中国柑橘外部品质机器视觉检测分级技术研究现状与展望

柑橘外部品质是影响消费者采购和决定市场价值的重要因素之一。柑橘颜色、大小、形状和缺陷等外部品质指标的人工检测与分级费时、费力并且主观性强。

因检测结果客观性好、自动化程度高，传统机器视觉技术和高光谱视觉技术成为果蔬外部品质检测技术与装备研究的热点。综述了我国机器视觉技术和高光谱视觉技术在柑橘外部品质检测技术与装备的研究现状、面临的挑战和未来发展的方向。

柑橘是橘、柑、橙、金柑和柚等多种芸香科浆果的统称，营养丰富，深受消费者喜爱。柑橘是中国重要的经济作物之一。2016年，中国柑橘种植面积达256.08万hm²，产量达3 764.9万t，均居世界第一。中国柑橘以鲜食为主，这一消费结构促使我国柑橘产业采后朝着自动化智能检测分级方向发展。

目前，中国柑橘自动化分级水平相对较低，采后分级主要通过人工根据果实的尺寸、颜色、形状及缺陷不同进行分级。人工分级劳动强度大、效率低、主观性强并且检测结果差异大，难以达到统一的质量标准。

因此市场上的柑橘鲜果品质参差不齐，甚至大量混等销售，市场竞争力差、经济价值低。在中国柑橘产业迅速发展的情况下，采后如何快速有效分级以提升鲜果品质和竞争力，受到中国柑橘产业从业者和科研机构的广泛关注。发达国家早在20世纪90年代，就已经研发了用于水果分级的大型自动化设备，并取得了非常好的效益。

近年来，迫于市场压力，部分水果生产和经销商从国外引进了一些水果分级生产线，但是价格昂贵、维护成本高。因此迫切需要研发适合我国柑橘主栽品种、低成本的柑橘快速分级技术与装备，有利于提升中国柑橘在国内和国际市场上的综合竞争力。

机器视觉技术是水果品质快速智能检测的重要技术手段之一，广泛应用于苹果、桃、柑橘、葡萄、番茄和芒果等水果的品质检测分级。利用摄像机采集水果表面的图像，通过图像处理的方法提取水果的颜色、大小、形状和缺陷等品质指标，判断果实品质等级。

机器视觉检测也是一种非接触无损检测技术，该方式不会对水果造成机械损伤，且具有高效、准确、全面和客观等诸多优点，因而得到了广泛的关注和研究，并在生产实践中得以运用，具有巨大的发展潜力和广阔的市场前景。

柑橘品质检测最常用的机器视觉系统是采用CCD或CMOS彩色相机采集目标水果的RGB彩色图像，然后进行分析处理，提取果实颜色、大小、形状和一些明显的缺陷特征。对于不明显的缺陷，可尝试采用高分辨率的高光谱成像技术进行检测。本文综述了柑橘采后机器视觉品质检测分级系统和果实颜色、大小、形状与缺陷等品质指标快速检测技术与装备研究现状。

1柑橘机器视觉分级系统

水果机器视觉品质检测分级系统包括喂料机构、传输机构、视觉系统和分级机构，实现果实传输、图像采集与处理和分级执行等功能。通过挡板提升机或滚筒提升机将鲜果单层提升、输送到差速单果机上，使果实有序逐个落位到滚子（双锥滚子或滚轮）传输机构上；通过摩擦带的摩擦使滚子转动，带动果实翻转，同时在主电机带动下向前运动，使柑橘果实以合适的位置和姿态出现在摄像机视场内；视觉系统采集柑橘果实彩色图像信息，并实时处理，提取柑橘果实大小、颜色、形状和缺陷等特征，进而根据相关标准智能分级；并通过机械执行机构将不同等级的果实分流到不同的出口，然后包装。

农副产品加工与贮藏李烜等设计了柑橘5向摄像的柑橘翻转机构，以采集到柑橘的全部表面图像。张俊雄等建立了包含PC机、PLC、摄像机、图像采集卡、接近开关和滚子传输机构等组成的双通道柑橘视觉分级系统，利用单个异步相机定位触发采集图像。

为获得果实更全面的品质信息，通常在果实翻滚传输的同时连续采集其在不同工位的图像，以获取果实不同部位的图像，减少盲区。每幅图像上包含双通道共6个工位上柑橘图像。

每个果实采集了3个不同果面图像信息。王干等采用条形无频闪LED光源和双层反光板等，设计了漫反射光箱与3摄像头图像采集装置，避免产生耀斑。每个果实采集9幅图像，获得更全面的果实表面图像信息。Dian Rong研发了基于嵌入式机器视觉的单摄像机在线检测系统，每个果实在4个工位上分别采集一幅图像。

