论文部分内容阅读
苹果作为我国生产量最高的水果，深受广大消费者的喜爱，但其采摘后缺陷果的分拣过程需投入大量人力，致使苹果分级效率低精度差，因此苹果表面缺陷自动检测技术对于解放劳动力、提高我国苹果市场竞争力意义重大。本文以红苹果作为研究对象，采用图像处理技术对其表面缺陷进行检测，主要工作归纳如下：
（1）图像的采集和预处理。图像采集是实现自动化检测技术的第一步，文中图像采集系统包括密闭纸箱、白色背景纸、对称白色LED灯、彩色摄像头和计算机，采集到的RGB图像需要进行滤波和灰度化的预处理。图像滤波有助于降低图像噪声，本文对比了均值滤波器和中值滤波器的滤波效果，实验结果表明中值滤波器效果更佳。为降低后续研究中的计算维度，需对图像进行灰度化处理，文中介绍了分量法、最大值法、平均值法和加权平均值法四种图像灰度化方法，最终选用分量法对苹果图像进行灰度化处理。
（2）缺陷提取。缺陷提取结果是判断苹果图像有无缺陷的重要依据，缺陷提取过程包括背景分离、亮度校正和阈值分割三大环节。为排除背景干扰，苹果图像需进行背景分离，本文使用B分量图结合阈值分割、孔洞填充技术获得背景分离模板，点乘苹果R分量图即可完成背景分离。苹果图像中的朗伯反射现象及可能存在的强反光现象都不利于缺陷的提取，故采用亮度校正算法消除反光影响并逐圈校正苹果图像的亮度，随后利用开运算消除长果梗以优化亮度校正效果，最后通过直方图阈值分割法提取缺陷候选区，提取正确率达100%。
（3）特征提取。缺陷候选区包括真实缺陷及花萼果梗，为正确区分各类缺陷及花萼果梗，需对缺陷候选区进行分类，特征提取是完成分类的基础。在缺陷候选区内共提取10个特征参数，包括6个颜色特征参数（R、G、B、H、S、V的平均值）和4个纹理特征参数（能量、惯性矩、相关性、均匀性），提取方法包括全点法和选点法。
（4）苹果图像的分类。本文将图像中的苹果分为正常果、缺陷果、其它缺陷果三大类，采用支持向量机完成分类，在线性核函数、多项式核函数、高斯核函数和 Sigmoid核函数中，使用高斯核函数的支持向量机分类效果最佳，分类正确率达到94.3%。为缩短分类时间，采用选点法提取特征参数并依据缺陷候选区数目优化分类算法，最终分类速度达到2个/s，分类正确率提升至95.1%。
（1）图像的采集和预处理。图像采集是实现自动化检测技术的第一步，文中图像采集系统包括密闭纸箱、白色背景纸、对称白色LED灯、彩色摄像头和计算机，采集到的RGB图像需要进行滤波和灰度化的预处理。图像滤波有助于降低图像噪声，本文对比了均值滤波器和中值滤波器的滤波效果，实验结果表明中值滤波器效果更佳。为降低后续研究中的计算维度，需对图像进行灰度化处理，文中介绍了分量法、最大值法、平均值法和加权平均值法四种图像灰度化方法，最终选用分量法对苹果图像进行灰度化处理。
（2）缺陷提取。缺陷提取结果是判断苹果图像有无缺陷的重要依据，缺陷提取过程包括背景分离、亮度校正和阈值分割三大环节。为排除背景干扰，苹果图像需进行背景分离，本文使用B分量图结合阈值分割、孔洞填充技术获得背景分离模板，点乘苹果R分量图即可完成背景分离。苹果图像中的朗伯反射现象及可能存在的强反光现象都不利于缺陷的提取，故采用亮度校正算法消除反光影响并逐圈校正苹果图像的亮度，随后利用开运算消除长果梗以优化亮度校正效果，最后通过直方图阈值分割法提取缺陷候选区，提取正确率达100%。
（3）特征提取。缺陷候选区包括真实缺陷及花萼果梗，为正确区分各类缺陷及花萼果梗，需对缺陷候选区进行分类，特征提取是完成分类的基础。在缺陷候选区内共提取10个特征参数，包括6个颜色特征参数（R、G、B、H、S、V的平均值）和4个纹理特征参数（能量、惯性矩、相关性、均匀性），提取方法包括全点法和选点法。
（4）苹果图像的分类。本文将图像中的苹果分为正常果、缺陷果、其它缺陷果三大类，采用支持向量机完成分类，在线性核函数、多项式核函数、高斯核函数和 Sigmoid核函数中，使用高斯核函数的支持向量机分类效果最佳，分类正确率达到94.3%。为缩短分类时间，采用选点法提取特征参数并依据缺陷候选区数目优化分类算法，最终分类速度达到2个/s，分类正确率提升至95.1%。