一種簡單的確定蘋果正面的算法研究

王守亞，沈曉波

(淮南師范學院 電子工程學院 ，安徽 淮南 232038)

2020年中國蘋果產量超過了4.5×107t。蘋果上市前需要分級，分級情況直接影響到蘋果的經濟效益。傳統的人工分級缺點多，在一定程度上降低了蘋果的價值。隨著圖像處理、人工智能等技術的不斷發展，利用機器進行無損智能分級越來越被重視[1-4]。在分級中，需要確定蘋果的正面，才能夠準確的測量出蘋果的圓形度和大小等，以達到高質量的分級效果。

如何有效地確定蘋果正面，國內外學者進行了一定的研究，Paulus I等[5]對蘋果大小進行分級；李欣等[6]通過泛洪填充+自適應OSTU閾值分割算法和改進的粒子群算法等實現蘋果在線分級；黃辰等[7]通過圖像特征融合實現蘋果在線分級；闕玲麗[8]通過機器視覺技術研究蘋果自動分級；孫斐[9]通過最大內切圓和傅里葉變換等技術對蘋果進行分級。諸多研究都是在默認確定了蘋果正面的情況下對蘋果的大小和圓形度等進行了分級。針對這一問題，本文提出一種簡單的確定蘋果正面的方法：首先，利用反距離權重法確定一個方陣模板，用該模板與蘋果圖像做卷積運算，進行“模糊”處理，即平滑處理，以快速準確的提取蘋果果梗；其次，計算出果梗與蘋果圖像中心點的距離；最后，將此距離與設定的閾值進行比較，當不大于該閾值時，即確定出蘋果的正面。

1 IDW算法

反距離權重法(Inverse Distance Weighted)[10-11]是一種很好用的插值方法，原理簡單，使用方便。根據IDW算法，設某點xk處的值為φk，則有：

φk=Σiφiωi/Σiωi

(1)

式中ωi為權重函數，且ωi表示為

(2)

式中，xi為xk的臨近點，φi為臨近點xi的值，m為ωi的冪系數，通常取值在0.5到3之間，一般取m=2。

此方法中的權重函數ωi，可以看出是和兩點的距離及冪系數相關的，當給定冪系數的值后，距離參考點越近，權重值越大，距離參考點越遠，權重值越小。由于后期需要利用IDW算法確定的方陣與蘋果圖像進行卷積，對圖像進行平滑處理。圖像是連續變化的，越近的點關系越大，越遠的點關系越小，權重值的分配是平滑效果的關鍵，也是最終準確確定蘋果正面的基礎。

本文利用IDW算法確定方陣，對該算法進行了一定的簡化，方陣中其它點的值之和中心點的值有關系。假設方陣的中心點的值記為p，以此點作為參考點，則方陣中某一點的值qi為：

qi=ωip

(3)

這里重點需要確定合理的權重函數 。

2 實現過程

2.1 果梗提取

果梗提取需要確定一個方陣與蘋果圖像進行平滑運算，即進行“模糊”處理，突出果梗的特征，弱化圖像中其它部分的特征。在提取果梗的過程中，花萼和蘋果外傷有時會帶來一定的干擾，但用本文方法確定的方陣，提取出的果梗、花萼和蘋果外傷能夠看出明顯的區別，果梗、花萼、外傷的提取效果分別如圖1、圖2、圖3所示。傳統的OSTU算法果梗、花萼、外傷的提取效果分別如圖4、如圖5、圖6所示。從提取效果圖可以看出，本文方法提取效果更好，花萼和損傷的提取結果與果梗有明顯的區別，能夠準確的找出果梗，果梗提取準確率高、速度快、效率高。

2.1.1 方陣確定 方陣與蘋果圖像進行卷積運算，方陣的半徑越大，平滑效果越明顯，但綜合考慮效果和效率等因素，本文采用3×3的方陣與蘋果圖像進行卷積運算，這是二維矩陣卷積運算。蘋果圖像對應的矩陣記為A，給定的3×3方陣記為B，此卷積運算過程為：首先對A的第一行之前、第一列之前、最后一行之后和最后一列之后均補兩行或兩列0；其次將方陣B繞其中心旋轉1800；最后滑動旋轉后的方陣B，將該方陣中心按順序位于圖像矩陣的每一個元素，求乘積和，即可得出運算結果，即矩陣C。經實驗表明，可設方陣中心點的值p=2，即方陣B中b22的值，權重值wi可以取方陣中其余點距離中心點距離的一個冪值函數。

