基于表面缺陷識別的獼猴桃分級方法

楊 濤，馬京晶，雷 進

（1.成都農業科技職業學院機電信息學院，成都611130；2.成都工貿職業技術學院，成都611731）

中國獼猴桃種植基地主要分布于大別山區、陜西秦嶺北麓、貴州高原及湖南省西部地區、廣東、四川等地，其產量達237萬t，遠超意大利、新西蘭成為全球第一產出國［1］。然而，獼猴桃出口量（約2 000 t）不到全國總產量的千分之一。筆者對四川省獼猴桃主產區（蒼溪、都江堰、蒲江）調研發現，中國獼猴桃產后處理比例與水平較低，產品品質良莠不齊，導致獼猴桃難以進入高端市場。由此可見，獼猴桃的品質是影響其銷量與價格的主要因素之一。然而，獼猴桃大小、顏色、形狀、表面缺陷、成熟度、農藥殘留等性狀均是影響獼猴桃鮮果品質的主要因素，將獼猴桃按照一定的標準進行分級是提高果實附加值、提升國際競爭力的重要手段。但是，常規的以大小或重量來區分水果等級的方法已難以滿足現代社會人們對高品質獼猴桃的需要。因此，探索快速、低廉、準確的獼猴桃鮮果分級方法是促進獼猴桃產業發展的重要環節?；诖?，國內外學者紛紛加入到獼猴桃鮮果在線檢測與自動分級方面的研究中來。其中，西北農林科技大學對獼猴桃分級方法展開了系統地研究，霍迎秋等［2］提出高光譜技術結合機器學習建立識別模型的檢測方法，對過量使用1-MCP化學保鮮劑的獼猴桃快速、無損檢測，平均識別率達100%；閆彬等［3］通過比較獼猴桃果萼區域最小外接矩形的長寬比來判別是否經過膨大劑處理，其識別率達91.55%；劉忠超等［4］設計了基于面積的獼猴桃大小分級控制系統，平均分級速率可達2.5 s/個。國外水果自動化分級生產設備已經相當完善，美國OSCARTM型與MERLIN型高速水果分級生產線已廣泛應用于蘋果、梨、柑橘等水果的分級［5］。國內外學者對獼猴桃分級的研究還未涉及表面缺陷識別的分級方法。因此，基于獼猴桃表面缺陷識別技術設計了獼猴桃分級系統，該系統具有成本低廉、識別速度快等優勢，這對于研制小型獼猴桃分級裝置、提高果農收入、助力鄉村發展有積極意義。

1 獼猴桃等級

根據成都市獼猴桃協會海沃德獼猴桃鮮果分級標準與NY/T 1794-2009獼猴桃等級規格，人工挑選了符合標準的獼猴桃鮮果（圖1）。簡而言之，獼猴桃鮮果呈長橢圓形、顏色分布均勻，體積越大、品質越高。

圖1 獼猴桃鮮果等級

獼猴桃在生長、采摘、搬運、分選、包裝等環節不可避免地會出現一些病斑、曬傷、疤痕、碰傷等表面缺陷（圖2）。這類帶有表面缺陷的獼猴桃鮮果統稱為殘次果。

圖2 獼猴桃鮮果表面缺陷

2 獼猴桃分級方法

研究提出的基于表面缺陷識別的獼猴桃分級方法見圖3。首先由圖像采集系統采集獼猴桃圖像；然后對其進行預處理以調整圖像效果；接著使用Kmeans聚類算法對預處理后的獼猴桃圖像進行聚類分割，得到獼猴桃表面缺陷圖像并提取其顏色矩信息，再與無表面缺陷獼猴桃顏色矩信息作對比，判斷該獼猴桃是否為殘次果。若判斷為正常果，隨即提取其形狀特征信息，組成特征向量；最后設計SVM分類器輸出獼猴桃等級信息。

圖3 獼猴桃分級流程

2.1 圖像采集與預處理

獼猴桃圖像采集系統見圖4，由PC、CCD相機、鏡頭、相機支架、LED環形光源等部件組成。使用該系統分別采集獼猴桃Ⅰ級果、Ⅱ級果、Ⅲ級果、殘次果各60張圖像。然后運用Otsu分割算法剔除背景，進行Hough變換獲取目標區域最小外接矩形，提取獼猴桃果實輪廓曲線，進而實現獼猴桃果實圖像分割，以便對圖像進一步分析和處理［6］。

