李红娟　杨颖辉

摘要：采用混沌多宇宙算法，提高苹果表面缺陷检测的质量。首先建立单宇宙、多宇宙结构，多个单宇宙群组成超单宇宙群；接着超单宇宙群信息交流通过自适应策略选择宇宙个体，Logistic映射对选中的宇宙个体进行混沌优化；然后采用改进OTSU算法进行苹果缺陷区域目标分割，分割区域内像素纹理信息作为苹果提取特征；最后给出了算法流程。试验仿真显示，该算法对苹果表面缺陷检测效果清晰，各种缺陷检测准确率比较高。

关键词：混沌；多宇宙；苹果表面；缺陷检测；仿真试验；检测准确率

中图分类号： TP391文献标志码： A

文章编号：1002-1302（2017）15-0202-04

苹果在生长、运输、存储过程中，表面难免会产生各种缺陷，易造成苹果深程度病变，因此苹果表面缺陷检测是确保苹果制品安全的基础[1]。目前，苹果表面缺陷检测依靠传统的人工检测，但是人工检测存在效率低下等弊端。Leemans等采用K均值聚类算法（K means clustering，KMC）提取RGB图像中苹果缺陷的特征，然后采用二次判别分析方法实现缺陷的检测[2]，但是算法复杂，需要事先进行训练数据样本。马晓丹等采用模糊神经网络算法（fuzzy neural network，FNN）对苹果表面缺陷进行检测，采用缺陷和物理特征作为神经网络分类器的输入参数训练样本，此方法存在分级过程复杂、效率低等缺点[3]。Linker等通过苹果色差对比算法（color difference contrast，CDC）对缺陷区域检测，格式化具有同样特点的区域，分割这些区域，但是不能有效分割背景与提取目标[4]。Keresztes等采用基于支持向量机算法（support vector machine，SVM）对苹果表面缺陷进行检测，将图像分为缺陷区域和非缺陷区域2类，对各区域分别采集一定数量样本进行分析，但难以实施大规模训练样本[5]。本研究采用混沌多宇宙算法（chaotic multi universe，CMU）检测苹果表面缺陷，建立单宇宙、多宇宙空间拓扑结构，多个单宇宙群组成超单宇宙群；采用改进OTSU算法分割苹果缺陷区域目标，以分割区域内像素纹理信息作为苹果提取特征，旨在为快速检测苹果表面缺陷提供依据。

1算法模型

1.1多宇宙算法

1.1.1多宇宙个体

多宇宙将整个宇宙群划分为多个单宇宙，每个单宇宙只与自己周围的单宇宙进行单向连接[6]，多个单宇宙又可以组成相对单宇宙群，如图1所示，U11、U12、U13、U14各代表1个单宇宙，U11、U12、U13、U14又组成相对其他单宇宙的单宇宙群U1；当宇宙数目较多时，多个单宇宙群又可组成超单宇宙，每个单宇宙群可与自己周围的单宇宙群进行双向连接，U1、U2、U3、U4代表单宇宙群，U1、U2、U3、U4又组成相对其他单宇宙群U5、U6、U7、U8的超单宇宙群。

式中：G（i，j）为灰度共生矩阵元素，k为灰度共生矩阵的维数。

对提取的特征量数据通过混沌多宇宙算法寻优，即可获得缺陷区域的最佳特征值。

算法流程：（1）输入待检测苹果图像，进行平滑、滤波处理；（2）利用OTSU算法进行苹果缺陷目标分割；（3）分割阈值满足t>1.25t*时，进行步骤（4），否则进行步骤（2）；（4）提取缺陷区域的特征量；（5）按混沌优化多宇宙算法过程进行特征量数据寻优；（6）满足f[X（h+1）]→fbest（X*）时，把X*作为混沌最优搜索结果输出，进行步骤（7），否则进行步骤（5）；（7）输出检测结果。

3试验仿真

在试验中，依次进行KMC算法、FNN算法、CDC算法、SVM算法、本研究CMU算法对比试验，试验PC配置为 CPU 2.0 GHz、内存4 GB、Intel主板、集成显卡，利用MATLAB软件实现仿真。试验中单宇宙50个，单宇宙群9个，单宇宙群里最多含有单宇宙8个，超单宇宙群最多6个，算法最大迭代次数为30次。水果表面缺陷包括碰压伤、刺伤、疤痕、腐烂、虫咬、裂伤、果锈等。

3.1苹果表面缺陷检测

从图2、图3可以看出，其他算法检测出的缺陷区域不完整，视觉效果不好，本研究算法能够完整檢测出缺陷区域，边缘[CM（25]没有间断现象，这是因为采用改进OTSU算法进行苹果缺陷区域目标分割，提高了CMU算法精度。

3.2检测准确率分析

对碰伤、刺伤、暗斑、虫伤、干裂、萎缩进行正确率检测识别，数据样本为700张有缺陷的苹果图像，其中碰伤679张、刺伤665张、暗斑658张、虫伤654张、干裂660张、萎缩650张，存在1张图片上有多个缺陷的样本数据，为了提高分析数据的可信性，各进行10次蒙特卡罗试验仿真，取其均值，如图4所示。

从图4可以看出，本研究算法能够有效检测出苹果常见的各类缺陷，检测准确率最少为93%，高于其他算法，是一种非常有效的苹果缺陷无损检测方法，有利于苹果在线分级。

4结论

本研究采用混沌多宇宙算法进行苹果表面缺陷检测，Logistic映射对选中的单宇宙个体进行混沌优化，改进OTSU算法进行苹果缺陷区域目标分割。试验仿真显示，该算法对苹果表面缺陷检测效果清晰，各种缺陷检测准确率比较高，检测正确率最少为93%，为苹果缺陷智能检测提供了一种新方法。

参考文献：

[1]程荣花，马飞，石梦. 基于颜色特征的苹果表面质量检测系统设计与实现[J]. 辽宁农业科学，2014（3）：22-24.

[2]Leemans V，Destain M F. A real-time grading method of apples based on features extracted from defects[J]. Journal of Food Engineering，2004，61（1）：83-89.endprint

[3]马晓丹，刘刚，周薇，等. 基于量子遗传模糊神经网络的苹果果实识别[J]. 农业机械学报，2013，44（12）：227-232，251.

[4]Linker R，Cohen O，Naor A. Determination of the number of green apples in RGB images recorded in orchards[J]. Computers and Electronics in Agriculture，2012，81（1）：45-57.

[5]Keresztes J C，Goodarzi M，Saeys W. Real-time pixel based early apple bruise detection using short wave infrared hyperspectral imaging in combination with calibration and glare correction techniques[J]. Food Control，2016，66（1）：215-226.

[6]刘晓红，曲志坚，曹雁锋，等. 基于自适应机制的多宇宙并行量子衍生进化算法[J]. 计算机应用，2015，35（2）：369-373.

[7]Yu F，Li P，Gu K，et al. Research progress of multi-scroll chaotic oscillators based on current-mode devices[J]. Optik-International Journal for Light and Electron Optics，2016，127（13）：5486-5490.

[8]Zhu Q B，Guan J Y，Huang M，et al. Predicting bruise susceptibility of ‘Golden Delicious apples using hyperspectral scattering technique[J]. Postharvest Biology and Technology，2016，114（4）：86-94.

[9]Lu Y Z，Li R，Lu R F. Structured-illumination reflectance imaging （SIRI） for enhanced detection of fresh bruises in apples[J]. Postharvest Biology and Technology，2016，117（7）：89-93.

[10]Ferrari C，Foca G，Calvini R，et al. Fast exploration and classification of large hyperspectral image datasets for early bruise detection on apples[J]. Chemometrics and Intelligent Laboratory Systems，2015，146（8）：108-119.

[11]Zhang B H，Huang W Q，Gong L，et al. Computer vision detection of defective apples using automatic lightness correction and weighted RVM classifier[J]. Journal of Food Engineering，2015，146（2）：143-151.

[12]Li C Y，Heinemann P，Sherry R. Neural network and Bayesian network fusion models to fuse electronic nose and surface acoustic wave sensor data for apple defect detection[J]. Sensors and Actuators B-Chemical，2007，16（1）：301-310.

[13]張保华，黄文倩，李江波，等. 基于亮度校正和AdaBoost的苹果缺陷在线检测[J]. 农业机械学报，2014，45（6）：221-226.

[14]李江波. 脐橙表面缺陷的快速检测方法研究[D]. 杭州：浙江大学，2012.endprint