徐義鑫 張雪飛 李鳳菊

摘? ? 要：水果采后分級可以提高其附加值，增加經(jīng)濟效益。隨著以成像技術(shù)、人工智能為基礎(chǔ)的機器視覺技術(shù)的迅猛發(fā)展，其在水果的外觀品質(zhì)分級上也逐漸得到了廣泛應(yīng)用。基于機器視覺測量水果尺寸時，標尺通常在載物臺平面，并未與所測水果直徑在同一平面;另一方面，水果邊緣成像點可能并非水果最大直徑平面的點，這兩個因素都會導(dǎo)致測量誤差，進而影響分級結(jié)果。本研究對這兩個因素導(dǎo)致的誤差進行了分析，提出了一種減小誤差的方法：若已知被測水果平均半徑R，可將相機鏡頭置于與載物臺距離為nR的高度，并計算校正系數(shù)，用測得的尺寸乘以校正系數(shù)即可減小誤差。番茄果橫經(jīng)的測量試驗結(jié)果顯示，與用機器視覺方法的未校正測量結(jié)果相比，本方法可有效減小果橫徑測量平均絕對誤差14.127%。結(jié)果表明，該方法具有簡單、有效的特點。

關(guān)鍵詞：機器視覺;水果分級;尺寸測量;減小誤差

中圖分類號：TP391.4? ? ? ? ? 文獻標識碼：A? ? ? ? ?DOI 編碼：10.3969/j.issn.1006-6500.2020.04.009

Abstract： Fruits grading after harvest can increase their additional value and economic benefit.With the rapid development of machine vision technology which is based on imaging technology and artificial intelligence， it has been widely used in fruit appearance quality grading. When using machine vision to measure fruit size， the ruler is usually on the plane of the stage and is not on the same plane as the diameter of the fruit. On the other hand， the imaging point of the fruit edge may not be the point on the plane of the largest diameter of the fruit. Both of these factors will lead to measurement errors， and then affect the grading results. This paper analyzed the errors caused by these two factord， and proposed a method to reduce the errors. If the average radius R of the measured fruit was known， the camera lens could be placed at a height of nR from the stage， and the correction coefficient could be calculated. Then the error could be reduced by multiplying the measured size by the correction coefficient. The experiment results of tomato transverse diameter measurement showed that the method could effectively reduce the average absolute error by 14.127% compared with the uncorrected results of the machine vision method. It showed that this method was simple and effective.

Key words： machine vision; fruits grading; size measurement; error reduction

水果采后的分級是上市銷售之前的一個關(guān)鍵環(huán)節(jié)，既能增強其市場競爭力，又能提高經(jīng)濟效益[1]。水果分級涉及兩大要素：外觀品質(zhì)與內(nèi)部品質(zhì)[2]，其中外觀品質(zhì)是分級的主要依據(jù)，包括尺寸、形狀、顏色和表面缺陷等[3]。優(yōu)質(zhì)水果主要表現(xiàn)為個體較大、形狀均勻、顏色鮮艷且無表面缺陷。

傳統(tǒng)的人工分級結(jié)果受分級者主觀因素影響較大，且存在精度低、視覺易疲勞、速度緩慢等問題[4]。而隨著以成像技術(shù)、人工智能為依托的機器視覺技術(shù)的迅猛發(fā)展，其在水果的外觀品質(zhì)分級上也逐漸得到了廣泛應(yīng)用。機器視覺技術(shù)具有實時、客觀、無損等優(yōu)點[5]，它對采集得到的水果圖像進行處理來提取水果的外部品質(zhì)特征參數(shù)，然后利用相應(yīng)的模式實現(xiàn)分級。

