申愛敏+霍曉靜+王文娣+王紅霞

摘要：為了改善我國核桃仁外觀品質人工檢測速度慢、精度低、費時費力的現狀，提出1種基于機器視覺和圖像處理技術的核桃仁大小檢測方法。構建圖像采集系統(tǒng)以獲得與背景顏色對比度明顯的待檢核桃仁圖像；通過灰度變換、中值濾波，降低了圖像處理計算數據量，提高了圖像信息的可讀性；通過閾值分割和區(qū)域填充，得到了清晰完整的核桃仁區(qū)域分割圖；使用像素統(tǒng)計法計算核桃仁像素面積；提出1種自適應平均算法對樣本學習訓練，進而計算出大小分級閾值；以Lab Windows/CVI 2012為開發(fā)平臺，借助其圖像采集和圖像處理函數，設計配套的核桃仁大小自動分級軟件。結果表明，該方法在實驗室條件下可實現核桃仁大小分級，分級正確率達90.0%以上。

關鍵詞：核桃仁；大小分級；自適應平均算法；機器視覺

中圖分類號：S126；TP391.41 文獻標志碼： A

文章編號：1002-1302（2016）09-0383-03

核桃是世界四大堅果類之首，也是我國主要栽培的果樹種類之一[1]。核桃仁富含蛋白質、氨基酸、油脂以及多種其他營養(yǎng)物質，核桃加工而成的高級食用植物油營養(yǎng)豐富，常食核桃仁及其油產品，具有潤肺強腎、預防冠心病、降低血脂的功效 [1-2]。核桃貿易主要有核桃仁和帶殼核桃2種，近年來，隨著生活水平的提高，人們對核桃仁產品的需求量和品質要求也越來越高。在核桃仁貿易中，不同大小核桃仁的銷售價格和用途也不同，大仁可經包裝后直接銷售，小仁可用于制作糕點、瑪仁糖等，碎仁可用于榨油[2]。因此，對核桃仁進行大小分級是核桃仁產品生產過程中十分必要的環(huán)節(jié)，對提高核桃仁的經濟價值具有十分重要的意義。

目前，國內對核桃大小分級的研究主要以帶殼核桃大小分級為主[3-7]，對核桃仁分級技術的研究仍處于起步階段[8]，因此，我國核桃仁大小分級仍主要靠人工進行分揀，這種方法不僅過程繁瑣、效率低下，同時還容易受人的主觀因素影響，不能保證分級的客觀性和標準化。機器視覺技術在農產品品質檢測與分級中的應用已非常廣泛，涉及的研究對象包括玉米[9]、花生[10]、黃花梨[11]、橄欖[12]、檳榔[13]等，不僅實現了無損檢測與分級，還提高了檢測與分級的速度和效率，避免人為因素的影響，使分級結果更加客觀、精準。

本研究在實驗室條件下研究1種基于機器視覺的核桃仁大小分級技術，可為進一步研究核桃仁的實時在線外觀品質檢測和分級技術提供新的思路和基礎條件，對提高我國核桃仁貿易水平有著重要的意義。

1 材料與方法

1.1 試驗材料

本試驗所用核桃仁樣本為2014年保定市種植的香玲核桃。

1.2 圖像采集系統(tǒng)構建

圖像采集硬件系統(tǒng)如圖1所示。為避免暴露狀態(tài)下周圍自然光源對采集圖像的影響，本試驗在特制的密閉光照箱中進行圖像采集，箱內設有與相機鏡頭上下垂直相對的載物臺，載物臺正中間設有1個標志點，以保證核桃仁每次的放置位置一致，調節(jié)相機物距和焦距使采集圖像清晰后，固定載物臺與相機的距離。箱內壁為黑色，箱底及載物臺為藍色，可使采集到的核桃仁圖像背景為藍色，便于后期圖像處理；光源為環(huán)形低角度LED工業(yè)光源，其光線均衡，可使采集到的核桃仁圖像無陰影；相機為MV-GX3300C，計算機為ThinkVision E2323，配置i7處理器、2T內存硬盤。

1.3 核桃仁圖像處理

為了消除和抑制圖像中的無用信息，增強有用信息的可檢測性，提高檢測速度和精度，進行圖像檢測前須先進行圖像處理。針對核桃仁外觀顏色及其輪廓的特殊性，結合核桃仁大小分級要求進行圖像處理算法設計[14-15]。

