项辉宇，黄恩浩，冷崇杰，张 勇

    (北京工商大学 人工智能学院，北京 100048)

    在苹果的质量检测方面，国外的研究较为先进，可准确检测苹果的外观，并对内部缺陷等问题进行深入研究。国内对于苹果等水果的检测主要采用人工识别的方法，近年来也出现一些运用图像处理自动识别的方法，但不够准确、高效。1984年，Thylor R.W.等提出了用模拟摄像机检测苹果的外部损伤；1989年Rehkugler G.E.和Throop J.A.提出一种基于损伤面积和表面灰度的新算法；Kazuhiro Nakano等通过神经网络对苹果的颜色进行分级。国内的研究者们在21世纪也纷纷投入此项研究中。项辉宇等[1]使用Halcon对苹果的外部与特征进行图像处理的研究，该方法可较好地完成缺陷等外部特征的识别检测；高辉等[2]采用亮度校正与机器视觉结合的方法对苹果的缺陷进行快速检测，该方法较为清晰且准确率较高；周雨帆等[3]采用轻量级卷积神经网络，大幅减少了模型参数和训练时间，对苹果的表面缺陷检测取得了较好的效果。在传统研究方法中，多数学者对检测识别进行了探究，但如何在识别到分级的整个过程中做到完全自动化还没有很好的解决方 案[4-5]。因此，本研究尝试采用卷积神经网络(Convolutional Neural Networks，CNN)与 分 类 器(Support Vector Machine，SVM)相结合的方法，对比图像识别方法的结果，检测其准确率，并为深度学习在其他领域的新应用提供思路与理论基础。

    1 材料与方法

    1.1 材料与仪器

    苹果的来源：放置一段时间的市售红富士苹果；维视视觉检测(MV-BDP200型)，维视数字图像技术有限公司。

    1.2 方法

    1.2.1 苹果特征检测

    (1)特征检测整体流程。苹果的大小、颜色、缺陷检测的总体流程如图1所示，其中缺陷检测是3项检测中最重要的，因此也是内容最复杂的。

    图1 特征检测流程图

    图像增强是将原图像中的感兴趣特征放大，让图像更清晰，更好地达到检测的需要。图像复原是利用模糊函数将图像的模糊部分去除 ......