杏仁品質無損檢測研究現狀

段紀發，李傳峰，陶思宇，馬 博，肖愛玲※

（1.新疆維吾爾自治區現代農業工程重點實驗室，新疆 阿拉爾843300；2.塔里木大學機械電氣化工程學院）

0 引言

杏仁中含有多種人體必需的維生素和蛋白質，具有很高的食用和工業價值，國外化妝品及相關工業中杏仁使用量大，尤其是苦杏仁具有藥用價值，使杏仁在醫藥領域應用廣泛。在我國，新鮮杏總產量的50%出自新疆，其中南疆杏產量占90%以上。據統計，新疆種植的杏大約有120個品種，種質資源極為豐富[1-2]。目前杏仁的分選主要依靠人工，機械分選杏仁的文獻報道較少，鑒于此，本文介紹了國內外杏仁內外部品質檢測的研究現狀，旨在為杏仁的智能分選提供理論依據。

1 杏仁無損檢測技術現狀

杏仁檢測分為外部品質檢測與內部品質檢測。外部品質主要包含大小、形狀、顏色、紋理及表面缺陷等，內部品質主要包含油脂、蛋白質、碳水化合物含量以及內部缺陷等。國內外科研工作者對杏仁的內外部品質檢測進行了不斷的探索。

1.1 杏仁外部品質無損檢測方法

Ebrahim Ebrahimi[3]等結合模糊數據挖掘和脈沖聲學技術對杏仁進行分類。通過對大量數據進行選擇、探索和建模來發現聲波光譜和不同杏仁之間的關系，通過決定閾值縮短處理速度，達到快速實時分類。扁桃的外形及大小與杏仁極其相似，其檢測方法可為杏仁的檢測提供參考。Francesca Antonucci[4]等針對扁桃品種形狀提出基于橢圓傅里葉分析法，在輪廓坐標上研究整體形狀，使用非層次和層次兩種方法對扁桃仁進行識別，采用偏最小二乘判別分析進行形狀分類，但是這種方法對于同品種扁桃仁形狀鑒別效果不明顯。Nima Teimouri等[5]提出采用H分量使圖像中的杏仁、背景和陰影形成較高的對比度之后，用Otsu方法對圖像進行分割，成功地將杏仁從背景和陰影中分離出來。選用敏感性分析在冗余特征中選取相關特征，最終結合形狀、顏色和紋理特性應用人工神經網絡實現對五種杏仁的分類。正常杏仁、破碎杏仁、雙杏仁、皺杏仁、杏仁殼檢測的靈敏度、特異性和準確率如表1所示。

表1 所有種類杏仁的靈敏度、特異性和準確率指標

Abozar Nasirahmadi等[6]提出甜杏仁和苦杏仁分類的特征袋模型，首先從訓練圖像中提取關鍵點，并將每個關鍵點編碼到一個圖像描述符中。然后，用矢量量化聚類，采用視覺碼字直方圖表示圖像，在特征袋模型中測試并比較K-NN、L-SVM和Chi-SVM3種分類器分類性能，經過比較，Chi-SVM性能優于其他兩種分類器，總體分類準確率達到91%。Ikbal Eskiet等[7]為了預測杏仁的長度、寬度等物理性質，設計了一種集成神經網絡和模糊接口于一體的自適應神經模糊接口系統,該系統以杏仁果為研究對象，通過測量杏仁的長度、寬度和厚度三個數據，將收集的數據用于訓練自適應神經模糊接口系統，經過訓練后的系統主要用垂直維數估算投影面積、表面積、形狀指數等物理參數值。實踐證明，所提出的自適應神經模糊接口系統在預測算法、長寬比和其他物理參數方面具有更好的性能，均方根誤差可達0.0001。Sriram K.Vidyarthi等[8]提出利用堆棧集合模型測量杏仁的大小，杏仁圖像在得到二值化圖像之后使用遞歸算法處理，遞歸函數通過訪問每個白色像素來標記之前未標記的相鄰白色像素，以將像素域轉換為真實世界尺寸的方式校正圖像，如圖1。堆棧集成模型將不同的ML模型組合在不同的層中對杏仁的大小和質量進行準確的預測，提高了檢測精度。

圖1 杏仁的鑒定階段

隨著深度學習的深入發展，多種相關模型應運而生，檢測精度也得到提高。雖然可以通過投影面積、長徑比等來預測物料的質量，但這種方法只適合形狀規則的產品，對于形狀各異的產品達不到理想預測效果。與廣泛使用的統計方法相比，軟計算是較好的方法，在農業分級方面得到廣泛使用。因此，Seyed-Hassan Miraei Ashtiani等[9]研究了徑向基函數神經網絡和其他4種不同的機器學習模型，利用杏仁的長度、寬度和厚度參數來預測杏仁質量，經比較采用最佳預測模型徑向基函數神經網絡作為杏仁分類器，可將杏仁劃分為不同質量類別，準確率達96.22%。Sriram K.Vidyarthi等[10]提出結合不同的深度卷積神經網絡機器學習模型進行圖像處理從而實現杏仁的分級，采用Inception-V3、ResNet50、VGG-16和自定義模型4種深度神經網絡模型對杏仁分類。經過良好訓練后比較得出ResNet50模型準確率達99%，在4種模型中準確率最高，深度卷積神經網絡結構憑借其優勢已經成為近年來十分流行的用于檢測的工具之一。

1.2 杏仁內部品質無損檢測方法

由于環境等因素的影響，杏仁內部結構會發生變化，但在外觀上很難看出內部是否受損傷。因此，Tom C.Pearson[11]建立了一套紅外檢測系統，采用六個不同近紅外LED燈的透射光對杏仁照射，以杏仁的平均圖像灰度值變化建立三個回歸分析模型預測杏仁隱蔽性損傷，采用多元線性回歸和判別分析將杏仁分為隱蔽損傷和未損傷兩類，判別分類錯誤率為14.3%。Songyot Nakariyakul等[12]使用高光譜數據中一小部分波段對干燥后的杏仁進行處理，首先將訓練集樣本中不同波段相似的響應進行處理，然后選擇比值特征選擇方法將兩組最好的比例特征輸入到SVM分類器中從而實現對內部損傷杏仁分類的目的。比值特征選擇法相比單獨波段特征提取法分辨率高，只有1.74%的正常杏仁被錯誤分類為內部損壞。Cristian Rogel-Castillo[13]等針對杏仁內部由于高度熱造成的隱蔽性損傷進行了研究。隱蔽性損傷的杏仁的內部結構發生變化，如圖2。采用1 125~2 153nm范圍內的紅外光譜進行檢測，利用偏最小二乘判別分析特定波長，選擇建立3種分類模型，實現杏仁隱蔽性損傷和未損傷的分類，模型的錯誤率在8.2%~9.2%之間。Faqeerzada Mohammad Akbar等[14]利用紅外高光譜技術首先進行光譜數據預處理，去除不相關數據后采用多元分類偏最小二乘鑒別分析的方法建立杏仁分類模型，該模型顯示超過97%的準確率。此外，利用該模型得到的β系數進行基于像素的分類，提出了一種用于杏仁和杏仁化學映射的圖像處理算法，根據杏仁中蛋白質、碳水化合物等含量不同，進行杏仁識別并分類處理。

圖2 隱蔽性損傷的杏仁內部結構變化

在這之前，對產品的內部檢測一般是破壞性檢測，在一定程度上造成了浪費，而高光譜圖像技術是通過判斷圖像中的像素來實現物體的識別和分類，是無創傷、高精度的系統，因此在農產品檢測和分類上也得到了廣泛應用。但是，高光譜存在很高的冗余度，需要大量的計算時間，還存在對混合像素較敏感的問題。

2 結論與展望

（1）杏仁分級一般都是實時在線檢測，實時實現物料全方位圖像采集以及圖像處理，但在圖像采集、信息傳輸過程中易受各種因素的干擾，因此建立穩固、可靠的在線檢測系統是未來需要解決的問題之一。

（2）機器視覺、光譜技術由于技術條件限制，數據量大，影響計算機處理速度，神經網絡算法的出現以及發展降低了數據處理的復雜程度，大大提高了處理速度和準確率。

（3）經過長時間的發展，深度學習分類器一定程度上改善了處理速度和準確率的問題，但訓練樣本等因素會影響到分類器的精度，在精度問題上還需進一步研究。

（4）杏仁分級設備應與時俱進，與新材料、新能源等結合改進設備，實現檢測自動化精確分選杏仁，滿足未來實時測試的要求，以達到降低勞動強度和增加經濟收入的目的。