基于机器视觉的大枣表面缺陷检测

王春普 文怀兴 王俊杰

(陕西科技大学机电工程学院，陕西 西安 710021)

大枣的营养价值高[1]，但由于皮薄且脆，容易损伤[2]，特别是在采收、运输和贮存过程中，由于自然和人为的因素容易造成表面缺陷[3]。根据相关标准[4]描述，大枣表面缺陷主要有锈斑、黑斑、畸形果，烂浆果，裂果，机械伤等。表面破损的大枣容易受到外界空气的氧化发生变质，在清洗过程中也容易受到污染，影响大枣产品附加值，同时也一定程度上阻碍了大枣的商品流通化[5]。

人工检测不仅对工人要求高，工作量大，且受个人主观因素影响，造成分选偏差，很难保证检测精度的一致性[6]。机器视觉系统通过工业相机获取大枣的图像，具有快速、准确、可靠、无损等优点，极大地提高检测效率和机械自动化程度。张萌等[7]提出了一种亮度快速校正的算法，对虫害枣、霉烂枣有很好的检测效果，但未对黑斑、烂浆果、裂果等进行检测。

支持向量机在解决小样本、非线性和高维模式识别中表现出许多特有的优势，并能推广应用到函数拟合等其他机器学习问题中。为此，本试验拟以中国灵武长枣为试验对象，通过支持向量机的方法对大枣表面的烂浆、机械伤、斑痕、病虫、裂纹5种缺陷进行检测，以期为大枣的分级提供理论依据与技术支持。

1 检测分级设备的设计

该检测分级设备主要由上料箱、输送链、图像采集装置、气吹分级机构、电机以及落料箱等组成，保证接通电源、开启启动按钮后可以实现灵武长枣的自动上料、单个传送、自动获取大枣表面图像、检测等级、气吹落料5个主要功能。

检测分级设备三维模型如图1所示，具体工作过程为：启动分级机电机，辊轴传送链在电机的带动下随着主动轴运动，大枣从上料斗处上料，上料部分的链轮为倾斜向上，未平稳定位的大枣从传送带上滑落重新定位，保证大枣能够单排输送；传送链上的辊轮采用凹槽型设计，可以让未落入辊轮输送链的大枣随着辊轮滚动，与辊轮边缘不断摩擦，进入辊轮输送链中，保证大枣快速平稳定位。当大枣经过触发开关时，摄像机采集图像，图像采集区处辊轮下方依然安装柔性搓动板，辊轮与柔性搓动板不断摩擦，带动大枣转动。柔性搓动板的长度至少能让大枣绕自身旋转一圈，保证相机能采集到大枣全方位图像，拍摄到的同一大枣3幅图片依次被传送到图像处理系统，完成对大枣图像的采集；大枣检测分级系统对枣进行分析判定，得出枣的等级，随之将分级结果信息传送给气动分级系统，气动分级系统控制电磁阀的开关，当大枣被传送带传送到对应的喷气嘴时，电磁阀打开，喷气嘴喷出气流，将大枣吹入对应的落料箱中，完成大枣整个分级过程。其中工业相机型号为MV-GED500M-T，具有感应器面积小，焦距短等特点。LED光源具有寿命高、响应速度快、稳定性好、波长可以根据用途选择等优点，故选择环形LED灯作为光源。

1.上料箱 2.输送链 3.图像采集装置 4.气吹分级机构 5.机架 6.落料箱 7.电机图1 大枣分级机三维模型Figure 1 Three-dimensional model of jujube classifier

2 分类判别方法

2.1 支持向量机分类

通过对大枣表面信息的训练，根据大枣表面是否存在缺陷，通过支持向量机的判别方法，将枣分为“good”和“bad”两类。超平面H是从n维空间到n-1维空间的1个映射子空间，假设训练样本数据T={(xi，yi)，i=1，……，n，x∈Rd，y∈(+1，-1)}可以被超平面ωTx+b=0准确分开，且距离超平面最近的向量与超平面之间的距离最大，则称该训练样本数据被超平面分开[8]。对于超平面H：ωTx+b=0，假设x为超平面上任意一点，那么x点到超平面H之间的距离为x点到超平面H的法向量长度，距离为：

(1)

假设线性可分的训练集T={(xi，yi)，i=1，……，n，x∈Rd，y∈(+1，-1)}。

分类面方程为：

ωTx+b=0，

(2)

yi(ωTxi+b)≥1。

(3)

其中两个分类超平面为：ωTx+b=1，ωTx+b=-1。

两个分类超平面之间距离可表示为2/‖w‖，几何间隔与误分次数存在一定的关系，几何间隔越大，误分次数越少。使两个分类超平面距离最大，即在式(3)的基础上，求函数(4)的最小值。

(4)

对于线性可分问题，可以非常准确地选择出分化训练集的超平面；对于一般分类问题，由于包含线性不可分问题，上述方法是行不通的，可能是由于此分类超平面不存在。故需要在式(3)中添加松弛变量ξi≥0，i=1，……，n，使约束条件[式(3)]变为：

yi(ωTxi+b)≥1-ξi，

(5)

