CN101085442B - 基于rgb复合模型的柑橘图像处理分级的方法 - Google Patents
基于rgb复合模型的柑橘图像处理分级的方法 Download PDFInfo
- Publication number
- CN101085442B CN101085442B CN2006100121139A CN200610012113A CN101085442B CN 101085442 B CN101085442 B CN 101085442B CN 2006100121139 A CN2006100121139 A CN 2006100121139A CN 200610012113 A CN200610012113 A CN 200610012113A CN 101085442 B CN101085442 B CN 101085442B
- Authority
- CN
- China
- Prior art keywords
- image
- fruit
- oranges
- tangerines
- 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
Images
Abstract
本发明涉及利用机器视觉进行柑橘的分级方法。本发明公开了一种基于RGB复合模型的柑橘图像处理分级的方法,包括机器视觉系统和处理数字图像的计算机,其步骤:1)对采集的柑橘原图像进行均值滤波预处理;2)提取R通道图像,对其进行阈值分割和二值化处理,获得二值图像,得到水果的目标区域;3)对上述步骤2)得到的二值图像提取目标边缘;4)利用上述步骤3)得到的目标边缘计算柑橘的最大果径d;5)对上述步骤1)得到的滤波后的图像,在上述步骤2)得到的水果目标区域内通过c=(r-g-b)/(r+g)复合模型计算颜色水平值c;6)将每幅图像的最大果径d和颜色水平值c与设定的值范围比较,即能判定每个水果的等级。
Description
技术领域
本发明涉及利用机器视觉进行柑橘的分级方法,具体涉及一种基于RGB(红绿蓝颜色通道)复合模型的柑橘图像处理分级的方法。
背景技术
柑橘类水果是我国产量最大的水果种类之一,同时也是重要的外贸果品。但是由于采摘后检测、分级技术落后,目前大部分的柑橘在采摘后不经过商品化处理就直接上市,造成等级混杂,良莠不齐,影响了其商品价值,特别是在国际市场上缺乏竞争力。
柑橘的采后商品化处理的主要技术环节包括挑选、清洗、打蜡、分级和包装等,其中分级是商品化处理中的核心环节。目前我国的柑橘分级主要还是依靠人工完成,需要的劳动力多,劳动强大,而且分级的结果因劳动者的个体差异而差别较大,分级的一致性较差,效率较低。利用机器视觉进行柑橘的分级具有很大的优势,可以同时对多个标准,包括水果的尺寸大小、颜色、形状、表面缺陷等外观品质一次性进行综合分级。分级的客观性强、标准稳定、一致性好、效率高,而且非接触无伤害,因而具有很好的应用前景。
柑橘的视觉分级主要是通过对水果的图像利用计算机进行数字图像处理,判别水果的等级来进行分级。因而柑橘图像处理技术是整个视觉分级中最关键的核心技术。直接关系到分级的可行性和准确性。
目前国内还缺乏成熟的柑橘视觉分级系统。原因之一是在图像分级处理中存在以下难点。一是没有统一的颜色分级标准,难以建立合适、准确的颜色模型来对柑橘进行颜色方面的分级。二是图像处理的算法计算复杂度大,难以满足实时分级的要求,制约了其实际应用。
发明内容
(一)本发明要解决的技术问题
本发明的目的是针对上述现有技术的不足,提供一种效率高,准确性好,能快速实时分级的基于RGB复合模型的柑橘图像处理分级的方法。
(二)技术方案
为了达到上述目的,本发明采取以下技术方案:
本发明基于RGB复合模型的柑橘图像处理分级的方法,包括用于采集图像的机器视觉系统和用于处理数字图像的计算机,具有以下步骤:
1)对采集的柑橘原图像进行均值滤波预处理;
2)提取R通道图像,对其进行阈值分割和二值化处理,获得二值图像,得到水果的目标区域;
3)对上述步骤2)得到的二值图像提取目标边缘;
4)利用上述步骤3)得到的目标边缘计算柑橘的最大果径d;
5)对上述步骤1)得到的滤波后的图像,在上述步骤2)得到的水果目标区域内通过c=(r-g-b)/(r+g)复合模型计算颜色水平值c,其中r、g、b为R、G、B颜色通道的平均亮度值,c为颜色水平值;
6)将每幅图像的最大果径d和颜色水平值c与设定的每个等级的果径和颜色水平值范围比较,即能判定每个水果的等级。
优选地,所述步骤3)中二值图像提取目标边缘的步骤包括:扫描整幅图像,对值为1的目标点计算其8-邻域像素值的总和,如果总和小于7,则认为当前像素点为边界点,否则认为是目标内部点。
