机器视觉在柑橘分级技术上的研究进展

邹 伟

（湖南财经工业职业技术学院，湖南 衡阳 421002）

0 引 言

目前，国内外对水果的品质分级主要集中在水果的颜色、果形、缺陷等3 个方面，而对水果的分级方法主要是分为人工分级、机械式分级、机器视觉检测分级3 种方法。人工分级费时费力，长时间劳作容易疲劳，导致分选准确率下降。机械式分级易刮伤水果果皮。机器视觉检测分级不仅准确度高，而且不存在疲劳现象，也不会刮伤水果果皮，在水果分选行业有着巨大的应用前景，本文对机器视觉技术在水果分选行业的研究进行了综述与展望。

1 基于机器视觉的国内外水果分级研究现状

目前，国内外对水果的品质分级研究主要集中在水果的颜色、果形大小、缺陷等3 个方面。

1.1 按颜色分级

国外相关学者根据颜色对水果进行了分级。TAO 等[1]研制了一套针对苹果颜色分选的机器视觉系统，该系统可对苹果的黄、绿色进行准确的区分。MENDOZA 等[2]研究了基于RGB、HSV、L*a*b*3 种颜色模型对水果颜色品质的检测，结果表明RGB 模型在水果颜色检测中效率高、准确率偏低，L*a*b*模型最适合水果颜色品质的检测区分。饶秀勤等[3]研究了HIS 颜色模型对柑橘颜色等级的区分检测，分级准确度误差仅为1.75%。冯斌等[4]引入了神经网络算法评价水果的颜色，选取与果实颜色相关的分形维数特征值作为神经网络的输入层参数，输出结果为颜色等级，结果准确率可达95%。何东健等[5]利用视觉技术通过采集水果的彩色图像，将RGB 值转换成HIS 值，选用合适色相值下的直方图累计面积百分比对水果的颜色等级进行了很好的区分，区分准确率达到了88%。

1.2 按果形大小分级

国外相关学者根据水果的果形大小对水果进行了分级。VAN ECKJ[6]利用机器视觉技术来检测黄瓜的形状和长度，对黄瓜图像进行边缘检测，该检测方法比人工检测误差小。国内也有学者在这方面进行了相关的研究。章文英等[7]利用图像处理技术测量苹果的大小，最小外接矩形法来测量苹果的横径、纵径，测量出来的值与真实值十分接近，验证此方法可行。冯斌等[8]通过采集水果图像，对水果图像进行灰度处理，并进行边缘检测，通过确定水果的测量方向来获取水果的尺寸，该测量方法准确率高。

1.3 按表面缺陷分级

国外相关学者根据水果表面缺陷对水果进行了品质等级分级，主要从算法和系统2 个方面展开研究。SOFU 等[9]研制了一套苹果质量检测系统，能根据苹果的表面缺陷进行品质分级，分级效率可以达到每秒钟分选15 个苹果。REHKUGLER等[10]采用黑白CCD 相机获取苹果图像，对苹果图像采用阈值分割法进行分割和检测，但存在图像边缘部分灰度值小于中间部分，会造成边缘缺陷误判，因此检测准确度有待提高。国内也有相关学者在这方面进行了研究。王亚琴等[11]利用机器视觉技术对水果进行分级研究，根据RGB 颜色模型获取直方图，用随机圆Hough 变换对果实进行检测，取得了不错的检测效果。饶秀勤[12]开发了一套水果检测机器视觉系统，获取水果在HIS 颜色空间下的其中一个分量，采用主成分分析法对水果的颜色、大小、缺陷等特征进行提取，实现了水果的精确分级。

2 柑橘的识别与检测研究

2.1 传统柑橘图像处理技术

传统柑橘图像处理技术基本上停留在对柑橘图像获取、柑橘图像的预处理、特征提取、分类器、分类结果等阶段，传统水果图像识别方法流程如图1 所示。

图1 传统水果图像识别流程

杨张鹏[13]通过传统图像处理技术研究了柑橘的颜色分级与缺陷检测分级，通过提取H 分量图像计算其色调直方图，来区别柑橘的颜色以及V 分量下柑橘缺陷面积比来判断柑橘的缺陷，准确率达到了90%。

2.2 机器学习检测算法

机器学习检测算法是通过大样的果实样本人为设计特征提取分类法[14]。其中K-means 聚类算法、SVM 支持向量机分类算法、贝叶斯分类器算法在果实检测分选中应用比较常见。方东玉[15]采用SVM 分类训练器对柑橘进行了等级区分，实验结果表明，SVM 分类取得了较好的效果。SENGUPTA 等[16]提出Hough 圆检测结合SVM 支持向量机分类法对柑橘进行检测区分，总体准确率达到了80.09%。传统水果分类方法采用的都是人为设计特征对水果进行识别分类，准确度存在多方面因素的干扰，不是很理想。

2.3 深度学习检测算法

近年来，深度学习在越来越多的领域实现应用，尤其在人脸识别、语音识别、图像识别领域，在图像识别领域表现出了巨大的应用前景。

深度学习算法的图像识别与传统图像处理技术相比，舍弃了人为设计特征与特征提取的步骤，分选准确率有待进一步的提高。深度学习算法训练只需要输入足够多的水果样本数据，就能提取到有价值的图像特征，在水果检测分选行业有着巨大的应用前景。CNN 卷积神经网络算法在图像识别检测上有着广泛的应用。CNN 卷积神经网络结构主要由输入层、卷积层、池化层、全连接层、Soft Max 输出层构成，如图2 所示。水果图像经输入层输入之后，经过多次卷积层和池化层的特征提取，最后由输出层输出结果。图3 为深度学习水果图像识别系统流程图。

图2 卷积神经网络结构

图3 深度学习水果分类

周剑等[17]提出了空间金字塔池化（SPP）的YOLOv3 算法的柑橘识别等级分类研究，利用YOLOv3 算法多尺度特征融合结合SPP 层的功能，可将卷积层输出的特征图处理成固定尺寸的特征矩阵输入到全连接层中，完成YOLOv3 网络算法的训练。通过YOLOv3-SPP 网络算法对柑橘的多分级检测准确率达到了95.08%，可以应用于食品工业下的柑橘快速分级。

3 结 语

国内外研究人员在水果图像分级技术方面做了很多研究，但大多数都是基于传统图像识别方法，该方法人为设计特征对水果图像进行识别分类，准确度存在多方面因素的干扰，分选效果不是很理想。深度学习算法图像识别舍弃了特征提取的步骤，分选效率及准确度更高，完全满足工业级柑橘品质分选市场的要求，具有巨大的发展应用前景，深度学习算法对水果品质检测分选方法也是未来重点研究发展方向。