紅棗表面缺陷快速檢測方法研究

張萌 許敏

摘要：紅棗表面缺陷快速檢測是實現其自動分級的關鍵技術之一。針對紅棗表面曲率變化致使其表面灰度分布很不均勻和缺陷區域很不明顯的特點，提出了一種亮度快速校正算法。首先使用單色CCD、濾光片和近紅外光源獲得紅棗近紅外圖像；其次對原始圖像進行去背景操作，獲得紅棗區域灰度圖像；然后使用均值濾波器對去背景后的圖像進行濾波獲得亮度圖像，并使用該亮度圖像對去背景后的紅棗圖像進行亮度校正；最后對亮度校正后的圖像進行缺陷分割。試驗結果表明，該方法能顯著提高自動分級系統的實時性，且該缺陷檢測方法的準確率可達95%。

關鍵詞：表面缺陷檢測；近紅外圖像；亮度校正；自動分級

中圖分類號：TP274+.52 文獻標志碼： A 文章編號：1002-1302（2015）07-0331-03

紅棗具有極高的營養價值及藥用價值，受到了越來越多的消費者青睞[1]。作為中國的重要經濟作物，種植面積與產量逐年提高，但霉爛、蟲害等缺陷嚴重影響了紅棗的品質和價值，必須將其從正常棗中分選出來。目前，缺陷紅棗的剔除采用人工分選方法，缺點是工作量大，勞動效率低，準確性差。計算機視覺技術具有效率高、精度高、檢測信息豐富、非接觸等優點，已在農產品表面缺陷檢測領域獲得了廣泛應用[2]。

由于農產品表面缺陷區域與正常區域在顏色上存在顯著差異，因此大部分缺陷檢測算法是在顏色空間中進行。朱偉華等提出了基于模糊顏色聚類的缺陷分割方法，并將該方法應用于番茄的缺陷分割[3]。李錦衛等將灰度截留分割法與改進的十色模型應用到馬鈴薯表面缺陷檢測中，試驗結果該方法能夠快速、有效檢測出馬鈴薯表面缺陷[4]。趙杰文等提取HSI顏色空間中H分量的均值與方差作為紅棗的顏色特征，并使用支持向量機建立了紅棗缺陷識別模型，該模型對預測集樣本的預測準確率可達96.2%[5]。李江波等對球型水果表面灰度分布不均進行了灰度補償（亮度校正），然后使用單一閾值一次性分割獲得了臍橙表面缺陷區域[6]。該方法簡單高效，在水果表面缺陷在線檢測中有較大的應用潛力。

目前，RGB彩色成像系統已經廣泛應用于水果分級檢測中，但RGB彩色成像系統在識別一些水果表面缺陷時性能較差，主要原因是缺陷區域通常對R、G和B波段不敏感[7]。因此，許多研究者嘗試使用近紅外成像系統來檢測水果表面缺陷。Kim等對蘋果表面的蟲害糞便污染進行了多波段（450～850 nm）反射特性試驗[8]，并對受污染的蘋果進行缺陷算法開發試驗。Kleynen等研究發現750 nm波段圖像能有效區分蘋果表面大部分缺陷和正常組織[9]。Lee等將近紅外CCD應用到椰棗表皮剝落缺陷檢測中，與普通CCD相比，近紅外CCD獲取的圖像其缺陷區域的對比度得到明顯增強[10]。目前該系統已用于實際生產，分級精度最高可達95%。展慧等提出了近紅外光譜和機器視覺的多源信息融合技術的板栗缺陷檢測方法，建立了3層BP神經網絡融合識別模型，該模型對測試樣本的識別率為90%[11]。

目前，水果表面缺陷視覺檢測技術面臨的主要問題是如何快速、準確地定位缺陷區域。由于水果通常呈球體或橢球體，其表面的曲率變化使得灰度分布很不均勻，水果中心區域的灰度值較高，邊緣區域的灰度值較低，而水果表面缺陷通常以較低的灰度值出現在圖像中。因此，水果表面缺陷很難用單一閾值進行分割。本研究以新疆和田棗為對象，研究其表面亮度校正算法和表面缺陷快速檢測方法，為紅棗的自動分級提供理論依據和技術支持。

