CN100427931C - 基于激光图像的水果表面缺陷检测方法 - Google Patents
基于激光图像的水果表面缺陷检测方法 Download PDFInfo
- Publication number
- CN100427931C CN100427931C CNB2006100502836A CN200610050283A CN100427931C CN 100427931 C CN100427931 C CN 100427931C CN B2006100502836 A CNB2006100502836 A CN B2006100502836A CN 200610050283 A CN200610050283 A CN 200610050283A CN 100427931 C CN100427931 C CN 100427931C
- Authority
- CN
- China
- Prior art keywords
- fruit
- laser image
- gray
- laser
- scale value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 235000013399 edible fruits Nutrition 0.000 title claims abstract description 97
- 230000007547 defect Effects 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title abstract description 7
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 230000005855 radiation Effects 0.000 claims description 10
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 238000012216 screening Methods 0.000 abstract 1
- 240000002319 Citrus sinensis Species 0.000 description 21
- 235000005976 Citrus sinensis Nutrition 0.000 description 21
- 238000010586 diagram Methods 0.000 description 10
- 241001164374 Calyx Species 0.000 description 6
- 230000002950 deficient Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 241000207199 Citrus Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000020971 citrus fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于激光图像的水果表面缺陷检测方法。由编码器,水果输送装置,屏蔽箱,激光投射器,摄像机,图像采集卡,计算机和水果表面缺陷检测软件。水果品质检测软件能实现激光图像获取、激光图像统计特征计算和水果表面状态推断功能。用水果激光图像的灰度平均值、标准差值和信息熵值推断激光照射表面是正常水果表面还是缺陷表面,从而完成对水果表面状态的检测。本发明的有益效果是:用激光照射水果后,水果正常表面和缺陷表面的激光图像差异明显,从而提高机器视觉系统的水果表面缺陷的检测能力。
Description
技术领域
本发明涉及一种基于激光图像的水果表面缺陷检测方法。
背景技术
水果在进入流通的前,先进行品质检测并按市场需求进行分级分类,便于按质论价,可提高水果的商品价值,增加农民收入。
机器视觉技术已应用于水果品质检测。在现有的机器视觉技术进行水果品质检测时,表面缺陷是一个难题。这是由于水果表面曲度的变化,在水果边缘,光线的反射方向与相机光轴的夹角较大,根据朗伯的光线反射定律,则从相机方向看,水果边缘的亮度较低,表现为水果边缘的灰度值较低,而水果表面缺陷通常以较低灰度的形式在水果图像中出现(Tao,Y.,and Z.Wen.1999.AdaptiveSpherical Image Transform For High-Speed Fruit Defect Detection.Trans.of ASAE.Vol.42(1):241-246),这样就导致了水果表面缺陷的检测困难。其次,水果的表面缺陷易与果梗和花萼部相混淆,果梗和花萼部通常为凹陷形,光线难以反射,在水果图像上形成低灰度区,被误判成缺陷。目前的解决方法有两个:一是将水果假设成标准的球体,根据球体对光线的反射规律对水果进行灰度校正,可基本解决表面缺陷的检出问题,但不能保证将果梗和花萼误判成缺陷(付峰,应义斌.球体图像灰度变换模型及其在柑桔图像校正中的应用.农业工程学报.2004,20(4).-117-120);二是用普通CCD相机和中红外相机同时采集图像(Wen,Z.and Y.Tao.Fuzzy-based determination of model and parameters ofdual-wavelength vision system for on-line apple sorting.Optical Engineering.1998,Vol.37(1):293-299),检测时,苹果预先在冷库中贮存,送入检测系统后,苹果除果梗和花萼的表面因与输送系统接触而迅速升温,而果梗和花萼部由于凹陷而升温较慢,二者之间形成温差,利用中红外相机对温度敏感的特性得到水果的温度场图像,再与普通CCD相机得到的水果图像进行融合处理,就可将果梗和花萼与缺陷区别开来。这一方法的主要缺陷在于系统由于中红外相机的引入而显得过于昂贵。
发明内容
针对现有的机器视觉系统对水果表面缺陷难以检测的问题,本发明提供一种基于激光图像的水果表面缺陷检测方法。采用激光照射水果后,水果正常表面和缺陷表面的激光图像呈现明显差异,这种差异有利于机器视觉系统对水果表面缺陷的检测。
本发明解决其技术问题所采用的技术方案是:
一、基于激光图像的水果表面缺陷检测方法:
分别获取激光照射水果正常表面和缺陷表面的水果激光图像,对这些水果激光图像的灰度值进行分析计算,得到水果激光图像的灰度平均值、标准差值和信息熵值;由于水果表面的差异,这些值之间存在明显差异,存在灰度值均值阈值、标准差值阈值和信息熵值阈值,将水果正常表面和缺陷表面区分开来。
对获取的水果激光图像的灰度值进行分析计算,得到水果激光图像的灰度平均值、标准差值和信息熵值:
激光图像灰度值的均值g按下式计算:
g——激光图像灰度值的均值
M——激光图像宽度
N——激光图像长度
激光图像灰度值的标准差Sd按下式计算:
Sd——光图像灰度值的标准差
M——激光图像宽度
N——光图像长度
激光图像灰度值的信息熵值H按下式计算:
H——激光图像灰度值的信息熵值
q——激光图像灰度值的最大值,对于8位数字图像,q取255
Pi——激光图像上灰度值为i的像素点出现的频度
由于水果表面的差异,水果激光图像的灰度平均值、标准差值和信息熵值之间存在明显差异,存在灰度平均值阈值、标准差值阈值和信息熵值阈值,将水果正常表面和缺陷表面区分开来。
二、基于激光图像的水果表面缺陷检测装置:
将编码器装在水果输送装置上,通过导线与安装在计算机内的图像采集卡相连,屏蔽箱安装在水果输送装置的上方,摄像机位于屏蔽箱内,通过导线与安装在计算机内的图像采集卡相连,在计算机内设置水果表面缺陷检测软件:激光投射器安装在屏蔽箱的上方。
本发明具有的有益效果是:用激光照射水果后,水果正常表面和缺陷表面的激光图像差异明显,从而提高机器视觉系统的水果表面缺陷的检测能力。
附图说明
图1是本发明的结构示意图。
图2是水果缺陷表面检测软件流程图。
图3是脐橙正常表面的激光图像。
图4是脐橙缺陷表面的激光图像。
图5是脐橙不同表面的激光图像灰度值的均值对比图。
图6是脐橙不同表面的激光图像灰度值的标准差对比图。
图7是脐橙不同表面的激光图像灰度值的信息熵对比图。
图中:1、编码器,2、水果输送装置,3水果,4、屏蔽箱,5、激光投射器,6、摄像机,7、图像采集卡,8、计算机,9、水果表面缺陷检测软件。
具体实施方式
如图1所示,本发明包括编码器1,水果输送装置2,屏蔽箱4,激光投射器5,摄像机6,图像采集卡7,计算机8和水果表面缺陷检测软件9。将编码器1装在水果输送装置2上,通过导线与安装在计算机8内的图像采集卡7相连,屏蔽箱4安装在水果输送装置2的上方,摄像机6位于屏蔽箱4内,通过导线与安装在计算机8内的图像采集卡7相连,在计算机8内设置水果表面缺陷检测软件9;激光投射器5安装在屏蔽箱4的上方。
水果输送装置2采用中国发明专利“采用移位寄存器控制的机器视觉水果分级系统(ZL02160193.3)”中的输送装置2。
编码器1安装在水果输送装置2上,其连接方式采用中国发明专利“采用移位寄存器控制的机器视觉水果分级系统(ZL02160193.3)”中的输送装置2与编码器1的连接方式。
编码器1输出的同步脉冲信号接到图像采集卡7的触发信号输入端,屏蔽箱4安装在水果输送装置2的上方,激光投射器5和摄像机6均安装在屏蔽箱4内部上方,摄像机6的输出信号通过电缆接到图像采集卡7,图像采集卡7安装在计算机8的插槽;
激光投射器5采用半导体激光标线仪,其波长和图案可根据水果品种确定。
计算机8上安装水果品质检测软件9。
如图2所示,水果品质检测软件9能实现激光图像获取、激光图像统计特征计算和水果表面状态推断功能。
在用于编码器1产生的同步脉冲信号作用下,计算机8从摄像机6经图像采集卡7获取水果的激光图像;
对获取的水果激光图像的灰度值进行统计特征分析计算,得到水果激光图像的灰度平均值、标准差值和信息熵值。
激光图像灰度值的均值g按下式计算:
g——激光图像灰度值的均值
M——激光图像宽度
N——激光图像长度
激光图像灰度值的标准差Sd按下式计算:
Sd——激光图像灰度值的标准差
M——激光图像宽度
N——激光图像长度
激光图像灰度值的信息熵值H按下式计算:
H——激光图像灰度值的信息熵值
q——激光图像灰度值的最大值,对于8位数字图像,q取255
Pi——激光图像上灰度值为i的像素点出现的频度
由于水果表面的差异,水果激光图像的灰度平均值、标准差值和信息熵值之间存在明显差异,存在灰度平均值阈值、标准差值阈值和信息熵值阈值,将水果正常表面和缺陷表面区分开来。
下面以脐橙表面缺陷检测为例说明实施过程:
先按照前述的方法组成基于激光图像的水果表面缺陷检测方法及装置,然后将一批脐橙样本分别输入检测系统,获取如图3和图4像所示的脐橙正常表面的激光图像和脐橙缺陷表面的激光图像。对激光图像的灰度值按式(1)、式(2)、式(3)分别计算灰度平均值、标准差值和信息熵值,得到水果样本的有关图像统计特征值。
将样本的灰度平均值、标准差值和信息熵值分别制成如图5、图6、图7所示的脐橙不同表面的激光图像灰度值的均值对比图、脐橙不同表面的激光图像灰度值的标准差对比图和脐橙不同表面的激光图像灰度值的信息熵对比图。
下面对这些对比图进行分析:
图5是脐橙不同表面的激光图像灰度值的均值对比图,从图5可以看出,正常表面的激光图像灰度值的均值均大于35,而水果表面缺陷的激光图像灰度值的均值小于35(除12号样本外),总有效率大于96%。此时,灰度平均值阈值是35。
图6是脐橙不同表面的激光图像灰度值的标准差对比图,从图6可以看出,正常表面的激光图像灰度值的标准差均大于600,而水果表面缺陷的激光图像灰度值的标准差小于500(除12号样本外),总有效率也大于96%。此时,灰度标准差阈值是600。
是脐橙不同表面的激光图像灰度值的信息熵对比图,从图7可以看出,正常表面的激光图像灰度值的信息熵值均大于-10000,而水果表面缺陷的激光图像灰度值的信息熵值小于-10000(除12号样本外),总有效率也大于96%。此时,信息熵值阈值是-10000。
因此脐橙表面激光图像灰度值的均值、标准差和信息熵值均能用于检测脐橙表面缺陷:
激光照射脐橙表面时,得到的激光图像的灰度值均值如果大于灰度均值阈值,则当前激光照射的表面为正常表面,否侧为缺陷表面;
激光照射脐橙表面时,得到的激光图像的灰度值标准差值如果大于标准差值阈值,则当前激光照射的表面为正常表面,否侧为缺陷表面;
激光照射脐橙表面时,得到的激光图像的灰度值信息熵值如果大于信息熵值阈值,则当前激光照射的表面为正常表面,否侧为缺陷表面;
这样,就将脐橙的表面缺陷检测出来了。
Claims (2)
1.一种基于激光图像的水果表面缺陷检测方法,其特征在于:分别获取激光照射水果正常表面和缺陷表面的水果激光图像,对这些水果激光图像的灰度值进行分析计算,得到水果激光图像的灰度平均值、标准差值和信息熵值;由于水果表面的差异,这些值之间存在明显差异,存在灰度值均值阈值、标准差值阈值和信息熵值阈值,将水果正常表面和缺陷表面区分开来。
2.根据权利要求1所述的一种基于激光图像的水果表面缺陷检测方法,其特征在于:对获取的水果激光图像的灰度值进行分析计算,得到水果激光图像的灰度平均值、标准差值和信息熵值:
激光图像灰度值的均值g按下式计算:
g——激光图像灰度值的均值
M——激光图像宽度
N——激光图像长度
激光图像灰度值的标准差Sd按下式计算:
Sd——激光图像灰度值的标准差
M——激光图像宽度
N——激光图像长度
激光图像灰度值的信息熵值H按下式计算:
H——激光图像灰度值的信息熵值
q——激光图像灰度值的最大值,对于8位数字图像,q取255
Pi——激光图像上灰度值为i的像素点出现的频度
由于水果表面的差异,水果激光图像的灰度平均值、标准差值和信息熵值之间存在明显差异,存在灰度平均值阈值、标准差值阈值和信息熵值阈值,将水果正常表面和缺陷表面区分开来。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2006100502836A CN100427931C (zh) | 2006-04-10 | 2006-04-10 | 基于激光图像的水果表面缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2006100502836A CN100427931C (zh) | 2006-04-10 | 2006-04-10 | 基于激光图像的水果表面缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN1844900A CN1844900A (zh) | 2006-10-11 |
CN100427931C true CN100427931C (zh) | 2008-10-22 |
Family
ID=37063844
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNB2006100502836A Expired - Fee Related CN100427931C (zh) | 2006-04-10 | 2006-04-10 | 基于激光图像的水果表面缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN100427931C (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011156441A1 (en) * | 2010-06-09 | 2011-12-15 | Perceptron, Inc. | System and method for determining the position and orientation of a 3d feature |
CN113516612A (zh) * | 2020-04-13 | 2021-10-19 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置、设备和存储介质 |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101153851B (zh) * | 2007-06-15 | 2011-06-08 | 中国农业大学 | 一种基于机器视觉的苹果检测分级方法 |
US8284248B2 (en) * | 2009-08-25 | 2012-10-09 | Frito-Lay North America, Inc. | Method for real time detection of defects in a food product |
US7810305B2 (en) | 2009-02-26 | 2010-10-12 | Macidull John C | Automated fruit harvesting apparatus |
CN102914264A (zh) * | 2012-11-16 | 2013-02-06 | 上海理工大学 | 汽车前照灯总成安装面差的快速测量系统 |
CN103234905B (zh) * | 2013-04-10 | 2014-12-17 | 浙江大学 | 用于球状水果无冗余图像信息获取的方法和装置 |
CN104101613A (zh) * | 2013-04-10 | 2014-10-15 | 苏州华觉智能科技有限公司 | 电缆在线检测系统 |
CN104215639A (zh) * | 2013-06-05 | 2014-12-17 | 江南大学 | 一种基于机器视觉的梨表面缺陷检测方法 |
CN105044128B (zh) * | 2015-07-14 | 2017-09-01 | 浙江大学 | 基于光照背景差影法的水果表面缺陷检测方法 |
CN107451585B (zh) * | 2017-06-21 | 2023-04-18 | 浙江大学 | 基于激光成像的马铃薯图像识别装置和方法 |
CN109001248B (zh) * | 2018-06-26 | 2020-10-02 | 哈尔滨工业大学 | 一种基于图像信息熵的沥青混合料冻融损伤评价方法 |
CN109827971B (zh) * | 2019-03-19 | 2021-09-24 | 湖州灵粮生态农业有限公司 | 一种无损检测水果表面缺陷的方法 |
CN111127415B (zh) * | 2019-12-19 | 2023-07-25 | 信利(仁寿)高端显示科技有限公司 | 一种基于准分子激光退火的Mura的量化方法 |
CN110993491B (zh) * | 2019-12-19 | 2023-09-26 | 信利(仁寿)高端显示科技有限公司 | 一种准分子激光退火制程oed的自动校正方法 |
CN113177925B (zh) * | 2021-05-11 | 2022-11-11 | 昆明理工大学 | 一种无损检测水果表面缺陷的方法 |
CN113588330B (zh) * | 2021-06-29 | 2024-03-22 | 中国电力科学研究院有限公司 | 一种运行变压器的取油方法 |
CN113706468A (zh) * | 2021-07-27 | 2021-11-26 | 河北光兴半导体技术有限公司 | 基于bp神经网络的玻璃缺陷检测方法 |
CN116698875B (zh) * | 2023-08-03 | 2023-10-20 | 长春理工大学 | 一种基于图像处理的3d打印缺陷检测方法及装置 |
CN116977335B (zh) * | 2023-09-22 | 2023-12-12 | 山东贞元汽车车轮有限公司 | 一种用于机械零件表面点蚀缺陷的智能检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08128949A (ja) * | 1994-10-31 | 1996-05-21 | Ishikawajima Harima Heavy Ind Co Ltd | 菜果の非破壊成分分析装置 |
JPH1062341A (ja) * | 1996-08-23 | 1998-03-06 | Sumitomo Metal Mining Co Ltd | 非破壊食味特性測定装置 |
CN2587534Y (zh) * | 2002-12-27 | 2003-11-26 | 浙江大学 | 基于机器视觉的水果分级机器 |
CN1210112C (zh) * | 2002-12-27 | 2005-07-13 | 浙江大学 | 采用移位寄存器控制的机器视觉水果分级系统 |
-
2006
- 2006-04-10 CN CNB2006100502836A patent/CN100427931C/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08128949A (ja) * | 1994-10-31 | 1996-05-21 | Ishikawajima Harima Heavy Ind Co Ltd | 菜果の非破壊成分分析装置 |
JPH1062341A (ja) * | 1996-08-23 | 1998-03-06 | Sumitomo Metal Mining Co Ltd | 非破壊食味特性測定装置 |
CN2587534Y (zh) * | 2002-12-27 | 2003-11-26 | 浙江大学 | 基于机器视觉的水果分级机器 |
CN1210112C (zh) * | 2002-12-27 | 2005-07-13 | 浙江大学 | 采用移位寄存器控制的机器视觉水果分级系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011156441A1 (en) * | 2010-06-09 | 2011-12-15 | Perceptron, Inc. | System and method for determining the position and orientation of a 3d feature |
CN113516612A (zh) * | 2020-04-13 | 2021-10-19 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置、设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN1844900A (zh) | 2006-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN100427931C (zh) | 基于激光图像的水果表面缺陷检测方法 | |
Chen et al. | Automatic optical inspection system for IC molding surface | |
CN101832941B (zh) | 一种基于多光谱图像的水果品质评价装置 | |
CN110031477A (zh) | 基于图像监控数据的桥梁关键构件病害预警系统及方法 | |
CN101576508A (zh) | 芯片外观缺陷自动检测装置及检测方法 | |
CN110287791B (zh) | 一种用于人脸图片的筛选方法和系统 | |
CN103913468A (zh) | 生产线上大尺寸lcd玻璃基板的多视觉缺陷检测设备及方法 | |
CN106204524A (zh) | 一种评价图像质量的方法及装置 | |
CN101984346A (zh) | 基于低通滤波的水果表面缺陷检测方法 | |
CN102175701A (zh) | 工业x射线机在线探伤检测系统及方法 | |
CN103308524A (zh) | Pcb自动光学检测系统 | |
CN113177924A (zh) | 一种工业流水线产品瑕疵检测方法 | |
CN104118609A (zh) | 贴标质量检测方法和装置 | |
CN102788806B (zh) | 基于类球形亮度变换的水果表面缺陷检测方法 | |
CN104020222A (zh) | 全自动超声波铝丝压焊机焊接质量检测系统 | |
CN104132945A (zh) | 一种基于光纤传导的棒材表面质量在线视觉检测装置 | |
CN101282419B (zh) | 一种自动坏点检测方法与设备 | |
JP2017521011A (ja) | シンボルの光学的検出方法 | |
CN111724375B (zh) | 一种屏幕检测方法及系统 | |
CN117330582A (zh) | 一种高分子pe薄膜表面晶点检测系统 | |
CN111458344A (zh) | 一种口罩缺陷视觉检测方法、设备、存储介质 | |
US8184898B2 (en) | Analysis of leaded components | |
CN203365339U (zh) | 冷轧铝板表面缺陷在线检测系统 | |
CN110579184A (zh) | 一种产品外观在线检测装置及其使用方法 | |
CN110624853A (zh) | 一种在线魔幻棒视觉检测系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20081022 Termination date: 20110410 |