羅山 侯俊濤 鄭彬

摘要：采用人工檢測(cè)的石榴外觀品質(zhì)等級(jí)分級(jí)方法存在準(zhǔn)確率和效率低的問題，提出一種基于機(jī)器視覺的石榴品質(zhì)分級(jí)方法。首先，采用機(jī)器視覺系統(tǒng)采集石榴樣本圖像，進(jìn)行去噪處理與獲取掩模圖像；其次，提取去噪圖像的紅、綠、藍(lán)分量，用藍(lán)色分量減去紅、綠色分量得到色差圖像，并對(duì)色差圖像進(jìn)行閾值分割；然后，對(duì)分割圖像采用數(shù)學(xué)形態(tài)學(xué)處理獲得連通的疑似缺陷區(qū)域的邊界，提取紋理特征并根據(jù)缺陷與非缺陷區(qū)域紋理特征的不同來標(biāo)記缺陷區(qū)域；最后，將缺陷面積與總面積之比和缺陷數(shù)目作為劃分等級(jí)的依據(jù)，對(duì)石榴品質(zhì)等級(jí)進(jìn)行劃分。試驗(yàn)結(jié)果表明：本方法總體分級(jí)準(zhǔn)確率達(dá)到92.9%，能夠高效、準(zhǔn)確地識(shí)別石榴表面缺陷并進(jìn)行品質(zhì)分級(jí)，為實(shí)現(xiàn)自動(dòng)分級(jí)的產(chǎn)業(yè)化提供思路。

關(guān)鍵詞：機(jī)器視覺；石榴；品質(zhì)分級(jí)；表面缺陷；色差分量

中圖分類號(hào)：S665.4： TP391.41

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：2095-5553 （2023） 03-0117-06

Abstract： The method of grading pomegranate appearance quality by manual inspection has low accuracy and efficiency. A pomegranate quality classification method based on machine vision is proposed. Firstly， the pomegranate sample image is collected by machine vision system， denoised and the mask image is obtained. Secondly， the red， green and blue components of the denoised image are extracted， the red and green components are subtracted from the blue component to obtain the color difference image， and the color difference image is segmented by threshold. Then， the boundary of the connected suspected defect region is obtained by mathematical morphology processing， the texture features are extracted， and the defect region is marked according to the different texture features of the defect and nondefect region. Finally， the ratio of defect area to total area and the number of defects are used as the basis for grading， and the quality grade of pomegranate is divided. The experimental results show that the overall classification accuracy of this method is 92.9%， which can effectively and accurately identify the surface defects of pomegranate and classify the quality， and which provides an idea for the industrialization of automatic classification.

Keywords： machine vision; pomegranate; quality grading; surface defect; color difference component

0引言

石榴在生長(zhǎng)、采摘、運(yùn)輸和貯藏的過程中，會(huì)受到外部環(huán)境和自身因素等多方面的影響，導(dǎo)致石榴表面出現(xiàn)疤痕、孔洞、裂痕等多種類型的缺陷，嚴(yán)重影響石榴的品質(zhì)，造成巨大的經(jīng)濟(jì)損失［1］。目前大多采用人工檢測(cè)的方式對(duì)石榴品質(zhì)進(jìn)行分級(jí)，而人工檢測(cè)存在高成本、低效率的缺點(diǎn)，不利于提高石榴產(chǎn)業(yè)的經(jīng)濟(jì)效益。

