基于图像处理的红枣分级检测方法设计

来源:用户上传      作者:

　　摘要 为提高红枣分级速度和分级检测的精度，实现无损分级的效率最大化，按照分级要求对红枣的大小、形状、颜色、表面褶皱程度及外轮廓等进行检测。采用图像预处理算法对红枣图像进行平滑去噪、图像增强，多种检测算法比较后采用自适应Canny算法对红枣图像进行外轮廓边缘检测，拟采用傅里叶算法对红枣的尺寸进行计算，由极半径函数确定红枣的形心位置坐标，配合Euclidean算法检测红枣距离尺寸，对干枣、鲜枣以及大小形状不规则的红枣混装进行分级处理。对若干大小、形状等特征不同的红枣进行分级检测试验，结果表明在提高红枣检测速度的同时准确率均在90%以上，具有较好的鲁棒性和准确率，在红枣分级要求精度较高的情况下，减少了整体运行时间，满足红枣分级的实际要求。
　　关键词 图像处理;红枣分级;Canny算法;傅里叶算法;Euclidean算法
　　中图分类号 S126  文献标识码 A  文章编号 0517-6611（2020）05-0206-05
　　doi：10.3969/j.issn.0517-6611.2020.05.058
　　开放科学（资源服务）标识码（OSID）：
　　Abstract In order to improve the classification speed and accuracy of jujube， and maximize the efficiency of nondestructive classification， the size， shape， color， surface wrinkle and outline of jujube were detected according to the classification requirements. The image preprocessing algorithm was used to smooth and denoise the jujube image， and enhance the image. After comparing various detection algorithms， the adaptive Canny algorithm was used to detect the outline edge of the jujube image. Fourier algorithm was used to calculate the size of the jujube. The centroid coordinate of the jujube was determined by the polar radius function， and Euclidean was used to coordinate the centroid position of the jujube. The algorithm detected the distance size of jujube， and classified dry jujube， fresh jujube and jujube with irregular size and shape. The grading test of jujube with different sizes and shapes was carried out. The results showed that the detection speed and accuracy of jujube could be increased by more than 90%. It had better robustness and accuracy， and the overall running time could be reduced to meet the practical requirements of jujube grading under the condition of high grading accuracy.
　　Key words Image processing;Jujube classification;Canny algorithm;Fourier algorithm;Euclidean algorithm
　　红枣因得益于我国西北方的气候、土壤、环境等因素，使得红枣的年产量占世界总产量的90%以上，基本垄断枣类产品的国际贸易市场，也因红枣具有较高的营养和药用价值而深受消费者的喜爱，但因加工水平低从而影响了竞争力和市场效益。对红枣进行尺寸、种类的分级处理可以提高经济效益。一种基于图像处理的计算机视觉分级技术作为红枣分级的方法，可以提高检测、分级的精度，实现无损分级。红枣分级[1]处理是进入流通市场的关键，直接影响红枣业的经济效益。传统的红枣分级大多采用目测观察及选果器分级的人工分拣，存在劳动强度大、效率低、准确性差等问题，同时人口老龄化的加剧和劳动力的减少使传统的红枣分级方法不再具有优势。
