基于计算机视觉的葡萄检测分级系统

这篇具有很好参考价值的文章主要介绍了基于计算机视觉的葡萄检测分级系统。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

【摘要】设计了一套基于计算机视觉的葡萄检测分级系统,包括驱动装置、输送机构、夹持机构、图像釆集与 处理系统和分级控制系统,葡萄以悬挂方式连续输送,两个CCD摄像机在外触发模式下实时采集葡萄的两面图像。 基于RGB色彩空间计算果面着色率,采用投影面积法和果轴方向投影曲线计算果穗大小和形状参数,进而实现葡 萄外观品质分级。选用20穗巨峰葡萄进行3次分级试验,与人工分级对比,颜色和大小形状分级的准确率分别为 90%88.3%,同时在分级过程中不会对葡萄造成损伤。

关键词:葡萄分级计算机视觉图像处理

引言

我国鲜食葡萄产量居世界首位,然而由于采 后处理、分选分级技术水平低,我国鲜食葡萄产品 在国际市场上的竞争力较差,出口量很小⑴。目 前葡萄的分选分级主要由人工完成,效率低下且 难以做到客观准确,无法适应规模化和产业化生 产的要求。计算机视觉检测具有客观、准确、快 速、无损等优点,已广泛应用于苹果、柑桔、西红 柿、桃子、梨等近球形单粒水果的外观品质检测与 分级⑵。葡萄是一种穗状水果,形状复杂,每穗果 实包括相互堆积的多枚果粒,且果实柔软多汁,因 此基于机器视觉进行葡萄分级具有一定的特殊 性,目前在国际上应用较少,已报道的研究成果主 要是Philippe Blanc申请的美国专利⑴,国内此方 面的研究未见报道。本文参考人工分级标准开发 一套葡萄实时检测和分级系统,将葡萄以悬挂方 式连续输送,采用计算机视觉技术,提取葡萄的果 面颜色、果穗大小、形状等图像信息,以实现葡萄 外观品质的在线检测分级。

1.1系统结构设计

葡萄的检测分级不同于苹果、柑橘等水果,由于 葡萄果实柔软多汁,不允许将其采用滚动或翻转式 上、下料,也不允许其在检测台上滑动或滚动。本文 开发的葡萄分级系统采用人工上、下料,将葡萄以悬 挂方式连续输送,系统由驱动装置、悬挂式输送机 构、葡萄夹持机构、图像采集与处理系统、分级控制 系统5部分组成,如图1所示。

Fig. 1 Structure of the grapes inspection and grading system

1.驱动装置2.图像采集区域3.分级控制系统4.悬挂式输 送机构5.简萄6.葡萄夹持机构

驱动装置是一套链传动机构,电动机通过传动 轴带动主动链轮转动,进而通过链条带动另外3个 从动链轮转动,从而驱动一个环形输送系统;悬挂式 输送机构由机架、环形轨道、链条、滚动轴承组件等 组成,如图2所示,输送链条釆用上、下分别带有吊 耳的精密滚子链,上方吊耳通过滚动轴承组件悬挂 在环形轨道中,下方吊耳连接夹持机构以夹持葡萄 果柄,从而实现葡萄的悬挂式输送;葡萄夹持机构吊 装在输送链条下吊耳的下方,能可靠地将葡萄果柄 夹持在两片橡胶夹持垫之间,并通过调节弹簧预紧 程度保证不损伤果柄。在检测过程中,葡萄其他部 位均不与检测装置产生接触或碰撞,既可以避免其 在检测过程中的损伤,又便于摄像系统从不同角度 获取尽量多的果面信息。

12图像釆集与分级控制

为了在不翻转滚动葡萄的情况下获取输送线上 每穗葡萄较为完整的果面信息,本系统采用单PC 机、单采集卡、双摄像头同时釆集一穗葡萄两面图像 的釆集方案,图3为图像釆集与分级控制原理图。 横跨一侧机架的灯箱构成图像采集区域,灯箱内的 4块灯座板上分别安装5根20 W的荧光灯管,使得 进入到图像采集区域的葡萄表面形成均匀的光照效 果。选用两个JVC TK-C1481BEC型彩色CCD摄 像机,分别安装在灯箱两侧,配合日本精工的12 mm 手动光圈定焦镜头,在物距为600 mm下进行图像 采集。选用微视凌志Matrox Morphis釆集卡,其双 视频解码器构架支持从双路标准视频同步釆集连续 图像。图像釆集与分级控制釆用PC-PLC的主从 式构架,PC作为上位机主要完成图像信息的采集、 处理和分析,PLC作为下位机主要完成逻辑控制,一 方面处理由传感器传送的葡萄位置信息,控制图像 采集,另一方面通过与上位机的通讯,实现分级信息 的显示控制。上位PC机与PLCPPI多主站编程 电缆通讯方式,选择点对点接口 PPI协议实现PLC PC的通讯。每当葡萄运行到釆集区域时,电感 式接近传感器检测到与葡萄相连的夹持机构,产生 一个脉冲触发信号并传送给PLC,该脉冲触发信号 被PLC用于记录并跟踪该穗葡萄的位置,同时触发 采集卡采集该葡萄的两幅图像。釆集到的图像经过 计算机处理后判定该葡萄的等级,并通过RS232串 口将等级值发送给PLC。PLC接收、保存葡萄等级 信息,待该串葡萄运动至分级区域时,控制指示灯显 示该葡萄的等级。

