摘要：为了实现马铃薯的分级，设计了基于计算机视觉技术的马铃薯尺寸大小与形状检测算法与缺陷识别算法。依据马铃薯的尺寸特性，提出基于椭圆的长短轴比率的马铃薯尺寸分级检测算法，进一步依据长短轴比率阈值判定法实现了圆形、椭圆形与长筒形马铃薯形状的检测；依据马铃薯表面破裂与发芽缺陷的特征与形成，分别提出以缺陷区域面积阈值为界定的判定法与以外接矩形对角线长度阈值为界定的判定法。最终马铃薯的尺寸形状检测与缺陷识别的综合分级正确率达到93.64%。其结果表明本文所研究的基于计算机视觉技术的马铃薯尺寸和缺陷识别算法的有效性与优越性，适用于马铃薯尺寸形状与表面缺陷的在线检测。
关键词：计算机视觉分级 马铃薯尺寸 马铃薯形状 表面缺陷 在线检测与识别
1.引言
全球每年种植的马铃薯面积超过1890万公顷，是世界上最重要的作物之一[1]。然而目前的马铃薯加工企业存在各种问题，如生产规模小、产品质量差、经济低迷时期销售困难等[2]-[5]。其中，主要是由于马铃薯尺寸大小与缺陷各异的情况影响了其加工的商业价值。具体来说，在收获马铃薯后，基于质量的分级对于将产品分为不同等级、改善包装和其他收获后的操作非常重要，并使农民能够获得更高的价格。在分级过程中，需检测与识别出薯块的具体特征，如尺寸、形状、质量、畸形与发芽等情况，将马铃薯依据特征分成不同的同质组以进行售卖。现如今，这个分级过程仍然依赖于输送系统附近拥有马铃薯分类经验丰富的工人的主观判断。而人工分级是一个繁琐、昂贵、耗时的过程，它经常受到收获季节期间劳动力短缺的影响。此外，在人工分级过程中经常出现不一致的排序和分级错误，因为工人很容易受到周围环境的影响。
为了提升马铃薯分级的准确率，在农产品尺寸形状检测方面，研究人员已尝试过许多基于机器视觉与计算机视觉方面的工作，也为此付诸了许多努力。机器视觉，作为一种客观的测量法则，以较低的成本提供高水平的可重复性与准确率。因此，它引起了现代制造商的注意，将机器视觉分级系统应用于农作物收获后的工作。具体来说，应义斌等人[6]提出了一种通过最小边界矩形寻求柑橘最大直径的方法，结果显示实际最大直径与预测最大直径的相关度为0.9982。林开颜等人[7]提出了一种基于傅里叶变换的水果形状分类方法。具体来说，首先通过梯度法检测水果的边缘，进一步采用边界追踪算法沿着水果边缘轮廓追踪出其半径序列后做离散傅里叶变换，最终通过傅里叶系数定义以及分类阈值的界定以分类水果的轮廓，从而确定其形状。此外，章程辉等人[8]基于X射线与可见光图像，对红毛丹的形态学尺寸进行了检测。结果显示，在使用可见光时，其方法的检测结果与手工检测结果之间的长轴平均误差为7.3%，短轴为8.5%；而在使用X射线图像检测时，长轴的平均误差为3.4%，短轴为2.7%。也有研究人员利用不同类型的成像设备，如CCD相机、高光谱相机、紫外线相机和与X射线CT，成功地检测出许多与马铃薯质量有关的关键特征。机器视觉系统已经能够预测马铃薯的物理尺寸，包括长度、宽度和质量，并能检测内部和外部缺陷，如绿皮、发芽、淤伤、机械损伤、黑心和水心[9-11]。近年来，许多研究人员已经开始采取三维空间的表面数据，同时利用视觉系统与V形镜系统等方法[12-13]以完成马铃薯尺寸检测与缺陷识别。其中，Johanna Torppa[14]以三维三轴椭圆体模型为参考，通过对马铃薯不规则表面进行球状谐波序列模拟，研究了马铃薯块茎的特征形状参数建模方法。模拟结果表明，对于一些特定的品种，三维建模是很好的拟合，从而证明了形状和尺寸等性状，以及确定这些性状的工具，在与遗传育种和计算机视觉测试的合作中具有更大的商业价值。另一种创新方法是在机器视觉系统上配备一个范围感应装置，如深度相机。深度相机利用飞行时间和光编码技术感知物体外观信息[15-16]，它已经被应用于运动跟踪、自动驾驶、室内三维制图、机器人导航、手势控制、马铃薯三维模型重建等领域[17-18]。鉴于目前国内外的无损检测方法，当代的马铃薯尺寸检测与缺陷识别研究主要集中于利用计算机视觉技术来检测马铃薯的形状与大小，其表皮质量与各种外部缺陷。
