论文部分内容阅读
摘要：为改善鲜枣人工分选速度慢、效率低的现状，结合图像处理技术对鲜骏枣的质量和大小预测分级。将原图像经过去噪、形态学处理后，得到仅含目标的二值图，提取几何特征，与实际质量拟合建立回归模型，预测鲜骏枣的质量，最后采用判别分析法对大小进行分选。结果表明：使用平均面积、周长、长轴、短轴对鲜骏枣质量进行预测的相关系数达到95.45%，机器视觉技术能够较为准确地实现对质量的预测和分选。
关键词：鲜骏枣；分级；机器视觉
中图分类号：TP391.41 文献标识码：A 文章编号：1674-1161（2017）04-0015-03
鲜枣作为鲜食以及后续深加工产品的原材料，对其大小分级具有重要意义。采用机械式分选容易损伤表面，造成腐烂；统收后人工分选效率低、劳动强度大，无法实现在线检测。这些分选方式导致产品质量无法客观保证，影响红枣产业经济效益。随着计算机科学的发展，机器视觉技术在农产品品质检测方面应用越来越广，尤其在柑橘、苹果、梨的颜色、大小、形状等方面，这种结合计算机的非接触方式，既能保证样品不碰伤，又能提高分选效率。
本研究采用机器视觉技术对鲜骏枣进行分选。通过提取红枣图像的面积尺寸特征预测鲜骏枣的质量，并对其进行大小分级，为实现鲜枣在线分级检测提供一定的理论支持。
1 材料与方法
1.1 试验材料
试验样本为新疆阿克苏脆熟期鲜骏枣，均采摘于新疆阿克苏红旗坡农场，共490个样本。样本采摘后于1 ℃冰柜中冷藏存放。
1.2 图像采集系统及采集方式
机器视觉系统主要包括计算机、输送平台、相机、镜头、光源、图像采集卡等（如图1所示）。当样本在输送带上运行时，触发光电开关，控制相机采集图像。
采集图像时，样本置于室温下裸果放置1 h。调整机器视觉系统焦距、曝光量、光照强度、行频、传送带速度，直至采集的图像清晰、不失真。每幅图像上放置2个样本目标，每90°翻转一次，采集4幅图像，以tif格式保存。
1.3 图像预处理及特征提取
在图像采集过程中，一副图像上包含了2个红枣样本，需要分别提取其目标特征。首先对鲜骏枣图像中值滤波去噪，对2*B-G灰度图像二值化、孔洞填充后，通过形态学处理，去果梗、去除小面积的孤立点，得到仅含目标的二值图，膨胀后对目标进行标记，然后分别在标记状态下，结合最小外接矩形获取长短轴在水平、垂直方向的坐标值。图像处理过程如图2所示。
1.4 数据分析方法
一元线性回归只包含一个自变量和因变量，两者关系可用直线近似表示；多元线性回归包括两个及两个以上自变量，自变量和因变量之间可用线性关系来表示。
线性判别分析（Linear Discriminant Analysis，LDA）是特征分类提取中最为经典和广泛使用的方法之一，其目的是将数据从高维特征空间投影到低维空间，使各类别之间尽可能分开，有利于分类识别。
2 结果与分析
图像经过去噪、形态学等预处理后，通过区域标记结合最小外接矩形法提取样本的几何尺寸、周长、面积等特征信息，建立鲜骏枣质量的线性回归预测模型，其中4幅图像的面积值及其面积平均值分别表示为A1，A2，A3，A4，AM；长轴平均值表示为CM；周长平均值表示为ZM；短轴平均值表示为DM。分别使用上述特征建立回归模型，分析结果见表1和表2。
由表1可知：單独使用4幅图像中某一幅作为自变量建立一元回归方程时，相关系数均低于以面积平均值为自变量建立的一元回归方程和以4幅图像提取的面积为自变量建立的多元回归方程；以面积平均值为自变量建立的一元回归方程与以4幅图像提取的面积为自变量建立的多元回归方程，两者相对误差相差不大，相关系数前者略高于后者。因此，选择面积平均值作为回归自变量，建立质量预测模型。
