張明，王騰，李鵬，鄧烈，鄭永強(qiáng)，易時來，呂強(qiáng)，孫榮榮

（1西南大學(xué)工程技術(shù)學(xué)院，重慶 400715；2西南大學(xué)柑桔研究所/中國農(nóng)業(yè)科學(xué)院柑桔研究所，重慶 400712）

0 引言

【研究意義】柑橘是中國產(chǎn)量最大的水果之一，但由于采后檢測、分級技術(shù)落后，造成上市后品質(zhì)混雜、良莠不齊，其商品價值受到很大影響，特別是在國際市場上缺乏競爭力。當(dāng)前國內(nèi)對柑橘的采后分級方式主要還是依靠人工來完成，其結(jié)果受勞動者個體差異而有所差別，誤差大，同時效率低。機(jī)器視覺技術(shù)的出現(xiàn)有效解決了上述問題且可同時對柑橘的多個指標(biāo)進(jìn)行檢測、分級，包括大小、形狀、顏色及表面缺陷等進(jìn)行綜合分級[1]，其分級的客觀性強(qiáng)、一致性好、效率高且具有無損、非接觸等特點，是解決當(dāng)前人工分級問題的有效途徑之一。相較于水果的大小、形狀、顏色等外在品質(zhì)，水果表面缺陷一直是水果所有外在品質(zhì)[2-5]檢測中的難點，也是水果分級的重要依據(jù)之一。因此，對水果表面缺陷的快速檢測研究具有十分重要的意義?！厩叭搜芯窟M(jìn)展】早期文獻(xiàn)報道中，對采集的圖像直接采用閾值法分割缺陷，結(jié)果發(fā)現(xiàn)分割后圖像邊緣與背景、正常區(qū)域與缺陷區(qū)域存在“毛邊”，而多閾值法又很容易在灰度值突變區(qū)域產(chǎn)生接縫等問題。近年來，基于機(jī)器視覺的臍橙表面缺陷檢測技術(shù)受到了學(xué)者們的關(guān)注。GóMEZ-SANCHIS等[6]通過假定臍橙為標(biāo)準(zhǔn)球體并以此提出一個朗伯表面模型，從水果曲面最高點到最低點對每個像素進(jìn)行亮度校正，然而實際上水果是非標(biāo)農(nóng)產(chǎn)品，其大小、形狀等信息很難預(yù)測。ZHANG等[2]利用平均值法對水果圖像表面的環(huán)帶區(qū)域灰度進(jìn)行亮度校正，但當(dāng)水果位置不在相機(jī)視場中心時，校正后的圖像仍有亮度不均現(xiàn)象。NIPHADKAR等[7]通過圖像形態(tài)學(xué)方法對潰瘍臍橙果的高光譜圖像邊緣進(jìn)行補(bǔ)償來降低對缺陷的誤檢，但結(jié)果表明該方法效果不佳且該研究只選擇了表面缺陷處較明顯的潰瘍臍橙果。LI等[8]基于光照-反射模型理論，通過構(gòu)建巴特沃斯低通濾波器對臍橙表面亮度進(jìn)行整體校正，但截止頻率D0的首次確定需人工調(diào)校及該算法需要在時域與頻域之間來回變換均影響了算法的性能。RONG等[9-10]提出一種基于積分圖像的局部閾值快速檢測臍橙表面缺陷的方法，缺陷檢測率高，但該算法較為復(fù)雜且基于圖像局部進(jìn)行計算較為耗時。