鄒 偉

（湖南財(cái)經(jīng)工業(yè)職業(yè)技術(shù)學(xué)院，湖南 衡陽(yáng) 421002）

0 引 言

目前，國(guó)內(nèi)外對(duì)水果的品質(zhì)分級(jí)主要集中在水果的顏色、果形、缺陷等3 個(gè)方面，而對(duì)水果的分級(jí)方法主要是分為人工分級(jí)、機(jī)械式分級(jí)、機(jī)器視覺(jué)檢測(cè)分級(jí)3 種方法。人工分級(jí)費(fèi)時(shí)費(fèi)力，長(zhǎng)時(shí)間勞作容易疲勞，導(dǎo)致分選準(zhǔn)確率下降。機(jī)械式分級(jí)易刮傷水果果皮。機(jī)器視覺(jué)檢測(cè)分級(jí)不僅準(zhǔn)確度高，而且不存在疲勞現(xiàn)象，也不會(huì)刮傷水果果皮，在水果分選行業(yè)有著巨大的應(yīng)用前景，本文對(duì)機(jī)器視覺(jué)技術(shù)在水果分選行業(yè)的研究進(jìn)行了綜述與展望。

1 基于機(jī)器視覺(jué)的國(guó)內(nèi)外水果分級(jí)研究現(xiàn)狀

目前，國(guó)內(nèi)外對(duì)水果的品質(zhì)分級(jí)研究主要集中在水果的顏色、果形大小、缺陷等3 個(gè)方面。

1.1 按顏色分級(jí)

國(guó)外相關(guān)學(xué)者根據(jù)顏色對(duì)水果進(jìn)行了分級(jí)。TAO 等[1]研制了一套針對(duì)蘋果顏色分選的機(jī)器視覺(jué)系統(tǒng)，該系統(tǒng)可對(duì)蘋果的黃、綠色進(jìn)行準(zhǔn)確的區(qū)分。MENDOZA 等[2]研究了基于RGB、HSV、L*a*b*3 種顏色模型對(duì)水果顏色品質(zhì)的檢測(cè)，結(jié)果表明RGB 模型在水果顏色檢測(cè)中效率高、準(zhǔn)確率偏低，L*a*b*模型最適合水果顏色品質(zhì)的檢測(cè)區(qū)分。饒秀勤等[3]研究了HIS 顏色模型對(duì)柑橘顏色等級(jí)的區(qū)分檢測(cè)，分級(jí)準(zhǔn)確度誤差僅為1.75%。馮斌等[4]引入了神經(jīng)網(wǎng)絡(luò)算法評(píng)價(jià)水果的顏色，選取與果實(shí)顏色相關(guān)的分形維數(shù)特征值作為神經(jīng)網(wǎng)絡(luò)的輸入層參數(shù)，輸出結(jié)果為顏色等級(jí)，結(jié)果準(zhǔn)確率可達(dá)95%。何東健等[5]利用視覺(jué)技術(shù)通過(guò)采集水果的彩色圖像，將RGB 值轉(zhuǎn)換成HIS 值，選用合適色相值下的直方圖累計(jì)面積百分比對(duì)水果的顏色等級(jí)進(jìn)行了很好的區(qū)分，區(qū)分準(zhǔn)確率達(dá)到了88%。

1.2 按果形大小分級(jí)

國(guó)外相關(guān)學(xué)者根據(jù)水果的果形大小對(duì)水果進(jìn)行了分級(jí)。VAN ECKJ[6]利用機(jī)器視覺(jué)技術(shù)來(lái)檢測(cè)黃瓜的形狀和長(zhǎng)度，對(duì)黃瓜圖像進(jìn)行邊緣檢測(cè)，該檢測(cè)方法比人工檢測(cè)誤差小。國(guó)內(nèi)也有學(xué)者在這方面進(jìn)行了相關(guān)的研究。章文英等[7]利用圖像處理技術(shù)測(cè)量蘋果的大小，最小外接矩形法來(lái)測(cè)量蘋果的橫徑、縱徑，測(cè)量出來(lái)的值與真實(shí)值十分接近，驗(yàn)證此方法可行。馮斌等[8]通過(guò)采集水果圖像，對(duì)水果圖像進(jìn)行灰度處理，并進(jìn)行邊緣檢測(cè)，通過(guò)確定水果的測(cè)量方向來(lái)獲取水果的尺寸，該測(cè)量方法準(zhǔn)確率高。

1.3 按表面缺陷分級(jí)

國(guó)外相關(guān)學(xué)者根據(jù)水果表面缺陷對(duì)水果進(jìn)行了品質(zhì)等級(jí)分級(jí)，主要從算法和系統(tǒng)2 個(gè)方面展開(kāi)研究。SOFU 等[9]研制了一套蘋果質(zhì)量檢測(cè)系統(tǒng)，能根據(jù)蘋果的表面缺陷進(jìn)行品質(zhì)分級(jí)，分級(jí)效率可以達(dá)到每秒鐘分選15 個(gè)蘋果。REHKUGLER等[10]采用黑白CCD 相機(jī)獲取蘋果圖像，對(duì)蘋果圖像采用閾值分割法進(jìn)行分割和檢測(cè)，但存在圖像邊緣部分灰度值小于中間部分，會(huì)造成邊緣缺陷誤判，因此檢測(cè)準(zhǔn)確度有待提高。國(guó)內(nèi)也有相關(guān)學(xué)者在這方面進(jìn)行了研究。王亞琴等[11]利用機(jī)器視覺(jué)技術(shù)對(duì)水果進(jìn)行分級(jí)研究，根據(jù)RGB 顏色模型獲取直方圖，用隨機(jī)圓Hough 變換對(duì)果實(shí)進(jìn)行檢測(cè)，取得了不錯(cuò)的檢測(cè)效果。饒秀勤[12]開(kāi)發(fā)了一套水果檢測(cè)機(jī)器視覺(jué)系統(tǒng)，獲取水果在HIS 顏色空間下的其中一個(gè)分量，采用主成分分析法對(duì)水果的顏色、大小、缺陷等特征進(jìn)行提取，實(shí)現(xiàn)了水果的精確分級(jí)。

