CN112686885B - 一种水果表皮缺陷检测方法及*** - Google Patents
一种水果表皮缺陷检测方法及*** Download PDFInfo
- Publication number
- CN112686885B CN112686885B CN202110044367.3A CN202110044367A CN112686885B CN 112686885 B CN112686885 B CN 112686885B CN 202110044367 A CN202110044367 A CN 202110044367A CN 112686885 B CN112686885 B CN 112686885B
- Authority
- CN
- China
- Prior art keywords
- fruit
- image
- defect
- calyx
- area
- 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
- 235000013399 edible fruits Nutrition 0.000 title claims abstract description 410
- 230000007547 defect Effects 0.000 title claims abstract description 236
- 210000002615 epidermis Anatomy 0.000 title claims abstract description 91
- 238000001514 detection method Methods 0.000 title claims abstract description 78
- 241001164374 Calyx Species 0.000 claims abstract description 128
- 230000011218 segmentation Effects 0.000 claims abstract description 81
- 238000000034 method Methods 0.000 claims description 51
- 238000012545 processing Methods 0.000 claims description 46
- 210000003491 skin Anatomy 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000010191 image analysis Methods 0.000 abstract description 11
- 241000220225 Malus Species 0.000 description 50
- 235000021016 apples Nutrition 0.000 description 19
- 230000002950 deficient Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000005286 illumination Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000000701 chemical imaging Methods 0.000 description 3
- 239000011248 coating agent Substances 0.000 description 3
- 238000000576 coating method Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000031700 light absorption Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 244000018633 Prunus armeniaca Species 0.000 description 1
- 235000009827 Prunus armeniaca Nutrition 0.000 description 1
- 241000220324 Pyrus Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000009347 mechanical transmission Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 235000021017 pears Nutrition 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提供一种水果表皮缺陷检测方法及***，包括：获取目标水果的缺陷候选区域分割图像；获取目标水果的果梗花萼区域图像；根据缺陷候选区域分割图像中的缺陷区域数量与果梗花萼区域图像中的果梗花萼区域数量，确定目标水果的表皮缺陷状态。本发明提供的水果表皮缺陷检测方法及***，通过对待测水果的RGB图像分析获取缺陷区域数量，并通过待测水果的深度图像分析获取果梗花萼区域数量，进而实现目标水果表皮缺陷区域检测，能准确的解决在机器视觉检测时无法区分苹果缺陷区域和果梗花萼区域的缺陷，有效地提高了表皮缺陷检测的精度。
Description
技术领域
本发明涉及智能检测技术领域，尤其涉及一种水果表皮缺陷检测方法及***。
背景技术
水果有其自身的营养特点,是人类食物结构中的一个重要组成部分。但在苹果储藏或运输的过程中，一个缺陷果的存在可能引起整批水果被感染，因而造成巨大的经济损失。因此，检测表皮缺陷苹果是非常有必要的。
高光谱成像***具有分光精度高的特点，能够获得不同波长下非常精细的光谱图像信息，现有技术中利用高光谱成像和分段主成分分析方法对苹果轻微损伤检测进行研究，在确定有效识别光谱区域后，进一步结合主成分分析权值系数，确定检测苹果早期损伤的有效波长，对轻微损伤的整体检测精度达到较高的程度，但基于高光谱成像***的水果表面缺陷检测仍处于基础研究阶段，还没有实际成熟的商业应用。
果梗、花萼是水果的一部分，苹果的果梗、花萼一般呈现出凹陷特征，根据光线传播机理，在水果品质检测过程中，机器视觉***采集到的水果图像里，果梗、花萼呈现出较低的亮度特点。而常见的缺陷也呈现出低亮度特点，因此机器视觉***在检测水果缺陷时经常把果梗、花萼误判为缺陷，因此对于水果来讲，尤其是苹果来讲，基于表面缺陷的自动化检测、分选还不能实现。所以，果梗、花萼的识别一直是苹果外观品质检测中的难点。
