摘要：機(jī)器視覺技術(shù)能夠從香梨圖片中提取豐富的特征信息，自動(dòng)識(shí)別出香梨損傷區(qū)域。首先分析了機(jī)器視覺的技術(shù)原理以及圖像處理方法。接著，對(duì)采集到的香梨損傷圖片進(jìn)行平均值灰度化處理，去除圖像中的噪聲、增強(qiáng)有用的特征，保留彩色香梨圖像的大部分信息，形成特征向量矩陣。最后，將深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)（CNN）作為分類器，對(duì)香梨損傷特征進(jìn)行訓(xùn)練和分類，實(shí)現(xiàn)香梨表面損傷的準(zhǔn)確識(shí)別。

關(guān)鍵詞：機(jī)器視覺；卷積神經(jīng)網(wǎng)絡(luò)；損傷識(shí)別；特征提取

一、前言

香梨作為一種重要的水果品種，被全球廣泛種植和消費(fèi)，其質(zhì)量與損傷問題直接影響著市場(chǎng)價(jià)值和消費(fèi)者滿意度。由于香梨表面損傷往往是隱蔽且細(xì)微的，傳統(tǒng)的人工檢測(cè)方法費(fèi)時(shí)費(fèi)力，且存在主觀性和不穩(wěn)定性的問題，難以滿足大規(guī)模、高效率的質(zhì)量檢測(cè)需求。機(jī)器視覺技術(shù)借助計(jì)算機(jī)視覺和圖像處理技術(shù)，能夠從香梨圖片中提取豐富的特征信息，自動(dòng)識(shí)別出香梨損傷區(qū)域，極大地提高了香梨表面損傷識(shí)別的準(zhǔn)確性和效率。

通過深入研究損傷特征和優(yōu)化識(shí)別模型，預(yù)期可以大幅提高損傷識(shí)別的準(zhǔn)確率，降低漏檢和誤檢率。機(jī)器視覺技術(shù)的應(yīng)用將推動(dòng)農(nóng)業(yè)生產(chǎn)向智能化[1]、數(shù)字化方向邁進(jìn)[2]，有助于提高農(nóng)產(chǎn)品生產(chǎn)效率和質(zhì)量水平。

二、機(jī)器視覺與圖像處理

（一）機(jī)器視覺技術(shù)原理

機(jī)器視覺技術(shù)模仿人類視覺系統(tǒng)，通過計(jì)算機(jī)和圖像處理算法，使計(jì)算機(jī)能夠像人一樣獲取、處理和理解圖像信息。機(jī)器視覺技術(shù)的基本流程包括圖像獲取、圖像預(yù)處理、特征提取、特征匹配和決策輸出等。圖像獲取是機(jī)器視覺的第一步，由攝像頭、相機(jī)等設(shè)備采集目標(biāo)物體的靜態(tài)圖像或者視頻流。采集的圖像受到光照、噪聲等因素的影響，需要對(duì)圖像進(jìn)行灰度化、濾波、增強(qiáng)、去噪等預(yù)處理，以提高后續(xù)處理的效果。對(duì)預(yù)處理后的圖像進(jìn)行色彩、紋理、形狀分析，從中提取出有用的特征信息。在特征提取后，對(duì)提取到的特征進(jìn)行匹配，將其與事先存儲(chǔ)的模板或特征庫進(jìn)行比對(duì)，從而找到與目標(biāo)相匹配的特征。根據(jù)特征匹配的結(jié)果，機(jī)器視覺系統(tǒng)做出相應(yīng)的決策輸出。

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）是一種深度學(xué)習(xí)模型，特別適用于圖像處理和視覺識(shí)別任務(wù)，如圖1所示。在香梨表面損傷識(shí)別的研究中，采用CNN和圖像分割來實(shí)現(xiàn)損傷的自動(dòng)檢測(cè)和識(shí)別，可以達(dá)到更好的損傷識(shí)別效果。CNN網(wǎng)絡(luò)利用卷積操作和池化操作來提取圖像的特征。卷積操作通過濾波器在圖像上進(jìn)行卷積運(yùn)算，提取出圖像中緣、紋理。池化操作對(duì)特征圖進(jìn)行降采樣，減少特征圖的尺寸和參數(shù)數(shù)量，同時(shí)保留關(guān)鍵信息。通過多層卷積和池化操作，CNN能夠逐漸提取高級(jí)抽象的特征，從而實(shí)現(xiàn)對(duì)復(fù)雜圖像的識(shí)別和分類。

