论文部分内容阅读
[摘 要]现如今,我国的机器视觉技术已经运用到很多领域,如自动驾驶、物流、医疗、机械生产等,而在农业领域却一直存在着技术空白。本文以猕猴桃产业为背景,展开探讨运用机器视觉技术实现猕猴桃分级的实际意义和可行性,并结合图像处理、神经网络算法等知识提出相应实验方案,实现猕猴桃的在线品质(大小、形状、颜色)分级,具有检测速度快、无损检测、可检测项目多、检测精度较高等优点,且检测项目多为消费者比较关注的可视化的外观品质。
[关键词]机器视觉;图像处理;神经网络;无损检测
中图分类号:TP759 文献标识码:A 文章编号:1009-914X(2018)12-0322-01
一、基于机器视觉的水果分级技术的发展
计算机视觉是用计算机实现人的视觉功能——对客观世界三维场景的感知、识别和理解。计算机视觉是在20世纪50年代从统计模式识别开始的,当时的工作主要集中在二维图像分析、识别和理解上,如光学字符识别、工件表面显微图片、航空照片的分析和解释等。
Tao等人(1995)[1]研制了一种机器视觉系统来对苹果的颜色进行检测,它可以区别黄色与绿色的“金帅苹果”。Abdullah等人(2006)[2]研制了用于金帅水果表面颜色和果形检测的机器视觉系统,通过对200个样本的检测实验表明,采用多层神经网络算法检测的准确率为90.5%。LeemansV.等人(2004)[3]提出了一个基于缺陷特征的水果分级方法。该方法对每个被检测的水果采集几幅图像,然后对图像进行分割,最后提取缺陷。在学习阶段,水果根据缺陷的大小被分为几个子串,对水果的缺陷的分类用了二次判别式法。实验表明,这种分级方法的准确率可以达到73%,而错误发生的50%是良性的,而另外50%则是由于缺陷是晒伤或者是撞伤。
到了近代,国外在利用机器视觉技术进行水果品质检测与分级方面已经取得了较大的进展,并有许多成功的经验值得借鉴。以美国为例,进入21世纪,就已有可商用化的基于机器视觉的水果分级系统生产,为美国的水果产业带来了巨大的经济效益。而我国的研究大部分针对的目标都是静态的水果图像,在研究中未考虑实际分级中水果传输的动态特性,如运动目标的捕获、运动对水果图像的影响和相关的处理方法等。特别是在图像处理的方法上,大多数是延续经典静态图像的处理方法,对图像未进行预处理工作,或者是未作任何选择而对全图进行逐点扫描操作,所以耗费的时间较多,使得许多成果离实际应用较远或者是很难向产业化生产转化。
二、优化国内猕猴桃分级机的必要性。
1. 猕猴桃产业概况
根据中华人民共和国农业部近五年统计数据显示,我国猕猴桃进出口处于贸易逆差。我国是主要种植猕猴桃的国家之一,种植面积超过了其他国家的种植总和,但出口数量却很少,由此反映出我国猕猴桃产业的弱势地位。目前我国猕猴桃产业发展中最主要的问题在于:猕猴桃种植面积增加过快,种植技术较低导致品质上不去,相应的仓储物流等配套设备没有跟上,市场销路没有得到拓展,价格较低销售困难等等。例如,2017年10月猕猴桃开始大量上市后,价格出现了下降。但对比明显的是,一些高品质的猕猴桃却仍供不应求。
2. 猕猴桃产业困境的原因
我国市场上现有的猕猴桃分级机械主要是针对重量特征进行分级的大型机械,存在价格高、分级依据单一、多采用机械式分级,容易对果实造成损伤等弊端,难以在农户小规模营销为主的市场环境下得到普及。且相对质量来说,消费者在购买猕猴桃时往往首要关注的是果实的大小和口感。因此,为了实现猕猴桃分级设备在我国的普及应用,满足消费者的需求,需要解决目前分级设备存在的分级依据单一、易对果实造成损伤等问题,研究适合于我国国情的小型猕猴桃在线分级系统。
三、实验方案分析
拟解决的关键问题为通过对比法研究寻求最适合该项目的图像处理方法,深入研究如何运用神经网络算法实现该无损检测目标、寻求合适地边缘检测方式和颜色特征提取方法。
研究的主要内容如下:
(1)通过领域平均法和中值法对采集图像进行平滑处理,对受到噪声污染的图像进行修复。使用拉普拉斯算子和梯度法对图像进行锐化,突出图像的边缘信息,增强图像的轮廓特征。介绍了最小二乘类约束复原,维纳滤波和Lucy_Richardson滤波三种经典复原方法,并且运用约束最小二乘滤波,Lucy_Richardson滤波和维纳滤波修复由于匀速直线运动的物体造成的模糊图像,最终选取约束最小二乘滤波进行图像复原。猕猴桃图像经过以上图像预处理技术,为其进一步分割和分析打下基础。
(2)对预处理后的猕猴桃图像进行二值化,计算猕猴桃整体像素点数,按照标准参照物的单位像素面积得到猕猴桃大小。分别使用Roberts算子,Prewitt算子和Sobel算子,对猕猴桃二值图进行边缘检测,最终采用Sobel算子得到的边缘信息,通过对同上的标准参照物的边界检测,得到单位像素长度计算猕猴桃的周长。使用大津法,最小误差法,最大熵值法对猕猴桃进行图像分割。
(3)通过数字图像处理,利用无损检测技术统计猕猴桃品质的特性,利用这些特性来实现猕猴桃的分级。针对猕猴桃成熟时表面带有绒毛,并且根据其成熟度越高,表面的绒毛密度越大这一纹理特性,通过神经网络算法计算成熟度。
(4)引入模糊聚类概念,对猕猴桃的品质进行分级。比较模糊统计法,二元对比排序法,三分法,專家经验法四种隶属函数建立方法。最终采用专家经验法确定隶属函数,在试验中不断修正隶属函数的三个特征参数值,从而改进隶属函数。根据隶属函数,把猕猴桃按照很好(A)、好(B)、一般(C)、差(D),四个等级进行分级。
四、结论
针对国产猕猴桃,基于前人研究进行分析,综合应用机器视觉和自动化控制技术等多学科领域知识,对猕猴桃分级系统进行集成及试验研究,理论上可实现猕猴桃的在线品质(大小、形状、颜色)分级,具有检测速度快、无损检测、可检测项目多、检测精度较高等优点,且检测项目多为消费者比较关注的可视化的外观品质。
参考文献
[1]Tao Y, Heinemann P H, et al. Machine vision for color inspection of potatoes and apples. Transactions of the ASAE, 1995, 38(5):1555-1561.
[2]Abdullah M Z, Mohamad-Saleh J, Fathinul-Syahir A S, et al. Discrimination and classification of fresh-cut starfruits using automated machine vision system. Journal of Food Engineering, 2006, 6(4):506~523
[3]Leemans V, Destain M. A real-time grading method of apples based on features extracted from defects. Journal of Food Engineering 2004, 61:83-89
作者简介
李晓航(1995.4-)男,汉,河南省禹州市,硕士,研究方向:图像处理与计算机视觉。
[关键词]机器视觉;图像处理;神经网络;无损检测
中图分类号:TP759 文献标识码:A 文章编号:1009-914X(2018)12-0322-01
一、基于机器视觉的水果分级技术的发展
计算机视觉是用计算机实现人的视觉功能——对客观世界三维场景的感知、识别和理解。计算机视觉是在20世纪50年代从统计模式识别开始的,当时的工作主要集中在二维图像分析、识别和理解上,如光学字符识别、工件表面显微图片、航空照片的分析和解释等。
Tao等人(1995)[1]研制了一种机器视觉系统来对苹果的颜色进行检测,它可以区别黄色与绿色的“金帅苹果”。Abdullah等人(2006)[2]研制了用于金帅水果表面颜色和果形检测的机器视觉系统,通过对200个样本的检测实验表明,采用多层神经网络算法检测的准确率为90.5%。LeemansV.等人(2004)[3]提出了一个基于缺陷特征的水果分级方法。该方法对每个被检测的水果采集几幅图像,然后对图像进行分割,最后提取缺陷。在学习阶段,水果根据缺陷的大小被分为几个子串,对水果的缺陷的分类用了二次判别式法。实验表明,这种分级方法的准确率可以达到73%,而错误发生的50%是良性的,而另外50%则是由于缺陷是晒伤或者是撞伤。
到了近代,国外在利用机器视觉技术进行水果品质检测与分级方面已经取得了较大的进展,并有许多成功的经验值得借鉴。以美国为例,进入21世纪,就已有可商用化的基于机器视觉的水果分级系统生产,为美国的水果产业带来了巨大的经济效益。而我国的研究大部分针对的目标都是静态的水果图像,在研究中未考虑实际分级中水果传输的动态特性,如运动目标的捕获、运动对水果图像的影响和相关的处理方法等。特别是在图像处理的方法上,大多数是延续经典静态图像的处理方法,对图像未进行预处理工作,或者是未作任何选择而对全图进行逐点扫描操作,所以耗费的时间较多,使得许多成果离实际应用较远或者是很难向产业化生产转化。
二、优化国内猕猴桃分级机的必要性。
1. 猕猴桃产业概况
根据中华人民共和国农业部近五年统计数据显示,我国猕猴桃进出口处于贸易逆差。我国是主要种植猕猴桃的国家之一,种植面积超过了其他国家的种植总和,但出口数量却很少,由此反映出我国猕猴桃产业的弱势地位。目前我国猕猴桃产业发展中最主要的问题在于:猕猴桃种植面积增加过快,种植技术较低导致品质上不去,相应的仓储物流等配套设备没有跟上,市场销路没有得到拓展,价格较低销售困难等等。例如,2017年10月猕猴桃开始大量上市后,价格出现了下降。但对比明显的是,一些高品质的猕猴桃却仍供不应求。
2. 猕猴桃产业困境的原因
我国市场上现有的猕猴桃分级机械主要是针对重量特征进行分级的大型机械,存在价格高、分级依据单一、多采用机械式分级,容易对果实造成损伤等弊端,难以在农户小规模营销为主的市场环境下得到普及。且相对质量来说,消费者在购买猕猴桃时往往首要关注的是果实的大小和口感。因此,为了实现猕猴桃分级设备在我国的普及应用,满足消费者的需求,需要解决目前分级设备存在的分级依据单一、易对果实造成损伤等问题,研究适合于我国国情的小型猕猴桃在线分级系统。
三、实验方案分析
拟解决的关键问题为通过对比法研究寻求最适合该项目的图像处理方法,深入研究如何运用神经网络算法实现该无损检测目标、寻求合适地边缘检测方式和颜色特征提取方法。
研究的主要内容如下:
(1)通过领域平均法和中值法对采集图像进行平滑处理,对受到噪声污染的图像进行修复。使用拉普拉斯算子和梯度法对图像进行锐化,突出图像的边缘信息,增强图像的轮廓特征。介绍了最小二乘类约束复原,维纳滤波和Lucy_Richardson滤波三种经典复原方法,并且运用约束最小二乘滤波,Lucy_Richardson滤波和维纳滤波修复由于匀速直线运动的物体造成的模糊图像,最终选取约束最小二乘滤波进行图像复原。猕猴桃图像经过以上图像预处理技术,为其进一步分割和分析打下基础。
(2)对预处理后的猕猴桃图像进行二值化,计算猕猴桃整体像素点数,按照标准参照物的单位像素面积得到猕猴桃大小。分别使用Roberts算子,Prewitt算子和Sobel算子,对猕猴桃二值图进行边缘检测,最终采用Sobel算子得到的边缘信息,通过对同上的标准参照物的边界检测,得到单位像素长度计算猕猴桃的周长。使用大津法,最小误差法,最大熵值法对猕猴桃进行图像分割。
(3)通过数字图像处理,利用无损检测技术统计猕猴桃品质的特性,利用这些特性来实现猕猴桃的分级。针对猕猴桃成熟时表面带有绒毛,并且根据其成熟度越高,表面的绒毛密度越大这一纹理特性,通过神经网络算法计算成熟度。
(4)引入模糊聚类概念,对猕猴桃的品质进行分级。比较模糊统计法,二元对比排序法,三分法,專家经验法四种隶属函数建立方法。最终采用专家经验法确定隶属函数,在试验中不断修正隶属函数的三个特征参数值,从而改进隶属函数。根据隶属函数,把猕猴桃按照很好(A)、好(B)、一般(C)、差(D),四个等级进行分级。
四、结论
针对国产猕猴桃,基于前人研究进行分析,综合应用机器视觉和自动化控制技术等多学科领域知识,对猕猴桃分级系统进行集成及试验研究,理论上可实现猕猴桃的在线品质(大小、形状、颜色)分级,具有检测速度快、无损检测、可检测项目多、检测精度较高等优点,且检测项目多为消费者比较关注的可视化的外观品质。
参考文献
[1]Tao Y, Heinemann P H, et al. Machine vision for color inspection of potatoes and apples. Transactions of the ASAE, 1995, 38(5):1555-1561.
[2]Abdullah M Z, Mohamad-Saleh J, Fathinul-Syahir A S, et al. Discrimination and classification of fresh-cut starfruits using automated machine vision system. Journal of Food Engineering, 2006, 6(4):506~523
[3]Leemans V, Destain M. A real-time grading method of apples based on features extracted from defects. Journal of Food Engineering 2004, 61:83-89
作者简介
李晓航(1995.4-)男,汉,河南省禹州市,硕士,研究方向:图像处理与计算机视觉。