目前也有利用机械传输装置，使苹果的果梗/花萼不在相机的视场内，但该方法效率低，也无法保证所有苹果的果梗/花萼都按规定姿态转运；或者，利用一组近红外条纹结构光检测果梗/花萼的位置，由于未采用有效的结构光编码方法，识别正确率并不高；或者，通过Shape from shading方法获取苹果表面三维信息，从而实现果梗/花萼的识别，但该方法易受光照变化的影响，也无法实时准确检测。
发明内容
机器视觉***在检测水果缺陷时经常把果梗、花萼误判为缺陷，导致水果误分类。针对现有技术存在的在水果表皮缺陷检测时，无法实现在苹果缺陷区域中区别出果梗花萼区域的缺陷，本发明实施例基于RGB-D相机提供一种价格低并具有在线应用潜力的水果表皮缺陷检测方法及***。
本发明提供一种水果表皮缺陷检测方法，包括：获取目标水果的缺陷候选区域分割图像；获取所述目标水果的果梗花萼区域图像；根据所述缺陷候选区域分割图像中的缺陷区域数量与所述果梗花萼区域图像中的果梗花萼区域数量，确定所述目标水果的表皮缺陷状态。
根据本发明提供的一种水果表皮缺陷检测方法，所述获取目标水果的缺陷候选区域分割图像，包括：获取目标水果的RGB图像；对RGB图像的R通道灰度图像进行背景分割处理，获取去除背景的水果灰度图像；对水果灰度图像进行缺陷候选区域分割，获取缺陷候选区域分割图像。
根据本发明提供的一种水果表皮缺陷检测方法，所述对所述RGB图像的R通道灰度图像进行背景分割处理，获取去除背景的水果灰度图像，包括：对R通道灰度图像进行阈值分割处理，获取第一二值图像；对第一二值图进行取反处理，并删除第一二值图像中的小于第一预设像素的小区间，获取第二二值图像；将第二二值图像与R通道灰度图像进行点乘，获取去除背景的水果灰度图像。
根据本发明提供的一种水果表皮缺陷检测方法，所述对水果灰度图像进行缺陷候选区域分割，获取所述缺陷候选区域分割图像，包括：对水果灰度图像进行伪彩色变换处理，获取第一伪彩图像；获取第一伪彩图像的B通道灰度图像；对B通道灰度图像进行阈值分割，获取缺陷候选区域分割图像。
根据本发明提供的一种水果表皮缺陷检测方法，所述获取所述目标水果的果梗花萼区域图像，包括：获取目标水果的深度图像；对深度图像进行背景分割处理，获取去除背景的水果深度图像；对水果深度图像进行果梗花萼区域分割，获取果梗花萼区域图像。
根据本发明提供的一种水果表皮缺陷检测方法，所述对所述深度图像进行背景分割处理，获取去除背景的水果深度图像，包括：对深度图像进行阈值分割处理，获取第三二值图像；对第三二值图像进行取反处理，并删除第三二值图像中的小于第二预设像素的小区间，获取第四二值图像；将第四二值图像与所述深度图像进行点乘，获取去除背景的水果深度图像。
根据本发明提供的一种水果表皮缺陷检测方法，所述对所述水果深度图像进行果梗花萼区域分割，获取所述果梗花萼区域图像，包括：确定水果深度图像对应的二值图像的边缘，并获取边缘各像素点的像素坐标；计算边缘各像素点的像素坐标的平均值，以确定水果质心坐标；分别计算水果质心坐标与所述边缘各像素点之间的距离，并将距离中的最大值作为水果深度图像的最小外接球的半径；获取水果深度图像对应的二值图像中各像素点为1的所有像素点的像素坐标，并从中确定最小外接球的表面区域上各像素点的像素坐标；计算水果质心坐标与最小外接球的表面区域上各像素点的像素坐标之间的距离；根据最小外接球的半径和最小外接球的表面区域上各像素点的像素坐标之间的距离，确定所最小外接球的表面区域上各像素点的相对高度；获取最小外接球的表面区域上各像素点的相对高度与深度相机距离背景区域的高度平均值，确定水果深度图像的背景高度；根据水果深度图像中各像素点的深度信息与所述背景高度的差值，确定水果深度图像中各像素点的相对高度；计算水果深度图像中各像素点的相对高度与最小外接球的表面区域上各像素点的相对高度，以获取高度差异灰度图；对高度差异灰度图进行伪彩色变换处理，获取第二伪彩图像；获取第二伪彩图像的R通道灰度图像和G通道灰度图像；获取R通道灰度图像和G通道灰度图像的差值图像，作为果梗花萼区域图像。
根据本发明提供的一种水果表皮缺陷检测方法，所述根据所述缺陷候选区域分割图像中的缺陷区域数量与所述果梗花萼区域图像中的果梗花萼区域数量，确定所述目标水果的表皮缺陷状态，包括：在缺陷区域数量大于等于2的情况下，确定目标水果的表皮缺陷状态为存在缺陷；在缺陷区域数量等于0的情况下，确定目标水果的表皮缺陷状态为未存在缺陷；在缺陷区域数量等于1，且果梗花萼区域数量等于1的情况下，确定目标水果的表皮缺陷状态为未存在缺陷；在缺陷区域数量等于1，且果梗花萼区域数量等于0的情况下，确定目标水果的表皮缺陷状态为存在缺陷。
本发明还提供一种水果表皮缺陷检测***，包括：第一图像处理单元，用于获取目标水果的缺陷候选区域分割图像；第二图像处理单元，用于获取目标水果的果梗花萼区域图像；图像识别单元，用于获取所述缺陷候选区域分割图像中的缺陷区域数量与果梗花萼区域图像中的果梗花萼区域数量；检测分析单元，用于根据缺陷区域数量和所述果梗花萼区域数量，确定目标水果的表皮缺陷状态。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述水果表皮缺陷检测方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述水果表皮缺陷检测方法的步骤。
本发明提供的水果表皮缺陷检测方法及***，通过对待测水果的RGB图像分析获取缺陷区域数量，并通过待测水果的深度图像分析获取果梗花萼区域数量，进而实现目标水果表皮缺陷区域检测，能准确的解决在机器视觉检测时无法区分苹果缺陷区域和果梗花萼区域的缺陷，有效地提高了表皮缺陷检测的精度。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的水果表皮缺陷检测方法的流程示意图；
图2是本发明提供的半球形漫反射结构光箱的结构示意图；
图3是本发明提供的目标水果的RGB图像；
图4是本发明提供的目标水果的深度图像；
图5是对RGB图像进行阈值分割后的第一二值图像；
图6是对第一二值图像取反后获取的第二二值图像；
图7是去除背景的水果灰度图像；
图8是对水果灰度图像作伪彩色变换的第一伪彩图像的灰度图；
图9是第一伪彩图像的R通道灰度图像；
图10是第一伪彩图像的G通道灰度图像；
图11是第一伪彩图像的B通道灰度图像；
图12是对深度图像进行阈值分割后的第三二值图像；
图13是去除背景的水果深度图像进行伪彩色变换的第二伪彩图像的灰度图；
图14是第二伪彩图像的R通道灰度图像；
图15是第二伪彩图像的G通道灰度图像；
图16是第二伪彩图像的B通道灰度图像；
图17是目标水果的果梗花萼区域图像；
图18是水果深度图像的边缘、最小外接球以及水果质心的示意图；
