基于计算机视觉的水果分级检测系统的设计

以你之姓@ 2022-09-10 12:26 53阅读 0赞

基于MATLAB的计算机视觉水果分级检测系统

一、课题介绍

计算机视觉应用于水果的品质检测，带来了许多方便。既可以提高检测的精度、准确度。又节省了大量的劳动力，让人们从繁重的人工检测工作中解脱出来。本文以苹果为研究对象，研究了计算机视觉技术应用于水果分级检测的基本理论和方法。

研究了苹果图像的预处理，包括平滑滤波、图像的灰度化以及图像的二值化。

研究了苹果的大小检测。先把苹果图像与背景分离，再计算出苹果图像的像素点数，通过预先测定出的一个像素点与真是面积的比值，进而算出苹果的真是面积，最后通过直径的大小来确定苹果大小等级。

研究了苹果的颜色检测，通过HIS颜色模型中的H分量来判定出苹果的着色面积，通过着色面积与苹果的大小做比，得出苹果的着色比，通过着色比来判定苹果颜色等级。

研究了苹果的缺陷检测。对苹果图像的灰度化，再通过用合适的阀值二值化图像确定出缺陷区域，在通过一些简单的运算得出缺陷的面积，通过缺陷的面积确定苹果的缺陷等级。

## 二 背景 ##

## 2.1 研究的目的与意义 ##

自古以来我们国家就是一个农业大国，农业在国民收入中占据了很大的比重。而在农业中水果的种植又十分广泛。但一直以来我国水果出口情况一直不如国外，这不是说我国的水果质量比别国的差，而是我国的水果在后序的分级方面做的比不上外国。现在随着人们的生活水平提高，对于质量的要求就高了，所以说水果的分级就显得十分的必要。但是我国的水果分级工作大部分是靠人力完成，这就产生了很多的问题，比如说：工作量十分大，要占用许多的劳动力来完成这件事，而且效率也不高；再者说人的疲劳和天生对色泽等方面的敏感度不高，同样对分级的质量产生影响。虽然近些年我国在机器检测中取得了一些成就，使得在水果的大小、颜色方面的检测可以让机器代替人工去完成。但由于检测方法比较简单，所以完全达不到市场的要求和人的期望。

随着计算机的迅速发展，计算机视觉技术被广泛应用于农产品检测中。所以通过将计算机技术和图像处理等许多学科知识综合起来，先通过对水果大小、颜色、缺陷各个方面分别进行检测，再对各个检测结果进行综合分析。这样得出的判断包含的方面比较全面，而且图像处理知识的应用使得检测更加精确。这样水果的检测才达到真正意义上的智能化。本课题就是介绍了基于计算机图像处理的水果分级检测。

## 三、 技术路线 ##

采用CCD摄像头和图像采集卡工具完成对图像的采集。并传输到计算机上为后续的图像处理做准备。

对采集到得图像进行图像的预处理，使得后续的检测分级更加的精确。

确定图像的分级参数，从水果图像的大小、颜色和缺陷这三个方面来分别进行分级。

对各个方面的分级结果进行综合，得出水果的品质等级。

## 三 苹果的大小检测 ##

## 3.1 大小检测分级研究 ##

目前水果的大小识别方法主要有两个方面：通过水果的外接矩形等方法确定水果的的果径大小，进而通过果径的大小来确定水果的大小等级；通过对水果的边缘进行傅里叶变换，通过傅里叶系数来确定水果的大小、形状等一些特征值，以此来判定水果的大小。现有的水果大小识别方法有以下几种方式：

最小外接矩形法

其基本的方法是先确定水果的形心，然后将水果每绕形心旋转3度后就拍一照片，找出所有照片中苹果外接矩形最小的那一张。那么这张图片的最长的那条边的长度就是苹果的果径长度。进而通过果径的长度来判定水果的大小等级。

![v2-668d3ff80c5e56786b9471d97f213f8b\_b.jpg][v2-668d3ff80c5e56786b9471d97f213f8b_b.jpg]

图3-1 外接矩形法

最大果宽法

水果的大小可以通过水果的直径来表示，所以可以用果宽来对苹果的大小进行分级。对于确定果宽大小，第一步要求出苹果的果轴，果轴就是花萼和花梗的连线。果轴的确定对于静态的图像来说非常容易。果宽就是垂直于果轴的直线与苹果边缘交线中最长的那一条长度。

![v2-6abfffb2838eafcf38a28400130c87af\_b.jpg][v2-6abfffb2838eafcf38a28400130c87af_b.jpg]

图3-2 最大果宽法

果径法

这种方法把苹果看成是球体，通过边缘提取和细节处理后，计算出水果的形心，果梗与形心的连线就是果径，通过形心与果径垂直的线就是果宽。通过果宽的大小来确定出苹果的大小等级。

投影面积法

CCD摄像头拍摄的水果图像是二维的平面图，计算此投影面积S，根据大量试验找到一个合适系数K'使得K乘以S接近水果真实的表面积。最后用这个近似的表面积来表示水果大小，并用于分级。由于很难找到合适的K值使所有的苹果近似面积接近真实表面积，该方法稳定性差。准确率低，不宜用在在线苹果大小检测上。

综上所述，最小外接矩形法计算量太大，不满足快速检测的要求．最大果宽法和果径法计算量小，但是根据得到的苹果图像不易找到果轴，因此算法难以实现。投影面积法对于一个苹果只拍摄一个图像，稳定性差，准确率低。

本课题中每个苹果经过采集区域的过程中不停滚动，并被连续采集到3幅不同表面图像，覆盖整个果面的90％以上，可以较完整地反映苹果表面信息，且每幅图像中苹果的面积即苹果最大横截面面积。由于苹果属于圆形果种类，可以把图像中苹果近似看作圆形，带入圆的面积公式计算半径R。R为苹果最大横截面半径，对每个苹果的三幅图像求取三个R值，再求平均，即得到苹果的平均半径R。大小用最大横切面积直径来

表示，因此使R乘以2得到苹果平均直径D，并把D作为大小特征值，这就是改进的投影面积法。

## 3.2 苹果大小特征提取 ##

用这种改进过的投影面积法，先找出三幅苹果不同侧面拍出来的照片，分别计算他们的面积s1,s2,s3，然后使用公式：

R=sqre(s/pi)

由于判定水果的大小等级一般都是使用水果的直径来判别，所以要计算出水果的直径大小。

D=2\*R

然后通过计算出的三个直径D1,D2,D3.求出他们的平均值作为最后得出的直径大小

D=(d1+d2+d3)/3

三幅苹果图像如下：

![v2-2f66d58e79efe4c598b793a48f65cb2f\_b.jpg][v2-2f66d58e79efe4c598b793a48f65cb2f_b.jpg]

图3-3 苹果图像1

![v2-e4ed013e2e17380c72aefa02c52c22fc\_b.jpg][v2-e4ed013e2e17380c72aefa02c52c22fc_b.jpg]

图3-4 苹果图像2

![v2-c9abc745db1c1cf924de5371d7b9361f\_b.jpg][v2-c9abc745db1c1cf924de5371d7b9361f_b.jpg]

图3-5 苹果图像3

## 3.3 苹果大小分级试验与结果 ##

GB10654—89中对于大型果、中型果、小型果的果径大小要求如下。本课题通过对水果的投影面积法，进而计算初水果的直径大小，再利用特定的阀值来对苹果的大小进行区分。

表3-1 苹果等级划分标准

苹果的分级模型可以表示为:

If D>=th1 属于优等果

Elseif D>=th2 属于一等果

Elseif D>=th3 属于二等果

Else 属于等外果

四 水果的颜色检测

## 4.1 引言 ##

苹果的颜色反映了苹果的品质与口感等一系列方面。品质好的苹果，其色泽、颜色的着色率都很好，而相反品质差的苹果其色泽、颜色的着色率一般都比较差。同时，含糖量多、口感好的一般来说也是着色率比较高的。这样来说，对于水果的颜色检测就显得十分的重要。目前在水果检测中，国外的技术受到硬件和算法的局限，所以技术的成熟度不高，而在我们国内，水果的分级一般都是采用机械分类的方法，其对颜色这方面的检测基本上都无法实现。

## 4.2 颜色模型 ##

目前的颜色模型可以分为两种类型：一种是面向硬件设备的，比如RGB模型，他是面向打印机、显示器等设备的。另外一种是面向人的视觉感受的，不如HIS模型。而本课题中对于水果颜色的分级是基于人的视觉的，所以选用HIS模型，这种模型更利于我们对水果的特征进行提取。下面介绍几种颜色模型：

RGB模型

在多媒体计算机技术中，用得最多的是RGB模型。其采用R、G、B相加混色的原理，通过发射出三种不同强度的电子束，使屏幕内侧覆盖的红，绿、篮磷光材料发光而产生颜色。RGB是一个加色立方体模型，光源的亮度、色度、纯度混合在R、G、B三个参数中．RGB模型里面任意色光F都可以用R，G，B三色不同分量的相加混合而成：

F=R+G+B

RGB模型采用物理三基色表示，因而物理意义很清楚，适合彩色显象管工作，显示器和扫描仪都采用RGB模型。然而这一体制并不适应人的视觉特点。这种模型从感知来说是不均匀的，并依赖于硬件设备。RGB模型的缺点有：

RGB模型用红、绿、蓝三原色的混合比例定义不同的色彩，使色彩难以用准确的数值来表示，并进行定量分析；

在RGB模型中，由于彩色合成图像通道之间相关性很高，使合成图像的饱和度偏低，色调变化不大，图像视觉效果差；

人眼不能直接感觉红、绿、蓝三色的比例，而只能通过感知颜色的亮度、色调以及饱和度来区分物体，而色调和饱和度与红、绿、蓝的关系是非线性的，因此，难以在RGB模型中对图像进行直接处理．

以下是实验中得出的R，G，B分量：

![v2-51e7749e4b6f7ea095b0c4f586b560ef\_b.jpg][v2-51e7749e4b6f7ea095b0c4f586b560ef_b.jpg]

图4-1 RGB模型中R分量的图像

![v2-2595d6d8f6271ce533ef43d3f13739ec\_b.jpg][v2-2595d6d8f6271ce533ef43d3f13739ec_b.jpg]

图4-2 RGB模型中G分量的图像

![v2-0fb24c5956b1bba6133fa7717a632c13\_b.jpg][v2-0fb24c5956b1bba6133fa7717a632c13_b.jpg]

图4-3 RGB模型中B分量的图像

YUV颜色模型

YUV颜色模型也是使用比较多的颜色模型，由于人眼对于亮度的敏感度远远大于对于色度的敏感度，所以YUV这个模型中，相邻的像素间使用同样的色度值。这样的图像是用牺牲色度来达到压缩图像的目的。这个模型一般用于图像传输中对图像进行压缩处理。

HIS颜色模型

这一模型是面向彩色处理的最常用的模型。HIS模型是基于视觉原理的一个系统，定义了三个互不相关，容易预测的颜色属性，即色调(H)，亮度(I)和饱和度(S)。其中，H是表面呈现近似红、黄，绿、蓝等颜色的一种或几种的目视感知属性；I是物体表面相对明暗特性；S是颜色具有“白光”的程度．它有两个特点：

其一，I分量与图像的彩色信息无关，因此对彩色信息处理只需考虑两个分量。

其二，H和S分量与人感受颜色的方式非常相近。这些特点使HIS模型适合于视觉系统感受彩色特性的图像处理算法。

由于人的视觉对亮度的敏感程度远强于对颜色浓淡的敏感程度，为了便于颜色处理和识别，人的视觉系统经常采用HIS颜色空间，它比RGB颜色空间更符合人的视觉特性。RGB与HIS的相互关系分正反两种情况，这里只讨论从RGB转换到HIS的情况。对任何3个在【0，1】范围内的R、G、B三基色，其对应HIS模型中的H、I、S分量可由下面给出的公式计算：

Temp1 =0.5\*((r-g)+(r-b)) （4-1）

temp2 =sqrt((r-g).^2 + (r-b).\*(g -b)) （4-2）

theta = arccos(temp1./temp2) （4-3）

H=theta G>=B （4-4）

H=360-theta G<=B （4-5）

S=1-3\*min(R,G,B)/(R+G+B) （4-6）

I=(R+G+B)/3 （4-7）

以下是本课题实验中所得出的HIS三个分量的图像

![v2-62843aa67f55bd4453bfefe91c4e1356\_b.jpg][v2-62843aa67f55bd4453bfefe91c4e1356_b.jpg]

图4-4 H分量的图像

![v2-aafda8e744e99919410441bc680906f0\_b.jpg][v2-aafda8e744e99919410441bc680906f0_b.jpg]

图4-5 I分量的图像

![v2-558592e2d65731486e32d2ab56114538\_b.jpg][v2-558592e2d65731486e32d2ab56114538_b.jpg]

图4-6 S分量的图像

## 4.3苹果表面颜色特性分析 ##

苹果的颜色等级划分包含的方面很多，但主要的方面有三个：红区比例，色度，苹果的着色均匀度

红区的比例反映了苹果的红色区域的面积大小。红色区域面积越大，则苹果的含糖量越高，口感也越好。

色度也是苹果颜色的一个方面，偏黄的苹果色度比偏绿的小。而偏黄的苹果品质要比偏绿的要好。

苹果的着色均匀度也同样重要，着色越均匀的苹果，美观度高、口感好。

## 4.4 苹果颜色着色度提取与等级划分 ##

苹果的着色度是苹果颜色分级中十分重要的方面，他反映了苹果的红区面积于苹果实际的面积的比。提取的方法是，先提取出苹果HIS模型中的H分量，然后选择合适的阀值对红区进行二值化处理，计算红区的面积。最后用红区面积与苹果的实际面积做比，进而就可以求出苹果的着色度。

下图是苹果的着色区域图：

![v2-db84729c5b82f12b8b5ba95a405a2973\_b.jpg][v2-db84729c5b82f12b8b5ba95a405a2973_b.jpg]

图4-7 苹果的着色区域

等级的划分可以以下表为依据：

表4-1 苹果等级划分标准

## 五、 水果的缺陷检测 ##

## 5.1引言 ##

水果的缺陷检测是检测中最重要的，也是复杂度很高的一个方面，目前的缺陷检测一般采用边缘检测求出缺陷的区域，进而对缺陷进行评估。这其中边缘检测是最重要的环节。

李庆中等\[7\].通过双金字塔数据形式的盒维数快速计算，得出五个分形维数作为可疑缺陷区的参数，再通过BP形网络结构的人工神经网络，最终实现对梗、萼和缺陷的准确判断。

冯斌等\[8\].先对水果进行图像的获取与分割，而对于梗萼和缺陷的判决，则通过观察可疑区是上凸的还是下凹来判定，因为如果是梗萼的话那么应在下凹区，而如果是缺陷区，那么大部分都是在上凸区的。这种方法准确度还是挺高的。

## 5.2水果缺陷检测研究 ##

图像的边缘对人的视觉具有重要意义，一般来说，当人看一个物体时，首先感觉到的就是边缘。边缘是一个区域的结束也是一个区域的开始。利用这一个特性可以分割图像，将缺陷区域从苹果图像中分割出来。目前边缘检测主要有roberts模板、sobel模板、prewitt模板、拉斯算子、canny边缘检测算子这5种方法检测。

Roberts模板检测

图5-1 Roberts模板

Sobel模板检测

图 5-2 Sobel模板

Prewitt模板检测

图5-3 prewitt模板

LOG模板检测

图 5-4 LOG模板

Canny边缘检测算子

在图像的边缘检测中，抑制噪声和边缘精确定位是无法同时满足的，边缘检测算法通过平滑滤波法去除图像噪声的同时，也增加了边缘定位的不确定性;反之，提高边缘检测算子对边缘的敏感性的同时，也提高了对噪声的敏感性，canny算子力图在抗噪声干扰和精确定位之间寻求最佳的折中方案。

Canny算子检测图像边缘的步骤如下：

平滑图像；

计算滤波后的图像的梯度的幅值和方向；

对梯度幅值应用非极大值抑制，其过程为找出图像梯度中的局部极大值 点，把其他非极大值点置零以得到细化边缘；

用双阀值算法检测和连接边缘；

对比各种算法，本课题我所选用的算法是Canny边缘检测算子进行的检测。效果比较好，可以明显的看出缺陷的区域。

## 5.3水果缺陷检测试验与结果 ##

下面是对有缺陷的苹果进行的检测，分别用各种边缘检测算子检测出来的图像：

用roberts模板检测

![v2-50426fa8f3669eebe7f50b795bc1d20b\_b.jpg][v2-50426fa8f3669eebe7f50b795bc1d20b_b.jpg]

图5-1 用Roberts检测后的图像

用sobel模板检测

![v2-7f744d970a51239465762f05d5af8a70\_b.jpg][v2-7f744d970a51239465762f05d5af8a70_b.jpg]

图5-2 用Sobel检测后的图像

用prewitt算子检测

![v2-4bfd395e72638aa4bdc04d0e472d39bd\_b.jpg][v2-4bfd395e72638aa4bdc04d0e472d39bd_b.jpg]

图5-3 用Prewitt算子检测后的图像

用log算子检测

![v2-f865796caf9d9f6812875991cec3374a\_b.jpg][v2-f865796caf9d9f6812875991cec3374a_b.jpg]

图5-4 用log算子检测后的图像

用Canny算子检测

![v2-bc3d5d3e31d3ff1452c12f8ea716421a\_b.jpg][v2-bc3d5d3e31d3ff1452c12f8ea716421a_b.jpg]

图5-5 用Canny检测后的图像

## 六 水果分级的系统研究 ##

## 6.1引言 ##

对于水果的分级检测的研究，国外经过几十年的研究，技术发展的已经比较成熟了。但在国内由于这方面的起步比较晚，所以大部分的分级检测还是采用机械分级，不仅效率不高，最主要的是精度也不是很高。所以本课题的研究是十分具有应用价值的。本课题通过运用计算机技术、图像处理技术达到了对苹果的分级检测的目的。

## 6.2系统工作原理 ##

水果分级检测的步骤如下：

通过CCD摄像头采集苹果的图像。

对采集到的图像进行传输，传到PC机上。用Matlab软件对图像进行处理。

对图像进行预处理，包括滤波、灰度化、二值化等。

对苹果进行大小检测，通过果径大小进行等级划分。

对苹果进行颜色检测，先将图像RGB模型转换为HIS模型。通过HIS模型中的H分量进行颜色分级。

对苹果进行缺陷检测，使用canny边缘检测算子进行边缘检测，进而检测出苹果的缺陷部分。

系统的流程如下图所示：

![v2-1cf7b477ce03ebc35b1a0a7a353b377b\_b.jpg][v2-1cf7b477ce03ebc35b1a0a7a353b377b_b.jpg]

图6-1 系统流程图

系统包括硬件部分和软件部分：

硬件部分主要是图像的采集部分，包括CCD摄像机、数据传输设备、一台安装了Matlab软件的计算机。

软件部分主要是图像的处理部分，Matlab编码对图像进行处理与仿真。具体到软件内部的工作流程情况如下所示：

![v2-a73cca2db55cb6d206fcc80b15975169\_b.jpg][v2-a73cca2db55cb6d206fcc80b15975169_b.jpg]

