機器視覺在農(nóng)產(chǎn)品檢測中的應用課件

1、機器視覺技術在農(nóng)產(chǎn)品檢測中的應用主要內(nèi)容一、機器視覺技術的簡介二、機器視覺技術在農(nóng)產(chǎn)品檢測中的應用三、機器視覺技術的應用前景及問題機器視覺是通過對目標物體圖像的獲取、處理和分析來模擬人類的視覺功能,并使用各種機電設備實現(xiàn)生產(chǎn)自動化。圖像處理 計算機科學 模式識別 機器視覺神經(jīng)生理學 人工智能 認知心理學 機器視覺是20世紀 70年代在遙感圖象處理和醫(yī)學圖象處理技術成功應用的基礎上逐漸興起的，是圖象處理的一個分支學科。一、機器視覺技術簡介 1.機器視覺系統(tǒng)的組成 機器視覺系統(tǒng)的組成部分主要有光源、圖像傳感器(攝像機等)、圖像采集卡、計算機等硬件設備和用于處理數(shù)字圖像的軟件。2.工作原理獲取數(shù)字圖

2、像數(shù)字圖像處理2.2.圖像處理 利用數(shù)字圖像處理技術對采集的圖像進行去噪、邊緣檢測、圖像增強等預處理，提取特征參數(shù)，進行邏輯判斷，生成相應的結果。最終發(fā)出相應的操作命令。二、機器視覺在農(nóng)產(chǎn)品檢測中的應用 機器視覺技術的特點是速度高、信息量大、可以排除主觀因素干擾,而且還能對參數(shù)指標進行定量描述,具有人工檢測所無法比擬的優(yōu)越性。 目前，國內(nèi)外利用機器視覺技術進行農(nóng)產(chǎn)品品質(zhì)自動識別的研究對象極其廣泛，主要包括對谷物、蔬菜、干果、水果等的大小、形狀、顏色和表面損傷、缺陷、異物進行檢測和分級。1998年何東健等，利用機器視覺技術研究了紅星蘋果表面顏色分級方法。在HIS顏色空間中，選用在合適的色相閾值下

3、累計著色面積的百分比作為水果等級評判指標，結果與人工分級吻合度達88%（何東健等，1998）。2002年，馮斌等以水果表面顏色分布的分形維數(shù)為特征進行了水果表面顏色分級的試驗研究,分級正確率達到95%(馮斌等,2002)。2004年，應義斌等以柑橘表面色澤和固酸比作為其成熟度的評判指標，結果表明柑橘果實表皮顏色與其成熟度之間具有相關性（應義斌等，2004）。2004年趙杰文等，對田間成熟番茄識別技術進行了研究。在HIS顏色模型下，根據(jù)成熟番茄、未成熟番茄以及枝葉的色調(diào)H分布的差異，用閾值分割的方法將成熟番茄區(qū)域分離出來，取得了良好的識別效果（趙杰文等，2004）。2008年，劉國敏等提取臍橙有

4、效像素的表面顏色特征參數(shù)（H、S、R、G、B），對色澤進行定量描述，通過神經(jīng)網(wǎng)絡算法建立顏色特征參數(shù)與色澤之間的關系模型。結果表明，該分級模型對色澤的分級與人工標準分級的一致度分別為90%和92%(劉國敏等,2008)。2008年，趙杰文等在HIS顏色空間中 ,提取H的均值和均方差作為紅棗的顏色特征值 ,利用支持向量機識別缺陷紅棗。實驗結果表明,識別準確率可以達到96.2%,優(yōu)于人工神經(jīng)網(wǎng)絡的89.4%（趙杰文等，2008）。2009年，司永勝等采用R-G和色差比(R-G)/(G-B)相結合的方法,對順光、逆光等不同情況下的紅色蘋果進行了識別。實驗結果表明,該方法可以一定程度上消除光線、土壤等

5、影響,識別率達到 97 %,但算法在逆光同時光線較暗情況下識別效果較差 (司永勝，2009）。2009年饒秀勤等，將完成圖像分割的水果圖像轉換為HIS顏色模型,提取其H分量的面積加權直方圖,對其用主成分分析提取特征值,然后利用馬氏距離分析方法完成樣本的分級,總的分級誤差僅為 1.75 %（饒秀勤等，2009）。2010年，K. Chen等運用機器視覺對肥牛肉進行識別,提取了關于皮下脂肪顏色的12個特征參數(shù)(R、G、B、H、S、I的均值和標準偏差),運用支持向量機進行識別,成功率達到了97.4%。（ K. Chen ，2010）2000年，Vzhny T等在蘑菇枯萎、損壞以及細菌感染的研究中，采

6、用將圖像由RGB空間轉向L*a*b*空間的方法，使得圖像處理變得簡單。(Vzhny T,等，2000)。2006年，Mendoza等對sRGB、HSV和L*a*b* 三種顏色模型在水果品質(zhì)檢測機器視覺中的應用進行了研究，結果表明，sRGB顏色模型效率較高，但是，很容易受背景、果實的表面曲率等因素的影響，而L*a*b* 顏色模型更適合于在機器視覺系統(tǒng)中用于水果表面顏色的檢測（Mendoza等，2006）。2009年，J.Blasco等人研究了對石榴的計算機視覺檢測方法，采用了R/G顏色分量的閾值劃分和RGB顏色空間的貝葉斯線性判據(jù)兩種方法，兩種方法均可達 90%的正確率。第一種方法的處理速度15

7、ms/幅，其分級速度可以達到75kg/h（Blasco J等，2009）。2.在農(nóng)產(chǎn)品尺寸與形狀檢測中的應用 農(nóng)產(chǎn)品的外形尺寸是產(chǎn)品分級的重要依據(jù)。產(chǎn)品形狀也是外形尺寸檢測的重要方面，特別是水果，其形狀優(yōu)劣是分級的重要指標。由于種植環(huán)境和品種的不同使農(nóng)產(chǎn)品的形狀多種多樣，所以農(nóng)產(chǎn)品尺寸與形狀的自動檢測是實現(xiàn)其分級自動化的關鍵一步。 2003年，饒秀勤等根據(jù)水果成像時水果、攝像機透鏡、水果圖像三者之間的相互關系，運用幾何光學理論分析了尺寸檢測中的標定誤差、半徑誤差、形狀誤差等3種誤差形成的原因，并給出了定量計算標定誤差大小的公式和水果半徑的公式，減少了檢測誤差，（饒秀勤等，2003）。2003年

8、，馮斌等以自然對稱形態(tài)特征為依據(jù)，確定水果的檢測方向以檢測水果的大小。試驗結果表明檢測正確率達 94.4%，水果大小檢測最大絕對測量誤差為3mm（馮斌,2003）。2005年，郭峰等研究了用插值的方法得到平滑的輪廓曲線，并按大小對溫室西紅柿進行分類，實驗結果表明算法的精度可達98%，分選速度達到3個/S （郭峰，2005） 。2007年，應義斌等提出了一種基于Zernike 矩的水果形狀分類方法，能夠?qū)λ男螤畲笮∵M行識別，對輕度畸形的識別率最高達到 94.48%，試驗結果表明該方法優(yōu)于傳統(tǒng)的傅立葉描述子.用 Zernike矩作為分類特征更適合水果分級 ,但是該方法的速度比傅立葉描述子慢（應

9、義斌, 2007）。2009年,張俊雄等由顏色因子2G-R-B和G值識別出山竹的果柄、果蒂和果皮。由果柄、果蒂和果皮區(qū)域形心位置判斷水果的姿態(tài),提取水果的最大橫徑作為大小分級指標，果徑檢測精度達到1.8 mm(張俊雄等,2009)。2010年，郝敏等在歸一化的馬鈴薯圖像中計算出具有旋轉不變性的 Zernike 矩參數(shù)作為特征參數(shù), 利用支持向量機實現(xiàn)了馬鈴薯薯形的檢測分類，對薯形良好和畸形的檢測準確率分別達 93%和 100%（郝敏等，2010）。2010年，陳英等設計了一套基于計算機視覺的葡萄檢測分級系統(tǒng),采用投影面積法和傳立葉描述子計算果穗大小和形狀參數(shù),進而實現(xiàn)葡萄外觀品質(zhì)分級。與人工分

10、級對比,大小形狀分級的準確率分別88.3%（陳英等，2010）。2007年，Koc AB通過圖像處理的方法來測算西瓜的體積，針對西瓜的橢圓形形狀特征，在圖像處理中采用橢圓模型進行匹配檢測確定西瓜的大、小直徑，將其對應橢圓的長軸、短軸長度（ Koc AB等，2007）。2008 年，Jarimopas B等研究了對羅望子（Sitong 和 Srichompoo 兩個品種）的機器視覺分級方法，實驗在檢測尺寸大小的同時，對表面缺陷，也進行了檢測。通過視覺分類方法，可以實現(xiàn)對 Sitong 品種（長度為 8.5-12.4cm）的分類準確度達 89.8%，對Srichompoo 品種（長度為 10.0-

11、14.0cm）的分類精度達 94.3% （Jarimopas B等，2008）。2009年，J. Blasco等人開發(fā)了一套桔子瓣分級系統(tǒng)，根據(jù)RGB值和形態(tài)特征（面積、周長、偏心率，緊湊度和圓度系數(shù)）將其分為完整瓣、破損瓣、桔子皮、籽 四類，樣機的正確識別率達到了93.2%，處理每幅圖像的時間為48ms，產(chǎn)量達到了1000kg/h（J. Blasco等，2009 ）。 3.在農(nóng)產(chǎn)品表面缺陷、品質(zhì)檢測中的應用 農(nóng)產(chǎn)品表面的缺陷包括碰壓傷、刺傷、疤痕、腐爛、蟲咬、裂傷、果銹等。 如何從其圖像中準確地劃分出壞損區(qū)域，并對分割出的部分加以描述和分類，一直是農(nóng)產(chǎn)品自動檢測的難題。2002年，應義斌等研

12、究了黃花梨缺陷區(qū)域的 R、G、B 各分量灰度的變化特點，采用梯度算法求得了可疑缺陷點，然后再用區(qū)域生長法，找出了缺陷點像素的最大連通集及所有的缺陷區(qū)域，進一步提高了缺陷面積計算的精度（應義斌,2002）。 2004年，成芳等根據(jù)顏色特征對稻種圖像進行了霉變分析識別研究。研究了基于色調(diào)H顏色特征的稻種霉變檢測算法，試驗結果表明，該算法對金優(yōu)402、加優(yōu)等5個品種的正常、輕度霉變、嚴重霉變稻種的平均識別率分別達到了92%、95%、83%（成芳等，2004）。2005年，王樹文等研究了番茄損傷前后顏色變化，對番茄圖像逐行掃描,尋找R灰度及G灰度同時發(fā)生變化的點,作為可疑損傷點。然后判斷33鄰域內(nèi)是否

13、有其它相似損傷點存在, 若沒有則說明此點是噪聲點; 若小于3點,且不與其它區(qū)域相連,則認為該點也不是壞損點。最后將所有將所有損壞點的灰度值置為m，得到表面缺陷圖像。（王樹文等，2005）。2007年,吳彥紅等通過計算單體米粒灰度圖像中每行的灰度指數(shù)差分,得到差分曲線,根據(jù)曲線是否存在波谷判斷裂紋米,裂紋米粒識別的準確率為96.41%(吳彥紅等,2007)。2008年,陳紅等采用H和S的閾值識別花生霉變區(qū)域,根據(jù)像素數(shù)目計算霉變面積比,從而判斷霉變等級,識別率達到90%(陳紅等,2008)。2009年，熊利榮等設計了基于機器視覺的鴨蛋裂紋自動檢測系統(tǒng)，提取了能表征裂紋的6個幾何特征參數(shù)（面積、圓

14、形度、長徑、短徑、裂紋矩形度和長短徑之比）,并利用人工神經(jīng)網(wǎng)絡對圖像進行識別，裂紋識別率為93.392，噪聲識別率為93.602（熊利榮等，2009）。2009年，鄭冠楠等采用灰度值差值法檢測發(fā)芽馬鈴薯; 采用相鄰采樣邊界點歸一化半徑差的方法檢測畸形馬鈴薯 ,并實現(xiàn)了馬鈴薯在線綜合檢測分級,分級精度達到88%（鄭冠楠等,2009）。2009年，劉韶軍等用NxN的檢測窗口,遍歷棉種的邊緣輪廓 ,計算檢測窗口內(nèi)目標的像素數(shù)Su。由此完成棉種破損檢測。研究中選用了Su的均值、方差、均方差作為特征參數(shù)，當選用7x7正方形窗口時，能夠有效地將破損棉種與正常棉種區(qū)分開,其識別正確率達到了93%（劉韶軍等，

15、2009）。2009年，饒洪輝等研制了基于機器視覺的水稻種子質(zhì)量在線檢測裝置 ,其主要由落料機構、傳動裝置、光照箱和水稻種子排料機構組成（饒洪輝等，2009）。2010年，陳兵旗等以等價矩形長、寬的差值最小為標準 ,進行了未知稻種類型的判斷;以掃描線上黑白像素的變化次數(shù)和掃描線數(shù)來判斷稻種的破裂;以不同閾值提取的稻種面積差來判斷稻種是否霉變。分別進行了種子類型判斷、以及發(fā)霉與破損情況判斷,檢測正確率分別為100%、88.9%和76.8%（ 陳兵旗等，2010 ）。2007年，J. Blasco等采用面向區(qū)域的分割算法（區(qū)域增長和區(qū)域融合），對多個品種柑桔的表皮缺陷進行的檢測，識別率為95%，這

16、種算法的特點就是對品種的適應性好（ J. Blasco等，2007 ）。2007年，J. Blasco在柑橘分級系統(tǒng)中，獲取柑橘的可見光圖像、近紅外圖像、熒光圖像和紫外圖像對其進行分選。結果表明用近紅外圖像對柑橘炭疽病檢測的識別率達到了86%，用紫外圖像對柑橘綠霉病檢測的識別率達到了94%，而可見光圖像對綠霉病檢測的識別率僅為65%（J. Blasco等，2007）。2008年， D.C. Slaughter等研究了柑橘凍傷無損檢測，根據(jù)柑橘果皮油在紫外線下顯示為黃光，根據(jù)黃色斑點面積的多少判斷柑橘的凍傷程度。其中對未凍傷、中等凍傷和嚴重凍傷柑橘的識別率達到了87.9%，而對輕度凍傷柑橘的識別率為64.4%（D.C. Slaughter等，2008）。 2010年，A.Al-Mallahi等開發(fā)了基于紫外成像的機器視覺系統(tǒng)，利用馬鈴薯和土塊對紫外光的