CN106372635A - 一种基于机器视觉的草莓外形品质判别方法 - Google Patents

Abstract

本发明公开了一种基于机器视觉的草莓外形品质判别方法，具体包括以下步骤：步骤1：搭建三相机视觉平台，然后全方位采集工业场景中的草莓RGB图像；步骤2：利用步骤1中所采集的图像进行图像分割，然后划分出果实感兴趣区域，提取草莓果实轮廓；步骤3：利用步骤2中所提取的草莓果实轮廓，使用形状不变特征提取算子提取其形状特征向量，克服草莓大小、位置和朝向各异的问题；步骤4：利用步骤1中采集不同形状草莓样本图像，利用步骤2和步骤3中提取的特征向量，训练支持向量机，确定支持向量机最优参数和分类正确率。本发明鉴于人工鉴别效率低、机械损伤率高等问题，提供一种正确率高、鲁棒实时且无损的草莓外形品质判别方法，满足了实际使用要求。

Description

一种基于机器视觉的草莓外形品质判别方法

技术领域

本发明涉及一种基于机器视觉的草莓外形品质判别方法，属于机器视觉技术领域。

背景技术

草莓(学名：Fragaria×ananassa Duch.)，多年生草本，高10-40厘米；茎低于叶或近相等；叶三出，小叶具短柄，质地较厚，倒卵形或菱形，上面深绿色，几无毛，下面淡白绿色，疏生毛，沿脉较密；聚伞花序，花序下面具一短柄的小叶；花两性；萼片卵形，比副萼片稍长；花瓣白色，近圆形或倒卵椭圆形；聚合果大，宿存萼片直立，紧贴于果实；瘦果尖卵形，光滑；花期4-5月，果期6-7月；原产南美，中国各地及欧洲等地广为栽培，草莓营养价值高，含有多种营养物质，且有保健功效。

许多地区草莓采后品质分级技术落后，上市后草莓规格不一，严重制约了草莓产业在国内外市场的经济效益，因此发明草莓品质分级技术意义重大；现有技术中，草莓品质分级技术大致分两类，即由训练有素的专业人员对其形状、香味和滋味等感官指标进行鉴别的方法，以及机械判别装置为基础的机械分级方法；前者受到工人颜色鉴别力、精神疲劳和分级经验等因素影响，存在较大随意性和工作效率低的问题；后者容易损伤娇嫩柔软的草莓，并且它仅依据草莓大小特征分级而忽视了市场对草莓形状或成熟度的分级需求，可见现有技术存在局限性。

考虑基于机器视觉的分级技术在其它果蔬(苹果、土豆等)的成功应用，以及具有无损、分级指标多、结果准确和高效等优点，本发明给出了一种基于机器视觉的草莓外形品质判别方法。

发明内容

本发明正是针对现有技术存在的不足，鉴于人工鉴别效率低、机械损伤率高等问题，提供一种正确率高、鲁棒实时且无损的草莓外形品质判别方法，具有较好的安全使用性能，满足了实际使用要求。

为解决上述问题，本发明所采取的技术方案如下：

一种基于机器视觉的草莓外形品质判别方法，具体包括以下步骤：

步骤1：搭建三相机视觉平台，然后全方位采集工业场景中的草莓RGB图像；

步骤2：利用步骤1中所采集的图像进行图像分割，然后划分出果实感兴趣区域，提取草莓果实轮廓；

步骤3：利用步骤2中所提取的草莓果实轮廓，使用形状不变特征提取算子提其取形状特征向量，克服草莓大小、位置和朝向各异的问题；

步骤4：利用步骤1中采集不同形状草莓样本图像，利用步骤2和步骤3中提取的特征向量，训练支持向量机，确定支持向量机最优参数和分类正确率。

作为上述技术方案的改进，步骤1中所述三相机视觉平台是由三台工业相机、三块U型板、三块倒U型板、基板和光源组成，其中，三台所述工业相机均采用采用帧速120fps、分辨率656*492、型号MER-030-120UM的大恒工业相机，三台所述工业相机安装在所述U型板上，所述U型板上均设置有一对对称分布的孔和圆弧槽，且通过所述孔和所述圆弧槽与所述倒U型板链接；

三块所述倒U型板均安装在所述基板上，所述光源采用环形光源且安装在所述基板中心位置，利用所述三相机视觉平台采集草莓图像过程中，所述工业相机与草莓距离为200mm、且每次仅拍摄一个草莓，所述工业相机的角度通过所述圆弧槽调整。

作为上述技术方案的改进，步骤2中所述图像分割过程包括选择合适的颜色模型、阈值分割、形态学闭运算、边缘提取和轮廓提取；所述颜色模型采用具有显著波峰波谷形态的2R-G-B图像；所述阈值分割是指用固定阈值T分割2R-G-B图像，得到草莓果实感兴趣区域，该区域通常会受花萼遮挡影响而被过分割；所述形态学闭运算采用5*5方形结构元素填充果实感兴趣区域的细小孔洞；所述边缘提取是指用Canny算子提取果实感兴趣区域边缘；所述轮廓提取是指用凸包算法求解包含果实边缘并且顶点属于果实边缘的最小凸多边形，以该凸多边形来近似草莓形状，克服果实被花萼遮挡造成的过分割问题。

作为上述技术方案的改进，步骤3中所述形状不变特征提取算子指Hu不变矩和椭圆傅里叶描述子，所述Hu不变矩将7个几何矩作为形状特征向量，所述椭圆傅里叶描述子将图像轮廓的傅里叶展开式的前20个系数组合作为草莓形状特征向量。

作为上述技术方案的改进，步骤4中所述支持向量机是一种模式分类算法，其训练过程包括：①获取不同形状草莓样本特征向量；②线性缩放特征向量每个属性值到区间[-1,1]；③选用RBF核函数；④采用网格搜索法设定支持向量机两个未知参数(即惩罚因子C和和函数参数γ)变化范围，运用K交叉验证求不同参数组合条件下的分类正确率，选用分类正确率最高的组合参数作为支持向量机的最优参数；⑤利用80％样本特征向量训练最优参数条件下的支持向量机，利用20％样本特征向量验证支持向量机，确定分类正确率；

其中，所述缩放特征向量采用如下方法：

1)求样本特征向量每个属性值的最大值X_max＝[x_{1_max},x_{2_max},Λ,x_{n_max}]，每个属性值最小值X_min＝[x_{1_min}，x_{2_min}，…，_{x_min}]，n是特征向量维数；

2)对样本任意特征向量X进行缩放：

本发明与现有技术相比较，本发明的实施效果如下：

本发明所述的一种基于机器视觉的草莓外形品质判别方法：

本发明采用机器视觉技术实现草莓外形品质无损分级，发明方法鲁棒性高和实时性强；且方法合理、分类正确率高，首先使用三台相机无死角拍摄草莓，接着在2R-G-B颜色空间分割图像，提取果实边缘，并用凸包算法求边缘的最小凸多边形以近似草莓果实形状，克服了果实被花萼遮挡造成的过分割问题，然后使用Hu不变矩或椭圆傅里叶描述子提取草莓形状特征，克服了草莓大小、朝向和位置各异的问题，最后采用支持向量机分类。

附图说明

图1为本发明基于机器视觉的草莓外形品质分级方法流程图；

图2为本发明三相机视觉平台立体示意图；

图3为本发明草莓图像分割过程图。

具体实施方式

下面将结合具体的实施例来说明本发明的内容。

如图1至图3所示，为本发明所述的一种基于机器视觉的草莓外形品质判别方法流程及其设备结构示意图。

具体实施例：

该实施例目的是用机器视觉技术将草莓分三类即长锥形草莓、圆锥形草莓和方形草莓；该实施例的技术流程图如图1所示，首先使用三台工业相机无死角采集草莓图像，接着将RGB图像转换为2R-G-B图像，分割图像，提取果实边缘，并用凸包算法求该边缘的最小凸多边形，然后用Hu不变矩提取草莓形状特征，最后训练支持向量机，具体步骤如下：

步骤1：搭建三相机视觉平台如图2所示，三相机视觉平台由三台工业相机4、三块U型板3、三块倒U型板2、基板1和光源组成；工业相机4共三台，采用帧速120fps，分辨率656*492，型号MER-030-120UM的大恒工业相机，安装在U型板3上；U型板3上均有一对对称分布的孔和圆弧槽，通过孔和半圆弧槽与倒U型板2可调角度连接，倒U型板2上均布安装在基板1上，其中，光源采用环形光源，安装在基板1中心位置；

其中，使用三相机视觉平台采集长锥形草莓、圆锥形草莓和方形草莓图像各400幅，总计1200幅，采集过程中相机与草莓距离约为200mm。

步骤2：首先将RGB图像(图3.a)转换为2R-G-B图像，如图3.b所示；接着在2R-G-B颜色空间中使用固定阈值T＝60分割图像得到草莓果实感兴趣区域，并进行形态学闭运算，如图3.c所示；然后使用Canny算子提取果实感兴趣区域边缘，如图3.d所述；最后用凸包算法求果实边缘的最小凸多边形，如图3.e所示。

步骤3：采用Hu不变矩提取凸多边形特征，部分结果如表1、表2和表3所示。

步骤4：线性缩放特征向量每个属性值到区间[-1,1]；采用网格搜索法设定参数变化范围，运用K交叉验证求得最优的参数C＝312.5和γ＝0.50625；使用80％的样本特征对最优参数条件下的支持向量机进行训练，使用剩余的样本特征对支持向量机进行检验，试验表明分类正确率为90.36％。

具体地，本发明采用机器视觉技术实现草莓外形品质无损分级，发明方法鲁棒性高和实时性强；且方法合理、分类正确率高，首先使用三台相机无死角拍摄草莓，接着在2R-G-B颜色空间分割图像，提取果实边缘，并用凸包算法求边缘的最小凸多边形以近似草莓果实形状，克服了果实被花萼遮挡造成的过分割问题，然后使用Hu不变矩或椭圆傅里叶描述子提取草莓形状特征，克服了草莓大小、朝向和位置各异的问题，最后采用支持向量机分类。

表1长锥形草莓的Hu不变矩

表2圆锥形草莓的Hu不变矩

表3方形草莓的Hu不变矩

以上内容是结合具体的实施例对本发明所作的详细说明，不能认定本

发明具体实施仅限于这些说明。对于本发明所属技术领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明保护的范围。

Claims (5)

1.一种基于机器视觉的草莓外形品质判别方法，其特征在于：具体包括以下步骤：

步骤1：搭建三相机视觉平台，然后全方位采集工业场景中的草莓RGB图像；

步骤2：利用步骤1中所采集的图像进行图像分割，然后划分出果实感兴趣区域，提取草莓果实轮廓；

步骤3：利用步骤2中所提取的草莓果实轮廓，使用形状不变特征提取算子提取其形状特征向量，克服草莓大小、位置和朝向各异的问题；

步骤4：利用步骤1中采集不同形状草莓样本图像，利用步骤2和步骤3中提取的特征向量，训练支持向量机，确定支持向量机最优参数和分类正确率。

2.根据权利要求1所述一种基于机器视觉的草莓外形品质判别方法，其特征在于：步骤1中所述三相机视觉平台是由三台工业相机(4)、三块U型板(3)、三块倒U型板(2)、基板(1)和光源组成，其中，三台所述工业相机(4)均采用采用帧速120fps、分辨率656*492、型号MER-030-120UM的大恒工业相机，三台所述工业相机(4)安装在所述U型板(3)上，所述U型板(3)上均设置有一对对称分布的孔和圆弧槽，且通过所述孔和所述圆弧槽与所述倒U型板(2)链接；

三块所述倒U型板(2)均安装在所述基板(1)上，所述光源采用环形光源且安装在所述基板(1)中心位置，利用所述三相机视觉平台采集草莓图像过程中，所述工业相机(4)与草莓距离为200mm、且每次仅拍摄一个草莓，所述工业相机(4)的角度通过所述圆弧槽调整。

3.根据权利要求1所述一种基于机器视觉的草莓外形品质判别方法，其特征在于：步骤2中所述图像分割过程包括选择合适的颜色模型、阈值分割、形态学闭运算、边缘提取和轮廓提取；所述颜色模型采用具有显著波峰波谷形态的2R-G-B图像；所述阈值分割是指用固定阈值T分割2R-G-B图像，得到草莓果实感兴趣区域，该区域通常会受花萼遮挡影响而被过分割；所述形态学闭运算采用5*5方形结构元素填充果实感兴趣区域的细小孔洞；所述边缘提取是指用Canny算子提取果实感兴趣区域边缘；所述轮廓提取是指用凸包算法求解包含果实边缘并且顶点属于果实边缘的最小凸多边形，以该凸多边形来近似草莓形状，克服果实被花萼遮挡造成的过分割问题。

4.根据权利要求1所述一种基于机器视觉的草莓外形品质判别方法，其特征在于：步骤3中所述形状不变特征提取算子指Hu不变矩和椭圆傅里叶描述子，所述Hu不变矩将7个几何矩作为形状特征向量，所述椭圆傅里叶描述子将图像轮廓的傅里叶展开式的前20个系数幅值作为草莓形状特征向量。

5.根据权利要求1所述一种基于机器视觉的草莓外形品质判别方法，其特征在于：步骤4中所述支持向量机是一种模式分类算法，其训练过程包括：①获取不同形状草莓样本特征向量；②线性缩放特征向量每个属性值到区间[-1,1]；③选用RBF核函数；④采用网格搜索法设定支持向量机两个未知参数(即惩罚因子C和和函数参数γ)变化范围，运用K交叉验证求不同参数组合条件下的分类正确率，选用分类正确率最高的组合参数作为支持向量机的最优参数；⑤利用80％样本特征向量训练最优参数条件下的支持向量机，利用20％样本特征向量验证支持向量机，确定分类正确率；

其中，所述缩放特征向量采用如下方法：

1)求样本特征向量每个属性值的最大值X_max＝[x_{1_max},x_{2_max},Λ,x_{n_max}]，每个属性值最小值X_min＝[x_{1_min}，x_{2_min}，…，x_{n_min}]，n是特征向量维数；

2)对样本任意特征向量X进行缩放：