許騫 蔡健榮 杜燦 孫力 白竣文

摘要：針對(duì)傳統(tǒng)方法無法高效、無損地對(duì)柑橘浮皮和枯水進(jìn)行檢測(cè)的問題，本研究自制了一套軟X射線成像系統(tǒng)，包括載物傳送裝置、軟X射線成像裝置、觸發(fā)裝置和軟X射線防護(hù)裝置。本研究根據(jù)寬皮柑橘物理特性確定檢測(cè)參數(shù)，以柑橘圖像的清晰度、對(duì)比度、畸變率為評(píng)判標(biāo)準(zhǔn)，通過調(diào)節(jié)成像裝置參數(shù)，確定了最佳的成像參數(shù)為： X射線源的管電壓60 kV ，管電流1.3 mA ，線陣探測(cè)器的積分時(shí)間5.5 ms，柑橘輸送帶的傳送速度10 cm/s 。通過圓孔金屬板對(duì)列方向畸變進(jìn)行檢測(cè)，結(jié)果表明，傳送速度穩(wěn)定，列方向畸變可以忽略;利用70 mm 不銹鋼標(biāo)定球?qū)π蟹较蛏系幕冞M(jìn)行檢測(cè)，計(jì)算了行方向上不同位置的投影畸變系數(shù)，并建立了畸變校正模型。在上述參數(shù)下采集柑橘的軟X射線圖像，采用高斯濾波對(duì)柑橘圖像進(jìn)行去噪處理;利用圖像增強(qiáng)算法對(duì)去噪后的圖像進(jìn)行對(duì)比度增強(qiáng)處理;將固定閾值分割法和形態(tài)學(xué)算法融合，以去除柑橘圖像背景區(qū)域、分離柑橘果肉區(qū)域和果皮區(qū)域。最后通過面積百分比法計(jì)算柑橘果肉面積和柑橘果實(shí)面積比判別柑橘內(nèi)部浮皮程度;提取柑橘果實(shí)區(qū)域的灰度特征，獲取柑橘枯水區(qū)域，計(jì)算柑橘枯水面積和柑橘果肉面積比，判別柑橘枯水程度。以清江椪柑為實(shí)驗(yàn)對(duì)象，結(jié)果表明自制軟X射線成像裝置對(duì)清江椪柑的浮皮和枯水的總體識(shí)別率分別為96.2%和 86.9%。說明本研究提出的方法能夠?qū)崿F(xiàn)柑橘內(nèi)部浮皮和枯水的無損檢測(cè)。

關(guān)鍵詞：軟X射線成像;柑橘;圖像處理;浮皮;枯水;檢測(cè)

中圖分類號(hào)： TG115.28+1文獻(xiàn)標(biāo)志碼： A文章編號(hào)：202106-SA009

引用格式：許騫， 蔡健榮， 杜燦， 孫力， 白竣文. 基于軟X射線成像技術(shù)的柑橘內(nèi)部浮皮和枯水檢測(cè)[J].智慧農(nóng)業(yè)（中英文）， 2021， 3（4）：53-65.

XU Qian， CAI Jianrong， DU Can， SUN Li， BAI Junwen. Detection of peel puffing and granulation in citrus based on soft X-ray imaging technology[J]. Smart Agriculture， 2021， 3（4）：53-65.（in Chinese with English abstract）

1? 引言

柑橘具有極高的營養(yǎng)價(jià)值和保健價(jià)值[1]，種植范圍遍及200多個(gè)國家和地區(qū)，年產(chǎn)量居全球水果首位。柑橘品質(zhì)分級(jí)是增加其市場(chǎng)競(jìng)爭(zhēng)力的關(guān)鍵步驟，而柑橘內(nèi)部品質(zhì)是柑橘分級(jí)的主要指標(biāo)。影響柑橘內(nèi)部品質(zhì)的因素有浮皮、枯水、可溶性固形物、總酸、固酸比和可食率等，其中浮皮和枯水最為常見。柑橘浮皮會(huì)導(dǎo)致柑橘囊瓣膜與果皮分離，果皮和囊瓣膜之間產(chǎn)生空隙，而枯水會(huì)導(dǎo)致柑橘果實(shí)囊瓣皺縮、汁胞粗硬、果汁干枯[2，3]。

目前，在農(nóng)產(chǎn)品無損檢測(cè)[4]方面已經(jīng)有許多較為成熟的技術(shù)，如光學(xué)分析法[5-7]、聲學(xué)分析法[8-10]、機(jī)器視覺分析法[11-13]等。但對(duì)于農(nóng)產(chǎn)品內(nèi)部品質(zhì)的無損檢測(cè)仍存在一定的困難，目前主要通過生理生化指標(biāo)判斷水果內(nèi)部品質(zhì)，屬于破壞性試驗(yàn)，檢測(cè)效率低，無法用于大批量在線檢測(cè)。軟X射線因其超強(qiáng)的穿透性以及穿過不同物體時(shí)射線衰減量的差異，可以實(shí)現(xiàn)農(nóng)產(chǎn)品內(nèi)部品質(zhì)特征的直觀呈現(xiàn)，因此在農(nóng)產(chǎn)品定性檢測(cè)和定量檢測(cè)方面得到廣泛應(yīng)用。

定性檢測(cè)方面，軟X射線穿透農(nóng)產(chǎn)品到達(dá)探測(cè)器，將農(nóng)產(chǎn)品的內(nèi)部信息通過探測(cè)器呈現(xiàn)出來，通過對(duì)農(nóng)產(chǎn)品內(nèi)部不同部位軟X射線衰減量的分析實(shí)現(xiàn)對(duì)農(nóng)產(chǎn)品內(nèi)部品質(zhì)的定性分析。Dael等[14]利用軟X 射線成像技術(shù)對(duì)柑橘內(nèi)部?；M(jìn)行研究，結(jié)合閾值分割、特征提取算法和樸素貝葉斯分類算法對(duì)柑橘健康果和缺陷果進(jìn)行分類，樣本分類準(zhǔn)確率高達(dá)95.7%。Gadgile等[15]通過水果軟X射線圖像呈現(xiàn)的灰度差異，研究發(fā)現(xiàn)水果內(nèi)部霉變區(qū)域呈深色，而未霉變區(qū)域呈現(xiàn)均勻的淺灰色，實(shí)現(xiàn)了對(duì)水果內(nèi)部霉變的判別。童彤[16]利用軟X 射線斷層掃描技術(shù)檢測(cè)梨內(nèi)部品質(zhì)，將圖像處理算法和支持向量機(jī)分類器融合，成功判別了梨內(nèi)部品質(zhì)并對(duì)缺陷梨和健康梨實(shí)現(xiàn)了有效分類，分類準(zhǔn)確率高達(dá)90.2%～95.1%。在定量檢測(cè)方面，通過將農(nóng)產(chǎn)品的X射線圖像灰度值及相關(guān)特征與定量測(cè)定指標(biāo)建立線性或非線性的模型，實(shí)現(xiàn)對(duì)農(nóng)產(chǎn)品品質(zhì)的定量檢測(cè)。葉創(chuàng)等[17]利用軟 X 射線成像裝置采集干桂圓圖像，采用固定閾值與自適用閾值法對(duì)去噪和增強(qiáng)后的干桂圓圖像進(jìn)行處理，獲取果肉與果核之間的分界線，實(shí)現(xiàn)二者分離，采用區(qū)域灰度預(yù)測(cè)方法準(zhǔn)確地預(yù)測(cè)了干桂圓果肉質(zhì)量。許杰[18]利用軟X 射線成像技術(shù)結(jié)合基于灰度直方圖的圖像分割算法，準(zhǔn)確提取了水稻穗部籽粒參數(shù)，并設(shè)計(jì)了一套實(shí)時(shí)檢測(cè)平臺(tái)，成功實(shí)現(xiàn)了水稻穗部的總粒數(shù)、實(shí)粒數(shù)、空秕粒數(shù)和粒長(zhǎng)參數(shù)的實(shí)時(shí)檢測(cè)。

