張萌 許敏

摘要：紅棗表面缺陷快速檢測是實現(xiàn)其自動分級的關(guān)鍵技術(shù)之一。針對紅棗表面曲率變化致使其表面灰度分布很不均勻和缺陷區(qū)域很不明顯的特點，提出了一種亮度快速校正算法。首先使用單色CCD、濾光片和近紅外光源獲得紅棗近紅外圖像；其次對原始圖像進行去背景操作，獲得紅棗區(qū)域灰度圖像；然后使用均值濾波器對去背景后的圖像進行濾波獲得亮度圖像，并使用該亮度圖像對去背景后的紅棗圖像進行亮度校正；最后對亮度校正后的圖像進行缺陷分割。試驗結(jié)果表明，該方法能顯著提高自動分級系統(tǒng)的實時性，且該缺陷檢測方法的準確率可達95%。

關(guān)鍵詞：表面缺陷檢測；近紅外圖像；亮度校正；自動分級

中圖分類號：TP274+.52 文獻標志碼： A 文章編號：1002-1302（2015）07-0331-03

紅棗具有極高的營養(yǎng)價值及藥用價值，受到了越來越多的消費者青睞[1]。作為中國的重要經(jīng)濟作物，種植面積與產(chǎn)量逐年提高，但霉爛、蟲害等缺陷嚴重影響了紅棗的品質(zhì)和價值，必須將其從正常棗中分選出來。目前，缺陷紅棗的剔除采用人工分選方法，缺點是工作量大，勞動效率低，準確性差。計算機視覺技術(shù)具有效率高、精度高、檢測信息豐富、非接觸等優(yōu)點，已在農(nóng)產(chǎn)品表面缺陷檢測領(lǐng)域獲得了廣泛應(yīng)用[2]。

由于農(nóng)產(chǎn)品表面缺陷區(qū)域與正常區(qū)域在顏色上存在顯著差異，因此大部分缺陷檢測算法是在顏色空間中進行。朱偉華等提出了基于模糊顏色聚類的缺陷分割方法，并將該方法應(yīng)用于番茄的缺陷分割[3]。李錦衛(wèi)等將灰度截留分割法與改進的十色模型應(yīng)用到馬鈴薯表面缺陷檢測中，試驗結(jié)果該方法能夠快速、有效檢測出馬鈴薯表面缺陷[4]。趙杰文等提取HSI顏色空間中H分量的均值與方差作為紅棗的顏色特征，并使用支持向量機建立了紅棗缺陷識別模型，該模型對預(yù)測集樣本的預(yù)測準確率可達96.2%[5]。李江波等對球型水果表面灰度分布不均進行了灰度補償（亮度校正），然后使用單一閾值一次性分割獲得了臍橙表面缺陷區(qū)域[6]。該方法簡單高效，在水果表面缺陷在線檢測中有較大的應(yīng)用潛力。

目前，RGB彩色成像系統(tǒng)已經(jīng)廣泛應(yīng)用于水果分級檢測中，但RGB彩色成像系統(tǒng)在識別一些水果表面缺陷時性能較差，主要原因是缺陷區(qū)域通常對R、G和B波段不敏感[7]。因此，許多研究者嘗試使用近紅外成像系統(tǒng)來檢測水果表面缺陷。Kim等對蘋果表面的蟲害糞便污染進行了多波段（450～850 nm）反射特性試驗[8]，并對受污染的蘋果進行缺陷算法開發(fā)試驗。Kleynen等研究發(fā)現(xiàn)750 nm波段圖像能有效區(qū)分蘋果表面大部分缺陷和正常組織[9]。Lee等將近紅外CCD應(yīng)用到椰棗表皮剝落缺陷檢測中，與普通CCD相比，近紅外CCD獲取的圖像其缺陷區(qū)域的對比度得到明顯增強[10]。目前該系統(tǒng)已用于實際生產(chǎn)，分級精度最高可達95%。展慧等提出了近紅外光譜和機器視覺的多源信息融合技術(shù)的板栗缺陷檢測方法，建立了3層BP神經(jīng)網(wǎng)絡(luò)融合識別模型，該模型對測試樣本的識別率為90%[11]。

目前，水果表面缺陷視覺檢測技術(shù)面臨的主要問題是如何快速、準確地定位缺陷區(qū)域。由于水果通常呈球體或橢球體，其表面的曲率變化使得灰度分布很不均勻，水果中心區(qū)域的灰度值較高，邊緣區(qū)域的灰度值較低，而水果表面缺陷通常以較低的灰度值出現(xiàn)在圖像中。因此，水果表面缺陷很難用單一閾值進行分割。本研究以新疆和田棗為對象，研究其表面亮度校正算法和表面缺陷快速檢測方法，為紅棗的自動分級提供理論依據(jù)和技術(shù)支持。

1 圖像采集系統(tǒng)

