李 頎 胡家坤 -

(陜西科技大學(xué)電氣與控制工程學(xué)院，陜西 西安 710021)

目前，蘋(píng)果的分級(jí)主要靠人工完成，該方法存在主觀誤差大、效率低和蘋(píng)果易造成二次損傷等問(wèn)題。隨著機(jī)器視覺(jué)技術(shù)的快速發(fā)展，圖像處理在水果質(zhì)量檢測(cè)方面也取得了深入進(jìn)展[1]。Yang等[2]提出了基于多圖像特征和加權(quán)k均值聚類(lèi)算法的蘋(píng)果自動(dòng)分級(jí)方法，該方法能快速有效地將蘋(píng)果按質(zhì)量進(jìn)行分級(jí)，但并不能實(shí)現(xiàn)蘋(píng)果缺陷類(lèi)型的具體區(qū)分。Li等[3]提出了基于蘋(píng)果大小、顏色和果形特征的決策信息融合方法，利用BP神經(jīng)網(wǎng)絡(luò)分類(lèi)器進(jìn)行分類(lèi),然后將分類(lèi)器的輸出進(jìn)行組合構(gòu)造基本概率分類(lèi)器，根據(jù)D-S融合規(guī)則進(jìn)行決策，但其分級(jí)準(zhǔn)確率較低。王陽(yáng)陽(yáng)等[4]采用同態(tài)濾波和改進(jìn)的K-means算法對(duì)蘋(píng)果圖像進(jìn)行了背景分割和特征提取，但只能處理蘋(píng)果的一個(gè)面，因此準(zhǔn)確率較低。石瑞瑤等[5]利用鏡面反射的原理采集蘋(píng)果側(cè)面，再結(jié)合正面圖像進(jìn)行處理，對(duì)鏡子中的圖像進(jìn)行分割，增加了識(shí)別時(shí)間和分級(jí)效率。于蒙等[6]將彩色圖片HSI模型中S通量分離出來(lái)，采用神經(jīng)網(wǎng)絡(luò)對(duì)是否存在缺陷進(jìn)行判斷，但該方法樣本大，訓(xùn)練速度慢，增加了系統(tǒng)運(yùn)行時(shí)間，降低了分級(jí)效率。

試驗(yàn)擬通過(guò)采集視野內(nèi)蘋(píng)果的正面和側(cè)面圖，綜合兩個(gè)面的特征對(duì)蘋(píng)果進(jìn)行分級(jí)，通過(guò)粒子群優(yōu)化的SVM決策樹(shù)算法將蘋(píng)果分為特級(jí)果、一級(jí)果、二級(jí)果和等外果，以增加蘋(píng)果在線分級(jí)的準(zhǔn)確度并提高分級(jí)效率。

1 材料與方法

1.1 試驗(yàn)材料

紅富士蘋(píng)果[7]：綜合GB/T 10651—2008以及NY/T 1075—2006，根據(jù)蘋(píng)果果徑、果形、著色度、疤痕和果銹特征將紅富士蘋(píng)果劃分為特級(jí)果、一級(jí)果、二級(jí)果和等外果，如表1所示。試驗(yàn)樣本為經(jīng)人工嚴(yán)格揀選的各等級(jí)紅富士各100個(gè)，試驗(yàn)地點(diǎn)為西安品誠(chéng)電子科技有限公司。

表1 紅富士外觀等級(jí)分級(jí)標(biāo)準(zhǔn)

1.2 蘋(píng)果圖像采集

圖像采集裝置(圖1)包括傳送帶、黑色暗箱、LED燈、CCD彩色工業(yè)相機(jī)、PC、翻滾裝置以及光電傳感器。傳送帶尺寸為150 cm×40 cm；暗箱尺寸為40 cm×40 cm×40 cm；兩個(gè)長(zhǎng)度為35 cm的LED補(bǔ)光燈置于暗箱頂部側(cè)面；CCD工業(yè)相機(jī)垂直懸掛于暗箱頂部中央位置，像素為300 W，最大分辨率為2 048×1 536，相機(jī)視場(chǎng)大小為40 cm×40 cm；光電傳感器位于暗箱入口處；翻滾裝置大小為40 cm×10 cm,最多可同時(shí)翻轉(zhuǎn)5個(gè)蘋(píng)果。