图6-2 软件工作流程图

[v2-668d3ff80c5e56786b9471d97f213f8b_b.jpg]: /images/20220829/86034d3d5e8643ec9b3b0aae450a28e3.png
[v2-6abfffb2838eafcf38a28400130c87af_b.jpg]: /images/20220829/16d6486cc6964e83a3f3cf32530af084.png
[v2-2f66d58e79efe4c598b793a48f65cb2f_b.jpg]: https://ss.csdn.net/p?https://pic4.zhimg.com/v2-2f66d58e79efe4c598b793a48f65cb2f_b.jpg
[v2-e4ed013e2e17380c72aefa02c52c22fc_b.jpg]: https://ss.csdn.net/p?https://pic1.zhimg.com/v2-e4ed013e2e17380c72aefa02c52c22fc_b.jpg
[v2-c9abc745db1c1cf924de5371d7b9361f_b.jpg]: https://ss.csdn.net/p?https://pic4.zhimg.com/v2-c9abc745db1c1cf924de5371d7b9361f_b.jpg
[v2-51e7749e4b6f7ea095b0c4f586b560ef_b.jpg]: https://ss.csdn.net/p?https://pic4.zhimg.com/v2-51e7749e4b6f7ea095b0c4f586b560ef_b.jpg
[v2-2595d6d8f6271ce533ef43d3f13739ec_b.jpg]: https://ss.csdn.net/p?https://pic1.zhimg.com/v2-2595d6d8f6271ce533ef43d3f13739ec_b.jpg
[v2-0fb24c5956b1bba6133fa7717a632c13_b.jpg]: https://ss.csdn.net/p?https://pic4.zhimg.com/v2-0fb24c5956b1bba6133fa7717a632c13_b.jpg
[v2-62843aa67f55bd4453bfefe91c4e1356_b.jpg]: https://ss.csdn.net/p?https://pic3.zhimg.com/v2-62843aa67f55bd4453bfefe91c4e1356_b.jpg
[v2-aafda8e744e99919410441bc680906f0_b.jpg]: https://ss.csdn.net/p?https://pic1.zhimg.com/v2-aafda8e744e99919410441bc680906f0_b.jpg
[v2-558592e2d65731486e32d2ab56114538_b.jpg]: https://ss.csdn.net/p?https://pic1.zhimg.com/v2-558592e2d65731486e32d2ab56114538_b.jpg
[v2-db84729c5b82f12b8b5ba95a405a2973_b.jpg]: https://ss.csdn.net/p?https://pic4.zhimg.com/v2-db84729c5b82f12b8b5ba95a405a2973_b.jpg
[v2-50426fa8f3669eebe7f50b795bc1d20b_b.jpg]: https://ss.csdn.net/p?https://pic4.zhimg.com/v2-50426fa8f3669eebe7f50b795bc1d20b_b.jpg
[v2-7f744d970a51239465762f05d5af8a70_b.jpg]: https://ss.csdn.net/p?https://pic1.zhimg.com/v2-7f744d970a51239465762f05d5af8a70_b.jpg
[v2-4bfd395e72638aa4bdc04d0e472d39bd_b.jpg]: https://ss.csdn.net/p?https://pic2.zhimg.com/v2-4bfd395e72638aa4bdc04d0e472d39bd_b.jpg
[v2-f865796caf9d9f6812875991cec3374a_b.jpg]: https://ss.csdn.net/p?https://pic3.zhimg.com/v2-f865796caf9d9f6812875991cec3374a_b.jpg
[v2-bc3d5d3e31d3ff1452c12f8ea716421a_b.jpg]: https://ss.csdn.net/p?https://pic3.zhimg.com/v2-bc3d5d3e31d3ff1452c12f8ea716421a_b.jpg
[v2-1cf7b477ce03ebc35b1a0a7a353b377b_b.jpg]: https://ss.csdn.net/p?https://pic4.zhimg.com/v2-1cf7b477ce03ebc35b1a0a7a353b377b_b.jpg
[v2-a73cca2db55cb6d206fcc80b15975169_b.jpg]: https://ss.csdn.net/p?https://pic2.zhimg.com/v2-a73cca2db55cb6d206fcc80b15975169_b.jpg