基于機器視覺的蘋果重量檢測研究

劉忠超 范靈燕 蓋曉華

摘要：蘋果的采后分級能夠提高其經濟價值和市場競爭力，為了實現基于重量的無接觸蘋果智能分級，提出了基于機器視覺的蘋果重量檢測方法。首先，采集蘋果圖像進行預處理，得到平滑無噪聲的蘋果二值圖像。然后，用最小外接矩形方法獲得蘋果的橫徑和縱徑等主要幾何外形特征，建立以蘋果外形幾何特征為參數的重量檢測回歸模型。結果表明，蘋果重量檢測值相對誤差低于2%，最大絕對誤差不超過4 g，檢測準確性較高。采用非接觸式的檢測可以克服傳統機械式接觸對蘋果造成的損害，能保證分級后蘋果的質量，滿足蘋果分級生產要求。

關鍵詞：機器視覺;蘋果;重量;最小外接矩形;擬合;分級

中圖分類號： TP242.6? 文獻標志碼： A

文章編號：1002-1302（2021）21-0201-04

收稿日期：2021-03-19

基金項目：國家自然科學基金（編號：61504072）;河南省科技攻關項目（編號：202102110124）;南陽理工學院博士科研啟動基金項目（編號：NGBJ-2019-07）;南陽理工學院高等教育教學改革新工科專題研究資助項目（編號：NIT2020XGKJY-02）。

作者簡介：劉忠超（1979—），男，河南南陽人，博士，副教授，主要從事農業機器人、智能化檢測與控制研究。E-mail：fly200578@sina.com。

我國是重要的蘋果生產大國，蘋果產后分級可以提高蘋果的經濟價值[1]。目前蘋果分級主要采用人工分級和機械分級，人工分級勞動強度大、效率低，易受個人心理因素的影響[2];機械分級效率較高，主要依據蘋果的果徑或重量進行分級，重量是評定蘋果等級的一個重要依據[3]。目前，市場上的蘋果重量測定通常采用稱重法，即采用機械秤或電子秤對蘋果逐一稱重以獲得其重量參數。這樣的重量測定方法操作繁瑣且存在一定誤差，并且在水果分揀時需要耗費大量人力和物力。此外，頻繁接觸果實會對果實表皮造成損傷，同時易使果實受細菌及污穢物污染，造成果實的鮮度與品質受損[4]。

基于機器視覺的無損檢測技術具有檢測速度快、非接觸式的優點，可以克服接觸式系統對蘋果造成的損傷，保證分級后的蘋果質量，為蘋果的采后分級提供了有效的解決方案[5]。因此，本研究選取紅富士蘋果為樣本，利用最小外接矩形法獲取蘋果的最大橫徑與最大縱徑，通過蘋果體積與其重量擬合的方式，建立蘋果重量預測模型，能借助機器視覺系統實現對蘋果重量的實時、快速、準確、無損檢測。

1 蘋果圖像視覺采集系統

蘋果重量檢測的機器視覺系統主要以計算機為處理核心，由視覺傳感器、視覺采集和計算機處理系統組成。圖1為蘋果圖像采集的視覺系統原理。其中計算機配置為英特爾Core i7處理器，運行內存8 G，64位操作系統，Windows 7操作系統。圖像采集模塊：深圳萬瑞興科技有限公司WRX-M162型號攝像頭模組，1080P像素，USB 2.0接口方式，工作電壓+5 V。

在蘋果圖像采集獲取系統中，光源的布置和背景的選擇影響著成像的質量。為了使采集的蘋果圖像清晰，經過對比研究，圖像采集背景采用PVC黑色發泡板制作而成。光源模塊：2個LED補光燈置于暗箱頂部側面，額定功率6 W。設計的蘋果圖像采集系統見圖2。

2 蘋果重量檢測系統

蘋果重量預測系統主要有蘋果圖像檢測模塊、圖像預處理模塊、蘋果特征參數檢測模塊、重量預測模塊組成，圖3所示為蘋果重量檢測系統流程圖。

2.1 蘋果圖像預處理

將采集的彩色蘋果圖像先進行灰度化處理，并將采集到的彩色蘋果圖像通過二值化處理，轉換為像素值為0的黑色背景和像素值為1的目標圖像。同時，借助于高斯濾波和形態學處理，得到清晰的蘋果目標邊緣輪廓，如圖4-a、圖4-b所示為蘋果原始圖像和預處理圖像對比效果。

2.2 蘋果形態分析

選取紅富士蘋果作為試驗樣本，其果形近似球形，果實遍體通紅，比較有利于圖像采集及后續處理。雖然不同種類的蘋果果型稍有差異，但通過分析不同品種蘋果外形，可知蘋果幾何結構近似球體，理論上可以用計算球體體積的方法預測蘋果體積。但是蘋果實際外形與圓球形狀仍存在一定差異，使蘋果體積預測產生較大誤差[6]。因此，采用最小外接矩形對球形體積公式進行了改進，采用公式（1）所示的一種冪函數模型實現蘋果的體積估算[7]。

