基于机器视觉鲜骏枣大小分级研究.docVIP

基于机器视觉鲜骏枣大小分级研究 　　摘要：为改善鲜枣人工分选速度慢、效率低的现状，结合图像处理技术对鲜骏枣的质量和大小预测分级。将原图像经过去噪、形态学处理后，得到仅含目标的二值图，提取几何特征，与实际质量拟合建立回归模型，预测鲜骏枣的质量，最后采用判别分析法对大小进行分选。结果表明：使用平均面积、周长、长轴、短轴对鲜骏枣质量进行预测的相关系数达到95.45%，机器视觉技术能够较为准确地实现对质量的预测和分选。 　　关键词：鲜骏枣；分级；机器视觉 　　中图分类号：TP391.41 文献标识码：A 文章编号：1674-1161（2017）04-0015-03 　　鲜枣作为鲜食以及后续深加工产品的原材料，对其大小分级具有重要意义。采用机械式分选容易损伤表面，造成腐烂；统收后人工分选效率低、劳动强度大，无法实现在线检测。这些分选方式导致产品质量无法客观保证，影响红枣产业经济效益。随着计算机科学的发展，机器视觉技术在农产品品质检测方面应用越来越广，尤其在柑橘、苹果、梨的颜色、大小、形状等方面，这种结合计算机的非接触方式，既能保证样品不碰伤，又能提高分选效率。 　　本研究采用机器视觉技术对鲜骏枣进行分选。通过提取红枣图像的面积尺寸特征预测鲜骏枣的质量，并对其进行大小分级，为实现鲜枣在线分级检测提供一定的理论支持。 　　1 材料与方法 　　1.1 试验材料 　　试验样本为新疆阿克苏脆熟期鲜骏枣，均采摘于新疆阿克苏红旗坡农场，共490个样本。样本采摘后于1 ℃冰柜中冷藏存放。 　　1.2 图像采集系统及采集方式 　　机器视觉系统主要包括计算机、输送平台、相机、镜头、光源、图像采集卡等（如图1所示）。当样本在输送带上运行时，触发光电开关，控制相机采集图像。 　　采集图像时，样本置于室温下裸果放置1 h。调整机器视觉系统焦距、曝光量、光照强度、行频、传送带速度，直至采集的图像清晰、不失真。每幅图像上放置2个样本目标，每90°翻转一次，采集4幅图像，以tif格式保存。 　　1.3 图像预处理及特征提取 　　在图像采集过程中，一副图像上包含了2个红枣样本，需要分别提取其目标特征。首先对鲜骏枣图像中值滤波去噪，对2*B-G灰度图像二值化、孔洞填充后，通过形态学处理，去果梗、去除小面积的孤立点，得到仅含目标的二值图，膨胀后对目标进行标记，然后分别在标记状态下，结合最小外接矩形获取长短轴在水平、垂直方向的坐标值。图像处理过程如图2所示。 　　1.4 数据分析方法 　　一元线性回归只包含一个自变量和因变量，两者关系可用直线近似表示；多元线性回归包括两个及两个以上自变量，自变量和因变量之间可用线性关系来表示。 　　线性判别分析（Linear Discriminant Analysis，LDA）是特征分类提取中最为经典和广泛使用的方法之一，其目的是将数据从高维特征空间投影到低维空间，使各类别之间尽可能分开，有利于分类识别。 　　2 结果与分析 　　图像经过去噪、形态学等预处理后，通过区域标记结合最小外接矩形法提取样本的几何尺寸、周长、面积等特征信息，建立鲜骏枣质量的线性回归预测模型，其中4幅图像的面积值及其面积平均值分别表示为A1，A2，A3，A4，AM；长轴平均值表示为CM；周长平均值表示为ZM；短轴平均值表示为DM。分别使用上述特征建立回归模型，分析结果见表1和表2。 　　由表1可知：?味朗褂?4幅图像中某一幅作为自变量建立一元回归方程时，相关系数均低于以面积平均值为自变量建立的一元回归方程和以4幅图像提取的面积为自变量建立的多元回归方程；以面积平均值为自变量建立的一元回归方程与以4幅图像提取的面积为自变量建立的多元回归方程，两者相对误差相差不大，相关系数前者略高于后者。因此，选择面积平均值作为回归自变量，建立质量预测模型。 　　由表2可知：以平均面积与平均长轴为自变量建立的回归方程，预测相对误差大；以平均面积+平均短轴、平均长轴+平均短轴、平均周长+平均短轴+平均长轴建立的线性回归模型，相关系数较低。使用平均面积+平均长轴+平均短轴预测时，相关系数达到0.991 8，预测集相对误差为0.026 2；使用平均面积+平均长轴+平均短轴+平均周长进行预测时，相关系数达到0.992 0，训练集相对误差为0.031 9，预测集相对误差为0.025 9。上述两组数据中，相关系数相差不大，但第二组预测集相对误差较小，所以选择第二组自变量预测鲜骏枣的质量，即使用平均面积+平均长轴+平均短轴+平均周长预测鲜骏枣质量，预测效果如图3所示。从图3可以看出，训练集与预测集的回归预测值与真实值基本完全分布在对角线上，说明数值相差不大，预测效果好。 　　将样品中264个样本进行人工分选，每个等级分别为66个样本，按照1∶1的比例划分预测集