CN104677920B - 一种基于果面局部灰度突变的水果表面虫眼检测标记方法 - Google Patents
一种基于果面局部灰度突变的水果表面虫眼检测标记方法 Download PDFInfo
- Publication number
- CN104677920B CN104677920B CN201510067682.2A CN201510067682A CN104677920B CN 104677920 B CN104677920 B CN 104677920B CN 201510067682 A CN201510067682 A CN 201510067682A CN 104677920 B CN104677920 B CN 104677920B
- Authority
- CN
- China
- Prior art keywords
- fruit
- row
- helflength
- small holes
- worms
- 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.)
- Active
Links
- 235000013399 edible fruits Nutrition 0.000 title claims abstract description 102
- 238000001514 detection method Methods 0.000 title claims abstract description 24
- 238000002372 labelling Methods 0.000 title abstract description 5
- 239000011159 matrix material Substances 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims description 18
- 230000003139 buffering effect Effects 0.000 claims description 13
- 230000001419 dependent effect Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 3
- 230000004438 eyesight Effects 0.000 abstract description 10
- 238000007689 inspection Methods 0.000 abstract description 7
- 238000012360 testing method Methods 0.000 abstract description 3
- 240000000786 Margyricarpus pinnatus Species 0.000 abstract description 2
- 235000010838 Margyricarpus pinnatus Nutrition 0.000 abstract description 2
- 230000035772 mutation Effects 0.000 abstract description 2
- 230000007547 defect Effects 0.000 description 22
- 241000220225 Malus Species 0.000 description 11
- 230000003287 optical effect Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 235000006040 Prunus persica var persica Nutrition 0.000 description 6
- 240000008866 Ziziphus nummularia Species 0.000 description 6
- 230000006378 damage Effects 0.000 description 6
- 238000001228 spectrum Methods 0.000 description 6
- 244000144730 Amygdalus persica Species 0.000 description 5
- 241001164374 Calyx Species 0.000 description 5
- 241000220324 Pyrus Species 0.000 description 5
- 235000021016 apples Nutrition 0.000 description 5
- 235000021017 pears Nutrition 0.000 description 5
- 241000238631 Hexapoda Species 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 241000607479 Yersinia pestis Species 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 208000006877 Insect Bites and Stings Diseases 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000004456 color vision Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000004611 spectroscopical analysis Methods 0.000 description 2