　　随着机器视觉及人工智能等检测技术的兴起，计算机硬件和数字图像处理技术的快速发展，已经应用到军事、医学、道路工程等领域并取得了显著的效果，同时在农业上有了较广泛的应用，帮助果农在果类分拣、装箱、装运等方面发挥着巨大的作用。黎静等[2]采用可见的近红外光谱并配合图像处理技术，将红外线投射到脐橙外表面，根据红外线的光谱反馈检测脐橙表面农药残留量的研究;刘翠玲等[3]采用近红外光谱技术依靠机器视觉，对蔬菜内外红外光线照射部分进行图像采集并通过训练得到相关的图像分析方法，对蔬菜内农药残留量进行了定性和定量研究。吕萍[4]通过对各图像进行分析，根据数据建立数学模型，选择最小二乘法支持向量机（LS-SVM）的方法[5]建立预测模型，对生姜中的敌敌畏农药残留量进行无损检测研究。笔者提出了一种基于图像边缘检测的红枣分级方法，经图像预处理、滤波及增强、梯度算法处理以及自适应Canny算法[6]對红枣大小及表面轮廓和缺陷进行检测、识别，并根据等级划分指标对检测的红枣进行分级。 　　1 材料与方法
　　1.1 试验材料与设备
　　1.1.1
　　试验材料。采用新疆和田地区和新疆阿拉尔地区的完熟时期骏枣。
　　1.1.2
　　设备。型号为CoolView VHR的高分辨率CCD相机，同时兼有1 100万（4 000×2 672）像素和1 600万（4 872×3 248）像素2种选择;SD-300型形式闪光灯照明光源;图像处理软件为OpenCv，搭配环境为Visual Studio 2012和MATLAB 7.0。
　　1.2 红枣图像采集
　　分别将多个大小规格型号相近的红枣置于不同颜色的卡纸，通过摄像机分别对红枣图像采集并对图像进行编号。
　　1.3 图像预处理
　　根据不同卡纸下的红枣所获得的灰度直方图，得到最适合红枣提取的背景，在此灰度化图片中再进行图像去噪和增强，使图像中红枣的效果增加明显。
　　1.4 图像边缘识别与检测
　　对处理好的红枣图像进行分级前的处理，即需要将图像中的红枣外轮廓的边缘进行识别、检测并提取，方便获取红枣的边缘半径尺寸。
　　1.5 红枣表面检测标准
　　在分级时，为了避免红枣的浪费和经济损失，按照国标 GB/T 5835—2009 《干制干枣》规定，病虫、浆头（红枣在生长期或者干制过程中因受雨水影响，枣的两头或局部未达到适当干燥，含水率高，色泽灰暗，进一步发展成霉烂枣）、破头（破损果）不得超过5%。因此，由k=S1/S2为判断依据，其中S1为缺陷部分像素个数，S2为红枣总像素个数。试验按照k≥5%判定为缺陷枣，k<5%判定为表面完好红枣。
　　1.6 数据统计与分析
　　对不同颜色卡纸下红枣的灰度值统计后，用峰面积归一化确定红枣的灰度直方图，通过对红枣分级试验所得的数据进行计算与比对，最后对红枣分级时的处理时间、准确度等进行分析。
　　2 结果与分析
　　2.1 图像采集结果分析
　　将红枣置于不同颜色卡纸上，使用平行光源对红枣进行照射并将拍摄的照片通过输出接口将图像传输到PC端，通过图像处理得到图像内的目标灰度直方图，如图1、2所示，通过灰度直方图的峰值可以得到较好的分割效果，比较后确定最佳的红枣采集背景。
　　根据不同背景下的灰度直方图[7]可以清楚地观察到红枣与各种颜色的分割效果，红枣在白色背景下的灰度直方图波峰间有较为明显的区分，其他颜色背景波峰间的区分不明显甚至没有分割，说明在此类背景下获取红枣轮廓时干扰因素较多，影响了识别与检测。综合考虑，选用白色作为红枣图像采集时的背景色。
　　2.2 图像预处理过程及分析
　　高清彩色CCD摄像头[8]采集图像均为YCbCr格式的图像，对红枣进行图像处理或机器视觉处理时需要将采集图像转化为机器可以识别的灰度图像，减少图像中的干扰信息，公式如下：
　　经灰度化后便可合成RGB值相同的灰度值，同时可以更加明显地检测到红枣表面的缺陷以及外轮廓，便于红枣的分级。
　　平滑去噪及增强处理：
　　以Gauss滤波算法[9]为基础，提出了双边滤波算法的滤波处理算法。在图像中，变化较为平滑的区域内因灰度值变化不明显使之对应的区域内权重接近1，使图像中模糊的边缘变清晰的同时还能滤除图像中的噪声，使图像更加平滑。中值滤波算法[10]是采用中值滤波器与图像中的各像素点进行卷积并记录下像素点的灰度值，通过筛选后按照灰度大小顺序进行排序确定灰度中间值，最后将该像素值赋值到模板对应位置。各滤波算法处理后拟采用中值滤波算法为红枣图像处理的平滑去噪算法。
　　 从图3可以清晰地观察到红枣的轮廓和一些表面的褶皱痕迹，为了对红枣做更好的分级处理还需要对已经滤波后的图像进行增强。先前已有对图像灰度处理的过程，所以在对红枣图像进行图像增强的时候可以继续采用已有的灰度处理图及相关的处理算法。对图像进行直方图锥形拉伸[11]，可以得到图像的效果增强图，可能存在较光滑的区域或因为亮度套高或者太低使对比度不明显，使用一次直方图锥形拉伸后效果不明显，此种情况下可以对一次拉伸后的红枣图像继续做二次锥形拉伸。直方图锥形拉伸算法的优点是多次拉伸后部分已有的明显特征信息会一直存在，不会因为多次处理后而使信息丢失。
　　2.3 红枣外轮廓边缘检测分析
