Page 258 - 农产品质量检验检测与质量控制

农产品质量检验检测与质量控制
Quality Inspection, Testing and Quality Control of Agricultural Products

质的自动分级技术，对提高其在国际市场上的竞争力有着十分重要的意义。Moallem

等对 120 个“金冠”苹果进行 2 类（健康和缺陷）和 3 类（第 1 级，第 2 级和不可接受）
分级研究时，分级准确率分别为 92.5% 和 89.2%。同时，为满足苹果产业化发展的需求，
基于计算机视觉的苹果自动在线分级系统的开发也已较成熟。通过捕获流水线状态的
苹果图像，然后选取最大果径、二维傅立叶动态变换、色度图像以及缺陷点像素面积，

分别表征苹果的大小、形状、颜色和缺陷，自动分级系统的作业速度可达 5 个 /s，4
个等级苹果的分级准确率分别为 92%、88%、84% 和 88%，平均准确率为 88%。另一
方面，为确定果园果树上苹果的采摘时期，需要克服果树上苹果的识别和定位的困难，
排除果园复杂的环境、枝叶的遮挡和树枝的分支机构带来的干扰。Nguyen 等提出了 1

个基于颜色和形状特征的算法来检测和定位红色和双色苹果，对于树上完全可见的和
部分被遮挡的苹果的检测准确率分别为 100% 和 82%。消费者在挑选水果尤其是柑橘
的时候，更关注大小、表面缺陷和颜色、表皮厚度。Jafar 等研究表明柑橘皮肤表面的

粗糙度和厚度之间具有很高的相关性（R2=0.944）。在柑橘自动分级模型中，概率神
经网络和支持向量机均表现出很好的潜力。其中基于概率神经网建立柑橘表面纹理和
果实颜色的分级模型，整体的识别准确率约 85%，1 级和 4 级柑橘的识别率最高，2

级和 3 级柑橘的识别率稍低。
2. 枣
计算机视觉重点对于枣的外部品质检测的进行研究，包括大小、裂纹、表面褶皱
和病害等。目前枣的大小分级还处在人工或机械分级的初级阶段，而干瘪褶皱枣、病
害枣和裂纹枣也还需要人工拣选。采用计算机视觉技术，枣的大小可以用轮廓上 2 点

之间最大距离和最小外截矩形的长和宽进行表征，准确率分别可达 91.7% 和 94%。李
运志对红枣表面纹理和病害识别进行研究，通过灰度共生矩阵的 6 个参数（对比度、
相关、能量、一致性、熵和灰度图的标准差）描述红枣表面褶皱纹理，基于 BP 神经

网络和支持向量机建立分级模型，分级正确率分别为 94.29% 和 95.23%；结合红枣区
域颜色特征值色调 H 的均值和均方差，用支持向量机方法建立红枣表面缺陷检测的模
型中，训练集和测试集的识别正确率分别为 95.77% 和 95.79%。对于畸形枣的判别，
许敏等提取前15项系数傅里叶级数，分别使用不规则度判别法和欧氏距离法进行研究，

结果表明：2 种分类方法中，正常枣的分类准确率都比较高；采用不规则度判别法畸
形枣的识别率可达 90%，高于欧氏距离法（识别率仅为 35%）。
（三）在肉制品检测中的应用
在肉制品检验中新鲜度是重要的评价指标，随着放置时间的增长，肉的颜色随之

变化，同时肉的弹性降低。传统肉制品质量检测中采用色差仪比对，但评估效果不理
想。在肉制品质量检测中应用计算机视觉技术生成的肉图像接近于真实的肉，可有效

• 244 •