圖4 圖像采集系統

2.2 表面缺陷識別

2.2.1 缺陷分割要提取獼猴桃表面缺陷特征就需要將缺陷分割出來，運用K-means聚類算法對預處理后的獼猴桃圖像進行處理，其算法為：①隨機選擇K個初始聚類中心作為起始點；②計算每個樣本到各聚類中心的距離，并將每個樣本歸入最近的聚類中心；③以簇內樣本均值作為該簇新的聚類中心；④重復②③步驟直至聚類中心不再變化或達到設定的迭代次數。試驗發現，該算法能較好地分割出獼猴桃圖像中的表面缺陷，同時，對于正常果圖像的聚類效果也不錯。

2.2.2 顏色判別人們可以通過視覺直觀地識別出獼猴桃表面是否存在缺陷、獼猴桃屬于何種等級，而計算機只能通過具體的數據對比來判斷。因此，提取分割后獼猴桃圖像各顏色分量并分別計算其三階顏色矩。分別對不同等級的獼猴桃鮮果圖像進行顏色矩提取得到不同等級的獼猴桃鮮果圖像顏色分布情況（圖5）。由圖5可知，獼猴桃表面缺陷首先會表現為顏色變化，即疤痕、病斑等表面缺陷會比正常獼猴桃顏色偏深，尤其在HSV顏色空間中的三階矩存在差異較大。而正常的獼猴桃分割后顏色特征信息差異不明顯。由此，可以將與正常果顏色特征差異較大的獼猴桃果判斷為殘次果。

圖5 不同等級的獼猴桃鮮果圖像顏色分布

2.3 特征提取

獼猴桃鮮果形狀特征與尺寸測量結合起來是區分不同等級獼猴桃的重要依據。從外觀上看，可通過獼猴桃形狀、大小進一步區分獼猴桃的等級。由此，提取獼猴桃形狀特征并與尺寸測量結合起來就可作為區分獼猴桃等級的重要依據。將預處理后的獼猴桃圖像轉換為二值圖像并進行連通域分析，再分別計算其面積A、周長L、圓形度ρc、矩形度ρR、最小外接矩形長寬比ρWL5個形狀特征參數得到獼猴桃形狀特征信息，見圖6、圖7。

面積A指的是連通域中像素的總個數，該特征受圖像尺寸、拍攝條件等因素影響較大，故需要在特定的成像系統獲取待識別獼猴桃圖像才具有一定的比較意義。

周長L指的是包圍某個連通域邊界輪廓線的長度。

式中，N1表示方向碼為偶數的像素；N2表示方向碼為奇數的像素個數。

圓形度ρc也被稱為似圓度，表示的是目標圖像與圓形的相似程度。定義為目標圖像面積A的4π倍與其周長L的平方之比。

矩形度ρR描述的是目標圖像在其最小外接矩形區域內的充滿程度，即目標圖像面積A與其最小外接矩形面積A'之比。顯然，矩形的矩形度為1，圓的矩形度為，正三角形的矩形度為0.5，而其他不規則形狀的矩形度在0～1。且該特征受成像條件的影響較小，對目標圖像形狀表征能力較強。

圖6 獼猴桃面積、周長

圖7 獼猴桃幾何形狀

長寬比ρWL指的是目標圖像最小外接矩形的長寬比，該值不受圖像尺寸、方向的影響，是較為理想的幾何形狀特征。

2.4 分類判別

從獼猴桃形狀特征可以看出，不同等級的獼猴桃形狀存在不同程度的差異。簡單的邏輯判別會造成較大的識別誤差。為提高系統的識別率，設計了SVM多級分類器，判別函數見式6。

3 獼猴桃分級系統

為便于用戶對獼猴桃進行分級，開發了一套獼猴桃分級系統（圖8）。頂部為菜單欄，左側分為上下兩個區域顯示分級過程圖像，右側為按鈕操作與結果顯示區，能適應小規模農戶獼猴桃分級需求。未來，系統可進一步擴展以適應更多的水果分級需求。

4 結論

研究基于獼猴桃鮮果表面缺陷圖像展開研究，提出了K-means聚類算法與SVM結合的獼猴桃表面缺陷圖像分級方法并開發了獼猴桃分級系統，適應小規模農戶需求。為水果分級打開了新思路，對于提升果農收入有重要意義。

圖8 獼猴桃分級系統