水果尺寸是水果等級不可缺少的重要指標，基于機器視覺的水果尺寸檢測已有較多相關(guān)工作。應(yīng)義斌等[6]設(shè)計了一種利用柑桔最小外接矩形求最大橫徑的方法，能夠滿足實際生產(chǎn)中柑桔分級精度的要求。安愛琴等[7]用CCD像機獲取蘋果圖像，利用MATLAB對圖像進行處理，求出了蘋果的直徑，并參照標準進行了分級。謝洪起[8]用Kinect獲取獼猴桃的二維彩色圖像與三維深度圖像，測量了獼猴桃的長、最大直徑、最小直徑以及體積，與用游標卡尺測量結(jié)果相比，準確率較高。李國進等[1]利用計算機視覺方法，選擇芒果的面積、等效橢圓長短軸之比、顏色H分量值和缺陷面積所占百分比4個參數(shù)作為芒果外觀等級分級的特征參數(shù)，并利用基于粒子群優(yōu)化的極限學(xué)習機模型對芒果進行了分級。伍光緒[9]通過圖像采集及圖像處理，提取了血橙的大小、周長、成熟度3個分級特征參數(shù)，并通過模糊聚類方法進行了有效分級。其他相關(guān)工作還包括利用機器視覺測量西瓜[10]、紅毛丹[11]、茄子[12]、番茄[13]、馬鈴薯[14]等果蔬的尺寸。

利用機器視覺技術(shù)求出水果尺寸后，通常會根據(jù)尺寸值對比分級標準來判斷被測水果所屬級別。但在實際分級過程中，由于種種原因造成的誤差可能會引起誤判，進而影響水果的實際分級結(jié)果，帶來不必要的經(jīng)濟損失[15]。本文以Android手機通過機器視覺方法測量番茄果橫經(jīng)為例，提出一種系數(shù)法，以減小測量誤差。

1 材料和方法

1.1 試驗儀器

試驗所用手機為Android 10.0系統(tǒng)的Google Pixel 2，CPU為高通驍835，RAM為4 GB。

1.2 試驗材料

被測量番茄為市場所購的普通番茄10個，果橫經(jīng)在6～10cm之間。

1.3 試驗方法

如圖1，將被測番茄（球O）置于平坦的載物臺上，然后將手機鏡頭置于番茄正上方O1，手機方向與載物臺平行，拍照并通過機器視覺算法計算得到番茄果橫經(jīng)。

2 結(jié)果與分析

2.1 試驗結(jié)果

由表1可知，以游標卡尺測量的果橫經(jīng)為準，機器視覺方法的測量結(jié)果明顯偏大，測量誤差在12%～19%之間，平均絕對誤差16.144%。

2.2 誤差分析

鑒于許多分級的水果如蘋果、柑橘等均近似球形，為便于分析，假設(shè)被測量水果為一個理想的球體，半徑為R，球心為O，水果過O點的一個垂直截面如圖1所示。點O1為透鏡光心且點O1在點O正上方，O1O延長線與載物臺交于點O2，OO2為水果半徑且OO2=R。設(shè)O1射出的光線與水果截面相切于點A，與載物臺交于點D，則O2D⊥O1O2于點O2，OA=R，作AB⊥O1O2于點B，設(shè)AB=r，OB=x，∠AOO1=θ，∠DO1 O2=β。OC為水果半徑且OC⊥O1O2于點O，OC=R。H為透鏡平面與載物臺的距離，即O1 O2=H。

要求的水果直徑即2OC=2R，現(xiàn)對OC進行分析。由于O1射出的光線與水果截面相切于點A，并非點C，且基于機器視覺的方法中標尺通常在載物臺平面，因此，在實際求得的半徑是AB在載物臺的投影DO2的長度l，并非OC的長度，這必然會使測量結(jié)果偏大，進而導(dǎo)致誤差。下面對誤差進行分析：

取校正系數(shù)c=0.845（表1中的機器視覺方法測量果已經(jīng)是在H=7R的條件下得到的），對表1中的機器視覺方法測量果橫經(jīng)結(jié)果進行校正。如表1所示，校正后的測量結(jié)果誤差明顯減小，平均絕對誤差降為2.017%，與未校正的機器視覺測量方法相比，平均絕對誤差減小14.127%。結(jié)果表明，此減小誤差的方法是有效的。

