柚果视觉特征对内部品质的相关性与粗略检测方法研究

　　摘要为探究柚果视觉特征与其内部品质之间的相关特性，寻找一种快速低成本的检测方法。该文采集了柚果20种外部视觉特征(纵径、横径、纵横径比、面积、R、G、B灰度分别的一阶、二阶和三阶形态、H、V、S灰度、对比度、相关度、能量、粗糙度，分别用F1~F20表征)与3种主要内部品质(硬粒程度、可溶性固形物含量(totalsolublesolid，TSS)和含水率)用于分析。研究结果表明，机器视觉技术可以精确地还原柚果外部特征情况。柚果全部视觉特征与内部品质指标的线性相关均不显著，但与内部品质指标之间具有较强的非线性相关特性。

　　其中，柚果视觉特征F5、F8、F9、F10、F11、F12、F13、F14、F15、F17、F19和F20与硬粒程度之间的非线性相关相关系不显著，其余特征均与硬粒程度显著非线性相关。柚果视觉特征F5、F8、F9、F10、F11、F12、F13、F14、F15和F17与TSS和含水率均显著非线性相关，其余特征与TSS和含水率的非线性相关性均极其显著。采用柚果视觉全特征与仅用显著非线性相关特征对其硬粒程度识别结果均不佳。采用柚果视觉特征对其TSS和含水率进行粗略识别均是可行的，其中全特征识别效果要优于仅用极其显著非线性相关特征的识别效果。因此，柚果视觉特征可为其内部品质无损检测提供有益的信息补充，也可直接形成粗略低成本的TSS和含水率无损检测方法。该研究也为其他水果内部品质无损检测技术的提升提供参考与新思路。

　　关键词柚果;视觉特征;内部品质;相关性;粗略检测

　　随着生活水平的提高，消费者对水果品质有了更高要求，水果品质检测尤为重要。传统的感官评定法[1]和理化指标识别法[2]费时费力、需要专业人员操作，且破坏浪费果实，只适合抽检，无法用于保证果园大批量果实品质。无损检测技术[3]是一种智能、快速、非破坏的检测方法，可借助传送带流水线式检测每一个水果的品质状态，较传统方法具有明显优势，在当今水果产业具有广泛市场需求，然而尚存在不足有待解决。目前应用最为广泛、稳定的无损检测技术为机器视觉[4]和可见近红外光谱技术。其中，机器视觉技术主要通过工业相机获取水果的外部特征，对颜色[5]、纹理[6]、果形[7]等外观品质进行评价，该技术准确度高且低成本。

　　可见近红外光谱技术侧重于内部品质，根据可见近红外光在水果上透射或者反射后携带的水果内部品质特征，可对水果果肉糖度[8]、水份[9]、缺陷[10]等风味品质进行识别。可见近红外光谱技术成本相对适中，在大部分小型薄皮水果上已取得了较好的检测效果，但对于大型厚皮水果内部特征信息获取较困难(反射光谱无法获取深层特征信息，透射光谱信号强度会大大衰减)，检测精度通常较低，是当今该技术的应用瓶颈之一。为此，不少专家认为多源信息融合可借助多种检测手段，从多角度、多方面获取被测样本特征信息，是提高无损检测精度的一项有效方法[1113]。项目组研究发现其也有降低识别精度的风险，保证新增信息与检测目标的相关性是有效融合关键[14]。

　　此外，多源信息融合无疑会增加检测成本，可能造成实用性差，需要保证新增信息来源低成本性。长期以来，业内专家致力于研究内部特征无损检测信号与内部品质的直接映射关系，忽略了外部信息与内部品质的间接相关特性。机器视觉技术若能有效提供与水果内部品质相关的特征，一方面能为其他水果内部品质检测方法形成补充信息，提高检测精度;另一方面可能直接形成一种低成本的水果内部品质无损检测方法，具有重要意义。柚是中国的传统水果，种植面积与产量居世界第一。

　　由于我国柚均以散户种植为主，种植标准不统一，造成品质良莠不齐，主要受粒化程度、糖度(totalsolublesolid，TSS)和水分影响，严重阻碍产业发展[1517]，市场亟需开发内部品质无损检测技术。但柚果皮厚果大，且果肉有囊皮包裹，产业已有无损检测装备调研和项目组前期实验均发现了可见近红外光谱对其内部品质检测精度不高的现象。因此，本研究主要探究柚果视觉特征与内部品质相关特性，以验证机器视觉技术用于水果内部品质无损检测精度提升或直接用于水果内部品质无损检测的可行性，为水果品质无损检测领域的进一步发展提供参考与新思路。

　　1材料与方法

　　1.1实验材料

　　实验柚果采于广东省梅州市果园，品种为密柚。为尽可能使实验样本覆盖整个采收期(2019年—10月)，将采摘时间均分次，每次14个，共采摘柚果70个。每次采摘后立即运送到广州实验室，次日进行采样。

　　1.2仪器与方法

　　1..1视觉图像采集

　　柚果视觉图像获取采用实验室自搭建的机器视觉图像采集平台，搭载了DFK33GP006工业RGB相机(Theimagingsource公司，德国)与8mmM0814MP镜头(CBC公司，日本)，两个环形光源(1.92W)分别在柚果两侧上方呈入射角45°照射，两个条形光源(0.96W)从柚果两侧呈15°照射用于消除柚果透射到底板的背景阴影。为减少外界光干扰，检测在暗箱中进行。

　　实验共提取柚果20种视觉特征，包括种尺寸特征、12种颜色特征和种纹理特征。其中，尺寸特征包括纵径、横径、纵横径比和面积;颜色特征包括、 灰度分别的一阶、二阶和三阶形态、 灰度;纹理特征包括对比度、相关度、能量和粗糙度。其中纵径、横径、纵横径比和面积特征均用像素点的数量表征。 灰度分别的一阶、二阶和三阶形态分别为特征区域灰度平均值、方差和偏离度。灰度即特征区域的、灰度平均值。纹理对比度、相关度、能量和粗糙度分别表示特征区域的清晰和锐利程度、纵横灰度的相似度、灰度共生矩阵平方和、以及粗糙程度。为方便表达，上述视觉特征在本文依次用F1~20标记。尺寸特征有效提取的关键是准确定位目标轮廓。

　　通过对比，通道的灰度值能最好的反应柚果与背景差异，阈值设置为0.27进行二值化处理，得到柚果的粗略轮廓区域，再通过目标区域提取消除周围因反光造成的噪声点，连续像素>6000的予以保留，否则消除，较好地提取了柚果的目标区域。整果颜色和纹理特征数据量过大，实际应用运算效率低，且柚果表面特征分布相对均匀，因此采用特定区域特征表达整果特征。而倒放柚果中间高四周低，造成中间位置较亮，四周相对较暗，结合实际情况，本实验选取中心位置左右侧光线相对均匀的两个区域，以左右区域特征的平均值作为柚果的对应特征值。

　　柚果实际尺寸、粒化程度、TSS、含水率测量采用游标卡尺测量柚果实际横径(立放水平方向的最大长度)和纵径(立放竖直方向的最大长度)。采用目前广泛使用的柚果硬粒化评级方法[18]，将柚果纵切瓣，观察硬粒化面积相对总面积的占比来评判其硬粒化程度。其中级为无硬粒化，级为轻度硬粒化，0<1010252540>40%。随后，取出柚果果肉，一半用于打浆、纱布过滤得到果汁，采用PAL数字光学折射仪(ATAGO公司，日本)测量其TSS值，每个样本测量次取平均值。

　　偏最小二乘回归(partialleastsquaresregression，是一种既能实现线性映射，又能实现非线性映射的识别算法。为进一步验证视觉特征在柚果内部品质检测中的应用效果，基于机器视觉特征对柚果内部品质进行PLSR建模识别。PLSR识别效果采用预测值与实际值的和均方根误差(rootmeansquareerror，RMSE)表征，其中以表征为主，RMSE为辅助参考，且以实际应用相关的测试集为主。越接近、RMSE越小，识别效果越好，越接近，RMSE越大，识别效果越差。PLSR检测结果通常以采用Excel2007软件(美国Microsoft公司)进行数据整理导入Matlab7.0(美国Mathwork公司)[23]进行数据分析。

　　2结果与分析

　　为保证本研究机器视觉特征采集的准确、有效性，柚果横径、纵径的像素值与实际值的LCA线性拟合结果其拟合系数分别达到了0.9817和0.9613，具有极强的线性相关特性。因此，本研究采集到的柚果视觉数据可稳定有效地反映柚果实际特征情况。

　　机器视觉是一种广泛使用的外观品质特征获取技术，本文证明了其获取柚果外部品质特征的准确有效性。柚果外部视觉特征与内部品质线性相关特性不强，但具有显著的非线性相关关系，包含内部品质识别的有益信息。其原因在于水果是一种由生命的活体，内外品质之间存在一定的联系，这与传统地通过外观经验判断内部品质好坏做法相符。

　　本文的PLSR建模识别结果进一步验证了柚果视觉特征不仅包含较丰富的内部品质识别有益信息，还可形成一种低成本的内部糖度、含水率粗略智能识别方法。参考本研究基础，下一步研究工作可将视觉特征与光谱特征进行有机融合，通过大量的对比与验证分析，形成一种基于多源信息融合的柚果内部品质高精度识别方法。

　　3结论

　　本研究对柚果20种外部视觉特征(纵径、横径、纵横径比、面积、灰度分别的一阶、二阶和三阶形态、灰度、对比度、相关度、能量、粗糙度，分别用F1~F20表征)与种主要内部品质(硬粒程度、TSS和含水率)之间的线性非线性关联特性进行了分析，并基于不同相关程度的视觉特征对内部品质进行了建模识别。

　　柚果横、纵径像素值与实际值的线性拟合结果表明，本研究的采集的柚果视觉图像可较好反应其真实特征情况。LCA和CCA分析结果表明，柚果全部视觉特征与内部品质指标的线性相关均不显著，但柚果视觉特征与内部品质之间存在非线性相关特。MIA分析结果进一步证明了，柚果视觉特征与内部品质指标之间具有较强的非线性相关特性。

　　果树栽培论文范例：城市绿化果树苗木培育与栽植管理措施

　　其余特征与TSS和含水率的非线性相关均极其显著。柚果视觉特征可为内部品质无损检测提供有益的信息补充。采用柚果视觉全特征与仅用显著相关特征对其硬粒程度识别结果均不佳。采用柚果视觉特征对其TSS和含水率进行粗略识别均是可行的，其中全特征识别效果要优于仅用极其显著相关特征的识别效果。实际应用中，一方面可采用机器视觉特征为柚果硬粒化程度、TSS和含水率的其他检测方法提供有益的融合信息，但机器视觉特征与硬粒程度的相关性较弱，作为融合信息的性价比不高;另一方面可基于机器视觉技术形成低成本的便携式柚果TSS和含水率粗略检测设备。本研究也为其他水果内部品质无损检测技术的提升提供参考与新思路。

　　参考文献

　　[1]SARKART,SALAUDDINM,HAZRASK,etal.Anoveldatascienceapplicationapproachforclassificationofnutritionalcomposition,instrumentalcolour,textureandsensoryanalysisofbaelfruit(Aeglemarmelos(L)correa)[J].InternationalJournalofIntelligentNetworks,2020,1:5966.

　　[2]ESTIM,CINQUANTAL,SINESIOF,etal.Physicochemicalandsensoryfruitcharacteristicsoftwosweetcherrycultivarsaftercoolstorage[J].FoodChemistry,2002,76(4):399405.

　　[3]CENHY,LURF,ZHUQB,etal.Nondestructivedetectionofchillinginjuryincucumberfruitusinghyperspectralimagingwithfeatureselectionandsupervisedclassification[J].PostharvestBiologyandTechnology,2016,111:352361.

　　[4]NAIKS,PATELB.Machinevisionbasedfruitclassificationandgradingareview[J].InternationalJournalofComputerApplications,2017,170(9):2234.

　　[5]IQBALSM,GOPALA,SankaranarayananPE,etal.Classificationofselectedcitrusfruitsbasedoncolorusingmachinevisionsystem[J].InternationalJournalofFoodProperties,2016,19(2):272288.

　　[6]ZHANGCL,ZOUKL,PANY.Amethodofappleimagesegmentationbasedoncolortexturefusionfeatureandmachinelearning[J].Agronomy,2020,10(7):972.

　　作者：徐赛，陆华忠，王旭，丘广俊，梁鑫，王陈