计算机视觉技术在食品品质检测中的应用

（天津渤海职业技术学院，天津300402）

食品在市场中流通，其品质是衡量其市场价值和影响消费者偏好的标准，品质的低劣会引起巨大的安全隐患和经济损失[1]。因此，食品的识别、鉴定和分级在品质检测中是非常重要和必要的环节[2]。

计算机视觉技术是一种新型的无损检测技术，相对于传统的人工检测，具有不破坏被检测样品，效率高更经济的特点。随着计算机软件、硬件、图像处理技术的不断成熟与发展，计算机视觉技术在工业、商业、农业、制造业等领域有着广泛的应用[3]。本文着重介绍计算机视觉技术在食品品质检测方面的应用进展，从食品的外形尺寸、颜色、表面缺陷、内部品质、新鲜度等方面进行了综述。

1 计算机视觉技术

1.1 概述

计算机视觉技术是通过图像传感器采集得到所测样品的图像，把所得图像转换为数字图像，继而通过计算机技术模拟出来人的判别准则，对图像进行识别，并与图像分析技术相融合来分析得出所要结论的技术[4]。该技术涉及物理学、应用数学、计算机科学、神经生理学等多门学科知识，是当今现代化工业生产中不可或缺的重要技术之一。

1.2 计算机视觉系统的组成

计算机视觉系统主要由硬件和软件两部分组成，其中图像处理和图像分析是该系统的核心。

1.2.1 计算机视觉系统的硬件组成

计算机视觉系统的硬件主要由计算机、光室、电荷耦合器件（charge coupled device，CCD）摄像头（或扫描仪）、载物平台4大部分组成，如图1所示。

图1 计算机视觉硬件系统的组成Fig.1 The computer vision hardware system

计算机：计算机能够满足系统图像处理速度要求即可，没有过多特殊要求。

光室：光室是一个密闭的空间，用来消除外界光线的干扰，保证整个图像采集过程的稳定性。光室中的光源一般使用LED灯或日光灯，一般将光源固定在顶端，同时配置光源调节器以便进行光强度调节。

CCD照相机：图像质量优劣对后期的处理效果有重要影响，而CCD照相机的性能高低直接影响拍摄图像的质量高低，它是计算机视觉硬件系统中的核心部件。选择高配置的照相机和合理的参数设定是得到真实、准确图像信息的必要条件。

1.2.2 计算机视觉系统的软件组成

计算机视觉软件系统要与硬件系统相匹配，从而实现硬件系统的功能。软件系统的开发设计会根据识别对象、目的不同而有较大的差异，但是基本框架是一样的，如图2所示。

图2 计算机视觉软件系统的组成Fig.2 The computer vision software system

为提高图像特征提取和识别分析的可靠性，在计算机视觉软件系统中设置图像预处理模块，通过图像预处理可以消除图像中无关的信息并恢复加强有用的信息，以便增强有关信息的可测性和最大限度地简化数据。在经过图像预处理之后，需要对图像的像素进行分类识别，通过图像分割可将图像分解为一些特定的性质相似的部分，并对这部分图像进行特征提取、识别分析[5]。

1.3 计算机视觉系统的工作原理

计算机视觉系统工作流程见图3。

图3 计算机视觉系统工作流程图Fig.3 The work flow chart of computer vision system

计算机视觉系统的工作原理是通过摄像机获得所需要的图像信息，利用信号转换器将获得的图像信息转变为计算机能够正确识别的数字信息[6]。具体工作流程包括4个模块：（1）图像采集模块：该模块由两个子功能组成，分别是灰度图像采集和彩色图像采集。（2）图像预处理模块：该模块由4个子功能组成，分别是直方图均衡、图像增强、均值滤波和边缘检测。同时对采样的图像可以实现诸多算法处理，如滤波、增强、平滑及边缘检测等。（3）特征提取模块：通过图像变换，更易于分析，从而得到相应的结果。（4）结果输出模块：检测与分析的结果由一个窗口给出。

2 计算机视觉技术在食品品质检测中的应用

计算机视觉技术在食品工业上的应用研究，起始于20世纪70年代初期，随着近几十年技术的更新迭代，计算机视觉技术也越来越成熟。其中在食品品质检测领域，计算机视觉技术已经广泛应用于果蔬、肉制品、烘焙食品、禽蛋、海鲜等大类食品的外观（如重量、形状、大小、色泽、外观损伤等）识别、内部无损检测、腐败变质检测、新鲜度检测等方面[7-8]。表1列出了计算机视觉技术在食品品质检测领域的具体应用。

表1 计算机视觉技术在食品品质检测中的应用Table 1 The application of computer vision technology in food quality inspection

2.1 外形尺寸识别

食品等级是对食品的外观、安全性、保质期等方面的严格规定和划分，国家对于食品的等级划分一般为4个级别：优等品、一等品、合格品和不合格品。不同等级需经有关主管部门评定确认，并获得各级颁发的食品证书。其中食品的外形尺寸是食品分级的重要依据。

在尺寸及形状检测中，通常以面积、周长、长度和宽度等作为样品的特征参数，通过计算图像中目标样本区域的像素个数获取被测样本的特征参数[9]。Heinemann P H等[10]对于蘑菇尺寸的检测，采用基于计算机视觉的自动化系统检测方法，其结果远优于人工检测方法，25个样本的自动化系统检测误差为8%～25%，而人工检测的误差为14%～46%。孔彦龙等[11]提出了一种基于图像综合特征参数（质量、形状）的分选方法。利用计算机视觉技术提取马铃薯俯视图像的6个不变矩参数，并通过人工神经网络模型完成对马铃薯的形状分选，分选准确率高达96%。蔡健荣等[12]利用计算机视觉技术对烟叶的大小形状特征参数进行提取，并选择形成特征向量，去除了标准样本中的奇异样本。通过人工神经网络对多个地区的烟叶进行学习和分类，实现了烟叶质量分选。里红杰等[13]通过海产品的尺寸、形状、颜色、纹理等特征，结合预测模型，采用数字图像处理的方法实现海产品的分类及质量评估。赵静等[14]利用计算机视觉技术提取果形的6个特征参数，通过人工神经网络对果形进行识别和分级。该方法是首次将参考形状分析法用于果形判别，分级准确率在93%以上，基本与人工分级结果持平。

2.2 颜色检测

颜色是食品的重要感官属性，人眼对于颜色的感知存在一段适合的阈值，长时间分辨会出现视疲劳。为了克服人眼的疲劳和差异，可以利用计算机视觉系统对食品颜色做出评价和判断。

留胚率是大米品质的一个重要指标。黄星奕等[15]利用计算机视觉技术测定大米的留胚率，首次提出以饱和度S作为颜色特征参数进行胚芽和胚乳的识别，其检测结果与人工检测吻合率达88%以上。Tao Y等[16]基于计算机视觉技术通过色调直方图表示颜色特征并以此构建HIS彩色模型，该模型采用多变量识别技术区别好马铃薯与发芽马铃薯及黄色和绿色的苹果，正确率高达90%以上。赵慧等[17]建立一种对午餐肉样品物理特性要求较少，能对物料表面整体颜色进行准确测量的无损检测方法。采用计算机视觉系统对24色色彩测试板测得L，a，b值，使用色彩色差计对24色色彩测试板测得L*，a*，b*值，对两组数据进行线性回归，该测定方法可以准确测定午餐肉颜色，其效果可以代替色差计。

同样在烘焙食品的品质检测中，颜色是重要的检测指标。Mcconnell R K等[18]提出利用计算机视觉技术检测面包或其它焙烤食品的颜色来控制食品的质量。朱铮涛等[19]利用计算机视觉技术实现食品表面色泽、单元完整性、表面花纹清晰性及露馅等项目的检测，把图像的灰度均值、斑点面积和局部阈值分割结果等作为图像特征，实现各项目客观、定量、准确和快速地检测。

2.3 表面缺陷检测

食品在生产过程中会产生各种缺陷，给食品带来严重隐患。为了提高食品品质，利用计算机视觉技术对缺陷进行检测，具有检测精度高、漏检率低、系统稳定性能高等优点。

孙洪胜等[20]基于计算机视觉技术提出了一种缺陷面积的新算法，实现了利用计算机视觉技术对苹果缺陷域地快速、准确识别。王泽京[21]利用计算机视觉技术对马铃薯自动检测分级做了研究，提出了利用R、G、B三个分量的标准差，对马铃薯暗色部分缺陷分割的方法和一种以欧氏距离为标准进行马铃薯绿皮检测分割的方法，缺陷马铃薯检测的准确率较高，达到90%。杨祖彬等[22]提出了一种改进的计算机视觉识别技术与图像融合算法，建立了脐橙表面损伤识别系统，试验结果表明，该方法加快了系统对于损伤定位的处理速度，检测达到了10.5个/s。

禽蛋表面缺陷或损伤的自动检测一直是质量分级的难题。利用计算机视觉技术检测禽蛋表面缺陷可以很好地解决以往人工检测劳动强度大、人为误差大、工作效率低等缺点。欧阳静怡等[23]利用计算机视觉系统获取鸡蛋表面图像，通过同态滤波、BET算法、fisher等改进型图像处理技术，提取裂纹特征并判决，从而实现对鸡蛋表面裂纹的检测。结果表明，该技术对鸡蛋表面裂纹的检测准确率高达98%。潘磊庆等[24]创新了计算机视觉技术，将声学响应信息与其融合进行鸡蛋裂纹的检测，试验结果表明准确率可达98%。

2.4 大小、重量检测

食品的大小、重量是食品分级的指标之一。冯斌等[25]提出利用水果的大小对水果分级的一种方法。通过计算机视觉技术对水果图像的边缘进行检测，从而确定水果大小，实现水果分级。韩伟等[26]通过对水果图像进行分割，提出了一种水果直径大小检测的快速算法，即计算各区域内水果的最大半径，进而得出果蔬的最大直径。改法与传统方法相比较，不仅降低了计算量而且提高了计算精度，具有很大的实际工业应用价值。王江枫等[27]利用计算机视觉技术检测芒果的重量及果面损伤情况，建立了芒果重量与其投影图像的相互关系。通过模型试验研究表明，按重量分级其准确率均为92%以上，按果面损伤分级其准确率为76%以上。

2.5 内部品质检测

在食品品质检测过程中，很多情况下需要保证在不破坏被检测食品的情况下，应用一定的检测技术和分析方法对食品的内在品质加以测定，这就需要采用无损检测技术。无损检测技术是近年来发展起来的一项新技术，其中综合利用图像处理与分析等相关方面的计算机视觉技术，具有检测速度快、信息量大等优点，在食品品质检测领域有着迅猛的发展。

韩仲志等[28]提出了一种基于计算机视觉的花生品质分级检测方法。该方法分别从花生品质表征的3个方面提取和分析54个特征参数，分别采用神经网络和支持向量机建立识别模型，并加以比较，试验表明，使用支持向量机的非线性模型对花生规格和等级检测的正确率达到了93%。辛华健[29]设计了一种基于计算机视觉的芒果品质检测方法，拍摄芒果图像后利用自适应Canny算法获取目标区域的边缘，以大小、颜色和表面缺陷反映芒果的品质，并基于BP神经网络实现对芒果的分级。Pace B等[30]对胡萝卜抗氧化活性（antioxidant activity，AA）与总酚（total phenols，TP）含量进行相关性研究。利用计算机视觉技术获取胡萝卜的颜色参数，并将颜色参数与两个指标关联建立多变量模型。通过模型，可以根据胡萝卜颜色值，成功地估计胡萝卜的AA和TP的含量。成熟度是食品品质指标之一，Wang等[31]建立了一个计算机视觉系统，通过透射和相互作用模式分别获取甜瓜断裂表面的图像，从而得到计算甜瓜的可食用率，采用偏最小二乘算法（plsregress，PLS）建立了校准模型来预测甜瓜的成熟度指数，结果表明该方法可以很好地预测甜瓜的成熟度。

2.6 腐败变质检测

食品腐败变质是指食品受到各种内外因素的影响，造成其原有化学性质或物理性质和感官性状发生变质，降低或失去其营养价值和商品价值的过程。引起食品腐败变质的原因有很多，其中微生物是最主要原因之一。近年来，随着计算机硬件和图像处理技术的快速发展，计算机视觉技术在食品腐败变质中微生物检测方面的应用也越来越广泛。

Bayraktar B等[32]利用计算机视觉技术获取李斯特菌菌落中的形态特征，同时融合模式识别技术、光散射技术对图像进行分析处理从而实现对该菌的分类识别。Gomez-Sanchis J等[33]利用计算机视觉技术检测了由青霉属真菌引起的柑橘类水果腐烂，采用人工神经网络数据处理方法，结果显示检测正确率达到98%。殷涌光等[34]利用计算机视觉技术提取培养后溶液颜色的变化图像，从而建立颜色变化与食品中大肠杆菌含量的关系模型。试验证明，利用该模型判断待测液中大肠杆菌的数目较传统方法相比可以节省6 d时间，大大提高了检测效率。

2.7 新鲜度检测

新鲜度是食品品质安全的一个重要衡量指标，检测和评价新鲜度是食品品质安全控制的关键环节，关系着消费者的切身利益。

冯甲一等[35]开发了一套基于计算机视觉的叶类蔬菜新鲜度等级识别系统，以计算机视觉和模式识别理论为基础，获取在一定条件下背景为白色的叶类蔬菜图像，利用MATLAB软件对图像进行处理、分析，同时采用主成分分析、费歇尔判别相结合的方法，实现了特征提取和判别模型的构建。其中主成分分析将13个特征参数综合成4个新变量，构建的判别模型对样本总体的识别率达84%。郑丽敏等[36]基于计算机视觉技术，采用背向照明方式采集鸡蛋的透射图像得到鸡蛋的蛋黄和气室的图像信息，并根据图像特征建立数学模型来预测鸡蛋的新鲜度和贮藏期。Shi等[37]利用计算机视觉系统对4℃贮藏罗非鱼的瞳孔和鳃部颜色参数进行提取，研究基于颜色参数的多元回归模型对挥发性盐基氮值（total volatile basic nitrogen，TVB-N）、菌落总数（total viable count，TVC）和硫代巴比妥酸（thiobarbituric acid，TBA） 值进行预测，R2值达到 0.989～0.999，并采用图像算法生成TVB-N、TVC和TBA的可视化图，方便了新鲜度地检测。

2.8 食品中丙烯酰胺检测

丙烯酰胺是一种可能的致癌物，广泛存在于各种食品中，如焙烤食品、油炸食品、煎烤食品和膨化食品等。丙烯酰胺检测方法对于准确评估其对人体危害十分必要，计算机视觉技术凭借测量精度高、信息量大、速度快等优点成为食品中丙烯酰胺便捷检测技术方法之一。

何鹏等[38]设计了一套基于计算机视觉技术油炸马铃薯中丙烯酰胺含量的测定系统，该方法计算得到的丙烯酰胺含量与标准化学方法测定值之间的最大相对误差为4.94%，表明该方法可行、准确。王成琳[39]提出一种基于计算机视觉技术的熏烤肉中丙烯酰胺含量值的测定方法。分析检测得到的熏烤肉表面颜色值及其丙烯酰胺含量值，发现熏烤肉双表面α值与其丙烯酰胺含量值之间有很强的相关性，拟合出两者之间的线性回归方程。在测定熏烤肉中丙烯酰胺含量值时，将熏烤肉双表面颜色值α带入到已经建立好的线性回归方程中，即可求得熏烤肉中的丙烯酰胺含量值。该方法实现了准确快速、无损失测定熏烤肉中丙烯酰胺的含量。

3 展望

计算机视觉融合了图像处理、模式识别以及人工智能等技术，随着计算机软硬件技术、图形图像处理技术的迅猛发展，该技术在食品品质检测方面得到了广泛应用。在计算机视觉研究领域，众多学者将此技术的研究分为3个层次：低层特征研究、中层语义特征表达和高层语义理解。通过以上综述可以发现，在食品品质检测领域中的计算机视觉技术多数关注的是内容单一的食品图像和简单的图像分割，属于该技术研究领域的前两个层次，即使如此，该技术在运用过程中，仍然存在较多的技术难题亟待解决。如（1）检测性能受环境影响较大：现阶段的计算机视觉技术受环境制约较大，建立的配套数学模型一般适用于简单的环境，对于影响因素较多的环境其检测准确率将会降低；（2）检测指标有限：在检测食品单一指标或者分级标准为一个指标时，计算机视觉技术表现出理想效果，但对同一食品的多个指标或分级标准为多个指标时，检测分级效果较差；（3）检测兼容性差：食品分级对于检测模型的依赖性较强，现阶段计算机视觉技术对于单一种类的食品分级检测效果显著，如果食品种类发生变化则同一套系统和设备则很难实现检测。

为解决以上技术难题，近些年学者们提出了基于卷积神经网络的图像识别，它是计算机视觉与人工神经网络技术的融合，保证检测对象在不同环境下的最大程度识别。韩朋朋[40]课题组采用基于卷积神经网络的计算机视觉技术，通过设计深层卷积神经网络模型和压缩嵌入式蔬菜网络模型，对不同摆放角度、不同光线强度和不同放置背景下的蔬菜进行图像识别，实验证明，蔬菜识别的准确性高达97%。廖恩红等[41]运用基于卷积神经网络的计算机视觉技术，提出了一种新的食品图像识别模型China Food-CNN，实现了对食物的精准分类。

4 总结

综上所述，可以看出国内外学者对计算机视觉技术在食品品质检测中的应用进行了大量地研究，有些是对食品单一指标的检测，有些是综合性能指标的检测。在此研究和应用过程中，既取得了较大的经济效益，也遇到了很多问题。在新的形势下，计算机视觉技术与人工神经网络、数学模型、微生物快速计量等高新技术相融合，探究该技术在高层次语义理解方面的应用，为食品品质检测发展提供技术支持。