基于圖像邊緣檢測的紅棗分級方法

王 慧

(中國石油管道局工程有限公司管道學院，河北 廊坊 065000)

0 引言

紅棗屬于鼠李科棗屬，含糖量極高，營養豐富，具有較高的食用價值。成熟的紅棗可以作為鮮果食用，在產量較大的地區則晾成干棗后運輸和食用。紅棗的加工方式多樣，包括將干棗包裝，以及制成果脯和蜜棗等。紅棗發源于我國，也是我國獨具特色的水果，比較受消費者歡迎。作為紅棗的唯一出口國，近年來我國種植的紅棗種類日益增加，產量和銷售量也保持上升趨勢。目前，我國紅棗年產量超過800萬t，種植規模和產量占世界總量的95%[1]。新疆是紅棗產量最高的省份，該地區紅棗種類豐富，部分優質品種的含糖量高達到34%，已經成為當地農業經濟的重要組成部分。

受產地消費能力和自身特性的限制，紅棗大多以干棗的形式運輸、儲藏、加工和銷售。一直以來，我國農產品的加工程度和技術水平不高，高附加值產品較少。紅棗產業也面臨著這一問題，對我國紅棗在國際市場的競爭力和產業經濟效益都造成了影響。因此，提高生產與消費之間各環節的技術水平，對于我國紅棗產業的發展具有重要的推動作用。

分級是對果實按照大小、形狀、顏色或表面缺陷等外部性狀進行檢測，再根據相應的標準把品質近似的果實劃分為相同等級，是水果進入市場銷售前的重要處理環節。通過分級可以使各等級的水果按照相應的價格銷售，以供消費者選擇，對經濟效益也有一定提升作用。我國紅棗產業總量龐大，若完全實現品質分級，則能夠極大地提高銷售收入。紅棗的傳統分級方法是人工目測觀察，或利用選果板等輔助工具依據經驗評價品質。該方法簡單易行，無需復雜的儀器設備，可以根據具體要求評價各種外觀性狀[2]。傳統方法勞動強度大，無法保持較高的準確性和效率。另外，近年來隨著人口年齡結構的變化，勞動力減少，該方法不再具有以往的成本優勢。

科技進步催生出各種紅棗的自動分級系統和方法，主要包括自動機械系統、光電系統和計算機視覺方法，它們大多以紅棗尺寸大小為指標進行分級。自動機械系統在結構上具有間隙，操作時根據紅棗的大小閾值調整間隙的寬度；紅棗通過機械時，在離心力或重力下從小到大依次通過對應大小的間隙，最終得到分離。紅棗自動分級機械按照分級的核心部件可以分為帶式、滾筒式和滾杠式，這些機械的分級效率高，通用性較好，有的已在實際生產中得到應用[3]。它們的缺點在于只能識別單一性狀，運行過程中的碰撞磨損會引起損傷，影響了其推廣應用。光電式分級是利用光電傳感器檢測紅棗對光線的遮擋時間，從而推測其長度和大小[4]。這種系統的自動化程度和精確度很高，且克服了自動機械碰撞引起的損傷問題；但是檢測指標的穩定性沒有得到改善，離實際應用還有距離。

計算機視覺是在計算機科學和信息技術基礎上建立起來的，能夠將采集的圖像轉換為數字信號，然后識別和分析目標特征。計算機視覺的應用領域廣闊，瓜果蔬菜的分級是其中之一[5]。與之前的分級方法相比，計算機視覺能夠克服主觀因素干擾，檢測精確度較高，并且能實現無損分級。計算機視覺應用于紅棗分級的研究較多，出現了與之相關的各種分級設備、檢測方法和分析算法，而分級的實時性和通量是目前需要重點解決的問題[6-8]。

在檢測多種性狀的情況下，基于計算機視覺的分級檢測計算量極大，對硬件和成本提出了更高的要求。因此，外觀特征和算法變得尤為重要，此時圖像邊緣便成為較為理想的選擇。邊緣檢測是檢測圖像中的像素在其區域中灰度階躍變化，通過相鄰的導數變化規律來體現邊緣，即利用特定算法提取目標與背景的分界線[9]。作為計算機視覺的分支，圖像邊緣檢測已經演化出了多種算法，這些算法都有各自的優缺點，并適用于各種外觀特性的農產品，包括鴨蛋、煙草、蘋果、大米和紅棗[10-14]。本研究提出了一種基于圖像邊緣檢測的紅棗分級方法，利用小波變換、自適應Canny算法和梯度算法分別對紅棗的大小和表面缺陷進行識別和檢測，作為等級劃分的指標。最后，試驗驗證上述3種算法的檢測精確性，以期篩選最適宜的算法，為實現紅棗的自動化分級提供技術支撐。

1 圖像的獲取和預處理

將紅棗樣品放在傳送帶上，模擬自動分級流水線移動，移動速度為0.5m/s。照相設備為1臺世紀科信UCMOS0300型CCD工業相機，安裝在紅棗樣品上方。相機拍攝獲取紅棗的圖像，然后傳送給計算機并轉換成數字信號，用MatLab工具箱所帶的邊緣檢測程序進行分析。

紅棗原始圖像大小為640×480，JEPG格式。圖像中的背景為黑色，目標樣品顯示為紅色。運動狀態導致圖像質量下降，對后續的處理分析造成了干擾。這里對圖像通過5×5的中值濾波做平滑處理，去除干擾因素，增強圖像的質量，如圖1所示。

