全 文 ：第 5卷 第 3期 食品安全质量检测学报 Vol. 5 No. 3
2014年 3月 Journal of Food Safety and Quality Mar. , 2014


基金项目: 国家自然科学青年基金项目(31101282)、中央高校基本科研业务费专项(KYZ201120)、江苏省高校优势学科建设工程项目
Fund: Supported by Natural Science Foundation of China (NSFC, 31101282), Fundamental Research funds for the Central Universities
(KYZ201120) and Priority Academic Program Development of Jiangsu Higher Education Institutions (PAPD)
*通讯作者: 屠康, 教授, 博士生导师, 主要研究方向为农产品贮藏加工与果蔬采后生理。E-mail: kangtu@njau.edu.cn
*Corresponding author: TU Kang, Professor, Doctoral Supervisor, College of Food Science and Technology, Nanjing Agricultural University,
No. 1, Weigang Road, Xuanwu District, Nanjing 210095, China. E-mail: kangtu@njau.edu.cn

计算机视觉对青刀豆长度及弯曲度
评价的初步研究
潘磊庆, 屠 康*
(南京农业大学食品科技学院, 南京 210095)
摘 要: 目的 利用计算机视觉对青刀豆长度及弯曲度进行评价。方法 本文以青刀豆为研究对象, 利用
计算机视觉系统获得青刀豆的表面图像, 用 Matlab 7.0对各个等级青刀豆图像进行处理分析, 提取与青刀
豆的长度及弯曲度参数, 确定了计算机视觉对青刀豆长度和弯曲度的分级方法。结果 计算机视觉对青刀
豆的长度和弯曲度的综合分级准确率可达到 95.6%。结论 本研究为进一步开发青刀豆品质自动分级设备
提供了参考。
关键词: 计算机视觉; 青刀豆; 长度; 弯曲度; 评价
Evaluation for the length and curvature of garden bean by computer vision
PAN Lei-Qing, TU Kang*
(College of Food Science and Technology, Nanjing Agricultural University, Nanjing 210095, China)
ABSTRACT: Objective To evaluate the length and curvature of garden bean by computer vision. Methods
In this paper, garden beans’ images were obtained by computer vision and processed by using Matlab 7.0. After
images processing, the parameters with length and curvature of garden beans were extracted and graded based
on computer vision information. Results The evaluation accuracy for garden beans quality could reach 95.6%
by computer vision. Conclusion This method showed the feasibility to help the auto grading device devel-
opment for garden beans.
KEY WORDS: computer vision; garden bean; length; curvature; evaluation




青刀豆植物学名称为菜豆(Phaseolus vulgaris L.),
别名四季豆、青刀豆、芸豆、玉豆等, 是加工罐头和
脱水、速冻蔬菜的较好原料。青刀豆是一种营养价值
高的天然食物, 嫩荚是人们食用的部位, 鲜嫩的豆荚
肉富含糖类、氨基酸及维生素 A、C, 肉质爽口品质
脆嫩, 并含有血球凝集素。据《本草纲目》记载, 其
具有益肾补气、健脾和中、散寒定喘的药理作用[1]。
因此, 在广泛关注健康的现代社会, 青刀豆, 尤其是
速冻产品和罐头制品, 受到世界各地消费者的青睐。
目前, 其速冻产品已成为我国出口日本和欧美等国
家的重要速冻蔬菜之一。日本每年进口的速冻红豆和
青刀豆达 3 万 t, 其中我国产品占 50％[2]。但是, 随
692 食品安全质量检测学报 第 5卷






着国内外市场竞争的激烈, 保证青刀豆的质量安全
越来越重要。传统方法对青刀豆的品质分级主要通过
人工感官评价, 费力费时, 检测结果又缺乏客观性和
准确性, 所以研究青刀豆的自动分级技术对于提高
产品质量具有重要价值。计算机视觉是对蔬菜进行自
动化分级的主要技术, 无需接触特定对象便可从获
取的图像中得到大量的信息, 可以分析农产品的尺
寸、表面缺陷、外观形状、表面色度等信息, 进而
实现外观质量的综合评价[3]。国内外已经利用计算
机视觉技术对蔬菜的自动分级做了较多的研究, 如
茄子[4], 黄瓜[5] 番茄[6-9]、豆[10]。而已有的菜豆标准
中, 外观形状(长度和弯曲度)是影响质量等级的主要
指标 [11-12], 故本文采用计算机视觉对青刀豆的外形
检测进行初步研究, 为实现青刀豆的自动检测分级
设备的开发提供支持。
1 材料与方法
1.1 试验材料
购于南京市童卫路农贸市场, 青刀豆无虫害斑
纹、异味、萎蔫、机械伤、斑点、腐烂和污染。其中
用于构建分级模型的青刀豆为 150个, 用于模型验证
的为 90个。
1.2 仪器设备
数码相机: 理光 R6, 480×640 分辨率; 计算机:
CPU P4 1.7 GHz, 内存 512M, 显卡 GeForce4 MX440;
人工大木箱: 尺寸为 80 cm×80 cm×100 cm, 箱子顶
部安有四个白炽灯, 可调节亮度, 箱内壁为白色; 载
物台: 背景为白色; 图像分析软件: Matlab 7.0[13]。
2 图像处理及参数提取
2.1 青刀豆人工分级
首先对青刀豆进行编号 , 参考相关标准 [11-12],
进行人工分级, 并做好记录。各个等级青刀豆如图
1所示。

图 1 青刀豆等级
Fig. 1 Grade of garden bean
2.2 图像采集和处理
2.2.1 图像采集
将已经编号的刀豆放在人工大木箱里的载物台
上, 每个青刀豆各采集一幅图像, 固定各种设置, 以
保证每幅图像在相同的条件下采集, 图像以 JPEG格
式贮存, 传入计算机中。
2.2.2 图像处理
在 matlab 编程界面中调用 imread 函数, 读取采
集的 RGB格式彩色图像, 如图 2-a所示。
阈值分割: 对彩色图像进行 R、G、B 三分量分
割, 如分析每个分量的灰度直方图(图 2b、2c 和 2d),
用全局阈值法对波峰波谷最为明显的 B 分量来分割
出目标物。先调用 graythresh 函数, 自动计算一个适
当阈值 ; 然后使用 graythresh 返回的阈值 , 调用
im2bw 执行阈值处理, 将灰度图像转换成二值图像,
从而达到图像分割的目的。二值图像是指一幅图像中
所有的像素只含有两个灰度值, 即通过图像阈值分
割方法将目标从图像中分割出来, 取值为 1, 而将其
他物体或背景统统认为是背景, 取值为 0。如图 3-a
所示, 可以达到很好的分割效果。
图像增强: 从图 3-a 中可观察到, 在图像背景中
分割出孤立像素, 即被 0包围的 1。调用 bwmorph函
数中的 clean 函数, 可清除背景中的孤立像素。为了
使其对象的轮廓变得光滑及消除狭窄的间断和长细
的鸿沟孔洞, 先对图像进行闭运算后再进行开运算,
调用 imclose函数与 imopen函数对图像进行处理, 其
平滑效果如图 3-b所示。
目标细化: 细化是在图像中将二值物体和形状
减小为单个像素宽的线。当调用 bwmorph 函数中的
thin函数, 每次操作都会从二值化图像物体的厚度中
删除一个或两个像素, 当 N=Inf, 去除像素点可以使
目标物变为单个像素宽的线, 便于特征参数的提取。
其效果如图 3-c所示。
2.3 特征参数提取
特征参数选择长度和弯曲度作为判别青刀豆的
大小与形状的指标。其值均以像素数来表示。
2.3.1 长度的提取
调用 bwlabel 函数实现连通成分标记, 统计细化
后图像中目标物的像素数, 如图 3-c, 即表示青刀豆
的长度, 用 L表示。
2.3.2 弯曲度的提取
已知青刀豆的长度为 L, 从一端部开始在 0.1L、
第 3期 潘磊庆, 等: 计算机视觉对青刀豆长度及弯曲度评价的初步研究 693






0.25L、0.5L、0.75L和 0.9L相应的位置, 分别为点 A、
B、C、D和 E, 连接各点得到 l1、l2、l3、l4; 点 A和
E 之间的距离为 l。如图 4 所示, 定义形状特征函数
弯曲度 F为:
F=l/(l1+l2+l3+l4) (1)


图 2 青刀豆及 RGB三分量直方图
Fig. 2 Images of garden bean and three-component histogram of RGB

图 3 青刀豆图像处理
Fig. 3 Image processing of garden bean

694 食品安全质量检测学报 第 5卷








图 4 青刀豆弯曲度的计算
Fig. 4 Computation of garden bean curvature

3 结果与分析
3.1 长度的检测与分级
对各个等级的青刀豆进行特征参数提取后, 对
各个等级分析统计, 结果表明, 一级青刀豆的长度在
445像素以上, 二级青刀豆长度为 380～445像素, 三
级青刀豆长度在 380像素以下。由此, 确定出计算机
视觉对青刀豆长度(L)分级标准如下所示:

(2)

选取验证组 90 个青刀豆, 采集图像, 经过图像
处理, 提取其长度参数, 带入分级模型中进行验证。
其验证结果如表 1所示, 对青刀豆长度分级的准确率
最高可达到 96.7%, 最低的为 93.3%, 平均分级正确
率达 94.4%, 分级的准确率较好。
表 1 青刀豆长度分级准确率
Table 1 Grading accuracy of garden bean length
等级 总数/个 正确数/个 正确率/%
一等 30 28 93.3
二等 30 29 96.7
三等 30 28 93.3
总体 90 85 94.4

3.2 弯曲度的检测与分级
本研究中根据人工分级的经验将青刀豆按照弯
曲度分为三个等级。对已经过人工分级的青刀豆提取
的弯曲度进行统计分析, 得出三个不同弯曲度(F)等
级的分级标准。

(3)

另外选取验证组的青刀豆采集图像, 经过图像
处理, 提取其弯曲度参数, 带入分级模型中进行验
证。其验证结果如表 2所示。由表 2可得, 对青刀豆
弯曲度分级的准确率最高可达到 100%, 最低的为
90.0%, 平均分级准确率达 94.4%, 基本满足分级的
要求。其中一等品的分级正确率稍低点, 可能与一等
品与二等品的分级区间范围较小以及用于验证的样
品性状有关。
表 2 青刀豆弯曲度分级准确率
Table 2 Grading accuracy of garden bean curvature
等级 总数/个 正确数/个 正确率/%
一等 30 27 90.0
二等 30 28 93.3
三等 30 30 100
总体 90 85 94.4

3.3 长度和弯曲度综合品质分级
3.3.1 等级标准制定
为了考察计算机视觉技术一次判定得到更多的
青刀豆外部品质信息, 本实验对青刀豆弯曲度和长
度进行了综合判定。根据文中 3.1和 3.2中确定的长
度和弯曲度等级判定标准, 设定的综合分级标准为:
(4)
式 4中, L为青刀豆的长度, F为青刀豆的弯曲度。
3.3.2 综合品质分级验证
为了外观验证青刀豆长度和弯曲度综合判断的
准确率, 挑选 90个青刀豆, 先进行人工分级, 再进行
计算机视觉系统获取图像, 提取特征参数, 依据式(4)
的分级标准, 得出的分级结果如表 3所示。由表 3可
得 , 对青刀豆综合品质分级的准确率最高可达到
96.7%, 最低的为 93.3%, 整体分级准确率达 95.6%。
第 3期 潘磊庆, 等: 计算机视觉对青刀豆长度及弯曲度评价的初步研究 695






表 3 青刀豆外观分级准确率
Table 3 Grading accuracy of garden bean external quality
等级 总数/个 正确数/个 正确率/%
一等 30 29 96.7
二等 30 29 96.7
三等 30 28 93.3
总体 90 86 95.6

从综合分级的结果来看, 各个等级和总体的分
级准确率与青刀豆单项指标的结果不太一致, 存在
的原因可能是一方面缺乏相应的量化分级标准, 人
工按照本实验自定的等级分类青刀豆会造成较大差
异; 另一方面是相对于青刀豆的产区差异和巨大的
消费量, 用于试验中建立分级标准的样本偏少。在今
后的研究中, 需要克服上述的不足, 并且在本实验的
研究基础上, 开发面向生产应用的青刀豆软件和硬
件分级系统。
4 结 论
1)通过计算机视觉获得青刀豆的外观图像, 对
图像颜色分量 R、G、B的直方图的分析, 选择 B分
量作为分割分量并转化成二值图像, 进行形态学运
算中选择清除背景中孤立像素、闭运算和开运算、
细化。
2)通过对青刀豆长度和弯曲度的分析, 制定出
青刀豆长度和形状外观品质的分级标准: 一等品 L≥
445像素且F≥0.95; 二等品 L≥445且 0.85≤F＜0.95
或 380像素＜L＜445像素且 F≥0.95; 三等品 L≤380
像素或 F＜0.85。
3)通过验证得出, 青刀豆长度和弯曲度综合品
质分级的准确率最高可达到 96.7%, 最低的为 93.3%,
平均分级准确率达 95.6%。已有的结果能够对计算机
视觉方法为青刀豆外观品质的自动检测分级深入研
究提供参考。
参考文献
[1] 周显青. 食用豆类加工与利用[M]. 北京: 化学工业出版社,
2002.
Zhou XQ. Eating beans processing and utilization [M]. Beijing:
Chemical Industry Press, 2002.
[2] 姚宏亮, 周燕. ISO22000: 2005在速冻青刀豆生产中的应用[J].
粮食与食品工业, 2010, 17(1): 48-50.
Yao HL, Zhou Y. Application of ISO22000: 2005 in processing
of frozen kidney bean [J]. Cereal and Food Ind, 2010, 17(1):
48-50.
[3] 张瑞宇, 刘顺淑. 计算机视觉技术在果蔬采后处理中的应用
[J]. 重庆工商大学学报(自然科学版), 2004, 21(5): 497-506.
Zhang RY, Liu SS. Researches and applications of computer vi-
sion technique in fruit and vegetables. commercialization after
harvesting [J]. J Chongqing Technol Business Univ. (Nat Sci Ed),
2004, 21(5): 497-506.
[4] Chong VK, Kondo N, Ninomiya K, et al. Feature extraction for
eggplant fruit grading system using machine vision [J]. Appl Eng
Agric, 2008, 24 (5): 675-684.
[5] 李二超, 李战明, 刘微容. 基于颜色和纹理特征的黄瓜果实图
像分割[J]．光学技术, 2009, 35(4): 529-531.
Li EC, Li ZM, Liu WR. Image segmentation of cucumbers based
on color and textural features [J]. Optical Technique, 2009, 35(4):
529-531.
[6] 殷蓉, 高珏, 孟国飞, 等. 一种应用圆形度的番茄形状分级方
法[J]．常熟理工学院学报, 2013, 27(4): 100-103.
Yin R, Gao Y, Meng GF, et al. A method of tomato shape classi-
fication with the application of circularity [J]. J Changshu Inst
Technol(Natural Sciences), 2013, 27(4): 100-103.
[7] 刘宇飞, 汤晓华．基于机器视觉的番茄颜色分级方法的研究
[J]．机电产品开发与创新, 2013, 26(2): 99-100.
Liu YF, Tang XH. Research on method of tomato color grading
based on machine vision [J]. Dev Innov Mach Electr Prod, 2013,
26(2): 99-100.
[8] 王树文, 张长利, 房俊龙. 应用计算机视觉对番茄损伤分类的
研究[J]. 东北农业大学学报, 2006, 37(2): 215-218.
Wang SW, Zhang CL, Fang JL. Study on classification of tomato
with bruise using computer vision [J]. J Northeast Agric Univ,
2006, 37(2): 215-218.
[9] 赵海波, 周向红. 基于计算机视觉的番茄催熟与正常熟识别
[J]. 农业工程学报, 2011, 27(2): 355-359.
Zhao HB, Zhou XH. Recognition of artificial ripening tomato
and nature mature tomato based on computer vision [J]. Trans
CSAE, 2011, 27(2): 355-359.
[10] Kıvanç K, Hakki B, Hamit K, et al. A classification system for
beans using computer vision system and artificial neural net-
works [J]. J Food Eng, 2007, 78: 897–904.
[11] DB46/T 82-2007 菜豆[S].
696 食品安全质量检测学报 第 5卷






DB46/T 82-2007 Kidney bean [S].
[12] NY/T 1062-2006 菜豆等级规格[S].
NY/T 1062-2006 Grades and specifications of Chinese kidney
beans [S].
[13] 许东, 吴铮. 基于 MATLAB 6.X 系统分析和设计-神经网络
[M]. 西安: 西安电子科技大学出版社, 2002.
Xu D, Wu Z. System analysis and design based on MATLAB
X-neural network [M]. Xi’an: Xian University of Electronic
Science and Technology Press, 2002.
(责任编辑:赵静)

作者简介
潘磊庆, 博士, 副教授, 硕士生导师,
主要研究方向为农产品质量检测与控制。
E-mail: pan_leiqing@njau.edu.cn

屠康 , 博士，教授 , 博士生导师 , 主
要研究方向为农产品贮藏加工与果蔬采
后生理。
E-mail: kangtu@njau.edu.cn



 



JJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJ 

“粮油产品质量安全”专题征稿

小麦、水稻、大豆等粮油产品是我国人民广泛食用的主要农产品，在人们日常饮食中占据着非常重要的
主导地位，具有无可替代的作用。因此，粮油产品质量安全关系到每个人的日常生活，具有十分重要的意义。
鉴于此，本刊特别策划了“粮油产品质量安全”专题，由中国农业科学院油料作物研究所李培武研究员担
任专题主编。李培武研究员现任农业部生物毒素检测重点实验室和农业部油料产品质量安全风险评估实验室
（武汉）主任，农业部油料及制品质量监督检验测试中心常务副主任，兼任农业部农产品质量安全生物毒素
专家组组长、食品安全国家标准审评委员会污染物分委员会副主任、中国仪器仪表学会农业仪器应用技术分
会副理事长、GCIRC、FAO/WHO食品添加剂与污染物联合专家委员会委员。长期从事粮油食品质量安全检
测研究与风险评估工作。本专题主要围绕粮油产品质量安全，紧紧围绕粮油产品质量安全关键安全因子与质
量指标检测，快速检测与设备研制，食用油保真与掺伪技术，质量安全风险评估，粮油食品管理法律法规、
监管现状及问题等或本领域其它有意义的问题进行论述， 计划在 2014年 6月出版。
本刊编辑部及李教授诚邀各位专家为本专题撰写稿件，以期进一步提升该专题的学术质量和影响力。
综述、实验报告、研究论文均可，请在 2014年 4月 15日前通过网站或 Email投稿。我们将快速处理并优
先发表。
谢谢您的参与和支持！
投稿方式：
网站：www.chinafoodj.com
Email：jfoodsq@126.com
《食品安全质量检测学报》编辑部