基于机器视觉的番茄内部品质预测_张亚静

第26卷增刊2 农业工程学报 Vol.26 Supp.2 366 2010年 12月 Transactions of the CSAE Dec. 2010

基于机器视觉的番茄内部品质预测

张亚静1，Sakae Shibusawa2，李民赞1※

（1. 中国农业大学现代精细农业系统集成研究教育部重点实验室，北京 100083；

2. 东京农工大学农学部，东京 183-8509）

摘要：为了实现番茄内部品质的实施快速检测，利用机器视觉技术，从“定性”和“定量”两方面进行了番茄内部品质预测方法的研究。首先设计开发了番茄图像采集机器视觉系统，可分别从3个不同高度：0.5、1、1.5 m和6个不同方向：上、下、左、右、前、后采集番茄图像。视觉系统利用4个卤素灯作为光源，内部亮度恒定为600 lx。然后收集了68个不同生长阶段的番茄样本，样本根据是颜色从未成熟阶段（绿色）到成熟阶段（红色）被分为了5个等级。在利用开发的机器视觉系统采集了番茄样本的图像之后，通过RGB色彩模型、L*a*b*色彩模型和灰度共生矩阵（GLCM）计算番茄图像特征值，并将其输入BP神经网络，对糖度、酸度、氨基酸含量和水分含量共4种番茄内部品质进行预测。在“定量”预测中，分别建立了每种内部品质的预测模型。结果表明，酸度与图像特征之间的相关系数最高为0.536，定量预测精度还有待进一步提高。在“定性”预测中，利用BP神经网络，通过番茄内部属性含量的不同组合值预测番茄生长阶段，对隐层节点数和训练函数这两个重要的网络参数进行优化。试验中使用40个样本作为训练集建立模型，使用28个样本作为测试集，其中22个样本预测正确，结果表明利用机器视觉方法预测番茄内部品质具有较好应用前景。关键词：农产品，神经网络，图像处理 doi：10.3969/j.issn.1002-6819.2010.z2.069 中图分类号：TP391.41 文献标识码：A 文章编号：1002-6819(2010)-Supp.2-0366-05

张亚静，Sakae Shibusawa，李民赞. 基于机器视觉的番茄内部品质预测[J]. 农业工程学报，2010，26(Supp.2)：366－370. Zhang Yajing, Sakae Shibusawa, Li Minzan. Prediction of tomato inner quality based on machine vision [J]. Transactions of the CSAE, 2010, 26(Supp.2): 366－370. (in Chinese with English abstract)

0 引言

随着果蔬商品日益规范化，其进入市场流通时必须

要通过分级、包装、装箱等多个流水线环节才能完成。

流水线能否保证产品质量，关键在于是否能正确快速的

判别果蔬品质[1]。对大多数农产品来说，产品表面特征（颜

色特征、纹理特征等）与产品内在品质有着极其密切的

关系，农产品的表面特征已成为评价其内在品质的一个

重要指标[2-4]。评价农产品内在品质的方法有很多：化学

方法、超声波[5]、电子鼻[6]、机器视觉[7-8]、近红外光谱

（NIR）[9-10]等，其中，机器视觉和近红外光谱是两种最为

常用的非破坏性检测方法。近红外光谱法快速、准确，

但是设备造价高。机器视觉法造价低、速度快，适用于

在线分级系统，但目前研究大多集中在利用机器视觉来

预测果蔬的外部品质，包括大小、形状和损伤部分等等，

对于内部品质的预测研究较少，因此对测试内部品质而收稿日期：2010-09-10 修订日期：2010-10-18 项目基金：国家自然科学基金（30871453；U0931001）作者简介：张亚静（1981－），女，汉族，河北，博士研究生，研究方向：精细农业系统集成。北京中国农业大学（东校区）125信箱，100083。 Email: pact@cau.edu.cn。 ※通信作者：李民赞（1963－），男，汉族，河北，教授，博士，主要研究方向：精细农业系统集成。北京中国农业大学（东校区）125信箱，100083。Email: limz@cau.edu.cn 言仍是一种较为新颖的方法。本文以番茄为例，根据其

