王　旭，　　赵志衡

(怀化学院 1.机械与光电物理学院；　2.武陵山片区生态农业智能控制技术湖南省重点实验室，湖南 怀化　418008)



基于机器视觉的柑橘分级技术研究

王旭1，2，赵志衡1

(怀化学院 1.机械与光电物理学院；2.武陵山片区生态农业智能控制技术湖南省重点实验室，湖南 怀化418008)

摘要：以麻阳柑橘为研究对象，设计了由工业相机、光源、双平面镜等构成的全表面图像采集试验箱.在图像预处理的基础上，完成了柑橘横径、果形、成熟度、缺陷的检测.由隶属函数和权重集，采用加权平均算子计算综合评判结果，以最大隶属度原则确定柑橘等级.试验结果表明，优等果、一等果、二等果和等外果的分级正确率分别为100%、88.9%、84.6%、100%，该方法可以为武陵山片区农业智能化提供一定的参考.

关键词：机器视觉；柑橘；分级；模糊

柑橘在武陵山片区具有广泛的种植分布，是片区重要的经济水果.长期以来，柑橘的检测分级依靠人工完成，劳动强度大，效率低，难以适应产业的发展.机器视觉具有检测精度高，信息丰富，无损检测等特点，已成为农产品检测分级技术的研究热点.如李景彬等利用机器视觉研究了干制红枣的自动分级[1]，弋伟国等通过提取枸杞的大小、形状、色泽信息，实现枸杞的无损检测分级[2]，姜沛宏利用机器视觉技术对肉品新鲜度分级方法进行了研究[3].此外，以马铃薯、番茄、哈密瓜、苹果等为对象的机器视觉无损检测也被广泛的研究[4-7].目前，机器视觉无损检测技术呈现蓬勃发展之势，但针对武陵山片区特优水果的研究尚未广泛开展，相关的方法和数据尚不完备.

本文以麻阳柑橘(以下简称柑橘)作为研究对象，根据我国鲜柑橘标准，以横径、成熟度、果形和缺陷作为分级依据，利用模糊理论探讨了一种基于机器视觉的分级方法.

1试验环境

1.1试验材料

试验用柑橘为武陵山片区特优品种麻阳柑橘，检测对象均来自怀化市某农贸市场，样本检测前经人工清洗并在自然条件下风干待测.

1.2分级依据

依据GB/T 12947-2008鲜柑橘国家标准，选取果实横径、果形、成熟度和缺陷4个特征量，将柑橘分为优等果、一等果、二等果和等外果4个等级(GB/T 12947-2008,鲜柑橘).

1.3机器视觉系统构成

试验中，光源采用采用北京大恒图像技术公司的LED漫反射环形光源LDR2-42SW2，发光颜色为白光，工业相机采用北京大恒图像技术公司的USB接口行曝光CMOS工业数字摄像机MER-310-12UC.本研究所采用的计算机为DELL 9020MT台式机，计算机系统为Win 7旗舰版，系统安装有数字图像处理软件Matlab 7.0.

1.4柑橘全表面图像采集

图1　试验箱结构示意图1-外壳　2-工业相机　3-环形光源　4-环形光源　5-平面镜　6-线缆　7-柑橘

水果的全表面图像应包括水果所有外表呈现在图像上的信息，该图像不应遗漏水果表面的图像.针对目前全表面图像获取存在的问题，本文设计了一种能够采集柑橘全表面图像的试验箱，其结构示意图如图1所示.

试验箱中，外壳部分可由金属钢板或其他材质构成，内表面采用漫反射黑色吸光物质覆盖.箱体左右两侧设有进料口和出料口，线缆采用高强度金属细杆构成.在箱体左右两侧内表面分别安装环形LED光源，为避免光源直射平面镜引起的图像质量下降，光源位置设有柔光罩.箱体下表面安装对称分布的双平面镜，相机位于箱体的正上方，完成柑橘全表面图像的采集.

