CN107330478A - 一种圣女果分类方法、系统及圣女果在线分拣系统 - Google Patents

一种圣女果分类方法、系统及圣女果在线分拣系统 Download PDF

Info

Publication number
CN107330478A
CN107330478A CN201710607540.XA CN201710607540A CN107330478A CN 107330478 A CN107330478 A CN 107330478A CN 201710607540 A CN201710607540 A CN 201710607540A CN 107330478 A CN107330478 A CN 107330478A
Authority
CN
China
Prior art keywords
cherry tomato
picture
characteristic parameter
cherry
tomato
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.)
Pending
Application number
CN201710607540.XA
Other languages
English (en)
Inventor
张美杰
张平
黄坤山
李力
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201710607540.XA priority Critical patent/CN107330478A/zh
Publication of CN107330478A publication Critical patent/CN107330478A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • G06V10/435—Computation of moments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/68—Food, e.g. fruit or vegetables

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Analysis (AREA)
  • Sorting Of Articles (AREA)

Abstract

本申请公开了一种圣女果分类方法，包括：采集互不黏连的圣女果的图片；从图片中提取圣女果的特征参数；利用特征参数对圣女果进行分类，得到相应的分类结果。本申请公开的技术方案利用图像处理的方式从圣女果的图片中提取圣女果的特征参数，然后利用提取到的特征参数对圣女果进行分类，通过这种方式避免了人眼在对圣女果进行分类的过程中，视觉疲劳等不客观因素的影响，提高了圣女果的分类效率。另外，本申请还相应的公开了一种圣女果分类系统及圣女果在线分拣系统。

Description

一种圣女果分类方法、系统及圣女果在线分拣系统
技术领域
本发明涉及农产品检验领域，特别涉及一种圣女果分类方法、系统及圣女果在线分拣系统。
背景技术
我国是农业生产大国，同时也是农产品的出口强国，随着社会经济的不断发展，人们更加注重食用蔬果的质量，而圣女果因其具有生津止渴、健胃消食、清热解毒、凉血平肝等功效，受到广大消费者的普遍喜爱。基于圣女果广阔的市场前景，大批量包装的圣女果走向市场，传统检验圣女果的方法，都是由质检人员通过人眼检查完成的，在对圣女果进行检验分类的过程中，需要质检人员仔细观察圣女果的形状、大小、颜色及缺陷等特征。显然，质检人员长时间的观察、检验圣女果，会导致质检人员的视觉疲劳。而且，质检人员在对圣女果进行分类的过程中，分类结果会受到人为因素的影响，导致圣女果的分类效率低下，分类结果不客观，而且，质检人员在对圣女果进行分类的过程中，还有可能会对圣女果造成伤害，导致圣女果的产量下降，显然在本技术领域急需寻找一种更加方便快速的技术手段来对圣女果进行检验分类，来提高圣女果的分类效率。
发明内容
有鉴于此，本发明的目的在于提供一种圣女果分类方法及系统，用于提高圣女果的分类效率。其具体方案如下：
一种圣女果分类方法，包括：
采集互不黏连的圣女果的图片；
从所述图片中提取圣女果的特征参数；
利用所述特征参数对圣女果进行分类，得到相应的分类结果。
优选的，所述从所述图片中提取圣女果的特征参数的过程，包括：
从所述图片中提取圣女果的数量特征参数和/或大小特征参数和/或形状特征参数和/或颜色特征参数和/或缺陷特征参数。
优选的，所述从所述图片中提取圣女果的特征参数的过程，包括：
对所述图片进行预处理，得到圣女果连通域；
对圣女果连通域进行腐蚀处理，得到圣女果腐蚀区域；
计算圣女果腐蚀区域的数量，以得到圣女果的数量特征参数。
优选的，所述从所述图片中提取圣女果的特征参数的过程，包括：
对所述图片进行预处理，得到圣女果连通域；
对圣女果连通域进行膨胀处理，得到圣女果膨胀区域；
将圣女果膨胀区域拟合为椭圆，得到圣女果椭圆区域；
计算圣女果椭圆区域的面积和/或周长，以得到圣女果的大小特征参数。
优选的，所述从所述图片中提取圣女果的特征参数的过程，包括：
对所述图片进行预处理，得到圣女果连通域；
对圣女果连通域进行膨胀处理，得到圣女果膨胀区域；
将圣女果膨胀区域拟合为椭圆，得到圣女果椭圆区域；
计算圣女果椭圆区域的矩形度和/或圆形度和/或偏心率和/或不变矩，以得到圣女果的形状特征参数。
优选的，所述对所述图片进行预处理，得到圣女果连通域的过程，包括：
将所述图片由RGB格式转换为HSV格式，得到HSV图片；
对所述HSV图片的S通道上的图片进行阈值分割处理，得到圣女果区域；
对圣女果区域进行开运算处理，得到圣女果开运算区域；
对圣女果开运算区域进行连通处理，得到圣女果连通域。
优选的，所述从所述图片中提取圣女果的特征参数的过程，包括：
从所述图片中提取圣女果的颜色特征，得到圣女果的颜色特征参数。
优选的，所述利用所述特征参数对圣女果进行分类，得到相应的分类结果的过程，包括：
将所述颜色特征参数输入至第一训练后模型，得到所述第一训练后模型输出的与圣女果对应的颜色分类结果；
其中，所述第一训练后模型为利用第一训练样本对基于高斯混合模型算法构建的待训练模型进行训练后得到的模型，所述第一训练样本包括颜色特征参数以及相应的颜色分类信息。
优选的，所述从所述图片中提取圣女果的特征参数的过程，包括：
将所述图片由RGB格式转换为HSV格式，得到HSV图片；
对所述HSV图片的S通道上的图片进行阈值分割处理，得到圣女果区域；
对圣女果区域进行局部阈值处理，得到圣女果缺陷区域；
对圣女果缺陷区域进行连通处理，得到圣女果缺陷连通域；
提取圣女果缺陷连通域的面积和/或周长和/或矩形度和/或圆形度和/或区域质心和/或灰度均值和/或灰度标准差，以得到圣女果的缺陷特征参数。
优选的，所述利用所述特征参数对圣女果进行分类，得到相应的分类结果的过程，包括：
将所述缺陷特征参数输入至第二训练后模型，得到所述第二训练后模型输出的与圣女果对应的缺陷分类结果；
其中，所述第二训练后模型为利用第二训练样本对基于神经网络模型算法构建的待训练模型进行训练后得到的模型，所述第二训练样本包括缺陷特征参数以及相应的缺陷分类信息。
本发明还公开了一种圣女果分类系统，包括：
图片采集模块，用于采集互不黏连的圣女果的图片；
特征提取模块，用于从所述图片中提取圣女果的特征参数；
圣女果分类模块，用于利用所述特征参数对圣女果进行分类，得到相应的分类结果。
优选的，所述特征提取模块，包括：
特征提取子模块，用于从所述图片中提取圣女果的数量特征参数和/或大小特征参数和/或形状特征参数和/或颜色特征参数和/或缺陷特征参数。
进一步的，本发明还公开了一种圣女果在线分拣系统，包括前述公开的圣女果分类系统，还包括：
圣女果拣取设备，用于根据所述圣女果分类系统得到的分类结果，对圣女果进行相应的拣取处理。
本发明中，首先采集互不黏连的圣女果的图片；从图片中提取圣女果的特征参数；利用特征参数对圣女果进行分类，得到相应的分类结果。在本发明中，是通过运用图像处理的方法，从圣女果的图片中，提取圣女果的特征参数，然后利用提取到的圣女果的特征参数，对圣女果进行分类，可见运用机器视觉方法来对圣女果进行检验和分类，可以避免质检人员的视觉疲劳对圣女果分类结果的影响，使得圣女果的分类结果更加快速、准确，从而提高了圣女果的分类效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明实施例一公开的一种圣女果分类方法流程图；
图2为本发明实施例二公开的一种圣女果分类方法流程图；
图3为本发明实施例三公开的一种圣女果分类系统结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例一公开了一种圣女果分类方法，参见图1所示，该方法包括：
步骤S11：采集互不黏连的圣女果的图片。
在本实施例中，首先是采集互不黏连的圣女果的图片，在实际应用中，可以利用前端振动机构将圣女果单独分开，可以理解的是，如果是圣女果黏连在一起，将会使得圣女果区域无法从图片中分割出来，这一步骤的目的是为处理圣女果的后续步骤的图片时，效果更加理想。需要说明的是，采集图片的方法，包括但不限于利用照相机或摄像机拍摄圣女果的图片。
步骤S12：从图片中提取圣女果的特征参数。
可以理解的是，在图片中包含着圣女果的各种特征信息，所以在本实施例中，从图片中提取圣女果的特征参数，包括但不限于，从图片中提取圣女果的数量特征参数和/或大小特征参数和/或形状特征参数和/或颜色特征参数和/或缺陷特征参数。
步骤S13：利用特征参数对圣女果进行分类，得到相应的分类结果。
可以理解的是，利用提取到的圣女果特征参数对圣女果进行分类，对圣女果进行分类的条件可以是预设的特征筛选条件，也可以是根据同批次的圣女果相应的特征参数来对筛选圣女果的条件进行具体的调整，此处不作限定，此处应以达到实际需要为目的。当然对圣女果的分类可以是二分类、三分类甚至是多分类，此处也不进行限定。
本发明中，首先采集互不黏连的圣女果的图片；从图片中提取圣女果的特征参数；利用特征参数对圣女果进行分类，得到相应的分类结果。在本发明中，是通过运用图像处理的方法，从圣女果的图片中，提取圣女果的特征参数，然后利用提取到的圣女果的特征参数，对圣女果进行分类，可见运用机器视觉方法来对圣女果进行检验和分类，可以避免质检人员的视觉疲劳对圣女果分类结果的影响，使得圣女果的分类结果更加快速、准确，从而提高了圣女果的分类效率。
本发明实施例二公开了一种具体的圣女果分类方法，参见图2所示，相对于上一实施例，本实施例对技术方案作了进一步的说明和优化。具体的：
步骤S21：采集互不黏连的圣女果的图片。
在本实施例中，首先是采集互不黏连的圣女果的图片，在实际应用中，可以利用前端振动机构将圣女果单独分开，可以理解的是，如果是圣女果黏连在一起，将会使得圣女果区域无法从图片中分割出来，这一步骤的目的是为处理圣女果的后续步骤的图片时，效果更加理想。需要说明的是，采集图片的方法，包括但不限于利用照相机或摄像机拍摄圣女果的图片。
步骤S22：从图片中提取圣女果的特征参数。
在本实施例中，是从图片中提取圣女果的数量特征参数、大小特征参数、形状特征参数、颜色特征参数和缺陷特征参数。具体的，该步骤具体包括步骤S211、步骤S222、步骤223、步骤224和步骤225。
步骤S211：从图片中提取圣女果的数量特征参数，具体的，该步骤具体包括步骤S2111、步骤S2112和步骤S2113。
步骤S2111：对图片进行预处理，得到圣女果连通域；
可以理解的是，对图片进行预处理，是为了消除图片中的噪声对图像处理过程中的影响，得到圣女果连通域是为了更好的提取圣女果的特征参数。
步骤S2112：对圣女果连通域进行腐蚀处理，得到圣女果腐蚀区域；
步骤S2113：计算圣女果腐蚀区域的数量，以得到圣女果的数量特征参数。
可以理解的是，通过对圣女果连通区域进行腐蚀处理，可以将圣女果连通区域进行一定程度的缩小，通过这样的方式，使得计算得到的圣女果的数量特征参数更加准确。
步骤S222：从图片中提取圣女果的大小特征参数，具体的，该步骤具体包括步骤S2221、步骤S2222、步骤S2223和步骤S2224。
步骤S2221：对图片进行预处理，得到圣女果连通域；
步骤S2222：对圣女果连通域进行膨胀处理，得到圣女果膨胀区域；
步骤S2223：将圣女果膨胀区域拟合为椭圆，得到圣女果椭圆区域；
步骤S2224：计算圣女果椭圆区域的面积和/或周长，以得到圣女果的大小特征参数。
可以理解的是，将圣女果连通区域进行膨胀处理，可以将圣女果连通区域进行一定程度的放大，然后，再将圣女果膨胀区域拟合为圣女果椭圆区域，通过这样的方式，可以使得圣女果椭圆区域提取到的大小特征参数，更加精准。
具体的，在本实施例中，圣女果椭圆区域的面积是由拟合得到的圣女果椭圆区域的边界以及圣女果椭圆区域的内部像素点决定的，设采集到的图片的尺寸为M*N，则圣女果椭圆区域的面积计算公式为：
式中，S为圣女果椭圆区域的面积，f(x,y)为圣女果函数的图像，(x,y)为图片中像素的像素坐标点。
圣女果椭圆区域的周长计算公式为：
式中，L为圣女果椭圆区域的周长，N2n和N2n-1分别为圣女果椭圆区域的边界链码中奇数点与偶数点的个数。
步骤S223：从图片中提取圣女果的形状特征参数，具体的，该步骤具体包括步骤S2231、步骤S2232、步骤S2233和步骤S2234。
步骤S2231：对图片进行预处理，得到圣女果连通域。
步骤S2232：对圣女果连通域进行膨胀处理，得到圣女果膨胀区域。
步骤S2233：将圣女果膨胀区域拟合为椭圆，得到圣女果椭圆区域。
步骤S2234：计算圣女果椭圆区域的矩形度和/或圆形度和/或偏心率和/或不变矩，以得到圣女果的形状特征参数。
可以理解的是，将圣女果连通域进行膨胀处理，可以将圣女果连通域进行一定程度的放大，然后，再将通过膨胀操作得到的圣女果连通域拟合为圣女果椭圆区域，通过这样的方式，可以使得圣女果椭圆区域提取到的形状特征参数，更加精准。
具体的，在本实施例中，将提取到的圣女果椭圆区域的矩形度(R)和/或圆形度(C)和/或偏心率(E)和/或不变矩(W)，这4个特征参数合成一个一维特征向量组。记为[R,C,E,W]。
在本实施例中，圣女果椭圆区域的矩形度(R)的计算公式为：
式中，A0为圣女果椭圆区域的面积，A为圣女果椭圆区域的最小外接矩形面积。
圣女果椭圆区域的圆形度(C)的计算公式为：
式中，L为圣女果椭圆区域的周长，S为圣女果椭圆区域的面积。
由于直接计算圣女果椭圆区域的偏心率(E)较为复杂，但利用图像矩的概念计算图形的惯性率I，再由惯性率I计算偏心率E较为方便。偏心率E和惯性率I之间的关系为E2+I2＝1。
在本实施例中选择6个不变矩W作为评价标准，计算公式为：
其中，为6个不变矩，ηij为归一化的中心矩，i为x方向的i阶矩，j为y方向的j阶矩。
具体的，对图片进行预处理，得到圣女果连通域这一步骤，包括下面步骤H111、步骤H112、步骤H113和步骤H114。
步骤H111：将图片由RGB格式转换为HSV格式，得到HSV图片。
步骤H112：对HSV图片的S通道上的图片进行阈值分割处理，得到圣女果区域。
在本实施例中，是将图片由RGB格式转换为HSV格式，然后对圣女果在HSV图片中S通道上的圣女果进行阈值分割处理，将圣女果区域从图片背景当中分割出来。可以理解的是，在实际的应用当中，图片的格式可以是二值化图片，也可以是对HSV格式图片的其他通道上的图片进行阈值分割，得到圣女果区域，此处不作限定。
步骤H113：对圣女果区域进行开运算处理，得到圣女果开运算区域。
在本实施例中，对圣女果区域进行开运算处理，得到圣女果开运算区域的目的是为了消除图片当中的狭小区域，以方便后续步骤的处理。
步骤H114：对圣女果开运算区域进行连通处理，得到圣女果连通域。
此处，对圣女果开运算区域运用连通算法，得到圣女果连通域，以方便后续步骤的进行。
步骤S224：从图片中提取圣女果的颜色特征，得到圣女果的颜色特征参数。
在本实施例中，是在RGB图上提取圣女果的颜色特征参数，然后将提取到的颜色特征参数存放在目标元组当中。
步骤S225：从图片中提取圣女果的缺陷特征，得到圣女果的缺陷特征参数，具体的，该步骤具体包括步骤S2251、步骤S2252、步骤S2253、步骤S2254和步骤S2255。
步骤S2251：将图片由RGB格式转换为HSV格式，得到HSV图片；
步骤S2252：对HSV图片的S通道上的图片进行阈值分割处理，得到圣女果区域；
可以理解的是，在本申请实施例中，是对图片的HSV格式S通道上的图片进行处理，当然此处，也可以是对HSV格式的图片上的其他通道进行处理，此处不作限定。
步骤S2253：对圣女果区域进行局部阈值处理，得到圣女果缺陷区域；
在本实施例中，首先是通过阈值分割处理得到圣女果区域，再通过局部阈值处理得到圣女果缺陷区域，可以理解的是，通过这样的方法，可以提取到更为精准的圣女果缺陷区域。
步骤S2254：对圣女果缺陷区域进行连通处理，得到圣女果缺陷连通域；
具体的，在本实施例中，利用blob分析法对圣女果缺陷区域进行分析，得到圣女果缺陷连通域。
步骤S2255：提取圣女果缺陷连通域的面积和/或周长和/或矩形度和/或圆形度和/或区域质心和/或灰度均值和/或灰度标准差，以得到圣女果的缺陷特征参数。
在本实施例中，将提取圣女果缺陷连通域的面积和/或周长和/或矩形度和/或圆形度和/或区域质心和/或灰度均值和/或灰度标准差，集合成为一个多维特征向量，其中，圣女果缺陷连通域的灰度均值M的计算公式为：
式中，L为图片中的灰度级总数，zi为图片中第i个灰度级，h(zi)为图片直方图中统计的灰度为zi的像素的个数。
圣女果缺陷连通域的灰度标准差σ的计算公式为：
式中，f(x,y)为图片中像素点(x,y)的像素值，S为圣女果缺陷区域内像素的个数，M为圣女果缺陷区域内的灰度均值。
可以理解的是，在本实施例中，是从圣女果的图片中分别提取了圣女果数量特征参数、大小特征参数、形状特征参数、颜色特征参数和缺陷特征参数。在实际的应用的当中，可以提取以上特征参数当中的一个或多个，或者是其他更多的特征参数，此时要以实际应用当中，对圣女果的分类精度的要求进行具体的调整，此处不作限定。
步骤S23：利用特征参数对圣女果进行分类，得到相应的分类结果。
在本实施例中，是从图片中提取圣女果的数量特征参数和/或大小特征参数和/或形状特征参数和/或颜色特征参数和/或缺陷特征参数，所以，对应于以上各类提取到的圣女果的特征参数，有相应的各类特征参数的分类过程。具体的，该步骤具体包括步骤S231、步骤S232、步骤233、步骤234和步骤235。
步骤S231：判断数量特征参数是否满足预设的数量特征参数的筛选条件，得到与圣女果对应的数量分类结果。
可以理解的是，预设的数量特征参数的筛选条件，可以是在筛选圣女果之前预先设定好的条件，也可以是根据需要分类的同批次的圣女果的特征参数对预设的筛选条件进行相应的调整或者是根据需要分类的圣女果的特征参数再对筛选条件进行相应的设定。
步骤S232：判断大小特征参数是否满足预设的大小特征参数的筛选条件，得到与圣女果对应的大小分类结果。
具体的，该步骤具体包括步骤S2321、步骤S2322、步骤S2323和步骤S2324。
步骤S2321：设置圣女果的大小特征参数的比较因子，将圣女果的大小特征参数的比较因子设置为需要分类的圣女果的面积和周长的平均值。
步骤S2322：将计算得到的所有圣女果椭圆区域的面积和周长分别进行累加，记为S'和L'。对S'和L'求平均值，分别记为Save和Lave，其中，圣女果椭圆区域的面积的平均值的计算公式为：
式中，S'为图片中所有圣女果椭圆区域的面积的总和，n为图片中圣女果连通域的个数。
圣女果椭圆区域周长的平均值的计算公式为：
式中，L'为图片中所有圣女果椭圆区域的周长的总和，n为图片中圣女果连通域的个数。
步骤S2323：设置误差阈值，将圣女果的大小特征参数的误差阈值设置为比较因子的20％，即±0.2*Save和±0.2*Lave。
步骤S2324：将计算得到的圣女果的大小特征参数跟预设的误差阈值进行比较，得到与圣女果对应的大小分类结果。
步骤S233：判断形状特征参数是否满足预设的形状特征参数的筛选条件，得到与圣女果对应的形状分类结果。
具体的，在本实施例中，该步骤具体包括步骤S2331、步骤S2332和步骤S2333。
步骤S2331：设置圣女果形状特征参数的比较因子。对计算所得的圣女果区域的矩形度R、圆形度C、偏心率E和不变矩W累加求和，记为P，然后计算它们的平均值Pave。
平均值Pave的计算公式为：
式中，P为圣女果区域的矩形度R、圆形度C、偏心率E和不变矩W的总和，n为图片中圣女果连通域的个数。
步骤S2332：设置圣女果形状特征参数的误差阈值，将圣女果形状特征参数的误差阈值设置为比较因子的20％，即±0.2*Pave。
步骤S2333：将提取到的圣女果的形状特征参数与预设的误差阈值进行比较，得到圣女果的形状特征参数对应的分类结果。
步骤S234：将颜色特征参数输入至第一训练后模型，得到第一训练后模型输出的与圣女果对应的颜色分类结果；
其中，第一训练后模型为利用第一训练样本对基于高斯混合模型算法构建的待训练模型进行训练后得到的模型，第一训练样本包括颜色特征参数以及相应的颜色分类信息。
具体的，还可以通过增加训练样本的数量来提高第一训练后模型的精度，所以可以预先收集大量的圣女果的颜色特征参数以及与圣女果对应的颜色分类结果来增加训练样本的数量。
在对圣女果颜色特征分类的过程中，可以将待分类的圣女果区域作形态学闭运算，以平滑圣女果区域的边界，然后将闭运算后的圣女果区域连通，再分割出圣女果区域颜色不同的区域，进行标记，最后，利用第一训练后模型对圣女果的颜色特征参数进行分类。
步骤S235：将缺陷特征参数输入至第二训练后模型，得到第二训练后模型输出的与圣女果对应的缺陷分类结果；
其中，第二训练后模型为第二训练样本对基于神经网络模型算法构建的待训练模型进行训练后得到的模型，第二训练样本包括缺陷特征参数以及相应的缺陷分类信息。
具体的，在本实施例中，对第二训练模型进行训练与分类的过程，操作步骤相同，具体包括以下步骤S2351、步骤S2352、步骤S2353和步骤S2354。
步骤S2351：构建三层神经网络，将之前提取到的圣女果缺陷特征参数作为神经网络的输入层。
步骤S2352：神经网络的输入层数等于提取到的圣女果缺陷特征参数的主要特征数，神经网络的输出层等于圣女果颜色的缺陷种类数。
在本实施例中，利用经验公式来确定神经网络中隐含层的节点层数，其中，经验公式为：
式中，hide为神经网络中隐含层的个数，m为神经网络中输入层的节点数，n为神经网络输出层的节点数，α取1～10之间的整数。
具体的，在本实施例中，将神经网络输入层和输出层的数目分别设置为7和14。
步骤S2353：选用激励函数来加速神经网络的收敛。
具体的，激励函数的计算公式为：
式中，y为输入，其定义域为[-∞,+∞]，σ(y)输出，值域为[0,1]。
步骤S2354：通过判断神经网络输出层与输入层的相似性，即可对圣女果的缺陷种类进行分类判断。
进一步的，在建立第二待训练模型后，还可以对圣女果的各种缺陷特征参数进行归一化处理，建立圣女果缺陷图像的数据库，为后续神经网络的训练提供相应充足的数据样本，以提高第二训练后模型的精度。
相应的，本发明实施例还公开了一种圣女果分类系统，参见图3所示，该系统包括：
图片采集模块31，用于采集互不黏连的圣女果的图片；
特征提取模块32，用于从图片中提取圣女果的特征参数；
圣女果分类模块33，用于利用特征参数对圣女果进行分类，得到相应的分类结果。
具体的，特征提取模块32，包括特征提取子模块，其中，
特征提取子模块，用于从图片中提取圣女果的数量特征参数和/或大小特征参数和/或形状特征参数和/或颜色特征参数和/或缺陷特征参数。
具体的，特征提取子模块，包括数量特征提取子模块和/或大小特征提取子模块和/或形状特征提取子模块和/或颜色特征提取子模块和/或缺陷特征提取子模块。
具体的，数量特征提取子模块，包括预处理单元、腐蚀处理单元、第一计算单元；其中，
预处理单元，用于对图片进行预处理，得到圣女果连通域；
腐蚀处理单元，用于对圣女果连通域进行腐蚀处理，得到圣女果腐蚀区域；
第一计算单元，用于计算圣女果腐蚀区域的数量，以得到圣女果的数量特征参数。
具体的，大小特征提取子模块，包括预处理单元、膨胀处理单元、椭圆拟合单元和第二计算单元；其中，
预处理单元，用于对图片进行预处理，得到圣女果连通域；
膨胀处理单元，用于对圣女果连通域进行膨胀处理，得到圣女果膨胀区域；
椭圆拟合单元，用于将圣女果膨胀区域拟合为椭圆，得到圣女果椭圆区域；
第二计算单元，用于计算圣女果椭圆区域的面积和/或周长，以得到圣女果的大小特征参数。
具体的，形状特征提取子模块，包括预处理单元、膨胀处理单元、椭圆拟合单元和第三计算单元；其中，
预处理单元，用于对图片进行预处理，得到圣女果连通域；
膨胀处理单元，用于对圣女果连通域进行膨胀处理，得到圣女果膨胀区域；
椭圆拟合单元，用于将圣女果膨胀区域拟合为椭圆，得到圣女果椭圆区域；
第三计算单元，用于计算圣女果椭圆区域的矩形度和/或圆形度和/或偏心率和/或不变矩，以得到圣女果的形状特征参数。
颜色特征提取子模块，用于从图片中提取圣女果的颜色特征，得到圣女果的颜色特征参数。
具体的，缺陷特征提取子模块，包括格式转换单元、阈值分割单元、局部阈值处理单元、连通处理单元和缺陷特征提取单元；其中，
格式转换单元，用于将图片由RGB格式转换为HSV格式，得到HSV图片；
阈值分割单元，用于对HSV图片的S通道上的图片进行阈值分割处理，得到圣女果区域；
局部阈值处理单元，用于对圣女果区域进行局部阈值处理，得到圣女果缺陷区域；
连通处理单元，用于对圣女果缺陷区域进行连通处理，得到圣女果缺陷连通域；
缺陷特征提取单元，用于提取圣女果缺陷连通域的面积和/或周长和/或矩形度和/或圆形度和/或区域质心和/或灰度均值和/或灰度标准差，以得到圣女果的缺陷特征参数。
具体的，预处理单元包括格式转换子单元、阈值分割子单元、开运算子单元和连通子单元；其中，
格式转换子单元，用于将图片由RGB格式转换为HSV格式，得到HSV图片；
阈值分割子单元，用于对HSV图片的S通道上的图片进行阈值分割处理，得到圣女果区域；
开运算子单元，用于对圣女果区域进行开运算处理，得到圣女果开运算区域；
连通子单元，用于对圣女果开运算区域进行连通处理，得到圣女果连通域。
在本实施例中，对应于数量特征提取子模块和/或大小特征提取子模块和/或形状特征提取子模块和/或颜色特征提取子模块和/或缺陷特征提取子模块，相应的有数量特征判别子模块和/或大小特征判别子模块和/或形状特征判别子模块和/或颜色特征判别子模块和/或缺陷特征判别子模块。其中，
数量特征判别子模块，用于将提取到的数量特征参数进行分类，以得到与圣女果对应的数量分类结果。
大小特征判别子模块，用于将提取到的大小特征参数进行分类，以得到与圣女果对应的大小分类结果。
形状特征判别子模块，用于将提取到的形状特征参数进行分类，以得到与圣女果对应的形状分类结果。
颜色特征判别子模块，用于将颜色特征参数输入至第一训练后模型，得到第一训练后模型输出的与圣女果对应的颜色分类结果；
其中，第一训练后模型为利用第一训练样本对基于高斯混合模型算法构建的待训练模型进行训练后得到的模型，第一训练样本包括颜色特征参数以及相应的颜色分类信息。
缺陷特征判别子模块，用于将缺陷特征参数输入至第二训练后模型，得到第二训练后模型输出的与圣女果对应的缺陷分类结果；
其中，第二训练后模型为利用第二训练样本对基于神经网络模型算法构建的待训练模型进行训练后得到的模型，第二训练样本包括缺陷特征参数以及相应的缺陷分类信息。
关于上述各个模块和各个单元更加详细的工作过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。
相应的，本发明实施例还公开了一种圣女果在线分拣系统，该系统包括：前述公开的圣女果分类系统，还包括：
圣女果拣取设备，用于根据圣女果分类系统得到的分类结果，对圣女果进行相应的拣取处理。
在本发明实施例中，圣女果分类系统主要是利用图像处理的手段从图片中提取圣女果的特征参数，然后对圣女果进行分类；圣女果拣取设备主要是把圣女果的分类结果进行固定位置的存放及拣取。
可以理解的是，通过这样的流程设备，解决了圣女果在线分类的难题，提高了质检人员的工作效率，避免了质检人员在对圣女果进行分类的过程中，视觉疲劳及分类效率不高的问题。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的一种圣女果分类方法及系统进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (13)

1.一种圣女果分类方法，其特征在于，包括：
采集互不黏连的圣女果的图片；
从所述图片中提取圣女果的特征参数；
利用所述特征参数对圣女果进行分类，得到相应的分类结果。
2.根据权利要求1所述的方法，其特征在于，所述从所述图片中提取圣女果的特征参数的过程，包括：
从所述图片中提取圣女果的数量特征参数和/或大小特征参数和/或形状特征参数和/或颜色特征参数和/或缺陷特征参数。
3.根据权利要求1所述的方法，其特征在于，所述从所述图片中提取圣女果的特征参数的过程，包括：
对所述图片进行预处理，得到圣女果连通域；
对圣女果连通域进行腐蚀处理，得到圣女果腐蚀区域；
计算圣女果腐蚀区域的数量，以得到圣女果的数量特征参数。
4.根据权利要求1所述的方法，其特征在于，所述从所述图片中提取圣女果的特征参数的过程，包括：
对所述图片进行预处理，得到圣女果连通域；
对圣女果连通域进行膨胀处理，得到圣女果膨胀区域；
将圣女果膨胀区域拟合为椭圆，得到圣女果椭圆区域；
计算圣女果椭圆区域的面积和/或周长，以得到圣女果的大小特征参数。
5.根据权利要求1所述的方法，其特征在于，所述从所述图片中提取圣女果的特征参数的过程，包括：
对所述图片进行预处理，得到圣女果连通域；
对圣女果连通域进行膨胀处理，得到圣女果膨胀区域；
将圣女果膨胀区域拟合为椭圆，得到圣女果椭圆区域；
计算圣女果椭圆区域的矩形度和/或圆形度和/或偏心率和/或不变矩，以得到圣女果的形状特征参数。
6.根据权利要求3至5任一项所述的方法，其特征在于，所述对所述图片进行预处理，得到圣女果连通域的过程，包括：
将所述图片由RGB格式转换为HSV格式，得到HSV图片；
对所述HSV图片的S通道上的图片进行阈值分割处理，得到圣女果区域；
对圣女果区域进行开运算处理，得到圣女果开运算区域；
对圣女果开运算区域进行连通处理，得到圣女果连通域。
7.根据权利要求1所述的方法，其特征在于，所述从所述图片中提取圣女果的特征参数的过程，包括：
从所述图片中提取圣女果的颜色特征，得到圣女果的颜色特征参数。
8.根据权利要求7所述的方法，其特征在于，所述利用所述特征参数对圣女果进行分类，得到相应的分类结果的过程，包括：
将所述颜色特征参数输入至第一训练后模型，得到所述第一训练后模型输出的与圣女果对应的颜色分类结果；
其中，所述第一训练后模型为利用第一训练样本对基于高斯混合模型算法构建的待训练模型进行训练后得到的模型，所述第一训练样本包括颜色特征参数以及相应的颜色分类信息。
9.根据权利要求1所述的方法，其特征在于，所述从所述图片中提取圣女果的特征参数的过程，包括：
将所述图片由RGB格式转换为HSV格式，得到HSV图片；
对所述HSV图片的S通道上的图片进行阈值分割处理，得到圣女果区域；
对圣女果区域进行局部阈值处理，得到圣女果缺陷区域；
对圣女果缺陷区域进行连通处理，得到圣女果缺陷连通域；
提取圣女果缺陷连通域的面积和/或周长和/或矩形度和/或圆形度和/或区域质心和/或灰度均值和/或灰度标准差，以得到圣女果的缺陷特征参数。
10.根据权利要求9所述的方法，其特征在于，所述利用所述特征参数对圣女果进行分类，得到相应的分类结果的过程，包括：
将所述缺陷特征参数输入至第二训练后模型，得到所述第二训练后模型输出的与圣女果对应的缺陷分类结果；
其中，所述第二训练后模型为利用第二训练样本对基于神经网络模型算法构建的待训练模型进行训练后得到的模型，所述第二训练样本包括缺陷特征参数以及相应的缺陷分类信息。
11.一种圣女果分类系统，其特征在于，包括：
图片采集模块，用于采集互不黏连的圣女果的图片；
特征提取模块，用于从所述图片中提取圣女果的特征参数；
圣女果分类模块，用于利用所述特征参数对圣女果进行分类，得到相应的分类结果。
12.根据权利要求11所述的系统，其特征在于，所述特征提取模块，包括：
特征提取子模块，用于从所述图片中提取圣女果的数量特征参数和/或大小特征参数和/或形状特征参数和/或颜色特征参数和/或缺陷特征参数。
13.一种圣女果在线分拣系统，其特征在于，包括权利要求11或12所述的圣女果分类系统，还包括：
圣女果拣取设备，用于根据所述圣女果分类系统得到的分类结果，对圣女果进行相应的拣取处理。
CN201710607540.XA 2017-07-24 2017-07-24 一种圣女果分类方法、系统及圣女果在线分拣系统 Pending CN107330478A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710607540.XA CN107330478A (zh) 2017-07-24 2017-07-24 一种圣女果分类方法、系统及圣女果在线分拣系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710607540.XA CN107330478A (zh) 2017-07-24 2017-07-24 一种圣女果分类方法、系统及圣女果在线分拣系统

Publications (1)

Publication Number Publication Date
CN107330478A true CN107330478A (zh) 2017-11-07

Family

ID=60200668

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710607540.XA Pending CN107330478A (zh) 2017-07-24 2017-07-24 一种圣女果分类方法、系统及圣女果在线分拣系统

Country Status (1)

Country Link
CN (1) CN107330478A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108375529A (zh) * 2018-02-12 2018-08-07 中国水利水电科学研究院 土石料级配自动检测方法及检测系统
CN108491892A (zh) * 2018-04-05 2018-09-04 聊城大学 基于机器视觉的水果分拣系统
CN108549897A (zh) * 2018-01-22 2018-09-18 深圳春沐源控股有限公司 一种农作物种植与分拣联动的方法及智能控制系统
CN108734710A (zh) * 2018-06-14 2018-11-02 厦门理工学院 一种智能果蔬挑选方法
CN111815493A (zh) * 2019-04-11 2020-10-23 深圳市家家分类科技有限公司 生物降解系统的环保金生成方法及相关产品
CN112907651A (zh) * 2021-03-29 2021-06-04 山东捷瑞数字科技股份有限公司 基于语义分割网络的生蚝外部形态的测量方法
CN113284160A (zh) * 2021-04-23 2021-08-20 北京天智航医疗科技股份有限公司 一种手术导航标记珠体识别的方法、装置和设备
CN113686876A (zh) * 2021-08-24 2021-11-23 华南农业大学 一种禽蛋裂纹检测方法、装置

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108549897A (zh) * 2018-01-22 2018-09-18 深圳春沐源控股有限公司 一种农作物种植与分拣联动的方法及智能控制系统
CN108375529A (zh) * 2018-02-12 2018-08-07 中国水利水电科学研究院 土石料级配自动检测方法及检测系统
CN108491892A (zh) * 2018-04-05 2018-09-04 聊城大学 基于机器视觉的水果分拣系统
CN108734710A (zh) * 2018-06-14 2018-11-02 厦门理工学院 一种智能果蔬挑选方法
CN111815493A (zh) * 2019-04-11 2020-10-23 深圳市家家分类科技有限公司 生物降解系统的环保金生成方法及相关产品
CN111815493B (zh) * 2019-04-11 2024-03-26 深圳市家家分类科技有限公司 生物降解系统的环保金生成方法及相关产品
CN112907651A (zh) * 2021-03-29 2021-06-04 山东捷瑞数字科技股份有限公司 基于语义分割网络的生蚝外部形态的测量方法
CN113284160A (zh) * 2021-04-23 2021-08-20 北京天智航医疗科技股份有限公司 一种手术导航标记珠体识别的方法、装置和设备
CN113284160B (zh) * 2021-04-23 2024-03-12 北京天智航医疗科技股份有限公司 一种手术导航标记珠体识别的方法、装置和设备
CN113686876A (zh) * 2021-08-24 2021-11-23 华南农业大学 一种禽蛋裂纹检测方法、装置
CN113686876B (zh) * 2021-08-24 2022-10-04 华南农业大学 一种禽蛋裂纹检测方法、装置

Similar Documents

Publication Publication Date Title
CN107330478A (zh) 一种圣女果分类方法、系统及圣女果在线分拣系统
CN106650806B (zh) 一种用于行人检测的协同式深度网络模型方法
CN107016405B (zh) 一种基于分级预测卷积神经网络的害虫图像分类方法
CN103886308B (zh) 一种使用聚合通道特征和软级联分类器的行人检测方法
CN109919177B (zh) 基于层次化深度网络的特征选择方法
Hou et al. Classification of tongue color based on CNN
CN110276386A (zh) 一种基于机器视觉的苹果分级方法及系统
CN107945153A (zh) 一种基于深度学习的路面裂缝检测方法
CN106709528A (zh) 基于多目标函数深度学习的车辆重识别方法及装置
CN106845528A (zh) 一种基于K‑means与深度学习的图像分类算法
CN109002851A (zh) 一种基于图像多特征融合的水果分类方法及应用
CN102855640A (zh) 基于神经网络的水果等级分类系统
Rahamathunnisa et al. Vegetable disease detection using k-means clustering and svm
CN104966075B (zh) 一种基于二维判别特征的人脸识别方法与系统
CN106872473A (zh) 一种基于机器视觉的马铃薯缺陷检测识别系统设计
CN109145944A (zh) 一种基于纵向三维图像深度学习特征的分类方法
CN103034868B (zh) 一种针对小样本以及高维图像的分类方法
CN109115775A (zh) 一种基于机器视觉的槟榔等级检测方法
CN106326914B (zh) 一种基于svm的珍珠多分类方法
Said et al. Comparison of color-based feature extraction methods in banana leaf diseases classification using SVM and K-NN
Bobde et al. Fruit quality recognition using deep learning algorithm
Lee et al. Intelligent classification methods of grain kernels using computer vision analysis
Wang et al. An adult image recognizing algorithm based on naked body detection
Ji et al. Apple color automatic grading method based on machine vision
CN104318267B (zh) 一种藏獒幼犬纯度的自动化识别系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20171107