计算机视觉技术在农产品品质检测中的应用

陈涛

摘 要：随着消费者对食品安全关注的增加，农产品品质检测越来越重要。计算机视觉作为一种无损检测方法，有快速、使用简便、制样少的优势，已广泛应用于农产品的大小、形状、颜色、缺陷、新鲜度等品质检测。该文简要陈述了计算机视觉技术的原理，主要介绍其在2009—2018年间农产品品质评价方面的应用情况，旨在为计算机视觉技术在未来农产品品质检测方面的应用提供参考。

关键词：计算机视觉;肉制品;果蔬;检测

中图分类号 TS207文献标识码 A文章编号 1007-7731（2019）20-0110-04

Abstract：With the increase of consumers′ attention to food safety，the quality detection of agricultural products is becoming more and more important，which is generally evaluated by considering their size，shape，color，visual defects，as well as freshness.As a non-destructive detection method，computer vision technology，with the advantages of rapid，easy to use and less sample preparation，has been widely used in thequality detection of agricultural products.The purpose of this paper is to present the basic theories of computer vision technology，and its application details in the quality evaluation of agricultural products in 2009-2018 years，and to provide references for future application of computer vision technology.

Key words：Computer vision technology;Meat;Fruits and vegetables;Detection

農产品的品质直接影响其市场价值、消费者的偏好和选择，甚至会引起巨大的经济损失和安全隐患[1]。因此，农产品的识别、鉴定和分类在加工和品质评估中是非常重要和必要的环节[2]。

计算机视觉技术能够连续和快速地定位、提取和评价目标的信息，相对于传统的人工检测，是一种更有效率、更经济的新型技术。图像处理和模式识别技术的发展以及计算机硬件的改良使得计算机视觉技术的检测范围更为广泛，灵敏度更高。目前，计算机视觉已经广泛应用于肉制品和果蔬、蛋类等农产品品质检测，包括大小、形状、颜色、纹理、缺陷、新鲜度等[3-5]。本文简要介绍了计算机视觉技术的原理，着重介绍了2009～2018年计算机视觉在农产品品质检测方面的应用进展。

1 原理

计算机视觉技术即通过计算机视觉硬件获取目标图像，然后利用图像处理过程提取图片中的有用信息，进行质量分析和过程控制的技术。高质量的图片有助于提取更有效的信息，因此计算机视觉的硬件部分非常重要。同时，图像处理过程通过校正、降噪等前处理可提高图片的质量和特征的可见度，为后续的图像分割以及识别和分类提供便利条件[6-7]。

2 应用

2.1 肉制品 对于肉制品来说，新鲜度是评价品质的重要指标。随着存放时间的延长，肉的颜色逐渐从鲜红变成暗红，甚至会变绿，同时肉质会慢慢失去弹性。与传统的Minolta CR-400色差仪相比较而言，计算机视觉系统生成的肉的真彩色图像更类似于真实的肉[8]。另外，计算机视觉基于RGB和HIS等颜色空间模型可以提取目标的颜色参数，并提取表面纹理分析目标的质构特征，以此来鉴别新鲜度。

