基于机器视觉的番茄内部品质预测_张亚静
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
第26卷增刊2 农业工程学报 V ol.26 Supp.2
366 2010年12月 Transactions of the CSAE Dec. 2010 基于机器视觉的番茄内部品质预测
张亚静1,Sakae Shibusawa2,李民赞1※
(1. 中国农业大学现代精细农业系统集成研究教育部重点实验室,北京 100083;
2. 东京农工大学农学部,东京 183-8509)
摘要:为了实现番茄内部品质的实施快速检测,利用机器视觉技术,从“定性”和“定量”两方面进行了番茄内部品质预测方法的研究。首先设计开发了番茄图像采集机器视觉系统,可分别从3个不同高度:0.5、1、1.5 m和6个不同方向:上、下、左、右、前、后采集番茄图像。视觉系统利用4个卤素灯作为光源,内部亮度恒定为600 lx。然后收集了68个不同生长阶段的番茄样本,样本根据是颜色从未成熟阶段(绿色)到成熟阶段(红色)被分为了5个等级。在利用开发的机器视觉系统采集了番茄样本的图像之后,通过RGB色彩模型、L*a*b*色彩模型和灰度共生矩阵(GLCM)计算番茄图像特征值,并将其输入BP神经网络,对糖度、酸度、氨基酸含量和水分含量共4种番茄内部品质进行预测。在“定量”
预测中,分别建立了每种内部品质的预测模型。结果表明,酸度与图像特征之间的相关系数最高为0.536,定量预测精度还有待进一步提高。在“定性”预测中,利用BP神经网络,通过番茄内部属性含量的不同组合值预测番茄生长阶段,对隐层节点数和训练函数这两个重要的网络参数进行优化。试验中使用40个样本作为训练集建立模型,使用28个样本作为测试集,其中22个样本预测正确,结果表明利用机器视觉方法预测番茄内部品质具有较好应用前景。
关键词:农产品,神经网络,图像处理
doi:10.3969/j.issn.1002-6819.2010.z2.069
中图分类号:TP391.41 文献标识码:A 文章编号:1002-6819(2010)-Supp.2-0366-05
张亚静,Sakae Shibusawa,李民赞. 基于机器视觉的番茄内部品质预测[J]. 农业工程学报,2010,26(Supp.2):366-370.
Zhang Yajing, Sakae Shibusawa, Li Minzan. Prediction of tomato inner quality based on machine vision [J]. Transactions of the CSAE, 2010, 26(Supp.2): 366-370. (in Chinese with English abstract)
0 引 言
随着果蔬商品日益规范化,其进入市场流通时必须要通过分级、包装、装箱等多个流水线环节才能完成。流水线能否保证产品质量,关键在于是否能正确快速的判别果蔬品质[1]。对大多数农产品来说,产品表面特征(颜色特征、纹理特征等)与产品内在品质有着极其密切的关系,农产品的表面特征已成为评价其内在品质的一个重要指标[2-4]。评价农产品内在品质的方法有很多:化学方法、超声波[5]、电子鼻[6]、机器视觉[7-8]、近红外光谱(NIR)[9-10]等,其中,机器视觉和近红外光谱是两种最为常用的非破坏性检测方法。近红外光谱法快速、准确,但是设备造价高。机器视觉法造价低、速度快,适用于在线分级系统,但目前研究大多集中在利用机器视觉来预测果蔬的外部品质,包括大小、形状和损伤部分等等,对于内部品质的预测研究较少,因此对测试内部品质而
收稿日期:2010-09-10 修订日期:2010-10-18
项目基金:国家自然科学基金(30871453;U0931001)
作者简介:张亚静(1981-),女,汉族,河北,博士研究生,研究方向:精细农业系统集成。北京中国农业大学(东校区)125信箱,100083。Email: pact@。
※通信作者:李民赞(1963-),男,汉族,河北,教授,博士,主要研究方向:精细农业系统集成。北京中国农业大学(东校区)125信箱,100083。Email: limz@
言仍是一种较为新颖的方法。本文以番茄为例,根据其外部特征(颜色特征和纹理特征),利用BP神经网络,从“定量”和“定性”两方面,对于影响其口感的4种重要内部品质:糖度、酸度、水分含量以及氨基酸含量进行预测。所谓“定量”预测,是指对于上述4种内部属性,分别建立一个模型进行预测。另一方面,对于处于不同生长阶段的番茄来说,以上4种内部属性的含量也各有不同,即不同属性含量的组合值可以表示番茄正处于不同的生长阶段。因此可建立一个模型,根据番茄样本的不同特征组合值来预测番茄的生长阶段,后一种分析被称为“定性”预测。
1 材料与方法
1.1 机器视觉系统设计与开发
