论文部分内容阅读
营养丰富,食药皆用的柚子(Pomelo)广受欢迎。我国柚子产量居世界第二,且逐年增加。针对生产中人工检测和机械检测方法已不能满足当前的生产需求,通用型果蔬无损检测分级设备应用于柚果检测时对于果形等柚子特有参数的分辨能力略有欠缺的问题。提出一种基于机器视觉技术对柚子尺寸、果形和表面损伤进行检测分级的方法,以广东梅州沙田柚为研究对象,采用CMOS相机,点阵式的LED光源和平面镜搭建了图像采集装置。利用颜色空间变换、中值滤波、图像分割、边缘提取和形态学算法等数字图像处理方法,提取图像信息特征以获得柚子尺寸、果形和表面损伤的判别分级方法。主要研究结果如下: (1)图像采集系统搭建 搭建了基于机器视觉的柚子果形检测系统(其中包括相机选择,光源选择与布置)。同时采用平面镜成像原理,一次拍摄可得到柚子样本的全表面图像信息。 (2)柚子尺寸定量检测方法研究 利用极坐标替代平面直角坐标系,简化柚子果形描述,提取和描述柚子轮廓的特征信息。同时消除柚子样本位置随机放置带来差异,角度校正误差为2.55°。 讨论了不同步长和不同拟合方式对柚子轮廓的函数拟合情况,最终选定步长n=20,进行图像轮廓信息压缩;选用n=17的多项式对柚子轮廓信息进行曲线拟合。 先判别梨形柚子和球形柚子,再分别对梨形柚子(方向角法)和球形柚子(最小外接矩形)计算果形尺寸大小。对于176个试验样本的尺寸计算结果如下:横径估算平均误差2.21mm,纵径平均误差2.23mm。 (3)柚子果形判别方法研究 通过对柚子果形轮廓的拟合函数进行7个柚子果形特征(3个峰值高度、2个波谷位置和2个波谷值)提取,用以描述柚子果形轮廓。 采用BP神经网络(初始设置网络结构为7-9-1,学习速率为0.1,阈值随机产生更新)进行果形打分,并以果形指数进行柚子果形分级判别。确定最优校正集划分方法为SPXY法,确定最优预处理方法为离差标准化。 对比不同的BP神经网络结构,确定最佳隐含层节点数为6;对比不同BP神经网络的节点传递函数,确定最佳的节点传递函数为tansig函数。该方法第1类(果形标准)识别率为90%,第2类(缺陷较小,具备沙田柚特征)识别率为86.7%,第3类(缺陷较大,不具备沙田柚形状特征)识别率为80%,总识别率为84%,得到最终的柚子果形BP神经网络判别模型 (4)柚子表面缺陷判别方法研究 利用图像灰度校正去除由拍照环境影响产生的影响,利用形态学算法和数字图像乘法提取柚子图像中表面缺陷区域,同时综合左镜像、主视图和右镜像三幅图的缺陷特征提取结果,综合地对柚子样本的表面缺陷进行判别。对于总计176个柚子试验样本(缺陷样本82个)最终的判别结果,柚子表面缺陷识别率为86.36%,其中漏检4个,漏检率为2.27%;误判个数为20个,误判率为11.4%。 结果表明,利用机器视觉技术能够获取柚子的尺寸、果形和表面损伤信息并据此进行分级,从而为柚子外部品质检测与分级提供一种可行途径。