張衛(wèi)民， 國 海， 劉帥帥

(安徽科技學(xué)院 機械工程學(xué)院，安徽 鳳陽 233100)

安徽碭山縣是水果之鄉(xiāng),擁有近百萬畝連片果園。碭山梨作為碭山縣主要經(jīng)濟作物之一,具有其特殊的地位,其中碭山酥梨的種植面積約為3.33萬hm2,占產(chǎn)出水果面積的66%,產(chǎn)量約為7.5億kg。目前碭山梨分揀工作主要由人工完成,工人無法長時間工作,隨著工作時間的延長對分類的效率及精準(zhǔn)度都會有所下降,而面臨著碭山梨上市季節(jié)的大規(guī)模分類的要求單憑人工分揀無法完成。

針對水果品質(zhì)檢測的研究,Baigvand等[1]將無花果分為5個等級,并研究出一套完整的機器視覺系統(tǒng),達到了實時檢測的需求。Momin等[2]提取出芒果圓形度與周長等特征,研發(fā)出基于圖像處理技術(shù)的芒果自動分級算法。Tao等[3]提取出土豆和蘋果的顏色變量,通過色調(diào)直方圖和變量判別式對樣品進行區(qū)分,并建立相關(guān)的評價體系。錢文秀等[4]改進Grabuct分割方法,對各種復(fù)雜條件下的草莓進行有效篩選。何進榮等[5]采用改進經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)模型,對網(wǎng)絡(luò)結(jié)構(gòu)中的有效模塊重新組合設(shè)計,在蘋果測試集上實驗準(zhǔn)確率達到97.84%。李俊偉等[6]通過對單粒葡萄的質(zhì)量以及果徑的采集,提出一種基于機器視覺的預(yù)測葡萄質(zhì)量與大小的分級系統(tǒng),準(zhǔn)確率約為85%。周海英等[7]對3種不同品種的梨進行缺陷提取,并提出一種區(qū)分花萼、果梗與缺陷的方法。何建國等[8]通過圖像處理,采集芒果的外形特征,按照尺寸、形狀等特征設(shè)計識別系統(tǒng)。

本研究檢測的碭山梨,果實近圓柱形,頂部平截稍寬,果皮綠黃色,果點小而密,外觀與其他品種梨有明顯區(qū)別。國內(nèi)尚未有針對碭山梨計算機視覺分級系統(tǒng)的研究成果發(fā)布。本研究開發(fā)基于計算機視覺的碭山梨分級系統(tǒng),通過判斷碭山梨的果形、缺陷及色澤等完成快速實時檢測。

1 圖像采集及預(yù)處理

1.1 圖像采集

圖像采集部分主要包括搭建光照箱和選擇合適的光源,工業(yè)攝像機進行取樣拍攝,通過采集卡獲取采集的樣本。光源設(shè)計上采用LED光源上方垂直照射,背景選用白色背景,提高對比度。攝像機采用邁德威視MV-GED200C-T工業(yè)相機,采集出的圖像外觀完整清晰,特征明顯,滿足進行圖像預(yù)處理及分割的需求。

1.2 圖像預(yù)處理

為提取出圖像重要信息,去除與無關(guān)的其他背景信息及干擾,同時改善圖片質(zhì)量,增強圖像相關(guān)信息可信度,需進行圖像預(yù)處理。流程如圖1所示。

圖1 圖像處理流程圖Fig.1 Image processing flow chart

(1)灰度變換:采集到的碭山梨圖像為彩色圖像,其顏色信息會對后續(xù)提取碭山梨圖像造成干擾,因此必須進行灰度變換。對比常用的幾種灰度變換方法,得出加權(quán)平均法最容易區(qū)分背景區(qū)域,能夠很好地提取出完整的碭山梨輪廓[9]。

(2)圖像增強:在通過CCD相機采集碭山梨圖像時會有各種因素的干擾,造成圖像噪點過多,需要進行降噪處理,采用中值濾波的方式進行降噪。

(3)圖像形態(tài)學(xué)處理:采用最大類間方差法(OTSU)對圖像進行閾值分割,采集的圖像中分割目標(biāo)與背景的差別較大,灰度分布具有明顯的雙峰特性,因此采用OTSU閾值分割法效果最佳[10]。

(4)邊緣檢測:常見的邊緣檢測算法包括:Sobel算子、Log算子、Canny算子和Laplacian算子,通過4種算子提取效果比較來看,采用Canny算子的邊緣最為清晰,符合低錯誤率原則、精準(zhǔn)定位原則和單邊界原則[11]。

2 特征提取

根據(jù)《梨外觀等級標(biāo)準(zhǔn)》確定碭山梨特征的3個參數(shù),包括幾何特征、色澤特征和缺陷特征。幾何特征由周長、面積和圓形度組成。色澤特征是指梨外表面的色澤,色澤均勻且明亮的梨有著更高的價值。缺陷特征是指梨的外傷、腐敗、病蟲害帶來的缺陷。

2.1 幾何特征提取

(1)周長。周長是碭山梨幾何特征中的重要指標(biāo),是指碭山梨外邊界一周的長度,通過計算處理后的圖像邊界f(x,y)上所有像素點之和得到周長L。

(1)

(2)面積。面積是指碭山梨圖像所占空間的大小,把碭山梨圖像的前景突出為白色,背景為黑色。對邊界以內(nèi)的所有像素點進行求和,即計算f(x,y)=1的數(shù)目,再和面積產(chǎn)生相應(yīng)的映射關(guān)系。

(2)

(3)圓形度。圓形度用來衡量梨的圓輪廓接近圓的程度,圓形度越接近1,就說明梨的輪廓越接近一個完美的圓。圓形度受到面積和周長影響:

(3)

(4)

(5)

式中,L為梨輪廓的周長,S為梨輪廓的面積。

2.2 缺陷特征提取

統(tǒng)計碭山梨圖像中的輪廓數(shù)量可以確定缺陷數(shù)量,按照順序查找出二值圖像或灰度圖像中的不同像素值劃分出的邊界。所以完好的碭山梨圖像中輪廓應(yīng)該等于1。設(shè)出獲取缺陷數(shù)量的公式:

(6)

其中,g為缺陷數(shù)量,k為輪廓總數(shù),ceil()為向上取余。

在Opencv中調(diào)用findCountours()函數(shù)可以直接從二值圖中查找輪廓,再用Canny算子進行邊緣檢測得出邊緣圖像。

2.3 色澤特征提取

外部色澤是碭山梨分級的重要指標(biāo)之一,把圖像RGB顏色模型轉(zhuǎn)化HSV顏色模型,其中H值可以基本確定圖像的顏色,使用Opencv中的mean函數(shù)提取出色澤(圖2)。

圖2 RGB圖像轉(zhuǎn)HSV顏色圖Fig.2 RGB image to HSV color chart

圖3分別對4個不同的碭山梨進行特征提取,表1為4個碭山梨的特征數(shù)據(jù)表。

圖3 碭山梨輪廓邊緣圖像Fig.3 Dangshan pear contour edge image

表1 特征參數(shù)數(shù)值Table 1 Values of characteristic parameters

3 分級系統(tǒng)設(shè)計

本研究通過幾何數(shù)值、缺陷數(shù)量和色澤程度3個方面進行檢測分級。對所有圖像的各個面進行重復(fù)實驗,根據(jù)實驗數(shù)據(jù),可以確定具體所對應(yīng)的映射關(guān)系:從幾何數(shù)值上分級,圓形度大于等于0.85的碭山梨判斷為合格果形,圓形度小于0.85的碭山梨判斷為不合格果形。從缺陷數(shù)量上分級,按照國家標(biāo)準(zhǔn)規(guī)定,缺陷數(shù)量小于等于2個為合格,缺陷數(shù)量大于2個為不合格。從色澤程度上分級,平均色調(diào)H大于等于35的碭山梨判斷為合格果形,色調(diào)H小于35的碭山梨判斷為不合格果形。

按照《NY/T 440-2001梨外觀等級標(biāo)準(zhǔn)》的定義,梨的標(biāo)準(zhǔn)分為特等、一等、二等和外果。其中特等果需要幾何數(shù)值、缺陷數(shù)量和色澤程度3個方面都滿足合格,一等果需要任意兩個方面合格,二等果需要任意一個方面合格,沒有一個方面合格的碭山梨將被分類為外果,不進入標(biāo)準(zhǔn)評級。

4 結(jié)果與分析

實驗所用的碭山酥梨是從市場上直接采購的,實驗樣本共有100只,部分碭山酥梨有明顯缺陷,尺寸大小不盡相同,且混合在一起。通過對這100只碭山梨圖像分級實驗,本研究實現(xiàn)了碭山梨圖像的采集及采集環(huán)境的配置,具備圖像處理功能,包括圖像編輯、灰度變換、圖像增強、圖像形態(tài)學(xué)處理、邊緣檢測,可以完成對碭山梨的特征提取。通過碭山梨圖像的圓形度計算,缺陷數(shù)量的統(tǒng)計和色澤程度的分級,并經(jīng)過綜合判斷實現(xiàn)碭山梨外觀的等級分類,采用多角度拍攝,獲得多角度圖片,經(jīng)過相同的方法進行試驗,若某一個角度的碭山梨質(zhì)量不能達到同一等級,則判斷為所有角度中最低等級,同時可以手動設(shè)置分類條件,對碭山梨分級的圓形度、色澤標(biāo)準(zhǔn)進行詳細(xì)的設(shè)置。

圖4 碭山梨分級檢測系統(tǒng)程序圖Fig.4 Program diagram of Dangshan pear grading and testing system

5 結(jié)論

針對碭山梨后處理中的外部品質(zhì)分級問題,設(shè)計出一種基于機器視覺的檢測分級系統(tǒng),綜合考慮影響梨外部品質(zhì)的多種指標(biāo),并且每個梨分級耗時約為0.5 s,系統(tǒng)分級精準(zhǔn)度約為95%。基于Opencv平臺對采集的圖像進行分割處理,去除背景,降低圖像噪點,并按照相關(guān)標(biāo)準(zhǔn)進行分級,最終將分類的結(jié)果顯示在界面之中,實現(xiàn)碭山梨品質(zhì)的實時分類。