基于计算机视觉技术的水果分级研究进展

基于计算机视觉技术的水果分级研究进展

曹乐平

（湖南生物机电职业技术学院，长沙 410127）

摘要：较为全面地介绍了国内外基于计算机视觉技术的水果外观品质的单指标分级、多指标综合分级和水果内部品质检测分级的研究现状与方法，指出了现有研究中研究对象较单一、图像采集不全面、图像处理算法不多、精度不高等存在的主要问题。同时，提出了未来水果分级的发展方向，认为水果内外品质融合的一体化分级技术是未来的发展趋势。

关键词：计算机应用；计算机视觉；综述；水果；内外品质；图像处理；分级

中图分类号：TP391.41 文献标识码：A 文章编号：1003─188X(2007)11─0010─06

0 引言

我国是世界水果生产大国，自1993年以来，水果总产量一直居世界第1位。据农业部预测统计，2006年我国水果产量及果园面积保持继续增长势头，果园面积突破10000khm2，水果总产量近17000万t[1]，但我国水果在国际市场的竞争力很弱，出口水果数量占总产量的极少部分，2005年和2006年鲜冷冻水果出口维持在200万t左右，以香港市场为例，我国出口柑橘数量占香港市场的2/3，但是我国收汇只占1/3，单价仅为其他国家的1/4。提高我国水果在国际市场的竞争力，强化采后处理是关键。发达国家的经验告诉我们，水果产值的大部分是由采后处理和加工创造出来的[2]。在美国、欧洲以及澳大利亚等国家，除了在收获季节随摘随卖少量水果之外，绝大部分水果都必须经过采后处理程序，否则不能成为商品[3]。目前，我国水果采后处理能力不到水果总量的5%，采后烂果率高达25%以上。由此可见，水果采后处理对我国水果业乃至整个农业的重要性。

1 水果外部品质分级现状

水果智能分级技术涉及计算机、CCD技术、模式识别、数字图像处理、光学、数学、数学形态学、自动化、人工智能、视觉学、心理学、脑科学等众多学科[4]。全球从事计算机视觉产品生产的企业有上百家，产品有相机、电源、传感器、镜头、图像卡、图像处理器和软件包等。知名企业有：DALSA coreco，Siemens，SICK，National Instrument，Edmund Optics Inc，Hamamatsu Photonic Systems，Basler Vision Technologies和Cognex等[5]。生产智能水果分级设备也不少，Mitsubishi Corpor- ation生产水果成熟度分级机，美国俄勒冈州的Alle Electronics Corporation生产“Inspect- tronic”装置，美国Autoline Corporation生产Model 4至Model 8的系列分级设备。我国浙江、江苏和台湾也生产有分级设备。基于计算机视觉技术的水果外部品质分级是根据水果的大小、形状、颜色和表面缺陷等外部品质特征进行的，有单指标分级和多指标综合分级两大类。

1.1 基于计算机视觉技术的水果单指标分级

1.1.1 水果大小分级

水果大小是分级的主要依据之一，是水果等级不可缺少的重要指标。Dabenel A等（1988）[6]利用机器视觉技术进行苹果大小和碰伤分级的深入研究，但分级正确率仅为69%。国内开展水果智能分级的研究已近10年，由于很好地借鉴了国外在该领域的研究成果，发展速度较快。应义斌（2000）[7]去除果梗并完成了边缘提取与细化的水果图像，通过曲线积分并离散，求水果形心坐标，进而建立黄花梨实际最大横径与预测最大横径关系的线性回归方程，二者相关系数为0.96。冯斌等（2003）[8]通过水果图像的边缘像素求水果形心，取过形心的半径序列中最小值方向为水果轴向，将轴向宽度4等分，过3等分点求垂直于轴向的果径，最大值作为水果大小的特征值。试验结果表明，轴向检测正确率达94.4%，水果大小检测最大绝对测量误差为3mm。饶秀勤等（2003）[9]分析了水果实际尺寸与测量值之间的半径误差是由成像时光线无法从水果最

收稿日期：2007-03-05

基金项目：湖南省教育厅科学研究项目（06D059）。

作者简介：曹乐平（1964-）,男，长沙人，副教授，(E-mail)clp 4218@。

- 10 -

大截面处通过所致。应义斌等（2004）[10]研究了一种利用柑橘的最小外接矩形求柑橘最大横径的方法。实验表明，实际最大横径与预测最大横径的相关性为0.9982。章程辉等（2006）[11]通过形态学处理可见光图像检测红毛丹尺寸，试验结果与人工测量结果之间长轴的平均误差为7.3%，短轴的平均误差为8.5%；用X射线图像检测红毛丹尺寸，长轴的平均误差为3.4%，短轴的平均误差为2.7%。