- 241001198505 Anarsia lineatella Species 0.000 description 1
- 241000207199 Citrus Species 0.000 description 1
- 208000034656 Contusions Diseases 0.000 description 1
- 235000009917 Crataegus X brevipes Nutrition 0.000 description 1
- 235000013204 Crataegus X haemacarpa Nutrition 0.000 description 1
- 235000009685 Crataegus X maligna Nutrition 0.000 description 1
- 235000009444 Crataegus X rubrocarnea Nutrition 0.000 description 1
- 235000009486 Crataegus bullatus Nutrition 0.000 description 1
- 235000017181 Crataegus chrysocarpa Nutrition 0.000 description 1
- 235000009682 Crataegus limnophila Nutrition 0.000 description 1
- 240000000171 Crataegus monogyna Species 0.000 description 1
- 235000004423 Crataegus monogyna Nutrition 0.000 description 1
- 235000002313 Crataegus paludosa Nutrition 0.000 description 1
- 235000009840 Crataegus x incaedua Nutrition 0.000 description 1
- 208000001034 Frostbite Diseases 0.000 description 1
- 241000270322 Lepidosauria Species 0.000 description 1
- 206010030113 Oedema Diseases 0.000 description 1
- 244000018633 Prunus armeniaca Species 0.000 description 1
- 235000009827 Prunus armeniaca Nutrition 0.000 description 1
- 240000005809 Prunus persica Species 0.000 description 1
- 241001247821 Ziziphus Species 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 208000034526 bruise Diseases 0.000 description 1
- 235000020971 citrus fruits Nutrition 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种基于果面局部灰度突变的水果表面虫眼检测标记方法。由水果获取水果彩色图像,转换到HIS色彩空间,取其I分量得到水果灰度图像;得到图像的水平分辨率和垂直分辨率,建立二维矩阵,其中所有元素设为0,各元素对应水果灰度图像中的像素点;对水果灰度图像中的每个像素点依次进行水平扫描和垂直扫描,并对二维矩阵中的元素进行设定;二维矩阵中元素的值为2,则对应的像素点属于水果表面虫眼,并将灰度值设置为255,作为虫眼标记,完成水果虫眼检测。本发明利用了水果表面虫眼引起珠果面局部灰度突变来检测水果表面虫眼,可利用常规的机器视觉系统进行虫眼,检测成本低。
Description
技术领域
本发明涉及了一种水果检测方法,尤其是涉及了一种基于果面局部灰度突变的水果表面虫眼检测标记方法。
背景技术
几乎每一种水果都是一种或几种昆虫的寄主。如桃小食心虫为害对桃、梨、花红、山楂和酸枣等水果,被其为害的果实味发苦而不能食用。虫害发生后,虫离开果实时,会在果面留下虫孔,可以作为水果虫害检测的依据。
虫害与病害、表面损伤等构成水果缺陷产生的原因,水果的表面缺陷是水果的重要品质指标之一,在国家标准GB/T 12947-91对水果表面缺陷的数量和面积大小有严格的规定。如对优等品要求是:痕斑、网纹、锈螨蚧类、药迹和附着物,其分布面积合并计算不超过果皮总面积l/5,不允许有未愈合的损伤,褐色油斑,褐斑、枯水、水肿,冻伤等一切变质和有腐烂象征的果(中华人民共和国卫生部. 中华人民共和国国家标准. 鲜柑桔GB/T12947-91)。
水果表面缺陷检测主要方法有:
标准球法。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。为了分割水果表面缺陷,Tao(Tao Y. Spherical transform of fruit images for on linedefect extraction of mass objects. Optical Engineering. 1996, 35(2): 344-350)提出球形体灰度变换法,将水果表面的缺陷可以单阈值进行分割,解决了水果图像由于中部缺陷部分灰度值高于边缘正常部分灰度值而不能一次分割的问题。该方法根据带缺陷的原始图像计算出与原图像相应的反向无缺陷图像,由二者相加得到的变换后图像消除了物体的空间形状对于图像灰度值的影响,而只保留了水果表面缺陷与正常部分之间由于反射系数的不同所产生的灰度变化情况,因此可以利用单阈值分割。冯斌(冯斌.计算机视觉信息处理方法与水果分级检测技术研究.[博士学位论文], 中国农业大学, 2002)用标准件球面的灰度和水果灰度进行比较,从而进行图像的分割,使不同灰度级的缺陷一次分割成功。
