计算机视觉在芒果品质检测中的应用研究

辛华健

(南宁学院，南宁 530200)

0 引言

芒果的味道鲜美，营养丰富，是很受欢迎的热带水果。芒果中的有机酸，特别是谷氨酸含量较高，可以促进人体的新陈代谢，对消化不良、咳嗽痰多等病症有良好的食疗效果。芒果原产于印度和马来西亚，在1 300多年前传入我国，是世界的五大水果之一。芒果在我国主要分布于热带和亚热带地区，2010年的收获面积超过10万hm2，总产量达到90万t，在热带农业经济中占有重要地位。

芒果仅分布于我国的少数省份，但是近些年快递和物流行业发展迅猛，推动芒果走向了全国的市场，芒果逐渐被广大消费者熟悉和接受。随着生活水平的提高，人们对深加工的芒果产品需求量增长，因此等级分类便成为芒果上市前一个必不可少的环节。2016年，我国发布了关于芒果等级规格的行业标准NYT3011-2016，将芒果按照形状、大小、颜色和表面缺陷划分为3个等级。

芒果等级分类依赖于对其品质的检测，可以分为内部品质和外部特征：内部品质是果实中营养物质的种类和含量，是芒果食用价值的根本原因和决定因素；外部特征主要指果实的大小、形状、表皮颜色和表面缺陷等外观性状，可以在一定程度上反映内部品质[1]。传统的芒果分级方法是人工观察形状、大小、颜色和表面缺陷，或者通过化学分析检测营养物质的种类和含量。上述方法的工作量大、准确度较低，化学检测方法还会对果实造成损伤[2]。随着新型检测和分析技术的发展，人们开发出多种水果的无损检测方法，提高了水果的市场竞争力[3]。

适用于芒果内部品质检测的主要技术是物理学技术，包括光谱法和极谱法。虞佳佳等利用近红外光谱结合遗传算法和人工神经网络，实现了对芒果糖度酸度的快速无损检测[4]。曹霞等基于近红外漫反射光谱技术，通过主成分回归法和偏最小二乘法，建立了芒果糖度的分析模型[5]。极谱法是通过测定电解质中的电流-电位变化曲线来确定溶质浓度的一种电化学方法，王佳露等利用极谱法测定芒果中的维生素C，获得了较高的精密度和回收率[6]。

芒果外部品质检测方法主要是计算机视觉，即相机拍摄芒果图像，电脑对图像中的芒果进行识别，并分析外部品质。计算机视觉在农业领域的用途包括田间杂草识别、水果采摘及分级检测等，是推动农业现代化的有力工具[7-10]。20世纪末，计算机视觉便已经开始应用于芒果的检测分级，王江枫等利用该技术检测芒果的质量和表面坏损，对不同的品种都表现出较高的准确率[11]。随后，计算机视觉对芒果的检测延伸到其它的外观特征上，在分析算法上引入了神经网络技术，进一步提高了检测的准确性[12-14]。另外，潘俊洋等构建基于DSP的检测平台，同时对芒果的外部品质(大小)和内部品质(成熟度和腐烂度)进行检测判断，可以作为芒果在线分析系统的组成部分[15]。

经过了20年多的发展，芒果的品质检测技术已可以覆盖多种内部和外部特征，准确性也达到了较高的水平，可以满足芒果无损检测分级的要求。但是，受检测和分级设备的限制，上述的研究成果都停留在试验阶段，离实际应用还有一定的距离。以实际应用为标准，目前的芒果品质检测技术所需设备的成本较高，也缺少配套的分级装置；另外，还需要优化分析算法以提高检测的实时性，才能满足芒果在线分级的要求。为此，设计了一种基于计算机视觉的芒果品质检测方法，对拍摄的芒果图像进行分析，提取外观特征参数输入神经网络，利用训练的模型评判芒果等级，最后检验该检测方法的准确性。

1 硬件设备

芒果放置在拍摄箱中获取图像，拍摄箱的形状为长方体，尺寸为0.6m×0.6m×0.7m；内壁和样品台都是黑色，上部的4个角上分别安装1盏功率5W的白炽灯提供稳定的光源。拍摄箱顶部安装1个罗技C930型相机，拍摄形成芒果的图像。相机获取的模拟信号通过AD6673型A/D转换器被转换为数码信号，然后由USB2.0高速接口的数据线传输给计算机进行分析处理。计算机为联想扬天T4900V型台式电脑，安装Intel i5型中央处理器，160G的SATAII7200硬盘，4G的DDRII667内存和集成显卡。计算机运行环境为Windows10操作系统，图像的分析处理采用MatLab工具箱进行，该软件能分析各种类型的图像，实时性好、运行稳定，可满足芒果品质检测的要求。

2 图像分析

2.1 图像的预处理

芒果品种为小贵妃芒，果形为长椭圆，单果质量较小。成熟过程中的果实颜色由绿色变为黄色和红色，风味和品质也逐渐增加。由于光照和设备等因素的干扰，拍摄获得的芒果图像中会夹杂少量的噪音，对图像质量和后续处理的效果造成影响。本文根据具体的情况，采用维纳滤波方法去除噪音。该方法经过多次循环，在保证边缘信息完整的前提下，使图像的清晰度明显增加。经过预处理的图像背景为黑色，芒果与背景之间的区别明显，果实轮廓清晰，如图1所示。