由表2可知：以平均面积与平均长轴为自变量建立的回归方程，预测相对误差大；以平均面积 平均短轴、平均长轴 平均短轴、平均周长 平均短轴 平均长轴建立的线性回归模型，相关系数较低。使用平均面积 平均长轴 平均短轴预测时，相关系数达到0.991 8，预测集相对误差为0.026 2；使用平均面积 平均长轴 平均短轴 平均周长进行预测时，相关系数达到0.992 0，训练集相对误差为0.031 9，预测集相对误差为0.025 9。上述两组数据中，相关系数相差不大，但第二组预测集相对误差较小，所以选择第二组自变量预测鲜骏枣的质量，即使用平均面积 平均长轴 平均短轴 平均周长预测鲜骏枣质量，预测效果如图3所示。从图3可以看出，训练集与预测集的回归预测值与真实值基本完全分布在对角线上，说明数值相差不大，预测效果好。
将样品中264个样本进行人工分选，每个等级分别为66个样本，按照1∶1的比例划分预测集和训练集。再采用判别分析法，对预测集样本进行大小判别。将判别结果与人工分级结果进行对比，结果见表3。
由表3可知：各等级分级正确率分别为96.97%，96.97%，87.88%，100.00%，预测集中总准确率为95.45%。第三等级的样品中预测准确率较低，被错分为第四等级，这是因为错分样本值与第四等级样本值相近而出现错分。
3 结论
本研究将采集的图像经去噪、二值化、形态学处理后提取红枣几何特征，并将其作为特征参数，建立质量预测模型；将预测的质量作为大小分级标准，建立鲜骏枣的大小分级模型，其分级准确率可达到95%以上。试验结果表明，将机器视觉技术运用到鲜骏枣的大小分级中是可行的。在后续研究中，将进一步优化模型，建立鲜骏枣实时在线检测系统，提高分选效率。
参考文献
[1] 张俊雄，荀一，李伟，等.基于计算机视觉的柑橘自动化分级[J].江苏大学学报：自然科学版，2007（2）：100-103.
[2] 刁智华，王会丹，魏伟.机器视觉在农业生产中的应用研究[J].农机化研究，2014（3）：206-211.
[3] 韩伟.基于计算机视觉的柑橘分选系统[D].郑州：郑州大学，2011.
[4] 王鑫，赵莹，杨简.基于视觉技术的苹果分拣系统设计[J].中国农机化学报，2014（5）：169-172.
[5] 戴美松，张小斌，李秀根，等.基于图像处理技术梨果实尺寸测定系统的研发与应用[J].园艺学报，2016（4）：763-770.
[6] 杨淑莹.模式识别与智能计算-MATLAB技术实现[M].北京：电子工业出版社，2011.
关键词：鲜骏枣；分级；机器视觉
中图分类号：TP391.41 文献标识码：A 文章编号：1674-1161（2017）04-0015-03
鲜枣作为鲜食以及后续深加工产品的原材料，对其大小分级具有重要意义。采用机械式分选容易损伤表面，造成腐烂；统收后人工分选效率低、劳动强度大，无法实现在线检测。这些分选方式导致产品质量无法客观保证，影响红枣产业经济效益。随着计算机科学的发展，机器视觉技术在农产品品质检测方面应用越来越广，尤其在柑橘、苹果、梨的颜色、大小、形状等方面，这种结合计算机的非接触方式，既能保证样品不碰伤，又能提高分选效率。
本研究采用机器视觉技术对鲜骏枣进行分选。通过提取红枣图像的面积尺寸特征预测鲜骏枣的质量，并对其进行大小分级，为实现鲜枣在线分级检测提供一定的理论支持。
1 材料与方法
1.1 试验材料
试验样本为新疆阿克苏脆熟期鲜骏枣，均采摘于新疆阿克苏红旗坡农场，共490个样本。样本采摘后于1 ℃冰柜中冷藏存放。
1.2 图像采集系统及采集方式
机器视觉系统主要包括计算机、输送平台、相机、镜头、光源、图像采集卡等（如图1所示）。当样本在输送带上运行时，触发光电开关，控制相机采集图像。
采集图像时，样本置于室温下裸果放置1 h。调整机器视觉系统焦距、曝光量、光照强度、行频、传送带速度，直至采集的图像清晰、不失真。每幅图像上放置2个样本目标，每90°翻转一次，采集4幅图像，以tif格式保存。
1.3 图像预处理及特征提取
在图像采集过程中，一副图像上包含了2个红枣样本，需要分别提取其目标特征。首先对鲜骏枣图像中值滤波去噪，对2*B-G灰度图像二值化、孔洞填充后，通过形态学处理，去果梗、去除小面积的孤立点，得到仅含目标的二值图，膨胀后对目标进行标记，然后分别在标记状态下，结合最小外接矩形获取长短轴在水平、垂直方向的坐标值。图像处理过程如图2所示。