目前，針對(duì)柑橘內(nèi)部浮皮和枯水的評(píng)估方法主要有生理生化指標(biāo)評(píng)估和間接性評(píng)估（如光譜分析等）。生理生化指標(biāo)評(píng)估對(duì)柑橘有破壞性，難以應(yīng)用于批量在線檢測(cè);間接性檢測(cè)手段雖然可以達(dá)到無損檢測(cè)的目的，但無法直觀觀察柑橘內(nèi)部品質(zhì)信息，且準(zhǔn)確度較低。鑒于軟X射線技術(shù)能夠可視化柑橘內(nèi)部浮皮枯水的分布情況及嚴(yán)重程度以及其在農(nóng)產(chǎn)品檢測(cè)領(lǐng)域的廣泛應(yīng)用，本研究嘗試?yán)密沊射線成像技術(shù)對(duì)柑橘內(nèi)部品質(zhì)中的浮皮和枯水進(jìn)行無損檢測(cè)，目的在于解決傳統(tǒng)檢測(cè)具有破壞性、無法直觀顯示柑橘內(nèi)部品質(zhì)、難以實(shí)現(xiàn)批量在線檢測(cè)的問題。

2? 材料與方法

2.1 試驗(yàn)樣本獲取

根據(jù)農(nóng)業(yè)行業(yè)標(biāo)準(zhǔn)NY/T 961-2006《寬皮柑橘》，可將寬皮柑橘按果徑大小分為5 類：55～60 mm 的2S 級(jí)微果，60～65 mm 的 S 級(jí)小果，65～70 mm 的M 級(jí)中果，70～80 mm 的 L 級(jí)大果和80～85 mm 的2L級(jí)特大果。已有研究表明，柑橘內(nèi)部的浮皮和枯水程度與柑橘果徑呈正相關(guān)，80 mm 以上的2L級(jí)特大果內(nèi)部枯水和浮皮的概率遠(yuǎn)大于其他尺寸的果實(shí)，而60 mm以下的2S級(jí)微果幾乎不會(huì)發(fā)生浮皮和枯水[19，20]。

本研究實(shí)驗(yàn)對(duì)象為2020年生產(chǎn)于湖北宜昌市的清江椪柑，為使研究更客觀更具普適性，剔除80～85 mm 的2L級(jí)特大果和55～60 mm 的2S級(jí)微果，選取果徑在60～80 mm 不等的果實(shí)共580個(gè)。首先，對(duì)每個(gè)樣本進(jìn)行編號(hào)，隨后進(jìn)行軟X射線圖像采集，然后按照 GB/ T 8210—2011《柑桔鮮果檢驗(yàn)方法》和剖面觀察法，逐個(gè)剖開580個(gè)柑橘樣本檢測(cè)柑橘的內(nèi)部品質(zhì)。為研究軟X射線成像技術(shù)分別對(duì)柑橘浮皮和枯水的檢測(cè)能力，將試驗(yàn)樣本分為兩部分。第一部分樣本總數(shù)為290個(gè)，其中浮皮果58個(gè)，健康果232個(gè);第二部分樣本總數(shù)為290個(gè)，其中枯水果59個(gè)，健康果231個(gè)。

2.2 試驗(yàn)原理及裝置

2.2.1?? 軟X射線檢測(cè)原理

軟X射線的檢測(cè)原理與其穿透性、熒光性和感光效應(yīng)有關(guān)。當(dāng)軟X射線與被檢測(cè)物相互作用時(shí)，由于被檢測(cè)物組分、厚度的差異，導(dǎo)致了軟 X 射線穿透被檢測(cè)物時(shí)發(fā)生不同程度的強(qiáng)度衰減，不同衰減程度的射線被線陣探測(cè)器接收并轉(zhuǎn)換成可見光，經(jīng)過光電轉(zhuǎn)換產(chǎn)生電信號(hào)。由于線陣探測(cè)器接收到的射線能量的差異，經(jīng)由信號(hào)處理器處理后，電信號(hào)被轉(zhuǎn)換為像素灰度值不同、層次存在差異的軟X射線圖像[21]。經(jīng)過處理后，可獲得被檢測(cè)物體的內(nèi)部缺陷或結(jié)構(gòu)差異，以此達(dá)到檢測(cè)的目的。已有研究表明，不超過10，000 Sv的食品輻射量，不會(huì)對(duì)食品安全性或營養(yǎng)價(jià)值產(chǎn)生影響，即農(nóng)產(chǎn)品在軟X射線的輻射下，內(nèi)部品質(zhì)不會(huì)發(fā)生任何改變，且對(duì)于操作人員而言，每小時(shí)吸收的X 射線輻射量小于1 μSv，遠(yuǎn)低于國家標(biāo)準(zhǔn)[22]。