V=aR3+bR2。（1）

式中：V表示蘋果體積;R表示蘋果橫、縱徑平均值，其值取為（橫徑+縱徑）/2;a、b表示模型系數。

蘋果圖像最小外接矩形示意圖見圖5，通過最小外接矩形法可以獲得蘋果的橫徑和縱徑。

2.3 蘋果特征參數提取

蘋果的橫、縱徑大小是衡量單個蘋果大小的重要幾何特征，這一特征可以通過近似蘋果的最小外接矩形來獲得。最小外接矩形法[8]比較適用于機器視覺技術在線檢測蘋果的橫、縱徑，其算法實現過程如下：確定蘋果的形心，使其邊緣繞蘋果形心旋轉，每次旋轉3°，對旋轉之后的蘋果作外接矩形，旋轉1周后，尋找面積最小的矩形即為最小外接矩形，其中最小外接矩形的最大邊長為蘋果的橫徑，最小邊長為蘋果的縱徑[9-10]。

在Windows 10 64位操作系統下，基于PyCharm 2018和OpenCV 3.4.6，用Python 3.6.4設計的蘋果橫徑、縱徑測量結果如圖6所示。圖中通過最小外接矩形法[11]得到的蘋果橫徑、縱徑的單位為像素，而蘋果實際直徑單位是mm，因此需要進行圖像標定實現單位轉換。圖中采用標準的5角硬幣作為圖像標定的參考物體，標準尺寸大小為20 mm，綠色線框為最小外接矩形，4個藍色小圓點分別為最小外接矩形4條邊的中點，中間2條線分別為蘋果的橫徑和縱徑，經標定轉換可得到實際蘋果的橫徑長度為 71 mm，縱徑長度為63 mm。

試驗選取20個紅富士蘋果作為樣本用于建立重量預測模型，為驗證機器視覺對蘋果橫、縱徑檢測結果的準確性，采用剖面測量法測量蘋果實際橫縱徑尺寸，方法如下：將蘋果縱向剖開，采用精度為0.02 mm的游標卡尺測量其中一個剖面，檢測X值即為蘋果的實際橫徑，檢測Y1、Y2值并求其平均值即為蘋果的實際縱徑（圖7）。

表1為20個蘋果樣本經機器視覺和剖面測量法檢測出的蘋果橫、縱徑數據。在線檢測的橫徑與人工檢測的實際橫徑平均誤差為0.94 mm，在線檢測的縱徑與人工檢測的實際縱徑平均誤差為 0.81 mm，誤差值較小，表明基于機器視覺獲取的蘋果特征參數與真實值接近度高， 能夠真實地反映蘋果的實際特征。

2.4 蘋果體積預測模型

為了獲得蘋果體積計算公式（1）的模型系數a、b，自制測量工具獲得蘋果實際體積，建立體積模型。由于蘋果沉于水且不溶于水，可采用排水法或者溢水法測量蘋果體積[12]，排水法通過直接測量所溢出的水的體積得到待測蘋果體積，操作簡單方便，因此系統采用排水法測量蘋果果實的體積。

排水法測量蘋果實際體積操作步驟如下：（1）將自制排水燒杯、載物臺、量杯按圖8所示物品擺放位置擺放好。（2）向排水燒杯中加水至排水口，液面與排水口平齊并且沒有水流出。（3）將待測蘋果緩緩放入水中，由于蘋果密度與水相差不大，不能完全沉入水中，此時可采用一根細針將其壓入水中，待出水口沒有水流出時記錄量杯刻度，并按照編號記錄數據。

為了驗證式（1）的預測蘋果體積模型的準確性，將樣本蘋果通過近似球體計算、式（1）計算和排水法測定。由表2可知，以橫、縱徑平均值R為自變量構建的蘋果體積預測模型與蘋果實際體積測量值之間的平均誤差為0.04。采用近似球體公式估算的蘋果體積預測值與蘋果實際體積測量值之間的平均相對誤差為0.14。由此可見，以蘋果橫徑、縱徑的平均值構建的蘋果體積預測模型可靠性更高。

如圖9所示是20個蘋果樣本的橫、縱徑均值與蘋果體積之間的冪函數擬合曲線。

經過MATLAB軟件擬合之后，可得到蘋果的體積預測模型系數a、b分別為0.000 215 3、0.024 86，因此蘋果體積預測模型如公式（2）所示：

V=0.000 215 3R3+0.024 86R2。（2）

2.5 蘋果重量檢測

基于機器視覺技術的重量預測關鍵在于尋找影響蘋果重量的因素。由文獻[13]可知，蘋果的成熟度、鮮度、橫縱徑、體積均有可能影響蘋果質量預測值。

考慮到蘋果重量預測應用到蘋果分級加工銷售的特殊性，按照水果市場上鮮果加工常識來看，蘋果果實都是已經成熟而且鮮度高、含水量高的，因此蘋果的重量主要考慮蘋果的橫、縱徑和體積。

利用MATLAB軟件對蘋果的實際重量分別與蘋果橫、縱徑和體積作相關性分析，可知蘋果橫、縱經與蘋果實際重量的相關系數為0.863 6，體積與蘋果實際重量的相關系數為0.872 9，兩者相關性均較好，可以將蘋果橫、縱徑和體積確定為影響蘋果預測重量的因素。

3 蘋果重量的機器視覺檢測模型

由分析可知，蘋果的橫縱徑均值與蘋果體積相關性較好，是影響蘋果重量的重要因素，選取蘋果橫縱徑均值R、蘋果體積V作為自變量，蘋果實際重量M為因變量，建立如式（3）、式（4）所示的蘋果重量多元線性函數模型和多元混合函數模型[14]。

M=a1+b1R+c1V;（3）

M=a2+b2R+c2V+b3R2+c3V2;（4）

式中：a1、a2、b1、b2、b3、c1、c2、c3為待定常數。

選取20個試驗樣本用于確定式（3）、式（4）中的待定常數，以建立蘋果重量的檢測模型。利用MATLAB軟件擬合數據之后，可得多元線性擬合模型如式（5）所示：

M=-125.2+3.266R+0.381 7V。（5）

多元混合函數擬合模型如式（6）所示：

M=2 851-156R-90.94V+5.207R2+0.013 66V2。（6）

2個蘋果重量擬合模型的相關性如表3所示。多元線性函數回歸模型的相關系數為0.938 6，表明采用此模型可以比較準確地檢測蘋果重量。

4 試驗結果及分析

為了驗證蘋果重量預測多元線性回歸模型的準確性，隨機選取60個成熟的紅富士蘋果組成測試集，來驗證蘋果重量和體積、橫縱徑等體型特征之間模型的準確性。結果表明，蘋果重量檢測的相對誤差低于2%，絕對誤差均在4 g以內，能滿足蘋果重量檢測精度的要求。

5 結束語

本研究基于機器視覺技術，提出了基于圖像的蘋果重量預測方法，可以實現基于重量對蘋果進行無損檢測分級，增強我國蘋果的國際市場競爭力;建立了蘋果重量與蘋果體積、橫縱徑間的模型，相關系數為0.938 6，相關關系顯著，重量檢測值相對誤差低于2%，檢測準確性較高;蘋果重量檢測的絕對誤差均在4 g以內，能滿足檢測精度的要求，可用于蘋果分級生產，也可為其他鮮果的機器視覺分級和分選等設備研發提供理論支撐。

參考文獻：

[1]劉忠超，劉勇軍，常有周. 基于S7-300 PLC和Matlab的蘋果自動分級系統設計[J]. 江蘇農業科學，2018，46（14）：197-200.

[2]李 頎，胡家坤. 基于機器視覺的蘋果在線分級[J]. 食品與機械，2020，36（8）：123-128，153.

[3]王維，劉東琴，王 佩. 果品分級檢測技術的研究現狀及發展[J]. 包裝與食品機械，2016，34（6）：55-58.

[4]吳曉強，黃云戰，趙永杰. 基于運動控制器的蘋果質量分級系統[J]. 食品與機械，2015，31（5）：114-116.

[5]徐 賽，孫瀟鵬，張倩倩. 大型厚皮水果的無損檢測技術研究[J]. 農產品質量與安全，2019（5）：30-35，48.

[6]喬 陸，陳 靜. 基于SOPC水果分級檢測系統研究[J]. 食品與機械，2016，32（8）：95-97，201.

[7]韓 偉，曾慶山. 基于計算機視覺的水果直徑檢測方法的研究[J]. 中國農機化，2011，32（5）：108-111.

[8]杜 云，鄭羽綸，張效瑋. 基于圖像處理的蘋果大小分級研究[J]. 河北工業科技，2019，36（6）：410-414.

[9]王風云，鄭紀業，趙 佳，等. 基于機器視覺的雙孢蘑菇分級算法[J]. 江蘇農業科學，2018，46（13）：193-197.

[10]馬 聰，陳學東，周 慧. 基于圖像處理技術的枸杞外形參數測量算法研究[J]. 寧夏農林科技，2020，61（8）：60-63.

[11]戴建民，曹 鑄，孔令華，等. 基于多特征模糊識別的煙葉品質分級算法[J]. 江蘇農業科學，2020，48（20）：241-247.

[12]謝洪起. 基于RGB-D相機的獼猴桃外形和體積檢測方法研究[D]. 楊凌：西北農林科技大學，2018.

[13]杜 云，鄭羽綸，張效瑋. 基于圖像處理的蘋果大小分級研究[J]. 河北工業科技，2019，36（6）：410-414.

[14]饒秀勤，岑益科，應義斌. 基于外形幾何特征的雞蛋重量檢測模型[J]. 中國家禽，2007，29（5）：18-20.