外部特征（颜色特征和纹理特征），利用BP神经网络，

从“定量”和“定性”两方面，对于影响其口感的4种

重要内部品质：糖度、酸度、水分含量以及氨基酸含量

进行预测。所谓“定量”预测，是指对于上述4种内部

属性，分别建立一个模型进行预测。另一方面，对于处

于不同生长阶段的番茄来说，以上4种内部属性的含量

也各有不同，即不同属性含量的组合值可以表示番茄正

处于不同的生长阶段。因此可建立一个模型，根据番茄

样本的不同特征组合值来预测番茄的生长阶段，后一种

分析被称为“定性”预测。

1 材料与方法

1.1 机器视觉系统设计与开发

要利用机器视觉方法预测番茄内部属性，首先要搭

建一个便于采集番茄测试图像的机器视觉系统。由于图

像采集过程对光线非常敏感，因此要求视觉系统内部光

照强度稳定。图1即为设计开发的番茄图像采集专用机

器视觉系统。该视觉系统由1台笔记本电脑，4个卤素灯

（Philip，12V50WAKW/5-1)，1个CMOS摄像机（ARTARY，

Japan）和1个支架组成。

如图1所示，4个卤素灯被安装在一个可移动的隔板

上，便于获取不同距离（指摄像机和目标果蔬之间的距

离）的番茄图像，可用于分析果蔬在图像中的面积与测增刊2 张亚静等：基于机器视觉的番茄内部品质预测 367

图1 机器视觉系统构造示意图 Fig.1 Design model of machine vision system 试距离的关系，而果蔬图像面积和产量大致呈正比，因此