图19是计算水果质心坐标与边缘各像素点之间的距离的示意图；
图20是获取最小外接球的表面区域上各像素点的相对高度Hm的示意图；
图21是获取水果深度图像中各像素点的相对高度与最小外接球的表面区域上各像素点的相对高度hm的示意图；
图22是本发明提供的确定目标水果的表皮缺陷状态的流程示意图；
图23是本发明提供的水果表皮缺陷检测***的结构示意图；
图24是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，在本发明实施例的描述中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
下面结合图1-图6描述本发明实施例所提供的水果表皮缺陷检测方法和***。
图1是本发明提供的水果表皮缺陷检测方法的流程示意图，如图1所示，包括但不限于以下步骤：
步骤S1，获取目标水果的缺陷候选区域分割图像；
步骤S2，获取目标水果的果梗花萼区域图像；
步骤S3，根据缺陷候选区域分割图像中的缺陷区域数量与果梗花萼区域图像中的果梗花萼区域数量，确定目标水果的表皮缺陷状态。
首先需要说明的是本发明提供的水果表皮缺陷检测方法可以用于对各类具有光滑外表、且为类球形的具有凹陷特征的果梗/花萼水果进行表皮缺陷状态监测，例如：苹果、梨子、杏等，为便于表述在后续实施例中，将以苹果作为目标水果，进行表皮缺陷检测方法的说明，对此将不作一一赘述。
需要说明的是，所述表皮缺陷状态可以是目标水果的表皮腐烂状态(包括表面存在腐烂区域或表面不存在腐烂区域)、表皮病斑状态(包括表面存在大于预设面积的病斑区域或表面不存在大于预设面积的病斑区域)、表皮异常凹凸状态(即是否为畸形果)等。
机器视觉技术虽然可以轻易的获取苹果的表面图像，但是苹果是一个类球形物体，根据朗伯反射定律，苹果边缘的光能量主要沿着反射光线的方向传播，当反射光线和相机的夹角较大，反射光线很难进入相机，表现为亮度较低，而缺陷本身在图像中也表现为低亮度，图像处理时边缘正常区域和中部缺陷区域容易混淆而造成误分割，这是基于机器视觉的水果缺陷检测所面临的共性难点问题。
因此，克服类球型结构体造成的图像亮度分布不均问题是提高缺陷检测精度的必要措施。通过分析光源照射的模式可以获知：
一方面，当入射光照射到粗糙的表面后，反射光线会向不同的方向无规则地反射，这种照射模式称之为“漫反射”。与直射模式相比，漫反射模式可以形成亮度更均匀的面阵投影光。
另一方面，反射涂层具有特定的吸光指数，结合苹果类球形结构反射特征，将不同吸光率的反射涂层按特定梯度喷涂在光箱内壁，可使得漫反射光反射出具有梯度亮度等级的面阵投影光，最终可使得探测器获取均匀亮度的果身图像。
图2是本发明提供的半球形漫反射结构光箱的结构示意图，如图2所示，本发明提供的水果表皮缺陷检测方法，结合水果类球型结构特征，通过改进光源结构设计，以优化光线分布。具体地，为了解决上述苹果表面缺陷识别存在的问题，在图像采集环境中搭建半球形漫反射结构光箱，在该光箱中，led电光源分布在光箱底层周围，发出的光照射到漫反射光箱内部，内壁为漫反射率为98％的白色漫反射涂层，照射到内壁的光通过漫反射给水果提供照明，构建均匀光照环境。
可选地，本发明提供的水果表皮缺陷检测方法，包括但不限于以下步骤：
作为可选地，也可以采用近红外相机采集待测苹果的近红外图像，并同时采用深度相机采集待测苹果的深度信息，然后根据对近红外图像的识别，直接获取到待测苹果的缺陷候选区域分割图像、根据对深度信息的分析，确定果梗花萼区域图像。
作为另一种可选实施例，首先搭建如图2所示的半球形漫反射结构光箱，在该光箱中，LED电光源分布在光箱底层周围，照射到内壁的光通过漫反射给水果提供照明，构建均匀光照环境，确保水果照明均匀。
将待测苹果以随机的方向放在载物台上，将Azure Kinect DK相机设备置于光箱正上方约370mm位置，同时采集苹果的RGB图像和深度信息，取RGB图像和深度信息中的包含苹果的目标区域，去掉大量无效背景，获取去除背景的仅包含苹果的RGB图像和深度信息。
图3是本发明提供的目标水果的RGB图像，图4是本发明提供的目标水果的深度图像。
然后，在对图3所示的RGB图像，进行机器视觉处理的基础上，缺陷候选区域分割图像。其中，所述缺陷候选区域分割图像是指：在RGB图像中，若某一区域与周围其它区域的亮度相比较，呈现出低亮度特点，则将该区域图像作为一个缺陷候选区域分割图像。一般来说，果梗、花萼和常见的苹果表皮腐烂缺陷均呈现出低亮度特点，故步骤S1中所确定的缺陷候选区域分割图像，可以包括果梗区域图像、花萼区域图像以及存在表皮腐烂缺陷区域的图像。
进一步地，基于图4所示的深度图像，充分利用苹果的果梗以及花萼区域凹陷的特征，能够在深度图像中确定出相应的果梗花萼区域图像。所述果梗花萼区域图像是指：在深度图像中，若某一区域与周围其它区域的深度信息相比较，呈现出凹陷的特点，则将该区域图像作为一个果梗花萼区域图像。
在步骤S3中，通过分别确定出陷候选区域分割图像中的缺陷区域数量(记为N)以及果梗花萼区域图像中的果梗花萼区域数量(记为M)，以根据M和N的数值关系(N≥M)，确定出目标水果的表皮缺陷状态。
其中，表皮缺陷状态可以包括存在缺陷和未存在缺陷两种状态，例如，针对某一目标苹果来说，若经过对采集的RGB图像的识别，获知其中包括N个缺陷区域；同时，通过对所采集的同一视角下的深度图像的识别，获知在深度图像中包括了M个果梗花萼区域(一般来说M≤1，且N≥M)。在M＝1，但N＝2的情况下，则说明目标苹果上所检测出的缺陷区域至少有一个不是果梗花萼区域，此时可以认定目标苹果的表皮缺陷状态为存在缺陷。进一步地，若在M＝1，但N也等于1的情况下，则说明所检测出的缺陷区域均为果梗花萼区域，此时可以认定目标苹果的表皮缺陷状态为不存在缺陷。
本发明提供的水果表皮缺陷检测方法及***，通过对待测水果的RGB图像分析获取缺陷区域数量，并通过待测水果的深度图像分析获取果梗花萼区域数量，进而实现目标水果表皮缺陷区域检测，能准确的解决在机器视觉检测时无法区分苹果缺陷区域和果梗花萼区域的缺陷，有效地提高了表皮缺陷检测的精度。
基于上述实施例的内容，作为一种可选实施例，所述获取目标水果的缺陷候选区域分割图像，包括：获取目标水果的RGB图像；对RGB图像的R通道灰度图像进行背景分割处理，获取去除背景的水果灰度图像；对水果灰度图像进行缺陷候选区域分割，获取缺陷候选区域分割图像。
如图3所示，由于深度相机所拍摄的目标水果RGB图像中，往往包括了背景区域的图像，若对整个目标水果RGB图像进行缺陷候选区域识别，则可能对实际检测结果产生影响。故本发明提供的水果表皮缺陷检测方法，包括：
