自然光下绿皮马铃薯的检测.docVIP

自然光下绿皮马铃薯的检测 　　摘要：该文给出了在自然光相对复杂的背景下对马铃薯进行了区域分割和绿皮缺陷检测，提出了一种基于饱和度灰度化的阈值分割方法，先饱和度灰度化处理，然后用大津法二值化，再用形态学处理产生的噪声，该方法能将自然光下的马铃薯准确分割。马铃薯目标分割后，提取马铃薯的表皮颜色特征进行分析，发现深绿薯皮缺陷的颜色分量差R-G小于0，色调H大于60，浅绿薯皮的颜色分量差R-G∈[0，10]，H色调∈[50，60]，而Lab模型的色彩a小于0可以判断是否有无绿色，通过这几种颜色特征可以确定绿皮的检测条件。试验结果分析表明，该方法对自然光下的绿皮马铃薯检测准确率高达94.33%。 　　关键词：自然光；绿皮马铃薯；饱和度灰度化；多颜色特征 　　中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2016）24-0191-03 　　随着马铃薯的经济价值和营养价值越来越高，对马铃薯的品质检测也显得尤为重要。绿皮属于马铃薯外部缺陷的一种，它能产生一种对人体有害的龙葵素，人们食用后可引起中毒、呕吐。研究在自然光照相对复杂背景下检测绿皮马铃薯对马铃薯产业的实时检测和分级具有应用价值，它不仅能开放机器视觉检测的条件，提高检测效率，还能应用到更广泛的农产品检测当中。 　　国内外学者专家针对马铃薯等农产品品质检测已经做了许多研究，如：Tao[1]等利用色度直方图信息做相关分析，运用多变量识别技术检测了马铃薯和苹果的颜色信息，准确率高达90%。J.C.Noordam[2]等结合线性判别分析法和马氏距离建立一个RGB颜色空间下的像素分类器，针对不同的马铃薯表皮颜色分成不同类别马铃薯，但实验样本的数量不够。P.Moallem[8]等在可变的光照下，基于自适应模糊推理系统结合遗传算法对正常马铃薯图像进行了目标分割，效果还不错，但该方法未针对有缺陷马铃薯进行分割并检测。荣佳佳[3]等在自然光照下用支持向量机去除了干扰背景对茄子目标进行了分割，对被遮挡的茄子运用凸包拟合的方法进行分割，分割成功率较高。郝敏[4]统计正常与缺陷马铃薯在RGB和HSI各通道下的直方图分布范围，设置阈值进行分割，并用面积判定大小范围。虞晓娟[5]提出了一种基于色调域的阈值识别法从量化的角度提取了马铃薯的表皮颜色信息，结合二次阈值分割法成功地对绿皮马铃薯区域进行了检测，识别率高达99.48%。杨冬风[6]等人分析马铃薯表皮的颜色特征并提取特征参数，利用BP神经网络实现了绿皮区域的准确分割，准确率达96.88%。 　　前人已经提出了不少绿皮马铃薯的检测方法，但大多数都在封闭的环境中进行检测，比如封闭箱中，然而在图像的实际获取过程中，总是还是容易受到许多随机因素的干扰，比如背景不确定、光照不均匀、有阴影和噪声等影响，不能适应许多工厂机器视觉实时在线检测的要求，有一定的局限性。 　　因此本研究针对在自然光照相对复杂背景下对马铃薯图像进行目标分割和绿皮检测，提出了一种基于饱和度灰度化阈值分割方法和一种基于多颜色特征相结合的绿皮检测方法。先对自然光照下拍摄的马铃薯图像进行分割，去背景，然后对马铃薯绿皮区域进行精确检测并标记。 　　1 材料与方法 　　1.1 试验材料 　　本试验材料的马铃薯选自南昌新建县农贸市场采购来自东北品种的东农303号马铃薯，总样本集由50个正常马铃薯和53个不同程度表皮变绿的马铃薯组成，样本集符合马铃薯等级国家标准要求。 　　1.2 采样方法 　　将挑选好的马铃薯样本进行简单的清洗，去掉表面泥土等杂质，晾干后，将其以任意姿态放在自然光下，用数码相机对其进行多角度拍照，对于绿皮马铃薯主要采集绿皮缺陷面作为样本，最后，随机从中挑选出100张比较理想的马铃薯图像。图像像素分辨率为1024×768，颜色空间为RGB，存储格式为24位的bmp格式。 　　2 马铃薯区域分割 　　由于实验是在自然光下采集的马铃薯图像，容易受到非均匀光照和阴影的影响，加上还可能会受到背景因素的影响，所以简单使用B通道和平均灰度化分割方法不能把马铃薯目标从图像背景中分离出来，本文采用S饱和度灰度化阈值分割方法能准确提取马铃薯范围。 　　2.1 基于S饱和度灰度化阈值分割方法 　　基于S饱和度灰度化阈值分割算法具体步骤如下：1）将RGB图像转换成更符合人眼视觉直观的HSV颜色空间。转换公式如下（1）、（2）、（3）：R、G、B三个颜色分量取值范围为[0，255]。 　　 　　2）S饱和度灰度化，将转换后的S取值[0，255]范围内，利用饱和度灰度化能增强目标与背景的对比度，阴影也能被消除。 　　3）Otsu二值化，利用该方法能自动确定一个最佳阈值，将背景与目标变成黑白二值图。 　　4）形态学运算，通过腐蚀、膨胀等运算可以消除产生的噪声，最