图1 各核桃外部缺陷图像
Fig.1 External defects of walnuts
刘 军 1，郭俊先 1,*，帕提古丽·司拉木 2，史建新 1，张学军 1，黄 华 1
（1.新疆农业大学机械交通学院，新疆 乌鲁木齐 830052；2.新疆阿克苏市农牧机械管理局，新疆 阿克苏 843000）
摘 要：使用3CCD高精度面阵相机采集新疆多个品种核桃RGB图像，设计一种自适应双阈值的Otsu法，快速、准确地分割出缺陷区域；基于分割区域的几何、纹理等20 个初始特征，转换为新的9 维特征向量集；以该特征集为输入，建立基于贝叶斯、BP神经网络与支持向量机的15 个识别模型，对比评价其适应性，以及裂缝、碎壳、黑斑3 类核桃外部缺陷的识别性能与时间。结果表明，基于径向基的支持向量机识别模型效果最好，对3 类缺陷的验证集平均识别率分别为93.06%、88.31%、89.27%，对缺陷的总识别率为90.21%，平均识别时间为10 －4s级。研究成果能够用于今后核桃缺陷的在线检测与分级，同时也为坚果等其他作物品质的在线检测识别提供一定参考。
关键词：核桃；机器视觉；外部缺陷；支持向量机；识别
核桃营养丰富，在生长、采收、运输和贮存过程中，由于自然和人为的因素容易造成核桃的外部缺陷。根据标准GB/T 20398—2006《核桃坚果质量等级》，核桃的外部缺陷主要表现为核桃壳的破损（裂缝、碎壳）、虫孔、黑斑（残留青皮或单宁氧化、病虫害造成的黑斑）等特征 [1]。一方面，破损与虫孔缺陷使核桃仁直接暴露于外部环境，不仅容易氧化变质，而且在水洗等加工过程中还易受到不干净水等的污染；黑斑不仅影响核桃的外观品相及等级，还容易因吸湿而霉变。另一方面，我国核桃品种繁多，品种间核桃果颜色、纹理、形状、壳厚等的不同，其易产生的缺陷类型、形状以及缺陷与果面正常区域的差异性不同。所有这些因素不仅为核桃储存、加工质量控制与食品安全构成威胁，还对缺陷果的识别造成一定困难。因此，在核桃的生产和加工过程中，如何快速而准确地对这些缺陷进行识别并处理，将从源头上解决部分问题，并为核桃产业的自动化、智能化与集成化提供部分技术支持。
机器视觉技术是用机器代替人眼，结合图像处理、模式识别算法，在坚果快速实时在线自动检测系统的应用已经有了长足的进展。可见光波段图像的坚果外部特征或瑕疵的定性、定量判断效果明显，一些研究成果转化为检出设备。另一些研究用机器视 觉技术针对核桃等坚果的性状、缺陷检测与分级展开。其中，Ercisli [2]、Chen Linnan [3]等用机器视觉技术先后对土耳其10 个品种、我国35 个品种的核桃，结合其果长、果宽、壳厚、缝合线、纹理等特性，用简单序列重复（simple sequence repeats，SSR）标记等方法总结各品种的性状特征，为我国与土耳其核桃品种的标准化种植、识别、分级、加工与品种间遗传特性的研究提供基础性参考；展慧等 [15]基于机器视觉结合企业现行标准，为提取的山核桃长轴、最大横泾、面积分别赋予25%、35%、40%的权值，给出了山核桃分级方法，该法单果平均处理时间为0.83 s，适合于山核桃在线分级。以上研究，根据不同品种核桃的几何、纹理等特征，提出了正常核桃果的处理办法，对于缺陷核桃果的判别分析需要进一步研究。此外，等目前已利用机器视觉技术对阿月浑子、板栗、澳洲坚果、榛子等坚果的外部缺陷与分级进行了研究 [4-20]；研究者 [21-26]分别采用X射线、太赫兹光谱、近红外光谱、电子鼻、高光谱等技术，识别检测核桃空仁、虫害、机械损伤，板栗霉变，桃果冷害等缺陷特征，对坚果在线无损检测技术的发展提供研究依据。
综上，针对核桃等坚果的缺陷检测已展开大量研究，并取得相应成果。而在核桃深加工之前，在满足工业在线检测对单位处理时间与识别精度指标的前提下，如何实现核桃正常果与缺陷果的判别分析，作为核桃食品工业化加工的基础研究问题被提出来；其次，用机器视觉技术检测核桃外部缺陷，相对于其他无损检测技术具有成本控制、快速、高效等优点。本实验拟基于机器视觉技术，通过高精度3CCD（charge-coupled device）面阵相机采集正常与缺陷核桃6 个方向的RGB图像，设计一种自适应双阈值图像分割方法分割核桃的缺陷区域，提取原始20 个特征信息，转换为9维最优特征空间，并作为识别模型的输入集，对比贝叶斯、BP（back pr opagation）神经网络、支持向量机3 种识别模型对核桃外部缺陷的识别效果，最终选择出识别率高、稳定性好、识别处理速度快的模型，以适应于今后核桃果的快速在线检测与分级。
1.1 材料
核桃样本按照GB/T 20398—2006规定贮存 [1]，研究主要针对常见的破损与黑斑缺陷。其中，破损缺陷被进一步划分为破裂（即裂缝，包括I型、L型、T型与十字型裂缝）与破碎（碎壳、T型碎壳），而黑斑缺陷主要为侧面、侧面尾部、尾部3 个部位的青皮残留，各核桃外部缺陷如图1所示。
图1 各核桃外部缺陷图像
Fig.1 External defects of walnuts
核桃样本采用市售一年新核桃，包括产自新疆阿克苏的新新2号、温185号和产自新疆喀什的新丰8号共600 个样本。其中新新2号裂缝与碎壳特 征样本各150 个（黑斑为伴随特征，且部分样本含多种缺陷），温185号与新丰8号正常样本各150 个。
1.2 仪器与设备
像采集系统，结构如图2所示。主要包括AT-200CL 3CCD面阵相机（有效像元：1 236×1 628，像元尺寸：4.4 μm×4.4 μm，CCD：1/1.8″ITCCD×3-ICX274AL，帧频：20，工作温度：－5～50 ℃） 丹麦JAI公司；LM35CLS 3CCD彩色面阵相机专用镜头（焦距：35 mm，成像尺寸：ø30，光圈范围：F2.8～F22，变形率：0.06%） 日本Kowa公司；数字Camera Link系列X64-Xcelera-CL PX4 Dual图像采集卡（像素时钟：最大85 MHz，像素位深：8、10、12、14、16，总线：PCIe×4，帧存：128 MB）、科视自动化公司HRL-180SW LED低角度环形光源、光源控制器、计算机（Lenovo Think Centre M6100t计算机Pentium，英特尔双核E5500/2.80 GHz） 德国Dalsa公司。
图2 图像采集系统
Fig.2 Image acquisition system
整个铝型材框架用黑色不透光塑料布罩住，以排除自然光影响。
1.3 方法
1.3.1 图像采集方法
核桃表面颜色多为棕色或浅棕色，为获取高信噪比核桃RGB图像，突出核桃表面正常区域、缺陷区域、背景之间的差异，预实验确定白色卡纸作为采集背景。实验对单个核桃样本采集了6 幅RGB图像，分别为侧面以核桃缝合线所在平面水平放置为基准面，以90°为间隔的4幅图像，和极面以横径垂直于水平面，果梗朝上和花萼朝上2 幅图像。采集图像类型为24 位Tif格式RGB图像，分辨率1 200×1 600 pixels，空间分辨率约0.265 mm/pixel。
1.3.2 图像预处理和分析
图像的预处理是为了去除或抑制噪声，以达到凸显特征信息的目的。在研究中，通过对比中心分别为－4、－8、－12、－16的二阶拉普拉斯算子对RGB图像锐化处理效果，如图3所示。
图3 4 种拉普拉斯算子锐化效果对比图
Fig.3 Comparison of 4 types of Laplace operators to sharpen image
由图3可见，中心为－8的算子锐化效果较明显，不仅能让特征边界等细节更加明显，让黑斑特征一定程度的“退化”，从而区别于破损特征，而且锐化产生的叠加噪点相对较弱，其表达式为：
式中：f（x,y）为输入RGB图像；g（x,y）为增强后RGB图像。将增强后的核桃RGB图像分别映射到HSI、HSV、YUV（YCbCr）等颜色空间，对比提取的各颜色分量，采用YUV颜色空间的Y分量噪声弱化明显，目标区域突出，如图4所示。
图4 HSI、HSV、YUV颜色空间各分量效果对比图
Fig.4 Comparison of components of color-space HSI, HSV and YUV
最后采用3×3掩膜对Y分量中值滤波进一步去噪，整个预处理流程如图5所示。
图5 图像预处理流程
Fig.5 Flow chart of image preprocessing
1.3.3 模式识别方法与分析
模式识别是所有无损检测技术的核心部分，为了找到分类准确度、效率满足在线要求的缺陷识别分类器，根据缺陷本身与分类器的具体特点，拟采用以下3 大类模式识别方法。
1）贝叶斯决策是一种建立在概率统计理论基础上的模式识别方法，即在知道需要识别的类的先验概率和类的类条件概率密度的基础上，通过计算特征向量的后验概率，判断其所属类别 [21]。基于其对缺陷特征属性正态分布的敏感性与线性决策的高效性，在被应用于工业产品的缺陷检测与分类。
2）支持向量机建立在统计学理论的VC维理论和结构风险最小原理基础上，其对于样本量、高维数、非线性和局部极小值点的不敏感性成为了解决核桃外部缺陷识别问题的前提 [21]。基础的支持向量机分类器是针对两类（正样本X ＋与负样本X －）且样本线性可分问题而设计的，其核心思想是对线性可分样本集构造一个超平面作为决策面将两类样本分开。
而对线性不可分的样本集，支持向量机采用核函数（包括线型、二次型、多项式、径向基等），对特征向量进行运算，将特征空间转换到某个更高维的空间，并确定最优决策平面，从而将非线性决策转化成最基本的线性决策。
3）BP神经网络是一种3 层或3 层以上，“有导师”的模式识别算法，其采用误差逆传播的方式学习，精度高、稳定性好，能够很好地解决非线性分类的问题。其学习机制为当训练缺陷特征向量输入网络后，其神经元将首先从输入层到输出层由左到右激活，并赋予每个神经元激活值，然后对比正确输出结果计算输出误差，并按减少输出误差的原则，从输出层经隐含层到输入层依次修正各神经元的连接权，以这样的方式不断地优化各神经元的传递参数直到输出误差达到要求或迭代次数达到上限，即停止学习 [21]。
针对核桃缺陷中的I型裂缝、T型结构裂缝（L型、T型、十字型）、碎壳、T型结构碎壳、侧面黑斑、侧面尾部黑斑、尾部黑斑7类，以及第8类其他缺陷（不在前7 种范围之内的），将样本近似1∶1的比例随机划分为训练集与测试集，分别建立基于贝叶斯、支持向量机、BP神经网络的不同类型的核桃外部缺陷识别模型。以识别模型的测试误差、测试时间、具体缺陷识别性能、训练误差、训练时间、稳定性等指标，优选适应核桃在线检测的最优模型。
2.1 图像分割
如图6所示，核桃RGB图像预处理得到的图像灰度直方图为双峰，即前景峰与背景峰，且缺陷特征灰度范围分布于目标峰的左侧，并与前景峰存在一定重叠，但在缺陷灰度分布与目标灰度分布之间的过渡区域内，灰度变化平缓。
图6 预处理后图像（a）及其灰度直方图（b）
Fig.6 Preprocessed image and its grey level
因此，设计了一种自适应双阈值的方法，分别对应于缺陷区域与目标非缺陷区域分割阈值T 1，以及目标与背景区域分割阈值T 2。该法的核心思想是对各灰度级向量求一阶差分，求图像各灰度级向量的离散一阶差分如式（2）所示：
式中：d i（i=0,1,2...L...254）表示第i灰度级的灰度向量（即第i灰度级的像素数）。
由于各灰度级向量在前景峰与背景峰范围内变化最为明显，因此差分后的直方图中同样会出现“前景峰”与“背景峰”，从“前景峰”的峰顶开始向低阶灰度级方向寻找“平缓”的过渡位置作为T 1，即差分最接近于零的灰度级。T 1的自适应过程分为确定步长起始点与在有限个步长内统计过渡点两步，第一步确定步长起始点Z 0，即从“前景峰”的峰顶向低灰度级方向，在每α个连续的差分向量（Z i）中若存在不小于β个连续向量小于γ，则第一个小于β的差分向量即为Z 0，在本研究中通过正交试验确定α、β、γ分别取5、3、80；第二步在b个步长内统计过渡点的个数K 1、K 2，K 1和K 2分别满足Z i≤μ和Z i≤μ/2，在各步长内若K 1、K 2满足判别条件P 1、P 2或进行到第b个步长，则返绝对值最小Z i的位置即T 1，通过正交试验确定b、μ分别为3、10，每个步长取10 个差分向量，其自适应流程如图7所示。同时采用最大类间方差法（即Otsu）求得图像的全局阈值作为目标阈值T 2对各类缺陷核桃样本图像的自适应双阈值分割结果如图8所示。
图7 缺陷阈值T
1自适应流程图
Fig.7 Flow chat of adaptive threshold T
1
图8 自适应双阈值法对各类缺陷样本的分割图像
Fig.8 Segmentation of defective sample images based on self-adaptive double threshold method
统计600 个样本的分割效果，核桃裂缝特征分割效果最好，碎壳与黑斑特征效果稍次，分别表现为对缺陷的边缘分割不够准确以及容易产生较多的噪点。这主要存在两方面原因：一方面，核桃壳的内层存在容易与外层脱离的内壳，而在人工构造过程中残留的内壳、裸露的仁与核桃表面的颜色非常接近，易造成误分割；另一方面，裸露的仁与黑斑的颜色存在个体差异，深浅不一，使得缺陷区域大致相同，但分割出的缺陷区域存在较大差异，而黑斑特征本身不连贯性等因素在分割后图像中则容易表现为较多的离散噪点。该法在Matlab R2010b、Intel i3-3110M CPU 2×2.4 GHz处理下，平均分割时间为0.564 4 s，相较于国外类似研究应用满足在线识别要求。
2.2 特征的选择与提取
提取了600 个核桃样本的2 127 个缺陷图像，分割确定的T型破裂、I型破裂、T型破碎、碎壳、侧面黑斑、侧面尾部黑斑、尾部黑斑和第8类缺陷样本量分别为192、885、166、276、175、221、352和26 872。
缺陷特征的选择与提取，直接影响识别模型对缺陷的识别效果。依据两类典型缺陷的特点，提取了包含几何、纹理、空间3 个属性的20 个特征量。为了提高模型对缺陷的识别精度和效率，对初始特征空间进行降维，通过交叉对比各特征属性组合优缺点，确定了以长宽比、分散度、欧拉数、相同二阶矩椭圆的偏心率、最小多边形顶点数、面积/凸壳面积、3 个二阶矩的9 维最优特征空间。
2.3 3 种识别模型的建立
各类型的缺陷等样本按1∶1的比例随机划分为训练集与验证集，以对应的9 维特征向量按划分作为模型的输入。模型的训练按照划分随机抽取10 次训练集，训练误差取10 次训练的平均值；模型的验证以训练集与验证集交叉验证的方式，验证误差取10 次验证的平均值。
2.3.1 基于贝叶斯决策核桃外部缺陷识别模型的建立
选择最具有代表性的基于最小错误率和最小风险的贝叶斯决策建立识别模型，其中最小错误率和最小风险分别表示判断特征所属类别的决策基准，即分别将特征向量对各类缺陷的后验概率中的最大值，和对特征向量对应各类缺陷的后验概率加权和（即决策风险）的最小值作为决策依据。
2.3.2 基于支持向量机核桃外部缺陷识别模型的建立
图9 支持向量机网络结构图
Fig.9 Structural image of support vector machine network
对单位支持向量机（针对两类问题）采用1～7（即待识别类样本做正样本集，其他7类样本做负样本集）的方式，设计8 个单位支持向量机分类器，实现对8 类样本分 类识别，设计的支持向量机网络如图9所示。
支持向量机用核函数取代了高维空间中的内积运算，将非线性决策转换为线性决策。分别设计了线型、二次型、多项式、径向基4种核函数类型的支持向量机分类器，建立模型。
2.3.3 基于BP神经网络核桃外部缺陷识别模型的建立
由于3层BP神经网络已经能够逼近任何有理函数，因此设计了9×25×4的网络结构，学习速率0.2，最大迭代次数20000的BP神经网络。根据网络学习过程中参数调节机制的不同，设计了基于梯度下降、有动量的梯度下降、自适应lr梯度下降、有动量加自适应梯度下降、弹性梯度下降、Fletcher-Reeves共轭梯度、Polak-Ribiere共轭梯度、Powell-Beale共轭梯度、量化共轭梯度的BP神经网络模型。
2.3.4 模型识别结果与分析
基于贝叶斯、支持向量机、BP神经网络的3 类15 个识别模型，对3 个类型的核桃外部缺陷的平均验证误差与平均识别时间，如图10所示。
图10 各模型对3种类型缺陷的平均验证误差与识别时间
Fig.10 Mean test error and recognition time of models for three defects
1. LE-贝叶斯；2. LR-贝叶斯；3.线性-支持向量机；4.二次性-支持向量机；5.多项式-支持向量机；6.径向基-支持向量机；7.梯度下降-BP神经网络；8.有动量的梯度下降-BP神经网络；9.自适应lr梯度下降-BP神经网络；10.有动量加自适应梯度下降-BP神经网络；11.弹性梯度下降-BP神经网络；12. Fletcher-Reeves共轭梯度-BP神经网络；13. Polak-Ribiere共轭梯度-BP神经网络；14. Powell-Beale共轭梯度算法-BP神经网络；15.量化共轭梯度-BP神经网络。
结果显示，3 类模型对核桃的破裂（裂缝）缺陷识别效果最好，对破碎（碎壳）与黑斑特征识别效果相对较差；在稳定性方面，2 种贝叶斯模型、除径向基支持向量机外的3 种支持向量机模型与包含梯度下降机制的4 种BP神经网络模型，对缺陷识别的稳定性不强，对特征空间的适应性不够好；在对单个缺陷的识别速度上，贝叶斯和支持向量机模型效率相对较好，平均分类时间达到10 －4s级，BP神经网络稍次，对单个缺陷的平均处理时间为10 －2s级。
综上，在建立的15 种缺陷识别模型中，基于径向基的支持向量机模型与基于弹性梯度下降的BP神经网络模型对3 种核桃外部缺陷的平均识别率相对较高，对特征的适应性较为稳定，2 种模型对缺陷的识别性能基本相近，因此对2 种优选模型做进一步比较，指标包括稳定性、模型训练时间与训练精度。
表1 2 种优选模型对3 大类缺陷的平均识别率、模型总识别率与模型训练时间
Table1 Average precision for 3 types of defects, overall accuracy, and training time of optimal models
模型指标破裂破碎黑斑其他缺陷总验证准确度/%训练时间/s弹性梯度下降的BP神 经网络模型训练准确度/%96.2291.4492.4599.9690.38208验证准确度/%94.387.4689.3999.92径向基的支持向量机模型训练准确度/%94.8991.9291.4399.9790.211 083.1验证准确度/%93.0688.3189.2799.96
如表1所示，2 种优选模型对核桃3 类外部缺陷的总平均识别率分别为90.38%与90.21%；训练时间分别为208 s与1083.1 s，存在较大差异，这主要是由于径向基的支持向量机模型是在特征空间中进行内积运算将低维非线性特征空间决策转换到高维线性特征空间决策，而弹性梯度下降的BP神经网络模型是直接在低维非线性特征空间中进行非线性决策所致。结果表明，2 种优选模型对各类缺陷的平均训练准确度相当，基于径向基的支持向量机模型对特征的适应性更强，模型表现得更加稳定。
在对2 种优选模型的比较中，2 种模型对核桃各类型的外部缺陷与模型的总识别准确度基本相同；对单一缺陷的平均决策时间分别为10 －4s级与10 －2s级；径向基的支持向量机模型对特征的适应性与稳定性优于弹性梯度下降的BP神经网络模型；在模型的学习训练效率上，弹性梯度下降的BP神经网络模型具有优势。因此，本实验最终采用基于径向基的支持向量机模型识别分类核桃外部缺陷，鉴于其对特征的适应性更强，对核桃外部缺陷的处理识别上更加高效，适合于核桃外部缺陷的在线识别与检测。
其对600 个实验核桃样本总验证准确度为90.21%。对裂缝、碎壳、黑斑3 类缺陷的训练集和验证集平均识别率分别为94.89%、91.92%、92.43%和93.06%、88.31%、89.27%。显然，径向基的支持向量机模型优选模型对裂缝缺陷的识别率最高，对碎壳与黑斑识别率相对较差，均未达到90%，需要从以下几个方面进行改进：采用更加有效的打光方式，如采用球顶光源；进一步提取对碎壳与黑斑特征相对有效的特征属性；采用多技术、多方法的多源信息融合的方式，如可见光机器视觉结合X射线成像技术。
综上所述，采集实验核桃样本的6×600幅RGB图像，预处理后基于自适应双阈值的Otsu法分割，能够正确分割出缺陷区域，其中对核桃裂缝特征分割效果最好，对碎壳与黑斑特征效果稍次。分割后图像中共提取出20 个特征信息，转换为9维特征组合（长宽比、分散度、欧拉数、相同二阶矩椭圆的偏心率、最小多边形顶点数、面积/凸壳面积、3 个二阶矩），实现特征空间降维。以9 维最优特征组合为输入，建立基于贝叶斯、BP神经网络、支持向量机的15 个不同类型核桃外部缺陷识别模型，对比平均处理时间总平均验证精度，以及对各类型缺陷具体判别情况、稳定性以及训练时间，径向基的支持向量机模型更加符合在线分级要求，模型对缺陷的总识别率为90.21%。
总之，结合机器视觉技术与支持向量机方法，能够准确判别核桃外部主要缺陷，为今后核桃视觉无损快速检测提供一定的参考依据。
参考文献：
[1] 王文德, 王贵, 张俊宽, 等. GB/T 20398—2006 核桃坚果质量等级[S].北京: 中国标准出版社, 2006.
[2] ERCISLI S, SAYINCI B, KARA M, et al. Determination of size and shape features of walnut (Juglansregia L.) cultivars using image processing[J]. Scientia Horticulturae, 2012, 133: 47-55.
[3] CHEN Linnan, MA Qingguo, CHEN Yongkun, et al. Identifi cation of major walnut cultivars grown in China based on nut phenotypes and SSR markers[J]. Scientia Horticulturae, 2014, 168: 240-248.
[4] GHAZANFARI A, IRUDAYARAJ J. Classifi cation of pistachio nuts using a string matching technique[J]. Transactions of the ASABE, 1996, 39(3): 1197-1202.
[5] GHAZANFARI A. Machine vision classification of pistachio nuts using pattern recognition and neural networks[D]. Saskatoon: University of Saskatchewan, 1996.
[6] GHAZANFARI A, IRUDAYARAJ J, KUSALIK A. Grading pistachio n uts using a neural networ k approach[J]. Transacti ons of the ASABE, 1996, 39(6): 2319-2 324.
[7] GHAZANFARI A, IRUDAYARAJ J, KUSALIK A, et al. Machine vision grading of pistachio nuts using fourier descriptors[J]. Journal of Agricultural Engineering Research, 1997, 68(3): 247-252.
[8] GHAZANFARI A, WULFSOHN D, IRUDAYARAJ J. Machine vision grading of pistachio nuts using gray-level histogram[J]. Canadian Agricultural Engineering, 1998, 40(1): 61-66.
[9] 郭晓伟. 基于机器视觉的开心果闭壳与开壳识别[J]. 计算机应用, 2011, 31(2): 426-427; 434.
[10] 方建军, 刘仕良, 张虎. 基于机 器视觉的板栗实时分级系统[J]. 轻工机械, 2004(3): 92-94.
[11] 方建军, 张虎. 板栗长 短径的实时光学检测算法[J]. 农业机械学报, 2006, 37(5): 87-89; 95.
[12] 刘仕良. 基于机器视觉的板栗分级设备研究[D]. 北京: 北方工业大学, 2005.
[13] 季雪娇, 尹成名, 朱元波, 等. 板栗图像的低层处理及边缘检测[J].农产品加工: 学刊, 2008(1): 26-28.
[14] 蒋艳军, 卢军, 陈建军. 板栗图像的去噪及缺陷检测研究[J]. 农产品加工, 2008(9): 72-73.
[15] 展慧, 李小昱, 王为, 等. 基于机器视觉的板栗分级检测方法[J]. 农业工程学报, 2010, 26(4): 327-331.
[16] 展慧, 李小昱, 王为, 等. 虫眼板栗的图像识别方法研究[J]. 农机化研究, 2010(8): 121-124.
[17] 展慧, 李小昱, 周竹, 等. 基于近红外光谱和机器视觉融合技术的板栗缺陷检测[J]. 农业工程学报, 2011, 27(2): 345-349.
[18] 薛忠, 邓干然, 崔振德, 等. 基于机器视觉的澳洲坚果分级研究[J].农机化研究, 2010(5): 26-28.
[19] MENESATTI P, COSTA C, PAGLIA G, et al. Shape-based methodology for multivariate discrimination among Italian hazelnut cultivars[J]. Biosystems Engineering, 2008, 101(4): 417-424.
[20] FEDERICO P, MENESATTI P, CORRADO C, et al. Image analysis techniques for automated hazelnut peeling determination[J]. Food and Bioprocess Technology, 2010, 3(1): 155-159.
[21] MATHANKER S K, WECKLER P R, WANG N, et al. Local adaptive thresholding of pecan X-ray images: reverse water flow method[J]. Transactions of the ASABE, 2010, 53(3): 961-969.
[22] 周竹, 李小昱, 李培武, 等. 基于GA_LSSVM和近红外傅里叶变换的霉变板栗识别[J]. 农业工程学报, 2011, 27(3): 331-335.
[23] 朱娜, 潘磊庆, 邬慧颖, 等. 基于电子鼻检测‘霞晖5号’桃果实的冷害[J]. 食品科学, 2014, 35(4): 95-100. doi: 10.7506/spkx1002-6630-201404020.
[24] 戚淑叶, 张振伟, 赵昆, 等. 太赫兹时域光谱无损检测核桃品质的研究[J]. 光谱学与光谱分析, 2012, 32(12): 3390-3393.
[25] 李斌, WANG N, 张伟立, 等. 基于太赫兹光谱技术的山核桃内部虫害检测初步研究[J]. 光谱学与光谱分析, 2014, 34(5): 1196-1200.
[26] 张嫱, 潘磊庆, 屠康. 利用半透射高光谱图像检测‘霞晖5号’水蜜桃冷害[J]. 食品科学, 2015, 36(2): 160-167. doi: 10.7506/spkx1002-6630-201502031.
[27] 杨淑莹. 模式识别与智能计算[M]. 北京: 电子工业出版社, 2008: 43-208.
Discrimination of Walnut External Defects Based on Machine Vision and Support Vector Machine
LIU Jun
1, GUO Junxian
1,*, PATIGULI · Silamu
2, SHI Jianxin
1, ZHANG Xuejun
1, HUANG Hua
1
(1. College of Machine and Traffi c, Xinjiang Agricultural University, Ürümqi 830052, China; 2. Administration of Agriculture and Animal Husbandry Machinery of Aksu in Xinjiang, Aksu 843000, China)
Abstract：In the present study, based on the RGB images acquired using a 3-CCD high-precision area array camera for several varieties of walnuts in Xinjiang, we designed a self-adaptive double-threshold Otsu method which can rapidly and accurately segment the defective regions and transform 20 initial features including geometry and texture and other features to a 9-demensional set of eigenvectors. Using the set of eigenvectors as input, 15 recognition models were established based on Bayesian network, BP neural network (BPNN) and support vector machine (SVM), and their adaptability as well as identifi cation performance and mean recognition time for 3 defects (crack, damage, and black spot) were compared. The results revealed that the SVM model based on radial basis function (RBF), showing a mean recognition time at the order of magnitude of 10 -4s, provided the best results, giving average test recognition accuracy of 93.06% for crack, 88.31% for damage, and 89.27% for black spot and total recognition rate of 90.21% for the 3 external defects. These results can provide useful data for on-line determination and classifi cation of walnut detects and on-line quality identifi cation of other nuts.
Key words：walnuts; machine vision; external defects; support vector machine; recognition
中图分类号：TS255.6
文献标志码：A
文章编号：1002-6630（2015）20-0211-07
doi：10.7506/spkx1002-6630-201520041
收稿日期：2015-01-02
基金项目：“十二五”国家科技支撑计划项目（2011BAD27B02-05-02）；国家自然科学基金面上项目（61367001）；
新疆农业工程装备创新设计重点实验室资助项目
作者简介：刘军（1988—），男，硕士研究生，研究方向为农产品无损快速检测。E-mail：15026015978@163.com
*通信作者：郭俊先（1975—），男，副教授，博士，研究方向为农产品无损快速检测。E-mail： junxianguo@163.com