《机器视觉在农产品检测中的应用》由会员分享，可在线阅读，更多相关《机器视觉在农产品检测中的应用（50页珍藏版）》请在金锄头文库上搜索。
1、LOGO机器视觉技术在农产品检测中的应用主要内容一、机器视觉技术的简介二、机器视觉技术在农产品检测中的应用三、机器视觉技术的应用前景及问题2021/6/72v机器视觉是通过对目标物体图像的获取、处理和分析来模拟人类的视觉功能,并使用各种机电设备实现生产自动化。v机器视觉是20世纪 70年代在遥感图象处理和医学图象处理技术成功应用的基础上逐渐兴起的，是图象处理的一个分支学科。一、机器视觉技术简介2021/6/73 1.机器视觉系统的组成 机器视觉系统的组成部分主要有光源、图像传感器(摄像机等)、图像采集卡、计算机等硬件设备和用于处理数字图像的软件。2021/6/742.工作原理获取数字图像获取数
2、字图像数字图像处理数字图像处理2021/6/75成像方式特点及应用可见光成像 可见光彩色或灰度成像技术适合对农产品形状、大小、颜色和纹理等外部特征进行自动分析。红外成像 红外线具有热辐射效应。热敏成像技术可以将物体的外部辐射强度转化为可视图像，可以检测农产品表面不同部位在外界温度变化时的不同反应。紫外成像 穿透性较强,当紫外光照射到荧光物质时这些物质会被激发出波长较长的荧光。不同物质的荧光受激能力不同。X光成像 不同的物质对X射线的吸收能力不同。通过X光透射图像检测可见光不易得知的对象内部信息。CT成像 可以表现物体内部某个剖面的形态特征。核磁共振成像 在核磁共振成像片上，含水成分大的组织结构
3、亮度高 ,而含水成分少的组织则亮度较低。了解农产品的内部信息。2.1获取图像方式(刘华波, 2009)2021/6/762.2.图像处理 利用数字图像处理技术对采集的图像进行去噪、边缘检测、图像增强等预处理，提取特征参数，进行逻辑判断，生成相应的结果。最终发出相应的操作命令。2021/6/77二、机器视觉在农产品检测中的应用 机器视觉技术的特点是速度高、信息量大、可以排除主观因素干扰,而且还能对参数指标进行定量描述,具有人工检测所无法比拟的优越性。 目前，国内外利用机器视觉技术进行农产品品质自动识别的研究对象极其广泛，主要包括对谷物、蔬菜、干果、水果等的大小、形状、颜色和表面损伤、缺陷、异物进
4、行检测和分级。2021/6/781.在农产品颜色检测中的应用 农产品的表面颜色是反映农产品品质的一个重要特征，其色泽特征可以反映其成熟程度，也可反映其级别。若靠人的感官进行评定，缺乏客观性和准确性。利用计算机视觉系统对产品色泽做出评价，可以克服人眼的疲劳和色觉差异。2021/6/79v1998年何东健等，利用机器视觉技术研究了红星苹果表面颜色分级方法。在HIS颜色空间中，选用在合适的色相阈值下累计着色面积的百分比作为水果等级评判指标，结果与人工分级吻合度达88%（何东健等，1998）。2021/6/710v2002年，冯斌等以水果表面颜色分布的分形维数为特征进行了水果表面颜色分级的试验研究,分
5、级正确率达到95%(冯斌等,2002)。v2004年，应义斌等以柑橘表面色泽和固酸比作为其成熟度的评判指标，结果表明柑橘果实表皮颜色与其成熟度之间具有相关性（应义斌等，2004）。2021/6/711v2004年赵杰文等，对田间成熟番茄识别技术进行了研究。在HIS颜色模型下，根据成熟番茄、未成熟番茄以及枝叶的色调H分布的差异，用阈值分割的方法将成熟番茄区域分离出来，取得了良好的识别效果（赵杰文等，2004）。2021/6/712v2008年，游家训等研究了水果分级中的颜色指标，选用色调H来判别水果颜色，并将径向基神经网络应用于水果颜色分级中，在苹果分级测试中，对特等果的分级正确率约91.7%，