1. 傳送帶 2. 光電傳感器 3. 翻滾裝置 4. LED燈 5. CCD相機(jī) 6. PC 7. 暗箱

通過(guò)對(duì)蘋(píng)果果徑、果形、著色度、疤痕和果銹特征特點(diǎn)進(jìn)行分析可知，根據(jù)蘋(píng)果上表面圖像可得出果徑特征，根據(jù)蘋(píng)果側(cè)面圖像可得到果形特征，根據(jù)果銹形成原因與分布特點(diǎn)可知其多分布于蘋(píng)果的上表面和側(cè)面。故為了提高分級(jí)準(zhǔn)確性，綜合蘋(píng)果上表面和一個(gè)側(cè)面圖像特征對(duì)蘋(píng)果進(jìn)行在線分級(jí)。

當(dāng)光電傳感器檢測(cè)到有蘋(píng)果完全進(jìn)入后，相機(jī)開(kāi)始采集圖像。首先，將蘋(píng)果果梗擺放在與傳送帶運(yùn)動(dòng)方向垂直的方向上，此時(shí)攝像頭采集一幅蘋(píng)果上表面圖像，經(jīng)翻滾裝置后攝像頭采集一幅蘋(píng)果側(cè)面朝上的圖像。為了保證采集到的圖像清晰且光線均勻，在暗箱內(nèi)部?jī)蓚?cè)靠近頂部的位置安裝兩個(gè)相互對(duì)稱的LED補(bǔ)光燈。

1.3 背景分割

1.3.1 圖像預(yù)處理 系統(tǒng)通過(guò)攝像頭采集蘋(píng)果圖像，由于蘋(píng)果表面光滑，光線容易發(fā)生反射，所拍攝到的果面可能會(huì)因?yàn)榻嵌群凸庹沼绊懗霈F(xiàn)光照不均現(xiàn)象，故采用同態(tài)濾波方式對(duì)圖像進(jìn)行增強(qiáng)，采用中值濾波方式消除噪聲。同時(shí)，為了提高蘋(píng)果在線分級(jí)的效率，僅對(duì)感興趣區(qū)域進(jìn)行背景分割與特征提??；最后綜合兩幅不同位姿的蘋(píng)果圖像信息對(duì)蘋(píng)果進(jìn)行分級(jí)。

1.3.2 背景分割 為了從蘋(píng)果圖像中提取出蘋(píng)果輪廓，一般采用邊緣檢測(cè)、閾值分割、區(qū)域提取3種方法。由于光照、拍攝角度等問(wèn)題，單一的閾值又不利于多峰圖像的分割，在復(fù)雜背景下容易出現(xiàn)欠分割、過(guò)分割等問(wèn)題，所以采用全局閾值分割效果并不理想。自適應(yīng)Ostu閾值分割算法可以通過(guò)自動(dòng)計(jì)算最佳閾值對(duì)圖像中的蘋(píng)果進(jìn)行提取。泛洪填充算法是從一個(gè)點(diǎn)開(kāi)始，將其附近像素點(diǎn)依次填充成新的顏色，直到封閉區(qū)域內(nèi)的所有像素點(diǎn)均被填充成新顏色為止，采用泛洪填充算法將圖像中與背景顏色相近的部分填充成黑色，可以突出背景與前景的差距。故采用泛洪填充+自適應(yīng)Ostu的算法進(jìn)行背景分割，使Ostu自適應(yīng)分割效果更加顯著，具體步驟如下。