未来可尝试果蔬测产等相关研究。同时系统支架外部使用

一块黑色不透光的幕布遮盖，可阻挡大部分外部光线进入

系统内部，而且布面并不光滑，不会发生强烈的反射现象。

经过光度计测量，系统内部亮度基本恒定在600 lx。试验中

分别从3个高度（0.5、1、1.5 m）和6个不同角度（上、

下、左、右、前、后）采集番茄图像，然后使用1台笔记

本电脑（Inter 1.80G）来分析图像并计算其各种图像特征。

图像分辨率是512 pixels×512 pixels，格式是BMP，使用

MATLAB v6.5和Visual C++6.0混合编程对图像进行处理。

1.2 试验图像获取

供试番茄品种为桃太郎。试验中共采集了5个不同

生长阶段的番茄样本共68个，各阶段的样本数量如表1

所示。因为处于不同的生长阶段，因此其颜色和质量都

各不相同，特别是颜色，从未成熟阶段到成熟阶段，颜

色明显从绿色变到红色。

表1 不同生长阶段的番茄样本数量 Table 1 The amount of tomato samples in different growing stage

生长阶段 1 2 3 4 5

样本数量/个 13 14 14 14 13 试验中共获取番茄图像1 224张。图2是其中一个采

集样本示意图。

图2 采集样本示意图 Fig.2 Tomato sample 如图2所示，虽然支架已用黑色不透光幕布遮盖，

外部光线不会进入系统内部。但是因为系统本身选用了4

个卤素灯，这种情况下还是会出现亮斑，如区域A所示。

为了防止亮斑影响识别效果，可选取整个图像的一部分

参与计算。因为番茄表面区域中不同位置的图像特征差

别不大，所以选中其中一部分样本来参与运算不影响计

算结果，并且因为需要运算的面积缩小，还可减少计算

时间。选取原则是随机选择番茄表面非亮斑处表皮即可。

本试验中选取样本图像的边长D=80 pixels（见图2），样

本的特征值是所有像素特征值的平均值。

1.3 化学试验

该化学试验主要用来测量番茄的糖度、酸度、氨基

酸含量及水分含量这4种属性的真实值。分别通过测量

体积、获取图像、番茄破碎、测试氨基酸含量、测试水

分含量、测试酸度和测试糖度共7步实现，测试具体结

果如表2所示。试验结束后，将化学试验测试的真实结

果（内部品质）和利用算法分析得出的计算结果（外部

特征）进行相关性分析。

表2 番茄各种属性实测值 Table 2 Real values of tomato inner quality

质量/g 大小/cm 糖度/°Bx 生长阶段最大值最小值平均值长度平均值宽度平均值高度平均值最大值最小值平均值

1 161.72 130.24 152.42 5.2 5.3 4.8 6.32 4.90 5.48 2 167.31 152.14 158.94 5.7 5.6 5.2 6.30 4.67 5.54 3 171.34 162.17 166.34 6.3 6.3 6.1 6.07 4.80 5.50 4 173.41 162.45 169.39 7.1 6.9 6.7 7.20 5.10 5.79 5 182.14 169.32 176.81 7.5 7.5 7.4 6.90 5.10 5.96

酸度/K 氨基酸质量分数/ (mg·kg-1) 水分质量分数/ (g·kg-1) 生长阶段最大值最小值平均值最大值最小值平均值最大值最小值平均值

1 0.47 0.33 0.39 2210.47 296.21 1059.25 95.17 93.61 94.45 2 0.45 0.25 0.35 3328.41 816.52 1370.75 95.32 93.46 94.35 3 0.38 0.27 0.34 1334.84 409.63 872.32 95.32 93.99 94.58 4 0.41 0.31 0.34 4112.26 506.14 1130.23 95.08 92.84 94.33 5 0.50 0.29 0.36 4807.71 390.71 1690.70 95.22 93.35 94.17 注：酸度单位K为中和1 mmol/L NaOH所使用酸的克数。农业工程学报 2010年 368

从表2可以看出，随着番茄越来越成熟，番茄的平

均糖度值也呈上升趋势，说明该品种番茄越成熟，口感

越甜；而酸度值呈下降趋势，尤其是第1阶段和第2阶

段之间，酸度值下降比较明显，但后4个生长阶段变化

不大；氨基酸含量和水分含量变化不大，但呈现相反的

变化趋势。在不同的生长阶段，番茄内部属性值也各不

相同。因此，可根据番茄内部属性含量值的不同组合来

预测番茄的生长阶段。

1.4 算法设计

获取番茄样本图像后，首先分析计算该图像特征，

然后利用BP神经网络模型，预测番茄的内部属性。这里

的图像特征主要指番茄的外部特征，也即其表面颜色特

征和纹理特征。利用RGB色彩模型和L*a*b*色彩模型分

析其颜色特征，共R、G、B、L*、a*、b* 6种特征。番

茄表面光滑，但仔细观察，仍有一些微小的白色斑点，

这是番茄的纹理特征。利用灰度共生矩阵来提取对比度

(CON)、熵(ENT)、相关性(COR)和能量(ASM)4种纹理特

征[11]。分别计算样本图像的10种图像特征值，使用两种

方法讨论番茄外部特征和内部品质之间的相关关系。

1.4.1 直接相关性分析

合集下载

基于图像处理的番茄重量预测

何婷婷;李志伟;张馨;张钟莉莉;肖雪朋;董静

【期刊名称】《食品与机械》

【年(卷),期】2022(38)10

【摘要】目的:建立一种基于图像处理的番茄重量检测方法以实现无接触式番茄重量检测。方法:通过图像处理得到番茄二值图像,使用像素统计法和最小外接矩形法提取番茄的几何特征与果重真实值进行相关性分析,建立以几何特征为参数的番茄重量检测回归模型。结果:与番茄真实尺寸对比,最小外接矩形法对番茄横、纵径测量误差在3%以内。除果形指数外,其他几何特征与番茄果重呈线性相关,且正面特征与果重的相关关系更显著。建立了3类共20个模型进行预测评估,以番茄正面投影面积与周长、一个侧面图像的投影面积和番茄横径为参数的多元回归模型准确率最高,回归系数为0.962,检测值平均相对误差为0.673%,平均绝对误差为1.425 g。结论:该模型适用于番茄及其他具有类似轴对称形状特征的水果或物品的重量检测。

【总页数】7页(P17-23)

