基于面積的獼猴桃大小分級檢測算法

【摘要】根據獼猴桃的外形特征，提出了一種以橫截面積為依據的獼猴桃分級檢測算法。算法將經灰度轉換后的獼猴桃圖像進行自適應中值濾波處理，以去除圖像的噪點，然后采用Otsu方法進行背景分割，并計算出獼猴桃的橫截面積，以此面積為依據對獼猴桃進行大小分級。實驗數據表明該方法的分級正確率可高達87%且單果分級的平均速率可達1.83秒/個。

【關鍵詞】分級檢測技術；自適應中值濾波；Otsu方法；特征提取

1.引言

利用計算機視覺對水果進行自動分級是國內一大熱點，但是從現實來看，獼猴桃的分級技術很落后，基本依靠果農或冷機械手工分級，效率低誤差大，從而造成勞動力及果品浪費等現象。雖然國內有很多類似的研究致力于實現對各種果品的分級，但基本是針對蘋果等類圓形果品。Paulus等[1]人提出以表面積、直徑和體積作為表征果品大小的參數，但并未做進一步的研究實驗驗證。劉禾、汪懋華等[2]通過求取最大果寬和果軸長度來估測果品最大果徑，并給出2個參數的系數，依照此系數計算出表征果品大小的數學關系式?？登缜鏪3]利用改進的面積投影法計算果品的平均直徑，并以此作為大小分級的標準。此外，越來越多的新興技術在水果分級領域被引用，如柏流芳[4]引入DSP技術對蘋果進行動態實時的大小和形狀分級，劉燕德[5]利用LED組合光源實現對水晶梨可溶性固形物的在線檢測等。

本文獼猴桃大小分級算法是將獲得的獼猴桃圖像經過自適應中值濾波等圖像預處理后，利用Otsu方法進行背景分割得到獼猴桃目標區域，再以目標區域的面積作為分級依據得出大小等級分級結果。實驗數據表明：該分級檢測算法的分級正確率和分級速率均達到了實際生產應用的基本要求，可為獼猴桃大小自動化分選提供參考。

2.分級檢測算法的描述

獼猴桃分級檢測算法由以下幾部分組成：對彩色獼猴桃圖像的預處理、目標區域面積的計算和獼猴桃大小分級結果的輸出。具體檢測流程如圖1所示。

3.圖像預處理

3.1 圖像的灰度轉換

3.2 圖像的平滑去噪

自適應中值濾波器的濾波方式和常規的中值濾波器一樣，都使用一個矩形區域的窗口Sxy，不同的是在濾波過程中，自適應濾波器會根據一定的設定條件改變濾波窗的大小[6]，當判斷濾波窗中心的像素是噪聲時，噪聲點值用中值代替，否則不改變當前像素值。由于上述特性，自適應中值濾波算法較其它濾波算法具有更好的圖像細節保留效果。故在采用自適應中值濾波算法對采集的獼猴桃圖像進行去噪處理時，能較好地保留住獼猴桃圖像的細節從而確保分級結果的正確性。

自適應中值濾波算法由兩個部分組成，第一層（Leve1 A）用于對圖像各區域進行噪聲檢測并根據各區域受噪聲污染的狀況確定濾波窗口Sxy的尺寸。第二層（Leve1 B）用于對檢測出的噪聲點進行濾波[7]。

目標區域面積的具體計算過程是先將經過Otsu閾值分割的二值化獼猴桃圖像（這時獼猴桃區域為黑色，其他區域為白色）取反，將黑白顏色區域對調，獼猴桃區域變為白色。然后利用bwarea函數計算出白色區域的像素點的個數total，再利用公式（9）得出獼猴桃的面積S，利用S值的差異便可實現對獼猴桃大小的分級。

6.結果與分析

6.1 實驗結果

計算機為實驗的仿真平臺，其硬件環境為Intel I5-2430M的處理器，2.40GHZ的主頻，2GB的運行內存。其軟件環境為32位的Windows 7操作系統和Matlab 7.0的仿真工具。實驗先選用海沃德獼猴桃100多組，根據2010年成都市獼猴桃協會出臺的《海沃德獼猴桃鮮果分級標準》，統計得出獼猴桃質量分級標準與面積分級標準間的對應關系。如表1所示。再隨機選用海沃德獼猴桃35組，通過對比實驗測出的最大橫截面分級結果和稱重得出的分級結果，統計得出表2。實驗中統計得出獼猴桃的單果分級平均速率可達1.83秒/個。圖4所示給出了典型大型、中型、小型果的實驗結果圖。

6.2 結果分析

分析表2的實驗數據可知：①該獼猴桃大小分級檢測算法的分級正確率可高達87%且平均單果分級速率可達1.83秒/個。②實驗中出現錯誤的分級結果的主要有兩種情況：a.果品重量過于接近分級標準的等級分界值；b.果品的果形過于扁平化。但是在大基數的實際生產應用中，這兩種錯誤情況的影響是十分有限的。圖5給出了扁平化的一級果錯誤分級實驗圖，若按橫截面積分級為三級果，但按質量分級其應劃分為一級果。

7.總結

人工分級方法勞動強度大，缺少客觀性和準確性，嚴重影響獼猴桃分級的效率和精度。計算機視覺技術為根據獼猴桃大小進行分級檢測提供了一種自動、無損、高效的方法。本文利用獼猴桃的最大橫截面積作為獼猴桃大小分級的重要依據，根據獼猴桃的外形特征，提出了一種以橫截面積為依據的獼猴桃分級檢測算法。算法將經灰度轉換后的獼猴桃圖像進行自適應中值濾波處理，以去除圖像的噪點，然后采用Otsu方法進行背景分割，最后計算出獼猴桃的橫截面積進行大小分級。該算法達到了較好的預期分級效果。實驗仿真結果表明，該方法用于獼猴桃自動分級是可行的，有著廣泛的應用前景。

參考文獻

[1]Paulus I，De Busscher R，Schrevens E.Use of image analysis to investigate human quality classification of apples[J].Journal of Agricultural Engineering Research，1997，68（4）：341-353.

[2]劉禾，汪懋華.水果果形判別人工神經網絡專家系統的研究[J].農業工程學報，1996，12（1）：171-176.

[3]康晴晴.基于機器視覺的蘋果檢測分級方法研究[D].北京：中國農業大學，2007.

[4]柏流芳.基于DSP的蘋果大小和形狀動態分級系統的研究[D].北京：中國農業大學，2006.

[5]劉燕德，彭彥穎，高榮杰，等.基于LED組合光源的水晶梨可溶性固形物和大小在線檢測[J].農業工程學報，2010，26（11）：338-343.

[6]劉穎，陳謹女.自適應中值濾波算法在圖像處理中的應用[J].物聯網技術，2013（3）：51-54.

[7]王建華，王春平，賈洪濤.自適應中值濾波器在圖像降噪技術中的應用[J].測控技術，2004，23（5）：54-55.

[8]Ostu N.A threshold selection method from gray-level histogram.IEEE Transactions on SMC，1979，9（1）：62-69.

基金項目：吉首大學大學生研究性學習和創新性實驗計劃立項項目（項目編號：JSU-CX-2013-11）。

通訊作者：張書真。