對于核桃仁的大小檢測而言，圖像的色彩信息并不影響所需提取的大小特征，反而會影響圖像處理的速度，故在對圖像進行分析處理之前先進行灰度變換，得到的灰度圖像如圖2-a所示；采用5×5的中值濾波器對灰度變換后的核桃仁圖像進行濾波，如圖2-b所示；采用基于聚類統(tǒng)計技術的自動閾值法進行圖像二值化分割，得到閾值為128，分割結果如圖2-c所示；采用八向連通算法進行小孔填充，填充后得到完整的核桃仁區(qū)域，如圖2-d所示。

1.4 核桃仁圖像特征提取

圖像特征是分析圖像信息的基本屬性，主要包括幾何特征、形狀特征、顏色特征、紋理特征等。鑒于核桃仁邊緣輪廓的不規(guī)則性以及大小分級的標準要求，本研究主要對核桃仁圖像的幾何特征進行分析，并選擇核桃仁圖像面積這一幾何特征作為大小分級的特征參數值。面積計算方法有很多種，常見的有最小外接矩形法、形狀擬合法、像素計數法等[16]。

由于不同大小等級核桃仁輪廓的不規(guī)則性和隨機性，使用外接矩形法和形狀擬合法都會對分級結果造成很大的誤差。以大三角仁為例，使用最小外接矩形法進行面積計算，則大三角仁與整半仁所得到的最小外接矩形可能是大小相同的，如圖3所示，這會造成嚴重的誤判現象。由于核桃仁的輪廓嚴重不規(guī)則，且核桃仁個體間輪廓差異較大，故形狀擬合法也不適用。而像素計數法則不受待測對象輪廓的影響，統(tǒng)計待測對象區(qū)域內部（包括邊界上）的像素數即可。因此，本研究采用像素計數法來計算核桃仁面積，計算公式：

2 算法與實現

2.1 核桃仁大小分級標準

LY/T 1922—2010《核桃仁》[17]中對核桃仁大小等級進行了定義：核桃仁的整半顆粒（一半子葉）稱為半仁，如仁粒缺損，短缺部分不足整半顆粒1/4的仍為半仁；半仁短缺部分約達整半顆粒1/4以上，但未超過3/8的仁粒稱為大三角仁；縱分的半仁稱為四分仁，如仁粒缺損，余下部分不小于縱分半仁

粒3/4的仍作為四分仁；小于或不符合四分仁的仁粒稱為碎仁。

2.2 分級模型的構建

由核桃仁分級標準定義可知，各大小等級的閾值都可用整半仁面積乘以相應的系數來表示。設整半仁面積為S0，則核桃仁大小分級的具體過程：先對同一品種的多個經圖像處理后的核桃整半仁樣本圖像進行面積計算，通過樣本學習訓練得到此品種核桃整半仁面積S0，設待檢測核桃仁面積為S，核桃仁大小等級（degree）為D，則以整半仁面積S0作為分級特征參數，參考核桃仁分級標準構建的大小分級模型如下：

2.3 閾值選取算法設計

核桃的品種不同，核桃整半仁大小就會不同，即使是同一品種，由于生長狀況的不同，其整半仁大小也不盡相同，因此S0的取值是影響分級效果的關鍵因素，為了得到合理的整半仁面積S0，提出1種對多個同品種核桃整半仁樣本進行學習訓練的自適應閾值選取算法。

首先，隨機選取N（N≥20）個樣本，各樣本間相互獨立，假設樣本像素面積Si（i=1，2，…，N）服從正態(tài)分布。統(tǒng)計N個樣本的像素面積后，若直接求其平均值作為整半仁面積S0進行分級，雖有計算量小、簡單易行的優(yōu)點，但同時也存在誤判率高的缺點。為了降低誤判率，提出1種自適應平均算法進行閾值選取，具體計算過程如下：

2.4 軟件實現

以Lab Windows/CVI 2012為軟件開發(fā)平臺，借助其圖像采集和圖像處理函數，設計開發(fā)核桃仁大小自動分級軟件系統(tǒng)，軟件界面如圖4所示。對某品種核桃仁進行大小檢測分級之前，須先對N（N≥10）個此品種核桃整半仁樣本進行學習訓練，系統(tǒng)中設有相應的學習訓練模塊，將整半仁樣本圖像導入后，軟件會對其進行學習訓練，并輸出學習結果，即此品種核桃整半仁面積S0，可將學習結果存儲在訓練庫中，參數設置中的“品種”選項會列出已學習訓練過的核桃品種，選擇相應品種即可直接進行大小分級。

3 結果與分析

根據核桃仁分級標準，在專家指導下人工選取20粒整半仁，用于學習訓練和構建模型，另外選取半仁、大三角仁、四分仁、碎仁各30粒共120粒核桃仁樣本，并對每個樣本進行編號，用于分級測試，驗證機器視覺技術的分級準確率。

