基于機器視覺的辣椒外部品質檢測

任 銳 張淑娟 趙華民 孫海霞 李成吉 廉孟茹

(山西農業大學工學院，山西 晉中 030800)

辣椒是世界最大的調味品作物，主要以果實為食，營養豐富，維生素C含量在蔬菜中占首位。辣椒市場價值主要受其外觀質量的影響，依據NY/T 944—2006標準，正常辣椒形狀均勻，色澤油亮光潔呈紅色，部分辣椒出現黑斑、蟲蝕和花皮等缺陷，需分選出來。

目前的分選主要靠人工分選，效率低、主觀性強且工作量大，機器視覺利用計算機技術代替人眼獲取圖像的信息，具有無損、檢測精度高、節省勞動力等優點，科研人員在機器視覺方面對農產品做了大量的研究，取得較大的發展。畢智健等[1]利用番茄表面的顏色特征對不同成熟度的番茄進行判別分類，完熟番茄訓練集與驗證集最高均為90%。解博等[2]通過機器視覺對杏核紋理特征進行識別，雜質杏核識別率可達94%。項輝宇等[3]采用基于Halcon的圖像處理方法，依據RGB顏色模型，采用模板匹配的方法，對蘋果品質的大小、缺陷、顏色檢測判別蘋果是否合格。Xu[4]提出利用最小核值相似區和脈沖耦合神經網絡識別蘋果果實，在測試的50幅圖像中，識別率為93%。Arakeri[5]利用計算機視覺技術，運用圖像處理技術分析番茄的缺陷和成熟度，對番茄的質量評估的準確率達到96.47%。Habib[6]利用圖像提取木瓜色彩特征，解決木瓜病害識別，通過支持向量機對疾病特征分類，準確率達到90.15%。綜上所述，機器視覺研究主要利用顏色特征、紋理特征、形態特征和直接利用圖像進行判別，其他學者的研究大都采取單一特證判別。

研究擬利用機器視覺檢測辣椒外部品質，通過機器視覺系統進行圖像采集，圖像增強，將提取顏色特征、紋理特征和形態特征作為特征值。通過回歸系數法和連續投影法優選特征值，利用偏最小二乘回歸法和最小二乘支持向量機建模分析，驗證研究中選擇特征值和模型的有效性，為今后的辣椒在線檢測提供參考和技術支持。

1 材料和方法

1.1 試驗樣本

試驗所采用的干辣椒購買自山西省襄汾縣趙雄村的三櫻椒。利用K-S(Kennard-Stone)算法[7]按3∶1劃分訓練集和預測集，其中正常樣本訓練集225組，預測集75組；缺陷樣本訓練集225組，預測集75組。

1.2 機器視覺系統和數據采集

機器視覺系統包括暗箱(440 mm×335 mm×425 mm)內壁使用黑色拷貝紙進行貼壁處理，屏蔽外界自然光；將相機(尼康D3300)和鏡頭(尼康尼克爾鏡頭焦段：18～140 m，光圈：f/3.5-5.6G ED VR)安裝于暗箱頂部，采集辣椒圖像信息；暗箱頂部布置環形熒光燈(YH327200KE)提供光源，暗箱下部安裝可調節載物臺，載物臺頂部位于鏡頭正下方24 cm處。通過存儲卡(SDSQUNC-032G-ZN6MA)將圖像傳入計算機(處理器：Y50Pi5-4210H，CPU：2.90 HZ，顯卡：NVIDIA GTX 960M)中，采用MATLAB R2010b軟件進行圖像處理。

2 結果與分析

2.1 圖像增強

圖像增強是為了去除噪聲，提高處理圖像的質量和速度。中值濾波法為線性濾波器，可以減少噪聲，保護圖像邊緣不受影響。對圖像進行裁剪和灰度處理，利用中值濾波去噪，達到增強圖像的目的，為后續提取特征值作準備，圖像增強結果如圖1所示。

圖1 圖像增強Figure 1 Image enhancement

2.2 特征值提取

2.2.1 顏色特征值提取 顏色特征描述圖像區域所對應的目標物的表面性質[8]。RGB顏色空間是最基礎的模型；HSI顏色空間接近于人眼視覺特性；HSV顏色空間由色調、飽和度和亮度組成；Lab顏色空間是范圍最大的色彩模式。從RGB、HSV、HSI、Lab顏色空間中分別提取R、G、B、H、S、V、H、S、I、L、a、b顏色特征值的最大值、最小值、均值和方差，提取樣本各顏色特征值如表1所示。

2.2.2 紋理特征值提取 紋理特征描述圖像或圖像區域所對應的表面性質。主要從灰度差分統計法和灰度共生矩陣來提取能量、熵、慣性矩、相關性、逆差距的4個方向(0°，45°，90°，135°)的特征值的均值[9]，提取結果如表2所示。

