【《基于机器视觉的农产品外观品质检测方案设计案例》24000字（论文）】

第1章绪论八角是一种经济效益很强的经济作物，在国内每年对干八角的需求量约为30000吨；八角茴油方面的需求达800吨以上。不仅如此，自1995年开始，我国的八角每年出口量大于600吨，1999年甚至达800吨[3]。但这几年来，我国八角的出口量因品质不稳定而波动较大，波动幅度最大时甚至达到1500吨左右。出口八角品质的不稳定与我国八角品质的检测技术有很大的关系。八角外形复杂，颜色单一且色差小，我国虽已有确定的国家标准（大红八角颜色为棕红和褐红，果型特征为角瓣粗短；角花八角的颜色为褐红，果型特征为角瓣瘦长；干枝八角颜色为黑红，果型特征为壮瘦兼备），但品质检测特别是外观品质的检测仍然依靠人工或简单机械进行，准确率低、劳动强度大、效率不高，分检后的产品达不到进口国的品质要求。因此，本文将以机器视觉技术为基础探索一种八角外观品质检测技术，这对加强我国出口八角的品质检测，对稳定出口量、引导八角产业健康良性发展具有重要意义。为了分选不同类型的八角，剔除质变八角，提高八角的外观品质和实用价值。亟需对八角进行分拣，但目前八角的分拣仍然依靠人工或简单机械进行，准确率低、劳动强度大、效率不高，分检后的产品达不到人们的品质要求。因此，本文将以机器视觉技术为基础，对八角进行外观品质检测。机器视觉技术是通过图像传感器技术在无接触的情况下采集所需图片，并对图像信息进行处理，随着机器视觉技术的不断成熟，机器视觉技术在农产品上的应用范围也越来越广泛。为推进我国农业生产现代化[57]，本文以国家标准为前提，在前人研究的基础上对不同果型、不同颜色和有无质变等八角进行检测识别研究。本文将为八角外观品质检测提供新的方法和检测理论，为相关产业检测技术提供理论基础和技术参考，同时推进我国的农产品外观检测技术的发展，促进我国产业现代化，提高八角的市场价值。

第2章八角图像的采集及预处理运用计算机视觉技术对八角进行外观品质之前，需对八角进行图像采集。图像采集工作是八角的外观品质检测的基础与前提，因此在开始处理图像时应先搭建图像采集系统采集八角图像，再对图像进行噪声滤除、灰度化、图像分割、轮廓提取等预处理操作。2.1八角图像采集2.1.1试验材料本文选取果型特征（角瓣瘦长和角瓣粗短）、颜色特征（棕红、黑红和褐红色）、变质特征（霉变）和正反面（角瓣瘦长和角瓣粗短）等八角作为研究对象，通过图像处理技术提取其特征信息，建立检测方法，实现对不同类型的八角果型、颜色和变质的识别。根据研究的需要，本文主要选取大红、干枝、角花等3个常见的八角品种，共394个，其中大红192个（外观颜色为棕色的101个、褐红色的91个），角花101个（褐红色），干枝101个（黑红色）为研究对象。为了检验识别效果，另分别选取棕红、褐红、黑红各41个样本，角瓣粗短和角瓣瘦长的八角各35个样本用于验证。2.1.2图像采集系统搭建根据八角图像采集的要求，本研究的图像采集系统其结构如图2-1所示，主要包括光源、光箱、计算机和工业相机等部分。774156231-灯管；2-采集箱；3-工业相机；4-八角；5-数据通信线；6-计算机；7-载物台1-lamptube;2-Collectionbox;3-Industrialcamera;4-star;5-Datacommunicationline;6-Computer;7-objectstage图2-1八角图像采集系统Fig.2-1Octagonimageacquisitionsystem系统中，图像采集设备为方诚科技FCID130C彩色工业像机，分辨率为1280×1024，将其置于光箱（规格为35cm×25cm×75cm）顶部正中央。周围有光源，光源由4根白色LED荧光灯组成，功率30W，色温为白色，平均分布在箱体的四个角上。相机正下方为载物台，相机镜头与载物台上八角距离为65cm，采集图像时将八角平放在台上。本文中图像的分析处理均通过VS2019+Opencv3.4.8实现。2.1.3图像采集针对本文的研究需要，在图像采集时，将八角样本平躺放置在工业相机的正下方的载物台上；打开光源，逐个对八角样本采图像，每个样本采集3次，选其中采集效果最好的进行研究，图像采集的过程中应注意相机的焦距、物距等参数的一致性，并使八角样本所在基面与光轴保持垂直。采集的图片如图2-2所示。a大红原图（棕红、粗壮）aTheoriginalredstaranise(Brown-red、stout)c角花原图（褐红，瘦长）cOctagonalfloweroriginal(Maroon,lanky)c干枝原图（黑红，瘦长）cDrybranchaniseoriginal(Darkred,lanky)d八角背面特征dAntagonbackfeature图2-2八角图像Fig.2-2Octagonimage2.2八角图像预处理2.2.1图像标定机器视觉所处理的图像信息都是以图像传感器采集的数字图像为基础的，因此在采集的过程中图像与原有物体存在一定的比例关系，为了能表示这一关系，需对这一关系进行表述，称为标定[58]。图像标定主要有传统相机标定法、主动视觉相机标定方法、相机自标定法等。本文采用传统标定法对其标定，标定时，应保证相机的参数不变，并用网格标定法进行标定。传统相机标定法需要使用尺寸已知的标定物，通过建立标定物上坐标已知的点与其图像点之间的对应，利用一定的算法获得相机模型的内外参数。传统相机标定法在标定过程中始终需要标定物，且标定物的制作精度会影响标定结果。为了保证其准确可靠，本文利用网格图像确定物体与其图像点之间的对应关系。如图2-3所示。在标定时，网格平面应严格垂直于光轴。图2-3标定网格Fig.2-3Calibrationgrid如图2-3标定网格图像所示，把视场分割成边长为bmm的标准块，通过计算标准块边长在图像中的像素平均值来计算毫米——像素的比例关系[59]，得到测量比常数K。K=bmmapixel式中：a表示图像中以像素为单位的网格长度平均值，K为最终本研究中系统标定结果。2.2.2图像滤波滤波在字面上的意思是滤除不相干不必要的波，在电学中指将信号中特定波段频率滤除的操作，是抑制和防止干扰的一项重要措施。而本文的滤波是指在图像采集、传输和处理时会受到光线、电流和噪音等不同因素的干扰，导致图像存在一些噪音或噪点，对八角特征参数的提取产生不利影响。因此需用滤波程序滤除这些噪音噪点，常见的滤波有高斯滤波、均值滤波和中值滤波。（1）高斯滤波高斯滤波是一种线性滤波，是常用的一种滤波算法，利用二维高斯函数的分布方式来对图像进行平滑，可以集中在高斯函数的特点，去除图像中的噪声。二维高斯函数是旋转对称的，在各个方向上平滑程度相同，不会改变原图像的边缘走向；其二高斯函数是单值函数，高斯卷积核的锚点为极值[60]，在所有方向上单调递减，锚点像素不会受到距离锚点较远的像素影响过大，保证了特征点和边缘的特性；其三在频域上，滤波过程中不会被高频信号污染。但是，由于图像的长宽可能不是滤波器大小的整数倍，同时我们希望输出图像的维度与输入图像一致，因此我们需要在图像的边缘补0，具体补几个0视滤波器与图像的大小关系确定，这种方法称作ZeroPadding。同时，权值g（卷积核）要进行归一化操作（∑g=1）。高斯分布公式权值：gx,y,σ=12πσ其中x和y的坐标是以当前滤波器的中心点为基准。例如中心点右上方各1格的坐标对，是(1，-1)。标准差σ=1.3的8近邻高斯滤波器近似如式（2.3），高斯滤波模板中最重要的参数就是高斯分布的标准差σ。它代表着数据的离散程度，如果σ较小，那么生成的模板中心系数越大，而周围的系数越小，这样对图像的平滑效果就不是很明显；相反，σ较大时，则生成的模板的各个系数相差就不是很大，比较类似于均值模板，对图像的平滑效果就比较明显。图2-4为八角图像高斯滤波后的效果。K=1161a八角原图aOriginalpictureofoctagonb高斯滤波后八角图bOctagonafterGaussianfiltering图2-4高斯滤波Fig.2-4Gaussianfiltering（2）均值滤波均值滤波是一种线性滤波器，处理思路很简单，就是将一个窗口区域中的像素计算平均值，然后将窗口中计算得到的均值设置为锚点上的像素值。该算法的优点在于效率高，思路简单。但缺点也很明显，计算均值会将图像中的边缘信息以及特征信息“模糊”掉，会丢失很多特征。计算均值滤波时可以采用很多优化手段，例如使用积分图的方法对图像进行预处理，处理过后的图像可以通过O(1)的时间复杂度获取窗口区域中的像素和[61]。其卷积方案的实现方为：通过式（2.4）与八角图像像素进行卷积运算计算图像的卷积和，K=1111在滤波过程中，由于边缘部分以外部分无像素点，所以在图像的边界部分采用padding操作处理。处理后，对得到的锚点像素值要进行归一化，即除以窗口尺寸大小。如图2-5为均值滤波后效果图。a八角原图aOriginalpictureofoctagonb均值滤波后八角图OctagonafterB-meansfiltering图2-5均值滤波图Fig.2-5AverageFilteringDiagram（3）中值滤波中值滤波器是一种非线性滤波器，常用于消除图像中的椒盐噪声。与低通滤波不同的是，中值滤波有利于保留边缘的尖锐度，但它会洗去均匀介质区域中的纹理[62]。中值滤波的思想很简单，如果一个信号是平缓变化的，那么某一点的输出值可以用这点的某个大小的邻域内的所有值的统计中值来代替。这个邻域在信号处理领域称之为窗（window）。窗开的越大，输出的结果就越平滑，但也可能会把我们有用的信号特征给抹掉。所以窗的大小要根据实际的信号和噪声特性来确定。通常我们会选择窗的大小使得窗内的数据个数为奇数个，之所以这么选是因为奇数个数据才有唯一的中间值。其原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近的真实值，从而消除孤立的噪声点。方法是用某种结构的二维滑动模板，将板内像素按照像素值的大小进行排序，生成单调上升（或下降）的为二维数据序列。二维中值滤波输出为：g（x,y）=med{f(x-k,y-l),(k,l∈W)}（2.5）其中，f(x,y)，g(x,y)分别为原始图像和处理后图像。W为二维模板，通常为3*3，5*5区域，也可以是不同的的形状，如线状，圆形，十字形，圆环形等。a大红原图（棕红、粗壮）aTheoriginalredstaranise(Brown-red,stout)b大红中值滤波图像bBrightredoctagonmedianfilteredimagec角花原图（褐红，瘦长）cOctagonalfloweroriginal(Maroon,lanky)d角花中值滤波图dOctagonalmedianfiltergraphe干枝原图（黑红，瘦长）eDrybranchaniseoriginal(Darkred,lanky)f干枝中值滤波图fDrybranchoctagonalmedianfilterFig.图2-6八角分割图像Fig.2-6Allkindsofoctagonalsegmentationimages八角颜色色差小且轮廓复杂，为了能在最大程度上保持八角图像的颜色和轮廓上的特征。通过对不同的滤波方法对比得出，使用中值滤波法对图像进行滤波处理更合适，中值滤波方法不仅可以有效去除噪音，还能保留较为完整的八角颜色特征。中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号平滑处理技术，它将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值。如图2-6为八角经中值滤波后的效果图。通过上述比较可以看到对不同颜色和果形的八角预处理处理结果，图像更加平滑且边缘信息得到了保护。2.2.3图像灰度化在采集图像时，原图像都是以RGB格式保存，RGB格式保存的图像有3个通道，分别对应着红、绿、蓝不同的颜色信息。这些信息为计算机提供了丰富多彩的图像，同时在图像处理时也带来不少的麻烦。RGB颜色丰富，在图像处理时占用大量内存，且RGB格式不利于物体形状特征的处理。为了降低处理难度并节省计算时间，对八角图像进行灰度化处理，然后提取形状特征。灰度图像是指每个像素只有一个采样颜色的图像，这类图像通常显示为从最暗的黑色到最亮的白色的灰度，可以表示不同颜色的深浅。灰度化映射公式为：Gray（x，y）=T(B(x，y),G(x，y),R(x，y))(2.6)式中Gray(x，y)表示灰度值，B(x，y)、G（x，y）、R（x，y）分别表示B、G、R不同的分量值[63]。较为常见的灰度化方法有平均灰度法和最大值法，平均法是对B、G、R通道的平均值作为灰度值；最大值法是将原图像的B、G、R三通道中最亮的值作为灰度值；而较为准确的方法是设置不同的权重，将B、G、R分量按不同比例进行划分，比如人眼对蓝色敏感度低，对绿色较强。为了准确性且符合人们的感官，本文用加权平方对图像进行处理[64]。公式为：Y=（0.114）B+（0.587）G+（0.299）R（2.7）灰度图像在很大程度上降低了图像需运算的数据量，同时也保留了较好的边缘信息。灰度化后的图像如图2-7所示。

a原始图像aOriginalimageb灰度图bGrayscaleimage图2-7灰度化图形Fig.2-7GrayscaleGraph2.2.4图像分割图像分割是图像分析的第一步，是计算机视觉的基础，是提取图像中所需信息的重要组成部分，同时也是图像处理中最困难的问题之一。所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域，使得这些特征在同一区域内表现出一致性或相似性，而在不同区域间表现出明显的不同。简单的说就是在一副图像中，把目标从背景中分离出来。对于灰度图像来说，区域内部的像素一般具有灰度相似性，而在区域的边界上一般具有灰度不连续性。关于图像分割技术，由于问题本身的重要性和困难性，从20世纪70年代起图像分割问题就吸引了很多研究人员为之付出了巨大的努力。虽然到目前为止，还不存在一个通用的完美的图像分割的方法，但是对于图像分割的一般性规律则基本上已经达成的共识，已经产生了相当多的研究成果和方法。本文在对八角图像进行灰度化处理的基础上，利用大津法（OSTU）阈值[65-67]分割对图像进行图像分割。大津法阈值分割法也属于阈值分割法，只是算法原理的差别，最简单的阈值分割法就是计算一副图像的平均值，在图像大于平均值的像素赋值为0，小于平均值的赋值为1。而大津法（OSTU）是一种确定图像二值化分割阈值的算法，由日本学者大津于1979年提出。从大津法的原理上来讲，该方法又称作最大类间方差法，因为按照大津法求得的阈值进行图像二值化分割后，前景与背景图像的类间方差最大。它被认为是图像分割中阈值选取的最佳算法，计算简单，不受图像亮度和对比度的影响，因此在数字图像处理上得到了广泛的应用。它是按图像的灰度特性，将图像分成背景和前景两部分。因方差是灰度分布均匀性的一种度量，背景和前景之间的类间方差越大，说明构成图像的两部分的差别越大，当部分前景错分为背景或部分背景错分为前景都会导致两部分差别变小。因此，使类间方差最大的分割意味着错分概率最小。计算简单快速，不受图像亮度和对比度的影响，是求图像全局阈值的最佳方法。具体地：假设存在阈值TH将图像所有像素分为两类：小于TH记为C1，大于TH记为C2，则这两类像素各自的均值就为m1、m2，图像全局均值为mg。同时像素被分为C1和p1∗mQUOTEp1+p2=1(2.11根据方差的概念，类间方差表达式为：QUOTEσ2=p我们把上式化简，将式（2.10）代入式（2.12），可得：σ2=p1p最后求取能使(2.13)最大化的灰度级k就是OTSU阈值。其中：p1=i=0kpm1=1p1i=0kipiQUOTEQUOTEm2=1p2∗i=k+1L−1ip根据式（2.16），遍历0~255个灰度级，求出使式(2.13)最大的k值，即为OSTU所求值。2.2.5形态学处理获得的二值化图像轮廓边缘仍存在许多“毛刺”，为了方便后续对八角图像的分析，需要将毛刺去除。机器视觉中去除图像轮廓边缘的“毛刺”一般采用形态学处理，去除一些不必要的干扰信息。形态学，即数学形态学，是图像处理中应用最为广泛的技术之一，主要用于细化、像素化和修剪毛刺等技术[68]，也常应用于图像的预处理和后处理中，使后续的识别工作能够抓住目标对象最为本质的形状特征，如边界和连通区域等。其的基本思想为膨胀和腐蚀，通过膨胀腐蚀不同组合产生了开运算、闭运算和顶帽等算法，本文采用开运算对图像进行处理，开运算即先腐蚀后膨胀。膨胀操作使被二值化后的白色部分（高亮部分）区域增强扩展,主要用来连通相似颜色或强度的区域。简单来说，膨胀会使目标区域范围“变大”，将于目标区域接触的背景点合并到该目标物中，使目标边界向外部扩张。作用就是可以用来填补目标区域中某些空洞以及消除包含在目标区域中的小颗粒噪声[69]，膨胀操作运算表达式为：QUOTEA⊕B=x,y|Bxy∩A=∅（2.17腐蚀操作可以消除目标物周围的游离像素块，使白色部分（高亮部分）的区域收缩。主要作用使目标区域范围“变小”，造成图像的边界收缩，用来消除小且无意义的目标物。腐蚀操作运算可以表示为：QUOTEA⊖B=x,y|(B)xy⊆A（2.18开运算通常会将分离的细小像素区域消除，或可把细微连接处分离，对边界进行平滑处理并且保证目标区域面积无明显改变。先腐蚀后膨胀为开运算的处理方式，在结构元素为S时的定义如下式：A∘B=(A⊖B)⊕B（2.19）因二值化后的八角轮廓与椭圆向近，所以本文选用3*3的椭圆核对图像进行形态学处理去除毛边和毛刺。得到处理后的二值化图像，如图2-6a所示。为了得到八角前景图像，本文以二值化后的图像为判断条件，对原图像中的点进行遍历得到只有八角前景的分割图[70-71]，不同八角处理后的结果如图2-8（b-d）所示。a开运算图像aOpenoperationimageb大红前景分割图bForegrounddivisionofbrightredstaranisec角花前景分割图cHorseradishaniseforegroundsegmentationdiagramd干枝前景分割图dTrunkoctagonalforegroundsegmentationdiagram图2-8八角分割图像Fig.2-8Allkindsofoctagonalsegmentationimages2.3本章小结本章主要介绍了八角图像的采集，对图像进行了标定、图像滤波、灰度化、图像分割和形态学处理等处理，获取了无背景的八角图像，为后续提取八角图像的特征参数打下了基础。

第3章八角图像特征提取为了实现基于机器视觉的八角外观品质的识别与检测，需提取八角图像的特征参数，本研究分别针对不同颜色、轮廓、角数、质量和有无质变的八角图像进行特征提取。3.1八角颜色特征提取无论何种信息在计算机中都以二进制进行存储，但是这种信息在日常生活中效率低下且不便于人类理解和处理。为了解决这些矛盾，针对不同信息作了不同的规定，例如：接口协议、网络协议规定等。图像也如此，也遵从一定的规定，在图像存储系统中有RGB、HSI、JPEG等不同颜色的空间模型，但是颜色空间模型彼此之间可以相互转化。3.1.1颜色空间模型与转换本文所研究的八角样本颜色有褐红、黑红和棕红三种，这三种八角颜色单一且色差小，RGB值之间无明显差别。因此先对分割后的八角进行RGB转化到HSI空间，再选用HSI空间颜色区别大的颜色特征对八角颜色进行识别。（1）RGB三原色：RGB三原色规定是图像中最常见的颜色规定，R为红色、G为绿色、B为蓝色，在规定中RGB为图像中常见的三原色，由三原色组合形成色彩缤纷的图像。而RGB模型是面向硬件的模型，每种颜色通道在硬件存储中都占用8bit，即每个颜色通道用256灰度级表示，因此RGB颜色模型共有256*256*256组合颜色。RGB颜色模型如图3-1所示：图3-1RGB颜色空间坐标模型Fig.3-1RGBcolorspacecoordinatemodel（2）HSI颜色空间：HSI颜色空间是从人的视觉系统出发，用色调（Hue）、色饱和度（Saturation或Chroma）和亮度（Intensity或Brightness）来描述色彩。其中色调是指一种纯色的颜色属性，饱和度是指纯色被白光稀释的程度的度量，亮度是一个主观因子，实际上是不可度量的。HSI颜色空间可以用一个圆锥空间模型来描述，相当复杂，但却能把色调、亮度和色彩饱和度的变化情形表现得很清楚。在HSI颜色模型的双六棱锥上。饱和度S，是指纯色被白光稀释的程度的度量，亮度是一个主观因子，实际上是不可度量的。I是强度轴，对应成像亮度和图像灰度，是颜色的明亮程度。色调H的角度范围为[0，2π]，其中，纯红色的角度为0，纯绿色的角度为2π/3，纯蓝色的角度为4π/3，如图3-2所示。RGB向HSI模型的转换是由一个基于笛卡尔直角坐标系的单位立方体向基于圆柱极坐标的双锥体的转换。基本要求是将RGB中的亮度因素分离，将色度分解为色调和饱和度，并用角向量表示色调。图3-2HSI颜色空间模型Fig.3-2HSIcolorspacemodel根据以上分析可以知，RGB模型更适合计算机中的图像，但是并不能很好的适应人解释的颜色，因此在肉眼中常用HSI颜色空间模型对物体进行描述和解释。根据颜色空间模型的各自优缺点，本问通过研究发现的八角在RGB颜色空间分辨不明显，但研究发现八角图像在HSI颜色空间模型中的H分量下表现较为明显。RGB转化到HSI[72]颜色空间的转换公式为：H=θ,B≤G360−θ,B>GQUOTE（3.1）QUOTEθ=arccos12R−G+R−BQUOTES=1−3B+G+RminB,G,R（3.3）QUOTEI=13B+G+R（3.4）式中H为色调，以角度度量；S为饱和度，表示颜色与光谱色的接近程度，值越大则越接近饱和；I为强度，表示颜色的明暗程度，值越大表明越亮。根据式（3.1）-（3.4），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，详细值见附表3。3.2八角轮廓特征提取分析一张图片时，物体的轮廓能表现出许多信息。轮廓对区分和识别不同的物体有着很重要的作用。因此应先提取八角的轮廓特征，再在八角的轮廓特征上提取需要的八角角数。3.2.1轮廓提取利用OpenCV中的轮廓查找函数findcontours查找预处理后图像的轮廓，但是轮廓查找函数查找到的轮廓包含了许多干扰轮廓，为了去除这部分轮廓，将利用OpenCV中的Rect函数对查找到的轮廓进行“填装”，再遍历Rect的最大面积，即为的八角的轮廓特征，如图5a所示。Findcontours轮廓查找函数是基于satosHSIuzuki[73-74]发表的一篇论文思路实现的。轮廓查找函数是对二值图像进行拓扑分析，确定二值图像轮廓的围绕关系，即孔和轮廓的之间的层次关系。因为轮廓和原图的区域是一一对应的（轮廓对应的二值图像像素值为1的连通域，孔对应的值为0），将这些轮廓标记为cX和hX，其中c代表“轮廓”（contour），h代表“空”（hole），X代表数字。再采用编码的思想对不同的孔和轮廓进行赋值，从而得到孔和轮廓的轮廓树，而轮廓树上的子树就是对应的不同轮廓编码。3.2.2轮廓极坐标变换为了提取八角的角数特征，需对八角的轮廓特征进行极坐标转换，具体流程如下：（1）圆心提取。物体中心的提取一般采用物体的质心，考虑到八角复杂的形状，本文以最小内接圆法对质心进行提取。首先，对前文中得到的八角轮廓进行Harris角点检测，再以检测出的角点为基础，用最小内接圆法找到八角的圆心（X0QUOTE，Y0）和半径R，处理后的图像如图5b所示。（2）找到轮廓后对八角轮廓上的点进行逐点扫描，并存入一个vector<Point2>中。存入后的坐标为（Point[k].x，Point[k].y），为了下文的描述和处理本文将（Point[k].x，Point[k].y）看成(xk，yk)。(k=1,2,3,…n)。Vector是一个封装了动态大小数组的顺序容器，而vector<Point2>主要用来存储八角轮廓上的每个点。a轮廓图aOutlinedrawingb最小内接圆图bMinimalinscribedcirclediagram图3-3最小内接圆效果图Fig.3-3Minimuminnercirclerenderings（3）找到圆心和轮廓像素点位置后，以找到的圆心为中心点（X0QUOTE，Y0），将轮廓上的点带入式（3.5）和（3.6）进行极坐标变换。式中xk为轮廓点上的行坐标，yk为轮廓点上的列坐标，X0最小内接圆下求得的圆心行坐标，Y0最小内接圆下求得的圆心列坐标，ρk为极坐标变换后的纵轴像素点坐标值，θ变换公式如下：QUOTEρk=（xk−X0）θk=180π∗tan−1yk图3-4八角极坐标变化图Fig.3-4Changeofoctagonalpolarcoordinates3.3八角角数特征提取所谓八角，一般指八角茴香有八个角，但分拣过程中通过人工方式计数区分八角，无疑费时费力，为了识别八角角数，本节通过机器视觉技术对八角图像进行处理，从而达到代替人力识别八角角数的目的。为了准确识别八角的角数，采用以下方法和步骤：（1）极坐标错位相减：在进行轮廓识别和极坐标变换后，点与点之间会存在许多间断点，由求导的定义知不能直接对其进行求导，本文采用了对转换后得到的极坐标的ρk进行错位相减，得到QUOTE∇ρ=ρk−ρk−1，为了计算方便将其记为ρ（2）归一化：因为错位相减后的数值大小不一，不利于数据的处理，因此把求得的ρn方程进行归一化。具体地：如果导数方程中的点大于等于零的点则将其变为1，如果导数方程中的点小于零则为-1，归一化后的图如3-5ba错位相减图aDislocationsubtractiondiagramb二值化图bNormalizedgraph图3-5错位相减与归一化图Fig.3-5.Diagramofdislocationsubtractionandnormalization（3）滤波：从图3-5b可以看到二值化后的图还有许多以“0”为中点的上下跳跃点，这些跳跃点可能是八角的角数特征，也可能是干扰点。为了能得到八角的角数，需滤除这些干扰点，本文采用记数法。本文计数法采用长度为N的区间对其进行遍历，长度可以根据需要进行调整，本文选用10。具体地：如果遍历中左右两端+1和-1的个数相差小于1到2，则判定为有极值点，并记录点的位置Pn，处理后得到的点和变换后的极值点Pn点如图3-6所示。被识别出的极值点点数为八角角数的2倍，所以八角角数为极值点数得a归一化图aBinarizationFig.b识别后的轮廓极值点图bIdentifiedcontourextremumpointgraphc无序八角轮廓极值点原图cOriginalpictureoftheextremepointofanunorderedoctagonalcontour图3-6八角角数识别图Fig.3-6Octagonalimageprocessingrecognitiondiagram3.4八角质量特征参数提取在外观品质检测中，质量特征对八角品质有着重要的作用。传统的物体质量测重一般采用称量的方法，但该法不利于八角的自动化分拣。机器视觉技术的发展，使物体质量的测量在无接触检测情况下变成了可能。本文也将利用机器视觉法对八角质量进行测量，探索八角质量与图像的关系。在研究中发现二值化后的八角点数与八角质量有很大的关系，因此本文利用二值化后的八角图像（八角为0，背景为1）对其为0的像素点进行统计。统计后的像素点如表：表3-1部分八角投影面积Table3-1partialoctagonalprojectionarea序号pixel/g序号pixel/g序号pixel/g118902.777781322152.083332420332222978.303751421628.626692520806.25320337.455831521047.337282622183.74558417928.68721620078.504672722069.09091521098.484851721336.12042820439.70315618207.142861822787.430682921652.77778719815.254241918333.823533019467286782022902.222223121026.80067919068.115942120730.897013220765.923571024700.575822221379.367723320928.455281118454.237292320414.925373422631.889761219348.529412422784.090913517770.318023.5八角正反面纹理特征参数提取为了对八角进行正反面进行识别，本文将对八角的正反面进行提取，通过提取的特征对八角正反面进行判断。纹理特征是在图像计算中经过量化的图像特征，也是一种全局特征，它也描述了图像或图像区域所对应景物的表面性质。但由于纹理只是一种物体表面的特性，并不能完全反映出物体的本质属性，所以仅仅利用纹理特征是无法获得高层次图像内容的。与颜色特征不同，纹理特征不是基于像素点的特征，它需要在包含多个像素点的区域中进行统计计算。在模式匹配中，这种区域性的特征具有较大的优越性，不会由于局部的偏差而无法匹配成功。作为一种统计特征，纹理特征常具有旋转不变性，并且对于噪声有较强的抵抗能力。而纹理识别中应用最广泛的算法为灰度共生矩阵，灰度共生矩阵(GLDM)的统计方法是20世纪70年代初由R.Haralick等人提出的，它是在假定图像中各像素间的空间分布关系包含了图像纹理信息的前提下，提出的具有广泛性的纹理分析方法。灰度共生矩阵被定义为从灰度为i的像素点出发，离开某个固定位置（相隔距离为d，方位为）的点上灰度值为的概率，即，所有估计的值可以表示成一个矩阵的形式，以此被称为灰度共生矩阵。对于纹理变化缓慢的图像，其灰度共生矩阵对角线上的数值较大；而对于纹理变化较快的图像，其灰度共生矩阵对角线上的数值较小，对角线两侧的值较大。由于灰度共生矩阵的数据量较大，一般不直接作为区分纹理的特征，而是基于它构建的一些统计量作为纹理分类特征。Haralick曾提出了14种基于灰度共生矩阵计算出来的统计量：即：能量、熵、对比度、均匀性、相关性、方差、和平均、和方差等相关信息测度以及最大相关系数。本文使用能量、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。纹理即元素或基元依据某些准则进行排序，所形成的模式[75]。①能量。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。②对比度。反映了图像的清晰度和纹理沟纹深浅的程度。③逆差距。反映图像纹理的同质性，度量图像纹理局部变化的多少。④相关性。图像在相对位置上的相似性和相关程度。⑤对比度。反映了图像的清晰度和纹理沟纹深浅的程度。3.6八角霉变特征参数提取八角变质特征主要包括黑变和霉变，八角作为采用的香料，而八角的质变会直接影响着八角的香味，但是生活中的八角都以人力进行区分，不利于生产生活的自动化，为此本文基于八角的质变特征，拟探索采用机器视觉的方法主要对八角霉变进行鉴别的可行性。图像处理中常用的颜色特征主要有RGB颜色空间、HSV颜色空间等。本研究发现八角的质变颜色略有不同，因此可以通过颜色特征进行区分。本研究对质变的八角提取6个颜色特征（R、G、B、H、S、V），如图3-7所示，用于分辨质变八角。图3-7霉变八角RGB/HSV图像Figure3-7moldyaniseRGB/HSVimage根据对比可以发现，霉变的位置在G分量上能够较好的体现，因此，在多次试验后选择168为合适阈值，将霉变位置与背景进行分割，结果如图3-8（b）所示，框选位置即霉变位置。a完好八角agoodstaraniseb霉变八角bmoldyandstaranise图3-8霉变八角识别图像Fig.3-8Recognitionimageofmoldyanise如上图所示，在G分量取阈值168时，对完好八角和霉变样本图像分别进行处理，发现能识别出八角霉变位置。说明这一方法可以对霉变进行分割。3.7本章小结为了实现对八角的品质检测，主要针对八角的质量特征，颜色特征，轮廓特征、果数特征、霉变特征进行提取。提取过程中详细阐述了八角特征与图像处理技术建立了数量关系，为八角后续量化和进一步研究做了准备。

第4章八角外观品质检测识别本章主要在八角特征提取的基础上对特征建立数学模型，对不同颜色、不同果型、八角均匀性和有无霉变进行研究。4.1不同颜色八角颜色提取结果根据式（3.1）-（3.4），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。4.2八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%。图4-2不同八角颜色在H分量下的识别比率Fig.4-2RecognitionratioofdifferentoctagoncolorsunderHcomponent表4.1八角颜色特征识别结果Table4.1Recognitionresultsofanisecolorfeatures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%。4.3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94.73%。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.4-3Octagonalimageprocessingrecognitiondiagram4.4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]。以平均值means为中心将极值点分为两组数组Cr[i]、Tr[j]，再对极值点中的θn进行从大到小排序,这样就得到了波峰Cr1a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（4.1）-（4.2）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=akQUOTEφk=180π∗cos−1cosQUOTE∂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（4.1）与式（4.2）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.4-6Fruittypefeaturemap4.5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94.29%。如表4.2所示。表4.2基于余弦定理的角瓣识别结果Table4.2Cornerloberecognitionresultsbasedonlawofcosines果形特征Fruittypecharacteristics个数Totalnumber识别占比Recognitionrate角瓣瘦长Angularvalveslender3597.14%角瓣粗短Theanglevalveisthickandshort3594.29%4.6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（4.4）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（4.5）au=k=0离散傅里叶变换（DFT）中，s(k)=1I0Ia(u)e−j2πnkKdt，I为常量,n=0，±1，±2，±3…a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-amplitudecomparisondiagram4.7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94.29%，角瓣粗短的识别正确率为94.29%，如表4.3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4.3基于傅里叶变换后的角瓣识别结果Table4.3TherecognitionresultofcornerlobeisbasedonFouriertransform果形特征Fruittypecharacteristics个数/个Total/Number识别正确率Recognitionrate角瓣瘦长Angularvalveslender3594.29%角瓣粗短Theanglevalveisthickandshort3594.29%4.8八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=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（4.6）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的像素小于60Pix，因此大于60Pix的则判为不均匀，如图4-8所示。因此可以认为均匀系数在图4-8均匀八角标准差图Fig.4-8Uniformoctagonstandarddeviationchart4.9八角质量模型建立4.9.1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。4.9.2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4.4模型显著性检验Table4.4Modelsignificancetest标准误差相关系数RF值（α=0.02）P值0.06370.94492714.7454.2×10-8从表4.4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=2714.745，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。4.10八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（4.11）-（4.12）能量折线图。计算公式如下（4.8）：W1=i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（4.13）-（4.14）熵折线图以及计算公式如下（4.9）：W2=−i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（4.15）-（4.16）对比度折线图。计算公式如下（4.10）：W3=i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（4.17）-（4.18）正反面相关性折线图。计算公式如下（4.13）可知：W4=其中：W4μ1=δ1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（4.19）-（4.20）为逆差矩折线图。计算公式如下（4.14）：W5=i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2.9756~4.2516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2.5151~4.1219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14.9846~25.1546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0.9583~0.9788之间波动，而反面相关性值在0.9870~0.9966之间的波动。（5）逆差矩表现上，粗短八角正面逆差矩值在0.3756~0.3955之间，而反面逆差矩值在0.3345~0.3792之间的波动；瘦长八角正面逆差矩值在0.3925~0.4125之间波动，而反面逆差矩值在0.3456~0.3804之间的波动。4.11本章小结本章主要通过机器视觉技术，识别八角颜色、八角角数、八角均匀度、八角果形识别方法和八角正反面识别的理论。其主要结论如下：（1）研究发现八角在H颜色空间的差异可用来识别了棕红、黑红、褐红不同颜色的八角。H值大于60则为褐红，识别率为97.65%；30~60之间为黑红，识别率为92.08%；小于30的为棕红，识别率为95.05%。（2）通过变换后得到的极坐标模型，利用导数思想对变换后的点进行错位相减，在进行归一化、极值点判别识别到了八角轮廓的波峰和波谷，对8个角的八角进行识别，识别率为。（3）通过识别到的波峰和波谷点排序并建立一对一的关系后，用向量思想建立余弦定理方程求出八角各角的角度值。根据本文研究得出瘦长八角角瓣的角度平均值为21.2958度、八角高平均像素值为69.2812Pix、角度与高比值为0.3074度/Pix，识别率达98.04%，粗短八角角瓣的角度平均值为38.7501度、八角高平均像素值为51.3750Pix、角度与高比值为0.7542度/Pix，识别率达96.08%；通过识别到的波峰到圆心的径向距离与半径建立标准差方程，识别到的均匀八角值小于60Pix。（4）通过八角波峰到圆心的径向距离与半径建立标准差方程提取了八角的均匀系数，均匀八角的像素值在60Pix以下。（5）通过变换后的八角轮廓进行傅里叶变换发现瘦长八角角瓣的八角在前5个频率值小于粗短八角角瓣，从7-29之间的都略大于角瓣瘦长的频率值，瘦长八角角瓣的识别率为92.26，粗短八角角瓣识别率为91.27%。（6）通过提取八角正反面的能量、非相似性、逆差矩、相关性和对比度五个统计量。

第5章八角分拣系统及其软件设计为了使八角能有条不絮地实现八角在线识别和分拣，本文根据八角的特点将整个八角的分拣过程分成多个流程。并设计了分拣机构、检测装置、软件系统和硬件系统组成的分拣系统。其中分拣机构主要由扫平机构、排序机构、拍照机构、翻转机构和分拣等几部分机构组成，流程如图5-1所示。扫平扫平排序整理分拣图5-1八角分拣流程Fig.5-1Octagonsortingprocess5.1八角总体机构设计为了保证八角识别的准确性和效率，需对八角正反面进行图像采集。经过前期的分析和研究，在第二章所述的图像采集系统的基础上，提出了一种八角图像检测装置，该装置主要包括机架、料斗、扫平机构、传送带、光箱、工业摄像头、驱动部件等部件，其中机架为工字钢焊接成的方形框架。223A45B8976C11、料斗；2、扫平机构；3、传送带1；4、传送带2；5、光箱1；6、工业摄像头1；7、工业摄像头2；8、光箱2；9、传送带3；10、驱动部件；11、机架；1.Hopper;2.Quashedinstitutions;3.Conveyorbelt1;4,conveyorbelt2;5.Lightbox1;6.Industrialcamera1;7.Industrialcamera2;8.LightBox2;9.Conveyorbelt3;10.Drivingcomponents;11.Rack;图5-2八角分拣机构图Fig.5-2octagonalsortercomposition该机构主要分为四组，如图5-2所示：第一组：第一组有八角料斗1通过焊接于机架右上方，漏斗1下方为传送带3，前方有扫平机构2和电机模组和排序机构A等组成。第二组：第二组主要有传送带、拍摄装置、驱动部件和机架组成。第三组：第二组主要有传送带、拍摄装置、驱动部件、翻转机构和机架组成。第四组：第四组有多个分拣单元，每个分拣单元都有分拣电机、凸轮机构、弹簧和圆形分拣箱组成。该装置的工作过程如下：将待分拣的八角放于料斗中，八角果实在重力的作用下滑到下方的传送带上，在驱动部件驱动传送带的作用下八角被无规则（主要表现为重叠）的带到扫平机构下，由于扫平机构的存在，通过扫平机构的八角绝大部分都不在重叠。不重叠的八角随着传送带继续移动至排序整理单元，整理单元将对八角进行整理，整理后的八角传送带的驱动下逐个流到下一传送带中，此时可以对八角的任意面进行图像采集，采集后的图像传输到终端进行处理得到需要的信息。由于八角有两个面，且每个面的信息反映特征不一样，所以还需对八角的另一个面进行图像采集。完成了八角其中一个面的图像采集后，八角机械移动至翻转机构，翻转机构对八角进行翻转后继续移动至下个图像采集单元对八角另一个面进行图像采集，在将采集的结果传输到电脑终端进行处理。由于已经采集了八角其中一个面，所以在这个过程中可以通过传感器挑选想要进行二次图像采集的八角。电脑端对不同面的八角图像处理后，将处理的八角图像信息传输到下位机，下位机控制分拣机构进行分拣，至此完成不同类型的八角分拣。该装置将八角的分拣分成了不同的流程，每个流程完成不一样的功能，最终有条不絮的对八角正反面进行图像采集，获取了八角的更多信息，有效的识别了不同类别和品质的八角，极大的提高了八角分拣效率。5.2排序机构设计为了对杂乱无章的八角进行排序，本文将对八角进行排列，以提高后续八角的检测效率。排序机构主要机构有两大部分组成：扫平机构和转辊机构。扫平机构主要将传送带上重叠的多个八角去重叠；转辊机构主要将无重叠的八角进行逐一排列，以实现八角图像逐一采集。如图5-3所示图5-3八角排序机构图Fig.5-3Octagonsortingmechanismdiagram5.2.1扫平机构设计八角通过漏斗流到漏斗口，漏斗口上有传感器和截流装置，八角通过传送带流到排序装置，排序速度可能跟不上流入速度，所以对其进行控制。当八角流到扫平装置时会出现多个八角重叠的问题，因此通过扫平装置对八角进行扫平处理。5.2.2排序机构设计八角经过扫平机构来到排序机构入口区，由于转辊、转辊和机架之间构成一个弧线区域，如图所示5-4b所示，所以八角容易在此堆积进行下一步动作。在此区域中八角的果角与转辊的勾齿相互作用下，八角将逐个通过转辊间隙进入下一个传送带。如图所示5-4所示。a排序机构轴侧视图a.Axissideviewofsortingmechanismb排序原理图bSortingschematicdiagram图5-4八角排序机构图Fig.5-4Octagonsortingmechanismdiagram5.3图像采集机构5.3.1图像采集设计八角从排序机构出来后，再在每个传动带的输送下来到图像采集装置1，采集装置会对八角其中的一个面进行图像采集，采集后的图像被上传到处理单元进行处理，如果采集的是八角的正面图像，则对八角的特征进行提取，如果采集的是反面，则将结果传输给下位机，八角会继续在传送带的输送下移动至翻转机构，翻转机构将八角进行翻转后，由于在图像采集装置1时已对八角的正反面进行识别，所以翻转后的八角会在图像采集装置2进行图像采集，这次采集只会对没有拍到的正面图像进行图像采集并提取八角的特征，这样的设计在很大程度上减少了拍照的次数，提高可工作效率。如图5-5所示。图5-5八角图像采集装置Fig.5-5Octagonimageacquisitiondevice5.3.2翻转机构设计如图5-6所示，八角在传送带的带动下逐渐移动至缺口弧度挡板，由于挡板一边有缺口且有弧度，所以八角会向一边倾斜，当八角向缺口端倾斜时，八角将小幅度逐渐向90度方向翻转，由于八角不断向前，随着缺口弧度板的角度不断增加，再加上上辅助挡板的弧面设置，致使八角以大于90度下落，在八角下落后，由于下辅助挡板的弧形辅助的原因，使八角完全翻面，随之掉落在下一传送带，至此八角翻转成功。图5-6八角翻转机构图Fig.5-6Diagramofoctagonalturnovermechanism5.3.3分拣机构设计被采集和处理后的八角继续移动到八角旋转分拣装置，因为八角图片的基本特征基本已被识别完毕，而八角的信息也被传输至下位机，下位机对每一个传送带上的八角进行识别。由于每个旋转分拣装置上都备有分拣口，如果要对八角有其他的分拣要求，只需在旋转分拣机构上增加即可。当对八角进行分拣时，下位机会驱动旋转电机进行旋转定位，当定位到不同的分拣口后，当八角到来时，小电机驱动凸轮机构，由顶杆将八角推入分拣口，完成分拣工作。如图5-7所示。a八角分拣轴侧视图aOctagonsortingaxialsideviewb八角分拣内部视图bOctagonsortinginternalview图5-7八角分拣原理图Fig.5-7.Schematicdiagramofoctagonalsorting5.4八角软件设计GUI（GraphicalUserInterface）即采用图形方式显示的计算机操作的用户界面。GUI提供了简洁易用的人机交互接口，利于平时使用。为了在分拣八角有一个友好的交互界面，结合本文图像处理OpenCV为C++写的库，本文选用Qt库对八角分拣系统软件进行界面设计。5.4.1Qt简介Qt是由QtCompany在1911年通过C++开发的一个图像用户界面库，后被Nokia收购。它具有跨平台性、面向对象、丰富的API等优点，且在多个领域得到广泛的应用。Qt是一个完整的应用开发框架，由QtCreator、QtLinguist、Qt开发库等组成，如图5-8所示。Qt继承了C++的面向对象，在面向对象的基础上使用特殊的代码生成扩展((MetaObjectCompiler,moc)元对象编译器)以及一些宏，增加了信号与槽机制，使Qt有了事件驱动，加上Qt本身的库实现了真正地组件编程。Qt中基类窗口有QWidget、QMainWindow和QDialog三类，QWidget只有一个主窗口、QMainWindow本身具有任务栏、状态了、主窗口、工具栏和部件动作等，QDialog为弹出提醒窗口。根据需要本文采用QMainWindow基类窗口PC端GUI进行设计。可以说Qt是一个跨平台的C++图形用户界面应用程序框架，它为应用程序开发者提供建立艺术级图形界面所需的所有功能。它是完全面向对象的，很容易扩展，并且允许组件编程。QtIDEQt开发库QtCreatorQtLinguist其他平台应用程序图形控件（QDeclarative）图形引擎事件驱动FrameBuffer输入输出设备OS图5-8Qt开发原理图Fig.5-8Qtdevelopmentschematicdiagram5.4.2软件界面的实现一个易于操作的图像界面在很大程度上能提高工作效率和改善工作的心情，因此本文将借助Qt库对八角图像采集进行UI设计。在日常生活中虽然窗口各有不同，但是无论什么样的窗口中都包含事件和组件等常见内容。事件主要是用于监控窗口中所做的操作，例如：鼠标单击事件、定时器事件和键盘事件等。组件则是组成一个大窗口的基本元器件，例如：工具栏、状态栏、菜单栏、浮动窗口、按钮、标签和下拉框等。同样，Qt中也具有这一套组件和库，下面就利用QtIDE对其进行界面设计。（1）软件设计流程本文主要针对八角得外观品质进行检测，所以所需的功能为常见功能，如图片显示，结果显示，和基本的文件保存、退出和选择方法控件。基于此，本文选择Qt中的MainWindow作为基类。具体MainWindow流程如下所示：打开打开QtIDE新建工程选择QMainWindow基类布局界面嵌入八角分拣程序运行程序结束图5-9软件设计流程图Fig.5-9softwaredesignflowchart双击安装好的Qt开发环境图标QtCreator，即可打开软件，随后点击project后，再点击New后跳出图窗口，接着再点击Application，再点击QtWegetsApplication，即可得到Qt环境下的工作界面。如图5-10所示。图5-10GUI设计流程图Fig.5-10GUIdesignflowchart环境搭好后选择Qt中的基本控件Qlabel作为操作单元。Qt中的Qlabel控件功能强大，有显示图片、GIF、网址和文字等功能。根据需要，本设计主要显示的元素有图片（2张）、提升信息（颜色、果型、均匀性、果数和有无质变等5个基本提示信息）、同样显示八角品质检测结果也需五个，所以应通过程序新建12个label控件。选择好控件后对每个QLabel进行布局，实现后的界面如图5-11所示。图5-11GUI效果图Fig.5-11GUIrenderings（2）