基于机器视觉的类球形水果外部品质分级方法研究

饶 剑，吕自玉

（1.西南科技大学制造科学与工程学院，四川 绵阳621000；2.重庆交通大学经济与管理学院 重庆400074）

水果品质分级作为产后处理的核心过程，是实现水果标准化和商品化的重要环节[1-2]。对于水果外部品质，一般按尺寸、表面缺陷及外观颜色等分级，目前传统的分级方法主要为人工分级和机械分级，其中人工分级存在检测主观性强、人工成本高且效率低等问题，而机械分级易损伤目标物，同时分级精度受限[3-5]。随着计算机图形技术和传感技术逐步成熟，机器视觉由于快速、高精度、客观及无损等特点，广泛应用于水果的外部品质分级中，对此国内外专家开展了大量研究。ALEIXOS等[6]基于多光谱相机及并行DSP特定算法对柑橘的大小等特征进行检测，实现了柑橘与柠檬的正确区分。BHARGAVA等[7]利用自动计算机化技术分析苹果的新鲜及腐烂程度，并成功应用于多品种苹果的果实品质评价。胡发焕等[8]采用数字形态学提取脐橙的体积、纹理等特征，并用支持向量机进行分类器训练，实现了实时环境下的脐橙分级。刘忠超等[9]基于视觉监控和PLC设计了猕猴桃大小分级控制系统，其执行效率高，平均分级速度达2.5 s/个。综上分析，本文开发了一种基于机器视觉的类球形水果外部品质分级方法。采用图像传感器对目标快速扫描成像，结合最小外接矩形与形态学填充等处理算法获取果形指数及果面缺陷，根据特征值分类完成类球形水果的外部品质分级。同时设计了类球形水果外形及尺寸在线检测系统，并以脐橙为测试对象，验证分级方法的可行性。其中类球形水果图像的果形指数及果面缺陷特征参量提取是实现品质分级的关键环节。

1 类球形水果外部品质分级方法

类球形水果的外部品质分级实现流程如图1所示，

图1 类球形水果外部品质分级原理

图像传感器对类球形水果表面视觉成像时，由于光照条件及场景复杂等因素，导致采集的图像包含了大量的背景干扰噪声，为强化目标有效信息和提高特征参量检测精度，需进行必要的预处理过程。采用顶帽变换（TOP-HOT）校正类球形水果图像中的非均匀光照，消除光照变化引起的检测误差，同时基于背景差分法，如式1所示，对类球形水果进行前景分割。

式（1）中：F（x，y）为差分图像，即类球形水果前景图像；f（x，y）为当前图像；g（x，y）为背景图像，由图像序列第一帧或多帧均值获得。不考虑颜色特征前提下，对前景图像进行灰度变换。

在类球形水果的尺寸检测中，果面缺陷处于局部区域，不会对轮廓提取产生影响，于是采用大津法（OTSU）统一前景图像强度，从而有效减少了运算开销时间；并在此基础上，为获取随机方向上果形指数（纵径和横径之比），采用最小外接矩形（MER）算法进行求解。其基本思想表述为：以等间隔角度分量在一定范围内旋转类球形水果前景图像，每旋转一次记录其外接矩形边界点的最值，当外接矩形面积最小时，此时其长度和宽度分别为类球形水果的横径和纵径。

对于类球形水果的果面缺陷提取，前景图像中表面缺陷和边缘灰度强度较低，采用Canny算子分割出集中分布的低频区；为进一步获得缺陷特征，通过掩模处理去除边缘信息，利用形态学区域填充，如式2所示，空洞连通域，从而计算出果面的缺陷面积。

式（2）中：Xk为与A同维度迭代集合，从0组成的阵列X0开始迭代；Xk-1⊕B为B对Xk-1的膨胀；B为结构元素；A为类球形水果的果面缺陷集。

根据提取的果形指数及果面缺陷特征值，设定不同分级区间（参照国家标准），即可完成对类球形水果的外部品质分级。

2 类球形水果外形尺寸检测系统

为验证分级方法的可行性，设计了一套类球形水果外形尺寸在线检测系统，如图2所示，主要由成像系统、照明设备、传送装置和数据处理中心等组成。其中，CCD工业相机选用索尼IMX600面阵传感器，搭载4 000万像素超感光镜头，最小单位像素尺寸仅为1μm，可实现5倍光学变焦；照明设备采用ColorSpace的LE005单色温可调亮度LED光源，有效照面为280 mm×210 mm，亮度为3.2～3 200 cd/m2。检测时，将类球形水果放置于载物工作台上，利用传送装置进入CCD工业相机的测量视场，同时在载物工作台两侧布置两套照明设备，以尽量保证光照的均匀性；CCD工业相机采用垂直拍摄方式，采集的类球形水果图像通过以太网接口传输至数据处理中心，进行果形尺寸和表面缺陷的实时分析。