2柑橘图像的预处理

本文在HSI颜色空间中，对柑橘图像进行预处理，处理的流程如图2所示.首先，将RGB颜色空间图像转换到HSI颜色空间中，对H分量图像进行高斯滤波，然后采用OTSU法分割柑橘区域.在分割结果中，存在误分割区域，根据误分割区域面积小于柑橘区域的特性，采用面积阈值剔除误分割区域，最终将分割结果恢复到RGB颜色空间.

图2　柑橘图像预处理

3柑橘的特征量检测

3.1柑橘横径的检测

通过求取柑橘上表面图像最小外接矩形的方法计算柑橘的最大横径，检测结果如图3所示.

图3　柑橘最小外接矩形

柑橘的横径以顶点A、B的欧氏距离表示，要描述柑橘实际大小，需要乘以一比例系数K.通过多次试验，本文采用的比例系数为K=0.0222.

3.2柑橘成熟度的检测

根据柑橘成熟过程中表皮颜色的变化规律，随着柑橘的逐渐成熟，其表皮颜色将由绿色逐渐过渡成为黄色，可溶性固形物和固酸比也相应提高.成熟度越高的柑橘，其表皮中黄色部分所占比例越大，相反，成熟度越低的柑橘表皮中绿色部分所占的比例越大[8].因此，本文根据果皮颜色中黄色所占比例判断柑橘成熟程度.

图像中像素f(i,j)的颜色特点可以表示为

在柑橘图像中，fb值并不为零，表皮颜色受B分量的影响.分析B分量图像可以发现，在柑橘表面区域，B分量值很小，接近于0.因此，忽略B分量不会对柑橘分级准确率造成实质影响，后继的试验结果也证实了这一点.分别计算柑橘左、中、右侧面图像中黄色像素所占的比例，并取最小值作为成熟度的检测结果.

3.3柑橘果形的检测

柑橘呈类球形，因此，可以用圆形度描述柑橘果形.圆形度的计算公式为

式中，S为图形面积，C为图形周长.

在横径检测中获得的柑橘边缘图像中，令每一像素所表示的距离为1，若

(1)位于原边缘像素四邻域内的相邻边缘像素数量为n1；

(2)位于原边缘像素四邻域外、八邻域内的相邻边缘像素数量为n2；

则柑橘周长可以表示为

柑橘区域面积S利用统计柑橘区域的像素数目进行计算，即计算二值图像中“1”的数量.

3.4柑橘缺陷的检测

柑橘近似为球体，难以实现表面照明的绝对均匀.在灰度图像中，柑橘的四周亮度要低于中央的亮度，而在阈值分割过程中，低灰度区域会被误判为缺陷区域.

李江波等验证了一种照度不均匀图像的校正方法，取得了较好的效果.该方法根据照度-反射模型，采用低通滤波提取图像的照度分量，将原图像与照度图像相除实现亮度校正[9].对亮度校正后的柑橘图像进行阈值分割，可以较完整的分割出柑橘表面的缺陷区域.

图4　柑橘缺陷检测

4柑橘的模糊分级

4.1隶属函数的确定

根据鲜柑橘国家标准，果面存在缺陷的柑橘直接被定为等外果，因此在柑橘的模糊分级中仅选取横径、果形和成熟度作为特征量.

由检测结果可知，三者的检测指标均位于实数集上，因此，可以结合典型分布确定其隶属函数.以横径为例，其对一等果、二等果的隶属度符合正态分布，文中以正态函数构造隶属函数；对优等果的隶属度符合戒下型分布，对等外果的隶属度符合戒上型分布，文中以指数函数构造隶属函数.

(1)柑橘横径隶属函数

(2)柑橘果形隶属函数

(3)柑橘成熟度隶属函数

4.2权重集的确定

随机选取137人作为调查对象，评判在挑选柑橘时最看重的特征量.问卷调查采用单选的形式，被调查者只能在横径、成熟度和果形中选择一项，调查结果如表1所示.

表1　权重集调查结果

根据调查结果，文中权重集为

4.3试验结果与分析

在样本中随机选取一个无缺陷的柑橘，检测得到该柑橘横径7.29 cm，成熟度为0.99，果形圆形度为0.88，计算得其隶属度矩阵为

采用加权平均模型，由权重集计算得到该柑橘的综合评判结果为

B=[0.42250.55130.07870.0001]

由最大隶属度原则可以确定，该柑橘属于一等果.

对50个样本进行检测，并与人工分级进行对比，结果如表2所示.

表2　多样本检测结果

试验结果表明，利用模糊理论对柑橘进行分级检测，总体上精确度较高.其中，优等果和等外果的分级与人工分级的一致率为100%，在一等果和二等果的分级结果中，与人工分级存在不一致情况.对不一致样本进行分析，发现两枚柑橘的果皮颜色中，黄色和绿色比例较为接近，通过肉眼难以精确判断，人工分级将其分为二等果.在机器分级中，计算得到两枚柑橘果面黄色像素所占比例分别为54.73%和52.32%，二者对一等果的隶属度分别为0.51、0.58，对二等果的隶属度分别为0.42、0.37，根据最大隶属度原则，将其分为一等果.

综上所述，本文以全表面图像为基础，利用模糊理论对柑橘进行检测分级处理，分级准确度较高，对推动武陵山片区农业智能化和信息化具有较高的参考价值.

参考文献：

[1]李景彬,邓向武,坎杂，等.基于机器视觉的干制红枣大小分级方法研究[J].农机化研究,2014(2):55-59.

[2]弋伟国,张冬,何建国，等.基于机器视觉的枸杞检测分级系统[J].中国农机化学报,2015(4):100-105.

[3]姜沛宏,张玉华,钱乃余,张长峰,陈东杰.基于机器视觉技术的肉新鲜度分级方法研究[J].食品科技,2015(3):296:300.

[4]邓立苗,杜宏伟,徐艳，等.基于机器视觉的马铃薯智能分选方法与实现[J].中国农机化学报,2015(5):145-150.

[5]于桓.基于机器视觉的番茄颜色分级检测研究[J].机电技术,2015(4):75-77.

[6]虞飞宇,郭俊先,胡光辉，等.哈密瓜分级系统上位机软件功能的实现[J].农机化研究,2015(3):215-218.

[7]吴晓强,黄云战,赵永杰.基于运动控制器的苹果质量分级系统[J].食品与机械,2015(5):114-116.

[8]应义斌,饶秀勤,马俊福.柑橘成熟度机器视觉无损检测方法研究[J].农业工程学报,2004(2):144-147.

[9]李江波,饶秀勤,应义斌.水果表面亮度不均校正及单阈值缺陷提取研究[J].农业机械学报,2011(8):159-163.

Research on the Classification Technology of Citrus Based on Machine Vision

WANG Xu1，2,ZHAO Zhi-heng1

(1.CollegeofMechanicalEngineering,OptoelectronicsandPhysics；2.TheKeyLaboratoryofIntelligentControlofEcologicalAgricultureinWulingMountainArea，HuaihuaUniversity,Huaihua,Hunan418008)

Abstract：In this paper,a visual detection system for full surface image was built,which is composed of an industrial camera,a light source and two plane mirrors.The feature of Mayang citrus,such as transverse diameter,shape,maturity and defects was extracted based on image processing.By the membership function and weight set,the comprehensive result was computed by using weighted average operators,finally,the citrus grading can be obtained on the base of max subordination principle.The experimental results showed that the classification accuracy for the high-class,the first-class,the second-class and substandard citrus is 100%,88.9%,84.6% and 100%,respectively.This method can provide certain reference for the intelligent agriculture in Wuling mountain area.

Key words：machine vision；citrus；classification；fuzzy

收稿日期：2016-03-17

基金项目：湖南省教育厅项目(15C1092)；武陵山片区生态农业智能控制技术湖南省重点实验室项目(ZNKZ2015-3)；怀化学院大学生研究性学习和创新性实验计划项目(2015).

作者简介：王旭，1984年生，男，辽宁铁岭人，实验师，研究方向：机器视觉与图像处理；

中图分类号：O439

文献标识码：A

文章编号：1671-9743(2016)05-0060-04

赵志衡，1994年生，男，内蒙古赤峰人，2012级光信息科学与技术专业本科生.