2.2.2? 試驗(yàn)裝置

試驗(yàn)裝置包括載物傳送裝置、軟X射線成像裝置、觸發(fā)裝置和軟X射線防護(hù)裝置。載物傳送裝置主要由輸送帶、電動(dòng)滾筒、驅(qū)動(dòng)器和機(jī)架組成，完成柑橘物料的輸送;軟X射線成像裝置主要由線陣探測(cè)器（X-Scan c5）、軟 X 射線源（IXS100SE 150P149）、準(zhǔn)直器和計(jì)算機(jī)組成，實(shí)現(xiàn)柑橘軟X射線圖像的采集和存儲(chǔ);觸發(fā)裝置包括兩對(duì)對(duì)射式光電開關(guān)，為軟X射線成像裝置提供精確的采集時(shí)間和停止時(shí)間;軟X射線防護(hù)裝置主要由鉛簾和鉛板組成，吸收軟X射線傳播過程中散射的射線，減少對(duì)操作人員的輻射。圖1 為軟X射線檢測(cè)系統(tǒng)裝置組成示意圖。

2.3 軟X射線成像校正與采集參數(shù)選取

2.3.1?? 圖像采集背景校正

影響線陣列掃描圖像均勻性的主要因素為輻射源射線的非一致性和線陣探測(cè)器的非均勻性[23]。

針對(duì)輻射源射線的非一致性，本研究采用具有高穩(wěn)定性的 IXS100SE 150P149射線源，該型號(hào)射線源管電壓變化率小于0.1%，可以有效減小輻射源導(dǎo)致的射線非一致性。

本研究采用的X-Scan c5型線陣探測(cè)器的像元由8塊像元拼接而成，各個(gè)像元的效率存在差異，對(duì)于線陣探測(cè)器的非均勻性影響，可通過手動(dòng)校正消除，主要步驟包括暗場(chǎng)校正和亮場(chǎng)圖像補(bǔ)償。校正后，成像質(zhì)量得到了明顯提高，成像均勻性較好，校正前后的圖像對(duì)比如圖2所示。

2.3.2? 積分時(shí)間參數(shù)的確定

本研究采用直徑25 mm 的1 元人民幣硬幣進(jìn)行最佳積分時(shí)間的標(biāo)定，調(diào)節(jié)軟 X 射線源管電壓為60 kV ，管電流為1.3 mA ，輸送帶速度為10 cm/s ，采集不同積分時(shí)間下的硬幣圖像。當(dāng)硬幣長(zhǎng)寬比等于1時(shí)，對(duì)應(yīng)的積分時(shí)間為最理想的積分時(shí)間，如圖3所示，通過對(duì)不同積分時(shí)間下的圖像進(jìn)行分析，可以得到最佳積分時(shí)間為5.5 ms。

2.3.3? 管電壓參數(shù)確定

管電壓是指軟X射線管的工作電壓，直接決定軟X射線的光子能量及待檢物的最大厚度，管電壓越高，軟 X 射線的波長(zhǎng)越短，穿透能力越強(qiáng)。在傳統(tǒng)的軟X射線檢測(cè)系統(tǒng)中，管電壓參數(shù)需由專業(yè)人員依據(jù)圖像質(zhì)量進(jìn)行主觀設(shè)置，效率低下且準(zhǔn)確性較差。隨著軟X射線成像技術(shù)的迅速發(fā)展，射線圖像質(zhì)量客觀評(píng)價(jià)方法逐漸成熟，目前常用的射線圖像質(zhì)量評(píng)價(jià)函數(shù)主要有基于頻率特征的評(píng)價(jià)函數(shù)、基于邊緣灰度梯度的評(píng)價(jià)函數(shù)和基于信息學(xué)的評(píng)價(jià)函數(shù)[24]。本研究利用基于信息學(xué)的評(píng)價(jià)函數(shù)中的熵函數(shù)F （n）評(píng)價(jià)射線圖像質(zhì)量，其表達(dá)式為：

其中，Hi 為直方圖中某灰度值的像素; N為總像素?cái)?shù)。

圖像的灰度熵大小可以表征圖像像素點(diǎn)灰度值的離散情況，間接評(píng)價(jià)射線圖像清晰度。因此，可以通過計(jì)算圖像灰度熵大小獲取圖像清晰度，確定最佳管電壓。將軟 X 射線源的管電流設(shè)定為1.3 mA ，線陣探測(cè)器積分時(shí)間設(shè)定為 5.5 ms，分別采集35、40、45、50、55、60、65、70、75和80 kV的柑橘軟X射線圖像并計(jì)算圖像的灰度熵，根據(jù)計(jì)算結(jié)果最終選取60 kV作為最佳采集電壓。

2.3.4? 管電流參數(shù)確定

管電流是指軟X射線管的工作電流，決定了射線的強(qiáng)度，管電流越大，軟X射線管產(chǎn)生的光子數(shù)量越多，采集的圖像的對(duì)比度越好。當(dāng)圖像對(duì)比度達(dá)到最佳時(shí)，圖像背景和前景之間的灰度值類間方差最大，可通過計(jì)算圖像的灰度值類間方差確定管電流的最佳值。

對(duì)采集的柑橘軟 X 射線圖像進(jìn)行圖像預(yù)處

理，隨后進(jìn)行圖像分割，將柑橘區(qū)域記為A ，計(jì)算柑橘區(qū)域的最大外接矩形，記為 C;區(qū)域 C和區(qū)域A 做減運(yùn)算，得到區(qū)域 B;區(qū)域A 、B 占區(qū)域 C 的比例分別為Wa和 Wb ，區(qū)域 A 、B 的像素均值分別為Ma 和Mb ，則可以得到灰度值類間方差 V為：

V = Wa? × Wb? ×（Ma? - Mb）2???????????????????????? （2）

每間隔0.1 mA 采集并分析柑橘圖像，不同管電流下的灰度值類間方差如圖4所示，當(dāng)管電流為1.3 mA 時(shí)灰度值類間方差最大，圖像的對(duì)比度最好。

2.4 軟X射線成像幾何畸變分析和校正

2.4.1?? 列方向畸變檢測(cè)及輸送速度穩(wěn)定性分析

輸送帶輸送速度的穩(wěn)定性是影響X射線圖像列方向是否失真的重要因素。在管電壓60 kV、管電流1.3 mA 、積分時(shí)間5.5 ms的圖像采集條件下，采用等間距金屬圓孔板進(jìn)行列方向畸變檢測(cè)，并對(duì)輸送帶輸送速度進(jìn)行穩(wěn)定性分析，標(biāo)定板處理過程如圖5所示。

保持圓孔標(biāo)定板位置不變，多次采集圓孔板軟X射線圖像，對(duì)其進(jìn)行處理，采用基于亞像素輪廓的圓擬合獲取區(qū)域的圓心，統(tǒng)計(jì)圓孔板列方向上相鄰孔的圓孔間距。根據(jù)程序運(yùn)行結(jié)果，圓孔間距在36.9個(gè)像素左右，圓孔間距偏差小于1 個(gè)像素，說明輸送速度穩(wěn)定，軟X射線圖像列方向不存在失真。