图2 类球形水果外形尺寸在线检测系统

实验以脐橙为检测对象，CCD镜头光心到脐橙投影切面的距离（工作距离）设置为150 mm，视场范围为120 mm×70 mm，同时照明光源亮度调节为100 cd/m2，分别对100个脐橙（包含特等、一等、二等及等外级果）的外部特征进行了图像采集。

3 脐橙外形及尺寸检测及分级结果

脐橙样品图像外形及尺寸检测的实现过程如图3所示。原始的脐橙图像具有明显的表面缺陷特征，表现为局部的溃疡和裂伤，同时背景干扰明显，如图3（a）所示；预处理后，背景噪声消失，脐橙特征清晰，如图3（b）所示；使用Otus自适应阈值增强后，脐橙缺陷特征被有效去除，如图3（c）所示；通过MER标记并计算出脐橙尺寸大小，横径为651个像素，纵径为658个像素，如图3（d）所示；在图3（b）基础上，Canny算子分割出脐橙轮廓与表面缺陷特征，细连通无断裂，边缘宽度均为1个像素，如图3（e）所示；通过掩模处理及形态学填充后的缺陷区域，获得独立分布的表面缺陷，其面积分别为686个像素、616个像素（对应编号1和2），如图3（f）所示。

图3 脐橙外形尺寸检测过程

采用棋盘标定板实现图像坐标系到世界坐标系的转换，以检测脐橙的横径及表面缺陷真实值，标定出单位像素长度为0.11 mm/piexl。因此，图3中脐橙的横径为71.61 mm，纵径为72.38 mm，果形指数为1.01（偏长圆形），与脐橙实际形状相符；同时，脐橙表面缺陷面积分别为8.30 mm2、7.45 mm2。为分析脐橙尺寸检测的精度，用数显游表卡尺对脐橙（图3）进行尺寸测量，横径实际检测值为72 mm，与检测值71.61 mm的相对误差为0.54%。为进一步验证尺寸检测的稳定性，在100个试验脐橙中抽样5个（包含各等级果）进行尺寸检测，结果如表1所示。

表1 脐橙横径的检测值与实际测量值对比

从表1可知，脐橙的横径检测值与实际测量值最大相对误差为0.79%，表明检测算法对各等级的脐橙均具有较高的检测精度，可作为脐橙外部品质分级的依据。由于脐橙的表面缺陷表现为不规则形，实际面积难以准确测量，因此不对表面缺陷的检测精度进行评价。根据果形指数和果面缺陷特征对100个试验脐橙进行外部品质分级，分级指标参照GB/T 21488—2008鲜脐橙的国家标准，分级结果如表2所示。

结果显示，次等级果未误识别为高等级果，尺寸检测准确性高；特级果、一级果、二级果的检测分级中出现了识别误差，分析后考虑为果形缺陷面积的检测误差导致；总体平均识别率达94.4%，分级效果较好。

4 结论

开发了一种基于机器视觉的类球形水果的外部品质分级方法，将类球形水果的果形指数和果面缺陷特征参量作为重要检测指标，并以此进行分级判定。通过顶帽变换和背景差分法可有效去除复杂的背景干扰噪声，利用大津法和最小外接矩形可获得脐橙的果形指数，同时基于二阶微分Canny算子和形态学填充可提取果面缺陷特征。

设计了一套类球形水果外形尺寸在线检测系统，并以脐橙为试验对象进行了检测分级。结果表明，在对5个抽样脐橙进行尺寸检测中，横径检测值与实际测量值最大差值为0.67 mm，最大相对误差为0.79%；在100个试验脐橙分级中，等外果识别率高达100%，平均识别率达94.4%，为类球形水果的外部品质分级提供了一种新的解决思路。受实验条件限制，无法实现对脐橙的全表面自动果面缺陷的检测，同时未考虑果梗和果萼区域，因此果面缺陷特征对脐橙的外部品质分级识别精度产生了一定影响。