six peel texture features closely related to the quality were extracted from the image of target region to classify and identify whether the peel was smooth or not， the accuracy rate of single variance parameter combined with parameter interval classification was 76.3%， which was low. Then， the MLP model was designed and trained based on the six gray texture features of the peel， and the trained model was used for classification detection， the feasibility of the system design was verified on the basis of the classification test results of a certain number of peels. Results showed that based on the three-layer BP neural network model， the 6-8-2BP network structure was designed， and the accuracy of classification and recognition reached 97.5%.The design method could provide references for fruit and vegetable peel feature detection.

Key words  Fruit peel;Computer vision;Image processing;Intelligent grading

計算机视觉技术（computer vision，CV），也称机器视觉技术（machine vision，MV）。计算机视觉技术涉及人工智能、模式识别、图像处理、计算机软硬件等领域［1-4］。计算机视觉比人工视觉的观察速度和分辨度更高，识别结果有可重复性，广泛应用于批量化和标准化生产中，如产品质量检测、产品分级、医学影像分析、智能分析处理系统等［5-9］。因此，可利用计算机视觉技术配合沙糖橘外观品质分类标准进行自动分类系统的开发。

鉴于此，笔者以沙糖橘果皮特征为研究对象，采用计算机图像技术为基础集合模式识别技术，把通过依据国标的人工感官评价结合利用机器视觉设备测量的结果作为综合评价依据，选用常用的视觉图像采集系统，对水果外部特征的有效提取方法进行研究探讨，设计建立准确度高、稳定性强的图像分级评判模型，并搭建一套功能齐全的沙糖橘果皮品质分类硬软件系统。

1 计算机视觉检测系统设计

使用CCD硬件系统采集高品质的果皮图像，重点实现果皮图像特征数据的有效完整提取，核心工作在于建立果皮光滑与否与图像特征因子两者间的映射关系判别模型，并利用优化后的模型来实现果皮光滑检测。首先在试验过程中建立果皮光滑与否的判别分类模型，然后使用分类判别结果修正模型，最后使用部分预测样品数据进行模型验证，并对模型进行性能评价。

视觉采集系统采用单CCD和环形LED白光源，使用黑色载物背景，调整光圈到合适位置并锁定，同时固定采集系统在同一环境的光源下，可以达到理想的图像采集状况。

计算机操作系统采用64位Windows 7，开发软件主要为学生版MATLAB R2015a和OpenCV3以及Halcon，使用千兆网卡连接CCD。整体系统软件采用模块化结构设计，主要包括用户交互模块、原始图像获取、图像处理特征信息提取和分类检测模型训练建立以及试用分类模型进行分类预测［10-11］。

2 圖像处理算法

2.1 原始图像获取和图像预处理

使用CCD相机以静态方式进行图像的采集，采集到的原始图像如图1所示。图像预处理是图像分割和特征提取的基础步骤，视觉系统采集到的原始图像往往容易受到光照和机械噪声等因素的影响，因此必须通过对图像的预处理去除噪声污染，同时提高图像质量，或者进行格式转换和区域获取等。通常可在空间滤波和频域滤波2个方向对图像噪声进行去除，如图2所示，常用的滤波方法有中值滤波、选择平均、小波变换、拉普拉斯滤波等。用中值滤波使用3×3奇数窗口处理的效果如图3所示。该中值滤波法不但去除了椒盐噪声，同时图像的边缘和细节信息也得到了很好的保留，滤波效果如图4所示［12-13］。

大津法或最大类间方差法Otsu算法被广泛用于图像分割。在沙糖橘的6个分量（GRB和HSI）中，B分量图中沙糖橘果体和背景灰度差最显著，对沙糖橘的背景分割最有利，因此进行阈值分割时采用沙糖橘B通道图像进行。从图5

可看出，在进行沙糖橘阈值处理灰度图像时，图像B通道使用自适应迭代选择阈值法与大津法（Otsu算法）都能把沙糖橘与背景完成分割［14-15］。

2.2 果皮纹理特征提取

图6为沙糖橘果面的光滑特征图，果皮纹理特征与颜色特征不同，纹理特征需要统计和计算多个像素区域，而不是仅基于像素点。纹理特征具有局部抗噪能力和旋转不变性的特性，其优点就来自具有统计特征，可基于此来描述反映果面的光滑程度［16］。模型、几何、结构、统计和信号处理等是现实操作中常采用的提取纹理特征的方法。参照代表基于灰度共生矩阵（gray level co-occurrence matrix，缩写GLCM）的最典型的特征提取法［17］，经图像灰度级计算得到共生矩阵，纹理特征由反差、自相关、能量、均值、逆差距和方差6个参数值来表示。由表1可知，实际测试得到的部分数据值可以看出，表面相对不光滑的沙糖橘方差集中在37.310 0～38.810 0，表面相对光滑的沙糖橘方差集中在35.970 0～43.870 0。

使用纹理特征方差数据的范围区间来判定果皮表面是否光滑的验证结果如表2所示，使用该方差来判定果皮是否光滑的平均正确率为76.3%，正确率较低，这些纹理特征的参数为非线性，使用一个参数范围来进行判定正确率不能得到保证，需要使用多层神经网络设计一个更合理的分类器。

2.3 BP神经网络的配置

由于沙糖橘果皮纹理特征是个一维数组，不适于线性分类，根据所提取的沙糖橘纹理特征，  通过分析试验筛选沙糖橘纹理特征分类的合理学习算法和BP神经网络模型，设计BP神经网络分类器应用于沙糖橘纹理特征的智能分类算法。

