基于图像处理的山核桃裂纹检测、分类与测量方法研究及其在加工质量控制中的应用

《Measurement: Food》：An image processing method for the detection, classification and measurement of pecan cracks

本文报道了研究人员针对山核桃加工过程中裂纹难以自动检测与量化的问题，开发了一套基于机器视觉的裂纹检测、分类与测量（DCM）软件。该研究通过构建视频采集系统获取旋转山核桃图像，利用图像处理技术实现了裂纹的自动识别（准确率90.6%）、分类（准确率98.7%）和尺寸测量（精度91.5%-95.4%）。这项技术为优化山核桃破壳工艺、减少核仁损伤提供了可靠的数据支持，对食品加工质量控制具有重要意义。

　　

山核桃（Carya Illinoinensis）作为一种营养丰富的坚果，其市场需求持续增长。然而在加工过程中，破壳环节容易导致核仁损伤，严重影响产品价值。研究表明，机械化去壳过程造成的核仁损伤比例高达43%。目前，工业上山核桃裂纹的检测主要依赖人工，缺乏自动化的检测手段来量化裂纹特征，从而难以精准评估破壳工艺的效果。

为解决这一技术瓶颈，佐治亚大学的研究团队在《Measurement: Food》上发表了一项创新研究，开发了一套专门用于山核桃裂纹检测、分类与测量（DCM）的软件系统。该研究通过结合图像处理技术和定制化的硬件装置，实现了对山核桃裂纹的自动化分析。

研究人员采用的主要技术方法包括：设计专用视频采集装置旋转拍摄山核桃样本（McMillan品种，来自美国佐治亚州雅典市）；利用MATLAB 2023a平台开发图像处理算法，核心包括预处理（色彩空间转换、图像分割、旋转校正）、裂纹检测（基于饱和度直方图的双峰阈值法）、形态学滤波、裂纹拼接（KAZE特征检测）和重复裂纹识别（2D互相关分析）；使用30个山核桃进行算法校准，380个山核桃进行验证；通过手动测量（绳测法、卡尺测量、铅箔称重法）验证软件测量精度。

3.1. 软件性能评估

DCM软件能够通过分段处理长视频，平均每个山核桃处理时间为13.32秒。运行效率与处理器核心数和内存大小相关，降低视频分辨率或帧率可进一步提高处理速度。

3.2. 软件校准

校准过程优化了裂纹检测、噪声消除和分类中的参数。研究发现，采用较严格的阈值设置能在校准集中获得最准确的结果，减少误报的同时也降低了对图像边缘像素的裁剪需求。

3.3. 裂纹检测精度

在验证集中，软件成功检测出91%的裂纹（346/380）。所有36个开放型裂纹和60个未开裂山核桃均被准确识别。未能检测的裂纹主要为微裂纹（宽度<0.4 mm），其中周向微裂纹检测率仅为23.5%，纵向微裂纹检测率为50%。部分检测失败源于摄像头角度无法捕捉位于山核桃端部的裂纹。

3.4. 裂纹分类精度

软件对裂纹分类的总体准确率达到98.7%。仅5个样本被误分类，原因是山核桃极区未能被摄像头完整捕捉，导致贯穿端部的周向裂纹被识别为两个独立的纵向裂纹。

3.5. 裂纹测量精度

纵向裂纹长度测量精度为91.5%，周向裂纹直径测量精度为95.4%，开放型裂纹面积测量精度为92.8%。测量误差主要来源于将山核桃曲面投影至二维平面时产生的变形，尤其是纵向裂纹在近极区处的弯曲会夸大长度测量值。

该研究成功开发了一套能够自动检测、分类和测量山核桃裂纹的软件系统。DCM软件在裂纹识别、分类和测量方面均表现出较高准确性，为解决山核桃加工过程中的质量控制难题提供了有效工具。研究结果表明，该技术不仅可用于工业现场的破壳工艺评估，还能为未来研究山核桃裂纹几何特征与核仁完好率之间的关系提供数据基础。通过进一步优化图像分辨率、采用更快速的特征检测算法或引入基于机器学习的图像分割技术，可进一步提升系统性能，使其更适合工业化应用。这项技术的推广应用将有助于优化破壳工艺参数，最终提高山核桃加工产业的经济效益。