6、一等果的分级正确率约为89.5%，二等果91.2%，等外果为100%。（游家训等，2008）2021/6/713v2008年，刘国敏等提取脐橙有效像素的表面颜色特征参数（H、S、R、G、B），对色泽进行定量描述，通过神经网络算法建立颜色特征参数与色泽之间的关系模型。结果表明，该分级模型对色泽的分级与人工标准分级的一致度分别为90%和92%(刘国敏等,2008)。2021/6/714v2008年，赵杰文等在HIS颜色空间中 ,提取H的均值和均方差作为红枣的颜色特征值 ,利用支持向量机识别缺陷红枣。实验结果表明,识别准确率可以达到96.2%,优于人工神经网络的89.4%（赵杰文等，2008）。20
7、21/6/715v2008年，马学武等人设计了红枣自动分级装置，以面积、颜色、最大直径等为特征参数，可以同时对多通道的红枣进行分级,其准确率可达 80%以上,系统处理速度约为10个/s（马学武等，2008）。2021/6/716v2009年，司永胜等采用R-G和色差比(R-G)/(G-B)相结合的方法,对顺光、逆光等不同情况下的红色苹果进行了识别。实验结果表明,该方法可以一定程度上消除光线、土壤等影响,识别率达到 97 %,但算法在逆光同时光线较暗情况下识别效果较差 (司永胜，2009）。2021/6/717v2009年饶秀勤等，将完成图像分割的水果图像转换为HIS颜色模型,提取其H分量的面积
8、加权直方图,对其用主成分分析提取特征值,然后利用马氏距离分析方法完成样本的分级,总的分级误差仅为 1.75 %（饶秀勤等，2009）。2021/6/718v2010年，K. Chen等运用机器视觉对肥牛肉进行识别,提取了关于皮下脂肪颜色的12个特征参数(R、G、B、H、S、I的均值和标准偏差),运用支持向量机进行识别,成功率达到了97.4%。（ K. Chen ，2010）2021/6/719v2000年，Vzhny T等在蘑菇枯萎、损坏以及细菌感染的研究中，采用将图像由RGB空间转向L*a*b*空间的方法，使得图像处理变得简单。(Vzhny T,等，2000)。v2006年，Mendoza等
9、对sRGB、HSV和L*a*b* 三种颜色模型在水果品质检测机器视觉中的应用进行了研究，结果表明，sRGB颜色模型效率较高，但是，很容易受背景、果实的表面曲率等因素的影响，而L*a*b* 颜色模型更适合于在机器视觉系统中用于水果表面颜色的检测（Mendoza等，2006）。2021/6/720v2009年，J.Blasco等人研究了对石榴的计算机视觉检测方法，采用了R/G颜色分量的阈值划分和RGB颜色空间的贝叶斯线性判据两种方法，两种方法均可达 90%的正确率。第一种方法的处理速度15ms/幅，其分级速度可以达到75kg/h（Blasco J等，2009）。2021/6/721v2.在农产品尺
10、寸与形状检测中的应用 农产品的外形尺寸是产品分级的重要依据。产品形状也是外形尺寸检测的重要方面，特别是水果，其形状优劣是分级的重要指标。由于种植环境和品种的不同使农产品的形状多种多样，所以农产品尺寸与形状的自动检测是实现其分级自动化的关键一步。 2021/6/722v2000年，应义斌通过建立图像中点与被测物体上点间的定量关系，提出了利用物体的边界信息求出物体的形心坐标的方法，所测水果最大横径与实际最大横径的相关系数为0.96（应义斌，2000）。v2001年，应义斌提出了利用物体的边界信息求物体的形心坐标和描述果形的新方法，用 Fourie描述子的前15个谐波分量来描述形状，可以达到相当高的
11、精度（应义斌，2001）。 2021/6/723v2003年，饶秀勤等根据水果成像时水果、摄像机透镜、水果图像三者之间的相互关系，运用几何光学理论分析了尺寸检测中的标定误差、半径误差、形状误差等3种误差形成的原因，并给出了定量计算标定误差大小的公式和水果半径的公式，减少了检测误差，（饶秀勤等，2003）。v2003年，冯斌等以自然对称形态特征为依据，确定水果的检测方向以检测水果的大小。试验结果表明检测正确率达 94.4%，水果大小检测最大绝对测量误差为3mm（冯斌,2003）。2021/6/724v2005年，郭峰等研究了用插值的方法得到平滑的轮廓曲线，并按大小对温室西红柿进行分类，实验结果表
12、明算法的精度可达98%，分选速度达到3个/S （郭峰，2005） 。v2007年，应义斌等提出了一种基于Zernike 矩的水果形状分类方法，能够对水果的形状大小进行识别，对轻度畸形的识别率最高达到 94.48%，试验结果表明该方法优于传统的傅立叶描述子.用 Zernike矩作为分类特征更适合水果分级 ,但是该方法的速度比傅立叶描述子慢（应义斌, 2007）。2021/6/725v2008年，杨飞等在对花椒各成分形态特征分析的基础上，提出以凹性率、椭圆度、面积为分离各成分的参数,试验结果表明：对椒籽、果穗梗正确识别率为100%，闭眼及果皮正确识别率分别为89%、96.8%（杨飞等，2008）。
13、2021/6/726v2009年,张俊雄等由颜色因子2G-R-B和G值识别出山竹的果柄、果蒂和果皮。由果柄、果蒂和果皮区域形心位置判断水果的姿态,提取水果的最大横径作为大小分级指标，果径检测精度达到1.8 mm(张俊雄等,2009)。2021/6/727v2010年，郝敏等在归一化的马铃薯图像中计算出具有旋转不变性的 Zernike 矩参数作为特征参数, 利用支持向量机实现了马铃薯薯形的检测分类，对薯形良好和畸形的检测准确率分别达 93%和 100%（郝敏等，2010）。2021/6/728v2010年，陈英等设计了一套基于计算机视觉的葡萄检测分级系统,采用投影面积法和傳立叶描述子计算果穗大小
14、和形状参数,进而实现葡萄外观品质分级。与人工分级对比,大小形状分级的准确率分别88.3%（陈英等，2010）。2021/6/729v2007年，Koc AB通过图像处理的方法来测算西瓜的体积，针对西瓜的椭圆形形状特征，在图像处理中采用椭圆模型进行匹配检测确定西瓜的大、小直径，将其对应椭圆的长轴、短轴长度（ Koc AB等，2007）。2021/6/730v2008 年，Jarimopas B等研究了对罗望子（Sitong 和 Srichompoo 两个品种）的机器视觉分级方法，实验在检测尺寸大小的同时，对表面缺陷，也进行了检测。通过视觉分类方法，可以实现对 Sitong 品种（长度为 8.5-
15、12.4cm）的分类准确度达 89.8%，对Srichompoo 品种（长度为 10.0-14.0cm）的分类精度达 94.3% （Jarimopas B等，2008）。2021/6/731v2009年，J. Blasco等人开发了一套桔子瓣分级系统，根据RGB值和形态特征（面积、周长、偏心率，紧凑度和圆度系数）将其分为完整瓣、破损瓣、桔子皮、籽 四类，样机的正确识别率达到了93.2%，处理每幅图像的时间为48ms，产量达到了1000kg/h（J. Blasco等，2009 ）。2021/6/732 3.在农产品表面缺陷、品质检测中的应用 农产品表面的缺陷包括碰压伤、刺伤、疤痕、腐烂、虫咬、裂
16、伤、果锈等。 如何从其图像中准确地划分出坏损区域，并对分割出的部分加以描述和分类，一直是农产品自动检测的难题。2021/6/733v2002年，应义斌等研究了黄花梨缺陷区域的 R、G、B 各分量灰度的变化特点，采用梯度算法求得了可疑缺陷点，然后再用区域生长法，找出了缺陷点像素的最大连通集及所有的缺陷区域，进一步提高了缺陷面积计算的精度（应义斌,2002）。 2021/6/734v2004年，成芳等根据颜色特征对稻种图像进行了霉变分析识别研究。研究了基于色调H颜色特征的稻种霉变检测算法，试验结果表明，该算法对金优402、加优等5个品种的正常、轻度霉变、严重霉变稻种的平均识别率分别达到了92%、9
17、5%、83%（成芳等，2004）。2021/6/735v2005年，王树文等研究了番茄损伤前后颜色变化，对番茄图像逐行扫描,寻找R灰度及G灰度同时发生变化的点,作为可疑损伤点。然后判断33邻域内是否有其它相似损伤点存在, 若没有则说明此点是噪声点; 若小于3点,且不与其它区域相连,则认为该点也不是坏损点。最后将所有将所有损坏点的灰度值置为m，得到表面缺陷图像。（王树文等，2005）。2021/6/736v2007年,吴彦红等通过计算单体米粒灰度图像中每行的灰度指数差分,得到差分曲线,根据曲线是否存在波谷判断裂纹米,裂纹米粒识别的准确率为96.41%(吴彦红等,2007)。2021/6/737v
18、2008年,陈红等采用H和S的阈值识别花生霉变区域,根据像素数目计算霉变面积比,从而判断霉变等级,识别率达到90%(陈红等,2008)。2021/6/738v2009年，熊利荣等设计了基于机器视觉的鸭蛋裂纹自动检测系统，提取了能表征裂纹的6个几何特征参数（面积、圆形度、长径、短径、裂纹矩形度和长短径之比）,并利用人工神经网络对图像进行识别，裂纹识别率为93.392，噪声识别率为93.602（熊利荣等，2009）。2021/6/739v2009年，郑冠楠等采用灰度值差值法检测发芽马铃薯; 采用相邻采样边界点归一化半径差的方法检测畸形马铃薯 ,并实现了马铃薯在线综合检测分级,分级精度达到88%（郑
19、冠楠等,2009）。2021/6/740v2009年，刘韶军等用NxN的检测窗口,遍历棉种的边缘轮廓 ,计算检测窗口内目标的像素数Su。由此完成棉种破损检测。研究中选用了Su的均值、方差、均方差作为特征参数，当选用7x7正方形窗口时，能够有效地将破损棉种与正常棉种区分开,其识别正确率达到了93%（刘韶军等，2009）。2021/6/741v2009年，饶洪辉等研制了基于机器视觉的水稻种子质量在线检测装置 ,其主要由落料机构、传动装置、光照箱和水稻种子排料机构组成（饶洪辉等，2009）。2021/6/742v2010年，陈兵旗等以等价矩形长、宽的差值最小为标准 ,进行了未知稻种类型的判断;以扫描
20、线上黑白像素的变化次数和扫描线数来判断稻种的破裂;以不同阈值提取的稻种面积差来判断稻种是否霉变。分别进行了种子类型判断、以及发霉与破损情况判断,检测正确率分别为100%、88.9%和76.8%（ 陈兵旗等，2010 ）。2021/6/743v2007年，J. Blasco等采用面向区域的分割算法（区域增长和区域融合），对多个品种柑桔的表皮缺陷进行的检测，识别率为95%，这种算法的特点就是对品种的适应性好（ J. Blasco等，2007 ）。2021/6/744v2007年，J. Blasco在柑橘分级系统中，获取柑橘的可见光图像、近红外图像、荧光图像和紫外图像对其进行分选。结果表明用近红外图
21、像对柑橘炭疽病检测的识别率达到了86%，用紫外图像对柑橘绿霉病检测的识别率达到了94%，而可见光图像对绿霉病检测的识别率仅为65%（J. Blasco等，2007）。2021/6/745v2008年， D.C. Slaughter等研究了柑橘冻伤无损检测，根据柑橘果皮油在紫外线下显示为黄光，根据黄色斑点面积的多少判断柑橘的冻伤程度。其中对未冻伤、中等冻伤和严重冻伤柑橘的识别率达到了87.9%，而对轻度冻伤柑橘的识别率为64.4%（D.C. Slaughter等，2008）。 2021/6/746v2010年，A.Al-Mallahi等开发了基于紫外成像的机器视觉系统，利用马铃薯和土块对紫外光的
22、不同反射率，识别不要的马铃薯和土块。结果表明，98.79的马铃薯和98.28的土块检测成功，图像处理速度达到94ms/帧（ A.Al-Mallahi等，2010）。2021/6/747三 机器视觉技术的应用问题与前景 农产品的表面缺陷与损伤、形状和表面颜色是其品质的重要特征，利用机器视觉进行检测不仅可以排除主观因素干扰，而且还能对这些指标进行定量描述。具有人工检测所无法比拟的优越性，具有广阔的发展前景。 尽管国内外学者在此领域已进行了不少研究，仍有许多技术难题还未解决。比如： 2021/6/748LOGO请各位老师和同学提出宝贵意见LOGO部分资料从网络收集整理而来，供大家参考，感谢您的关注！
