王瑞方，尚 欣，董昌生

（1.寧夏大學(xué)機(jī)械工程學(xué)院 銀川 750021；2.寧夏大學(xué)材料與新能源學(xué)院 銀川 750021）

蘆筍又名石刁柏，質(zhì)地柔軟、口感細(xì)膩、風(fēng)味鮮美，富含多種氨基酸、蛋白質(zhì)和維生素，具有一定的藥用價(jià)值，目前我國(guó)蘆筍的種植面積已達(dá)到10 萬hm2，高居世界第一，除了西藏和青海外，全國(guó)各個(gè)地方均有種植[1]。

蘆筍在大批量收割后，其尺寸參差不齊，如果不按照某一指標(biāo)進(jìn)行檢測(cè)分級(jí)，種植者無法獲得最大的經(jīng)濟(jì)效益。當(dāng)前消費(fèi)者和食品加工單位都對(duì)蘆筍外部品質(zhì)的要求不斷提高，蘆筍的外部尺寸檢測(cè)分級(jí)顯得舉足輕重。農(nóng)業(yè)農(nóng)村部印發(fā)的《“十四五”全國(guó)農(nóng)業(yè)機(jī)械化發(fā)展規(guī)劃》指出，圍繞果蔬等鮮活農(nóng)產(chǎn)品保質(zhì)增值，研發(fā)分級(jí)等初加工機(jī)械[2]。經(jīng)過蘆筍尺寸的檢測(cè)分級(jí)，使得不同尺寸的蘆筍物盡其用，像鮮蘆筍、蘆筍罐頭、蘆筍茶和蘆筍美容品等[3]。綜上所述，為實(shí)現(xiàn)蘆筍的自動(dòng)分級(jí)，對(duì)蘆筍尺寸的檢測(cè)至關(guān)重要。蘆筍等級(jí)規(guī)格有基于長(zhǎng)度和基部最大直徑2 種，蘆筍的機(jī)械化收割主要是針對(duì)長(zhǎng)度在18～23 cm 的嫩莖[4]。筆者的研究主要通過視覺手段對(duì)蘆筍（本試驗(yàn)針對(duì)綠蘆筍）基部最大直徑進(jìn)行檢測(cè)。

現(xiàn)階段對(duì)于蘆筍等農(nóng)副產(chǎn)品尺寸的檢測(cè)分級(jí)主要是通過人工或者傳統(tǒng)機(jī)械（輥輪、篩網(wǎng)等裝置）來實(shí)現(xiàn)的[5-11]。人工檢測(cè)分級(jí)的主觀性太強(qiáng)，導(dǎo)致精準(zhǔn)程度較低；整個(gè)檢測(cè)過程需要大量的勞動(dòng)力，人工成本過高，造成經(jīng)濟(jì)效益低；同時(shí)人工檢測(cè)還會(huì)造成過多的接觸，會(huì)產(chǎn)生一定的食品安全隱患。傳統(tǒng)機(jī)械檢測(cè)主要是利用間距不同的輥輪、直徑不同的圓孔以及滾筒的離心力進(jìn)行分級(jí)，優(yōu)點(diǎn)是可以通過上述參數(shù)的調(diào)整來實(shí)現(xiàn)對(duì)大多數(shù)的果蔬產(chǎn)品進(jìn)行分級(jí)，適用度較高，并且分級(jí)效率高，但缺點(diǎn)也是顯而易見的，一是分級(jí)過程中容易造成蘆筍的破損和折斷，破損的蘆筍也會(huì)對(duì)其他蘆筍造成影響；二是分級(jí)的精度不高；三是仍需要人工的輔助作業(yè)，自動(dòng)化程度較低。

