GANBOLD OTGONTSETSEG 于鴻彬 李志鵬

摘要 為提高紅棗分級速度和分級檢測的精度，實現(xiàn)無損分級的效率最大化，按照分級要求對紅棗的大小、形狀、顏色、表面褶皺程度及外輪廓等進行檢測。采用圖像預(yù)處理算法對紅棗圖像進行平滑去噪、圖像增強，多種檢測算法比較后采用自適應(yīng)Canny算法對紅棗圖像進行外輪廓邊緣檢測，擬采用傅里葉算法對紅棗的尺寸進行計算，由極半徑函數(shù)確定紅棗的形心位置坐標(biāo)，配合Euclidean算法檢測紅棗距離尺寸，對干棗、鮮棗以及大小形狀不規(guī)則的紅棗混裝進行分級處理。對若干大小、形狀等特征不同的紅棗進行分級檢測試驗，結(jié)果表明在提高紅棗檢測速度的同時準(zhǔn)確率均在90%以上，具有較好的魯棒性和準(zhǔn)確率，在紅棗分級要求精度較高的情況下，減少了整體運行時間，滿足紅棗分級的實際要求。

關(guān)鍵詞 圖像處理;紅棗分級;Canny算法;傅里葉算法;Euclidean算法

中圖分類號 S126 ?文獻標(biāo)識碼 A ?文章編號 0517-6611（2020）05-0206-05

doi：10.3969/j.issn.0517-6611.2020.05.058

開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：

Abstract In order to improve the classification speed and accuracy of jujube， and maximize the efficiency of nondestructive classification， the size， shape， color， surface wrinkle and outline of jujube were detected according to the classification requirements. The image preprocessing algorithm was used to smooth and denoise the jujube image， and enhance the image. After comparing various detection algorithms， the adaptive Canny algorithm was used to detect the outline edge of the jujube image. Fourier algorithm was used to calculate the size of the jujube. The centroid coordinate of the jujube was determined by the polar radius function， and Euclidean was used to coordinate the centroid position of the jujube. The algorithm detected the distance size of jujube， and classified dry jujube， fresh jujube and jujube with irregular size and shape. The grading test of jujube with different sizes and shapes was carried out. The results showed that the detection speed and accuracy of jujube could be increased by more than 90%. It had better robustness and accuracy， and the overall running time could be reduced to meet the practical requirements of jujube grading under the condition of high grading accuracy.

Key words Image processing;Jujube classification;Canny algorithm;Fourier algorithm;Euclidean algorithm

紅棗因得益于我國西北方的氣候、土壤、環(huán)境等因素，使得紅棗的年產(chǎn)量占世界總產(chǎn)量的90%以上，基本壟斷棗類產(chǎn)品的國際貿(mào)易市場，也因紅棗具有較高的營養(yǎng)和藥用價值而深受消費者的喜愛，但因加工水平低從而影響了競爭力和市場效益。對紅棗進行尺寸、種類的分級處理可以提高經(jīng)濟效益。一種基于圖像處理的計算機視覺分級技術(shù)作為紅棗分級的方法，可以提高檢測、分級的精度，實現(xiàn)無損分級。紅棗分級[1]處理是進入流通市場的關(guān)鍵，直接影響紅棗業(yè)的經(jīng)濟效益。傳統(tǒng)的紅棗分級大多采用目測觀察及選果器分級的人工分揀，存在勞動強度大、效率低、準(zhǔn)確性差等問題，同時人口老齡化的加劇和勞動力的減少使傳統(tǒng)的紅棗分級方法不再具有優(yōu)勢。

