基于視覺(jué)的香蕉分級技術(shù)的研究*

基金項目：本項目由遼寧省大學(xué)生創(chuàng )新創(chuàng )業(yè)訓練項目基金支持

新一代信息技術(shù)的發(fā)展加速了農業(yè)生產(chǎn)的數字化、智能化發(fā)展，同時(shí)智慧農業(yè)是中國“十四五”時(shí)期的重要發(fā)展方向。隨著(zhù)人們對高品質(zhì)水果的需求越來(lái)越大，對于水果的分級也將成為水果產(chǎn)業(yè)中最重要的一環(huán)，而人工檢測常常存在效率低下且結果不準確的現象，所以自動(dòng)檢測技術(shù)將得到大力發(fā)展。而無(wú)損檢測技術(shù)即可在不破壞農產(chǎn)品本身的情況下對其質(zhì)量實(shí)現高效快速的檢測，因而無(wú)損檢測技術(shù)發(fā)展前景極為可觀(guān)^[1]。

本文基于RGB 彩色空間的圖像分割技術(shù)對圖像進(jìn)行二值化，通過(guò)閾值分割，確定香蕉表面需要被提取的像素的閾值后得到處理后的圖像，最后通過(guò)YOLOv5搭建模型計算出香蕉表面破損、發(fā)黑、腐爛的面積占比從而實(shí)現分級。

該技術(shù)可廣泛應用于鮮果分級和水果加工中，將大大降低人力成本、提高生產(chǎn)效率，促進(jìn)我國水果產(chǎn)業(yè)工業(yè)化的發(fā)展，并帶動(dòng)香蕉加工企業(yè)的共同發(fā)展。

1 現狀分析

計算機視覺(jué)技術(shù)是近年高速發(fā)展的一種新型技術(shù)，其中包括圖像采集、識別、分析等功能，因其處理信息的綜合能力強和速度快，同時(shí)還能避免人為主觀(guān)因素對檢測結果產(chǎn)生偏差，所以目前在水果自動(dòng)分級中已被廣泛應用^[2]。目前國外的普遍方法為通過(guò)HIS 彩色模型來(lái)實(shí)現分類(lèi)檢測，成功率最高可達85.8%，目前我國水果的品質(zhì)檢測很大一部分依然是憑借分揀員直覺(jué)進(jìn)行，導致部分劣質(zhì)果流進(jìn)市場(chǎng)，直接影響了賣(mài)家的收入和買(mǎi)家的滿(mǎn)意度。雖然我國該技術(shù)起步較晚，但發(fā)展迅速，通過(guò)一種適當的顏色面積累積百分比進(jìn)行分類(lèi)，其準確度最高可達88%。

雖然國內外對該技術(shù)取得了一定的創(chuàng )新與進(jìn)步，但是該技術(shù)距離實(shí)現廣泛推廣還需要大量的技術(shù)積累，目前部分投入生產(chǎn)的大多是通過(guò)邊緣檢測和一些重力傳感器組成的系統，該系統大多只具備果實(shí)大小、質(zhì)量的識別，該方法并不能有效地實(shí)現準確的分類(lèi)。

2 系統設計

本文設計的識別方法基于香蕉表皮顏色特征，其核心為將新鮮區域與缺陷區域的顏色進(jìn)行對比，根據閾值分割出新鮮區域，其步驟如圖1 所示。

圖1 圖像分級步驟

2.1 圖像降噪

在實(shí)際檢測中，由于相機等硬件問(wèn)題和環(huán)境因素常常導致拍攝到的香蕉圖像包含大量的噪聲。所以在圖像分割前需要消除圖像中的無(wú)關(guān)噪聲，本文中采取均值濾波法，即將圖像區域中的像素點(diǎn)求平均值以達到降噪的效果，其數學(xué)表達式如式(1)所示，M 為所選取的橫坐標數，N 為所選取的縱坐標數，所選取的像素點(diǎn)必須包含于圖像面積內，經(jīng)測試當M 和N 選取3 時(shí)降噪效果最好，即選取3*3的濾波器。

   (1)

2.2 圖像分割

香蕉會(huì )隨著(zhù)新鮮度的降低而導致顏色由黃色轉為黑色，所以在香蕉圖像中其新鮮區域與不新鮮區域顏色差別很大，所以可以通過(guò)提取香蕉圖像的顏色特征來(lái)區分新鮮區域和不新鮮區域，本文所用到的顏色模型為RGB模型，模型如圖2 所示。

圖2 RGB模型圖

圖像的閾值分割即通過(guò)設定閾值劃分不同的區域，設f (x, y)為圖像中坐標為(x, y)的像素點(diǎn)的灰度級，閾值為j ，經(jīng)分割后圖像僅包含“0”和“1“兩個(gè)灰度級，稱(chēng)為二值化圖像，其數學(xué)表達式滿(mǎn)足式（2）。

   (2)

常見(jiàn)的閾值分割方法中最小誤差法和最大熵法常常出現錯誤的坐標點(diǎn)，而Otsu 法則沒(méi)有^[3]，所以本文選用Otsu法。如圖3 所示，預處理分別對背景、新鮮區域、缺陷區域進(jìn)行了分割，二值化圖像中香蕉新鮮區域表現為白色，背景區域和缺陷區域表現為黑色。

圖3 圖像處理后對照圖

2.3 視覺(jué)分級系統設計

本文最終設計了視覺(jué)分級系統用來(lái)驗證結果，該系統以Jetson Nano 為GPU，并搭載一個(gè)可支持Linux操作系統深度相機作為圖像輸入設備，經(jīng)實(shí)際測試其彩色圖分辨率可達到1 280×720@30FPS、精度為(±1? 3)mm/m，可以達到實(shí)驗所需標準，最后將結果顯示在顯示屏上，本實(shí)驗硬件配置如表1 所示。

