论文投稿_医学论文投稿_核心期刊,职称论文投稿发表_论文部落

摘要：为实现利用机器视觉代替人工视觉对脐橙进行品质分级检测，采用数字形态学方法把脐橙从背景中分离出来，并提取脐橙的体积、果面缺陷、颜色和纹理等几个主要特征；以这些特征量为支持向量机的输入特征向量进行ＳＶＭ分类器训练；最后用该分类器进行脐橙分级检测。结果表明，该分类器正确识别率可达９０．５％，单个脐橙处理时间为１６５ｍｓ，具有识别率高、实时性好的特点，适合于实时环境下的脐橙分级检测。

 

　　关键词：机器视觉；支持向量机；品质分级；脐橙

 

　　脐橙的品质分级检测是脐橙产后处理和市场销售的一个重要环节，我国水果传统分级是采用人工识别的方式。随着计算机图像处理技术和机器视觉技术的发展，国内外专家学者对利用机器视觉进行农产品的分级检测进行了大量的研究，但主要侧重于利用颜色、形状、大小、纹理等某一个或几个特征进行分级［１，２］，因特征信息较少，分类效果不是很理想。为此，采用提取脐橙的大小、颜色、表皮纹理、果面缺陷等综合信息特征，建立了基于支持向量机的脐橙综合评价模型，实现对脐橙品质分类检测。江西赣州是我国主要的脐橙生产地，采用赣州出产的纽荷尔脐橙为对象，利用机器视觉技术，实现对脐橙的自动分级检测，较人工方法提高了效率，降低了加工成本，为脐橙的品质分级检测提供了新的方法。

 

　　１试验设备和仪器

 

　　设备采用三星ＳＣＣ－１３１Ａ摄像头，腾龙１／３ＣＣＴＶＣＳＴＡＭＲＯＮ镜头，ＭｙＶｉｓｉｏｎ９９图像采集卡，图像采集处理系统如图１。检测系统在一个封闭的箱内进行，光源为白色光，背景为深蓝色，为能采集脐橙的全貌并进行快速处理，设计采用２个摄像头，互成１２０°安装，摄像头图像大小采用统一的６４０×４８０像素，ｂｍｐ格式存储，ＣＣＤ摄像头采用标定法对摄像机内外参数进行标定［３］，以弥补透镜畸变引起的像素坐标偏差。脐橙为赣南地区出产的纽荷尔脐橙，算法程序用ＶＣ＋＋６．０编写。

 

　　２图像预处理

 

　　脐橙的品质分级检测主要包括３个步骤：图像预处理、脐橙特征向量值的提取和支持向量分类机的构建和测试，其信号处理流程见图２。图像预处理是为后续的特征值处理做准备，通过ＣＣＤ摄像头所获得的原始图像见图３。先将原始图像进行Ｇａｕｓｓ滤波，再进行ＨＩＳ模型的转换。

 

　　在自然界中，所有颜色都可以量化分解成红、绿、蓝（Ｒｅｄ，Ｇｒｅｅｎ，Ｂｌｕｅ）３种颜色，即ＲＧＢ模型，但采用ＲＧＢ模型获取色调及饱和度信息很困难，而采用ＨＳＩ模型更能体现研究对象的信息。ＨＳＩ模型的３个量是：色调Ｈ（Ｈｕｅ）、饱和度Ｓ（Ｓａｔｕｒａｔｉｏｎ）和亮度Ｉ（Ｉｎｔｅｎｓｉｔｙ）。ＨＳＩ模型具有噪声灵敏度低，抗干扰能力强的特点［４］。图像由ＲＧＢ模型转为ＨＳＩ的公式：

 

　　Ｈ＝ａｒｃｃｏｓ■（1）

 

　　Ｓ＝１－■（２）

 

　　Ｉ＝■（３）

 

　　图３ａ的脐橙图像经过ＨＳＩ转换后的各分量图像如图４所示。

 

　　３脐橙特征参量的提取

 

　　脐橙特征参量的提取是进行机器视觉分级检测的一个关键环节，采用提取脐橙的大小、果面缺陷、颜色和表面纹理４个方面特征参量进行综合品质分级检测。

 

　　３．１脐橙大小特征的提取

 

　　因脐橙个体形状一般比较规则地呈椭球形，为了提高系统的实时性，只提取脐橙的大小特征，忽略其形状特征。为提取脐橙的大小特征，先选取合适的阈值进行二值化处理，把脐橙从背景中分割出来。由图４可知，Ｈ分量图中的脐橙与背景易于区分，故通过Ｈ分量图像进行阈值分割来提取脐橙的大小特征。采用大津（Ｏｓｔｕ）阈值法对图像进行分割［５］，图４ａ进行分割后的二值图像如图５所示。为提取脐橙的大小特征，进行二值化图像扫描：

 

　　Ｓ＝■■ｆ（ｉ，ｊ）（４）

 

　　式中，Ｍ，Ｎ为图像行和列的像素，ｆ（ｉ，ｊ）为二值化图像函数，其值取１为脐橙像素点，取０为背景。这样Ｓ即为脐橙的像素点数，由摄像机的标定可知，脐橙的像素点数可反映脐橙的大小特征，通过计算和实际测量，所对应的函数为：ｙ＝０．００２６×Ｓ，其中ｙ为脐橙的果径，单位为ｍｍ。采用了２个摄像头的均值来确定脐橙的像素点数，即Ｓ＝（Ｓ１＋Ｓ２）／２。

 

　　３．２脐橙果面缺陷特征的提取

 

　　在脐橙的品质分级检测中，脐橙果面缺陷对脐橙的品质影响很大，缺陷检测是很重要的一个环节。脐橙的果面缺陷主要有２种，一种是由于生虫原因造成的条纹，其颜色为白色（图３ｂ）；另一种是腐烂点，其颜色为黑色（图３ｃ）。显然不能以一个阈值把两种缺陷从正常果面（图３ａ）中提取出来。图６ａ、６ｂ、６ｃ分别为图３ａ、３ｂ、３ｃ3类脐橙ＨＩＳ模式的Ｓ分量图，由图６可见3类脐橙的Ｓ分量能很好地展现出脐橙的轮廓和各缺陷的轮廓，要进行脐橙的缺陷检测，就要把果面缺陷从图像中提取出来。首先把Ｓ分量图像的脐橙从背景中分离出来，将图６ａ、６ｂ、６ｃ的Ｓ分量图与各自的二值图像（图５）进行掩模运算［６］，得到从背景中分离的脐橙Ｓ分量图，如图６ｄ、６ｅ、６ｆ所示，图中脐橙的边缘和果面缺陷两者的灰度值接近，难以一次把两者区分。采用先提取脐橙的边缘特征，再提取果面缺陷特征的方法。图像边缘是指图像中周围像素灰度具有阶跃变化的那些像素的点集合，即灰度导数最大的地方［７］。边缘算子采用Ｓｏｂｅｌ算子，其水平方向的模板为：-1-2-1000121，其竖直方向的模板为：-101-202-101，从中可以看出，Ｓｏｂｅｌ算子考虑了邻域信息，并进行了加权处理，提取的边界不会出现断裂现象。由Ｓｏｂｅｌ算子提取出的边界较细，为了后续的运算，对边界图像再进行过灰度开运算处理，即得到脐橙的边缘图像如图６ｇ、６ｈ、６ｉ所示。为了提取脐橙的果面缺陷，把图６ｇ、６ｈ、６ｉ分别与图６ｄ、６ｅ、６ｆ进行掩模运算得到除去边缘的脐橙图像，如图６ｊ、６ｋ、６ｌ所示。将图６ｊ、６ｋ、６ｌ进行中值滤波，再用大津（Ｏｓｔｕ）阈值法对图像进行分割，即得到3类脐橙的果面缺陷二值化图像，如图６ｍ、６ｎ、６ｏ所示。得到果面缺陷二值图像后，按照公式（４）的方法可对果面缺陷面积进行计算，脐橙果面缺陷的总面积为２个摄像头提取的缺陷像素和，即：Ｓ′＝Ｓ１′＋Ｓ２′。通过计算和实际面积的测量，缺陷面积对应的函数为：ｙ′＝０．１６４×Ｓ′，其中ｙ′为缺陷面积，单位为ｍｍ２。

 

　　３．３脐橙果面颜色特征和纹理特征的提取

 

　　由于脐橙成熟时的颜色为橙色，橙色主要由红色和绿色按一定比例组成，因此特征主要选取Ｒ、Ｇ和Ｒ－Ｇ3个量的平均值和标准差来衡量脐橙果面颜色特征，各分量图像如图７所示。

 

　　表面纹理是衡量脐橙外观质量的一个重要参数，纹理是由灰度分布在空间位置上反复交错变化而形成的，它是一种不依赖于颜色和亮度而反映图像中同质现象的视觉特征，灰度共生矩阵（ＧＬＣＭ，ＧｒａｙＬｅｖｅｌＣｏ－ｏｃｃｕｒｒｅｎｃｅＭａｔｒｉｘ）是一种已由理论和实践证明了的纹理度量方法，它反映图像灰度方向、相邻间隔和变化幅度等综合信息，是分析图像局部模式和排列规则的基础［８］。灰度共生矩阵描述了在图像中距离为d的像素对，在?琢方向上具有灰度为i和灰度为j出现的概率，描述为：

 

　　p（i，j，d，?琢）=%{（（k，l），（m，n））∈（Ly×Lx）×（Ly×Lx）|d，?琢，I（k，l）=i，I（m，n）=j}（５）

 

　　式中Ly×Lx是图像的像素集，Ｉ表明每个像素灰度都取自集合Ｇ，即I∶Ly×Lx→G，％表示大括号中成立的像素对。基于灰度共生矩阵的纹理特征属性有多种，根据脐橙的特点选取对比度和能量两个特征量来反映脐橙的表面纹理特征。

 

　　１）对比度（Ｃｏｎｔｒａｓｔ），它反映图像的清晰度、纹理的强弱，值越大表明纹理效果越显，反之则越弱，当值为０时，表明完全均一，没有纹理。其表达式为：

 

　　f■＝■■■n2p（i，j）（6）

 

　　式中，i-j＝ｎ，Ｎｇ为灰度量化级集，ｐ（ｉ，ｊ）为灰度共生矩阵。

 

　　２）能量（角二阶矩），它反映图像中像素的纹理粗细程度和像素分布的均匀程度，当图像较细、分布均匀时能量较大；反之则更小，取值范围是［０，１］。其表达式为：

 

　　ｆＡＳＭ＝■■｛ｐ（ｉ，ｊ）｝２（７）

 

　　式中，ｐ（ｉ，ｊ）表示归一化后的灰度共生矩阵。

 

　　以从背景中分离出来的脐橙Ｉ分量图像进行纹理分析，在考虑脐橙颜色的特点和计算量的实时性，在实验的基础上，将按照下列的参数设置进行纹理特征的提取：方向?琢取水平方向０°、副对角线４５°、竖直方向９０°、主对角线１３５°4个方向；灰度化级数Ｎｇ设置为１６；步距ｄ设置为４。

• 　　论文部落提供核心期刊、国家级期刊、省级期刊、SCI期刊和EI期刊等咨询服务。
• 　　论文部落拥有一支经验丰富、高端专业的编辑团队，可帮助您指导各领域学术文章，您只需提出详细的论文写作要求和相关资料。
•  
• 　　论文投稿客服QQ: 2863358778、 2316118108
•  
• 　　论文投稿电话:15380085870
•  
• 　　论文投稿邮箱:lunwenbuluo@126.com