果蔬分类中计算机视觉的应用

前言：想要写出一篇引人入胜的文章？我们特意为您整理了果蔬分类中计算机视觉的应用范文，希望能给你带来灵感和参考，敬请阅读。

摘要:计算机视觉在农产品分类领域广泛应用，但受限于类间相似性和不规则的类内特征，果蔬分类仍是一个复杂的问题。本文针对近年来基于计算机视觉的水果分类进行比较，简述了现阶段果蔬分类所面临的挑战，并提出展望，以期为提高果蔬分级效率提供参考。

关键词:计算机视觉；果蔬分类；应用；挑战；展望

自“农业4.0”时代的来临，以“互联网+”为驱动的农业技术已成为发展农业强有力的支撑。在果蔬业中，果蔬分类通常由经过训练的人员人工评估农产品或农作物的质量。但是，人工分类会带来许多相关的限制，工作人员需要熟悉果蔬的许多特征，并且高强度的机械性工作带来的失误不可避免，因而分类技术的提高是农产品质量提升的关键。计算机视觉技术具有效率高、非接触、抗干扰能力强等优点，在多个领域已经广泛应用，能实现农产品快速无损检测的要求[1]。果蔬分级效率的提升对我国产品质量提升、农民增产增收具有重要意义。

1图像处理技术在果蔬分类领域的应用

本文对基于计算机视觉技术的果蔬分类进行了比较调查，发现研究人员多使用一种或者多种传感器或者机器学习技术进行农产品的分类与分级，但是由于相同水果品种不同造成形状、大小与颜色的不同，果蔬的分类依然面临着许多挑战[2]。为解决这些问题研究人员已经进行了多种实验，其中结合机器学习技术对于系统有明显提升。通过使用传感器捕获水果与蔬菜的特征，使用机器学习对任务进行优化，以提高系统整体性能[3]。

2果蔬分类的主要挑战

虽然已经在多个产业中实现目标分类，但将果蔬作为对象进行分类仍然是一项复杂的问题。在实际过程中，环境、光及空间等因素制约了系统的优化，使系统的时间与准确性方面受到限制。光照方向及亮度、色温以及背景所造成的镜面反射与漫反射都会制约系统的进一步优化，并且不同种类果蔬的特征并不相同，这也使果蔬分类系统没有被广泛地开发。

2.1缺乏合适的传感器

分类任务的一个关键步骤就是选择适合场景的传感器用于数据采集。在果蔬的分类任务中视觉传感器与非视觉传感器已经广泛地应用，但是由于各种传感器性质不同其所适用的应用场景亦有不同[4-6]。例如超声波传感器与触觉传感器都不太适合易损的目标物[7]。因为这些传感器需要物理接触果蔬以获取数据。另外，视觉传感器对许多因素高度敏感，例如照明条件和背景环境。这些基本因素是许多复杂因素的结合，包括反射、折射、缩放、旋转和平移，这在系统实际的设计中需要深入考虑。传感器大致分为视觉传感器和非视觉传感器。由于每个传感器具有一定的局限性，例如视觉传感器对照明条件和背景颜色高度敏感。高光谱相机可以得出物体反射特性，检测具有相似颜色或背景的不同对象的固有特性，其对许多颜色等因素不敏感，并且高光谱信息与水果的其他特征相结合，可以提高系统性能。最近，热红外分析已用于许多领域，例如植物病害检测、冷藏对果实的冷害、农作物成熟度估算和农作物产量估算[8]。然而，由于蔬菜和背景的热物理性质大致相似，并且这种技术对温度变化敏感，因而热红外分析仍不能很好地完成绿颜色水果和多叶蔬菜的分类任务。

2.2难以准确选择特征

特征是用于与其他物体区分的物理特征。果蔬具有多种物理特征，例如颜色、质地、形状和大小，这些都是可以用作分类的特征参数，并且果蔬具有类间和类内的同异性。类别间的变化是主要变化，即颜色、纹理和形状的变化，而类别内的变化更难以发现，特征更加难以区分。理想的系统能够进行类间和类内分类。研究表明，单个特征不能有效地对果蔬或物体进行有效分类。计算机视觉是用于图像分类和识别的一种技术，可以设计算法通过多种方式对果蔬进行分类，通常分类是基于神经网络完成。在任何机器学习应用程序中选择合适的算法至关重要，但是由于果蔬的类间相似性，算法优化尤为重要。数字图像中某些与特性有关信息的识别、分类、检索、重建称为特征描述，果蔬具有相关的独特视觉特征。果蔬的分类和识别最常用的特征是颜色、形状、大小和质地，可以根据整体或局部图像特征来选择特征描述是全局或者局部的特征。特别是对于对象识别，全局图像特征描述整个对象，具有良好的不变性，而局部图像特征则易于实现快速匹配。因此，通常将局部和全局图像特征配合使用以提高整体性能。在图像经过去噪、平滑等操作之后，图像的细节将不可避免地丢失，因而需要更加注意特征的选取。这些因素对特征描述的选取造成了一些限制。

3展望

在果蔬分级中用于数据采集的传感器由于实际应用场景中的各种因素而受到限制。因此，不同环境的传感器选择尤为重要。在果蔬分类中使用多个传感器会提高预期结果，但是由于产生的数据不同对数据处理的要求也不断提高，各传感器数据拥有的不同性质的使用也受到限制。单使用机器视觉算法对于多特征分类是难以实现的。大多数传感器尚未应用于果蔬分类领域，其中很大一部分原因是缺乏数据，需要扩充数据以建立新的数据集，以使各种传感器获得更有效的结果。

4参考文献

[1]张书彦，张文毅，余山山，等.图像处理技术在信息农业中的应用现状及发展趋势[J].江苏农业科学，2017，45（22）：9-13.

[2]罗锡文，廖娟，胡炼，等.提高农业机械化水平促进农业可持续发展[J].农业工程学报，2016，32（1）：1-11.

[3]陈桂芬，李静，陈航，等.大数据时代人工智能技术在农业领域的研究进展[J].吉林农业大学学报，2018，40（4）：502-510.

[4]陆勇，李臻峰，浦宏杰，等.基于声振法的西瓜贮藏时间检测[J].浙江农业学报，2016，28（4）：682-687.

[5]李小昱，徐森淼，冯耀泽，等.基于高光谱图像与果蝇优化算法的马铃薯轻微碰伤检测[J].农业机械学报，2016，47（1）：221-226.

[6]徐赛，陆华忠，周志艳，等.基于高光谱与电子鼻融合的番石榴机械损伤识别方法[J].农业机械学报，2015，46（7）：214-219.

[7]张丽芬.基于计算机视觉技术的樱桃自动分选系统设计[J].农机化研究，2017，39（9）：212-214.

作者：刘同金 刘生智 热娜古丽·热西提 刘冠华 单位：塔里木大学信息工程学院