可以采用python opencv里自带的分离函数split()函数，提取出目标水果的RGB图像的R、G、B通道的灰度图像。由于R、G、B通道的灰度图像中，R通道的灰度图像中目标水果所在区域与其周围区域对比更明显，故选择对其RGB图像的R通道灰度图像进行背景分割处理，例如可以采用阈值分割法，以获取去除背景的水果灰度图像。
作为一种可选实施例，所述对RGB图像的R通道灰度图像进行背景分割处理，获取去除背景的水果灰度图像，主要包括但不限于以下步骤：
对所述R通道灰度图像进行阈值分割处理，获取第一二值图像；对所述第一二值图进行取反处理，并删除所述第一二值图像中的小于第一预设像素的小区间，获取第二二值图像；将所述第二二值图像与所述R通道灰度图像进行点乘，获取所述去除背景的水果灰度图像。
图5是对RGB图像进行阈值分割后的第一二值图(以下简称F1)，图6是对第一二值图像取反后获取的第二二值图像(以下简称F2)，图7是去除背景的水果灰度图像(以下简称M1)，本发明提供的水果表皮缺陷检测方法，首先采用阈值分割方法，取RGB图像的R通道灰度图进行阈值分割处理，将分割阈值设定为90，则可以获取阈值分割后目标苹果的第一二值图像F1。将获取的第一二值图像F1取反，计算其每个像素点在八连通区域下的类别标签，并删除像素区间小于100的小区间，以消除取反图像中一些杂散的暗像素点对最终检测结果的影响，以获取苹果的RGB图像所对应的第二二值图像F2，将RGB图像及其第二二值图像F2进行点乘，获取去除背景的水果灰度图像M1。
本发明提供的水果表皮缺陷检测方法，采用阈值分割方法，对RGB图像的R通道灰度图像进行背景分割处理，并在处理的过程中，先进行取反操作，以删除其中像素区间小于第一预设像素的区间，以排除目标水果表面非缺陷点对检测结果的影响，能有效地提高检测的精度。
基于上述实施例的内容，作为一种可选实施例，所述对水果灰度图像进行缺陷候选区域分割，获取所述缺陷候选区域分割图像，主要包括但不限于以下步骤：
对水果灰度图像进行伪彩色变换处理，获取第一伪彩图像；获取所述第一伪彩图像的B通道灰度图像；对B通道灰度图像进行阈值分割，获取缺陷候选区域分割图像。
图8是对水果灰度图像进行伪彩色变换的第一伪彩图像的灰度图，图9是第一伪彩图像的R通道灰度图像，图10是第一伪彩图像的G通道灰度图像，图11是第一伪彩图像的B通道灰度图像。
具体地，本发明提供的水果表皮缺陷检测方法，首先通过对图7所示的去除背景的水果灰度图像M1进行伪彩色变换处理，获取图8所示的第一伪彩图像；然后，分别提取伪彩图像三基色分量，如图所示为第一伪彩图像的R、G、B三个通道的灰度图像，如图9-图11所示。
由9-图11可以获知，图11所示的B通道灰度图像中的缺陷区域与正常区域对比更明显，因此选取第一伪彩图像的B通道灰度图像作为目标苹果的缺陷候选区域分割图像M2。
本发明提供的水果表皮缺陷检测方法，基于对目标水果的RGB图像的处理，能够准确的提取出目标水果表皮上，表现于亮度较低的区域，并将其作为缺陷候选区域，有效地实现了RGB图像的识别，识别精度高，抗干扰能力强。
从图11所示的缺陷候选区域分割图像M2可以获知，目标苹果的缺陷虽然被有效分割提取，但是果梗/花萼区域也会被当做缺陷区域提取出来。
如果缺陷候选区域分割图像M2中只提取到一个缺陷区域，那么就难以判别该区域是缺陷还是果梗/花萼，因此当缺陷候选区域分割图像M2中候选区域>2时，该苹果必定为缺陷果；如果候选区域数量＝0时，该苹果必定为健康果；而如果候选区域数量＝1或2时，则有必要判断缺陷候选区域是真实存在缺陷的区域还是果梗花萼区域，避免将果梗或花萼等苹果正常组织误判为缺陷。
有鉴于此，作为一种可选实施例，本发明提供的水果表皮缺陷检测方法，在采集目标水果的RGB图像的同时，采集同一视角下的深度图像，以通过对深度图像的分析，确定在该视角下的深度图像中是否能够检测出果梗花萼区域，并确定果梗花萼区域的数量，以结合对RGB图像分析的结果，准确的判断出缺陷候选区域是真实存在缺陷的区域还是果梗花萼区域。
其中，所述获取所述目标水果的果梗花萼区域图像，主要包括但不限于以下步骤：
获取目标水果的深度图像；对深度图像进行背景分割处理，获取去除背景的水果深度图像；对水果深度图像进行果梗花萼区域分割，获取所述果梗花萼区域图像。
同理，由于所拍摄的深度图像中，往往包括了背景区域的深度信息，若对整个深度图像进行果梗花萼区域识别，则可能对实际检测结果产生影响。
故本发明提供的水果表皮缺陷检测方法，在获取目标水果的深度图像之后，采用阈值分割法对其进行背景区域的分割，以获取去除背景的水果深度图像。
作为可选地，所述对深度图像进行背景分割处理，获取去除背景的水果深度图像(以下简称为D1)，包括但不限于以下步骤：对深度图像进行阈值分割处理，获取第三二值图像(以下简称F’)；对第三二值图像F’进行取反处理，并删除第三二值图像F’中的小于第二预设像素的小区间，获取第四二值图像F2’；将第四二值图像F2’与深度图像进行点乘，获取去除背景的水果深度图像D1。
图12是对深度图像进行阈值分割后的第三二值图像，本发明采用阈值分割方法，对深度图像进行阈值分割处理，分割阈值可以设定为350，在得到阈值分割后的目标苹果的第三二值图像F1’。将二值图像F1’取反，计算其每个像素点在八连通区域下的的类别标签，删除像素区间小于100的小区间，获取深度图像所对应的第四二值图像F2’，将深度图像及其二值图像F2’进行点乘，则可以获取去除背景区域的水果深度信息D1。
本发明提供的水果表皮缺陷检测方法，采用阈值分割方法，对深度图像进行背景分割处理，并在处理的过程中，先进行取反操作，并删除其中像素区间小于第二预设像素的区间，以排除目标水果表面非果梗花萼区域对检测结果的影响，能有效地提高检测的精度。
基于上述实施例的内容，作为一种可选实施例，所述对水果深度图像进行果梗花萼区域分割，获取所述果梗花萼区域图像，包括但不限于以下步骤：
确定水果深度图像对应的二值图像的边缘，并获取边缘各像素点的像素坐标；计算边缘各像素点的像素坐标的平均值，以确定水果质心坐标；分别计算水果质心坐标与边缘各像素点之间的距离，并将距离中的最大值作为水果深度图像的最小外接球的半径；获取水果深度图像对应的二值图像中各像素点为1的所有像素点的像素坐标，并从中确定最小外接球的表面区域上各像素点的像素坐标；计算水果质心坐标与最小外接球的表面区域上各像素点的像素坐标之间的距离；根据最小外接球的半径和最小外接球的表面区域上各像素点的像素坐标之间的距离，确定最小外接球的表面区域上各像素点的相对高度；获取最小外接球的表面区域上各像素点的相对高度与深度相机距离背景区域的高度平均值，确定水果深度图像的背景高度；根据水果深度图像中各像素点的深度信息与背景高度的差值，确定水果深度图像中各像素点的相对高度；计算水果深度图像中各像素点的相对高度与所述最小外接球的表面区域上各像素点的相对高度，以获取高度差异灰度图；对高度差异灰度图进行伪彩色变换处理，获取第二伪彩图像；获取第二伪彩图像的R通道灰度图像和G通道灰度图像；获取R通道灰度图像和所述G通道灰度图像的差值图像，作为果梗花萼区域图像。