3 結(jié)論與討論

目前，對于基于機器視覺測量果蔬尺寸并進行分級的研究較多，但對產(chǎn)生的測量誤差缺鮮有報道。本文假設(shè)分級水果為一個理想球體，對基于機器視覺的尺寸測量產(chǎn)生的誤差進行了分析，提出了一種減小誤差的方法，并通過試驗證明了方法的有效性。

對于其他截面也近似圓形的果蔬如香蕉、胡蘿卜、黃瓜等，本方法也有一定的參考價值。但本文也有一定的局限性，如并未分析因水果不規(guī)則形狀導(dǎo)致的測量誤差。下一步，可對更多因素導(dǎo)致的誤差進行分析，并提出相應(yīng)的減小誤差的方法。

參考文獻：

[1]李國進，董第永，陳雙.基于計算機視覺的芒果檢測與分級研究[J].農(nóng)機化研究， 2015（10）：13-18.

[2]孫曙光，張佩，李金磊.水果分選技術(shù)的現(xiàn)狀和發(fā)展[J].農(nóng)業(yè)裝備技術(shù)， 2018， 44（3）：19-20.

[3]錢中華.計算機視覺技術(shù)在紅富士蘋果自動分級系統(tǒng)中的應(yīng)用[J].農(nóng)機化研究， 2018， 40（3）：181-184.

[4]蔡宇翔.基于機器視覺的番茄品質(zhì)檢測和分級方法研究[D]. 廣州：中山大學(xué)， 2010.

[5]周竹，黃懿，李小昱， 等.基于機器視覺的馬鈴薯自動分級方法[J].農(nóng)業(yè)工程學(xué)報， 2012， 28（7）：178-183.

[6]應(yīng)義斌，成芳，馬俊福.基于最小矩形法的柑桔橫徑實時檢測方法研究[J].生物數(shù)學(xué)學(xué)報， 2004， 19（3）：352-356.

[7]安愛琴，余澤通，王宏強.基于機器視覺的蘋果大小自動分級方法[J]. 農(nóng)機化研究， 2008（4）：163-166.

[8]謝洪起.基于RGB-D相機的獼猴桃外形和體積檢測方法研究[D].楊凌：西北農(nóng)林科技大學(xué)， 2018.

[9]伍光緒.基于計算機視覺的血橙無損檢測與分級技術(shù)研究[D]. 重慶：西南大學(xué)， 2016.

[10]趙巍.機器視覺在西瓜無損檢測與分級中的應(yīng)用[D].武漢：華中農(nóng)業(yè)大學(xué)，2013.

[11]章程輝，劉木華，韓東海，等.紅毛丹外形尺寸的圖像處理技術(shù)研究[J].江西農(nóng)業(yè)大學(xué)學(xué)報， 2006， 28（2）：300-303.

[12]CHONG V K， KONDO N， NINOMIYA K， et al. Features extraction for eggplant fruit grading system using machine vision[J]. Applied engineering in agriculture，2008， 24（5）：675-684.

[13]袁亮，涂雪瀅，巨剛，等.基于機器視覺的番茄實時分級系統(tǒng)設(shè)計[J].新疆大學(xué)學(xué)報（自然科學(xué)版）， 2017， 34（1）：11-16.

[14]RAZMJOOY N， MOUSAVI B S， SOLEYMANI F. A real-time mathematical computer method for potato inspection using machine vision[J].Computers and mathematics with applications， 2012， 63（1）：268-279.

[15]饒秀勤，應(yīng)義斌.基于機器視覺的水果尺寸檢測誤差分析[J]. 農(nóng)業(yè)工程學(xué)報， 2003， 19（1）：121-123.