2 柑橘的識(shí)別與檢測(cè)研究

2.1 傳統(tǒng)柑橘圖像處理技術(shù)

傳統(tǒng)柑橘圖像處理技術(shù)基本上停留在對(duì)柑橘圖像獲取、柑橘圖像的預(yù)處理、特征提取、分類器、分類結(jié)果等階段，傳統(tǒng)水果圖像識(shí)別方法流程如圖1 所示。

圖1 傳統(tǒng)水果圖像識(shí)別流程

楊張鵬[13]通過(guò)傳統(tǒng)圖像處理技術(shù)研究了柑橘的顏色分級(jí)與缺陷檢測(cè)分級(jí)，通過(guò)提取H 分量圖像計(jì)算其色調(diào)直方圖，來(lái)區(qū)別柑橘的顏色以及V 分量下柑橘缺陷面積比來(lái)判斷柑橘的缺陷，準(zhǔn)確率達(dá)到了90%。

2.2 機(jī)器學(xué)習(xí)檢測(cè)算法

機(jī)器學(xué)習(xí)檢測(cè)算法是通過(guò)大樣的果實(shí)樣本人為設(shè)計(jì)特征提取分類法[14]。其中K-means 聚類算法、SVM 支持向量機(jī)分類算法、貝葉斯分類器算法在果實(shí)檢測(cè)分選中應(yīng)用比較常見(jiàn)。方東玉[15]采用SVM 分類訓(xùn)練器對(duì)柑橘進(jìn)行了等級(jí)區(qū)分，實(shí)驗(yàn)結(jié)果表明，SVM 分類取得了較好的效果。SENGUPTA 等[16]提出Hough 圓檢測(cè)結(jié)合SVM 支持向量機(jī)分類法對(duì)柑橘進(jìn)行檢測(cè)區(qū)分，總體準(zhǔn)確率達(dá)到了80.09%。傳統(tǒng)水果分類方法采用的都是人為設(shè)計(jì)特征對(duì)水果進(jìn)行識(shí)別分類，準(zhǔn)確度存在多方面因素的干擾，不是很理想。

2.3 深度學(xué)習(xí)檢測(cè)算法

近年來(lái)，深度學(xué)習(xí)在越來(lái)越多的領(lǐng)域?qū)崿F(xiàn)應(yīng)用，尤其在人臉識(shí)別、語(yǔ)音識(shí)別、圖像識(shí)別領(lǐng)域，在圖像識(shí)別領(lǐng)域表現(xiàn)出了巨大的應(yīng)用前景。

深度學(xué)習(xí)算法的圖像識(shí)別與傳統(tǒng)圖像處理技術(shù)相比，舍棄了人為設(shè)計(jì)特征與特征提取的步驟，分選準(zhǔn)確率有待進(jìn)一步的提高。深度學(xué)習(xí)算法訓(xùn)練只需要輸入足夠多的水果樣本數(shù)據(jù)，就能提取到有價(jià)值的圖像特征，在水果檢測(cè)分選行業(yè)有著巨大的應(yīng)用前景。CNN 卷積神經(jīng)網(wǎng)絡(luò)算法在圖像識(shí)別檢測(cè)上有著廣泛的應(yīng)用。CNN 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)主要由輸入層、卷積層、池化層、全連接層、Soft Max 輸出層構(gòu)成，如圖2 所示。水果圖像經(jīng)輸入層輸入之后，經(jīng)過(guò)多次卷積層和池化層的特征提取，最后由輸出層輸出結(jié)果。圖3 為深度學(xué)習(xí)水果圖像識(shí)別系統(tǒng)流程圖。

圖2 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

圖3 深度學(xué)習(xí)水果分類

周劍等[17]提出了空間金字塔池化（SPP）的YOLOv3 算法的柑橘識(shí)別等級(jí)分類研究，利用YOLOv3 算法多尺度特征融合結(jié)合SPP 層的功能，可將卷積層輸出的特征圖處理成固定尺寸的特征矩陣輸入到全連接層中，完成YOLOv3 網(wǎng)絡(luò)算法的訓(xùn)練。通過(guò)YOLOv3-SPP 網(wǎng)絡(luò)算法對(duì)柑橘的多分級(jí)檢測(cè)準(zhǔn)確率達(dá)到了95.08%，可以應(yīng)用于食品工業(yè)下的柑橘快速分級(jí)。

3 結(jié) 語(yǔ)

國(guó)內(nèi)外研究人員在水果圖像分級(jí)技術(shù)方面做了很多研究，但大多數(shù)都是基于傳統(tǒng)圖像識(shí)別方法，該方法人為設(shè)計(jì)特征對(duì)水果圖像進(jìn)行識(shí)別分類，準(zhǔn)確度存在多方面因素的干擾，分選效果不是很理想。深度學(xué)習(xí)算法圖像識(shí)別舍棄了特征提取的步驟，分選效率及準(zhǔn)確度更高，完全滿足工業(yè)級(jí)柑橘品質(zhì)分選市場(chǎng)的要求，具有巨大的發(fā)展應(yīng)用前景，深度學(xué)習(xí)算法對(duì)水果品質(zhì)檢測(cè)分選方法也是未來(lái)重點(diǎn)研究發(fā)展方向。