当ξi足够大，训练点(xi，yi)总有满足上述约束条件，但需避免ξi取值过大。在目标函数里加入含有∑iξi的项，使其成为最优化问题。

(6)

式中：

C——惩罚因子，C值始终大于0。

惩罚因子越大，意味着目标分类函数准确性越小，同时也意味着对此类离群样本点越重视[9]。

构造分化超平面(ω*x)+b*=0，则支持向量机的判决函数：

f(x)=sign[g(x)]=

(7)

其中大部分系数αi=0，只有少部分αi不为0，不为0的数确定了支持向量机，多种分类情况时可以通过二交叉树方法解决。引入核函数，其作用为输入2个低维度向量，可得到经过某个变换后在高维空间中向量的内积值。其中K(xi,x)=xi·x，则式(7)变形为：

(8)

在支持向量机判别中，将f(x)大于某个临界值的分为一类，小于某个临界值的分为一类。

2.2 颜色特征的提取

图像特征反映了目标特征的差异性，具有明显的实用价值。由于缺陷大枣的判别主要根据大枣的表面性质，与大枣的颜色息息相关，且图像或图像区域的方向、大小对颜色的影响较小，故本课题选用大枣的颜色特征作为图像特征。统计物体描述采用基本数值表示，称为特征。HSI颜色空间比RGB颜色空间更能显示人类的视觉特征，方便计算，为计算机图像处理中常用的模型，故试验中将RGB颜色模型转换为HSI颜色模型，由式(11)～(14)可以看出I分量为R、G、B三分量和的均值，S分量只与RGB中最小分量有关，故I，S分量在缺陷处变化不明显，不适合作为特征值。H分量在缺陷处变化较为明显，故选用H分量作为特征值。

(9)

(10)

式中：

σH——大枣色调的均值；

N——大枣像素的总数；

Hi——大枣第i个像素的色调。

RGB颜色模型转换为HIS颜色模型的关系为：

(11)

(12)

(13)

(14)

2.3 核函数及正则常数的选择

核函数的选择对于支持向量机的判别检测性能非常重要，常甜甜[10]对核函数的选择做了深入的研究。通过不同的试验，确定了采用径向基核函数得出的试验结果准确率较高。径向基核函数具有以下优点：① 参数少，只有核参数和惩罚因子，模型复杂性较低，稳定性较好，结果不会有太大偏差；② 能隐藏节点数，避免了神经网络方法求解不出局部极小点问题。故选用径向基核函数作为支持向量机模型的核。

核函数c和正则常数γ影响着核函数及分类器的分类准确性。目前无统一的方法求核函数和正则常数，一般是通过多次试验选择合适的值。本试验采用二因素三水平正交试验(表1)比较核函数和正则常数对检测分级效果的影响，选择最佳核函数和正则常数。

从表2中可以看出核函数的极差较大，表明核函数的影响较大，正则常数次之。核函数要求指标适中，取3个水平中间所对应的值，即0.2。正则常数要求指标越大越好，取3个水平中最大值，即88.233，对应的正则常数为0.005。

表1 因素水平表Table 1 The factor design level table

表2 核函数及正则常数正交表Table 2 The kernel function and regular constant orthogonal Tablele

3 试验验证

由图4可知，开始时准确率随着c的增大而增大；当γ>0.2时，随着c的增大，准确率逐渐降低；当γ<0.05，c<0.5时检测结果较为满意；当c=0.2，γ=0.005时，正确率最高，为94.6%。

4 结论

本文提出了基于支持向量机的大枣表面缺陷检测方法，选用HSI颜色模型中色调(H)分量的均值和方差作为特征参数，通过正交试验得出最佳的核函数和正则常数，建立基于支持向量机的大枣表面缺陷检测模型。通过试验验证，对测试样本缺陷的识别率达到94.6%，相比赵杰文等[11]的准确率(89.4%)，平均水平已满足在线检测的准确性、效率性要求，说明机器视觉在线检测的准确率和效率完全不低于人工检测，并验证了支持向量机分类是一种优秀的分类方法应予以推广。该研究成果可以用于大枣的在线检测分级，同时也可以为其他水果的检测分级提供一定的参考。由于实验室中光照不够均匀，鲜枣表面光滑使得采集到的图像容易形成亮斑，若虫枣的缺陷在大枣左右两端将无法被相机拍到，导致分级效果较差，后续可以采用改变大枣图像采集时的拍照方式，确保整个大枣表面均能被拍到，从而提高虫枣识别率；此外褶皱枣易识别为裂枣，需通过改变特征提取和识别的方式改进。

图2 正常大枣Figure 2 The normal jujube

图3 缺陷大枣Figure 3 The defect jujube

图4 SVM参数选择3D效果图Figure 4 The SVM parameters select 3D renderings