基于SSA睰means聚類算法的青菜雜質(zhì)圖像分割

劉可心 趙爽 苗玉彬

摘要：為解決青菜包裝生產(chǎn)線在加工過程中的雜質(zhì)在線檢測問題，提出一種基于SSAKmeans的青菜雜質(zhì)圖像分割算法。首先利用直方圖均衡化進(jìn)行彩色圖像增強(qiáng)以降低光照影響；其次基于麻雀搜索算法對初始聚類中心尋優(yōu)，根據(jù)得到的最佳聚類中心，選取包含顏色信息的ab二維數(shù)據(jù)進(jìn)行Kmeans聚類；然后對聚類后的圖像二值化處理并用形態(tài)學(xué)濾波方法校正，最終完成圖像分割。利用該算法對落葉、枯葉和黃葉等雜質(zhì)進(jìn)行圖像分割試驗(yàn)，雜質(zhì)平均匹配率為93.22%，平均誤分率為0.70%，平均準(zhǔn)確率為92.52%。與FCM算法、Kmeans算法、PSOKmeans算法的對比試驗(yàn)表明：本文算法分割精度更優(yōu)，對不同雜質(zhì)的分割均表現(xiàn)出良好的魯棒性，為實(shí)現(xiàn)青菜雜質(zhì)在線檢測提供一種新方法支撐，對提高青菜機(jī)械化生產(chǎn)水平具有一定的實(shí)用價(jià)值。

關(guān)鍵詞：青菜生產(chǎn)；雜質(zhì)檢測；Kmeans聚類；麻雀搜索算法

中圖分類號(hào)：S636： TP391.4

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：20955553 （2024） 02015106

收稿日期：2022年4月7日 ?修回日期：2022年5月10日

基金項(xiàng)目：上海市科技興農(nóng)項(xiàng)目（滬農(nóng)科創(chuàng)字（2019）第2-2號(hào)）；國家自然科學(xué)基金項(xiàng)目（51975361）

第一作者：劉可心，女，1997年生，河北石家莊人，碩士研究生；研究方向?yàn)闄C(jī)械優(yōu)化設(shè)計(jì)、機(jī)器視覺。Email： 932589630@qq.com

通訊作者：趙爽，女，1973年生，山東菏澤人，博士，副教授；研究方向?yàn)闄C(jī)械優(yōu)化設(shè)計(jì)、機(jī)器視覺。Email： zhaos@sdju.edu.cn

Image segmentation of green vegetable impurities based on SSAKmeans clustering algorithm

Liu Kexin1， Zhao Shuang1， Miao Yubin2

（1. School of Mechanical Engineering， Shanghai Dianji University， Shanghai， 201100， China；

2. School of Mechanical Engineering， Shanghai Jiao Tong University， Shanghai， 201100， China）

Abstract：

In order to solve the problem of online detection of impurities in green vegetable packaging production line during processing， a green vegetable impurity image segmentation algorithm based on SSAKmeans is proposed. Firstly， the color image is enhanced by histogram equalization to reduce the effect of illumination. Secondly， the initial clustering center is optimized based on the sparrow search algorithm， and the ab twodimensional data containing color information is selected for Kmeans clustering according to the best clustering center obtained. After that， the clustered image is binarized and corrected by morphological filtering method to finally complete the image segmentation. Using this algorithm for image segmentation experiments on impurities such as fallen leaves， dead leaves and yellow leaves， the average matching rate of impurities is 93.22%， the average misclassification rate is 0.70%， and the average accuracy rate is 92.52%. The comparison experiments with FCM algorithm， Kmeans algorithm and PSOKmeans algorithm show that the segmentation accuracy of the algorithm in this paper is better， and the segmentation of different impurities shows good robustness， which provides a new method to support the realization of automatic picking of impurities in green vegetable and has certain practical value to improve the mechanized production of green vegetable.