CNN通過反向傳播算法，最小化預(yù)測(cè)結(jié)果與真實(shí)標(biāo)簽之間的差異，即最小化損失函數(shù)。在分類任務(wù)中，常用的損失函數(shù)是交叉熵?fù)p失函數(shù)，用于度量預(yù)測(cè)類別和真實(shí)類別之間的差異。

（二）圖像預(yù)處理方法

圖像處理基于圖像的像素信息和圖像中的空間結(jié)構(gòu)進(jìn)行操作，利用計(jì)算機(jī)算法對(duì)圖像進(jìn)行處理，以改變圖像的外觀、特征或質(zhì)量。閾值分割方法通過將像素灰度與預(yù)先設(shè)定的閾值進(jìn)行比較來分割圖像。將圖像轉(zhuǎn)為灰度圖，通過設(shè)定閾值將圖像分成不同的區(qū)域，將損傷區(qū)域與正常區(qū)域分離。

平均法是最常用的方法，將彩色圖像的紅、綠、藍(lán)三個(gè)通道的像素值求平均來得到灰度值，如公式（4）所示。平均法考慮了人眼對(duì)不同顏色通道的感知差異，能夠更好地保留圖像的視覺信息。灰度圖像轉(zhuǎn)化后，每個(gè)像素只有一個(gè)灰度值，這樣可以將圖像信息從三維（RGB）簡(jiǎn)化為二維，使得后續(xù)的圖像處理和特征提取更加高效。加權(quán)平均法是在平均法的基礎(chǔ)上，對(duì)不同通道的像素值進(jìn)行加權(quán)平均，以考慮不同顏色通道的重要性。

形態(tài)學(xué)處理方法通過結(jié)構(gòu)元素對(duì)圖像進(jìn)行腐蝕、膨脹等操作，來改變圖像的形狀和結(jié)構(gòu)。特征提取方法通過計(jì)算圖像的統(tǒng)計(jì)特征、顏色直方圖、紋理特征等，提取顏色、紋理、形狀等特征，來顯示圖像的內(nèi)容和特性，幫助識(shí)別不同類型的損傷。這些圖像處理方法能夠有效地提取和增強(qiáng)圖像中的有用信息，為香梨表面損傷的識(shí)別提供有力的支持。

三、基于機(jī)器視覺的香梨表面損傷研究

（一）香梨損傷特征

了解香梨的損傷特征及其成因，可以更好地設(shè)計(jì)和優(yōu)化損傷識(shí)別模型，提高損傷識(shí)別的準(zhǔn)確性和魯棒性，為農(nóng)產(chǎn)品質(zhì)量檢測(cè)和保鮮等領(lǐng)域提供有效的解決方案。香梨的損傷特征包括磕碰劃傷、淤傷、刺傷、病斑等（如圖2所示）。

磕碰劃傷是指香梨表面因與硬物碰撞或摩擦而產(chǎn)生的劃痕或凹陷，該損傷通常呈現(xiàn)不規(guī)則的形狀和邊緣，其灰度和紋理特征與周圍區(qū)域有明顯差異。淤傷指香梨表面因受到撞擊而形成的淺色斑點(diǎn)或色差[3]。淤傷的形狀通常較小且不規(guī)則，顏色與周圍區(qū)域有明顯差異。刺傷是指香梨表面因受到尖銳物體刺入而形成的穿透性損傷。刺傷通常呈現(xiàn)線狀或點(diǎn)狀，其邊緣清晰，顏色與周圍區(qū)域有明顯對(duì)比。病斑是指香梨表面因受到病菌或病毒感染而形成的不規(guī)則斑點(diǎn)或區(qū)域。病斑的顏色和紋理通常與正常區(qū)域明顯不同。

（二）特征提取

特征提取的目標(biāo)是從圖像中提取有助于區(qū)分不同損傷類型的特征信息。對(duì)于磕碰劃傷、淤傷、刺傷和病斑等不同類型的損傷，特征提取是非常重要的步驟。

首先，采用平均值灰度方法，對(duì)采集的香梨圖像進(jìn)行預(yù)處理，以去除圖像中的噪聲、增強(qiáng)有用的特征。平均值灰度法保留了彩色圖像的大部分信息，將彩色圖像轉(zhuǎn)換為灰度圖像后，每個(gè)像素點(diǎn)仍然包含有關(guān)原始圖像的某種形式的顏色信息。對(duì)于顏色分布較為均勻的圖像，采用平均值灰度法能夠比較好地保持圖像的對(duì)比度，使得圖像的邊緣和細(xì)節(jié)信息得以保留，如圖3所示。對(duì)于灰度圖像，每個(gè)像素的灰度值表示為矩陣中的一個(gè)元素[4]。整個(gè)圖像表示為一個(gè)二維矩陣，當(dāng)灰度圖像的大小為64×64像素，可以將其表示為一個(gè)64×64的矩陣，其中每個(gè)元素為0到255之間的一個(gè)灰度值。

根據(jù)不同損傷類型的特點(diǎn)，選擇合適的特征用于識(shí)別。對(duì)于磕碰劃傷和淤傷，可以采用紋理特征、邊緣特征；對(duì)于刺傷，可以采用形狀和邊緣特征；對(duì)于病斑，可以采用顏色和紋理特征。將提取到的特征表示成合適的向量或矩陣形式，以便于后續(xù)的分類或識(shí)別。

如果提取的特征維度較高，可以采用特征選擇或降維算法來減少特征的維度，以提高計(jì)算效率和減少冗余信息。采用t-SNE構(gòu)建高維空間和低維空間之間的概率分布，使得相似的數(shù)據(jù)在高維空間和低維空間中有較高的概率，而不相似的數(shù)據(jù)在高維空間和低維空間中有較低的概率。首先，對(duì)于每對(duì)樣本i和j，通過高斯核函數(shù)來計(jì)算它們的相似度，高斯核函數(shù)的帶寬由用戶指定。計(jì)算低維空間中樣本之間的相似度時(shí)，同樣使用高斯核函數(shù)，但帶寬會(huì)根據(jù)樣本在高維空間中的相似度來自適應(yīng)調(diào)整，使得樣本在低維空間中更好地保持相對(duì)的距離關(guān)系。根據(jù)高維空間和低維空間中的相似度計(jì)算樣本的條件概率分布。接著，通過最小化高維空間和低維空間之間的Kullback-Leibler散度，優(yōu)化映射關(guān)系，使得相似的樣本在低維空間中更聚集，不相似的樣本在低維空間中更分散。高維空間中數(shù)據(jù)點(diǎn)i和數(shù)據(jù)點(diǎn)j之間的相似度計(jì)算方法如公式（5）所示：

（三）分類器設(shè)計(jì)與訓(xùn)練

CNN模型由多個(gè)卷積層和池化層交替堆疊構(gòu)成，通常包括若干個(gè)卷積層、激活函數(shù)、池化層、全連接層和輸出層。CNN的設(shè)計(jì)需要根據(jù)實(shí)際任務(wù)和數(shù)據(jù)集的特點(diǎn)來進(jìn)行調(diào)整。如CNN模型有LeNet[5]、AlexNet、VGG[6]等。由卷積層提取一系列的特征圖，由池化層減小特征圖的尺寸和參數(shù)數(shù)量。 在每個(gè)卷積層后，需要添加ReLU、Sigmoid或者Tanh激活函數(shù)，常見的激活函數(shù)有ReLU、Sigmoid、Tanh等。經(jīng)過多個(gè)卷積和池化層之后，將特征圖展平為向量，并連接到一個(gè)或多個(gè)全連接層。全連接層用于對(duì)特征進(jìn)行進(jìn)一步處理和學(xué)習(xí)，輸出最終的分類結(jié)果。輸出層通常使用Softmax函數(shù)將得分轉(zhuǎn)換為概率，用于分類任務(wù)。

香梨灰度圖像中包含了損傷區(qū)域和正常區(qū)域的灰度信息，通過圖像增強(qiáng)，可以使損傷區(qū)域和正常區(qū)域的特征更加明顯和突出，通過增強(qiáng)對(duì)比度，使損傷區(qū)域與周圍區(qū)域的灰度差異更加明顯，有利于區(qū)分不同的損傷類型。同時(shí)，對(duì)香梨灰度圖像進(jìn)行圖像增強(qiáng)可以改善圖像的視覺效果和質(zhì)量，增加香梨圖像的對(duì)比度、增強(qiáng)邊緣、減少噪聲等，使圖像更加清晰和明亮。

訓(xùn)練CNN模型是一個(gè)迭代的過程。將準(zhǔn)備好的數(shù)據(jù)集劃分為訓(xùn)練集和驗(yàn)證集，用于模型訓(xùn)練和驗(yàn)證。通過反向傳播算法計(jì)算梯度并更新模型參數(shù)，不斷優(yōu)化模型。訓(xùn)練過程中，調(diào)整設(shè)置合適的學(xué)習(xí)率、批量大小和訓(xùn)練輪數(shù)等超參數(shù)。為了防止過擬合，可以使用正則化技術(shù)和早停策略等，如表1所示。訓(xùn)練完成后，使用驗(yàn)證集來評(píng)估模型的性能，并評(píng)估模型的表現(xiàn)。最終，在測(cè)試集上對(duì)模型進(jìn)行測(cè)試，得到損傷識(shí)別的結(jié)果。

在香梨表面損傷識(shí)別研究中，采用CNN網(wǎng)絡(luò)進(jìn)行分類和識(shí)別，準(zhǔn)確率可以達(dá)到91%。即經(jīng)過上述訓(xùn)練，CNN分類器可以對(duì)香梨表面的磕碰劃傷、淤傷、刺傷和病斑等不同類型的損傷進(jìn)行準(zhǔn)確的識(shí)別，從而為香梨質(zhì)量檢測(cè)和保鮮提供有效的解決方案。隨著數(shù)據(jù)量和訓(xùn)練深度的增加，CNN模型的性能和泛化能力將不斷得到提升。

四、結(jié)語

本文分析了基于機(jī)器視覺的香梨表面損傷識(shí)別問題，利用平均灰度值方法、特征提取和CNN分類器的設(shè)計(jì)與訓(xùn)練，進(jìn)行了表面缺陷分類檢測(cè)。CNN網(wǎng)絡(luò)在香梨表面損傷識(shí)別任務(wù)中表現(xiàn)出較高的準(zhǔn)確性和魯棒性，為農(nóng)產(chǎn)品質(zhì)量檢測(cè)和智能農(nóng)業(yè)的發(fā)展提供了一種可行的解決方案。目前，香梨表面損傷的數(shù)據(jù)集仍有限，數(shù)據(jù)量的增加可以進(jìn)一步提高模型的泛化能力和準(zhǔn)確性。因此，未來可以通過更廣泛的數(shù)據(jù)采集和標(biāo)注，構(gòu)建更大規(guī)模的數(shù)據(jù)集，并拓展到更多種類的損傷，提高系統(tǒng)的應(yīng)用范圍和實(shí)用性。除了圖像信息外，香梨損傷的識(shí)別還可以融合多種傳感器信息，如紅外圖像、超聲波等，提高識(shí)別的全面性和準(zhǔn)確性。

參考文獻(xiàn)

[1]崔焱，彭可，楊玉娥，等.基于機(jī)器視覺的手機(jī)蓋板表面缺陷檢測(cè)系統(tǒng)設(shè)計(jì)[J].制造業(yè)自動(dòng)化，2023，45（07）：75-79+96.

[2]賀玉彬.基于機(jī)器視覺的大壩表面裂縫自動(dòng)測(cè)量方法[J].制造業(yè)自動(dòng)化，2023， 45（07）：160-163.

[3]董建偉，劉媛媛，陳斐，等.基于多光譜圖像的庫爾勒香梨表面缺陷檢測(cè)[J].農(nóng)機(jī)化研究，2021，43（09）：35-40.

[4]張衛(wèi)民，國海，劉帥帥.基于計(jì)算機(jī)視覺的碭山梨分級(jí)系統(tǒng)[J].安徽科技學(xué)院學(xué)報(bào)，2022，36（04）：55-59.

[5]付夏暉，王菊霞，崔清亮，等.基于輕量化卷積神經(jīng)網(wǎng)絡(luò)的蘋果表皮損傷分級(jí)研究[J].果樹學(xué)報(bào)，2023，40（10）：2263-2274.

[6]黃仁彬，詹道樺，楊修定，等.基于加權(quán)多尺度特征融合的帶鋼表面缺陷檢測(cè)算法[J].計(jì)算機(jī)集成制造系統(tǒng)，2023（07）：17.

作者單位：邱鵬，晉中信息學(xué)院；蘇兆兆，新疆大學(xué)；賈瑤鏇，山西農(nóng)業(yè)大學(xué)

責(zé)任編輯：尚丹