3图像釆集与分级控制原理图

Fig. 3 Image grabbing-processing and grading control

1.图像采集与处理系统2.分级控制系统3.分级指示灯

4.传感器5.光源6.葡萄7.CCD摄像机8.光照箱

2图像处理及特征参数提取

本文的研究对象为我国栽种面积最广的巨峰葡 萄,参照鲜食葡萄的国家标准和农业行业标准⑷, 巨峰葡萄外观品质等级指标主要包括果面颜色、果

穗大小、形状、果粒大小及均匀度等,本文主要进行 果面颜色、果穗大小和形状分级。

2.1图像预处理

对检测线上采集的每 穗葡萄的两幅图像,如图4 所示,首先采用3x3中值 滤波去除噪声。分析葡萄 图像R、G、B 3个通道的 直方图,发现每个通道直 方图均表现为明显的双 峰,而B通道直方图的波 谷宽度较大,且对于不同 成熟度的葡萄,在灰度210 附近都有明显的波谷,因此,选取B通道固定阈值 T = 21。进行目标分割。

2.2果面颜色特征参数提取

颜色在某种意义上代表水果的成熟度和口感, 水果颜色分级中,大多基于RGB⑴或HSI⑹两种色 彩空间提取特征参数,建立分级模型。巨峰葡萄等 级标准中按照果面紫黑着色率将葡萄分为优等果 (紫黑着色率大于95% )、一级果(紫黑着色率大于 85%)和二级果(紫黑着色率小于85% )0通过大量 试验,发现颜色特征参数Ccolor =2G-R-B(RGB 分别为R、G、B颜色通道的灰度值)能较好地区分 果面的紫黑色区域和非紫黑区域,对于紫黑色区域 《。板>0。据此可以计算出葡萄果面紫黑区域百分 比,进而进行颜色分级。

2.3果穗大小参数提取

在机器视觉检测分级中,可以釆用投影面 积⑺、周长⑻、最大横径⑴、体积质等作为大小分 级参数。本文采用投影面积法,计算一穗葡萄的两 幅图像中葡萄目标的投影面积S|、S2,取其平均值 C““ =(S| +Sz)/2,作为大小分级的特征参数。

24果穗形状参数提取

目前水果形状检测的方法主要分两种,一是用 简单的几何量如圆度““、横纵径之比、曲率“句等作 为形状分类的特征参数,二是釆用傅里叶描述子重 建水果形状'"I。葡萄果穗的形状受环境因素影响 而千差万别,且随机性很大,难以采用简单的几何量 加以描述或重建果形。

在人工分级中,巨峰葡萄果穗典型的形状缺陷 是扁担形,即两端大中间小,如图5。由于扁担形的 葡萄果穗下半部分质量较大,而中间部分细弱,容易 出现掉粒和下部脱落的情况。本文基于果轴方向投 影曲线提取形状参数以识别扁担形果穗,首先逐行 扫描图像,计算每一行目标像素点个数的累加值n, 从而得到果轴方向(Z)投 影曲线,如图6。对于扁担 形果穗,曲线呈明显的双 峰,谷点位置标记为G(l,, 七),下峰点位置标记为 F(S),通过统计55穗 形状各异葡萄的110幅图 像(每穗采集两面图像), 发现谷点位置八的取值在 0. 15Z, -0. 65Z,范围内,其 中L为果轴长度。

求 % = minn Z) , / g (0. 15L,0. 65L),从而得到 谷点 G(lg,Hg),nf = maxn(Z) ,1 g (0,。),从而 得到下峰点,(垢勺),定 义形状参数Chap。= ng/nf0 一般ChgWl,纣”越小 说明扁担形越严重。

选取55穗巨峰葡萄 (其中25穗为扁担形,30 穗为正常形状),在检测线 上采集110幅图像,按上 述方法求得每幅图像的形状参数,得到图7所示的 形状参数分布散点图,可以看出扁担形葡萄的。血* 基本在0.55以下,而正常形状葡萄的一般在 0. 55以上。故确定形状分级模型为:若Cm” < 0. 55,则判断为畸形果。