多相机信息融合法。应用不同种类的相机,采集不同波段的图像进行分析处理。Miller等人(Miller B K, Delwiche M J. A color vision system for peach grading.Trans. of the ASAE 1989, 32 (4): 1484-1490)在桃分级研究中,采用彩色电视摄像机和近红外线扫描摄候机获得桃子表面的灰度图像。首先对图像进行阴影校正,然后用灰度和色度阈值及区域增长法求得损伤表面面积。对于没有明显边缘的擦伤则采用近红外图像进行识别。试验的结果表明在近红外区域获得的桃的图像比彩色图像的分级效果更好,正确率分别为69%和60%,但仍不能解决将果梗及花萼误判为坏损区域的问题。Reyer等人(Reyer Z, Yang Q, Garcia-Pardo E, et al. Use of spectral information andmachine vision for bruise detection on peaches and apricots. Journal ofAgricultural Engineering Research. 1996, 63: 323-332)对梨图像的损伤和非损伤的图像事先进行分析,然后选择合适波长。用该波长下的滤光镜获得梨的图像,然后对该图像进行分析,来确定梨表面的损伤情况。该算法的关键之处在于寻找合适的波长。但该算法对梨表面的损伤检测准确率较低,只达65%左右。Wen等人(Wen Z, Tao Y. Fuzzy-baseddetermination of model and parameters of dual-wavelength vision system foron-line apple sorting. Optical Engineering. 1998, 37(1): 293-299)用普通CCD相机和中红外相机同时采集图像,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。这一方法的主要缺点在于系统由于中红外相机的引入而显得过于昂贵。Unay(Unay D., Gosselin B..Automatic defect segmentation of ‘Jonagold’ apples on multi-spectral images:A comparative study. Postharvest Biology and Technology. 2006, 42(3): 271-279)利用450nm、500nm、750nm、800nm波段得到的多光谱图像,研究了‘Jonagold’苹果的表面缺陷检测方法。Kleynen等人(Kleynen O, Leemans V, Destain M F. Development ofa multi-spectral vision system for the detection of defects on apples.Journal of Food Engineering, 2005, 69(1): 41-49;Kleynen O, Leemans V, DestainM F. Selection of the most efficient wavelength bands for ‘Jonagold’ applesorting. Postharvest Biology and Technology, 2003, 30(3): 221-232)采用近红外/可见光光谱仪研究了Jonagold苹果正常部位和缺陷部位的光谱特性,并根据对缺陷表面的辨识能力对3滤光片和4滤光片组合进行了测试。当3滤光片组合足以区分缺陷时,加入第4滤光片可改善分级效果。Leemans等人(Leemans V, Destain M. A real-time gradingmethod of apples based on features extracted from defects. Journal of FoodEngineering 2004, 61: 83-89;Leemans V, Magein H. On-line fruit gradingaccording to their external quality using machine vision. BiosystemsEngineering 2002, 83(4): 397-404;Leemans V., Magein H., Destain M. -F..Defect segmentation on ‘Jonagold’ apples using colour vision and a Bayesianclassification method. Computers and Electronics in Agriculture, 1999, 23(1):43-53)研制了基于多光谱的机器视觉系统,用于的苹果缺陷特征。
高光谱图像法。吴龙国等利用NIR高光谱成像系统采集130个长枣(50个正常、80个虫眼枣)图像,提取并分析不同类型长枣特征区域的平均光谱曲线,对970~1 670 nm范围内的光谱数据进行主成分分析,确定7个特征波长(990、1028、1109、1160、1231、1285、1464nm)(吴龙国,何建国,刘贵珊等.基于NIR高光谱成像技术的长枣虫眼无损检测.发光学报,2013,34(11): 1527-1532)。徐爽等采用近红外高光谱成像技术对长枣表面虫伤进行无损检测。在970~1630nm波长范围内对高光谱图像数据进行主成分分析,优选出6个特征波长(1029、1109、1229、1288、1387、1467nm) (徐爽,易东. 利用高光谱成像技术检测长枣表面虫伤.电子制作,2013, (21):47-48)。