1 圖像采集系統

紅棗圖像采集系統如圖1所示。該系統由輸送線、光照裝置、計算機視覺系統組成。輸送線采用2排雙錐式滾子來輸送和翻轉紅棗，整個輸送線為黑色。雙錐式滾子以一定的間隔均勻地裝在鏈條上，鏈條由傳動輪來帶動。紅棗放置在滾子之間，雙錐式滾子與摩擦帶緊密接觸，當摩擦帶與雙錐式滾子之間存在速度差時，由速度差產生的摩擦力使雙錐式滾子在向前運動的同時繞水平軸轉動，帶動紅棗翻轉，從而保證攝像機獲得紅棗的全表面圖像。計算機視覺系統由HD-HV1351UM相機、圖像采集卡、2條LED近紅外光源、濾光片和計算機構成。

2 圖像處理

2.1 圖像采集

圖像采集采用觸發抓拍的方式。紅棗運動狀況檢測傳感器安裝在圖像采集區域內，用于檢測待紅棗是否到達預定的圖像采集位置。當傳感器檢測到紅棗到達預定位置時發出觸

發信號，圖像采集卡受到觸發，紅棗圖像被采集到計算機內存中，等待進一步的處理。同一紅棗被連續抓拍4次，理想狀態下4幅圖像可以組成紅棗幾乎完整的表面。圖2所示為采集系統獲取的紅棗圖像，其中前3幅存在蟲害缺陷，最后1幅不存在缺陷。

2.2 圖像預處理

圖像預處理目標是去除背景及噪聲，由于掩模具有去除背景及噪聲的同時不破壞缺陷區域的優點[12]，本研究采用掩模法去除背景。掩模法去除背景的關鍵是構建完整的掩模圖像。從圖2 可以看出，紅棗區域的灰度明顯高于背景區域。因此，可以使用一個簡單閾值T對圖像進行二值化并將該二值圖像作為掩模圖像。在本試驗中閾值T設為70，基于此閾值將紅棗原始圖像Iorig的目標區域設置為1，背景區域設置為0，然后再進行形態學開運算及填充運算，去除目標區域中的噪聲干擾及目標區域中出現的空洞，形成二值掩模圖像Temp，紅棗二值掩模圖像見圖3。然后進行如公式（1）的運算就可以獲得不含背景的紅棗灰度圖像。

Imask=Iorig×Temp。（1）

式中：Imask為掩模操作后的圖像。去背景后的紅棗灰度圖像見圖4，掩模去除了背景且完整地保留了紅棗正常區域及缺陷區域。從圖4可以看出，圖像中心區域較亮，而紅棗邊緣及缺陷區域較暗，這將影響缺陷區域分割的準確性。為此，本試驗研究了紅棗表面亮度校正方法。

2.3 亮度校正

亮度校正的目的是消除水果表面灰度分布不均對缺陷檢測的影響。李江波等基于照度-反射模型，使用低通濾波獲取R分量圖像的亮度分量并使用此亮度分量對去背景后的R 分量圖像進行亮度校正[13]。使用的亮度校正算法是在頻域中進行的，整個校正過程包括：中心變換、離散傅立葉變換、

Butterworth低通濾波器設計以及傅立葉反變換，算法的計算量非常大。為了提高檢測系統的實時性，本研究提出了一種空域內直接亮度校正算法。

2.3.1 亮度圖像獲取 設f（x，y）表示某一圖像，h（x，y）表示某一形式的濾波器，則亮度圖像可以表示為：

I（x，y）=f（x，y）h（x，y）。（2）

式中：I （x，y）表示亮度圖像，表示卷積。亮度圖像獲取的關鍵是濾波器的設計，本研究直接對去背景后的紅棗灰度圖像進行均值濾波。設f （x，y）表示某一圖像，其大小為M×N，Temp表示大小為m×m的方形均值濾波模板，通過的試驗，均值濾波模板的尺寸可由公式（3）確定。