计算机视觉技术的应用之一则是以按下摄像机快门所记录下的图像为出发点，去计算三维特征表征空间中物体的几何构成信息，从而使数据或空间物体生成时的重建和物体识别成为可能。由于图像起源于特征表征空间物体表面的某些特定点，而由摄影几何模型参数决定三维空间中的物体位置与图像中对应点之间存在特定的映射关联，这些摄影几何模型参数即相机参数。一般而言，通过系统校准过程以及实验与计算可以取得对应的相机参数。在系统校准的研究中，基本方法是以实时的检测模型为出发点，然后依据如已知的参照物形状或尺寸为校准等具体的实验条件，再通过数理逻辑变换、推理与计算等方式处理图像以生成摄影几何模型的相关参数，建立与物理对象相近的图片以推断出物理对象的尺寸和形状[19]。本研究将从实时检测入手，利用图像预处理技术、马铃薯形状检测方法与表面缺陷检测方法以完成马铃薯的尺寸与缺陷识别。
2 图像预处理
在实现马铃薯尺寸检测与缺陷识别算法中，首要任务是采用图像预处理技术预处理马铃薯图像以筛选或过滤出的马铃薯的边缘或轮廓等信息，其预处理过程分为颜色空间选取、灰度化处理、降噪处理、二值化处理与形态学处理五个步骤。这五个预处理步骤并不一定是一脉相承的，也可以为并行结构。针对原始的马铃薯图像，首先将原始RGB图像分别转化至HSV颜色空间与Lab颜色空间；其次，通过中值滤波器与图像灰度化操作以完成降噪与灰度化处理；再次，利用自动阈值分割法以生成二值化图像；最终，利用Otsu法进一步利用自适应的阈值加以分割图像，从而生成形态学处理后的图像。后续的缺陷识别步骤中也采用了膨胀与腐蚀的形态学处理造作。具体的预处理流程如下。
2.1 颜色空间选取
首先，将原始RGB马铃薯图像分别转化至HSV颜色空间与Lab颜色空间以进行颜色空间选取的预处理实验，原始RGB图像与转化后的图像分别如图2.1、2.2与2.3所示。RGB空间依据R、G、B三参数描述颜色特性，其中R代表三原色中的红色；G代表绿色；B代表蓝色。即利用红绿蓝三原色来描述颜色的颜色空间。HIS空间用H、S、I三参数描述其色调、饱和度、亮度特性，其中H表示颜色的频率，即色调；S表示颜色的深浅，即饱和度；I表示强度或亮度。即将用R、G、B用色调、饱和度、亮度来描述物体的颜色。类似地，Lab空间用L、a、b三参数描述其颜色特性，其中的L表示像素的亮度，其像素的取值范围在[0,100]区间内，即从纯黑到纯白；a表示从红色到绿色的范围，其像素的取值范围在[127,-128]区间内；b表示从黄色到蓝色的范围，其像素的取值范围在[127,-128]区间内。
图2.1 原始图像与转化至RGB颜色空间中的图像
图2.2转化至HIS颜色空间中的图像
图2.3转化至Lab颜色空间中的图像
实验中，尝试过HIS与Lab颜色空间的图像进行后续处理，其实验效果不佳，则选取RGB颜色空间图像进行后续步骤处理。
2.2 灰度化处理
将原始RGB颜色空间的图像进行灰度化处理后的结果如图2.4所示。
图2.4RGB图像经灰度化处理后的图像
2.3降噪处理
将灰度化处理后的图像进行均值滤波降噪处理后的结果如图2.5所示。
图2.5灰度化处理后的图像经均值滤波降噪后的图像
2.4二值化处理
将降噪处理后的图像进行二值化处理后的结果如图2.6所示。
图2.6降噪处理后的图像经二值化处理后的图像
2.5形态学处理
发现二值化处理后，其缺陷区域的分割并不明确，为进一步确认缺陷区域位置，则采用形态学处理方法。将经过降噪处理后的图像依据Otsu法阈值分割图像，如图2.7所示。
图2.7降噪处理后的图像经Outs阈值分割法处理后的二值图像
在马铃薯缺陷识别算法中，会采用到腐蚀与膨胀的形态学处理操作。
3 马铃薯尺寸与形状检测
基于上述第二章经过形态学处理后的二值化马铃薯图像并以40毫米尺寸大小的乒乓球为参照物，进一步设计基于矩与椭圆长短轴比率的马铃薯尺寸检测算法以区分马铃薯的形状隶属于圆形、椭圆形还是长筒形。
3.1 马铃薯的尺寸及大小检测算法
