基于计算机视觉核桃质量预测方法的探讨

燕红文

（山西农业大学 信息科学与工程学院，山西 晋中 030801）

核桃含有丰富的蛋白质、脂肪、核黄素等营养元素，享有世界“四大干果”之一的美名，随着社会经济水平的不断发展，消费者对核桃的需求也逐渐增加，核桃产业的发展迎来了新的机遇。在核桃农产品加工过程中，准确预测核桃质量是核桃分级和提高核桃加工效率的重要前提，而传统的核桃检测与分级方法已经难以满足自动化、智能化、高效化的农产品加工需求。计算机视觉技术是一种模仿人视觉功能的先进技术，近年来被广泛应用于农产品检测中，取得了良好的应用效果。基于此，在核桃质量预测中应用计算机视觉技术具有重要意义，能够为提高核桃加工自动化水平打下坚实基础。

1 农产品加工领域计算机视觉技术的应用

早期的计算机视觉技术主要是集中在识别领域，对图像的分析起到辅助作用。20世纪80年代中期以后，机器视觉相关的理论有了长足的发展，配套的实现技术与设备也逐渐涌现，从而逐渐形成了一门新的学科[1]。近年来，计算机视觉技术被应用于宇宙探测、生物医学、军事、工业、农业等领域，在提升各行各业自动化水平方面发挥着重要作用。

具体到农产品领域，计算机视觉技术的应用研究已经取得较大的进步。2002年，宁纪锋等[2]使用机器视觉研究了单粒玉米种子品种识别问题；2004年，凌云[3]以谷物外观为切入点使用机器视觉分析了其品质并设计相应系统；2006年，章程辉[4]使用机器视觉检测红毛丹尺寸；2007年，丁幼春等[5]对花生仁表皮的破损使用机器视觉进行了检测；2012年，汪强等[6]对烟叶成熟度利用机器视觉进行了建模试验；2018年，李成吉等[7]对核桃壳和核桃仁采用机器视觉技术进行了识别。可以看出，将计算机视觉技术应用到核桃质量预测中具有一定可行性和必要性。

2 对核桃质量进行预测的计算机视觉方法

2.1 图像采集

核桃质量预测的前提是获取到核桃图像，因此，需设计图像采集系统，具体包括：（1）暗箱。内部刷成黑色，用黑布遮盖，避免外界光对暗箱内部造成干扰。（2）相机。位于暗箱顶部，镜头配置的传感器选用索尼IMX型号。（3）荧光灯。位于暗箱上方。（4）载物板。安装在暗箱底部。试验中核桃位于载物台上，启动相机对其进行采集，将相应的图像存储到计算机硬盘中[8]。

2.2 图像预处理

在核桃图像预处理中使用Matlab R2012a软件，对图像进行形态学分割，提取图像中核桃表面特征值，并结合SAS软件建立起LS-SVM质量预测模型。在图像预处理中可消除图中一些噪点，使核桃特征比较明显[9]。本研究采用中值滤波方法和四领域锐化方法，达到图像去噪、增强特征信息表现的目的。

2.3 图像分割

核桃的投影面积可直接反映出核桃的质量，在图像提取核桃形态特征时，要提取投影面积，利用阈值分割法分割样本与背景。在图像背景分割中，核桃外壳分布着残留青皮、病虫害等原因产生的黑斑，而黑斑近似于背景的黑色，所以采用阈值分割法进行图像分割，将黑斑部分分割出去，造成相应投影面积减小，使预测的准确性降低。为此，本次研究采用形态学逻辑算法进行分割，可达到更加准确的分割效果。

2.4 图像标定

在提取投影面积后，需对图像进行标定，利用Bwarea算法将投影像素点数目转换为真实面积。本研究的标定物选择1元硬币，直径为25 mm，按照前述步骤采集、预处理和分割图像，根据计算的像素点数目和已知的硬币实际面积，总结出以下计算公式：

式中，S1表示核桃（预测样本）的实际面积；S2表示硬币（标定物）的实际面积；N1表示核桃（预测样本）的像素点数目；N2表示硬币（标定物）的像素点数目。

2.5 建立质量预测模型

LS-SVM对支撑向量机进行了改进，改进的SVM增强了泛化能力、缩减了训练时间、降低了复杂度，契合本应用需求，因此，可以基于LS-SVM模型建立核桃质量预测模型，将输入项确定为投影面积，输出项确定为核桃质量，对预测集进行预测。在该模型的预测试验中，选取径向基核函数，使用交叉验证的网络搜索方法选择γ和σ2，同时，建立多项回归方程，本研究利用二次多项回归方程揭示两种变量之间的依赖关系，回归方程的标准误差、参数估计值以及t值如表1所示，公式（2）是建立的回归方程。

表1 预测模型的标准误差和参数估计值

2.6 应用效果

本研究选择山西省的核桃品种作为研究对象，样本共124个，不包含空瘪核桃，且外表均无破损。将样本按照3∶1的比例划分为校正集（93个）和预测集（31个），且校正集的核桃样本质量范围要大于预测集中的核桃样本质量，以保证核桃质量预测方法的有效性。校正集中的核桃样本质量在6.55～25.19 g之间，预测集中的核桃样本质量在9.36～18.49 g之间。

将核桃样本按照图像处理流程进行处理后，利用LSSVM核桃质量预测模型得出预测结果，模型正则化参数γ＝1 747.452 1，核带宽σ2＝1.068 4，相关系数R＝0.904 1，最小绝对误差为0.011 g，最大绝对误差为2.8 g，误差均值为6.3%。将预测质量与实际质量进行对比分析，得出最小绝对误差与最大绝对误差分别为0.017 g，2.51 g，误差均值为5.7%。

3 计算机视觉技术的应用

从计算机视觉技术的应用现状来看，农产品检测与分类的适用品种较少，各项指标缺乏灵活性，主要应用在苹果、番茄、柑橘等水果类农产品的检测中，涉及其他种类农产品的研究与应用偏少，而对核桃等干果的检测相关研究更为稀少。鉴于干果的市场需求大，检测技术相对滞后，对干果类农产品自动化检测的研究应该有一定程度的增加。笔者提出以下建议：

（1）在检测对象方面，基本都是静态样本，与农产品在生产线上进行分级作业的动态运动适用条件不相符。后期研究需要对农产品动态图像进行检测模型的构建，突破实验室检测局限，以适应实际生产线上的需求。

（2）在检测对象的图像采集方面，要开发设计群体图像采集系统，转变当前研究局限于单果图像采集的现状，进一步提升检测效率。

（3）在检测对象的图像数据处理方面，在今后的研究中要多应用精度高、计算量少、计算速度快的算法，确保算法适用于多个检测对象多项指标的并行计算要求，突破传统算法局限于单个检测对象图像单指标的串行算法局限。同时，可在检测模型构建中融入对深度学习模型、专家系统和仿生算法等方面的研究。

（4）在检测对象重要指标的选取上，不仅要兼顾干果类农产品形态、颜色、重量等指标，还应增加干果类农产品损伤区域方面的检测指标，如虫蛀、露仁、出油等，从而可对核桃质量预测检测得出指标丰富的自动化检测结果。

4 结语

在基于计算机视觉技术的核桃质量预测中，可通过图像采集、预处理、分割和标定，运用LS-SVM算法建立起核桃质量预测模式，为核桃质量自动化预测提供技术支持。实验研究结果显示，基于计算机视觉技术建立起的核桃质量预测模型得出的核桃质量误差均值为6.3%，能够有效保证质量预测准确率，在核桃质量在线检测领域具有一定的应用和推广价值。