CN102855641A - 基于外在品质的水果等级分类系统 - Google Patents

Abstract

本发明提供一种基于外在品质的水果等级分类系统，其包括：分别用于摄取同一水果的图像信息的多个图像摄取单元；用于分析所述多个图像摄取单元各自提供的图像信息以获得水果的特征提取单元；以及用于根据所获得的水果的特征信息、采用预定神经网络分类器来将水果予以分类的水果分类单元，其中，所述特征信息包括形状、颜色及面积。本发明结构简单稳定，可以应用在农业水果生产的较多产业领域。

Description

基于外在品质的水果等级分类系统

技术领域

本发明涉及水果分类领域，尤其涉及一种基于外在品质的水果等级分类系统。

背景技术

水果产业是近年来快速发展的一个农业产业，据农业部统计，到2007年我国水果产量已经达到1.05亿，居世界首位。但是，水果在其生产过程中由于受到人为和自然等复杂因素的影响，产品品质差异很大，如形状、大小、色泽等都是变化的，很难整齐划一。由于我国的水果品种结构不合理，产品商业化处理技术落后，因此，在国际市场上缺乏竞争力。

近几年来，随着计算机模式识别技术的成熟和发展，在西方国家，水果的分级方式正逐步由计算机所替代。分级设备不仅可按照重量进行分级，而且还可以根据形状、大小、色泽等进行分级。

水果的分级方式包括以外在品质来分级及以内在品质来分级的两种分级方式，国内外学者在这方面的研究侧重于外在品质的果品分级。例如：Yimyam等人通过对芒果缺陷面积的测定，对芒果进行了分级；冯斌等人以苹果的自然对称形态特征为依据，取垂直水果轴向的最大宽度为水果大小，对苹果进行分级；上述的分级方法都取得了较好的效果。

目前，我们国家的水果等级分类过程大多采用人工分级，自动化分级系统应用较少。而人工水果分级的不足之处在于：耗时长，结果不稳定，容易受人为因素干扰，并且耗费大量的人力和物力，不适合水果深加工产业的发展，也制约了我国水果产业在国际市场的竞争力。

发明内容

本发明的目的在于提供一种基于外在品质的水果等级分类系统，以实现水果的等级分类判别。

为了达到上述的目的，本发明提供一种基于外在品质的水果等级分类系统，它包括：多个图像摄取单元，分别用于摄取同一水果的图像信息；特征提取单元，用于分析所述多个图像摄取单元各自提供的图像信息以获得水果的特征信息；水果分类单元，用于根据所获得的水果的特征信息、采用预定神经网络分类器来将水果予以分类，其中，所述特征信息包括形状、颜色及面积。

优选地，所述特征提取单元包括对图像进行增强及分割的图像预处理子单元。更为优选地，所述图像预处理子单元为采用sobel算子或prewitt算子进行边缘检测的单元。

优选地，所述特征提取单元包括：第一子单元，用于将以红、绿、及蓝表示像素点信息的图像信息按照以下公式转换为以色调、亮度和饱和度表示像素点信息的图像信息后，再来获得水果颜色信息，

$H=\arccos \left[\frac{[(R-G)+(R-B)]/2}{{[{(R-G)}^2+(R-B)(G-B)]}^{1/2}}\right];$

其中，H为像素点的色调：R、G、B分别为像素点的红、绿、蓝组分。

优选地，所述特征提取单元包括：基于图像中的水果横向尺寸与纵向尺寸的比例来确定水果形状的第二子单元。

优选地，所述特征提取单元包括：将图像信息转换为二值图像信息，并基于二值图像信息来确定水果面积的第三子单元。

优选地，所述预定神经网络分类器包括一个输入层、两个隐节点层和一个输出层。更为优选地，第一层隐节点层为四个节点，第二次隐节点层为三个节点。

本发明将图像处理、模式识别以及神经网络技术相结合，以三个最具代表性的水果外在品质特征作为神经网络分类器的输入，通过神经网络分类器对水果进行等级分类判别，其结构简单易实现、且系统稳定、应用面较广，可以应用在农业水果生产的较多产业领域。

