摘要為探究柚果視覺特征與其內部品質之間的相關特性，尋找一種快速低成本的檢測方法。該文采集了柚果20種外部視覺特征(縱徑、橫徑、縱橫徑比、面積、R、G、B灰度分別的一階、二階和三階形態、H、V、S灰度、對比度、相關度、能量、粗糙度，分別用F1~F20表征)與3種主要內部品質(硬粒程度、可溶性固形物含量(totalsolublesolid，TSS)和含水率)用于分析。研究結果表明，機器視覺技術可以精確地還原柚果外部特征情況。柚果全部視覺特征與內部品質指標的線性相關均不顯著，但與內部品質指標之間具有較強的非線性相關特性。

　　其中，柚果視覺特征F5、F8、F9、F10、F11、F12、F13、F14、F15、F17、F19和F20與硬粒程度之間的非線性相關相關系不顯著，其余特征均與硬粒程度顯著非線性相關。柚果視覺特征F5、F8、F9、F10、F11、F12、F13、F14、F15和F17與TSS和含水率均顯著非線性相關，其余特征與TSS和含水率的非線性相關性均極其顯著。采用柚果視覺全特征與僅用顯著非線性相關特征對其硬粒程度識別結果均不佳。采用柚果視覺特征對其TSS和含水率進行粗略識別均是可行的，其中全特征識別效果要優于僅用極其顯著非線性相關特征的識別效果。因此，柚果視覺特征可為其內部品質無損檢測提供有益的信息補充，也可直接形成粗略低成本的TSS和含水率無損檢測方法。該研究也為其他水果內部品質無損檢測技術的提升提供參考與新思路。

　　關鍵詞柚果;視覺特征;內部品質;相關性;粗略檢測

　　隨著生活水平的提高，消費者對水果品質有了更高要求，水果品質檢測尤為重要。傳統的感官評定法[1]和理化指標識別法[2]費時費力、需要專業人員操作，且破壞浪費果實，只適合抽檢，無法用于保證果園大批量果實品質。無損檢測技術[3]是一種智能、快速、非破壞的檢測方法，可借助傳送帶流水線式檢測每一個水果的品質狀態，較傳統方法具有明顯優勢，在當今水果產業具有廣泛市場需求，然而尚存在不足有待解決。目前應用最為廣泛、穩定的無損檢測技術為機器視覺[4]和可見近紅外光譜技術。其中，機器視覺技術主要通過工業相機獲取水果的外部特征，對顏色[5]、紋理[6]、果形[7]等外觀品質進行評價，該技術準確度高且低成本。

　　可見近紅外光譜技術側重于內部品質，根據可見近紅外光在水果上透射或者反射后攜帶的水果內部品質特征，可對水果果肉糖度[8]、水份[9]、缺陷[10]等風味品質進行識別。可見近紅外光譜技術成本相對適中，在大部分小型薄皮水果上已取得了較好的檢測效果，但對于大型厚皮水果內部特征信息獲取較困難(反射光譜無法獲取深層特征信息，透射光譜信號強度會大大衰減)，檢測精度通常較低，是當今該技術的應用瓶頸之一。為此，不少專家認為多源信息融合可借助多種檢測手段，從多角度、多方面獲取被測樣本特征信息，是提高無損檢測精度的一項有效方法[1113]。項目組研究發現其也有降低識別精度的風險，保證新增信息與檢測目標的相關性是有效融合關鍵[14]。

　　此外，多源信息融合無疑會增加檢測成本，可能造成實用性差，需要保證新增信息來源低成本性。長期以來，業內專家致力于研究內部特征無損檢測信號與內部品質的直接映射關系，忽略了外部信息與內部品質的間接相關特性。機器視覺技術若能有效提供與水果內部品質相關的特征，一方面能為其他水果內部品質檢測方法形成補充信息，提高檢測精度;另一方面可能直接形成一種低成本的水果內部品質無損檢測方法，具有重要意義。柚是中國的傳統水果，種植面積與產量居世界第一。

　　由于我國柚均以散戶種植為主，種植標準不統一，造成品質良莠不齊，主要受粒化程度、糖度(totalsolublesolid，TSS)和水分影響，嚴重阻礙產業發展[1517]，市場亟需開發內部品質無損檢測技術。但柚果皮厚果大，且果肉有囊皮包裹，產業已有無損檢測裝備調研和項目組前期實驗均發現了可見近紅外光譜對其內部品質檢測精度不高的現象。因此，本研究主要探究柚果視覺特征與內部品質相關特性，以驗證機器視覺技術用于水果內部品質無損檢測精度提升或直接用于水果內部品質無損檢測的可行性，為水果品質無損檢測領域的進一步發展提供參考與新思路。

　　1材料與方法

　　1.1實驗材料

　　實驗柚果采于廣東省梅州市果園，品種為密柚。為盡可能使實驗樣本覆蓋整個采收期(2019年—10月)，將采摘時間均分次，每次14個，共采摘柚果70個。每次采摘后立即運送到廣州實驗室，次日進行采樣。

　　1.2儀器與方法

　　1..1視覺圖像采集

　　柚果視覺圖像獲取采用實驗室自搭建的機器視覺圖像采集平臺，搭載了DFK33GP006工業RGB相機(Theimagingsource公司，德國)與8mmM0814MP鏡頭(CBC公司，日本)，兩個環形光源(1.92W)分別在柚果兩側上方呈入射角45°照射，兩個條形光源(0.96W)從柚果兩側呈15°照射用于消除柚果透射到底板的背景陰影。為減少外界光干擾，檢測在暗箱中進行。

