前言：想要寫出一篇引人入勝的文章？我們特意為您整理了果蔬分類中計算機視覺的應用范文，希望能給你帶來靈感和參考，敬請閱讀。

摘要:計算機視覺在農產品分類領域廣泛應用，但受限于類間相似性和不規則的類內特征，果蔬分類仍是一個復雜的問題。本文針對近年來基于計算機視覺的水果分類進行比較，簡述了現階段果蔬分類所面臨的挑戰，并提出展望，以期為提高果蔬分級效率提供參考。

關鍵詞:計算機視覺；果蔬分類；應用；挑戰；展望

自“農業4.0”時代的來臨，以“互聯網+”為驅動的農業技術已成為發展農業強有力的支撐。在果蔬業中，果蔬分類通常由經過訓練的人員人工評估農產品或農作物的質量。但是，人工分類會帶來許多相關的限制，工作人員需要熟悉果蔬的許多特征，并且高強度的機械性工作帶來的失誤不可避免，因而分類技術的提高是農產品質量提升的關鍵。計算機視覺技術具有效率高、非接觸、抗干擾能力強等優點，在多個領域已經廣泛應用，能實現農產品快速無損檢測的要求[1]。果蔬分級效率的提升對我國產品質量提升、農民增產增收具有重要意義。

1圖像處理技術在果蔬分類領域的應用

本文對基于計算機視覺技術的果蔬分類進行了比較調查，發現研究人員多使用一種或者多種傳感器或者機器學習技術進行農產品的分類與分級，但是由于相同水果品種不同造成形狀、大小與顏色的不同，果蔬的分類依然面臨著許多挑戰[2]。為解決這些問題研究人員已經進行了多種實驗，其中結合機器學習技術對于系統有明顯提升。通過使用傳感器捕獲水果與蔬菜的特征，使用機器學習對任務進行優化，以提高系統整體性能[3]。

2果蔬分類的主要挑戰

雖然已經在多個產業中實現目標分類，但將果蔬作為對象進行分類仍然是一項復雜的問題。在實際過程中，環境、光及空間等因素制約了系統的優化，使系統的時間與準確性方面受到限制。光照方向及亮度、色溫以及背景所造成的鏡面反射與漫反射都會制約系統的進一步優化，并且不同種類果蔬的特征并不相同，這也使果蔬分類系統沒有被廣泛地開發。

2.1缺乏合適的傳感器

分類任務的一個關鍵步驟就是選擇適合場景的傳感器用于數據采集。在果蔬的分類任務中視覺傳感器與非視覺傳感器已經廣泛地應用，但是由于各種傳感器性質不同其所適用的應用場景亦有不同[4-6]。例如超聲波傳感器與觸覺傳感器都不太適合易損的目標物[7]。因為這些傳感器需要物理接觸果蔬以獲取數據。另外，視覺傳感器對許多因素高度敏感，例如照明條件和背景環境。這些基本因素是許多復雜因素的結合，包括反射、折射、縮放、旋轉和平移，這在系統實際的設計中需要深入考慮。傳感器大致分為視覺傳感器和非視覺傳感器。由于每個傳感器具有一定的局限性，例如視覺傳感器對照明條件和背景顏色高度敏感。高光譜相機可以得出物體反射特性，檢測具有相似顏色或背景的不同對象的固有特性，其對許多顏色等因素不敏感，并且高光譜信息與水果的其他特征相結合，可以提高系統性能。最近，熱紅外分析已用于許多領域，例如植物病害檢測、冷藏對果實的冷害、農作物成熟度估算和農作物產量估算[8]。然而，由于蔬菜和背景的熱物理性質大致相似，并且這種技術對溫度變化敏感，因而熱紅外分析仍不能很好地完成綠顏色水果和多葉蔬菜的分類任務。

2.2難以準確選擇特征

特征是用于與其他物體區分的物理特征。果蔬具有多種物理特征，例如顏色、質地、形狀和大小，這些都是可以用作分類的特征參數，并且果蔬具有類間和類內的同異性。類別間的變化是主要變化，即顏色、紋理和形狀的變化，而類別內的變化更難以發現，特征更加難以區分。理想的系統能夠進行類間和類內分類。研究表明，單個特征不能有效地對果蔬或物體進行有效分類。計算機視覺是用于圖像分類和識別的一種技術，可以設計算法通過多種方式對果蔬進行分類，通常分類是基于神經網絡完成。在任何機器學習應用程序中選擇合適的算法至關重要，但是由于果蔬的類間相似性，算法優化尤為重要。數字圖像中某些與特性有關信息的識別、分類、檢索、重建稱為特征描述，果蔬具有相關的獨特視覺特征。果蔬的分類和識別最常用的特征是顏色、形狀、大小和質地，可以根據整體或局部圖像特征來選擇特征描述是全局或者局部的特征。特別是對于對象識別，全局圖像特征描述整個對象，具有良好的不變性，而局部圖像特征則易于實現快速匹配。因此，通常將局部和全局圖像特征配合使用以提高整體性能。在圖像經過去噪、平滑等操作之后，圖像的細節將不可避免地丟失，因而需要更加注意特征的選取。這些因素對特征描述的選取造成了一些限制。

3展望

在果蔬分級中用于數據采集的傳感器由于實際應用場景中的各種因素而受到限制。因此，不同環境的傳感器選擇尤為重要。在果蔬分類中使用多個傳感器會提高預期結果，但是由于產生的數據不同對數據處理的要求也不斷提高，各傳感器數據擁有的不同性質的使用也受到限制。單使用機器視覺算法對于多特征分類是難以實現的。大多數傳感器尚未應用于果蔬分類領域，其中很大一部分原因是缺乏數據，需要擴充數據以建立新的數據集，以使各種傳感器獲得更有效的結果。

4參考文獻

[1]張書彥，張文毅，余山山，等.圖像處理技術在信息農業中的應用現狀及發展趨勢[J].江蘇農業科學，2017，45（22）：9-13.

[2]羅錫文，廖娟，胡煉，等.提高農業機械化水平促進農業可持續發展[J].農業工程學報，2016，32（1）：1-11.

[3]陳桂芬，李靜，陳航，等.大數據時代人工智能技術在農業領域的研究進展[J].吉林農業大學學報，2018，40（4）：502-510.

[4]陸勇，李臻峰，浦宏杰，等.基于聲振法的西瓜貯藏時間檢測[J].浙江農業學報，2016，28（4）：682-687.

[5]李小昱，徐森淼，馮耀澤，等.基于高光譜圖像與果蠅優化算法的馬鈴薯輕微碰傷檢測[J].農業機械學報，2016，47（1）：221-226.

[6]徐賽，陸華忠，周志艷，等.基于高光譜與電子鼻融合的番石榴機械損傷識別方法[J].農業機械學報，2015，46（7）：214-219.

[7]張麗芬.基于計算機視覺技術的櫻桃自動分選系統設計[J].農機化研究，2017，39（9）：212-214.

作者：劉同金 劉生智 熱娜古麗·熱西提 劉冠華 單位：塔里木大學信息工程學院