图13是去除背景的水果深度图像进行伪彩色变换的第二伪彩图像的灰度图，图14是第二伪彩图像的R通道灰度图像，图15是第二伪彩图像的G通道灰度图像，图16是第二伪彩图像的B通道灰度图像，图17是目标水果的果梗花萼区域图像；如图13-图17所示，本发明提供的对水果深度图像D1进行果梗花萼区域分割，获取果梗花萼区域图像的方法，可以通过执行下列步骤获取。
图18是水果深度图像的边缘、最小外接球以及水果质心的示意图，如图18所示，首先依次确定水果深度图像的边缘、最小外接球以及水果质心，包括以下几个步骤：
(1)对深度图像D1的水果深度图像对应的二值图像求边缘，获取目标区域的边界及对应的像素坐标(xn,yn)；
(2)对边缘像素坐标(xn,yn)分别求均值，获取苹果质心坐标(x0,y0)；
(3)求质心坐标(x0,y0)到所有边缘像素坐标(xn,yn)的距离，取其中最大的距离R作为目标苹果的最小外接球的半径。
进一步地，还包括以下步骤：
(4)求深度图像D1的二值图像中所有像素为1的位置，获取目标苹果的最小外接球的表面区域每个像素的坐标(xm,ym)；
(5)求水果质心坐标(x0,y0)到目标苹果最小外接球的表面区域像素坐标(xm,ym)的距离dm。例如，在350mm高度下，单像素跨度经过测定为0.5828mm，则
(6)图19是计算水果质心坐标与边缘各像素点之间的距离的示意图，图20是获取最小外接球的表面区域上各像素点的相对高度Hm的示意图，如图19-图20所示，求最小外接球的表面区域的每个像素点的相对高度Hm，
(7)取深度图像D1边缘位置10×10区域的像素的灰度，即深度相机距离背景区域的高度，计算该区域的平均高度作为整个水果深度图像D1的背景高度H0；
(8)图21是获取水果深度图像中各像素点的相对高度与最小外接球的表面区域上各像素点的相对高度hm的示意图，如图21所示，将背景高度H0和所述水果深度图像中各像素点的深度信息作差，获取水果深度图像中各像素点的相对高度hm；
(9)将最小外接球的表面区域的相对高度Hm和苹果表面区域的相对高度hm作差，获取其高度差异灰度图G；
(10)对高度差异灰度图G进行伪彩色变换处理，获取第二伪彩图像，如图13所示；
(11)分别提取图13所示的第二伪彩图像三基色分量，如图14-图16所示为第二伪彩图像的R、G、B三个通道图像，其中R通道、G通道灰度图像中整体差异较大，使二者作差则得到图17所示的R-G灰度图像，该图像中果梗花萼区域相较于正常区域更明显，因此选取第二伪彩图像的R通道和G通道的差值像作为目标苹果的果梗花萼区域分割图像M2’。
本发明提供的水果表皮缺陷检测方法，通过构建水果深度图像的二值图像的最小外接球，进而将最小外接球的表面区域的相对高度和苹果表面区域的相对高度作差，获取其高度差异灰度图；再根据高度差异灰度图的R、G、B三个通道图像，并利用R通道和G通道的差值像作为目标苹果的果梗花萼区域分割图像，能充分的突出水果深度图像中各个像素点的深度信息，以便于准确的将其中呈现出凹陷的特点的区域作为果梗花萼区域。经过上述图像处理后，能够准确的提取出果梗花萼区域图像中的果梗花萼区域，提升了检测的精度。
作为一种可选实施例，上述根据缺陷候选区域分割图像中的缺陷区域数量与果梗花萼区域图像中的果梗花萼区域数量，确定所述目标水果的表皮缺陷状态，包括：
在缺陷区域数量大于等于2的情况下，确定目标水果的表皮缺陷状态为存在缺陷；在缺陷区域数量等于0的情况下，确定目标水果的表皮缺陷状态为未存在缺陷；在缺陷区域数量等于1，且果梗花萼区域数量等于1的情况下，确定目标水果的表皮缺陷状态为未存在缺陷；在缺陷区域数量等于1，且果梗花萼区域数量等于0的情况下，确定目标水果的表皮缺陷状态为存在缺陷。
图22是本发明提供的确定目标水果的表皮缺陷状态的流程示意图，如图22所示，作为一种可选实施例，整个判断步骤包括但不限于以下步骤：
(1)同步获取目标水果的深度图像和RGB图像；
(2)基于上述实施例中介绍的方法，通过对RGB图像的处理，提取出其中的缺陷候选区域，并读取出缺陷区域数量N；
(3)在N＝0时，则可以直接判断出目标水果为正常果；由于图像采集时仅能拍摄出整个目标水果的某一侧面(即在深度图像中最多仅能识别出果梗区域或仅能识别出花萼区域，并不能同时检测到两者的存在)，故在N≥2时，则可以直接判断出目标水果为缺陷果。在上述判断步骤中无需对深度图像进行识别，即可以直接根据RGB图像的识别结果，获取到相应的检测结果。
(4)在N＝1的情况下，则需要利用映射关系，从深度图像中提取出果梗花萼区域图像，并确定出果梗花萼区域图像的数量M。若M＝0，则说明在步骤(2)中识别的缺陷候选区域不是果梗或者花萼，判定目标水果为异常果；多M＝1，则说明在步骤(2)中识别的缺陷候选区域是果梗或者花萼，判定目标水果为正常果。
本发明提供的水果表皮缺陷检测方法，通过对待测水果的RGB图像分析获取缺陷区域数量，并通过待测水果的深度图像分析获取果梗花萼区域数量，进而实现目标水果表皮缺陷区域检测，能准确的解决在机器视觉检测时无法区分苹果缺陷区域和果梗花萼区域的缺陷，有效地提高了表皮缺陷检测的精度。
图23是本发明提供的水果表皮缺陷检测***的结构示意图，如图23所示，包括但不限于：第一图像处理单元1主要用于获取目标水果的缺陷候选区域分割图像；第二图像处理单元2主要用于获取目标水果的果梗花萼区域图像；图像识别单元3主要用于获取缺陷候选区域分割图像中的缺陷区域数量与果梗花萼区域图像中的果梗花萼区域数量；检测分析单元4主要用于根据缺陷区域数量和果梗花萼区域数量，确定目标水果的表皮缺陷状态。
具体地，本发明提供的水果表皮缺陷检测***，还可以包括如图2所示的半球形漫反射结构光箱在实际检测过程中，执行步骤：
首先，将目标水果随机放置于该半球形漫反射结构光箱内的载物台上，将AzureKinect DK相机设备置于光箱正上方，同时采集苹果的RGB图像和深度信息。
然后，利用第一图像处理单元1对RGB图像进行处理及识别，包括背景区域分割、缺陷候选区域分割等，以获取相应的缺陷候选区域分割图像。
进一步地，利用第二图像处理单元2对深度图像进行识别，以获取相应的果梗花萼区域图像。
进一步地，利用图像识别单元3，基于图像识别技术，分别识别出缺陷候选区域分割图像的数量以及果梗花萼区域图像的数量。
最后，根据缺陷候选区域分割图像的数量以及果梗花萼区域图像的数量之间的大小关系，确定所述目标水果的表皮缺陷状态。