3 试验分析

不光滑沙糖橘的网络期望输出结果为0，光滑沙糖橘的网络期望输出结果为1。依据沙糖橘外观国标人工精心分级获得光滑和不光滑沙糖橘共120个，提取各个沙糖橘果皮的灰度纹理特征，部分纹理特征数据如表3所示。

表4为使用参数区间和BP神经网络分类正确率对比，归一化处理120个沙糖橘样本数据，然后随机共抽取80组沙糖橘的特征值作为训练样本（果皮光滑为50个，果皮不光滑为30个），使用这80个样本数据完成一个BP神经网络的训练，再把剩下的样本数据输入网络模型对网络模型进行验证测试，并对BP神经网络的分类性能进行测评。利用神经网络识别方法得到的沙糖橘类别与实际分类结果相一致，仅有个别误判现象（把光滑果判定成不光滑果），40个沙糖橘测试样本中有39个判断正确，正确率为97.5%，表明该研究设计的BP神经网络能满足沙糖橘的分级要求。

4 结论与讨论

用沙糖橘纹理特征表示果皮光滑与否，使用单一方差参数配合参数区间分类的方式正确率为76.3%，正确率较低。而基于3层的BP神经网络模型，设计6-8-2BP网络结构，综合使用6个特征参数经过训练模型和使用模型进行测试并分析，得出该网络模型可以实现依据灰度图下果皮纹理特征对沙糖橘光滑与否进行分类，使用此特征分类结果和人工分类结果对比可达到97.5%的正确率。对比人工感官分类，该系统具有可重复性高、可靠性好和快速的优势。因此设计该系统具有较好的实用价值，研究方法对于其他果蔬果皮光滑分类具有较好的借鉴和参考价值［18-21］。

参考文献

［1］  陈静，梁俊毅.基于机器视觉的禽蛋外观品质在线检测系统设计［J］.食品工业，2020，41（5）：232-234.

［2］ 马佳佳，王克强，郑奕雄，等.基于机器视觉的花生种子外观品质检测与分类方法研究［J］.安徽农业科学，2021，49（10）：225-227，231.

［3］ 闫朋涛，王昆伦，孙家亮，等.基于机器视觉的淡水鱼去鳞损伤无损检测识别方法［J］.食品工业，2020，41（3）：184-187.

［4］ 何东健，张庭锋，李邦国，等.除草机器人机器视觉自动导航技术研究［J］.安徽农业科学，2020，48（18）：201-205.

［5］ 王哲禄，程向娇，尤文生.基于机器视觉的蔬菜嫁接机自动上苗控制系统设计［J］.安徽农业科学，2019，47（7）：218-220.

［6］ 安丛姝.关于图像处理技术现状及发展的分析［J］.科技资讯，2018，16（25）：72-73.

［7］ PU Y Y，FENG Y Z，SUN D W.Recent progress of hyperspectral imaging on quality and safety inspection of fruits and vegetables：A review［J］.Comprehensive reviews in food science and food safety，2015，14（2）：176-188.

［8］ 应义斌，饶秀勤，赵匀，等.机器视觉技术在农产品品质自动识别中的应用（I）［J］.农业工程学报，2000，16（3）：103-108.

［9］ SUN D W.Computer vision technology for food quality evaluation［M］.2nd ed.Amsterdam：Elsevier/Academic Press，2016.

［10］  BAIGVAND M，BANAKAR A，MINAEI S，et al.Machine vision system for grading of dried figs［J］.Computers and electronics in agriculture，2015，119：158-165.

［11］ 刘峻，孙美艳，焦中元，等.基于全局阈值迭代的苹果图像分割计数方法［J］.安徽农业科学，2018，46（29）：180-182，186.

［12］ 余洪.基于计算机视觉技术的茶叶品质分级研究［D］.南昌：江西农业大学，2017.

［13］ SATORRES MARTNEZ S，MARTNEZ GILA D，BEYAZ A，et al.A computer vision approach based on endocarp features for the identification of olive cultivars［J］.Computers and electronics in agriculture，2018，154：341-346.

［14］ 罗枫，鲁晓翔，张鹏，等.冷藏樱桃内部品质的近红外漫反射光谱检测［J］.食品与发酵工业，2015，41（3）：219-224.

［15］ 孙旭东，刘燕德，李轶凡，等.鸭梨黑心病和可溶性固形物含量同时在线检测研究［J］.农业机械学报，2016，47（1）：227-233.

［16］ 常英.基于机器视觉的樱桃番茄在线分级检测研究［D］.兰州：兰州理工大学，2019：22.

［17］ GONZALEZ R C，WOODS R E，EDDINS S L.Digital image processing using MATLAB［M］.Upper Saddle River，N.J.：Pearson Prentice Hall，2004：42-45.

［18］ 张玉华，孟一，张明岗，等.基于近红外、机器视觉及信息融合的水果综合品质检测［J］.食品工业，2018，39（11）：247-250.

［19］ 裴悅琨，叶家敏，姜艳超，等.基于机器视觉的樱桃形状及大小检测技术［J］.食品工业，2020，41（8）：199-202.

［20］ 张世庆，戴其俊，孙力，等.禽蛋裂纹检测敲击装置力学分析与结构优化［J］.农业机械学报，2017，48（5）：363-368.

［21］ ZHU Q B，HE C L，LU R F，et al.Ripeness evaluation of“Sun Bright”tomato using optical absorption and scattering properties［J］.Postharvest biology and technology，2015，103：27-34.