CN103149214A - 水果表面缺陷检测方法 - Google Patents
水果表面缺陷检测方法 Download PDFInfo
- Publication number
- CN103149214A CN103149214A CN2013100613133A CN201310061313A CN103149214A CN 103149214 A CN103149214 A CN 103149214A CN 2013100613133 A CN2013100613133 A CN 2013100613133A CN 201310061313 A CN201310061313 A CN 201310061313A CN 103149214 A CN103149214 A CN 103149214A
- Authority
- CN
- China
- Prior art keywords
- image
- fruit
- nir
- rgb
- foreground
- 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
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
一种图像处理技术领域的利用图像处理实现水果表面缺陷检测的方法,1)获取RGB图像和NIR图像;2)去除RGB图像和NIR图像的背景分别获得只含有水果图像的RGB前景图像和NIR前景图像;3)将RGB前景图像从RGB颜色空间图像转换为YCrCb颜色空间图像,新图像记为新空间图像;4)将新空间图像的Y分量图像与NIR前景图像进行比值计算,得到比值图像;5)从比值图像提取水果缺陷图像。本发明对于检测水果的表面缺陷具有很好的稳定性、准确性和快速性,有效避免了水果形状、大小的影响。
Description
技术领域
本发明涉及的是一种图像处理技术领域的方法,具体是一种利用图像处理实现水果表面缺陷检测的方法。
背景技术
水果是深受人民热爱的大众农产品之一,有报告称,自1990年以来,全世界主要水果产量产值均呈现增长趋势。水果的表面缺陷是其品质的最直接的反映,故表面缺陷是决定水果价格的重要因素。对水果表面缺陷进行检测和分选,是水果销售、加工和贮藏之前的必要环节。目前机器视觉广泛应用于水果的外部品质的检测中,相机采集水果表面图像,然后传输至计算机,通过图像处理技术对水果的尺寸、颜色、缺陷等品质特征进行提取,进而依据国家水果分级标准对水果的品质进行分选。为了提取水果表面的缺陷,有些学者把图像处理和模式识别技术结合起来,通过对水果表面图像的缺陷部分和正常表面进行特征提取,然后训练分类器,在测试阶段,计算水果图像的特征,然后输入训练好的分类器,对水果表面进行分类。研究结果表明这种方法具有较高的缺陷识别率,然而由于算法较为复杂,不利于水果外部品质的在线检测。同时水果属于类球形生物体,故水果可以看成一个朗伯体,根据朗伯反射原理,球面上任意一点的亮度是与该点的法向量和该点与光源连线之间的夹角的余弦成正比,即ID=IL×COSθ,其中ID是反射光强度,IL是入射光强度,因此在采集图像时为了提高成像质量,一般需要增加额外的光源,故水果表面会产生朗伯现象,因此所采集图像形成中间亮边缘暗的分布,水果边缘的正常区域容易误识别为缺陷区域。
经过对现有技术的检索发现,中国专利文献号CN102788806A,公开日2012-11-21,记载了一种基于类球形亮度变换的水果表面缺陷检测方法,利用水果RGB图像和NIR图像,对比、计算出水果的缺陷的形状、大小,但该技术的缺陷在于水果并不是严格球形,该专利利用所求二值图像的外接矩形最大宽度Y来代替水果直径,最大宽度的一半,即Y/2作为迭代次数的终止条件,因此对于圆形度较小的椭圆形水果,这种方法具有一定局限性;同时椭圆形水果长轴和短轴附近朗伯现象的程度差别很大,该专利根据二值图像的边缘像素的像素点个数M,将R分量图像的边缘的所有点的亮度之和除以像素点个数M获得亮度平均值,然而对于椭圆状水果长轴和短轴附近同一迭代次数而受不同光照影响的像素点进行亮度平均不是很合理,对缺陷识别也会有一定的影响。
发明内容
本发明针对现有技术存在的上述不足,提供一种水果表面缺陷检测方法,相比现有技术在检测水果,尤其是体积较小的旮旯果时具有较高的稳定性和准确性。
本发明是通过以下技术方案实现的,本发明包括以下步骤:
1)获取水果的RGB图像和NIR图像;
2)去除RGB图像和NIR图像的背景分别获得只含有水果图像的RGB前景图像和NIR前景图像;
3)将RGB前景图像从RGB颜色空间图像转换为YCrCb颜色空间图像,得到YCrCb前景图像;
4)将YCrCb前景图像中的Y分量图像与NIR前景图像进行比值计算,作为比值图像;
5)从比值图像提取水果缺陷图像。
所述的步骤2)中使用掩膜图像去除RGB图像和NIR图像的背景,掩膜图像是指:选取NIR图像的灰度直方图中“两峰一谷”的谷底灰度值作为分割阈值,使用该分隔阈值对NIR图像进行二值化分割,所得出的掩模图像。
所述的步骤3)的转换公式为:
Y=0.299*R+0.587*G+0.114*B,
Cr=(R-Y)*0.713+128,
Cb=(B-Y)*0.564+128,其中:Y、Cr、Cb分别为YCrCb颜色空间的三个分量,R、G、B分别为RGB颜色空间的三个分量。
所述的步骤4)的比值计算的公式是:比值图像=255*(NIR前景图像/Y分量图像)。
所述的步骤5)的提取水果缺陷图像的方法具体是指:单阈值分割比值图像获得缺陷图像。
技术效果
本发明对于检测水果的表面缺陷具有很好的稳定性、准确性和快速性,有效避免了水果形状、大小的影响;人脸识别中通过颜色空间转换主要排除亮度的影响,把三维颜色空间转换成二维CrCb空间,从而有效避免亮度对肤色检测的影响,肤色会较好的类聚,但不能排除手臂等裸露肤色对人脸识别的影响,不通过不同颜色空间分量比算法处理而直接应用于水果缺陷的识别效果也是较差的,本文所提算法有效克服了这个影响;相对于人工检测而言,通过计算机算法自动识别水果缺陷,排除了人因疲劳和负面情绪带来的精度、效率降低等问题,同时自动识别可以连续稳定的工作,大大提高了工作效率,缩短检测周期;通过对248个样本进行缺陷检测实验,正确识别率为97%,并且该方法简单,易于程序实现,在水果品质在线检测方面具有较大的应用潜力。
附图说明
图1为本发明实施例1的方法流程图;
图2为本发明实施例1的图像处理过程图;
图3为本发明实施例1的NIR图像;
图4为本发明实施例1的RGB图像;
图5为本发明实施例1的YCrCb图像;
图6为图5的Y分量图像;
图7为本发明实施例1的比值图像;
图8为本发明实施例1的缺陷图像。
具体实施方式
下面对本发明的实施例作详细说明,本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例1
本实施例包括以下步骤:
1)以黑色、蓝色或淡蓝色的载物台作为背景获得RGB图像和NIR图像;
2)使用掩膜图像去除RGB图像和NIR图像的背景分别获得只含有水果图像的RGB前景图像和NIR前景图像:由于缺陷部分和正常水果表面的灰度值不同,因此所采集的NIR图像的灰度直方图呈现“两峰一谷”的分布,正常表面灰度值较大,而水果缺陷部分灰度值较小,选取直方图谷底的灰度值作为分割阈值,使用该分隔阈值对NIR图像进行二值化分割,得出的掩模图像;
3)将RGB前景图像从RGB颜色空间图像转换为YCrCb颜色空间图像,新图像记为YCrCb前景图像,具体转换公式为:
Y=0.299*R+0.587*G+0.114*B,
Cr=(R-Y)*0.713+128,
Cb=(B-Y)*0.564+128,其中:Y、Cr、Cb分别为YCrCb颜色空间的三个分量,R、G、B分别为RGB颜色空间的三个分量;
4)将YCrCb前景图像的Y分量图像与NIR前景图像进行比值计算,得到比值图像,比值计算的公式是:
比值图像=255*(NIR前景图像/Y分量图像);
5)从比值图像提取水果缺陷图像,具体是指:单阈值分割比值图像获得缺陷图像,单阈值设定为230。
根据上述方法对水果进行缺陷检测,与现有技术相比,不需要反复的训练实验,大大缩短处理识别时间,且具有较高的稳定性,通过对248个样本进行缺陷检测实验,正确识别率为97%,算法较为简单实用,易于程序实现,在水果外部品质在线检测中具有较强的应用潜力。
Claims (6)
1.一种利用图像处理实现水果表面缺陷检测的方法,其特征在于,包括以下步骤:
1)获取水果的RGB图像和NIR图像;
2)去除RGB图像和NIR图像的背景分别获得只含有水果图像的RGB前景图像和NIR前景图像;
3)将RGB前景图像从RGB颜色空间图像转换为YCrCb颜色空间图像,得到YCrCb前景图像;
4)将YCrCb前景图像中的Y分量图像与NIR前景图像进行比值计算,作为比值图像;
5)从比值图像提取水果缺陷图像。
2.根据权利要求1所述的方法,其特征是,所述的步骤2)中使用掩膜图像去除RGB图像和NIR图像的背景,掩膜图像是指:选取NIR图像的灰度直方图中“两峰一谷”的谷底灰度值作为分割阈值,使用该分隔阈值对NIR图像进行二值化分割,所得出的掩模图像。
3.根据权利要求1所述的方法,其特征是,所述的步骤3)的转换公式为:Y=0.299*R+0.587*G+0.114*B,Cr=(R-Y)*0.713+128,Cb=(B-Y)*0.564+128,其中:Y、Cr、Cb分别为YCrCb颜色空间的三个分量,R、G、B分别为RGB颜色空间的三个分量。
4.根据权利要求1所述的方法,其特征是,所述的步骤4)的比值计算的公式是:比值图像=255*(NIR前景图像/Y分量图像)。
5.根据权利要求1所述的方法,其特征是,所述的步骤5)的提取水果缺陷图像的方法具体是指:单阈值分割比值图像获得缺陷图像。
6.根据权利要求5所述的方法,其特征是,所述的单阈值为230。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310061313.3A CN103149214B (zh) | 2013-02-27 | 2013-02-27 | 水果表面缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310061313.3A CN103149214B (zh) | 2013-02-27 | 2013-02-27 | 水果表面缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103149214A true CN103149214A (zh) | 2013-06-12 |
CN103149214B CN103149214B (zh) | 2015-04-01 |
Family
ID=48547418
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310061313.3A Expired - Fee Related CN103149214B (zh) | 2013-02-27 | 2013-02-27 | 水果表面缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103149214B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105044128A (zh) * | 2015-07-14 | 2015-11-11 | 浙江大学 | 基于光照背景差影法的水果表面缺陷检测方法 |
CN107991307A (zh) * | 2017-08-28 | 2018-05-04 | 中国人民解放军总后勤部油料研究所 | 一种软质材料表面裂纹自动检测装置及方法 |
CN109060842A (zh) * | 2018-08-14 | 2018-12-21 | 西南大学 | 基于曲面拟合校正的柑橘表面缺陷检测方法、计算机程序 |
CN109682820A (zh) * | 2018-11-05 | 2019-04-26 | 苏州佳智彩光电科技有限公司 | 一种显示屏的缺陷自动光学检测方法 |
CN110378327A (zh) * | 2019-07-09 | 2019-10-25 | 浙江大学 | 添加辅助性显著特征的目标检测装置及方法 |
CN110856849A (zh) * | 2018-08-24 | 2020-03-03 | 东莞中科蓝海智能视觉科技有限公司 | 一种汽车配件的自动化检测方法及装置 |
CN112903703A (zh) * | 2021-01-27 | 2021-06-04 | 广东职业技术学院 | 一种基于图像处理的陶瓷表面缺陷检测方法及*** |
CN113177925A (zh) * | 2021-05-11 | 2021-07-27 | 昆明理工大学 | 一种无损检测水果表面缺陷的方法 |
CN115082482A (zh) * | 2022-08-23 | 2022-09-20 | 山东优奭趸泵业科技有限公司 | 一种金属表面缺陷检测方法 |
CN118115503A (zh) * | 2024-04-30 | 2024-05-31 | 南通山口精工机电有限公司 | 基于计算机视觉的微型轴承用球表面缺陷检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5675419A (en) * | 1991-10-01 | 1997-10-07 | Van Den Bergh; Herman | Scattered/transmitted light information system |
CN101702234A (zh) * | 2009-11-03 | 2010-05-05 | 上海大学 | 多目摄像机视频人脸最佳视角的选择方法 |
CN101984346A (zh) * | 2010-10-19 | 2011-03-09 | 浙江大学 | 基于低通滤波的水果表面缺陷检测方法 |
CN102788806A (zh) * | 2012-07-19 | 2012-11-21 | 北京农业智能装备技术研究中心 | 基于类球形亮度变换的水果表面缺陷检测方法 |
CN102854192A (zh) * | 2012-08-22 | 2013-01-02 | 北京农业智能装备技术研究中心 | 一种苹果表面缺陷检测***和方法 |
CN102890092A (zh) * | 2012-10-12 | 2013-01-23 | 浙江大学 | 用于水蜜桃褐腐病缺陷检测的特征角余弦值方法 |
-
2013
- 2013-02-27 CN CN201310061313.3A patent/CN103149214B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5675419A (en) * | 1991-10-01 | 1997-10-07 | Van Den Bergh; Herman | Scattered/transmitted light information system |
CN101702234A (zh) * | 2009-11-03 | 2010-05-05 | 上海大学 | 多目摄像机视频人脸最佳视角的选择方法 |
CN101984346A (zh) * | 2010-10-19 | 2011-03-09 | 浙江大学 | 基于低通滤波的水果表面缺陷检测方法 |
CN102788806A (zh) * | 2012-07-19 | 2012-11-21 | 北京农业智能装备技术研究中心 | 基于类球形亮度变换的水果表面缺陷检测方法 |
CN102854192A (zh) * | 2012-08-22 | 2013-01-02 | 北京农业智能装备技术研究中心 | 一种苹果表面缺陷检测***和方法 |
CN102890092A (zh) * | 2012-10-12 | 2013-01-23 | 浙江大学 | 用于水蜜桃褐腐病缺陷检测的特征角余弦值方法 |
Non-Patent Citations (7)
Title |
---|
PANLI HE: "Fruit Surface Defects Detection and Classification Based on Attention Model", 《JOURNAL OF COMPUTATIONAL INTERNATIONAL SYSTEM》 * |
PANLI HE: "Fruit Surface Defects Detection and Classification Based on Attention Model", 《JOURNAL OF COMPUTATIONAL INTERNATIONAL SYSTEM》, no. 10, 15 May 2012 (2012-05-15), pages 4233 - 4240 * |
刘禾 等: "基于数字图像处理的苹果表面缺陷分类方法", 《农业工程学报》 * |
宋凯 等: "基于YCbCr色彩空间的玉米叶部病斑的图像分割", 《农业工程学报》 * |
崔永杰 等: "猕猴桃分级果实表面缺陷的检测方法", 《农机化研究》 * |
王书志 等: "四种成像技术在水果表面缺陷检测的应用", 《中国农机化》 * |
祁广利 等: "机器人视觉的苹果无损检测技术", 《陕西农业科学》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105044128A (zh) * | 2015-07-14 | 2015-11-11 | 浙江大学 | 基于光照背景差影法的水果表面缺陷检测方法 |
CN105044128B (zh) * | 2015-07-14 | 2017-09-01 | 浙江大学 | 基于光照背景差影法的水果表面缺陷检测方法 |
CN107991307A (zh) * | 2017-08-28 | 2018-05-04 | 中国人民解放军总后勤部油料研究所 | 一种软质材料表面裂纹自动检测装置及方法 |
CN107991307B (zh) * | 2017-08-28 | 2020-04-28 | 中国人民解放军总后勤部油料研究所 | 一种软质材料表面裂纹自动检测装置及方法 |
CN109060842A (zh) * | 2018-08-14 | 2018-12-21 | 西南大学 | 基于曲面拟合校正的柑橘表面缺陷检测方法、计算机程序 |
CN110856849A (zh) * | 2018-08-24 | 2020-03-03 | 东莞中科蓝海智能视觉科技有限公司 | 一种汽车配件的自动化检测方法及装置 |
CN109682820A (zh) * | 2018-11-05 | 2019-04-26 | 苏州佳智彩光电科技有限公司 | 一种显示屏的缺陷自动光学检测方法 |
CN110378327A (zh) * | 2019-07-09 | 2019-10-25 | 浙江大学 | 添加辅助性显著特征的目标检测装置及方法 |
CN110378327B (zh) * | 2019-07-09 | 2021-05-18 | 浙江大学 | 添加辅助性显著特征的目标检测装置及方法 |
CN112903703A (zh) * | 2021-01-27 | 2021-06-04 | 广东职业技术学院 | 一种基于图像处理的陶瓷表面缺陷检测方法及*** |
CN113177925A (zh) * | 2021-05-11 | 2021-07-27 | 昆明理工大学 | 一种无损检测水果表面缺陷的方法 |
CN115082482A (zh) * | 2022-08-23 | 2022-09-20 | 山东优奭趸泵业科技有限公司 | 一种金属表面缺陷检测方法 |
CN115082482B (zh) * | 2022-08-23 | 2022-11-22 | 山东优奭趸泵业科技有限公司 | 一种金属表面缺陷检测方法 |
CN118115503A (zh) * | 2024-04-30 | 2024-05-31 | 南通山口精工机电有限公司 | 基于计算机视觉的微型轴承用球表面缺陷检测方法 |
CN118115503B (zh) * | 2024-04-30 | 2024-07-05 | 南通山口精工机电有限公司 | 基于计算机视觉的微型轴承用球表面缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103149214B (zh) | 2015-04-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103149214B (zh) | 水果表面缺陷检测方法 | |
CN104715239B (zh) | 一种基于去雾处理和权重分块的车辆颜色识别方法 | |
WO2017092431A1 (zh) | 基于肤色的人手检测方法及装置 | |
CN110599552B (zh) | 一种基于计算机视觉的pH试纸检测方法 | |
CN105046700B (zh) | 基于亮度校正与颜色分类的水果表面缺陷检测方法及*** | |
CN109785316A (zh) | 一种芯片表观缺陷检测方法 | |
CN108229458A (zh) | 一种基于运动检测和多特征提取的火焰智能识别方法 | |
CN104851085B (zh) | 自动获取图像中检测区的方法及*** | |
CN108985170A (zh) | 基于三帧差分法及深度学习的输电线路悬挂物识别方法 | |
CN104574389A (zh) | 基于彩色机器视觉的电池片色差分选控制方法 | |
CN102521564A (zh) | 基于颜色和形状识别茶叶的方法 | |
CN105424709A (zh) | 一种基于图像标记的水果表面缺陷检测方法 | |
Duan et al. | A WBC segmentation methord based on HSI color space | |
Zang et al. | Traffic sign detection based on cascaded convolutional neural networks | |
CN109166111B (zh) | 一种电子墨水屏缺陷检测方法及*** | |
CN102194108A (zh) | 一种聚类线性鉴别分析特征选择的笑脸表情识别方法 | |
CN105205437B (zh) | 基于头部轮廓验证的侧脸检测方法及装置 | |
CN106355180B (zh) | 一种基于颜色与边缘特征相结合的车牌定位方法 | |
CN106096667A (zh) | 基于svm的票据图像分类方法 | |
CN103679146A (zh) | 基于高通滤波器和Hough变换的安全带智能检测方法 | |
CN106228157A (zh) | 基于图像识别技术的彩色图像文字段落分割与识别方法 | |
Feng et al. | A separating method of adjacent apples based on machine vision and chain code information | |
CN109658391A (zh) | 一种基于轮廓归并和凸包拟合的圆半径测量方法 | |
CN109284759A (zh) | 一种基于支持向量机(svm)的魔方颜色识别方法 | |
CN105092589B (zh) | 一种胶囊头缺陷检测方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150401 Termination date: 20210227 |
|
CF01 | Termination of patent right due to non-payment of annual fee |