　　實驗共提取柚果20種視覺特征，包括種尺寸特征、12種顏色特征和種紋理特征。其中，尺寸特征包括縱徑、橫徑、縱橫徑比和面積;顏色特征包括、 灰度分別的一階、二階和三階形態、 灰度;紋理特征包括對比度、相關度、能量和粗糙度。其中縱徑、橫徑、縱橫徑比和面積特征均用像素點的數量表征。 灰度分別的一階、二階和三階形態分別為特征區域灰度平均值、方差和偏離度。灰度即特征區域的、灰度平均值。紋理對比度、相關度、能量和粗糙度分別表示特征區域的清晰和銳利程度、縱橫灰度的相似度、灰度共生矩陣平方和、以及粗糙程度。為方便表達，上述視覺特征在本文依次用F1~20標記。尺寸特征有效提取的關鍵是準確定位目標輪廓。

　　通過對比，通道的灰度值能最好的反應柚果與背景差異，閾值設置為0.27進行二值化處理，得到柚果的粗略輪廓區域，再通過目標區域提取消除周圍因反光造成的噪聲點，連續像素>6000的予以保留，否則消除，較好地提取了柚果的目標區域。整果顏色和紋理特征數據量過大，實際應用運算效率低，且柚果表面特征分布相對均勻，因此采用特定區域特征表達整果特征。而倒放柚果中間高四周低，造成中間位置較亮，四周相對較暗，結合實際情況，本實驗選取中心位置左右側光線相對均勻的兩個區域，以左右區域特征的平均值作為柚果的對應特征值。

　　柚果實際尺寸、粒化程度、TSS、含水率測量采用游標卡尺測量柚果實際橫徑(立放水平方向的最大長度)和縱徑(立放豎直方向的最大長度)。采用目前廣泛使用的柚果硬粒化評級方法[18]，將柚果縱切瓣，觀察硬粒化面積相對總面積的占比來評判其硬粒化程度。其中級為無硬粒化，級為輕度硬粒化，0<1010252540>40%。隨后，取出柚果果肉，一半用于打漿、紗布過濾得到果汁，采用PAL數字光學折射儀(ATAGO公司，日本)測量其TSS值，每個樣本測量次取平均值。

　　偏最小二乘回歸(partialleastsquaresregression，是一種既能實現線性映射，又能實現非線性映射的識別算法。為進一步驗證視覺特征在柚果內部品質檢測中的應用效果，基于機器視覺特征對柚果內部品質進行PLSR建模識別。PLSR識別效果采用預測值與實際值的和均方根誤差(rootmeansquareerror，RMSE)表征，其中以表征為主，RMSE為輔助參考，且以實際應用相關的測試集為主。越接近、RMSE越小，識別效果越好，越接近，RMSE越大，識別效果越差。PLSR檢測結果通常以采用Excel2007軟件(美國Microsoft公司)進行數據整理導入Matlab7.0(美國Mathwork公司)[23]進行數據分析。

　　2結果與分析

　　為保證本研究機器視覺特征采集的準確、有效性，柚果橫徑、縱徑的像素值與實際值的LCA線性擬合結果其擬合系數分別達到了0.9817和0.9613，具有極強的線性相關特性。因此，本研究采集到的柚果視覺數據可穩定有效地反映柚果實際特征情況。

　　機器視覺是一種廣泛使用的外觀品質特征獲取技術，本文證明了其獲取柚果外部品質特征的準確有效性。柚果外部視覺特征與內部品質線性相關特性不強，但具有顯著的非線性相關關系，包含內部品質識別的有益信息。其原因在于水果是一種由生命的活體，內外品質之間存在一定的聯系，這與傳統地通過外觀經驗判斷內部品質好壞做法相符。

　　本文的PLSR建模識別結果進一步驗證了柚果視覺特征不僅包含較豐富的內部品質識別有益信息，還可形成一種低成本的內部糖度、含水率粗略智能識別方法。參考本研究基礎，下一步研究工作可將視覺特征與光譜特征進行有機融合，通過大量的對比與驗證分析，形成一種基于多源信息融合的柚果內部品質高精度識別方法。

　　3結論

　　本研究對柚果20種外部視覺特征(縱徑、橫徑、縱橫徑比、面積、灰度分別的一階、二階和三階形態、灰度、對比度、相關度、能量、粗糙度，分別用F1~F20表征)與種主要內部品質(硬粒程度、TSS和含水率)之間的線性非線性關聯特性進行了分析，并基于不同相關程度的視覺特征對內部品質進行了建模識別。

　　柚果橫、縱徑像素值與實際值的線性擬合結果表明，本研究的采集的柚果視覺圖像可較好反應其真實特征情況。LCA和CCA分析結果表明，柚果全部視覺特征與內部品質指標的線性相關均不顯著，但柚果視覺特征與內部品質之間存在非線性相關特。MIA分析結果進一步證明了，柚果視覺特征與內部品質指標之間具有較強的非線性相關特性。

　　果樹栽培論文范例：城市綠化果樹苗木培育與栽植管理措施

　　其余特征與TSS和含水率的非線性相關均極其顯著。柚果視覺特征可為內部品質無損檢測提供有益的信息補充。采用柚果視覺全特征與僅用顯著相關特征對其硬粒程度識別結果均不佳。采用柚果視覺特征對其TSS和含水率進行粗略識別均是可行的，其中全特征識別效果要優于僅用極其顯著相關特征的識別效果。實際應用中，一方面可采用機器視覺特征為柚果硬粒化程度、TSS和含水率的其他檢測方法提供有益的融合信息，但機器視覺特征與硬粒程度的相關性較弱，作為融合信息的性價比不高;另一方面可基于機器視覺技術形成低成本的便攜式柚果TSS和含水率粗略檢測設備。本研究也為其他水果內部品質無損檢測技術的提升提供參考與新思路。

　　參考文獻

　　[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：徐賽，陸華忠，王旭，丘廣俊，梁鑫，王陳