視覺檢測(cè)主要是利用計(jì)算機(jī)來模擬人類的視覺功能，對(duì)于從外界采集到的圖像進(jìn)行分析和理解，來獲取想要的信息以實(shí)現(xiàn)目標(biāo)物尺寸的測(cè)量和分級(jí)等目的，具有精度高、檢速快、自動(dòng)化和實(shí)時(shí)性等優(yōu)點(diǎn)[12]。國(guó)內(nèi)外的眾多學(xué)者很早就將該技術(shù)應(yīng)用到各種農(nóng)副產(chǎn)品的尺寸檢測(cè)上，包括馬鈴薯、蘋果、柑橘、火龍果和黃瓜等[13-21]，但上述的檢測(cè)目標(biāo)物大多是球形或者類球形的農(nóng)產(chǎn)品，針對(duì)蘆筍這樣細(xì)長(zhǎng)且具有一定柔軟性目標(biāo)物的研究還很少。獨(dú)具一格的外形造成蘆筍尺寸檢測(cè)具有較高的難度，主要有以下幾個(gè)方面：蘆筍的基部形狀并非圓形，難以通過常規(guī)方法對(duì)其進(jìn)行測(cè)量；蘆筍會(huì)出現(xiàn)部分的彎曲且具有一定的柔軟性，增大測(cè)量的難度；由于收割等造成蘆筍基部的不完整，其最大直徑難以確定。

綜上所述，筆者提出通過視覺檢測(cè)的方式來對(duì)蘆筍基部最大直徑進(jìn)行檢測(cè)，首先對(duì)蘆筍圖像進(jìn)行采集，經(jīng)過圖像預(yù)處理、圖像分割和邊界輪廓提取，提出一種新型方法從蘆筍邊緣二值圖像上獲取蘆筍基部最大直徑，即從圖像四個(gè)方向上尋找其最外側(cè)邊緣點(diǎn)，以此繪制蘆筍基部的外包裹矩形，其寬度即為蘆筍基部的最大直徑。

1 材料與方法

1.1 檢測(cè)要求及試驗(yàn)環(huán)境

1.1.1 檢測(cè)要求 蘆筍外部形態(tài)和基部輪廓示意圖如圖1 所示，本試驗(yàn)的檢測(cè)對(duì)象為蘆筍基部最大直徑。

圖1 蘆筍外形和基部輪廓示意圖Fig.1 The outline drawing of outside and base of asparagus

蘆筍的尺寸等級(jí)標(biāo)準(zhǔn)按照中華人民共和國(guó)農(nóng)業(yè)農(nóng)村部2008 年5 月18 日發(fā)布的《蘆筍等級(jí)規(guī)格》，以蘆筍基部最大直徑作為劃分等級(jí)規(guī)格的指標(biāo)[22]，如表1 所示。

表1 蘆筍基部尺寸分級(jí)標(biāo)準(zhǔn)Table 1 The size grading standard of asparagus base

1.1.2 試驗(yàn)環(huán)境 筆者試驗(yàn)所用的所有蘆筍樣本均來自于山東省菏澤蘆筍種植基地，品種為綠蘆筍。試驗(yàn)時(shí)間為2022 年6－8 月，試驗(yàn)地點(diǎn)為寧夏大學(xué)工程訓(xùn)練中心。所用試驗(yàn)環(huán)境：光源采用自然光源，電腦處理為Intel（R）Core（TM）i7-8550U CPU，操作系統(tǒng)為Windows 11 家庭中文版，圖像處理軟件采用Matalb2020b。

1.2 圖像采集

筆者試驗(yàn)的圖像采集平臺(tái)主要由相機(jī)、鏡頭以及夾持相機(jī)的移動(dòng)導(dǎo)軌組成，固定高度和位置，控制該變量對(duì)成像的影響，考慮到未來實(shí)際應(yīng)用中的光照情況，光源為自然光源。采集到的蘆筍圖像分辨率為600×800。

在對(duì)蘆筍的圖像采集之前，先使用標(biāo)準(zhǔn)件（筆者的研究使用第五套人民幣一元硬幣，直徑為25 mm）對(duì)該試驗(yàn)采集裝置進(jìn)行標(biāo)定，獲取實(shí)際尺寸與像素尺寸的比值K。使用上述的采集平臺(tái)對(duì)硬幣的圖像進(jìn)行采集，通過一系列圖像處理操作，測(cè)量硬幣的面積，得到硬幣的像素直徑為64.701 3 pt，最后計(jì)算K值如式（1）所示。

