CN105046700B - 基于亮度校正与颜色分类的水果表面缺陷检测方法及*** - Google Patents
基于亮度校正与颜色分类的水果表面缺陷检测方法及*** Download PDFInfo
- Publication number
- CN105046700B CN105046700B CN201510401682.1A CN201510401682A CN105046700B CN 105046700 B CN105046700 B CN 105046700B CN 201510401682 A CN201510401682 A CN 201510401682A CN 105046700 B CN105046700 B CN 105046700B
- Authority
- CN
- China
- Prior art keywords
- color
- region
- image
- pixel
- defects
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种基于亮度校正与颜色分类的水果表面缺陷检测方法及***,该方法包括:提取待检测水果的RGB图像中的R分量图像,对R分量图像进行亮度校正,使R分量图像的亮度均匀;将RGB图像进行HSI变换,获取RGB图像中每个像素点对应的HSI变换中的H值,并将H值与预设颜色的H值进行比较判断所述每个像素点的颜色;根据每个像素点的颜色分别与颜色对应的预设阈值进行判断,在亮度校正后的R分量图像中获取待确认的缺陷区域,并在R分量图像中将除待确认的缺陷区域以外的像素点的灰度值置零,通过进一步判断将待确认的缺陷区域中识别出的果梗/花萼区域的灰度值置零,最终获得水果表面的缺陷区域,提高了检测水果缺陷的准确度。
Description
技术领域
本发明涉及蔬菜水果检测领域,具体涉及一种基于亮度校正与颜色分类的水果表面缺陷检测方法及***。
背景技术
我国水果总产量居世界之首,其中苹果和梨的产量居世界第一。但目前我国水果的出口量占水果产量的比重较低,这主要是由于其产后处理技术比较落后,以苹果为例,苹果经销商仅对苹果大小做粗略的分级,而分级手段主要依靠人工进行分级,分级结果不够准确,同时随着劳动力成本的提高,人工分级的成本也会越来越高。利用机器视觉技术对苹果进行分级,不仅能降低人工成本,还能提高检测效率和检测精度。目前,利用机器视觉技术对水果(例如:苹果)的大小和颜色的检测已经比较成熟,并广泛地应用到实际生产当中。但对苹果表面缺陷的在线检测仍然是果品分选领域未有效解决的一个难点。
苹果表面缺陷无法在线检测的一个主要原因是由于苹果通常呈球体或椭球体,在苹果的边缘,光线的反射方向与相机的夹角很大,根据朗伯的光线反射定律,从相机方向看,苹果边缘区域的亮度较低,在采集的苹果图像中表现为边缘区域的灰度值较低,而苹果表面缺陷的显著特征是其通常具有较低的灰度值,这就导致了苹果图像中苹果的边缘区域与表面缺陷区域都具有较低的灰度特征,使得通过图像处理技术很难将二者区分开。同时由于苹果的果梗/花萼区域在图像中也表现为较低的灰度特征,这就进一步增加了苹果表面缺陷检测的难度,由于苹果表面为类球形的弯曲曲面,从而造成苹果图像中间区域与边缘区域亮度的不均匀分布,导致难以精确检测苹果图像中的表面缺陷信息。同时由于苹果表面深红色区域灰度值较低,导致深红色区域易被误检为缺陷区域。因此,现有并没有提出一种如何提高检测水果缺陷的准确度的方法。
发明内容
针对现有技术中的缺陷,本发明提供了一种基于亮度校正与颜色分类的水果表面缺陷检测方法及***,提高了检测水果缺陷的准确度。
第一方面,本发明提供一种基于亮度校正与颜色分类的水果表面缺陷检测方法,包括:
提取待检测水果的RGB图像中的R分量图像,对所述R分量图像进行亮度校正,使所述R分量图像的亮度均匀;
将所述RGB图像进行HSI变换,获取所述RGB图像中每个像素点对应的HSI变换中的H值,并将所述H值与预设颜色的H值进行比较判断所述每个像素点的颜色;
在亮度校正后的R分量图像中,根据所述RGB图像中每个像素点的颜色分别与该颜色对应的预设阈值进行判断,在亮度校正后的R图像中以获取待确认的缺陷区域;
