基于MATLAB机器视觉技术的水果分级研究进展

基于计算机视觉技术的水果分级研究进展

摘 是的；基于计算机视觉技术，全面介绍了国内外水果外观质量的单指标分类、多指标综合分类和 水果内部质量检测分级的研究现状和方法指出，现有研究对象单一，图像采集不全面，图像无处不在 主要问题是理算法少、精度低。同时，提出了未来水果分类的发展方向，认为水果内外品质融合 合的体化分级技术是未来的发展趋势。

关键词:计算机应用；计算机视觉；综述；水果；内外品质；图像处理；分级；

0引言

自1993年以来，中国一直是世界水果生产大国。 水果总产量居世界第一。据农业部预测统计， 2006年，中国水果产量和果园面积继续增长 果园面积突破lOOOOkhm2.水果总产量近1.7万 万t⑴，然而，中国水果在国际市场上的竞争力很弱 2005年和2006年，口水果数量占总产量的一小部分 2000年新鲜冷冻水果出口万t左右，香港市 例如，中国出口柑橘的数量占香港市场的2/3，但 我国收汇仅占1/3，单价仅为其他国家的1/4。提 我国水果在国际市场的竞争力得到加强 关键。发达国家的经验告诉我们，大部分水果产值 分是由采后处理和加工创造的⑵。在美国、欧 洲以及澳大利亚等国家，除了在收获季节随摘随卖 除少量水果外，绝大多数水果必须采后处理 程序，否则不能成为商品⑴。目前，我国水果采后 水果总量不到5%，采后腐果率高达25% 以上。由此可见，我国水果产业甚至水果采后处理 整个农业的重要性。

水果外部质量分级现状

水果智能分级技术涉及计算机，CCD技术、模 数字图像处理、光学、数学、数学形态学 自动化、人工智能、视觉学、心理学、脑科学等 多学科⑴。全球有企业从事计算机视觉产品的生产 数百个产品包括相机、电源、传感器、镜头、图像 图像处理器和软件句等°有一家知名企业：DALSA coreco, Siemens, SICK, National Instrument, Edmund Optics Inc, Hamamatsu Photonic Systems, Basler Vision Technologies 和 Cognex 等⑸。生 还有许多智能水果分级设备，Mitsubishi Corporation 俄勒冈州生产水果成熟度分级机 Alle Electronics Corporation 生产"Inspect- tronicH 装置，美国 Autoline Corporation 生产 Model 4至Model 8系列分级设备。我国浙江、 江苏和台湾也生产分级设备。我国浙江、 江苏和台湾也生产分级设备。基于计算机视觉技术 根据水果的大小、形状、 外部质量特征，如颜色和表面缺陷，如单一指标 分类和多指标综合分类。

1.基于计算机视觉技术的水果单指标分级

1.1.水果大小分类

水果大小是水果等级的主要依据之一 不可缺少的重要指标。Dabenel A等( 1988 )⑹利 用机器视觉技术深入研究苹果的大小和碰伤分级 但分级正确率仅为69%。国内水果智能分 这一级别的研究已经持续了近10年，因为它很好地借鉴了国外的领导 该领域的研究成果发展迅速。应义斌( 2000 )⑺ 去除果梗，完成边缘提取和细化的水果图像 通过曲线积分和离散，寻求水果形心坐标，然后建立黄色 实际最大横径与预测最大横径之间的线性回归 相关系数为0.96。冯斌等(2003 )修通 过水果图像的边缘像素求水果形心，取半形心 水果轴向是径序列中最小值的方向，轴向宽度为4 分，3等分点垂直于轴向的果径，最大值为 水果大小的特征值。试验结果表明，轴向检测正确 率达94.4%的绝对测量误差是水果对测量误差是 3倾。饶秀勤等..(2003 )⑼分析了水果的实际尺寸和测量 值的半径误差是由于成像时光不能从水果中最大化 大截面通过。应义斌等(2004) "'J研究了一 利用柑橘的最小外部矩形，寻求柑橘最大横径的方形 法。实验表明，实际最大横径与预测最大横径之间的相位 关性为0. 9982。章程辉等（2006 ）血液通过形态学 可见光图像检测红壬丹尺寸，测试结果和人工测试 量结果之间长轴的平均误差为7.3%，短轴平均误差 差为8.5%；用X射线图像检测红毛丹的大小，长轴 平均误差为3.4%，短轴平均误差为2. 7%。

1.1.2.水果形状分类

水果的形状因生长环境因素而异， 不同种类的水果形状也多种多样。目前描述水果 形状的方法有很多，包括编码法、统计法、几何结构 法和光谱法等。虽然边界编码法可以准确描述水 水果的形状，但数据量大，压缩困难。动差、弯 虽然曲能、最大直径和差异等统计方法有效 高速率，但描述不规则形状的水果精度低，使用 边界半径和傅立叶的变化描述了水果的形状，而不是 精度高，速度快。

Pavlids T （ 1982 ）'⑵提出了结构分析和外部分析 两种形状识别模式：形状轮廓曲线检测。Varghese 2 （ 1991 ）'⑶利用计算机视觉技术对苹果进行果实 在形状判别研究中，苹果的果梗和花萼轴在试验中被人为地使用 定向，采集苹果不同角度的5帧图像，用矩法划分 分析苹果图像，但苹果形状的准确性和旋转角度 有关。Ding K 和 S. Gunasekaran（1994）""通过比较 被测苹果和无损普通苹果建立了苹果形状 提取状特征的方法0 Heinemann P. H等（1994）'15] 提出了三阶矩Golden Delicions"苹果形 状分类器。Leemans V（I995）l，fi]圆度系统应用， 描述矩形率、矩形、惯性主轴、偏心率、矩不变因子等 它描述了果形的性能，结果表明基于传统区域的信 利息(如惯性主轴、矩(如惯性主轴、矩等) 低度意味着对苹果的旋转和位移过于敏感和适应 性较差。Ingrid Paulus等(1999)研究表明，苹果 前12个正弦值和12个正弦值可以由傅立叶改变 表达个余弦值，相关性超过0.98o Singh N等提出 了用离心率来衡量苹果形状的好坏，通过计算机视 感觉系统为每个苹果收集3帧图像，然后分别找到每个苹果 苹果在图像中的离心率，然后以最大值为例 苹果的形状指标。而Kuhn等等 大尺寸与最小尺寸的比值指标检测形状。而Kuhn等等 大尺寸与最小尺寸的比值指标检测形状。.

应义M （ 2001年研究水果分级时傅立 叶描述子前四个增波分量的变化特性可以更好 用前15个谐波分量来描述水果的形状 傅立叶描述子高的精度，傅立叶描述子可以平移， 旋转和收缩具有很强的水果形状重建功能。赵静 等（2001 ）3在综合分析果实形状的基础上，提出 半径指标、连续性指标、曲率指标、半径指标 曲率指标的对称性、连续性和对称性 6个特征参数表示果形，结果表示计算机视觉和 平均人工分级一致率在93%以上。沈明霞等 (2003)州用傅立叶描述子提取苹果的形状特征， 使用遗传算法和BP苹果形算法结合算法 试验结果表明，该方法的正确率超过80%。 高华等（2004）"提出采用傅立叶半径描述子 描述和分类农产品图像轮廓的方法 利用半径描述子计算图像区域面积及利用欧几里德 确定边界相似度的方法。林开颜等（2005 ）物 提出了基于傅立叶变换的水果形状分类方法 边界跟踪算法检测图像边缘，获得水果轮廓半 将傅立叶变换为离散的径序列，最后使用傅立叶系数 定义分类器，根据给定的分类菅值对水果形状进行定义 分类。黄星奕等（ 2006 ）提出了实时在线检查 用几何法测量苹果形状的计算方法来确定苹果的近似度 测量值与实际值之间的横径和纵径线性回归 测试结果表明，测量值与真实值的吻合率大于9Q%。

1.1.3.水果颜色分类

颜色是衡量水果外部质量的重要指标 优质水果一般具有着色好、均匀的特点 水果的颜色也间接反映了水果的成熟度和内在品质， 国内外学者在水果颜色检测和分级方面做了很大的工作 量研究。TaoY（1995）"报道，HIS颜色系统用于颜色 色调测量和图像处理效果好，用色调直方图表示 多变量识别技术用于检测土豆和苹果的颜色特征 分级正确率在90%以上。Kazuhiro Nakano (1997)[25；苹果颜色采用二级神经网络进入； 行色分级。其中，基于像素颜色的一级神经网络 将每个苹果表面的像素分为五类，二级神经网络 根据整个果面的颜色状况和一级神经网络的输出 将苹果分为六个层次，将苹果面沿花萼和花萼 果梗方向分区处理，解决了苹果面曲率 不同反射梯度引起的问题。李庆中等 （ 2000 ）皿通过将RGB模型转换为HIS颜色模型形 将苹果的色度图像等分成不同区间的频率 使用遗传算法作为苹果颜色的特征参数 现多层前馈神经网络识别器的学习设计，从而实现 实时分级苹果颜色。试验结果表明，颜色分级识别 别率在9。150%以上的苹果分级mso冯 斌等（2002 ） [27J考虑各种度点的累积和空间分布 性，以水果表面各色度分布的分形维数为特征 通过神经网络分类器进行分级，分级正确率达到 95知 应义斌等(2004) [283通过6个位置和3个大位置 分析了19种不同表面颜色的标准实验球体图像 发现球体图像的颜色失真主要是颜色亮度失真， 并建立了摄像视区中心球体图像的亮度校正模型， 其相关系数为0. 846。章文英等（2005 ）'盅通过1931 用像素点变换法恢复苹果的二维投影图像 重新计算像素点面积中的真实几何信息 苹果的着色面积。章文英等（2005 ）'盅通过1931 用像素点变换法恢复苹果的二维投影图像 重新计算像素点面积中的真实几何信息 苹果的着色面积。谢志勇等（2006）"提岀了一种 只需加减运算RGB草莓图像的颜色模型 分割算法的分割效率大于85%。

1.1.4.检测水果表面缺陷

果实表面缺陷和损伤对水果内外影响很大 品质，且是水果分级中的一大难题。Rehkugler等 （.1985）⑶研究利用机器视觉压迫苹果表面 根据美国苹果的标准进行测试和分级，但分级精度 不高。Yang（ 1994年，阿提出用洪水算法分离块状 缺陷、花萼和果梗的图像方法。随后Yang （ 1995 ） '关提出了蛇形算法对封闭式缺陷实施分离，二者均 噪声通过中值滤波和高斯滤波降低，并通过阈值法进行划分 离开各种缺陷。Leemans等（ 1998年肛门寻求整个苹果表 如果面色度平均值与每个像素色度值的方差或方差， 如果差超过极限值，则认为该像素为缺陷，并通过二次 提高检测精度。Tao等s g提球体灰度变化 方法是用单阈值分割水果表面的缺陷，解决问题 水果图像的灰度值高于边缘正常 部分灰度值不能一次分割。该方法以带为基础 计算出与原始图像对应的反向无缺陷的原始图像 图像由两者相加变换，消除物体 空间形状对图像灰度值的影响只保留了水果的缺乏 由于反射系数不同，陷与正常部分之间产生的灰 因此，可以利用单菅值进行分割。但计算与 原始图像对应的反向无缺陷像复杂，费时。应义斌 等（1999 ）网提出用红、绿、蓝色彩分量在坏损与 坏损处的突变，求出可疑点，再经区域增长定出 整个受损面，试验表明该算法是精确的。李庆中等 （2000 ）關提出了双金字塔数据形式的盒维数快速 计算方法，对于待识别水果图像的可疑缺陷识别， 其准确率93%。何东健等（2001）如改进活动边界 模型，并用插值算法准确检测苹果封闭缺陷边界。 冯斌等（2002 ）网充分利用苹果空间形状对灰度的 影响特征，采用了傅立叶变换确定灰度线形状，成 功地对果梗、花萼.和缺陷进行了识别，正确率髙于 90%o刘禾等（2004）叼利用二叉树将苹果表面缺 陷分类分解为多级的二类模式分类问题，并结合神 经网络分类器将苹果表面缺陷分类。書星奕等 （2004 ）'關提出基于HIS颜色模型下亮度I的分布 特性后，再提取区域纹理特征，结合神经网络分类 器，区分果梗与飮陷。试验结果表明，该算法准确 率接近90%°

1.2基于计算机视觉技术的水果多指标综合分级

水果准确快速分级难度很大，这与水果的各生 长环境下表现出的形态有关。多指标综合分级技术 是依据水果外观指标中形状、大小、颜色及其表面 缺陷的指标组合进行的。1988年，Dabenel A等人 利用机器视觉技术进行苹果大小和碰伤分级的深入 研究，但分级正确率不高。Tao （ 1995）研制了 Merling高速高频机器视觉水果分级系统，论述了 该系统所涉及到的各种技术环节，包括频谱增强、 彩色图像分析、噪声过滤与变换等技术，提出了具 体的设计要求，该机的生产能力为44t/h,可用于 苹果、柑橘、桃子、西红柿及其它水果的分级。张 书慧等（1999） “针对苹果、桃的颜色、形状、表 面缺陷等特征，开发了对其综合外观品质进行检测 的图像处理系统，并建立了农副产品图像数据库， 用此系统对100个苹果进行分级，优质果准确率达 96%。应义斌（2000 ）的在建立图像中的点与被测 物体上的点之间的定量关系的基础上，提出了利用 物体的边界信息求出物体的形心坐标的方法，进而 利用机器视觉技术精确检测水果尺寸和表面缺陷面 积，检测精确度达96%0籍保平（2000）网设计了 计算机视觉苹果分级系统，可对苹果的缺陷、色泽、 尺寸和形状进行全面地检测°龙满生（2001） 建 立了基于遗传神经网络的综合分级系统，涉及到苹 果的形状、颜色和缺陷3个特征参数，正确识别率 90.8%o包晓安等（ 2004 ）总以富士苹果为研究对 象，提出了用计算机图像处理以及与改进的学习向 量量化神经网络融合的一个苹果等级判别系统，从 苹果的色泽、果形指数以及质量3个方面综合对苹 果等级进行评判，识别正确率88.9%。2004年，通 过电耦合摄像头从苹果的色泽、横径和果形指数3, 个方面采集数据；包晓安采用改的学习向量量化 网络对苹果评判，正确率有所提高'噸。杨东平等 （ 2005）旳建立了一种基于数字信息处理器为核心 的苹果检测方法，从数字图像中提取苹果形状、尺 寸、颜色和缺陷信息与标准比较，确定每个苹果质 量等级。黎静等（2006）回研究了基于计算机的脐 橙分级系统，先对图像分割出背景、脐橙本体和表 面缺陷，再根据脐橙的分级标准，提取出果实横向 横径、表面缺陷特征参数，采用径向基神经网络对 脐橙样本进行等级识别。

2水果内部品质分级现状

水果内部品质无损伤检测技术是对成熟度不一致的水果进行椎确分级的关键，利用计算机视觉 技术实现水果内外品质无损伤检测与分级是目前国 际上正在研究的热点。Miller B K等(1989 )物 研制了一套检测和分级新鲜市售桃的彩色计算机视 觉系统，采集桃的数字图像，将桃的实际颜色与不 同成熟度桃的标准颜色比较，从而确定桃的成熟度。 结果表明，计算机视觉成熟度的检测结果与人工检 测的结果吻合度为54%,计算机视觉检测的表面着 色面积与人工检测的着色面积的相关系数为0. 920 Throop J A等(1989 )啊的研究表明利用计算机视 觉通过检测平均灰度来确定可见光在苹果中的透射 能力，可以100%地测量苹果中是否有水芯存在，但 无法确定水芯的严重程度。国内水果内在品质的研 究处于起步阶段。应义斌( 2004 )"以表面色泽与 固酸比(柑橘中可溶性固形物与总酸的比值)为柑橘 成熟度指标，建立了用于柑橘成熟度检测的计算机 视觉系统，对72枚柑橘样本进行了试验，柑橘成熟 度的判别准确率达到9L67%。2006年，应义斌提出 了用与各个色度对应的像素在图像中出现的频度构 成的频度序列描述图像的颜色信息的新方法，并利 用人工神经网络方法建立了根据柑橘图像的色度频 度序列判断柑橘成熟度的映射器，对252枚成熟和 未成熟的尾强系柑橘进行检验，判断正确率分别为 79. 1%和63.6%,总的判断正确率为77. 8%响。

3结论与展望

1. 研究分级的水果品种较单一，主要集中在 外形呈仿球形的水果方面，以苹果、柑橘等水果研 究较务，其他水果检测与分级研究较少，所研究的 水果种类面要拓宽。
2. '在水果分级及检测中，目前绝大多数研究 的对象是静态水果个体；而分级作业中，生产线上 采集的图像是水果动态图像序列，许多静态图像的 算法不能适应动态图像序列的特征提取。
3. 在水果图像采集过程中，如何全方位采集 到水果整个表面的信息，需进一步研究，包括水果 输送及翻转机构、光箱及位置、釆样协调关系等期 待新的设计。在水果图像采集数量上，由单果图像 采集过渡到多果群体图像的采集。
4. 数字图像处理算法不多，精度不高，要产

生新的泛化能力强、精度高、计算量少、速度快的 算法，并由单个水果图像单指标的串行算法过渡到 多个水果多指标并行算法。 "

1. 水果内部品质也是分级的重要指标’国内 在这方面的研究才起步，形成内外品质相结合的既 有外观指标评定又有内部糖度、酸度等成熟度指标 判别的综合分级技术’但实现内外品质分级一体化 还有一段距离，这将是以后的研究方向。
2. 在水果分级设备方面，开发有广谱适应性 和专用性的分级设备，并集成水果采后处理及包装 工序，形成分级机标准化、系列化产品。.

参考文献：

1. 农业部.2006年水果市场形势分析[EB/0L1.2007- 02-09, http://www, agri. gov. cn/xxfb/120070209 -772247.htm.
2. 张方明，应义斌,水果分级机器人关键技术的研究 和发展[J]-机器人技术与应用,2014,91 (1) :33- 37.
3. 赵启明.水果分级保鲜处理成套设备[J].农产品加■ ,2013,14(8):35-36.
4. Wen Z,Tao Y.Dual-camera NIR/MIR imaging for stem一end/calyx identification in apple defect sortingtJ], Transaction of ASAE,2012, 43 (2): 446-452.
5. 葛云涛，朱 平.2006年参展“美国机器视觉展” 有感[J] ,电子元器件应用,2006(8) : 1526.
6. Davenel A, Guizard C H. Automatic Detection of Surface Defection Fruit by using a Vision System[J].Journal of Agricultural Engineering Research,2012, 41:1-9.
7. 应义斌.水果尺寸和面祯的机器视觉检测方法研究 [J],浙江大学学报，2010, 26(3) :229-232.
8. 冯斌，汪懋华.基于计算机视觉的水果大小检测 方法[J].农业机械学报，2013, 34(1):73-花.

〔9】 饶秀勤，应义斌，基于机器视觉的水果尺寸检测误 差分析[J].农业工程学报，2003,19(1):121-123.应义斌，成 芳，马俊福.基于最小矩形法的柑桔横寇实时检测方法[J].生物数学学毯，2014,19 (3):352-356.