CN109613023B - 一种区域亮度自适应校正的水果表面缺陷快速检测方法 - Google Patents

Abstract

本发明涉及一种区域亮度自适应校正的水果表面缺陷快速检测方法，首先以黑色为背景，获取水果RGB彩色图像，然后去除背景并提取R‑B差值灰度图像形成目标图像P(x,y)，再以图像中每个像素点邻域内最大的几个灰度值均值作为当前像素的亮度，计算提取目标图像P(x,y)的表面亮度图像I(x,y)，将P(x,y)和I(x,y)点除得到亮度校正图像F(x,y)，对F(x,y)采用全局单阈值法提取目标区域获得目标二值化图像B(x,y)，对B(x,y)进行面积阈值滤波处理获得水果表面缺陷区域图像D(x,y)。本发明算法简单，在普通计算机上即可实现几十毫秒就完成对一幅图像的检测，准确率为94.6％，可以大大缩短水果在线检测的图像处理时间。本发明适应性高，成本低，操作简单，对不同类型缺陷的样品检测鲁棒性好。

Description

一种区域亮度自适应校正的水果表面缺陷快速检测方法

技术领域

本发明属于计算机视觉图像处理技术领域，具体涉及一种区域亮度自适应校正的水果表面缺陷快速检测方法。

背景技术

水果表面缺陷一直是水果所有外在品质检测中的难点，也是水果分级的重要依据之一。国内外大量研究学者通过计算机视觉方式检测水果表面缺陷时发现，由于大多数水果呈球体或类球体，导致光照反射不均匀，造成水果表面亮度不均，在灰度图像上表现为中部区域亮度高，边缘区域灰度低，而缺陷区域通常也是以低灰度值的方式存在，缺陷区域灰度与正常区域灰度存在交叉，这就直接导致了对缺陷提取的困难甚至是无法提取。

现有技术的处理方法主要分为三类：

1）基于球体灰度模型的处理方法。如专利文献中国专利CN105675625A记载了一种梯度迭代阈值分割的水果表面缺陷检测方法，首先去除背景并计算出灰度图的归一化梯度图像，对图像分割得到梯度二值化图像，与轮廓边缘膨胀图像相减获得差值图像，最后通过图像形态学操作获得水果表面缺陷；中国专利CN101984346A记载了一种基于低通滤波的水果表面缺陷检测方法，首先获得去除背景的R分量图像，对此分量进行傅里叶变换后进行低通滤波，最后通过傅里叶反变换获得此分量表面亮度图像，再对此亮度图像做亮度校正，即可采用单阈值实现对水果表面缺陷分割；Li Jiangbo等人（2013）利用光照传输模型与图像比技术实现对脐橙表面缺陷的检测，但该方法会丢失图像高亮度区域的缺陷从而造成误判。

2）基于表面纹理特征的处理方法。López-García F等人（2010）利用多元图像理论和图像表面纹理特征来训练样本检测脐橙表面缺陷，该算法比较复杂不适合应用于在线检测，且检测脐橙表面缺陷类型有限。

3）基于多/高光谱成像技术的处理方法。得益于光谱技术的发展，高光谱成像技术已广泛应用于农产品快速无损检测中。该技术既可检测物体的外部品质，也可检测物体的内部品质。如张保华等人综述了高光谱成像技术在水果外部品质、内部品质检测中的原理、发展和应用并讨论了高光谱成像系统的发展趋势及存在的问题。（张保华, 李江波, 樊书祥,等. 高光谱成像技术在果蔬品质与安全无损检测中的原理及应用[J]. 光谱学与光谱分析, 2014, 34(10):2743-2751.）；孙梅等人基于高光谱成像技术和主成分分析方法分析了苹果的风伤和压伤，并优选出714nm最为苹果风伤研究的最佳特征波长。（孙梅, 陈兴海,张恒,等. 高光谱成像技术的苹果品质无损检测[J]. 红外与激光工程, 2014, 43(4):1272-1277.）。高光谱成像检测技术的优异性不言而喻，但该技术的硬件成本过高，导致难以推广。

中国专利CN106124511A公开了一种基于自适应亮度回归矫正的水果表面缺陷检测方法，利用水果表面缺陷图像区域的灰度不连续性特点，通过最小二乘法二次项多项式完成图像亮度回归和图像自适应亮度矫正，无需人工调试设置，只需要一个简单的全局阈值完成缺陷分割能够有效检测表面缺陷。但是该方法计算量大，耗时长，普通计算机需要几秒甚至几十秒才能完成图像处理，不符合水果在线检测的需求。

综上所述，现有技术存在检测水果表面缺陷算法复杂、检测表面缺陷类型有限、亮度校正效果尤其果实边缘区域校正效果差、耗时长（普遍超过1秒）、所需成本高（NIR或高/多光谱法）、难以适应在线检测等问题，而目前国内水果市场的趋势是，在线检测设备体积要尽可能小，速度要尽可能快，提高检测效率，因此需要新的水果表面缺陷检测方法。

发明内容

为了解决背景技术中水果表面缺陷检测算法复杂、检测表面缺陷类型有限以及硬件成本高难以适应在线检测要求等问题，本发明的目的在于提供一种基于区域亮度自适应校正的水果表面缺陷快速检测方法，适用于在线检测场合。

本发明提供了一种区域亮度自适应校正的水果表面缺陷快速检测方法，包括如下步骤：

1）以黑色为背景，获取水果RGB彩色图像；

2）对水果RGB彩色图像去除背景并提取R-B差值灰度图像，形成目标图像P(x,y)；

3）以图像中每个像素点邻域内最大的几个灰度值均值作为当前像素的亮度，计算提取目标图像P(x,y)的表面亮度图像I(x,y)；

4）用目标图像P(x,y)与其表面亮度图像I(x,y)点除得到亮度校正图像F(x,y)；

5）对步骤4）得到的亮度校正后的图像F(x,y)采用全局单阈值法提取目标区域获得目标二值化图像B(x,y)；

6）对步骤5）得到的目标二值化图像B (x,y)进行面积阈值滤波处理获得水果表面缺陷区域图像D(x,y)。

进一步，所述x和y分别表示当前图像像素的水平坐标和垂直坐标。

进一步，步骤3）中计算提取表面亮度图像I(x,y)的实现算法为：目标图像P(x,y)大小为M×N，设置邻域的大小为(2m+1)×(2m+1)，在目标图像P(x,y)上逐像素的滑动(2m+1)×(2m+1)区域，把目标图像P(x,y)每个像素邻域内的(2m+1)²个像素排成一列，变换后的矩阵就有MN列，此时就会生成一个(2m+1)²×MN的新矩阵；对此新矩阵按列从小到大进行排序，为克服噪声影响，去除最后一行，选取最后n行按列做均值运算得到1×MN的矩阵，对此矩阵进行反变换，最终得到和目标图像P(x,y)等大小的一个新图像，即目标图像P(x,y)的表面亮度图像I(x,y)。

本发明的有益效果是：

1、算法简单、检测迅速、准确率高、适用于在快速线检测，有利于缩短分拣通道，为实现水果在线检测设备车载化提供的技术保证：本发明对水果目标图像P(x,y)提取表面亮度图像I(x,y)的方法为区域自适应法，然后利用表面亮度图像I(x,y)对目标图像P(x,y)进行校正后得到亮度校正图像F(x,y)，这时采用单阈值即可分割获得目标区域的二值化图像D(x,y)，再采用面积滤波法去除杂散点，即可得到水果表面缺陷区域图像，从而完成水果在线检测图像处理。经大量实验表明，本发明的算法实现比较简单，在普通计算机上即可实现几十毫秒就完成对一幅图像的检测，准确率为94.6%，这对实现水果品质计算机视觉在线检测非常有意义，最重要的就是可以大大缩短水果在线检测的图像处理时间。

、适应性高，成本低，操作简单：本发明的水果表面缺陷快速检测方法，通过对水果R-B灰度差值图像表面亮度不均进行校正，使水果表面缺陷提取简化为单阈值法分割，克服了传统缺陷检测算法的复杂性，同时也避免了光谱成像等技术带来的硬件成本高问题；检测过程中对水果大小和形状的敏感度较低，具有较好的适应性，能够有效检测不同灰度等级的水果表面缺陷。

、鲁棒性好：本发明的水果表面缺陷快速检测方法对黑腐病果、蓟马伤果、介壳虫果、日灼果、虫伤果、溃疡病果、风伤果和裂果等表面缺陷均有较好的检测效果，同时对亮度低于或高于周围正常区域的缺陷都有较好的鲁棒性。

附图说明

图1是本发明方法的流程图；

图2是本发明实施例1中原始图像；

图3是本发明实施例1中目标图像P(x,y)；

图4是本发明实施例1中表面亮度图像I(x,y)；

图5是本发明实施例1中亮度校正图像F(x,y)；

图6是本发明实施例1中目标二值化图像B(x,y)；

图7是本发明实施例1中最终获得的表面缺陷检测图像D(x,y)。

图8是本发明实施例2脐橙黑腐病果原始图。

图9是本发明实施例2脐橙黑腐病果表面缺陷检测图像。

图10是本发明实施例3脐橙蓟马伤果原始图。

图11是本发明实施例3脐橙蓟马伤果表面缺陷检测图像。

图12是本发明实施例4脐橙介壳虫果原始图。

图13是本发明实施例4脐橙介壳虫果表面缺陷检测图像。

图14是本发明实施例5脐橙日灼果原始图。

图15是本发明实施例5脐橙日灼果表面缺陷检测图像。

图16是本发明实施例6脐橙虫伤果原始图。

图17是本发明实施例6脐橙虫伤果表面缺陷检测图像。

图18是本发明实施例7脐橙溃疡病果原始图。

图19是本发明实施例7脐橙溃疡病果表面缺陷检测图像。

图20是本发明实施例8脐橙风伤果原始图。

图21是本发明实施例8脐橙风伤果表面缺陷检测图像。

图22是本发明实施例9脐橙裂果原始图。

图23是本发明实施例9脐橙裂果表面缺陷检测图像。

具体实施方式

下面结合附图和具体实施例对本发明作进一步的说明。

本发明实施过程如下：按图1所示流程对脐橙进行表面缺陷检测，包括如下步骤：

1）以黑色为背景，获取脐橙RGB彩色图像，如图2所示；

2）对脐橙RGB彩色图像去除背景并提取R-B差值灰度图像，形成目标图像P(x,y)，如图3所示；

3）以图像中每个像素点邻域内最大的几个灰度值均值作为当前像素的亮度，计算提取目标图像P(x,y)的表面亮度图像I(x,y)，如图4所示；计算方法为：目标图像P(x,y)大小为M×N（本实施例中M×N=640×480），设置邻域的大小为(2m+1)×(2m+1) （本实施例中m=9），在目标图像P(x,y)上逐像素的滑动(2m+1)×(2m+1)区域，把目标图像P(x,y)每个像素邻域内的(2m+1)²个像素排成一列，变换后的矩阵就有MN列，此时就会生成一个(2m+1)²×MN的新矩阵；对此新矩阵按列从小到大进行排序，为克服噪声影响，去除最后一行，选取最后n行（本实施例中n=3）按列做均值运算得到1×MN的矩阵，对此矩阵进行反变换，最终得到和目标图像P(x,y)等大小的一个新图像，即目标图像P(x,y)的表面亮度图像I(x,y)。

4）用目标图像P(x,y)与其表面亮度图像I(x,y)点除得到亮度校正图像F(x,y)，如图5所示；

5）对步骤4）得到的亮度校正后的图像F(x,y)采用全局单阈值法提取目标区域获得目标二值化图像B(x,y)，如图6所示；

6）对步骤5）得到的目标二值化图像B (x,y)进行面积阈值滤波处理获得水果表面缺陷区域图像D(x,y)，如图7所示。

进一步，所述x和y分别表示当前图像像素的水平坐标和垂直坐标。图7中的白色区域即为脐橙表面缺陷区域。

采用本发明的检测方法依次对多种脐橙伤病果进行检测，检测结果准确率为94.6%，图像处理速度小于100毫秒。如附图所示，其中图8是脐橙黑腐病果的原始图像，图9是图8的表面缺陷检测图像；图10是脐橙蓟马病果的原始图像，图11是图10的表面缺陷检测图像；图12是脐橙介壳虫果的原始图像，图13是图12的表面缺陷检测图像；图14是脐橙日灼果的原始图像，图15是图14的表面缺陷检测图像；图16是脐橙日灼果的原始图像，图17是图16的表面缺陷检测图像；图18是脐橙溃疡病果的原始图像，图19是图18的表面缺陷检测图像；图20是脐橙风伤果的原始图像，图21是图20的表面缺陷检测图像；图22是脐橙裂果的原始图像，图23是图22的表面缺陷检测图像。

本发明的检测方法算法简单、计算量小，对不同类型的样品都有良好的检测能力、准确率高，说明本方法鲁棒性性好，可运用借鉴到各种水果的计算机视觉在线检测上，为优化农产品视觉在线检测设备和效率提供了技术支持。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (2)

1.一种区域亮度自适应校正的水果表面缺陷快速检测方法，其特征在于，包括如下步骤：

1）以黑色为背景，获取水果RGB彩色图像；

2）对水果RGB彩色图像去除背景并提取R-B差值灰度图像，形成目标图像P(x,y)；

3）以图像中每个像素点邻域内最大的几个灰度值均值作为当前像素的亮度，计算提取目标图像P(x,y)的表面亮度图像I(x,y)；

4）用目标图像P(x,y)与其表面亮度图像I(x,y)点除得到亮度校正图像F(x,y)；

5）对步骤4）得到的亮度校正后的图像F(x,y)采用全局单阈值法提取目标区域获得目标二值化图像B(x,y)；

6）对步骤5）得到的目标二值化图像B (x,y)进行面积阈值滤波处理获得水果表面缺陷区域图像D(x,y)；

所述步骤3）中计算提取表面亮度图像I(x,y)的实现算法为：目标图像P(x,y)大小为M×N，设置邻域的大小为(2m+1)×(2m+1)，在目标图像P(x,y)上逐像素的滑动(2m+1)×(2m+1)区域，把目标图像P(x,y)每个像素邻域内的(2m+1)²个像素排成一列，变换后的矩阵就有MN列，此时就会生成一个(2m+1)²×MN的新矩阵；对此新矩阵按列从小到大进行排序，为克服噪声影响，去除最后一行，选取最后n行按列做均值运算得到1×MN的矩阵，对此矩阵进行反变换，最终得到和目标图像P(x,y)等大小的一个新图像，即目标图像P(x,y)的表面亮度图像I(x,y)。

2.根据权利要求1所述区域亮度自适应校正的水果表面缺陷快速检测方法，其特征在于，所述x和y分别表示当前图像像素的水平坐标和垂直坐标。

Images