CN105606473A - 一种基于机器视觉的红提葡萄硬度无损检测方法 - Google Patents

Abstract

本发明公开了一种基于机器视觉的红提葡萄硬度检测方法，涉及红提葡萄内部品质的无损检测领域。本方法是：①搭建好检测平台，调整好相机和采集系统的各个参数；②划分样本集，随机划分训练样本与测试样本，利用图像采集装置分别采集样本图像信息；③利用质构仪做破坏性实验，测量红提葡萄样本的实际硬度值；④对红提葡萄图像进行图像处理及特征提取；⑤将提取的16个特征信息进行建模，选出最佳模型：⑥将测试样本导入红提葡萄硬度检测预测模型中，得出样本的测试硬度值，进行验证分析。本发明利用机器视觉技术能够准确地预测红提葡萄的硬度，具有速度快、无损性、智能化等特点，实现了对红提硬度的无损检测，具有广阔的应用前景。

Description

一种基于机器视觉的红提葡萄硬度无损检测方法

技术领域

本发明涉及红提葡萄内部品质的无损检测领域，尤其涉及一种基于机器视觉的红提葡萄硬度检测方法。本发明主要利用机器视觉采集红提葡萄的图像数据，再通过一系列图像处理方法，提取图像的特征参数，建立红提葡萄的硬度预测模型，为红提葡萄的内部品质提供一种无损快速智能化的检测方法。

背景技术

葡萄是世界四大水果之一，葡萄用途广泛，可以用来酿造葡萄酒、鲜食食用、加工成葡萄干、葡萄汁、添加到饮料中、添加到面包等食品中增加食品的口感等等。红提是葡萄的一个优良品种，原产于美国加州，因其营养丰富、富含多种维生素、氨基酸和人体必需微量元素等价值；另外还有保健作用，所以得以广泛传播。目前国内主要将葡萄用作鲜食食用，鲜食葡萄口味优美、营养丰富，是水果中最美味的水果之一。随着消费群体的增大及消费理念的提升，广大消费者对红提的品质要求越来越高。在中国，红提葡萄的传统的分级指标主要有颗粒大小、可溶性固形物含量、色泽度和果粒着色率等等；红提葡萄的硬度跟口感度相关，不同的人对口感度的要求不一样，对红提葡萄的硬度进行检测分级是一个急需解决的问题。

机器视觉检测方法是一种快速便捷和无损的检测分析方法。机器视觉技术通过采集目标的图像进行特征提取，可对目标进行定性或者定量分析。机器视觉无损检测技术具有速度快、无损性和成本低等优点；现已经逐渐应用于农产品品质检测。时玉强利用机器视觉对大豆的品质进行了研究，通过提取大豆种子的29个形态特征，再对特征进行优化选取建立相关模型；主要对大豆的成熟度、标准粒、虫蚀、霉变、破碎和菌斑等进行检测分析【时玉强，东北农业大学硕士论文，黑龙江，2009.4】；张亚静、SakaeShibusawa、李民赞等人利用机器视觉对番茄内部品质进行预测，通过对不同高度位置采集番茄图像，提取RGB色彩模型、LAB色彩模型和灰度共生矩阵等特征信息，建立神经网络对番茄的糖度、酸度、氨基酸含量和水分含量4个内部品质进行预测，试验结果表明机器视觉技术方法预测番茄内部品质具有较好的应用前景【张亚静，SakaeShibusawa，李民赞.基于机器视觉的番茄内部品质预测[J].农业工程学报，2010，26(Supp.2)：366－370.】；郭辉通过机器视觉技术结合高光谱成像技术、自动称重技术对蜜柚的形状、色泽、表面缺陷、可食率、重量等品质进行了检测分析【郭辉，中国农业大学硕士学位论文，北京，2015.5】；黄星奕、钱媚、徐富斌等人利用机器视觉技术结合近红外光谱技术对杏干的品质进行了无损检测研究，通过拍摄杏干的4个不同位置的彩色图像，对杏干的质量进行分级，利用近红外光谱对杏干的糖度进行了检测【黄星奕，钱媚，徐富斌，等.基于机器视觉和近红外光谱技术的杏干品质无损检测[J].农业工程学报，2012，28(7)：260－265.】。

经相关检索现有的检测技术发现：机器视觉可以实现对农产品品质进行检测；目前还没有利用机器视觉对红提葡萄等水果的硬度进行研究。

发明内容

本发明的目的就在于克服现有技术的一些障碍，提供一种基于机器视觉的红提葡萄硬度检测方法。

本发明的是这样实现的：

首先，搭建好图像采集装置，调整相机及处理软件的各个参数；接着，随机划分训练样本和测试样本，分别采集红提葡萄样本的图像，包括近红外图像及RGB彩色图像；其次，利用质构仪对红提葡萄做破坏性试验，检测红提葡萄的实际硬度值；然后，提取红提葡萄的纹理信息特征(对比度、自相关系数、均衡性、能量、熵、标准差、灰度均值)和RGB色彩通道(R—红色、G—绿色、B—蓝色通道分量)、HSV色彩通道(H—色彩、S—纯度、V—明度通道分量)、Lab色彩通道(L—亮度，a、b—颜色通道分量)等特征信息；再者，利用提取的16个特征信息建立红提葡萄硬度检测模型；最后，对红提葡萄硬度检测模型进行验证。

本发明主要完成以下几点工作：

1、搭建红提葡萄硬度检测系统的图像采集平台；

2、划分样本集，随机划分训练样本与测试样本；

3、利用质构仪做破坏性试验，测量红提葡萄的硬度值；

4、对红提葡萄图像进行图像处理及特征提取；

5、利用提取的特征信息建立红提葡萄硬度检测模型；

6、对红提葡萄硬度检测模型进行验证。

具体地说，本方法包括基于下列步骤：

①搭建好检测平台，调整好相机和采集系统的各个参数；

②划分样本集，采集红提样本图像

随机划分训练样本与测试样本，利用图像采集装置分别采集样本图像信息，包括近红外图像和彩色图像；

③利用质构仪做破坏性实验，测量红提葡萄样本的实际硬度值；

④对红提葡萄图像进行图像处理及特征提取；

⑤将提取的16个特征信息进行建模，选出最佳模型

将16个特征信息分别用最小二乘法回归分析、多元线性回归、主成分回归分析模型进行预测分析，选出最佳的预测模型；

⑥对模型进行验证分析

将测试样本导入红提葡萄硬度检测预测模型中，得出样本的测试硬度值，进行验证分析。

本发明具有下列优点和积极效果：

①利用机器视觉技术检测红提葡萄糖度；

②采用图像处理技术尽量提取更多的特征信息，提高模型的预测精度度；

③实现快速无损的检测红提葡萄硬度检测。

总之，本发明利用机器视觉技术能够准确地预测红提葡萄的硬度，具有速度快、无损性、智能化等特点，实现了对红提硬度的无损检测，具有广阔的应用前景。

附图说明

图1是本方法的步骤图；

图2本方法步骤④红提葡萄图像处理及特征提取的流程图；

图3是所有样本预测结果图，坐标横轴代表实际硬度值，坐标纵轴代表测试硬度值。

具体的实施方式：

本实验是在搭建好的装置[和基于机器视觉的整箱红提葡萄果粒大小分级装置相同，见CN10520354A(公开日：2015-12-30)]中进行的，下面结合附图和实例详细说明：

1、方法

如图1，本方法具体实施步骤如下：

①搭建好检测平台，调整好相机和采集系统的各个参数-1；

②划分样本集，采集红提样本图像-2

随机划分训练样本与测试样本，利用图像采集装置分别采集样本图像信息，包括近红外图像和彩色图像；

③利用质构仪做破坏性实验，测量红提葡萄样本的实际硬度值-3；

④对红提葡萄图像进行图像处理及特征提取-4；

⑤将提取的16个特征信息进行建模，选出最佳模型-5

将16个特征信息分别用最小二乘法回归分析、多元线性回归、主成分回归分析模型进行预测分析，选出最佳的预测模型；

⑥对模型进行验证分析-6

将测试样本导入红提葡萄硬度检测预测模型中，得出样本的测试硬度值，进行验证分析。

2、步骤④

如图2，步骤④包括下列子步骤：

A、对采集的图像进行去噪预处理-401；

B、对红提葡萄近红外图像进行分割处理-402

利用自适应二值化处理提取红提葡萄区域，实现红提葡萄近红外图像进行分割处理；

C、对红提葡萄近红外图像进行特征参数提取-403

对红提葡萄区域进行特征提取，提取对比度、自相关系数、均衡性、能量、熵、标准差、灰度均值等7个特征值；

D、对红提葡萄彩色图像进行分割-404

利用红提葡萄与背景的差异性，将红提葡萄的RGB彩色图像的红色通道与蓝色通道的和减去绿色通道，去除背景区域，实现对红提葡萄区域的提取；

E、对红提葡萄彩色图像进行特征参数提取-405

对分割出的红提葡萄区域进行信息提取，将RGB彩色图像进行颜色空间转化，转化为HSV颜色空间和LAB颜色空间，同时提取三中颜色空间的各个通道的均值，彩色图像中共提取9个特征信息；

F、融合近红外图像与彩色图像的特征参数-406

融合近红外图像的7个特征参数与彩色图像的9个特征参数，总共16个特征参数。

3、步骤⑤

交互验证相关系数R²和交互验证均方差RMSECV的数学模型如下：

$R^2=(1-\frac{\underset{i=1}{\overset{n}{\Σ}}{(y_i-y^{\′})}^2}{\underset{i=1}{\overset{n}{\Σ}}{(y_i-\stackrel{\‾}{y})}^2})\×100\%$

$RMSECV=\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{(y_i-y^{\′})}^2}$

其中：

n为模型中红提葡萄的总样本数量，

y_i为模型中第i个样本的实际硬度值，

y'为模型中第i个样本的交互验证测试值，

为模型中所有样本实际硬度值的平均值。

交互验证相关系数(R²)越大，交互验证均方差(RMSECV)越小，说明模型的预测效果越好。

3、检测结果

本试验采用的红提品种为新疆红提，均从水果批发市场购买，选30串新疆红提，从每串中随机挑选5颗红提，一共选取150颗红提作为实验样本。将所有样本随机分配，选取100颗作为训练样本，50颗作为测试样本。通过本方法进行测试，其中采用最小二乘法取得的效果最好，训练集的相关系数为0.734，测试集的相关系数为0.707。

实验结果表明，本方法可以应用于红提葡萄的硬度检测，具有广阔的应用前景。

Claims (3)

1.一种基于机器视觉的红提葡萄硬度检测方法，其特征在于包括下列步骤：

①搭建好检测平台，调整好相机和采集系统的各个参数(1)；

②划分样本集，采集红提样本图像(2)

随机划分训练样本与测试样本，利用图像采集装置分别采集样本图像信息，包括近红外图像和彩色图像；

③利用质构仪做破坏性实验，测量红提葡萄样本的实际硬度值(3)；

④对红提葡萄图像进行图像处理及特征提取(4)；

⑤将提取的16个特征信息进行建模，选出最佳模型(5)

将16个特征信息分别用最小二乘法回归分析、多元线性回归、主成分回归分析模型进行预测分析，选出最佳的预测模型；

⑥对模型进行验证分析(6)

将测试样本导入红提葡萄硬度检测预测模型中，得出样本的测试硬度值，进行验证分析。

2.按权利要求1所述的基于机器视觉的红提葡萄硬度检测方法，其特征在于步骤④：

A、对采集的图像进行去噪预处理(401)；

B、对红提葡萄近红外图像进行分割处理(402)

利用自适应二值化处理提取红提葡萄区域，实现红提葡萄近红外图像进行分割处理；

C、对红提葡萄近红外图像进行特征参数提取(403)

对红提葡萄区域进行特征提取，提取对比度、自相关系数、均衡性、能量、熵、标准差、灰度均值等7个特征值；

D、对红提葡萄彩色图像进行分割(404)

利用红提葡萄与背景的差异性，将红提葡萄的RGB彩色图像的红色通道与蓝色通道的和减去绿色通道，去除背景区域，实现对红提葡萄区域的提取；

E、对红提葡萄彩色图像进行特征参数提取(405)

对分割出的红提葡萄区域进行信息提取，将RGB彩色图像进行颜色空间转化，转化为HSV颜色空间和LAB颜色空间，同时提取三中颜色空间的各个通道的均值，彩色图像中共提取9个特征信息；

F、融合近红外图像与彩色图像的特征参数(406)

融合近红外图像的7个特征参数与彩色图像的9个特征参数，总共16个特征参数。

3.按权利要求1所述的基于机器视觉的红提葡萄硬度检测方法，其特征在于步骤⑤：

交互验证相关系数R²和交互验证均方差RMSECV的数学模型如下：

$R^2=(1-\frac{\underset{i=1}{\overset{n}{\Σ}}{(y_i-y^{\′})}^2}{\underset{i=1}{\overset{n}{\Σ}}{(y_i-\stackrel{\‾}{y})}^2})\×100\%$

$RMSECV=\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{(y_i-y^{\′})}^2}$

其中：

n为模型中红提葡萄的总样本数量，

y_i为模型中第i个样本的实际硬度值，

y'为模型中第i个样本的交互验证测试值，

为模型中所有样本实际硬度值的平均值。