灰度化處理是圖像邊緣檢測的前提條件。圖1中只有一種背景顏色，并且與檢測樣品之間的差異明顯，可以通過RGB這3種通道的色彩模式做灰度化處理。鑒于邊緣檢測目標的主體顏色為深紅，RGB色彩空間的B通道可以表現最明顯的峰值，得到理想的分割和識別效果。因此，采用基于B通道的閾值分割法進行灰度化處理，如圖2所示。

灰度化的圖像再進行HIS加權的二值化，消除背景和目標范圍內的各種毛刺和噪音點。以B通道的峰值特征為依據設定圖像分割閾值，然后分別利用小波變換、自適應Canny算法和梯度算法檢測目標的邊緣，最終得到紅棗及其表面缺陷區域的輪廓，并計算面積。

圖1 紅棗的原始圖像

圖2 紅棗的灰度化圖像

2 邊緣檢測

梯度算法以傅立葉變換為基礎，專門用于彩色圖像的邊緣檢測。該算法采用RGB色彩空間，分別對每個像素點在R、G、B上的分量計算梯度值，然后用快速最大熵法確定閾值，基于閾值判別其是否為邊緣點。由于引用了并行的微分算法和快速最大熵閾值，梯度算法的計算簡單，檢測邊緣的速度快，具有很好的實時性。

Canny算法屬于階梯型邊緣檢測算法，先用指定標準差Guass濾波器獲得原始圖像的平滑濾波，再進行高斯函數濾波，產生梯度矢量計算公式，對圖像邊緣的定義為在特定方向上矢量模具有極大值的點。Canny算子精確度較高，但會產生假邊緣和局部邊緣丟失現象。自適應Canny算法針對上述缺點，引入信息熵來適應Canny算子的高低閾值。信息熵用于反映平均信息源的不確定性，根據信息熵最大時的Canny算子閾值可以將圖像分為目標和背景兩部分。

小波變換對邊緣的定義為灰度突變明顯的像素點，即一階微分極大值點或二階微分過零點。小波變換以奇異性檢測圖像邊緣，對信號的分析較精確。平滑二維函數計算方法參考姚娜等的研究[14]，通過與水平方向的夾角確定梯度矢量的極值，再利用閾值分割便可以獲得圖像的邊緣；最后，根據目標的方向，進行相應角度的小波變換。

3 檢測分級

本研究將圖像邊緣檢測用于對紅棗的大小和表面缺陷進行分級，紅棗的大小以單個紅棗圖像的面積來反映。計算組成邊緣的像素點數可以得到邊緣周長，將紅棗按照圓形處理，算出紅棗的面積。這種方法雖然不能準確反映紅棗的實際大小，但不會影響相對比較的結果。紅棗的表面缺陷一般是由蹭碰和害蟲啃食引起，呈現明顯的白色。因此，通過設定RGB色彩空間的相關閾值，便可以使表面缺陷的區域顯示出來。檢測缺陷區域所包含的像素點數，并計算其占整個紅棗圖像的比例。

4 試驗結果與分析

4.1 試驗設計

試驗選用的樣品為從市場購買的哈密紅棗干制品，經過初步分揀，去除了嚴重霉爛和畸形的個體。隨機選擇50個紅棗編號并用天平稱重，以3個質量3.5、4.0、4.5g為閾值，將紅棗劃分為4、3、2、1級。進行圖像邊緣檢測后計算圖像面積，根據各個等級紅棗的檢測結果確定等級劃分的圖像面積閾值；然后選擇4個等級的紅棗各25個，其中10個具有表面缺陷，再進行基于圖像邊緣檢測的自動分級，比較分級結果的準確性。人工判定表面缺陷的依據為缺陷區域面積占單棗面積超過10%，驗證的方法同上。

4.2 試驗結果和分析

紅棗邊緣檢測的效果如圖3所示。由圖3可以看出：梯度算法能檢測到完整的邊緣，但是內部線條較多，可能會對分級結果造成影響[見圖3(a)]；自適應Canny算法檢測到的線條較少，邊緣的清晰度和連續性都較好，是最為理想的檢測算法[見圖3(b)]；小波變換檢測到的線條最少，但是斷點較多，邊緣的完整性差，可能導致無法識別整個紅棗[見圖3(c)]。總體而言，3種算法對邊緣的定位精度都很高，也能有效檢測到表面缺陷。

圖3 紅棗圖像的邊緣檢測

3種算法的分級準確性如表1所示。由表1可知：梯度算法、自適應Canny算法和小波變換對各級紅棗大小的分級準確率分別為92%、97%和94%。其中，自適應Canny算法的分級效果最好。3種算法都有個別的表面缺陷漏檢問題，可能是由拍攝角度遮擋造成的。

表1 準確分級的紅棗數目

5 結論

建立了一種基于圖像邊緣檢測的紅棗分級方法，利用工業相機拍攝圖像并進行預處理和灰度化；然后利用小波變換、自適應Canny算法和梯度算法檢測邊緣，并計算紅棗的大小和表面缺陷面積比率，作為等級劃分的指標。試驗表明：這3種算法對邊緣的定位精度都很高，也能有效檢測到表面缺陷。3種算法都有各自的優缺點，其中自適應Canny算法所得的邊緣清晰度和連續性較好，是最為理想的檢測算法。

本研究用于驗證的紅棗品種為哈密紅棗干制品，因不同品種在大小和性狀上的差異，若上述算法應用于其它紅棗的檢測分級，則還需對相應的參數和閾值進行重新設定。另外，圖像邊緣檢測只是解決了理論和軟件問題，這些算法還需要與相適應的硬件和機械裝置整合集成，才能實現紅棗的自動化分級，為紅棗產業的發展提供技術支撐。