从上述研究来看,存在的主要问题是:
标准球法建立在水果球体对光线的反射规律基础上,且不谈将水果假设成标准球体后,假设与实际水果之间的差异,这种方法同时还隐含了一个假设:在机器视觉视场内,光源的照度是均匀的,镜头和相机组成的光学系统是线性的,且在机器视觉系统工作期间,光照、镜头、相机性能稳定,即要求系统是时不变的。而这种要求在实际生产中很难满足,主要原因是:通常电光源的光通量与电源电压之间存在一定的关系;其次,即使电源电压能保持稳定,电光源还存在寿命期间内,光能转换的效率变化问题,而这种变动对水果图像的灰度值有直接影响;第三,镜头、相机等组成的光学系统存在非线性,这种非线性会影响到水果图像灰度分布的均衡性,造成图像灰度畸变。
上述多相机信息融合法增加相机后,成本上升了,特别是中红外相机,其高昂的成本即使在发达国家也难以为用户所接受。上述高光谱图像法所采用的高光谱相机昂贵,且成像速度低。
发明内容
为了解决背景技术中存在的问题,本发明提出了一种基于果面局部灰度突变的水果表面虫眼检测标记方法,利用果面局部灰度突变来进行检测水果表面虫眼,并进行标记。
本发明解决其技术问题所采用的技术方案是:
1)水果图像获取:将水果放置在摄像机下方的白纸上,获取水果彩色图像S1;
2)图像灰度化:将水果彩色图像S1转换到HIS色彩空间,取其I分量,得到水果灰度图像G1;
3)建立图像缓冲区:分别记录得到水果灰度图像G1的水平分辨率W和垂直分辨率H,建立一个H行、W列的二维矩阵G2,将二维矩阵G2中所有元素设为0,二维矩阵G2中的元素对应水果灰度图像G1中的像素点;
4)像素点扫描:对水果灰度图像G1中的每个像素点依次进行水平扫描和垂直扫描,并对二维矩阵G2中的元素进行设定;
5)虫眼区域判定:如果得到的二维矩阵G2中第j行第i列元素的值为2,则检测得到水果灰度图像G1第j行第i列像素点属于水果表面虫眼,将水果灰度图像G1第j行第i列像素点的灰度值设置为255,作为虫眼标记,完成水果虫眼检测。
所述的步骤4)中水平扫描过程具体包括:对于水果灰度图像G1中每一个像素点,将该像素点所在行的第i-HelfLength列至第i+HelfLength列的所有像素点的灰度值复制到局部区域缓冲区Y1中,i为该像素点的列序数,i的取值范围为HelfLength+1~W-HelfLength,HelfLength为局部区域长度,以局部区域缓冲区Y1为因变量,并建立一个自然数列X作为自变量,建立自然数列X和局部区域缓冲区Y1之间的二阶回归模型P1,用二阶回归模型P1计算自然数列X的第1个、第HelfLength+1个和2×HelfLength+1个元素分别所对应的回归值,分别记为R1、R2和R3;如果R2<(R1+R3)×T,T为虫眼存在性阈值,则将二维矩阵G2中第j行第i列元素的值设为1。
所述的步骤4)中垂直扫描过程具体包括:对于水果灰度图像G1中每一个像素点,将该像素点所在列的第j-HelfLength行至第j+HelfLength行的所有像素点的灰度值复制到局部区域缓冲区Y1中,j为该像素点的列序数,j的取值范围为HelfLength+1~W-HelfLength,HelfLength为局部区域长度,以局部区域缓冲区Y1为因变量,并建立一个自然数列X作为自变量,建立自然数列X和局部区域缓冲区Y1之间的二阶回归模型P2,用二阶回归模型P2计算自然数列X的第1个、第HelfLength+1个和2×HelfLength+1个元素分别所对应的回归值,分别记为Q1、Q2和Q3,如果Q2<(Q1+Q3)×T,T为虫眼存在性阈值,则将二维矩阵G2中第j行第i列元素的值增加1。
所述的局部区域缓冲区Y1的长度为2×HelfLength+1。
所述的自然数列X为1~2×HelfLength+1的自然数列,即1、2、3、…、2×HelfLength+1。
本发明具有的有益的效果是:
本发明利用水果表面虫眼引起珠果面局部灰度突变来检测水果表面虫眼,可利用常规的机器视觉系统进行虫眼,检测成本低。
附图说明
图1为本发明实施例的水果灰度图像。
图2为本发明实施例检测并标记虫眼位置的水果灰度图像。
图3是本发明实施例的机器视觉系统示意图。
图中:2、镜头,3、相机支架,4、LED灯条,5、光照箱,6、计算机。
具体实施方式
下面结合附图和实施例对本发明作进一步的说明。
本发明采用红枣作为具体实施例的水果,其具体实施过程如下:
如图3所示,机器视觉系统由彩色CCD相机(DFK 23G445,The Imaging Source)、相机支架3、四根LED灯条4(长370mm,宽38mm)、光照箱5和计算机6组成,彩色CCD相机通过相机支架3安装在光照箱5上,彩色CCD相机下方的光照箱5的内壁四边安装有四根LED灯条4,彩色CCD相机的镜头2朝向正下方,焦距为12mm。
1)水果图像获取:将红枣放置在摄像机下方的白纸上,获取红枣的水果彩色图像S1。
2)图像灰度化:将水果彩色图像S1转换到HIS彩色空间,取其I分量,得到如图1所示的红枣水果灰度图像G1。
3)图像缓冲区设置:红枣的水果灰度图像G1水平分辨率W和垂直分辨率H分别为1280、960,设置一个H行、W列的二维矩阵G2,将二维矩阵G2的元素全部设置为0。
4)设置局部区域长度HelfLength值为8,设置虫眼存在性阈值T为0.35,设置一个长度为17的局部区域缓冲区Y1,同时建立一个值为1、2、3、…、17自然数列X,其中HelfLength取8。
5)像素点扫描