　　将图像经预处理后可得到较为清晰且特征信息明显的红枣图像，此后需要对红枣表面进行缺陷的检测，红枣大小识别、红枣边界检测。边缘检测算法分为一阶微分边缘检测算法和二阶微分边缘检测算法，常用的一阶微分边缘检测算法有Sobel算法、Prewitt算法、Roberts算法、Canny算法等;二阶微分边缘检测算法大多采用二阶导数过零点的边缘检测算法[12]。分别采用上述的一阶微分边缘检测算法对红枣图像进行处理，通过比较各算法之间对红枣边缘的识别程度、边界轮廓的提取程度、轮廓线的连续性以及表面褶皱的识别程度等一系列相关的信息，确定适合红枣的最佳检测算法。检测结果如图4所示。
　　 由图4可以看出，各种检测算法对红枣图像进行检测时都可以得到较为清晰的检测图像。Prewitt算法所得到的检测图（图4b）中，红枣边缘及表面的轮廓线较差，因为该算法在滤波时是平均滤波，将红枣图像中的重要特征信息与干扰信息混合，使特征信息不再明显;Sobel算法处理后得到图4a，它是采用加权平均滤波方法，对灰度变化比较明显的图片有更好的检测效果，外轮廓的检测效果较好，但红枣表面的褶皱在灰度微小变化范围内并不能清晰地检测到;Laplacians算法作为二阶微分边缘检测算法，根据通过导数是否过零点来判断图像边缘，其平滑效果、滤波效果和去噪能力优于一阶微分算法，但图4d的细节损失也会比较严重，同时内部信息以及图像的边缘精度也会相应大大降低。根据图示对比结果综合考虑，Canny算法处理后的图4e更加清晰，边缘信息丢失较少，同时红枣表面褶皱痕迹也可以清楚地檢测到，便于红枣的分级处理。因此，选用Canny算法作为红枣边缘检测方法来处理红枣增强后的图片。 　　2.4 确定红枣的形心位置坐标
　　获取红枣的外形轮廓后便可知道整个边界为一条封闭的近似椭圆的曲线，因此在不借助人工的情况下，在计算红枣的外形尺寸并对红枣的形状进行详细地描述时，需要对红枣所在图像的像素坐标位置有精确的定位。拟采用傅里叶算法[13]对红枣的尺寸进行计算，计算过程以极半径函数为基础获得图像中红枣轮廓曲线的形心位置坐标。
　　式中，ρ表示2点之间的欧式距离，n表示空间的维数。当ρ越小则表示两特征像素点的相似的越高，在轮廓线边缘相邻的位置因为整个红枣外轮廓边缘像素点较多，红枣进行分级处理[20]时也是仅判断重量、横截面直径长度、纵向长度等明显的特征信息，因此在使用Euclidean距离法对红枣进行测距时，选择距离红枣形心位置坐标最近的边缘像素点为测距起点，顺时针或者逆时针进行周期性测距，同时需要设定约束条件，当2个像素点之间的距离小于10 mm时不予统计，当检测完成后程序需要进行自我判别处理，所测距离大多数应该呈现出2π象限内y=sinx型图像，小部分可能会出现偏差，大部分的红枣在距离由小变大的转折点即为红枣的横截面最大距离的像素点。
　　随机挑选10颗外观正常、大小差异可忽略的红枣作为试验对象，分别对红枣进行一系列的图像预处理，并将处理后的图像平滑去噪和图像增强，采用Euclidean距离法计算出所识别并检测的红枣外轮廓边缘的大小距离。从这20组数据中找出距离偏大或偏小的红枣个数。
　　在随机抽取的10颗红枣中，有2颗红枣的检测数据与其余8颗红枣的距离差异较大，猜测这2颗属于体型较小的红枣，不能满足分级处理的条件。剩余的红枣可能也存在形状不规则的情况，为使红枣的分级处理更加精确，将所有的情况进行细致处理。
　　2.7 不规则形状的判别结果
　　为验证基于图像处理分级检测装置的优良程度，在识别、检测红枣外轮廓边缘的极半径和红枣表面褶皱的基础上，随机挑选300颗红枣，分别混有干枣200颗，鲜枣70颗，体型较小不区分干、鲜的红枣30颗。在对红枣进行检测处理时，首先得到的是红枣外轮廓边缘极半径所对应的横截面直径，当不符合尺寸规则时，不予以考虑分级处理而直接筛出。
　　符合尺寸规则的红枣再对表面的褶皱光滑程度进行对比，干枣因为晒干或自然风干使外表面不再具备光滑的表皮，图像处理时会清晰检测到褶皱;鲜枣因为水分充足、饱满使得表皮光滑，图像处理时对表面的检测不会出现大量的褶皱问题，可能会出现微小的挤压变形造成的误判。对挑选的150顆红枣分别进行检测试验，结果如表2所示。
　　 由表2可知，人工识别的准确率达100%，但费时费力，对红枣做分级处理时效率低下;图像处理的方法代替人工识别时虽然准确率有所下降，但容错率在可接受的范围内，识别、检测处理的时间大大缩短。
　　3 结论
　　该研究提出了一种基于图像边缘检测的红枣分级方法，通过图像预处理、滤波及增强、梯度算法处理和自适应Canny算法对红枣大小及表面轮廓和缺陷进行检测、识别，并根据等级划分指标对检测的红枣进行分级。通过图像处理的方法实现了对红枣的分级，根据检测方法对多颗红枣进试验分级，包括大小、形状和颜色表面无损进行综合测试，在红枣分级精度较高的情况下减少整体运行时间，经试验验证能够较好的对红枣做出检测及分拣，满足红枣分级的实际要求。
　　参考文献
　　[1]彭云发，黄磊，罗华平.南疆红枣静态图像采集分级方法研究[J].农机化研究，2014（3）：28-31.
