基于计算机视觉的纳迦王辣椒质量与体积无损估测模型研究——面向采后分级的技术创新

《Food Physics》：Estimation of Mass and Volume of Freshly Harvested Naga King Chilli ( Capsicum chinense L.) Using Computer Vision: Exploring Changes During Different Storage Days

本研究针对纳迦王辣椒采后人工分级效率低、精度差的问题，创新性地采用计算机视觉技术，通过建立线性、二次、有理及指数等回归模型，成功实现了基于物理属性（长度、宽度、周长、投影面积、伸长比）的辣椒质量与体积高精度预测。结果表明，多变量指数模型预测效果最优（质量R2=0.92，RMSE=0.046；体积R2=0.90，RMSE=0.062），为开发非破坏性在线分级系统提供了关键技术支撑，对提升辣椒产业智能化水平具有重要意义。

　　

在辣椒加工产业中，采后分级是确保产品质量、提升市场价值的关键环节。尤其对于被誉为“世界上最辣辣椒”的纳迦王辣椒（Naga King Chilli，又称Ghost pepper或Bhut Jolokia）而言，其商业价值高度依赖于外观规格的一致性。然而，传统人工分级方法存在主观性强、效率低下、劳动强度大且精度难以保证等问题，严重制约了产业的规模化、标准化发展。随着消费者对农产品品质要求的不断提高，开发快速、精准、自动化的分级技术已成为行业迫切需求。

近年来，计算机视觉（Computer Vision）技术因其非接触、高效率和高精度等特点，在农产品品质检测与分级领域展现出巨大潜力。该技术通过图像采集、处理和分析，能够自动提取农产品的物理特征参数，进而实现基于外观属性的智能分选。已有研究成功将计算机视觉应用于苹果、草莓、番茄、香蕉等多种水果蔬菜的质量评估和分级，但针对纳迦王辣椒这一特色作物的系统性研究尚显不足。特别是如何建立其外部物理属性（如尺寸、形状）与内部关键质量指标（如质量、体积）之间的可靠数学模型，是实现自动化精准分级的核心科学问题。

为此，研究团队在《Food Physics》上发表论文，旨在探索利用计算机视觉技术估测纳迦王辣椒质量和体积的有效方法，并分析其在采后不同储存天数内的变化规律，为开发高效的自动化分级设备提供理论依据和技术支持。

研究团队采用了几项关键技术方法开展本研究。首先，样本来源于印度Tezpur当地市场采收的Rabi季新鲜纳迦王辣椒，并在储存的第1、3、5、7、9、11天进行跟踪测量。其次，核心的技术是计算机视觉系统，该系统由图像采集设备（网络摄像头）、光源以及搭载Python（3.7.9版本）和OpenCV等图像处理库的计算机组成。图像处理流程包括：RGB图像采集、灰度转换、Otsu阈值法进行图像二值化、以及轮廓分析，用以精确提取辣椒的长度、宽度、周长、投影面积等物理参数。为了将像素值转换为实际物理尺寸（厘米），研究还进行了数据校准。最后，研究运用了回归建模分析，包括线性、二次、有理和指数模型，分别建立了辣椒物理属性与其质量、体积之间的单变量和多变量预测模型，并采用决定系数（R²）和均方根误差（RMSE）对模型性能进行验证和比较。

3.1. 物理性质

研究人员首先系统测量了纳迦王辣椒在采收后不同储存天数的一系列物理属性。结果表明，辣椒的物理特性存在显著的自然变异。例如，在采收第一天，其长度范围在26.81-52.86厘米之间，宽度在17.18-30.24厘米之间。更重要的是，随着储存时间的延长，从第3天到第11天，辣椒的平均质量和体积均呈现下降趋势，质量减少了0.53%，体积减少了0.34%。这种下降主要归因于储存过程中的水分流失。其他物理参数如长度、宽度、周长、投影面积等也观察到类似的减小趋势。相关性分析显示，辣椒的长度与其质量和体积的相关性最强（相关系数达0.944），其次是周长和投影面积。这一发现提示，长度可能是预测质量和体积的关键单一指标。

3.2. 质量与体积建模

3.2.1. 单变量质量与体积建模

在仅使用一个物理参数进行预测的模型中，研究人员比较了不同模型（线性、二次、有理、指数）和不同参数（长度、宽度、周长、投影面积、伸长比）的效果。结果表明，无论是预测质量还是体积，基于长度的模型普遍表现出最优的预测性能。其中，基于长度的有理模型（Rational model）对于质量预测效果最好（R²= 0.898, RMSE = 0.053），而基于长度的二次模型（Quadratic model）对于体积预测效果最好（R²= 0.859, RMSE = 0.075）。这说明仅凭长度一个参数，就能对辣椒的质量和体积进行相对准确的估计。

3.2.2. 多变量质量与体积回归建模

为了进一步提升预测精度，研究团队尝试将多个物理参数（长度、宽度、周长、伸长比）组合起来建立预测模型。结果非常显著，多变量模型整体上优于单变量模型。特别是多变量指数模型（Exponential model），在所有模型中表现最佳，其预测质量的R²值达到0.92，RMSE为0.046；预测体积的R²值达到0.90，RMSE为0.062。这表明综合多个形状和尺寸特征，能够更全面、更精确地反映辣椒的质量和体积信息。

3.2.3. 模型验证

为了检验模型的泛化能力，研究人员使用未参与模型训练的测试数据集对最佳模型进行了验证。验证结果确认了上述结论：多变量指数模型在测试集上依然保持了优异的性能（质量预测R²= 0.99，体积预测R²= 0.91），明显优于单变量模型。这证明所建立的多变量指数模型具有很好的稳健性和实际应用潜力。

综上所述，本研究成功证实了计算机视觉技术作为一种非破坏性工具，在估测纳迦王辣椒质量和体积方面的有效性和优越性。通过系统建模与比较，研究发现结合了长度、宽度、周长和伸长比等多个物理参数的多变量指数模型，能够以最高的精度（R²> 0.90）实现辣椒质量和体积的预测，其性能显著优于依赖单一参数的模型。

这项研究的结论具有重要的理论与实践意义。在理论层面，它深入揭示了纳迦王辣椒外部形态特征与其内部质量指标之间的定量关系，为农产品无损检测提供了新的模型思路。在实践层面，所开发的高精度预测模型为设计和开发基于机器视觉的纳迦王辣椒自动化在线分级、分选系统提供了直接、可靠的技术核心。这种自动化系统有望取代传统低效的人工分级方式，大大提高分级的效率和一致性，减少人为误差和劳动力成本，从而保障辣椒产品的采后品质，提升其市场竞争力，推动辣椒产业的智能化升级和可持续发展。未来，该技术方案的理念和方法亦可为其他不规则形状农产品的质量无损检测与智能分级提供有益借鉴。