依据二值图像采集区域的横坐标来确定马铃薯分割图像的最右值Xmax与最左值Xmin，以得到Xmax-Xmin+1之间的距离。同样，依据纵坐标找到整个采集区域分割图像垂直方向上马铃薯的最高值Ymax与最低值Ymin，以得到这两点之间垂直方向上的距离Ymax-Ymin+1。为了得到包含待测马铃薯图像的基本矩形框，先以水平方式连接最左边点与左右边点；再以垂直于水平线的方式连接最高点与最低点；再分别以最左边点与最右边点为垂直线中心延长垂直线，分别以最高点与最低点为水平线中心延长水平线至四个交点处，即构成基本矩形框。此外，在Xmax-Xmin+1与Ymax-Ymin+1的数值中，较大的矩形边被定义为长度，较小的矩形边被定义为宽度。
通常来说，马铃薯的形状类似于椭圆或圆形。因此，马铃薯图像的长轴与短轴可以作为上述标准的特征参数予以分类。设
为马铃薯的二元图像。马铃薯u、v阶统计矩定义为：
依据长短轴的比率R即可得出马铃薯的尺寸大小。
3.2 马铃薯形状特征参数的提取
根据《中国马铃薯栽培研究》[21]，马铃薯的块茎尺寸与形状主要因其品类与生长环境而异。一般来说，块茎的重量约为50-250克，体积可达1500克以上。此外，块茎的尺寸与形状生长受到其本身品类的差异、栽培环境的情况与生长环境气候优劣等条件的影响，从而易生长出形态与质量各异的马铃薯。总体而言，马铃薯块茎的形状可大致分为三种类型，其他的只是变形自这三种类型中的一种。这三种类型分别为长筒形状、圆柱形状与椭圆形状。对于圆形的块茎，垂直与水平的直径几乎相等。圆柱形的块茎，垂直直径超过水平直径的一半。椭圆形块茎则处于前两种形状的中间值。在马铃薯的生长过程中，由于其分裂细胞与增值细胞在各个方向上分裂与增值速度的差异，易引起马铃薯的块茎发生各式各样尺寸与形状变异。就正常条件而言，马铃薯每个成熟品类的块茎的形状均有一个大致的形状大小范围，这同样也是品类鉴定的关键性判断依据。在本研究中，我们将马铃薯划分为三个主要的生长形状：圆形、椭圆形与长筒形，并利用椭圆的长短轴的比率以模拟马铃薯的水平与垂直直径之间的关联。
如上所述，以R为形状特征参数，见公式（3-7）。依据40毫米尺寸的乒乓球为参照物，将马铃薯按相应的R值区分为三种形状：如果R值小于 0.67，它被归类为长圆柱形；如果R值大于0.85，则定义为圆形，而如果其R值在这些范围之间，则定义为椭圆形。
4 马铃薯表面缺陷识别
在本研究中，马铃薯样本共分为两类缺陷：破裂与发芽。为检测马铃薯表面是否出现破裂或发芽缺陷设计了两类缺陷提取算法以检测缺陷类型。
4.1 马铃薯表面缺陷种类与特征
第一类缺陷为破裂缺陷，其主要呈现形式类似于墙壁的裂缝。缺陷的形状特性表现为细长形。第二类缺陷为发芽缺陷，其主要呈现形式类似于土壤冒出新的枝芽。缺陷的形状特性表现为小凸起或冒出嫩绿的枝芽。
4.2缺陷提取算法设计
针对第一类破裂缺陷，可以根据缺陷特征外接矩形的对角线长度的阈值设定以界定马铃薯是否带有破裂缺陷。而为进一步确定图像预处理技术的有效性，本文分别针对带有破裂与发芽缺陷的马铃薯图像分别进行了二值化操作与Otsu法阈值分割操作。经过第二章所述的经过图像预处理技术后的马铃薯破裂与发芽缺陷图像分别如图4.1与图4.2所示，可以发现经过二值化处理与取反操作后的马铃薯图像的破裂与发芽缺陷边缘的增强比经过Otsu阈值分割形态学处理与取反操作后的增强更明显。因此，本研究采用二值化处理后的取反图像进行下一步的处理。
图4.1降噪处理后的带有破裂与发芽缺陷的马铃薯图像经二值化处理后的二值图像
图4.2降噪处理后的带有破裂与发芽缺陷的马铃薯图像经Otsu阈值分割法处理后的二值图像
4.2.1 破裂缺陷检测
为进一步提取出破裂缺陷特征，本文采用四步法：二值化取反操作、移除边界法与两次膨胀的形态学处理操作，将细长的破裂缺陷特征中二值化取反图像中原本不连续的白色颗粒物连接成线，得到的结果如图4.4所示。
图4.3提取破裂缺陷特征的四步法处理步骤