附图说明

本发明的基于外在品质的水果等级分类系统由以下的实施例及附图给出。

图1是本发明具体实施例的示意图。

图2a至2c为本发明对苹果图像进行预处理后示意图。

图3a至3d为本发明采用4种边缘检测算法对图像进行边缘分割后的示意图。

具体实施方式

以下将对本发明的基于外在品质的水果等级分类系统作进一步的详细描述。

请参见图1，所述水果等级分类系统1至少包括：多个图像摄取单元11、特征提取单元12、及水果分类单元13。

每一个图像摄取单元11均摄取同一水果的图像信息。

优选地，图像摄取单元11包括任何能摄取图像的装置，优选地，包括但不限于摄像头等等。

优选地，图像摄取单元11的数量大于或等于2，例如，图像摄取单元11的数量为3，3个图像摄取单元11形成360度视角来摄取同一水果的不同面的图像信息，由此，来获得同一水果全方位信息。

所述特征提取单元12分析所述多个图像摄取单元11各自提供的图像信息以获得水果的特征信息。

其中，所述水果的特征信息包括但不限于：形状、颜色及面积等。

具体地，所述特征提取单元12对每一个图像信息进行分析，并由每一图像信息中获得水果的特征信息。

优选地，所述特征提取单元12包括至少一计算机。更为优选地，所述特征提取单元12包括3台计算机，分别用于处理一个图像摄取单元所输出的图像信息，以便由该图像信息中获取水果的形状、颜色及面积信息等。

优选地，所述特征提取单元12包括图像预处理子单元（未予图示）。

所述图像预处理子单元对图像进行增强及分割处理。

具体地，所述图像预处理子单元先对图像摄取单元11输出的图像信息进行锐化操作，再对其求反及补色；接着，所述图像预处理子单元再利用边缘检测来分割图像信息。

例如，所述图像预处理子单元对图像摄取单元11输出的苹果图像信息（即图2a）进行锐化操作后，获得的图像信息如图2b所示，接着，所述图像预处理子单元再对图2b所示的图像信息求反及补色，获得的图像信息如图2c所示，由图2a-2c可见，经过图像增强处理后，图像边缘更为突出，分界更加明显，非常便于后续的边缘分割处理。随后，所述图像预处理子单元分别采用Canny算子，Prewitt边缘检测算子、Roberts边缘检测算子和Sobel边缘检测算子、Prewitt边缘检测算子、Roberts边缘检测算子和Sobel边缘检测算子对图3c所示的图像信息进行进行边缘分割，获得的图像信息分别如图3a-3d所示，其中，图3a为采用Canny算子所获得的图像、图3b为采用Prewitt边缘检测算子所获得的图像、图3c为Roberts边缘检测算子所获得的图像、图3d为Sobel边缘检测算子所获得的图像，由各图可见，经sobel算子和prewitt算子检测得到的水果轮廓较为清晰。

优选地，所述特征提取单元12包括第一子单元（未予图示）。

所述第一子单元用于将以红、绿、及蓝表示像素点信息的图像信息按照以下公式转换为以色调、亮度和饱和度表示像素点信息的图像信息后，再来获得水果颜色信息，

$H=\arccos \left[\frac{[(R-G)+(R-B)]/2}{{[{(R-G)}^2+(R-B)(G-B)]}^{1/2}}\right],$

其中，H为像素点的色调：R、G、B分别为像素点的红、绿、蓝组分。所述第一子单元基于上述公式确定每一像素点的色调后，再求取所有像素点的色调平均值作为水果的颜色特征信息。

优选地，所述特征提取单元12包括第二子单元（未予图示）。

所述第二子单元基于图像中的水果横向尺寸与纵向尺寸的比例来确定水果形状。

具体地，所述第二子单元将图像摄取单元11输出的图像转换为灰度图像，再通过灰度图像的直方图阈值分割，来计算该图像的最大横轴和最大纵轴之比值l，并以该比值l作为水果的形状信息。其中，该比值l越接近1，表明该水果形状越规则：

优选地，所述特征提取单元12包括第三子单元（未予图示）。

所述第三子单元将图像信息转换为二值图像信息，并基于二值图像信息来确定水果面积。

具体地，所述第三子单元先对水果图像进行二值化处理，再对水果区域内（即白色区域）的所有像素点数量进行求和计算，其结果作为水果的面积值。由于底板的颜色对面积的大小有一定的影响，故通过采用了不同颜色的底板进行对比发现，在外部环境不变的情况下，采用黑色底板能够极大地减小底板的影响，故所述第三子单元在采集水果图像时，配备黑色底板。

所述水果分类单元13用于根据所获得的水果的特征信息、采用预定神经网络分类器来将水果予以分类。

具体地，所述水果分类单元13将所述特征提取单元12输出的诸如形状、颜色及面积等的水果的特征信息作为预定神经网络分类器的输入值，经过反复的训练和测试后，来得出水果最终的判别结果。若所述特征提取单元12包括3台计算机，则所述水果分类单元13将每一台计算机输出的诸如形状、颜色及面积等的特征信息作为预定神经网络分类器的输入值，以分别获得一个水果的判别结果，随后再以3次的判别结果的平均值或加权平均值等作为水果的最终判别结果。

优选地，所述预定神经网络分类器包括一个输入层、两个隐节点层和一个输出层。更为优选地，第一层隐节点层为四个节点，第二次隐节点层为三个节点。

虽然神经网络方面的专家曾经指出，应尽量避免使用两层以上的隐节点层，因为会大大提高实验花费的时间。但是实验表明：两层隐节点层在BP训练结束后，对新进的对象判断稳定性很好，同时花费的训练实验时间也在允许范围之内，故所述水果分类单元13采用了两层隐节点层。其中，输入层有三个节点，分别为水果的形状、颜色及面积三个外在特征信息；第一层隐节点层为四个节点，第二次隐节点层为三个节点，输出层的节点数根据水果分级的级别数来设定。本实施例中，只对优质和较差两类水果进行分级，故输出节点为一个。神经网络的具体参数为：trainParam.lr=0.001；trainParam.mc=0.9；trainParam.epochs=20000；trainParam.goal=0.0001；trainParam.max fail=1000。

综上所述，本发明的基于外在品质的水果等级分类系统将图像处理、模式识别以及神经网络技术相结合，以三个最具代表性的水果外在品质特征作为神经网络分类器的输入，通过神经网络分类器对水果进行等级分类判别，其优势在于：1）采用了三个摄像头进行水果的原始图像采集，克服了水果外在品质不均匀，给等级判别带来的困扰；2）图像预处理技术采用图像处理领域较为成熟的技术，能使处理结果较为稳定；3）参考了大量文献和大量实验基础上所选取的三个特征信息，其对后期分级结果的作用大，且使计算较为简单不复杂；4）神经网络结构方面，将隐节点层设置为两层，既大大节省计算时间，又使得对新进的对象判断稳定性很好。因此，本发明系统稳定、简单易实现，且应用面较广，可以应用在农业水果生产的较多产业领域。

Claims (10)

1.一种基于外在品质的水果等级分类系统，其特征在于，包括：

多个图像摄取单元，分别用于摄取同一水果的图像信息；

特征提取单元，用于分析所述多个图像摄取单元各自提供的图像信息以获得水果的特征信息，其中，所述特征信息包括形状、颜色及面积；

水果分类单元，用于根据所获得的水果的特征信息、采用预定神经网络分类器来将水果予以分类。

2.如权利要求1所述的基于外在品质的水果等级分类系统，其特征在于：所述特征提取单元包括对图像进行增强及分割处理的图像预处理子单元。

3.如权利要求2所述的基于外在品质的水果等级分类系统，其特征在于：所述图像预处理子单元为采用sobel算子或prewitt算子进行边缘检测的单元。

4.如权利要求1所述的基于外在品质的水果等级分类系统，其特征在于：所述特征提取单元包括：第一子单元，用于将以红、绿、及蓝表示像素点信息的图像信息按照以下公式转换为以色调、亮度和饱和度表示像素点信息的图像信息后，再来获得水果颜色信息，

$H=\arccos \left[\frac{[(R-G)+(R-B)]/2}{{[{(R-G)}^2+(R-B)(G-B)]}^{1/2}}\right];$

其中，H为像素点的色调：R、G、B分别为像素点的红、绿、蓝组分。

5.如权利要求1所述的基于外在品质的水果等级分类系统，其特征在于：所述特征提取单元包括：基于图像中的水果横向尺寸与纵向尺寸的比例来确定水果形状的第二子单元。

6.如权利要求1所述的基于外在品质的水果等级分类系统，其特征在于：所述特征提取单元包括：将图像信息转换为二值图像信息，并基于二值图像信息来确定水果面积的第三子单元。

7.如权利要求1至6任一项所述的基于外在品质的水果等级分类系统，其特征在于：所述特征提取单元包括至少一计算机。

8.如权利要求1所述的基于外在品质的水果等级分类系统，其特征在于：所述预定神经网络分类器包括一个输入层、两个隐节点层和一个输出层。

9.如权利要求8所述的基于外在品质的水果等级分类系统，其特征在于：第一层隐节点层为四个节点，第二次隐节点层为三个节点。

10.如权利要求1所述的基于外在品质的水果等级分类系统，其特征在于：图像摄取单元的数量为3。

Images