CN105891231B - 一种基于图像处理的胡萝卜表面缺陷检测方法 - Google Patents
一种基于图像处理的胡萝卜表面缺陷检测方法 Download PDFInfo
- Publication number
- CN105891231B CN105891231B CN201510037746.4A CN201510037746A CN105891231B CN 105891231 B CN105891231 B CN 105891231B CN 201510037746 A CN201510037746 A CN 201510037746A CN 105891231 B CN105891231 B CN 105891231B
- Authority
- CN
- China
- Prior art keywords
- carrot
- image
- point
- detection
- detection method
- 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
Abstract
本发明公开了一种基于图像处理的胡萝卜表面缺陷检测方法,包括图像预处理和影响胡萝卜外观品质的须根、弯曲、开裂和断裂4种缺陷的检测方法。首先对胡萝卜图像进行预处理,然后分别对须根、弯曲、开裂和断裂进行检测。须根检测通过采用凹点检测法对胡萝卜轮廓上的点进行逐点判断;弯曲检测通过获取胡萝卜区域的外接凸多边形,并计算外接凸多边形与胡萝卜区域面积之比进行;开裂检测通过在R分量图像上进行Canny边缘检测和Hough变换进行。在对胡萝卜朝向判断的基础上分别对上下部断裂进行检测,上部断裂检测通过计算所截取的上下横径比得到,下部断裂通过计算断面的弯曲程度进行。通过采用图像处理技术对胡萝卜表面缺陷进行自动检测,可大大提高胡萝卜外观品质检测效率和准确率,节省大量人力成本。
Description
技术领域
本发明涉及一种在农业生产加工领域内使用的农产品外观品质的检测方法,具体的说涉及一种胡萝卜须根、弯曲、开裂和断裂等表面缺陷的量化检测方法。
背景技术
胡萝卜的分级销售有助于提高胡萝卜的市场竞争力以及增加经济效益,目前一些胡萝卜生产加工企业主要依靠手工方式进行检测和分级,采用手工方式进行检测和分级的方法增加了劳动力成本,不能保证分选结果的准确率与一致性,且生产效率低,随着劳动力成本的提高,传统的手工方式无法满足当前胡萝卜加工企业大规模生产的需求。
计算机视觉提供了一种高效、低成本、高准确率的果蔬自动检测和分级方法,采用图像处理技术检测胡萝卜外观品质,不仅可以减少劳动力成本,而且能够获得更高精度的结果,使得分级具有更高的一致性。虽然目前已经有大量基于图像处理的果蔬外观品质检测方法,但主要集中在球型和类球型果蔬上,如苹果、柑橘、马铃薯、梨等。由于不同果蔬外观表现不同,影响其外观品质的性状也会不同,同时由于研究方法固有的专用性和局限性,在胡萝卜等长型果蔬上的应用受到限制,因此需要针对胡萝卜外观品质特征,研究适合于其外观性状的检测方法。
目前国内还没有相对成熟的基于图像处理的胡萝卜分级检测方法,相关研究是一个具有挑战性的课题。根据中华人民共和国国内贸易标准(SB/T10450-2007)胡萝卜销售等级要求(中华人民共和国商务部2007.12.28发布)标准,影响胡萝卜销售等级的关键指标有开裂、弯曲、须根等,但其衡量准则比较模糊,为胡萝卜在线检测带来了较大的困难,对胡萝卜进行准确检测需要对这些关键指标进行量化。因此采用图像处理方法对影响胡萝卜外观品质的关键指标进行量化检测是非常有意义的。
基于此,本案提出一种基于图像处理的胡萝卜表面缺陷检测方法。
发明内容
本发明所要解决的技术问题就是提供一种基于计算机图像处理技术对胡萝卜须根、弯曲、开裂和断裂进行量化检测的方法。
本发明采用如下技术方案:
胡萝卜图像预处理方法,该方法步骤如下:
从胡萝卜源图像中提取R、G、B三个分量图像,采用公式(1)对R、G、B三个分量图像进行加权求和得到灰度图像Gray(其中R、G、B分别为RGB图像的三个分量图像),将复杂背景转换为黑色,然后采用全局阈值对灰度图像进行图像分割,得到二值图像BW。
(1)
基于图像处理的胡萝卜须根检测方法包括如下步骤:
(1)在二值图像BW上进行轮廓提取,获取轮廓上点的集合P1;
(2)对P1中各点逐点判断是否为凹点,得到可能凹点的集合P2;判断凹点采用的方法是:对当前检测点,取与其等距的前后两点及其中点,然后判断中点是否在胡萝卜内部,若不在胡萝卜区域内,则此点可能为凹点;
(3)对P2中的各点分别计算凹陷程度:分别连接当前点与其前驱点和后继点,计算两条线段之间的夹角θ,若θ小于设定的阈值,则认为当前点为须根所在位置,夹角θ的计算方法如公式(2)所示:
(2)
夹角θ越小,说明此点凹陷程度越大;
(4)当夹角θ小于一定的阈值,则该点为须根可能所在位置,得到的点的集合记为P3;
