CN103149214A

CN103149214A - 水果表面缺陷检测方法

Info

Publication number: CN103149214A
Application number: CN2013100613133A
Authority: CN
Inventors: 张保华; 刘成良; 赵春江; 贡亮; 李彦明; 黄丹枫
Original assignee: Shanghai Jiaotong University
Current assignee: Shanghai Jiaotong University
Priority date: 2013-02-27
Filing date: 2013-02-27
Publication date: 2013-06-12
Anticipated expiration: 2033-02-27
Also published as: CN103149214B

Abstract

一种图像处理技术领域的利用图像处理实现水果表面缺陷检测的方法，1）获取RGB图像和NIR图像；2）去除RGB图像和NIR图像的背景分别获得只含有水果图像的RGB前景图像和NIR前景图像；3）将RGB前景图像从RGB颜色空间图像转换为YCrCb颜色空间图像，新图像记为新空间图像；4）将新空间图像的Y分量图像与NIR前景图像进行比值计算，得到比值图像；5）从比值图像提取水果缺陷图像。本发明对于检测水果的表面缺陷具有很好的稳定性、准确性和快速性，有效避免了水果形状、大小的影响。

Description

水果表面缺陷检测方法

技术领域

本发明涉及的是一种图像处理技术领域的方法，具体是一种利用图像处理实现水果表面缺陷检测的方法。

背景技术

水果是深受人民热爱的大众农产品之一，有报告称，自1990年以来，全世界主要水果产量产值均呈现增长趋势。水果的表面缺陷是其品质的最直接的反映，故表面缺陷是决定水果价格的重要因素。对水果表面缺陷进行检测和分选，是水果销售、加工和贮藏之前的必要环节。目前机器视觉广泛应用于水果的外部品质的检测中，相机采集水果表面图像，然后传输至计算机，通过图像处理技术对水果的尺寸、颜色、缺陷等品质特征进行提取，进而依据国家水果分级标准对水果的品质进行分选。为了提取水果表面的缺陷，有些学者把图像处理和模式识别技术结合起来，通过对水果表面图像的缺陷部分和正常表面进行特征提取，然后训练分类器，在测试阶段，计算水果图像的特征，然后输入训练好的分类器，对水果表面进行分类。研究结果表明这种方法具有较高的缺陷识别率，然而由于算法较为复杂，不利于水果外部品质的在线检测。同时水果属于类球形生物体，故水果可以看成一个朗伯体，根据朗伯反射原理，球面上任意一点的亮度是与该点的法向量和该点与光源连线之间的夹角的余弦成正比，即I_D=I_L×COSθ，其中I_D是反射光强度，I_L是入射光强度，因此在采集图像时为了提高成像质量，一般需要增加额外的光源，故水果表面会产生朗伯现象，因此所采集图像形成中间亮边缘暗的分布，水果边缘的正常区域容易误识别为缺陷区域。

经过对现有技术的检索发现，中国专利文献号CN102788806A，公开日2012-11-21，记载了一种基于类球形亮度变换的水果表面缺陷检测方法，利用水果RGB图像和NIR图像，对比、计算出水果的缺陷的形状、大小，但该技术的缺陷在于水果并不是严格球形，该专利利用所求二值图像的外接矩形最大宽度Y来代替水果直径，最大宽度的一半，即Y/2作为迭代次数的终止条件，因此对于圆形度较小的椭圆形水果，这种方法具有一定局限性；同时椭圆形水果长轴和短轴附近朗伯现象的程度差别很大，该专利根据二值图像的边缘像素的像素点个数M，将R分量图像的边缘的所有点的亮度之和除以像素点个数M获得亮度平均值，然而对于椭圆状水果长轴和短轴附近同一迭代次数而受不同光照影响的像素点进行亮度平均不是很合理，对缺陷识别也会有一定的影响。

发明内容

本发明针对现有技术存在的上述不足，提供一种水果表面缺陷检测方法，相比现有技术在检测水果，尤其是体积较小的旮旯果时具有较高的稳定性和准确性。

本发明是通过以下技术方案实现的，本发明包括以下步骤：

1）获取水果的RGB图像和NIR图像；

2）去除RGB图像和NIR图像的背景分别获得只含有水果图像的RGB前景图像和NIR前景图像；

3）将RGB前景图像从RGB颜色空间图像转换为YCrCb颜色空间图像，得到YCrCb前景图像；

4）将YCrCb前景图像中的Y分量图像与NIR前景图像进行比值计算，作为比值图像；

5）从比值图像提取水果缺陷图像。

所述的步骤2）中使用掩膜图像去除RGB图像和NIR图像的背景，掩膜图像是指：选取NIR图像的灰度直方图中“两峰一谷”的谷底灰度值作为分割阈值，使用该分隔阈值对NIR图像进行二值化分割，所得出的掩模图像。

所述的步骤3）的转换公式为：

Y=0.299*R+0.587*G+0.114*B，

Cr=(R-Y)*0.713+128，

Cb=(B-Y)*0.564+128，其中：Y、Cr、Cb分别为YCrCb颜色空间的三个分量，R、G、B分别为RGB颜色空间的三个分量。

所述的步骤4）的比值计算的公式是：比值图像=255*(NIR前景图像/Y分量图像)。

所述的步骤5）的提取水果缺陷图像的方法具体是指：单阈值分割比值图像获得缺陷图像。

技术效果

本发明对于检测水果的表面缺陷具有很好的稳定性、准确性和快速性，有效避免了水果形状、大小的影响；人脸识别中通过颜色空间转换主要排除亮度的影响，把三维颜色空间转换成二维CrCb空间，从而有效避免亮度对肤色检测的影响，肤色会较好的类聚，但不能排除手臂等裸露肤色对人脸识别的影响，不通过不同颜色空间分量比算法处理而直接应用于水果缺陷的识别效果也是较差的，本文所提算法有效克服了这个影响；相对于人工检测而言，通过计算机算法自动识别水果缺陷，排除了人因疲劳和负面情绪带来的精度、效率降低等问题，同时自动识别可以连续稳定的工作，大大提高了工作效率，缩短检测周期；通过对248个样本进行缺陷检测实验，正确识别率为97%，并且该方法简单，易于程序实现，在水果品质在线检测方面具有较大的应用潜力。

附图说明

图1为本发明实施例1的方法流程图；

图2为本发明实施例1的图像处理过程图；

图3为本发明实施例1的NIR图像；

图4为本发明实施例1的RGB图像；

图5为本发明实施例1的YCrCb图像；

图6为图5的Y分量图像；

图7为本发明实施例1的比值图像；

图8为本发明实施例1的缺陷图像。

具体实施方式

下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例1

本实施例包括以下步骤：

1）以黑色、蓝色或淡蓝色的载物台作为背景获得RGB图像和NIR图像；

2）使用掩膜图像去除RGB图像和NIR图像的背景分别获得只含有水果图像的RGB前景图像和NIR前景图像：由于缺陷部分和正常水果表面的灰度值不同，因此所采集的NIR图像的灰度直方图呈现“两峰一谷”的分布，正常表面灰度值较大，而水果缺陷部分灰度值较小，选取直方图谷底的灰度值作为分割阈值，使用该分隔阈值对NIR图像进行二值化分割，得出的掩模图像；

3）将RGB前景图像从RGB颜色空间图像转换为YCrCb颜色空间图像，新图像记为YCrCb前景图像，具体转换公式为：

Y=0.299*R+0.587*G+0.114*B，

Cr=(R-Y)*0.713+128，

Cb=(B-Y)*0.564+128，其中：Y、Cr、Cb分别为YCrCb颜色空间的三个分量，R、G、B分别为RGB颜色空间的三个分量；

4）将YCrCb前景图像的Y分量图像与NIR前景图像进行比值计算，得到比值图像，比值计算的公式是：

比值图像=255*(NIR前景图像/Y分量图像)；

5）从比值图像提取水果缺陷图像，具体是指：单阈值分割比值图像获得缺陷图像，单阈值设定为230。

根据上述方法对水果进行缺陷检测，与现有技术相比，不需要反复的训练实验，大大缩短处理识别时间，且具有较高的稳定性，通过对248个样本进行缺陷检测实验，正确识别率为97%，算法较为简单实用，易于程序实现，在水果外部品质在线检测中具有较强的应用潜力。

Claims

1.一种利用图像处理实现水果表面缺陷检测的方法，其特征在于，包括以下步骤：

1）获取水果的RGB图像和NIR图像；

5）从比值图像提取水果缺陷图像。

2.根据权利要求1所述的方法，其特征是，所述的步骤2）中使用掩膜图像去除RGB图像和NIR图像的背景，掩膜图像是指：选取NIR图像的灰度直方图中“两峰一谷”的谷底灰度值作为分割阈值，使用该分隔阈值对NIR图像进行二值化分割，所得出的掩模图像。

3.根据权利要求1所述的方法，其特征是，所述的步骤3）的转换公式为：Y=0.299*R+0.587*G+0.114*B，Cr=(R-Y)*0.713+128，Cb=(B-Y)*0.564+128，其中：Y、Cr、Cb分别为YCrCb颜色空间的三个分量，R、G、B分别为RGB颜色空间的三个分量。

4.根据权利要求1所述的方法，其特征是，所述的步骤4）的比值计算的公式是：比值图像=255*(NIR前景图像/Y分量图像)。

5.根据权利要求1所述的方法，其特征是，所述的步骤5）的提取水果缺陷图像的方法具体是指：单阈值分割比值图像获得缺陷图像。

6.根据权利要求5所述的方法，其特征是，所述的单阈值为230。