Keywords：

green vegetable production; impurity detection; Kmeans clustering; sparrow search algorithm

0 引言

雜質(zhì)不僅嚴(yán)重影響青菜感官品質(zhì)，還會(huì)給消費(fèi)者帶來食用安全風(fēng)險(xiǎn)，需要及時(shí)進(jìn)行檢測并剔除［1］。目前青菜包裝生產(chǎn)線上的雜質(zhì)檢測主要依靠人工判斷挑揀，勞動(dòng)強(qiáng)度大、檢測效率低、難以滿足實(shí)際生產(chǎn)需求，亟須一種快速、有效的方法用于青菜雜質(zhì)檢測。

相比于人工目檢、破壞性檢測等傳統(tǒng)檢測方法，無損檢測是一種新興的現(xiàn)代檢測技術(shù)，在農(nóng)產(chǎn)品和食品生產(chǎn)加工方面得到廣泛應(yīng)用。根據(jù)檢測原理的不同，可分為光學(xué)、聲學(xué)、電磁學(xué)等方法。X射線技術(shù)能夠檢測出食品（如肉類［2］、面包［3］）中的塑料、石頭等多種雜質(zhì)。超聲檢測技術(shù)可用于識(shí)別方腿中不同尺寸的玻璃、金屬等異物［4］。光學(xué)檢測是利用電磁波譜不同波段的特性進(jìn)行檢測的一種方法，其中機(jī)器視覺技術(shù)用相機(jī)代替人眼進(jìn)行檢測，快速、準(zhǔn)確且成本更低，大量應(yīng)用于農(nóng)產(chǎn)品收獲和采后處理環(huán)節(jié)［56］。邵志明等［7］利用近紅外成像技術(shù)和閾值分割方法對蘋果早期損傷進(jìn)行檢測，即時(shí)損傷的判別準(zhǔn)確率達(dá)到90%。席芮等［8］提出基于混沌優(yōu)化K均值算法實(shí)現(xiàn)了對馬鈴薯芽眼的快速、精準(zhǔn)分割。李幗等［9］在分析EXG超綠分割和GrabCut算法優(yōu)缺點(diǎn)的基礎(chǔ)上提出了一種分割精度更高的改進(jìn)算法用于黃瓜植株圖像的分割。近年來，隨著深度學(xué)習(xí)技術(shù)的發(fā)展，已有許多學(xué)者將基于深度學(xué)習(xí)的圖像分割應(yīng)用于農(nóng)業(yè)工程領(lǐng)域［10］。但深度學(xué)習(xí)由大數(shù)據(jù)驅(qū)動(dòng)，如何獲取大量數(shù)據(jù)、需要多少訓(xùn)練數(shù)據(jù)尚缺乏統(tǒng)一標(biāo)準(zhǔn)，且模型訓(xùn)練過程難以可視化，可解釋性較差。

針對以上問題，圍繞青菜包裝生產(chǎn)線中的雜質(zhì)檢測需求，本文提出一種基于SSAKmeans聚類的圖像分割方法，利用麻雀搜索算法較好的全局搜索和局部開發(fā)能力，快速優(yōu)化初始聚類中心，可以有效改善傳統(tǒng)Kmeans算法易陷入局部最優(yōu)解的問題，提高青菜雜質(zhì)圖像的分割質(zhì)量和速度，為實(shí)現(xiàn)青菜生產(chǎn)線中雜質(zhì)的在線檢測提供技術(shù)支持。

1 青菜雜質(zhì)圖像采集與預(yù)處理

1.1 雜質(zhì)圖像采集

本文試驗(yàn)選用的青菜品種為上海青，雜質(zhì)為青菜采收過程中常見的落葉、枯葉和黃葉。在包裝車間內(nèi)通過工業(yè)相機(jī)對生產(chǎn)線上的青菜和雜質(zhì)進(jìn)行數(shù)據(jù)采集，共獲取50張青菜雜質(zhì)圖像。根據(jù)雜質(zhì)類型不同，將采集到的圖像分為3組，其中落葉圖像17張，枯葉圖像15張，黃葉圖像18張。圖像大小為640像素×480像素，格式為JPEG。在Matlab2021a試驗(yàn)平臺(tái)下編程實(shí)現(xiàn)圖像處理算法，試驗(yàn)環(huán)境如下：操作系統(tǒng)Windows10，處理器為Intel （R）Core （TM）i5-10200H@2.4 GHz，內(nèi)存16 GB。