　　[2] 黎静，薛龙，刘木华，等.基于可见—近红外光谱识别氧乐果污染的脐橙[J].农业工程学报，2010，26（2）：366-369.
　　[3] 刘翠玲，郑光，孙晓荣，等.近红外光谱技术在农药残留量检测中的研究[J].北京工商大学学报（自然科学版），2010，28（4）：52-55，64.
　　[4] 吕萍.基于近红外光谱技术的块茎类蔬菜中有机磷农药残留的无损检测研究[D].南昌：江西农业大学，2012：28-31.
　　[5] 赵杰文，刘少鹏，邹小波，等.基于支持向量机的缺陷红枣机器视觉识别[J].农业机械学报，2008，39（3）：113-115，147.
　　[6] 程有娥，钱月晶，张永刚.基于Canny算子的大米边缘检测[J].计算机系统应用，2011，20（5）：206-209.
　　[7] 吴翔，于微波，马艳辉，等.一种新的改进Canny图像边缘检测算法[J].影像科学与光化学，2016，34（1）：116-121.
　　[8] 张雪松.基于线阵CCD的红枣分选技术[J].食品与机械，2008，24（3）：81-83.
　　[9] HUANG J Z，ZHENG H X，JIANG L，et al.Design of Gaussian filters based on odd and even functions used for nonclosed circular profile[R].International Symposium on Precision Engineering Measurement and Instrumentation，2019.
　　[10] 托乎提努尔，张海龙，王杰，等.基于图形处理器的高速中值滤波算法[J].吉林大学学报（工学版），2019，49（3）：979-985.
　　[11] 万智萍.结合视觉特性与灰度拉伸的直方图均衡化红外图像算法[J].计算机工程与设计，2016，37（3）：714-719.
　　[12] 张坤平.数字图像处理在距离测量中的应用[J].数字技术与应用，2016（6）：84.
　　[13] 陈诚，戴尔晗，马亚男.基于过零点检测方法的改进研究[J].微型机与应用，2016，35（20）：79-81.
　　[14] 杨坡，刘铸华.一种改进的归一化LMS算法[J].舰船电子对抗，2017，40（4）：59-61，65.
　　[15] 樊颖军.傅里叶变换下的直方图均衡化图像特征识别算法的研究[J].计算机与数字工程，2017，45（9）：1848-1852.
　　[16] 张军，张治恒，朱新山.基于极坐标系下二维直方图的图像分割算法[J].天津大学学报（自然科学与工程技术版），2018，51（6）：658-665.
　　[17] 肖爱玲，潘斌.基于标记的极半径极值红枣形状识别方法[J].农机化研究，2015，37（7）：61-65.
　　[18] 闫艳，孟庆华，李广超，等.色谱指纹图谱欧式距离法的一种改进[J].中成药，2014，36（5）：1012-1020.
　　[19] 张凯军，梁循.马氏距离多核支持向量机学习模型[J].计算机工程，2014，40（6）：219-224.
　　[20] 李志明.基于机器视觉的鲜枣群体大小检测算法[J].工业仪表与自动化装置，2016（5）：29-32.
　　[21] 蒋圣，汤国安，刘凯.利用累加距离匹配函数的纹理规则度计算方法[J].计算机辅助设计与图形学学报，2015，27（10）：1874-1880.
　　[22] 杜永忠，平雪良，何佳唯.果品分级边缘检测方法[J].工具技术，2013（11）：64-69.
转载注明来源:https://www.xzbu.com/1/view-15152678.htm