1.1.2 水果形状分级

水果的形状受生长环境因素的影响千差万别，不同种类的水果形状也是多种多样。目前描述水果形状的方法很多，包括编码法、统计法、几何结构法和光谱法等。边界编码法虽然能够准确地描述水果的形状，但是数据量大而且压缩困难。动差、弯曲能、最大—最小直径和差分等统计学方法虽然效率高，但描述形状不规则的水果时精度较低，采用边界半径和傅立叶变换对水果的外形进行描述，不仅准确性高而且速度快。

Pavlids T（1982）[12]提出了结构分析法和外形轮廓曲线检测法两种形状识别的模式。Varghese Z（1991）[13]利用计算机视觉技术对苹果进行了果形判别的研究，试验中人为将苹果的果梗与花萼轴定向，采集苹果不同角度的5帧图像，用矩方法分析苹果图像，但果形判别的准确度与苹果旋转角度有关。Ding K和S.Gunasekaran(1994)[14]通过比较被测苹果和无损伤普通苹果形状建立了一种苹果形状特征的抽取方法。Heinemann P.H等（1994）[15]提出了一个三阶矩的“Golden Delicions”苹果形状分类器。Leemans V(1995)[16]系统地应用圆度、矩形率、矩、惯性主轴、偏心率、矩不变因子等描述了果形的性能，结果表明常规的区域为基础的信息（如惯性主轴、矩等）描述果形的方法不是精确度不高就是对苹果的旋转、位移敏感性太强，适应性较差。Ingrid Paulus等(1999)[17]研究表明，苹果的形状可以由傅立叶变换的前12个正弦值和12个余弦值表达，相关性超过0.98。Singh N等提出了用离心率来衡量苹果形状的好坏，通过计算机视觉系统对每个苹果采集3帧图像，然后分别求出每一图像中苹果的离心率，接着取其中的最大值作为该苹果的形状指标。而Kuhn等则以对称性（即轴最大与最小尺寸的比值）为指标检测形状。

应义斌（2001）[18]研究水果分级时发现用傅立叶描述子的前4个谐波分量的变化特性能够较好地代表水果的形状，用前15个谐波分量来描述形状则可达到相当高的精度，而且傅立叶描述子可以平移、旋转和缩放，具有很强的水果外形重建功能。赵静等（2001）[19]在综合分析果实形状的基础上，提出了用半径指标、连续性指标、曲率指标、半径指标的对称性、连续性指标的对称性和曲率指标的对称性6个特征参数表示果形，结果表明计算机视觉与人工分级的平均一致率在93%以上。沈明霞等（2003）[20]用傅立叶描述子提取苹果的形状特征，使用遗传算法和BP算法相结合的算法进行苹果形状识别，试验结果表明该方法正确率在80%以上。高华等（2004）[21]提出了采用傅立叶半径描述子对农产品图像轮廓进行描述和分类的方法，并给出了利用半径描述子计算图像区域面积及利用欧几里德距离判定边界相似度的方法。林开颜等（2005）[22]提出了基于傅立叶变换的水果形状分级方法，用梯度法检测图像边缘，边界跟踪算法获取水果轮廓半径序列，将其离散傅立叶变换，最后用傅立叶系数定义分类器，根据给定的分类阈值对水果形状进行分类。黄星奕等（2006）[23]提出了一种实时在线检测苹果果形的计算方法，用几何法确定苹果的近似横径和纵径，做测量值与实际值间的线性回归，试验结果表明测量值与真实值的吻合率大于90%。

1.1.3 水果颜色分级

颜色是衡量水果外部品质的一个重要指标，高品质的水果一般具有着色好、均匀的特征，同时水果的颜色也间接反映了水果的成熟度和内部品质，国内外学者又在水果颜色检测与分级方面进行了大量研究。Tao Y(1995)[24]报道，HIS彩色系统用于颜色测量和图像处理效果好，同时用色调直方图表示颜色特征，采用多变量识别技术在检测土豆和苹果颜色时，分级正确率达到90%以上。Kazuhiro Nakano(1997)[25]采用二级神经网络对苹果颜色进行颜色分级。其中，一级神经网络依据像素的色泽将每个苹果果面上的像素分为5类，二级神经网络则依据整个果面的颜色状况及一级神经网络的输出值把苹果分成6个级别，通过将苹果果面沿花萼与果梗方向分区并进行处理，解决了因苹果果面曲率不同而引起的反射梯度不同的问题。李庆中等（2000）[26]通过将RGB模型转换为HIS颜色模型形成苹果的色度图像，并将其等分，求各区间上频度均值并作为苹果颜色的特征参数，利用遗传算法实现多层前馈神经网络识别器的学习设计，从而实现苹果颜色的实时分级。试验结果表明，颜色分级识别率在90%以上，分级1个苹果所用时间150ms。冯斌等（2002）[27]考虑各色度点的累计和空间分布特性，以各色度在水果表面分布的分形维数为特征进行分级，通过神经网络分类器，分级正确率达到95%。应义斌等（2004）[28]通过对6个位置、3种大

- 11 -