王茂森

(山東省產品質量檢驗研究院，山東 濟南 250102）

農產品質量檢測方法分為人工抽檢、半自動檢測及全自動檢測三類。按照產品質量區(qū)分，可分為分級檢測、光電分選、大小分級檢測等。相比傳統(tǒng)檢測方式，計算機視覺具有更為廣闊的應用場景，可快速定位、精準抓取及有效評價目標信息。依托圖像處理及模式識別技術，可顯著提高農產品質量檢測效果。目前，計算機視覺技術適用于農產品顏色檢驗、紋理檢驗、新鮮度檢驗、缺陷檢驗、大小檢驗、形狀檢驗等多個方面，具有普適性強且易于上手的優(yōu)勢[1]。

1 計算機視覺技術

計算機視覺技術指在人類設計的基礎上，依托計算機環(huán)境，再現(xiàn)或模擬人類視覺功能的技術，涉及印刷、手寫、文字識別、圖像識別、三維形狀判別、距離識別、速度感知等功能。計算機視覺技術匯集了多個學科知識，包括數(shù)學、生理學、物理學、光學、信息處理及計算機等學科。計算機視覺技術大多應用在圖像處理領域，其與圖像處理及模糊識別有顯著關聯(lián)。目前，計算機視覺技術在多個領域得到廣泛應用，如醫(yī)學領域的輔助診療、天文領域的衛(wèi)星圖解、軍事領域的地形勘察、農產品質量篩查等。伴隨著對計算機視覺技術研究的愈加深入，該項技術在各個領域的應用方案更加成熟，成為不可或缺的一部分[2]。

2 計算機視覺技術在農產品質量檢測中的宏觀應用

2.1 在農產品外形尺寸檢測中的應用

農產品質量檢測中最重要的環(huán)節(jié)就是產品分級，即按照不同指標將產品分成多個等級，不同等級售價不同。以計算機視覺技術在羊絨細度檢測的應用為例，借助計算機視覺技術處理圖像，可得到羊絨半徑，解決人工測量誤差大的問題，同時顯著提高工作效率，保證測量的經(jīng)濟性及準確性。再如，在煙葉質量檢測中，利用計算機視覺技術可對煙葉質量進行分級篩選，原理是將煙葉各類參數(shù)輸入到計算機中，通過計算機系統(tǒng)對光感度進行控制。操作流程是：選取特征參數(shù)，將其作為煙葉質量檢測的向量，去除標準樣本中含有的奇異樣本。煙葉特征涉及長度、面積、殘傷情況及煙葉輪廓線展開后的分布情況。利用計算機視覺系統(tǒng)一方面可模擬人類篩選流程，另一方面可提高檢測的精度。

2.2 在農產品顏色檢驗中的應用

在農產品及食品品質檢驗中色澤是尤為重要的指標。在產品顏色檢驗中應用計算機視覺技術可精準評價各部分顏色，并做出相應判斷，可有效減少人眼判斷帶來的誤差。以果蔬質量檢驗為例，顏色可判斷果蔬是否成熟或是否潰爛，利用計算機視覺技術可避免人為定性帶來的誤差。目前，有學者研制出可搜索的農產品質量視覺檢測系統(tǒng)，用于農產品質量檢驗，通過圖像色彩飽和度判斷產品是否成熟。飽和度越小，色調直方圖的峰值像素和峰值左側的像素之比越小。如果產品成熟度低，那么色調直方圖中的峰值像素和峰值左側的像素的比例越大。相比人工成熟度檢測，利用計算機視覺技術可提高檢測效率。

2.3 在農產品形狀識別中的應用

農產品形狀是一項重要質檢要素，果形識別在質量檢測中發(fā)揮著重要作用。農產品成熟后，其外形發(fā)生變化，很難通過數(shù)學方式甄別。利用計算機視覺技術可分析農產品外形輪廓曲線，依托結構分析法判斷果實是否成熟。與此同時，基于計算機視覺技術，以數(shù)字圖像分析技術為基礎，依照農產品形狀、尺寸及表面缺陷進行分類，結合灰度梯度曲線，對農產品缺陷位置進行定位，以此完成農產品質量分級。R.R.Wolfe等人研究了番茄定向質檢方案，結合計算機視覺技術判斷番茄花萼及缺陷位置，研制出具備照明功能及定向機構的機器視覺番茄品質分級裝置。結論表明，應用計算機視覺技術后，質檢誤差顯著減少，同時遠超人工檢測精度。

2.4 在產地檢測的應用

常規(guī)條件下，農產品成熟度、色度、新鮮度檢測會使用計算機視覺技術，并且已經(jīng)建立了快速檢測方法。在信息技術的高速發(fā)展下，計算機視覺技術不再局限于可見光區(qū)域，延伸至紅外線、遠紅外線領域。例如，高光圖譜屬于新型的計算機視覺技術，檢測精度達到納米級標準。針對農產品產地檢測，其歸屬于環(huán)境檢測，屬于農產品質量檢測的一環(huán)。在農產品產地檢測中應用高光圖譜進行檢測可分析土壤養(yǎng)分。依托計算機視覺技術建立分析鑒別模型，以可溶性固形物含量作為產地判別基礎，可為農產品種植提供保障，是提高農產品質量的重要手段。

2.5 在農產品農藥殘留檢測中的應用

農產品采摘后有多種化學物質殘留，這是因為其種植過程中需投入農藥、化肥、生長調節(jié)劑、添加劑。目前，農產品農藥殘留檢測方法分為兩種，一種是農業(yè)投入品殘留研究，第二種是農產品投入品質量判別，已經(jīng)投入的檢測方法為氯氰菊酯檢測法，可判斷農藥殘留與紅外光譜的關系。此外，還可利用計算機視覺技術中的傅里葉變換模型減全反射法檢測農產品殘留農藥比率，該方法具有較高的檢測精度。在未來發(fā)展中，在農產品農藥殘留檢測中紅外光譜技術將得到廣泛應用。通過農藥殘留檢測，可為提升食品安全性奠定基礎。

3 計算機視覺技術在農產品質量檢測中的具體應用

3.1 在水果質量檢測中的應用

水果質量檢測重點關注大小、形狀、顏色及缺陷四個關鍵性指標，水果質量檢測決定著售價及受眾。在評價水果質量時，可利用計算機視覺無損檢測技術對水果進行分類。以蘋果和橘子質量檢測為例。蘋果與柑橘是我國產量最大的水果之一，對其質量檢測時可利用計算機視覺技術的自動分級技術，對產品進行自動分級。Moallem等人研究了計算機視覺技術在蘋果質量檢測的應用，擇取120個蘋果樣本，進行健康與非健康2類分級檢測，檢測準確率約92%。目前，在計算機視覺技術分級系統(tǒng)的持續(xù)開發(fā)下，可通過捕獲流水線狀態(tài)的方式，擇取最大果徑、二維傅里葉動態(tài)變換、色度圖像及缺陷點像素面積，判斷蘋果的大小、形狀、色度及完整度，檢測速度可達到每秒五個，且準確率極高。蘋果作為我國水果的核心品類，計算機視覺技術在該領域的應用較為成熟，并且延伸到蘋果采摘期。為確定蘋果園蘋果的采摘時期，應克服蘋果樹上蘋果識別及定位的問題，避免果園環(huán)境及枝葉遮擋對分支機構帶來的影響。蘋果采摘期質量檢測可利用形狀特征的算法來檢測及定位紅色及雙色蘋果，可檢測遮擋蘋果成熟度。針對柑橘質量檢測，與消費者判別類似，關注果實大小、表面缺陷、表皮厚度及色度。在柑橘質量檢測中應用計算機視覺技術主要判斷果實表面的粗糙度及厚度間的關聯(lián)性。柑橘自動分級系統(tǒng)中，依托神經(jīng)網(wǎng)絡及支持向量建立柑橘表面紋理及顏色分級模型，從而對柑橘質量進行智能分級，可顯著提高檢測效率[3]。

3.2 在水產品質量檢測中的應用

計算機視覺技術在水產品質量檢測中發(fā)揮著重要作用。傳統(tǒng)水產品質量檢測采用羅氏標準比色卡的人工分級法，通過多顏色模型對大西洋鮭魚肉色進行分級檢測，但人工檢測效率較低，且分級效果不明顯。利用計算機視覺技術檢測水產品質量，可提高檢測效率及準確性。例如，在檢測皮皮蝦、三文魚等半透明水產品時，可將其與背景顏色分離開來，借助計算機視覺成像判斷水產品含水率及透明度的變化情況。伴隨水產品變干燥，樣本明度值會顯著下降。所以，可利用二次回歸模型對干燥中的樣本參數(shù)進行評估，確定最佳干燥時間，為水產品貯存提供最適宜的環(huán)境。

3.3 在肉制品檢測中的應用

在肉制品檢驗中新鮮度是重要的評價指標，隨著放置時間的增長，肉的顏色隨之變化，同時肉的彈性降低。傳統(tǒng)肉制品質量檢測中采用色差儀比對，但評估效果不理想。在肉制品質量檢測中應用計算機視覺技術生成的肉圖像接近于真實的肉，可有效評估肉的新鮮度。除此之外，應用RGB及HIS顏色空間模型可獲取肉的顏色參數(shù)，提取樣本表面的質構特征，鑒別肉的新鮮度。例如，在牛肉新鮮度檢測中，可依托計算機視覺技術，觀察牛肉表面的大理石花紋及肌肉間脂肪分布，判斷牛肉的適口性及價值。借助計算機視覺技術，研究牛胴體6～7肋橫斷面圖像，提取牛肉眼肌總面積比、脂肪分布均勻度及肉質色度，借助特征參數(shù)判斷肉質。常規(guī)而言，眼肌面積及圓度越大、肌肉及脂肪色度越高、大理石紋分布均勻的牛肉品質最好，如和牛。針對羊肉貯存，可借助RGB與HIS顏色空間的特征分量，依托神經(jīng)網(wǎng)絡建立羊肉新鮮度分級模型，可提高羊肉新鮮度檢測準確率。針對豬肉新鮮度檢測，可利用計算機視覺技術的RGB成像中的紅色分成區(qū)分，紅色分層顏色區(qū)域比和豬肉新鮮度有較高關聯(lián)度。通過確定顏色分類閾值的方式判斷豬肉新鮮度，如果大于閾值為新鮮豬肉，如果小于閾值則為腐敗豬肉，可有效評估豬肉新鮮度，確定豬肉價值。豬肉新鮮度檢測還可以利用RGB-HIS顏色特征參數(shù)組合，依托BP神經(jīng)網(wǎng)絡及支持向量機構造豬肉新鮮度等級預測模型，依托神經(jīng)網(wǎng)絡及支持向量機，豬肉新鮮度檢測精準度可達到90%左右。

3.4 在蔬菜質量檢測中的應用

蔬菜質量檢測重點與水果類似，關注大小、形狀、顏色及缺陷四個關鍵性指標，依托計算機視覺技術對蔬菜進行分級，如常見的精品蔬菜區(qū)與折扣蔬菜區(qū)就是不同級別的蔬菜產品。在蔬菜質量檢測中最具代表性的就是土豆與胡蘿卜。針對土豆質量檢測，重點判斷大小、形狀及規(guī)整度，利用計算機技術將不規(guī)則的土豆進行分級。具體流程是：①建立土豆圖片數(shù)據(jù)庫，提取特征物理量，涉及周長、質心、慣性矩、面積、長寬；②通過2次篩選對土豆進行分級。在土豆自動分級系統(tǒng)中單幅圖片處理時間僅為1.5秒，每分鐘可篩選40個土豆。除此之外，利用計算機視覺技術還可以觀測土豆綠皮、內部發(fā)芽及發(fā)芽狀態(tài)，依托計算機視覺技術，利用感知器學習算法、K-最近鄰分類算法及角點檢測法與長短周比值，自動觀測土豆綠皮、發(fā)芽及損失情況，相比人工觀測具有誤差小且效率高的優(yōu)勢。針對胡蘿卜質量檢測，主要判斷胡蘿卜的青頭、開裂、須根、彎曲、斷折情況。在胡蘿卜質量檢測中應用計算機視覺技術可通過骨架檢測點數(shù)、r分量上二值化、s分量結合區(qū)域標記法對胡蘿卜質量進行篩選評估。

3.5 在蛋類質量檢測中的應用

伴隨我國蛋雞養(yǎng)殖業(yè)的迅速崛起，一方面推動了行業(yè)發(fā)展，另一方面引發(fā)了產量與雞蛋深加工斷層的問題，即蛋類產量達到現(xiàn)代化水平，但生產流程未達到工業(yè)化水平，分級精度欠佳，導致我國雞蛋出口率較低。雞蛋含有大量蛋白質，而蛋白質由大量氨基酸通過氨基和羧基形成的肽鍵連接而成，主成分是氨基團?？衫糜嬎銠C視覺技術對氨基團進行檢驗，這是因為氨基團在近紅外區(qū)域表現(xiàn)出較強的吸收譜帶特性，可利用計算機視覺技術對其進行檢驗，判斷雞蛋與氨基團的關系，即蛋黃指數(shù)、蛋白高度、蛋黃高度等核心指標。除此之外，可利用傅里葉變換近紅外光譜儀采集不同存儲條件下的雞蛋的漫透射光譜，對雞蛋進行質量檢測，涉及蛋白pH值、蛋白高度、蛋形指數(shù)等，此類核心參數(shù)隨著雞蛋存儲天數(shù)增加而變化，以雞蛋蛋白高度而言，存儲天數(shù)增加后，蛋白高度逐漸下降，同時蛋白pH值上升，最后趨于平衡，此類參數(shù)均可通過計算機視覺技術觀測。

4 結束語

計算機視覺技術依托圖像采集、識別與預處理，可對農產品大小、缺陷、色度、紋理、形狀、農藥殘留、新鮮度等進行檢測，從而對農產品進行分級處理。相比傳統(tǒng)質量檢測技術，計算機視覺技術具有高效率、高精準度的優(yōu)勢。同時，計算機視覺技術可結合紅外光譜等無損檢測技術對農產品內部及外部進行檢測，一方面擴大計算機視覺技術適用范圍，另一方面為農產品質量多維度檢測提供有力的技術支持?！?/p>