為了驗證改進后學習訓練算法的可行性，進行直接計算平均值法與改進后算法的對比分級試驗。首先，用所構建的圖像采集系統(tǒng)對隨機選取的20個香玲核桃整半仁樣本進行圖像采集，并將其輸入系統(tǒng)中進行圖像處理，得到各樣本的像素面積；然后，分別使用直接平均算法和自適應平均算法對處理后的樣本圖像進行學習訓練，得到S0分別為1 332 151、126 368像素；最后分別將1 332 151、126 368像素作為S0，按照公式（1）對選取的120粒核桃仁樣本進行分級，結果如表1所示。對比試驗結果表明：（1）使用自適應平均法得出閾值的分級正確率明顯提高，與直接平均算法相比，半仁、大三角仁、四分仁、碎仁的分級正確率分別提高了3.3、0.0、13.3、6.6百分點，表明用自適應平均法進行核桃仁樣本分級閾值是高效可行的；（2）所提出的基于機器視覺的核桃仁大小分級技術在實驗室條件下的分級正確率可達90.0%及以上。

4 結論

本研究提出了1種基于機器視覺的核桃仁大小分級技術，通過設計圖像處理算法步驟，得到了清晰完整的核桃仁區(qū)域圖像；使用像素統(tǒng)計法得到了核桃仁的像素面積，并將其作為特征參數進行大小分級；提出1種自適應平均算法來進行分級閾值選取，使得分級閾值的選取更加科學，避免了人工閾值選取的主觀性和隨機性，提高了分級的準確率；設計開發(fā)了核桃仁大小自動分級軟件，提高了分級效率；提出的基于機器視覺的核桃仁大小分級技術在實驗室條件下分級正確率可達90.0%及以上。綜上可知，將機器視覺技術應用到核桃仁大小分級中是可行的。在今后的研究中，可進一步對此技術進行優(yōu)化，以提高其分級精度和效率，將其發(fā)展為實時在線分級系統(tǒng)并投入到實際應用中，以提高我國核桃仁出口貿易量，增強我國的綜合國力。

參考文獻：

[1]李 敏，劉 媛，孫 翠，等. 核桃營養(yǎng)價值研究進展[J]. 中國糧油學報，2009，24（6）：166-170.

[2]黃黎慧，黃 群，孫術國，等. 核桃的營養(yǎng)保健功能與開發(fā)利用[J]. 糧食科技與經濟，2009，34（4）：48-50.

[3]李 莉. 基于虛擬儀器技術的核桃品質綜合測評系統(tǒng)[D]. 保定：河北農業(yè)大學，2004.

[4]張慶磊. 核桃品質的無損檢測技術研究[D]. 鎮(zhèn)江：江蘇大學，2010.

[5]戚淑葉，張振偉，趙 昆，等. 太赫茲時域光譜無損檢測核桃品質的研究[J]. 光譜學與光譜分析，2012，32（12）：3390-3393.

[6]何 鑫，史建新. 6FG-900型核桃分級機的原理與試驗[J]. 新疆農業(yè)大學學報，2010，33（3）：268-271.

[7]買合木江，劉 奎，朱占江，等. 6FG-3000型滾杠式青核桃分級機的設計[J]. 新疆農機化，2013（4）：20-22.

[8]新疆農業(yè)科學院農業(yè)機械化研究所. 核桃仁分級機：中國，201110406022.4[P]. 2011-12-08.

[9]鄭小東，王 杰. 機器視覺在玉米籽粒品質檢測中的應用研究[J]. 中國糧油學報，2013，28（4）：124-128.

[10]熊利榮，任奕林，肖任勤. 基于機器視覺的花生大小檢驗[J]. 湖北農業(yè)科學，2007，46（3）：464-465.

[11]應義斌，景寒松，馬俊福，等. 機器視覺技術在黃花梨尺寸和果面缺陷檢測中的應用[J]. 農業(yè)工程學報，1999，15（1）：197-200.

[12]Guzmán E，Baeten V，Pierna J A F，et al. Infrared machine vision system for the automatic detection of olive fruit quality[J]. Talanta，2013，116：894-898.

[13]Huang K Y. Detection and classification of areca nuts with machine vision[J]. Computers and Mathematics with Applications，2012，64（5）：739-746.

[14]Horn B K P. Robot vision[M]. Massachusetts：The MIT Press，1986.

[15]Gonzalez R C，Woods R E，阮秋琦，等. 數字圖像處理[M]. 3版. 北京：電子工業(yè)出版社，2010.

[16]鄧海霞. 基于機器視覺的群體禽蛋大小檢測方法研究[D]. 武漢：華中農業(yè)大學，2006.

[17]國家林業(yè)局. LY/T 1922—2010 核桃仁[S].2010.