3分级试验与结果 3.1颜色分级试验

选用20穗巨峰葡萄,人工按颜色分为3级后, 将其分别悬挂在检测线的夹持机构上,并将各自的 等级在夹持机构上做标记,以便与在线检测结果进 行对比。进行了 3次试验,每次试验前将葡萄绕果 轴随机旋转一定角度后吊装,从而使拍摄图像的角 度有所不同。统计在线分级与人工分级不一致的穗 数,结果如表1所示,分级精度为90%。

颜色分级结果

Tab. 1 Color grading results

参数

等级

一级

二级

三级

果面紫黑色着色率/%

>95

>85

W85

人工分级穂数

11

5

4

1次试验

1

1

0

在线错分穗数

2次试验

1

0

1

3次试验

1

1

0

3.2果穂大小形状分级试验

将20穗巨峰葡萄人工按大小和形状分为3级, 然后按照上述方法进行分级试验。统计在线分级与 人工分级不一致的穗数,结果如表2所示,分级精度 为 88. 3%。

4结束语

设计了一套计算机视觉葡萄分级系统,将葡萄

«2果穂大小形状分级结果

Tab. 2 Bunch size and shape grading results

参数

等级

一级

二级

三级

分级标准

Cg > 130 cm2

CQ110 cm2

Cm.<110cni2

C.h・pe >0. 55 C.h.pe >0. 55

C.5<0・55

人工分级穗数

8

5

7

1次试验

1

1

1

在线错

2次试验

0

1

1

分穗数

3次试验

1

1

0

以悬挂方式连续输送,分级过程中不会对葡萄造成 损伤。在外触发模式下同时采集一串葡萄的两面图 像,以提取较为全面的果面信息。基于颜色特征参 数Ccq1„=2G-R-B统计巨峰葡萄果面着色率,采 用投影面积法和果轴方向投影曲线计算果穗大小和 形状参数,试验结果表明,与人工分级对比,颜色和 大小形状分级的准确率分别为90%和88. 3%。

參考文献

1翟衡,杜远鹏,孙庆华,等.论我国葡萄产业的发展[J].果树学报,2007,24(6):820 - 825.

Zhai Heng, Du Yuanpeng, Sun Qinghua, et al. On the development situation of Chinese grape industry] J] • Journal of Fruit Science, 2007,24 (6) 820 ~825. (in Chinese)

  1. Tadhg Brosnan t Da-Wen Sun. Inspection and grading of agricultural and food products by computer vision systems a

review [ J ]. Computers and Electronics in Agriculture, 2002,36(2 ~3)193~213.

  1. Philippe Blanc. Unit for sorting and packaging products capable of being hung on a hooking member for the purpose of their conveyance, such as bunches of fruits, in particular table grapes or truss tomatoes: US,6957940[ P]. 2005 - 10-25.
  2. NY/T 470—2001 鲜食葡萄[S].
  3. Dah-Jye Lee, James K Archibald, Chang Yuchou. Robust color space conversion and color distribution analysis techniques for date maturity evaluation] J]. Journal of Food Engineering, 2008, 88(3) : 364 ~372.
  4. Tao Y, Heiemann P H, Varghese Z, et al. Machine vision for color inspection of potatoes and apples[ J]. Transactions of the ASAE, 1995, 38(5) : 1 555 ~1 561.
  5. Bato P M, Nagata M, Cao Q, et al. Study on sorting system for strawberry using machine vision ( part 2) [ J]. Journal of the Japanese Society of Agricultural Machinery, 2000,62 (2) 101 ~ 110.
  6. Sarkar N, Wolfe R R. Feature extraction techniques for sorting tomatoes by computer vision] J]. Transactions of the ASAE, 1985, 28(3): 970 ~979.
  7. Blasco J, Aleixos N, Molt6 E. Machine vision system for automatic quality grading of fruit[ J]. Biosystems Engineering, 2003,85(4).415 ~423.
  8. Chong V K, Kondo N, Ninomiya K, et al. Features extraction for eggplant fruit grading system using machine vision[ J]. Applied Engineering in Agriculture, 2008, 24(5)  675 - 684.
  9. Vooren V D, Polder J G, Heijden V D. Identification of mushrooms cultivars using image analysis[ J]. Transactions of the ASAE, 1992, 35347 ~350.

12义斌.水果形状的傅立叶描述子研究[J].生物数学学报,2001,16(2):234 -240.