(5)对P3中的邻接点进行合并,对邻接点保留凹陷程度最大的点,所检测到的点的个数即为须根个数。
基于图像处理的胡萝卜弯曲检测方法,该方法包括以下步骤:
(1)在二值化图像BW上提取胡萝卜轮廓;
(2)根据胡萝卜轮廓得到其拟合外接凸多边形,计算外接凸多边形面积计为Area2;
(3)在二值图像BW上,计算胡萝卜区域面积Area1;
(4)计算形状规则度CurveRate=Area1/Area2∈[0.0,1.0];此值越大,形状越规则;
(5)当形状规则度小于一定的阈值,判断该胡萝卜严重弯曲,为次品;
本发明中,形状规则度CurveRate阈值设定为0.9,当CurveRate小于0.9,判断该胡萝卜为弯曲。
基于图像处理的胡萝卜开裂检测方法,该方法包括以下步骤:
(1)获取胡萝卜图像的R分量图像,使用canny算子对R分量图像进行边缘检测,得到边缘图像C;
(2)对二值图像BW进行腐蚀操作去除边界部分;
(3)将边缘图像C与二值图像BW进行与运算,只保留内部曲线;
(4)采用霍夫变换检测曲线,将长度大于一定阈值的曲线判断为开裂;
基于图像处理的胡萝卜朝向检测方法,该方法步骤如下:
(1)在二值图像BW上,分别从距离胡萝卜两端长度的1/10处,取两段横径的长度,分别记为W1和W2;
(2)计算两个横径的比值wRate=W1/W2;
(3)根据上下横径比wRate来判断胡萝卜的朝向,若wRate≥1且胡萝卜垂直放置,则胡萝卜朝上,否则朝下;若wRate≥1且胡萝卜水平放置,则胡萝卜朝左,否则朝右。
基于图像处理的胡萝卜上部断裂检测方法,该方法包括如下步骤:
(1)根据胡萝卜朝向检测中获得的W1和W2值,取较小值记为wMin,较大值记为wMax;
(2)计算较小值与较大值之比:mRate=wMin/wMax∈[0,1];
(3)根据mRate的值来判断胡萝卜是否上部断裂,此值若大于给定的阈值,则判断为上部断裂;
本发明中,mRate阈值设定为0.8,若mRate的值大于0.8,则判断该胡萝卜为上部断裂。
基于图像处理的胡萝卜下部断裂检测方法,该方法包括以下步骤:
(1)在二值图像BW上提取胡萝卜轮廓,提取轮廓上的点并保存到数组P1中;
(2)根据胡萝卜朝向判断结果,在胡萝卜上部1/5区域内使用局部极值法判断胡萝卜断面区域的两个端点,具体做法是在区域内计算位于胡萝卜两侧的边界点,记为A和B;
(3)在数组P1内获取A、B之间的所有的点,即断面区域内所有的点,并保存到数组P2中;
(4)计算断面的弯曲程度:依次计算数组P2中的各点到线段AB的距离,并计算其均值得到断面的弯曲程度cRate(式3);
(3)
其中:N表示断面上点的个数,d i 表示第i个点到线段AB的距离;
(5)根据cRate的值来判断胡萝卜是否为下部断裂,此值若小于给定的阈值,则判断胡萝卜为下部断裂。
本发明的有益效果是:
本发明所公开的一种胡萝卜须根、弯曲、开裂和断裂的检测方法,通过摄像头实时获取胡萝卜图像,基于图像处理技术对获取的图像进行缺陷测量和检测,从而克服人工检测带来的主观性,使量化检测更加客观、科学。应用于农业生产、品质分级与商贸流通,可大大提高生产效率和降低劳动力成本。
附图说明
图1是本发明的缺陷检测整体流程图。
图2是本发明的须根检测流程图。
图3是本发明的凹点检测原理示意图。
图4是本发明的上部断裂检测示意图。
图5是本发明的下部断裂检测原理示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
实施例,请参照图1-图5:图1示意性地给出了本发明所公开的胡萝卜表面缺陷检测整体流程;图2示意性的示出了本发明所公开的一种胡萝卜须根图像量化检测方法流程图;图3示意性的示出了本发明所公开的胡萝卜须根检测方法中凹点检测原理;图4示意性地给出了本发明所公开的胡萝卜上部断裂检测示意图;图5示意性地给出了本发明所公开的胡萝卜下部断裂检测原理图。
首先采用CCD摄像头拍摄胡萝卜图像,图像分辨率为320×240且胡萝卜为垂直放置。接着依据图1所示流程依次对所采集的图像进行如下处理:
首先对图像进行预处理,从所采集的图像中提取R、G、B三个分量图像,采用2.5R- 2G-0.5B得到灰度图像(其中R、G、B分别为RGB图像的三个分量图像),然后采用全局阈值(此处为100)对灰度图像进行二值化,得到二值图像BW。接下来根据前面的技术方案分别对须根、弯曲、开裂和断裂进行检测。
依照图2所示流程,对胡萝卜须根依据以下步骤进行检测:
(1)在二值图像BW上进行轮廓提取,得到轮廓上的点的集合P1;
(2)逐点判断P1中各点是否为凹点,得到可能凹点的集合P2。判断凹点所采用的方法是:设当前检测点为A,取其等距(距离为20像素)的前驱点和后继点分别为B、C,如图3所示。然后判断点B和C的中点M是否在胡萝卜内部,若点M不在胡萝卜区域内,此点为可能凹点。
(3)对P2中的各点分别计算凹陷程度:计算直线AB与AC所成夹角θ的大小,夹角θ越小,说明此点凹陷程度越大。若θ小于设定的阈值,则认为点A为须根所在位置。
(4)由于B和C是与A等距的两点,为减少计算量,在实现过程中可直接通过BC的长度a来判断点A的凹陷程度,a的值越小,该点的凹陷程度越大。若a的值小于设定的阈值T,则认为A点为须根所在位置,得到的点的集合记为P3。
(5)对P3中的邻接点进行合并,所检测到的点的个数即为须根个数。
本案中,步骤(4)中阈值T设置为38,若T小于38,则A点为须根所在位置。
胡萝卜弯曲的检测步骤如下:
(1)在二值化图像BW上提取胡萝卜轮廓;
(2)计算外接凸多边形面积计为Area2和胡萝卜区域面积Area1;
(3)计算形状规则度CurveRate=Area1/Area2∈[0.0,1.0];此值越大,形状越规则;若形状规则度CurveRate小于0.9,则判断该胡萝卜为弯曲。
胡萝卜开裂检测方法的步骤如下:
(1)获取胡萝卜图像的R分量图像,使用canny算子对R分量图像进行边缘检测,得到边缘图像C;
(2)对二值图像BW进行腐蚀操作去除边界部分;
(3)将边缘图像C与二值图像BW进行与运算,只保留内部曲线;
(4)采用霍夫变换检测曲线,将长度大于一定阈值的曲线判断为开裂;若曲线长度大于10,则判定胡萝卜有开裂。
在进行断裂检测前,首先要判断胡萝卜的朝向,朝向判断的步骤如下:
(1)在二值图像BW上,分别从距离胡萝卜两端长度的1/10处,取两段横径的长度,分别记为W1和W2,如图4所示;
(2)计算两个横径的比值wRate=W1/W2;
(3)根据上下横径比wRate的值来判断胡萝卜的朝向,若wRate≥1,则胡萝卜朝上,否则朝下;
胡萝卜上部断裂检测步骤如下:
(1)根据胡萝卜朝向检测中所获取的W1和W2值,较小值记为wMin,较大值记为wMax;
(2)计算wMin与wMax的比值:mRate=wMin/wMax∈[0,1];
(3)根据mRate的值来判断胡萝卜是否为上部断裂,若值大于0.8,则判断为上部断裂。
一种基于图像处理的胡萝卜下部断裂检测方法,该方法包括以下步骤:
(1)在二值图像BW上提取胡萝卜轮廓,并提取轮廓上的点保存到数组P1中;
(2)根据胡萝卜朝向判断结果,参照图5,在胡萝卜上部1/5区域内使用局部极值法计算胡萝卜断面区域的两个端点,记为A和B;具体做法是在上部1/5区域内,分别计算最左侧的点A和最右侧的点B;
(3)获取A、B之间所有的点,并保存到数组P2中;
(4)计算断面的弯曲程度:依次计算数组P2中的各点到线段AB的距离,并计算其均值得到断面的弯曲程度cRate(式3);
根据cRate的值来判断胡萝卜是否为下部断裂,若其值小于12,则判断为下部断裂。
Claims (6)
1.一种基于图像处理的胡萝卜表面缺陷检测方法,该方法包括图像预处理方法和影响胡萝卜外观品质的须根、弯曲、开裂和断裂表面缺陷检测方法;图像预处理方法首先对胡萝卜图像的R、G、B三个分量图像进行加权求和得到灰度图像,然后对灰度图像采用全局阈值进行图像分割得到二值图像;胡萝卜须根检测的特征在于:提取胡萝卜轮廓上的点序列,根据凹点判断原理逐点判断轮廓上的点是否为凹点,具体方法为对当前检测点,取与其等距的前后两点及其中点,然后判断中点是否在胡萝卜内部,若不在胡萝卜区域内,则此点可能为凹点;若为凹点则进一步计算凹陷程度,当某点凹陷程度大于给定的阈值,则判定该点为须根所在位置;然后对所检测到的邻接点进行合并,得到的点的个数即为须根个数。
2.根据权利要求1所述的一种基于图像处理的胡萝卜表面缺陷检测方法,其特征在于:根据胡萝卜轮廓得到其拟合外接凸多边形并计算其面积,将形状规则度定义为胡萝卜区域面积与外接凸多边形面积比,然后根据其值判断胡萝卜弯曲程度;当形状规则度小于给定的阈值,则该胡萝卜判断为弯曲。
3.根据权利要求1所述的一种基于图像处理的胡萝卜表面缺陷检测方法,其特征在于:首先使用canny算子对R分量图像进行边缘检测,得到边缘图像;接着对二值图像进行腐蚀操作去除边界部分;然后将边缘图像与二值图像进行“与”运算去除边界,只保留内部曲线;最后采用霍夫变换检测曲线,将长度大于给定阈值的曲线判断为开裂。
4.根据权利要求1所述的一种基于图像处理的胡萝卜表面缺陷检测方法,其特征在于:分别从胡萝卜两端取两个横截面,计算两个横径的长度,通过比较两个横径长度的大小来判断胡萝卜的朝向,在对胡萝卜朝向判断的基础上分别对上部和下部断裂进行检测。
5.根据权利要求4所述的一种基于图像处理的胡萝卜表面缺陷检测方法,其特征在于:从与两端等距的位置计算两个横径的长度,并计算较小值与较大值之间的比值,并根据设定的阈值来判断是否为上部断裂。
6.根据权利要求4所述的一种基于图像处理的胡萝卜表面缺陷检测方法,其特征在于:从胡萝卜上部获取断面区域,然后计算断面的弯曲程度,并根据设定的阈值来判断是否为下部断裂。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510037746.4A CN105891231B (zh) | 2015-01-26 | 2015-01-26 | 一种基于图像处理的胡萝卜表面缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510037746.4A CN105891231B (zh) | 2015-01-26 | 2015-01-26 | 一种基于图像处理的胡萝卜表面缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105891231A CN105891231A (zh) | 2016-08-24 |
CN105891231B true CN105891231B (zh) | 2019-01-18 |
Family
ID=56999566
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510037746.4A Expired - Fee Related CN105891231B (zh) | 2015-01-26 | 2015-01-26 | 一种基于图像处理的胡萝卜表面缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105891231B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109060842B (zh) * | 2018-08-14 | 2020-12-29 | 西南大学 | 基于曲面拟合校正的柑橘表面缺陷检测方法 |
CN109752391B (zh) * | 2018-12-25 | 2020-06-30 | 中国农业大学 | 一种基于机器视觉的胡萝卜表面缺陷识别量化方法 |
CN109934817B (zh) * | 2019-03-21 | 2023-02-03 | 大连大学 | 一种果体外部轮廓畸形检测方法 |
CN110503627A (zh) * | 2019-07-11 | 2019-11-26 | 平安科技(深圳)有限公司 | 建筑物裂缝检测方法、装置、存储介质及计算机设备 |
CN110434090A (zh) * | 2019-08-23 | 2019-11-12 | 中山德著智能科技有限公司 | 一种胡萝卜表面瑕疵检测方法 |
CN111915704A (zh) * | 2020-06-13 | 2020-11-10 | 东北林业大学 | 一种基于深度学习的苹果分级识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101526484A (zh) * | 2009-04-13 | 2009-09-09 | 江南大学 | 基于嵌入式机器视觉的轴承缺陷检测技术 |
CN103038601A (zh) * | 2009-12-07 | 2013-04-10 | 株式会社神户制钢所 | 轮胎形状检查方法以及轮胎形状检查装置 |
CN103177257A (zh) * | 2013-04-09 | 2013-06-26 | 江苏大学 | 一种鸡腿菇图像识别方法与分级方法 |
CN103394472A (zh) * | 2013-07-04 | 2013-11-20 | 中国农业大学 | 一种基于机器视觉的绿化马铃薯检测分级方法 |
CN104056789A (zh) * | 2013-03-19 | 2014-09-24 | 青岛农业大学 | 一种胡萝卜缺陷的图像量化检测方法与分拣装置 |
-
2015
- 2015-01-26 CN CN201510037746.4A patent/CN105891231B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101526484A (zh) * | 2009-04-13 | 2009-09-09 | 江南大学 | 基于嵌入式机器视觉的轴承缺陷检测技术 |
CN103038601A (zh) * | 2009-12-07 | 2013-04-10 | 株式会社神户制钢所 | 轮胎形状检查方法以及轮胎形状检查装置 |
CN104056789A (zh) * | 2013-03-19 | 2014-09-24 | 青岛农业大学 | 一种胡萝卜缺陷的图像量化检测方法与分拣装置 |
CN103177257A (zh) * | 2013-04-09 | 2013-06-26 | 江苏大学 | 一种鸡腿菇图像识别方法与分级方法 |
CN103394472A (zh) * | 2013-07-04 | 2013-11-20 | 中国农业大学 | 一种基于机器视觉的绿化马铃薯检测分级方法 |
Non-Patent Citations (2)
Title |
---|
Computer Vision Determination of the Stem/Root Joint on;MATHEW M. BATCHELOR 等;《J. agric. Engng Res.》;19891231;第43卷;第259-269页 * |
基于图像处理的胡萝卜青头、须根与开裂的检测方法;韩仲志 等;《农业工程学报》;20130531;第29卷(第9期);第156-161页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105891231A (zh) | 2016-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105891231B (zh) | 一种基于图像处理的胡萝卜表面缺陷检测方法 | |
CN109377485B (zh) | 一种方便面包装缺陷机器视觉检测方法 | |
Ni et al. | Automatic inspection machine for maize kernels based on deep convolutional neural networks | |
CN104504388B (zh) | 一种路面裂缝识别和特征提取算法及系统 | |
CN107578409B (zh) | 一种太阳能电池片外观断栅缺陷检测的方法 | |
CN105675625B (zh) | 一种梯度迭代阈值分割的水果表面缺陷检测方法 | |
CN106446894B (zh) | 一种基于轮廓识别球型目标物位置的方法 | |
CN107607554A (zh) | 一种基于全卷积神经网络的镀锌冲压件的瑕疵检测与分类方法 | |
CN111223093A (zh) | 一种aoi缺陷检测方法 | |
CN107966454A (zh) | 一种基于fpga的端塞缺陷检测装置及检测方法 | |
CN105913415A (zh) | 一种具有广泛适应性的图像亚像素边缘提取方法 | |
CN104056789B (zh) | 一种胡萝卜缺陷的图像量化检测方法 | |
CN113643268B (zh) | 基于深度学习的工业制品缺陷质检方法、装置及存储介质 | |
CN103177257A (zh) | 一种鸡腿菇图像识别方法与分级方法 | |
Liu et al. | A computer vision system for automatic steel surface inspection | |
CN105976382A (zh) | 一种基于缺陷区域预判和水平集的TFT-LCD Mura缺陷检测算法 | |
Xie et al. | Research on carrot surface defect detection methods based on machine vision | |
Ji et al. | Apple grading method based on features of color and defect | |
Wang et al. | Research on detection technology of various fruit disease spots based on mask R-CNN | |
CN109540925A (zh) | 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法 | |
Li et al. | Application of multi-scale feature fusion and deep learning in detection of steel strip surface defect | |
CN113643276A (zh) | 一种基于统计分析的纺织物纹理缺陷自动检测方法 | |
CN115866502A (zh) | 一种麦克风零件表面缺陷在线检测流程 | |
Ali et al. | Low cost solution for rice quality analysis using morphological parameters and its comparison with standard measurements | |
Ma et al. | Rapid measurement for 3D geometric features of maize ear based on image processing |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190118 Termination date: 20200126 |
|
CF01 | Termination of patent right due to non-payment of annual fee |