2.1.1 牛肉、羊肉和猪肉 在屠宰场，牛肉羊肉和猪肉的新鲜度需要进行测量以便于之后加工和运输到合适的市场。对于牛肉来说，除了新鲜度以外，大理石花纹、肌间脂肪的多少和分布决定了牛肉的适口性和价值[9]。通过研究牛胴体6～7肋横断面图像，提取牛肉眼肌的总面积比、圆度、脂肪分布均匀度、肌肉和脂肪色度值5个特征参数，发现眼肌的面积、圆度越大，肌肉和脂肪色度值越高、大理石纹密度分布均匀的牛肉品质越好[10]。而在滩羊肉贮藏期间，图像的R（红色）值线性降低，G（绿色）和B（蓝色）值线性增加，H（色度）值由红转为蓝绿色，S（饱和度）值先减后增，而I（亮度）值没有明显的趋向性。通过提取RGB和HIS颜色空间的特征分量，运用神经网络建立滩羊肉新鲜度分级模型，识别准确率达90%以上[11]。猪肉RGB图像空间中的R（红色）分层中颜色区域比（颜色分层区域像素点数量与图像像素总数之比）与猪肉新鲜度间有较高的相关性。肖珂等[12]提出颜色区域比检测猪肉新鲜度的方法，当分类阈值为0.88，即大于此阈值为新鲜猪肉，而小于此阈值为腐败猪肉，能够实现对猪肉新鲜度的检测和分类。此外，通过RGB-HIS、RGB-L*a*b*、rgb-HIS、rgb-L*a*b*及HIS-L*a*b*5类颜色特征参数组合，结合BP神经网络和支持向量机构造猪肉各类新鲜度等级预测模型，BP神经网络和支持向量机的平均预测准确率分别为84.44%和91.11%[13]。

2.1.2 水产品 计算机视觉在鱼、虾等水产品应用方面具有巨大的潜力。与传统基于罗氏标准比色卡的人工分级方法相比，基于多颜色模型对于大西洋鲑鱼鱼肉肉色进行自动分级时，2种方法的分级结果差异并不显著[14]。对于检测半透明的水产品，如三文鱼，鱿鱼管，去皮生虾，Al?i?ek和Balaban[15]提出了1种新的方法（2个影像的方法），可以很好地将与背景颜色相似的物体分割出来。另外，研究发现在生虾干燥过程中，含水率与L（明度）值变化有很强的相关性。随着干燥的进行，样品的L值降低。因此，可以利用二次回归模型对干燥过程中虾的含水率与颜色参数进行精确的关联，以确定最佳的干燥时间[16]。

2.2 果蔬 水果和蔬菜的大小、形状、颜色以及缺陷等品质是果蔬最重要和最直接的感官品质属性，影响它们在销售点上的价值和消费者的购买行为。因此，在评价水果和蔬菜的质量中，这些特性必不可少。计算机视觉因为它的无损的性质已经广泛用于果蔬品质的检测和分类。

2.2.1 苹果和柑橘 苹果和柑橘是我国生产量最大的2种水果，发展基于计算机视觉的苹果和柑橘品质的自动分级技术，对提高其在国际市场上的竞争力有着十分重要的意义。Moallem等[17]对120个“金冠”苹果进行2类（健康和缺陷）和3类（第1级，第2级和不可接受）分级研究时，分级准确率分别为92.5%和89.2%。同时，为满足苹果产业化发展的需求，基于计算机视觉的苹果自动在线分级系统的开发也已较成熟[18]。通过捕获流水线状态的苹果图像，然后选取最大果径、二维傅立叶动态变换、色度图像以及缺陷点像素面积，分别表征苹果的大小、形状、颜色和缺陷，自动分级系统的作业速度可达5个/s，4个等级苹果的分级准确率分别为92%、88%、84%和88%，平均准确率为88%[19]。另一方面，为确定果园果树上苹果的采摘时期，需要克服果树上苹果的识别和定位的困难，排除果园复杂的环境、枝叶的遮挡和树枝的分支机构带来的干扰。Nguyen等[20]提出了1个基于颜色和形状特征的算法来检测和定位红色和双色苹果，对于树上完全可见的和部分被遮挡的苹果的检测准确率分别为100%和82%。

消费者在挑选水果尤其是柑橘的时候，更关注大小、表面缺陷和颜色、表皮厚度[21]。Jafar等[22]研究表明柑橘皮肤表面的粗糙度和厚度之间具有很高的相关性（R2=0.944）。在柑橘自动分级模型中，概率神经网络和支持向量机均表现出很好的潜力[23-24]。其中基于概率神经网建立柑橘表面纹理和果实颜色的分级模型，整体的识别准确率约85%，1级和4级柑橘的识别率最高，2级和3级柑橘的识别率稍低[24]。

