計算機視覺在芒果品質檢測中的應用研究

辛華健

(南寧學院，南寧 530200)

0 引言

芒果的味道鮮美，營養豐富，是很受歡迎的熱帶水果。芒果中的有機酸，特別是谷氨酸含量較高，可以促進人體的新陳代謝，對消化不良、咳嗽痰多等病癥有良好的食療效果。芒果原產于印度和馬來西亞，在1 300多年前傳入我國，是世界的五大水果之一。芒果在我國主要分布于熱帶和亞熱帶地區，2010年的收獲面積超過10萬hm2，總產量達到90萬t，在熱帶農業經濟中占有重要地位。

芒果僅分布于我國的少數省份，但是近些年快遞和物流行業發展迅猛，推動芒果走向了全國的市場，芒果逐漸被廣大消費者熟悉和接受。隨著生活水平的提高，人們對深加工的芒果產品需求量增長，因此等級分類便成為芒果上市前一個必不可少的環節。2016年，我國發布了關于芒果等級規格的行業標準NYT3011-2016，將芒果按照形狀、大小、顏色和表面缺陷劃分為3個等級。

芒果等級分類依賴于對其品質的檢測，可以分為內部品質和外部特征：內部品質是果實中營養物質的種類和含量，是芒果食用價值的根本原因和決定因素；外部特征主要指果實的大小、形狀、表皮顏色和表面缺陷等外觀性狀，可以在一定程度上反映內部品質[1]。傳統的芒果分級方法是人工觀察形狀、大小、顏色和表面缺陷，或者通過化學分析檢測營養物質的種類和含量。上述方法的工作量大、準確度較低，化學檢測方法還會對果實造成損傷[2]。隨著新型檢測和分析技術的發展，人們開發出多種水果的無損檢測方法，提高了水果的市場競爭力[3]。

適用于芒果內部品質檢測的主要技術是物理學技術，包括光譜法和極譜法。虞佳佳等利用近紅外光譜結合遺傳算法和人工神經網絡，實現了對芒果糖度酸度的快速無損檢測[4]。曹霞等基于近紅外漫反射光譜技術，通過主成分回歸法和偏最小二乘法，建立了芒果糖度的分析模型[5]。極譜法是通過測定電解質中的電流-電位變化曲線來確定溶質濃度的一種電化學方法，王佳露等利用極譜法測定芒果中的維生素C，獲得了較高的精密度和回收率[6]。

芒果外部品質檢測方法主要是計算機視覺，即相機拍攝芒果圖像，電腦對圖像中的芒果進行識別，并分析外部品質。計算機視覺在農業領域的用途包括田間雜草識別、水果采摘及分級檢測等，是推動農業現代化的有力工具[7-10]。20世紀末，計算機視覺便已經開始應用于芒果的檢測分級，王江楓等利用該技術檢測芒果的質量和表面壞損，對不同的品種都表現出較高的準確率[11]。隨后，計算機視覺對芒果的檢測延伸到其它的外觀特征上，在分析算法上引入了神經網絡技術，進一步提高了檢測的準確性[12-14]。另外，潘俊洋等構建基于DSP的檢測平臺，同時對芒果的外部品質(大小)和內部品質(成熟度和腐爛度)進行檢測判斷，可以作為芒果在線分析系統的組成部分[15]。

經過了20年多的發展，芒果的品質檢測技術已可以覆蓋多種內部和外部特征，準確性也達到了較高的水平，可以滿足芒果無損檢測分級的要求。但是，受檢測和分級設備的限制，上述的研究成果都停留在試驗階段，離實際應用還有一定的距離。以實際應用為標準，目前的芒果品質檢測技術所需設備的成本較高，也缺少配套的分級裝置；另外，還需要優化分析算法以提高檢測的實時性，才能滿足芒果在線分級的要求。為此，設計了一種基于計算機視覺的芒果品質檢測方法，對拍攝的芒果圖像進行分析，提取外觀特征參數輸入神經網絡，利用訓練的模型評判芒果等級，最后檢驗該檢測方法的準確性。

1 硬件設備

芒果放置在拍攝箱中獲取圖像，拍攝箱的形狀為長方體，尺寸為0.6m×0.6m×0.7m；內壁和樣品臺都是黑色，上部的4個角上分別安裝1盞功率5W的白熾燈提供穩定的光源。拍攝箱頂部安裝1個羅技C930型相機，拍攝形成芒果的圖像。相機獲取的模擬信號通過AD6673型A/D轉換器被轉換為數碼信號，然后由USB2.0高速接口的數據線傳輸給計算機進行分析處理。計算機為聯想揚天T4900V型臺式電腦，安裝Intel i5型中央處理器，160G的SATAII7200硬盤，4G的DDRII667內存和集成顯卡。計算機運行環境為Windows10操作系統，圖像的分析處理采用MatLab工具箱進行，該軟件能分析各種類型的圖像，實時性好、運行穩定，可滿足芒果品質檢測的要求。

2 圖像分析

2.1 圖像的預處理

芒果品種為小貴妃芒，果形為長橢圓，單果質量較小。成熟過程中的果實顏色由綠色變為黃色和紅色，風味和品質也逐漸增加。由于光照和設備等因素的干擾，拍攝獲得的芒果圖像中會夾雜少量的噪音，對圖像質量和后續處理的效果造成影響。本文根據具體的情況，采用維納濾波方法去除噪音。該方法經過多次循環，在保證邊緣信息完整的前提下，使圖像的清晰度明顯增加。經過預處理的圖像背景為黑色，芒果與背景之間的區別明顯，果實輪廓清晰，如圖1所示。

2.2 邊緣檢測

芒果表面呈現多種顏色，因此無法使用單一的顏色分量來對圖像進行灰度化。本文的拍攝環境中光源穩定，光照強度均勻，因此選擇HSL模型的顏色空間。以色調H和亮度L作為分量處理圖像，增加對比度，同時減少亮度。處理得到的灰度化圖像黑白效果增加，顏色差異明顯增強，目標區域輪廓與背景的區分更加容易，如圖2所示。利用HSL加權對灰度化圖像再進行二值化處理，消除圖像中的毛刺和噪音點，然后以L分量的峰值特征為割閾值分割目標區域。

圖2 芒果的灰度化圖像Fig.2 Gray image of mango

在現有的各種圖像邊緣檢測方法中，Canny算法的評價標準嚴格，所以得到了較為廣泛的應用。傳統Canny算法的高低閾值比例是固定的，在受到噪音干擾的情況下會出現殘缺邊緣和偽邊緣的問題。因此，本文中芒果圖像的邊緣檢測采用自適應Canny算法，這是一種階梯型邊緣檢測算法，利用指定標準差Guass濾波器獲得圖像的平滑濾波，再進行高斯函數濾波，由此生成梯度矢量計算公式。自適應Canny算法將特定方向上矢量出現極大值的點定義為圖像邊緣，通過引入信息熵來適應Canny算子高低閾值的比例。信息熵可以反映平均信息源的不確定性，以信息熵最大時的Canny算子為閾值檢測得到閉合的單果邊緣曲線，從而把目標區域與背景分割開來，如圖3所示。

2.3 特征參數提取

小貴妃的果形較為一致，單果之間的差異主要體現在大小、風味和缺陷上，因此選用大小、顏色和表面缺陷這3種外觀特征來評價芒果的品質。計算圖像區域覆蓋的像素點數，從而得到單果的面積，用以表征芒果的相對大小。芒果表面同時出現綠色、黃色和紅色。其中，綠色為背景，黃色是開始轉熟的特征，紅色部分的成熟度和食用性好，是芒果品質的直接反映，其所占面積比例可作為分級的依據。選用RGB模型中圖像R分量的中值濾波，通過Otsu算法計算分割閾值，將紅色部分從單果的圖像區域中提取出來，并計算所占的面積比例，如圖4(a)所示。芒果的表面缺陷是由病害和碰撞引起黑色損傷，因此通過設定HSL色彩空間中的L分量閾值，將表面缺陷的黑色區域提取出來并計算所占單果圖像的面積比例，如圖4(b)所示。

圖3 芒果的邊緣檢測Fig.3 Edge detection of mango

(a) 顏色 (b) 表面缺陷圖4 外觀特征的提取Fig.4 Extraction of appearance character (A: color; B: surface defect)

2.4 神經網絡分析

以大小、顏色和表面缺陷這3種外觀特征參數為依據的芒果分級采用BP神經網絡進行。BP神經網絡屬于前向型的網絡模型，自學習和自適應能力較強，還具有聯想記憶、并行分析和非線性變換的功能，其3層網絡結構可以完成分級。選用的芒果特征參數有3個，因此輸入層的神經元數目為3。隱含層的神經元數是由輸入層和輸出層的節點數共同決定的，對神經網絡分析的效率和精確度有著直接的影響。在試驗計算的基礎上，根據分類效果進行調整，確定隱含層的節點數為5。國家標準NYT3011-2016將芒果劃分為一級、二級和三級共3個等級，神經網絡的輸出層節點數設定為3個，輸出不同的信號分別對應3個等級。

3 仿真試驗

人工選出小貴妃芒3個等級的單果各100個，50個作為訓練樣本，其余的50個作為檢驗樣本。神經網絡進行10次訓練后，建立芒果品質檢測的訓練模型，對檢驗樣本進行分級。試驗的結果如表1所示。由表1可知：一級芒果中有2個被計算機視覺誤判為二級，準確率為96%；二級芒果中分別有1個和3粒被誤判為一級和三級，準確率為92%；三級芒果中分別有4個被誤判為二級，準確率為92%。總體上看，計算機視覺對芒果品質分級的準確率超過93%，對單張圖像的拍攝和分析過程平均耗時0.8s，可以用于芒果品質的實時檢測和在線分級。

表1 芒果品質分級的準確率Table 1 Accuracy rate of mango quality classification

4 結論

設計了一種基于計算機視覺的芒果品質檢測方法，拍攝芒果圖像后進行預處理和灰度化，然后利用自適應Canny算法獲取目標區域的邊緣。選用大小、顏色和表面缺陷來反映芒果的品質，將這3種外觀特征參數輸入BP神經網絡中，依據相關的行業標準實現對芒果的分級。在仿真試驗中，僅有少數的檢驗樣本被誤判為其它的等級，計算機視覺對芒果品質分級的準確率超過93%，具有較高的準確性。單張圖像從拍攝到分析的過程平均耗時0.8s，可以用于芒果品質的實時檢測和在線分級。