基于机器视觉的番茄损伤区域自动检测

燕红文

（山西农业大学 信息科学与工程学院，山西 晋中 030801）

番茄的缺陷有明确的规定和标准，缺陷种类非常多，包括：裂伤、碰压、皱缩等，其中，最为普遍的缺陷为碰压伤和裂伤，直接影响西红柿的分级[1]。番茄损伤区域检测是识别缺陷的重要技术手段，在传统人工检测番茄损伤区域中，受人为主观因素和肉眼功能的影响，番茄损伤区域检测存在着精度低、速度慢的问题，严重影响番茄等级与分类效率的提升。计算机视觉技术以计算机技术为支撑，通过感知、识别三维场景，可以实现人的视觉功能，帮助人们完成肉眼难以完成的视觉任务。所以，将计算机视觉技术应用到番茄损伤区域检测中具有一定可行性，利用该技术设计番茄损伤区域自动检测系统，可弥补人工检测的不足，提升番茄缺陷检测效率。

1 番茄图像的机器视觉处理步骤

在番茄损伤区域自动检测中，要运用机器视觉技术对番茄图像进行处理，以获取自动检测的基本信息，提高检测的精确度和效率。

1.1 图像采集

利用摄像装置采集番茄图像，要求图像能够反映出番茄外部轮廓、损伤部位和无损伤部位，为分析番茄缺陷提供关键信息支持。在图像采集中，采用可见光域成像技术区分番茄表面正常部分与损伤部位的灰度[2]。同时，将摄像装置调整为0°，90°和180°这3种角度，采集无死角的番茄表面图像。

1.2 图像去噪

在采集、传输和处理图像的过程中，机器会受到干扰因素的影响，降低图像质量，所以，必须对图像进行去噪处理，以保证图像识别达到最佳的效果。图像去噪方法较多，文中采用了中值滤波，对滤波窗口内的像素的计算其中值，并保持其中值滤波输出，可对噪点进行平滑，利用前一个窗口像素的数据删去后一窗口的像素数据，再对原窗像素进行修正，获得新窗口的中值，进而完成对整幅图的去噪处理[3]。

1.3 图像分割

对去噪后的图像进行背景分割，提取出图像中有助于损伤检测的信息，生成标记图像。对其进行分割可选择区域阈值，首先，对待分割的阈值进行试验确定；其次，将图中像素点的值与之相比，完成像素选择。

1.4 图像增强

在图像增强中采用直方图均衡法和灰度变换法，突出图像含有的有用信息，弱化无用信息，便于快速获取检测结果。其中，直方图均衡法可扩大图像灰度动态范围，而灰度变换法则可丰富图像灰度层的层次，使图像形成强烈的局部对比，提高视觉识别能力。

2 番茄损伤区域关键点的确定

2.1 损伤区域特征分析

在处理番茄损伤图像后检测损伤区域，识别出番茄的表面缺陷。在番茄损伤区域特征分析中，可根据损伤阈值确定损伤点，将各个损伤点连成区域，即为损伤区域。损伤区域特征具体表现为：不是损坏区域的像素值小，并具有一定程度连续性，梯度变化较大；像素值从其图像边缘到图像中心的损伤部位表现出线性下降规律，而正常部位的像素值则线性增加，文中采用了3种基本色调进行试验：红色像素值（R）、绿色像素值（G）、蓝色像素值（B）。通过损伤区域特征分析显示，R分量和G分量灰度发生了明显变化，但是B分量灰度却没有发生明显变化[4]。

2.2 番茄损伤区域检测

分析番茄有缺陷的部分的图像特征发现，其像素值变化有阶跃的特征，若想将其检测出来，像素值有阶跃的点可作为对其检测的一个特征，随着区域的逐步增长，便可从图像当中找出所有损伤的区域。所以，在对番茄的缺陷区域进行检测的过程中，可以采用计算机视觉技术中的区域增长法，该方法归属于图像分割的范畴。在区域增长法中，图像的像素之所以能够被分割成一类，主要是因为属于同一类的像素具有某些相同的性质，并且与相似性准则相符，基于这一前提，可针对某个像素的性质定义集合，并将包含像素性质的集合视作为与该像素相对应的特征向量。在验证两个像素的特征向量是否具有相似性时，可以对灰度级、梯度值等进行比较，若是特征向量接近，则说明两个像素的特征向量相似，由此便可求出图像中缺陷点像素的最大连通集[5]。

从像素值的角度分析，可将图像上的区域增长理解为像素值在一定波动范围内像素点的集合。在这一过程中，需要先从分割的区域中，找出一个种子像素，并以此作为区域增长的起始点，然后寻找与之像素值在一定范围的像素点，合并到相应的集合中。当图像中与种子像素相似的像素全部被找到，并完成合并之后，一个区域就随之生成。本研究对番茄的损伤部位进行检测，其种子像素值不能使用常用值，通过几次试验对比能够确定其所需的像素值，并对合并相似像素的准则进行确定，最后制定生长终止的条件，便可将连通的区域显示出来，该区域即番茄的损伤区域。

2.3 损伤区域的特征值提取

不同对象的不同损伤类型外形差异较大，每类损坏图像外形差异较大，但都具有自己的特征，机器视觉技术则可提取其特征，识别不同损坏类型与部位。特征提取主要提取的是图像信息，在这一过程中会产生相关的特征值，将所有提取到的特征值组合起来，便会形成特征向量。对其进行特征提取，需要处理的图像向量维数下降明显，背景信息特征被过滤掉，仅剩下包含损伤部位的图像，在此基础上提取缺陷部位的特征，完成处理过程。

（1）特征参数。有损伤的番茄图像可从边缘、纹理、饱和度等指标与正常图像相比较，其像素点的特征在颜色、深度、饱和度等指标均有差异，借助三分量的不同组合形式，并通过相应的数学运算，便可形成一些特征参数，能够反映出图像在颜色、深度、饱和度等方面的特征；损伤区域的边缘是其识别的一个主要特征，不同对象、不同损伤的面积各异，其长宽比也各有特点，图像检测中的面积无法带单位计算，可统计其包含的像素点计算，参考不同损伤的空间频率在纹理上差异表现，选用灰度空间矩阵进行识别。

（2）缺陷分类。当番茄损伤区域的所有特征全部提取完毕之后，可以利用BP神经网络算法对番茄缺陷进行分类，具体过程如下：先对BP神经网络进行初始化，从番茄的损伤区域对相应的特征值进行提取，以此作为主要依据建立输入相量和目标输出，然后求出目标值与实际输出之间的偏差，检验该偏差是否满足要求，确认满足后便可对隐层单元误差进行计算，进而求出误差梯度[6]。

3 采用机器视觉技术对番茄进行损伤检测的设计

基于计算机视觉技术设计番茄损伤区域自动检测系统，采用C++语言进行编程，系统共分为4个模块：（1）文件管理。打开已存储在数据库内的图像，用于检测操作。（2）图像采集。启动采集程序，采集的番茄图像传输到计算机中。（3）图像处理。进行番茄图像的噪点去除、分割背景、增强损伤部位特征，提供便于识别的图像。（4）损伤区域检测。基于计算机视觉技术实现该模块功能，提取图像损伤区域特征进行检测分析，得出检测结果。

为检验本系统的实际应用效果，选取130个番茄样本，其中，有碰压伤和裂伤缺陷的番茄样本各为35个，使用本文设计的系统对番茄样本检测，运行耗时8 s，试验结果如表1所示。

表1 采用机器视觉对番茄进行损伤测准确率

可知，该系统对番茄的碰压形成的损伤可达到94.29%的准确率，而裂伤也可达到91.43%的准确率，耗时较短，在检测效率和准确性上达到要求。

4 结语

本文研究了机器视觉对有损伤的番茄图像进行检测的步骤，并设计相应检测系统，实现了番茄图像的采集、预处理和损伤部分的特征提取，形成有利于损伤检测的图像。通过应用实例可以得出：在番茄损伤区域检测中运用机器视觉技术，可大幅度提升检测准确率和检测工作效率，为快速完成番茄分级打下基础。