1.2 圖像預(yù)處理

包裝車間內(nèi)采集到的青菜雜質(zhì)圖像光線分布不均勻，存在局部過明或過暗，需要對原圖進(jìn)行彩色圖像增強(qiáng)和中值濾波降噪處理，如圖1所示。為此，首先將圖像轉(zhuǎn)換到Lab顏色空間，對光度層L進(jìn)行直方圖均衡化后轉(zhuǎn)換回RGB格式，然后用中值濾波的方法去除圖像噪聲。該操作在保留原始顏色的基礎(chǔ)上使像素值分布更加均勻，有效減少了環(huán)境因素給后續(xù)雜質(zhì)分割工作帶來的困難。

（a） 原始圖像

（b） 預(yù)處理圖像

2 基于SSAKmeans的雜質(zhì)檢測算法

2.1 基于SSA的Kmeans聚類分割

Kmeans是一種無監(jiān)督的聚類算法，由于參數(shù)簡潔，時(shí)間復(fù)雜度低已成功應(yīng)用于各種農(nóng)作物圖像分割，取得了良好的分割效果［11］。但傳統(tǒng)的K均值聚類算法易受初始聚類中心的影響，隨機(jī)選擇的聚類中心容易使算法陷入局部最優(yōu)解，造成錯(cuò)誤分割，影響分割質(zhì)量［12］。麻雀搜索算法（Sparrow Search Algorithm，SSA）是Xue等［13］于2020年首次提出的一種新型群智能優(yōu)化算法。與粒子群算法、蟻群算法等傳統(tǒng)優(yōu)化算法相比，麻雀搜索算法在搜索精度、收斂速度等多方面表現(xiàn)更為優(yōu)異，因此本文利用麻雀搜索算法的全局尋優(yōu)能力對Kmeans聚類算法進(jìn)行優(yōu)化，實(shí)現(xiàn)兩種算法的有機(jī)結(jié)合，可以有效改善初始聚類質(zhì)量，提高圖像分割效率。算法的具體實(shí)現(xiàn)步驟如下。

1） ?給定由n個(gè)像素點(diǎn)組成的樣本數(shù)據(jù)集X，對樣本數(shù)據(jù)隨機(jī)采樣，作為麻雀搜索聚類候選點(diǎn)。

2） ?將聚類準(zhǔn)則函數(shù)J作為麻雀搜索的適應(yīng)度函數(shù)，設(shè)置麻雀種群參數(shù)。

J=∑Kj=1∑X∈W（t）j‖X-C（t+1）j‖2

（1）

式中：

K——聚類中心個(gè)數(shù)；

W（t）j——

第t次迭代中第j個(gè)簇中的數(shù)據(jù)樣本；

C（t+1）j——

在第t＋1次迭代中第j個(gè)聚類中心的位置。

3） 初始化種群，計(jì)算適應(yīng)度并排序。

4） ?依次更新發(fā)現(xiàn)者、跟隨者和預(yù)警者的位置。

Xt+1i，j=

Xti，j·exp-iα·itermaxif R2

Xti，j+Q·Lif R2≥ST

（2）

式中：

t——當(dāng)前迭代次數(shù)；

Xi，j——

第i個(gè)麻雀種群在第j維中的位置信息；

α——0～1之間的隨機(jī)數(shù)；

itermax——最大迭代次數(shù)；

Q——一個(gè)服從正態(tài)分布的隨機(jī)數(shù)；

L——

一個(gè)1×d并且元素全為1的矩陣；

R2——

安全值，R2∈［0，1］；

ST——警報(bào)值，ST∈［0.5，1］。

Xt+1i，j=

Q·expXtworst-Xti，ji2if i>n/2

Xt+1p+|Xti，j-Xt+1p|·A+·Lotherwise

（3）

式中：

Xp——發(fā)現(xiàn)者搜索的最優(yōu)位置；

Xworst——當(dāng)前全局最差位置；

A——

隨機(jī)賦值為1或-1的1×d矩陣，且滿足

A＋=AT（AAT）-1。

Xt+1i，j=

Xtbest+β·|Xti，j-Xtbest|if fi>fg

Xti，j+K1·|Xti，j-Xtworst|（fi-fw）+εif fi=fg

（4）

式中：

Xbest——當(dāng)前全局最優(yōu)值；

β——步長控制參數(shù)，服從標(biāo)準(zhǔn)正態(tài)分布；

K1——一個(gè)隨機(jī)數(shù)，K∈［0，1］；

fi——當(dāng)前個(gè)體適應(yīng)度值；

fg——當(dāng)前最佳適應(yīng)度值；

fw——當(dāng)前最差適應(yīng)度值；

ε——一個(gè)避免分母為0的常數(shù)。

5） ?重復(fù)步驟3、步驟4直到迭代結(jié)束，得到K個(gè)全局最佳位置。

6） ?以K個(gè)最佳位置作為初始聚類中心，劃分圖像像素點(diǎn)。

7） ?計(jì)算新的聚類中心以及聚類準(zhǔn)則函數(shù)值。

8） ?重復(fù)步驟6、步驟7直到聚類準(zhǔn)則函數(shù)J值收斂，聚類中心不再發(fā)生改變，實(shí)現(xiàn)圖像分割。

為了降低光照影響，選取包含全部顏色信息的ab二維圖像數(shù)據(jù)作為輸入，基于上述算法對青菜雜質(zhì)圖像進(jìn)行分割，并交替使用開閉運(yùn)算校正分割圖像，得到最終雜質(zhì)分割結(jié)果。

2.2 圖像分割效果評價(jià)

分割后的圖像為一幅二值圖像，1代表目標(biāo)（雜質(zhì)）像素，0代表背景像素。統(tǒng)計(jì)自動(dòng)分割與標(biāo)準(zhǔn)分割圖像的像素值，從全局和目標(biāo)兩個(gè)角度定義匹配率MAT、誤分率MIS以及二者差值準(zhǔn)確率ACC評價(jià)圖像分割性能。其中匹配率越高，誤分率越低，則準(zhǔn)確率越高，圖像分割效果越好。理想情況下，匹配率為100%，誤分率為0，準(zhǔn)確率為100%。具體公式如式（5）、式（6）所示。

MAT=∑mi=1∑nj=1（P（i，j）∩Q（i，j））=1

∑mi=1∑nj=1Q（i，j）=1

（5）

MIS=∑mi=1∑nj=1（P（i，j）！=Q（i，j））m×n

（6）

式中：

P（i，j）——自動(dòng)分割圖像的像素值；

Q（i，j）——標(biāo)準(zhǔn)分割圖像的像素值；

m×n——圖像像素總數(shù)。

3 結(jié)果與分析

在青菜包裝產(chǎn)線上采集了3組不同雜質(zhì)圖像，各抽取15張共45張圖片，按2∶1的比例劃分訓(xùn)練集和測試集用于分割試驗(yàn)。試驗(yàn)主要分為兩部分：（1）利用基于SSAKmeans分割算法在訓(xùn)練集上分別對3組青菜雜質(zhì)圖像進(jìn)行分割，得到3種雜質(zhì)的分割結(jié)果并統(tǒng)計(jì)評價(jià)指標(biāo)的平均值；（2）為了更好地說明算法的有效性，采用模糊C均值聚類（FCM）、傳統(tǒng)Kmeans和基于PSO優(yōu)化Kmeans三種分割算法與本文算法在測試集上進(jìn)行對比試驗(yàn)，得到不同算法的圖像分割效果圖并統(tǒng)計(jì)分割精度和速度指標(biāo)的平均值。

3.1 試驗(yàn)結(jié)果及分析

落葉、枯葉以及黃葉三種雜質(zhì)的分割結(jié)果如圖2～圖4所示。三組雜質(zhì)分割性能指標(biāo)的平均值如表1所示。

從圖2～圖4可以看出，本文算法能夠?qū)⑷N雜質(zhì)從復(fù)雜的青菜生產(chǎn)背景中較為完整的分離出來。針對圖2（c）中落葉邊緣的毛刺以及圖3（c）和圖4（c）中存在的少量噪點(diǎn)，經(jīng)過多次形態(tài)學(xué)濾波處理，可獲得邊緣光滑、輪廓清晰的雜質(zhì)分割圖像。

（a） 原圖

（b） SSAKmeans分割目標(biāo)

（c） 二值化后的圖像

（d） 形態(tài)學(xué)濾波后的圖像

（a） 原圖

（b） SSAKmeans分割目標(biāo)

（c） 二值化后的圖像

（d） 形態(tài)學(xué)濾波后的圖像

（a） 原圖

（b） SSAKmeans分割目標(biāo)

（c） 二值化后的圖像

（d） 形態(tài)學(xué)濾波后的圖像

從準(zhǔn)確率來看，本文算法對于落葉的分割準(zhǔn)確率最高，達(dá)到94.59%；黃葉的分割準(zhǔn)確率最低為90.56%。主要原因在于發(fā)黃的葉片與正常青菜的莖部顏色相似，增加了分割難度，造成準(zhǔn)確率降低。從匹配率和誤分率來看，落葉分割具有最高的匹配率94.89%和最低的誤分率0.30%。由于落葉形狀較為規(guī)則且顏色與正常青菜具有較大差異，在分割過程中更容易完整的分離出輪廓，減少誤分割的情況。而枯葉和黃葉由于形狀不規(guī)則且與正常青菜顏色相近，容易將青菜背景誤分為前景，影響分割效果。

總體來看，本文算法對于落葉、枯葉以及黃葉三種雜質(zhì)的分割匹配率和準(zhǔn)確率均在90%以上，誤分率控制在1%以下，說明該算法對于不同顏色和形狀的三種雜質(zhì)均具有良好的分割性能，能夠準(zhǔn)確、完整地將雜質(zhì)從青菜背景中分離出來。

3.2 算法評價(jià)及分析

為說明本文算法的優(yōu)越性，分別采用FCM算法、Kmeans聚類算法等多種算法與本文算法進(jìn)行三種雜質(zhì)的分割試驗(yàn)。從圖像分割效果來看（圖5～圖7），F(xiàn)CM算法對于三種雜質(zhì)的分割效果不佳，存在大量將青菜以及傳送帶背景誤分為前景的情況，不能有效地對雜質(zhì)進(jìn)行分割。Kmeans算法基本實(shí)現(xiàn)了三種雜質(zhì)與青菜背景的分離，達(dá)到雜質(zhì)識(shí)別效果。但對于青菜與傳送帶的交界部分處理地不夠好，殘留了部分青菜邊緣，分割質(zhì)量不佳。而基于粒子群算法改進(jìn)的Kmeans算法對于落葉和枯葉兩種雜質(zhì)的分割效果較好，可以完整地分離出雜質(zhì)邊緣，僅存留少量噪點(diǎn)，分割質(zhì)量較高。但該算法對黃葉雜質(zhì)的分割效果仍不理想，青菜背景處理地不夠干凈，造成青菜邊緣誤分割的情況。本文算法可以干凈、完整的分割出三種雜質(zhì)圖像。對落葉和枯葉雜質(zhì)的分割輪廓完整、邊緣清晰，不僅實(shí)現(xiàn)了黃葉雜質(zhì)與復(fù)雜背景的分離，對于被正常青菜遮擋住的黃葉部分也有一定的識(shí)別效果。由此可見，本文算法整體分割質(zhì)量明顯優(yōu)于其他算法，分割效果最佳。

（a） 原圖

（b） FCM算法

（c） Kmeans算法

（d） PSOKmeans算法

（e） 本文算法

從表2可以看出，在分割精度方面，本文改進(jìn)算法對于三種雜質(zhì)分割的平均準(zhǔn)確率為93.93%，平均匹配率和平均誤分率分別為94.71%、0.70%，均優(yōu)于其他三種算法，表明本文改進(jìn)算法在分割精度上具有較大優(yōu)勢。而FCM算法對于三種雜質(zhì)分割的平均匹配率、誤分率以及準(zhǔn)確率與其他三種算法均具有較大差距，分割效果最差。對于落葉，本文算法和其他兩種算法均具有較好的分割效果，平均分割匹配率和準(zhǔn)確率均高于90%，誤分率低于0.5%；對于枯葉和黃葉，本文算法明顯優(yōu)于其他兩種算法，仍具有90%以上的匹配率和準(zhǔn)確率，保持2%以下的誤分率。因此本文算法的分割性能不會(huì)因雜質(zhì)類型不同產(chǎn)生較大變化，具有較好的魯棒性。

（a） 原圖

（b） FCM算法

（c） Kmeans算法

（d） PSOKmeans算法

（e） 本文算法

（a） 原圖

（b） FCM算法

（c） Kmeans算法

（d） PSOKmeans算法

（e） 本文算法

在分割速度方面，由于雜質(zhì)的顏色和形狀不同以及青菜生產(chǎn)環(huán)境的復(fù)雜性，不同算法處理不同雜質(zhì)圖像的時(shí)間會(huì)有一定差異，如表3所示。

總體來看，本文算法對于三種雜質(zhì)的平均分割速度明顯優(yōu)于FCM和PSOKmeans兩種算法，比Kmeans算法的分割速度稍慢?；赟SA改進(jìn)的Kmeans算法需要先運(yùn)行麻雀搜索算法對初始聚類中心尋優(yōu)，再利用Kmeans算法聚類分割得到雜質(zhì)圖像，因此運(yùn)行時(shí)間會(huì)大于單獨(dú)使用Kmeans算法。但本文算法的平均分割速度為2.58 s/幀，相比于其他算法具有明顯優(yōu)勢，而且對于不同雜質(zhì)的分割速度差別不大，表明該算法具有較好的穩(wěn)定性。

4 結(jié)論

針對青菜生產(chǎn)加工過程中雜質(zhì)在線檢測問題，本文提出一種基于SSA改進(jìn)Kmeans聚類算法的圖像分割方法，試驗(yàn)結(jié)果表明該方法對青菜中常見的落葉、枯葉以及黃葉三類雜質(zhì)均具有良好的分割效果。

1） 在Lab顏色空間中對青菜雜質(zhì)圖像預(yù)處理，在光度層L中進(jìn)行直方圖均衡化，調(diào)整圖像亮度，增強(qiáng)彩色圖像細(xì)節(jié)；用中值濾波去除圖像噪聲。經(jīng)過上述處理，原始圖像的噪聲降低，光照更加均勻，有效降低環(huán)境因素對青菜雜質(zhì)分割造成的影響。

2） 針對傳統(tǒng)Kmeans算法隨機(jī)選取初始聚類中心導(dǎo)致聚類結(jié)果不穩(wěn)定的問題，提出一種基于SSAKmeans聚類算法。利用麻雀搜索算法強(qiáng)大的全局搜索能力，自適應(yīng)地對初始聚類中心快速尋優(yōu)，有效改善聚類效果，提高圖像分割質(zhì)量。

3） 采用本文算法分別對三組青菜雜質(zhì)圖像進(jìn)行分割試驗(yàn)，得到三種雜質(zhì)分割的平均匹配率為93.22%，平均誤分率為0.70%，平均準(zhǔn)確率為92.52%，表明本文算法對青菜中的三種雜質(zhì)均具有較好的分割效果。將本文算法與FCM算法、Kmeans算法以及PSOKmeans算法進(jìn)行對比實(shí)驗(yàn)，結(jié)果表明本文算法具有最佳的分割精度和良好的魯棒性，能夠快速、有效地將三種雜質(zhì)從雜亂的青菜生產(chǎn)背景中分離出來。

本文所提算法對于包含同類雜質(zhì)的三種青菜雜質(zhì)圖像均獲得了精確而穩(wěn)定的分割效果，但在實(shí)際青菜包裝生產(chǎn)環(huán)境中，可能會(huì)出現(xiàn)同時(shí)混有兩種及以上雜質(zhì)的情況，因此后續(xù)將對同時(shí)識(shí)別青菜中的多種雜質(zhì)以及深度學(xué)習(xí)中的實(shí)時(shí)檢測算法開展研究，以期為包裝產(chǎn)線中青菜雜質(zhì)在線檢測提供技術(shù)參考，推動(dòng)青菜生產(chǎn)向機(jī)械化、自動(dòng)化、智能化方向發(fā)展。

參 考 文 獻(xiàn)

［1］熊傳武. 探究不同國家和地區(qū)的食品異物風(fēng)險(xiǎn)［J］. 食品安全導(dǎo)刊， 2019（19）： 22-25.

［2］Li F， Liu Z， Sun T， et al. Confocal threedimensional micro Xray scatter imaging for nondestructive detecting foreign bodies with low density and lowZ materials in food products ［J］. Food Control， 2015， 54： 120-125.

［3］Einarsdóttir H， Emerson M J， Clemmensen L H， et al. Novelty detection of foreign objects in food using multimodal Xray imaging ［J］. Food Control， 2016， 67： 39-47.

［4］張俊俊， 趙號(hào)， 翟曉東， 等. 基于超聲成像技術(shù)的方腿中異物檢測［J］. 中國食品學(xué)報(bào)， 2019， 19（8）： 223-229.

Zhang Junjun， Zhao Hao， Zhai Xiaodong， et al. Detection of foreign body in luncheon sausage based on ultrasonic imaging technology ［J］. Journal of Chinese Institute of Food Science and Technology， 2019， 19（8）： 223-229.

［5］謝為俊， 魏碩， 王鳳賀， 等. 基于機(jī)器視覺的胡蘿卜表面缺陷識(shí)別方法研究［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2020， 51（S1）：450-456.

Xie Weijun， Wei Shuo， Wang Fenghe， et al. Machine vision based detection method of carrot external defects ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2020， 51（S1）： 450-456.

［6］謝麗娟， 戴犇輝， 洪友君， 等. 基于全卷積神經(jīng)網(wǎng)絡(luò)的核桃異物檢測裝備設(shè)計(jì)與試驗(yàn)［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2022， 53（5）： 385-391.

Xie Lijuan， Dai Benhui， Hong Youjun， et al. Design and test of detecting system for impurities in walnut based on full convolutional neural network algorithm ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2022， 53（5）： 385-391.

［7］邵志明， 王懷彬， 董志城， 等. 基于近紅外相機(jī)成像和閾值分割的蘋果早期損傷檢測［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2021， 52（S1）： 134-139.

Shao Zhiming， Wang Huaibin， Dong Zhicheng， et al. early bruises detection method of apple surface based on near infrared camera imaging technology and image threshold segmentation method ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2021， 52（S1）： 134-139.

［8］席芮， 侯加林， 李立成. 基于混沌優(yōu)化K均值算法的馬鈴薯芽眼的快速分割（英文）［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2019， 35（5）：190-196.

Xi Rui， Hou Jialin， Li Licheng， et al. Fast segmentation on potato buds with chaos optimizationbased Kmeans algorithm ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2019， 35（5）： 190-196.

［9］李幗， 曹蘇艷， 錢婷婷， 等. 基于改進(jìn)GrabCut算法的黃瓜植株圖像分割［J］. 中國農(nóng)機(jī)化學(xué)報(bào)， 2021， 42（3）： 159-165.

Li Guo， Cao Suyan， Qian Tingting， et al. Image segmentation of cucumber plants based on improved GrabCut algorithm ［J］. Journal of Agricultural Mechanization， 2021， 42（3）： 159-165.

［10］薛君蕊， 王昱潭， 曲愛麗， 等. 基于改進(jìn)FCN-8s的靈武長棗圖像分割方法［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2021， 37（5）： 191-197.

Xue Junrui， Wang Yutan， Qu Aili， et al. Image segmentation method for Lingwu long jujubes based on improved FCN-8s ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2021， 37（5）： 191-197.

［11］張永劍， 任洪娥. 基于PSO優(yōu)化K均值聚類的葡萄果穗圖像分割算法［J］. 智能計(jì)算機(jī)與應(yīng)用， 2020， 10（5）： 81-84， 88.

Zhang Yongjian， Ren Honge. Grape image segmentation algorithm based on particle swarm optimization and Kmeans clustering ［J］. Intelligent Computer and Applications， 2020， 10（5）： 81-84， 88.

［12］郭超凡， 王旭明， 石晨宇， 等. 基于改進(jìn)Kmeans算法的玉米葉片圖像分割［J］. 中北大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2021， 42（6）： 524-529.

Guo Chaofan， Wang Xuming， Shi Chenyu， et al. Corn leaf image segmentation based on improved Kmeans algorithm ［J］. Journal of North University of China （Natural Science Edition）， 2021， 42（6）： 524-529.

［13］Xue J， Shen B. A novel swarm intelligence optimization approach： Sparrow search algorithm ［J］. Systems Science & Control Engineering， 2020， 8（1）： 22-34.