表1 系統硬件配置圖

YOLOv5是一種單階段目標檢測算法，其相對與YOLOv4增加了自適應錨框計算、自適應圖片等縮放操作，從而使其速度和精度均得到了極大的提升。同時(shí)YOLOv5是·完全開(kāi)源的，首先將系統的Python更新到3.8 版本以上后配置Anaconda、Pytorch 的環(huán)境后即可安裝YOLOv5環(huán)境。視覺(jué)識別效果如圖4所示。

圖4 視覺(jué)識別效果圖

通過(guò)視覺(jué)識別后即可計算香蕉的等級，本文的分級方法為通過(guò)新鮮區域面積占比來(lái)劃分不同等級，即首先將圖片縮放到512?12來(lái)確定總面積 S，預處理后可計算出背景面積s1、新鮮面積s2、缺陷面積s3，二值化圖像中取出更為準確的新鮮區域面積s′ ，其數學(xué)表達式如式（3）所示，分級標準如表2 所示。

             (3)

表2 香蕉分級標準

3 實(shí)驗結果與分析

隨機選取100份樣品，每份樣品為三根香蕉，由于樣本獲取時(shí)基本都是新鮮的，為了使實(shí)驗結果更加準確將樣本靜置在常溫室內不同天數后進(jìn)行測試，分別在第1、5、9 d進(jìn)行測試，總計測試300 次。測試時(shí)分別對樣本進(jìn)行人工分級和機器視覺(jué)分級并計算吻合度^[4]，其結果如表3所示。

表3 香蕉樣本分級結果

吻合度計算公式為：

         (4)

根據實(shí)驗結果分析誤差主要來(lái)自于人工挑選可以在多位置進(jìn)行觀(guān)察并且手動(dòng)調整遮蓋區，而機器視覺(jué)分級時(shí)視角單一且無(wú)法檢測到香蕉之間互相遮蓋的部分，將雙方視角統一且禁止人工觸碰改變檢測目標形態(tài)后重新測試，吻合度可達到97.35%。

4 結束語(yǔ)

本文提出了一種通過(guò)閾值分割對香蕉分級的方法，通過(guò)實(shí)驗測試該方法與人工分級吻合度最高可達97.35%，且該系統效率遠遠高于人工，在成本方面同樣具有優(yōu)勢。但是由于香蕉之間不可避免地存在互相遮擋的現象，其對實(shí)驗效果將產(chǎn)生巨大影響，為了彌補該不足需要對系統增加遮擋目標檢測算法，目前主要采取的方法就是將區域卷積神經(jīng)網(wǎng)絡(luò )應用到目標檢測，但是當前的檢測模型大多是針對特定場(chǎng)景或者特定目標進(jìn)行訓練，通用的目標遮擋檢測研究還較少，但是通用目標的檢測是真實(shí)環(huán)境中不可避免的，因此需要投入大量的研究^[5]。

基于視覺(jué)分級的系統具有識別速度快、精度高等優(yōu)點(diǎn)，是未來(lái)水果無(wú)傷識別的發(fā)展趨勢。該分級系統未來(lái)可廣泛適用于水果產(chǎn)業(yè)，不同水果只需要改變其閾值即可實(shí)現識別與分級，如水果分揀系統，通過(guò)傳送帶運輸水果后進(jìn)行拍攝分級以此提高消費者滿(mǎn)意度并實(shí)現水果價(jià)值最大化。

目前國內機器視覺(jué)的研究依然處于起步階段，發(fā)展中的最大問(wèn)題就是像CCD、CMOS 等核心硬件都依賴(lài)于發(fā)達國家研發(fā)，國內制造商處于代工環(huán)節。目前在已經(jīng)實(shí)現使用機器視覺(jué)分類(lèi)甜椒^[6]和彩色制圖系統來(lái)評估西紅柿和棗的品質(zhì)^[7]，但大多仍處于實(shí)驗室階段而未能投入到實(shí)際生產(chǎn)中，相信隨著(zhù)中國電子工業(yè)的發(fā)展和人工智能算法的研究，未來(lái)在果實(shí)分級方面中國將實(shí)現重大突破。

參考文獻：

[1] 羅印斌,蔡艷麗,蘭菡,等.農產(chǎn)品無(wú)損檢測方法應用現狀[J].食品工業(yè)科技,2018,39(15):340-344.

[2] 楊再雄,吳戀,左建,等.基于人工智能的農產(chǎn)水果分級檢測技術(shù)綜述[J].科技創(chuàng )新與應用,2021,11(22):41-43.

[3] 邵志明,王懷彬,董志城,等.基于近紅外相機成像和閾值分割的蘋(píng)果早期損傷檢測[J].農業(yè)機械學(xué)報,2021,52(S1):134-139.

[4] 安愛(ài)琴,余澤通,王宏強.基于機器視覺(jué)的蘋(píng)果大小自動(dòng)分級方法[J].農機化研究,2008,156(4):163-166.

[5] 孫方偉,李承陽(yáng),謝永強,等.深度學(xué)習應用于遮擋目標檢測算法綜述[J].計算機科學(xué)與探索,2022,16(6):1243-1259.

[6] S.A.SHEARER, F.A.PAYNE. Color and defect sorting of bell peppers using machine vision.Transactions of theASAE,1990,33(6):2045-2050.

[7] D.J.LEE, J.K.ARCHIBALD, XIONG G M[J].Rapid color grading for fruit quality evaluation using direct color mapping. IEEE Trans.Autom.Sci.Eng,2011,8(2):292-302.

（本文來(lái)源于《電子產(chǎn)品世界》雜志2023年7月期）