1.4 数据分析方法
一元线性回归只包含一个自变量和因变量，两者关系可用直线近似表示；多元线性回归包括两个及两个以上自变量，自变量和因变量之间可用线性关系来表示。
线性判别分析（Linear Discriminant Analysis，LDA）是特征分类提取中最为经典和广泛使用的方法之一，其目的是将数据从高维特征空间投影到低维空间，使各类别之间尽可能分开，有利于分类识别。
2 结果与分析
图像经过去噪、形态学等预处理后，通过区域标记结合最小外接矩形法提取样本的几何尺寸、周长、面积等特征信息，建立鲜骏枣质量的线性回归预测模型，其中4幅图像的面积值及其面积平均值分别表示为A1，A2，A3，A4，AM；长轴平均值表示为CM；周长平均值表示为ZM；短轴平均值表示为DM。分别使用上述特征建立回归模型，分析结果见表1和表2。
由表1可知：單独使用4幅图像中某一幅作为自变量建立一元回归方程时，相关系数均低于以面积平均值为自变量建立的一元回归方程和以4幅图像提取的面积为自变量建立的多元回归方程；以面积平均值为自变量建立的一元回归方程与以4幅图像提取的面积为自变量建立的多元回归方程，两者相对误差相差不大，相关系数前者略高于后者。因此，选择面积平均值作为回归自变量，建立质量预测模型。
由表2可知：以平均面积与平均长轴为自变量建立的回归方程，预测相对误差大；以平均面积 平均短轴、平均长轴 平均短轴、平均周长 平均短轴 平均长轴建立的线性回归模型，相关系数较低。使用平均面积 平均长轴 平均短轴预测时，相关系数达到0.991 8，预测集相对误差为0.026 2；使用平均面积 平均长轴 平均短轴 平均周长进行预测时，相关系数达到0.992 0，训练集相对误差为0.031 9，预测集相对误差为0.025 9。上述两组数据中，相关系数相差不大，但第二组预测集相对误差较小，所以选择第二组自变量预测鲜骏枣的质量，即使用平均面积 平均长轴 平均短轴 平均周长预测鲜骏枣质量，预测效果如图3所示。从图3可以看出，训练集与预测集的回归预测值与真实值基本完全分布在对角线上，说明数值相差不大，预测效果好。
将样品中264个样本进行人工分选，每个等级分别为66个样本，按照1∶1的比例划分预测集和训练集。再采用判别分析法，对预测集样本进行大小判别。将判别结果与人工分级结果进行对比，结果见表3。
由表3可知：各等级分级正确率分别为96.97%，96.97%，87.88%，100.00%，预测集中总准确率为95.45%。第三等级的样品中预测准确率较低，被错分为第四等级，这是因为错分样本值与第四等级样本值相近而出现错分。
3 结论
本研究将采集的图像经去噪、二值化、形态学处理后提取红枣几何特征，并将其作为特征参数，建立质量预测模型；将预测的质量作为大小分级标准，建立鲜骏枣的大小分级模型，其分级准确率可达到95%以上。试验结果表明，将机器视觉技术运用到鲜骏枣的大小分级中是可行的。在后续研究中，将进一步优化模型，建立鲜骏枣实时在线检测系统，提高分选效率。
参考文献
[1] 张俊雄，荀一，李伟，等.基于计算机视觉的柑橘自动化分级[J].江苏大学学报：自然科学版，2007（2）：100-103.
[2] 刁智华，王会丹，魏伟.机器视觉在农业生产中的应用研究[J].农机化研究，2014（3）：206-211.
[3] 韩伟.基于计算机视觉的柑橘分选系统[D].郑州：郑州大学，2011.
[4] 王鑫，赵莹，杨简.基于视觉技术的苹果分拣系统设计[J].中国农机化学报，2014（5）：169-172.
[5] 戴美松，张小斌，李秀根，等.基于图像处理技术梨果实尺寸测定系统的研发与应用[J].园艺学报，2016（4）：763-770.
[6] 杨淑莹.模式识别与智能计算-MATLAB技术实现[M].北京：电子工业出版社，2011.