机器视觉在农产品检测中的关键性应用

1、机器视觉技术在农产品检测中的应用 机器视觉在农产品检测中的关键性应 用 主要内容 一、机器视觉技术的简介 二、机器视觉技术在农产品检测中的应用 三、机器视觉技术的应用前景及问题 机器视觉在农产品检测中的关键性应 用 机器视觉是通过对目标物体图像的获取、处理和分析来 模拟人类的视觉功能,并使用各种机电设备实现生产自 动化。 图像处理图像处理 计算机科学计算机科学 模式识别模式识别 机器视觉 神经生理学神经生理学 人工智能人工智能 认知心理学认知心理学 v机器视觉是20世纪 70年代在遥感图象处理 和医学图象处理技术成 功应用的基础上逐渐兴 起的，是图象处理的一 个分支学科。 一、机器视觉技术简介

2、 机器视觉在农产品检测中的关键性应 用 1.机器视觉系统的组成 机器视觉系统的组成部分主要有光源、图像 传感器(摄像机等)、图像采集卡、计算机等硬件 设备和用于处理数字图像的软件。 机器视觉在农产品检测中的关键性应 用 2.工作原理 获取数字图像数字图像处理 机器视觉在农产品检测中的关键性应 用 成像方式特点及应用 可见光成像 可见光彩色或灰度成像技术适合对农产品形状、大 小、颜色和纹理等外部特征进行自动分析。 红外成像 红外线具有热辐射效应。热敏成像技术可以将物体 的外部辐射强度转化为可视图像，可以检测农产品表 面不同部位在外界温度变化时的不同反应。 紫外成像 穿透性较强,当紫外光照射到荧光

3、物质时这些物质会 被激发出波长较长的荧光。不同物质的荧光受激能力 不同。 X光成像 不同的物质对X射线的吸收能力不同。通过X光透射 图像检测可见光不易得知的对象内部信息。 CT成像 可以表现物体内部某个剖面的形态特征。 核磁共振成像 在核磁共振成像片上，含水成分大的组织结构亮度 高 ,而含水成分少的组织则亮度较低。了解农产品的 内部信息。 2.1获取图像方式(刘华波, 2009) 机器视觉在农产品检测中的关键性应 用 2.2.图像处理 利用数字图像处理技术对采集的图像进 行去噪、边缘检测、图像增强等预处理，提 取特征参数，进行逻辑判断，生成相应的结 果。最终发出相应的操作命令。 机器视觉在农产

4、品检测中的关键性应 用 二、机器视觉在农产品检测中的应用 机器视觉技术的特点是速度高、信息量大、可以排除 主观因素干扰,而且还能对参数指标进行定量描述,具有人 工检测所无法比拟的优越性。 目前，国内外利用机器视觉技术进行农产品品质自动 识别的研究对象极其广泛，主要包括对谷物、蔬菜、干果、 水果等的大小、形状、颜色和表面损伤、缺陷、异物进行 检测和分级。 机器视觉在农产品检测中的关键性应 用 1.在农产品颜色检测中的应用 农产品的表面颜色是反映农产品品质的一个重要特 征，其色泽特征可以反映其成熟程度，也可反映其级别。 若靠人的感官进行评定，缺乏客观性和准确性。利用计 算机视觉系统对产品色泽做出评

5、价，可以克服人眼的疲 劳和色觉差异。 机器视觉在农产品检测中的关键性应 用 1998年何东健等，利用机器视觉 技术研究了红星苹果表面颜色分 级方法。在HIS颜色空间中，选用 在合适的色相阈值下累计着色面 积的百分比作为水果等级评判指 标，结果与人工分级吻合度达88% （何东健等，1998）。 机器视觉在农产品检测中的关键性应 用 2002年，冯斌等以水果表面颜色 分布的分形维数为特征进行了水 果表面颜色分级的试验研究,分 级正确率达到95%(冯斌等,2002)。 2004年，应义斌等以柑橘表面色 泽和固酸比作为其成熟度的评判 指标，结果表明柑橘果实表皮颜 色与其成熟度之间具有相关性 （应义斌等

6、，2004）。 机器视觉在农产品检测中的关键性应 用 2004年赵杰文等，对田间成熟番茄识别技术进行了研究。 在HIS颜色模型下，根据成熟番茄、未成熟番茄以及枝叶 的色调H分布的差异，用阈值分割的方法将成熟番茄区域 分离出来，取得了良好的识别效果（赵杰文等，2004）。 机器视觉在农产品检测中的关键性应 用 2008年，游家训等研究了水果分级中的颜色指标，选用色 调H来判别水果颜色，并将径向基神经网络应用于水果颜 色分级中，在苹果分级测试中，对特等果的分级正确率约 91.7%，一等果的分级正确率约为89.5%，二等果91.2%， 等外果为100%。（游家训等，2008） 机器视觉在农产品检测中

7、的关键性应 用 2008年，刘国敏等提取脐橙有效像素的表面颜色特征参数 （H、S、R、G、B），对色泽进行定量描述，通过神经网 络算法建立颜色特征参数与色泽之间的关系模型。结果表 明，该分级模型对色泽的分级与人工标准分级的一致度分 别为90%和92%(刘国敏等,2008)。 机器视觉在农产品检测中的关键性应 用 2008年，赵杰文等在HIS颜色空间中 ,提取H的均值和均方 差作为红枣的颜色特征值 ,利用支持向量机识别缺陷红枣。 实验结果表明,识别准确率可以达到96.2%,优于人工神经 网络的89.4%（赵杰文等，2008）。 机器视觉在农产品检测中的关键性应 用 2008年，马学武等人设计了红

8、枣自动分级装置，以面积、 颜色、最大直径等为特征参数，可以同时对多通道的红枣 进行分级,其准确率可达 80%以上,系统处理速度约为10个 /s（马学武等，2008）。 机器视觉在农产品检测中的关键性应 用 2009年，司永胜等采用R- G和色差比(R-G)/(G-B)相 结合的方法,对顺光、逆 光等不同情况下的红色苹 果进行了识别。实验结果 表明,该方法可以一定程 度上消除光线、土壤等影 响,识别率达到 97 %,但 算法在逆光同时光线较暗 情况下识别效果较差 (司 永胜，2009）。 机器视觉在农产品检测中的关键性应 用 2009年饶秀勤等，将完成图像分割的水果图像转换为HIS 颜色模型,提

9、取其H分量的面积加权直方图,对其用主成分 分析提取特征值,然后利用马氏距离分析方法完成样本的 分级,总的分级误差仅为 1.75 %（饶秀勤等，2009）。 机器视觉在农产品检测中的关键性应 用 2010年，K. Chen等运用机器视觉对肥牛肉进 行识别,提取了关于皮下脂肪颜色的12个特征 参数(R、G、B、H、S、I的均值和标准偏差), 运用支持向量机进行识别,成功率达到了 97.4%。（ K. Chen ，2010） 机器视觉在农产品检测中的关键性应 用 2000年，Vzhny T等在蘑菇枯萎、损坏以及细菌感染的 研究中，采用将图像由RGB空间转向L*a*b*空间的方法， 使得图像处理变得简

10、单。(Vzhny T,等，2000)。 2006年，Mendoza等对sRGB、HSV和L*a*b* 三种颜色模型 在水果品质检测机器视觉中的应用进行了研究，结果表明， sRGB颜色模型效率较高，但是，很容易受背景、果实的表 面曲率等因素的影响，而L*a*b* 颜色模型更适合于在机 器视觉系统中用于水果表面颜色的检测（Mendoza等， 2006）。 机器视觉在农产品检测中的关键性应 用 2009年，J.Blasco等人研究了对石榴的计算机视觉检测方法， 采用了R/G颜色分量的阈值划分和RGB颜色空间的贝叶斯线 性判据两种方法，两种方法均可达 90%的正确率。第一种 方法的处理速度15ms/幅

11、，其分级速度可以达到75kg/h （Blasco J等，2009）。 机器视觉在农产品检测中的关键性应 用 2.在农产品尺寸与形状检测中的应用 农产品的外形尺寸是产品分级的重要依据。产品形状 也是外形尺寸检测的重要方面，特别是水果，其形状优劣 是分级的重要指标。由于种植环境和品种的不同使农产品 的形状多种多样，所以农产品尺寸与形状的自动检测是实 现其分级自动化的关键一步。 机器视觉在农产品检测中的关键性应 用 2000年，应义斌通过建立图像中点 与被测物体上点间的定量关系，提 出了利用物体的边界信息求出物体 的形心坐标的方法，所测水果最大 横径与实际最大横径的相关系数为 0.96（应义斌，20

12、00）。 2001年，应义斌提出了利用物体的 边界信息求物体的形心坐标和描述 果形的新方法，用 Fourie描述子 的前15个谐波分量来描述形状，可 以达到相当高的精度（应义斌， 2001）。 机器视觉在农产品检测中的关键性应 用 2003年，饶秀勤等根据水果成像时水 果、摄像机透镜、水果图像三者之间 的相互关系，运用几何光学理论分析 了尺寸检测中的标定误差、半径误差、 形状误差等3种误差形成的原因，并给 出了定量计算标定误差大小的公式和 水果半径的公式，减少了检测误差， （饶秀勤等，2003）。 2003年，冯斌等以自然对称形态特征 为依据，确定水果的检测方向以检测 水果的大小。试验结果表明

13、检测正确 率达 94.4%，水果大小检测最大绝对 测量误差为3mm（冯斌,2003）。 机器视觉在农产品检测中的关键性应 用 2005年，郭峰等研究了用插值的方法得 到平滑的轮廓曲线，并按大小对温室西 红柿进行分类，实验结果表明算法的精 度可达98%，分选速度达到3个/S （郭峰， 2005） 。 2007年，应义斌等提出了一种基于 Zernike 矩的水果形状分类方法，能够 对水果的形状大小进行识别，对轻度畸 形的识别率最高达到 94.48%，试验结果 表明该方法优于传统的傅立叶描述子.用 Zernike矩作为分类特征更适合水果分 级 ,但是该方法的速度比傅立叶描述子 慢（应义斌, 2007

14、）。 机器视觉在农产品检测中的关键性应 用 2008年，杨飞等在对花椒各成分形态特征分析的 基础上，提出以凹性率、椭圆度、面积为分离各 成分的参数,试验结果表明：对椒籽、果穗梗正确 识别率为100%，闭眼及果皮正确识别率分别为89%、 96.8%（杨飞等，2008）。 机器视觉在农产品检测中的关键性应 用 2009年,张俊雄等由颜色因子2G-R-B和G值识别出 山竹的果柄、果蒂和果皮。由果柄、果蒂和果皮 区域形心位置判断水果的姿态,提取水果的最大横 径作为大小分级指标，果径检测精度达到1.8 mm(张俊雄等,2009)。 机器视觉在农产品检测中的关键性应 用 2010年，郝敏等在归一化的马铃薯

15、图像中计算出 具有旋转不变性的 Zernike 矩参数作为特征参数, 利用支持向量机实现了马铃薯薯形的检测分类， 对薯形良好和畸形的检测准确率分别达 93%和 100%（郝敏等，2010）。 机器视觉在农产品检测中的关键性应 用 2010年，陈英等设计了一套基于计算机视觉的葡萄检测分 级系统,采用投影面积法和傳立叶描述子计算果穗大小和 形状参数,进而实现葡萄外观品质分级。与人工分级对比, 大小形状分级的准确率分别88.3%（陈英等，2010）。 机器视觉在农产品检测中的关键性应 用 2007年，Koc AB通过图像处理的方法来测算西瓜的 体积，针对西瓜的椭圆形形状特征，在图像处理中 采用椭圆模

16、型进行匹配检测确定西瓜的大、小直径， 将其对应椭圆的长轴、短轴长度（ Koc AB等， 2007）。 机器视觉在农产品检测中的关键性应 用 2008 年，Jarimopas B等研究了对罗 望子（Sitong 和 Srichompoo 两个 品种）的机器视觉分级方法，实验 在检测尺寸大小的同时，对表面缺 陷，也进行了检测。通过视觉分类 方法，可以实现对 Sitong 品种（长 度为 8.5-12.4cm）的分类准确度达 89.8%，对Srichompoo 品种（长度 为 10.0-14.0cm）的分类精度达 94.3% （Jarimopas B等，2008）。 机器视觉在农产品检测中的关键性应

17、 用 2009年，J. Blasco等人开发了一套桔子瓣分级系统，根 据RGB值和形态特征（面积、周长、偏心率，紧凑度和圆 度系数）将其分为完整瓣、破损瓣、桔子皮、籽 四类， 样机的正确识别率达到了93.2%，处理每幅图像的时间为 48ms，产量达到了1000kg/h（J. Blasco等，2009 ）。 机器视觉在农产品检测中的关键性应 用 3.在农产品表面缺陷、品质检测中的应用 农产品表面的缺陷包括碰压伤、刺伤、疤痕、腐烂、虫 咬、裂伤、果锈等。 如何从其图像中准确地划分出坏损区域，并对分割出的 部分加以描述和分类，一直是农产品自动检测的难题。 机器视觉在农产品检测中的关键性应 用 200

18、2年，应义斌等研究了黄花梨缺陷区域的 R、G、B 各 分量灰度的变化特点，采用梯度算法求得了可疑缺陷点， 然后再用区域生长法，找出了缺陷点像素的最大连通集及 所有的缺陷区域，进一步提高了缺陷面积计算的精度（应 义斌,2002）。 机器视觉在农产品检测中的关键性应 用 2004年，成芳等根据颜色特征对稻种图像进行了霉变分析 识别研究。研究了基于色调H颜色特征的稻种霉变检测算 法，试验结果表明，该算法对金优402、加优等5个品种的 正常、轻度霉变、严重霉变稻种的平均识别率分别达到了 92%、95%、83%（成芳等，2004）。 机器视觉在农产品检测中的关键性应 用 2005年，王树文等研究了番茄损

19、伤前后颜色变化，对番茄图 像逐行扫描,寻找R灰度及G灰度同时发生变化的点,作为可疑 损伤点。然后判断33邻域内是否有其它相似损伤点存在, 若没有则说明此点是噪声点; 若小于3点,且不与其它区域相 连,则认为该点也不是坏损点。最后将所有将所有损坏点的灰 度值置为m，得到表面缺陷图像。（王树文等，2005）。 机器视觉在农产品检测中的关键性应 用 2007年,吴彦红等通过计算单体米粒灰度图像中每行的灰 度指数差分,得到差分曲线,根据曲线是否存在波谷判断裂 纹米,裂纹米粒识别的准确率为96.41%(吴彦红等,2007)。 机器视觉在农产品检测中的关键性应 用 2008年,陈红等采用H和S的阈值识别花

20、生霉变区域, 根据像素数目计算霉变面积比,从而判断霉变等级, 识别率达到90%(陈红等,2008)。 机器视觉在农产品检测中的关键性应 用 2009年，熊利荣等设计了基于机器视觉 的鸭蛋裂纹自动检测系统，提取了能表 征裂纹的6个几何特征参数（面积、圆形 度、长径、短径、裂纹矩形度和长短径 之比）,并利用人工神经网络对图像进行 识别，裂纹识别率为93.392，噪声识 别率为93.602（熊利荣等，2009）。 机器视觉在农产品检测中的关键性应 用 2009年，郑冠楠等采用灰度值差值法检测发芽马铃薯; 采 用相邻采样边界点归一化半径差的方法检测畸形马铃薯 , 并实现了马铃薯在线综合检测分级,分级精

21、度达到88%（郑 冠楠等,2009）。 机器视觉在农产品检测中的关键性应 用 2009年，刘韶军等用NxN的检测窗口,遍历棉种的边缘轮 廓 ,计算检测窗口内目标的像素数Su。由此完成棉种破损 检测。研究中选用了Su的均值、方差、均方差作为特征参 数，当选用7x7正方形窗口时，能够有效地将破损棉种与 正常棉种区分开,其识别正确率达到了93%（刘韶军等， 2009）。 机器视觉在农产品检测中的关键性应 用 2009年，饶洪辉等研制了基于机器视觉的水稻种子质量在 线检测装置 ,其主要由落料机构、传动装置、光照箱和水 稻种子排料机构组成（饶洪辉等，2009）。 机器视觉在农产品检测中的关键性应 用 2010年，陈兵旗等以等价矩形长、宽的差值最小为标准 , 进行了未知稻种类型的判断;以扫描线上黑白像素的变化 次数和扫描线数来判断稻种的破裂;以不同阈值提取的稻 种面积差来判断稻种是否霉变。分别进行了种子类型判断、 以及发霉