2.4.2? 行方向投影畸變及校正

行方向上圖像畸變受X射線源的投影方式影響，軟X射線投影模型如圖6所示，成像區(qū)域分為近似垂直投影區(qū)域和斜投影區(qū)域，在近似垂直投影區(qū)域，得到的軟X射線圖像畸變最小，行方向拉伸程度最小。因此，要得到檢測(cè)對(duì)象的實(shí)際像素尺寸，必須對(duì)行方向上的投影畸變進(jìn)行標(biāo)定，得到圖像行坐標(biāo)與圖像實(shí)際像素寬度的關(guān)系。

本研究采用70mm的實(shí)心不銹鋼球作為標(biāo)定材料，使用軟X射線成像系統(tǒng)采集傳送帶運(yùn)動(dòng)過程中標(biāo)定材料的軟X射線圖像，通過固定閾值法分割出不銹鋼球區(qū)域，提取每個(gè)不銹鋼球平行于坐標(biāo)系的最小外接矩形的寬度作為不銹鋼球的直徑。

通過對(duì)多次采集的射線圖像進(jìn)行處理，統(tǒng)計(jì)不銹鋼球的最小外接矩形的寬度值，將球的中心行坐標(biāo)設(shè)定為橫坐標(biāo)，球的寬度值為縱坐標(biāo)，進(jìn)行多項(xiàng)式擬合，結(jié)果如圖7所示。

采用多項(xiàng)式模型擬合可以得到標(biāo)定球行坐標(biāo)x和標(biāo)定球?qū)嶋H像素直徑y(tǒng)之間的關(guān)系：

y =5 ×10-5 x2? -0.0533x +213.02????? （3）

當(dāng)標(biāo)定球位于近似垂直投影區(qū)域的中心時(shí)，球的寬度為199～200個(gè)像素，取平均值199.5個(gè)像素作為標(biāo)定球無畸變寬度，則標(biāo)定球在行方向上的畸變系數(shù)k為：

k =????????????????????????????? ????????????（4）

3? 檢測(cè)方法及結(jié)果分析

本研究通過軟 X 射線成像技術(shù)獲取柑橘圖像，經(jīng)過3×3高斯濾波圖像去噪、圖像對(duì)比度增強(qiáng)進(jìn)行圖像預(yù)處理，然后通過固定閾值分割、形態(tài)學(xué)處理等實(shí)現(xiàn)果肉與果皮的分割以及枯水區(qū)域的提取，最后計(jì)算柑橘果肉面積和柑橘果實(shí)面積比判別柑橘內(nèi)部浮皮程度。通過提取柑橘果實(shí)區(qū)域的灰度特征，計(jì)算柑橘枯水面積和柑橘果肉面積比，判別柑橘枯水程度。圖8為基于軟X射線成像技術(shù)的柑橘內(nèi)部浮皮和枯水檢測(cè)方法流程。

3.1 圖像采集

設(shè)備運(yùn)行前，需對(duì)軟 X 射線源進(jìn)行訓(xùn)管操作，隨后按表1對(duì)軟X射線成像裝置進(jìn)行參數(shù)設(shè)定，正式采集前將設(shè)備預(yù)熱10 min ，保證軟X射線源發(fā)出的射線束能量穩(wěn)定，且輸送帶輸送速度平穩(wěn)。

如圖9所示，當(dāng)果心軸心與軟X射線光束平行時(shí)，得到的柑橘射線圖像清晰，成像效果最好。當(dāng)果心軸心與軟X射線光束垂直或果心軸心與軟X射線光束存在一定的夾角時(shí)，柑橘囊瓣之間相互覆蓋，掩蓋了柑橘果心空隙位置，得到的柑橘軟X射線圖像結(jié)構(gòu)不清晰。因此，采集柑橘軟X射線圖像前，需剔除果型畸形、表面碰傷和發(fā)生霉變的異常柑橘樣品，采集時(shí)保證柑橘果心軸心與軟X射線光束平行。

3.2 圖像預(yù)處理

環(huán)境變化以及外界干擾都會(huì)降低圖像的成像質(zhì)量，為了更清晰地獲取柑橘內(nèi)部枯水和浮皮的分布情況和嚴(yán)重程度，需要對(duì)采集的柑橘X射線圖像進(jìn)行濾波去噪、特征增強(qiáng)等處理手段，處理過程如圖10所示。

3.2.1?? 圖像去噪

本研究利用3×3、5×5和 7×7三種尺寸的均值濾波、中值濾波和高斯濾波對(duì)柑橘圖像進(jìn)行去噪處理。利用均方誤差（Mean Square Error，MSE）和峰值信噪比（Peak Signal-to-Noise Ra‐tio，PSNR）兩種圖像質(zhì)量評(píng)價(jià)函數(shù)評(píng)價(jià)不同濾波方法的去噪效果，選取最佳濾波方法及參數(shù)[25]。

MSE 通過對(duì)比去噪前和去噪后每一個(gè)像素點(diǎn)的灰度差，判斷圖像的去噪質(zhì)量，MSE越小，圖像成像質(zhì)量越好。PSNR是對(duì)MSE進(jìn)一步優(yōu)化的結(jié)果，峰值信噪比與圖像質(zhì)量呈正相關(guān)，峰值信噪比越大，圖像失真程度越小。表2為不同濾波去噪處理后圖像的MSE和PSNR值。

結(jié)果表明，3×3高斯濾波的去噪效果最佳，因此，本研究采用3×3高斯濾波對(duì)采集的圖像進(jìn)行去噪，圖10（b）為3×3高斯濾波去噪處理后的柑橘圖像。

3.2.2? 圖像增強(qiáng)

軟X射線成像受射線強(qiáng)度、環(huán)境和元器件制造工藝的影響，圖像質(zhì)量普遍較低，對(duì)比度不佳。本研究采用灰度變換和邊緣灰度值增強(qiáng)算法，對(duì)去噪后的軟X射線圖像進(jìn)行增強(qiáng)。

（1）灰度變換。通過改變圖像的灰度范圍，拉伸圖像灰度值以增強(qiáng)圖像對(duì)比度，細(xì)化圖像特征。

假設(shè)灰度變換前f （x，y）的灰度范圍集中在[m ，n]內(nèi)，對(duì)其進(jìn)行灰度變換后，使其灰度范圍擴(kuò)大到最大范圍[min ，max]，拉伸圖像灰度值，以增強(qiáng)圖像對(duì)比度?；叶茸儞Q的表達(dá)式為：

g （x，y）=???????? （5）

（2）邊緣灰度值增強(qiáng)。為避免圖像去噪導(dǎo)致的圖像紋理和邊緣模糊，采用邊緣灰度值增強(qiáng)算法增強(qiáng)圖像的高頻區(qū)域，實(shí)現(xiàn)對(duì)圖像的銳化。算

