基于机器视觉的水果自动分级

基于机器视觉的水果自动分级 摘要：果品采后分级，对于保证果品质量，方便贮运，促进销售，便于食用和提高产品的竞争力具有重要意义。因此,发达国家极为重视，特别注重果品分级机械的开发。水果分级技术能够保证水果的质量，提高消费者的满意度，增强水果产业的竞争力和利润水平。本文介绍了水果自动分级机的研究现状，综述了国内基于机器视觉的水果自动分级技术在大小、形状、颜色和表缺陷分级方面的研究现状，分析了基于机器视觉的水果自动分级过程中存在的不足，提出了利用定向装置与机器视觉相结合的水果分级的思路。

关键词：机器视觉；定向装置；水果分级；进展 Automatic classification of fruits based on the Machine vision Abstract: The grading of post-harvest fruit is important for ensureing fruit quality, convenient storage and transportation, the promotion of sales ,human consumption and improving the competitiveness of products. Therefore, the developed countries attached great importance, with particular emphasis on the development of fruit grading machinery Technologies for grading and sorting fruit would assure the quality and whole-sameness of fruit, increase consumer satisfaction, and enhance the competitiveness and profit-ability of the fruit industry. In this paper, the present situation of fruit sorting robots was reviewed; the computer fruit grading technologies based on size, shape, color and surface defect are introduced in China. After disadvantages of fruit grading method only based on machine vision are analyzed, the new method of combining machine vision with oriental device is put forward in the paper.

Key words: machine vision;oriental device;fruit grading;prospect 我国是水果生产大国，特别是90 年代以来发展更为迅速。据国家统计局统计，2004 年我国水果总产量已经达到 15243 万吨，比 2003 年增长 5%，占世界总产量的 12.7%。水果产业已经成为我国南方主产区农村经济的一大支柱产业，为促进农民增收、扩大城乡居民就业和改善生态环境作出了积极贡献。

虽然我国水果产量很大，但国内水果价格低，“卖果难”问题经常出现，水果生产快速发展的势头受到抑制。 而且中国水果以本国消费为主， 参与国际贸易的比例一直很低， 出口量不到国际水果贸易的3%。其中一个重要原因就是采后商品化处理落后，外观质量较差，导致水果的市场竞争力比较弱。根据水果产销趋势可以发现，水果产值的大部分是由产后处理和产后加工创造来的。 水果的产后商品化处理包括清洗、打蜡、分级、 包装。分级是果品商品化处理的重要环节，它在技术方面发展最快并在最近几年发生了根本的变化。目前我国国内水果商品化处理过程中的清洁、 打蜡设备已经比较成熟，关键在于分级技术还比较落后。水果的分级指标包括外部品质和内部品质两个方面。 水果外部品质的主要分级指标是水果的果形、大小、色泽、表面质量和颜色等。其中水果的表面质量可以通过表面光洁度、表面缺陷( 斑点、污点、烂坏)、损伤来描述。内部品质指糖度、硬度、酸度、可溶性固形物等指标。

水果分级是采后加工的关键环节，一般按大小、形状、颜色、表面缺陷等几个方面对其外部品质进行分级。人工分级是目前国内普遍采用的分级方法。这种分级方法所用设备简单，能最大限度地减轻水果的机械伤害，但分级标准容易受人的主观鉴别能力和情绪等因素影响，往往偏差较大，且需要大量劳动力从事机械劳动，工作效率低；机械式分级或是根据果实直径大小形状选果，或是根据不同轻重进行质量选果，常用的设备有果径大小１

分级机、果实质量分级机等，这种分级方法能够消除人为心理因素的影响 ,生产效率较高 , 但分级精度不高，级差不可设置过小，适应性较差，容易对水果产生伤害。随着计算机技术的迅猛发展，机器视觉技术在工农业生产中的应用也越来越普遍，现已广泛应用于林业、工业、农业、军事、交通、品质检测等领域，本文对该技术在水果分级中的应用进行综述和展望。

1 机器视觉技术及其研究与进展 1.1 机器视觉技术

机器视觉又称计算机视觉，是随着计算机技术的发展迅速成长起来的，是指计算机对三维空间的感知，包括捕获、分析、识别等过程。它是计算机科学、光学、自动化技术、模式识别、人工智能技术的综合。机器视觉系统主要由三部分组成: 图像的获取、图像的处理和分析、输出或显示，一般需要 CCD 摄像机、检测装置、传送带、计算机、伺服控制系统等设备。在水果分级过程中，水果位于传送带上方，CCD摄像机配置在传送带的上方及周边，在传送带的两侧安装有检测装置。当水果通过 CCD 摄像机时，CCD 摄像机将通过图像采集卡将水果图像传入计算机 , 由计算机对图像进行一系列处理，确定水果的颜色、大小、形状、表面损伤情况等特征，再根据处理结果控制伺服机构，完成分级。该方法无损水果质量，能减轻人工分级的大量劳动和人为误差，速度快，精度高。上世纪 80 年代后期，由于计算机技术的迅速发展，计算机硬件价格大幅度下降而计算速度成倍增长，为计算机视觉技术的广泛应用创造了条件。国外众多学者对提高分级速度也进行了多方面的研究和努力，在理论和应用上有了较大进展，并取得了很好的经济效益。而我国的水果自动分级技术研究则较晚，仅始于 90年代，且从事机器视觉水果自动分级系统研究的科研院所并不多，但却为我国研究水果分级系统奠定了基础， 目前在水果外部品质分级技术方面的研究主要体现在以下方面。

1.2 机器视觉技术在水果分级中的应用 1.2.1 按大小分级 按大小分级是水果分级的一个重要指标。应义斌研究了利用机器视觉技术精确检测水果尺寸方法，建立了图像中的点与被测物体上的点之间的定量关系，提出利用物体的边界信息求出物体的形心坐标的新方法。实验表明所测水果最大横径与实际最大横径的相关系数0.96[1]。章文英、应义斌等针对苹果的外形特征，应用苹果的最小外接矩形 (MER) 的尺寸表示横径和纵径，取得了较为理想的结果[2]。高华、王雅琴用傅立叶半径描述的前 9 个分量测量水果的大小[3]。冯斌、汪懋华以苹果的自然对称形态特征为依据，取垂直于水果轴向的最大宽度为水果大小，检测准确率为 94.4%，水果大小检测最大绝对测量误差为 3mm[4]。

1.2.2 按形状分级 果实形状是水果品质检测与分级的一个重要指标[5]，宁纪锋、何东健等利用图像形态学方法，按内切圆面积占苹果图像面积的比例进行分级，综合准确率达 91.4%。利用形态学进行果实品质检测只需进行膨胀和腐蚀的组合调用 ,算法容易，但由于反复调用，算法２

执行效率较[6]。赵静、何东健提出用半径指标、连续性指标、曲率指标、半径指标的对称性、连续性指标的对称性、曲率指标的对称性 6 个特征参数表示果形，利用人工神经网络对果形进行识别和分级。结果表明，用提取的特征参数和果形识别技术，计算机视觉与人工分级的平均致率在 93%以上[7]。应义斌、景寒松等提出在黄花梨的分级过程中采用傅立叶变换与傅立叶反变换对来描述果形。研究发现该傅立叶描述子的前16 个谐波的变化特性足以代表梨体的主要形状，采用傅立叶描述子与人工神经网络相结合的方法进行果形识别的精确率可达90%[8]。

1.2.3 按颜色分级 颜色也是衡量水果外部品质的重要指标之一，同时该指标也能间接反映水果的内部品质。因此按颜色分级也是水果分级的一项重要内容。冯斌、汪懋华通过对不同着色等级的水果分析，以各色度在水果表面分布的分形维数为特征进行分级，该特征值不仅考虑了各色度点的累计特性而且考虑了色度点空间分布特性，使颜色分级更符合实际情况，通过人工神经网络识别进行分级的准确率达 95%[9]。何东健、杨青等通过机器视觉自动检测苹果表面着色度，获取彩色图像，并将 RGB 值转换成 HSI 值；在分析苹果颜色特性的基础上，确定了用合适色相值累计着色面积百分比进行颜色分级的方法。分级试验结果表明，计算机视觉分级与人工分级的一致度在 88%以上[10]。李庆中、张漫等确定了苹果颜色特征的提取方法，利用遗传算法实现了多层前向神经网络识别器的学习设计[11]。

1.2.4 按表面缺陷分级 表面缺陷也是水果分级的重要指标之一。李庆中、汪懋华在实数域分形盒维数计算方法的基础上，提出了双金字塔数据形式的盒维数快速计算方法。对于待识别水果图像的可疑缺陷区，提出用 5 个分形维数作为描述该区域粗糙度和纹理方向性的特征参数，并用所提出的快速计算方法进行计算，然后利用 BP 神经网络作为模式识别器，区分水果表面的缺陷区和梗萼凹陷区，识别准确率为 93%[12]。刘禾、汪懋华根据苹果表面缺陷特征，同时考虑缺陷形状的投影畸变，提出了一种苹果表面缺陷分类方法。该方法利用二叉树将一个复杂的多模式分类问题分解为多级的、相对简单的二类模式分类问题，并采用人工神经网络与阈值判别相结合的方法，将苹果表面缺陷分为碰压伤、刺伤、裂果、病虫果和虫伤[13]。何东健、杨青以提高球形果实表面缺陷面积的计算机视觉测定精度为目的，分析了利

用投影图像直接测定球形果实表面缺陷存在的问题；提出并建立了从投影图像恢复球形果实表面几何特征的像素点变换法和边界变换法，试验表明，两种方法可使测定相对误差减小 35%左右[14]。朱伟华、曹其新在 HSL 颜色模型的基础上，提出了基于模糊颜色聚类的缺陷分割方法。将 RGB 颜色模型转化为 HSL 颜色模型，用三角隶属度函数定义 H、S、L 模糊集，进而构成模糊颜色集，在该基础上，定义模糊颜色相似度测度，分析两种模糊颜色的形似性。该方法应用于西红柿的缺陷分割准确率达 96%[15]。以上是国内学者对水果分级的研究，这些研究大多利用一般的微机和图像采集卡，开发一些图像处理和模式识别的新算法。但由于图像处理硬件速度较低，在研究中未考虑实际分级中水果传输的动态特性，识别率、效率都很低，多数限于静态水果图像分选的算法研究，不适合实时分级的要求，尤其是快速而准确地测定水果表面的各种缺陷并与梗、萼凹陷区正确区分比较困难。