CN101322969A - 一种检测分级方法 - Google Patents
一种检测分级方法 Download PDFInfo
- Publication number
- CN101322969A CN101322969A CNA2008101169153A CN200810116915A CN101322969A CN 101322969 A CN101322969 A CN 101322969A CN A2008101169153 A CNA2008101169153 A CN A2008101169153A CN 200810116915 A CN200810116915 A CN 200810116915A CN 101322969 A CN101322969 A CN 101322969A
- Authority
- CN
- China
- Prior art keywords
- vegetables
- fruits
- point
- potato
- gray value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Sorting Of Articles (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及一种果蔬的检测分级方法。该方法包括采集果蔬的图像,提取图像中果蔬的外形轮廓线;计算果蔬表面的平均灰度值和某点的灰度值来确定果蔬表面发芽等级;计算外形轮廓线上点之间的最大距离来确定果蔬的大小分级;计算形状系数来确定果蔬的形状分级;计算外形轮廓线相邻采样边界点归一化半径之差的绝对值来确定果蔬畸形。该方法客观性强、标准稳定、一致性好,而且无接触无伤害,具有很好的应用前景。
Description
技术领域
本发明涉及一种现代农业信息化技术,尤其涉及一种按照果蔬外观特性进行检测和分级的方法。
背景技术
中国马铃薯种植面积和总产量居世界首位,中国是全球第十大马铃薯出口国。要使马铃薯作为高质量、高附加值农产品进入国内外流通领域,必须高度重视马铃薯采后商品化处理技术,减少采后损失、提高附加值,同时将采后处理技术的自动化、精细化摆在首位,这是农产品提高档次和增值的重要途径。
马铃薯的外部品质主要包括大小、形状、发芽和畸形等缺陷特征。重量和尺寸可以反映马铃薯的大小。外形的规整性直接影响马铃薯的美观,进而影响马铃薯的市场价值。马铃薯的表面缺陷也是影响其等级的重要因素之一,并且果蔬产品的表面缺陷检测是品质检测中的一大难题。存放时间长、温度较高都可以使马铃薯发芽,发芽的马铃薯在幼芽及芽眼部分所含有的毒素对人和动物都有毒害作用,不能够再食用,所以有必要准确检测出发芽马铃薯。在畸形马铃薯的块茎内,原块茎内存储的有机营养如淀粉等,会转化成糖输送到新生长的块茎内,从而使原块茎中淀粉含量下降,品质变劣,失去食用价值和种植价值。
所以,对马铃薯进行分级是品质标准化和商品化的过程中比不可少的步骤。分级的意义在于使产品在品质、色泽、大小、成熟度、清洁度等方面达到一致,有利于马铃薯的包装、运输与储藏,有利于提高马铃薯市场竞争力。目前我国的马铃薯分级主要是依靠人工完成,需要的劳动力多,劳动强度大,而且分级的结果因劳动者的个体差异而差别较大,分级的一致性较差、效率较低。
发明内容
本发明的目的是提供一种对球形或者椭球形果蔬进行检测和分级的方法,所述方法能够对果蔬进行单个标准分级,或者同时对多个标准,包括大小、形状和表面缺陷等外观品质一次性进行综合分级。
为了达到上述目的,本发明提供了一种球形或者椭球形果蔬的检测分级方法,包括步骤:
一种果蔬的检测分级方法,包括步骤:
S1:采集果蔬表面的图像,提取所述图像中果蔬的外形轮廓线;以及S2-S5中的一步或者几步,其中:
S2:计算所述果蔬表面平均灰度值与果蔬表面某点的灰度值,以及所述某点灰度值和所述平均灰度值的差值,来确定所述果蔬表面的发芽等级;
S3:计算所述外形轮廓线上点之间的最大点距,得到所述果蔬的大小等级;
S4:计算所述外形轮廓线上的形状系数,得到所述果蔬的形状等级;
S5:计算所述外形轮廓线相邻采样边界点归一化半径之差,来确定所述果蔬的畸形等级。
其中,所述采集的表面覆盖所述果蔬表面的95%以上。
其中,所述步骤S2中“计算所述果蔬表面平均灰度值与果蔬表面某点的灰度值,以及所述某点灰度值和所述平均灰度值的差值”之后还包括将所述差值与灰度值差阈值进行比较,如果所述差值大于灰度值差阈值,则确定所述点为芽体点;否则,认为该点为正常表皮点。
其中,所述步骤S2还包括统计所述芽体点的个数,当芽体点的个数超过预先设定的芽体点个数阈值,则判定所述果蔬有芽体,否则,认为所述果蔬没有芽体。
上点之间的最大点距,连线所述具有最大点距的两点为长轴,再计算与所述长轴垂直方向上轴的长度,所述形状系数即为所述长轴与所述长轴垂直方向上轴的长度之比。
其中,所述形状系数的取值范围是[1,+∞)。
其中,如果所述最大形状系数为1,则所述果蔬为正球形;如果所述最大形状系数大于1,则所述果蔬为椭球形。
其中,所述步骤S5中计算所述外形轮廓线相邻采样边界点归一化半径之差的绝对值的具体方法如下:
对所述果蔬边界,用等间距的方法对边界点进行取样等分处理;
计算采样边界点到所述外形轮廓形心点的距离,所述距离即为半径;
对所述半径进行归一化处理,得到归一化后的半径序列,计算每相邻两个采样边界点归一化半径之差的绝对值,并求得所述绝对值中的最大值;
如果所述最大值大于设定畸形阈值,则判定所述果蔬为畸形;如果所述最大值小于所述设定畸形阈值,则判定所述果蔬为非畸形。
本发明所提供的检测分级方法,能够对果蔬进行单个标准分级,或者同时对多个标准,包括大小、形状和表面缺陷等外观品质一次性进行综合分级,实用面广。本发明的方法具有信息量大、速度高、功能全面、计算复杂度低易于实现、能避免人工测量中的主观因素等优点,此外,本发明的检测分级方法客观性强、标准稳定、一致性好,而且无接触无伤害,具有很好的应用前景。
附图说明
图1是本发明的检测分级方法的流程示意图。
具体实施方式
以下实施例用于说明本发明,但不用来限制本发明的范围。
本发明提供了一种球形或者椭球形果蔬的检测分级方法,首先采集果蔬表面的图像,提取所述图像中果蔬的外形轮廓线;其次,计算所述果蔬表面G通道平均灰度值与果蔬表面某点的G通道灰度值,以及所述某点灰度值和所述平均灰度值的差值,将所述差值与灰度值差阈值进行比较,来检测所述果蔬表面的发芽与否;然后,计算所述外形轮廓线上点之间的最大点距,将所得最大点距与大小分级阈值相比,得到所述果蔬的大小等级;之后,计算所述外形轮廓线上的形状系数,将所得最大形状系数与1相比,得到所述果蔬的形状等级;最后,计算所述外形轮廓线相邻采样边界点归一化半径之差的绝对值,将所得绝对值的最大值与设定畸形阈值相比较,来检测所述果蔬是否畸形。
在利用本发明中的方法对球形或者椭球形蔬果进行分级的时候,图像是二维信号,果蔬的每幅图像只含有一个方向上的视觉信息,所以在本发明的实施例中,分别对每个待检测分类的果蔬采集三次图像,要求每次采集不同的表面,并且三次采集的表面能够覆盖整个果蔬表面的95%以上。在本实施例中将所述果蔬定位于马铃薯。
本发明采用一种基于G通道的灰度值差值法检测发芽马铃薯。马铃薯的块茎在生长过程中,埋藏在土壤中,表皮呈暗黄色;而马铃薯刚长出的幼芽芽体鲜嫩、颜色鲜亮,与正常马铃薯表皮G通道灰度值相差较大。对于任意一幅所述马铃薯图像,采用基于G、B通道灰度值差的全局阈值区域分割方法滤除背景,得到马铃薯单体完整图像。提取出马铃薯单体的区域之后,计算马铃薯单体区域的G通道平均灰度值G-Average,再次扫描马铃薯区域,设某点G通道的灰度值为G-Temp,则该点G通道的灰度值与马铃薯G通道平均灰度值的差值G-Difference为:G-Difference=G-Temp-G-Average。之后将G-Difference与灰度值阈值Threshold-Difference相比,如果G-Difference大于所述灰度值阈值的时候,则认为该点为芽体点,否则,则认为该点为马铃薯正常表皮点。统计芽体点的个数Num-Germinate,为降低将正常表皮点误判为芽体点的影响,将Num-Germinate大于10的马铃薯图像认为有芽体。
对于任意一幅马铃薯图像,提取R通道信息,对图像进行中值滤波处理,提取马铃薯外形轮廓线,计算轮廓线上点之间的最大点距,即每幅图像中马铃薯的最长轴。所述最长轴为马铃薯最大横截面的最长轴,对每个马铃薯的三幅图像分别计算最长轴,再求三个最长轴中的最大值,即得到该马铃薯的最长轴Max-Axis。将Max-Axis作为大小的特征值,与预先设定的大小分级阈值相比,将马铃薯分为1~4级。
对任意一幅马铃薯图像,提取马铃薯的外形轮廓线。本发明采用计算离心率的方法将马铃薯的形状类型分为球形和椭球形两类,所述离心率是指马铃薯的最长轴与该最长轴垂直方向上轴的长度的比值。对于拍摄到的每个马铃薯的每幅图像,计算出图像中马铃薯的最长轴Max-Axis-A,再计算其垂直方向上的轴的长度Max-Axis-B,则离心率Temp-Ratio为Temp-Ratio=Max-Axis-A/Max-Axis-B。计算每个马铃薯的3幅图像中最大的形状系数Max-Ratio。由于Max-Axis-A永远大于或者等于Max-Axis-B,所以Max-Ratio始终大于或者等于1。根据外形轮廓线的特点可以知道,对于正球形的物体,其Max-Ratio值为1;对于椭球形的物体,其Max-Ratio值大于1。那么当Max-Ratio的值偏离1越远,则马铃薯越扁长,将此类马铃薯归为椭球形马铃薯;当Max-Ratio的值越接近1,则马铃薯的球形度越好,当Max-Ratio为1的时候,将此类马铃薯归为球形马铃薯。
对任意一幅马铃薯图像,提取其外形轮廓线。对于提取到的外形轮廓线,用等间距的方法对边界点进行取样等分处理,本实施例中采样间隔为8个像素点。计算采样的边界点到所述外形轮廓线形心点的距离,即半径r((k))。对半径进行归一化处理,得到归一化后的半径序列rn((k))。计算每相邻两个采样边界点归一化半径之差的绝对值Δrn((m)),即Δrn((m))=|rn((k+1))-rn((k))|,其中m=0,1,...,k-1。由于畸形马铃薯在畸形处的半径有突变,造成了相邻采样边界点归一化半径差的绝对值较大,其峰值达到0.1以上;椭球形马铃薯截面为椭圆形,半径序列也会有一定起伏,影响相邻采样边界点归一化半径差的绝对值的大小,其峰值略小于0.07;球形马铃薯半径变化平缓,所以采样边界点归一化半径差的绝对值较小,其峰值不到0.05。取上述马铃薯三幅图像中相邻采样边界点归一化半径差的绝对值的最大值为畸形检测特征值,如果所述畸形检测特征值大于设定阈值,则判断为畸形马铃薯。
以下介绍本发明所述技术方案在进行马铃薯检测分级时的准确程度。
特级薯、一级薯、二级薯和等级外马铃薯分别用A、B、C和D表示。采用下式得出A级马铃薯的分级正确率:
上式中,p(A)表示检测特级薯时的马铃薯检测正确率;Ai代表特级薯检测中每次试验检到马铃薯个数;A代表人工检测特级薯个数;n代表试验次数;P代表试验总体分级正确率。
为验证本发明的分级性能,根据上述介绍,采用了一定的马铃薯样本进行了分级试验。记录试验结果数据,把每个级别的样本数和分级正确率列入表中,分级试验数据如下:
表1 马铃薯大小分级数据
试验中共有窜果m m=4+6+3=13
马铃薯总个数n n=45×6=270
马铃薯大小分级总的准确率p
表2马铃薯形状分级数据
试验中共有窜果11个,球型马铃薯的窜果率q1和椭球型马铃薯的窜果率q2分别为:
q1=1-p1=1-90.8%=9.2%
q2=1-p2=1-92.9%=8.1%
试验中将球型马铃薯误判为椭球型马铃薯或将椭球型马铃薯误判为球型马铃薯的误判个数m为13,马铃薯总个数n为276,马铃薯形状分级总的准确率p:
表3马铃薯发芽检测试验数据
试验中没有检测到的发芽马铃薯个数m1为3,发芽马铃薯总个数n1为24,则马铃薯发芽检测准确率p1:
将正常马铃薯误判为发芽马铃薯的个数m2为4,正常马铃薯总个数n2为60,则马铃薯发芽检测的误判率p2:
表4马铃薯畸形检测试验数据
试验中没有检测到的畸形马铃薯个数m1为2,畸形马铃薯总个数n1为30,则马铃薯畸形检测准确率p1:
将正常马铃薯误判为畸形马铃薯的个数m2为5,正常马铃薯总个数n2为90,则马铃薯畸形检测的误判率p2:
表5 综合分级
总窜果个数m:m=3+4+7+3+5+9+5=36
马铃薯总个数n:n=50×6=300
则马铃薯综合分级的准确率p:
本发明在应用于马铃薯的实际实时分级时,对每个马铃薯采集的图像分辨率为217×184像素,分级速度能达到每秒6个马铃薯。从试验结果可得,马铃薯综合分级准确率达到88.0%。
以上实施方式仅用于说明本发明,而并非对本发明的限制,有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化,因此所有等同的技术方案也属于本发明的范畴,本发明的专利保护范围应由权利要求限定。
Claims (8)
1、一种果蔬的检测分级方法,其特征在于,包括步骤:
S1:采集果蔬表面的图像,提取所述图像中果蔬的外形轮廓线;以及S2-S5中的一步或者几步,其中:
S2:计算所述果蔬表面平均灰度值与果蔬表面某点的灰度值,以及所述某点灰度值和所述平均灰度值的差值,来确定所述果蔬表面的发芽等级;
S3:计算所述外形轮廓线上点之间的最大点距,得到所述果蔬的大小等级;
S4:计算所述外形轮廓线上的形状系数,得到所述果蔬的形状等级;
S5:计算所述外形轮廓线相邻采样边界点归一化半径之差,来确定所述果蔬的畸形等级。
2、如权利要求1所述的检测分级方法,其特征在于,所述采集的表面覆盖所述果蔬表面的95%以上。
3、如权利要求1所述的检测分级方法,其特征在于,所述步骤S2中“计算所述果蔬表面平均灰度值与果蔬表面某点的灰度值,以及所述某点灰度值和所述平均灰度值的差值”之后还包括将所述差值与灰度值差阈值进行比较,如果所述差值大于灰度值差阈值,则确定所述点为芽体点;否则,认为该点为正常表皮点。
4、如权利要求3所述的检测分级方法,其特征在于,所述步骤S2还包括统计所述芽体点的个数,当芽体点的个数超过预先设定的芽体点个数阈值,则判定所述果蔬等级为有芽体,否则,认为所述果蔬等级为没有芽体。
5、如权利要求1所述的检测分级方法,其特征在于,所述步骤S4中计算形状系数的方法是:计算外形轮廓线上点之间的最大点距,连线所述具有最大点距的两点为长轴,再计算与所述长轴垂直方向上轴的长度,所述形状系数即为所述长轴与所述长轴垂直方向上轴的长度之比。
6、如权利要求5所述的检测分级方法,其特征在于,所述形状系数的取值范围是[1,+∞)。
7、如权利要求6所述的检测分级方法,其特征在于,如果所述最大形状系数为1,则所述果蔬为正球形;如果所述最大形状系数大于1,则所述果蔬为椭球形。
8、如权利要求1所述的检测分级方法,其特征在于,所述步骤S5中计算所述外形轮廓线相邻采样边界点归一化半径之差的绝对值的具体方法如下:
对所述果蔬边界,用等间距的方法对边界点进行取样等分处理;
计算采样边界点到所述外形轮廓形心点的距离,所述距离即为半径;
对所述半径进行归一化处理,得到归一化后的半径序列,计算每相邻两个采样边界点归一化半径之差的绝对值,并求得所述绝对值中的最大值;
如果所述最大值大于设定畸形阈值,则判定所述果蔬为畸形;如果所述最大值小于所述设定畸形阈值,则判定所述果蔬为非畸形。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008101169153A CN101322969B (zh) | 2008-07-18 | 2008-07-18 | 一种检测分级方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008101169153A CN101322969B (zh) | 2008-07-18 | 2008-07-18 | 一种检测分级方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101322969A true CN101322969A (zh) | 2008-12-17 |
CN101322969B CN101322969B (zh) | 2012-11-14 |
Family
ID=40186764
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2008101169153A Expired - Fee Related CN101322969B (zh) | 2008-07-18 | 2008-07-18 | 一种检测分级方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101322969B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102601063A (zh) * | 2012-02-29 | 2012-07-25 | 浙江工业大学 | 一种竹片自动识别分级方法 |
CN102921645A (zh) * | 2012-11-19 | 2013-02-13 | 桂林电子科技大学 | 基于图像视觉识别的罗汉果分选方法及其分选机 |
CN103394472A (zh) * | 2013-07-04 | 2013-11-20 | 中国农业大学 | 一种基于机器视觉的绿化马铃薯检测分级方法 |
CN104056790A (zh) * | 2013-03-19 | 2014-09-24 | 青岛农业大学 | 一种马铃薯智能分选方法与装置 |
CN104084379A (zh) * | 2014-06-04 | 2014-10-08 | 中国农业大学 | 一种玉米种子图像精选装置及其使用方法 |
CN107564000A (zh) * | 2017-09-06 | 2018-01-09 | 南京晓庄学院 | 基于计算机视觉的猴头菇无损检测分级方法 |
CN109827971A (zh) * | 2019-03-19 | 2019-05-31 | 湖州灵粮生态农业有限公司 | 一种无损检测水果表面缺陷的方法 |
CN114627056A (zh) * | 2022-02-18 | 2022-06-14 | 中国人民解放军陆军军医大学第一附属医院 | 一种实时高精准性儿童耳廓畸形检测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2587534Y (zh) * | 2002-12-27 | 2003-11-26 | 浙江大学 | 基于机器视觉的水果分级机器 |
ATE327503T1 (de) * | 2003-04-18 | 2006-06-15 | M M O S P A Sa | Gerät zur optischen überprüfung der qualität der aussenoberfläche von gewölbt geformtem obst und gemüse verschiedenster form und grösse |
CN2923067Y (zh) * | 2006-06-21 | 2007-07-18 | 中国农业大学 | 一种多通道水果视觉分级图像采集装置 |
-
2008
- 2008-07-18 CN CN2008101169153A patent/CN101322969B/zh not_active Expired - Fee Related
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102601063A (zh) * | 2012-02-29 | 2012-07-25 | 浙江工业大学 | 一种竹片自动识别分级方法 |
CN102921645A (zh) * | 2012-11-19 | 2013-02-13 | 桂林电子科技大学 | 基于图像视觉识别的罗汉果分选方法及其分选机 |
CN104056790A (zh) * | 2013-03-19 | 2014-09-24 | 青岛农业大学 | 一种马铃薯智能分选方法与装置 |
CN103394472A (zh) * | 2013-07-04 | 2013-11-20 | 中国农业大学 | 一种基于机器视觉的绿化马铃薯检测分级方法 |
CN103394472B (zh) * | 2013-07-04 | 2015-08-05 | 中国农业大学 | 一种基于机器视觉的绿化马铃薯检测分级方法 |
CN104084379A (zh) * | 2014-06-04 | 2014-10-08 | 中国农业大学 | 一种玉米种子图像精选装置及其使用方法 |
CN107564000A (zh) * | 2017-09-06 | 2018-01-09 | 南京晓庄学院 | 基于计算机视觉的猴头菇无损检测分级方法 |
CN109827971A (zh) * | 2019-03-19 | 2019-05-31 | 湖州灵粮生态农业有限公司 | 一种无损检测水果表面缺陷的方法 |
CN114627056A (zh) * | 2022-02-18 | 2022-06-14 | 中国人民解放军陆军军医大学第一附属医院 | 一种实时高精准性儿童耳廓畸形检测方法 |
CN114627056B (zh) * | 2022-02-18 | 2024-04-02 | 中国人民解放军陆军军医大学第一附属医院 | 一种实时高精准性儿童耳廓畸形检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101322969B (zh) | 2012-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101322969B (zh) | 一种检测分级方法 | |
CN107316289B (zh) | 基于深度学习和超像素分割的大田稻穗分割方法 | |
CN103065149B (zh) | 网纹甜瓜果实表型提取与量化方法 | |
CN105675539B (zh) | 一种农产品品质综合评价方法 | |
CN103344577B (zh) | 一种基于多光谱成像技术的畜肉新鲜度无损伤检测方法 | |
CN105158186B (zh) | 一种基于高光谱图像对白萝卜黑心检测的方法 | |
CN109948596A (zh) | 一种基于植被指数模型进行水稻识别和种植面积提取的方法 | |
CN102788752A (zh) | 基于光谱技术的农作物内部信息无损检测装置及方法 | |
Río Segade et al. | Instrumental texture analysis parameters as winegrapes varietal markers and ripeness predictors | |
Koszela et al. | Computer image analysis in the quality in procedure for selected carrot varieties | |
CN105893977B (zh) | 一种基于自适应特征选择的水稻制图方法 | |
Zhang et al. | Changes in the chlorophyll absorbance index (I AD) are related to peach fruit maturity | |
CN112465366A (zh) | 一种基于熵权topsis模型的柿果品质综合评价方法 | |
CN112649392A (zh) | 一种快速鉴定小麦节水抗旱性的方法 | |
CN116188465A (zh) | 基于图像处理技术的作物生长状态检测方法 | |
CN102592118B (zh) | 一种玉米出苗期的自动检测方法 | |
Jena et al. | Fruit and leaf diversity of selected Indian mangoes (Mangifera indica L.) | |
CN109540814B (zh) | 一种基于多光谱成像技术的蝴蝶兰灰霉病早期检测方法 | |
Mansuri et al. | Computer vision model for estimating the mass and volume of freshly harvested Thai apple ber (Ziziphus mauritiana l.) and its variation with storage days | |
Taujuddin et al. | Detection of plant disease on leaves using blobs detection and statistical analysis | |
CN103500458A (zh) | 一种玉米穗行数自动检测方法 | |
Junkwon et al. | Potential application of color and hyperspectral images for estimation of weight and ripeness of oil palm (Elaeis guineensis Jacq. var. tenera) | |
CN102860222B (zh) | 一种通过叶型特征鉴定菊花品种的方法 | |
CN110118735A (zh) | 一种检测香梨公母的高光谱成像检测方法及装置 | |
Khalid et al. | Image processing techniques for Harumanis disease severity and weighting estimation for automatic grading system application |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20121114 Termination date: 20130718 |