【作者】何婷婷;李志伟;张馨;张钟莉莉;肖雪朋;董静

【作者单位】山西农业大学;北京市农林科学院信息技术研究中心;北京市农林科学院智能装备技术研究中心;农业部农业信息软硬件产品质量检测重点实验室

【正文语种】中文

【中图分类】S64

【相关文献】 1.基于图像处理的番茄识别方法2.基于双目视觉的番茄图像处理及采摘轨迹规划3.基于图像处理技术的番茄成熟度检测研究4.基于图像处理技术的棚室番茄果实识别5.基于根系图像处理的番茄枯萎病检测研究

因版权原因，仅展示原文概要，查看原文内容请购买

基于机器视觉的粮食质量检测与分析技术研究

第一章研究背景

随着我国粮食生产的快速发展，粮食质量问题日益凸显。粮食质量检测一直是保证人民生活安全和国家经济发展的重要措施。传统的粮食质量检测主要依靠人力视觉检测，检测效率低，存在误差大等问题。利用机器视觉技术对粮食进行质量检测，不但能够提高检测效率，而且可以有效减少误差。因此，基于机器视觉的粮食质量检测与分析技术研究值得深入探究。

第二章机器视觉技术的原理

机器视觉是利用计算机及相关传感器，对图像进行采集、处理和分析，从而实现对物体的识别、检测和定位等功能的一种控制技术。机器视觉系统主要由图像采集、图像预处理、特征提取和分类识别四个部分组成。

图像采集是机器视觉系统的基础，能够获取粮食的图像信息；图像预处理是将原始图像进行处理，尽可能地提取有意义的信息，并去除噪声干扰；特征提取是将处理后的图像转化为有用的特征信息；分类识别是将特征信息进行分类，从而实现对粮食质量进行检测。

第三章基于机器视觉的粮食质量检测技术基于机器视觉的粮食质量检测技术主要有颜色、形状和纹理等多种特征属性。其中，颜色特征是最常用的一种，通过对图像颜色的分析，可以有效地判断粮食的成熟度和外观表现；形状特征则主要用于对粮食形状的几何分析，从而判断粮食的完整性和品质；纹理特征是通过对粮食表面的纹理进行分析，判断粮食品质的优劣。通过综合应用这些特征属性，可以实现对粮食的快速、准确检测。

第四章粮食质量检测实验的研究方法

本文利用基于机器视觉的粮食质量检测技术，在实验室环境下，对大米、小麦等粮食进行质量检测研究。

实验步骤如下：首先，采用图像采集设备获取粮食图像；然后，对采集的图像进行预处理和特征提取；最后，利用分类器对处理后的图像特征进行分类，以判断粮食的质量。

第五章实验结果分析

通过实验测试，本文证明了基于机器视觉的粮食质量检测技术在科学、准确和高效三个方面的优越性。

实验结果表明，该技术能够通过对颜色、形状和纹理等多方面特征属性的综合分析，实现对粮食质量的准确评估。并且，该技术具有实时性好、效果稳定、检测速度快等优点，可以有效应用于现场生产环境中。第六章小结

机器视觉技术在农业上的研究现状及展望

摘要：随着计算机技术硬件不断发展，计算机视觉理论越来越多应用在具体的工程领域当中。特别是机器视觉的发展，是计算机视觉理论实际转化到工程应用的一个典型分支。本文针对近年来机器视觉技术在农业上的应用进行分析和总结，为同行的研究人员提供参考。本文介绍机器视觉技术系统的组成，机器视觉技术在农业的研究现状，并对未来在农业领域的应用提出展望。

关键词:机器视觉；深度学习；农业；数字图像

0 引言

随着现代计算机技术的不断发展，农业转型升级迫在眉睫，越来越多的国家加快推进农业自动化时代的到来，尤其以德国为代表的欧美发达国家在农业自动化采摘、管理、收割等方面处于领先的地位。