(1) 將輸入的原圖[圖2(a)]進(jìn)行圖像預(yù)處理。

(2) 對(duì)預(yù)處理后的圖像進(jìn)行泛洪填充，計(jì)算得到圖像高度h和寬度w，種子點(diǎn)(w-1,h-1)，填充的顏色RGB新值為(0，0，0)，相對(duì)于種子點(diǎn)向下的像素值為(10，10，10)，向上的像素值為(9，9，9)，采用8領(lǐng)域填充法進(jìn)行填充，結(jié)果如圖2(d)所示。

(3) 假設(shè)圖2(d)前景與背景分割閾值為t，前景點(diǎn)占圖像的比例為W0，均值為U0，背景點(diǎn)占圖像的比例為W1，均值為U1。那么，整個(gè)圖像的均值為：

U=W0×U0+W1×U1。

(1)

目標(biāo)函數(shù)為：

g(t)=W0×(U0-U)2+W1×(U1-U)2。

(2)

其中g(shù)(t)是分割閾值為t時(shí)的類(lèi)間方差表達(dá)式。Ostu算法可以使g(t)取得全局最大值，當(dāng)g(t)達(dá)到最大時(shí)，所對(duì)應(yīng)的t被稱為最佳閾值，處理結(jié)果如圖2(f)所示。

由圖2可知，未進(jìn)行泛洪填充處理的圖像灰度直方圖存在兩個(gè)尖峰，對(duì)原圖進(jìn)行Ostu分割后的邊緣較差，存在欠分割問(wèn)題；經(jīng)泛洪填充后的圖像直方圖尖峰明顯，進(jìn)行Ostu分割處理效果很好，證明了試驗(yàn)方法是可行的。

圖2 圖像分割過(guò)程與比較

1.4 特征提取

1.4.1 果徑 根據(jù)鮮蘋(píng)果分級(jí)標(biāo)準(zhǔn)可知，蘋(píng)果果徑等于蘋(píng)果的最大橫截面直徑。故采用最小外接圓法對(duì)蘋(píng)果上表面的二值化圖像進(jìn)行計(jì)算，得到蘋(píng)果果徑，結(jié)果如圖3所示。

圖3 最小外接圓

首先按式(3)計(jì)算出最小外接圓的質(zhì)心(Cx,Cy)。

(3)

式中：

Cx——質(zhì)心的橫坐標(biāo)；

Cy——質(zhì)心的縱坐標(biāo)；

M10——二值圖中水平向右的像素個(gè)數(shù)；

M00——總像素個(gè)數(shù)；

M01——垂直向下的像素個(gè)數(shù)。

將圖像的質(zhì)心作為蘋(píng)果輪廓的圓心，遍歷輪廓上所有像素點(diǎn)，計(jì)算出目標(biāo)像素點(diǎn)離質(zhì)心的最大距離d，即最小外接圓的半徑。

(4)

式中：

xi——目標(biāo)像素點(diǎn)的橫坐標(biāo)；

yi——目標(biāo)像素點(diǎn)的縱坐標(biāo)；

d——兩點(diǎn)之間的距離。

R=f(2d),

(5)

式中：

R——果徑，mm；

f(x)——實(shí)際尺寸大小R與最小外接圓d之間對(duì)應(yīng)的關(guān)系。

通過(guò)游標(biāo)卡尺測(cè)量30個(gè)蘋(píng)果的真實(shí)半徑，使用CurveExpert軟件對(duì)f(x)進(jìn)行擬合可得：

f(x)=0.843 6x-6.941 3。

(6)

1.4.2 果形 根據(jù)GB/T 22444—2008，按式(7)計(jì)算果形。

(7)

式中：

K——果形指數(shù)；

L——果實(shí)最大縱徑，mm；

D——果實(shí)最大橫徑，mm。

為了獲取果實(shí)的最大縱徑，對(duì)蘋(píng)果側(cè)表面圖像進(jìn)行處理。利用最小外接矩形法提取蘋(píng)果的最大橫徑與最大縱徑，結(jié)果如圖4所示。

