《机器视觉技术在水果品质评估中的应用案例分析-以苹果为例》15000字

XXX我国的农业劳动力正越来越少，劳动力的减少势必会影响水果分级等各类农业活动的发展，而机器视觉技术是一种利用机器进行识别以及后续的系列操作，与传统的人工目测不同的一种科学技术，它将所需识别或者分级的产品转换为图像，接着将图像中的信号传输至图像处理系统中，这在某种程度上证实了利用该系统对此图像信号进行分析，其检测结果客观且具有准确性、检测效率高且具有可重复性(林浩然,陈梦琪,2021)REF_Ref27316\r\h[2]。因此，可以利用先进的机器视觉技术来代替传统的人工水果的分级方式，通过提取苹果的大小、颜色、形态等特征，并将提取到的苹果特征与国家的苹果分级标准相对照，获得苹果的最终分级结果，成功实现苹果的高效分级。通过使用基于机器视觉的自动检测分级技术，利用其处理信息量大、处理速度快的特点以及不受主管因素的作用，实现苹果的无损检测，这对于未来农业领域的智能化和信息化，都起着很大的促进作用(黄昕怡,杨子萱,2022)REF_Ref27417\r\h[3]。图像的采集及预处理2.1引言苹果图像的采集及苹果图像的预处理主要由图像获取、图像变换、图像增强和图像复原等过程组成，图像获取时需要保证采集到的样本外接环境的一致性，而图像预处理是指在对每个文本图像进行分检之后，继续进行识别模块的过程，这个过程可以去除一些操作中不需要的信息，如特征提取、图像分割、图像匹配等，还可以有效的增加图像中的有用信息的比例，最大程度的简化数据，这在某种程度上说明了为正确执行后续步骤打下坚实的基础REF_Ref28877\r\h[17]。图像预处理中对应的作用分别如下所示(张涵煜,李泽宇,2022)：图像变换：图像处理和分析的主要方法，主要是对原始图像执行二维线性和可逆转换，经过变换后的图像，再继续进行图像增强、图像压缩等复杂过程时，操作起来会更加简便，且可用正交函数或正交矩阵来表示，常用的图像变换有傅里叶变换、余弦离散变换、Randon变换等方式(赵睿智,杨可儿,2022)。图像增强：图像增强是图像处理领域中的非常重要的一个过程，图像增强技术和特定的应用结合之后效果更加，这在一定程度上注解了如图像中的边缘、轮廓等特征，经过图像增强后，这些特征将得到强调或者锐化，使这些特征的显示得以促进，对后续的观察和处理都是有利的。经过增强后的图像，更适合应用与特定的环境中，这是因为图像增强不仅可以使图像去噪，还能较好的保护图像的特征，更加清晰的描述图像中的信息，从而保证提供的信息特征的可靠和准确，常用的图像增强有灰度变换增强、空间域滤波增强、频域增强、色彩增强等方式(徐浩然,孙倩文,2020)。图像复原：由于图像成像过程中偶尔会出现图像退化的现象，即图像中可能会出现模糊、失真或者由于噪声的混入，某程度能看出而使图像质量下降的现象。图像复原就是通过一些技术手段，消除由于图像的模糊或噪声的混入等而引起图像质量下降的现象，恢复原始图像质量的过程。常见的图像复原主要包括逆滤波、维纳滤波、盲区卷积滤波、约束的最小二乘方滤波等复原方式(王子和,周嘉琪,2020)REF_Ref28955\r\h[18]REF_Ref28968\r\h[19]。2.2图像的灰度化变换 为了使后续步骤中特征提取更为准确，首先需要对采集到的苹果RGB图像进行灰度化变换，这是因为任何一张的所有颜色通过RGB值都可以进行调节，而彩色图片中，其RGB值不完全一致，而经过灰度化后的图片，是一张黑白的图像，此时，图片中的RGB值就变为相同。其中，R、G、B三个元素分别对应彩色图像中的红、绿、蓝三个颜色，而灰度化后的图像中灰度值最大的像素点最亮，为白色，即灰度值为255的像素点的颜色，反之灰度值最小的像素点最暗，为黑色，即灰度值为0的像素点的颜色REF_Ref29102\r\h[20]。目前，灰度化方法常用的主要有下列几种(李雅婷,赵丽萍,2020)：最大值法：该灰度化法是同时令R、G、B的三个值，等于其中数值最大的一个值，即R=G=B=max(R、G、B)，由于R、G、B值中两个值都变大，所以使用最大值法得到的灰度化图像会变亮，更靠近于白色，利用最大值法处理后的灰度化图像如图2-1所示：图2-1最大值法转化的灰度图图2-2平均值法转化的灰度图平均值法：该灰度化法是通过求取R、G、B三个分量的平均值，并令这三个值同时等于所计算的平均值，即R=G=B=（R+G+B）/3，由于三个值所赋的值为这三个值的平均数，所以使用平均值法得到的灰度化图像相对而言会更加柔和，这无疑地传达出利用平均值法处理后的灰度化图像如图2-2所示(邓嘉晨,张梓萱,2022)：加权平均值法：该灰度化法是通过衡量R、G、B三个值的重要性，或者其它所要求的指标，对这三个值作加权平均，数学公式表示为：R=G=B=XR+YG+ZB，其中X，Y，Z分别R、G、B所对应的权重。大量的实验研究表示，人眼敏感度最高的颜色是绿色，其次是红色，敏感度最低的颜色是蓝色，故而该算式中Y>X>Z，并且研究表明：当X=0.30，Y=0.59，Z=0.11时，灰度变化后的图像是最符合人眼对颜色的感受REF_Ref29266\r\h[21]，利用加权平均值法处理后的灰度化图像如图2-3所示(黄子豪,李诗琪,2022)：图2-3加权平均值法转化的灰度图本次设计是通过对rgb2gray函数直接调用，即人们根据用加权平均值法编写的函数，实现了图像的灰度化处理，通过函数的调用，从这些现象中显示简化了我们的操作过程，且实现的效果更符合人眼所观察到的苹果图像。