CN111353992A - 一种基于纹理特征的农产品缺陷检测方法及系统 - Google Patents

一种基于纹理特征的农产品缺陷检测方法及系统 Download PDF

Info

Publication number
CN111353992A
CN111353992A CN202010163063.4A CN202010163063A CN111353992A CN 111353992 A CN111353992 A CN 111353992A CN 202010163063 A CN202010163063 A CN 202010163063A CN 111353992 A CN111353992 A CN 111353992A
Authority
CN
China
Prior art keywords
agricultural product
defect
image set
threshold
preset
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.)
Granted
Application number
CN202010163063.4A
Other languages
English (en)
Other versions
CN111353992B (zh
Inventor
刘媛媛
粟容
刘源杰
湛蜀湘
丁羽
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.)
Tarim University
Original Assignee
Tarim University
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 Tarim University filed Critical Tarim University
Priority to CN202010163063.4A priority Critical patent/CN111353992B/zh
Publication of CN111353992A publication Critical patent/CN111353992A/zh
Application granted granted Critical
Publication of CN111353992B publication Critical patent/CN111353992B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
    • 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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8874—Taking dimensions of defect into account
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8877—Proximity analysis, local statistics
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Animal Husbandry (AREA)
  • Economics (AREA)
  • Agronomy & Crop Science (AREA)
  • Human Resources & Organizations (AREA)
  • Multimedia (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Mining & Mineral Resources (AREA)
  • Signal Processing (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明实施例提供一种基于纹理特征的农产品缺陷检测方法及系统。该方法包括：获取农产品原始图像集合，对所述农产品原始图像集合进行预处理，得到预处理农产品图像集合；基于所述预处理农产品图像集合中的正常样本图像，得到反射强度分割阈值或反射率阈值；对所述预处理农产品图像集合进行分环形区域分割，得到若干环形分割区域；基于所述反射强度分割阈值或所述反射率阈值，将所述若干环形分割区域中的正常区域和缺陷区域进行分割，汇总所有缺陷区域，得到缺陷区域检测结果。本发明实施例通过对正常农产品样本为分析对象，获取分割阈值，然后以缺陷样本为分析对象，对缺陷样本阈值分割准确获取缺陷位置。