紅棗圖像采集系統(tǒng)如圖1所示。該系統(tǒng)由輸送線、光照裝置、計算機視覺系統(tǒng)組成。輸送線采用2排雙錐式滾子來輸送和翻轉(zhuǎn)紅棗，整個輸送線為黑色。雙錐式滾子以一定的間隔均勻地裝在鏈條上，鏈條由傳動輪來帶動。紅棗放置在滾子之間，雙錐式滾子與摩擦帶緊密接觸，當摩擦帶與雙錐式滾子之間存在速度差時，由速度差產(chǎn)生的摩擦力使雙錐式滾子在向前運動的同時繞水平軸轉(zhuǎn)動，帶動紅棗翻轉(zhuǎn)，從而保證攝像機獲得紅棗的全表面圖像。計算機視覺系統(tǒng)由HD-HV1351UM相機、圖像采集卡、2條LED近紅外光源、濾光片和計算機構(gòu)成。

2 圖像處理

2.1 圖像采集

圖像采集采用觸發(fā)抓拍的方式。紅棗運動狀況檢測傳感器安裝在圖像采集區(qū)域內(nèi)，用于檢測待紅棗是否到達預(yù)定的圖像采集位置。當傳感器檢測到紅棗到達預(yù)定位置時發(fā)出觸

發(fā)信號，圖像采集卡受到觸發(fā)，紅棗圖像被采集到計算機內(nèi)存中，等待進一步的處理。同一紅棗被連續(xù)抓拍4次，理想狀態(tài)下4幅圖像可以組成紅棗幾乎完整的表面。圖2所示為采集系統(tǒng)獲取的紅棗圖像，其中前3幅存在蟲害缺陷，最后1幅不存在缺陷。

2.2 圖像預(yù)處理

圖像預(yù)處理目標是去除背景及噪聲，由于掩模具有去除背景及噪聲的同時不破壞缺陷區(qū)域的優(yōu)點[12]，本研究采用掩模法去除背景。掩模法去除背景的關(guān)鍵是構(gòu)建完整的掩模圖像。從圖2 可以看出，紅棗區(qū)域的灰度明顯高于背景區(qū)域。因此，可以使用一個簡單閾值T對圖像進行二值化并將該二值圖像作為掩模圖像。在本試驗中閾值T設(shè)為70，基于此閾值將紅棗原始圖像Iorig的目標區(qū)域設(shè)置為1，背景區(qū)域設(shè)置為0，然后再進行形態(tài)學開運算及填充運算，去除目標區(qū)域中的噪聲干擾及目標區(qū)域中出現(xiàn)的空洞，形成二值掩模圖像Temp，紅棗二值掩模圖像見圖3。然后進行如公式（1）的運算就可以獲得不含背景的紅棗灰度圖像。

Imask=Iorig×Temp。（1）

式中：Imask為掩模操作后的圖像。去背景后的紅棗灰度圖像見圖4，掩模去除了背景且完整地保留了紅棗正常區(qū)域及缺陷區(qū)域。從圖4可以看出，圖像中心區(qū)域較亮，而紅棗邊緣及缺陷區(qū)域較暗，這將影響缺陷區(qū)域分割的準確性。為此，本試驗研究了紅棗表面亮度校正方法。

2.3 亮度校正

亮度校正的目的是消除水果表面灰度分布不均對缺陷檢測的影響。李江波等基于照度-反射模型，使用低通濾波獲取R分量圖像的亮度分量并使用此亮度分量對去背景后的R 分量圖像進行亮度校正[13]。使用的亮度校正算法是在頻域中進行的，整個校正過程包括：中心變換、離散傅立葉變換、

Butterworth低通濾波器設(shè)計以及傅立葉反變換，算法的計算量非常大。為了提高檢測系統(tǒng)的實時性，本研究提出了一種空域內(nèi)直接亮度校正算法。

2.3.1 亮度圖像獲取 設(shè)f（x，y）表示某一圖像，h（x，y）表示某一形式的濾波器，則亮度圖像可以表示為：

I（x，y）=f（x，y）h（x，y）。（2）

式中：I （x，y）表示亮度圖像，表示卷積。亮度圖像獲取的關(guān)鍵是濾波器的設(shè)計，本研究直接對去背景后的紅棗灰度圖像進行均值濾波。設(shè)f （x，y）表示某一圖像，其大小為M×N，Temp表示大小為m×m的方形均值濾波模板，通過的試驗，均值濾波模板的尺寸可由公式（3）確定。

m=round[min（M，N）8]×2+1。（3）

式中：min（M，N）表示取M和N的較小值；round（）表示圓整。

2.3.2 亮度校正及缺陷區(qū)域分割 在獲得亮度圖像I（x，y）后（圖5），利用公式（4）對亮度圖像進行校正。

f′（x，y）=f（x，y）I（x，y）；

F（x，y）=255 if f′（x，y）≥1255 f′（x，y） if f′（x，y）<1。（4）

式中： f′（x，y）為亮度校正后的圖像，F(xiàn)（x，y）表示將亮度校正后的圖像灰度限制在[0，255]區(qū)間內(nèi)。

亮度校正后的圖像見圖6。從圖6可以發(fā)現(xiàn)紅棗正常表面經(jīng)校正后呈現(xiàn)為高灰度區(qū)域，而缺陷區(qū)域仍然為低灰度區(qū)域， 即使缺陷位于圖像的邊緣區(qū)域（此時缺陷較難檢測）也能

達到非常好的校正效果。亮度校正后的圖像，使用一個簡單閾值即可分割出紅棗表面缺陷區(qū)域。分割結(jié)果見圖7（所用閾值為170）。

3 試驗分析

根據(jù)試驗要求，由當?shù)厥炀毺魭ぬ暨x不同種類的缺陷樣本，包括蟲害棗、鳥啄棗、霉爛棗、藥害棗、正常棗。采集到的部分缺陷棗和正常棗圖像見圖8-a，采用本研究所述方法分割獲得的缺陷區(qū)域圖像見圖8-b。蟲害棗、霉爛棗、正常棗的識別準確率較高，藥害棗的識別率僅為76%，主要原因是藥害棗表面呈現(xiàn)麻點狀缺陷，經(jīng)亮度校正后麻點狀缺陷很容易被淹沒，導致缺陷區(qū)域無法獲?。ū?）。同時比較了本研究方法與李江波等所提方法的實時性。李江波等方法處理1幅圖像需要72 ms[13]，而本研究提出的缺陷檢測方法處理1幅圖像僅需要35 ms。因此，本研究提出的缺陷檢測方法能顯著提高檢測系統(tǒng)的實時性。

4 結(jié)論

本研究針對紅棗表面灰度分布不均，致使其表面缺陷難以快速準確定位問題，提出了一種果面灰度分布不均快速補償方法。經(jīng)該補償方法處理后，果面缺陷區(qū)域特征得到顯著增強。試驗結(jié)果表明，與已有果品表面缺陷檢測方法相比，本方法能顯著提高果品自動分級系統(tǒng)的實時性，同時該缺陷檢測方法綜合準確率可達95%以上。

參考文獻：

[1]初 樂，吳茂玉，朱風濤，等. 新疆地區(qū)紅棗產(chǎn)業(yè)現(xiàn)狀及發(fā)展建議[J]. 農(nóng)產(chǎn)品加工·學刊，2012（4）：110-113.

[2]應(yīng)義斌，饒秀勤，趙 勻，等. 機器視覺技術(shù)在農(nóng)產(chǎn)品品質(zhì)自動識別中的應(yīng)用（Ⅰ）[J]. 農(nóng)業(yè)工程學報，2000，16（1）：103-108.

[3]朱偉華，曹其新. 基于模糊彩色聚類方法的西紅柿缺陷分割研究[J]. 農(nóng)業(yè)工程學報，2003，19（3）：133-136.

[4]李錦衛(wèi)，廖桂平，金 晶，等. 基于灰度截留分割與十色模型的馬鈴薯表面缺陷檢測方法[J]. 農(nóng)業(yè)工程學報，2010，26（10）：236-242.

[5]趙杰文，劉少鵬，鄒小波，等. 基于支持向量機的缺陷紅棗機器視覺識別[J]. 農(nóng)業(yè)機械學報，2008，39（3）：113-115，147.

[6]李江波，饒秀勤，應(yīng)義斌. 基于照度-反射模型的臍橙表面缺陷檢測[J]. 農(nóng)業(yè)工程學報，2011，27（7）：338-342.

[7]Gowen A A，ODonnell C P，Cullen P J，et al. Hyperspectral imaging-an emerging process analytical tool for food quality and safety control[J]. Trends in Food Science & Technology，2007，18（12）：590-598.

[8]Kim M S，Lefcourt A M，Chao K，et al. Multispectral detection of fecal contamination on apples based on hyperspectral imagery：Part Ⅰ. Application of visible and near-infrared reflectance imaging[J]. Trans of the ASAE，2002，45（6）：2027-2037.

[9]Kleynen O，Leemans V，Destain M F. Development of a multi-spectral vision system for the detection of defects on apples[J]. Journal of Food Engineering，2005，69（1）：41-49.

[10]Lee D J，Schoenberger R，Archibald J，et al. Development of a machine vision system for automatic date grading using digital reflective near-infrared imaging[J]. Journal of Food Engineering，2008，86（3）：388-398.

[11]展 慧，李小昱，周 竹，等. 基于近紅外光譜和機器視覺融合技術(shù)的板栗缺陷檢測[J]. 農(nóng)業(yè)工程學報，2011，27（2）：345-349.

[12]李江波，饒秀勤，應(yīng)義斌，等. 基于掩模及邊緣灰度補償算法的臍橙背景及表面缺陷分割[J]. 農(nóng)業(yè)工程學報，2009，25（12）：133-137.

[13]李江波，饒秀勤，應(yīng)義斌. 水果表面亮度不均校正及單閾值缺陷提取研究[J]. 農(nóng)業(yè)機械學報，2011，42（8）：159-163.