计算机视觉评价果蔬品质的研究

沙特国王大学学报果蔬品质的计算机视觉评价阿图尔·班萨尔·阿努贾·巴尔加瓦·阿图尔电子与通信系，GLA大学，马图拉281406，印度阿提奇莱因福奥文章历史记录：收到2018年2018年5月1日修订2018年6月3日接受在线发售2018年关键词：计算机视觉水果分级图像处理水果品质分析蔬菜A B S T R A C T在农业科学中，自动化提高了国家的质量、经济增长和生产力果蔬的贮藏保鲜影响了果蔬的出口市场和品质评价。水果和蔬菜的关键感官特性是外观，外观影响其市场价值、消费者虽然，分类和分级可以由人来完成，但它是不一致的，耗时的，可变的，主观的，繁重的，昂贵的，容易受环境的影响因此，需要一个精确的水果分级系统近年来，各种研究人员使用计算机视觉完成了各种排序和分级算法本文详细介绍了各种方法，即。预处理、分割、特征提取、分类，解决了基于颜色、纹理、大小、形状和缺陷的水果和蔬菜本文对国内外学者提出的果蔬质量检测算法进行了比较。©2018作者制作和主办：Elsevier B.V.代表沙特国王大学这是一CC BY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。内容1.导言. 2432.水果和蔬菜质量检测2442.1.图像采集2442.1.1.计算机视觉系统2442.1.2.超声波和红外线2452.1.3.断层成像2452.2.预处理2452.3.分割2462.4.特征提取2472.4.1.颜色特征2472.4.2.形态特征2482.4.3.纹理特征2492.5.分类2503.水果和蔬菜的缺陷检测2514.挑战2545.结论254融资254利益冲突参考文献254*通讯作者。电子邮件地址：anuja1012@gmail.com（A. Bhargava），atul. gla.ac.in（A.Bansal）。沙特国王大学负责同行审查1. 介绍在食品和农业的物理分类中，图像是人脑表达概念的最基本的方法。影响果蔬品质的因素可以通过直观的方式进行量化，但这种方法费时费力，成本高，易受物理因素的影响，包括评价结果https://doi.org/10.1016/j.jksuci.2018.06.0021319-1578/©2018作者。制作和主办：Elsevier B.V.代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.com244A. 巴尔加瓦A.Bansal/沙特国王大学学报Fig. 1. 每年在该领域发表的研究论文数量。主观的结果。市场价格由这些检查和“最佳使用日期”决定训练有素的调查人员通过感觉和观察进行了质量检查。这种方法明显不一致，变化无常，调查人员的决定很少相同。在这种环境中，水果和蔬菜的多方面标准分析是一项持续的任务;机器视觉系统最适合常规分析和质量保证。在农业中，计算机视觉系统和图像处理是一个非常活跃的研究领域，是农作物收获前后的重要分析技术。图1显示了每年发表的研究论文数量（据我们所知）。从这张图中，可以很容易地看出这一研究领域的趋势。农业中的数据和信息主要来源于摄影图像，但对摄影数据进行数学估计或处理，具有挑战性。因此，数字图像处理技术有助于对图像进行处理和扩展分析。图像处理在农业领域中具有各种应用，如土地的识别（Erdenee等人， 2010）、氮识别植物的评价（Tewari等人，2013年），识别害虫感染区域（Krishna和Jabert，2013年），从形状，纹理和颜色自动分类和检测植物病害（Patil和Kumar，2011年）。随着信息科学的迅速发展，基于计算机视觉的模式识别和图像处理技术已成为农业安全和质量分析的成熟技术。计算机视觉技术通过电子方式感知图像、解释和识别字符，相当于人类视觉在果蔬品质检测中的作用，为品质分级分选机提供信息。已经发表了各种研究论文（Naik和Patel，2017 a; Dubey和Jalal，2015 a; Zhang等人，2014年a），一些其中一些研究侧重于特定水果的品质分析，另一些研究则侧重于特定技术。水果和蔬菜的质量分析的详细摘要是不可用的。因此，本文的目的是比较调查的计算机视觉和图像处理技术在食品工业中，并审查各种分割，图像特征和图像描述符的文献和质量分析的水果和蔬菜的颜色，形状，大小和纹理的基础上，疾病的类型。文中还介绍了主成分分析的基本原理和相应的分析处理方法。2. 果蔬质量检测利用图像处理技术进行果蔬质量检测包括五个步骤。 2，即，图像采集、预处理、图像分割、特征提取和分类。2.1. 图像采集在食品应用中，所使用的图像采集工具是照相机、超声、磁共振成像（MRI）以及电断层扫描和计算机断层扫描（CT）。为了产生数字图像，使用电荷耦合器件（CCD）和互补金属氧化物半导体（CMOS）图像传感器。一个典型的计算机视觉系统固有（图3）五个基本组成部分：照明，图像捕获板（数字化仪或帧捕获器），相机和计算机硬件。在水果和蔬菜的分析中，光系统被构造为前端和背光。为了检查表面质量属性，如颜色，纹理和皮肤缺陷，定义了前照明。 然而，为了检查边界质量属性，如尺寸和形状，定义了背光。传统的多光谱和高光谱计算机视觉系统广泛用于食品和农产品的质量分析。2.1.1. 计算机视觉系统传统的计算机视觉系统始于20世纪60年代末，目前已广泛应用于航空航天、工业自动化、安全检测、智能交通系统、医学影像军事应用、机器人导航、自动驾驶汽车、食品质量安全检测等领域。红、绿、蓝（RGB），因此RGB彩色相机获取的图像以RGB波长为中心。利用计算机视觉系统，可以对纹理、形状、颜色、尺寸、缺陷等特征进行自动分级和检测。但由于纹理和颜色等原因，有些缺陷与皮肤完全一致，这是一个具有挑战性的任务来检测。高光谱计算机视觉系统（Lorente等人，2012）结合了光谱和成像技术，为空间图像的每个像素提供光谱信 息 。 ‘‘The data structure of hyperspectral image is commonlycalled hypercube图二. 图象处理中识别的一般框图。A. 巴尔加瓦A.Bansal/沙特国王大学学报245图3.第三章。经典的计算机视觉系统（Zhang等人，20 1 4 年a）。见图4。高光谱图像扫描模式（a）点扫描（b）线扫描（c）面扫描（Zhang等人，2014年a）。在一个二维图像中的每个像素聚类在一起通常用于实现高光谱图像立方体的方法是点扫描、线扫描和区域扫描，如图4所示。在多光谱计算机视觉系统中，需要获取两个或多个波段的单色图像。2.1.2. 超声波和红外线最初，分级的水分含量的食品超声波已被使用;得出结论的内在脂肪的牛;和评估和研究的水化和肿胀度的橙皮。当超声波和计算机视觉系统都下降，以产生所需的图像更长的波长用于图像采集。红外线范围在700 ~ 1000 毫 微 米 之 间 ， 产 生 红 外 线 的 方 法 称 为 热 成 像 .‘‘Thermographic imaging is based on the principle that all objectsemit a certain amount of thermal radia- tion as a function of their2.1.3. 断层摄影成像当科学家需要观察样品的内部时，使用层析成像。它包括用于说明对象的二维分布的实质属性的核能，从一维投影的序列和生成投影数据源被扫描。该方法在多个视角上进行，只要实现所有投影数据的规定集合。随着食品加工、储存、包装和分发，应用程序逐渐发展为实时监控。不同研究人员使用计算机视觉系统获得的图像包括以下特征，如表1所示。2.2. 预处理通过各种类型的技术获取的图像由多种噪声组成，这些噪声使图像的外观变因此，它不能为图像处理提供适当的数据。的246A. 巴尔加瓦A.Bansal/沙特国王大学学报* ⁄表1不同研究人员获得的数据集的特征。作者水果相机数量的图像分辨率（mm/pixel）尺寸（像素）Blasco等人（2003年）苹果（皇家晚会）EDS，550D，佳能公司，日本960.033456 ×2304芒果橙色金苹果EDS，550D，佳能公司，日本EDS，550D，佳能公司，日本EDS，550D，佳能公司，日本1001251000.030.060.035184 ×34562592 ×17283456× 2304Apple Royal（多光谱）JAI AD-130 GE980.128 1296 ×966Rong等人（2017年）橙子（江西脐橙）CCD摄像机Pumix TMC-7 DSP11910.28 640 ×480Naik和Patel（2017）芒果红外热像仪FLIR ONE250–240 ×Pereira等人（2018）金木瓜日本索尼–Si等人（2017年）马铃薯Canon Power Shot SX260 HS57–Jhawar（2016）橙色DSC 2000 Sony相机160–640 ×02 The Dog（2013）香蕉奥林巴斯SP-510 UZ120–3072 ×预处理增强了图像数据，克服了不情愿的失真，扩大了图像的特征，这些特征对于处理是必不可少用于食品质量评价的图像预处理方 法 有 像 素 预 处 理 和局 部 预 处 理 。 像 素 预 处 理 颜 色 空 间 变 换（CST）是食品质量评价中CST应用大多依赖于色调、饱和度和强度（HSI）颜色空间，饱和度导致单色图像，赋予肉类图像逼真的纹理。局部预处理（过滤）该方法采用简单滤波器（去噪）、中值滤波器（去噪）和改进的非锐化滤波器（识别鸡蛋裂纹）。2.3. 分割在预处理之后，需要将数字图像分割成不同的区域。其主要功能是在目标评价过程中分离背景，对重要区域进行处理。正确的分割对于图像分析的进一步发展至关重要，而不正确的分割会降低分类器的性能。 它用于各种应用，例如农业（Payne et al.，2013;Deepa 和Geethalakshmi ，2012 ）和医疗（Christ 和 Parvathi ，2012）。广泛使用的分割技术是阈值化（George等人，2013）和集群（Mahjoub，2011; Brouwer例如，2010年）。阈值技术的识别性是由于它的简单性和一致性。根据图像的灰度级，阈值分割将数字图像分成不同的区域。将原始图像转换为灰度格式，可以产生更持久的分割图像。阈值分割将图像中的每个像素分为两类，即感兴趣区域和背景区域。具有特定灰度级的像素属于感兴趣区域类，而具有同等灰度级的像素属于背景类基于阈值的Otsu方法（Otsu，1979 9 9）从灰度图像提供灰度直方图（以获得最佳阈值）。由于Otsu方法应用广泛，它具有一定的优点，如阈值的优化和灰度图像的处理，而无需图像的先验知识。虽然，这种方法有缺点，如更多的计算时间所需的最佳阈值的集群数量的增加。用聚类技术代替基于阈值的方法来减少计算时间。聚类技术是根据像素的相似特征进行聚类的前一种方法是基于树结构，其中根和分支分别表示整个数据库和簇。后一种方法使用优化技术来优化成本函数。聚类的两种基本类型是硬聚类和软聚类。硬聚类是一种简单的技术，它根据属于相同聚类的像素来分割图像。硬聚类的一个例子是一个k-means其中估计距中心的距离，然后将每个像素分配给最接近的中心。硬聚类分别最大化和最小化内和间聚类。虽然k-means算法简单、唯一，但初始聚类中心对算法性能影响很大.软聚类更符合实际，因为实际生活中不存在噪声精确划分。这种技术的一个例子是模糊C均值，其中一个像素可以属于多个集群。在自然环境下，FCM不适用于图像分类，但在受控环境下的图像分割是有效的。由于FCM对光照变化敏感，因此存在不确定性和模糊性。Ghabousian和Shamsi（2012）提出了一种无监督算法;模糊聚类用于分割苹果的彩色图像，提高了分割算法的准确性。该方法利用颜色空间L a b对苹果彩色图像进行分割，具有很好的分割效果。Alavi（2012）提出了一种基于mozafati日期分级的Mamdani模糊干扰系统（MFIS）。基于MFIS模型的评价准确率为86.00%，比专家评价准确率更高，并提供了更好的数据分级表示。Hambali等人（2014年）提出了一种基于规则的分割方法，该方法考虑了IF-THEN规则来准确地进行图像分割。TsNKM结合了两种算法：改进的阈值和自适应K-means。基于可视化的水果图像的分割方法（大津，K-means，模糊C-均值和TsNKM）的性能进行了评估。分析表明，TsNKM能够产生高度准确的分割图像。Pham和Lee（2014）提出了一种基于分割和合并方法的混合算法，用于水果缺陷检测。该算法采用基于欧氏颜色距离的k均值算法对原始图像进行区域分割。然后利用最小生成树进行相似区域的合并. Mehra等人（2016）提出了基于颜色和真菌疾病的番茄成熟度。对番茄的真菌属性和茎深进行了评价，并利用分割方法进行了真菌的识别。本文采用阈值分割和k-均值聚类算法对图像进行分割和真菌识别。Jhawar（2016）提出了使用模式识别技术对橙子进行自动分级，其中两种新技术：编辑的多种子最近邻技术和基于线性回归的技术，准确率分别为89.90%和97.98%，尽管最近邻技术也扩展了92.93%的准确率。图5描绘了为水果和蔬菜的质量分析而实施的不同分割技术的准确性。A. 巴尔加瓦A.Bansal/沙特国王大学学报247图五. 基于分割技术的果蔬品质分析效率。2.4. 特征提取在图像分割之后，特征被估计用于进一步分析。这些特征是计算机视觉系统的基本要素，是图像感知、解释、目标分类的有效数据。在这个过程中，提取的特征形成特征向量，这些特征向量被分类以识别输入。这些特征向量唯一且精确地定义了对象形状。特征提取的目的是通过提取特征来提高识别率。在食品工业中，这些特征为质量评估和分析提供了明确的数据。果蔬的颜色、质地和形态特征常被用来分析果蔬的缺陷和成熟度。2.4.1. 颜色特征影响消费者选择或拒绝果蔬的主要因素是果蔬的颜色。它是质量特性 的 间 接 测 量 ， 如 新 鲜度 、 合 意 性 和 多 样 性 、 成 熟 度 和 安 全 性（Pathare等人，2013），其发生在果实成熟、生长和采后加工处理阶段，受果实内部生化、微生物等物理和化学变化的控制。颜色特征是图像检索和索引中应用最广泛的视觉特征。颜色特征具有效率高、易于从图像中提取颜色信息、与图像的大小和方向无关、能够很好地表示图像的视觉内容、对背景复杂化具有鲁棒性以及能够很好地将图像彼此分离等优点。RGB颜色空间、HSI颜色空间、CIELab颜色空间是果蔬品质颜色检测常用的颜色空间。一旦确定了颜色空间，就可以从图像中提取颜色特征。许多研究者提出了各种颜色特征，包括颜色相关图、颜色相干向量、颜色矩、颜色直方图等，其中颜色矩是一种简单有效的颜色特征。最常见的矩是均值、标准差和偏度。图像是通过常用的RGB颜色模型获得的，该颜色模型基于原色红（R）、绿（G）、蓝（B）。该颜色模型将图像分成红色、绿色和蓝色平面，并且确定所有颜色矩（Mustafa等人，2011年）。在图像中，对于相同的像素，不同的RGB设备产生不同的RGB值，为了标准化这些值，使用了几种变换技术。由于RGB与视觉检查是非线性的，因此，它不能分析食品的感官特性。为了克服这一点，HSI被提出和开发，这是用于发展基于人类常见和接受的颜色的图像处理算法的领先工具。然而，HSI和RGB是相似的，并且对颜色的微小变化不敏感。因此，这些对于评价加工过程中产品颜色的变化并不具有建议性。CIE-LAB色彩空间，表征人眼所能清楚看到的所有颜色并且被设计为呈现为要用作参考的设备相关模型，其中“L”是亮度的度量，“a”和“b”分别改变红/绿和绿/蓝平衡。它是感知均匀的，使得人类感知到的色差与CIELAB空间中的欧几里得距离相同。由于计算机视觉测得的颜色可以很容易地用CIELAB颜色空间中的颜色进行分析，因此为评价计算机视觉测色系统的性能提供了一种可行的方法。Kondo等人（2005）使用4台单色CCD相机和6台彩色CCD相机获取茄子的数字图像。带有180度旋转托盘的CCD摄像机捕获并检查茄子的整个表面。在色彩对比度较低的背景下，水果缺陷的检测和特征提取是一个困难的问题.因此，一个新的近红外基于彩色CCD相机被用来提取水果特征从黑暗的背景和检测低对比度缺陷。Kurita等人（2006）提出了番茄颜色和形状的特征提取，其使用不同番茄的顶部图像进行评估，因为这些是关于产品分级的重要信息，以提高其市场价值。Mendoza等人（2006年）使用sRGB、HSV、CIELab颜色空间和捕获的图像进行计算，这会影响结果。比较了这三种颜色空间，发现sRGB能够有效地定义CCD彩色相机的RGB与CIEXYZ之间的映射。CIELAB系统被认为是曲面食品定量分析的最佳颜色空间。Xiaobo et al.（2008）提出了基于遗传算法的组织特征参数。应用表达式树算法，取得了较高的判别率。Blasco和Aleixos（2009a）描述了计算机视觉系统的发展，用于分析提取工艺原材料并对其进行分类，能够检测、分选和去除不需要的材料。实验了两种图像分割方法：一种是基于R/G比阈值的图像分割方法，另一种是基于贝叶斯线性判别分析的图像分割方法。两种方法的准确度均为90.00%。Prabha和Kumar（2013）提出了一种方法，其中从校准图像中提取直方图，面积，周长的平均颜色对面积算法和平均颜色强度算法进行了改进，其成熟度检测的准确率分别为99.10%和85.00%。Kalsom等人（2014）提出通过使用包含波长为635 nm、525 nm和470 nm的 RGB LED 的可见光光纤传感器来测量水果质量。决定系数（R2= .879）是由不同成熟指数的数据集得到的该方法采用光学仪器对指标进行分类，测量结果准确可靠。Dorj等人（2017）提出了一种利用颜色特征来呈现柑橘估计的算法为了获得较好的分割效果，采用距离变换和标记控制分水岭算法进行分水岭自动分割。该算法的相关系数为0.93.Pereira等人。（2018）提出了一种使用数字技术248A. 巴尔加瓦A.Bansal/沙特国王大学学报表2果蔬品质分析中不同颜色特征的比较作者水果蔬菜参数颜色空间精度Blasco等人（2009年b）石榴按颜色按颜色百分之九十黎明和燕超（2010）草莓外观质量Cie Lab88.80%Alfatni等人（二零零八年）成熟度检验RGB–Abdullah等人（2006年）杨桃成熟度判别HSI百分之九十五点三Yi-bin等（2006年）柑橘成熟度评价HSI–Vidal等（二零一三年）颜色评估RGBR2= 0.925Dorj等人（2017年）柑橘按颜色RGB0.93Chong等（二零零八年）颜色评估HSIR2= 0.93Wang等人（2012年）香蕉质量评价RGB–Kang等人（二零零八年）颜色评估CIELAB–02 The Dog（2013）成熟度评价RGB百分之九十九点一Yimyam等人（2005年）芒果按外观质量HSI–Kalsom等人（2014年）成熟度检测RGB–Zou等人（二零一零年）苹果按颜色RGB HSI–Garrido-Novell等人（2012年）成熟度判别RGB百分之九十五点八三05.辛格·乔汉和普拉塔普·辛格（2012）颜色分类HSI百分百Suresha等人（2012年a）颜色分类RGB百分百Stefany等人（2017年）成熟度检测CIELAB百分百Esehaghbeygi等人（二零一零年）桃颜色和大小HSI百分之九十Effendi等人（二零零九年）麻风树成熟度评价RGB–Kondo（2010）梨基于外部质量HSI–Lino等人（二零零八年）多摩托颜色分类RGB–03 The Dog（2006）按颜色和大小RGB–03 The Dog（2006）颜色分类RGBBarnes等人（2010年）瑕疵检测RGBPereira等人（2018）木瓜按颜色RGB百分之九十四点三见图6。 基于颜色特征的果蔬品质分析效率。成像和随机森林。从果皮中提取的颜色特征具有较低的计算成本，分类正确率为94.30%表2说明了许多研究人员基于不同参数和颜色空间模型对水果和蔬菜的质量分析 图 6描述了不同颜色模型应用于水果品质分析的准确性。2.4.2. 形态特征形态特征（大小和形状）经常用于水果和蔬菜的分类。在农业生产中，果蔬的大小与价格有关，因此在加工过程中，果蔬的分级需要分配不同的大小组。球形和类球形物体的果蔬尺寸检测相对于复杂食品的自然不规则性来说非常容易。通过使用投影面积、周长、长度、宽度、长轴和短轴来量化特征尺寸。这些特征在工业自动分拣中被广泛使用。面积（标量）计算区域中像素的实际数量。投影面积由该面积的像素获取。两个相邻像素的距离导致特征提取。周长（标量）是区域边界之间的距离。无论什么形状或方向，一旦对象被分割，面积和周长都是稳定和有效的。量化水果和蔬菜的长度和宽度的大小是采用由于食品的形状在加工过程中通常会发生变化，因此需要及时恢复计算长度和宽度的方向。通过每两个边界像素的距离获得的穿过对象的最长线是长轴。在物体上画的最长的垂直于长轴的线是短轴。形状是图像内容描述的重要视觉特征，由于形状之间的相似性度量困难，形状特征无法精确定义。 形状描述符分为两类：基于区域的（基于对象的完整区域）和基于轮廓的（利用局部特征分割边界）。形状特征通过圆度、纵横比和紧密度来测量。Kondo（2009）使用最大长度、呼吸和直径来测量水果大小。将所有上述特征组合以分选苹果（Blasco等人，2003）、日期（Lee等人，2008 a; Lee等人，2008 b）、番木瓜（Riyadi等人，2007）和茄子（Kondo等人，2007年）。为了分选草莓 、 柠 檬 和 柑 橘 ， 使 用 直 径 （ Khojastehnazhand 等 人 ， 2010a;Khojastehnazhand等人，2010年b）。Ohali（2011）设计并实现了一个基于数据分级和排序的原型计算机视觉系统。因此，图像（RGB）提取的主要特征的日期水果分为三类。采用BP神经网络分类器，分类准确率达80.00%。为了分选马铃薯、芒果、番茄、草莓，使用类似的方法（Hasankhani和Navid，2012; Zou等人，A. 巴尔加瓦A.Bansal/沙特国王大学学报249表3不同形态特征在果蔬品质分析中的应用比较作者水果蔬菜参数形态特征精度Xiaobo等人（二零零八年）苹果形状分级傅立叶描述子–Zhang等人（2012年）形状分级傅立叶描述子百分之九十五点二四阿肖克和维诺德（2014）形状分级傅立叶描述子88.33%第50集9.4The Famous（2009）Blasco et al.（2007）Costa et al. （二零零九年）拉希迪等人（二零零八年）梨柑橘猕猴桃物理性质外部质量检验分级形状定量评价形状分级取决于大小变形性、复杂性、圆度最大/最小直径傅立叶描述符长径比88.20%–––Abdullah等人（2006年）明星形状甄别–百分百Ohali（2011）日期基于外部质量傅立叶描述子百分之八十Yimyam和Clark（2012）02 The Dog（2012）芒果物理性质物理性质长度和宽度傅立叶描述子–百分之八十九点八三Riyadi等人（二零零七年）木瓜基于形状基于小波百分之九十八Sadrnia等人（2007年）ElMasry等人（2012年）西瓜基于形状不规则马铃薯长宽比和果实面积与背景面积圆度、范围和傅立叶描述符–百分百02 The Dog（2016）尺寸-形状模糊逻辑Zhang等人（2014年a、b、c、d）马铃薯不规则度评价傅立叶描述子百分之九十八点一Chong等（二零零八年）茄子物理性质直径差（最大，（最小值）–见图7。 基于形态特征的果蔬品质分析效率。2007年）。农产品具有特定形状或不均匀形状，价格低或不能处理（Cubero等人，2011年）。因此，果蔬品质分级的基本要素是形状。在食品工业的质量分析中，最常用的形状特征有凸度、圆度、紧凑度、长度、宽度、伸长度、边界编码、长宽比、傅立叶描述子和不变矩。尺寸和形状特征用于柑橘、苹果、桃子、茄子、马铃薯等的分选（Zhang等人， 2010; Sadrnia等人，2007年），由于耗时少，易于实现。形状特征的组合更加复杂和可靠（Costa等人，2009年）。Dimatira等人（2016）使用模糊逻辑系统来识别番茄果实的成熟度。本文提取了决定成熟条件的颜色、大小和形状特征。表3说明了不同研究人员基于不同形态特征对水果和蔬菜的质量分析。图7描绘了应用于水果和蔬菜的品质分析的不同形态特征的准确性。2.4.3. 纹理特征纹理是一种非常适合于大量使用人类视觉系统进行识别和解释的图像的分类。从像素组测量的纹理表示元素和表面外观的分布，并且在以粗糙度、对比度、熵、方向等形式预测表面的机器视觉中是有用的。纹理与成熟度和糖含量（水果和蔬菜的内部质量）是相容的。它也被用来分离不同的模式，在图像中提取inten，像素之间的sity值。质地可以通过定量和定性分析来分析。根据定量分析，提出了六种纹理特征，即对比性、粗糙性、线条性、方向性、粗糙性和规则性。根据定性分析四个特征（Bagril和Johari，2015），即对比度，相关性，熵和能量。不同类型的纹理特征包括统计纹理、基于模型的纹理、结构纹理和基于变换的纹理。统计纹理，提取基于像素灰度值的矩阵（灰度共生矩阵、灰度像素游程矩阵和相邻灰度相关矩阵）。基于模型的纹理模型包括分形模型、随机场模型和自回归模型。结构纹理包括由像素灰度构造的线条、边缘等纹理。基于变换的纹理可以从空间域图像中提取。统计纹理具有计算量小、精度高等优点，是纹理分析的常用方法.Zhu和Jiang（2007）将苹果图像的Gabor小波表示与核PCA方法相结合，提出了基于Gabor特征的核主成分分析（PCA）方法，用于苹果近红外品质检测。采用Gabor核主成分分析消除了局部特征分割的需要，识别率达到90.60%。Quevedo等人（2008）描述了一种使用计算机视觉系统记录香蕉表面的方法。香蕉的过熟过程是由纹理分形傅立叶分析得到的分形值的增量来表示的。结果表明，傅里叶光谱分析法可用于香蕉皮的衰老点样. Kim等人（2009年）使用颜色共现方法来转换色调，饱和度和强度（HSI）250A. 巴尔加瓦A.Bansal/沙特国王大学学报图像.逐步判别分析用于选择纹理特征。采用基于广义平方距离的判别函数对纹理特征进行约简。鉴别柑桔皮病时，以降低HSI为最佳，准确率达96.70%。Zhao等人（2009）提出了一种利用颜色纹理特征分析检测柑橘果皮病害的方法。采用逐步判别分析方法对纹理特征进行约简。对于 选 定 的 HSI 模 型 ， 分 类 准 确 率 为 95.00% 。 Liming 和 Yanchao（2010）提出了一种草莓自动分级系统.主色模型提取颜色特征和长度计 算 尺 寸 的 精 度 分 别 为 88.80% 和 90.00%Khojastehnazhand 等 人（2010 a）开发了一种基于大小和颜色进行分类和排序的算法，计算排序结果的体积，准确率为94.04%。Savakar（2012）开发了一种提取颜色和纹理特征的算法。采用三种不同类型的特征：颜色、纹理、颜色和纹理的组合，然后用反向传播神经网络进行分类。纹理和颜色特征的结合，结果在所有的准确性最好。Razak等人（2012年）提出了一种方法和算法，该方法和算法使用数字模糊图像处理、含量预测和统计分析来确定芒果生产的等级。该系统设计和开发了一个适当的算法检测和分类芒果在80.00%以上的准确率分级相比，人类专家排序。Nozari和Mazlomzadeh（2013）使用自适应网络模糊干扰系统作为决策技术，根据权重和一些几何参数对Mozafati日期进行分类。采用模糊数学方法对木材的重量、长度、宽度和厚度四个参数进行了分级，分级率为93.50%。Pan等人（2016）提出了基于LBP和纹理特征的局部相对相位二进制模式（LRPBP），准确率为95.83%。 Jana et al.（2017）提出了一种针对不同类型水果的方法。分割后的图像得到颜色特征，灰度共生矩阵得到纹理特征，并进行分类支持向量机它适用于嵌入式系统和单板计算机。Li et al.（2017）提出了一种结合颜色、形状和纹理特征的方法，解决了复杂背景下苹果采摘机器人目标和背景的分割问题。统计方法利用灰度来提取纹理特征，其效果优于其他算法。Moallem等人（2017年）提出了一种苹果分级算法，其中使用多层感知器（MLP）神经网络。然后提取统计特征、纹理特征、几何特征，并利用支持向量机、MLP、K-近邻法进行分类比较。SVM分类器对缺陷苹果和健康苹果的准确率分别为89.20%Sahu和Potdar（2017）提出了一种基于质量比识别芒果果实缺陷和成熟度的算法当品质比大于阈值时，果实腐烂。品质比小于阈值的果实为好果因此，本文提出的算法基于质量对芒果进行分级，这对芒果的增值是至关重要的。Naik和Patel（2017 b）提出了基于成熟度和大小特征的芒果分级在CIELAB颜色空间和热成像系统中，采用平均亮度算法对成熟度进行预测根据芒果的重量、偏心率和面积预测芒果的大小，在2.3 s内预测准确率为89.00%Rong等人（2017）提出了一种滑动比较窗口局部分割算法，该算法可分割各种类型的表面缺陷，如昆虫损伤、风痕、蓟马疤痕、铜烧伤等。该方法对柑橘的缺陷检出率为97.00%表4说明了不同研究人员基于纹理特征的水果和蔬菜质量分析。2.5. 分类食品质量评价的本质特征是分类，分类是一种人工模拟人类思维的结构，它能引导人们即时、准确、持久地作出复杂利用图像处理技术，可以用颜色、大小、形状和纹理等一组特征来利用这些特征构成训练集，然后利用分类算法提取知识库，对未知案例进行判定 在计算机视觉系统中，已经开发了各种各样的方法：KNN，SVM，人工神经网络（ANN），深度学习/卷积神经网络（CNN）用于食品质量评价的分类。KNN以距离度量的样本相似性为目标。该算法首先选择K个邻域，然后根据每个邻域内的欧氏距离，统计出数据点的个数，再选出一个新的点，在这个新的点处可以统计出新的点支持向量机是一种功能强大的分类算法，可以对线性和非线性数据进行分类。它将数据非线性映射到高维空间，表4不同质地特征在果蔬品质分析中的应用比较作者（s）水果类型参数精度Zhang等人（2014c）AppleStem end/Calyx95.24%Li et al. （2017）形状，纹理Jana等人（2017）颜色，纹理Pan等人（2016）纹理95.83%Moallem等人（ 2017）统计，纹理和几何特征92.50%Deepa和Geethalakshmi（2012）混合形状，纹理纹理96.00%形状100%形状，纹理形状，纹理Savakar（2012）颜色，纹理Chickoo 94.00%颜色，纹理苹果，柠檬93.00%颜色，质地芒果，橙色92.00%Khoje等人（2013a，b）质地番石榴，柠檬96.00%Nozari等人（2013a，b）日期长度，宽度，厚度93.50%02 The Dog（2012）Pourjafar等人2013年长度，宽度，厚度90.00%黎明和燕超（2010）草莓色，大小颜色：88.80%，颜色，尺寸大小：90.00%Khojastehnazhand等人（ 2010b）柠檬色，大小94.04%Razak等人（2012）芒果大小，颜色和皮肤80.00%。Sahu and Potdar（2017）全球特色Naik和Patel（2017）颜色和纹理91.00%Rong等人（2017）橙色形态特征97.00%A. 巴尔加瓦A.Bansal/沙特国王大学学报251使用内核函数。对于2类问题，SVM找到线性最优超平面，使得支持向量（两类的极值点）之间的距离可以最大化。人工神经网络基本上是计算机程序，它受到生物学的影响，以模拟人脑处理指令的方式。深度学习和卷积神经网络的发展对于水果分类和识别非常有效。深度学习学习图像特征并提取上下文细节和全局特征，这将有助于显着减少错误。最近，深度学习比任何其他机器学习算法都受到了更大的需求。然而，目前利用该方法进行水果分类的相关研究较少。当Hin-ton的团队获得ImageNet图像分类的冠军时（Krizhevsky等人，2012年），深度学习受到了主要关注。为了识别局部和全局特征，使用边缘和纹理特征使用深度神经网络，提出了一种水果检测系统（InKyuSa等人，2016），并再次训练该模型以执行七种水果的检测。为了训练CNN，需要输入图像和关联标签。CNN自动提取几个特征。Unay和Gosselin（2005）发展了基于人工神经网络的分割方法，提取图像的特征，采用最近邻、线性判别、Adaboost、支持向量机和模糊最近邻分类器对图像进行分类。Adaboost和SVM显示了最高的准确性。Vijayrekha（2008）使用了在窄带中高度相关的图像。采用基于多向PCA的多元图像分析方法对缺陷进行分割。MIA将具有相同光谱特性的所有像素分组到单个聚类中。因此，可以容易地识别外部缺陷。Wanget al.（2009a，b）开发了苹果算法，其中使用中值滤波器，然后通过区域生长进行分割，然后使用支持向量机进行分类。Radojevic等人（2011）结合了苹果果实256灰度图像的分析和参数化算法。它是基于数字模式识别方法，线性拟合和数值积分，用于可靠的水果分选。Unay等人（2011年）提出了通过多光谱图像上的茎/萼区域的最小混淆进行特定分割，从分割区域提取纹理，几何和统计特征。在这种多类别分级中，总体准确率达到93.50%。 Gopal等人（2012）提出了基于PDF中位数的分类。相同的是使用直方图交叉进行分类，以避免分级中的不匹配。Dubey和Jalal（2012）提出了苹果的纹理和颜色特征提取，并将其分类为完整的局部二进制模式。Borse和Jhuria（2013）提出了一种检测苹果黑星病和苹果根病的方法。利用纹理、颜色和形态特征进行分类，准确率达到90.00%最适合于形态学特征提取。Zhang 等 人 （ 2014 d ） 提 出 了 一 种 适 应 度 缩 放 混 沌 人 工 蜂 群（FSCBC）算法和前馈神经网络（FNN）作为混合分类方法。本文对水果图像进行了平方窗口处理，提取了水果图像的颜色、纹理和形状特征，并利用主成分分析进行了降维处理。这些提取的特征进行分类FSCBC-FNN算法与89.10%的准确率。Wang等人（2015）开发了一个由小波熵（WE）、主成分分析（PCA）、由适应度缩放混沌人工蜂群（FSCABC）训练的前馈神经网络（FNN）和基于神经网络的优化（BBO）组成的系统。实验结果表明，所提出的“WE +PCA+FSCBC-FNN”和“WE +PCA+BBO-FNN”两种算法的分类性能较好达到89.50%的相同精度。Dubey和Jalal（2015 b）提出了颜色相干向量、Zernike矩和完整的局部二进制模式的组合，其准确率为95.94%。Nandi等人（2016）提出了一种基于机器视觉的芒果分级技术。在该技术中，提取几个特征，然后进行支持向量回归，然后进行模糊增量学习算法。RITHM分级准确率达87.00% Zhang等人（2016）提出了一种基于神经网络的分类方法，该方法基于优化和前馈神经网络。结果表明，经细折分层交叉验证，总体准确率为89.11%。Jawale和Deshmukh（2017）提出了通过使用现代化的图像处理和热成像仪进行自动检测，热成像仪使用瘀伤检测系统检测水