论文部分内容阅读
苹果是人们最常食用的水果之一,因其具有生态适应性强、果品营养价值高、储藏性好及供应周期长等优点,在许多国家大受欢迎。苹果是我国重要的农业经济作物,栽培面积广泛,总产量居世界前列,但由于我国在苹果产后处理技术的落后,采后烂果率高达25%以上,严重影响苹果的经济效益。因此,提高苹果自动分类及缺陷果的识别技术是十分必要的。目前,国内外利用机器视觉对苹果的尺寸、形状、颜色、内部品质等的自动检测技术已相对成熟。但是,针对苹果表面缺陷的检测却一直是一个难题,这是因为果梗/花萼与苹果表面缺陷具有相似灰度特征,极容易对缺陷检测造成干扰。本文主要研究内容为苹果果梗、花萼及缺陷的识别。通过建立机器视觉系统采集苹果图像、对苹果图像进行预处理、目标区域分割、目标区域特征提取、分类器识别、算法优化等步骤进行识别。主要工作包括:(1)机器视觉检测系统的组建。通过对图像采集需要的相机、镜头、光源等进行了选型以及优化调整设计,构建了一个完整的图像采集系统。(2)苹果图像预处理。由于光照问题以及采集系统硬件问题等影响,采集的图像含有噪声,将影响图像的分割、提取等后期处理。本文比较了均值滤波法、高斯滤波法和中值滤波法去除苹果图像中高斯噪声和椒盐噪声的效果。结果显示,中值滤波法的效果最优。(3)苹果图像目标区域分割。针对单幅彩色苹果图像,首先在R分量图中利用Otsu阈值分割法分割出目标区域的二值图,之后采用Canny边缘检测算法提取苹果图像的边缘,然后进行苹果边缘去除及孔洞填充法得到目标区域,最后利用连通域标记法提取每个目标区域,并通过运算得到各个目标区域的彩色图像。经过对大量苹果分割的效果可以看出,该方法能准确有效的分割出目标区域。(4)提取目标区域特征值。特征值包括颜色特征6个(即R、G、B、H、S、I值)、纹理特征4个(即能量、对比度、相关性、熵)、几何特征6个(即面积、圆形度、方差、最大值、最小值、梯度),一共16个特征值。(5)分类器选取。通过对最近邻分类器(KNN)、BP神经网络、AdaBoost分类器、支持向量机(SVM)四种分类器进行比较,结果显示,KNN、BP神经网络、AdaBoost、SVM的分类正确率分别为85.87%、89.13%、93.48%、95.74%,可以看出SVM的识别效果最好。因此,选用SVM分类器作为苹果果梗、花萼及缺陷识别算法中的分类器。(6)苹果果梗、花萼及缺陷识别算法优化。针对苹果果梗、花萼及缺陷识别算法中存在识别时间过长的问题,提出利用决策树思想对其进行优化。试验结果显示,优化后的算法能大大地提高苹果图像的识别正确率及降低识别时间,平均识别正确率为98.2%、平均识别时间为346ms,满足在线识别要求。