论文部分内容阅读
我国作为水果生产大国,实现水果的自动分级检测具有重要的意义。目前国内针对水果自动分级检测的研究重视度逐年提高。本文首先设计了生产流水线和视觉系统,基于前期实验数据分析,将水果分级流水线的背景设计为白色,然后进行了青脆李和贡柑品质的视觉检测技术研究。当前国内外对青脆李及贡柑这两类南方水果的分级检测鲜有研究,本文旨在通过计算机视觉的方法,对以上两类水果进行表皮缺陷检测与分级,为果蔬品质的自动化检测与分级提供技术支持。在青脆李的分级检测中,分别采集了正常状态、圆形点状缺陷、划伤破损缺陷和条形块状缺陷四种状态图像共1000张用来进行缺陷检测研究。利用卷积神经网络作为状态分类器对样本图像进行分类训练和测试,然后对青脆李图像的不同颜色空间的数据进行探索性分析,确定了适用于青脆李图像分割的H分量,先后使用K均值聚类和模糊C均值聚类对青脆李图像进行聚类分析,对比两种方法的聚类结果后确定采用K均值聚类算法进行青脆李表皮缺陷识别,同时结合Retinex增强算法以及面积约束对K均值算法进行改进。利用卷积神经网络分类器对青脆李图像分类测试精度达到97.5%,本文的检测算法整体有效检出率为92.7%,结果表明了本研究的视觉检测算法与分类器结果相结合能有效识别青脆李不同表皮缺陷状态区域,有较好的分割准确率。在贡柑的分类检测中,同样先采集了正常和缺陷两种状态的贡柑图像共50张用来进行缺陷检测研究,然后对贡柑图像的不同颜色空间的数据进行对比分析,确定各颜色空间中适用于贡柑图像分割的颜色分量。在贡柑表皮缺陷检测研究中,进行了两种图像分割算法的研究。第一种是利用传统Otsu算法对贡柑图像进行图像分割及缺陷检测。第二种是先利用基于投票的集成Otsu方法对贡柑图像进行图像分割,然后利用5个决策树结合随机森林的方法对图像分割后的结果进行探索性贡柑表皮缺陷检测。设计的试验结果表明:第一种方法的贡柑缺陷检出率为90.5%,第二种方法的缺陷检出率为92%。结合贡柑表皮特点及实验结果分析得出,传统Otsu方法对贡柑表皮缺陷检测较适用,随机森林方法在水果表皮缺陷检测问题上可对表皮光滑的其他水果进行下一步尝试。通过本文研究,在青脆李及贡柑外部品质检测技术方面取得了一定进展,达到了研究目的及预期要求,为果蔬品质的自动化检测与分级技术的进一步研究奠定了基础。