基金項目：本項目由遼寧省大學生創(chuàng)新創(chuàng)業(yè)訓練項目基金支持

新一代信息技術(shù)的發(fā)展加速了農(nóng)業(yè)生產(chǎn)的數(shù)字化、智能化發(fā)展，同時智慧農(nóng)業(yè)是中國“十四五”時期的重要發(fā)展方向。隨著人們對高品質(zhì)水果的需求越來越大，對于水果的分級也將成為水果產(chǎn)業(yè)中最重要的一環(huán)，而人工檢測常常存在效率低下且結(jié)果不準確的現(xiàn)象，所以自動檢測技術(shù)將得到大力發(fā)展。而無損檢測技術(shù)即可在不破壞農(nóng)產(chǎn)品本身的情況下對其質(zhì)量實現(xiàn)高效快速的檢測，因而無損檢測技術(shù)發(fā)展前景極為可觀^[1]。

本文基于RGB 彩色空間的圖像分割技術(shù)對圖像進行二值化，通過閾值分割，確定香蕉表面需要被提取的像素的閾值后得到處理后的圖像，最后通過YOLOv5搭建模型計算出香蕉表面破損、發(fā)黑、腐爛的面積占比從而實現(xiàn)分級。

該技術(shù)可廣泛應(yīng)用于鮮果分級和水果加工中，將大大降低人力成本、提高生產(chǎn)效率，促進我國水果產(chǎn)業(yè)工業(yè)化的發(fā)展，并帶動香蕉加工企業(yè)的共同發(fā)展。

1 現(xiàn)狀分析

計算機視覺技術(shù)是近年高速發(fā)展的一種新型技術(shù)，其中包括圖像采集、識別、分析等功能，因其處理信息的綜合能力強和速度快，同時還能避免人為主觀因素對檢測結(jié)果產(chǎn)生偏差，所以目前在水果自動分級中已被廣泛應(yīng)用^[2]。目前國外的普遍方法為通過HIS 彩色模型來實現(xiàn)分類檢測，成功率最高可達85.8%，目前我國水果的品質(zhì)檢測很大一部分依然是憑借分揀員直覺進行，導致部分劣質(zhì)果流進市場，直接影響了賣家的收入和買家的滿意度。雖然我國該技術(shù)起步較晚，但發(fā)展迅速，通過一種適當?shù)念伾娣e累積百分比進行分類，其準確度最高可達88%。

雖然國內(nèi)外對該技術(shù)取得了一定的創(chuàng)新與進步，但是該技術(shù)距離實現(xiàn)廣泛推廣還需要大量的技術(shù)積累，目前部分投入生產(chǎn)的大多是通過邊緣檢測和一些重力傳感器組成的系統(tǒng)，該系統(tǒng)大多只具備果實大小、質(zhì)量的識別，該方法并不能有效地實現(xiàn)準確的分類。

2 系統(tǒng)設(shè)計

本文設(shè)計的識別方法基于香蕉表皮顏色特征，其核心為將新鮮區(qū)域與缺陷區(qū)域的顏色進行對比，根據(jù)閾值分割出新鮮區(qū)域，其步驟如圖1 所示。

圖1 圖像分級步驟

2.1 圖像降噪

在實際檢測中，由于相機等硬件問題和環(huán)境因素常常導致拍攝到的香蕉圖像包含大量的噪聲。所以在圖像分割前需要消除圖像中的無關(guān)噪聲，本文中采取均值濾波法，即將圖像區(qū)域中的像素點求平均值以達到降噪的效果，其數(shù)學表達式如式(1)所示，M 為所選取的橫坐標數(shù)，N 為所選取的縱坐標數(shù)，所選取的像素點必須包含于圖像面積內(nèi)，經(jīng)測試當M 和N 選取3 時降噪效果最好，即選取3*3的濾波器。

   (1)

2.2 圖像分割

香蕉會隨著新鮮度的降低而導致顏色由黃色轉(zhuǎn)為黑色，所以在香蕉圖像中其新鮮區(qū)域與不新鮮區(qū)域顏色差別很大，所以可以通過提取香蕉圖像的顏色特征來區(qū)分新鮮區(qū)域和不新鮮區(qū)域，本文所用到的顏色模型為RGB模型，模型如圖2 所示。

圖2 RGB模型圖

圖像的閾值分割即通過設(shè)定閾值劃分不同的區(qū)域，設(shè)f (x, y)為圖像中坐標為(x, y)的像素點的灰度級，閾值為j ，經(jīng)分割后圖像僅包含“0”和“1“兩個灰度級，稱為二值化圖像，其數(shù)學表達式滿足式（2）。

   (2)

常見的閾值分割方法中最小誤差法和最大熵法常常出現(xiàn)錯誤的坐標點，而Otsu 法則沒有^[3]，所以本文選用Otsu法。如圖3 所示，預處理分別對背景、新鮮區(qū)域、缺陷區(qū)域進行了分割，二值化圖像中香蕉新鮮區(qū)域表現(xiàn)為白色，背景區(qū)域和缺陷區(qū)域表現(xiàn)為黑色。

圖3 圖像處理后對照圖

2.3 視覺分級系統(tǒng)設(shè)計

本文最終設(shè)計了視覺分級系統(tǒng)用來驗證結(jié)果，該系統(tǒng)以Jetson Nano 為GPU，并搭載一個可支持Linux操作系統(tǒng)深度相機作為圖像輸入設(shè)備，經(jīng)實際測試其彩色圖分辨率可達到1 280×720@30FPS、精度為(±1? 3)mm/m，可以達到實驗所需標準，最后將結(jié)果顯示在顯示屏上，本實驗硬件配置如表1 所示。