机器视觉作为实现自动化必经的环节，在农业自动化的实现、智能制造的蓬勃发展做出巨大的贡献。近年来，计算机硬件、软件的发展为机器视觉的发展提供了基础，机器视觉作为计算机视觉在实际工程中的典型应用，具有实时性高、灵活性好、应用的范围较广等特点越来越多受到各行各业的重视，本文在总结机器视觉在农业领域的应用现状的基础上，对机器视觉在农业未来的发展方向提出展望，旨在为从事该领域的研究者提供一定的参考[1]。

1 机器视觉系统的组成及处理工程

目前机器视觉系统主要由成像系统、视觉处理系统、图像反馈。其中成像系统光源、镜头、工业相机等；视觉处理系统包含图像去噪、图像增强、图像配准与拼接等；图像反馈包含图像显示与图像分类。其大致过程为：被摄取目标在光源的照射下经过镜头的作用成像在工业相机的光敏面阵上，工业相机将形成图像信号传递给视觉处理系统，视觉处理系统根据图像的亮度、像素的分布、颜色、纹理等将图像信号处理成为数字信号，处理系统根据信号进行位运算等一系列操作，将处理的结果通过通信总线显示，根据显示做出相应的动作，经驱动信号、功率放大、机构驱动设备做出相应操作。

2机器视觉系统常用算法

深度学习模型是目前常用的物体识别算法，其基本思想是通过有监督或者无监督的方式学习层次化的特征表达来对物体进行从底层到高层的描述．主流的深度学习模型包括自动编码器、受限波尔兹曼机、深度信念网络、卷积神经网络、生物启发式模型等。

基于机器视觉的水果分级分拣系统关键技术研究

作者：刘福华

来源：《机电信息》2021年第28期摘要：机器视觉就是利用图像摄取装置等产品代替人眼做测量和判断，当前在水果分级分拣领域应用极广，已成为工业机器人进行农产品自动化检测的研究热点，但如何对采集到的自然图像进行高效目标分割和识别检测，成为制约分拣机器人应用的技术难点。现利用机器视觉测量精度高、结果稳定可靠和非接触性等优点，通过对苹果进行尺寸测量、空间定位，并根据果形大小、色泽光洁程度和表面缺陷等指标进行特征识别，实现对苹果品质的科学精准分级和自动分拣，并利用机械手臂自动完成不同等级水果的分拣，实现生产线上的“手眼”协调工作。

关键词：机器视觉;水果分级分拣;关键技术

0 引言

当前对苹果品质的检测工作主要依靠人工完成，但是人工检测会存在误判、效率低和成本高等问题，且对于后期的水果分拣工作也存在效率和准确率低的问题。机器视觉就是用图像摄取装置等来代替人眼做一些分析和判断，自动得到一些问题的结果，近年来其以速度快、信息量大、功能多等特点在水果分级分拣领域得到了广泛应用[1-3]。本研究从水果的分级分拣环节入手，利用图像分割和深度学习算法，达到了准确高效分拣水果的目的。

1 水果分级分拣系统硬件搭建

水果分级分拣系统样机如图1所示，其主要由硬件系统和软件系统构成。

（1）硬件系统包括图像采集模块、机械手模块。图像采集模块用于图像的获取，作为图像分析的数据源;机械手模块用于对水果进行抓取。

（2）软件系统主要实现苹果的智能识别和自动抓取功能，包括苹果定位模块、苹果分类识别模块和机械手抓取模块。其中抓取系统的X轴、Y轴运动利用标准滑台实现，Z轴运动利用滚珠丝杠花键实现，同时还可以实现旋转和旋转移动;利用PLC对电机进行闭环控制，实现抓取装置准确定位;利用气缸驱动夹具实现抓取功能。

精品西红柿尺寸分级检测算法

第42卷第17期包装工程 2021年9月 PACKAGING ENGINEERING ·218·

收稿日期：2020-11-20

基金项目：陕西省重点研发计划（2020GY-084）；陕西省教育厅科研计划（20JG014）

作者简介：乐万德（1975—）

，男，博士，工程师，主要研究方向为计算机辅助设计、计算机视觉。精品西红柿尺寸分级检测算法

乐万德，任静，刘舟洲，杨楠

（西安航空学院计算机学院，西安 710077）

摘要：目的针对传统果蔬分级设备及工艺较复杂不适合小规模果农的问题，设计基于机器视觉的西红

柿尺寸和果形分级检测算法。方法该算法中，首先用改进的基于彩度差的灰度计算和大津法解决阴影

对轮廓的影响。然后，基于控制点变换进行畸变矫正得到西红柿图像的俯视图，并采用面积阈值和傅里

叶变换去除轮廓噪声。最后，通过对比参照物的像素尺寸计算西红柿的物理尺寸，并进行自动分级及标

定。结果实验表明，对具有阴影干扰的西红柿尺寸测量准确度达到95%以上，并且测量偏差为负偏差。

结论该算法用软件替代传统分级所需硬件，解决了阴影、畸变、噪声等关键问题，用手机拍摄就能满

足西红柿分级，有助于提高小规模果农水果分级分装的自动化和智能化水平。

关键词：阴影图像；阈值分割；畸变矫正；果蔬分级

中图分类号：TP391.4 文献标识码：A 文章编号：1001-3563(2021)17-0218-08

DOI：10.19554/ki.1001-3563.2021.17.029

Size Grading Detection Algorithm of High-Quality Tomatoes

YUE Wan-de, REN Jing, LIU Zhou-zhou, YANG Nan

(School of Computer Science, Xi'an Aeronautical University, Xi'an 710077, China)

基于图像局部方差的亮度矫正下番茄表面缺陷检测方法

基金项目：现代农业产业技术体系（编号：ＢＡＩＣ１０２０２２Ｅ０２）；北京市乡村振兴科技项目（编号：２０２２０８１８）作者简介：何婷婷，女，山西农业大学在读硕士研究生。通信作者：岳焕芳（１９９１—），女，北京市农业技术推广站农艺师，硕士。Ｅｍａｉｌ：ｙｕｅｈｕａｎｆａｎｇ＠１６３．ｃｏｍ收稿日期：２０２３０２１３改回日期：２０２３０５３１犇犗犐：１０．１３６５２／犼．狊狆犼狓．１００３．５７８８．２０２３．８０１００［文章编号］１００３５７８８（２０２３）０９０１２８０６

基于图像局部方差的亮度矫正下

番茄表面缺陷检测方法

Ｔｏｍａｔｏｓｕｒｆａｃｅｄｅｆｅｃｔｄｅｔｅｃｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎｉｍａｇｅｌｏｃａｌ

ｖａｒｉａｎｃｅｃｏｎｓｉｄｅｒｉｎｇｂｒｉｇｈｔｎｅｓｓｃｏｒｒｅｃｔｉｏｎ

何婷婷１，２

犎犈犜犻狀犵狋犻狀犵１，２　姚继超３

犢犃犗犑犻犮犺犪狅３　张钟莉莉２

犣犎犃犖犌犣犺狅狀犵犾犻犾犻２　芦天罡４

犔犝犜犻犪狀犵犪狀犵４　岳焕芳５

犢犝犈犎狌犪狀犳犪狀犵５

（１．山西农业大学，山西太谷　０３０８０１；２．北京市农林科学院智能装备技术研究中心，

北京　１０００９７；３．山东省聊城市水利事业发展和保障中心，山东聊城　２５２０００；

４．北京市数字农业农村促进中心，北京　１００１０１；５．北京市农业技术推广站，北京　１０００２９）

（１．犛犺犪狀狓犻犃犵狉犻犮狌犾狋狌狉犪犾犝狀犻狏犲狉狊犻狋狔，犜犪犻犵狌，犛犺犪狀狓犻０３０８０１，犆犺犻狀犪；２．犐狀狋犲犾犾犻犵犲狀狋犈狇狌犻狆犿犲狀狋犜犲犮犺狀狅犾狅犵狔

犚犲狊犲犪狉犮犺犆犲狀狋犲狉，犅犲犻犼犻狀犵犃犮犪犱犲犿狔狅犳犃犵狉犻犮狌犾狋狌狉犲犪狀犱犉狅狉犲狊狋狉狔犛犮犻犲狀犮犲狊，犅犲犻犼犻狀犵１０００９７，犆犺犻狀犪；

３．犔犻犪狅犮犺犲狀犵犠犪狋犲狉犆狅狀狊犲狉狏犪狀犮狔犇犲狏犲犾狅狆犿犲狀狋犪狀犱犌狌犪狉犪狀狋犲犲犆犲狀狋犲狉，犔犻犪狅犮犺犲狀犵，犛犺犪狀犱狅狀犵２５２０００，犆犺犻狀犪；

基于图像处理的番茄采摘机器人的设计毕业论文精品

毕业论文（设计）

题目: 基于图像处理的番茄采摘机器人的设计

摘要 ................................................................................................................................................................... I

ABSTRACT ....................................................................................................................................................... II

1 绪论 .................................................................................................................................................................. 1

1.1 研究的背景及意义 ................................................................................................................................... 1

1.2 国外研究现状 ........................................................................................................................................... 1

基于视觉的西红柿分级方法研究

收稿日期:2023-04-13基金项目:甘肃省高校教师创新基金项目“基于计算机视觉的农产品品质检测与智能分级应用技术研究”(2023B-437)。作者简介:于灏(1994—),男,赤峰宁城人,助教,助理工程师,硕士,主要研究方向:计算机视觉及图像处理。基于视觉的西红柿分级方法研究

于灏1,2,李诏敏2

〔1.金力永磁(包头)科技有限公司智能制造研发中心,内蒙古包头 014030;2.酒泉职业技术学院,甘肃酒泉 735000〕

摘要:文章针对西红柿采摘后的自动化分级过程进行研究,提出了一种基于视觉的西红柿智能分

级方法。该方法对西红柿图像进行降噪、灰度化、二值化和形态学处理并进行相关计算获取用于分级的

参数信息,包括西红柿所占像素数、西红柿的色彩和果型参数,并用于训练BP神经网络,最终得到了可

以精确分级西红柿的神经网络,对实现西红柿以及与其相似果蔬的智能分级具有一定参考价值。

关键词:图像处理;自动采摘;果蔬分级;西红柿分级;BP神经网络中图分类号:TP391.4 文献标识码:A 文章编号:1007—6921(2024)03—0126—03

我国是农业大国,农业关乎国计民生,在国内的

经济中占有重要地位。随着工业升级和城镇化,农

村劳动力逐渐向城镇聚集,以及土地政策的引导,土

地也逐渐流转聚集,这都促使着中国农业的升级转

型,进而对农业装备业提出了更高的要求和考验。

装备智能化是农业装备发展的必由之路[1]。西红柿

在国内有广泛的种植,是中国乃至世界上重要的蔬

菜之一。目前国内西红柿的种植、采摘以及分拣主

要靠人力来完成[2]。图像处理、目标定位、信息提取

以及分类是农业采摘、分拣装备智能化的基础问题

和核心问题[1-4],目前在这些领域已经有了很多优

秀的成果。赵源深[1]对西红柿采摘机器人做了深入

研究,实现了机器人在农业环境下的西红柿识别、定

位和采摘。袁紫薇[2]对西红柿的收割过程进行了研

究,构建了基于视觉的番茄收割实时分拣系统,提取

基于外部特征信息的番茄果实质量预测模型

第３２卷第６期　２０１３年１１月　华中农业大学学报　Ｊｏｕｒｎａｌ　ｏｆ　Ｈｕａｚｈｏｎｇ　Ａｇｒｉｃｕｌｔｕｒａｌ　Ｕｎｉｖｅｒｓｉｔｙ　Ｖｏ１．３２　Ｎｏ．６　Ｎｏｖ．２０１３，１４４～１４８　基于外部特征信息的番茄果实质量预测模型　何　微　牛智有　李晓金　华中农业大学工学院，武汉４３００７０　摘要　为实现番茄果实质量的预测，提出一种应用计算机视觉技术对番茄果实质量进行自动识别的方法。　采用Ｍａｔｌａｂ平台构建算法，利用数学形态运算及图像局部性质运算等构成的识别算法，对番茄样本图像进行预　处理，提取番茄图像投影面积、轮廓周长、最大内接圆直径和最小外接圆直径外部特征参数，分别建立番茄果实　质量与４个特征参数之间的一元线性、二阶多项式、幂指和多元线性预测模型。试验结果显示：采用多元线性预　测模型预测结果最佳，其决定系数为０．９２６　７，标准差为４．３２；利用检验样本对预测模型进行验证，预测果实质　量与实际果实质量的绝对误差均值为３．２６０　ｇ，相对误差均值为１．５３５％。研究结果表明，基于计算机视觉技术　外部特征信息的番茄果实质量预测方法是可行的。　关键词　番茄；外部特征；计算机视觉；预测模型　中图分类号ＴＰ　３９１．４１；ＴＳ　２５５．３５　文献标识码Ａ　文章编号　１０００—２４２１（２０１３）０６—０１４４—０５　番茄果实的采收与分级主要依靠经验，因缺乏　现代无损分选技术，极大地影响了番茄高端消费和　出口贸易。鉴于此，中国颁发了番茄质量等级标准　（ＧＢ８８５２－－８８）。该标准为番茄质量等级和规格判　定提供了依据。目前，番茄等级的确定主要采用人　工评定的方法，这种依靠人工的番茄等级评定方法　存在明显缺陷：一是缺乏客观的定量评价标准，评定　过程容易受到主观因素的干扰，造成较大误差；二　是效率低，难以满足工业化生产要求。因此，采用现　代化检测技术和方法判别番茄等级，建立番茄等级　的客观评价方法和基础理论，以实现番茄质量的高　效自动分级，是当今番茄生产过程和流通领域中亟　待解决的技术问题之一［１］。笔者采用机器视觉技　术，研究番茄图像处理方法，提取番茄有效的外部特　征参数，旨在分析果实质量与外部特征参数之间的　相关性，建立果实质量预测模型，为番茄果实质量自　动分级提供科学依据。　１材料与方法　１．１供试材料　供试样本为果蔬市场和农户种植收获后未经挑　选的１３４个番茄果实，主要品种为红宝石、华番ｌ号　和精番１６８。经过测定，番茄果实质量为５８．１～　３４１．０　ｇ，平均１３５．５　ｇ，变异系数为３１．８　。根据　试验要求对番茄果实进行人工分组和编号，将供试　样本分为２组，其中１２６个样本用于建模，其余８个　样本用于对模型的检验。　１．２图像采集系统　根据试验要求，自制构建的番茄图像采集系统　如图１所示。　１．载物台Ｓｔａｇｅ；２．番茄Ｔｏｍａｔｏ；３．电耦合装置Ｃｈａｒｇｅ　ｃｏｕｐｌｅ　ｄｅｖｉｃｅ（ＣＣＤ）；４．环形光源Ｃｉｒｃｕｌａｒ　ｌｉｇｈｔ　ｓｏｕｒｃｅ；５．丝　杆Ｓｃｒｅｗ；６．计算机Ｃｏｍｐｕｔｅｒ．　图１图像采集系统模型　Ｆｉｇ．１　Ｉｍａｇｅ　ａｃｑｕｉｓｉｔｉｏｎ　ｓｙｓｔｅｍ　图像采集系统主要包括硬件和软件２个部分。　硬件部分主要有摄像头、光照箱、环形灯、图像采集　卡和ＰＣ机。摄像头采用大恒公司生产的彩色　ＨＶ２ＯＯＯＦＣ型（带外触发），配套使用ＩＥＥＥＩ３９４接　收稿日期：２０１２—１２—１３　基金项目：湖北省科技厅研究与开发自主项目（２００９ＢＢ０１３）　何微，硕士研究生．研究方向：现代农业装备工程．Ｅ－ｍａｉＩ：ｈｅｗｅｉ８７＠１２６．ｃｏｒｎ　通讯作者：牛智有，博士，教授．研究方向：农产品加工技术与装备．Ｅ－ｍａｉｌ：ｎｚｈｙ＠ｍａｉ