Description

一种基于纹理特征的农产品缺陷检测方法及系统
技术领域
本发明涉及图像处理技术领域，尤其涉及一种基于纹理特征的农产品缺陷检测方法及系统。
背景技术
中国是一个农产品出口大国，但农产品的出口受相应的检测技术影响，大量农产品不能完全符合国际对出口农产品的要求，成为当今阻碍农产品出口的重要并且非常严重的一个问题。由于许多农产品不能通过进口国的检测，导致待出口的农产品不能顺利出口，影响农民的收益，影响中国的贸易发展，更影响中国在国际上的形象。
光学系统在检测农产品外部缺陷有快速、无损等优点，但在检测不规则立体农产品(如梨、苹果、白菜等)时由于缺陷位置不同导致检测正确率下降。目前还没有依据与检测单元距离将农产品分区域，针对不同高度区域分别使用缺陷识别算法检测缺陷的方法。
发明内容
本发明实施例提供一种基于纹理特征的农产品缺陷检测方法及系统，用以解决现有技术中对农产品缺陷在线检测正确率较低的缺陷。
第一方面，本发明实施例提供一种基于纹理特征的农产品缺陷检测方法，包括：
获取农产品原始图像集合，对所述农产品原始图像集合进行预处理，得到预处理农产品图像集合；
基于所述预处理农产品图像集合中的正常样本图像，得到反射强度分割阈值或反射率阈值；
对所述预处理农产品图像集合进行分环形区域分割，得到若干环形分割区域；
基于所述反射强度分割阈值或所述反射率阈值，将所述若干环形分割区域中的正常区域和缺陷区域进行分割，汇总所有缺陷区域，得到缺陷区域检测结果。
优选地，该方法还包括：
通过预设统计软件，获取缺陷区域的验证像素点个数，与所述缺陷区域检测结果中的像素点个数进行对比，建立数据对比模型，对所述缺陷区域检测结果进行验证。
优选地，该方法还包括：
从缺陷区域中获取预设大小的感兴趣区域；
在所述感兴趣区域中获取缺陷区域的灰度共生矩阵；
从所述灰度共生矩阵中提取纹理特征值，采用预设分析模型对所述纹理特征值进行检测，得到缺陷类别。
优选地，所述获取农产品原始图像集合，对所述农产品原始图像集合进行预处理，得到预处理农产品图像集合，具体包括：
采用预设图像采集系统进行香梨图像的采集；
对采集的农产品图像进行预设效果校正，得到香梨校正图像集合；
获取所述农产品校正图像集合的若干预设特征图像集合。
优选地，所述对所述预处理农产品图像集合进行分环形区域分割，得到若干环形分割区域，具体包括：
将所述若干预设特征图像集合中的非关注区域部分去除，从所述若干预设特征图像集合的最大直径处进行分离，并对边缘坐标点进行曲线拟合，基于等距曲线算法获取所述若干环形分割区域。
第二方面，本发明实施例提供一种基于纹理特征的农产品缺陷检测系统，包括：
获取模块，用于获取农产品原始图像集合，对所述农产品原始图像集合进行预处理，得到预处理农产品图像集合；
第一处理模块，用于基于所述预处理农产品图像集合中的正常样本图像，得到反射强度分割阈值或反射率阈值；
分割模块，用于对所述预处理农产品图像集合进行分环形区域分割，得到若干环形分割区域；
第二处理模块，用于基于所述反射强度分割阈值或所述反射率阈值，将所述若干环形分割区域中的正常区域和缺陷区域进行分割，汇总所有缺陷区域，得到缺陷区域检测结果。
优选地，该系统还包括：
验证模块，用于通过预设统计软件，获取缺陷区域的验证像素点个数，与所述缺陷区域检测结果中的像素点个数进行对比，建立数据对比模型，对所述缺陷区域检测结果进行验证。
优选地，该系统还包括：
特征检测模块，用于从缺陷区域中获取预设大小的感兴趣区域；在所述感兴趣区域中获取缺陷区域的灰度共生矩阵；从所述灰度共生矩阵中提取纹理特征值，采用预设分析模型对所述纹理特征值进行检测，得到缺陷类别。
第三方面，本发明实施例提供一种电子设备，包括：
存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现任一项所述基于纹理特征的农产品缺陷检测方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现任一项所述基于纹理特征的农产品缺陷检测方法的步骤。
本发明实施例提供的基于纹理特征的农产品缺陷检测方法及系统，通过对正常农产品样本为分析对象，获取分割阈值，然后以缺陷样本为分析对象，对缺陷样本阈值分割准确获取缺陷位置。
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，下面描述中的附图是本发明的一些实施例，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，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的整体方案流程图；
图2为本发明实施例提供的一种基于纹理特征的农产品缺陷检测方法流程图；
图3为本发明实施例提供的最小二乘定性分析模型建模结果示意图；
图4为本发明实施例提供的一种基于纹理特征的农产品缺陷检测系统结构图；
图5为本发明实施例提供的电子设备的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。