近年來，基于機(jī)器視覺的表面缺陷檢測(cè)及品質(zhì)分級(jí)技術(shù)在工農(nóng)業(yè)方面的應(yīng)用愈加廣泛，提出了諸多方法。項(xiàng)輝宇等［2］提出一種基于Halcon的蘋果品質(zhì)視覺檢測(cè)算法。張慶怡等［3］提出一種蘋果在線分級(jí)系統(tǒng)，能夠精準(zhǔn)地對(duì)蘋果進(jìn)行等級(jí)分類，但由于算法流程復(fù)雜，無法達(dá)到快速分級(jí)的目的。劉忠超等［4］利用PLC控制器和機(jī)器視覺技術(shù)開發(fā)了基于面積的分級(jí)系統(tǒng)，并對(duì)獼猴桃大小進(jìn)行自動(dòng)分級(jí)。李澤平等［5］設(shè)計(jì)了一種基于支持向量機(jī)的無核白葡萄串分級(jí)系統(tǒng)。孫進(jìn)等［6］利用機(jī)器視覺和CAN總線技術(shù)設(shè)計(jì)了分類器對(duì)玉米種粒在線分級(jí)。何進(jìn)榮等［7］利用多卷積神經(jīng)網(wǎng)絡(luò)融合DXNet模型對(duì)蘋果外觀品質(zhì)進(jìn)行有效分級(jí)，該方法提高了分級(jí)準(zhǔn)確率。Kuma等［8］運(yùn)用圖像處理和機(jī)器學(xué)習(xí)技術(shù)實(shí)現(xiàn)水果和蔬菜質(zhì)量的自動(dòng)高效分級(jí)。

目前，機(jī)器視覺分級(jí)技術(shù)應(yīng)用在水果方面較多，但對(duì)石榴品質(zhì)分級(jí)的研究很缺乏。因此，本文考慮石榴質(zhì)量等級(jí)標(biāo)準(zhǔn)和外觀特征，基于機(jī)器視覺技術(shù)和圖像處理與分析算法開發(fā)出一種基于機(jī)器視覺的石榴品質(zhì)分級(jí)系統(tǒng)，并通過試驗(yàn)驗(yàn)證方法的可行性。

1試驗(yàn)設(shè)備和材料

為保證試驗(yàn)的嚴(yán)謹(jǐn)性和隨機(jī)性，試驗(yàn)石榴樣本采用突尼斯軟籽石榴，產(chǎn)地為攀枝花，于2021年10月13日在攀枝花市九附六市場(chǎng)隨機(jī)采購，兼?zhèn)涓鞣N品質(zhì)等級(jí)的石榴樣本。系統(tǒng)設(shè)備主要包括工業(yè)相機(jī)、鏡頭、LED光源以及光源控制器、圖像采集卡、計(jì)算機(jī)，其中，圖像采集設(shè)備參數(shù)如表1所示，采集裝置如圖1所示。

2樣本圖像處理與分析

2.1圖像去噪與掩模圖像獲取

采集到的樣本圖像攜帶有較多的噪聲，為提高圖像質(zhì)量，改善分級(jí)效果，需要對(duì)圖像進(jìn)行去噪處理。常用的濾波方法有均值濾波、高斯濾波、中值濾波［10］等?？紤]到石榴表皮具有類似于椒鹽噪聲和脈沖噪聲的斑點(diǎn)，而中值濾波對(duì)椒鹽噪聲和脈沖噪聲有良好的去除能力，因此采用中值濾波對(duì)石榴圖像進(jìn)行去噪。中值濾波運(yùn)算如式（1）所示。

由于背景與石榴色差和背景亮度差異明顯，因此可以將經(jīng)過中值濾波后的圖像直接進(jìn)行彩色二值化處理，從而得到石榴樣本的掩膜圖像，掩膜圖像所占像素點(diǎn)數(shù)即為該方向上的石榴總面積數(shù)，用于后續(xù)的缺陷面積計(jì)算，掩膜圖像獲取結(jié)果如圖3所示。

2.2色差分量獲取與圖像分割

通過采集裝置得到的樣本圖像為RGB圖像，含有較豐富的色彩信息，在經(jīng)過去噪處理后，受石榴成熟度影響，石榴果皮存在大量的紅色分量（R）和綠色分量（G）信息［11］，這些信息會(huì)對(duì)后續(xù)的缺陷識(shí)別造成不利的影響，導(dǎo)致品質(zhì)等級(jí)分級(jí)不準(zhǔn)確。為去除R、G分量的影響，本文提取出去噪圖像中的R、G、B分量，將三個(gè)分量經(jīng)過多次數(shù)學(xué)運(yùn)算試驗(yàn)，最終用藍(lán)色分量（B）減去R、G分量得到色差圖像，如式（2）所示。