表1 樣本各顏色特征值Table 1 Sample color eigenvalue

表2 樣本紋理特征值均值Table 2 Mean of texture feature values of sample

2.2.3 形態特征值提取 圖像形態特征是在物體從圖像中分割出來后進行分析，在機器視覺中起著十分重要的作用[10]。通過計算缺陷面積比值和歐拉數確定辣椒類別。利用Otsu算法閾值分割，二值化分別提取模板圖像和缺陷圖像，如圖2、3所示。

(1)

式中：

S——面積比；

s1——模板圖像像素面積；

s2——缺陷圖像像素面積。

EUL=C-H，

(2)

式中：

EUL——歐拉數；

C——代表對象總數；

H——孔洞數。

2.3 優選特征值

研究中，通過提取出600組圖像，每幅圖像46個特征值。由于特征值提取數據量大，每一組特征值對辣椒檢測影響不同，因此需要提取影響效果顯著的特征值建模檢測。

2.3.1 RC方法優選特征值 回歸系數法(RC)通過建立偏最小二乘回歸法(PLS)模型的回歸系數中的局部極值進行提取，其表達了PLS方法建模中每個特征值對此次建模相關性的情況。RC方法優選特征值如圖4所示，優選出21個特征值，分別為5(0°方向的熵)，6(45°方向的熵)，7(90°方向的熵)，8(135°方向的熵)，9(0°方向的慣性矩)，11(90°方向的慣性矩)，20(135°方向的逆差距)，21(比值)，24(RGB中R值方差)，25(RGB中G值均值)，26(RGB中G值方差)，27(RGB中B值均值)，29(HSV中H值均值)，30(HSV中H值方差)，31(HSV中S值均值)，35(HSV中H值均值)，36(HSV中H值方差)，37(HSV中S值均值)，41(Lab中L值均值)，42(Lab中L值方差)，44(Lab中a值方差)。

圖2 提取模板圖像Figure 2 Extraction of template image

圖3 提取缺陷圖像Figure 3 Extraction of defect image

2.3.2 SPA方法優選特征值 連續投影法(SPA)是一種研究系統確定性與不確定性相互作用的分析理論[11]。SPA方法優選特征值如圖5所示，可得14個優選特征值最優解依次排列為42(Lab中L值方差)，26(RGB中G值方差)，34(HSV中V值方差)，21(比值)，18(45°方向的逆差距)，5(0°方向的熵)，6(45°方向的熵)，17(0°方向的逆差距)，8(135°方向的熵)，32(HSV中S值方差)，45(Lab中b值均值)，46(Lab中b值方差)，7(90°方向的熵)，30(HSV中H值方差)。

2.4 建立檢測模型

偏最小二乘回歸法(PLS)是一種多元統計數據分析方法[12]。利用PLS方法與RC方法優選特征值和SPA方法優選特征值分別建模檢測，判別結果如表3所示。

最小二乘支持向量機(LS-SVM)是支持向量機(SVM)的一種擴展，解決問題的線性性能。利用LS-SVM方法與RC方法優選特征值和SPA方法優選特征值分別建模檢測，判別結果如表3所示。

由于模型預測出的結果非整數型，因此將0.5作為最大偏離值，預測類別值和假設類別值相差小于0.5的判定為此類樣本[13]。由表3可知，利用PLS方法和LS-SVM方法分別結合RC方法和SPA方法優選特征值分別建模分析，RC-PLS模型判別率為95.33%，SPA-PLS模型和RC-PLS模型判別率為96.67%，PLS模型判別率為97.33%，LS-SVM模型和SPA-LS-SVM模型判別率為98.67%，6種方法檢測結果都達到了90%以上。顯然LS-SVM模型和SPA-LS-SVM模型檢測結果最好，SPA-LS-SVM方法可以通過SPA方法優選特征值簡化模型，提高檢測精度和效率，因此選用LS-SVM方法建模結合SPA方法優選特征值檢測模型最優。

圖4 RC曲線Figure 4 RC curve

圖5 SPA優選特征值Figure 5 Preferred eigenvalues by SPA

表3 檢測模型判別結果分析Table 3 Analysis of detection model discrimination results

3 結論

研究主要利用機器視覺系統進行圖像采集，利用中值濾波增強圖像，減少噪聲；通過提取RGB、HSV、HSI、Lab 4種顏色空間各顏色特征值的均值和方差，提取紋理特征的能量、熵、慣性矩、相關性、逆差距的4個方向(0°，45°，90°，135°)的特征值，利用Otsu算法閾值分割圖像，提取形態特征缺陷比值和歐拉數作為特征值，共提取46個特征值。結果表明，選用連續投影法優選14個特征值，結合最小二乘支持向量機法進行建模，所得模型的檢測準確率為98.67%，模型最優。