法流程如下：

①使用3×3高斯濾波對(duì)原圖像進(jìn)行去噪處理;

②設(shè)f （x，y）是原圖像第i行j 列對(duì)應(yīng)像素點(diǎn)的灰度值，g （x，y）為高斯濾波后該像素點(diǎn)的灰度值，將f （x，y）和g （x，y）做減運(yùn)算，運(yùn)算結(jié)果取整后乘以一定比例系數(shù)疊加到原圖像上，處理后的像素灰度值為h （x，y），計(jì)算公式如下：

h （x，y）= round [（f （x，y）- g （x，y））× factor]+f （x，y）?????????????? ?????（6）

其中，round 為取整函數(shù); factor 為比例系數(shù)。通過調(diào)整比例系數(shù)，對(duì)比增強(qiáng)效果，最終選取1.0作為增強(qiáng)比例系數(shù)。圖10（c）為灰度變換及邊緣灰度值增強(qiáng)后的柑橘圖像。

3.3 圖像分割

柑橘圖像分割主要包括柑橘果實(shí)區(qū)域與背景區(qū)域、柑橘果肉區(qū)域與果皮區(qū)域的分割。本研究對(duì)比了多種分割方法的分割效果。圖像分割效果如圖11所示，結(jié)果表明，相比于其他分割方法，固定閾值法漏分割區(qū)域較少，經(jīng)過二值化、區(qū)域填充、開閉運(yùn)算、形狀選擇等形態(tài)學(xué)方法處理后，可以得到完整的柑橘果實(shí)區(qū)域圖像。因此，最終選擇固定閾值法分割柑橘果實(shí)區(qū)域與背景區(qū)域。

獲取柑橘果實(shí)區(qū)域后，需進(jìn)一步分割獲取柑橘果肉區(qū)域，便于后期柑橘內(nèi)部特征的提取。通過觀察灰度直方圖發(fā)現(xiàn)，當(dāng)分割閾值設(shè)定為123時(shí)，固定閾值法可以很好地分割柑橘果肉區(qū)域與果皮區(qū)域。雖然分割得到的區(qū)域有時(shí)會(huì)出現(xiàn)細(xì)小的果皮區(qū)域，但通過連通域標(biāo)記和形狀選擇，最終仍可以實(shí)現(xiàn)柑橘果肉區(qū)域與果皮區(qū)域的分割。

3.4 柑橘尺寸測(cè)定

為了將柑橘樣本根據(jù)橫徑大小進(jìn)行分級(jí)，需將從柑橘軟X射線圖像中獲取的像素尺寸轉(zhuǎn)換為實(shí)際尺寸，本研究采用直徑60、70和80mm的不銹鋼實(shí)心球?qū)ο袼鼐冗M(jìn)行測(cè)定，結(jié)果如表3所示，最終確定系統(tǒng)的像素精度p為0.35 mm/px。

本研究采用最小外接矩形法對(duì)柑橘橫徑進(jìn)行測(cè)定。首先對(duì)采集到的柑橘軟X射線圖像進(jìn)行圖像預(yù)處理及圖像分割，得到去除背景的柑橘圖像。然后確定圖像質(zhì)心坐標(biāo)，將圖像繞質(zhì)心旋轉(zhuǎn)，單次旋轉(zhuǎn)角度為3o ，繞質(zhì)心旋轉(zhuǎn)一周，每旋轉(zhuǎn)一次，獲取該角度下圖像的外接矩形，最后面積最小的外接矩形即為該柑橘圖像的最小外接矩形，柑橘圖像最小外接矩形的最大邊長(zhǎng)即為柑橘橫徑d。

按公式（3）和公式（4）對(duì)圖像行方向投影畸變進(jìn)行校正，校正后柑橘橫徑 D 的計(jì)算公式為：

D =??? ?????????????????????????????????????（7）

柑橘橫徑實(shí)際尺寸DL 的計(jì)算公式為：

DL? = D × p?????????????????????????????? （8）

將處理得到的柑橘橫徑實(shí)際尺寸與實(shí)際測(cè)量的柑橘橫徑相比較，利用軟X射線成像技術(shù)測(cè)量的柑橘橫徑的平均誤差為2.45 mm ，最大偏差為6.67 mm ，獲得了較好的效果。

3.5 柑橘內(nèi)部浮皮檢測(cè)

3.5.1?? 柑橘浮皮分級(jí)標(biāo)準(zhǔn)

傳統(tǒng)的柑橘浮皮缺陷等級(jí)判定方法，利用剖面觀察法將柑橘沿果萼和果梗方向剝開，由多人評(píng)價(jià)是否浮皮與浮皮等級(jí)，此方法受限于觀察人員的經(jīng)驗(yàn)水平，無法實(shí)現(xiàn)大批量等級(jí)分級(jí)。因此本研究通過剖面觀察法判斷柑橘是否為浮皮果，再借助軟X射線成像技術(shù)，利用面積百分比定量分析柑橘內(nèi)部浮皮程度，并給出相應(yīng)等級(jí)，分級(jí)標(biāo)準(zhǔn)如表4所示。

3.5.2? 柑橘浮皮檢測(cè)算法

浮皮果的果肉區(qū)域和果皮區(qū)域之間存在明顯間隙，健康果的果肉區(qū)域和果皮區(qū)域結(jié)構(gòu)緊密，呈現(xiàn)出良好的致密度和完整度。本研究根據(jù)柑橘果肉區(qū)域的面積和柑橘果實(shí)區(qū)域面積的比值大小對(duì)柑橘浮皮進(jìn)行分級(jí)。設(shè)柑橘果實(shí)區(qū)域的面積為Area ，柑橘果肉區(qū)域的面積為Area1，則果肉區(qū)域面積百分比Areap1為：

Areap1? =??????? ×100%????????????????? （9）

具體步驟如下：

（1）對(duì)采集到的原始軟X射線圖像進(jìn)行圖像去噪和圖像增強(qiáng)，得到去噪和增強(qiáng)后的圖像。如圖 12（a）所示。

（2）采用固定閾值法去除圖像背景區(qū)域，通過形狀填充或閉運(yùn)算等一系列形態(tài)學(xué)算法填充果實(shí)區(qū)域空洞，獲取柑橘果實(shí)區(qū)域圖像，如圖 12（b）所示。

（3）再次采用固定閾值法和形態(tài)學(xué)算法分割柑橘果肉區(qū)域和果皮區(qū)域，獲取柑橘果肉區(qū)域圖像，如圖12（c）所示。

（4）通過圖像處理軟件，調(diào)用區(qū)域面積計(jì)算算子，獲取果實(shí)區(qū)域面積和果肉區(qū)域面積，然后計(jì)算果肉區(qū)域面積百分比。

3.6 柑橘內(nèi)部枯水檢測(cè)

3.6.1?? 柑橘枯水分級(jí)標(biāo)準(zhǔn)

根據(jù) GB/ T 8210—2011《柑桔鮮果檢驗(yàn)方法》，將寬皮柑橘類果實(shí)枯水依據(jù)囊瓣汁胞枯水程度分成四個(gè)等級(jí)，分別是健康果、輕微枯水果、中度枯水果和重度枯水果，具體分級(jí)標(biāo)準(zhǔn)如表5所示。

3.6.2? 柑橘枯水檢測(cè)算法

（1）柑橘果心大小的測(cè)定。柑橘果心大小是指柑橘果實(shí)赤道部橫切面中心柱的直徑。柑橘枯水普遍發(fā)生在柑橘果肉區(qū)域，為準(zhǔn)確檢測(cè)柑橘內(nèi)部枯水情況，需剔除柑橘果心區(qū)域，避免果心區(qū)域?qū)z測(cè)結(jié)果造成影響。本研究采用自動(dòng)閾值法提取柑橘果心區(qū)域，以果心區(qū)域最小外接圓作為果心大小，算法步驟如圖13所示。

根據(jù)公式（3）～（4）和公式（7）～（8）計(jì)算柑橘果心直徑實(shí)際物理尺寸，采用最小外接矩形法計(jì)算柑橘果肉直徑，經(jīng)統(tǒng)計(jì)分析可知柑橘果心直徑和果肉直徑比值在0.3上下浮動(dòng)。因此，本研究取柑橘果心直徑和果肉直徑比值為0.3，以此確定果心大小，有助于準(zhǔn)確剔除柑橘果心區(qū)域，減少柑橘果心區(qū)域?qū)?nèi)部枯水檢測(cè)結(jié)果的影響。

（2）柑橘枯水檢測(cè)算法。柑橘發(fā)生枯水后，軟X射線成像時(shí)果肉區(qū)域會(huì)出現(xiàn)白色斑點(diǎn)，枯水區(qū)域較亮，健康區(qū)域較暗，因此對(duì)柑橘內(nèi)部枯水的檢測(cè)依舊采用面積百分比法，通過計(jì)算柑橘枯水區(qū)域面積和柑橘果肉區(qū)域面積的百分比實(shí)現(xiàn)對(duì)柑橘枯水的檢測(cè)。柑橘果肉區(qū)域的面積為Area1，柑橘枯水區(qū)域的面積為Area2，則枯水區(qū)域面積百分比Areap2為：

Areap2? =??????? ×100%???????????????? （10）

柑橘不同部位厚度不同，造成射線圖像不同區(qū)域灰度存在一定的差異，對(duì)枯水區(qū)域的提取帶來較大的困難。由于在相同半徑上果實(shí)高度差異不大，像素點(diǎn)灰度值僅受物料特性影響，即枯水導(dǎo)致的像素點(diǎn)灰度值變化。因此為消除柑橘厚度對(duì)枯水區(qū)域提取帶來的影響，本研究將柑橘果肉區(qū)域分割為相同半徑上的16個(gè)區(qū)域，在每個(gè)區(qū)域分別進(jìn)行枯水區(qū)域提取。

柑橘枯水檢測(cè)算法步驟如圖14所示，對(duì)原始圖像進(jìn)行圖像增強(qiáng)并提取果肉區(qū)域，對(duì)提取的果肉區(qū)域進(jìn)行輪廓擬合，獲取區(qū)域最小外接圓和外接圓半徑R 。由于果心大小為柑橘果肉大小的0.3倍，因此分別以0.3R 、0.5R 、0.7R 、0.9R和R為半徑將柑橘軟 X 射線圖像劃分成5 個(gè)圓環(huán)區(qū)域。其中，0.3R 的圓為柑橘果心區(qū)域，不對(duì)其進(jìn)行處理?？紤]到柑橘果肉區(qū)域不絕對(duì)對(duì)稱，厚度并不完全一致，因此在每個(gè)圓環(huán)區(qū)域內(nèi)將柑橘圖像劃分成4等分，共將柑橘果肉區(qū)域劃分成16個(gè)區(qū)域。在每個(gè)區(qū)域內(nèi)使用自動(dòng)全局閾值法和局部閾值法分別識(shí)別和提取圖14（b）所示的暗區(qū)域和較亮區(qū)域，其中暗區(qū)域表示健康的果肉區(qū)域、較亮區(qū)域表示囊瓣間隙，將16等分的各個(gè)區(qū)域與提取的暗區(qū)域和較亮區(qū)域做減法即獲得灰度值介于健康果肉區(qū)域和囊瓣間隙之間的枯水區(qū)域，通過圖像處理軟件調(diào)用區(qū)域面積計(jì)算算子，獲取枯水區(qū)域和果肉區(qū)域面積，計(jì)算枯水區(qū)域的面積百分比。

3.7 結(jié)果分析

本研究通過軟 X 射線成像技術(shù)獲取柑橘圖像，采用固定閾值法結(jié)合形態(tài)學(xué)算法去除圖像背景區(qū)域，分割柑橘枯水區(qū)域、果肉區(qū)域和果皮區(qū)域，利用面積百分比法判別柑橘內(nèi)部浮皮和枯水等級(jí)。按照剖面觀察法和 GB/T 8210—2011《柑桔鮮果檢驗(yàn)方法》，逐個(gè)剖開580個(gè)柑橘樣本檢測(cè)柑橘的內(nèi)部品質(zhì)。檢測(cè)結(jié)果如表6和表7所示，在柑橘浮皮檢測(cè)實(shí)驗(yàn)中，樣品量為290個(gè)，采集軟X射線圖像，通過面積百分比法對(duì)柑橘浮皮進(jìn)行判別，正確檢出279個(gè)，誤判11個(gè)，檢測(cè)準(zhǔn)確率為96.2%，誤判率為3.8%，產(chǎn)生誤判的原因可能是柑橘在傳送過程中發(fā)生翻轉(zhuǎn)，造成囊瓣疊加，影響檢測(cè)結(jié)果。在柑橘枯水檢測(cè)實(shí)驗(yàn)中，樣品量為290個(gè)，采集軟X射線圖像，通過面積百分比法對(duì)柑橘枯水進(jìn)行判別，正確檢出252個(gè)，誤判38個(gè)，檢測(cè)準(zhǔn)確率為 86.9%，誤判率為 13.1%，產(chǎn)生誤判的原因可能是圖像分割過程中未完全剔除柑橘果心區(qū)域和囊瓣分離造成的空白區(qū)域，從而影響檢測(cè)結(jié)果。

4? 結(jié)論

針對(duì)柑橘內(nèi)部品質(zhì)快速無損檢測(cè)的難點(diǎn)，本研究應(yīng)用軟X射線成像技術(shù)結(jié)合圖像處理方法，對(duì)柑橘內(nèi)部的浮皮和枯水等級(jí)進(jìn)行檢測(cè)，浮皮果的檢測(cè)準(zhǔn)確率為96.2%，枯水果的檢測(cè)準(zhǔn)確率為86.9%。試驗(yàn)證明，采用軟X射線成像技術(shù)對(duì)柑橘內(nèi)部品質(zhì)的無損檢測(cè)是可行的，在柑橘內(nèi)部品質(zhì)的浮皮和枯水檢測(cè)中均獲得了較高的準(zhǔn)確率。同時(shí)，軟X射線成像技術(shù)還可應(yīng)用于其他農(nóng)產(chǎn)品品質(zhì)檢測(cè)，通過與其他無損檢測(cè)技術(shù)結(jié)合，實(shí)現(xiàn)農(nóng)產(chǎn)品內(nèi)外品質(zhì)的綜合評(píng)價(jià)。

參考文獻(xiàn)：

[1]周志欽， 陸柏益. 柑橘果實(shí)商品品質(zhì)評(píng)價(jià)方法[M].北京：科學(xué)出版社， 2020.ZHOU? Z，? LU? B. Evaluation? method? of commodityquality of citrus fruit[M]. Beijing： China Science Pub‐lishing& Media Ltd.， 2020.

[2]陳秀偉， 張百超. 紅桔果實(shí)浮皮的研究[J].園藝學(xué)報(bào)，1988（1）：13-17.

CHEN X， ZHANG B. Studies on the rind puffing ofthe fruit of 'hong-ju'（citrus reticulata blanco）[J]. ActaHorticulturaeSinica， 1988（1）：13-17.

[3]陸平波， 趙昆松， 鮑江峰， 等. 柑橘枯水影響因素及調(diào)控措施研究進(jìn)展[J].農(nóng)業(yè)科技通訊， 2016（1）：155-159.

LU P， ZHAO K， BAO J， et al. Research progress onfactors? influencing? citrus water blight? and regulatorymeasures[J]. Bulletin of Agricultural Science and Tech‐nology， 2016（1）：155-159.

[4]孔靜， 謝鳴. 無損檢測(cè)技術(shù)在農(nóng)產(chǎn)品品質(zhì)檢測(cè)方面的應(yīng)用[J].消費(fèi)導(dǎo)刊， 2009（16）：210.

KONG J， XIE M. Application of non-destructive test‐ing technology in quality testing of agricultural prod‐ucts[J]. Consume Guide， 2009（16）：210.

[5]劉爽， 柴春祥. 近紅外光譜技術(shù)在水產(chǎn)品檢測(cè)中的應(yīng)用進(jìn)展[J].食品安全質(zhì)量檢測(cè)學(xué)報(bào)， 2021， 12（21）：8590-8596.

LIU S， CHAI C. Application progress of near infraredspectroscopy in aquatic products detection[J]. Journalof Food Safety & Quality， 2021， 12（21）：8590-8596.

[6]陳偉. 基于近紅外光譜與生物散斑融合的牛肉摻假檢測(cè)方法[D].武漢：華中農(nóng)業(yè)大學(xué)， 2018.

CHEN? W. Detection? method? for? beef? adulterationbased on data fusion between near-infrared spectrosco‐py and bio-speckle imaging[D]. Wuhan： Huazhong Ag‐ricultural University， 2018.

[7]郭志明. 基于近紅外光譜及成像的蘋果品質(zhì)無損檢測(cè)方法和裝置研究[D].北京：中國農(nóng)業(yè)大學(xué)， 2015.

GUO Z. Nondestructive detection techniques and de‐vices for assessing quality attributes of apple based onNIR spectroscopy and hyperspectral imaging[D]. Bei‐jing： China Agricultural University， 2015.

[8]劉妍， 周新奇， 俞曉峰， 等. 無損檢測(cè)技術(shù)在果蔬品質(zhì)檢測(cè)中的應(yīng)用研究進(jìn)展[J].浙江大學(xué)學(xué)報(bào)（農(nóng)業(yè)與生命科學(xué)版）， 2020， 46（1）：27-37.

LIU Y， ZHOU X， YU X， et al. Research progress of nondestructive testing techniques for fruit and vegetable quality[J]. Journal of Zhejiang University （Agriculture and Life Science Edition）， 2020， 46（1）：27-37.

[9]王艷萍. 基于超聲檢測(cè)的沙窩蘿卜品質(zhì)評(píng)價(jià)方法研究[D].天津：天津科技大學(xué)， 2017.

WANG Y. Study on quality evaluation method of Shawo radish based on ultrasonic texting[D]. Tianjin： Tianjin University of Science and Technology， 2017.

[10] ABBASZADEH R， RAJABIPOUR A， YING Y， et al.Nondestructive? determination? of? watermelon? flesh firmness by frequency response[J]. LWT-Food Science and Technology， 2015， 60（1）：637-640.

[11] 王旭. 基于機(jī)器視覺的柑橘分級(jí)技術(shù)研究[D].長(zhǎng)沙：湖南大學(xué)， 2016.

WANG X. Research on the classification technology of citrus based on machine vision[D]. Changsha： Hunan University， 2016.

[12] AGUILERA? PUERTO? D，? MARTíNEZ? GILA? D? M，GáMEZ GARCíA J， et al. Sorting olive batches for the milling process using image processing[J]. Sensors， 2015， 15（7）：15738-15754.

[13] 王風(fēng)云， 封文杰， 鄭紀(jì)業(yè)， 等. 基于機(jī)器視覺的雙孢蘑菇在線自動(dòng)分級(jí)系統(tǒng)設(shè)計(jì)與試驗(yàn)[J].農(nóng)業(yè)工程學(xué)報(bào)， 2018， 34（7）：256-263.

WANG F， FENG W， ZHENG J， et al. Design and experiment? of? automatic? sorting? and? grading? system based on machine vision for white agaricusbisporus [J]. Transactions of the CSAE， 2018， 34（7）：256-263.

[14] VAN DAEL M， LEBOTSA S， HERREMANS E， et al.A segmentation and classification algorithm for online detection of internal disorders in citrus using X-ray radiographs[J].? Postharvest? Biology? and? Technology， 2016， 112：205-214.

[15] GADGILE D， LANDE B R， DHABDE A S， et al. Xray  imaging? for? detecting? lack? mould? rot? of sapota （Achras? sapota） fruit[J]. Plant? Pathology&? Quarantine， 2017， 7（2）：92-94.

[16] 童彤. 比利時(shí)： X 射線可無損檢測(cè)梨品質(zhì)[J].中國果業(yè)信息， 2020， 37（3）：44.

TONG T. Belgium： X-ray non-destructive detection of pear quality[J]. China Fruit News， 2020， 37（3）：44.

[17] 葉創(chuàng)，蔡健榮， 袁雷明， 等. 基于X射線圖像的干桂圓果肉質(zhì)量預(yù)測(cè)[J].食品科技， 2016， 41（1）：264-268.???? YE C， CAI J， YUAN L， et al. Prediction of dry longanflesh weight based on X-ray imaging[J]. Food Scienceand Technology， 2016， 41（1）：264-268.

[18] 許杰. 基于X射線數(shù)字成像技術(shù)的水稻穗部籽粒檢測(cè)方法研究[D].曲阜：曲阜師范大學(xué)， 2016.

XU J. Research on rice? spike? seed detection methodbased on X-ray digital imaging technology[D]. Qufu：Qufu Normal University， 2016.

[19] 石學(xué)根， 徐建國， 張林， 等. 溫州蜜柑完熟果實(shí)的浮皮與貯藏性之間的關(guān)系[J].浙江農(nóng)業(yè)學(xué)報(bào)， 2008（4）：304-307.

SHI X， XU J， ZHANG L， et al. The relationship be‐tween peel puffing and storage of full ripe fruits of Sat‐suma? mandarin[J]. Acta? Agriculturae? Zhejiangensis，2008（4）：304-307.

[20] 溫明霞， 石學(xué)根， 王鵬， 等. 不同大小溫州蜜柑果實(shí)貯藏期枯水的生理特征研究[J].浙江農(nóng)業(yè)學(xué)報(bào)， 2013，25（1）：59-63.

WEN M， SHI X， WANG P， et al. Physiological charac‐teristics? of different? sizes? of Satsuma mandarin? fruitwith granulation during storage stage[J]. Acta Agricul‐turaeZhejiangensis， 2013， 25（1）：59-63.

[21] 劉賜德. 基于X射線透射成像的葉中含梗率在線檢測(cè)技術(shù)研究[D].昆明：昆明理工大學(xué)， 2019.

LIU C. Research of the on-online detection of stem ra‐tio in the tobacco leaf based on X-ray transmission im‐aging[D]. Kunming： Kunming? University? of Scienceand Technology， 2019.

[22] 梅特勒. 使用X 射線檢測(cè)的食品安全性如何？[J].食品安全導(dǎo)刊， 2011（5）：46-47.

METTLER. How? safe? is? the? food? detected? by? X-rays？ [J].? China? Food? Safety? Magazine，? 2011（5）：46-47.

[23] 屈國普， 凌球， 郭蘭英， 等. X射線線陣列探測(cè)器數(shù)字圖像的非均勻性原因分析[J].核電子學(xué)與探測(cè)技術(shù)，2003（5）：414-416.

QU G， LING Q， GUO L， et al. Analysis of the causefor the ununiformity of X-ray detector line array of dig‐ital image[J]. Nuclear Electronics & Detection Technol‐ogy， 2003（5）：414-416.

[24] 巫軍， 王黎明， 史振華， 等. X射線成像系統(tǒng)數(shù)字圖像質(zhì)量評(píng)價(jià)方法研究[J].傳感器世界， 2010， 16（4）：6-9.

WU J， WANG L， SHI Z， et al. Digital image qualityevaluation method of X-ray imaging system[J]. SensorWorld， 2010， 16（4）：6-9.

[25] 張玉葉， 趙育良， 郭星香. 航空偵察圖像質(zhì)量評(píng)估的適用方法分析 [J].信息技術(shù)與信息化 ， 2020（9）：140-143.

ZHANG Y， ZHAO Y， GUO X. Analysis of applicablemethods for air reconnaissance image quality evalua‐tion[J]. Information? Technology? and? Informatization，2020（9）：140-143.

Detection of Peel Puffing and Granulation in Citrus Based on Soft X-ray Imaging Technology

XU Qian， CAI Jianrong*， DU Can， SUN Li， BAI Junwen

（School of Food and Biological Engineering， Jiangsu University， Zhenjiang 212013， China）

Abstract： The internal quality of citrus is an important index for citrus grading， and the most common factors affecting the internal quality of citrus are peel puffing and granulation， which affect the fruit quality and lose the market value due to the large consumption of nutrients. In this study， a soft X-ray imaging device was developed， including a transmission device， a soft X- ray imaging device， a trigger device and a soft X-ray protection device， for the problem that traditional methods cannot detect citrus peel puffing and granulation efficiently and non-destructively. In this research， the detection parameters were determined according to the physical characteristics of wide peeled citrus， and the clarity， contrast and aberration rate of citrus images were used as the judging criteria. The best imaging parameters were determined by adjusting the parameters of the imaging device as follows： The tube voltage of X-ray source was 60 kV， the tube current was 1.3 mA， the integration time of line array detector was 5.5 ms， and the transmission speed of citrus conveyor belt was 10 cm/s. The aberrations in the column direction were detected by the circular hole metal plate， and the results showed that the transmission speed was stable and the aberrations in the column direction were negligible. The aberrations in the row direction ware detected by using the 70 mm stainless steel calibration sphere， and the projection aberration coefficients at different positions in the row direction were calculated， and the aberration correction model was established. The soft X-ray images of citrus were acquired under the above parameters， and Gaussian filtering was used to denoise the citrus images. The image enhancement algorithm was used to enhance the contrast of the denoised images. The fixed threshold segmentation method and morphological algorithm were fused to remove the background area， separate the flesh area and the peel area of the citrus images. Finally， the area percentage method was used to calculate the ratio of citrus flesh area to citrus fruit area to discriminate the degree of citrus peel puffing; the grayscale features of citrus fruit area were extracted to obtain the citrus withered area， and the ratio of citrus withered area to citrus flesh area was calculated to discriminate the degree of citrus granulation. QingjiangPonkan were taken as the experimental object， and the results showed that the overall recognition rate of the homemade soft X-ray imaging device were 96.2% and 86.9% for the peel puffing and granulation of QingjiangPonkan， respectively. The method proposed in this study may achieve nondestructive detection of peel puffing and granulation inside citrus.