5.1)水平扫描:对于红枣的水果灰度图像G1第j行第i列的像素点,将水果灰度图像G1第j行(j从1到H进行遍历)的第i-8列至第i+8列(i的取值范围为8+1到W-8)的灰度值复制到局部区域缓冲区Y1中,以自然数列X为自变量,局部区域缓冲区Y1为因变量,建立自然数列X和局部区域缓冲区Y1之间的二阶回归模型P1,用回归模型P1计算得到自然数列X第1个、第9个和第17个元素所对应的回归值R1、R2和R3,如果R2小于(R1+R3)×T,则将二维矩阵G2第j行第i列的元素设置为1。
5.2)垂直扫描:对于红枣的水果灰度图像G1第j行第i列的像素点,将水果灰度图像G1第i列(i从1到W进行遍历)的第j-HelfLength行至第j+HelfLength行(j的取值范围为HelfLength + 1到H- HelfLength)的灰度值复制到局部区域缓冲区Y1中,以自然数列X为自变量,局部区域缓冲区Y1为因变量,建立自然数列X和局部区域缓冲区Y1之间的二阶回归模型P2,用二阶回归模型P2计算得到自然数列X第1个、第9个和17个元素所对应的回归值Q1、Q2和Q3,如果Q2小于(Q1+Q3)×T,则将二维矩阵G2第j行第i列的元素增加1。
6)虫眼区域判定:其中二维矩阵G2第228行第412列和第417列、第229行第411列到第417列、第230行第411列到第417列、第231行第411列到第418列、第232行第412列到第414列、第234行第409列到第417列、第235行第409列到第417列、第236行第409列到第419列、第237行第411列到第422列、第238行第411列到第420列、第239行第412列到第418列、第240行第412列到第418列、第241行第414列到第417列元素的值由上述方法计算得到其值为2,将水果灰度图像G1的该第228行第412列和第417列、第229行第411列到第417列、第230行第411列到第417列、第231行第411列到第418列、第232行第412列到第414列、第234行第409列到第417列、第235行第409列到第417列、第236行第409列到第419列、第237行第411列到第422列、第238行第411列到第420列、第239行第412列到第418列、第240行第412列到第418列、第241行第414列到第417列的像素点的灰度值设置为255,作为虫眼标记,得到如图2所示的标记了虫眼位置的水果灰度图。
本发明可直接利用一般的机器视觉系统进行水果表面虫眼检测,不需要建立光照模型,使用方便,具有显著的技术效果。
上述具体实施方式用来解释说明本发明,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明作出的任何修改和改变,都落入本发明的保护范围。
Claims (3)
1.一种基于果面局部灰度突变的水果表面虫眼检测方法,其特征在于该方法的步骤如下:
1)水果图像获取:将水果放置在摄像机下方的白纸上,获取水果彩色图像S1;
2)图像灰度化:将水果彩色图像S1转换到HIS色彩空间,取其I分量,得到水果灰度图像G1;
3)建立图像缓冲区:分别记录得到水果灰度图像G1的水平分辨率W和垂直分辨率H,建立一个H行、W列的二维矩阵G2,将二维矩阵G2中所有元素设为0,二维矩阵G2中的元素对应水果灰度图像G1中的像素点;
4)像素点扫描:对水果灰度图像G1中的每个像素点依次进行水平扫描和垂直扫描,并对二维矩阵G2中的元素进行设定;
5)虫眼区域判定:如果得到的二维矩阵G2中第j行第i列元素的值为2,则检测得到水果灰度图像G1第j行第i列像素点属于水果表面虫眼,将水果灰度图像G1第j行第i列像素点的灰度值设置为255,作为虫眼标记,完成水果虫眼检测;
所述的步骤4)中水平扫描过程具体包括:对于水果灰度图像G1中每一个像素点,将该像素点所在行的第i-HelfLength列至第i+HelfLength列的所有像素点的灰度值复制到局部区域缓冲区Y1中,i为该像素点的列序数,i的取值范围为HelfLength+1~W-HelfLength,HelfLength为局部区域长度,以局部区域缓冲区Y1为因变量,并建立一个自然数列X作为自变量,建立自然数列X和局部区域缓冲区Y1之间的二阶回归模型P1,用二阶回归模型P1计算自然数列X的第1个、第HelfLength+1个和2×HelfLength+1个元素分别所对应的回归值,分别记为R1、R2和R3;如果R2<(R1+R3)×T,T为虫眼存在性阈值,则将二维矩阵G2中第j行第i列元素的值设为1;
所述的步骤4)中垂直扫描过程具体包括:对于水果灰度图像G1中每一个像素点,将该像素点所在列的第j-HelfLength行至第j+HelfLength行的所有像素点的灰度值复制到局部区域缓冲区Y1中,j为该像素点的列序数,j的取值范围为HelfLength+1~W-HelfLength,HelfLength为局部区域长度,以局部区域缓冲区Y1为因变量,并建立一个自然数列X作为自变量,建立自然数列X和局部区域缓冲区Y1之间的二阶回归模型P2,用二阶回归模型P2计算自然数列X的第1个、第HelfLength+1个和2×HelfLength+1个元素分别所对应的回归值,分别记为Q1、Q2和Q3,如果Q2<(Q1+Q3)×T,T为虫眼存在性阈值,则将二维矩阵G2中第j行第i列元素的值增加1。
2.根据权利要求1所述的一种基于果面局部灰度突变的水果表面虫眼检测方法,其特征在于:所述的局部区域缓冲区Y1的长度为2×HelfLength+1。
