（英文文献翻译）

文献题目：Determination of the olive maturity index of intact fruits using image analysis

Abstract

In this work, the maturity index of different samples of olives was objectively assessed by image analysis obtained through machine vision, in which algorithms of color-based segmentation and operators to detect edges were used. This method allows a fast, automatic and objective prediction of olive maturity index. This prediction value was compared to maturity index (MI), generally used by olive oil industry, based on the subjective visual determination of color of fruit skin and flesh. Machine vision was also applied to the automatic estimation of size and weight of olive fruits. The proposed system was tested to obtain a good performance in the classification of the fruit in batches. When applied to several olive samples, the maturity index predicted by machine vision was in close agreement with the maturity index of fruits visually estimated, values that are currently used as standards. The evaluation of weight of fruit also provided good results (R2thinsp;=thinsp;0.91). These results obtained by image analysis can be used as a useful method for the classification of olives at the reception in olive mill, allowing a better quality control of the production process.

Keywords

Algorithm Maturity index Olive fruit Image analysis

Introduction

The quality of virgin olive oil depends on both agronomic and technological factors. With regard to the agronomic aspects, there are several factors that can affect the quality of the olive oil, including olive variety, irrigation rate, pest attack, fruit diseases and harvest time (Uceda and Frias 1975). Harvest time is the first and most crucial decision to make in the production process of virgin olive oil. It is determined by several factors: fruit retention force, oil content in the olive fruit, chemical composition, sensory attributes of olive oil and industrial yield. Because these factors evolve as the fruit matures, it is necessary to use methods to monitor the maturity process. The most common method for evaluating maturity in olives is based on the visual determination of the maturity index (MI). This involves assessing changes in the color of the skin and flesh as the fruit matures and giving them a classification (from 0 to 7) based on the color (Miacute;nguez-Mosquera and Gallardo-Guerrero 1995; Roca and Minguez-Mosquera2001). It is a very time-consuming procedure and very subjective because it depends on the opinions and experience of the evaluator, as well as on environmental factors such as lighting, color appearance and condition of the fruit, all of which can be highly variable. In addition, evaluators often have to decide between colors that are difficult to distinguish. From a visual point of view and depending on the stage of ripeness, the color of olives can change from intense green to black (Ting and Rouseff 1986). This is because in the final stages most of chlorophylls are degraded and replaced by anthocyanins, which makes the fruits more vulnerable to external damage and infection (Gnanasekharan et al. 1992; Garcia et al. 1996a; Tovar et al., 2002).

Knowing the MI is useful for producers because it enables them to identify the optimal harvest time to improve the quantitative and qualitative characteristics of olive oil production. For example, for the Picual olive cultivar, an MI value of between 3 and 4 indicates a good balance between the yield and quality of olive oil, regardless of the extraction process (Baccouri et al.,2007). Other methods to determine the stage of maturity in olives include determining fruit firmness (Taylor et al. 1995; Lehman-Salada, 1996), measuring the fruitrsquo;s rate of respiration (Ranalli et al., 1997), using non-destructive methods such as a densimeter (Garcia et al. 1996b; Olmo et al. 2000; Garcia et al. 1998), measuring the transmission of acoustic waves through the fruit (Muramatsu et al. 1996) and using a flourescence method to evalute the ripening grade b

剩余内容已隐藏，支付完成后下载完整资料

（翻译）

文献题目：用图像分析确定完整果实的橄榄成熟度

指导老师：韩屏

学院班级：电子1301

学生姓名：韦安定

摘要

在这项工作中，通过机器视觉获得的图像分析客观评估了不同橄榄样品的成熟度指数，其中使用基于颜色的分割算法和运算符来检测边缘。这种方法允许快速，自动和客观地预测橄榄成熟度指数。该预测值与橄榄油工业通常用于成熟度指数（MI）进行比较，基于果皮和肉的颜色的主观视觉测定。机器视觉也被应用于橄榄果实的尺寸和重量的自动估计。测试了所提出的系统，以便在分批水果中获得良好的性能。当应用于几种橄榄样品时，机器视觉预测的成熟度指数与目前估计的水果成熟度指数（目前用作标准值）非常一致。水果重量评价结果也较好（R2 = 0.91）。通过图像分析获得的这些结果可以用作橄榄磨机接收橄榄分类的有用方法，从而更好地控制生产过程。

关键词：算法，成熟度指数，橄榄果图像分析。

介绍

初榨橄榄油的质量取决于农艺和技术因素。在农艺方面，有几个因素可能会影响橄榄油的质量，包括橄榄种子，灌溉率，病虫害发生，果实病害和收获时间（Uceda and Frias，1975）。收获时间是在初榨橄榄油的生产过程中作出的第一个也是最重要的决定。由果实保留力，橄榄果油含量，化学成分，橄榄油感官特性和工业产量等因素决定。因为这些因素随着水果的成熟而发展，所以有必要使用方法监测成熟过程。用于评估橄榄成熟度的最常见方法是基于成熟度指数（MI）的视觉测定。这包括评估皮肤和肉体颜色的变化，因为水果成熟，并根据颜色给出了分类（从0到7）（Miacute;nguez-Mosquera和Gallardo-Guerrero 1995; Roca和Minguez-Mosquera2001）。这是一个非常耗时的过程，因为它取决于评估者的意见和经验，以及环境因素，如照明，颜色外观和水果状况，所有这些因素都可能是高度可变的。此外，评估者通常必须在难以区分的颜色之间进行判断。从视觉的角度看，根据成熟的阶段，橄榄的颜色可以从强烈的绿色变为黑色（Ting and Rouseff 1986）。这是因为在最后阶段，大部分叶绿素被降解并被花青素替代，这使得水果更容易受到外界的损害和感染（Gnanasekharan等，1992; Garcia et al。1996a; Tovar et al。，2002）。

了解MI对于生产者来说是有用的，因为它可以确定最佳收获时间，以提高橄榄油生产的定量和定性特征。例如，对于Picual橄榄品种，MI值在3和4之间表示橄榄油的产量和质量之间的良好平衡，不管提取过程如何（Baccouri et al。，2007）。确定橄榄成熟期的其他方法包括确定果实坚实度（Taylor等，1995; Lehman-Salada，1996），测量果实的呼吸速率（Ranalli等，1997），使用非破坏性方法，如密度计（Garcia等人1996b; Olmo等人2000; Garcia等人1998），测量通过果实的声波的传播（Muramatsu等人，1996），并使用荧光法来评估花青素的成熟等级决定（Agati et al。2005）。一些作者提出了一些经典化学参数的修改作为成熟过程的指标。 Mickelbart＆James（2003）提出在橄榄果实中使用干物质百分数，Cherubini等提出使用糖含量作为技术MI。近来，近红外光谱（NIRS）也被用于评估橄榄果实的成熟度。 Gracia＆Leon（2011）研究了成熟过程中完整橄榄油和水分含量的变化。 Cayuela等人（2009）进行了类似的研究，但也包括基于鲜重和干物质的酸度和含油量的预测。两项研究都通过直接用NIRS测量果实来研究橄榄果实和初榨橄榄油中的这些质量参数。 Bellincontro等人（2012）将NIR技术应用于主要多酚（橄榄苦苷，毛蕊花苷，3,4-DHPEA-EDA）和橄榄总多酚的个体浓度测定中，提出了这些参数作为水果成熟度的指标。 Morales-Sillero等（2011）研究了NIR光谱学对表橄榄性状（包括MI）的非破坏性表征的可行性。 Salguero-Chaparro等人（2012）研究了使用vis-NIR光谱法对完整橄榄果实进行在线分析的采集参数的优化，这是实施用于橄榄油生产过程控制的NIRS技术的第一步。评估橄榄果实成熟期的另一个重要方法是计算机视觉。近年来已经开发出许多应用，根据各种标准使用这种橄榄果实的分类方法。成熟阶段已经被用于通过在红色通道（R）中应用直方图和红色和红外图像的组合（红色除以相应的红外图像[R / IR]）（Cordero等人2006），在收获期间对桃子进行分类。其他研究使用面向区域的分割算法来检测柑橘类水果中最常见的剥离缺陷（Blasco et al。2007）。该检测主要集中在感兴趣的方面 - 声音剥离，干扰和缺陷 - 并且允许成功地进行较小的缺陷的分割，例如尺度[Kondo et al。 2000]，樱桃的质量控制和缺陷（Rosenberger等人2004; Uthaisombut，1996）和苹果（Cheng等人2002; Kavdir和Guyer2004; Mehl等人2004）。检测也可以基于水果的形状，大小和成熟度，如黄瓜所示（Abdullah等人2006）。在这种情况下，使用线性判别分析和多层感知神经网络等人工分类器，将黄瓜放置在三种形状类别中达到100％的成功率：良好的形成，轻微变形和严重变形。其他研究通过使用水位置，椭球近似和图像处理方法测量了西瓜的体积（Koc，2007）。 Brosnan和Sun（2004）对各种食品，包括面包类产品，肉类，鱼类，蔬菜和水果的图像处理技术进行了全面的综述。早期的研究证明了根据颜色分类水果的能力（Pla等人1999; Mendoza和Aguilera 2004; Oberti等人1999; Peri等人2003）。通过在苹果果实的不同发育阶段进行手动测量，通过评估每棵树的平均直径，可以发现苹果老化过程中形状和颜色之间的显着相关性（Stajnko和Cmelik，2005）。文献中的一些研究使用图像与成熟度之间的相关性来表征成熟过程，并为各种品种定义适当的阈值，以评估田间和采后实践中的可能应用（Bodria et al.2002; Choong et al。 2006）。计算机视觉也被应用于表橄榄以检测外部损伤（Diaz等人，2000年，2004年; Riquelme等人，2008年，Furferi等人，2010），并且已经成为在工业生产桌面橄榄中广泛使用的技术水平。

到目前为止，所有使用视觉系统的研究都能够为一组橄榄获得整体而独特的MI。基于使用红外和可见图像提出的新视觉方法允许为一组中的每个橄榄获得MI，其提供关于进入工厂的橄榄的更多信息，并且可以帮助沿着该过程的决策线。因此，为了在行业中被接受，MI的评估方法应该易于使用，便宜且可靠。为了降低当前用于确定橄榄MI的方法的主观性，本研究旨在提供一种整合用于分类橄榄的机器视觉系统的自动方法。这是通过使用基于颜色和边缘检测的图像分割算法根据成熟度类进行分类来完成的。为了通过计算机视觉来提高预测值的一致性，本研究结合了通过颜色分析获得的信息和个体橄榄果实的MI预测。提出的新颖方法还提供了更多的质量信息，如橄榄尺寸和平均重量，并且可以通过允许不符合要求标准的橄榄的分类和去除以及改善质量控制来改善商业系统的性能。在橄榄油的提取过程中。

材料和方法

样品：

从2011年11月在西班牙哈恩省的几个橄榄厂收集了橄榄油（2 kg）的橄榄样品，颜色范围从深绿色到完全黑色。 它们被用于获取图像，并且创建了合成样品，以确保样品覆盖整个MI范围。

目标确定成熟度指数（MI）：

在每个抽样日，MI由一组评估橄榄皮肤和肉色的有经验的评估者确定（Garcia等1996a）。 这包括根据表1中概述的特征将橄榄分为八组。官方方法使用100个橄榄，并计算每个样品或橄榄组的总体MI值。

表格1：成熟度指数（MI）基于皮肤和肉色的橄榄分类组

MI使用以下等式计算：

MI =Sigma;i* ni / 100MI =Sigma;i* ni / 100

i是组号，ni是组中橄榄的数量。

这种方法包括手工分离橄榄，切割纸浆以检查它，计数并鉴定它们所属的组。 该方法还包括校准水果的其他测量，例如重量，尺寸和直径。

图像系统：

使用组合可生成24位RGB图像的可见色彩通道（拜耳马赛克CCD）和NIR通道（单色CCD）的JAI AD-080CL多光谱相机获取图像。该相机的主要优点是它能够沿同一光路同时捕获两个通道。

相机使用标准的Camera Link接口，每个通道可以输出8位或10位和24位的图像，每个通道的分辨率为1024times;768个有效像素。相机安装在装有受控照明的封闭舱室中，以实现一致的图像。照明由具有一些过滤器的卤素灯提供，以产生模拟照明D65（6,500K）的漫射光，其是由国际照明委员会确定的标准，模拟中午阴天的照明条件。通过使用放置在水果和光源之间的反射表面来避免橄榄果实上的直接照明。图像拍摄距离约45厘米，具有中性白色背景。

方法：

所使用的算法是使用Matlab（The MathWorks，Inc.，Natick，MA，USA）的图像处理工具箱7.4.0版，以及Image Pro-Plus版本6.0（MediaCybernetics，Inc）开发的。

对于两个通道，IR（单色）和可见（RGB图像），图像被重复获取，其中像素由三个值指定，每个颜色分量（红，绿和蓝）一个。

成熟度指数（MI）估计：

用于估计MI的技术是分割，其基于使用根据各种标准（颜色，边界，纹理等）选择的像素簇来识别区域和边缘（Medioni等人2000; Plataniotis和Venetsanopuolos 2000）。

为了开发自动预测MI的方法，进行了以下步骤：

识别和分离近红外图像中的物体：

分离物体涉及使用NIR单色图像以分离每个橄榄果实。为了识别NIR单色图像中的对象，最初执行对比度均衡，然后进行空间滤波增强（“Flatten”），减少背景像素的强度变化。将空间滤波操作应用于图像以增强或衰减空间细节，以便改善视觉性能或促进进一步处理。可以将图像处理中的空间滤波视为“局部”过程，因为它可以根据周围像素的值来改变每个像素的值。从实践的角度来看，这一步骤主要集中在根据相邻像素中的值对原始NIR图像中的灰度级进行分类。这个任务使用两种算法进行：a）Border-4 Neighbor，它确定了橄榄色的边缘，考虑到直方图中像素的强度值和较暗像素的强度值作为对象的边缘; b）连通组件算法，用于为每个橄榄分配一个值。这种基于边缘的算法枚举了构成橄榄色的每组像素（Chang和Saavedra2001）。

创建一个蒙版并将其应用到可见的彩色图像：

从连接组件数组中的数据可以创建一个掩码，可以添加各种大小的过滤器，以便测量完整对象或自动删除大于或小于固定大小限制的对象（Russ，2006） 。 基于这些对象构建图像的骨架。 骨架旨在表示具有相对少量像素的对象的形状，因此骨架的所有像素在结构上是必需的。 骨架线的位置，方向和长度对应于原始图像的位置，方向和长度。 骨架简化了提取图像特征的任务。

将图像减少到骨架并消除突起的掩模添加了对分离的对象执行颜色分割的RGB图像。

基于颜色和分类的分割

基于颜色的分割可以使用监督或无监督的方法进行，以获得和量化橄榄果实中的主要颜色。此步骤需要使用各种功能转换RGB图像，以便在L * a * b色彩空间中更改RGB格式。应用CIE L * a * b *颜色符号系统来确定参数L *，a *和b *，其中L *是亮度，a *是从绿色到红色的颜色轴，b *是颜色轴从蓝色到黄色。

使用监督方法，选择包含感兴趣的颜色（颜色标记）的区域，然后对其进行平均。这种分类是通过使用k最近邻（KNN）方法（Richards，1999）完成的，其中每个像素被分类在与具有相似强度的颜色标记相同的类中。为每个标记指定k个最近邻居的值“a”和“b”，然后可以对图像中的每个像素进行分类，以便计算像素和颜色标记之间的欧氏距离。用于颜色分割技术的无监督方法使用聚类算法，其基本上执行与分类器方法相同的功能，但不使用训练数据（Thomas，1991; Floyd和Steinberg1975）。为了补偿缺乏训练数据，聚类方法在图像分割之间迭代，并表征每个类的属性。以这种方式，使用可用数据来训练聚类方法。基本思想是假设图像像素是三维空间（RGB）中的点，使得类似颜色的

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[137761]，资料为PDF文档或Word文档，PDF文档可免费转换为Word