表1 系統(tǒng)硬件配置圖

YOLOv5是一種單階段目標檢測算法，其相對與YOLOv4增加了自適應(yīng)錨框計算、自適應(yīng)圖片等縮放操作，從而使其速度和精度均得到了極大的提升。同時YOLOv5是·完全開源的，首先將系統(tǒng)的Python更新到3.8 版本以上后配置Anaconda、Pytorch 的環(huán)境后即可安裝YOLOv5環(huán)境。視覺識別效果如圖4所示。

圖4 視覺識別效果圖

通過視覺識別后即可計算香蕉的等級，本文的分級方法為通過新鮮區(qū)域面積占比來劃分不同等級，即首先將圖片縮放到512?12來確定總面積 S，預處理后可計算出背景面積s1、新鮮面積s2、缺陷面積s3，二值化圖像中取出更為準確的新鮮區(qū)域面積s′ ，其數(shù)學表達式如式（3）所示，分級標準如表2 所示。

             (3)

表2 香蕉分級標準

3 實驗結(jié)果與分析

隨機選取100份樣品，每份樣品為三根香蕉，由于樣本獲取時基本都是新鮮的，為了使實驗結(jié)果更加準確將樣本靜置在常溫室內(nèi)不同天數(shù)后進行測試，分別在第1、5、9 d進行測試，總計測試300 次。測試時分別對樣本進行人工分級和機器視覺分級并計算吻合度^[4]，其結(jié)果如表3所示。

表3 香蕉樣本分級結(jié)果

吻合度計算公式為：

         (4)

根據(jù)實驗結(jié)果分析誤差主要來自于人工挑選可以在多位置進行觀察并且手動調(diào)整遮蓋區(qū)，而機器視覺分級時視角單一且無法檢測到香蕉之間互相遮蓋的部分，將雙方視角統(tǒng)一且禁止人工觸碰改變檢測目標形態(tài)后重新測試，吻合度可達到97.35%。

4 結(jié)束語

本文提出了一種通過閾值分割對香蕉分級的方法，通過實驗測試該方法與人工分級吻合度最高可達97.35%，且該系統(tǒng)效率遠遠高于人工，在成本方面同樣具有優(yōu)勢。但是由于香蕉之間不可避免地存在互相遮擋的現(xiàn)象，其對實驗效果將產(chǎn)生巨大影響，為了彌補該不足需要對系統(tǒng)增加遮擋目標檢測算法，目前主要采取的方法就是將區(qū)域卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用到目標檢測，但是當前的檢測模型大多是針對特定場景或者特定目標進行訓練，通用的目標遮擋檢測研究還較少，但是通用目標的檢測是真實環(huán)境中不可避免的，因此需要投入大量的研究^[5]。

基于視覺分級的系統(tǒng)具有識別速度快、精度高等優(yōu)點，是未來水果無傷識別的發(fā)展趨勢。該分級系統(tǒng)未來可廣泛適用于水果產(chǎn)業(yè)，不同水果只需要改變其閾值即可實現(xiàn)識別與分級，如水果分揀系統(tǒng)，通過傳送帶運輸水果后進行拍攝分級以此提高消費者滿意度并實現(xiàn)水果價值最大化。

目前國內(nèi)機器視覺的研究依然處于起步階段，發(fā)展中的最大問題就是像CCD、CMOS 等核心硬件都依賴于發(fā)達國家研發(fā)，國內(nèi)制造商處于代工環(huán)節(jié)。目前在已經(jīng)實現(xiàn)使用機器視覺分類甜椒^[6]和彩色制圖系統(tǒng)來評估西紅柿和棗的品質(zhì)^[7]，但大多仍處于實驗室階段而未能投入到實際生產(chǎn)中，相信隨著中國電子工業(yè)的發(fā)展和人工智能算法的研究，未來在果實分級方面中國將實現(xiàn)重大突破。

參考文獻：

[1] 羅印斌,蔡艷麗,蘭菡,等.農(nóng)產(chǎn)品無損檢測方法應(yīng)用現(xiàn)狀[J].食品工業(yè)科技,2018,39(15):340-344.

[2] 楊再雄,吳戀,左建,等.基于人工智能的農(nóng)產(chǎn)水果分級檢測技術(shù)綜述[J].科技創(chuàng)新與應(yīng)用,2021,11(22):41-43.

[3] 邵志明,王懷彬,董志城,等.基于近紅外相機成像和閾值分割的蘋果早期損傷檢測[J].農(nóng)業(yè)機械學報,2021,52(S1):134-139.

[4] 安愛琴,余澤通,王宏強.基于機器視覺的蘋果大小自動分級方法[J].農(nóng)機化研究,2008,156(4):163-166.

[5] 孫方偉,李承陽,謝永強,等.深度學習應(yīng)用于遮擋目標檢測算法綜述[J].計算機科學與探索,2022,16(6):1243-1259.

[6] S.A.SHEARER, F.A.PAYNE. Color and defect sorting of bell peppers using machine vision.Transactions of theASAE,1990,33(6):2045-2050.

[7] D.J.LEE, J.K.ARCHIBALD, XIONG G M[J].Rapid color grading for fruit quality evaluation using direct color mapping. IEEE Trans.Autom.Sci.Eng,2011,8(2):292-302.

（本文來源于《電子產(chǎn)品世界》雜志2023年7月期）