基于机器视觉和近红外光谱的壶瓶枣无损检测

薛建新，孙海霞，周靖博，张淑娟

（山西农业大学 工学院，山西 太谷030801）

壶瓶枣是山西十大名枣之一，以其果大、皮薄、肉厚、味美和极具滋补功能而享誉神州，且有极其丰富的营养价值和药用价值［1］，每100g鲜枣中含可溶性固形物含量37%，含糖量30．35%，含酸量0．57%，含 VC 491．3mg，壶瓶枣制干后，肉质细腻，久贮不干，制干率57．2%，干枣含糖量71．4%，是红枣中的上品［2］。

目前，国内对壶瓶枣品质的检测主要依靠肉眼进行判别，结果经常受到个人经验、习惯、偏好等主观因素的影响，而且存在有精度低、视觉易疲劳、检测速度慢等缺陷。因此，需要开发一种快速、无损、精确检测壶瓶枣品质的方法［3］。

机器视觉是以计算机视觉为基础来智能代替人眼视觉的智能识别系统，具有检测精度高、信息量大、处理速度快、功能全等优点。计算机视觉技术在农产品品质检测与分级领域得到了广泛的应用研究，包括尺寸与面积检测、表面缺陷及损伤的检测等［4～6］。

近红外光谱技术可充分利用全谱段或多波长下的光谱数据进行定性或定量分析，能够反映有机分子中基团的特征振动信息，其光谱特性与有机物质的类型和含量密切相关。由于其具有效率高、成本低、速度快、测试重现性好、测量方便等优点，已被越来越多地应用于食品工业、石油化工、制药工业等领域［7］。

因此，本研究尝试利用机器视觉技术结合近红外光谱技术快速无损地检测壶瓶枣的品质。首先运用机器视觉技术对壶瓶枣投影面的最小外接矩形面积进行检测，实现了壶瓶枣外部品质的快速无损检测。然后运用近红外光谱技术无损检测壶瓶枣可溶性固形物含量，分别采用PLS、PCR和LSSVM建立壶瓶枣糖度的近红外光谱模型并进行比较，获得一种最优的建模方式。

1 试验材料及装置

1．1 实验材料

180个壶瓶枣样品采自山西省太谷县，采后当天运达实验室。在相同的储藏条件下对果实进行筛选，以保证果实试验前的成熟度及物性初始状态相对一致，降低果实之间个体差异对试验结果的影响。

1．2 试验装置

1．2．1 基于机器视觉的图像采集装置

机器视觉系统的硬件组成如图1所示，主要由计算机、图像采集卡、数字彩色摄像机、荧光灯光源、遮光板、光照箱、样品保持器等组成。计算机配置为1．7GHz CPU、512MB内存和40GB硬盘。计算机中内置大恒公司的DH－CG300彩色图像采集卡，分辨率为512×512像素。CCD摄像机选用SONY DCR－TRV75E 数码摄录一体机，解像度320×240像素，帧频率为30帧·s－1；镜头采用组合电动变焦镜头，焦距4．5～45mm。光源为2只220V／100W白炽灯。用MATLAB软件对获取图像进行分析提取［8］。

图1 图像采集系统示意图Fig．1 Image acquisition system

1．2．2 基于近红外的光谱采集装置

光谱仪使用美国 ASD（Analytical Spectral Device）公司的Field Spec 3型光谱仪［9］，光谱采集条件：采用漫反射方式进行样品光谱采样，数据间隔1nm，采样范围为350～2500nm，扫描次数30次，分辨率3．5nm，探头视场角10°。光谱数据以ASCII码形式导出进行处理，分析软件为 ASD View Spec Pro V5．0，Unscramble V9．7和 MATLAB7．0。图2为180个壶瓶枣样本反射率的近红外可见光谱曲线。

图2 红枣的可见—近红外光谱曲线Fig．2 Visible－Near infrared reflectance spectroscopy of Jujube

2 基于机器视觉的壶瓶枣外部品质的检测

2．1 图像的获取与预处理

2．1．1 图像的获取

本次研究的壶瓶枣图像采集装置使用上述机器视觉实验台获取，为了增强背景和目标水果的反差，实验采用白色作为背景来获取红枣的图像。

2．1．2 图像预处理方式［10］

（1）二值化处理

把彩色图像转换为灰度图像，并对灰度图像采用Otsu＇s阈值进行二值化处理，使图像中的对象特征突出，保留较多的有用信息，便于后续的特征量提取。

（2）边缘提取

边缘提取的目的是提取壶瓶枣和背景的分界线以保留鲜枣外形轮廓。本文采用Sobel算子提取二值化处理后的图像边缘，结果如图3。

2．2 壶瓶枣图像面积的提取

为了适应在线随机状态下壶瓶枣的果径测量，使用壶瓶枣的最小外接矩形［11］（MER，Minimum enclosing rectangle）表示壶瓶枣的大小径。最小外接矩形的长即为壶瓶枣的长径，短边即为枣的短径，由此确定壶瓶枣投影面外接矩形的面积。根据图像面积的大小作为壶瓶枣外部品质的分级标准。

图3 壶瓶枣边缘提取图像Fig．3 The image of extraction edge of the Huping Jujube

3 基于近红外光谱检测技术的壶瓶枣糖度的检测

3．1 可溶性固形物含量的测定

精选180个山西省太谷县壶瓶枣样品，随机选取148个样本作为校正集，其余32个样本作为预测集。使用WYT－II手持糖度折射仪测量样本的可溶性固形物含量值。壶瓶枣样本的可溶性固形物含量值见表1。

表1 180个样本红枣的可溶性固形物含量统计表Table 1 Statistics of soluble solids content in Jujube samples

3．2 光谱预处理

多元散射校正（MSC）是经过散射校正后得到的光谱数据，可以有效地消除散射影响，增强与成分含量相关的光谱吸收信息。因此，本文选择MSC为壶瓶枣光谱数据的最佳预处理方式。

3．3 回归模型建立

对全波长光谱数据分别运用偏最小二乘法（PLS）、主成分回归（PCR）和偏最小二成支持向量机（LS－SVM）分别对壶瓶枣糖分含量进行建模，结果如表2所示。

表2 壶瓶枣不同可溶性固形物校正模型的比较Table 2 The results of different model of soluble solid content

通过比较得知，LS－SVM模型获得了最优的预测结果，该预测集的相关系数和均方根误差分别为0．9901和0．328，获得了满意的预测精度。

4 结论

通过图像处理技术结合最小外接矩形法求得图像的像素点个数，进而得到壶瓶枣投影面的面积，由此可对壶瓶枣进行外部形状及大小的分级。说明了使用机器视觉技术能对壶瓶枣的外部品质进行检验和预测。

使用MSC法对壶瓶枣近红外光谱进行预处理后，对PLS、PCR、LS－SVM所建模型进行比较表明，使用LS－SVM模型建立的模型能准确的预测壶瓶枣的可溶性固形物含量值，相关系数和均方根误差分别为0．9901和0．328。说明利用近红外光谱技术结合LS－SVM法能够快速无损地检测壶瓶枣的可溶性固形物含量，以便对壶瓶枣内部品质进行评判和预测。

［1］樊军，吕磊，尚宏伟．大枣的研究与开发进展［J］．食品科学，2003（4）：161－163．

［2］程功，自炎晶，赵玉英．枣属植物化学成分及药理活性研究概况［J］．国外医药——植物药分册，1999，14（4）：151－157．

［3］黄星奕，钱媚，徐福斌．基于机器视觉和近红外光谱技术的杏干品质无损检测［J］．农业工程学报，2012，28（7）：260－265．

［4］应义斌，饶秀琴，赵匀，等．机器视觉技术在农产品品质自动识别中的应用研究进展［J］．农业工程学报，2000，16（3）：4－8．

［5］段峰，王耀南，雷晓峰，等．机器视觉技术机器应用综述［J］．自动化博览，2002，19（3）：59－61．

［6］毛鹏军，杜东亮，贺智涛，等．农产品视觉检测与分级的研究现状与发展趋势［J］．河南科技大学学报：自然科学版，2006，27（4）：76－79．

［7］张银桥，赵博，王辉，等．农产品近红外光谱分析系统综述［J］．农机化研究，2010，32（5）：224－227．

［8］秦襄培．MATLAB图像处理与界面编程宝典［M］．北京：电子工业出版社，2009：454－458．

［9］陆婉珍，袁洪福，徐广通，等．现代近红外光谱分析技术［M］．北京：中国石油化工出版社，2000：10－12．

［10］黎静，薛龙，刘木华，等．基于计算机视觉的脐橙分级系统研究［J］．江西农业大学学报，2006，28（2）：304－307．

［11］应义斌，成芳，马俊福．基于最小矩形法的柑桔横径实时监测方法研究［J］．生物数学学报，2004，19（3）：352－356．