针对现有技术存在的问题，本发明实施例以库尔勒香梨为检测样本，利用高光谱图像技术，通过SpecView软件采集高光谱图像及数据，并用MATLAB软件进行图像处理，得出缺陷区域。使用ENVI找出感兴趣区域的像素点建立数据对比模型验证各波段的正确率。建立偏最小二乘定性分析，验证整体研究对象的正确率。整体思路如图1所示。
图2为本发明实施例提供的一种基于纹理特征的农产品缺陷检测方法流程图，如图2所示，包括：
S1，获取农产品原始图像集合，对所述农产品原始图像集合进行预处理，得到预处理香梨图像集合；
S2，基于所述预处理农产品图像集合中的正常样本图像，得到反射强度分割阈值或反射率阈值；
S3，对所述预处理农产品图像集合进行分环形区域分割，得到若干环形分割区域；
S4，基于所述反射强度分割阈值或所述反射率阈值，将所述若干环形分割区域中的正常区域和缺陷区域进行分割，汇总所有缺陷区域，得到缺陷区域检测结果。
其中，该方法中步骤S1具体包括：
采用预设图像采集系统进行农产品图像的采集；
对采集的农产品图像进行预设效果校正，得到农产品校正图像集合；
获取所述农产品校正图像集合的若干预设特征图像集合。
其中，该方法中步骤S3具体包括：
将所述若干预设特征图像集合中的非关注区域部分去除，从所述若干预设特征图像集合的最大直径处进行分离，并对边缘坐标点进行曲线拟合，基于等距曲线算法获取所述若干环形分割区域。
具体地，首先是进行香梨样本的选取，试验所需材料来源于一般的水果店。正常样本均来源于同一批，排除新鲜程度的干扰，且色泽鲜艳，形状大小相似，表面没有明显的损伤。使用现代农业工程实验室的电子天平进行称重，根据重量进行编号，样本中最小单重为178g，最大单重为208g。在进行试验前，把买到的库尔勒香梨进行清洁，然后按照编号依次放入保鲜盒，储存于冰箱中，以备使用。
再采用预设图像采集系统，例如高光谱图像采集系统、多光谱图像采集系统或者普通的机器视觉图像进行图像采集预处理，本发明实施例采用高光谱图像采集系统对香梨进行图像预处理，使用的设备是现代农业工程实验室的北京卓立汉光仪器有限公司的高光谱分选系统。此系统主要是由计算机、卤素灯光源、CCD相机等结构组成。光谱的范围为900-1700nm，光谱分辨率为2nm，扫描速度100mages/s，相机像素320乘254。调整焦距，相机的高度和平台前进速度使得采集到的图像清晰，大小合适，不发生失真现象。通过反复的调整，平台的前进速度设定成1.8cm/s，相机的高度设定成26.5cm。图像采集用SpecView软件。整套的系统放置于黑暗的金属柜里以防受到外界环境光的干扰，试验样本按质量进行编号。
高光谱分选仪有254个波段，当处于不同波段时采集过程中受到的噪声干扰的程度也不同，光源强度弱的地方，受到噪声的影响越严重。在采像过程中摄像头暗电流的产生，对采集到的图像也会产生较大的噪声。因此高光谱采集图像以后要进行预设效果校正，即黑白校正，按如下公式计算：
Figure BDA0002406470050000061
其中If为校正后的高光谱图像，Iraw校正前的高光谱图像，B为反射强度(率)约为0％的黑帧图像(操作为：装上镜头盖，使镜头在全黑状态下采集到的图像)。W为反射强度(率)为99％的白帧图像(操作为：白板正对镜头采集到的图像)。
进一步地，对上述采集到的高光谱图像进行读取和分离，本发明实施例采用MATLAB软件，MATLAB程序中的主程序有好多个内核函数，工具包覆盖了图像处理、数据统计等相关方面，适用于图形绘制、算法验证、数值验证等方面的任务。本发明实施例使用的图像处理软件是MATLAB和ENVI。MATLAB通过打开.hdr文件获取图像的samples，lines，bands的数值，调用multibandread函数并设置文件名、文件地址和各类参数获取三维数据集，然后通过循环语句获取单个波段的图像。读取图像后对其进行图像处理，调用函数去除对图像处理影响较大的白板区域，然后对处理后的区域进行5次中值滤波，去除噪声信号。调用graythresh函数找出整幅图片的阈值。通过试验得知在全局阈值的基础之上减去0.15为最佳阈值，通过阈值进行分割：反射强度(率)值大于阈值的仍等于原先数据，否则令其为零。
可以理解的是，为了更精确地对目标区域进行识别，还需要对图像区域进行精确划分。根据三维反射强度(率)图像，反射强度(率)在图像中的分布近似呈锥形上升，根据这一特征对香梨进行分环形区域处理。整体思想：为方便曲线拟合去除梨柄，即本次检测中非关注区域，并从最大直径处分离，对边缘坐标点进行曲线拟合，利用等距曲线思想获取半环形区域。
此处，对拟合函数的选取是根据边缘坐标散点图的分布的特点，采用偏最小二乘法进行拟合，因为在MATLAB中超过四次拟合就会显示未正确设置条件，所以阶次不宜太高，四次拟合的残差模为28.09，三次拟合的残差模为58.613，二次拟合的残差模为61.776，残差模的值越小，拟合结果越好，通过比较得出四次拟合的效果最好。
利用上述拟合函数，结合法向等距曲线的基本思想，对图像进行分环形区域处理，具体方法如下：在拟合曲线上任取一点，记为(x，y)，过该点的切向斜率为k，该切线与x轴的夹角为θ，法向方向内径处与该点距离r的点的坐标为(x0，y0)。几何表达式如下：
x0＝x-r*sinθ
y0＝y+r*cosθ(2)
对拟合曲线设置法向距离r＝10，20......，采用循环语句得出所有的等距曲线，对等距曲线进行曲线拟合，使用MATLAB算法得出相邻等距曲线中所有点的坐标，并根据这些坐标得出对应的反射强度(率)。
本发明实施例选取正常样本10个，经试验得出每个样品分为15个区域最佳，区域过多不仅会使检测过程繁琐，而且拟合曲线间会出现交叉，造成检测结果错误。现有技术中得到高光谱图像的15个特征波段，本发明实施例以其中8个波段进行分析，分别对应波长964.3nm、1021.2nm、1069.1nm、1133.6nm、1149.8nm、1182.4nm、1208.6nm、1261.4nm。通过编程得出各个区域反射强度(率)集合的最小值，将值输入一个矩阵。为适合更多样本的研究，程序设置为嵌套循环，得出8*8*10和7*8*10的三维数据集，x方向为波段编号，y方向为区域编号，z方向为样本编号。通过对数据集，即若干预设特征图像集合进行处理得出样本各波段各区域最小值的平均值。
最后采用的检测方法是MATLAB算法，大致思路为：分别找出各区域反射强度(率)的最小值，与数据分析中样本对应区域的平均最小值进行对比，若待检测香梨该区域的最小值小于样本对应区域的最小值，则找出该区域中小于平均最小值的反射强度(率)对应的坐标，还原到未分割图像中，令小于平均最小值的反射强度(率)为0，这些点组成的区域即为损伤区域。为同时检测多个缺陷香梨，程序设置为嵌套循环系统。得出一个7*8矩阵，x方向为波段编号，y方向为样本编号，对应的元素即为各个样本不同波段检测出的损伤区域像素点个数。
本发明实施例通过对正常香梨样本为分析对象，获取分割阈值，然后以缺陷样本为分析对象，对缺陷样本阈值分割准确获取缺陷位置。
基于上述实施例，该方法还包括：
通过预设统计软件，获取缺陷区域的验证像素点个数，与所述缺陷区域检测结果中的像素点个数进行对比，建立数据对比模型，对所述缺陷区域检测结果进行验证。
具体地，本发明实施例采用另一款软件对前述实施例的检测结果进行验证，采用ENVI软件，ENVI是一个遥感影像处理软件，它可以读取、显示、分析各种类型的遥感数据，并提供了从影像预处理，信息提取和信息整合过程中所需要用到的所有工具。ENVI软件操作简单，功能十分丰富，受广大遥感爱好者的喜爱。本发明实施例使用ENVI软件选取损伤部位为感兴趣区域，统计感兴趣区域像素点的个数，与MATLAB检测出的损伤区域像素点的个数进行对比，建立数据对比模型，检测本研究的正确性。
此处，对其中7个样本在不同波段进行了验证，表1-表7分别展示了样本1-样本7的验证正确率。
表1
Figure BDA0002406470050000081
表2
Figure BDA0002406470050000091
表3
Figure BDA0002406470050000092
表4
Figure BDA0002406470050000093
Figure BDA0002406470050000101
表5
Figure BDA0002406470050000102
表6
Figure BDA0002406470050000103
表7
Figure BDA0002406470050000111
样本1、2、3、4、6、7均为病害损伤，样本5为摔伤，根据百分率可以看出，使用MATLAB进行图形处理对于水果损害(摔伤及病害)的检测是可行的。通过样本6和样本7的百分率对比可以看出这种方法对于边缘的检测的效果较差。
本发明实施例通过使用ENVI软件统计感兴趣区域的像素点个数建立数据对比模型，根据缺陷像素点的对比验证了各波段的正确率，结果表明这种方法是可行的，仅对于边缘的检测有一定的误差。
基于上述任一实施例，该方法还包括：
从缺陷区域中获取预设大小的感兴趣区域；
在所述感兴趣区域中获取缺陷区域的灰度共生矩阵；
从所述灰度共生矩阵中提取纹理特征值，采用预设分析模型对所述纹理特征值进行检测，得到缺陷类别。
具体地，在前述实施例已检测出香梨的缺陷区域基础上，进一步对缺陷的类型进行检测和识别。本发明实施例通过对纹理分析入手，纹理是一种图像特征，它可以反映像素的空间分布。虽然从局部看是不规则的，但是整体上具有一定的规律性。分析图像纹理的常用方法是从灰度共生矩阵的特征参数，根据这些参数分析图像的纹理特征。
首先是对感兴趣区域的获取，根据前述实施例中检测出的缺陷区域，可以得出所有病斑的坐标。为消除感兴趣区域大小造成的影响，使用如下方法确定感兴趣区域：从病斑的坐标中找出横、纵坐标的最大值和最小值，找出这四个值组成的矩形框的几何中心的坐标，以中心坐标为中心获取一个具有预设大小，例如20*20的感兴趣区域。
然后在上述感兴趣区域中获取灰度共生矩阵，灰度共生矩阵是灰度图像的矩阵按照一定的方向和步长得到的共生矩阵，它是提取图像纹理特征最常用的方法之一。对灰度共生矩阵按照一定的方法进行计算可以提取出它的特征值，能量，熵，惯性矩，相关性等，这些特征值可以反映图像的纹理。通过分析满足特定步长和方向的像素点之间的相关性，可以反映图像的灰度在特定方向，特定间隔，变化幅度及变化快慢上的所有信息。灰度共生矩阵的一般公式如下所示：
Pδ(i,j,d,θ)＝{((x,y),(x+Dx,y+Dy)|f(x,y)＝i；
|f(x+Dx,y+Dy)＝j)} (3)
公式中(x,y)表示图像中某一像素点的坐标，(x+Dx,y+Dy)是按照步长d，方向θ搜索到的对应的像素点坐标，θ一般可以选00,450,900,1350。水平方向用[0，D]表示，450方向用[-D，D]表示，900方向用[-D，0]表示，1350方向用[D，-D]表示。
本发明实施例根据上述原理得出的灰度共生矩阵，MATLAB程序编写大致思路如下：调用灰度共生矩阵函数graycomatrix，设置函数体中的灰度级为16，得出归一化到指定灰度级的矩阵SI，然后对SI求取步长为1，4个方向上的灰度共生矩阵。
分析灰度共生矩阵的参数有14个，而此处就能量、熵、惯性矩、相关性进行分析，常用的特征参数的表达式如下：
(1)能量C1：
Figure BDA0002406470050000121
(2)惯性矩C2：
Figure BDA0002406470050000122
(3)熵C3：
Figure BDA0002406470050000131
(4)相关性C4：
Figure BDA0002406470050000132
本发明实施例中求取的灰度共生矩阵是4个方向的，所以对应的单个特征量也有4个元素。为了使参数具有旋转不变性，所以求取特征量的平均值。本课题就8个波段，每个波段就4个特征量，一共32个特征量进行分析。
进一步地，为检验MATLAB算法检测香梨缺陷方法的正确性，建立预设分析模型，本发明实施例采用最小二乘定性分析(PLS)模型进行检测，PLS方法本质上是一种基于特征变量的回归方法，集成了主成分分析，典型相关分析，线性回归分析的优点。该模型以提取感兴趣区域灰度共生矩阵中反映纹理特性的32个特征量作为输入量x，将好梨设置为0，摔伤设置为1，黑斑病设置为2，青霉病设置为3，轮纹病设置为4，与x输入量一一对应，这个编号作为输入量y。主成分的取值并没有具体的要求，可以通过增加一个新成分后，能否对PLS模型的预测能力有明显的改善来进行取舍。输入‘va’表示使用的是偏最小二乘定性分析的模型。此次建模中采用4个主成分，建模的结果如图3所示。
由图可以看出此次建模成功率100％，说明该检测模型不仅可以检测出香梨的缺陷，而且可以准确的检测出该缺陷为何种缺陷。
本发明实施例根据纹理特征的特征量建立了偏最小二乘定性分析(PLS)模型，结果表明从整体上来看MATALB算法检测香梨缺陷是可行的，该检测模型不仅可以检测出香梨的缺陷，而且可以准确的检测出该缺陷为何种缺陷。
图4为本发明实施例提供的一种基于纹理特征的香梨缺陷检测系统结构图，如图4所示，包括：获取模块41、第一处理模块42、分割模块43和第二处理模块；其中：
获取模块41用于获取农产品原始图像集合，对所述农产品原始图像集合进行预处理，得到预处理农产品图像集合；第一处理模块42用于基于所述预处理农产品图像集合中的正常样本图像，得到反射强度分割阈值或反射率阈值；分割模块43用于对所述预处理农产品图像集合进行分环形区域分割，得到若干环形分割区域；第二处理模块44用于基于所述反射强度分割阈值或所述反射率阈值，将所述若干环形分割区域中的正常区域和缺陷区域进行分割，汇总所有缺陷区域，得到缺陷区域检测结果。
本发明实施例提供的系统用于执行上述对应的方法，其具体的实施方式与方法的实施方式一致，涉及的算法流程与对应的方法算法流程相同，此处不再赘述。
本发明实施例通过对正常香梨样本为分析对象，获取分割阈值，然后以缺陷样本为分析对象，对缺陷样本阈值分割准确获取缺陷位置。
基于上述实施例，该系统还包括验证模块45，所述验证模块45用于通过预设统计软件，获取缺陷区域的验证像素点个数，与所述缺陷区域检测结果中的像素点个数进行对比，建立数据对比模型，对所述缺陷区域检测结果进行验证。
本发明实施例通过使用ENVI软件统计感兴趣区域的像素点个数建立数据对比模型，根据缺陷像素点的对比验证了各波段的正确率，结果表明这种方法是可行的，仅对于边缘的检测有一定的误差。
基于上述任一实施例，该系统还包括特征检测模块46，所述特征检测模块46用于从缺陷区域中获取预设大小的感兴趣区域；在所述感兴趣区域中获取缺陷区域的灰度共生矩阵；从所述灰度共生矩阵中提取纹理特征值，采用预设分析模型对所述纹理特征值进行检测，得到缺陷类别。
本发明实施例根据纹理特征的特征量建立了偏最小二乘定性分析(PLS)模型，结果表明从整体上来看MATALB算法检测香梨缺陷是可行的，该检测模型不仅可以检测出香梨的缺陷，而且可以准确的检测出该缺陷为何种缺陷。
图5示例了一种电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令，以执行如下方法：获取农产品原始图像集合，对所述农产品原始图像集合进行预处理，得到预处理农产品图像集合；基于所述预处理农产品图像集合中的正常样本图像，得到反射强度分割阈值或反射率阈值；对所述预处理农产品图像集合进行分环形区域分割，得到若干环形分割区域；基于所述反射强度分割阈值或所述反射率阈值，将所述若干环形分割区域中的正常区域和缺陷区域进行分割，汇总所有缺陷区域，得到缺陷区域检测结果。
此外，上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法，例如包括：获取农产品原始图像集合，对所述农产品原始图像集合进行预处理，得到预处理农产品图像集合；基于所述预处理农产品图像集合中的正常样本图像，得到反射强度分割阈值或反射率阈值；对所述预处理农产品图像集合进行分环形区域分割，得到若干环形分割区域；基于所述反射强度分割阈值或所述反射率阈值，将所述若干环形分割区域中的正常区域和缺陷区域进行分割，汇总所有缺陷区域，得到缺陷区域检测结果。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于纹理特征的农产品缺陷检测方法，其特征在于，包括：
获取农产品原始图像集合，对所述农产品原始图像集合进行预处理，得到预处理农产品图像集合；
基于所述预处理农产品图像集合中的正常样本图像，得到反射强度分割阈值或反射率阈值；
对所述预处理农产品图像集合进行分环形区域分割，得到若干环形分割区域；
基于所述反射强度分割阈值或所述反射率阈值，将所述若干环形分割区域中的正常区域和缺陷区域进行分割，汇总所有缺陷区域，得到缺陷区域检测结果。
2.根据权利要求1所述的基于纹理特征的农产品缺陷检测方法，其特征在于，该方法还包括：
通过预设统计软件，获取缺陷区域的验证像素点个数，与所述缺陷区域检测结果中的像素点个数进行对比，建立数据对比模型，对所述缺陷区域检测结果进行验证。
3.根据权利要求1所述的基于纹理特征的农产品缺陷检测方法，其特征在于，该方法还包括：
从缺陷区域中获取预设大小的感兴趣区域；
在所述感兴趣区域中获取缺陷区域的灰度共生矩阵；
从所述灰度共生矩阵中提取纹理特征值，采用预设分析模型对所述纹理特征值进行检测，得到缺陷类别。
4.根据权利要求1所述的基于纹理特征的农产品缺陷检测方法，其特征在于，所述获取农产品原始图像集合，对所述农产品原始图像集合进行预处理，得到预处理农产品图像集合，具体包括：
采用预设图像采集系统进行农产品图像的采集；
对采集的农产品图像进行预设效果校正，得到农产品校正图像集合；
获取所述农产品校正图像集合的若干预设特征图像集合。
5.根据权利要求4所述的基于纹理特征的农产品缺陷检测方法，其特征在于，所述对所述预处理农产品图像集合进行分环形区域分割，得到若干环形分割区域，具体包括：
将所述若干预设特征图像集合中的非关注区域部分去除，从所述若干预设特征图像集合的最大直径处进行分离，并对边缘坐标点进行曲线拟合，基于等距曲线算法获取所述若干环形分割区域。
6.一种基于纹理特征的农产品缺陷检测系统，其特征在于，包括：
获取模块，用于获取农产品原始图像集合，对所述农产品原始图像集合进行预处理，得到预处理农产品图像集合；
第一处理模块，用于基于所述预处理农产品图像集合中的正常样本图像，得到反射强度分割阈值或反射率阈值；
分割模块，用于对所述预处理农产品图像集合进行分环形区域分割，得到若干环形分割区域；
第二处理模块，用于基于所述反射强度分割阈值或所述反射率阈值，将所述若干环形分割区域中的正常区域和缺陷区域进行分割，汇总所有缺陷区域，得到缺陷区域检测结果。
7.根据权利要求6所述的基于纹理特征的农产品缺陷检测系统，其特征在于，该系统还包括：
验证模块，用于通过预设统计软件，获取缺陷区域的验证像素点个数，与所述缺陷区域检测结果中的像素点个数进行对比，建立数据对比模型，对所述缺陷区域检测结果进行验证。
8.根据权利要求6所述的基于纹理特征的农产品缺陷检测系统，其特征在于，该系统还包括：
特征检测模块，用于从缺陷区域中获取预设大小的感兴趣区域；在所述感兴趣区域中获取缺陷区域的灰度共生矩阵；从所述灰度共生矩阵中提取纹理特征值，采用预设分析模型对所述纹理特征值进行检测，得到缺陷类别。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述基于纹理特征的农产品缺陷检测方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至5任一项所述基于纹理特征的农产品缺陷检测方法的步骤。
CN202010163063.4A 2020-03-10 2020-03-10 一种基于纹理特征的农产品缺陷检测方法及系统 Active CN111353992B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010163063.4A CN111353992B (zh) 2020-03-10 2020-03-10 一种基于纹理特征的农产品缺陷检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010163063.4A CN111353992B (zh) 2020-03-10 2020-03-10 一种基于纹理特征的农产品缺陷检测方法及系统

Publications (2)

Publication Number Publication Date
CN111353992A true CN111353992A (zh) 2020-06-30
CN111353992B CN111353992B (zh) 2023-04-07

Family

ID=71197328

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010163063.4A Active CN111353992B (zh) 2020-03-10 2020-03-10 一种基于纹理特征的农产品缺陷检测方法及系统

Country Status (1)

Country Link
CN (1) CN111353992B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112605000A (zh) * 2020-12-03 2021-04-06 苏州天立达胶粘制品有限公司 一种模切片材自动光学检测方法及其设备
CN113822893A (zh) * 2021-11-24 2021-12-21 中导光电设备股份有限公司 一种基于纹理特征的液晶面板外围电路检测方法和系统
CN116046819A (zh) * 2023-04-03 2023-05-02 四川中科高能科技发展有限责任公司 一种基于辐照可用物品从而实现可用物品色泽识别方法

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1589449A (zh) * 2001-10-03 2005-03-02 雷蒂纳尔兹丹麦公司 评估图像中的损伤
US20070195315A1 (en) * 2002-03-21 2007-08-23 Boris Goldberg Method and system for detecting defects
US20100207620A1 (en) * 2006-10-17 2010-08-19 Gies Paul D Inspection apparatus and method
CN103872983A (zh) * 2014-04-04 2014-06-18 天津市鑫鼎源科技发展有限公司 太阳能电池表面缺陷检测设备及方法
CN104359918A (zh) * 2014-11-06 2015-02-18 杭州电子科技大学 一种扬声器纸盆的表面缺陷检测方法
CN106353340A (zh) * 2016-10-18 2017-01-25 厦门威芯泰科技有限公司 一种棒状高反射率零件表面缺陷检测方法
CN106442564A (zh) * 2016-10-17 2017-02-22 中国科学院上海光学精密机械研究所 大口径超光滑表面缺陷的检测装置和检测方法
CN106851062A (zh) * 2017-02-04 2017-06-13 同济大学 一种基于机器视觉的焊缝识别装置
CN206339267U (zh) * 2016-12-16 2017-07-18 塔里木大学 一种基于计算机视觉技术的红枣大小检测装置
CN107656387A (zh) * 2017-09-27 2018-02-02 电子科技大学 一种液晶屏对位偏移缺陷检测方法
CN207832706U (zh) * 2017-12-27 2018-09-07 东莞越视光电科技有限公司 一种镜面弧形物体缺陷检测光源
CN109187578A (zh) * 2018-09-03 2019-01-11 贵阳学院 基于高光谱成像技术的猕猴桃表面缺陷快速无损识别方法
CN109829906A (zh) * 2019-01-31 2019-05-31 桂林电子科技大学 一种基于方向场与纹理特征的工件缺陷检测与分类方法
CN110392902A (zh) * 2016-08-19 2019-10-29 莫维迪厄斯有限公司 使用稀疏体积数据的操作

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1589449A (zh) * 2001-10-03 2005-03-02 雷蒂纳尔兹丹麦公司 评估图像中的损伤
US20070195315A1 (en) * 2002-03-21 2007-08-23 Boris Goldberg Method and system for detecting defects
US20100207620A1 (en) * 2006-10-17 2010-08-19 Gies Paul D Inspection apparatus and method
CN103872983A (zh) * 2014-04-04 2014-06-18 天津市鑫鼎源科技发展有限公司 太阳能电池表面缺陷检测设备及方法
CN104359918A (zh) * 2014-11-06 2015-02-18 杭州电子科技大学 一种扬声器纸盆的表面缺陷检测方法
CN110392902A (zh) * 2016-08-19 2019-10-29 莫维迪厄斯有限公司 使用稀疏体积数据的操作
CN106442564A (zh) * 2016-10-17 2017-02-22 中国科学院上海光学精密机械研究所 大口径超光滑表面缺陷的检测装置和检测方法
CN106353340A (zh) * 2016-10-18 2017-01-25 厦门威芯泰科技有限公司 一种棒状高反射率零件表面缺陷检测方法
CN206339267U (zh) * 2016-12-16 2017-07-18 塔里木大学 一种基于计算机视觉技术的红枣大小检测装置
CN106851062A (zh) * 2017-02-04 2017-06-13 同济大学 一种基于机器视觉的焊缝识别装置
CN107656387A (zh) * 2017-09-27 2018-02-02 电子科技大学 一种液晶屏对位偏移缺陷检测方法
CN207832706U (zh) * 2017-12-27 2018-09-07 东莞越视光电科技有限公司 一种镜面弧形物体缺陷检测光源
CN109187578A (zh) * 2018-09-03 2019-01-11 贵阳学院 基于高光谱成像技术的猕猴桃表面缺陷快速无损识别方法
CN109829906A (zh) * 2019-01-31 2019-05-31 桂林电子科技大学 一种基于方向场与纹理特征的工件缺陷检测与分类方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ABD EL-RAHMAN, A. A.等: "Detecting the external defects of potato tubers using a visible laser" *
LIU, YY等: "Exploration of Rail Defects Detection System" *
詹映: "基于机器视觉南疆红枣颜色分级方法研究" *
钱佳立: "球体表面缺陷检测方法及关键技术研究" *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112605000A (zh) * 2020-12-03 2021-04-06 苏州天立达胶粘制品有限公司 一种模切片材自动光学检测方法及其设备
CN113822893A (zh) * 2021-11-24 2021-12-21 中导光电设备股份有限公司 一种基于纹理特征的液晶面板外围电路检测方法和系统
CN116046819A (zh) * 2023-04-03 2023-05-02 四川中科高能科技发展有限责任公司 一种基于辐照可用物品从而实现可用物品色泽识别方法

Also Published As

Publication number Publication date
CN111353992B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN111815630B (zh) 一种用于lcd屏幕的缺陷检测方法、装置
CN111353992B (zh) 一种基于纹理特征的农产品缺陷检测方法及系统
CN108416344B (zh) 眼底彩照视盘与黄斑定位识别方法
Sahu et al. Identification and classification of mango fruits using image processing
CN113608378B (zh) 一种基于lcd制程的全自动缺陷检测方法和系统
Kim et al. Detection of pinholes in almonds through x–ray imaging
CN108889635B (zh) 一种易拉罐制造缺陷在线视觉检测方法
Chen et al. Evaluating fabric pilling with light-projected image analysis
CN111582359A (zh) 一种图像识别方法、装置、电子设备及介质
CN116563237B (zh) 一种基于深度学习的鸡胴体缺陷高光谱图像检测方法
CN111122590A (zh) 一种陶瓷表面缺陷检测装置及检测方法
CN115980095A (zh) 一种基于机器视觉的芯片外观检测方法及系统
US11068740B2 (en) Particle boundary identification
CN116434206A (zh) 一种基于机器视觉技术的棉花质量性状检测方法
CN117392112A (zh) 一种晶圆表面缺陷的检测方法、装置及系统
CN118275449A (zh) 铜带表面缺陷检测方法、装置及设备
Tian et al. Detection of early bruises on apples using near‐infrared camera imaging technology combined with adaptive threshold segmentation algorithm
Hassoon Classification and Diseases Identification of Mango Based on Artificial Intelligence: A Review
CN109682821A (zh) 一种基于多尺度高斯函数的柑橘表面缺陷检测方法
CN113269758A (zh) 一种基于机器视觉的卷烟外观检测方法及测试装置
CN116129365B (zh) 输送设备上颗粒物料的检测方法和系统
CN116958058A (zh) 镜头脏污检测方法、装置及图像检测设备
CN116258703A (zh) 缺陷检测方法、装置、电子设备及计算机可读存储介质
CN115082819A (zh) 食品异物检测方法、装置、计算机设备及存储介质
CN115343313A (zh) 基于人工智能的视觉识别方法

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
GR01 Patent grant
GR01 Patent grant