2.2.2 枣 计算机视觉重点对于枣的外部品质检测的进行研究，包括大小、裂纹、表面褶皱和病害等。目前枣的大小分级还处在人工或机械分级的初级阶段，而干瘪褶皱枣、病害枣和裂纹枣也还需要人工拣选。采用计算机视觉技术，枣的大小可以用轮廓上2点之间最大距离和最小外截矩形的长和宽进行表征，准确率分别可达91.7%[25]和94%[26]。李运志[27]对红枣表面纹理和病害识别进行研究，通过灰度共生矩阵的6个参数（对比度、相关、能量、一致性、熵和灰度图的标准差）描述红枣表面褶皱纹理，基于BP神经网络和支持向量机建立分级模型，分级正确率分别为94.29%和95.23%;结合红枣区域颜色特征值色调H的均值和均方差，用支持向量機方法建立红枣表面缺陷检测的模型中，训练集和测试集的识别正确率分别为95.77%和95.79%。对于畸形枣的判别，许敏等[28]提取前15项系数傅里叶级数，分别使用不规则度判别法和欧氏距离法进行研究，结果表明：2种分类方法中，正常枣的分类准确率都比较高;采用不规则度判别法畸形枣的识别率可达90%，高于欧氏距离法（识别率仅为35%）。

2.2.3 土豆 土豆之间的大小、形状和规则性各不相同，很不容易分级。ElMasry等[29]尝试通过运用自动的计算机视觉系统将不规则的土豆分为不同等级。他们建立了土豆图片的第1个数据库，提取了一些必不可少的物理特征，包括周长、质心、惯性矩、面积、长和宽。通过2次测试来证实分类的准确性，最成功的分类结果是测试228个土豆有96.5%的正确分类率。在土豆质量和形状自动分级系统中，系统对每幅图片的处理时间只需要1.5s，可以实现40个/min的自动分级速度[30]。另一方面，为实现土豆绿皮、内部发芽以及发芽状态和损失的判定，向静等[31]分别利用感知器学习算法、K-最近邻分类算法以及角点检测法和长短轴的比值来表征绿皮、发芽和损失，识别正确率分别为89.7%，96%和90.4%。

2.2.4 胡萝卜 胡萝卜外观品质包括青头、开裂、须根、弯曲、断折等。韩仲志等[32]对520个胡萝卜样本进行分级，分别通过提取骨架检测端点数、R分量上二值化、S分量结合区域标记的方法来实现须根、青头和开裂检测，正确率分别为97.5%，81.8%和92.3%，总体识别率91.3%。同样，杜宏伟等[33]对含有以上不同种类的缺陷的520个胡萝卜样本进行分级检测，识别率达93.5%。

2.2.5 蛋类 在蛋品的品质评价指标中，除了蛋的重量和大小以外，蛋壳上的裂纹也是另一重要指标，直接影响蛋的质量和安全，可能导致细菌污染。因此，需要有效的裂纹检测系统。通过背景分割和边缘检测以及小波变换后，基于费歇尔判别和支持向量机神经网络的裂纹识别模型准确率可分别达到95%和98.07%[34-35]。在鸡蛋长短轴、重量和表面污渍检测模型中，长轴检测误差在-0.81～0.53mm内，短轴长度的误差在-0.55～0.41mm内，重量误差小于±1g，表面污渍检测率为75.86%[36]。

