基于特征值提取的西瓜子快速分拣方法.docxVIP

基于特征值提取的西瓜子快速分拣方法 0 热点问题研究 近年来，人们对黄瓜农产品的品质要求不断提高，筛选前作物的价格已成为重要的环节。随着生产规模的不断扩大,人工分选效率较低(一般手工分拣效率为0.005 kg/s),越来越不能满足需求,进而产生了自动分选的机器。目前色选机是瓜子分选机器的重要设备。早期的色选机多为光电分选,分选效率和准确性较低,近年来发展起来的电荷耦合元件(charge coupled device,CCD)色选机成为瓜子分选设备的主流。CCD色选机的核心技术为线阵图像分类技术,其中的一些图像处理算法成为研究的热点问题。国内外学者均有成果出现。周一红,孙涌等提出了提取西瓜子的面积,正交长短轴等一系列特征值来识别瓜子。李昊宇等提出的基于光度立体法翘板黑瓜子识别算法。各自在其目标瓜子分选上均有一定的效果。本文基于西瓜子(产自甘肃会宁,品种:新疆圆片)的颜色特征,给出西瓜子的灰度带比例分类识别算法,并在CCD杂粮色选机(型号:HS-010284CCD)上进行验证。图像预处理部分突破了以往的预处理思路,具体在于:1)不是单纯地对图像进行直方图均衡化,而是采用了对比度自适应的直方图均衡化;2)在对瓜子图像进行二值化以后,进行了中值滤波,为分类提供了很好的特征,进一步采用灰度带比例值进行分类。为了验证算法的可靠性,本文将该算法移植到CCD杂粮色选机上进行试验,该色选系统采用现场可编程门阵列(field programmable gate array,FPGA)并行硬件计算处理方案,在多通道实时分选方面保证了算法的可执行性。本文研究的西瓜子图像分类算法及实现方法对于带纵向条纹的瓜子物料的分选具有很好的参考价值。 1 描述目标对象的图像并获取 1.1 正常西瓜与刀痕西瓜的特性 本文以产自甘肃会宁的新疆圆片西瓜子(表面中心有白色区域)为研究对象,通过统计瓜子原粮的表面特征,将瓜子分为:正常瓜子、刀疤、烂瓜子、扭曲、半瓣头、白皮、白片、小颗粒等8种不同类型的瓜子,如下图1所示。八类瓜子的定义为:正常瓜子表面平整,无翘弯,无凹槽,无花斑,无白片;刀疤瓜子具有正常瓜子的特征,但外壳表面有刀痕状裂纹;烂瓜子表面不光滑而且色泽暗淡,瓜子颜色呈现灰白相间,但有瓜子的形态;扭曲瓜子有明显或相对明显的扭曲,弯翘形态;半瓣头瓜子的上下两部分一部分呈现黑色,而另一部分呈现白色;白片具有瓜子的形状,但色黄或白,质量比同型瓜子略轻,而且轮廓边缘是黑色;白皮瓜子是不成形的瓜子,质轻,整个表面呈现乳白色;小颗粒面积小而且表面的黑色占据了很大一部分。本课题研究的目标是通过对瓜子图像进行处理、提取特征值,最终分拣出如图1中(1)所示的正常瓜子。 1.2 并行处理技术 为了保证本课题研究算法的可靠性,算法的验证图像均采自CCD杂粮色选机(型号:HS-010284CCD,生产厂家:安徽宏实光机电高科有限公司,主要参数:通道数为84,其中63个通道用于一次分选,21个通道用于二次分选)。如图2所示。 图2中的CCD采用大规模FPGA并行处理技术,实现CCD驱动、信号采集、预处理、分类计算、控制信号输出一体化完成。完全摒弃了传统的线阵CCD、PCI卡、工控机分体集成的方案,实现并行处理。照明系统采用高频日光灯照明(功率:80 W,频率:2 k HZ,光通量:9×104lm)。通过振动器自动喂料,图像经一体化CCD系统处理之后,直接输出开阀信号驱动电磁阀控制气枪将非正常瓜子吹出。 2 图像预处理算法 2.1 模拟图像的均衡化 灰度直方图的含义:数字图像中各灰度级与其出现的频数间的统计关系,如下式: 直方图均衡化(直方图平坦化)是将已知灰度概率密度分布的图像经过一系列变换,转化成具有均匀灰度概率密度分布的新图像。其结果是增加了像素灰度值的动态范围,从而使图像整体对比度增强。使图像变得更清晰。 这里用f表示输入图像中像素的灰度,g表示输出灰度。变换式为g=T(f),其中T是单值单调函数。其中f,g∈。Pf(f)、Pg(g)分别表示输入输出图像的概率密度函数。无论运算的形式如何变化,在点运算中,图像处理前后的大小是不会变化的。因此输出图像中落入[g,g+?g]区域的像素数必然等于输入图像中落在[f,f+?f]区域的所有像素数。即 其中,β表示输入图像中像素的灰度的积分变量,ω表示输出图像中像素的灰度的积分变量。 且 式中f∈[fmin,fmax],g∈[gmin,gmax]。令 C(f)为累积分布函数,离散化可得到离散灰度图像的累积分布函数C(fk),用累加直方图来近似表示为 其中,fi为图像的第i级灰度值,ni是图像中灰度值为fi的像素个数,n是图像的总像素个数,L是灰度级数。直方图均衡化目的就是希望输出图像的概率密度函数是均匀分布的,从而增强图像整体对比度,即 通过该变