2.2 边缘检测

芒果表面呈现多种颜色，因此无法使用单一的颜色分量来对图像进行灰度化。本文的拍摄环境中光源稳定，光照强度均匀，因此选择HSL模型的颜色空间。以色调H和亮度L作为分量处理图像，增加对比度，同时减少亮度。处理得到的灰度化图像黑白效果增加，颜色差异明显增强，目标区域轮廓与背景的区分更加容易，如图2所示。利用HSL加权对灰度化图像再进行二值化处理，消除图像中的毛刺和噪音点，然后以L分量的峰值特征为割阈值分割目标区域。

图2 芒果的灰度化图像Fig.2 Gray image of mango

在现有的各种图像边缘检测方法中，Canny算法的评价标准严格，所以得到了较为广泛的应用。传统Canny算法的高低阈值比例是固定的，在受到噪音干扰的情况下会出现残缺边缘和伪边缘的问题。因此，本文中芒果图像的边缘检测采用自适应Canny算法，这是一种阶梯型边缘检测算法，利用指定标准差Guass滤波器获得图像的平滑滤波，再进行高斯函数滤波，由此生成梯度矢量计算公式。自适应Canny算法将特定方向上矢量出现极大值的点定义为图像边缘，通过引入信息熵来适应Canny算子高低阈值的比例。信息熵可以反映平均信息源的不确定性，以信息熵最大时的Canny算子为阈值检测得到闭合的单果边缘曲线，从而把目标区域与背景分割开来，如图3所示。

2.3 特征参数提取

小贵妃的果形较为一致，单果之间的差异主要体现在大小、风味和缺陷上，因此选用大小、颜色和表面缺陷这3种外观特征来评价芒果的品质。计算图像区域覆盖的像素点数，从而得到单果的面积，用以表征芒果的相对大小。芒果表面同时出现绿色、黄色和红色。其中，绿色为背景，黄色是开始转熟的特征，红色部分的成熟度和食用性好，是芒果品质的直接反映，其所占面积比例可作为分级的依据。选用RGB模型中图像R分量的中值滤波，通过Otsu算法计算分割阈值，将红色部分从单果的图像区域中提取出来，并计算所占的面积比例，如图4(a)所示。芒果的表面缺陷是由病害和碰撞引起黑色损伤，因此通过设定HSL色彩空间中的L分量阈值，将表面缺陷的黑色区域提取出来并计算所占单果图像的面积比例，如图4(b)所示。

图3 芒果的边缘检测Fig.3 Edge detection of mango

(a) 颜色 (b) 表面缺陷图4 外观特征的提取Fig.4 Extraction of appearance character (A: color; B: surface defect)

2.4 神经网络分析

以大小、颜色和表面缺陷这3种外观特征参数为依据的芒果分级采用BP神经网络进行。BP神经网络属于前向型的网络模型，自学习和自适应能力较强，还具有联想记忆、并行分析和非线性变换的功能，其3层网络结构可以完成分级。选用的芒果特征参数有3个，因此输入层的神经元数目为3。隐含层的神经元数是由输入层和输出层的节点数共同决定的，对神经网络分析的效率和精确度有着直接的影响。在试验计算的基础上，根据分类效果进行调整，确定隐含层的节点数为5。国家标准NYT3011-2016将芒果划分为一级、二级和三级共3个等级，神经网络的输出层节点数设定为3个，输出不同的信号分别对应3个等级。

3 仿真试验

人工选出小贵妃芒3个等级的单果各100个，50个作为训练样本，其余的50个作为检验样本。神经网络进行10次训练后，建立芒果品质检测的训练模型，对检验样本进行分级。试验的结果如表1所示。由表1可知：一级芒果中有2个被计算机视觉误判为二级，准确率为96%；二级芒果中分别有1个和3粒被误判为一级和三级，准确率为92%；三级芒果中分别有4个被误判为二级，准确率为92%。总体上看，计算机视觉对芒果品质分级的准确率超过93%，对单张图像的拍摄和分析过程平均耗时0.8s，可以用于芒果品质的实时检测和在线分级。

表1 芒果品质分级的准确率Table 1 Accuracy rate of mango quality classification

4 结论

设计了一种基于计算机视觉的芒果品质检测方法，拍摄芒果图像后进行预处理和灰度化，然后利用自适应Canny算法获取目标区域的边缘。选用大小、颜色和表面缺陷来反映芒果的品质，将这3种外观特征参数输入BP神经网络中，依据相关的行业标准实现对芒果的分级。在仿真试验中，仅有少数的检验样本被误判为其它的等级，计算机视觉对芒果品质分级的准确率超过93%，具有较高的准确性。单张图像从拍摄到分析的过程平均耗时0.8s，可以用于芒果品质的实时检测和在线分级。