2.2.6 其他 近年来计算机视觉还应用在其他果蔬的品质检测中，这些研究主要是对颜色和水分的检测。在樱桃和草莓的颜色评级中，整体的评级精度可分别达到85%和90%[37-38]。在杨梅的自动在线检测分级中，系统对杨梅的颜色和果形进行识别和分级时，分级准确率为92.7%。处理每幅图片所需时间仅0.45s。且若不考虑其它环节的限制，系统的分级效率理论上可以达到700个/s[39]。Pace等[40]基于图像分析和现摘油桃的化学特性评估外观和褐变之间的联系。他们检测了包括滴定酸度、褐变评分和pH在内的化学特征，并进行了定量分析，获得了0.76的相关系数。基于支持向量机和人工神经网络还可对葡萄干燥过程进行在线监测和控制。结果表明，人工神经网络的检测模型（4个输入，5个隐含层节点，1个输出）最好，建模集的均方根误差为0.00004，R2为0.99947，预测集的均方根误差为0.00003，R2为0.99952[41]。

3 结语

计算机视觉技术通过图像采集、预处理、分割和识别，实现对农产品大小、形状、颜色、纹理和缺陷以及新鲜度等品质的检测和分类，在质量控制和品质评价中起着至关重要的作用。同时，计算机视觉技术可以结合其他技术如近红外光谱、电子鼻等无损检测技术，实现农产品外部和内部品质以及风味品质的检测，扩大计算机视觉技术的应用范围。

参考文献

[1]陈桂珍，龚声蓉.计算机视觉及模式识别技术在农业生产领域的应用[J].江苏农业科学，2015（8）：409-413.

[2]Zhang B，Huang W，Gong L，et al. Computer vision detection of defective apples using automatic lightness correction and weighted RVM classifier[J]. Journal of Food Engineering，2015（146）：143-151.

[3]潘磊庆，屠康.计算机视觉对青刀豆长度及弯曲度评价的初步研究[J].食品安全质量检测学报，2014（3）：691-696.

[4]程鲁玉，吴艳，孟小艳.基于计算机视觉的香梨损伤自动检测与分类研究[J].农业网络信息，2013（7）：25-27.

[5]白东升，李康.基于计算机视觉的高速机器人芒果分选系统设计[J].农机化研究，2017，39（8）：231-233.

[6]贾永红.数字图像处理[M].武汉：武汉大学出版社，2010：4-6.

[7]郑继刚，王边疆.基于MATLAB的数字图像处理研究[M].昆明：云南大学出版社，2010：121-125.

[8]Girolami A，Napolitano F，Faraone D，et al. Measurement of meat color using a computer vision system[J]. Meat Science，2013（93）：111-118.

[9]丁冬，陈士进，沈明霞，等.基于计算机视觉的牛肉质量分级研究进展[J].食品科学，2015，36（7）：251-255.

[10]张丽，李艳梅，孙宝忠，等.边缘检测、二值化处理进行牛肉分级的应用[J].肉类研究，2013，27（4）：10-14.

[11]田银，罗瑞明，吴亮亮，等.基于计算机视觉技术对滩羊肉新鲜度分级方法研究[J].食品安全导刊，2016（3）：104-105.

[12]肖珂，段晓霞，高冠东，等.基于图像特征的猪肉新鲜度无损检测方法[J].河北農业大学学报，2012，35（4）：111-113+122.

[13]潘婧，钱建平，刘寿春，等.计算机视觉用于猪肉新鲜度检测的颜色特征优化选取[J].食品与发酵工业，2016（6）：153-158.

[14]刘子毅.基于计算机视觉的大西洋鲑鱼肉色自动分级及摄食活跃性测量研究[D].北京：中国科学院大学，2013：27-35.

[15]Al?i?ek Z，Balaban M. Development and application of the two image method for accurate object recognition and color analysis[J]. Journal of Food Engineering，2012（111）：46-51.

[16]Hosseinpour S，Rafiee S，Mohtasebi S S，et al. Application of computer vision technique for on-line monitoring of shrimp color changes during drying[J]. Journal of Food Engineering，2013，115（1）：99-114.

[17]Moallem P，Serajoddin A，Pourghassem H. Computer vision-based apple grading for golden delicious apples based on surface features[J]. Information Processing in Agriculture，2016，6（9）：211-223.

[18]阙玲丽.计算机视觉信息处理技术在苹果自动分级中的应用[J].农机化研究，2017，39（5）：246-248.

[19]钱中华.计算机视觉技术在红富士苹果自动分级系统中的应用[J].农机化研究，2018，40（3）：181-184.

[20]Nguyen T T，Koenraad V，Niels W，et al. Detection of red and bicoloured apples on tree with an RGB-D camera[J]. Biosystems Engineering，2016（146）：33-44.

[21]谭博.基于计算机视觉技术的柑橘感官分级研究[D].长沙：湖南农业大学，2013：44-56.

[22]Jafar A，Atefeh F，Mohammad R Z. Estimation of orange skin thickness based on visual texture coarseness[J].Biosystems Engineering，2014（117）：73-82.

[23]Pan Z B，Wei X Y. Computer vision based orange grading using SVM[J].Sensors，Measurement and Intellgent Materials，2013：1134-1138.

[24]卢军，付雪媛，苗晨琳，等.基于颜色和纹理特征的柑橘自动分级[J].华中农业大学学报，2012，31（6）：783-786.

[25]施健，何建国，张冬，等.基于计算机视觉鲜枣大小分级系统研究[J].食品与机械，2013（5）：134-137.

[26]颜秉忠，王晓玲.基于计算机视觉技术大枣品质检测分级的研究[J].农机化研究，2018，40（8）：232-235+268.

[27]李运志.基于机器视觉的红枣外观品质分级方法研究[D].陕西：西北农林科技大学，2016：1-6.

[28]许敏，马钺，陈帅，等.基于计算机视觉的红枣形状识别方法研究[J].传感器与微系统，2013，32（4）：23-26.

[29]ElMasry G，Cubero S，Moltó E，et al. In-line sorting of irregular potatoes by using automated computer-based machine vision system[J].Journal of Food Engineering，2012，112（1–2）：60-68.

[30]王聪，王婷.馬铃薯质量和形状自动分级系统研究—基于计算机视觉[J].农机化研究，2018，40（6）：205-209.

[31]向静，何志良，汤林越，等.结合计算机视觉的马铃薯外部品质检测技术[J].计算机工程与应用，2017.

[32]韩仲志，邓立苗，徐艳，等.基于图像处理的胡萝卜青头、须根与开裂的检测方法[J].农业工程学报，2013（9）：156-161.

[33]杜宏伟，邓立苗，熊凯，等.基于计算机视觉的胡萝卜外观品质分级系统与装备[J].农机化研究，2015（1）：196-200.

[34]周晶.基于视觉检测技术的蛋缝识别系统的设计与实现[D].厦门：厦门大学，2012：42-56.

[35]涂佳.基于计算机视觉和动态称重的鸡蛋外部品质检测系统研究[D].镇江：江苏大学，2013：47-62.

[36]Yang J，Shi Y，Zhou W，et al. Study on detection method for crack in eggs based on computer vision and support vector machine neural network[J].Mechanical Science and Engineering IV，2014（472）：176-179.

[37]Wang Q，Wang H，Xi，L J，et al. Outdoor color rating of sweet cherries using computer vision[J].Computers and Electronics in Agriculture，2012（87）：113-120.

[38]苟爽，张宁，张云伟，等.基于计算机视觉的草莓等级判别研究[J].安徽农业科学，2015（21）：370-373.

[39]李思广.基于机算机视觉的杨梅自动检测分级[J].农机化研究，2018，40（9）：204-207.

[40]Pace B，Cefole M，Renna F，et al. Relationship between visual appearance and browning as evaluated by image analysis and chemical traits in fresh-cut nectarines[J].Postharvest Biology and Technology，2011（61）：178-183.

[41]Behroozi K N，Tavakoli T，Ghassemian H，et al. Applied machine vision and artificial neural network for modeling and controlling of the grape drying process[J].Computers and Electronics in Agriculture，2013（98）：205-213.

（责编：杨 林）