苹果原始图像、处理后的灰度化图像分别如图2-4、2-5所示：图2-4苹果原始图像图2-5苹果的灰度化图像2.3图像的平滑处理初始图像的获取过程中，难免受到传输设备和拍摄抖动等的影响，对图像处理产生额外的噪声干扰，这些噪声对后续的特征提取和视觉效果都会产生难以避免的影响。所以灰度化处理后的图像还需进行平滑处理从而改善图像质量，从这些操作中看出降低噪声的干扰(王宏伟,张怡萱,2023)REF_Ref29373\r\h[22]。目前，干扰噪声消除的方法主要有两种：频域法和空域法，频域法以低通滤波技术和傅里叶变换为技术基础，空域法以模板卷积为技术基础(龚浩杰,刘晨曦,2022)。其中，频域法是通过保留频域中的低频成分，滤除频域中的高频成分，从而实现频域中的平滑处理，实现干扰噪声消除的目的，但是由于在频域法处理的过程中，这在一部分程度上揭示了需要于频域和时域中进行不断的切换，所以处理起来速度较慢，在实际操作中不能够广泛应用。以上结果给研究在后文的行文有了一定的启示，它强调了理论与实证研究紧密结合的重要性。本研究表明在构建理论框架时充分考虑实际数据和案例的支持可以大大提高理论的解释力和预测能力。这不仅有助于加深对现有现象的理解也为未来可能出现的新情况提供了应对思路。所以在实际的应用中，通常选择的平滑处理方式是空域法，目前，主要包括中值滤波、快速中值、邻域平均法等方法REF_Ref29419\r\h[23]。在平滑处理前，需要先通过调用imcomplement函数，实现灰度图的取反，是图片呈现出底片的效果，此函数在编译器中的表达式为(刘锦程,王婷婷,2022)：im2=imcomplement(im1)（2-1）其中im1的数据来自源图像，im2的数据来自取反后的图像。2.3.1中值滤波法中值滤波法是非线性滤波的一种方式，在空域法中经常被使用。中值滤波法的原理是排序窗口中的像素，取排序后的像素中值，然后再次移动窗口，对新窗口中的像素排序，获得其中的中值像素点，不断重复以上步骤，至所有像素点排序完毕。中值滤波法不仅可以平滑噪声，还能保护图像的边缘信息，对信号边缘的保护，以现有结果为基准我们可以推断使图像边缘部分不会模糊，这种优良性质，是线性滤波方法所不具备的，也因此，中值滤波法在数字图像步骤中的边缘提取得到了广泛的应用，对于椒盐噪声，其滤波效果尤其更佳。此外，中值滤波不仅适用于软件，在硬件中也易于实现，实现的算法也很简单(范晓霜,徐英杰,2021)REF_Ref30304\r\h[24]。在MATLAB中，只需调用函数medfilt2，即可实现图像的中值滤波，其在编译器中的表达式为：A=medfilt2（B,[m,n]）(2-2)其中，A为进行中值滤波后的图像矩阵，B为原图矩阵，m和n是模版数据处理大小，默认值为3×3。使用中值滤波法得到的图像如图2-6所示：2-6中值滤波处理后的图2.3.2快速中值滤波快速中值滤波是中值滤波的优化算法，它利用窗口移动时，部分像素没有移出窗口，故而仍然处于窗口移动前排好序的状态，这在一定意义上透露了因此只用将新添加的像素插入原来的像素中，就可以实现排序的完成。由于有时我们并不需要一个完整的排列数序，找到部分所需排列像素的中值，就完成了中值滤波(邱艺文,袁雅彤,2022)。快速中值滤波法采用直方图来计算像素点，直方图中像素点是横坐标，窗口中像素点的个数是纵坐标，这在一定程度上显露通过在直方图的横坐标上设置一个可以左右移动的光标，当光标移动到横坐标两边的像素点相等的位置时，光标对应的像素点就是我们所寻找的中值，接着移动窗口，让直方图得到更新，并再次移动横坐标上的光标，找到横坐标上像素点相等的像素值，不断重复这个过程。其中，我们需要注意，光标的移动过程中，不能让光标移动到像素点为0的点上，当光标移动到像素点为0的点上时，在这个窗口中，很有可能无法找到所需的中值(郝建华,王硕辉,2021)REF_Ref30392\r\h[25]。使用快速中值滤波法得到的图像如图2-7所示：图2-7快速中值滤波法处理后的图像2.3.3邻域平均法邻域平均法是将图像中某些突变像素值，即噪声点，使其数值等于其周围一圈像素点的平均值，以减少这些像素点的影响。结论与预测的这一致性也为实际应用提供了理论依据，表明基于这些理论发展出的技术或策略具有较高的可行性和有效性。本研究不仅在理论上有所贡献在实践应用方面同样具备重要价值。然而尽管目前的结果令人鼓舞仍需认识到科学研究的动态性和复杂性，持续关注后续可能出现的新情况和挑战不断调整和优化研究策略。因而，使用邻域平均法进行平滑滤波后，一个明显的结果就是滤波后的图片会产生一定程度的模糊，这在某种程度上证实了从而对后续的操作产生影响。故而有人针对此现象提出了超限邻域平均法(余佳怡,赵英杰,2021)：若图像中某个像素点的灰度值在一定程度上大于其邻域像素的平均值，就直接判定该像素点为噪声，并且该像素点的灰度值设定为其邻域像素的均值REF_Ref30493\r\h[26]REF_Ref30503\r\h[27]。