3.根据权利要求1所述的一种基于果面局部灰度突变的水果表面虫眼检测方法,其特征在于:所述的自然数列X为1~2×HelfLength+1的自然数列,即1、2、3、…、2×HelfLength+1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510067682.2A CN104677920B (zh) | 2015-02-09 | 2015-02-09 | 一种基于果面局部灰度突变的水果表面虫眼检测标记方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510067682.2A CN104677920B (zh) | 2015-02-09 | 2015-02-09 | 一种基于果面局部灰度突变的水果表面虫眼检测标记方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104677920A CN104677920A (zh) | 2015-06-03 |
CN104677920B true CN104677920B (zh) | 2017-04-05 |
Family
ID=53313268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510067682.2A Active CN104677920B (zh) | 2015-02-09 | 2015-02-09 | 一种基于果面局部灰度突变的水果表面虫眼检测标记方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104677920B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106124511B (zh) * | 2016-05-24 | 2018-11-06 | 浙江大学 | 一种基于自适应亮度回归矫正的水果表面缺陷检测方法 |
CN107607480B (zh) * | 2016-07-12 | 2020-03-17 | 湖南生物机电职业技术学院 | 脐橙有效酸度的无损检测方法 |
CN106332713B (zh) * | 2016-08-16 | 2019-06-11 | 浙江科技学院 | 一种sd-oct图像的枇杷早期瘀伤鉴别方法 |
CN109791111B (zh) * | 2016-08-22 | 2022-01-11 | 丘比株式会社 | 食品检查装置、食品检查方法以及食品检查装置的识别机构的学习方法 |
CN111664815A (zh) * | 2020-06-12 | 2020-09-15 | 云谷(固安)科技有限公司 | 半导体膜层上凸峰高度的测量方法及测量装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0474002B2 (en) * | 1990-09-06 | 2002-09-11 | Wea Manufacturing Inc. | Print scanner |
CN101008621A (zh) * | 2007-01-12 | 2007-08-01 | 浙江大学 | 基于多传感器信息融合的水果缺陷检测方法和装置 |
CN103808669A (zh) * | 2014-01-26 | 2014-05-21 | 沈阳农业大学 | 一种基于高光谱成像技术的苹果虫眼快速无损检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
NL1036677C2 (nl) * | 2009-03-06 | 2010-09-07 | Praktijkonderzoek Plant & Omgeving B V | Werkwijze en inrichting voor het maken van beelden die informatie bevatten over de kwantumefficiëntie en de tijdrespons van het fotosynthesesysteem met tot doel het bepalen van de kwaliteit van plantaardig materiaal en werkwijze en inrichting voor het meten, classificeren en sorteren van plantaardig materiaal. |
-
2015
- 2015-02-09 CN CN201510067682.2A patent/CN104677920B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0474002B2 (en) * | 1990-09-06 | 2002-09-11 | Wea Manufacturing Inc. | Print scanner |
CN101008621A (zh) * | 2007-01-12 | 2007-08-01 | 浙江大学 | 基于多传感器信息融合的水果缺陷检测方法和装置 |
CN103808669A (zh) * | 2014-01-26 | 2014-05-21 | 沈阳农业大学 | 一种基于高光谱成像技术的苹果虫眼快速无损检测方法 |
Non-Patent Citations (3)
Title |
---|
Spherical transform of fruit images for on-line defect extraction of mass objects;Yang Tao;《Optical Engineering》;19961231;第35卷(第2期);第344-350页 * |
Study on HSI Color Model-Based Fruit Quailty Evaluation;Yizhong Wang et al;《2010 3rd International Congress Image Signal Processing》;20101231;第2677-2680页 * |
利用高光谱成像技术检测长枣表面虫伤;徐爽 等;《电子制作》;20131130(第21期);第47-48页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104677920A (zh) | 2015-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104677920B (zh) | 一种基于果面局部灰度突变的水果表面虫眼检测标记方法 | |
Huang et al. | Detection of insect-damaged vegetable soybeans using hyperspectral transmittance image | |
CN106525732B (zh) | 基于高光谱成像技术的苹果内外品质快速无损检测方法 | |
Nicolaï et al. | Non-destructive measurement of bitter pit in apple fruit using NIR hyperspectral imaging | |
Blasco et al. | Recognition and classification of external skin damage in citrus fruits using multispectral data and morphological features | |
Li et al. | Machine vision technology for detecting the external defects of fruits—a review | |
Kim et al. | Multispectral detection of fecal contamination on apples based on hyperspectral imagery: Part I. Application of visible and near–infrared reflectance imaging | |
Zhou et al. | Disease detection of Cercospora Leaf Spot in sugar beet by robust template matching | |
Venora et al. | Identification of Italian landraces of bean (Phaseolus vulgaris L.) using an image analysis system | |
Guzmán et al. | Infrared machine vision system for the automatic detection of olive fruit quality | |
CN103808669B (zh) | 一种基于高光谱成像技术的苹果虫眼快速无损检测方法 | |
CN103063585A (zh) | 瓜果成熟度快速无损检测装置及检测系统建立方法 | |
CN107976428A (zh) | 水产品化学污染物的无损实时检测方法与装置 | |
CN110082298A (zh) | 一种基于高光谱图像的小麦品种赤霉病综合抗性鉴定方法 | |
Xing et al. | Stem-end/calyx identification on apples using contour analysis in multispectral images | |
CN109883967A (zh) | 一种基于信息融合的中华绒螯蟹品质等级判别方法 | |
US20220252568A1 (en) | Means and methods for scoring vegetables and fruits | |
CN103528967A (zh) | 基于高光谱图像的过熟蓝靛果果实识别方法 | |
Sarkar et al. | Supervised learning aided multiple feature analysis for freshness class detection of Indian gooseberry (Phyllanthus emblica) | |
CN114965346A (zh) | 基于深度学习和高光谱成像技术的猕猴桃品质检测方法 | |
Zhang et al. | Development of a hyperspectral imaging system for the early detection of apple rottenness caused by P enicillium | |
Yu et al. | Nondestructive testing of external defects on Nanguo pear | |
Xing et al. | Wavelength selection for surface defects detection on tomatoes by means of a hyperspectral imaging system | |
Patel et al. | Monochrome computer vision for detecting quality defects of fruits and vegetables | |
Puchalski et al. | Image analysis for apple defect detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |