基于图像边缘检测的红枣分级方法

王 慧

(中国石油管道局工程有限公司管道学院，河北 廊坊 065000)

0 引言

红枣属于鼠李科枣属，含糖量极高，营养丰富，具有较高的食用价值。成熟的红枣可以作为鲜果食用，在产量较大的地区则晾成干枣后运输和食用。红枣的加工方式多样，包括将干枣包装，以及制成果脯和蜜枣等。红枣发源于我国，也是我国独具特色的水果，比较受消费者欢迎。作为红枣的唯一出口国，近年来我国种植的红枣种类日益增加，产量和销售量也保持上升趋势。目前，我国红枣年产量超过800万t，种植规模和产量占世界总量的95%[1]。新疆是红枣产量最高的省份，该地区红枣种类丰富，部分优质品种的含糖量高达到34%，已经成为当地农业经济的重要组成部分。

受产地消费能力和自身特性的限制，红枣大多以干枣的形式运输、储藏、加工和销售。一直以来，我国农产品的加工程度和技术水平不高，高附加值产品较少。红枣产业也面临着这一问题，对我国红枣在国际市场的竞争力和产业经济效益都造成了影响。因此，提高生产与消费之间各环节的技术水平，对于我国红枣产业的发展具有重要的推动作用。

分级是对果实按照大小、形状、颜色或表面缺陷等外部性状进行检测，再根据相应的标准把品质近似的果实划分为相同等级，是水果进入市场销售前的重要处理环节。通过分级可以使各等级的水果按照相应的价格销售，以供消费者选择，对经济效益也有一定提升作用。我国红枣产业总量庞大，若完全实现品质分级，则能够极大地提高销售收入。红枣的传统分级方法是人工目测观察，或利用选果板等辅助工具依据经验评价品质。该方法简单易行，无需复杂的仪器设备，可以根据具体要求评价各种外观性状[2]。传统方法劳动强度大，无法保持较高的准确性和效率。另外，近年来随着人口年龄结构的变化，劳动力减少，该方法不再具有以往的成本优势。

科技进步催生出各种红枣的自动分级系统和方法，主要包括自动机械系统、光电系统和计算机视觉方法，它们大多以红枣尺寸大小为指标进行分级。自动机械系统在结构上具有间隙，操作时根据红枣的大小阈值调整间隙的宽度；红枣通过机械时，在离心力或重力下从小到大依次通过对应大小的间隙，最终得到分离。红枣自动分级机械按照分级的核心部件可以分为带式、滚筒式和滚杠式，这些机械的分级效率高，通用性较好，有的已在实际生产中得到应用[3]。它们的缺点在于只能识别单一性状，运行过程中的碰撞磨损会引起损伤，影响了其推广应用。光电式分级是利用光电传感器检测红枣对光线的遮挡时间，从而推测其长度和大小[4]。这种系统的自动化程度和精确度很高，且克服了自动机械碰撞引起的损伤问题；但是检测指标的稳定性没有得到改善，离实际应用还有距离。

计算机视觉是在计算机科学和信息技术基础上建立起来的，能够将采集的图像转换为数字信号，然后识别和分析目标特征。计算机视觉的应用领域广阔，瓜果蔬菜的分级是其中之一[5]。与之前的分级方法相比，计算机视觉能够克服主观因素干扰，检测精确度较高，并且能实现无损分级。计算机视觉应用于红枣分级的研究较多，出现了与之相关的各种分级设备、检测方法和分析算法，而分级的实时性和通量是目前需要重点解决的问题[6-8]。

在检测多种性状的情况下，基于计算机视觉的分级检测计算量极大，对硬件和成本提出了更高的要求。因此，外观特征和算法变得尤为重要，此时图像边缘便成为较为理想的选择。边缘检测是检测图像中的像素在其区域中灰度阶跃变化，通过相邻的导数变化规律来体现边缘，即利用特定算法提取目标与背景的分界线[9]。作为计算机视觉的分支，图像边缘检测已经演化出了多种算法，这些算法都有各自的优缺点，并适用于各种外观特性的农产品，包括鸭蛋、烟草、苹果、大米和红枣[10-14]。本研究提出了一种基于图像边缘检测的红枣分级方法，利用小波变换、自适应Canny算法和梯度算法分别对红枣的大小和表面缺陷进行识别和检测，作为等级划分的指标。最后，试验验证上述3种算法的检测精确性，以期筛选最适宜的算法，为实现红枣的自动化分级提供技术支撑。

1 图像的获取和预处理

将红枣样品放在传送带上，模拟自动分级流水线移动，移动速度为0.5m/s。照相设备为1台世纪科信UCMOS0300型CCD工业相机，安装在红枣样品上方。相机拍摄获取红枣的图像，然后传送给计算机并转换成数字信号，用MatLab工具箱所带的边缘检测程序进行分析。

红枣原始图像大小为640×480，JEPG格式。图像中的背景为黑色，目标样品显示为红色。运动状态导致图像质量下降，对后续的处理分析造成了干扰。这里对图像通过5×5的中值滤波做平滑处理，去除干扰因素，增强图像的质量，如图1所示。

灰度化处理是图像边缘检测的前提条件。图1中只有一种背景颜色，并且与检测样品之间的差异明显，可以通过RGB这3种通道的色彩模式做灰度化处理。鉴于边缘检测目标的主体颜色为深红，RGB色彩空间的B通道可以表现最明显的峰值，得到理想的分割和识别效果。因此，采用基于B通道的阈值分割法进行灰度化处理，如图2所示。

灰度化的图像再进行HIS加权的二值化，消除背景和目标范围内的各种毛刺和噪音点。以B通道的峰值特征为依据设定图像分割阈值，然后分别利用小波变换、自适应Canny算法和梯度算法检测目标的边缘，最终得到红枣及其表面缺陷区域的轮廓，并计算面积。

图1 红枣的原始图像

图2 红枣的灰度化图像

2 边缘检测

梯度算法以傅立叶变换为基础，专门用于彩色图像的边缘检测。该算法采用RGB色彩空间，分别对每个像素点在R、G、B上的分量计算梯度值，然后用快速最大熵法确定阈值，基于阈值判别其是否为边缘点。由于引用了并行的微分算法和快速最大熵阈值，梯度算法的计算简单，检测边缘的速度快，具有很好的实时性。

Canny算法属于阶梯型边缘检测算法，先用指定标准差Guass滤波器获得原始图像的平滑滤波，再进行高斯函数滤波，产生梯度矢量计算公式，对图像边缘的定义为在特定方向上矢量模具有极大值的点。Canny算子精确度较高，但会产生假边缘和局部边缘丢失现象。自适应Canny算法针对上述缺点，引入信息熵来适应Canny算子的高低阈值。信息熵用于反映平均信息源的不确定性，根据信息熵最大时的Canny算子阈值可以将图像分为目标和背景两部分。

小波变换对边缘的定义为灰度突变明显的像素点，即一阶微分极大值点或二阶微分过零点。小波变换以奇异性检测图像边缘，对信号的分析较精确。平滑二维函数计算方法参考姚娜等的研究[14]，通过与水平方向的夹角确定梯度矢量的极值，再利用阈值分割便可以获得图像的边缘；最后，根据目标的方向，进行相应角度的小波变换。

3 检测分级

本研究将图像边缘检测用于对红枣的大小和表面缺陷进行分级，红枣的大小以单个红枣图像的面积来反映。计算组成边缘的像素点数可以得到边缘周长，将红枣按照圆形处理，算出红枣的面积。这种方法虽然不能准确反映红枣的实际大小，但不会影响相对比较的结果。红枣的表面缺陷一般是由蹭碰和害虫啃食引起，呈现明显的白色。因此，通过设定RGB色彩空间的相关阈值，便可以使表面缺陷的区域显示出来。检测缺陷区域所包含的像素点数，并计算其占整个红枣图像的比例。

4 试验结果与分析

4.1 试验设计

试验选用的样品为从市场购买的哈密红枣干制品，经过初步分拣，去除了严重霉烂和畸形的个体。随机选择50个红枣编号并用天平称重，以3个质量3.5、4.0、4.5g为阈值，将红枣划分为4、3、2、1级。进行图像边缘检测后计算图像面积，根据各个等级红枣的检测结果确定等级划分的图像面积阈值；然后选择4个等级的红枣各25个，其中10个具有表面缺陷，再进行基于图像边缘检测的自动分级，比较分级结果的准确性。人工判定表面缺陷的依据为缺陷区域面积占单枣面积超过10%，验证的方法同上。

4.2 试验结果和分析

红枣边缘检测的效果如图3所示。由图3可以看出：梯度算法能检测到完整的边缘，但是内部线条较多，可能会对分级结果造成影响[见图3(a)]；自适应Canny算法检测到的线条较少，边缘的清晰度和连续性都较好，是最为理想的检测算法[见图3(b)]；小波变换检测到的线条最少，但是断点较多，边缘的完整性差，可能导致无法识别整个红枣[见图3(c)]。总体而言，3种算法对边缘的定位精度都很高，也能有效检测到表面缺陷。

图3 红枣图像的边缘检测

3种算法的分级准确性如表1所示。由表1可知：梯度算法、自适应Canny算法和小波变换对各级红枣大小的分级准确率分别为92%、97%和94%。其中，自适应Canny算法的分级效果最好。3种算法都有个别的表面缺陷漏检问题，可能是由拍摄角度遮挡造成的。

表1 准确分级的红枣数目

5 结论

建立了一种基于图像边缘检测的红枣分级方法，利用工业相机拍摄图像并进行预处理和灰度化；然后利用小波变换、自适应Canny算法和梯度算法检测边缘，并计算红枣的大小和表面缺陷面积比率，作为等级划分的指标。试验表明：这3种算法对边缘的定位精度都很高，也能有效检测到表面缺陷。3种算法都有各自的优缺点，其中自适应Canny算法所得的边缘清晰度和连续性较好，是最为理想的检测算法。

本研究用于验证的红枣品种为哈密红枣干制品，因不同品种在大小和性状上的差异，若上述算法应用于其它红枣的检测分级，则还需对相应的参数和阈值进行重新设定。另外，图像边缘检测只是解决了理论和软件问题，这些算法还需要与相适应的硬件和机械装置整合集成，才能实现红枣的自动化分级，为红枣产业的发展提供技术支撑。