燕紅文

（山西農(nóng)業(yè)大學(xué) 信息科學(xué)與工程學(xué)院，山西 晉中 030801）

核桃含有豐富的蛋白質(zhì)、脂肪、核黃素等營養(yǎng)元素，享有世界“四大干果”之一的美名，隨著社會經(jīng)濟(jì)水平的不斷發(fā)展，消費(fèi)者對核桃的需求也逐漸增加，核桃產(chǎn)業(yè)的發(fā)展迎來了新的機(jī)遇。在核桃農(nóng)產(chǎn)品加工過程中，準(zhǔn)確預(yù)測核桃質(zhì)量是核桃分級和提高核桃加工效率的重要前提，而傳統(tǒng)的核桃檢測與分級方法已經(jīng)難以滿足自動(dòng)化、智能化、高效化的農(nóng)產(chǎn)品加工需求。計(jì)算機(jī)視覺技術(shù)是一種模仿人視覺功能的先進(jìn)技術(shù)，近年來被廣泛應(yīng)用于農(nóng)產(chǎn)品檢測中，取得了良好的應(yīng)用效果?；诖耍诤颂屹|(zhì)量預(yù)測中應(yīng)用計(jì)算機(jī)視覺技術(shù)具有重要意義，能夠?yàn)樘岣吆颂壹庸ぷ詣?dòng)化水平打下堅(jiān)實(shí)基礎(chǔ)。

1 農(nóng)產(chǎn)品加工領(lǐng)域計(jì)算機(jī)視覺技術(shù)的應(yīng)用

早期的計(jì)算機(jī)視覺技術(shù)主要是集中在識別領(lǐng)域，對圖像的分析起到輔助作用。20世紀(jì)80年代中期以后，機(jī)器視覺相關(guān)的理論有了長足的發(fā)展，配套的實(shí)現(xiàn)技術(shù)與設(shè)備也逐漸涌現(xiàn)，從而逐漸形成了一門新的學(xué)科[1]。近年來，計(jì)算機(jī)視覺技術(shù)被應(yīng)用于宇宙探測、生物醫(yī)學(xué)、軍事、工業(yè)、農(nóng)業(yè)等領(lǐng)域，在提升各行各業(yè)自動(dòng)化水平方面發(fā)揮著重要作用。

具體到農(nóng)產(chǎn)品領(lǐng)域，計(jì)算機(jī)視覺技術(shù)的應(yīng)用研究已經(jīng)取得較大的進(jìn)步。2002年，寧紀(jì)鋒等[2]使用機(jī)器視覺研究了單粒玉米種子品種識別問題；2004年，凌云[3]以谷物外觀為切入點(diǎn)使用機(jī)器視覺分析了其品質(zhì)并設(shè)計(jì)相應(yīng)系統(tǒng)；2006年，章程輝[4]使用機(jī)器視覺檢測紅毛丹尺寸；2007年，丁幼春等[5]對花生仁表皮的破損使用機(jī)器視覺進(jìn)行了檢測；2012年，汪強(qiáng)等[6]對煙葉成熟度利用機(jī)器視覺進(jìn)行了建模試驗(yàn)；2018年，李成吉等[7]對核桃殼和核桃仁采用機(jī)器視覺技術(shù)進(jìn)行了識別?？梢钥闯?，將計(jì)算機(jī)視覺技術(shù)應(yīng)用到核桃質(zhì)量預(yù)測中具有一定可行性和必要性。

2 對核桃質(zhì)量進(jìn)行預(yù)測的計(jì)算機(jī)視覺方法

2.1 圖像采集

核桃質(zhì)量預(yù)測的前提是獲取到核桃圖像，因此，需設(shè)計(jì)圖像采集系統(tǒng)，具體包括：（1）暗箱。內(nèi)部刷成黑色，用黑布遮蓋，避免外界光對暗箱內(nèi)部造成干擾。（2）相機(jī)。位于暗箱頂部，鏡頭配置的傳感器選用索尼IMX型號。（3）熒光燈。位于暗箱上方。（4）載物板。安裝在暗箱底部。試驗(yàn)中核桃位于載物臺上，啟動(dòng)相機(jī)對其進(jìn)行采集，將相應(yīng)的圖像存儲到計(jì)算機(jī)硬盤中[8]。

2.2 圖像預(yù)處理

在核桃圖像預(yù)處理中使用Matlab R2012a軟件，對圖像進(jìn)行形態(tài)學(xué)分割，提取圖像中核桃表面特征值，并結(jié)合SAS軟件建立起LS-SVM質(zhì)量預(yù)測模型。在圖像預(yù)處理中可消除圖中一些噪點(diǎn)，使核桃特征比較明顯[9]。本研究采用中值濾波方法和四領(lǐng)域銳化方法，達(dá)到圖像去噪、增強(qiáng)特征信息表現(xiàn)的目的。

2.3 圖像分割

核桃的投影面積可直接反映出核桃的質(zhì)量，在圖像提取核桃形態(tài)特征時(shí)，要提取投影面積，利用閾值分割法分割樣本與背景。在圖像背景分割中，核桃外殼分布著殘留青皮、病蟲害等原因產(chǎn)生的黑斑，而黑斑近似于背景的黑色，所以采用閾值分割法進(jìn)行圖像分割，將黑斑部分分割出去，造成相應(yīng)投影面積減小，使預(yù)測的準(zhǔn)確性降低。為此，本次研究采用形態(tài)學(xué)邏輯算法進(jìn)行分割，可達(dá)到更加準(zhǔn)確的分割效果。

2.4 圖像標(biāo)定

在提取投影面積后，需對圖像進(jìn)行標(biāo)定，利用Bwarea算法將投影像素點(diǎn)數(shù)目轉(zhuǎn)換為真實(shí)面積。本研究的標(biāo)定物選擇1元硬幣，直徑為25 mm，按照前述步驟采集、預(yù)處理和分割圖像，根據(jù)計(jì)算的像素點(diǎn)數(shù)目和已知的硬幣實(shí)際面積，總結(jié)出以下計(jì)算公式：

式中，S1表示核桃（預(yù)測樣本）的實(shí)際面積；S2表示硬幣（標(biāo)定物）的實(shí)際面積；N1表示核桃（預(yù)測樣本）的像素點(diǎn)數(shù)目；N2表示硬幣（標(biāo)定物）的像素點(diǎn)數(shù)目。

2.5 建立質(zhì)量預(yù)測模型

LS-SVM對支撐向量機(jī)進(jìn)行了改進(jìn)，改進(jìn)的SVM增強(qiáng)了泛化能力、縮減了訓(xùn)練時(shí)間、降低了復(fù)雜度，契合本應(yīng)用需求，因此，可以基于LS-SVM模型建立核桃質(zhì)量預(yù)測模型，將輸入項(xiàng)確定為投影面積，輸出項(xiàng)確定為核桃質(zhì)量，對預(yù)測集進(jìn)行預(yù)測。在該模型的預(yù)測試驗(yàn)中，選取徑向基核函數(shù)，使用交叉驗(yàn)證的網(wǎng)絡(luò)搜索方法選擇γ和σ2，同時(shí)，建立多項(xiàng)回歸方程，本研究利用二次多項(xiàng)回歸方程揭示兩種變量之間的依賴關(guān)系，回歸方程的標(biāo)準(zhǔn)誤差、參數(shù)估計(jì)值以及t值如表1所示，公式（2）是建立的回歸方程。

表1 預(yù)測模型的標(biāo)準(zhǔn)誤差和參數(shù)估計(jì)值

2.6 應(yīng)用效果

本研究選擇山西省的核桃品種作為研究對象，樣本共124個(gè)，不包含空癟核桃，且外表均無破損。將樣本按照3∶1的比例劃分為校正集（93個(gè)）和預(yù)測集（31個(gè)），且校正集的核桃樣本質(zhì)量范圍要大于預(yù)測集中的核桃樣本質(zhì)量，以保證核桃質(zhì)量預(yù)測方法的有效性。校正集中的核桃樣本質(zhì)量在6.55～25.19 g之間，預(yù)測集中的核桃樣本質(zhì)量在9.36～18.49 g之間。

將核桃樣本按照圖像處理流程進(jìn)行處理后，利用LSSVM核桃質(zhì)量預(yù)測模型得出預(yù)測結(jié)果，模型正則化參數(shù)γ＝1 747.452 1，核帶寬σ2＝1.068 4，相關(guān)系數(shù)R＝0.904 1，最小絕對誤差為0.011 g，最大絕對誤差為2.8 g，誤差均值為6.3%。將預(yù)測質(zhì)量與實(shí)際質(zhì)量進(jìn)行對比分析，得出最小絕對誤差與最大絕對誤差分別為0.017 g，2.51 g，誤差均值為5.7%。

3 計(jì)算機(jī)視覺技術(shù)的應(yīng)用

從計(jì)算機(jī)視覺技術(shù)的應(yīng)用現(xiàn)狀來看，農(nóng)產(chǎn)品檢測與分類的適用品種較少，各項(xiàng)指標(biāo)缺乏靈活性，主要應(yīng)用在蘋果、番茄、柑橘等水果類農(nóng)產(chǎn)品的檢測中，涉及其他種類農(nóng)產(chǎn)品的研究與應(yīng)用偏少，而對核桃等干果的檢測相關(guān)研究更為稀少。鑒于干果的市場需求大，檢測技術(shù)相對滯后，對干果類農(nóng)產(chǎn)品自動(dòng)化檢測的研究應(yīng)該有一定程度的增加。筆者提出以下建議：

（1）在檢測對象方面，基本都是靜態(tài)樣本，與農(nóng)產(chǎn)品在生產(chǎn)線上進(jìn)行分級作業(yè)的動(dòng)態(tài)運(yùn)動(dòng)適用條件不相符。后期研究需要對農(nóng)產(chǎn)品動(dòng)態(tài)圖像進(jìn)行檢測模型的構(gòu)建，突破實(shí)驗(yàn)室檢測局限，以適應(yīng)實(shí)際生產(chǎn)線上的需求。

（2）在檢測對象的圖像采集方面，要開發(fā)設(shè)計(jì)群體圖像采集系統(tǒng)，轉(zhuǎn)變當(dāng)前研究局限于單果圖像采集的現(xiàn)狀，進(jìn)一步提升檢測效率。

（3）在檢測對象的圖像數(shù)據(jù)處理方面，在今后的研究中要多應(yīng)用精度高、計(jì)算量少、計(jì)算速度快的算法，確保算法適用于多個(gè)檢測對象多項(xiàng)指標(biāo)的并行計(jì)算要求，突破傳統(tǒng)算法局限于單個(gè)檢測對象圖像單指標(biāo)的串行算法局限。同時(shí)，可在檢測模型構(gòu)建中融入對深度學(xué)習(xí)模型、專家系統(tǒng)和仿生算法等方面的研究。

（4）在檢測對象重要指標(biāo)的選取上，不僅要兼顧干果類農(nóng)產(chǎn)品形態(tài)、顏色、重量等指標(biāo)，還應(yīng)增加干果類農(nóng)產(chǎn)品損傷區(qū)域方面的檢測指標(biāo)，如蟲蛀、露仁、出油等，從而可對核桃質(zhì)量預(yù)測檢測得出指標(biāo)豐富的自動(dòng)化檢測結(jié)果。

4 結(jié)語

在基于計(jì)算機(jī)視覺技術(shù)的核桃質(zhì)量預(yù)測中，可通過圖像采集、預(yù)處理、分割和標(biāo)定，運(yùn)用LS-SVM算法建立起核桃質(zhì)量預(yù)測模式，為核桃質(zhì)量自動(dòng)化預(yù)測提供技術(shù)支持。實(shí)驗(yàn)研究結(jié)果顯示，基于計(jì)算機(jī)視覺技術(shù)建立起的核桃質(zhì)量預(yù)測模型得出的核桃質(zhì)量誤差均值為6.3%，能夠有效保證質(zhì)量預(yù)測準(zhǔn)確率，在核桃質(zhì)量在線檢測領(lǐng)域具有一定的應(yīng)用和推廣價(jià)值。