隨著機器視覺及人工智能等檢測技術(shù)的興起，計算機硬件和數(shù)字圖像處理技術(shù)的快速發(fā)展，已經(jīng)應(yīng)用到軍事、醫(yī)學(xué)、道路工程等領(lǐng)域并取得了顯著的效果，同時在農(nóng)業(yè)上有了較廣泛的應(yīng)用，幫助果農(nóng)在果類分揀、裝箱、裝運等方面發(fā)揮著巨大的作用。黎靜等[2]采用可見的近紅外光譜并配合圖像處理技術(shù)，將紅外線投射到臍橙外表面，根據(jù)紅外線的光譜反饋檢測臍橙表面農(nóng)藥殘留量的研究;劉翠玲等[3]采用近紅外光譜技術(shù)依靠機器視覺，對蔬菜內(nèi)外紅外光線照射部分進行圖像采集并通過訓(xùn)練得到相關(guān)的圖像分析方法，對蔬菜內(nèi)農(nóng)藥殘留量進行了定性和定量研究。呂萍[4]通過對各圖像進行分析，根據(jù)數(shù)據(jù)建立數(shù)學(xué)模型，選擇最小二乘法支持向量機（LS-SVM）的方法[5]建立預(yù)測模型，對生姜中的敵敵畏農(nóng)藥殘留量進行無損檢測研究。筆者提出了一種基于圖像邊緣檢測的紅棗分級方法，經(jīng)圖像預(yù)處理、濾波及增強、梯度算法處理以及自適應(yīng)Canny算法[6]對紅棗大小及表面輪廓和缺陷進行檢測、識別，并根據(jù)等級劃分指標(biāo)對檢測的紅棗進行分級。

1 材料與方法

1.1 試驗材料與設(shè)備

1.1.1

試驗材料。采用新疆和田地區(qū)和新疆阿拉爾地區(qū)的完熟時期駿棗。

1.1.2

設(shè)備。型號為CoolView VHR的高分辨率CCD相機，同時兼有1 100萬（4 000×2 672）像素和1 600萬（4 872×3 248）像素2種選擇;SD-300型形式閃光燈照明光源;圖像處理軟件為OpenCv，搭配環(huán)境為Visual Studio 2012和MATLAB 7.0。

1.2 紅棗圖像采集

分別將多個大小規(guī)格型號相近的紅棗置于不同顏色的卡紙，通過攝像機分別對紅棗圖像采集并對圖像進行編號。

1.3 圖像預(yù)處理

根據(jù)不同卡紙下的紅棗所獲得的灰度直方圖，得到最適合紅棗提取的背景，在此灰度化圖片中再進行圖像去噪和增強，使圖像中紅棗的效果增加明顯。

1.4 圖像邊緣識別與檢測

對處理好的紅棗圖像進行分級前的處理，即需要將圖像中的紅棗外輪廓的邊緣進行識別、檢測并提取，方便獲取紅棗的邊緣半徑尺寸。

1.5 紅棗表面檢測標(biāo)準(zhǔn)

在分級時，為了避免紅棗的浪費和經(jīng)濟損失，按照國標(biāo) GB/T 5835—2009 《干制干棗》規(guī)定，病蟲、漿頭（紅棗在生長期或者干制過程中因受雨水影響，棗的兩頭或局部未達(dá)到適當(dāng)干燥，含水率高，色澤灰暗，進一步發(fā)展成霉?fàn)€棗）、破頭（破損果）不得超過5%。因此，由k=S1/S2為判斷依據(jù)，其中S1為缺陷部分像素個數(shù)，S2為紅棗總像素個數(shù)。試驗按照k≥5%判定為缺陷棗，k<5%判定為表面完好紅棗。

1.6 數(shù)據(jù)統(tǒng)計與分析

對不同顏色卡紙下紅棗的灰度值統(tǒng)計后，用峰面積歸一化確定紅棗的灰度直方圖，通過對紅棗分級試驗所得的數(shù)據(jù)進行計算與比對，最后對紅棗分級時的處理時間、準(zhǔn)確度等進行分析。

2 結(jié)果與分析

2.1 圖像采集結(jié)果分析

將紅棗置于不同顏色卡紙上，使用平行光源對紅棗進行照射并將拍攝的照片通過輸出接口將圖像傳輸?shù)絇C端，通過圖像處理得到圖像內(nèi)的目標(biāo)灰度直方圖，如圖1、2所示，通過灰度直方圖的峰值可以得到較好的分割效果，比較后確定最佳的紅棗采集背景。

根據(jù)不同背景下的灰度直方圖[7]可以清楚地觀察到紅棗與各種顏色的分割效果，紅棗在白色背景下的灰度直方圖波峰間有較為明顯的區(qū)分，其他顏色背景波峰間的區(qū)分不明顯甚至沒有分割，說明在此類背景下獲取紅棗輪廓時干擾因素較多，影響了識別與檢測。綜合考慮，選用白色作為紅棗圖像采集時的背景色。

2.2 圖像預(yù)處理過程及分析

高清彩色CCD攝像頭[8]采集圖像均為YCbCr格式的圖像，對紅棗進行圖像處理或機器視覺處理時需要將采集圖像轉(zhuǎn)化為機器可以識別的灰度圖像，減少圖像中的干擾信息，公式如下：

經(jīng)灰度化后便可合成RGB值相同的灰度值，同時可以更加明顯地檢測到紅棗表面的缺陷以及外輪廓，便于紅棗的分級。

平滑去噪及增強處理：

以Gauss濾波算法[9]為基礎(chǔ)，提出了雙邊濾波算法的濾波處理算法。在圖像中，變化較為平滑的區(qū)域內(nèi)因灰度值變化不明顯使之對應(yīng)的區(qū)域內(nèi)權(quán)重接近1，使圖像中模糊的邊緣變清晰的同時還能濾除圖像中的噪聲，使圖像更加平滑。中值濾波算法[10]是采用中值濾波器與圖像中的各像素點進行卷積并記錄下像素點的灰度值，通過篩選后按照灰度大小順序進行排序確定灰度中間值，最后將該像素值賦值到模板對應(yīng)位置。各濾波算法處理后擬采用中值濾波算法為紅棗圖像處理的平滑去噪算法。

從圖3可以清晰地觀察到紅棗的輪廓和一些表面的褶皺痕跡，為了對紅棗做更好的分級處理還需要對已經(jīng)濾波后的圖像進行增強。先前已有對圖像灰度處理的過程，所以在對紅棗圖像進行圖像增強的時候可以繼續(xù)采用已有的灰度處理圖及相關(guān)的處理算法。對圖像進行直方圖錐形拉伸[11]，可以得到圖像的效果增強圖，可能存在較光滑的區(qū)域或因為亮度套高或者太低使對比度不明顯，使用一次直方圖錐形拉伸后效果不明顯，此種情況下可以對一次拉伸后的紅棗圖像繼續(xù)做二次錐形拉伸。直方圖錐形拉伸算法的優(yōu)點是多次拉伸后部分已有的明顯特征信息會一直存在，不會因為多次處理后而使信息丟失。

2.3 紅棗外輪廓邊緣檢測分析

將圖像經(jīng)預(yù)處理后可得到較為清晰且特征信息明顯的紅棗圖像，此后需要對紅棗表面進行缺陷的檢測，紅棗大小識別、紅棗邊界檢測。邊緣檢測算法分為一階微分邊緣檢測算法和二階微分邊緣檢測算法，常用的一階微分邊緣檢測算法有Sobel算法、Prewitt算法、Roberts算法、Canny算法等;二階微分邊緣檢測算法大多采用二階導(dǎo)數(shù)過零點的邊緣檢測算法[12]。分別采用上述的一階微分邊緣檢測算法對紅棗圖像進行處理，通過比較各算法之間對紅棗邊緣的識別程度、邊界輪廓的提取程度、輪廓線的連續(xù)性以及表面褶皺的識別程度等一系列相關(guān)的信息，確定適合紅棗的最佳檢測算法。檢測結(jié)果如圖4所示。

由圖4可以看出，各種檢測算法對紅棗圖像進行檢測時都可以得到較為清晰的檢測圖像。Prewitt算法所得到的檢測圖（圖4b）中，紅棗邊緣及表面的輪廓線較差，因為該算法在濾波時是平均濾波，將紅棗圖像中的重要特征信息與干擾信息混合，使特征信息不再明顯;Sobel算法處理后得到圖4a，它是采用加權(quán)平均濾波方法，對灰度變化比較明顯的圖片有更好的檢測效果，外輪廓的檢測效果較好，但紅棗表面的褶皺在灰度微小變化范圍內(nèi)并不能清晰地檢測到;Laplacians算法作為二階微分邊緣檢測算法，根據(jù)通過導(dǎo)數(shù)是否過零點來判斷圖像邊緣，其平滑效果、濾波效果和去噪能力優(yōu)于一階微分算法，但圖4d的細(xì)節(jié)損失也會比較嚴(yán)重，同時內(nèi)部信息以及圖像的邊緣精度也會相應(yīng)大大降低。根據(jù)圖示對比結(jié)果綜合考慮，Canny算法處理后的圖4e更加清晰，邊緣信息丟失較少，同時紅棗表面褶皺痕跡也可以清楚地檢測到，便于紅棗的分級處理。因此，選用Canny算法作為紅棗邊緣檢測方法來處理紅棗增強后的圖片。

2.4 確定紅棗的形心位置坐標(biāo)

獲取紅棗的外形輪廓后便可知道整個邊界為一條封閉的近似橢圓的曲線，因此在不借助人工的情況下，在計算紅棗的外形尺寸并對紅棗的形狀進行詳細(xì)地描述時，需要對紅棗所在圖像的像素坐標(biāo)位置有精確的定位。擬采用傅里葉算法[13]對紅棗的尺寸進行計算，計算過程以極半徑函數(shù)為基礎(chǔ)獲得圖像中紅棗輪廓曲線的形心位置坐標(biāo)。

式中，ρ表示2點之間的歐式距離，n表示空間的維數(shù)。當(dāng)ρ越小則表示兩特征像素點的相似的越高，在輪廓線邊緣相鄰的位置因為整個紅棗外輪廓邊緣像素點較多，紅棗進行分級處理[20]時也是僅判斷重量、橫截面直徑長度、縱向長度等明顯的特征信息，因此在使用Euclidean距離法對紅棗進行測距時，選擇距離紅棗形心位置坐標(biāo)最近的邊緣像素點為測距起點，順時針或者逆時針進行周期性測距，同時需要設(shè)定約束條件，當(dāng)2個像素點之間的距離小于10 mm時不予統(tǒng)計，當(dāng)檢測完成后程序需要進行自我判別處理，所測距離大多數(shù)應(yīng)該呈現(xiàn)出2π象限內(nèi)y=sinx型圖像，小部分可能會出現(xiàn)偏差，大部分的紅棗在距離由小變大的轉(zhuǎn)折點即為紅棗的橫截面最大距離的像素點。

隨機挑選10顆外觀正常、大小差異可忽略的紅棗作為試驗對象，分別對紅棗進行一系列的圖像預(yù)處理，并將處理后的圖像平滑去噪和圖像增強，采用Euclidean距離法計算出所識別并檢測的紅棗外輪廓邊緣的大小距離。從這20組數(shù)據(jù)中找出距離偏大或偏小的紅棗個數(shù)。

在隨機抽取的10顆紅棗中，有2顆紅棗的檢測數(shù)據(jù)與其余8顆紅棗的距離差異較大，猜測這2顆屬于體型較小的紅棗，不能滿足分級處理的條件。剩余的紅棗可能也存在形狀不規(guī)則的情況，為使紅棗的分級處理更加精確，將所有的情況進行細(xì)致處理。

2.7 不規(guī)則形狀的判別結(jié)果

為驗證基于圖像處理分級檢測裝置的優(yōu)良程度，在識別、檢測紅棗外輪廓邊緣的極半徑和紅棗表面褶皺的基礎(chǔ)上，隨機挑選300顆紅棗，分別混有干棗200顆，鮮棗70顆，體型較小不區(qū)分干、鮮的紅棗30顆。在對紅棗進行檢測處理時，首先得到的是紅棗外輪廓邊緣極半徑所對應(yīng)的橫截面直徑，當(dāng)不符合尺寸規(guī)則時，不予以考慮分級處理而直接篩出。

符合尺寸規(guī)則的紅棗再對表面的褶皺光滑程度進行對比，干棗因為曬干或自然風(fēng)干使外表面不再具備光滑的表皮，圖像處理時會清晰檢測到褶皺;鮮棗因為水分充足、飽滿使得表皮光滑，圖像處理時對表面的檢測不會出現(xiàn)大量的褶皺問題，可能會出現(xiàn)微小的擠壓變形造成的誤判。對挑選的150顆紅棗分別進行檢測試驗，結(jié)果如表2所示。

由表2可知，人工識別的準(zhǔn)確率達(dá)100%，但費時費力，對紅棗做分級處理時效率低下;圖像處理的方法代替人工識別時雖然準(zhǔn)確率有所下降，但容錯率在可接受的范圍內(nèi)，識別、檢測處理的時間大大縮短。

3 結(jié)論

該研究提出了一種基于圖像邊緣檢測的紅棗分級方法，通過圖像預(yù)處理、濾波及增強、梯度算法處理和自適應(yīng)Canny算法對紅棗大小及表面輪廓和缺陷進行檢測、識別，并根據(jù)等級劃分指標(biāo)對檢測的紅棗進行分級。通過圖像處理的方法實現(xiàn)了對紅棗的分級，根據(jù)檢測方法對多顆紅棗進試驗分級，包括大小、形狀和顏色表面無損進行綜合測試，在紅棗分級精度較高的情況下減少整體運行時間，經(jīng)試驗驗證能夠較好的對紅棗做出檢測及分揀，滿足紅棗分級的實際要求。

參考文獻

[1]彭云發(fā)，黃磊，羅華平.南疆紅棗靜態(tài)圖像采集分級方法研究[J].農(nóng)機化研究，2014（3）：28-31.

[2] 黎靜，薛龍，劉木華，等.基于可見—近紅外光譜識別氧樂果污染的臍橙[J].農(nóng)業(yè)工程學(xué)報，2010，26（2）：366-369.

[3] 劉翠玲，鄭光，孫曉榮，等.近紅外光譜技術(shù)在農(nóng)藥殘留量檢測中的研究[J].北京工商大學(xué)學(xué)報（自然科學(xué)版），2010，28（4）：52-55，64.

[4] 呂萍.基于近紅外光譜技術(shù)的塊莖類蔬菜中有機磷農(nóng)藥殘留的無損檢測研究[D].南昌：江西農(nóng)業(yè)大學(xué)，2012：28-31.

[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(xué)報，2008，39（3）：113-115，147.

[6] 程有娥，錢月晶，張永剛.基于Canny算子的大米邊緣檢測[J].計算機系統(tǒng)應(yīng)用，2011，20（5）：206-209.

[7] 吳翔，于微波，馬艷輝，等.一種新的改進Canny圖像邊緣檢測算法[J].影像科學(xué)與光化學(xué)，2016，34（1）：116-121.

[8] 張雪松.基于線陣CCD的紅棗分選技術(shù)[J].食品與機械，2008，24（3）：81-83.

[9] HUANG J Z，ZHENG H X，JIANG L，et al.Design of Gaussian filters based on odd and even functions used for nonclosed circular profile[R].International Symposium on Precision Engineering Measurement and Instrumentation，2019.

[10] 托乎提努爾，張海龍，王杰，等.基于圖形處理器的高速中值濾波算法[J].吉林大學(xué)學(xué)報（工學(xué)版），2019，49（3）：979-985.

[11] 萬智萍.結(jié)合視覺特性與灰度拉伸的直方圖均衡化紅外圖像算法[J].計算機工程與設(shè)計，2016，37（3）：714-719.

[12] 張坤平.數(shù)字圖像處理在距離測量中的應(yīng)用[J].數(shù)字技術(shù)與應(yīng)用，2016（6）：84.

[13] 陳誠，戴爾晗，馬亞男.基于過零點檢測方法的改進研究[J].微型機與應(yīng)用，2016，35（20）：79-81.

[14] 楊坡，劉鑄華.一種改進的歸一化LMS算法[J].艦船電子對抗，2017，40（4）：59-61，65.

[15] 樊穎軍.傅里葉變換下的直方圖均衡化圖像特征識別算法的研究[J].計算機與數(shù)字工程，2017，45（9）：1848-1852.

[16] 張軍，張治恒，朱新山.基于極坐標(biāo)系下二維直方圖的圖像分割算法[J].天津大學(xué)學(xué)報（自然科學(xué)與工程技術(shù)版），2018，51（6）：658-665.

[17] 肖愛玲，潘斌.基于標(biāo)記的極半徑極值紅棗形狀識別方法[J].農(nóng)機化研究，2015，37（7）：61-65.

[18] 閆艷，孟慶華，李廣超，等.色譜指紋圖譜歐式距離法的一種改進[J].中成藥，2014，36（5）：1012-1020.

[19] 張凱軍，梁循.馬氏距離多核支持向量機學(xué)習(xí)模型[J].計算機工程，2014，40（6）：219-224.

[20] 李志明.基于機器視覺的鮮棗群體大小檢測算法[J].工業(yè)儀表與自動化裝置，2016（5）：29-32.

[21] 蔣圣，湯國安，劉凱.利用累加距離匹配函數(shù)的紋理規(guī)則度計算方法[J].計算機輔助設(shè)計與圖形學(xué)學(xué)報，2015，27（10）：1874-1880.

[22] 杜永忠，平雪良，何佳唯.果品分級邊緣檢測方法[J].工具技術(shù)，2013（11）：64-69.