最后，求取缺陷区域的外接矩形框的对角线长度。当马铃薯图像中缺陷区域的外接矩形框最长的对角线长度大于本文所设定的阈值时，则判定此马铃薯含有第一类破裂缺陷。如若小于本文所设定的对角线长度阈值，则判定此马铃薯不包括第一类破裂缺陷。通过反复试验确定对角线长度的阈值为80像素。
4.2.2 发芽缺陷检测
针对第二类发芽缺陷，其特点是表面会存在小凸起或生长出绿色嫩芽。此时，缺陷处的颜色比正常马铃薯的黄色表皮的颜色更深，依灰度值而言，发芽缺陷区域的像素灰度值低于正常部位的灰度值。因此可采用阈值分割的方法将将灰度图像中的缺陷区域提取出来，处理流程四步法如图4.4所示。首先经过第二章中一系列的图像预处理技术后，选取二值化后的带有第二类发芽缺陷的马铃薯图像进行二值化取反操作，再通过移除边界法将无关的边界特征从特征空间中剔除，再经过一次膨胀的形态学处理连接周围发芽区域，最后经过一次腐蚀的形态学处理进一步去除无关的边界与干扰特征。上述流程四步法不仅可以剔除掉与图中边界相关的白色干扰区域，还可以最大程度保留发芽缺陷的区域；随后采用填充将发芽缺陷区域的零散点连接起来以形成白色区域的外部轮廓。
图4.4提取发芽缺陷特征的四步法处理步骤
最后，求出图像中白色区域的面积。当图像中缺陷最大面积大于设定的面积阈值时，则判定马铃薯存在第二类发芽缺陷，若小于设定的面积阈值，则判定马铃薯无第二类发芽缺陷。通过反复试验确定缺陷的面积阈值为55像素。
4.3实验结果分析
为了验证马铃薯尺寸检测与缺陷识别算法的有效性，参照《中国农业标准马铃薯等级规格（NY/T1066-2006）》以进行马铃薯的自动分级实验[22]。首先将马铃薯分为有缺陷与无缺陷两个类别，其次再将有缺陷类别划分第一类破裂缺陷与第二类发芽缺陷。先将无缺陷类别的马铃薯的尺寸等级划分为大、 中、小三个等级，然后对大、中、小三个尺寸等级再进一步依据形状等级划分为圆形、椭圆形与长筒形三种形状。依据上述十二个不同缺陷与尺寸形状的马铃薯样本各5个总共60个样本进行马铃薯尺寸形状检测与缺陷识别实验。算法运行过程中，先对马铃薯进行相关的图像预处理，再进行尺寸与形状特征检测，最后进行有无缺陷的识别以进行尺寸形状与缺陷类别的分级。实验过程中，采集的图像为RGB彩色图像，图像大小为400×600像素，分级的实验结果如表 4.1 所示。
表4.1 分级的实验结果
| 类别 | 分级正确数目（总数） | 分级正确率（%） | ||
| 有缺陷 | 第一类破裂缺陷 | 19（20） | 95% | |
| 第二类发芽缺陷 | 18（20） | 90% | ||
| 大 | 圆形 | 19（20） | 95% | |
| 椭圆形 | 18（20） | 90% | ||
| 长筒形 | 19（20） | 95% | ||
| 中 | 圆形 | 20（20） | 100% | |
| 无缺陷 | 椭圆形 | 17（20） | 85% | |
| 长筒形 | 19（20） | 95% | ||
| 小 | 圆形 | 18（20） | 90% | |
| 椭圆形 | 19（20） | 95% | ||
| 长筒形 | 20（20） | 100% | ||
| 合计 | 206（220） | 93.64% |
从表 4.1 中可以看出，使用马铃薯尺寸与形状检测算法对无缺陷的马铃薯进行尺寸检测时，中等尺寸与形状的马铃薯检测分级的正确数目最低，其平均准确率为90%，而大尺寸与小尺寸的马铃薯检测分级正确数目相当，其平均准确率分别为93.3%与95%。这验证了本文所提出的马铃薯尺寸检测算法的优越性。此外，针对马铃薯形状检测算法，无论马铃薯的尺寸大小，其对于椭圆形的形状检测的平均识别率相较于其他形状来说略低，为90%，研究发现导致其误差产生的主要来源为椭圆形状的马铃薯的阈值介于三种形状的中间，其边界值难以以某个固定值来界定，可能以某个动态区间来作为形状界定的分界线更为合理。
使用马铃薯缺陷识别算法识别马铃薯缺陷时，第一类破裂缺陷的分级正确率最高，达 95%。第二类发芽缺陷的识别率较低，为90%，研究发现其主要误差来源于部分马铃薯的小凸起或未长绿芽区域的灰度值与正常的黄色表皮的灰度值相近，导致缺陷分隔不完全，以致缺陷面积达不到分级的阈值要求，从而导致缺陷识别算法判断失误。该系统对两类缺陷马铃薯的平均识别率达 92.5%，这表明了马铃薯缺陷检测算法的有效性。
此外，使用该算法对无缺陷马铃薯进行尺寸与形状检测时，受输送带运行速度及马铃薯自身颜色、形状造成的外界光线照射不均等因素的影响，将部分无缺陷马铃薯误判为有缺陷马铃薯。尽管各类型马铃薯的识别结果存在差异，但识别准确率均在 85%以上。最终，220个马铃薯的检测正确率达到 93.64%，表明本文所研究的基于计算机视觉的马铃薯尺寸与缺陷识别算法能够用于马铃薯外部品质的在线检测。
5结论
基于图像预处理技术与乒乓球的参照，利用椭圆的长轴与短轴的比率确定马铃薯的尺寸与形状特征，可将马铃薯按中、大、小尺寸进行分级，同时实现了圆形、椭圆形与长筒形的马铃薯分类。基于图像预处理技术，将马铃薯缺陷分为第一类破裂缺陷与第二类发芽缺陷。针对两类缺陷分别提出了相应的马铃薯缺陷是被算法。对于第一类破裂缺陷，提出了以缺陷的面积区域大小为阈值的判别依据；对于第二类发芽缺陷，提出了以缺陷外接矩形框对角线长度阈值的判别依据，实现了马铃薯的缺陷识别分类。本文所提出的基于计算机视觉的马铃薯尺寸与缺陷识别算法的分级正确率达93.64%，实现了马铃薯的在线尺寸检测与缺陷识别。
参考文献
[1]FAO. Food and agriculture organization statistics[J]. 2016.
[2]白丽,陈曦,孙洁,张孝义. 产业融合视角下中国马铃薯加工业发展问题研究[J]. 农业工程学报,2019,35(08):316-323.
[3]张立菲. 黑龙江省马铃薯产业发展研究[D].中国农业科学院,2013.
[4]李勤志. 我国马铃薯产业的经济分析[D].华中农业大学,2005.
[5]应义斌,成芳,马俊福.基于最小矩形法的柑桔横径实时检测方法研究[J].生物数学学报,2004(03):352-356.
[6]林开颜,吴军辉,徐立鸿.基于计算机视觉技术的水果形状分级方法[J].农业机械学报,2005(06):71-74.
致 谢
此次基于计算机视觉技术的马铃薯尺寸与缺陷识别算法研究的毕业设计完成，由衷地感恩XX老师的悉心教学与耐心指导，使本人具备了完成论文所必须的知识积累，更得益于老师从选题的确定、相关文献与资料的收集与查阅、设计与论文框架的确定、开题报告的准备工作及论文初稿与定稿中对字句的斟酌倾注的大量心血，再一次对XX老师表达真挚的谢意。
在这里，还要特别感谢大学四年学习期间带给我诸多教诲与帮助的学院的各位老师们，你们给予我的指导与教诲将永远铭记于我的心上，并以此作为人生的座右铭激励自己勇往直前。
首先，在本次的毕业设计过程中，我的任课老师，认真负责、严静细致、不辞辛劳的态度，深深的感动了我，在本次设计中，多次对我的提出了宝贵的意见和真挚的帮助，才能够使我的毕业设计能够完善到现在这个程度，再次对我的任课老师XXX表示真诚的感谢。同时，也非常感恩我的同学们在我遇到困难时给予我的帮助。
最后，非常感恩我的父母带给我无私的爱与奉献，我永远爱大家，爱您们！
1、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“文章版权申述”（推荐），也可以打举报电话：18735597641(电话支持时间：9:00-18:30)。
2、网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
3、本站所有内容均由合作方或网友投稿，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务。
原创文章，作者：1158，如若转载，请注明出处：https://www.447766.cn/chachong/160460.html,