要利用机器视觉方法预测番茄内部属性,首先要搭建一个便于采集番茄测试图像的机器视觉系统。由于图像采集过程对光线非常敏感,因此要求视觉系统内部光照强度稳定。图1即为设计开发的番茄图像采集专用机器视觉系统。该视觉系统由1台笔记本电脑,4个卤素灯(Philip,12V50WAKW/5-1),1个CMOS摄像机(ARTARY,Japan)和1个支架组成。
如图1所示,4个卤素灯被安装在一个可移动的隔板上,便于获取不同距离(指摄像机和目标果蔬之间的距离)的番茄图像,可用于分析果蔬在图像中的面积与测
增刊2张亚静等:基于机器视觉的番茄内部品质预测
367
图1 机器视觉系统构造示意图
Fig.1 Design model of machine vision system
试距离的关系,而果蔬图像面积和产量大致呈正比,因此
未来可尝试果蔬测产等相关研究。同时系统支架外部使用
一块黑色不透光的幕布遮盖,可阻挡大部分外部光线进入
系统内部,而且布面并不光滑,不会发生强烈的反射现象。经过光度计测量,系统内部亮度基本恒定在600 lx。试验中
分别从3个高度(0.5、1、1.5 m)和6个不同角度(上、下、左、右、前、后)采集番茄图像,然后使用1台笔记
本电脑(Inter 1.80G)来分析图像并计算其各种图像特征。
图像分辨率是512 pixels×512 pixels,格式是BMP,使用MATLAB v6.5和Visual C++6.0混合编程对图像进行处理。
1.2 试验图像获取
供试番茄品种为桃太郎。试验中共采集了5个不同
生长阶段的番茄样本共68个,各阶段的样本数量如表1
所示。因为处于不同的生长阶段,因此其颜色和质量都
各不相同,特别是颜色,从未成熟阶段到成熟阶段,颜
色明显从绿色变到红色。
表1 不同生长阶段的番茄样本数量
Table 1 The amount of tomato samples in different growing stage 生长阶段 1 2 3 4 5 样本数量/个13 14 14 14 13
试验中共获取番茄图像1 224张。图2是其中一个采集样本示意图。
图2 采集样本示意图
Fig.2 Tomato sample
如图2所示,虽然支架已用黑色不透光幕布遮盖,外部光线不会进入系统内部。但是因为系统本身选用了4个卤素灯,这种情况下还是会出现亮斑,如区域A所示。为了防止亮斑影响识别效果,可选取整个图像的一部分参与计算。因为番茄表面区域中不同位置的图像特征差别不大,所以选中其中一部分样本来参与运算不影响计算结果,并且因为需要运算的面积缩小,还可减少计算时间。选取原则是随机选择番茄表面非亮斑处表皮即可。本试验中选取样本图像的边长D=80 pixels(见图2),样本的特征值是所有像素特征值的平均值。
1.3 化学试验
该化学试验主要用来测量番茄的糖度、酸度、氨基酸含量及水分含量这4种属性的真实值。分别通过测量体积、获取图像、番茄破碎、测试氨基酸含量、测试水分含量、测试酸度和测试糖度共7步实现,测试具体结果如表2所示。试验结束后,将化学试验测试的真实结果(内部品质)和利用算法分析得出的计算结果(外部特征)进行相关性分析。
表2 番茄各种属性实测值
Table 2 Real values of tomato inner quality
质量/g 大小/cm 糖度/°Bx
生长阶段
最大值最小值平均值长度平均值宽度平均值高度平均值最大值最小值平均值
1 161.72
130.24
152.42 5.2 5.3 4.8 6.32 4.90 5.48
2 167.31
152.14
158.94 5.7 5.6 5.2 6.30 4.67 5.54
3 171.34
162.17
166.34 6.3 6.3 6.1 6.07 4.80 5.50
4 173.41
162.45
169.39 7.1 6.9 6.7 7.20 5.10 5.79
5 182.14
169.32
176.81 7.5 7.5 7.4 6.90 5.10 5.96
酸度/K 氨基酸质量分数/
(mg·kg-1)
水分质量分数/
(g·kg-1)
生长阶段
最大值最小值平均值最大值最小值平均值最大值最小值平均值
1 0.47 0.33 0.39
2210.47
296.21
1059.25
95.17
93.61
94.45
2 0.45 0.25 0.35
3328.41
816.52
1370.75
95.32
93.46
94.35
3 0.38 0.27 0.3
4 1334.84 409.63 872.32 95.32 93.99 94.58
4 0.41 0.31 0.34
4112.26
506.14
1130.23
95.08
92.84
94.33
5 0.50 0.29 0.36
4807.71
390.71
1690.70
95.22
93.35
94.17 注:酸度单位K为中和1 mmol/L NaOH所使用酸的克数。