(4)

根據式(4)進行運算，如果旋轉后的方陣B中的b22滑動到A中的ai,j位置時，對應值是cm,n，則有：

cmn=ai-1,j-1×b33+ai-1,j×b32+ai-1,j+1×b31+ai,j-1×b23+ai,j×b22+

ai,j+1×b21+ai+1,j-1×b13+ai+1,j×b12+ai+1,j+1×b11

(5)

用同樣的方式，可以計算出矩陣C，即可得出平滑處理后的圖像。

2.1.2 果梗提取過程 實驗采用的蘋果是購買于淮南市某農貿市場的紅富士蘋果。提取蘋果果梗圖像：首先，對蘋果圖像與方陣進行兩次平滑運算，試驗表明兩次平滑運算效果更佳；其次，對平滑結果進行灰度化處理；再次對灰度化的結果進行孔洞填充；最后，得到蘋果果梗的圖像。此方法提取過程簡單易實現，準確率高。處理的技術路線如圖7所示，得到的結果如圖8所示。

圖7 果梗提取技術路線圖 圖8 果梗提取過程

2.2 蘋果圖像中心點確定

中心是物體幾何形狀的中央部位，一個圓形度較好的蘋果，它的正面圖像的中心和果梗的位置應該是非常接近的。無論從蘋果的哪個面拍攝圖像，中心點一定是該圖像的中央部位，而果梗位置卻差別較大，甚至未拍攝到果梗，檢測不到果梗。如果檢測不到果梗，判斷為非正面，如果檢測到果梗，可以計算出果梗位置和中心點位置的距離判斷圖像是否為蘋果的正面圖像。圖9所示為一標記出中心點的二值化蘋果圖像。為了能夠較清晰的看出標記的中心點，首先對蘋果圖像進行了二值化處理。

圖9 標記出中心點的二值化蘋果圖像 圖10 蘋果中心點和果梗坐標值

對蘋果同一圖像，進行一定的處理，得出果梗位置和中心點位置，果梗坐標記為A(x1,y1)，中心點坐標記為B(x2,y2) 。如圖10所示，標記出蘋果果梗和中心點的坐標值。根據公式(6)計算出兩點之間的距離L。

(6)

2.3 確定蘋果正面

根據前面的描述，計算出蘋果果梗與中心點的距離，與設定的閾值進行比較。分兩種情況：第一種是由于拍攝面的原因未檢測到果梗，則直接判斷為非正面；第二種是檢測到果梗，根據計算的距離與設定的閾值進行比較，距離小于閾值則判斷為正面，否則判斷為非正面。本文算法效果如圖11、圖12和圖13所示，分別為蘋果非正面圖像和蘋果正面圖像情況。

圖11 本文算法蘋果非正面圖像情況1 圖12 本文算法蘋果非正面圖像情況2

圖13 本文算法蘋果正面圖像情況 圖14 OSTU算法蘋果非正面圖像情況1

OSTU算法效果如圖14、圖15和圖16所示?？梢钥闯?，本文算法識別更清晰，效果更好。

圖15 本文算法蘋果非正面圖像情況2 圖16 OSTU算法蘋果正面圖像情況

3 結果分析

為檢測該簡易方法的正確性，選用200幅蘋果圖像，分別檢測出每幅圖像的果梗和標記出中心點。蘋果是購買于淮南市某農貿市場的紅富士蘋果，由于該方法對蘋果的種類、大小和色澤等沒有特別要求，同樣適合其它種類蘋果正面的確定。蘋果正面的正確確定率達97.5%。由于蘋果正面的確定是對蘋果按照大小、圓形度等指標進行分級的前提，所以本文的研究方法能夠為蘋果等農產品的無損智能分級提供一定的參考，有重要的實用價值。

4 結論

針對蘋果智能無損分級前需要確定蘋果正面這一問題，結合反距離權重法，確定出方陣，對蘋果圖像進行一些列的處理(處理方法簡單易操作)，檢測蘋果果梗和標記蘋果中心點，根據兩者的距離確定圖像是否為蘋果正面圖像。此法為蘋果大小、圓形度的檢測等做出必要的一步。與常見的OSTU算法相比，本文的方法準確率較高，能夠為蘋果等其它農產品的分級提供參考。