中值濾波去噪圖像和色差圖像效果如圖4所示?？梢钥闯?，去除干擾顏色影響后的圖像中缺陷區(qū)域灰度均勻、與非缺陷區(qū)域灰度差異明顯，有利于提高后續(xù)的缺陷分割和品質(zhì)分級(jí)的準(zhǔn)確性。

為獲得缺陷特征信息，需要將目標(biāo)區(qū)域從圖像中分割出來?？紤]色差圖像中缺陷區(qū)域與非缺陷區(qū)域的灰度對(duì)比差異明顯，因此采用常用的Otsu閾值分割算法［1213］對(duì)圖像進(jìn)行分割。其基本原理是利用閾值將圖像分為前景和背景兩個(gè)區(qū)域，設(shè)兩個(gè)區(qū)域的像素個(gè)數(shù)比例分別為W0和W1，平均灰度值分別為Q0和Q1，前景與背景的類間方差為G，表達(dá)式如式（3）所示。

采用遍歷的方法使G值取得最大值，將此時(shí)對(duì)應(yīng)的閾值T作為圖像分割的最佳閾值，再對(duì)圖像進(jìn)行二值化處理，其像素值與閾值的函數(shù)關(guān)系如式（4）所示。

分割出的結(jié)果視為疑似缺陷區(qū)域，包括缺陷區(qū)域和非缺陷區(qū)域，為獲得更佳的視覺效果，用紅色填充疑似缺陷區(qū)域，代替經(jīng)典的黑白二值化圖像中的白色目標(biāo)區(qū)域。分割效果如圖5所示。

2.3數(shù)學(xué)形態(tài)學(xué)處理

從圖5可以看出，分割結(jié)果中存在疑似缺陷區(qū)域不連通的問題，不利于缺陷的特征提取和識(shí)別，因此對(duì)分割后的圖像采用形態(tài)學(xué)處理以連通疑似缺陷區(qū)域。閉運(yùn)算具有填充小孔洞的能力、并且運(yùn)算簡(jiǎn)單，因此采用閉運(yùn)算對(duì)分割圖像進(jìn)行處理。閉運(yùn)算是對(duì)圖像先進(jìn)行膨脹操作，再進(jìn)行腐蝕操作，運(yùn)算過程可用式（5）表示。

閉運(yùn)算結(jié)果如圖6所示，用紅色標(biāo)記缺陷區(qū)域邊界、綠色標(biāo)記非缺陷區(qū)域邊界，可見，疑似缺陷區(qū)域邊界更加平滑，有利于后續(xù)的缺陷參數(shù)計(jì)算。

2.4外接矩形處理與缺陷參數(shù)計(jì)算

以疑似缺陷區(qū)域?yàn)橹行?，在原圖中用紅色與綠色分別標(biāo)記出缺陷區(qū)域與非缺陷區(qū)域的最小外接矩形，用于后續(xù)的缺陷區(qū)域參數(shù)計(jì)算和品質(zhì)自動(dòng)分級(jí)，標(biāo)記區(qū)域如圖7所示。

果梗和花萼是石榴的生理特征，容易造成缺陷識(shí)別錯(cuò)誤、品質(zhì)等級(jí)錯(cuò)誤劃分等問題，此外光照不均勻等因素也會(huì)對(duì)分級(jí)結(jié)果造成不利影響，因此需要排除這些因素的干擾。由于果梗和花萼區(qū)域以及灰度不均勻區(qū)域具有與缺陷不同的紋理特征［14］，因此，采用灰度共生矩陣來提取紋理特征以消除非缺陷區(qū)域的干擾?；叶裙采仃嚸枋龅募y理特征包括圖像的能量、相關(guān)性、逆差距、局部均勻性、對(duì)比度等。本文利用灰度共生矩陣計(jì)算能量（ASM）、相關(guān)性（COR）、逆差距（IDM）和對(duì)比度（CON）四個(gè)特征參數(shù)，從而將缺陷與非缺陷區(qū)域進(jìn)行篩選區(qū)分，計(jì)算公式［15］如式（6）～式（12）所示。

特征值計(jì)算結(jié)果如圖8所示，可以看出缺陷區(qū)域與非缺陷區(qū)域紋理特征值的差異。

根據(jù)疑似缺陷區(qū)域特征值的不同設(shè)置多項(xiàng)閾值進(jìn)行篩選，最終去除非缺陷區(qū)域的標(biāo)記，得到標(biāo)記的缺陷區(qū)域，圖9為處理前后的對(duì)比。

由于部分石榴果梗和花萼區(qū)域與缺陷區(qū)域區(qū)分度較低，因此存在部分樣本無法徹底去除果梗和花萼帶來的干擾，導(dǎo)致標(biāo)記缺陷的準(zhǔn)確率降低，再采用人工標(biāo)記作為準(zhǔn)確標(biāo)記數(shù)，計(jì)算本文方法標(biāo)記結(jié)果的準(zhǔn)確率，對(duì)140個(gè)石榴樣本圖像標(biāo)記缺陷的準(zhǔn)確率如表2所示。由于石榴側(cè)面區(qū)域無法一次采集完整，共采集兩次以獲得完整的側(cè)面。

本文以林業(yè)行業(yè)標(biāo)準(zhǔn)［16］發(fā)布的石榴質(zhì)量等級(jí)標(biāo)準(zhǔn)作為參考和依據(jù)進(jìn)行品質(zhì)等級(jí)劃分，采用缺陷數(shù)目、缺陷區(qū)域像素?cái)?shù)與總像素?cái)?shù)之比作為品質(zhì)分級(jí)的依據(jù)。利用前述的缺陷標(biāo)記結(jié)果，設(shè)兩個(gè)側(cè)面區(qū)域像素個(gè)數(shù)為S1，果梗區(qū)域像素個(gè)數(shù)為S2，花萼區(qū)域像素個(gè)數(shù)為S3，側(cè)面缺陷區(qū)域像素個(gè)數(shù)為Q1，果梗缺陷區(qū)域像素個(gè)數(shù)為Q2，花萼缺陷區(qū)域像素個(gè)數(shù)為Q3，缺陷面積與總面積之比為R，由此得到計(jì)算缺陷區(qū)域占石榴表皮總面積的比例的公式（13）。側(cè)面、果梗、花萼區(qū)域像素個(gè)數(shù)均由前述的二值化掩膜處理得到，缺陷面積指經(jīng)過缺陷區(qū)域篩選后的矩形所包含的經(jīng)過數(shù)學(xué)形態(tài)學(xué)處理的缺陷區(qū)域像素點(diǎn)數(shù)目，如圖6中的紅色封閉區(qū)域包含的像素點(diǎn)個(gè)數(shù)，并非指矩形區(qū)域的像素點(diǎn)個(gè)數(shù)。

由于行業(yè)標(biāo)準(zhǔn)中并無機(jī)器視覺的石榴品質(zhì)劃分標(biāo)準(zhǔn)，因此本文將試驗(yàn)結(jié)果與行業(yè)標(biāo)準(zhǔn)經(jīng)過多次實(shí)驗(yàn)對(duì)比，得到機(jī)器視覺的石榴品質(zhì)分級(jí)標(biāo)準(zhǔn)，如表3所示。

在系統(tǒng)進(jìn)行分級(jí)時(shí)，必須同時(shí)依據(jù)缺陷面積占比和缺陷數(shù)目?jī)蓚€(gè)指標(biāo)進(jìn)行劃分，當(dāng)樣本滿足其中一個(gè)條件，不滿足另一個(gè)條件時(shí)，降低一個(gè)等級(jí)。等級(jí)劃分流程如圖11所示。

對(duì)140個(gè)石榴樣本進(jìn)行分級(jí)后，采用人工分級(jí)作為準(zhǔn)確標(biāo)準(zhǔn)，通過本文方法分級(jí)結(jié)果求得分級(jí)準(zhǔn)確率，如表4所示。

特級(jí)、一級(jí)、二級(jí)等級(jí)劃分準(zhǔn)確率分別為94.4%、94.2%、88.2%，總體分級(jí)準(zhǔn)確率為92.9%，特級(jí)果的等級(jí)劃分精確性最好、一級(jí)果其次、二級(jí)果劃分效果最差。部分特級(jí)果、一級(jí)果因?yàn)榛ㄝ唷⒐^(qū)域被誤認(rèn)為缺陷，導(dǎo)致在等級(jí)劃分時(shí)被降低一個(gè)品質(zhì)等級(jí)，造成特級(jí)果、一級(jí)果準(zhǔn)確率下降。部分二級(jí)果，如日灼果果面無較大缺陷，導(dǎo)致系統(tǒng)將其劃分為特級(jí)，與人工劃分存在一定差異。試驗(yàn)石榴樣本均為隨機(jī)選取，品質(zhì)等級(jí)自動(dòng)劃分與人工劃分結(jié)果基本一致，證實(shí)了該自動(dòng)分級(jí)方法的可行性。但由于試驗(yàn)的石榴存在較多病斑和花紋且新鮮度低，造成偽缺陷增加，導(dǎo)致分級(jí)誤判，分級(jí)準(zhǔn)確率下降。

為進(jìn)一步驗(yàn)證本文方法的可行性，將文獻(xiàn)［17-19］的方法與本文方法性能進(jìn)行對(duì)比，采用相同的石榴樣本進(jìn)行試驗(yàn)，評(píng)估指標(biāo)包括分級(jí)準(zhǔn)確率與算法執(zhí)行時(shí)間，如表5所示。

由表5可知，本文方法相較于文獻(xiàn)［17-19］的方法具有更高的準(zhǔn)確率，達(dá)到優(yōu)秀標(biāo)準(zhǔn)，算法速度也有大幅度提高，時(shí)間上最高節(jié)省了25.5 s/百幅。雖然在速度上略低于文獻(xiàn)［19］的方法，但在準(zhǔn)確率上提高了9.4個(gè)百分點(diǎn)，更符合現(xiàn)代農(nóng)業(yè)高效率、高準(zhǔn)確率的要求。

4結(jié)論

1）? 針對(duì)石榴表面顏色豐富的特性，根據(jù)石榴外表皮缺陷數(shù)目和面積采用機(jī)器視覺與圖像處理技術(shù)對(duì)石榴品質(zhì)進(jìn)行自動(dòng)分級(jí)。對(duì)石榴樣本圖像進(jìn)行預(yù)處理，獲取色差圖像，采用最大類間方差法對(duì)色差圖像進(jìn)行閾值分割；采用數(shù)學(xué)形態(tài)學(xué)處理獲得連通的疑似缺陷區(qū)域的邊界，計(jì)算缺陷紋理特征參數(shù)，根據(jù)缺陷與非缺陷區(qū)域特征參數(shù)的不同來標(biāo)記缺陷區(qū)域；將缺陷面積與總面積之比和缺陷數(shù)目作為劃分等級(jí)的依據(jù)，并依據(jù)行業(yè)標(biāo)準(zhǔn)確定石榴品質(zhì)等級(jí)劃分標(biāo)準(zhǔn)，將等級(jí)分為特級(jí)、一級(jí)和二級(jí)三個(gè)層次。

2）? 提出石榴品質(zhì)等級(jí)劃分標(biāo)準(zhǔn)，同時(shí)依據(jù)缺陷面積占比和缺陷數(shù)目?jī)蓚€(gè)指標(biāo)進(jìn)行等級(jí)劃分。通過對(duì)大量樣本進(jìn)行分級(jí)試驗(yàn)，分別計(jì)算出各層次的分級(jí)準(zhǔn)確率，總體分級(jí)準(zhǔn)確率達(dá)到92%以上，平均一百幅樣本圖像識(shí)別時(shí)間約為45.1 s，性能得到提高。對(duì)隨機(jī)選取的石榴樣本進(jìn)行人工分級(jí)與自動(dòng)分級(jí)試驗(yàn)，品質(zhì)分級(jí)結(jié)果基本一致，證實(shí)了本自動(dòng)分級(jí)方法的可行性。

3）? 通過采用不同方法進(jìn)行對(duì)比試驗(yàn)，分別計(jì)算出分級(jí)準(zhǔn)確率與運(yùn)行時(shí)間進(jìn)行對(duì)比分析。本文方法的分級(jí)準(zhǔn)確率最高、達(dá)到92.9%，算法運(yùn)行速度也有大幅度提高，時(shí)間上最高節(jié)省了25.5 s/百幅，能滿足現(xiàn)代農(nóng)業(yè)高效率、高準(zhǔn)確率的需求。本文方法為機(jī)器視覺在農(nóng)產(chǎn)品質(zhì)量檢測(cè)的實(shí)際應(yīng)用方面提供了新的方法，但對(duì)于病斑較多且新鮮度低的石榴自動(dòng)分級(jí)準(zhǔn)確率的提高是需要進(jìn)一步研究的課題。

參考文獻(xiàn)

［1］楊雪梅， 馮立娟， 唐海霞， 等. 不同包裝方式對(duì)冷藏后期“魯青1號(hào)”石榴貨架期品質(zhì)的影響［J］. 山東農(nóng)業(yè)科學(xué)， 2021（10）： 128-135.

Yang Xuemei， Feng Lijuan， Tang Haixia， et al. Effects of different packing methods on shelflife quality of ‘Luqing 1 pomegranate after cold storage ［J］. Shandong Agricultural Sciences， 2021（10）： 128-135.

［2］項(xiàng)輝宇， 薛真， 冷崇杰， 等. 基于Halcon的蘋果品質(zhì)視覺檢測(cè)試驗(yàn)研究［J］. 食品與機(jī)械， 2016， 32（10）： 123-126.

Xiang Huiyu， Xue Zhen， Len Chongjie， et al. Experimental study of apple quality vision detection based on Halcon ［J］. Food & Machinery， 2016， 32（10）： 123-126.

［3］張慶怡， 顧寶興， 姬長(zhǎng)英， 等. 蘋果在線分級(jí)系統(tǒng)設(shè)計(jì)與試驗(yàn)［J］. 華南農(nóng)業(yè)大學(xué)學(xué)報(bào)， 2017， 38（4）： 117-124.

Zhang Qingyi， Gu Baoxing， Ji Changyin， et al. Design and experiment of an online grading system for apple ［J］. Journal of South China Agricultural University， 2017， 38（4）： 117-124.

［4］劉忠超， 蓋曉華. 基于機(jī)器視覺和PLC的獼猴桃分級(jí)控制系統(tǒng)設(shè)計(jì)［J］. 中國農(nóng)機(jī)化學(xué)報(bào)， 2020， 41（1）： 131-135.

Liu Zhongchao， Gai Xiaohua. Design of kiwifruit grading control system based on machine vision and PLC ［J］. Journal of Chinese Agricultural Mechanization， 2020， 41（1）： 131-135.

［5］李澤平， 郭俊先， 郭陽， 等. 基于支持向量機(jī)的無核白葡萄串分級(jí)系統(tǒng)設(shè)計(jì)與測(cè)試［J］. 食品與機(jī)械， 2021， 37（10）： 106-111， 246.

Li Zeping， Guo Junxian， Guo Yang， et al. Design and test of the grading system for kernelfree white grapes with support vector machine ［J］. Food & Machinery， 2021， 37（10）： 106-111， 246.

［6］孫進(jìn)， 張洋， 王寧， 等. 融合機(jī)器視覺和CAN總線的玉米種粒分類器設(shè)計(jì)與試驗(yàn)［J］. 中國農(nóng)機(jī)化學(xué)報(bào)， 2020， 41（8）： 81-89， 120.

Sun Jin， Zhang Yang， Wang Ning， et al. Design and experiment of corn seeds classifier based on machine vision and CAN bus ［J］. Journal of Chinese Agricultural Mechanization， 2020， 41（8）： 81-89， 120.

［7］何進(jìn)榮， 石延新， 劉斌. 基于DXNet模型的富士蘋果外部品質(zhì)分級(jí)方法研究［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2021， 52（7）： 379-385.

He Jinrong， Shi Yanxin， Liu Bin. External quality grading method of fuji apple based on deep learning ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2021， 52（7）： 379-385.

［8］Kuma M K P， Parkavi A. Quality grading of the fruits and vegetables using image processing techniques and machine learning： A review ［J］. Advances in Communication Systems and Networks， 2020： 477-486.

［9］張琛， 房勝， 王風(fēng)云， 等. 基于機(jī)器學(xué)習(xí)的免套袋蘋果缺陷分級(jí)［J］. 河南農(nóng)業(yè)科學(xué)， 2019， 48（4）： 154-160.

Zhang Chen， Fang Sheng， Wang Fengyun， et al. Nonbagged apple defect classification based on machine learning ［J］. Journal of Henan Agricultural Sciences， 2019， 48（4）： 154-160.

［10］Momin M A， Rahman M T， Sultana M S， et al. Geometrybased mass grading of mango fruits using image processing ［J］. Information Processing in Agriculture， 2017， 4（2）：11.

［11］Mendoza F， Dejmek P， Aguilera J M. Calibrated color measurements of agricultural foods using image analysis ［J］. Postharvest Biology & Technology， 2006， 41（3）： 285-295.

［12］牛晗， 伍希志. 基于大津算法連通域的松果多目標(biāo)識(shí)別定位［J］. 江蘇農(nóng)業(yè)科學(xué)， 2021， 49（15）： 193-198.

Niu Han， Wu Xizhi. Pinecone multitarget identification and location based on connected domain of Otsu algorithm ［J］. Jiangsu Agricultural Sciences， 2021， 49（15）： 193-198.

［13］李德新. 基于Otsu閾值的MSI不連續(xù)破損邊緣提?。跩］.計(jì)算機(jī)仿真， 2020， 37（9）： 358-362.

Li Dexin. Edge extraction of discontinuous damage in multi scene image based on Otsu threshold ［J］. Computer Simulation， 2020， 37（9）： 358-362.

［14］Du C J， Sun D W. Recent developments in the applications of image processing techniques for food quality evaluation ［J］. Trends in food science & technology， 2004， 15（5）： 230-249.

［15］陳天華. 數(shù)字圖像處理及應(yīng)用［M］. 北京： 清華大學(xué)出版社， 2019.

［16］LY/T 2135—2018， 石榴質(zhì)量等級(jí)［S］.

［17］辛華健. 計(jì)算機(jī)視覺在芒果品質(zhì)檢測(cè)中的應(yīng)用研究［J］. 農(nóng)機(jī)化研究， 2019， 41（9）： 190-193.

［18］石瑞瑤， 田有文， 賴興濤， 等. 基于機(jī)器視覺的蘋果品質(zhì)在線分級(jí)檢測(cè)［J］. 中國農(nóng)業(yè)科技導(dǎo)報(bào)， 2018， 20（3）： 80-86.

Shi Ruiyao， Tian Youwen， Lai Xingtao， et al. Development of apple intelligent online inspection and classification system based on machine vision ［J］. Journal of Agricultural Science and Technology， 2018， 20（3）： 80-86.

［19］高輝， 馬國峰， 劉偉杰. 基于機(jī)器視覺的蘋果缺陷快速檢測(cè)方法研究［J］. 食品與機(jī)械， 2020， 36（10）： 125-129， 148.

Gao Hui， Ma Guofeng， Liu Weijie. Research on a rapid detection of apple defects based on mechanical vision ［J］. Food and Machinery， 2020， 36（10）： 125-129， 148.