1.3 蘆筍圖像處理

蘆筍尺寸檢測(cè)程序主要包括圖像增強(qiáng)、灰度化、圖像分割、蘆筍邊界輪廓提取、尺寸測(cè)量，程序基于Matlab 軟件進(jìn)行編寫。

1.3.1 圖像增強(qiáng) 由于蘆筍圖像是在自然光照條件下進(jìn)行采集的，因此存在光照不均勻的情況，圖像會(huì)產(chǎn)生部分陰影或者模糊，如圖2 所示。使用J=imflatfield（I，Sigma）進(jìn)行去模糊，其中I為原始圖像；Sigma 為去模糊所使用高斯平滑的標(biāo)準(zhǔn)差，Sigma 值經(jīng)過多次試驗(yàn)，最優(yōu)值30；J為去模糊后返回的圖像，如圖3 所示。

圖3 去模糊后圖像Fig.3 The image after deblurring

1.3.2 灰度化 由于檢測(cè)的對(duì)象為蘆筍，對(duì)采集到的蘆筍圖像（RGB 圖像）進(jìn)行灰度化處理，可減少后續(xù)圖像處理過程的計(jì)算量。筆者通過計(jì)算蘆筍圖像中每個(gè)像素點(diǎn)的R、G、B 三個(gè)分量的加權(quán)和，將RGB 彩色圖像轉(zhuǎn)化為灰度圖像，采取權(quán)重平均法，如式（2）所示。

J=0.298 9×R+0.587 0×G+0.114 0×B。（2）

灰度化后的圖像如圖4 所示。

圖4 灰度化圖像Fig.4 The gray-scale image

1.3.3 圖像分割 圖像分割是將圖像分離成前景（目標(biāo)對(duì)象）和背景的過程，是圖像處理過程中的基礎(chǔ)性問題，分割的優(yōu)劣直接關(guān)乎到后續(xù)的尺寸測(cè)量。在眾多算法中，筆者選擇了主動(dòng)輪廓法[23-24]，又稱snake法，是一種迭代式區(qū)域增長(zhǎng)圖像分割算法，snake表示平面中一組有序的像素點(diǎn)xi=[xi yi]T，其構(gòu)成了感興趣區(qū)域周圍的一個(gè)邊界曲線。該邊界曲線沿著能量減小的方向進(jìn)行移動(dòng)，如式（3）：

其中，EI—內(nèi)部能量，表示假定的邊界曲線；EE—外部能量，表示當(dāng)前snake 所在點(diǎn)的圖像。所以說，主動(dòng)輪廓法的每一次迭代都要沿著能量降低的方向，即Ek+1＜Ek，然后用新點(diǎn)代替舊點(diǎn)，繼續(xù)迭代，直到E最小?？紤]蘆筍的大小形狀以及反復(fù)試驗(yàn)，筆者選擇80×480 大小的矩形作為初始snake，迭代600 次時(shí)目標(biāo)和背景分割效果最佳。初始snake 和分割后的蘆筍圖像如圖5 和圖6 所示。

圖5 初始snakeFig.5 The original snake

圖6 分割后的蘆筍圖像Fig.6 The asparagus image after segmentation

使用其他圖像分割算法（Otsu 法閾值分割和自適應(yīng)閾值分割）對(duì)蘆筍圖像進(jìn)行分割，分割后的結(jié)果如圖7 和圖8 所示。從蘆筍圖像的分割結(jié)果可以看出，盡管Otsu 法閾值分割相對(duì)于自適應(yīng)閾值分割保留了更多的信息，但是兩種閾值方式都沒有完整的將蘆筍分割，同時(shí)從分割結(jié)果來看，分割后的圖像上還有少許的噪聲點(diǎn)（圖像上白色區(qū)域內(nèi)的黑色豎線和黑點(diǎn)），不利于后續(xù)圖像的邊界提取以及尺寸測(cè)量。綜合分析，使用主動(dòng)輪廓法來進(jìn)行蘆筍圖像的分割可以更好地完成蘆筍尺寸的測(cè)量。

圖7 Otsu 法閾值分割Fig.7 The threshold segmentation by Qtsu

圖8 自適應(yīng)閾值分割Fig.8 The threshold segmentation by self-adaption

1.3.4 蘆筍邊界輪廓提取 分割后的蘆筍圖像為二值圖像，已無噪聲點(diǎn)，對(duì)其進(jìn)行邊界輪廓提取時(shí)選取低噪聲情況下提取效果較好的Roberts 算子[25]，Roberts 算子采用對(duì)角線方向相鄰兩像素之差近似梯度幅值，檢測(cè)圖像中的邊緣（灰度函數(shù)發(fā)生急劇突變的像素點(diǎn)之間的連線），其模板如式（4）所示。提取后蘆筍輪廓如圖9 所示。

圖9 蘆筍邊界輪廓Fig.9 The boundary profile of asparagus

1.4 蘆筍尺寸測(cè)量

尺寸測(cè)量即從圖10 的蘆筍邊界輪廓圖像中獲得預(yù)定的尺寸信息（蘆筍基部最大直徑），從二維平面上觀察，即測(cè)量蘆筍基部邊緣點(diǎn)所構(gòu)成的最大水平線段的長(zhǎng)度。圖像處理中測(cè)量線段的常用方法之一就是尋找角點(diǎn)，然后再計(jì)算兩個(gè)角點(diǎn)之間的距離，Harris 角點(diǎn)檢測(cè)算法被公認(rèn)為是較好的尋找角點(diǎn)的方法[26-27]。除此以外，還可以利用曲線擬合思想[28]，將蘆筍邊緣像素點(diǎn)近似擬合成為一條或者數(shù)條相連的曲線，通過計(jì)算曲線的長(zhǎng)度或者曲線之間的距離來近似獲得蘆筍的基部最大直徑。但是，上述兩種方法不適用于蘆筍基部最大直徑的獲取，原因主要是蘆筍形狀的特殊性，從蘆筍的邊緣輪廓圖可以看出來，其基部位置多為曲線，且與兩個(gè)邊緣以曲線過渡，以及收割等原因?qū)е绿J筍基部不完整，需要將基部上完整部分的直徑作為該蘆筍的基部最大直徑，從而造成曲線的難擬合或者角點(diǎn)的錯(cuò)誤檢測(cè)，兩種方法所得結(jié)果如圖10 所示，從圖上可以看到，由于蘆筍基部的復(fù)雜性造成角點(diǎn)的錯(cuò)誤檢測(cè)，以及基部因不完整導(dǎo)致曲線擬合，難以計(jì)算正確距離。

圖10 角點(diǎn)檢測(cè)和曲線擬合所得圖像Fig.10 The acquired image through corner detection and curve fitting

綜合上述原因以及考慮到蘆筍自身形態(tài)特點(diǎn)：其直徑自上而下逐漸增大，彎曲部分多出現(xiàn)在頂部柔嫩部位?；谔J筍形態(tài)的特殊之處以及檢測(cè)要求，借鑒三爪內(nèi)徑千分尺測(cè)量原理（三爪內(nèi)徑千分尺是利用螺旋副原理，使三個(gè)測(cè)量爪作徑向位移，使其與被測(cè)內(nèi)孔發(fā)生接觸，對(duì)內(nèi)孔尺寸進(jìn)行讀數(shù)的一種測(cè)量?jī)x器），筆者在本文中提出外包裹矩形法，其原理借鑒三爪內(nèi)徑千分尺，移動(dòng)測(cè)量爪與內(nèi)孔接觸，不斷在蘆筍像素矩陣的徑向上尋找其邊緣像素點(diǎn)，并以此來繪制出包裹住蘆筍的矩形，如圖11 所示，此時(shí)矩陣的寬度和蘆筍的最大直徑有如式（5）的等式關(guān)系。以此完成蘆筍基部最大直徑的測(cè)量。

圖11 外包裹矩形法原理示意圖Fig.11 The principle diagram of rectangular wrapping method

基本思想是在蘆筍邊界輪廓的二值圖像上尋找到上下左右四個(gè)方向的第一個(gè)像素點(diǎn)，基于此繪制出外包裹矩形，基本步驟如下：

（1）彎曲部分剪裁

外包裹矩形法的不足之處是彎曲蘆筍的檢測(cè)結(jié)果大于實(shí)際尺寸，如圖12 所示。蘆筍的彎曲有兩個(gè)方面，一是蘆筍在檢測(cè)分級(jí)時(shí)位置不佳導(dǎo)致采集的蘆筍圖像彎曲；二是蘆筍自身的彎曲。對(duì)于第一個(gè)方面，在實(shí)際檢測(cè)分級(jí)時(shí)可以通過機(jī)械結(jié)構(gòu)設(shè)計(jì)（輥輪）對(duì)蘆筍位置進(jìn)行限制，而針對(duì)蘆筍自身彎曲的情況，本文中采用圖像剪裁的方法將蘆筍彎曲的圖像去除，只保留蘆筍的基部，如圖13 所示。上述的兩項(xiàng)措施有效地彌補(bǔ)了外包裹矩形法的缺陷。

圖12 未剪裁彎曲部分的結(jié)果Fig.12 The image of unclipped bend part

圖13 外包裹矩陣法提取合成圖Fig.13 The extraction composite image by rectangular wrapping method

圖像裁剪是通過J1=imcrop（I1，[xref，yref，x，y]）函數(shù)來實(shí)現(xiàn)的，其中I1、J1分別為待剪裁圖像和剪裁完返回的圖像；xref和yref為剪裁的起點(diǎn)，本文中選擇的是I1左上角（1，1）點(diǎn)；x、y構(gòu)成剪裁完成后圖像的大小，經(jīng)過多次試驗(yàn)，將其定為600×120。

（2）繪制外包裹矩形

首先在剪裁后的二值圖像上遍歷所有的像素點(diǎn)，比較像素值為1 的像素點(diǎn)在圖像矩陣中的位置（i，j），標(biāo)記出i最大時(shí)的像素點(diǎn)imax，以此類推，依次標(biāo)記出i最小時(shí)、j最大時(shí)和j最小時(shí)的像素點(diǎn)imin、jmax和jmin。隨后，利用標(biāo)記的四個(gè)像素點(diǎn)來繪制外包裹矩形，具體方法就是先新建一個(gè)空白圖像矩陣（零矩陣），在該空白圖像矩陣上沿著imax和imin兩個(gè)標(biāo)記點(diǎn)豎直方向依次為像素點(diǎn)賦值，沿著jmax和jmin兩個(gè)標(biāo)記點(diǎn)水平方向依次為像素點(diǎn)賦值，相交后所圍成的矩陣即為外包裹矩形（圖13）。

（3）尺寸測(cè)量

測(cè)量外包裹矩形的寬度，即為蘆筍基部最大直徑，但測(cè)量的是像素尺寸，如果想要得到實(shí)際尺寸，需要乘上前面的標(biāo)定系數(shù)（K值）。尺寸測(cè)量流程圖如圖14 所示。

圖14 尺寸測(cè)量流程Fig.14 The flow chart of measured size

基于上述尺寸計(jì)算的思想和流程，通過Matlab 程序編寫實(shí)現(xiàn)上述算法并不斷地調(diào)整，得到如下的結(jié)果，其中圖13 為所繪制的外包裹矩形與剪裁后蘆筍邊緣圖像的合成效果圖，可以更加直觀地看到其正確性，在實(shí)際計(jì)算中，只需要計(jì)算矩形的寬，簡(jiǎn)單且計(jì)算量小，適用于蘆筍等不規(guī)則體的對(duì)象。

2 結(jié)果與分析

為了驗(yàn)證上述一系列的圖像處理算法的可靠性以及是否滿足預(yù)設(shè)的檢測(cè)要求，筆者隨機(jī)選用10根剛收割的新鮮蘆筍，依照標(biāo)準(zhǔn)[22]使用游標(biāo)卡尺對(duì)其基部最大直徑進(jìn)行人工測(cè)量，同時(shí)使用前文中提到的圖像采集平臺(tái)對(duì)這些蘆筍進(jìn)行圖像采集。將這些圖像導(dǎo)入先前編寫的Matlab 程序中獲取計(jì)算機(jī)檢測(cè)的結(jié)果。數(shù)據(jù)對(duì)比如表2 和圖15。

表2 試驗(yàn)結(jié)果Table 2 The experimental result

圖15 蘆筍實(shí)際尺寸與測(cè)量尺寸Fig.15 The actual and measured size of asparagus

觀察表2 和圖15 可以發(fā)現(xiàn)，在光照條件和試驗(yàn)設(shè)備不佳的情況下，筆者試驗(yàn)使用的圖像處理方法依舊能夠達(dá)到較高的精度水平，蘆筍實(shí)際尺寸與測(cè)量尺寸的誤差在0.01～0.50 mm，10 根試驗(yàn)蘆筍均分到正確的等級(jí)里，準(zhǔn)確率為100%。在實(shí)際檢測(cè)分級(jí)中，會(huì)通過機(jī)械結(jié)構(gòu)使蘆筍在圖像采集區(qū)旋轉(zhuǎn)一周，多采集幾張?zhí)J筍圖像，比較該根蘆筍的每張圖像檢測(cè)結(jié)果，取其中最大值來作為蘆筍基部最大近似直徑。

3 討論與結(jié)論

目前對(duì)于蘆筍基部最大直徑檢測(cè)的研究較少，筆者提出了一種基于圖像處理的外包裹矩形檢測(cè)方法，利用snake 法對(duì)蘆筍圖像進(jìn)行前后景分離，利用Roberts 算子提取邊界輪廓，使用矩形擬合蘆筍基部輪廓，并通過試驗(yàn)證明該法的可行性。傳統(tǒng)的尺寸檢測(cè)（線段測(cè)量）主要使用角點(diǎn)檢測(cè)和曲線擬合。其中角點(diǎn)檢測(cè)[26-27]在對(duì)蘆筍基部最大直徑進(jìn)行檢測(cè)時(shí)，不規(guī)則體的蘆筍會(huì)出現(xiàn)角點(diǎn)的錯(cuò)誤檢測(cè)，該法更適合規(guī)則體尺寸的檢測(cè)。用曲線擬合法[28]對(duì)蘆筍進(jìn)行檢測(cè)時(shí)，難以確定蘆筍基部最大直徑所在位置（蘆筍收割過程造成部分蘆筍基部的不完整），該法更適合標(biāo)準(zhǔn)件尺寸的檢測(cè)。筆者針對(duì)蘆筍基部最大直徑的檢測(cè)，相比其他方法更加簡(jiǎn)單實(shí)用、計(jì)算量小，更適合不規(guī)則體果蔬的尺寸檢測(cè)。但是在實(shí)際檢測(cè)分級(jí)過程中為了更加準(zhǔn)確地測(cè)量最大直徑，需要在圖像采集區(qū)域設(shè)置機(jī)械結(jié)構(gòu)使蘆筍旋轉(zhuǎn)一周，充分采集蘆筍的相關(guān)信息，除此之外還需對(duì)蘆筍進(jìn)行定位。

筆者使用上述方法對(duì)10 根剛收割的新鮮蘆筍基部最大直徑進(jìn)行測(cè)量，誤差范圍在0.01～0.50 mm，符合允許誤差范圍，分級(jí)正確率達(dá)到100%，解決了傳統(tǒng)蘆筍檢測(cè)分級(jí)中存在的精度差、有損傷等問題，在蘆筍的自動(dòng)分級(jí)領(lǐng)域具有一定的應(yīng)用前景。同時(shí)該檢測(cè)方法也為其他農(nóng)副產(chǎn)品以及不規(guī)則物體（比如草莓的橫徑測(cè)量）的尺寸檢測(cè)提供了新的思路。