Ying Yibin. Fourier descriptor of fruit shape[ J]. Journal of Biomathematics, 2001,16 ( 2) 234 - 240. (in Chinese)文章来源地址https://www.toymoban.com/news/detail-827507.html

到了这里,关于基于计算机视觉的葡萄检测分级系统的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 毕业设计:基于深度学习的危险驾驶(抽烟、打电话)检测系统 人工智能 python 计算机视觉

    目录 前言 一、课题背景与意义 二、算法理论技术 2.1 双路金字塔网络 2.2 算法实现 三、模型训练 3.1 实验环境 3.2 结果分析 最后  📅大四是整个大学期间最忙碌的时光,一边要忙着备考或实习为毕业后面临的就业升学做准备,一边要为毕业设计耗费大量精力。近几年各个学校要

    2024年04月09日
    浏览(118)
  • 基于计算机视觉的坑洼道路检测和识别

    本研究论文提出了一种使用深度学习和图像处理技术进行坑洼检测的新方法。所提出的系统利用VGG16模型进行特征提取,并利用具有三重损失的自定义Siamese网络,称为RoadScan。该系统旨在解决道路上的坑洼这一关键问题,这对道路使用者构成重大风险。由于道路上的坑洼造成

    2024年02月05日
    浏览(61)
  • 基于机器视觉的车道线检测 计算机竞赛

    🔥 优质竞赛项目系列,今天要分享的是 基于深度学习的视频多目标跟踪实现 该项目较为新颖,适合作为竞赛课题方向,学长非常推荐! 🧿 更多资料, 项目分享: https://gitee.com/dancheng-senior/postgraduate 理解车道检测的概念 那么什么是车道检测?以下是百度百科对车道的定义:

    2024年02月08日
    浏览(56)
  • 计算机视觉 - 基于黄金模板比较技术的缺陷检测

            基于黄金模板比对的检测是一种常见的视觉应用。当进行缺陷检查而其他缺陷检测方法是不可行的时候,使用金模板比较。另外当物体的表面或物体的形状非常复杂时,此技术特别有用。          虽然说黄金模板比较的技术的思路很简单,但是真正落地实施确

    2024年02月09日
    浏览(42)
  • 计算机竞赛 基于机器视觉的行人口罩佩戴检测

    简介 2020新冠爆发以来,疫情牵动着全国人民的心,一线医护工作者在最前线抗击疫情的同时,我们也可以看到很多科技行业和人工智能领域的从业者,也在贡献着他们的力量。近些天来,旷视、商汤、海康、百度都多家科技公司研发出了带有AI人脸检测算法的红外测温、口罩

    2024年02月10日
    浏览(54)
  • 计算机竞赛 基于机器视觉的停车位识别检测

    简介 你是不是经常在停车场周围转来转去寻找停车位。如果你的车辆能准确地告诉你最近的停车位在哪里,那是不是很爽?事实证明,基于深度学习和OpenCV解决这个问题相对容易,只需获取停车场的实时视频即可。 该项目较为新颖,适合作为竞赛课题方向,学长非常推荐!

    2024年02月11日
    浏览(62)
  • 计算机竞赛 基于机器视觉的手势检测和识别算法

    🔥 优质竞赛项目系列,今天要分享的是 基于深度学习的手势检测与识别算法 该项目较为新颖,适合作为竞赛课题方向,学长非常推荐! 🧿 更多资料, 项目分享: https://gitee.com/dancheng-senior/postgraduate 废话不多说,先看看学长实现的效果吧 主流的手势分割方法主要分为静态手

    2024年02月11日
    浏览(57)
  • 基于计算机视觉的工业金属表面缺陷检测综述

    基于计算机视觉的工业金属表面缺陷检测综述 (aas.net.cn) 计算机视觉检测技术(Automated optical inspection, AOI)[2]是一种以计算机视觉为基础, 通过自动光学系统获取检测目标图像, 运用算法进行分析决策, 判断目标是否符合检测规范的非接触式检测方法. 表面缺陷检测系统的基本原理

    2024年04月15日
    浏览(42)
  • 计算机竞赛 基于机器视觉的二维码识别检测 - opencv 二维码 识别检测 机器视觉

    🔥 优质竞赛项目系列,今天要分享的是 基于机器学习的二维码识别检测 - opencv 二维码 识别检测 机器视觉 该项目较为新颖,适合作为竞赛课题方向,学长非常推荐! 🧿 更多资料, 项目分享: https://gitee.com/dancheng-senior/postgraduate 物体检测就是对数字图像中一类特定的物体的

    2024年02月11日
    浏览(64)
  • 计算机毕设 基于机器视觉的二维码识别检测 - opencv 二维码 识别检测 机器视觉

    今天学长向大家介绍一个机器视觉的毕设项目,二维码 / 条形码检测与识别 基于机器学习的二维码识别检测 - opencv 二维码 识别检测 机器视觉 物体检测就是对数字图像中一类特定的物体的位置进行自动检测。基本的检测框架有两种: 一种是以滑动窗口为单位对图像进行扫描

    2024年02月10日
    浏览(55)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包