一种基于机器视觉的柑橘表面质量检测方法.docVIP

一种基于机器视觉的柑橘表面质量检测方法 　　摘要 为了保证柑橘质量，有必要对柑橘进行质量检测和分级。针对传统人工筛选检测成本高、效率低的问题，提出了一种基于机器视觉的智能分析方法，能够快速、准确地判别柑橘表面质量。通过对CCD采集到的图像进行预处理、目标分割、缺陷特征提取，利用支持向量机（SVM）训练缺陷样本，最后对测试样本进行模式识别。实验结果证明，通过该方法研制的柑橘检测系统可以实现无损化、智能化检测，具有良好的应用前景。 　　关键词 柑橘质量；机器视觉；检测；支持向量机 　　中图分类号TP39 文献标识码A 文章编号 1674-6708（2014）112-0140-02 　　1系统原理与结构 　　柑橘自动检测系统分为硬件和软件部分组成。硬件部分包括：光照箱、LED光源、CCD彩色摄像机、图像采集卡、计算机、水果传输系统、PLC等。软件部分包括：Visual Studio 2010、OpenCV等，通过Visual Studio 2010开发上位机平台，OpenCV处理图像[5]。系统对传输带上的柑橘进行图像采集、图像处理、分类分级和分拣操作。CCD摄像机安装在光照箱内，当传输带运动一定距离时，就会通过电感式接近开关触发CCD采集一帧柑橘的图像，然后计算机及其软件系统针对该图像进行处理识别，并将结果发送给PLC，最后通过旋转电磁铁动作分拣柑橘。 　　2 图像处理与识别 　　2.1 图像预处理 　　CCD采集到的柑橘图像以RGB位图的形式储存在PC上，为了方便后续图像处理，备份原图。图像预处理的目的是找到柑橘单果目标，而柑橘和背景的亮度差别很大，这有利于分割目标。首先将彩色图像灰度化，并增强对比度，然后采用大津法将图像二值化，得到带毛边的二值图像，可以利用中值滤波去掉毛刺。接着对二值图像进行边缘检测，采用Canny 算子效果较好。然后通过形态学处理，比如膨胀连通边缘小区域，得到完整的柑橘轮廓。 　　设为输入图像，是结构元素，用b对函数 f进行膨胀运算，定义为 ⑴ 　　其中 和 分别是 f和 b 的定义域。若结构元素为正，则输出图像变亮，暗的细节被消除或者减少。 　　最后利用轮廓搜索算法找到柑橘的外部轮廓。保留轮廓区域内的彩色图像，而将轮廓区域外的区域填充为白色，也就得到了柑橘的单果图像。 　　2.2 图像分割 　　通过观察水果彩色图像可知，水果缺陷处的颜色一般较深，与果皮正常颜色反差较大。由于HIS色彩空间用色调H、饱和度S和亮度I来描述色彩信息，更符合人类的视觉特性，所以这里将其中一幅RGB位图转换为HIS位图，使用如下公式进行转换。 　　 （2） 　　 （3） 　　 （4） 　　 （5） 　　重点分析亮度分量I的图像，将其灰度图二值化，得到了了带有缺陷纹理和柑橘边缘的黑白图像，为了去掉边缘，将该黑白图像与柑橘轮廓图像求和，得到了只剩黑色缺陷区域的二值图像。保留缺陷区域内的彩色图像，而将缺陷区域外的区域填充为白色，分别为腐烂、干疤(褐斑)、日灼和网纹。 　　2.3 特征提取 　　为了后续的柑橘损伤识别工作，要对损伤图像提取特征值。彩色图像常用的特征一般包括：颜色特征、纹理特征、形状特征和空间关系特征。这里不涉及对空间关系的研究，只考虑前三种图像特征信息。 　　1）颜色特征 　　通过提取颜色和灰度特征，如缺陷位置颜色平均值 R、G、B、H、S、I ，以及灰度平均值 Gray 等都可以获得。 　　2）纹理特征 　　描述纹理的名词有平滑、粗糙、精细、粒度、规律性和方向性等，但将这些描述转变为数学模型比较困难，因此这里运用了统计方法中的灰度共生矩阵，提取图像纹理的4个主要特征，即缺陷能量、清晰度、熵值、相关性等。 　　3）几何特征 　　与水果分级相关的几何特征主要有缺陷种类、缺陷数目、缺陷面积、水果面积以及缺陷面积与果表面积的比例等。 　　2.4 图像识别 　　支持向量机（SVM）是目前较理想的学习分类算法，广泛应用于统计分类、图像识别、生物信息学等领域。相比其他的分类算法，SVM具有很多优点，比如不需要庞大的学习样本，训练收敛速度快，具有较强的逼近能力和泛化能力。SVM通过核函数将特征向量映射到高维空间，将线性不可分问题转换为线性可分问题，最终构建了一个最优超平面分离正负样本，解决了二分类问题。使用最优判别函数来判断向量所对应的类别，定义为 　　 （6） 　　 （7） 　　其中，表示内积函数，是线性函数的常数项，是超平面的法向量，和分别是两个类中的“支持向量”。符号函数括号里大于0时取1，小于0取-1，所以的取值要么是 1 ，要么是 -1，分别对应两种类别。 　　为了识别柑橘的4类基本损伤，即腐烂、干疤、日灼和网纹，需要6（）个二类SVM来实现。另外特征的选