基于機(jī)器視覺(jué)和光譜成像技術(shù)的蘋果外部品質(zhì)檢測(cè)方法研究.pdf

1、蘋果的外部品質(zhì)是蘋果最直觀的品質(zhì)特征，直接影響蘋果的價(jià)格和消費(fèi)者的偏愛(ài)。針對(duì)蘋果外部檢測(cè)的難點(diǎn)和關(guān)鍵點(diǎn)，基于機(jī)器視覺(jué)技術(shù)、高光譜成像技術(shù)和多光譜成像技術(shù)，綜合圖像處理技術(shù)、模式識(shí)別方法、化學(xué)計(jì)量學(xué)方法和光譜分析技術(shù)研究了蘋果外部物理品質(zhì)（形狀和尺寸）和表面常見(jiàn)缺陷的檢測(cè)方法。基于上述研究的基礎(chǔ)上開發(fā)的檢測(cè)系統(tǒng)和算法為我國(guó)研發(fā)基于機(jī)器視覺(jué)技術(shù)和多光譜機(jī)器視覺(jué)技術(shù)的蘋果外部品質(zhì)快速在線檢測(cè)分級(jí)裝備奠定了基礎(chǔ)。
　　主要研究?jī)?nèi)容和結(jié)論為

2、：
　　（1）基于圖像處理技術(shù)的蘋果形狀檢測(cè)中形狀特征提取與果梗去除方法研究。重點(diǎn)研究了基于Sobel算子的邊緣檢測(cè)算法、形狀檢測(cè)中常用的特征提取算法、基于形態(tài)學(xué)特征的蘋果圖像中突出果梗的檢測(cè)算法和基于形態(tài)學(xué)運(yùn)算的突出果梗消除算法。并編寫了形狀檢測(cè)軟件。結(jié)果表明，突出果梗消除后可以提高水果形狀檢測(cè)的精度，為后續(xù)帶有果梗的水果的形狀檢測(cè)提供參考。
　?。?）基于機(jī)器視覺(jué)技術(shù)的蘋果體積與重量的非接觸式測(cè)量方法研究。利用機(jī)器視覺(jué)技

3、術(shù)和近紅外線陣結(jié)構(gòu)光技術(shù)搭建了蘋果3D信息采集系統(tǒng)，并基于蘋果3D高度圖像提取蘋果投影面積、50個(gè)環(huán)狀像素高度信息和50個(gè)列狀像素高度信息，并利用偏最小二乘（PLS）和最小二乘支持向量機(jī)（LS-SVM）建立了蘋果重量和體積的單變量和復(fù)合變量的非接觸式測(cè)量模型。結(jié)果表明，基于蘋果投影面積和50個(gè)列狀像素高度信息為圖像特征的LS-SVM復(fù)合變量模型對(duì)蘋果重量和體積測(cè)量具有較高的精度。重量測(cè)量模型的Rc為0.9838，RMSEC為6.5741

4、，Rp為0.8234，RMSEP為11.4991；體積測(cè)量模型的Rc為0.9733，RMSEC為10.0254，Rp為0.9032，RMSEP為10.1155。
　?。?）基于機(jī)器視覺(jué)和結(jié)構(gòu)光技術(shù)進(jìn)行了蘋果3D重建與果梗花萼識(shí)別研究。果?；ㄝ嗪腿毕菰趫D像中很相似，它們的存在使蘋果表面缺陷的自動(dòng)化檢測(cè)成為一種挑戰(zhàn)。本文基于果?；ㄝ嗟陌枷菪蕴卣?，基于機(jī)器視覺(jué)系統(tǒng)、近紅外線陣結(jié)構(gòu)光和3D重建技術(shù)實(shí)現(xiàn)了果?；ㄝ嗟臋z測(cè)。通過(guò)可見(jiàn)近紅外相機(jī)、

5、近紅外線陣結(jié)構(gòu)光和傳送帶的配合可以逐行提取蘋果的3D輪廓的高度信息，經(jīng)過(guò)圖像拼接可以獲取蘋果上表面的高度圖像。果?；ㄝ嗟陌枷菪蕴卣魇蛊涓叨鹊陀谥車＝M織區(qū)域的高度信息。為了開發(fā)便于計(jì)算機(jī)進(jìn)行識(shí)別的算法，本文提出了可根據(jù)被檢測(cè)蘋果的大小、形狀和位置自適應(yīng)建立的高度球模型。結(jié)果表明，通過(guò)3D重建模型和蘋果的自適應(yīng)高度球模型之間的差異便可以實(shí)現(xiàn)果?；ㄝ嗟淖R(shí)別，利用100個(gè)獨(dú)立樣本，200個(gè)圖像進(jìn)行了算法的有效性驗(yàn)證，總體識(shí)別精度為97.5%

6、。
　?。?）基于機(jī)器視覺(jué)技術(shù)進(jìn)行了缺陷蘋果識(shí)別方法研究。為了消除蘋果表面亮度分布不均、區(qū)分真實(shí)缺陷和果梗花萼，本文提出了一種基于亮度校正算法、缺陷候選區(qū)統(tǒng)計(jì)和加權(quán)相關(guān)向量機(jī)算法的缺陷蘋果檢測(cè)算法。亮度校正算法從一定程度上消除了蘋果表面亮度不均分布，尤其是邊緣區(qū)域的亮度。基于果梗和花萼不能同時(shí)出現(xiàn)在相機(jī)視野中的常識(shí)，可以根據(jù)分割出來(lái)的缺陷候選區(qū)數(shù)目對(duì)蘋果進(jìn)行初步分類，對(duì)于只分割出一個(gè)缺陷候選區(qū)的蘋果，提取候選區(qū)域的顏色特征、統(tǒng)計(jì)學(xué)

7、特征和紋理特征，通過(guò)I-RELIEF算法計(jì)算特征的權(quán)重，通過(guò)訓(xùn)練加權(quán)相關(guān)向量機(jī)進(jìn)行缺陷候選區(qū)的類別判斷。通過(guò)對(duì)160個(gè)樣本進(jìn)行檢測(cè)實(shí)驗(yàn)，總體識(shí)別精度為95.63%。結(jié)果表明，本研究提出的方法可以消除蘋果表面亮度分布不均現(xiàn)象，缺陷候選區(qū)統(tǒng)計(jì)可以對(duì)蘋果類別進(jìn)行初步判斷，利用加權(quán)相關(guān)向量機(jī)對(duì)缺陷候選區(qū)的進(jìn)一步判斷，效果令人滿意。
　?。?）基于高光譜成像技術(shù)進(jìn)行了蘋果表面隱性缺陷識(shí)別方法研究。本文基于高光譜成像技術(shù)和連續(xù)投影算法開發(fā)了蘋

8、果表面早期腐爛檢測(cè)算法，提取了蘋果正常表皮和早期腐爛表皮各80個(gè)矩形感興趣區(qū)域（ROIs）的平均光譜，利用連續(xù)投影（SPA）算法進(jìn)行光譜域處理，挑選出563、611、816和966 nm為識(shí)別早期腐爛的有效波長(zhǎng)，并用偏最小二乘判別分析法（PLS-DA）分類器評(píng)估了利用SPA優(yōu)選出來(lái)的四個(gè)波長(zhǎng)。最后基于有效波長(zhǎng)和MNF算法開發(fā)了早期腐爛識(shí)別算法。利用本研究開發(fā)的算法對(duì)測(cè)試集中20個(gè)正常蘋果和80個(gè)早期腐爛蘋果的最優(yōu)波長(zhǎng)處的圖像進(jìn)行了識(shí)別處

9、理，檢測(cè)的總體正確率為98%。利用I-RELIEF算法挑選了識(shí)別早期輕微損傷的識(shí)別算法，挑選的有效波長(zhǎng)為590、660、720、820及960 nm，并基于有效波長(zhǎng)處的圖像和 MNF開發(fā)了適合于蘋果表面早期輕微損傷識(shí)別的圖像處理算法，利用80個(gè)蘋果樣本進(jìn)行了算法的驗(yàn)證，總體識(shí)別率為98.75%。結(jié)果表明，基于高光譜成像技術(shù)和有效波長(zhǎng)可以實(shí)現(xiàn)蘋果表面早期腐爛、早期輕微損傷的檢測(cè)，為后續(xù)開發(fā)多光譜視覺(jué)檢測(cè)系統(tǒng)奠定了基礎(chǔ)。
　?。?）基

10、于高光譜成像技術(shù)進(jìn)行了水果表面常見(jiàn)缺陷檢測(cè)方法研究。為了消除蘋果亮度分布不均和顏色的影響，實(shí)現(xiàn)蘋果表面常見(jiàn)缺陷（風(fēng)傷、蟲傷、日灼傷、斑點(diǎn)、褐斑等）的精確檢測(cè)，分析了正常區(qū)域和常見(jiàn)缺陷區(qū)域的特征光譜曲線走勢(shì)，挑選了730和925 nm波長(zhǎng)為特征波長(zhǎng)，并基于特征波長(zhǎng)處的圖像開發(fā)了波段運(yùn)算圖像處理算法。由于相同位置受到的光強(qiáng)度的影響相似，因此像素對(duì)像素的減法和除法運(yùn)算可削弱由于顏色、形狀而引起的蘋果表面亮度不均影響，同時(shí)基于波段運(yùn)算的圖像處理

11、算法提高了缺陷和正常蘋果組織之間的對(duì)比度，使缺陷提取變得容易、準(zhǔn)確。本研究從109幅帶有各種缺陷的蘋果高光譜圖像中提取了730和925 nm波長(zhǎng)處的圖像，并基于波段運(yùn)算處理思路利用式6-10對(duì)特征波長(zhǎng)處的圖像進(jìn)行了處理，總體識(shí)別率為93.6%。結(jié)果表明，波段運(yùn)算方法簡(jiǎn)單有效，在一定程度上消除了顏色、形狀、果梗等引起的亮度不均對(duì)缺陷識(shí)別的影響，提高了常見(jiàn)缺陷的識(shí)別精度。
　?。?）基于多光譜成像技術(shù)進(jìn)行了蘋果表面缺陷檢測(cè)方法研究。高

12、光譜成像技術(shù)圖像獲取和處理需要很長(zhǎng)的時(shí)間，不利于在線快速檢測(cè)。為了繼承和發(fā)展高光譜成像技術(shù)的研究成果，基于挑選出的有效波長(zhǎng)，用SolidWorks2011設(shè)計(jì)了轉(zhuǎn)輪和封裝箱，利用相機(jī)、濾光片、濾光片輪搭建了多光譜成像系統(tǒng)，并基于VS2010和OpenCV開發(fā)了實(shí)時(shí)檢測(cè)軟件。本研究是實(shí)現(xiàn)從高光譜視覺(jué)檢測(cè)的基礎(chǔ)性研究向多光譜視覺(jué)檢測(cè)的快速應(yīng)用研究轉(zhuǎn)變的關(guān)鍵內(nèi)容。本研究對(duì)68個(gè)帶有各種常見(jiàn)缺陷的蘋果進(jìn)行檢測(cè)，根據(jù)每個(gè)蘋果的缺陷種類及分布情況，