本发明提供的水果表皮缺陷检测***，通过对待测水果的RGB图像分析获取缺陷区域数量，并通过待测水果的深度图像分析获取果梗花萼区域数量，进而实现目标水果表皮缺陷区域检测，能准确的解决在机器视觉检测时无法区分苹果缺陷区域和果梗花萼区域的缺陷，有效地提高了表皮缺陷检测的精度。
需要说明的是，本发明实施例提供的水果表皮缺陷检测***，在具体执行时，可以基于上述任一实施例所述的水果表皮缺陷检测方法来实现，对此本实施例不作赘述。
图24是本发明提供的电子设备的结构示意图，如图24所示，该电子设备可以包括：处理器(processor)210、通信接口(Communications Interface)220、存储器(memory)230和通信总线240，其中，处理器210，通信接口220，存储器230通过通信总线240完成相互间的通信。处理器210可以调用存储器230中的逻辑指令，以执行水果表皮缺陷检测方法，该方法包括：获取目标水果的缺陷候选区域分割图像；获取所述目标水果的果梗花萼区域图像；根据所述缺陷候选区域分割图像中的缺陷区域数量与所述果梗花萼区域图像中的果梗花萼区域数量，确定所述目标水果的表皮缺陷状态。
此外，上述的存储器230中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的水果表皮缺陷检测方法，该方法包括：获取目标水果的缺陷候选区域分割图像；获取所述目标水果的果梗花萼区域图像；根据所述缺陷候选区域分割图像中的缺陷区域数量与所述果梗花萼区域图像中的果梗花萼区域数量，确定所述目标水果的表皮缺陷状态。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的水果表皮缺陷检测方法，该方法包括：获取目标水果的缺陷候选区域分割图像；获取所述目标水果的果梗花萼区域图像；根据所述缺陷候选区域分割图像中的缺陷区域数量与所述果梗花萼区域图像中的果梗花萼区域数量，确定所述目标水果的表皮缺陷状态。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上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精神和范围。
Claims (8)
1.一种水果表皮缺陷检测方法，其特征在于，包括：
获取目标水果的缺陷候选区域分割图像；
获取所述目标水果的果梗花萼区域图像，包括：
获取所述目标水果的深度图像；
对所述深度图像进行背景分割处理，获取去除背景的水果深度图像；
对所述水果深度图像进行果梗花萼区域分割，获取所述果梗花萼区域图像；
其中，所述对所述水果深度图像进行果梗花萼区域分割，获取所述果梗花萼区域图像，具体包括：
确定所述水果深度图像对应的二值图像的边缘，并获取所述边缘各像素点的像素坐标；
计算所述边缘各像素点的像素坐标的平均值，以确定水果质心坐标；
分别计算所述水果质心坐标与所述边缘各像素点之间的距离，并将所述距离中的最大值作为所述水果深度图像的最小外接球的半径；
获取所述水果深度图像对应的二值图像中各像素点为1的所有像素点的像素坐标，并从中确定所述最小外接球的表面区域上各像素点的像素坐标；
计算所述水果质心坐标与所述最小外接球的表面区域上各像素点的像素坐标之间的距离；
根据所述最小外接球的半径和所述最小外接球的表面区域上各像素点的像素坐标之间的距离，确定所述最小外接球的表面区域上各像素点的相对高度；
获取所述最小外接球的表面区域上各像素点的相对高度与深度相机距离背景区域的高度平均值，确定所述水果深度图像的背景高度；
根据所述水果深度图像中各像素点的深度信息与所述背景高度的差值，确定所述水果深度图像中各像素点的相对高度；
计算所述水果深度图像中各像素点的相对高度与所述最小外接球的表面区域上各像素点的相对高度，以获取高度差异灰度图；
对所述高度差异灰度图进行伪彩色变换处理，获取第二伪彩图像；
获取所述第二伪彩图像的R通道灰度图像和G通道灰度图像；
获取所述R通道灰度图像和所述G通道灰度图像的差值图像，作为所述果梗花萼区域图像；
根据所述缺陷候选区域分割图像中的缺陷区域数量与所述果梗花萼区域图像中的果梗花萼区域数量，确定所述目标水果的表皮缺陷状态，包括：
在所述缺陷区域数量大于等于2的情况下，确定所述目标水果的表皮缺陷状态为存在缺陷；
在所述缺陷区域数量等于0的情况下，确定所述目标水果的表皮缺陷状态为未存在缺陷；
在所述缺陷区域数量等于1，且所述果梗花萼区域数量等于1的情况下，确定所述目标水果的表皮缺陷状态为未存在缺陷；
在所述缺陷区域数量等于1，且所述果梗花萼区域数量等于0的情况下，确定所述目标水果的表皮缺陷状态为存在缺陷。
2.根据权利要求1所述的水果表皮缺陷检测方法，其特征在于，所述获取目标水果的缺陷候选区域分割图像，包括：
获取目标水果的RGB图像；
对所述RGB图像的R通道灰度图像进行背景分割处理，获取去除背景的水果灰度图像；
对所述水果灰度图像进行缺陷候选区域分割，获取所述缺陷候选区域分割图像。
3.根据权利要求2所述的水果表皮缺陷检测方法，其特征在于，所述对所述RGB图像的R通道灰度图像进行背景分割处理，获取去除背景的水果灰度图像，包括：
对所述R通道灰度图像进行阈值分割处理，获取第一二值图像；
对所述第一二值图进行取反处理，并删除所述第一二值图像中的小于第一预设像素的小区间，获取第二二值图像；
将所述第二二值图像与所述R通道灰度图像进行点乘，获取所述去除背景的水果灰度图像。
4.根据权利要求2所述的水果表皮缺陷检测方法，其特征在于，所述对所述水果灰度图像进行缺陷候选区域分割，获取所述缺陷候选区域分割图像，包括：
对所述水果灰度图像进行伪彩色变换处理，获取第一伪彩图像；
获取所述第一伪彩图像的B通道灰度图像；
对所述B通道灰度图像进行阈值分割，获取所述缺陷候选区域分割图像。
5.根据权利要求1所述的水果表皮缺陷检测方法，其特征在于，所述对所述深度图像进行背景分割处理，获取去除背景的水果深度图像，包括：
对所述深度图像进行阈值分割处理，获取第三二值图像；
对所述第三二值图像进行取反处理，并删除所述第三二值图像中的小于第二预设像素的小区间，获取第四二值图像；
将所述第四二值图像与所述深度图像进行点乘，获取所述去除背景的水果深度图像。
6.一种水果表皮缺陷检测***，其特征在于，包括：
第一图像处理单元，用于获取目标水果的缺陷候选区域分割图像；
第二图像处理单元，用于获取所述目标水果的果梗花萼区域图像；
图像识别单元，用于获取所述缺陷候选区域分割图像中的缺陷区域数量与所述果梗花萼区域图像中的果梗花萼区域数量，包括：
获取所述目标水果的深度图像；
对所述深度图像进行背景分割处理，获取去除背景的水果深度图像；
对所述水果深度图像进行果梗花萼区域分割，获取所述果梗花萼区域图像；
其中，所述对所述水果深度图像进行果梗花萼区域分割，获取所述果梗花萼区域图像，具体包括：
确定所述水果深度图像对应的二值图像的边缘，并获取所述边缘各像素点的像素坐标；
计算所述边缘各像素点的像素坐标的平均值，以确定水果质心坐标；
分别计算所述水果质心坐标与所述边缘各像素点之间的距离，并将所述距离中的最大值作为所述水果深度图像的最小外接球的半径；
获取所述水果深度图像对应的二值图像中各像素点为1的所有像素点的像素坐标，并从中确定所述最小外接球的表面区域上各像素点的像素坐标；
计算所述水果质心坐标与所述最小外接球的表面区域上各像素点的像素坐标之间的距离；
根据所述最小外接球的半径和所述最小外接球的表面区域上各像素点的像素坐标之间的距离，确定所述最小外接球的表面区域上各像素点的相对高度；
获取所述最小外接球的表面区域上各像素点的相对高度与深度相机距离背景区域的高度平均值，确定所述水果深度图像的背景高度；
根据所述水果深度图像中各像素点的深度信息与所述背景高度的差值，确定所述水果深度图像中各像素点的相对高度；
计算所述水果深度图像中各像素点的相对高度与所述最小外接球的表面区域上各像素点的相对高度，以获取高度差异灰度图；
对所述高度差异灰度图进行伪彩色变换处理，获取第二伪彩图像；
获取所述第二伪彩图像的R通道灰度图像和G通道灰度图像；
获取所述R通道灰度图像和所述G通道灰度图像的差值图像，作为所述果梗花萼区域图像；
检测分析单元，用于根据所述缺陷区域数量和所述果梗花萼区域数量，确定所述目标水果的表皮缺陷状态，包括：
在所述缺陷区域数量大于等于2的情况下，确定所述目标水果的表皮缺陷状态为存在缺陷；
在所述缺陷区域数量等于0的情况下，确定所述目标水果的表皮缺陷状态为未存在缺陷；
在所述缺陷区域数量等于1，且所述果梗花萼区域数量等于1的情况下，确定所述目标水果的表皮缺陷状态为未存在缺陷；
在所述缺陷区域数量等于1，且所述果梗花萼区域数量等于0的情况下，确定所述目标水果的表皮缺陷状态为存在缺陷。
7.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述水果表皮缺陷检测方法步骤。
8.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述水果表皮缺陷检测方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110044367.3A CN112686885B (zh) | 2021-01-13 | 2021-01-13 | 一种水果表皮缺陷检测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110044367.3A CN112686885B (zh) | 2021-01-13 | 2021-01-13 | 一种水果表皮缺陷检测方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112686885A CN112686885A (zh) | 2021-04-20 |
| CN112686885B true CN112686885B (zh) | 2024-06-11 |
Family
ID=75457735
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110044367.3A Active CN112686885B (zh) | 2021-01-13 | 2021-01-13 | 一种水果表皮缺陷检测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112686885B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115239965B (zh) * | 2022-09-19 | 2022-12-13 | 南通瑞隆农产品开发有限公司 | 一种用于室内种植的草莓疏果方法及*** |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105378444A (zh) * | 2013-06-25 | 2016-03-02 | 普睿司曼股份公司 | 用于检测杆形透明物体中的缺陷的方法 |
| CN110473177A (zh) * | 2019-07-30 | 2019-11-19 | 上海媚测信息科技有限公司 | 皮肤色素分布预测方法、图像处理***及存储介质 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3020000B1 (en) * | 2013-07-09 | 2022-04-27 | 3M Innovative Properties Company | Systems and methods for note content extraction and management using segmented notes |
| CN104897671B (zh) * | 2015-05-07 | 2018-09-11 | 北京农业智能装备技术研究中心 | 一种水果果梗花萼的识别*** |
| CN106251328B (zh) * | 2016-07-13 | 2019-06-28 | 南京农业大学 | 一种利用二维高光谱图像识别鸡胴体表面污染物的方法 |
| 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 |
| CN106951905A (zh) * | 2017-02-16 | 2017-07-14 | 江苏大学 | 一种基于tof相机的树上苹果识别与定位方法 |
| CN107464234B (zh) * | 2017-07-24 | 2020-09-01 | 上海交通大学 | 基于rgb通道叠加方法的肺结节图像深度学习识别***及其方法 |
| CN108491846B (zh) * | 2018-04-02 | 2021-12-10 | 湖南生物机电职业技术学院 | 成熟果实机器识别方法 |
| CN108986088A (zh) * | 2018-07-10 | 2018-12-11 | 安徽师范大学 | 一种基于matlab的图像自动提取优化方法及设备 |
| CN109147005B (zh) * | 2018-08-24 | 2023-02-28 | 电子科技大学 | 一种用于红外图像的自适应染色方法、***、存储介质、终端 |
-
2021
