机器视觉在农产品表面缺损检测中的应用研究_李景彬
计算机视觉技术在农产品品质检测中的应用
计算机视觉技术在农产品品质检测中的应用作者：陈超来源：《电子技术与软件工程》2016年第01期随着科技的日益进步，计算机运行速度也在显著提升。
这使得计算机视觉技术在农产品品质检测中的应用范围逐渐扩大，也提升了农产品品质检测工作的自动化成绩及工作效率，并更好的适用了复杂的工作环境，同时避免了人工操作失误等。
为此，笔者从简述计算机视觉技术入手，探究该技术在我国农产品品质检测工作中的具体应用。
【关键词】农产品计算机视觉技术品质检测农产品品质检测工作中除了采取人工检测法以外，还可以采取半自动或自动检测法，如在水果分级检测工作中的质量分级检测法、光电分选法以及大小分级法等。
然而农产品品质会受到自然生长环境或人为因素等方面的影响，农产品的色泽、大小及形状等并不相同，无法采取单一指标进行检测。
因此充分应用计算机视觉技术，对农产品的品质进行检测，极为重要。
1 计算机视觉技术计算机视觉技术又被称为机器视觉技术，指的是通过人类设计，在计算机环境下，达到再现或模拟人类视觉相关的职能行为的一种技术，包括了印刷和手写文字的识别技术，图像模式识别技术，物体三维表面形状识别技术、距离识别以及速度感知等技术。
该技术是诸多学科的结合与交叉，涉及到数学、生理学、信息处理、物理学、光学以及计算机等多种学科。
探究计算机视觉技术的目的在于实验人类视觉的再现及延伸，即再现高等动物的视觉系统，并对物体形状以及类别进行识别。
此外，计算机视觉技术处理的原始资料多是图像，所以该技术和图像处理以及模拟识别等有着紧密的联系。
现阶段，计算机视觉技术在诸多领域有着较为广泛的运用，包括了医学辅助诊断、资源调查、卫星图像解释、军事指导、灾害监测、气象以及工业产品的外观筛选及检测等。
同时研究该技术在农业工程领域中的应用，也成为了热门话题。
2 在农产品品质检测中，计算机视觉技术的具体应用笔者在查阅相关文献资料的基础上，探究在农产品品质检测工作中，计算机视觉技术在产品表面缺陷以及损伤识别工作中的具体应用；果形识别工作中的具体应用；农产品尺寸以及面积检测工作中的具体应用。
计算机视觉技术在农产品品质检测中的应用
计算机视觉技术在农产品品质检测中的应用随着科技的发展和人们对生活品质要求的提高，农产品品质安全成为了人们越来越关注的问题。
传统的农产品品质检测依靠人工目测，操作繁琐，且易受主观因素影响，导致检测结果的准确性和一致性无法得到保障。
而计算机视觉技术的应用，为农产品品质检测带来了新的机遇，可以实现更为精确、高效和自动化的检测方式。
本文将就计算机视觉技术在农产品品质检测中的应用进行详细阐述。
计算机视觉技术是利用摄像机、图像处理器和计算机等设备对图像信息进行采集、处理和分析，通过对图像进行特征提取和比对，实现物体识别、分类、计数及定位等功能。
在农产品品质检测中，计算机视觉技术主要借助摄像机获取农产品的图像信息，通过图像识别和特征提取，对农产品的大小、形状、颜色、纹理等特征进行分析，从而实现对农产品品质的评估和检测。
2. 农产品内部质量检测对于一些农产品，其内部质量也是品质的重要指标之一，例如果肉的软硬程度、籽粒的完整性等。
通过计算机视觉技术，可以利用X射线、红外线等成像技术对农产品的内部结构进行非破坏性检测，实现对农产品内部质量的评估。
在果蔬类产品中，可以利用X射线成像技术对果实内部的籽粒结构、果肉软硬程度进行分析，从而实现对农产品内部质量的自动化检测。
3. 农产品瑕疵检测农产品在生长和采摘过程中，易受到病虫害的侵害，导致出现瑕疵和腐烂现象。
传统的瑕疵检测主要依靠人工目测，操作繁琐，易漏检漏判。
通过计算机视觉技术，可以实现对农产品表面的瑕疵和腐烂进行自动化的检测和识别。
在水果的表面瑕疵检测中，可以利用计算机视觉技术对果实表面的色斑、烂斑等瑕疵进行自动化的识别和分类，从而实现对农产品瑕疵的精确检测。
1. 高效性通过计算机视觉技术，可以实现对农产品品质的自动化检测和分析，大大提高了检测的效率和速度，减少了人工操作的繁琐性。
2. 准确性计算机视觉技术可以对农产品的外观、内部结构、瑕疵等进行精确的识别和分析，提高了检测结果的准确性和一致性。
计算机视觉技术在农产品品质检测中的应用
计算机视觉技术在农产品品质检测中的应用农业是国民经济的支柱产业，农产品的品质检测是农业生产中不可或缺的环节。
传统的农产品品质检测方式需要大量的人力和时间，而且存在主观性和不可靠性。
近年来，随着计算机视觉技术的不断发展和成熟，越来越多的研究表明，计算机视觉技术在农产品品质检测中具有广阔应用前景和潜力。
本文针对计算机视觉技术在农产品品质检测中的应用进行探讨。
计算机视觉技术是一种基于数字图像的信号处理和分析技术，在农产品品质检测中的具体应用流程为：首先，采用传感设备、相机等工具将农产品拍摄或扫描成数字图像；然后，通过图像处理、特征提取、分类识别等算法将数字图像转化为数值或类别信息；最后，根据识别结果评估农产品品质。
1. 水果品质检测计算机视觉技术结合图像处理和机器学习算法，可以实现对水果外观和内部结构的检测，具有非常广泛的应用前景。
例如，某研究团队将计算机视觉技术应用于苹果表面缺陷检测中，通过图像处理技术对苹果外观进行分割、预处理和特征提取，并通过基于支持向量机（SVM）的分类器对不同表面缺陷进行识别和分类，具有高精度和较好的实时性。
计算机视觉技术在粮食品质检测中可以实现对粮食含水率、杂质含量、破损率等特征的检测，对提高粮食品质和保障粮食安全具有重要意义。
例如，某研究团队将计算机视觉技术应用于米粉品质检测中，通过图像处理技术对米粉质量进行分割、预处理和特征提取，并采用基于决策树的分类器对米粉中杂质和颜色等特征进行分类和识别，具有高精度和高效率的特点。
1. 精度高：通过计算机视觉技术的图像处理、特征提取、分类识别等算法，可以准确识别生产线上的农产品，并对不同产品的品质特征进行精确评估。
2. 实时性强：计算机视觉技术能够实现快速捕捉和处理图像，并在短时间内反馈农产品品质信息，节省了检测时间，提高了检测效率。
3. 自动化程度高：计算机视觉技术采用自动化检测方式，不需要人工操作，减少了人力和时间成本，并能够避免人为错误的出现。
计算机视觉技术在农产品品质检测中的应用
计算机视觉技术在农产品品质检测中的应用
计算机视觉技术主要是通过对图像或视频进行处理和分析，以获取有关目标物体的信息。
在农产品品质检测中，计算机视觉技术可以应用于各个环节，例如种植、收获、加工
和销售等。
在种植环节，计算机视觉技术可以用于农田的监测和作物的生长状态分析。
通过无人
机拍摄的图像，可以利用计算机视觉技术来检测土壤湿度、植被覆盖度等参数，以帮助农
民及时调整灌溉和施肥的策略。
计算机视觉技术还可以对农作物的生长情况进行实时监测
和预测，从而帮助农民提前采取应对措施，保证农产品的品质和产量。
在农产品收获过程中，计算机视觉技术可以用于自动化的割禾和采摘作业。
通过图像
处理和目标检测算法，计算机可以判断作物的成熟度，并自动控制农机的操作，从而提高
收获的效率和质量。
计算机视觉技术还可以用于对采摘后的农产品进行快速、准确的检测，以确保采摘的农产品符合质量标准。
在农产品加工环节，计算机视觉技术可以用于产品的分级和分类。
在水果和蔬菜的加
工过程中，计算机视觉技术可以根据外观、尺寸和颜色等特征对产品进行分类，并自动分
拣和包装。
这不仅提高了加工的效率，还减少了人工操作中的错误和损耗。
计算机视觉技术在农产品品质检测中具有广泛的应用前景。
随着技术的不断发展和普及，计算机视觉技术将能够更好地帮助农民提高农产品的品质和产量，促进农业现代化进程。
计算机视觉技术在农产品质量检测中的应用
计算机视觉技术在农产品质量检测中的应用计算机视觉技术在农业领域的应用正日益受到重视，其中之一就是农产品质量检测。
传统的农产品质量检测方法通常依赖于人工操作，存在不稳定、效率低下以及主观性强等问题。
而计算机视觉技术通过图像处理和分析，能够实现对农产品的自动化、高效率、客观性的检测，有助于提升农产品质量控制的水平。
一、计算机视觉技术在农产品质量检测中的原理计算机视觉技术主要依靠图像处理和分析算法来实现对农产品质量的检测。
首先，通过专用设备（如高分辨率相机）对农产品进行拍摄获取图像。
接下来，利用图像处理算法对图像进行预处理，包括去噪、增强对比度等，以提高图像质量。
然后，通过提取图像中的特征，如颜色、形状、纹理等，来描述农产品的特性。
最后，利用特定的分类算法或机器学习模型对特征进行分析和判别，以判断农产品是否符合质量要求。
二、1. 外观质量检测农产品的外观质量是消费者重视的一方面，计算机视觉技术可以通过图像处理和分析，对农产品的外观特征进行检测和评估。
例如，对水果的颜色、大小、形状进行分析，能够判断水果的成熟度和质量。
对蔬菜的表面缺陷、畸形进行检测，可以排除有病害或损伤的农产品，提高产品质量。
2. 内部品质检测农产品的内部品质是衡量其食用价值的重要指标，而计算机视觉技术可以通过透视图像或断面图像的分析，对农产品的内部品质进行评估。
例如，对粮食的杂质、虫蛀等进行检测，可以提高粮食的纯度和质量。
对蔬菜的贮藏部位进行断面图像分析，可以判断蔬菜是否存在腐烂或吸收过多水分。
3. 检测与分级农产品的大小、重量等指标是与质量直接相关的特征，计算机视觉技术可以通过分析图像中的对象大小、像素密度等特征来对农产品进行尺寸检测和分级。
例如，对水果进行尺寸检测，可以自动分选水果，提高生产效率和产品质量。
4. 植检与农药残留检测农产品的植检和农药残留检测是保证农产品质量和安全的重要环节，计算机视觉技术可以通过图像处理和分析，实现对农产品的植被与农药残留的检测。
计算机视觉技术在农产品品质检测中的应用
计算机视觉技术在农产品品质检测中的应用
计算机视觉技术可以用于农产品的质量评估。
通过对农产品进行图像采集，计算机视
觉技术可以对农产品表面的颜色、形状、大小等特征进行自动化分析和识别，从而判断农
产品的新鲜度、成熟度、营养含量等质量指标。
通过对水果外观图像进行分析，可以判断
出水果的成熟度，找出瑕疵水果，提高水果的品质。
计算机视觉技术可以实现对农产品的病虫害检测。
农产品在生长过程中容易受到各种
病虫害的侵扰，而传统的病虫害检测方法往往需要人工目视观察，效率低下且容易出错。
通过利用计算机视觉技术，可以对农田中的植物进行图像采集和分析，自动识别出可能存
在的病虫害，并对其进行分类和定位，从而及时采取控制措施，保护农产品的生长和品
质。
计算机视觉技术还可以用于农产品的分类和分级。
在农产品市场上，不同的农产品首
先需要进行分类和分级，以满足不同消费者的需求。
传统的分类和分级方法通常需要人工
操作，成本高且容易出错。
而计算机视觉技术可以通过对农产品进行图像采集和特征提取，自动进行分类和分级，提高了生产效率和产品质量的一致性。
计算机视觉技术在农产品品质检测中具有广泛应用的潜力。
通过对农产品的图像采集、分析和识别，可以实现农产品质量评估、病虫害检测、分类分级和追溯等工作，提高了农
业生产的效率和质量。
随着计算机视觉技术的不断发展和普及，相信它将在农产品品质检
测中发挥越来越重要的作用。
计算机视觉技术在农产品品质检测中的应用
计算机视觉技术在农产品品质检测中的应用随着科技的不断进步，计算机视觉技术在各行各业中得到了越来越广泛的应用。
在农业领域中，计算机视觉技术也发挥了重要的作用，特别是在农产品品质检测中。
本文将重点探讨计算机视觉技术在农产品品质检测中的应用。
一、计算机视觉技术在农产品品质检测中的意义农产品品质检测对于保证农产品安全、促进农业生产、推动农村经济发展具有非常重要的作用。
但是，传统的农产品品质检测方法存在着一些问题，比如人工判断存在误差率高、操作难度大、耗时等问题。
而计算机视觉技术可以用来得到准确、快速地农产品品质数据，实现自动化检测，从而提高农产品品质检测的准确性和效率。
二、计算机视觉技术在农产品品质检测中的应用（一）果蔬品质检测首先，计算机视觉技术可以用于果蔬品质检测，比如检测水果的色泽、大小、皮质、坏疽等。
研究人员可以通过引入图像处理和分类算法来对果蔬图像数据进行分析，得到各项指标的定量化数据，从而对果蔬的品质做出较为准确的判断。
（二）农产品病虫害检测其次，计算机视觉技术还可以用于农产品病虫害检测。
研究人员可以通过采集受虫害或病害的农产品照片进行图像处理，从而得到病虫害的相关信息，比如病害的严重程度、虫害的种类等。
这些信息可以用来指导农民采取相应的措施控制和及时处理。
（三）鲜花品质检测最后，计算机视觉技术还可以用于鲜花品质检测。
传统的鲜花品质检测通常是由专业人员手动进行，这样不仅需要大量的人力和物力投入，而且由于人为因素会对判断结果产生误差。
而采用计算机视觉技术，就可以线上进行鲜花图像采集和处理，从而得到鲜花的各项指标（比如花型、颜色、大小等），从而实现对于鲜花品质的快速评估。
三、计算机视觉技术在农产品品质检测中存在的问题当然，计算机视觉技术在农产品品质检测中还存在这一些问题需要解决。
比如，计算机视觉技术的数据处理能力和准确性尚待进一步提升，而且由于农产品本身具备复杂性和异质性，所以需要研究人员设计更完善的算法和流程。
计算机视觉技术在农产品品质检测中的应用
计算机视觉技术在农产品品质检测中的应用
随着科技的发展，计算机视觉技术已经在各个领域得到了广泛的应用，其中就包括农产品品质检测。
农产品的品质检测一直是很重要的一项工作，如何让检测更加高效准确也是农业发展中的一个难题。
而计算机视觉技术的出现就可以解决这个问题。
计算机视觉技术可以把数码图像转化成数据，利用图像处理和分析的方法来判断图像中目标的一些特性，包括大小、形态、颜色等。
在农产品品质检测中，计算机视觉技术可以帮助农民和检测人员找出一些问题，比如寄生虫、细菌、枯萎、变质等，以便及时采取措施避免延误时间或者危害食品安全。
在水果和蔬菜的检测中，计算机视觉可以通过图像识别、分割和分类技术将他们按照大小、颜色、肉质和外观等特性进行分类。
通过这些特性，可以判断农产品的等级，不仅可以省时省力，还可以保证检测的准确性，使各个品种的农产品质量得到统一认证。
同时，计算机视觉技术在农产品的外观和内部质量检测中也可以发挥作用。
在外观检测中，机器通过对农产品外观的快速分析，可以判断出是否有病虫害、是否有机械损伤、是否正常成熟等问题。
在内部质量检测中，计算机视觉可以通过扫描图像来检测采样点的质量，如硫化程度、酸度、糖度等，以此判断农产品的品质水平，以此维护消费者的健康权益，保证农产品的品质和安全。
总体来说，计算机视觉技术的广泛应用，使得农产品品质检测的速度和精度都得到了显著提高，并且可以大量减轻人工的工作压力。
基于计算机视觉技术的农产品品质检测，还可以通过依赖大数据、人工智能和云服务等技术，来更好地发挥其优势。
相信在不久的将来，这方面的技术将会更加智能化和成熟化，为农业的发展和食品安全的保障贡献更大的力量。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
机器视觉在农产品表面缺损检测中的应用研究李景彬，邓向武，坎杂，田绪顺，谢凡（石河子大学机械电气工程学院，新疆石河子832000）摘要：综述了机器视觉在农产品外部表面缺陷和损伤（简称缺损）检测方面的研究情况；重点阐述了基于农产品表面反射特性的检测方法以及图像模型转换、图像分割和图像识别等检测方法。
同时，提出了目前机器视觉应用于农产品缺损检测的相关问题。
关键词：表面缺损；检测；农产品；机器视觉；识别中图分类号：TP391．41文献标识码：A文章编号：1003－188X（2013）07－0221－040引言机器视觉技术是利用可见光图像检测农产品品质的方法。
该方法通过检测农产品的表面颜色、形状、表面缺陷及损伤等特征信息，根据所检测到的外部特征信息与检测物的品质建立相互关系，间接检测农产品品质。
这种方法最大的优点是与待检测农产品不直接接触，不会对农产品造成二次损害，具有高效、安全、高精度和高稳定性等优点。
机器视觉从20世纪70年代末在农产品品质自动检测和分级中应用到现在，关于形状、大小、颜色的自动检测方法已趋于成熟；但是由于农作物生长环境复杂，在收获采摘和运输过程中其他因素（如碰撞、挤压）的影响，都会直接或间接地损伤农产品，造成农产品表面缺损显现出无规律性。
所以，在农产品外部品质检测中，表面缺损检测是农产品分级中的重点和难点，是实现农产品分级精细化、标准化、高效化检测的关键技术。
目前，国外已研制出应用机器视觉对鸡蛋［1］、苹果［2］等农产品表面缺损在线检测系统。
机器视觉系统主要由图像获取、图像处理分析、图像输出或显示3部分组成。
按照图像获取的色彩特性分类，可分为灰度图像和彩色图像；若按图像处理分析方法分类，可分为基于灰度图像检测方法和基于彩色图像检测方法。
本文根据上述分类，系统论述了国内外在这个研究领域的研究进展。
收稿日期：2012－07－11基金项目：石河子大学重大科技攻关项目（gxjs－zdgg06－04）作者简介：李景彬（1980－），男，河南淮阳人，副教授，（E－mail）ljb8095 @163．com。
通讯作者：坎杂（1963－），男，新疆精河人，教授，硕士生导师，（E－mail）kz－shz@163．com。
1检测方法研究机器视觉系统中，图像信息的处理技术主要依赖于图像处理方法，包括图像增强、平滑、边缘锐化、分割、特征提取和图像识别等内容。
1．1基于灰度图像的检测方法图像分割是图像处理技术中非常关键的一步。
一方面，将待检测物体的图像从背景中分离出来，是进行下一步检测的基础；另一方面，待测物与背景分割的好坏直接影响检测算法的复杂程度。
图像分割的方法很多，如常用的阈值法、区域分割法、特征空间聚类法等。
由于灰度图像所含信息量少，关于灰度图像的图像分割主要是基于检测物表面反射特性计算阈值进行分割。
Rehkugler和Throop［3］首次提出了应用线扫描摄像机摄取灰度图像，根据缺损区域和正常区域反射特性不同进行单阈值区域分割；但是，由于没有借助模式识别进行果品质量评判，导致检测精度很低且分级误差很大。
基于缺损区域和非缺损区域表面反射特性不同而建立的阈值图像分割方法原理简单，但检测精度有待于提高。
后来，学者们相继提出了几种比较成功的区域分割算法。
Yang［4－5］首先提出了“洪水法”对缺损区域进行分割，该方法解决了苹果表面反射率变化对检测精度带来的影响；随后又在“洪水法”的基础上提出了检测精度更高的“蛇形法”，该方法能够对缺损区域进行准确定位。
Tao［6］提出了球体灰度变换法，通过反射系数的转换解决了图像畸变的问题，但相应的变换计算复杂，处理时间长。
Bennedsen等［7］应用单阈值、多阈值和自适应性阈值3种方法相结合进行图像分割，实验对8种品种苹果的黑暗、擦伤和模糊区域进行检测，单个缺损的识别率为77% 91%，缺损表面积识别率78% 92．7%。
1．2基于彩色图像的检测方法彩色图像检测方法继承和发展了灰度图像检测方法。
其中，对彩色图像颜色模型变换和图像识别两方面进行论述。
1．2．1图像模型变换由于工业摄像机获取的彩色图像为RGB颜色模型的图像，RGB图像3个分量之间有很高的相关性。
为了降低彩色空间特征中各个特征分量之间的相关性，在分割彩色图像时，为了提高算法的可靠性，将图像模型转换为更加容易处理的颜色模型，如HSI颜色模型、灰度颜色模型等，可大大减少图像分析和处理的工作量。
Tao等［8］通过图像模型转换得到HSI颜色模型，对发芽马铃薯进行检测，研究发现可以应用HSI颜色模型对马铃薯进行简单的图像处理和颜色评判，颜色特征采用色调直方图表示。
该系统采用多变量识别技术对马铃薯进行检测，正确率达到90%以上。
Has-sankhani等［9］运用MATLAB对RGB，HSI，YCbCr和HSV多个颜色模型进行比较试验，对土豆表面裂口、破皮、绿皮、病变等进行对比试验。
实验证明，HSI颜色模型效果最好，在别的颜色空间病变缺损和裂口、破皮缺陷容易产生误判。
Mertens等［10］建立鸡蛋缺损离线检测系统，通过3个颜色通道间的逻辑运算找出缺损和背景间最明显区别，然后将原来图像转换为灰度图像，通过直方图均衡化得到缺陷蛋壳和正常蛋壳之间最佳灰度差别，本系统可对鸡蛋表面缺陷进行检查，并对缺陷进行分类，如暗点、白蛋、血斑、蛋黄污迹。
实验对200个鸡蛋（100个干净鸡蛋、100个有污点鸡蛋）进行检测，检测正确率为99%；缺陷分类正确率为91%。
本系统高检测率和正确率满足在线检测的需求，为鸡蛋在线检测奠定了基础。
1．2．2图像识别随着相关硬件和软件的发展，使得图像识别的运用成为可能。
图像识别可以认为就是图像的模式识别，是模式识别技术在图像领域中具体运用。
模式识别研究是通过人工智能系统代替人来完成简单的分类和识别的任务。
图像识别方法主要有：模板匹配、统计（决策理论）识别和句法（机构）识别和神经网络等4类。
PATEL等［11］提出运用两个彩色摄像头摄取鸡蛋图像，建立RGB颜色模型，通过神经网络进行判别。
其发现当所有缺损运用一个模型进行训练时，检测精度会有所下降。
为了提高检测精度，应用神经网络将360个鸡蛋（180个有缺损，180个A等级鸡蛋）按表面缺损血斑、裂纹、污点分开进行训练，平均准确率为92．8%，87．8%，85．0%。
实验证明，应用神经网络对鸡蛋不同的表面缺损进行分开训练，这样的正确检测率比混合在一起训练的效果要好。
Unay等［12］应用单色数字摄像机摄取灰度图像，用4种滤波器进行滤波，通过背景移除和阈值目标分割，在将提取的特征参量应用几种有监督分类法对苹果果梗和花萼区域（SC区域）进行识别实验，如线性判别、最近邻域法、模糊邻域法、支持向量机和自适应争强法。
实验证明，支持向量机SVM的分类效果最好，达到99%。
Unay等［13］又应用各种图像分割方法、算法和分类器对苹果擦伤、日灼、霉变等缺损检测进行比较，发现有监督的分类器要比无监督的分类器精确度高；考虑到分割精度和运行时间，发现多层次感知器的综合性能是最好的。
Leemans［14］等研究了水果在线检测分级方法。
该方法通过机械机构获得苹果的全表面图像，然后进行图像分割和缺陷提取。
应用K－均值聚类法进行分类学习，用二次判别式法进行缺陷分类。
实验结果表明，该方法的分级准确率可达到73%，但很难将果梗和花萼与缺陷进行区分。
2国内农产品表面缺损检测方法研究我国机器视觉技术自20世纪90年代后期逐渐发展起来，刚开始主要针对苹果、梨等水果进行研究；根据农产品表面具有不同的反射特性进行缺损检测。
应义斌等［15］应用梨的不同组织具有不同光反射特性的原理，即梨的正常部分与缺损部分呈现为不同的颜色，因而在可见光域内可以对果面缺损进行检测。
章文英等［16］根据苹果的缺损表面与非缺损表面具有不同反射特性，以及像素的灰度直方图统计特性，找出缺损区域，成功区分出果梗和果萼。
基于不同组织反射特性不同的检测方法相对简单，但具有一定的局限性，随后的研究将图像分割和分类判别作为研究的重点和难点。
2004年，刘禾等［17］基于在近红外波段内苹果表面反射系数与表面颜色无关的特点，为了避免颜色对表面缺损检测的影响，减少缺损区域检测与判别复杂性，采用工业黑白CCD摄像机并加一窄带近红外滤波片的方式，提出了将复杂的多模式分类问题利用二叉树简化为多级二类模式分类问题；并将阈值判别和人工神经网络相结合的方法进行检测。
试验表明，该方法能对苹果表面缺损进行简单分类，但分类正确率还有待于进一步提高。
李江波等［18］提出了一种通过掩模去除背景的新方法。
该方法解决带有缺损的水果在图像分割时部分缺损容易被误分割为背景这一问题，以脐橙为研究对象，通过掩模去除背景，可100%分割水果表面缺损且没有“毛边”现象。
同时，此种方法也可以避免由于水果表面颜色的变换而需设定动态阈值的问题。
李锦卫等［19］为探索基于机器视觉的马铃薯表面缺损检测新方法，研究提出用于缺损识别的10色模型（10个缺陷特征空间用于缺陷检测快速匹配法）和能将马铃薯表面疑似缺损一次性分离出来的快速灰度截留分割方法。
此方法对农产品表面散状缺损的提取和识别有很强的借鉴意义和指导意义。
李江波等［20］提出了一种有效的水果表面亮度均一化校正方法。
该方法基于照度—反射模型，从原始图像中利用低通滤波的方法分离出亮度分量；然后，通过均一化校正水果表面亮度，使水果表面缺损检测简化为单阈值法检测，克服了传统缺损检测算法的复杂性。
由于该方法实现了单阈值对水果表面缺损的一次性成功分割，因此在在线水果缺损检测中具有较大的应用潜力。
展慧［21］为提高缺陷板栗检测精度，提出了多源信息融合技术对板栗缺陷检测的方法。
实验利用BP神经网络方法建立了基于近红外光谱、机器视觉和多源信息融合技术的板栗分级检测模型。
实验结果表明，3种识别模型对训练集板栗回判率分别为96．25%，96.67%，97．92%；对测试集板栗的识别率为86．25%，83．75%，90．00%。
基于近红外光谱和机器视觉的多源传感器信息融合技术的板栗缺陷检测方法是可行的，可为多源信息融合技术应用于板栗品质的快速准确评判提供参考。
3结论综述了机器视觉在农产品表面缺损检测中的研究方法，国外的研究成果表明机器视觉在鸡蛋、苹果、土豆等农产品表面缺损在线检测研究的比较深入，而我国还停留在静态图条件下。
为了加快推进我国农业科技创新，必须在结合现代农业高新技术的基础上进行创新和在方法上有新的突破。
机器视觉在农产品表面缺损检测分级领域的应用研究日益广泛，但是还存在以下几个方面的不足：①在带梗萼的农产品检测中，梗萼容易被误判为缺陷这一问题还没有被完全解决；②农产品表面缺损在线检测系统检测时间和检测精度这两个因素相互制约；③目前，农产品全表面缺损检测相关机构复杂，数据处理量大，算法比较复杂；④农产品缺损种类的检测还不够全面，分类不够细化，有的缺陷种类无法识别。