2柑橘品质机器视觉分级技术研究现状

对采集到的柑橘彩色图像，利用果实与背景的颜色差异，采用双峰法或固定阈值法对RGB颜色空间的R分量、B分量、HSI颜色空间的H分量图像，或分量融合图像进行阈值分割，获得柑橘的二值图像或掩膜，然后提取柑橘区域彩色图像。进一步提取果实颜色（成熟度）、大小、形状及缺陷特征，进行品质检测与分级。

2.1颜色（成熟度）检测

颜色和大小是柑橘采后分级最主要的两个分级指标。大部分柑橘品种在果实成熟过程中存在转色现象，即从绿色转变为橙黄色到橙红色。应义斌等利用协方差矩阵和样本属于绿色和桔黄色的概率判别柑橘成熟度，判准率达到91.67%。应义斌等在HSI颜色空间下，基于色度频度序列区分判别成熟果实和未成熟果实，判准率达77.8%。

表明柑橘果皮颜色与果实成熟度（以固酸比为指标）存在较高的相关性。刘国敏等提取脐橙图像的H、S、R、G、B通道的均值建立果实着色率神经网络识别模型，提取各通道标准差建立果实色泽神经网络识别模型，判别精度分别为90%和92%。

张俊雄等在RGB颜色空间自定义柑橘颜色指数，识别偏红色和偏黄色柑橘。钱春花将柑橘10°~60°范围分成8个区间，以柑橘在8个区间的色度直方图为特征，建立神经网络模型进行颜色分级，准确率达95%。王旭、韩洋提取黄、绿像素比或绿色像素占比评价柑橘成熟度。

但是由于柑橘类球形表面曲率变化，造成果实图像亮度不均匀，进而导致柑橘果实颜色机器视觉自动分级存在误差。周水琴、付峰等分别基于球体图像的灰度和颜色失真校正模型，校正宽皮柑橘和西柚图像颜色失真。

李江波等提出对柑橘RGB图像各通道图像分别采用二维B样条法拟合，然后进行均值归一化处理，得到亮度掩膜图像；并与原始图像RGB各通道图像相除，得到校正后的RGB图像；将图像转入HSI颜色空间，分析发现校正后色调H和亮度I分量标准差分别为校正前的21.57%和33.94%，其亮度不均匀得到有效改善，可用于改善柑橘颜色分级精度和表面缺陷检测效果。

2.2大小检测

柑橘的大小可以通过横径（赤道直径）或质量指标进行评价。果实横径通常采用果实二值图像或轮廓的最大直径或等量直径替代表征。Ying Yibing等采用最小外接矩形法提取柑橘最大直径，与实测长径决定系数达0.996 2。

王干等采用最小外接矩形法提取脐橙长轴和短轴，平均绝对误差＜3.0 mm，平均相对误差＜3%。张俊雄等计算柑橘轮廓上任意两点的欧氏距离，取其最大值表示柑橘果径用于大小分级，分级精度达到±1.5 mm。韩洋采用果实投影面积表征果实大小。果实质量可以通过果实投影面积或果实长短轴建立模型预测。胡波等不同角度采集2幅脐橙图像，利用投影面积的均值估算出脐橙的半径，预测脐橙体积。

2.3形状检测

橘、柑、橙等大多数柑橘是球形或椭球形，韩洋采用圆形度表征其形状特征。骆伟采用弦长比值法提取水平放置脐橙果实7个弦长，输入自组织神经网络，进行形状分级，分级精度达94%。曹乐平等利用柑橘花萼面和侧面的周长—面积方法计算分形维数，评判柑橘形状与轮廓光滑度，对果实分级。钱春花提取柑橘轮廓，利用13个傅里叶描述子参数建立BP神经网络模型进行形状分级，准确率达88%。

2.4缺陷检测

病害、虫害、机械伤、日灼、裂果和风伤等在柑橘果实上形成伤斑等缺陷，会影响果实的储存期和内部品质，是柑橘果实品质分级的重要指标之一。柑橘图像中缺陷区域灰度较周围正常区域低。

庞江伟分析柑橘果皮缺陷区域和正常区域的R、G、B分量的之间比率关系，发现缺陷区域R/B值＜2.0，R/G值＜1.5，正常区域R/B、R/G值分别＞2.0、1.5，因此基于R/B和R/G图像分割缺陷区域。Dian Rong等采用移动窗局部灰度比较阈值法分割脐橙表面缺陷区域。王干等采用自适应阈值法（邻域模板49×49）分割脐橙表面缺陷区域。

但由于类球形柑橘曲率变化造成柑橘图像亮度不均匀，缺陷区域亮度与正常果皮区域亮度有交叉或被包含，难以采用简单阈值法直接分割。因此，需要克服果实边缘区域灰度突减，或者对果实图像先进行亮度校正后，再分割缺陷区域。

胡发焕等去除脐橙S分量边缘区域后，再用OTSU法提取缺陷区域。李江波等对脐橙R分量图像外围环状灰度全部加上40，进行亮度补偿，然后采用单阈值法分割缺陷区域，以减少漏分割或过分割。

但容易形成接缝检测。李江波等根据照度-反射模型，利用Butterworth低通滤波得到脐橙R分量图像的亮度图像；计算原始R分量图像与亮度图像的比值得到亮度校正图像，再通过全局单阈值法分割出缺陷区域；采用R、G分量融合图像，增强果梗与其他区域，提取果梗，识别缺陷。

Dian Rong等对脐橙灰度图像在水平和垂直两个方向上采用最小二乘法拟合，然后进行算术平均，得到校正图像，使缺陷区域灰度明显低于其他正常区域，然后采用全局阈值分割缺陷区域，缺陷果识别率达97%。但由于校正算法耗时较长，难以在线检测使用。

温芝元等提取脐橙病虫害区域的红色、绿色、蓝色分量值和危害区域面积-周长分形维数共4个特征，输入补偿模糊神经网络，建立脐橙病虫害识别模型。对蓟马、锈壁虱、侧多食跗线螨、炭疽病和机械损伤等5类缺陷，平均正确识别率85.51%。

3柑橘品质高光谱视觉技术研究现状

高光谱视觉技术集成了光谱技术和成像技术，采集目标的上百个连续波长下的灰度图像，组成三维数据块，是图像和光谱的结合。高光谱数据的二维图像每个像素都包含一条光谱。

高光谱数据可以用于检测传统机器视觉难以检测的早期腐烂、碰伤等外部损伤，也可以用于内部品质检测。但高光谱视觉技术存在数据采集时间长、数据量大、数据处理和分析较复杂、难以实现在线检测等缺点。

可以通过主成分分析、独立成分分析和最小噪声分离变换等方法优选品质检测的特征波长，搭建多光谱检测系统，以简化数据和数据处理算法，并提升检测的实时性。Jiangbo Li等采集虫伤、风伤、蓟马、介壳虫、溃疡、日灼、异色和药害等缺陷脐橙以及果梗区域高光谱图像，通过主成分分析选取630、691、769、786、810和875 nm等6个特征波长，然后对特征波长下的图像进行主成分分析，利用第三主成分图像，以及691 nm和769 nm波段下的第二主成分图像，能有效识别缺陷；采用波段比算法（R875/R691）能有效将果梗从缺陷中识别出来，整体识别精度达91.5%。李江波等对脐橙高光谱荧光图像采用最优波长比和双阈值法处理检测早期腐烂果实，识别率高达100%。

机器视觉检测系统成本低、效率高、算法适用性强、易于操作和结果客观，广泛在工业品、食品/农产品等品质检测。传统机器视觉能快速有效检测柑橘颜色、大小、形状和较明显的缺陷，但不明显缺陷的检测效果不理想。

高光谱视觉含有光谱信息，有利于检测不明显的缺陷。但由于柑橘类球形或椭球形结构，导致图像亮度不均匀导致缺陷分割困难或耗时较长，以及梗部和脐部对缺陷识别的干扰，是柑橘果实实时在线检测急需解决的难题。

糖酸度是柑橘内部品质的重要指标。机器视觉对柑橘果实糖酸度无损检测较近红外光谱分析技术等效果差。系统集成机器视觉和内部品质在线检测技术，同时检测柑橘内外部品质是柑橘品质在线检测装备未来研究的一个方向。

随着中国农村生鲜电商的发展，迫切需要对果园采收的果实进行分级。目前中国柑橘仍以农户种植为主，但大型在线分级装备价格昂贵，不利于小农户采购使用，迫切需要研发可在果园转场作业的小型车载柑橘品质分级技术与装备，以满足小农户和电商鲜果快速检测分级的市场需求。

（作者：孙荣荣 宋健宇 张明 李鹏 吕强）