优选地,所述步骤4)中的目标边缘计算柑橘的最大果径d的步骤包括:对整个边界上的所有像素点求取两两之间的欧氏距离,将最大的距离值乘以图像的空间分辨率即得到最大果径。
优选地,所述步骤6)中最大果径d和颜色水平值c的求取方法:是对每个柑橘采集三个不同表面的图像,并通过上述步骤计算每幅0图像的最大果径d和颜色水平值c,将三次求得的d和c分别取平均得到最终的等级判定依据。
优选地,所述采集图像的机器视觉系统,包括采用RGB彩色分量摄像机。
(三)有益效果
1)算法计算复杂度低,易于实现,适于柑橘的快速实时分级;2)本发明的计算方法可信程度和可靠程度高;3)采用RGB颜色模型进行处理具有直观、简便的特点,且降低了劳动强度;4)本发明分级的方法客观性强、标准稳定、一致性好、效率高,而且非接触无伤害,因而具有很好的应用前景。
附图说明
图1是本发明的流程图;
图2是本发明柑橘图像滤波后的图像;
图3是本发明R通道二值图像;
图4是本发明目标边缘的图像。
具体实施方式
以下实施例用于说明本发明,但不用来限制本发明的范围。
为了充分公开本发明,首先对本发明的工作机理进行说明。在实际应用中,对柑橘的分级主要依据的参数包括重量、尺寸大小和颜色。重量和尺寸可以反映柑橘的大小,而颜色可以反映柑橘的成熟度。对于同一品种的柑橘,个体的密度差别非常小,所以可以通过柑橘的体积来反映其重量,而且柑橘类水果的外形较为规则,呈准球形,因此间接的可以通过果径的大小来表征柑橘的重量。从实际来看这也是符合人们挑选柑橘类水果的主观习惯的。所以本发明将重量和尺寸大小两个参数用同一个参数d——果径来表示,即通过图像求取最大果径来判定水果的大小等级。
表征颜色时有多种颜色模型可以使用,如RGB、HIS等。柑橘类水果表面颜色具有单体较为均匀的特点,而且大部分柑橘类水果的颜色分布在黄色到红色的色系中。所以采用RGB颜色模型进行处理具有直观、简便的特点。本发明采用一个RGB24位彩色分量摄像机(北京嘉恒中自图像技术公司的OK_AC1300)对柑橘进行图像采集。该摄像机可以直接输出R、G、B三通道分量的图像。
分析柑橘图像R、G、B各通道的平均灰度值可以发现B通道的平均灰度值随个体的影响变化不大,而R和G通道的平均灰度值变化较大,在分类中起着主要的作用。但是单独使用R、G、B分量,难以有效可靠的实现对柑橘的颜色分级。通过试验证明,采用下面的复合模型可以很好的判定柑橘的颜色等级。
c=(r-g-b)/(r+g)
其中r、g、b为水果目标区域内R、G、B颜色通道的平均亮度值,c为颜色水平值。选择一个合适的c值即可将柑橘按颜色分为两个等级。例如对某种成熟的芦柑,选择c=0.25可以将其分为“偏黄色”和“偏红色”两类。
在利用机器视觉进行柑橘的分级时,图像是二维信号,柑橘的每幅图像只含有一个方向上的视觉信息,而分级需要利用水果在空间立体各个方向上的最大果径来表示大小,利用水果的整个表面颜色信息来综合判断水果的颜色等级,所以一副图像无法包含分级所需的全部信息。本发明分别对每个柑橘采集三次图像,要求每次采集不同的表面,并且三次采集的表面能覆盖整个水果表面。对每幅图像根据上述算法求取最大果径d和颜色水平值c,根据柑橘类水果具有果型规则、单体颜色较为均匀的特点,将每幅图像求得的d和c取平均作为最终等级判定的依据。设定各个等级的范围值即可判定每个柑橘的等级。
参见图1,本发明对任意一副柑橘图像计算最大果径d和颜色水平值c包括以下基本步骤:
1、对采集的原图像进行均值滤波预处理,参见图2。
2、提取R通道图像,对其进行阈值分割和二值化处理,获得二值图像,得到水果的目标区域,参见图3。
3、对上述步骤2得到的二值图像提取目标边缘,参见图4。提取过程如下:扫描整幅图像,对值为1的目标点计算其8-邻域像素值的总和,如果总和小于7,则认为当前像素点为边界点,否则认为是目标内部点。
4、利用上述步骤3得到的目标边缘计算柑橘的最大果径d。计算过程如下:对整个边界上的所有像素点求取两两之间的欧氏距离,将最大的距离值乘以图像的空间分辨率即得到最大果径。
5、对上述步骤1得到的滤波后的图像,在上述步骤2)得到的水果目标区域内通过c=(r-g-b)/(r+g)复合计算颜色水平值c。
对每个柑橘采集三个不同表面的图像,并通过上述步骤计算每幅图像的最大果径d和颜色水平值c,将三次求得的d和c分别取平均得到最终的等级判定依据。设定每个等级的果径和颜色水平值范围,即可判定每个水果的等级。
实施例:
首先进行等级划分。在应用本发明的方法进行分级时,按果径分为4个等级,按颜色分为2个等级。综合两个标准按表1等级划分方式将水果一共分为8个等级。
表1等级划分方式
在对某个品种的一批柑橘进行实时分级前,需要进行采样设置等级范围。其中设置果径等级范围时从此批柑橘中按4个大小等级人工分别挑选一个水果,用本发明的方法分别计算其最大果径,并将相邻两个等级的果径平均值作为这两个等级的划分值。在设置颜色等级范围时,从此批柑橘中人工挑选两个比较接近分级标准的水果,用本发明的方法分别计算其颜色水平值,并将两者的平均值作为颜色等级划分的标准。
为了验证本发明方法分级的准确性,从某批经过分级的芦柑中每个等级随机抽取一个水果,人工利用游标卡尺在其赤道位置挑选三处直径较大的地方各测量一次果径,取平均值并与分级计算的值进行比较。结果如表2所示。
表2分级结果比较
由表2可见,利用本发明的方法由于非接触测量,对水果无挤压,而且测量得到的是最大果径值,所以计算的最大果径d值总体比人工测量值偏大。测量误差小于1.5mm。
本发明的方法在应用于柑橘的实时分级时,对每个水果采集的图像分辨率为256×256像素,分级速度能达到每秒12个柑橘。
以上为本发明的最佳实施方式,依据本发明公开的内容,本领域的普通技术人员能够显而易见地想到的一些雷同、替代方案,均应落入本发明保护的范围。
Claims (5)
1.一种基于RGB复合模型的柑橘图像处理分级的方法,包括用于采集图像的机器视觉系统和用于处理数字图像的计算机,其特征在于有以下步骤:
1)对采集的柑橘原图像进行均值滤波预处理;
2)提取R通道图像,对其进行阈值分割和二值化处理,获得二值图像,得到水果的目标区域;
3)对上述步骤2)得到的二值图像提取目标边缘;
4)利用上述步骤3)得到的目标边缘计算柑橘的最大果径d;
5)对上述步骤1)得到的滤波后的图像,在上述步骤2)得到的水果目标区域内通过c=(r-g-b)/(r+g)复合模型计算颜色水平值c,其中r、g、b为R、G、B颜色通道的平均亮度值,c为颜色水平值;
6)将每幅图像的最大果径d和颜色水平值c与设定的每个等级的果径和颜色水平值范围比较,即能判定每个水果的等级。
2.如权利要求1所述的一种基于RGB复合模型的柑橘图像处理分级的方法,其特征在于所述步骤3)中二值图像提取目标边缘的步骤包括:扫描整幅图像,对值为1的目标点计算其8-邻域像素值的总和,如果总和小于7,则认为当前像素点为边界点,否则认为是目标内部点。
3.如权利要求1所述的一种基于RGB复合模型的柑橘图像处理分级的方法,其特征在于所述步骤4)中的目标边缘计算柑橘的最大果径d的步骤包括:对整个边界上的所有像素点求取两两之间的欧氏距离,将最大的距离值乘以图像的空间分辨率即得到最大果径。
4.如权利要求1所述的一种基于RGB复合模型的柑橘图像处理分级的方法,其特征在于所述步骤6)中最大果径d和颜色水平值c的求取方法:是对每个柑橘采集三个不同表面的图像,并通过上述步骤计算每幅图像的最大果径d和颜色水平值c,将三次求得的d和c分别取平均得到最终的等级判定依据。
5.如权利要求1所述的一种基于RGB复合模型的柑橘图像处理分级的方法,其特征在于所述采集图像的机器视觉系统,包括采用RGB彩色分量摄像机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2006100121139A CN101085442B (zh) | 2006-06-06 | 2006-06-06 | 基于rgb复合模型的柑橘图像处理分级的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2006100121139A CN101085442B (zh) | 2006-06-06 | 2006-06-06 | 基于rgb复合模型的柑橘图像处理分级的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101085442A CN101085442A (zh) | 2007-12-12 |
CN101085442B true CN101085442B (zh) | 2010-07-28 |
Family
ID=38936712
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2006100121139A Expired - Fee Related CN101085442B (zh) | 2006-06-06 | 2006-06-06 | 基于rgb复合模型的柑橘图像处理分级的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101085442B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102176117B (zh) * | 2011-01-20 | 2012-12-05 | 浙江大学 | 水果高速分选系统动态称重信号的智能处理方法 |
CN103185609A (zh) * | 2011-12-29 | 2013-07-03 | 机械科学研究总院先进制造技术研究中心 | 一种西红柿分级的图像检测方法 |
CN102735340B (zh) * | 2012-06-11 | 2014-03-12 | 陕西科技大学 | 一种基于压缩传感的水果颜色分级方法 |
CN103111427B (zh) * | 2013-01-10 | 2014-08-27 | 上海交通大学 | 基于图像处理的水果分选装置 |
CN103090946B (zh) * | 2013-01-15 | 2014-12-17 | 北京农业信息技术研究中心 | 果树单树产量测量的方法和系统 |
CN106442561B (zh) * | 2016-08-29 | 2023-10-31 | 北京农业智能装备技术研究中心 | 用于检测柑橘表皮缺陷的在线图像采集系统及方法 |
CN107081281B (zh) * | 2017-06-13 | 2019-04-19 | 安徽比达光电科技有限公司 | 一种智能色选机的算法 |
CN107899966A (zh) * | 2017-12-06 | 2018-04-13 | 罗凯缤 | 基于视觉技术的柚子品质分选装置 |
CN108262267B (zh) * | 2017-12-29 | 2019-10-18 | 北京农业智能装备技术研究中心 | 一种水果分选中的多果检测方法与装置 |
US11003958B2 (en) | 2018-06-26 | 2021-05-11 | Walmart Apollo, Llc | Food quality image classification |
CN108582083A (zh) * | 2018-07-05 | 2018-09-28 | 厦门理工学院 | 一种果蔬选购系统和方法 |
CN109711317A (zh) * | 2018-12-21 | 2019-05-03 | 重庆理工大学 | 基于区域特征的成熟柑橘果实及枝叶的分割识别方法 |
CN110057308A (zh) * | 2019-04-30 | 2019-07-26 | 北京理工大学 | 一种形变监测方法及系统 |
CN111299186A (zh) * | 2020-02-21 | 2020-06-19 | 杨伟 | 水果分级的方法、装置及设备 |
CN114530009A (zh) * | 2021-12-28 | 2022-05-24 | 惠州市智慧大数据有限公司 | 防疫通勤监控方法、装置、计算机设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1394699A (zh) * | 2002-08-03 | 2003-02-05 | 浙江大学 | 水果品质实时检测和分级机器人系统 |
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 |
CN1635537A (zh) * | 2003-12-31 | 2005-07-06 | 中国农业大学 | 一种水果果面图像采集系统及方法 |
-
2006
- 2006-06-06 CN CN2006100121139A patent/CN101085442B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1394699A (zh) * | 2002-08-03 | 2003-02-05 | 浙江大学 | 水果品质实时检测和分级机器人系统 |
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 |
CN1635537A (zh) * | 2003-12-31 | 2005-07-06 | 中国农业大学 | 一种水果果面图像采集系统及方法 |
Non-Patent Citations (6)
Title |
---|
.基于计算机视觉技术的水果形状分级方法.农业机械学报36 6.2005,36(6),71-74. |
JP平4-364449A 1992.12.16 |
应义斌, 付峰.水果品质机器视觉检测中的图像颜色变换模型.农业机械学报35 1.2004,35(1),85-89. |
应义斌, 付峰.水果品质机器视觉检测中的图像颜色变换模型.农业机械学报35 1.2004,35(1),85-89. * |
林开颜,吴军辉, 徐立鸿 |
林开颜,吴军辉, 徐立鸿;.基于计算机视觉技术的水果形状分级方法.农业机械学报36 6.2005,36(6),71-74. * |
Also Published As
Publication number | Publication date |
---|---|
CN101085442A (zh) | 2007-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101085442B (zh) | 基于rgb复合模型的柑橘图像处理分级的方法 | |
Gavhale et al. | Unhealthy region of citrus leaf detection using image processing techniques | |
Patel et al. | Automatic segmentation and yield measurement of fruit using shape analysis | |
Sahu et al. | Defect identification and maturity detection of mango fruits using image analysis | |
Lee et al. | Rapid color grading for fruit quality evaluation using direct color mapping | |
CN101153851B (zh) | 一种基于机器视觉的苹果检测分级方法 | |
Pujari et al. | Grading and classification of anthracnose fungal disease of fruits based on statistical texture features | |
CN108181316B (zh) | 一种基于机器视觉的竹条缺陷检测方法 | |
CN109613023B (zh) | 一种区域亮度自适应校正的水果表面缺陷快速检测方法 | |
CN103394472B (zh) | 一种基于机器视觉的绿化马铃薯检测分级方法 | |
Eissa et al. | Understanding color image processing by machine vision for biological materials | |
CN114170208A (zh) | 一种基于人工智能的纸制品缺陷检测方法 | |
Wang et al. | Vision-based judgment of tomato maturity under growth conditions | |
CN103185609A (zh) | 一种西红柿分级的图像检测方法 | |
CN103528967A (zh) | 基于高光谱图像的过熟蓝靛果果实识别方法 | |
Syahrir et al. | Color grading in tomato maturity estimator using image processing technique | |
Abdullah et al. | Color vision system for ripeness inspection of oil palm elaeis guineensis | |
Singh et al. | Machine vision system for tea quality determination-Tea Quality Index (TQI) | |
CN109100350B (zh) | 一种面粉麸星检测方法 | |
Bulanon et al. | A machine vision system for the apple harvesting robot | |
EP3896650A1 (en) | Quality control system for series production | |
CN109492544A (zh) | 一种通过增强光学显微镜对动物纤维进行分类的方法 | |
Ignacio et al. | A YOLOv5-based deep learning model for in-situ detection and maturity grading of mango | |
Huang et al. | Mango surface defect detection based on HALCON | |
CN114088714B (zh) | 一种谷物颗粒表面规则度的检测方法 |
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: 20100728 Termination date: 20130606 |