使用邻域平均法得到的图像如图2-8所示(何逸飞,孙子凡,2022)：图2-8邻域平均法处理后的图像在本系统的设计过程中，不仅需要考虑图像处理的效率，还要综合考虑实现的难易、准确程度，均值滤波模糊了图像边缘，目前MATLAB中没有编译好的快速中值滤波法，故而其调用没有中值滤波法方便，所以结合程序实际执行过程中的分级效率和便利性，最终选择采用中值滤波法来实现灰度化处理后的平滑处理(刘秀芳,周雅琴,2020)。2.4图像的二值化及噪点消除图像的二值化，就是将图像变成只有两个值的过程，这两个值分为0和1，是图像处理中平滑处理后的后续操作。这在某种程度上说明了首先需要通过调用graythresh函数，得到灰度化图像的二值化阈值，接着将大于阈值的灰度值，统一设定为1，而对于小于阈值的灰度值，则统一设定为0。经过二值化处理后的经过图像，其所包含的信息量将更加简单，数据量也因此减少，还能突出感兴趣的对象轮廓，更有利于提取图像中的信息(朱文静,高梦媛,2020)。如果希望获取的二值图效果更加理想，则可重新定义图像区域，采用封闭连接的边界重新设定一个不叠加的区域，对于区域中像素点灰度值大于或等于阀值的，这在一定程度上注解了全部判定其为特定物体，并设置其灰度值为255，而对于灰度值小于阈值的像素点，则将其排出在区域之外，并且设定其灰度值为0，调用函数im2bw即可实现图像的二值化。从中可以看出本文的研究与前文的理论验证基本一致，这不仅印证了研究方向的正确性，同时也进一步巩固了该领域内现有理论框架的有效性和可靠性，本研究通过引入新的视角和方法论对既有理论进行了补充和完善为未来的研究提供了更为坚实的基础和广阔的探索空间。在编译器中的表达式为(叶子欣,蒋子淇,2022)：thresh=graythresh(I)

(2-3)其中I是原图矩阵，thresh表示自动得到的二值化阈值。A=im2bw(I,thresh);

(2-4)其中，I是原图矩阵，不同的thresh值有着不同的效果，如thresh=0.5时，表示灰度值在128以下的所有像素点变成黑色，而所有灰度值在128的像素点都将变成白色。并通过imclose、imfill函数对图像实现闭运算，交融图像中的细长弯口和窄缺口，补齐苹果图像轮廓上的缝隙，实现噪点的消除和图像填充，在编译器中的表达式为：IM2=imclose(IM,SE)(2-5)其中SE是单个结构元素对象或者结构元素对象的数组的表示(张昕怡,李景瑞,2022)。BW2=imfill(BW,'holes')(2-6)其中holes表示填充二值图像中的空洞区域二值化、消除噪点和图像的填充并后得到的图像如图2-9、2-10所示：图2-9二值化后的图像图2-10噪点消除及图像填充图像2.5本章小结本章通过比较不同的灰度化、平滑处理的方法，最后通过加权平均值法，直接调用软件中自带的rgb2gray函数，实现图像的灰度化处理，中值滤波法，即调用medfilt2函数对灰度化后的苹果图像进行平滑处理，既对噪声进行了合理的处理，也使预处理后的图像变的更加清晰，使用的便利性也是这几种方法中最好的，某程度能看出有效的保证了后续水果特征提取的准确性，并通过二值化处理，即调用im2bw函数使整个图像呈现出明显的黑白效果，最后通过imclose、imfill函数进行噪点的消除和图像的填充处理，有利于后续工作的继续开展(李宇杰,周铭远,2022)。水果大小特征的提取3.1引言水果分级的一个重要标准就是水果的大小，因而，本次设计的一个重要过程就是提取水果的大小特征。目前，提取水果大小特征的方法已经有很多，在水果大小特征提取方面的研究已经比较成熟(孙家辉,王紫琪,2023)。3.2水果大小检测分级和研究目前，主要有两种方案来获取水果的大小特征：一是通过切割水果边缘，从而获取水果的果径大小，水果的果径就是水果的直径，这无疑地传达出可以直接确定水果的大小，从而完成水果的大小分级；二是通过提取水果的边缘部分，对提取出的边缘部分进行单独的傅里叶变换，由傅里叶变换得到的傅里叶系数，从这些现象中显示实现水果的果径大小、果形等重要的特征值的计算计算，从而实现水果的大小特征分级(张雨泽,郑和宇,2023)。这一结果与理论上大致相同，这也验证了前期研究中所提出的构思从而进一步巩固了该领域的理论框架。本研究的发现不仅在方法论上提供了新的视角，而且对于实际应用也具有重要的指导，而通过对比分析本文发现与预期结果之间的偏差可以归因于特定变量的影响，这为后续研究指明了方向。3.2.1投影面积法投影面积法是根据采集到的二维水果原始图像，对预处理后的苹果图像面积S进行计算，通过大量的实验数据，得到苹果实际表面积和所求投影面积S之间的关系K，即苹果实际的表面积等于投影面积S与K的乘积(刘珂瑶,陈晓彤,2022)REF_Ref30650\r\h[28]。从这些操作中看出在前期图像预处理的过程中，包含了图像的二值化，这使得苹果的图像中的每个像素都可以看成一个点，通过调用bwarea函数，就可以得到所有的像素点，即苹果的投影面积大小，该函数在编译器中的表达式为：B=bwarea(BW)(3-1)其中，BW是预处理中二值化后的图像；B是利用bwarea函数计算的苹果投影图像的面积。由于K值需要我们通过大量数据的和实验才能获取，并且得到的苹果表面积仅为近似数值，具有效率低、稳定性差、准确率低的特点，故不适合本次苹果大小特征的获取。3.2.2最小外接矩形法最小外接矩形法是找到苹果的最小外接矩形，首先需要确定苹果的中心位置，并在中心位置出进行固定，使水果以固定的旋转度数转动，旋转的范围在90度内，旋转的角度一般选择3度，选择一次，这在一部分程度上揭示了就记录本次旋转过程中，外接矩形边界在横坐标上的最大值x,纵坐标上的最大值y，矩形的面积就等于4xy，通过每一次旋转所记录的坐标值计算外接矩形的面积，所求的面积中面积最小的那个矩形即为所寻找的矩形，该最小外接矩形的长即为苹果的果径长度，将获得的果径长度与国家苹果分级标准中的大小分级标准相对照，即可实现水果大小特征的分级REF_Ref30751\r\h[29]REF_Ref30761\r\h[30]。通过最小外接矩形法得到的矩形框图如图3-1所示(王思远,何瑞华,2022)：图3-1最小外接矩形法3.2.3最小外接圆法最小外接圆法首先需要采集苹果边缘的像素点，找到所有像素点中距离最大的两个点，记这两个像素点之间的距离为dmax，接着求取两个像素点的中点坐标，并继续寻找苹果边缘像素点上除最初两个点外的离求出的中点最远的像素点，以现有结果为基准我们可以推断求该点到中点像素点之间的距离d，若d<=0.5dmax,则该中点即为最小外接圆的圆心，若d>0.5dmax,则由离中心最远的点和距离最大的两点组成的三角形的最小外接圆的圆心为苹果二值化图像的最小外接圆的圆心(赵建辉,陈佳璇,2022)。尽管当前研究结果与理论预期相符，但在应用这些结论时仍需考虑特定情境下的局限性和可能存在的变量影响，以便更全面地解释现象并指导实践。未来的研究可以着眼于探索这些变量的影响机制，以及在不同条件下的适用性，从而推动理论与实践的深度融合。设最小外接圆的半径为R,边缘轮廓上各个点到圆心的最小距离为Rmin，则(R-Rmin)的差值即为最小外接圆的圆度误差REF_Ref30843\r\h[31]。这在一定意义上透露了通过最小外接圆法得到的结果如图3-2所示：图3-2最小外接圆法通过对以上方法进行比较，最终决定采用最小外接圆法来实现苹果大小的特征提取，这是由于静态图像中，苹果边缘像素点的获取较容易，进而容易求得苹果的中心坐标及苹果的半径，根据苹果的半径即可求得苹果的直径，即果径的大小，而投影面积法需要大量的数据和实验才能确定K值；这在一定程度上显露最小外接矩形法则计算量大，操作起来比较麻烦，效率不高，且提取到的最小外接矩形长宽不一定一致，故而得到的果径值不够精确。所以在本次设计中，选择了最大果宽法来实现苹果大小特征的获取(胡晨曦,林宇语,2019)。3.3水果大小分级标准通过国家苹果分级标准，得知对于苹果的果径大小分级如表3-1所示：等级优等/mm一等/mm二等/mm等外/mm大型果>=80>=75>=70<70中型果>=65>=60>=55<55小型果>=60>=55>=50<50表3-1国家苹果大小分级标准苹果的分级模型可以表示如下：IfL>=th1;苹果是优等果ElseifL>=th2;苹果是一等果ElseifL>=th3;苹果是二等果Else；苹果是等外果其中，th1、th2、th3分别对应优等果、一等果和二等果。3.4本章小结本章通过对比几种不同求取苹果大小的方法，最终选择最小外接圆法来实现苹果大小特征的提取，首先采集苹果的边缘像素点，并找出所有采集的像素点之间的距离最大的两个点，接着求取其中点坐标以及除此两点外的另一个距离最远的像素点，最后通过比较，获得苹果图像的最小外接圆及其半径大小，这在某种程度上证实了进而求得果径的大小，并将提取到的果径大小与国家的苹果分级进行对照，实现对苹果大小的分级(许浩然,吴泰宁,2020)。水果颜色特征的提取4.1引言苹果口感和品质的一个重要判断依据就是苹果的颜色。色泽饱满的苹果，其口感往往偏甜，含糖量多，属于品质优等的苹果，相反，着色率差的苹果，其口感及品质都较差。这和顾客在购买的过程中，更倾向于选择色泽饱满、着色度高的苹果的实际情况是相吻合的。所以在本次设计过程中，苹果颜色特征的提取是非常重要的(李晨逸,郑睿洁,2022)REF_Ref30973\r\h[32]。4.2水果颜色的模型4.2.1颜色模型的基本介绍颜色模型(颜色空间)是一个数学模型，此模型实现了用一组数值对颜色进行描述，合适彩色模型的选取在彩色图像的处理过程中是非常关键的一步REF_Ref31071\r\h[33]。目前，常见的彩色模型根据其应用可分为以下两类：面向硬件设备的彩色模型RGB模型面向硬件设备使用的最经典、最常见的彩色模型，如电视、摄像机和彩色扫描仪等常用的硬件设备，都以RGB模型为基础来完成其工作。RGB颜色模型是建立在坐标系中一个立方体模型，该坐标系的纵横竖三个坐标轴分别代表R、G和B，即红、绿、蓝三种颜色，如图4-1所示，原点坐标（0,0,0）表示黑色，这在某种程度上说明了与原点相对的立方体上与原点相距最远的那个点（1,1,1）表示白色，RGB模型中，白光由红光加绿光加蓝光叠加而成，所以其建立的基础是光的叠加，它在显示器这样的设备中得到广泛的应用(钟丽娜,黄浩宇,2022)REF_Ref31163\r\h[34]。图4-1RGB模型然而，RGB颜色模型存在一个显著的缺点，它与人的心理感知不相符，通过R、G、B所对应的数值，我们无法得到相应的数值所代表的颜色属性，故而RGB模型不过直观，这是其不能面向视觉感知的一个重要原因。这在一定程度上注解了此外，RGB模型中的颜色分布不够均匀，通过RGB颜色模型中两个颜色点之间的距离，我们不能得到这两种颜色之间的知觉差异，因此，这种颜色模型只能面向硬件设备(任力宏,李志凯,2021)。YCrCb模型在YCrCb模型中，Y是亮度分量的表示，Cr是红色色度分量的表示，而Cb是蓝色色度分量的表示。通过大量实验表明，人类的肉眼在三个分量中最敏感的是Y分量，因此，尽管对亮度分量子采样，某程度能看出此时亮度分量将减少，但人眼也不能察觉到图像质量的变化REF_Ref31271\r\h[35]。这是YCrCb模型常用于肤色的检测的一个原因，通过各类实验人们发现，面向硬件设备的RGB颜色模型与YCrCb颜色模型之间可以进行相互的转换。其中RGB颜色模型转成YCbCr颜色模型的公式为(邱梦瑶,方启航,2022)：Y=0.299R+0.587G+0.114BCb=0.564(B-Y)

Cr=0.713(R-Y)（4-1）YCbCr颜色模型转成RGB颜色模型的公式为：R=Y+1.402Cr

G=Y-0.344Cb-0.714Cr

B=Y+1.772Cb（4-2）面向视觉感知的彩色模型以上描述的是和人眼的视觉感知是不相似的面向硬件设备的彩色模型，使用起来并不方便，如即使已知一个RGB彩色模型，我们也无法用肉眼判定其R、G、B分量。因此人们发现了面向视觉感知的彩色模型，这些模型更接近我们人眼的感知情况，并且还存在独立的设备显示。常见的面向视觉感知的彩色模型如下所示(傅德昊,张媛媛,2021)：HSI模型HSI模型是面向视觉感知中常见的的颜色模型，其模型为双菱锥结构，如图4-2所示：图4-2HSI模型其中，色调H（Hue）:是人对不同颜色的感官感知的表示，取决于光波的波长，H分量不同，颜色不同，它还能表示如冷色、暖色等在一定范围内的颜色，由其数值所决定，H分量的值对应一个夹角，这无疑地传达出即R轴与指向该点的矢量之间的角度(冯宇和,马欣怡,2022)。这一结果与理论上的预测基本一致，首先表明在设定的条件范围内，实际情况与理论模型之间具有高度的吻合性。这不仅增强了本文对相关理论机制的理解，同时也为后续研究提供了坚实的基础。此外，此发现还进一步支持了该领域内其他类似研究所得到的结论，促进了理论框架的完善与发展。饱和度S（Saturation）:是颜色纯度的表示，纯光谱色是完全饱和的，想要稀释饱和度，可以加入白光实现，越鲜艳的颜色其饱和度越大，反之饱和度越小的颜色，越不鲜艳。在三角形中，饱和度由内向外增大，中心的饱和度最小，边上的饱和度最大(史嘉玲,叶振华,2020)。亮度I（Intensity）:表示颜色的明亮程度，对应于图像的亮度和灰度，HSI模型中，中点向上变为白色，从这些现象中显示向下变为黑色，越白越亮，越黑越暗(高晨曦,刘国栋,2022)REF_Ref31395\r\h[36]。经学者研究发现，RGB颜色模型与HSI颜色模型之间是能够相互转化的，转化公式如下所示：HS=1−

I=(R+G+B)3

HSI模型建立的几个重要依据如下：1.图像中的彩色信息与I分量无关；2.人眼感受颜色的方式与H和S分量有着直接的关系的，3.实验条件中，光源的纯度和强度一定，故而图像的S和I分量固定，所以彩色图像特征提取只需提取H分量的特征，这几个特点保证了HSI模型可以对彩色特性进行检测，并且保证了其分析的准确(余佳怡,赵英杰,2021)。为保证研究结果的精准性，本研究考虑到研究过程中可能出现的各种偏差，本文在设计阶段就采取了多种策略来加以控制。为了增强研究的透明度和可重复性，本文详细记录了所有研究步骤，包括数据处理过程、分析方法的选择依据以及任何可能影响结果的决策点。HSB模型HSB彩色模型是基于对立色理论建立的，对立色理论起源于人们对对立色调的观察，如红和绿、黄和蓝，人们通过观察发现，当相同量的对立色相加后，其所显现的颜色能够相互抵消，故而人们建立HSB彩色模型，其中H是色调的表示，S是饱和度的表示，B是亮度的表示，并且在HSB模型中，白色和黑色无色相，白色、黑色和灰色没有饱和度REF_Ref31486\r\hREF_Ref31516\r\h[37]。HSB的模型结构如图4-3所示：图4-3HSB模型其中，H（Hue）色调：在标准色环上，按照角度值的不同进行标识，从0°-360°，每一个度数对应一个颜色，如0°是红色，30°是橙色。S（Saturation）饱和度：指颜色的纯度，从这些操作中看出它表示总色彩中彩色成分的比例，从左向右，色立面上的饱和度逐次递增，用百分比来进行衡量，从左到右对应从0%到100%，其中，灰色对应左边线0%，右边线100%对应完全饱和(许琦璇,赵光宇,2022)。B（Brightness）亮度：颜色明暗程度的表示，从上至下，色立面上的亮度依次递减，用百分比来度量，从上至下对应从0%到100%，其中，白色对应上边线100%，黑色对应下边线0%。4.2.2苹果颜色模型的选择及实现由于图像的彩色信息中，HSI颜色模型中的I分量与图像中彩色信息无关，并且HSI模型与人对颜色的感受十分相近REF_Ref31597\r\h[38]，所以本次将选择HSI模型来实现苹果颜色特征的提取。在分级的实际过程中，首先利用采集到的苹果图像，这在一部分程度上揭示了提取其中的RGB分量，接着根据转化公式编写的rgb2hsi函数进行模型转化，转化为贴合人眼视觉的HIS模型，提取其中的HIS分量。在本次分级系统设计中，提取到的R、G、B分量如图4-4所示：图4-4苹果的RGB分量图转换后的HSI分量如图4-5所示：图4-5苹果的HSI分量图4.3水果颜色特征的分析及等级的划分在苹果的颜色等级划分中，囊括了很多方面，其中，色度、红区比例及苹果的着色均匀度三部分是最主要的，就色度而言，青苹果的色度比黄苹果的大，而就品质的话，偏黄苹果的品质较偏绿的好；苹果红区的比例是苹果红区面积大小的反映，而红区面积又代表苹果的含糖量，苹果的红区面积越大，以现有结果为基准我们可以推断其含糖量越高，相应的，苹果的口感就更好；苹果的颜色均匀性也很重要，即苹果的着色均匀度，着色越均匀的苹果，越美观，顾客更愿意购买，苹果的着色度在苹果颜色的分级过程中起着十分重要的作用，它是苹果的红区面积和苹果总表面积比值的反映(王子杰,李可欣,2022)。苹果颜色特征的提取方法是：首先将初始的RGB图形用转换公式编写的rgb2hsi函数将其转化为HSI模型，并提取其中的H分量，然后通过graythresh函数，提取合适的阈值对红区进行二值化处理，并对红区的面积进行计算，最后用红区面积与苹果总表面积相比，比值即为苹果的着色度。其中，国家苹果颜色等级的划分如表4-1所示：苹果等级优等品一等品二等品颜色红或条红90%以上红或条红75%以上红或条红55%以上表4-1鲜苹果颜色等级要求4.4本章小结苹果颜色特征的提取是苹果分级中一个重要的因素，本章中选取了与人眼感受颜色方式最接近的HSI模型，利用H分量获取得到苹果红区的面积大小，再将求得的红区面积大小与苹果的实际表面积相比，这在一定意义上透露了所得的比值即为苹果的着色度，最后按照国家苹果颜色等级标准进行划分，得到苹果的颜色等级。在本文的研究推进过程中不可避免地遇到了一些挑战和局限，例如在应用已有理论框架时，尽量考虑到其适用性和局限性，并尝试通过实证数据对其进行检验和完善，但这仍然是一个持续的过程。水果形态特征的提取5.1引言水果的形态一般从果形、果径、色泽三方面进行讨论研究，根据其特征按照国家水果分级标准划分为等外品、二等品、一等品、优等品这几种品质。其中果径和色泽在前文中已经进行了讨论，现在将针对苹果的果形进行探索。这在一定程度上显露苹果的果形一般描述为圆形度、圆形指数，圆形度是指果实的圆形程度，越圆的苹果果形，在分级过程中，果实被划分的等级将越高，这和实际生活中，顾客更愿意购买更圆润的水果的情况是相符合的；而果形指数让果实纵径与横径相比，根据计算得到的比值可将果形分为圆形、椭圆形、扁圆形等类型。在现阶段的研究过程中，对果形的研究主要从圆形度上入手(林欣怡,张宏伟,2023)。5.2水果形态的检测及分级标准5.2.1苹果形态的检测方法通常，形态特征表示的方法有两种，一种是区域特征，另一种是轮廓特征。图像的区域特征主要针对整个形状区域，而图像的轮廓特征则只关系到物体的外边界，下面几种是常用的描述形状特征的方法：最小最大半径比值法：该方法首先需要确定苹果的圆心，接着计算苹果边缘上所有像素点到圆心的距离，选择其中的最小值和最大值，将最小值和最大值相比，得到的比值在0-1之间，该值即为苹果的圆形度，苹果越圆，比值越靠近1.傅里叶形状描述法：此方法的基本原理是边界区具有的周期性和封闭性，对苹果边界作傅里叶变换，将二维问题变换为一维问题。这在某种程度上证实了经过变换后，可以得到三种描述形状的表达式，分别是质心距离、曲率函数和复坐标函数。此方法虽然形态特征的描述比较精确，但计算量相比而言较大，并不满足流水线中实时性分级的要求。圆度值法：该方法是通过求取苹果的圆形的周长和面积，再根据周长和面积求出对应的半径，对于形状规则的圆而言，根据周长和面积求出来的半径是相等的，这在某种程度上说明了但由于大部分的苹果并不是很标准的圆，所以由周长和面积求出来的圆的半径并不相等，形状越不规则的圆，求出来的半径相差越大，所以可以通过两者平方的比值来描述苹果的圆形度REF_Ref31708\r\h[39]，并通过周长和面积进行推导，得到圆形度的公式如下所示：

metric=rs²rL²=S/π其中，metric表示圆形度，rS是根据面积求出的半径，rL是根据周长求出的半径，且面积S=πrS2，周长L=2πrL。这在一定程度上注解了其中苹果越圆，其圆度值越与1越接近，图5-1为本次设计样本中的苹果的圆度值：图5-1苹果的圆度值特征5.2.2水果形态的分级标准苹果形态的分级标准同样按照国家颁布的分级标准，如表5-1所示：苹果等级优等品一等品二等品圆形度>=0.84>=0.83>=0.82表5-1苹果圆形度分级标准5.3本章小结本章通过综合考虑，选择圆度值法来获取苹果的圆度值形态特征，能够较好的描述苹果的形状，与傅里叶变换形状描述法相比，圆度值法的计算更为简便，运行结果快且结果准确，符合分级的实时性要求。水果分级系统的研究6.1引言通过前面的图像采集、图像处理和特征提取的分步进行，为苹果的分级系统建立做好了充足的准备，苹果的大小、颜色、形态这些都是苹果的单一特征，只是针对某一特征进行分级会导致结果的不准确性和片面性，不能满足苹果分级的要求。只有将多个特征相结合，综合判断苹果的等级，才能保证得到的苹果分级结果是准确可靠的。而GUI（图像用户界面）在环境开发时存在可复用的器件，能够帮助用户在界面测试时更加准确和省时REF_Ref31973\r\h[40]。6.2水果分级系统的设计及结果本系统以GUI（图形用户界面）作为平台，采用先进的计算机技术，如模式识别、图像处理、机器视觉等，实现苹果的准确分级。任何理论模型都是现实世界的简化，因此不可避免地会存在一些假设和近似处理。这可能导致模型不能完全捕捉到所有相关变量及其复杂的交互作用，从而引发模型偏差。为了解决这一问题，本文不仅参考了广泛接受的理论基础，还结合最新的研究成果来调整和完善本文的分析框架。同时，在讨论研究结果时，本文也特别注意区分哪些结论是基于特定假设得出的，哪些具有更广泛的解释力。本系统设计的GUI界面如图6-1所示，包括“打开图像”、“图像处理”、“开始分级”、“退出”四个按钮，通过“打开图像”按钮来导入采集并经过一定处理后的苹果图片，某程度能看出导入后显示在按钮上面的框中；通过“图像处理”按钮，可实现图像的预处理，包括灰度化、中值滤波和二值化处理等，并生成一个图像预处理后的新界面，显示图像处理后的图像，产生的新界面如图6-2所示；通过“开始分级”按钮可实现苹果按照大小、颜色和形态三个特征的分级，首先是提取苹果的三个特征，并将提取到的特征值分别写入左下角对应的特征框中，这无疑地传达出接着与右上角国家苹果的分级标准对照，最后将最终的结果输入到右下角的苹果分级结果框中，显示最终的分级结果；通过“退出”按钮可实现GUI界面的关闭；界面中有一个进度显示框，当每一个按钮实现了其所包含的作用后，进度显示框将显示对应的操作已完成。最终的运行结果界面如图6-3所示：图6-1苹果分级系统的GUI设计界面图6-2弹出的图像预处理界面图6-3苹果分级系统的结果输出界面由于不同地域、不同季节、不同市场、不同种类苹果的分级标准不一定一致，所以水果分级标准的设置我采用的是个人可设置的水果分级标准，即可根据当地的标准进行更换，方便不同的分级需求，从这些现象中显示并自带有国家颁布的苹果分级标准，便于用户的使用。通过输入苹果的样本图像，得到最终的实验结果，并与人工分级的结果想比较，得到本系统的苹果分级准确率为90%及以上，且单个苹果处理的时间不超过5s，这极大的提高了苹果的分级效率，从这些操作中看出有效的节省了时间和劳动力，且本系统不受人为因素干扰，有利于水果分级自动化的实现，以上都表明了本系统是可行和有效的。6.3本章小结本章主要介绍了水果分级系统的GUI界面的设计内容及实现的结果，主要包括图像的打开、图像预处理、苹果分级等一列按钮的编程实现，并通过国家苹果分级标准的设置，与提取到的苹果特征值相比较，在分级结果框中显示最终的苹果分级结果，该界面清晰明了、易于用户操作，具有一定的推广价值。第七章结论与展望7.1研究总结本文的主要内容是基于机器视觉的水果分级系统研究，由于我国苹果的产量巨大但出口量较小，所以选取的水果研究对象是苹果，主要的操作过程包括苹果图像采集、苹果图像预处理、苹果特征的提取及最终结果的输出，为苹果的分级奠定一定的基础，论文的主要内容和研究工作可以概括为以下几个方面：图像的采集：购买一定数量的苹果并将其处于同一背景、同一光照下进行拍摄，以保证采集的苹果样本图像的可靠性，这在一部分程度上揭示了由于采集到的苹果环境比较复杂且图片分辨率较高，故而在图像预处理前进行了背景更换、图片压缩等处理，提高后续工作的效率；图像预处理：预处理是输入图像后的操作，也是特征量提取前的必要处理步骤，通过多种处理方法的比较和对照，首先采用加权平均值法对采集到的苹果图像进行灰度化转化，接着为了消除由于拍摄时抖动或传输设备等的影响而产生的干扰噪声，采用中值滤波法继续对图像作平滑处理，然后为了方便提高计算机识别时的效率及图像中信息的提取，对图像继续作二值化处理，最后为了实现噪点的消除和图像的填充，调用imclose、imfill函数，实现图像的闭运算，融合图像中的细长弯口和窄缺口的同时补齐轮廓上的缝隙。特征提取：水果分级主要依据水果的大小、颜色、果形等特征，故而本次研究首先通过对比投影面积法、最小外接矩形法、最小外接圆法来获取苹果的大小特征，这是由最小外接圆法得到的果径数值更精确所决定的，以现有结果为基准我们可以推断接着通过对比RGB、YCbCr、HSI、HSB等各类颜色模型，最终选取与人感受颜色的方式最接近的HSI模型，利用其中的H分量获取苹果红区面积的数值，将红区面积与苹果的实际面积相比，比值即为苹果的着色度，即苹果的颜色特征值，最后通过对比边界特征法、傅里叶形状描述法、圆度值法，选取计算更为简便，运行结果快且结果准确，符合分级的实时性要求的圆度值法实现苹果果形特征的提取。苹果分级：即最终苹果分级结果的输出，通过MATLABGUI界面的设计，将提取到的多个苹果特征进行融合，查阅国家规定的苹果分级标准，与提取到的苹果果径、红色着色比、圆度值三个特征值进行对比，输出最终的苹果分级结果，该界面操作简单，简洁明了，具有一定的使用价值。7.2研究展望本文虽进行了一定的苹果分级算法的研究，取得了一定的研究成果，但是仍存在问题需要继续探究，还有很多工作要做：苹果采集的环境过于简单，这与实际作业下苹果分级环境是不一致的，在实际的操作环境中才可以继续改进分级算法。选择分级的苹果种类比较单一，且采集的苹果样本有限，因此需要建立更多的数据样本，使分级系统得到不断的完善。提取的特征值有限，在未来的研究中，还可继续对苹果表面的缺陷情况等进行研究，剔除分级中的坏果，从而提高该系统的工作效率。参考文献陈俊杰,王思涵,等.苹果分级的研究现状及进展[J].落叶果树,2022,051(006):24-27.李宇翔,刘婧怡.基于图像处理的多特征融合苹果分级方法研究[D].河北科技大学,2023.张建国,孙晓琳.基于机器视觉的苹果品质分级技术的研发[D].黑龙江大学.林浩然,陈梦琪,etal.MachineVisionforColorInspectionofPotatoesandApples[J].TransactionsoftheAsae,2021,38(5):1555-1561.ArivazhaganS,ShebiahRN,NidhyanandhanSS,etal.FruitRecognitionusingColorandTextureFeatures.journalofemergingtrendsincomputing&informationsciences,2010.İ.KavdırandD.E.Guyer.Evaluationofdifferentpatternrecognitiontechniquesforapplesorting[J].Bio王宏伟,张怡萱temsEngineering,2008.SofuMM,ErO,K陈俊杰,王思涵canMC,etal.Designofanautomaticapplesorting王宏伟,张怡萱temusingmachinevision[J].ComputersandElectronicsinAgriculture,2016.MizushimaA,LuR.AnimagesegmentationmethodforapplesortingandgradingusingsupportvectormachineandOtsu’smethod[J].Computersandelectronicsinagriculture,2013,94:29-37.OhaliYA.Computervisionbaseddatefruitgrading王宏伟,张怡萱tem:Designandimplementation[J].JournalofKingSaudUniversity-ComputerandInformationSciences,2011,23(1):29-36.MoallemP,SerajoddinA,PourghassemH.Computervision-basedapplegradingforgoldendeliciousapplesbasedonsurfacefeatures[J].InformationProcessinginAgriculture,2017:S2214317315300068.黄昕怡,杨子萱.计算机视觉在芒果品质检测中的应用研究[J].农机化研究,2019,041(009):190-193.郑伟强,吴雅婷.基于图像特征融合的苹果在线分级方法[J].农业工程学报,2017,33(01):285-291.李翔宇,郑琳娜.基于计算机视觉的血橙无损检测与分级技术研究[D].西南大学,2016.周子浩,王静茹.基于决策树支持向量机的苹果表面缺陷识别[J].食品与机械,2017,33(09):131-135.王雪晴,刘芝和.基于机器视觉的苹果在线分级系统平台研究.[沈阳农业大学硕士论文].沈阳:沈阳农业大学,2018高宇航,唐欣怡.基于机器视觉的水果外部品质检测技术研究[D].华南农业大学,2017.4-5.龚雪媛,陈志宇.基于噪声评价的微光红外图像自适应融合方法[J].海军工程大学学报，2017，29(1)：102~106．张涵煜,李泽宇.基于稀疏表示的图像去噪算法优化[J]．计算机与数字工程，2015，43(11)：2020~2023．赵睿智,杨可儿,等.结合全变分的双边滤波图像去噪方法研究[J].现代电子技术,2017(17):44-47.徐浩然,孙倩文.基于轮廓形状和复杂网络的图像识别新方法[D].广东工业大学,2016.Nercessian,ShahanC,Panetta,etal.Non-LinearDirectMulti-ScaleImageEnhancementBasedontheLuminanceandContrastMaskingCharacteristicsoftheHumanVisual王宏伟,张怡萱tem[J].I(黄昕