- 2021-01-13 CN CN202110044367.3A patent/CN112686885B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105378444A (zh) * | 2013-06-25 | 2016-03-02 | 普睿司曼股份公司 | 用于检测杆形透明物体中的缺陷的方法 |
| CN110473177A (zh) * | 2019-07-30 | 2019-11-19 | 上海媚测信息科技有限公司 | 皮肤色素分布预测方法、图像处理***及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| Fast detection and visualization of early decay in citrus using Vis-NIR hyperspectral imaging;Jiangbo Li等;《Computers and Electronics in Agriculture》;20160930;第127卷;582-592 * |
| 基于机器视觉的苹果品质分级技术的研发;凌强;《中国优秀硕士学位论文全文数据库 (农业科技辑)》;20200315(第03期);D048-91 * |
| 张保华.基于机器视觉和光谱成像技术的苹果外部品质检测方法研究.《中国博士学位论文全文数据库 (农业科技辑)》.2020,(第03期),D048-11. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112686885A (zh) | 2021-04-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sun et al. | Detection of early decay in peaches by structured-illumination reflectance imaging | |
| Lü et al. | Detection of hidden bruise on kiwi fruit using hyperspectral imaging and parallelepiped classification | |
| CN108416344B (zh) | 眼底彩照视盘与黄斑定位识别方法 | |
| Kelman et al. | Vision-based localisation of mature apples in tree images using convexity | |
| Kodagali et al. | Computer vision and image analysis based techniques for automatic characterization of fruits-a review | |
| Lü et al. | Vis/NIR hyperspectral imaging for detection of hidden bruises on kiwifruits | |
| Sun et al. | Detecting decayed peach using a rotating hyperspectral imaging testbed | |
| US20060269111A1 (en) | Automatic detection of critical dermoscopy features for malignant melanoma diagnosis | |
| AU2017217944B2 (en) | Systems and methods for evaluating pigmented tissue lesions | |
| Zhang et al. | Computer vision recognition of stem and calyx in apples using near-infrared linear-array structured light and 3D reconstruction | |
| CN108872085B (zh) | 基于蓝色波段透射图像检测的脐橙烂心无损检测方法 | |
| Ghazal et al. | Automated framework for accurate segmentation of leaf images for plant health assessment | |
| CN110243805B (zh) | 基于拉曼高光谱成像技术的鱼刺检测方法 | |
| Xing et al. | Stem-end/calyx identification on apples using contour analysis in multispectral images | |
| US20230363697A1 (en) | Acne severity grading methods and apparatuses | |
| Zhang et al. | Visual detection of apple bruises using AdaBoost algorithm and hyperspectral imaging | |
| CN112686885B (zh) | 一种水果表皮缺陷检测方法及*** | |
| Yang et al. | Early apple bruise recognition based on near-infrared imaging and grayscale gradient images | |
| CN114216867A (zh) | 高光谱图像采集识别装置及方法 | |
| Lee et al. | A simple multispectral imaging algorithm for detection of defects on red delicious apples | |
| JPH0534281A (ja) | メロンの外観評価装置 | |
| CN116660271A (zh) | 一种用于检测铟锭脱模后表面平整度和光洁度的方法 | |
| Kunwar et al. | Malaria detection using image processing and machine learning | |
| CN107507191A (zh) | 一种树冠通透度的计算方法 | |
| Guyer et al. | Tissue reflectance and machine vision for automated sweet cherry sorting |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |