本發(fā)明涉及蘋果脆片五個級別和三個級別的外部品質(zhì)分級標準及一種基于計算機視覺技術(shù)的蘋果脆片無損分級方法，屬于農(nóng)產(chǎn)品貯藏與加工無損檢測的技術(shù)領(lǐng)域。

背景技術(shù)：

蘋果脆片是蘋果深精加工制品之一，在國內(nèi)市場出現(xiàn)較少。它保持了蘋果的營養(yǎng)成分、生鮮風味，口感酥脆、形態(tài)飽滿、膨化均勻，可以滿足消費者對脆片食品營養(yǎng)、方便、天然、低脂肪、高膳食纖維的需求。對蘋果脆片實現(xiàn)有效的定級是提高蘋果脆片品質(zhì)的第一關(guān)。而目前我國尚未出臺蘋果脆片的外部品質(zhì)等級規(guī)格標準。

目前，傳統(tǒng)的果蔬質(zhì)量分級的方法有：人工分級和機器分級。人工分級方法全憑人的視覺判斷，將產(chǎn)品按其顏色、大小等進行分級。耗時長、勞動強度較大，且受人的主觀因素影響較大，精度較低，分級標準難以嚴格執(zhí)行。機器分級方法以機械判斷裝置為主，主要有尺寸分級機、重量分級機等，但都對產(chǎn)品的機械損傷很大。因此，傳統(tǒng)的分級方法不能滿足市場的要求。

計算機視覺又稱機器視覺，它是利用圖像傳感器來代替人眼獲取目標圖像，然后將圖像信息轉(zhuǎn)換成數(shù)字信息，結(jié)合模式識別等數(shù)據(jù)處理方法，最終達到分析和做出結(jié)論的目的。計算機視覺具有快速、使用簡便、制樣少等優(yōu)勢，一次可以對大小、形狀、顏色、紋理等多個指標進行檢測，已廣泛應(yīng)用于果蔬的質(zhì)量評價，包括蘋果、橙子、漿果、香蕉、棗、黃瓜等。

雖然，目前國內(nèi)外利用計算機視覺技術(shù)對果蔬品質(zhì)檢測和分級的研究都比較成熟，但是將計算機視覺系統(tǒng)運用于果蔬脆片等深精加工產(chǎn)品的研究尚未見報道。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于提高蘋果脆片的品質(zhì)，提供蘋果脆片五個級別和三個級別的外部品質(zhì)分級標準，同時克服傳統(tǒng)分級技術(shù)中存在的不足，提供一種基于計算機視覺的蘋果脆片品質(zhì)無損分級方法。

本發(fā)明的技術(shù)方案是：

首先確定蘋果脆片質(zhì)量分級標準，其特征是根據(jù)大小、形狀、顏色、紋理特征將蘋果脆片分為五個級別和三個級別，分別為：

五個級別為一等、二等、三等、四等和等外，即：

一等品的品質(zhì)特征為：

大?。褐睆健?.5cm；形狀：環(huán)形、邊緣形態(tài)較完整；顏色：均勻，亮度大(淺黃或白色)；紋理：光滑；

二等品的品質(zhì)特征為：

大?。?.5cm≤直徑＜4.5cm；形狀：環(huán)形、邊緣形態(tài)缺損較多；顏色：較均勻；紋理：較光滑；

三等品的品質(zhì)特征為：

大?。褐睆健?.5cm；形狀：非環(huán)形；顏色：均勻，亮度大(淺黃或白色)；紋理：光滑；

四等品的品質(zhì)特征為：

大?。?.5cm≤直徑＜4.5cm；形狀：非環(huán)形；顏色：較均勻；紋理：較光滑；

等外品的品質(zhì)特征為：

大小：直徑＜2.5cm；形狀：環(huán)形或非環(huán)形；顏色：不均勻或發(fā)暗(褐色)；紋理：不光滑。

三個級別為一等、二等和等外，即：

一等品的品質(zhì)特征為：

大?。褐睆健?.5cm；顏色：均勻，亮度大(淺黃或白色)；紋理：光滑；

二等品的品質(zhì)特征為：

大?。?.5cm≤直徑＜4.5cm；顏色：較均勻；紋理：較光滑；

等外品的品質(zhì)特征為：

大?。褐睆剑?.5cm；顏色：不均勻或發(fā)暗(褐色)；紋理：不光滑。

然后根據(jù)確定的蘋果脆片外部品質(zhì)分級標準，開發(fā)基于計算機視覺的蘋果脆片無損分級方法，其特征是它包括以下步驟：利用計算機視覺圖像采集系統(tǒng)采集各級別脆片圖像信息；對圖像信息進行處理后，提取脆片圖像特征參數(shù)，然后將優(yōu)選后的特征參數(shù)值輸入脆片品質(zhì)分級模型，分級模型的輸出即為脆片等級信息，即：

計算機視覺系統(tǒng)由計算機、相機、光源、支架和底座組件構(gòu)成；其中，

計算機型號為Dell Optiplex 7010、3.4GHz、內(nèi)存8G、顯卡256M GeForce GT240；

相機型號為NEX-6的索尼相機，自動白平衡，光圈f/9.0，曝光時間為1/50s，曝光補償為-2.0，ISO 100，焦距為30mm；

光源由兩條LED燈組成，每條功率12W，長度為33cm，可手動調(diào)節(jié)亮度；

底座是由一塊30cm×30cm×1.1cm的金屬板組成，底座上有螺孔，用來調(diào)節(jié)和固定支架；

支架為6根35cm的不銹鋼支架，一端帶有螺紋，另一端帶有螺孔；

圖像處理主要有轉(zhuǎn)灰度、中值濾波、實驗法閾值分割；

圖像特征參數(shù)提取，其中，分別提取蘋果脆片大小、形狀、顏色和紋理四方面的特征參數(shù)；

所述大小特征參數(shù)的提取具體為提取脆片圖像像素點個數(shù)的總和，以表示脆片的面積記為A，即脆片的大??；

所述形狀特征參數(shù)的提取包括圓形度和前10項傅里葉系數(shù)的提取，具體步驟：

提取脆片區(qū)域的外邊界周長記為L；

提取前10項傅里葉系數(shù)：進行傅里葉變換，并分別選取不同組數(shù)的傅里葉系數(shù)進行脆片邊界重構(gòu)，根據(jù)重構(gòu)效果選取前10項傅里葉系數(shù)作為形狀特征參數(shù)；

所述顏色特征參數(shù)的提取包括紅色分量R、綠色分量G、藍色分量B和色調(diào)H的均值的提取，具體步驟：

分別提取RGB圖像中所有像素點的R、G、B的均值；

將RGB色彩空間值轉(zhuǎn)換為HIS色彩空間值，提取H的均值；

所述紋理特征參數(shù)的提取具體為分別計算灰度共生矩陣的熵，相關(guān)性，能量和對比度在0°、45°、90°、135°四個方向上的均值和均方差，即為紋理特征參數(shù)；

圖像特征參數(shù)的優(yōu)選，其中，五個級別分類確定了面積A、圓形度P、G分量均值、相關(guān)性的均值C_M、相關(guān)性的標準差C_MS、能量的標準差A(yù)SM_MS、第6項傅里葉系數(shù)f6共7個特征參數(shù)，各個參數(shù)的取值范圍分別為：

一等：100000≤A≤200000、0.72≤P≤0.80、78≤G≤110、0.984≤C_M≤0.997、8.10E-04≤C_MS≤2.84E-03、2.52E-04≤ASM_MS≤5.60E-04、-243≤f6≤28；

二等：70000≤A≤170000、0.68≤P≤0.78、74≤G≤108、0.979≤C_M≤0.996、7.95E-04≤C_MS≤2.80E-03、2.40E-04≤ASM_MS≤4.18E-04、-285≤f6≤6；

三等：70000≤A≤150000、0.44≤P≤0.80、78≤G≤110、0.984≤C_M≤0.997、8.10E-04≤C_MS≤2.84E-03、1.99E-04≤ASM_MS≤3.628E-04、-350≤f6≤207；

四等：50000≤A≤85000、0.43≤P≤0.69、74≤G≤108、0.979≤C_M≤0.996、7.95E-04≤C_MS≤2.80E-03、1.60E-04≤ASM_MS≤2.74E-04、-350≤f6≤110；

等外：25000≤A≤70000、0.43≤P≤0.80、65≤G≤100、0.984≤C_M≤0.997、7.95E-04≤C_MS≤3.23E-03、1.20E-05≤ASM_MS≤2.23E-04、-303≤f6≤-46；

其中，三個級別分類確定了面積A、H分量均值、熵的均值E_M共3個特征參數(shù)，各參數(shù)的取值范圍分別為：

一等：70000≤A≤200000、0.1777≤H≤0.3944、0.3413≤E_M≤0.6100；

二等：50000≤A≤170000、0.1558≤H≤0.4155、0.2767≤E_M≤0.7369；

等外：25000≤A≤70000、0.1642≤H≤0.4328、0.1598≤E_M≤0.3485；

脆片品質(zhì)分級模型為支持向量機模型(SVM)；將優(yōu)選后的特征變量集v輸入SVM，輸出值即為脆片等級，其中SVM核函數(shù)為徑向基函數(shù)，核函數(shù)參數(shù)gamma值為1，懲罰系數(shù)cost值為31.6228。

本發(fā)明的有益效果：

本發(fā)明根據(jù)蘋果脆片大小、形狀、顏色和紋理特征提出了一種蘋果脆片外部品質(zhì)五個級別的分級標準，同時根據(jù)蘋果脆片大小、顏色和紋理特征提出了一種蘋果脆片外部品質(zhì)三個級別的分級標準。兩種分級標準為實現(xiàn)蘋果脆片的分級提供了科學、可行的依據(jù)。

然后根據(jù)確定的蘋果脆片分級標準，利用計算機視覺技術(shù)采集蘋果脆片圖像，對采集到的圖像進行相關(guān)所需處理，利用大小、形狀、顏色和紋理特征進行分析，實現(xiàn)了蘋果脆片的無損分級。本發(fā)明提高了分級準確性和客觀性，檢測迅速，分級準確，彌補了傳統(tǒng)分級方式耗時、費力、費用高、易受主觀因素影響、機械損傷較大等不足。

本發(fā)明中通過特征參數(shù)的優(yōu)選，大大地減少了分級模型的復(fù)雜度，提高了分級效率。

附圖說明

圖1：計算機視覺系統(tǒng)示意圖。

圖2：五個級別蘋果脆片圖像。

圖3：三個級別蘋果脆片圖像。

圖4：基于SPA選取不同數(shù)量特征參數(shù)對蘋果脆片五個級別分級的RMSECV值。

圖5：基于SPA選取不同數(shù)量特征參數(shù)對蘋果脆片三個級別分級的RMSECV值。

具體實施方式

下面結(jié)合附圖和實施例對本發(fā)明作進一步的說明。

如圖1所示，一種基于計算機視覺的蘋果脆片分級方法，所采用的計算機視覺系統(tǒng)由計算機、相機、光源、支架和底座組件構(gòu)成；

計算機型號為Dell Optiplex 7010、3.4GHz、內(nèi)存8G、顯卡256M GeForce GT240；

相機型號為NEX-6的索尼相機，自動白平衡，光圈f/9.0，曝光時間為1/50s，曝光補償為-2.0，ISO 100，焦距為30mm；

光源由兩條LED燈組成，每條功率12W，長度為33cm，可手動調(diào)節(jié)亮度；

底座是由一塊30cm×30cm×1.1cm的金屬板組成，底座上有螺孔，用來調(diào)節(jié)和固定支架；

支架為6根35cm的不銹鋼支架，一端帶有螺紋，另一端帶有螺孔。

采用以上所述計算機視覺系統(tǒng)采集到的五個級別和三個級別的蘋果脆片圖像如圖2和圖3所示，經(jīng)過轉(zhuǎn)灰度、中值濾波、實驗法閾值分割等圖像處理，進行脆片圖像特征參數(shù)提取，分別提取大小、形狀、顏色和紋理四方面的特征參數(shù)；

所述大小特征參數(shù)的提取具體為提取脆片圖像像素點個數(shù)的總和，以表示脆片的面積記為A，即脆片的大?。?/p>

所述形狀特征參數(shù)的提取包括圓形度和前10項傅里葉系數(shù)的提取，具體步驟：

提取脆片區(qū)域的外邊界周長記為L；

提取前10項傅里葉系數(shù)：進行傅里葉變換，并分別選取不同組數(shù)的傅里葉系數(shù)進行脆片邊界重構(gòu)，根據(jù)重構(gòu)效果選取前10項傅里葉系數(shù)作為形狀特征參數(shù)；

所述顏色特征參數(shù)的提取包括紅色分量R、綠色分量G、藍色分量B和色調(diào)H的均值的提取，具體步驟：

第一、分別提取RGB圖像中所有像素點的R、G、B的均值；

第二、將RGB色彩空間值轉(zhuǎn)換為HIS色彩空間值，提取H的均值；

所述紋理特征參數(shù)的提取具體為分別計算灰度共生矩陣的熵，相關(guān)性，能量和對比度在0°、45°、90°、135°四個方向上的均值和均方差，即為紋理特征參數(shù)。

如圖4和圖5所示，將蘋果脆片的大小、形狀、顏色和紋理特征數(shù)據(jù)組成的數(shù)據(jù)矩陣輸入連續(xù)投影算法(SPA)軟件進行特征數(shù)據(jù)分析篩選。處理前指定最終選取結(jié)果的最小變量數(shù)為1，最大變量數(shù)為10。其中，五個級別分類確定了面積A、圓形度P、G分量均值、相關(guān)性的均值C_M、相關(guān)性的標準差C_MS、能量的標準差A(yù)SM_MS、第6項傅里葉系數(shù)f6共7個特征參數(shù)，各個參數(shù)的取值范圍分別為：

一等：100000≤A≤200000、0.72≤P≤0.80、78≤G≤110、0.984≤C_M≤0.997、8.10E-04≤C_MS≤2.84E-03、2.52E-04≤ASM_MS≤5.60E-04、-243≤f6≤28；

二等：70000≤A≤170000、0.68≤P≤0.78、74≤G≤108、0.979≤C_M≤0.996、7.95E-04≤C_MS≤2.80E-03、2.40E-04≤ASM_MS≤4.18E-04、-285≤f6≤6；

三等：70000≤A≤150000、0.44≤P≤0.80、78≤G≤110、0.984≤C_M≤0.997、8.10E-04≤C_MS≤2.84E-03、1.99E-04≤ASM_MS≤3.628E-04、-350≤f6≤207；

四等：50000≤A≤85000、0.43≤P≤0.69、74≤G≤108、0.979≤C_M≤0.996、7.95E-04≤C_MS≤2.80E-03、1.60E-04≤ASM_MS≤2.74E-04、-350≤f6≤110；

等外：25000≤A≤70000、0.43≤P≤0.80、65≤G≤100、0.984≤C_M≤0.997、7.95E-04≤C_MS≤3.23E-03、1.20E-05≤ASM_MS≤2.23E-04、-303≤f6≤-46；

其中，三個級別分類確定了面積A、H分量均值、熵的均值E_M共3個特征參數(shù)，各參數(shù)的取值范圍分別為：

一等：70000≤A≤200000、0.1777≤H≤0.3944、0.3413≤E_M≤0.6100；

二等：50000≤A≤170000、0.1558≤H≤0.4155、0.2767≤E_M≤0.7369；

等外：25000≤A≤70000、0.1642≤H≤0.4328、0.1598≤E_M≤0.3485；

所述脆片品質(zhì)分級模型為支持向量機模型(SVM)；將優(yōu)選后的特征變量集輸入SVM，輸出值即為脆片等級。基于SVM模型的五個級別和三個級別的蘋果脆片分級結(jié)果如表1和表2所示。其中建模集樣本數(shù)為150個，預(yù)測集樣本數(shù)為50個。

在五個級別的蘋果脆片分級中(表1)，建模集準確率達到92.9％，預(yù)測集準確率達到91.6％。

在三個級別的蘋果脆片分級中(表2)，建模集準確率達到96.2％，預(yù)測集準確率達到91.3％。

表1基于SVM模型的蘋果脆片五個級別的分級結(jié)果

表2基于SVM模型的蘋果脆片三個級別的分級結(jié)果