m=round[min（M，N）8]×2+1。（3）

式中：min（M，N）表示取M和N的較小值；round（）表示圓整。

2.3.2 亮度校正及缺陷區域分割 在獲得亮度圖像I（x，y）后（圖5），利用公式（4）對亮度圖像進行校正。

f′（x，y）=f（x，y）I（x，y）；

F（x，y）=255 if f′（x，y）≥1255 f′（x，y） if f′（x，y）<1。（4）

式中： f′（x，y）為亮度校正后的圖像，F（x，y）表示將亮度校正后的圖像灰度限制在[0，255]區間內。

亮度校正后的圖像見圖6。從圖6可以發現紅棗正常表面經校正后呈現為高灰度區域，而缺陷區域仍然為低灰度區域， 即使缺陷位于圖像的邊緣區域（此時缺陷較難檢測）也能

達到非常好的校正效果。亮度校正后的圖像，使用一個簡單閾值即可分割出紅棗表面缺陷區域。分割結果見圖7（所用閾值為170）。

3 試驗分析

根據試驗要求，由當地熟練挑揀工挑選不同種類的缺陷樣本，包括蟲害棗、鳥啄棗、霉爛棗、藥害棗、正常棗。采集到的部分缺陷棗和正常棗圖像見圖8-a，采用本研究所述方法分割獲得的缺陷區域圖像見圖8-b。蟲害棗、霉爛棗、正常棗的識別準確率較高，藥害棗的識別率僅為76%，主要原因是藥害棗表面呈現麻點狀缺陷，經亮度校正后麻點狀缺陷很容易被淹沒，導致缺陷區域無法獲取（表1）。同時比較了本研究方法與李江波等所提方法的實時性。李江波等方法處理1幅圖像需要72 ms[13]，而本研究提出的缺陷檢測方法處理1幅圖像僅需要35 ms。因此，本研究提出的缺陷檢測方法能顯著提高檢測系統的實時性。

4 結論

本研究針對紅棗表面灰度分布不均，致使其表面缺陷難以快速準確定位問題，提出了一種果面灰度分布不均快速補償方法。經該補償方法處理后，果面缺陷區域特征得到顯著增強。試驗結果表明，與已有果品表面缺陷檢測方法相比，本方法能顯著提高果品自動分級系統的實時性，同時該缺陷檢測方法綜合準確率可達95%以上。

參考文獻：

[1]初 樂，吳茂玉，朱風濤，等. 新疆地區紅棗產業現狀及發展建議[J]. 農產品加工·學刊，2012（4）：110-113.

[2]應義斌，饒秀勤，趙 勻，等. 機器視覺技術在農產品品質自動識別中的應用（Ⅰ）[J]. 農業工程學報，2000，16（1）：103-108.

[3]朱偉華，曹其新. 基于模糊彩色聚類方法的西紅柿缺陷分割研究[J]. 農業工程學報，2003，19（3）：133-136.

[4]李錦衛，廖桂平，金 晶，等. 基于灰度截留分割與十色模型的馬鈴薯表面缺陷檢測方法[J]. 農業工程學報，2010，26（10）：236-242.

[5]趙杰文，劉少鵬，鄒小波，等. 基于支持向量機的缺陷紅棗機器視覺識別[J]. 農業機械學報，2008，39（3）：113-115，147.

[6]李江波，饒秀勤，應義斌. 基于照度-反射模型的臍橙表面缺陷檢測[J]. 農業工程學報，2011，27（7）：338-342.

[7]Gowen A A，ODonnell C P，Cullen P J，et al. Hyperspectral imaging-an emerging process analytical tool for food quality and safety control[J]. Trends in Food Science & Technology，2007，18（12）：590-598.

[8]Kim M S，Lefcourt A M，Chao K，et al. Multispectral detection of fecal contamination on apples based on hyperspectral imagery：Part Ⅰ. Application of visible and near-infrared reflectance imaging[J]. Trans of the ASAE，2002，45（6）：2027-2037.

[9]Kleynen O，Leemans V，Destain M F. Development of a multi-spectral vision system for the detection of defects on apples[J]. Journal of Food Engineering，2005，69（1）：41-49.

[10]Lee D J，Schoenberger R，Archibald J，et al. Development of a machine vision system for automatic date grading using digital reflective near-infrared imaging[J]. Journal of Food Engineering，2008，86（3）：388-398.

[11]展 慧，李小昱，周 竹，等. 基于近紅外光譜和機器視覺融合技術的板栗缺陷檢測[J]. 農業工程學報，2011，27（2）：345-349.

[12]李江波，饒秀勤，應義斌，等. 基于掩模及邊緣灰度補償算法的臍橙背景及表面缺陷分割[J]. 農業工程學報，2009，25（12）：133-137.

[13]李江波，饒秀勤，應義斌. 水果表面亮度不均校正及單閾值缺陷提取研究[J]. 農業機械學報，2011，42（8）：159-163.