圖4 果形提取

1.4.3 著色度 目前，常用的彩色模型包括RGB模型和HSV模型。其中HSV模型更符合人眼對(duì)顏色的認(rèn)知，是面向彩色處理最常用的模型，其中H為色度、S為飽和度、V為明度[8]。故選擇在HSV顏色空間上對(duì)蘋(píng)果的著色度、疤痕和果銹特征進(jìn)行提取。

根據(jù)紅富士蘋(píng)果分級(jí)標(biāo)準(zhǔn)可知，蘋(píng)果著色度為統(tǒng)計(jì)集中著色面，條紅或者片紅的程度。通過(guò)統(tǒng)計(jì)兩幀圖像中紅色所占的比例，得出紅富士蘋(píng)果的著色度。

首先將RGB圖轉(zhuǎn)換成HSV圖，然后選取紅色的提取范圍H(156～180)、S(43～256)、V(46～255)。經(jīng)閾值處理后統(tǒng)計(jì)圖像中白色像素點(diǎn)個(gè)數(shù)，按式(8)計(jì)算蘋(píng)果的著色度。

(8)

式中：

C——著色度；

C1——第一幀蘋(píng)果的著色度；

C2——第二幀蘋(píng)果的著色度；

r1——第一幀圖像閾值處理后白色像素點(diǎn)個(gè)數(shù)；

r2——第二幀圖像閾值處理后白色像素點(diǎn)個(gè)數(shù)；

s1——第一幀整個(gè)蘋(píng)果像素點(diǎn)個(gè)數(shù)；

s2——第二幀整個(gè)蘋(píng)果像素點(diǎn)個(gè)數(shù)。

蘋(píng)果著色的提取結(jié)果如圖5所示。

圖5 著色度提取

1.4.4 蘋(píng)果缺陷 蘋(píng)果在生長(zhǎng)、采摘和運(yùn)輸過(guò)程中受天氣、病害、蟲(chóng)害和碰傷等傷害產(chǎn)生疤痕。蘋(píng)果果銹是一種比較常見(jiàn)的蘋(píng)果病害，特別是在中小果園種植的紅富士蘋(píng)果中最為常見(jiàn)，故將疤痕和果銹特征參數(shù)作為蘋(píng)果缺陷的判定依據(jù)。由于果梗處的顏色較深，比較容易被判定為疤痕，為了消除此影響，將除果梗處的蘋(píng)果區(qū)域視為感興趣區(qū)域。

為了提取蘋(píng)果疤痕和果銹特征，首先將采集到的蘋(píng)果圖像由RGB空間轉(zhuǎn)換到HSV空間，并且分離出圖像的H(色相)、S(飽和度)和V(亮度)通道圖像，如圖6、7所示。

圖6 蘋(píng)果疤痕圖像及HSV各通道圖像

圖7 蘋(píng)果果銹圖像及HSV各通道圖像

由圖6、7可知，蘋(píng)果的疤痕和果銹的亮度較暗，故根據(jù)蘋(píng)果HSV圖像的亮度值對(duì)蘋(píng)果的疤痕和果銹進(jìn)行特征提取。通過(guò)分析疤痕和果銹圖像特點(diǎn)，將感興趣區(qū)域中像素點(diǎn)在V∈(120～140)的區(qū)域視為疤痕區(qū)域，V∈(150～180)的區(qū)域視為果銹區(qū)域。按式(9)計(jì)算蘋(píng)果疤痕和果銹。

(9)

式中：

S——疤痕面積，cm2；

G——果銹面積，cm2；

n1——V∈(120～140)像素點(diǎn)個(gè)數(shù)；

n2——V∈(150～180)像素點(diǎn)個(gè)數(shù)。

1.5 蘋(píng)果分級(jí)

