1　引言

目前我国水果总产量逐年提高，但是在这样的大背景环境下并没有给我国带来实质性的经济效益．而其他水果生产大国，果品应市几乎100%的进行商品化处理，主要包括洗涤、打蜡、分级等过程. 目前国内对水果的处理率十分低，导致水果出口量不足生产量的2%[1]. 国内水果价格普遍低于从国外进口的水果价格，究其原因主要是我国水果在加工处理的技术上还比较落后．目前我国在清洗、打蜡操作上得到了一定的改善，但商品化处理的核心技术也就是果品的分级检测技术成为制约其发展的关键．

服务特点：I）全球领域内数据最全、最权威、更新速度最快的科技文献在线检索与获取服务平台之一，提供在线全文阅读（含参考文献）与PDF下载，图书付费分为全书以及条目付费，OA资源提供开放下载；II）提供优先出版服务（快速，比纸本期刊更快看到最新的研究）；III）期刊投稿与同行评审平台（需登陆等使用，无法测评）

边缘检测以初始图像为基本对象，图像的每个像素在它的某个领域内灰度阶跃变化，其实质就是采用某种算法来提取出图像中对象与背景间的交界线[2]．边缘检测技术能够有效地提取图像的边缘，获得数字图像的边缘信息，并对这些信息进行更深层次的分析．果品的边缘检测是果品分级的重要环节，通过提取果品边缘可方便快捷地实现果品的辨别与定位，边缘检测的好坏直接影响果品分级的准确度[3]．常用的边缘检测算子有Roberts算子、Prewitt算子、LOG算子和Canny算子[4－5]等．

国内的果品自动分级研究起步较晚，对基于图像的水果自动分级技术的研究， 主要集中于研究水果图像的获取、图像处理、分析等方面．冯斌等在求取水果形心的研究中取得了重大突破，他们选择采用水果图像边缘像素的特征来对水果形心进行测量，通过大量实验可以发现该方法能够有效测量出水果的形心坐标[6]．韩伟等提出了一种基于计算机视觉的水果直径检测方法，通过水果的边缘提取进行图像分割处理，最后求取其最大直径，实验结果表明该方法误差小精度高[7]．朱培逸等提出了一种基于数学形态学的水果图像分割方法．可实现水果的动态监测[8]．张丽芬等设计一种小型的融合樱桃内部质量和外观形态的机器视觉自动分选系统，可实现樱桃的自动无损分拣，且生产率高[9]．

以上研究促进了水果分级检测的发展，但由于实时采集到的水果图像存在图像质量差，多个水果堆积，同类水果外形接近等特点，经典分割方法难以获取满意的分割效果．本文根据水果检测只对外边缘感兴趣的基础上提出了一种基于边缘检测算子的混合果品分级算法，仿真结果表明本算法获得了满意的分割效果，提高了水果检测的有效性与准确率．

“养成性的实践教学”对职前、职后一体化的教师教育具有多方面的启示。例如，无论是师范生学习还是教师在职培训，都需要培养教师关键素质中的情智结构：促进师生和谐交流的心理品质——“热情和同情心”；在充满心理冲突与情感碰撞的教育情境中，摆脱失败的阴影，淡化成功与荣耀的虚妄，保持平和朴实的职业心境的自我力量——“情感成熟品性”；互换心理位置，敞开心扉走进学生心理世界的移情能力；衣着得体、语言健康幽默、举止文明礼貌的仪表仪容等。这些品性，是支撑优质教学的重要基础，需要教师用一生去涵养。

2　算法描述

水果等级评估主要按尺寸、颜色、形状和缺陷等特征进行. 采集到的原始水果图像往往很多区域过于模糊，无法进行图像分割，需要进行预处理，也就是进行灰度处理后进行滤波. 为了能够得到完整清晰的水果图像，清除与果品分级无关的信息，便于之后的果品分级，必须要对水果图像再进行背景分割的处理操作，而之后的图像边缘检测的主要任务就是对图像中的对象进行分析和理解，为此需要将目标的外轮廓提取出来．最后从水果的大小，水果外观特征以及表面缺陷3个方面对水果进行相应的分级，水果分级流程如图1所示.

图1　水果分级流程图

2.1　图像预处理

噪声对水果图像影响很大，使用中值滤波可以有效去除这些噪声，并且还能够很好保持图像的边缘特征．

二维中值滤波可以对图像进行增强的效果，除此之外，二维中值滤波还有很多其他优点．噪声对水果图像影响很大，使用二维中值滤波则可以有效地去除这些噪声，并且还能够很好地保持图像的边缘特征．（1）式是二维中值滤波公式.

南阳市各地按照“政府引导、村企（社）对接、利益联结、精准脱贫”原则，鼓励和引导全市龙头企业、专业合作社等新型经营主体对接脱贫攻坚地区。以“千企帮千村”活动为载体，开展精准扶贫，投资兴办企业，建设产业基地，完善利益联结机制，建立利益共享、风险共担的生产经营体系。据统计，截至9月底，南阳市共有657家省、市级龙头企业及示范社参与帮贫带贫，实现所有贫困村和重点村新型农业经营主体全覆盖。实施帮扶项目400余个，帮扶贫困人口已达136800余人，具有劳动能力的贫困户都可进入一个新型经营主体中，新型经营主体带动贫困群众搭上脱贫快车。

以脐橙为例，由于脐橙的边缘与脐橙表面缺陷颜色相似，提取出脐橙表面缺陷较难．Sobel算子对脐橙图像边缘进行检测时，其水平方向的模板为其竖直方向的模板为图5给出了检测结果，可以看出两个表面有损伤的脐橙被准确检测出来．

图2　脐橙非线性空域滤波前后图像检测

2.2　图像背景分割及边缘提取

迭代阈值法是分割图像应用比较广泛的一种分割算法，主要原因是通过迭代法所求得的阈值具有很强的适应性，迭代法阈值分割的步骤如下：

（1）选取一个参考值T0，同时设置一个开始的预测阈值T1．

（2）利用阈值T1对图像进行分割，将图像分割成两个不同像素构成的两部分：G1是由大于T1的像素组成，G2是由小于或等于T1的像素组成．

（3）求出G1中相关像素的灰度平均值µ1，求出G2中相关像素的灰度平均值µ2，计算得出新的阈值T2=(µ1　+µ2)/2．

图3　脐橙迭代式阈值分割前后图像检测

要预防鸡痘的发生，可以在雏鸡10日龄的时候进行鸡痘弱毒疫苗的刺种首免，随后在其满100日龄之后再进行一次加强免疫。具体步骤是先将疫苗500羽份，并加入稀释液5ml，稀释后通过鸡痘刺种针蘸苗，并在鸡翅内测无血管位置进行皮下刺种，对于不满一月龄的鸡刺种一针，超过一月龄的鸡要刺种两针。需要注意的是，每次进行免疫刺种之后的5d，要对刺种的部位进行检查，确认其是否存在红肿或结痂现象的发生，如果存在则说明免疫成功，不存在则是免疫失败，需要进行补免。

3.2.1 职称 职称越高的护士，器官捐献态度问卷得分越高，与王蓉[7]等人的研究结果一致。可能因为职称较高的护士年龄较大，工作年限较长，临床经验更丰富，对生命的理解更深刻。提示我们在日后的器官捐献相关知识培训过程中，可以请部分临床经验丰富的医护人员多讲真实临床案例，增强培训效果，使受训人员能够感同身受，引起共鸣，加强对器官捐献意义的认识。

1956年3与5日—3月10日，发生在第比利斯市的重大群体性突发事件大致可以分为前后两个阶段。为说明问题方便起见,笔者有必要首先对事件发展演变过程及其特点作一概述。

这是一则有关香港南丫岛撞船事故的报道，整个语篇不足130字，篇幅短小，字字有用，句句有着落。没有废话，不拖沓，不冗长。修辞语义清楚明白，不费解，不含糊，读者一看即明。再看新华网的：

Canny算子检测图像边缘一般会保留重要的边缘特征信息，因此Canny算子进行边缘检测时误差较小，而且Canny算子在对图像进行边缘检测时可以将复杂的多个响应转换为简单的单个响应．

1.3.1 A组31例患儿采用携脉冲式胰岛素泵给予持续胰岛素泵注射给药,先对患儿局部皮肤进行常规清洁、消毒,女性选择下腹部为注射部位,男性选择上腹部为注射部位,注射过程中应避开脐四周4.5厘米,泵入针头应刺入患儿皮下组织并使用帖膜进行固定,患儿基础给药剂量为0.49 U/kg,基础使用率在50%左右,并在患儿三餐前、后2小时监测血糖,依据患儿餐前血糖检测水平决定胰岛素给药量。

Canny算子对图像进行边缘检测一般由以下几个操作构成.

首先对大豆油脂进行发酵，并对发酵液中残存的游离大豆油含量进行测定，可采用乙醚直接萃取，配合差重法计算出大豆油的最终获得量。

随机选取80个脐橙，首先进行缺陷检测后得到74个表面无损水果．然后利用边缘检测技术进行特征提取后计算其面积、周长、直径等参数，为脐橙分级做准备．从74个脐橙中随机选取10个对其周长、直径、面积进行检测统计，如表1所示．

（2）使用导数算子求出水果图像中两个方向导数Gx ，Gy，并在此基础上求出最终的梯度值和梯度的方向．

（3）根据所求得的方向分别找出水平、垂直、45°和135°方向上与之相对应的梯度方向的像素值．

（4）根据所求得的图像，在图像中找到某点的灰度值，将该点的灰度值与梯度方向上的灰度值进行比较，如果两者的比值不是最大，则把该点定义为0，即该点不是图像边缘．

（5）通过图像直方图确定两个阈值．选取图像中高于两个阈值最大值的像素点作为图像边缘，有些像素点会存在于两个阈值之间，则把该像素点附近的像素灰度值与两个阈值的最大值进行比较，如果大于最大的阈值，就把该像素点也作为图像边缘．

由图4可以看出，Canny算子对水果图像进行边缘检测时能够很好保留水果图像的边缘特征．

老陈坐了半个小时才走，等他走出门，我发现自己出了一身汗。关上门，直到老陈的脚步声再也听不到了，我的心才平静下来。老陈留下三个烟头，每个烟头都抽到过滤嘴他才按灭。老陈真的能唠叨，也不管别人爱不爱听，他自顾自地说着。老陈不仅能说，还喜欢多管闲事。老陈就是这么说的，还故作神秘地压低了声音：过去，这房子里曾住过一个女人。那个女人，是干那个的。

图4　脐橙图像Canny边缘检测结果

2.3　水果表面缺陷检测

水果表面缺陷的检测对水果分级非常重要．造成水果表面缺陷的原因有很多. 例如水果腐烂发霉，这种缺陷在水果灰度图像中一般会表现出黑色．而有些水果表面破损或被虫子咬伤，则表现为白色．这些特点增加了缺陷检测的难度．

在读入水果图像后，首先对水果图像进行灰度化处理，然后进行直方图均衡化，在此基础上进行中值滤波处理，最后利用Sobel算子进行边缘检测．

由图2可知中值滤波能够更好地保存水果图像的边缘特性，并且对水果图像也能起到很好的滤波效果．

图5　脐橙表面缺陷检测结果

2.4　水果特征提取

其中，r1表示物体的周长半径，r2表示面积半径.

判断水果的大小使用面积特征，在提取水果外边缘的基础上进行相关运算．本文采用像素计数法，像素计数法就是通过相应算法公式计算水果图像中所有的水果像素值，相应的算法公式见式（3）.

在水果图像中，水果图像选取1来进行定义，水果的背景图像选取0来进行定义，最终水果图像的面积值应为f( x, y)=1的总值．

1)将急加速、急减速、长时加速、长时怠速作为驾驶行为评价参数，构建各评价参数的隶属度函数，获得样本数据的模糊综合评价结果，对驾驶员行为进行生态节能性评价.

图像中水果的周长通常就是求取图像物体的最外边缘的像素总值．但是这些水果的外边缘有些是规则的图像，也有些是不规则的图像. 因此，在研究这些不规则的水果的外边缘周长时具有很重要的参考价值. 通过链码来获取图像物体的周长，把图像中奇数链码定义为偶数链码定义为1，相应的物体周长就是奇数链码总值与偶数链码总值的总和．计算公式如式（4）所示.

式中，Ne 表示偶数链码总值，N0表示奇数链码总值.

通常情况下水果的半径越大，其周长也越大，因此，本文利用水果图像周长的大小来判断脐橙直径的大小．因为周长以像素点为单位，最终计算结果比较大，不方便比较，所以可通过等式D=2r来近似估计脐橙直径，这种方法称之为当量直径法．

（2）喘振控制调节阀。线性或者等百分比调节阀通常用作喘振控制调节阀。但是由于等百分比调节阀在低CV值时比线性调节阀有更好的稳定性，所以在选择喘振控制调节阀时，推荐使用等百分比调节阀［2］。

为了评估水果的形状，需计算其圆形度．同一个圆利用周长估计的半径r1与利用面积估计的半径r2的比值为1，但如果物体的形状不规则，则该物体的周长半径r1与面积半径r2就会不同，比值越接近1，形状越接近圆形. 则圆形度C定义为

在边缘检测结果的基础上进行图像分析，进一步提取果品分级所需要的特征，比如面积、直径和周长等．

3　实验结果及分析

（1）首先使用高斯函数去除水果图像中的噪声．

水果图像在经过图像预处理之后，边界处通常会存在灰度变换的差异，而边缘检测算法就是利用这些灰度变换的差异来对水果图像的边缘进行提取．

（4）通过比较若相应的选取T2当作最优阈值；若相应的把T2转给T1，并重复步骤（2）～（4），不断循环直至得到最优阈值，图3给出了迭代式阈值分割脐橙图像的结果．

表1　特征参数结果

样本编号　直径　周长　面积　圆形度1　204.64　642.56　650.91　0.729 2　227.27　713.64　690.76　0.833 3　249.11　782.22　742.37　0.961 4　247.38　776.78　751.62　0.821 5　244.06　766.36　739.02　0.791 6　230.61　724.13　610.47　0.862 7　226.22　710.32　685.61　0.853 8　230.29　723.12　692.81　0.719 9　203.57　639.22　665.17　0.627 10　229.37　720.23　682.95　0.653

由表1可看出，利用边缘检测技术可精确获得脐橙的直径、周长和面积，并根据其结果估计半径计算相应的圆形度．

水果等级划分定义为：特优水果（又圆又大）、一等水果（大而不圆）、二等水果（圆而不大）、劣等水果（不大也不圆）的4种水果标准．将74个脐橙分为5组，其中第1组为表1中的10个脐橙．剩余64个随机分为4组，每组16个，按顺序为第2～5组．分级对比结果见表2.

表2　第一组脐橙综合分级结果

等级　人工分级　本文方法特优脐橙　1　1一等脐橙　5　5二等脐橙　2　3劣等脐橙　2　1

由表2的分级结果可看出，仅二等脐橙出现了一个分级错误．基于边缘检测技术的果品分级精度可达到90%．同样方法对第2～5组分级，其精度分别为93.8%，87.5%，93.8%，93.8%，5组实验的分级精度平均值为91.78．

4　结束语

本文提出了一种基于边缘检测技术的水果图像的分级方法. 在对果品图像分割并提取边缘信息的基础上，首先进行果品表面缺陷检测，挑选出无损果品，然后分别对果品进行大小及形状检测，在此基础上建立了简单快速的水果分级模型进行水果分级. 实验证明，该方法提高了水果分级效率且精度较高．

参考文献：

[1]王维，刘东琴，王佩．果品分级检测技术的研究现状及发展[J]．包装与食品机械，2016（6）：55－58.

[2]赵慧，刘建华，梁俊杰．5 种常见边缘检测方法的比较分析[J]．现代电子技术，2013，36（6）：89－92．

[3]杜永忠，平雪良，何佳唯．果品分级边缘检测方法[J]．工具技术，2013，47（11）：64－69．

[4]马艳，张治辉．几种边缘检测算子的比较[J]．工矿自动化，2004（1）：54－56．

[5]王智文．几种边缘检测算子的性能比较研究[J]．制造业自动化，2012，34 （11）：14－16．

当日平均气温稳定回升到2～3℃时，小麦开始返青和恢复生长。日平均气温达到8～10℃时，小麦进入光照阶段，是小穗分化时期，也是提高成穗率的关键时段。此时，日平均气温>16℃，不利于长大穗，并要求适宜温度持续时间长，同时要有充足的光照和适宜的土壤水分条件。

[6]冯斌. 计算机视觉信息处理方法与水果分级检测技术研究[D]．北京：中国农业大学，2002．

[7]韩伟，曾庆山．基于计算机视觉的水果直径检测方法的研究[J]．中国农机化，2011（5）：108－111．

[8]朱培逸，刘红晴．基于数学形态学图像分割算法在水果分级中的应用[J]．科学技术与工程，2013，13（34）：10375－10380．

[9]张丽芬． 基于计算机视觉技术的樱桃自动分选系统设计[J]．农机化研究，2017，39（9）：212－214．