在亮度校正后的R图像中将除所述待确认的缺陷区域以外的像素点的灰度值置零,并将所述待确认的缺陷区域中的果梗/花萼区域的灰度值置零,以获取水果表面的缺陷区域。
可选的,所述提取待检测水果的RGB图像中的R分量图像,对所述R分量图像进行亮度校正,使所述R分量图像的亮度均匀,包括:
提取待检测水果的RGB图像中的R分量图像,将所述R分量图像划分成边缘区域和中间区域;
利用校正函数降低所述中间区域的亮度,使所述R分量图像的亮度均匀。
可选的,所述将所述H值与预设颜色的H值进行比较判断所述每个像素点的颜色,包括:
当0°≤H≤20°时表示H值对应像素点属于第一颜色,当280°≤H<360°时表示H值对应像素点属于第二颜色,当所述H值既不属于第一颜色也不属于第二颜色的范围时,则属于第三颜色。
可选的,所述根据所述亮度校正后的R分量图像中每个像素点在RGB图像中对应的颜色分别与所述颜色对应的预设阈值进行判断,以获取亮度校正后的R分量图像中待确认的缺陷区域,包括:
在亮度校正后的R分量图像中,如果所述像素点在RGB图像中对应第一颜色,利用第一颜色对应的预设第一阈值与所述像素点进行比较判断其是否为待确认的缺陷区域,在亮度校正后的R分量图像中,如果所述像素点在RGB图像中对应第二颜色,利用第二颜色对应的预设第二阈值与所述像素点进行比较判断其是否为待确认的缺陷区域,在亮度校正后的R分量图像中,如果所述像素点在RGB图像中对应第三颜色,利用第三颜色对应的预设第三阈值与所述像素点进行比较判断其是否为待确认的缺陷区域。
可选的,所述将所述待确认的缺陷区域中的果梗/花萼区域的灰度值置零,以获取水果表面的缺陷区域,包括:
获取待检测水果的近红外图像,并根据所述近红外图像中的编码点阵结构光,识别并标记所述近红外图像中的果梗/花萼区域;
在所述亮度校正后的R分量图像中,获取与所述红外图像中位于相同位置的果梗/花萼区域,并将所述果梗/花萼区域的灰度值置零,进而在所述待确认的缺陷区域中获取水果表面的缺陷区域。
第二方面,本发明还提供了一种基于亮度校正与颜色分类的水果表面缺陷检测***,包括:
亮度校正模块,用于提取待检测水果的RGB图像中的R分量图像,对所述R分量图像进行亮度校正,使所述R分量图像的亮度均匀;
比较判断模块,用于将所述RGB图像进行HSI变换,获取所述RGB图像中每个像素点对应的HSI变换中的H值,并将所述H值与预设颜色的H值进行比较判断所述每个像素点的颜色;
第一获取模块,用于在亮度校正后的R分量图像中,根据所述RGB图像中每个像素点的颜色分别与该颜色对应的预设阈值进行判断,在亮度校正后的R图像中以获取待确认的缺陷区域;
第二获取模块,在亮度校正后R分量图像中将除所述待确认的缺陷区域以外的像素点的灰度值置零,并将所述待确认的缺陷区域中的果梗/花萼区域的灰度值置零,以获取水果表面的缺陷区域。
可选的,所述亮度校正模块,用于:
提取待检测水果的RGB图像中的R分量图像,将所述R分量图像划分成边缘区域和中间区域;
利用校正函数降低所述中间区域的亮度,使所述R分量图像的亮度均匀。
可选的,所述比较判断模块,用于:
当0°≤H≤20°时表示H值对应像素点属于第一颜色,当280°≤H<360°时表示H值对应像素点属于第二颜色,当所述H值既不属于第一颜色也不属于第二颜色的范围时,则属于第三颜色。
可选的,所述第一获取模块,用于:
在亮度校正后的R分量图像中,如果所述像素点在RGB图像中对应第一颜色,利用第一颜色对应的预设第一阈值与所述像素点进行比较判断其是否为待确认的缺陷区域,在亮度校正后的R分量图像中,如果所述像素点在RGB图像中对应第二颜色,利用第二颜色对应的预设第二阈值与所述像素点进行比较判断其是否为待确认的缺陷区域,在亮度校正后的R分量图像中,如果所述像素点在RGB图像中对应第三颜色,利用第三颜色对应的预设第三阈值与所述像素点进行比较判断其是否为待确认的缺陷区域。
可选的,所述第二获取模块,用于:
获取待检测水果的近红外图像,并根据所述近红外图像中的编码点阵结构光,识别并标记所述近红外图像中的果梗/花萼区域;
在所述亮度校正后的R分量图像中,获取与所述红外图像中位于相同位置的果梗/花萼区域,并将所述果梗/花萼区域的灰度值置零,进而在所述待确认的缺陷区域中获取水果表面的缺陷区域。
由上述技术方案可知,本发明提出了一种基于亮度校正与颜色分类的水果表面缺陷检测方法及***,采用一种逆向思路对苹果表面的亮度不均匀分布现象予以校正,并根据苹果表皮颜色特征确定缺陷分割阈值,通过在线检测验证,该方法的计算速度与检测精度满足在线检测的需求,已具备应用于实际生产中的条件,同时也提高了检测水果缺陷的准确度。
附图说明
图1为本发明一实施例提供的基于亮度校正与颜色分类的水果表面缺陷检测方法的流程示意图;
图2A和图2B为本发明一实施例提供的双CCD相机采集的苹果的RGB图像和近红外图像;
图3为本发明一实施例提供的利用近红外图像中的点阵结构光检测苹果果梗/花萼区域的效果图;
图4为本发明一实施例提供的20×20待校正苹果图像对应校正函数的三维效果图;
图5A和图5B为本发明一实施例提供的未进行亮度校正图像分割效果图;
图6A和图6B为本发明一实施例提供的亮度校正后进行颜色分类后分割效果图;
图7为本发明一实施例提供的基于亮度校正与颜色分类的水果表面缺陷检测***的结构示意图。
具体实施方式
下面结合附图,对发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
图1示出了本发明一实施例提供的基于亮度校正与颜色分类的水果表面缺陷检测方法的流程示意图,如图1所示,该方法包括如下步骤:
101、提取待检测水果的RGB图像中的R分量图像,对所述R分量图像进行亮度校正,使所述R分量图像的亮度均匀;
102、将所述RGB图像进行HSI变换,获取所述RGB图像中每个像素点对应的HSI变换中的H值,并将所述H值与预设颜色的H值进行比较判断所述每个像素点的颜色;
103、在亮度校正后R分量图像中,根据所述RGB图像中每个像素点的颜色分别与该颜色对应的预设阈值进行判断,在亮度校正后的R分量图像中以获取待确认的缺陷区域;
104、在亮度校正后R分量图像中将除所述待确认的缺陷区域以外的像素点的灰度值置零,并将所述待确认的缺陷区域中的果梗/花萼区域的灰度值置零,以获取水果表面的缺陷区域。
上述方法采用一种逆向思路对苹果表面的亮度不均匀分布现象予以校正(也就通过降低中间区域的亮度),并根据苹果表皮颜色特征确定缺陷分割阈值,通过在线检测验证,该方法的计算速度与检测精度满足在线检测的需求,已具备应用于实际生产中的条件,同时也提高了检测水果缺陷的准确度。
下面结合具体的实施例,对上述方法进行详细说明,需要说明的是,本实施例中均以代表性的水果苹果进行说明,但是本实施例并不限定只对苹果这一种水果缺陷进行检测,其他水果也适用。
可见/近红外双CCD工业相机可以同时采集近红外图像和RGB图像,其采集效果如图2A和图2B所示。通过对近红外图像中苹果表面点阵结构光光斑的分析,可以确定苹果图像中果梗/花萼区域的位置,其检测效果如图3所示。在确定苹果图像中果梗/花萼区域的位置后,可以通过对RGB图像的分析进一步确定图像中是否存在缺陷区域。
苹果为类球形水果,表面存在较大的曲率变化。根据朗伯反射原理,球面上任意一点的亮度与该点法向量和该点与光源连线间的角度θ的余弦成正比。在苹果在线分选过程中,光源对称安装于苹果的侧上方,固定相机于苹果的正上方,因此相机所获得的图像中苹果表面各点亮度差异主要由夹角θ决定。因为苹果边缘区域反射光线与法向量的夹角大于中间区域的夹角,所以苹果表面的亮度显示为中间区域较亮而边缘区域较暗。由于图像中的缺陷区域也较暗,这就导致检测过程中边缘正常区域和中部缺陷区域容易混淆而造成误分割。
通常矫正苹果表面亮度的思路是增强苹果图像中亮度值较低的边缘区域,实现苹果图像中所有区域的亮度均匀一致。本研究采用一种逆向思路,即降低图像中间区域的亮度,从而实现整张图像亮度的均匀分布。令校正函数为:
其中C为常数,a=width/2,b=height/2,width与height分别为图像的宽度和高度,假设有20×20的待校正苹果图像,其对应的F(x,y)的三维图像如图4所示。
提取RGB图像中的R分量图像作为待校正的苹果图像,通过将待校正的苹果图像与校正函数相乘后得到校正图像,即:
I'R(x,y)=IR(x,y)×F(x,y) (2)
其中IR(x,y)表示待校正图像在(x,y)处的灰度值,I'R(x,y)表示校正图像在(x,y)处的灰度值。
本发明所述的检测方法包括以下步骤:
S1,提取待检测水果的RGB图像中的R分量图像,将所述R分量图像划分成边缘区域和中间区域,利用校正函数降低所述中间区域的亮度,使整幅R分量图像的亮度均匀。图5A和图5B与图6A和图6B分别是亮度校正前后对R分量图像进行图像分割的效果图。
S2,将RGB苹果图像进行HSI变换,利用每个像素点对应的HSI变换中的H值,判断该像素点属于第一颜色(浅红色),第二颜色(深红色)以及第三颜色(其他颜色)这三种情况中的哪一类颜色。当0°≤H≤20°时表示H值对应像素点属于第一颜色,当280°≤H<360°时表示H值对应像素点属于第二颜色,当所述H值既不属于第一颜色也不属于第二颜色的范围时,则属于第三颜色。在亮度校正后的R分量图像中,如果所述像素点在RGB图像中对应第一颜色,利用第一颜色对应的预设第一阈值与所述像素点进行比较判断其是否为待确认的缺陷区域,在亮度校正后的R分量图像中,如果所述像素点在RGB图像中对应第二颜色,利用第二颜色对应的预设第二阈值与所述像素点进行比较判断其是否为待确认的缺陷区域,在亮度校正后的R分量图像中,如果所述像素点在RGB图像中对应第三颜色,利用第三颜色对应的预设第三阈值与所述像素点进行比较判断其是否为待确认的缺陷区域。在实际应用中,如果苹果果皮的颜色呈深红色,则深红色区域可能会被误判为缺陷区域。因此采用多阈值的图像分割方法,即对于每一个像素点,首先计算其HSI变换中的H值,如果280°≤H<360°,表示该像素点为深红色,在亮度校正后的R分量图像中采用第一阈值T1判断其是否为正常果皮;如果0°≤H≤20°,表示该像素点为浅红色,在亮度校正后R分量图像中采用第二阈值T2判断其是否为正常果皮,如果H值为其它数值,则在亮度校正后的R分量图像中采用第三阈值T3判断该像素点是否为正常果皮。
S3,针对S2中三种情况,采用三个不同的阈值进行图像分割,提取出苹果图像中灰度值较低的感兴趣区域,并将背景的灰度值置0。
S4,获取待检测水果的近红外图像,并根据所述近红外图像中的编码点阵结构光,识别并标记所述近红外图像中的果梗/花萼区域;
在所述亮度校正后的R分量图像中,获取与所述红外图像中位于相同位置的果梗/花萼区域,并将所述果梗/花萼区域的灰度值置零,进而在所述待确认的缺陷区域中获取水果表面的缺陷区域。
根据苹果近红外图像中的编码点阵结构光,识别并标记苹果图像中的果梗/花萼区域,其效果如图3所示。通过以上步骤,可以分割出苹果图像中灰度值较低的待确认缺陷区域,获得的待确认缺陷区域可能为缺陷区域,也可能为果梗/花萼区域。
S5,由于通过近红外编码点阵结构光方法识别出苹果图像中的果梗/花萼区域的位置,所以将果梗/花萼区域与分割出的待确认缺陷区域进行对比,即可最终确定苹果图像中表面缺陷的有无。根据近红外图像中检测出的果梗/花萼区域的位置,将RGB图像中相应位置区域的灰度值置0。如果待确认缺陷区域内的像素值被置0,该区域非零灰度值表示的面积会发生变化,进而该区域可被判定为果梗/花萼区域予以排除,而面积未发生变化的待确认缺陷区域被判定为苹果表面的缺陷区域。
为了进一步测试本方法的有效性,我们对110个富士苹果在检测***上进行了测试,本发明提出方法的检测正确率高达90.9%,对于尺寸约为200×200的苹果图像进行亮度校正,平均耗时小于1毫秒。
图7示出了本发明一实施例提供的一种基于亮度校正与颜色分类的水果表面缺陷检测***的结构示意图,如图7所示,该***包括:
亮度校正模块71,用于提取待检测水果的RGB图像中的R分量图像,对所述R分量图像进行亮度校正,使所述R分量图像的亮度均匀;
比较判断模块72,用于将所述RGB图像进行HSI变换,获取所述RGB图像中每个像素点对应的HSI变换中的H值,并将所述H值与预设颜色的H值进行比较判断所述每个像素点的颜色;
第一获取模块73,用于在亮度校正后的R分量图像中,根据所述RGB图像中每个像素点的颜色分别与所述颜色对应的预设阈值进行判断,在亮度校正后的R图像中以获取待确认的缺陷区域;
第二获取模块74,在亮度校正后R分量图像中将除所述待确认的缺陷区域以外的像素点的灰度值置零,并将所述待确认的缺陷区域中的果梗/花萼区域的灰度值置零,以获取水果表面的缺陷区域。
在本实施例的一个优选的实施例中,所述亮度校正模块71,用于:
提取待检测水果的RGB图像中的R分量图像,将所述R分量图像划分成边缘区域和中间区域;
利用校正函数降低所述中间区域的亮度,使所述R分量图像的亮度均匀。
在本实施例的一个优选的实施例中,所述比较判断模块72,用于:
当0°≤H≤20°时表示H值对应像素点属于第一颜色,当280°≤H<360°时表示H值对应像素点属于第二颜色,当所述H值既不属于第一颜色也不属于第二颜色的范围时,则属于第三颜色。
在本实施例的一个优选的实施例中,所述第一获取模块73,用于:
在亮度校正后的R分量图像中,如果所述像素点在RGB图像中对应第一颜色,利用第一颜色对应的预设第一阈值与所述像素点进行比较判断其是否为待确认的缺陷区域,在亮度校正后的R分量图像中,如果所述像素点在RGB图像中对应第二颜色,利用第二颜色对应的预设第二阈值与所述像素点进行比较判断其是否为待确认的缺陷区域,在亮度校正后的R分量图像中,如果所述像素点在RGB图像中对应第三颜色,利用第三颜色对应的预设第三阈值与所述像素点进行比较判断其是否为待确认的缺陷区域。
在本实施例的一个优选的实施例中,所述第二获取模块74,用于:
获取待检测水果的近红外图像,并根据所述近红外图像中的编码点阵结构光,识别并标记所述近红外图像中的果梗/花萼区域;
在所述亮度校正后的R分量图像中,获取与所述红外图像中位于相同位置的果梗/花萼区域,并将所述果梗/花萼区域的灰度值置零,进而在所述待确认的缺陷区域中获取水果表面的缺陷区域。
以上所述各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (6)
1.一种基于亮度校正与颜色分类的水果表面缺陷检测方法,其特征在于,包括:
提取待检测水果的RGB图像中的R分量图像,对所述R分量图像进行亮度校正,使所述R分量图像的亮度均匀;
将所述RGB图像进行HSI变换,获取所述RGB图像中每个像素点对应的HSI变换中的H值,并将所述H值与预设颜色的H值进行比较判断所述每个像素点的颜色;
在亮度校正后的R分量图像中,根据所述RGB图像中每个像素点的颜色分别与该颜色对应的预设阈值进行判断,在亮度校正后的R图像中以获取待确认的缺陷区域;
在亮度校正后的R图像中将除所述待确认的缺陷区域以外的像素点的灰度值置零,并将所述待确认的缺陷区域中的果梗/花萼区域的灰度值置零,以获取水果表面的缺陷区域;
所述将所述H值与预设颜色的H值进行比较判断所述每个像素点的颜色,包括:
当0°≤H≤20°时表示H值对应像素点属于第一颜色,当280°≤H<360°时表示H值对应像素点属于第二颜色,当所述H值既不属于第一颜色也不属于第二颜色的范围时,则属于第三颜色;
所述在亮度校正后的R分量图像中,根据所述RGB图像中每个像素点的颜色分别与该颜色对应的预设阈值进行判断,在亮度校正后的R图像中以获取待确认的缺陷区域,包括:
在亮度校正后的R分量图像中,如果所述像素点在RGB图像中对应第一颜色,利用第一颜色对应的预设第一阈值与所述像素点进行比较判断其是否为待确认的缺陷区域,在亮度校正后的R分量图像中,如果所述像素点在RGB图像中对应第二颜色,利用第二颜色对应的预设第二阈值与所述像素点进行比较判断其是否为待确认的缺陷区域,在亮度校正后的R分量图像中,如果所述像素点在RGB图像中对应第三颜色,利用第三颜色对应的预设第三阈值与所述像素点进行比较判断其是否为待确认的缺陷区域。
2.根据权利要求1所述的方法,其特征在于,所述提取待检测水果的RGB图像中的R分量图像,对所述R分量图像进行亮度校正,使所述R分量图像的亮度均匀,包括:
提取待检测水果的RGB图像中的R分量图像,将所述R分量图像划分成边缘区域和中间区域;
利用校正函数降低所述中间区域的亮度,使所述R分量图像的亮度均匀。
3.根据权利要求1所述的方法,其特征在于,所述将所述待确认的缺陷区域中的果梗/花萼区域的灰度值置零,以获取水果表面的缺陷区域,包括:
获取待检测水果的近红外图像,并根据所述近红外图像中的编码点阵结构光,识别并标记所述近红外图像中的果梗/花萼区域;
在所述亮度校正后的R分量图像中,获取与所述红外图像中位于相同位置的果梗/花萼区域,并将所述果梗/花萼区域的灰度值置零,进而在所述待确认的缺陷区域中获取水果表面的缺陷区域。
4.一种基于亮度校正与颜色分类的水果表面缺陷检测***,其特征在于,包括:
亮度校正模块,用于提取待检测水果的RGB图像中的R分量图像,对所述R分量图像进行亮度校正,使所述R分量图像的亮度均匀;
比较判断模块,用于将所述RGB图像进行HSI变换,获取所述RGB图像中每个像素点对应的HSI变换中的H值,并将所述H值与预设颜色的H值进行比较判断所述每个像素点的颜色;
第一获取模块,用于在亮度校正后的R分量图像中,根据所述RGB图像中每个像素点的颜色分别与该颜色对应的预设阈值进行判断,在亮度校正后的R图像中以获取待确认的缺陷区域;
第二获取模块,在亮度校正后R分量图像中将除所述待确认的缺陷区域以外的像素点的灰度值置零,并将所述待确认的缺陷区域中的果梗/花萼区域的灰度值置零,以获取水果表面的缺陷区域;
其中,所述比较判断模块,用于:
当0°≤H≤20°时表示H值对应像素点属于第一颜色,当280°≤H<360°时表示H值对应像素点属于第二颜色,当所述H值既不属于第一颜色也不属于第二颜色的范围时,则属于第三颜色;
其中,所述第一获取模块,用于:
在亮度校正后的R分量图像中,如果所述像素点在RGB图像中对应第一颜色,利用第一颜色对应的预设第一阈值与所述像素点进行比较判断其是否为待确认的缺陷区域,在亮度校正后的R分量图像中,如果所述像素点在RGB图像中对应第二颜色,利用第二颜色对应的预设第二阈值与所述像素点进行比较判断其是否为待确认的缺陷区域,在亮度校正后的R分量图像中,如果所述像素点在RGB图像中对应第三颜色,利用第三颜色对应的预设第三阈值与所述像素点进行比较判断其是否为待确认的缺陷区域。
5.根据权利要求4所述的***,其特征在于,所述亮度校正模块,用于:
提取待检测水果的RGB图像中的R分量图像,将所述R分量图像划分成边缘区域和中间区域;
利用校正函数降低所述中间区域的亮度,使所述R分量图像的亮度均匀。
6.根据权利要求4所述的***,其特征在于,所述第二获取模块,用于:
获取待检测水果的近红外图像,并根据所述近红外图像中的编码点阵结构光,识别并标记所述近红外图像中的果梗/花萼区域;
在所述亮度校正后的R分量图像中,获取与所述红外图像中位于相同位置的果梗/花萼区域,并将所述果梗/花萼区域的灰度值置零,进而在所述待确认的缺陷区域中获取水果表面的缺陷区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510401682.1A CN105046700B (zh) | 2015-07-09 | 2015-07-09 | 基于亮度校正与颜色分类的水果表面缺陷检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510401682.1A CN105046700B (zh) | 2015-07-09 | 2015-07-09 | 基于亮度校正与颜色分类的水果表面缺陷检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105046700A CN105046700A (zh) | 2015-11-11 |
CN105046700B true CN105046700B (zh) | 2018-03-09 |
Family
ID=54453218
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510401682.1A Active CN105046700B (zh) | 2015-07-09 | 2015-07-09 | 基于亮度校正与颜色分类的水果表面缺陷检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105046700B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106442561B (zh) * | 2016-08-29 | 2023-10-31 | 北京农业智能装备技术研究中心 | 用于检测柑橘表皮缺陷的在线图像采集***及方法 |
CN106297653B (zh) * | 2016-10-28 | 2018-08-31 | 重庆工商职业学院 | 一种基于图像处理的led屏像素点亮度校正方法及其*** |
CN106645179A (zh) * | 2017-01-24 | 2017-05-10 | 湖北商贸学院 | 一种工件缺陷自动检测***及方法 |
CN108489989B (zh) * | 2018-03-28 | 2021-07-13 | 苏州巨能图像检测技术有限公司 | 基于多相机拼接成像检测的光伏组件双面外观检测仪 |
CN108508022B (zh) * | 2018-03-28 | 2021-07-13 | 苏州巨能图像检测技术有限公司 | 多相机拼接成像检测方法 |
CN108596909A (zh) * | 2018-05-09 | 2018-09-28 | 芜湖哈特机器人产业技术研究院有限公司 | 空心圆柱工件表面缺陷检测***及方法 |
CN108986076A (zh) * | 2018-06-15 | 2018-12-11 | 重庆大学 | 一种基于pso优化pcnn的光伏阵列热斑检测方法 |
CN109060842B (zh) * | 2018-08-14 | 2020-12-29 | 西南大学 | 基于曲面拟合校正的柑橘表面缺陷检测方法 |
CN110944111B (zh) * | 2019-10-27 | 2020-09-08 | 云南能投信息产业开发有限公司 | 基于通道检测的大数据分析平台、方法及存储介质 |
CN113052177B (zh) * | 2019-12-26 | 2022-08-23 | 合肥美亚光电技术股份有限公司 | 大蒜的疤识别方法、装置及分选设备 |
CN113128249B (zh) * | 2019-12-26 | 2022-08-23 | 合肥美亚光电技术股份有限公司 | 大蒜的疤识别方法、***及分选设备 |
CN113051992B (zh) * | 2020-11-16 | 2022-01-18 | 山东米捷软件有限公司 | 应用透明卡槽的匀速辨识*** |
CN113177925B (zh) * | 2021-05-11 | 2022-11-11 | 昆明理工大学 | 一种无损检测水果表面缺陷的方法 |
CN113870233B (zh) * | 2021-09-30 | 2022-07-15 | 常州市宏发纵横新材料科技股份有限公司 | 一种捆绑纱检测方法、计算机设备及存储介质 |
CN114749383A (zh) * | 2022-03-18 | 2022-07-15 | 海南思沃家电子商务有限公司 | 一种基于互联网平台的热带农产品筛选装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5845002A (en) * | 1994-11-03 | 1998-12-01 | Sunkist Growers, Inc. | Method and apparatus for detecting surface features of translucent objects |
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 |
-
2015
- 2015-07-09 CN CN201510401682.1A patent/CN105046700B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5845002A (en) * | 1994-11-03 | 1998-12-01 | Sunkist Growers, Inc. | Method and apparatus for detecting surface features of translucent objects |
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 |
Non-Patent Citations (3)
Title |
---|
Apple defect detection using statistical histogram based EM algorithm;Ghobad Moradi et al;《American Journal of Signal Processing》;20121231;第2卷(第2期);10-14 * |
基于DSP机器视觉的水果分级***;高林杰;《中国优秀硕士学位论文全文数据库信息科技辑》;20111115(第11期);第三章 * |
基于类球形亮度变换的水果表面缺陷提取;黄文倩 等;《农业机械学报》;20121231;第43卷(第12期);对比文件1摘要,第2,3节,图6 * |
Also Published As
Publication number | Publication date |
---|---|
CN105046700A (zh) | 2015-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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*** | |
CN106568783B (zh) | 一种五金零件缺陷检测***及方法 | |
CN104990925B (zh) | 一种基于梯度多阈值优化缺陷检测方法 | |
CN104504388B (zh) | 一种路面裂缝识别和特征提取算法及*** | |
CN109472822A (zh) | 基于深度图像处理的物体尺寸测量方法 | |
CN107607554A (zh) | 一种基于全卷积神经网络的镀锌冲压件的瑕疵检测与分类方法 | |
CN108491788A (zh) | 一种用于财务报表单元格的智能提取方法及装置 | |
CN109859181A (zh) | 一种pcb焊点缺陷检测方法 | |
CN109376792A (zh) | 基于多通道残差神经网络的光伏电池外观缺陷分类方法 | |
CN104537651B (zh) | 一种路面图像中裂缝比例检测方法及*** | |
CN108596880A (zh) | 基于图像处理的焊接缺陷特征提取与焊接质量分析方法 | |
CN104574389A (zh) | 基于彩色机器视觉的电池片色差分选控制方法 | |
CN104766097B (zh) | 基于bp神经网络和支持向量机的铝板表面缺陷分类方法 | |
CN107694962A (zh) | 一种基于机器视觉与bp神经网络的水果自动分拣方法 | |
CN102974551A (zh) | 一种基于机器视觉的多晶硅太阳能检测分选的方法 | |
CN103177259A (zh) | 色块识别方法及装置 | |
CN103593670A (zh) | 一种基于在线序列极限学习机的铜板带表面缺陷检测方法 | |
CN113109348B (zh) | 一种基于机器视觉的桨影移印缺陷识别方法 | |
CN116228772B (zh) | 一种生鲜食品变质区域快速检测方法及*** | |
CN104198497A (zh) | 一种基于视觉显著图和支持向量机的表面缺陷检测方法 | |
CN105738294A (zh) | 基于单目多视成像的穗状水果自动检测装置及方法 | |
CN107490582A (zh) | 一种流水线工件检测*** | |
CN104700417A (zh) | 木材节子瑕疵的计算机图像自动识别方法 | |
CN109215009A (zh) | 基于深度卷积神经网络的连铸坯表面图像缺陷检测方法 | |
CN106872473A (zh) | 一种基于机器视觉的马铃薯缺陷检测识别***设计 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |