【《农产品机器视觉检测系统中产品外观品质检测识别过程案例分析》5900字（论文）】

农产品机器视觉检测系统中产品外观品质检测识别过程案例分析目录TOC\o"1-3"\h\u26878农产品机器视觉检测系统中产品外观品质检测识别过程案例分析 162181.1不同颜色八角颜色提取结果 12081.2八角颜色识别结果 2318531.3果数特征提取结果 2247651.4正弦定理法果型提取结果 326341.5正弦定理八角角瓣识别结果 6139141.6傅里叶变换法果型提取结果 6295531.7傅里叶八角角瓣识别结果 815431.8八角均匀系数提取结果 819611.9八角质量模型建立 9209301.9.1质量与像素点的回归模型 9217331.9.2回归模型显著性检验 10317161.10八角正反面纹理特征提取结果 10142411.11小结 161.1不同颜色八角颜色提取结果对101个黑红、褐红和棕红色八角样本的RGB图像作H、S、I变换，计算这些样本的H、S、I的均值，然后做出H、S、I颜色分量的Hue折线图。分析发现只有在H分量下，黑红、棕红和褐红色彩呈现较明显的区别，S、I分量下则并无明显区别。图4-1所示为三种颜色的样本图像在H分量下的Hue折线图。从图中可以看出，若H值大于60则为褐红，35~60之间为黑红，小于35的则为棕红。图4-1各类八角颜色H分量图Fig.4-1Huelinediagramsinvariousoctagonalcolors由上述可以看出八角颜色在H空间区别明显，虽有重叠部分（造成此现象的原因主要是少量八角样本在贮藏过程受到环境的影响而导致颜色发生变化），但是对八角的颜色识别仍具有理论意义和实际意义。1.2八角颜色识别结果对选取的不同颜色的八角各41个在H分量下对其进行识别，结果如图4-2所示。其中落在35~60的黑红八角为39个、大于60的褐红八角为40个，小于35的棕红八角为39个。由表1.1可知，在H分量下对黑红、褐红和棕红色的八角样本进行识别的比率分别为95.12%、97.56%、95.12%。图4-2不同八角颜色在H分量下的识别比率Fig.4-2RecognitionratioofdifferentoctagoncolorsunderHcomponent表1.1八角颜色特征识别结果Table1.1Recognitionresultsofanisecolorfeatures样本颜色样本数量/个Numberofsamples/number落在相应H分量区间的个数/个ThenumberofHcomponents/number识别比率Recognitionrate棕红Brownishred413995.12%黑红Blackred413995.12%褐红Maroon414097.56%由表4-1可知，在H分量下对黑红、褐红和棕红色的八角样本进行识别的比率分别为95.12%、97.56%、95.12%。1.3果数特征提取结果图4-3为角数都为8的八角角数识别率，识别率比为91.73%。从图中可以看到识别果数多的次数多于次数少的，造成这种现象的原因是，由于个别八角轮廓会出现小的波峰，从而导致误判。图4-3八角角数识别图Fig.4-3Octagonalimageprocessingrecognitiondiagram1.4正弦定理法果型提取结果通过前文对八角角数的提取，结合国家标准中八角角瓣的大小，本文基于前文中的八角角数，以角数建立角度特征作为描述果型的特征参数,其参数定义和果型特征提取如下：（1）波峰与波谷。由前文可知，虽然已经可以准确地定位极值点，极值点即八角角数P（ρn,θn），但识别到的极值点之间排列没有规律且不能直观的表述八角特征，因此需对极值点P进行排序和标记，分为波峰和波谷。求取八角极值点行坐标ρn的平均值，公式为means=n=0NρnN(n=1,2,3,…,N)，式中N为极值点的个数[76-77]a有序极坐标波谷图(Tr)aSortedpolartroughchart（Tr）b有序极坐标波峰图(Cr)bOrdinatedpolarcrestdiagram（Cr）c波谷有序原图cTroughssortedaftertheoriginaldiagramd波峰有序原图dTheoriginalimageafterthecrestissortede波峰一一对应图eTheoriginaldiagramcorrespondstothepolarcrest图4-4波峰波谷图Fig.4-4Crestandtroughcharts(2)正弦模型建立。得到波峰和波谷后，以波峰为起点，波谷为终点建立向量ak、bk,波峰到波谷的距离为高hk(k=1,2,3,…,K)，如图4-5所示。并将ak和bk带入式（1.1）-（1.2）建立正弦公式。式中θ为八角波峰和两边波谷的夹角（待求），ak，bkcosθ=akbQUOTEφk=180π∗cos−1cosθQUOTE∂k=φkhk（图4-5向量定义图Fig.4-5Vectordefinitiondiagram根据1.6.4所述，由图4-5可知，对极坐标点进行向量标记计算复杂[78-79]，也不能直观的表述出八角的特征，因此本文将寻找到的波峰和波谷点进行反变换得到笛卡尔坐标系并在八角轮廓上画出。通过对各个极值点距离的向量带入式（1.1）与式（1.2）得到夹角值φk，如图4-6b所示，计算得到的夹角值和高（QUOTEhk）为波峰到波谷的距离，利用点到直线的距离求出，求出的高hk如图4-5c所示。图4-6中C代表度、H代表高。

a图像处理后的八角廓轮标记图aMarkingdiagramofoctagonalprofilewheelafterimageprocessingb图像处理后的八角角度标记图bAfterimageprocessing,theoctagonalAnglemarkingdiagramc图像处理后的八角高与角度标记图cOctagonalheightandanglemarkmapafterimageprocessing图4-6果型特征图Fig.4-6Fruittypefeaturemap1.5正弦定理八角角瓣识别结果通过正弦定理对另选取的不同果型的八角各35个角瓣识别结果，角瓣瘦长识别占比为97.14%，角瓣粗短的识别占比为91.29%。如表1.2所示。表1.2基于余弦定理的角瓣识别结果Table1.2Cornerloberecognitionresultsbasedonlawofcosines果形特征Fruittypecharacteristics个数Totalnumber识别占比Recognitionrate角瓣瘦长Angularvalveslender3597.14%角瓣粗短Theanglevalveisthickandshort3591.29%1.6傅里叶变换法果型提取结果八角的形状复杂，对八角肉瓣直接识别难度较大且不易于分析，但八角极坐标变换后的轮廓酷似一周期信号。为了能更好对八角的肉瓣进行识别，将轮廓点θ(k)和ρ(k)带入式（1.4）进行转换[80-81]。Sk=θ(k)+jρ(k)（式中k=1,2,3,…,k-1。其中θ(k)为极坐标点xk，为复数域的实数轴，ρ(k)为极坐标点yk，为复数域的虚轴，S(k)为复数域，k为轮廓点数。通过公式（将S(k)带入公式（1.5）au=k=0Ks(K)离散傅里叶变换（DFT）中，s(k)=1I0a角瓣粗短频率图aAngularlobecoarseshortfrequencydiagramb角瓣瘦长频率图bAngularlobeleanfrequencydiagramc频率-幅度平均值图cFrequency-amplitudeaveragegraph图4-7频率-幅度对比图Fig.4-7Frequency-amplitudecomparisondiagram1.7傅里叶八角角瓣识别结果另选取角瓣瘦长和角瓣粗短的八角各35个进行图像预处理，轮廓识别与极坐标变换后，再进行傅里叶变换识别八角的形状。角瓣瘦长识别正确率为91.29%，角瓣粗短的识别正确率为91.29%，如表1.3所示。其中，检测错误主要由于频率计算时，个别八角果型不规律，造成不同果型的八角频率相近。但对八角轮廓特征进行离散傅里叶变换简化了问题的方向，也为后续继续研究八角的人提供一定的思路和方法。表1.3基于傅里叶变换后的角瓣识别结果Table1.3TherecognitionresultofcornerlobeisbasedonFouriertransform果形特征Fruittypecharacteristics个数/个Total/Number识别正确率Recognitionrate角瓣瘦长Angularvalveslender3591.29%角瓣粗短Theanglevalveisthickandshort3591.29%1.8八角均匀系数提取结果在对八角进行分类或者分级过程中，对于八角的外观都有严格的要求。角瓣参差不齐这一特征能为消费者带来更多的选择，本文利用标准差公式对这一特征进行描述。具体如下：σ=1Ni=1本文通过人工挑选角瓣均匀的90个八角，并利用前文识别出来的八角角数N（波峰）和最小内接圆下求得的半径μ，xi为波峰到圆心μ的径向距离，再带入标准差公式（1.6）求出结果就可以知道八角果角的均匀性，如果σ值很大，那么八角角瓣参差不齐、不均匀，则判定八角的外观不好。由下图可以看到角瓣均匀的八角σ图4-8均匀八角标准差图Fig.4-8Uniformoctagonstandarddeviationchart1.9八角质量模型建立1.9.1质量与像素点的回归模型重量是衡量八角品质的一个重要特征，对分析八角的均匀性和检测八角品质都有一定的作用。对前文中八角二值图像的白色区域进行遍历操作，既可以得到白色像素点的个数，像素数目越大，说明八角的重量相对越大。为研究八角质量y（单位g）与二值图像像素的个数之间的函数关系，本研究选取了300个八角样本，用电子天平测出每个样本质量（单位g），然后与二值图像的白色像素点个数作对照。图4-9为八角样本质量与像素点之间的散点图，从图中可以看出，八角的质量y与八角样本二值图像中白色像素点的个数x之间有很强的相关性。图4-9八角质量与像素点的相关图Fig.4-9Adiagramofoctagonalmassandpixelpoints对照八角的质量y与对应的八角像素点个数x，可以得到八角质量对于像素点个数的预测模型：y=5×10−5x+0.024其中，y表示八角的质量预测值（g），x为八角像素点数。建模完整数据见附表2，表中有5列数据，依次为八角序号、二值图像像素个数、八角实际质量、残差、标准残差、八角预测值。通过分析数据可知，建立的一元线性回归模型具有较高的相关性和显著性。1.9.2回归模型显著性检验用方程的F值和相关系数R对回归所得模型进行显著性检验，结果如表4-1。表1.4模型显著性检验Table1.4Modelsignificancetest标准误差相关系数RF值（α=0.02）P值0.06370.94492711.7451.2×10-8从表1.4看出，模型的相关系数R=0.9449，标准误差为0.0637，对模型进行F检验，F=2711.745，P<0.0001，回归方程极显著，表明八角实际质量与像素点存在很高的相关性。1.10八角正反面纹理特征提取结果为了识别器正反面的区别，本节将利用能量、对比度、相关性、非相似性和逆差矩对八角进行正反面特征提取，如图4-10为粗壮八角背面和瘦长八角背面图像。a粗壮八角背面面图像aRobustoctagonbackimageb瘦长八角背面面图像bSkinnyandlonganisebacksideimage图4-10八角背面图像Fig.4-10Imageofthebackoftheoctagon能量：也称为角二阶矩，是灰度共生矩阵元素值的平方和，所以也称能量，反映了图像灰度分布均匀程度和纹理粗细度。如果共生矩阵的所有值均相等，则ASM值小，纹理就越细致；相反，如果其中一些值大而其它值小，则ASM值大，纹理就越粗糙。当共生矩阵中元素集中分布时，此时ASM值大。ASM值大表明一种较均一和规则变化的纹理模式，如下图（1.11）-（1.12）能量折线图。计算公式如下（1.8）：W1其中：W1i，j分别为图中灰度像素点的出发点和终点（下面公式中i，j亦同）图4-11粗短八角能量折线图Fig.4-11powerlinediagramofshortandthickoctagonal图4-12瘦长八角能量折线图Fig.4-12thinandlongoctagonalenergylinediagram（2）非相似性：代表了图像的信息量，是图像内容随机性的度量，能表征纹理的复杂程度。当图像无纹理时熵为0，满纹理时熵最大。从数学角度看，当共生矩阵中的元素近似相等时熵最大。如下图（1.13）-（1.14）熵折线图以及计算公式如下（1.9）：W2其中：W2图4-13粗短八角正反面非相似性折线图Fig.4-13linechartofdissimilaritybetweenpositiveandnegativesidesofshortandthickoctagon图4-14瘦长八角正反面非相似性折线图Fig.4-14linechartofdissimilaritybetweenthepositiveandnegativesidesofslenderanise（3）对比度：是关于主对角线的惯性矩。它度量了矩阵值的分布情况和图像的局部变化。从数学角度看，共生矩阵中远离对角线元素的系数变大，对比度随之变大。在图像中主要利用其表述清晰度和纹理沟纹深浅的程度，纹理沟纹越深，其对比度越大，视觉效果越清晰；反之，对比度小，则沟纹浅，效果模糊。灰度差即对比度大的象素对越多，这个值越大。灰度公生矩阵中远离对角线的元素值越大。如图（1.15）-（1.16）对比度折线图。计算公式如下（1.10）：W3其中：W3图4-15粗短八角正反面纹理对比度折线图Fig.4-15.Brokenlinechartofpositiveandnegativetexturecontrastofshortandthickoctagon图4-16瘦长八角正反面纹理对比度折线图Fig.4-16thinanisetexturecontrastlinechart（4）相关性：它度量空间灰度共生矩阵元素在行或列方向上的相似程度，因此，相关值大小反映了图像中局部灰度相关性。当矩阵元素值均匀相等时，相关值就大；相反，如果矩阵像元值相差很大则相关值小。如图（1.17）-（1.18）正反面相关性折线图。计算公式如下（1.13）可知：W4=其中：W4μ1=i=1nδ1=i=1图4-17粗短八角正反面相关性折线图Fig.4-17linechartofpositiveandnegativecorrelationofshortandthickanise图4-18瘦长八角正反面相关性折线图Fig.4-18linediagramofpositiveandnegativecorrelationofthinandlonganise（5）逆差矩：反映图像纹理的同质性，度量图像纹理局部变化的多少。其值大则说明图像纹理的不同区域间缺少变化，局部非常均匀。如图（1.19）-（1.20）为逆差矩折线图。计算公式如下（1.14）：W5其中：W5图4-19粗短八角正反面逆差矩折线图Fig.4-19chunk-shortoctagonpositiveandnegativebalancemomentlinediagram图4-20瘦长八角正反面逆差矩折线图Fig.4-20thinandlonganisepositiveandnegativebalancemomentlinediagram取八角在0°、90°两个方向的纹理特征值的5个统计量，对八角的正反面进行提取和分析比较可知：八角在能量、非相似性、逆差矩、相关性和对比度五个统计量中都有明显的区别。（1）在能量表现上，粗短八角正面能量值在0.0038~0.0073之间波动，而反面能量值在0.0039~0.0081之间小幅度的波动；瘦长八角八角正面能量值在0.0104~0.0135之间波动，而反面能量值在0.0036~0.0078之间波动。（2）非相似性上，粗短八角正面相似性值在2.9756~1.2516之间，而反面相似性值在1.5321~2.4879之间小幅度的波动；瘦长八角正面相似性值在1.4879~2.4895之间小幅度波动，而反面相似性值在2.5151~1.1219之间波动。（3）对比度表现上，粗短八角正面对比度值小于9.8954~39.9655，而反面对不度值在38.1506~96.1199之间的波动；瘦长八角正面对比度值在11.9846~25.1546之间进行小幅度波动，而反面对不度值在18.3553~79.6736之间的波动。（4）相关性表现上，粗短八角正面相关性值在0.9856~0.9939之间波动，而反面相关性值在0.9859~0.9938之间的波动；瘦长八角正面相关性值在0.9583~0.978