國內(nèi)外學(xué)者的研究表明，水果圖像中部區(qū)域即使是缺陷，其灰度值通常也可能遠(yuǎn)高于圖像邊緣區(qū)域灰度值。分析后發(fā)現(xiàn)，水果一般呈類球體狀，在光照反射時易造成水果表面亮度分布不均，表現(xiàn)為水果邊緣區(qū)域灰度值低，中部區(qū)域灰度值高，而水果表面缺陷區(qū)域通常也是以灰度值較低的方式存在，即缺陷區(qū)域灰度值與正常區(qū)域存在交叉，給水果表面缺陷檢測帶來了困難[11-12]。通常對圖像亮度分布不均的處理方法主要有直方圖均衡化法[13-14]（histogram equalization, HE）、基于Retinex理論算法[15-16]以及照度-反射理論算法[17]等。HE算法具有簡單、運算量小等優(yōu)點而被廣泛用于圖像處理中，尤其對圖像整體偏亮或偏暗具有較好的處理效果，但對光照不均圖像會出現(xiàn)過增強(qiáng)、失真[18]等問題；基于Retinex理論算法的原理是將一幅數(shù)字圖像理解為光照分量與反射分量共同作用形成的，反射分量反映了圖像的表面亮度信息，因此對反射分量進(jìn)行增強(qiáng)就可以達(dá)到對圖像表面亮度校正的目的，可有效增強(qiáng)圖像暗處區(qū)域細(xì)節(jié)信息，但該算法過于復(fù)雜、容易在圖像亮度突變區(qū)域產(chǎn)生光暈現(xiàn)象[19]；照度-反射理論算法則是將圖像分解為入射分量與反射分量，入射分量在空間域的變化較為緩慢，這一特征可以將圖像的低頻部分與照度相關(guān)聯(lián)，將圖像的低頻部分從圖像中提取出來，則此低頻部分就代表了圖像表面亮度信息，李江波[17]通過構(gòu)建巴特沃斯低通濾波器，采用傅氏變換計算臍橙表面亮度信息，再對其校正即可得到臍橙表面亮度均一化圖像，雖然取得了較好的校正效果，但部分?jǐn)?shù)據(jù)由于校正過度致使數(shù)據(jù)溢出且該算法需要在時域與頻域間來回變換，較為耗時。圖像表面亮度分布不均導(dǎo)致圖像中的一些重要細(xì)節(jié)信息無法表現(xiàn)出來甚至被掩蓋，這不僅影響了圖像的視覺效果，其應(yīng)用價值也被削減，因此，消除或減弱物體表面亮度分布不均[20-22]問題日益成為研究的一個熱點。【本研究切入點】類球形水果由于其自然形狀屬性原因，光照反射時易造成水果表面亮度分布不均勻，導(dǎo)致水果表面缺陷區(qū)域難以有效直接分割提取[23-24]。針對類球形水果表面缺陷區(qū)域難以有效直接分割問題，本文提出一種基于區(qū)域亮度自適應(yīng)校正算法的水果表面缺陷快速檢測方法?！緮M解決的關(guān)鍵問題】本研究通過提取水果表面亮度信息并對其進(jìn)行校正，達(dá)到快速檢測水果表面缺陷的目的，以期為水果表面缺陷在線檢測分級提供技術(shù)支持。

1 材料與方法

1.1 試驗設(shè)計

1.1.1 試驗樣本 本試驗選擇區(qū)域經(jīng)濟(jì)價值較高的紐荷爾臍橙為研究對象，產(chǎn)地為重慶云陽，2018年12月初采摘于當(dāng)?shù)厣唐坊麍@，共356個，經(jīng)中國農(nóng)業(yè)科學(xué)院柑桔研究所植物病理專家根據(jù)國家標(biāo)準(zhǔn)GB/T21488-2008臍橙、國家標(biāo)準(zhǔn)GB/T 12947-2008鮮柑橘和病理學(xué)相關(guān)知識對果皮狀況進(jìn)行鑒別，其中正常果64個、潰瘍病果29個、薊馬蟲果44個、介殼蟲果37個、蟲傷果38個、黑星病果35個、風(fēng)傷果61個、炭疽病果26個、裂傷果22個。試驗前用清水清洗樣本，然后自然風(fēng)干，以防止樣本表面水的存在增加反光影響成像質(zhì)量。

1.1.2 圖像采集系統(tǒng) 試驗中，拍攝離線靜態(tài)RGB圖像的視覺系統(tǒng)硬件包括Lumenera公司生產(chǎn)的LU075C型彩色CCD工業(yè)相機(jī)、光照系統(tǒng)和計算機(jī)設(shè)備（Intel(R) Core(TM) i5-4590 CPU @ 3.3GHz，8 GB RAM）等。光照系統(tǒng)主要由光照箱、4條LED燈條（PHILIPS LS152S LED8 8.7W/M）、漫反射板等組成。光照箱長×寬×高尺寸分別為650 mm×650 mm×600 mm，其內(nèi)表面設(shè)置為白色，4條LED燈條均勻分布于光箱四周并用漫反射板遮擋，避免光源直射在臍橙表面形成亮斑。打開照明設(shè)備15 min，待光照強(qiáng)度趨于穩(wěn)定后開始采集樣本原始RGB圖像。為了增強(qiáng)背景與臍橙樣本間的顏色對比度，采用黑色背景[25]采集臍橙樣本離線圖像，鏡頭與放置樣本載物臺的垂直直線距離為300 mm，其采集的圖像大小為640×480 pixels，利用文獻(xiàn)[26]方法計算出采集的圖像分辨率為0.25 mm/pixel。

1.2 果面缺陷檢測流程與方法

本文算法基于MATLAB R2018b開發(fā)，通過對采集的原始可見光RGB圖像去除背景，提取表面亮度信息并對其做亮度校正處理，最后結(jié)合單閾值法一次性提取臍橙表面缺陷區(qū)域。

1.2.1 圖像背景去除 相機(jī)獲取的原始RGB圖像包含目標(biāo)臍橙本身和黑色背景，因此，首先進(jìn)行圖像背景去除提取臍橙目標(biāo)區(qū)域[27]。去除背景可以排除將圖像前景目標(biāo)物誤判為背景的可能，且在去除背景等冗余信息后，其檢測速度也會提升。由于試驗采集圖像背景（黑色）基本一致，與樣本顏色對比度較大，考慮采用閾值法[28]去除圖像背景。根據(jù)其灰度直方圖信息選擇合適的閾值構(gòu)建掩模圖像并通過圖像形態(tài)學(xué)填洞操作填充可能產(chǎn)生的孔洞，得到完整的掩模圖像，最后將得到的掩模圖像與原始圖像做邏輯與運算，即可實現(xiàn)圖像背景分割（從采集的樣本圖像中隨機(jī)選擇一幅帶有缺陷的圖像作為案例進(jìn)行說明）。

1.2.2 圖像亮度校正及缺陷提取 從文獻(xiàn)[29-30]中發(fā)現(xiàn)由于水果表面亮度分布不均勻，表現(xiàn)為圖像中部區(qū)域灰度值高，邊緣灰度值低，難以采用單閾值法分割缺陷區(qū)域。因此，對其表面亮度校正尤為重要。

對水果圖像表面亮度校正最終目的是為了改善其表面亮度分布不均問題，其難點在于要縮小圖像邊緣區(qū)域與中部區(qū)域間的灰度差，同時增大缺陷區(qū)域與正常區(qū)域間的對比度。本文在對比研究HE算法、基于Retinex理論算法以及基于照度-反射理論算法的亮度校正效果基礎(chǔ)上，提出一種基于區(qū)域亮度自適應(yīng)校正算法的水果表面缺陷快速檢測方法。首先，計算出圖像的背景亮度，再對其進(jìn)行亮度均一化校正處理，最后結(jié)合全局單閾值法一次性完成對缺陷區(qū)域的提取。具體步驟如下：

（1）根據(jù)目標(biāo)圖像Iorange上的點在其w×w（w一般為奇數(shù)）鄰域內(nèi)較亮像素點的集合來估計目標(biāo)圖像Iorange的背景亮度。在大小為M×N的目標(biāo)圖像Iorange（試驗中M和N的值為CCD相機(jī)采集的原始RGB圖像大小，即640和480）上逐像素的滑動w×w窗口，通過矩陣變換，將目標(biāo)圖像Iorange每個像素鄰域內(nèi)的w2個像素排成一列，變換后的矩陣有M×N列，生成w2×MN的新矩陣；對此新矩陣按列從小到大排序，去除最后一行，即最亮像素點一行（減少或有白噪聲像素點對背景亮度的影響），選取后5行按列做均值運算得到1×MN的矩陣，對此矩陣進(jìn)行反變換、存儲，最終得到和目標(biāo)圖像Iorange等大小的矩陣圖像，即目標(biāo)圖像Iorange的表面亮度圖像L(x, y)。

（2）采用亮度均一化校正對得到的表面亮度圖像L(x, y)處理，根據(jù)公式（1）計算亮度均一化校正圖像F(x, y)。

式中，F(xiàn)(x, y)為亮度均一化處理后的圖像；Iorange(x, y)為目標(biāo)圖像；L(x, y)為目標(biāo)圖像表面亮度圖像。

（3）根據(jù)獲得的亮度均一化圖像結(jié)合全局單閾值法，根據(jù)公式（2）計算獲得目標(biāo)缺陷二值化圖像B(x,y)，并對其進(jìn)行圖像形態(tài)學(xué)填洞處理（實現(xiàn)對連通區(qū)域的大面積缺陷區(qū)域的檢測）。

式中，B(x, y)為目標(biāo)缺陷二值化圖像；T為全局單閾值。

（4）最后通過面積濾波法對獲得的目標(biāo)缺陷二值化圖像B(x, y)進(jìn)行雜散點及噪聲去除，最終獲得臍橙表面缺陷圖像D(x, y)。

2 結(jié)果

2.1 背景去除

試驗過程中發(fā)現(xiàn)，通過提取原始RGB圖像中的R分量與B分量并做差值運算得到的分量融合圖像Ir-b在灰度直方圖上呈明顯雙峰分布，因此選擇此分量構(gòu)建掩模，根據(jù)灰度直方圖信息選擇合適的閾值T1（本研究T1=60）對Ir-b分量閾值分割并通過圖像形態(tài)學(xué)填充分割后產(chǎn)生的孔洞，得到掩模圖像Imask（圖1-d）。盡管其他分量圖像也可以將背景去除，但此分量融合圖像Ir-b不僅能將圖像中的背景去除，且能將目標(biāo)前景凸顯出來，拉大目標(biāo)物表面正常區(qū)域與缺陷區(qū)域的對比度，有利于后續(xù)圖像分析處理。將得到的掩模圖像Imask與Ir-b分量圖像做邏輯與運算，即可獲得去除背景的目標(biāo)臍橙圖像Iorange，處理流程如圖1所示。

2.2 圖像亮度校正及單閾值缺陷分割

本文提出的自適應(yīng)亮度校正算法通過鄰域窗口內(nèi)較亮像素點的集合計算出目標(biāo)圖像Iorange的表面亮度圖像L(x, y)，如圖2-b所示；對得到的表面亮度圖像L(x, y)根據(jù)公式（1）對其亮度均一化處理，結(jié)果如圖2-c所示。

經(jīng)亮度校正后的圖像其表面缺陷區(qū)域與正常組織區(qū)域灰度對比度較大，可采用單閾值法直接對亮度校正后的臍橙圖像F(x, y)進(jìn)行缺陷分割，該分割閾值T通過對臍橙缺陷樣本的亮度校正灰度圖像分析比較，選定設(shè)置T=194；對缺陷分割后的二值化圖像進(jìn)行面積濾波以去除雜散點及噪聲，如圖2-d所示。

2.3 缺陷檢測結(jié)果

圖1 圖像背景去除Fig.1 Image background removal

圖2 亮度校正及缺陷提取Fig.2 Brightness correction and defect extraction

為了驗證本研究提出算法的適用性及魯棒性，對潰瘍病果、薊馬蟲果、介殼蟲果、蟲傷果、黑星病果、風(fēng)傷果、炭疽病果、裂傷果等共計8種臍橙病蟲害缺陷果進(jìn)行表面缺陷檢測，圖像中缺陷位置隨機(jī)分布，校正后的圖像表面缺陷區(qū)域與正常區(qū)域灰度差較明顯，宜采用單閾值法直接對缺陷區(qū)域進(jìn)行分割提取。部分樣本缺陷分割結(jié)果如圖3所示。

對采集的共計356幅臍橙樣本可見光RGB圖像進(jìn)行缺陷檢測，其整體缺陷識別率達(dá)95.8%，結(jié)果如表1所示。

2.4 鄰域窗口大小

試驗中，本文算法鄰域窗口大小參數(shù)w（即滑動窗口大?。渲抵苯佑绊憴z測速度和樣本整體缺陷識別率。因此，對鄰域窗口大小w的選取至關(guān)重要。分別取不同的w值，計算356幅樣本圖像平均每幅圖像的耗時以及樣本圖像的整體缺陷識別率。結(jié)果表明，當(dāng)w值較小時，即滑動窗口較小，算法運算速度較快，但與此同時算法對樣本表面亮度校正的效果不理想，采用單閾值法分割缺陷時存在少分割、漏分割等問題；當(dāng)w值較大時，即滑動窗口較大，此時樣本的整體缺陷識別率有了較大提高，但同時算法處理過程較為耗時，難以滿足在線檢測需求。如表2所示，可以發(fā)現(xiàn)，隨著w值的增大，盡管對樣本圖像表面缺陷的整體識別率在提高，但同時平均處理每幅圖像耗時也在增加。綜合考慮算法處理速度及對缺陷的識別率，確定本研究鄰域窗口大小參數(shù)w為13，其平均處理每幅圖像耗時0.29 s，樣本圖像表面缺陷識別準(zhǔn)確率為95.8%。

圖4 不同臍橙表面缺陷處理結(jié)果Fig.4 Processing results of different navel oranges surface defects

表1 基于區(qū)域亮度自適應(yīng)校正算法臍橙表面缺陷檢測結(jié)果Table 1 Detection result of navel orange surface defect based on region brightness adaptive correction

2.5 不同亮度校正算法性能評估

采用基于區(qū)域亮度自適應(yīng)校正算法校正亮度不均勻的臍橙圖像，校正效果直接影響缺陷區(qū)域的提取結(jié)果。研究同時采用了HE算法、基于Retinex理論算法以及基于照度-反射理論算法等亮度校正算法分別對目標(biāo)圖像Iorange進(jìn)行校正（圖4），并進(jìn)行比較分析。經(jīng)HE算法校正后的亮度圖像出現(xiàn)圖像失真，改變了圖像的原始面貌，導(dǎo)致局部細(xì)節(jié)丟失，如圖4-a；經(jīng)Retinex算法校正后的亮度圖像雖然改變了目標(biāo)圖像的亮度，但并沒有達(dá)到使案例圖像正常表面提亮，缺陷區(qū)域保持低灰度值的目的，反而在圖像亮暗突變區(qū)域出現(xiàn)光暈現(xiàn)象，易導(dǎo)致誤分割，如圖4-b；經(jīng)照度-反射理論算法校正的亮度圖像表面亮度分布較均勻且邊緣灰度也被提高，缺陷區(qū)域仍維持在低灰度值（圖4-c），與李江波等[17]對臍橙表面亮度不均的處理結(jié)果一致，但處理后的圖像明顯存在過增強(qiáng)現(xiàn)象（截止頻率D0=7）；本研究提出的算法對圖像表面亮度校正的效果如圖4-d所示，較好地提升了臍橙整體表面亮度且整體亮度分布均勻，同時其缺陷區(qū)域依舊保持在低灰度值范圍，有利于對缺陷區(qū)域的提取分割。

表2 鄰域窗口大小對算法運算速度與缺陷識別率的影響Table 2 Effect of neighbor window size on processing speed and defect recognition rate

圖4 不同算法的亮度校正結(jié)果Fig.4 Results of brightness correction based on different algorithms

利用灰度曲線穿過案例圖像缺陷區(qū)域進(jìn)一步驗證各算法的有效性，分別從HE算法、基于Retinex理論算法、基于照度-反射理論算法以及本文算法得到的亮度校正圖像中提取第235列（穿過缺陷區(qū)域）像素的灰度曲線（圖5），圖中灰度曲線中部低值部分為缺陷區(qū)域。從曲線中可以看出，照度-反射理論算法對圖像亮度校正過度致使數(shù)據(jù)出現(xiàn)溢出，尤其是邊緣區(qū)域，若缺陷位于邊緣區(qū)域且顏色輕微則會被校正過度成高亮區(qū)域，從而誤判為正常區(qū)域，導(dǎo)致漏分割；本文算法亮度校正結(jié)果顯示，圖像果皮正常區(qū)域無論是中部、還是邊緣區(qū)域均被校正為高亮且兩者灰度差波動范圍很小，其灰度值在0.9—1.0之間附近波動，而缺陷區(qū)域依舊表現(xiàn)為低灰度，其灰度值在0—0.15之間，較HE算法（正常區(qū)域校正后的灰度值在0.7—0.8之間，缺陷區(qū)域校正后的灰度值在0—0.2之間）與Retinex算法（正常區(qū)域校正后的灰度值在0.55—0.65之間，缺陷區(qū)域校正后的灰度值在0—0.1之間）正常區(qū)域與缺陷區(qū)域灰度差更大，有利于對缺陷的提取。李江波等[31]通過對臍橙邊緣亮度灰度進(jìn)行補(bǔ)償，在一定程度上避免了臍橙邊緣亮度低，中部區(qū)域亮度高而導(dǎo)致的誤分割現(xiàn)象，但邊緣區(qū)域灰度突變與亮度不均勻的特征未變。本文所提算法對目標(biāo)案例圖像整體上取得了較好的亮度校正效果，盡管校正后的圖像可能還存在少數(shù)噪聲點，但并不影響圖像整體的亮度校正效果。

然而，圖5僅僅是從局部（一條像素灰度曲線）觀察亮度校正效果，圖6從臍橙整個表面強(qiáng)度能量觀察本研究算法的亮度校正效果。圖像中不同數(shù)值對應(yīng)不同強(qiáng)度能量，從0到1，其強(qiáng)度能量等級隨之增加。從圖6-a中可以發(fā)現(xiàn)臍橙表面缺陷區(qū)域比正常區(qū)域的能量值低，邊緣正常果皮區(qū)域的能量值也低于中心部位正常區(qū)域但接近于缺陷區(qū)域，因此，在單閾值分割時極易引起誤分割。

與之相對照，在對臍橙表面亮度校正后，如圖6-b所示，臍橙邊緣能量等級得到提升，而缺陷區(qū)域依舊保持較低的能量等級，為單閾值法提取缺陷帶來可能。盡管本文算法是針對圖像每個像素鄰域進(jìn)行計算的，但算法簡單，運算速度較其他3種算法有大幅提高，對采集的全部正常果、8類缺陷果，共356幅臍橙樣本圖像進(jìn)行亮度校正、缺陷檢測，平均處理每幅圖像僅耗時0.29 s，較基于其他3種亮度校正算法的缺陷檢測方法，分別減少0.27 s、0.14 s和1.45 s；臍橙表面缺陷果的正確識別率達(dá)到了95.8%，對比其他3種算法，其缺陷果正確識別率提高了2.6%—8.2%，結(jié)果如表3所示。

3 討論

由表1可知，潰瘍病果、炭疽病果、裂傷果的缺陷識別率為100%，是由于這類缺陷區(qū)域面積大，且經(jīng)過亮度校正后與正常果皮區(qū)域的灰度差大，有利于缺陷區(qū)域分割；部分介殼蟲果、薊馬蟲果和黑星病果由于其缺陷區(qū)域面積小，在對其進(jìn)行面積濾波去噪時而去除，調(diào)整面積濾波窗口，將原先3×3窗口大小改為2×2窗口大小，以免將小面積病害缺陷區(qū)域去除，將缺陷區(qū)域檢測精度（單個最小檢測面積）由0.56 mm2提高到0.25 mm2，遠(yuǎn)低于國家標(biāo)準(zhǔn)GB/T 21488-2008臍橙中規(guī)定容許的單個缺陷最大面積（0.30 cm2），對3種缺陷果識別率由之前的91.8%、93.1%和94.2%分別提高到97.2%、95.4%和97.1%；部分風(fēng)傷果未能被有效檢測到是由于這類缺陷顏色輕微，與正常果皮顏色相近且處于圖像中央位置，即圖像高亮區(qū)域，其灰度值較高，導(dǎo)致在單閾值分割下，盡管目標(biāo)圖像經(jīng)過亮度校正，但其缺陷區(qū)域灰度值仍高于設(shè)定的分割閾值T，從而導(dǎo)致漏分割；部分蟲傷果缺陷處顏色與正常區(qū)域顏色接近且缺陷面積較小從而導(dǎo)致無法檢測到缺陷區(qū)域；而部分正常果被誤判的主要原因是由于其部分邊緣正常組織區(qū)域存在褶皺，其灰度值較低，易將其誤分割為缺陷區(qū)域，進(jìn)而誤判為缺陷果，而人類視覺系統(tǒng)在鑒別臍橙表皮狀況時會自動克服果皮褶皺組織區(qū)域的影響。

表3 各算法處理時間及樣本表面缺陷識別率Table 3 Processing time of each algorithm and defect recognition rate

圖5 不同算法校正后圖像第235列灰度曲線Fig.5 Gray-scale curve of 235 columns of image corrected by various algorithms

圖6 臍橙表面強(qiáng)度能量分布圖Fig.6 Intensity energy distribution of navel orange surface

黑星病果與風(fēng)傷果的缺陷區(qū)域分布在整個果面（同一種缺陷處于不同位置），包括中央位置（偏亮區(qū)域）和邊緣區(qū)域（偏暗區(qū)域），當(dāng)缺陷處于偏亮區(qū)域時，可能會造成少分割現(xiàn)象；當(dāng)缺陷區(qū)域位于偏暗區(qū)域時，可能會造成漏分割現(xiàn)象；而提出的算法仍能較好地將缺陷區(qū)域分割出來，進(jìn)一步驗證了算法的有效性。

研究針對同一年度（2018年）、同一產(chǎn)地（重慶云陽）、同一品種（紐荷爾臍橙），且達(dá)到采收或上市要求的果實，其表面色澤、成熟度基本一致，本文算法檢測缺陷果識別率達(dá)95.8%。但由于不同產(chǎn)區(qū)、不同年度、不同品種的成熟臍橙果實之間存在一定的色澤差異，本文選定參數(shù)（如背景去除分割閾值、缺陷區(qū)域分割閾值等）可能會對算法檢測結(jié)果造成一定影響。

通常一條果實品質(zhì)分級線的覆蓋產(chǎn)地相對較小。在該特定區(qū)域（產(chǎn)地）內(nèi)，同一年度、同一品種的成熟果實，表面色澤較為一致；對不同年度、不同品種的臍橙果實，可通過微調(diào)參數(shù)進(jìn)行果實缺陷區(qū)域檢測。對跨產(chǎn)地、跨年度、跨品種的成熟臍橙果實混合樣本缺陷區(qū)域檢測對算法魯棒性提出了較高的要求，下一步將針對此類情況開展檢測算法參數(shù)優(yōu)化和算法魯棒性研究。

4 結(jié)論

為解決類球形水果表面亮度分布不均導(dǎo)致的單閾值法難以有效分割缺陷區(qū)域問題，提出一種基于區(qū)域亮度自適應(yīng)校正算法的臍橙表面缺陷快速檢測方法。該算法對潰瘍病果、薊馬蟲果、介殼蟲果、蟲傷果、黑星病果、風(fēng)傷果、炭疽病果、裂傷果等8種常見的臍橙表面缺陷的準(zhǔn)確識別率達(dá)到了95.8%，平均處理每幅圖像耗時0.29 s。

本研究算法克服了大小、形狀不規(guī)則的臍橙類水果表面亮度分布不均導(dǎo)致的缺陷難分割問題，為臍橙精確分級提供了技術(shù)支持，也為其他類球形果品表面缺陷快速檢測提供了一種新的解決思路。