由于SVM算法在小樣本訓(xùn)練集上的分類(lèi)效果相比于其他分類(lèi)算法有較好的表現(xiàn)，可以提高模型的泛化能力，能夠處理高維空間的數(shù)據(jù)，故選擇SVM算法對(duì)蘋(píng)果進(jìn)行分類(lèi)。但SVM算法最初是針對(duì)二分類(lèi)問(wèn)題提出的[9]，并不能直接應(yīng)用于多分類(lèi)問(wèn)題，由于試驗(yàn)將蘋(píng)果分為多個(gè)等級(jí)，因此選擇多分類(lèi)SVM分類(lèi)器對(duì)蘋(píng)果進(jìn)行分級(jí)。

SVM分類(lèi)器的懲罰參數(shù)C與核參數(shù)σ對(duì)最后的分類(lèi)結(jié)果影響非常大，所以需對(duì)其進(jìn)行優(yōu)化選取。而粒子群算法有著很好的全局尋優(yōu)能力，可以有效解決非線性問(wèn)題，收斂速度快，但容易陷入局部最優(yōu)[10]，故采用基于改進(jìn)粒子群算法的SVM決策樹(shù)的分類(lèi)方法進(jìn)行蘋(píng)果分級(jí)工作，可以克服決策樹(shù)本身對(duì)門(mén)限敏感和錯(cuò)誤傳遞的缺陷[11]。

對(duì)蘋(píng)果樣本進(jìn)行果徑、果形、著色度、疤痕和果銹特征的提取，然后將特征參數(shù)送入SVM決策樹(shù)分級(jí)模型，通過(guò)分級(jí)模型將蘋(píng)果分為特級(jí)果、一級(jí)果、二級(jí)果和三級(jí)果。

1.5.1 SVM分類(lèi)器的設(shè)計(jì) 假設(shè)訓(xùn)練樣本為(xi，yi)，i=1,2,…,l，xi∈Rn，yi∈{-1，1}，l為樣本個(gè)數(shù)，n為輸入維數(shù)。當(dāng)兩類(lèi)樣本為線性可分時(shí)，選擇線性分類(lèi)器的目標(biāo)函數(shù)為：

(10)

當(dāng)訓(xùn)練集樣本為線性不可分時(shí)，需引入松弛變量與懲罰參數(shù)，經(jīng)優(yōu)化的目標(biāo)函數(shù)為：

(11)

式中：

w、b——待求系數(shù)；

ζ——松弛變量(可由經(jīng)驗(yàn)值得到)；

C——懲罰參數(shù)(控制松弛變量造成的影響)。

由于采集到的特征值所對(duì)應(yīng)的特征向量為高維特征向量，在低維空間線性不可分，故采用徑向基核函數(shù)對(duì)上述目標(biāo)函數(shù)進(jìn)行求解，其數(shù)學(xué)表達(dá)式為：

(12)

式中：

‖x1-x2‖——向量間的距離；

σ——給常數(shù)(可由改進(jìn)的粒子群優(yōu)化算法進(jìn)行選取)。

(1) 首先將{C、σ}映射成一個(gè)粒子，然后對(duì)種群的大小、最大迭代次數(shù)、C與σ的取值范圍、粒子的初始位置以及速度進(jìn)行初始化。

(2) 根據(jù)適應(yīng)度函數(shù)計(jì)算適應(yīng)度值，然后通過(guò)排序確定粒子群的全局歷史最優(yōu)值。

(3) 更新迭代新粒子的位置及速度。采用動(dòng)態(tài)的慣性權(quán)重，其上限為0.9，下限為0.4，可以使得粒子群前期注重全局尋優(yōu)，后期注重局部尋優(yōu)，慣性權(quán)重隨迭代次數(shù)增加而降低。

(4) 迭代終止，輸出最優(yōu)懲罰參數(shù)C和核參數(shù)σ。

通過(guò)改進(jìn)的粒子群優(yōu)化算法得到SVM參數(shù)，建立SVM二分類(lèi)器，為建立SVM決策樹(shù)模型作好準(zhǔn)備。

1.5.2 SVM決策樹(shù)模型的建立 根據(jù)紅富士蘋(píng)果分級(jí)標(biāo)準(zhǔn)，將紅富士蘋(píng)果分成特等果、一級(jí)果、二級(jí)果和等外果4個(gè)類(lèi)別。若采用SVM算法進(jìn)行4分類(lèi)需要構(gòu)造一個(gè)三級(jí)SVM分類(lèi)模型，模型比較復(fù)雜，訓(xùn)練耗時(shí)，會(huì)降低蘋(píng)果在線分級(jí)的效率。故為了降低模型的復(fù)雜度，提高蘋(píng)果在線分級(jí)效率，采用決策樹(shù)+SVM多分類(lèi)模型結(jié)合的方法進(jìn)行蘋(píng)果分級(jí)。

由于等外果的果徑、果形、著色度、疤痕以及果銹特征參數(shù)與其他幾個(gè)級(jí)別蘋(píng)果的特征參數(shù)差別較大，故首先進(jìn)行等外果等級(jí)的判定。假設(shè)蘋(píng)果圖像提取到的五維特征為η=[R，K，C，S，G]，將果徑、果形和著色度特征參數(shù)設(shè)為一組η1=[R，K，C]，將疤痕與果銹特征參數(shù)設(shè)為一組η2=[S，G]，將等外果設(shè)定閾值設(shè)為η01=[0.6，0.5，0.55]和η02=[0.5,0.1]。模型首先對(duì)輸入樣本進(jìn)行等外果等級(jí)判斷，當(dāng)η1<η01或η2>η02時(shí)，系統(tǒng)將其判定為等外果，不再進(jìn)行后續(xù)處理并直接輸出結(jié)果。當(dāng)η1≥η01且η2≤η02時(shí)系統(tǒng)將其判定為等內(nèi)果并進(jìn)行后續(xù)的分級(jí)處理。SVM決策樹(shù)模型如圖8所示。

圖8 SVM決策樹(shù)模型

試驗(yàn)采用SVM分類(lèi)器級(jí)連+決策樹(shù)的方式建立分級(jí)模型，樣本在經(jīng)決策判斷后被送入SVM1分類(lèi)器中，被分成特級(jí)果以及次級(jí)果，然后次級(jí)果被送入SVM2分類(lèi)器中，被分成一級(jí)果以及等外果。

2 結(jié)果與分析

試驗(yàn)是在Intel 酷睿i7處理器，運(yùn)行內(nèi)存16G的電腦上進(jìn)行。編程環(huán)境是python 3.5.4以及opencv 4.1.1。采用200萬(wàn)像素?zé)o畸變工業(yè)CCD相機(jī)進(jìn)行蘋(píng)果圖像采集，分辨率為1 280×760，幀率為60。

對(duì)采集到的第一幀蘋(píng)果圖像進(jìn)行輪廓的提取，采用最小外接圓法得到蘋(píng)果的像素直徑，然后將其與通過(guò)游標(biāo)卡尺測(cè)量的蘋(píng)果真實(shí)果徑進(jìn)行擬合處理，部分樣本數(shù)據(jù)如表2所示。

表2 部分樣本數(shù)據(jù)

經(jīng)曲線擬合可以獲得像素點(diǎn)個(gè)數(shù)與實(shí)際尺寸之間的關(guān)系，其平均誤差為1 mm，可以滿足實(shí)際需求。

試驗(yàn)前，挑選出經(jīng)人工嚴(yán)格分揀的各級(jí)紅富士蘋(píng)果100個(gè)，隨機(jī)選取其中各50個(gè)作為SVM決策樹(shù)模型的訓(xùn)練樣本，其余樣本作為測(cè)試樣本。將200個(gè)訓(xùn)練樣本嚴(yán)格按照等級(jí)依次擺放在傳送帶上。將樣本的果徑、果形、著色度、疤痕和果銹5個(gè)特征作為模型的輸入，通過(guò)粒子群優(yōu)化算法對(duì)SVM1分類(lèi)器和SVM2進(jìn)行參數(shù)的選擇，最終完成整個(gè)SVM決策樹(shù)模型的訓(xùn)練。將粒子群優(yōu)化算法的種群數(shù)量設(shè)置為20，最大迭代次數(shù)設(shè)置為100，得到SVM1的懲罰參數(shù)C1=15.6，核參數(shù)σ1=3.4，SVM2的懲罰參數(shù)C2=17.2，核參數(shù)σ2=7.8，其粒子群的適應(yīng)度變化曲線如圖9所示。

圖9 適應(yīng)度變化曲線

然后用剩下的200個(gè)蘋(píng)果對(duì)試驗(yàn)中的方法進(jìn)行驗(yàn)證，將各等級(jí)的50個(gè)樣本排序放置于傳送帶上，基于機(jī)器視覺(jué)技術(shù)，提取蘋(píng)果的多個(gè)特征，利用SVM決策樹(shù)模型對(duì)蘋(píng)果進(jìn)行在線分級(jí)，結(jié)果如表3所示。以人工分級(jí)為標(biāo)準(zhǔn)，特級(jí)果、一級(jí)果、二級(jí)果和等外果的分級(jí)準(zhǔn)確率分別為96%，94%，98%，98%，總體準(zhǔn)確率為96.5%，由此驗(yàn)證了文章提出的方法的準(zhǔn)確性和可行性。同時(shí)，在試驗(yàn)環(huán)境下，當(dāng)傳送帶運(yùn)行速率為0.3 m/s時(shí)，平均分級(jí)速度為4個(gè)/s，高于人工分級(jí)，可以滿足蘋(píng)果在線分級(jí)的需求。

表3 分級(jí)檢測(cè)結(jié)果

采用試驗(yàn)方法對(duì)紅富士蘋(píng)果進(jìn)行在線分級(jí)，分級(jí)準(zhǔn)確率較高，但仍對(duì)個(gè)別樣本做出了誤判，分析其原因主要有：

(1) 人工原因：當(dāng)人工對(duì)蘋(píng)果樣本進(jìn)行標(biāo)注時(shí)，可能會(huì)出現(xiàn)個(gè)別蘋(píng)果標(biāo)注不準(zhǔn)確，造成了分級(jí)結(jié)果與人工對(duì)比時(shí)出現(xiàn)了差別，造成了誤判。為了消除此影響，后續(xù)將采用多重人工標(biāo)注法，確保人工標(biāo)注的準(zhǔn)確性。

(2) 外部原因：系統(tǒng)可能受到傳送帶速度不穩(wěn)，及光源不穩(wěn)定等問(wèn)題的影響，造成蘋(píng)果等級(jí)的誤判，后續(xù)將對(duì)裝置進(jìn)行改進(jìn)，采用獨(dú)立穩(wěn)壓電源進(jìn)行供電。

(3) 視覺(jué)原因：由于視覺(jué)成像限制，無(wú)法采集到整個(gè)蘋(píng)果的所有圖像，存在誤判的可能，后續(xù)將針對(duì)這一問(wèn)題，在傳送帶兩側(cè)放置機(jī)械臂與攝像頭，攝像頭采集機(jī)械臂抓舉后蘋(píng)果的側(cè)面與底面圖像，提升系統(tǒng)的分級(jí)準(zhǔn)確性。

3 結(jié)論

文章提出了基于機(jī)器視覺(jué)的蘋(píng)果在線分級(jí)方法，通過(guò)對(duì)預(yù)處理圖像采取泛洪填充+自適應(yīng)Ostu閾值分割算法提取蘋(píng)果輪廓，采用改進(jìn)的粒子群優(yōu)化的SVM決策樹(shù)模型對(duì)采集的蘋(píng)果進(jìn)行分級(jí)。結(jié)果表明，蘋(píng)果分級(jí)的平均準(zhǔn)確率和效率分別達(dá)到了96.5%和4個(gè)/s，證明了試驗(yàn)方法的可行性。但分級(jí)過(guò)程中仍存在個(gè)別誤判現(xiàn)象，為后續(xù)研究的改進(jìn)之處。