CN113421297B - 一种草莓的形状对称性分析方法 - Google Patents

Abstract

本发明公开了一种草莓的形状对称性分析方法，包括如下分析步骤：Q1：取待测草莓并横放在托盘上，跟随传送带进入视觉检测系统，获取草莓的彩色图像并进行计算分析；Q2：彩色图像的前景区域提取；Q3：提取果肉区域、果柄区域的颜色信息，进行形态学处理；Q4：提取草莓的方向；Q5：提取果肉区域的轮廓起始点；Q6：提取果肉区域的轮廓点集合；Q7：调整轮廓点集合并进行高斯平滑；Q8：构建草莓的几何相似性评价函数；Q9：构建标准型评价函数；Q10：采用线性融合的方式对草莓的对称性进行综合评价。本发明采用几何对称性和标准形评价融合的方式避免了草莓形状畸形对称时对结果的影响，同时引入经验权重参数，使得评价结果更符合真实审美需求。

Description

一种草莓的形状对称性分析方法

技术领域

本发明涉及形状对称性分析方法，尤其涉及一种草莓的形状对称性分析方法。

背景技术

自然界的许多水果都存在一定的对称性，对称性好的水果具有更佳的美感，且大多消费者会给对称性高的水果较高的价位等级。草莓是一种易损性水果，且消费者对草莓的对称外形有较高的要求，因此，需要一种有效的分析草莓的对称性方法，能够对草莓的对称性进行快速无损的检测。

发明内容

本发明针对现有技术中存在的对草莓的对称外形分析方法无法满足快速无损检测的要求等缺陷，提供了新的一种草莓的形状对称性分析方法。

为了解决上述技术问题，本发明通过以下技术方案实现：

一种草莓的形状对称性分析方法，包括如下分析步骤：

Q1：取待测草莓，并横放在托盘上，然后所述托盘跟随传送带进入视觉检测系统，所述视觉检测系统获取所述草莓的彩色图像并传输至上位机软件系统进行计算分析；

Q2：彩色图像的前景区域提取：将原始的彩色图像进行RGB颜色空间的转换，将RGB颜色空间的颜色H和亮度V分量分离出来，利用颜色和亮度信息进行前景提取，具体的分离公式如下：

V＝max(R，G，B)

Δ＝max(R，G，B)-min(R，G，B)，

然后设定融合阈值，将颜色H和亮度V进行加权融合，得到新的待分灰度图像G，其中亮度权重β，颜色的权重为α，具体融合计算公式如下：

通过融合计算后，再基于最大类间方差法OTSU对待分灰度图像G进行分割，完成前景区域目标二值图I^Bin的提取，并设置标记为255；

Q3：果柄区域的分割：提取所述草莓的果肉区域、果柄区域的颜色信息，所述果肉区域的颜色偏红色，接近果柄区域的颜色接近白色，所述果柄区域的颜色偏绿，然后构建基于超G的分隔方法，在前景区域目标二值图I^Bin中构建响应图F，再结合经验阈伯

所述响应图F中的像素坐标为(j，i)，所述草莓的果肉区域标记图T的判定公式为：

然后，对分离的果肉区域、果柄区域进行形态学处理，获得边缘相对平滑的所述果肉区域和所述果柄区域；

Q4：提取草莓的方向：利用所述果柄区域的质心P^B和所述果肉区域的质心P^S构建所述草莓的初始方向向量V^D，V^D＝P^S-P^B；

Q5：提取果肉区域的轮廓起始点：在所述草莓的果肉区域标记图T中，从所述质心P^S出发，沿着所述草莓的初始方向向量V^D并利用DDA扫描线方法进行扫描，直到找到所述果肉区域的边界点C^S，设为所述果肉区域的轮廓起始点；

Q6：提取果肉区域的轮廓点集合：从所述边界点C^S出发，分别沿两个方向将所述果肉区域的轮廓提取出来，构建轮廓点集合L^S、R^S，所述轮廓点集合L^S、R^S提取结束的标志为L^S、R^S的点重合或L^S、R^S的点集合扫描到了所述果柄区域；

Q7：调整轮廓点集合：计算所述质心P^S到所述轮廓点集合L^S、R^S中各轮廓点的距离，并进行高斯平滑，将平滑后的所述轮廓点集合中距离所述质心P^S最远的索引点作为所述果肉区域的对称轴点C^X，然后基于所述对称轴点C^X重新分割所述果肉区域的左右轮廓，即设调整后的对称轮廓为A^L、A^R；

Q8：构建草莓的几何相似性评价函数：以所述质心P^S为起点，再依次选取对称轮廓A^L、A^R中的轮廓点，构建相对所述质心P^S的左右轮廓点的距离列表，左右轮廓点的对数设为N，然后基于所述距离列表构建所述草莓的几何相似性评价函数，具体如下：

Q9：构建标准型评价函数：以类似三角形的草莓形状为标准形状，通过数据统计的方法获取标准形状并构建归一化的经验标准型，再以经验标准型为参照构建草莓形状相对经验标准型的相似性距离，拟合因子设为sr，再构建类标准型L^std的表达公式：L^std＝h^t*sr/H，其中H为采样高度数值，hⁱ为第i点采样高度，然后构建标准型评价函数Φ^std，具体如下：

Q10：采用线性融合的方式对所述草莓的对称性进行综合评价，构建评价函数Φ^soc如下：

其中，λ、κ分别为经验权重参数，最终采用评价函数Φ^soc对所述草莓的对称性进行评价。

在步骤Q1中，托盘用于盛放待测的草莓，并且待测草莓要求横放在托盘上，便于后续工序进行数据采集。

在步骤Q2中，草莓图片中的目标前景区域提取是后续的分析和计算的基础。整个草莓的目标区域可以分为两大部分：果肉区域和果柄区域。草莓目标区域的提取受到两个关键因素的影响，采用常规的阈值法或最大类间方差方法效果不理想，主要原因为：首先，虽然果肉和果柄区域的像素灰度强度信息整体大于托盘区域，但是受到草莓的不规则形状的影响，部分区域光照受到影响，亮度不均匀；其次，部分的草莓的果肉区域呈白色，单纯的使用颜色特征信息进行目标区域提取会受到托盘影响，提取的目标区域引入背景的干扰。因此，此处引入步骤Q2的基于颜色和亮度融合的前景区域提取策略。

在步骤Q3中，为了排除草莓的果柄区域对后续草莓形状分析的影响，此处实现果肉区域和果柄区域的图像的分割。由于草莓的果肉区域的颜色偏红，接近果柄区域的颜色接近白色，果柄区域颜色偏绿，有时果柄部分区域呈现微黄色，因此，此处构建基于超G的分隔方法。

另外，由于草莓的果柄区域叶子分布相对杂乱，部分在果肉区域和果柄区域交接的区域连通体分割的效果并不平滑，因此，步骤Q3分别对分离的果肉区域和果柄区域进行形态学处理。

在步骤Q4中，由于草莓的形状是镜像对称的，为获取有效的对称轮廓，首先需要提取草莓的对称轴方向。由于草莓的对称方向总体基于果柄和果肉的方向对称，因此步骤Q4首先利用果柄区域质心和果肉区域的质心构建草莓初始方向向量。

步骤Q5利用草莓形状上的一个先验特征：草莓的果肉顶端一般会有一个几何的极值点。如果草莓形状基本规则，则果肉区域的对称轴都会穿过其连通体在草莓方向上的几何的极值点。步骤Q5借鉴上述先验特征来找寻果肉区域的边界点C^S。

步骤Q6基于草莓质心为中心位置，计算其相对轮廓点集合的距离。果肉区域的轮廓点若在几何上为极值点，则位置会处于相对质心位置的最远点。因此，利用质心和轮廓点之间的距离作为标准对称轴筛选的判定条件。步骤Q6是在标准对称轴筛选的基础上构建轮廓点集合L^S、R^S。

由于步骤Q6中从边界点C^S出发构建的对称轮廓点集合L^S、R^S并不一定是最准确的草莓对称轮廓点位置，因此对称轮廓点集合需要进行适当的平滑调整，以满足表征草莓的对称轮廓的性质。

在步骤Q8中，由于草莓的大小不同，因此即便是通过采样之后得到的轮廓信息长度也不同，此处通过统一设定轮廓点对数N，保证最终相似性评价标准的统一性。同时在计算边界对称轮廓A^L、A^R距离T^L(j)时，同样需要通过强制归一化保证最终的评价结果范围不受草莓形状和尺度的影响，便于统一评价。

在步骤Q9中，草莓的对称性分析需要两个方面的考虑：

1、几何形状的对称性：考虑形态上的对称性，对称性越好的果形表示其品质越高；

2、几何形状的标准性：考虑草莓形状的特殊性，其不仅需要对称，更需要类似于三角形的标准草莓形态，因此需要构建草莓形状同标准草莓形状的相似性度量。

步骤Q9通过数据统计的方法获取标准形状，此处为简单快速响应，以经验值构建了经验标准形，以归一化的经验标准形为参照，构建形状相对标准型的标准型评价函数Φ^std。

在步骤Q10中，采用几何对称性和标准形评价融合的方式避免了草莓形状畸形对称(如呈现方形、多边形)时对结果的影响，同时引入经验权重参数对草莓的形状进行判定，使得评价结果更符合人的真实审美需求。

作为优选，上述所述的一种草莓的形状对称性分析方法，所述λ为0.3～0.9，所述κ为0.1～0.7。

通过线性融合的方式既可以满足对草莓对称性的评价要求，同时兼顾消费者对良好草莓形状所体现的判定需求，上述数值是根据现场实际分选时的需求进行人为调整的最佳数值。

作为优选，上述所述的一种草莓的形状对称性分析方法，所述亮度权重β为0.4，所述颜色权重α为0.6。

由于草莓的品种各异，对于色彩鲜艳的草莓，颜色的权重须更高，以便于稳定的分割出草莓区域，但是对于色彩较淡且果柄部分灰偏黄的样品来说，组合亮度更有利于补充颜色特征，以便于分割出不稳定部分，让整个样品的分割过程减少来自草莓品种差异带来的对分割性能稳定性的冲击干扰。

作为优选，上述所述的一种草莓的形状对称性分析方法，所述拟合因子sr为0.6～0.8。

由于标准形状受到消费者的主观影响较大，不同用户对草莓的标准形状的判定略有差异，为此，拟合因子sr的设定能用来调整标准形的拟合调整参数，通过参数的调节能更好的满足不同用户对于标准形状的理解，更好的匹配用户的分选要求。

作为优选，上述所述的一种草莓的形状对称性分析方法，所述步骤Q5中，从所述质心P^S出发，利用DDA扫描线方法找到所述果肉区域的边界点C^S，具体步骤如下：

S1：首先利用DDA扫描线方法找到向量V^D所在的扫描线，计算出所述扫描线的斜率K，K＝Y/X，其中Y为扫描线在y轴上的值，X为扫描线在x轴上的值，再令i为扫描线上的点索引，则有如下情况：

当|K|≤1时，

当|K|≥1时，

当|K|不存在时，所述扫描线是一条垂直的线，则X^P(i+1)＝X^P(i)；

S2：所述扫描线不断向两边延伸，直到满足T(X^P(i)，Y^P(i))＝0条件，则所述扫描线找到了所述果肉区域的边缘，此处的坐标即为边界点C^S的位置。

上述步骤中，采用扫描线向两边延伸的方式，不断探测是否满足结束条件，整个过程完全由草莓样品自身的数据驱动。DDA扫描线方法具有更好的适应性，扫描的整个过程不受草莓的形状、尺度因素的影响，完全不受阈值的干预，整个边界判定的计算完全自适应。

作为优选，上述所述的一种草莓的形状对称性分析方法，所述步骤Q3的形态学处理中，还包括采用碟形结构元件对所述草莓进行腐蚀膨胀处理。

彩色图像通过碟形结构元件进行一次腐蚀和膨胀操作，完成对细小且不平滑的连通体的去除，得到了完整的、边缘相对平滑的目标果肉区域和果柄区域。

作为优选，上述所述的一种草莓的形状对称性分析方法，在400*400像素尺寸的所述前景区域目标二值图I^Bin中，所述碟形结构元件的尺寸为7像素。

碟形结构元件的尺寸影响腐蚀膨胀的效果。尺寸过大会影响草莓连通体区域的原始形状，导致草莓自身棱角等形状的缺失，尺度过小则不能达到去除连通体周围不平滑的噪声的干扰。为此，通过大量实验，在400*400像素尺寸的所述前景区域目标二值图I^Bin中，碟形结构元件尺寸设置为7像素时，能达到最佳的滤波效果。

作为优选，上述所述的一种草莓的形状对称性分析方法，所述步骤Q3中，所述经验阈值

为0.55。

通过大量实验，经验阈值

设为0.55时，常规红色草莓果肉的分割效果良好，对于偏白色的草莓品种也同样能够达到良好的分割效果。

作为优选，上述所述的一种草莓的形状对称性分析方法，所述步骤Q2中，R，G，B分别为所述响应图F的三个颜色通道，F＝2R-B-G。

由于草莓果肉区域总体为红色，红色的响应最强，同时绿色通常在果柄区域响应强，为此通过差分的方式更容易区分二者之间的差异。同时，在背景区域颜色通常为黑色或灰色，通过差分绿色和蓝色的总和“2R-B-G”更有利于剔除背景中托盘、支架等的影响。

附图说明

图1为本发明的结构示意图；

图2为本发明步骤Q4中草莓的方向提取示意图；

图3为本发明步骤Q5中果肉区域的轮廓起始点提取示意图；

图4为本发明步骤Q6中提取果肉区域的轮廓点集合示意图；

图5为本发明实施例4中草莓样本1的示意图；

图6为本发明实施例4中草莓样本2的示意图。

具体实施方式

下面结合附图1-6和具体实施方式对本发明作进一步详细描述，但它们不是对本发明的限制：

实施例1

一种草莓的形状对称性分析方法，包括如下分析步骤：

Q1：取待测草莓，并横放在托盘1上，然后所述托盘1跟随传送带进入视觉检测系统2，所述视觉检测系统2获取所述草莓的彩色图像并传输至上位机软件系统3进行计算分析；

Q2：彩色图像的前景区域提取：将原始的彩色图像进行RGB颜色空间的转换，将RGB颜色空间的颜色H和亮度V分量分离出来，利用颜色和亮度信息进行前景提取，具体的分离公式如下：

V＝max(R，G，B)

Δ＝max(R，G，B)-min(R，G，B)

然后设定融合阈值，将颜色H和亮度V进行加权融合，得到新的待分灰度图像G，其中亮度权重β，颜色的权重为α，具体融合计算公式如下：

通过融合计算后，再基于最大类间方差法OTSU对待分灰度图像G进行分割，完成前景区域目标二值图I^Bin的提取，并设置标记为255；

Q3：果柄区域的分割：提取所述草莓的果肉区域、果柄区域的颜色信息，所述果肉区域的颜色偏红色，接近果柄区域的颜色接近白色，所述果柄区域的颜色偏绿，然后构建基于超G的分隔方法，在前景区域目标二值图I^Bin中构建响应图F，再结合经验阈值

所述响应图F中的像素坐标为(j，i)，所述草莓的果肉区域标记图T的判定公式为：

然后，对分离的果肉区域、果柄区域进行形态学处理，获得边缘相对平滑的所述果肉区域和所述果柄区域；

Q4：提取草莓的方向：利用所述果柄区域的质心P^B和所述果肉区域的质心P^S构建所述草莓的初始方向向量V^D，V^D＝P^S-P^B；

Q5：提取果肉区域的轮廓起始点：在所述草莓的果肉区域标记图T中，从所述质心P^S出发，沿着所述草莓的初始方向向量V^D并利用DDA扫描线方法进行扫描，直到找到所述果肉区域的边界点C^S，设为所述果肉区域的轮廓起始点；

Q6：提取果肉区域的轮廓点集合：从所述边界点C^S出发，分别沿两个方向将所述果肉区域的轮廓提取出来，构建轮廓点集合L^S、R^S，所述轮廓点集合L^S、R^S提取结束的标志为L^S、R^S的点重合或L^S、R^S的点集合扫描到了所述果柄区域；

Q7：调整轮廓点集合：计算所述质心P^S到所述轮廓点集合L^S、R^S中各轮廓点的距离，并进行高斯平滑，将平滑后的所述轮廓点集合中距离所述质心P^S最远的索引点作为所述果肉区域的对称轴点C^X，然后基于所述对称轴点C^X重新分割所述果肉区域的左右轮廓，即设调整后的对称轮廓为A^L、A^R；

Q8：构建草莓的几何相似性评价函数：以所述质心P^S为起点，再依次选取对称轮廓A^L、A^R中的轮廓点，构建相对所述质心P^S的左右轮廓点的距离列表，左右轮廓点的对数设为N，然后基于所述距离列表构建所述草莓的几何相似性评价函数，具体如下：

Q9：构建标准型评价函数：以类似三角形的草莓形状为标准形状，通过数据统计的方法获取标准形状并构建归一化的经验标准型，再以经验标准型为参照构建草莓形状相对经验标准型的相似性距离，拟合因子设为sr，再构建类标准型L^std的表达公式：L^std＝hⁱ*sr/H，其中H为采样高度数值，hⁱ为第i点采样高度，然后构建标准型评价函数Φ^std，具体如下：

Q10：采用线性融合的方式对所述草莓的对称性进行综合评价，构建评价函数Φ^soc如下：

其中，λ、κ分别为经验权重参数，最终采用评价函数Φ^soc对所述草莓的对称性进行评价。

作为优选，所述λ为0.3，所述κ为0.7。

作为优选，所述亮度权重β为0.4，所述颜色权重α为0.6。

作为优选，所述拟合因子sr为0.6。

作为优选，所述步骤Q5中，从所述质心P^S出发，利用DDA扫描线方法找到所述果肉区域的边界点C^S，具体步骤如下：

S1：首先利用DDA扫描线方法找到向量V^D所在的扫描线，计算出所述扫描线的斜率K，K＝Y/X，其中Y为扫描线在y轴上的值，X为扫描线在x轴上的值，再令i为扫描线上的点索引，则有如下情况：

当|K|≤1时，

当|K|≥1时，

当|K|不存在时，所述扫描线是一条垂直的线，则X^P(i+1)＝X^P(i)；

S2：所述扫描线不断向两边延伸，直到满足T(X^P(i)，Y^P(i))＝0条件，则所述扫描线找到了所述果肉区域的边缘，此处的坐标即为边界点C^S的位置。

作为优选，所述步骤Q3的形态学处理中，还包括采用碟形结构元件对所述草莓进行腐蚀膨胀处理。

作为优选，在400*400像素尺寸的所述前景区域目标二值图I^Bin中，所述碟形结构元件的尺寸为7像素。

作为优选，所述步骤Q3中，所述经验阈值

为0.55。

作为优选，所述步骤Q2中，R，G，B分别为所述响应图F的三个颜色通道，F＝2R-B-G。

实施例2

一种草莓的形状对称性分析方法，包括如下分析步骤：

Q1：取待测草莓，并横放在托盘1上，然后所述托盘1跟随传送带进入视觉检测系统2，所述视觉检测系统2获取所述草莓的彩色图像并传输至上位机软件系统3进行计算分析；

Q2：彩色图像的前景区域提取：将原始的彩色图像进行RGB颜色空间的转换，将RGB颜色空间的颜色H和亮度V分量分离出来，利用颜色和亮度信息进行前景提取，具体的分离公式如下：

V＝max(R，G，B)

Δ＝max(R，G，B)-min(R，G，B)，

然后设定融合阈值，将颜色H和亮度V进行加权融合，得到新的待分灰度图像G，其中亮度权重β，颜色的权重为α，具体融合计算公式如下：

通过融合计算后，再基于最大类间方差法OTSU对待分灰度图像G进行分割，完成前景区域目标二值图I^Bin的提取，并设置标记为255；

Q3：果柄区域的分割：提取所述草莓的果肉区域、果柄区域的颜色信息，所述果肉区域的颜色偏红色，接近果柄区域的颜色接近白色，所述果柄区域的颜色偏绿，然后构建基于超G的分隔方法，在前景区域目标二值图I^Bin中构建响应图F，再结合经验阈值

所述响应图F中的像素坐标为(j，i)，所述草莓的果肉区域标记图T的判定公式为：

然后，对分离的果肉区域、果柄区域进行形态学处理，获得边缘相对平滑的所述果肉区域和所述果柄区域；

Q4：提取草莓的方向：利用所述果柄区域的质心P^B和所述果肉区域的质心P^S构建所述草莓的初始方向向量V^D，V^D＝P^S-P^B；

Q5：提取果肉区域的轮廓起始点：在所述草莓的果肉区域标记图T中，从所述质心P^S出发，沿着所述草莓的初始方向向量V^D并利用DDA扫描线方法进行扫描，直到找到所述果肉区域的边界点C^S，设为所述果肉区域的轮廓起始点；

Q6：提取果肉区域的轮廓点集合：从所述边界点C^S出发，分别沿两个方向将所述果肉区域的轮廓提取出来，构建轮廓点集合L^S、R^S，所述轮廓点集合L^S、R^S提取结束的标志为L^S、R^S的点重合或L^S、R^S的点集合扫描到了所述果柄区域；

Q7：调整轮廓点集合：计算所述质心P^S到所述轮廓点集合L^S、R^S中各轮廓点的距离，并进行高斯平滑，将平滑后的所述轮廓点集合中距离所述质心P^S最远的索引点作为所述果肉区域的对称轴点C^X，然后基于所述对称轴点C^X重新分割所述果肉区域的左右轮廓，即设调整后的对称轮廓为A^L、A^R；

Q8：构建草莓的几何相似性评价函数：以所述质心P^S为起点，再依次选取对称轮廓A^L、A^R中的轮廓点，构建相对所述质心P^S的左右轮廓点的距离列表，左右轮廓点的对数设为N，然后基于所述距离列表构建所述草莓的几何相似性评价函数，具体如下：

Q9：构建标准型评价函数：以类似三角形的草莓形状为标准形状，通过数据统计的方法获取标准形状并构建归一化的经验标准型，再以经验标准型为参照构建草莓形状相对经验标准型的相似性距离，拟合因子设为sr，再构建类标准型L^std的表达公式：L^std＝hⁱ*sr/H，其中H为采样高度数值，hⁱ为第i点采样高度，然后构建标准型评价函数Φ^std，具体如下：

Q10：采用线性融合的方式对所述草莓的对称性进行综合评价，构建评价函数Φ^soc如下：

其中，λ、κ分别为经验权重参数，最终采用评价函数Φ^soc对所述草莓的对称性进行评价。

作为优选，所述λ为0.9，所述κ为0.1。

作为优选，所述亮度权重β为0.4，所述颜色权重α为0.6。

作为优选，所述拟合因子sr为0.8。

作为优选，所述步骤Q5中，从所述质心P^S出发，利用DDA扫描线方法找到所述果肉区域的边界点C^S，具体步骤如下：

S1：首先利用DDA扫描线方法找到向量V^D所在的扫描线，计算出所述扫描线的斜率K，K＝Y/X，其中Y为扫描线在y轴上的值，X为扫描线在x轴上的值，再令i为扫描线上的点索引，则有如下情况：

当|K|≤1时，

当|K|≥1时，

当|K|不存在时，所述扫描线是一条垂直的线，则X^P(i+1)＝X^P(i)；

S2：所述扫描线不断向两边延伸，直到满足T(X^P(i)，Y^P(i))＝0条件，则所述扫描线找到了所述果肉区域的边缘，此处的坐标即为边界点C^S的位置。

作为优选，所述步骤Q3的形态学处理中，还包括采用碟形结构元件对所述草莓进行腐蚀膨胀处理。

作为优选，在400*400像素尺寸的所述前景区域目标二值图I^Bin中，所述碟形结构元件的尺寸为7像素。

作为优选，所述步骤Q3中，所述经验阈值

为0.55。

作为优选，所述步骤Q2中，R，G，B分别为所述响应图F的三个颜色通道，F＝2R-B-G。

实施例3

一种草莓的形状对称性分析方法，包括如下分析步骤：

Q1：取待测草莓，并横放在托盘1上，然后所述托盘1跟随传送带进入视觉检测系统2，所述视觉检测系统2获取所述草莓的彩色图像并传输至上位机软件系统3进行计算分析；

Q2：彩色图像的前景区域提取：将原始的彩色图像进行RGB颜色空间的转换，将RGB颜色空间的颜色H和亮度V分量分离出来，利用颜色和亮度信息进行前景提取，具体的分离公式如下：

V＝max(R，G，B)

Δ＝max(R，G，B)-min(R，G，B)，

然后设定融合阈值，将颜色H和亮度V进行加权融合，得到新的待分灰度图像G，其中亮度权重β，颜色的权重为α，具体融合计算公式如下：

通过融合计算后，再基于最大类间方差法OTSU对待分灰度图像G进行分割，完成前景区域目标二值图I^Bin的提取，并设置标记为255；

Q3：果柄区域的分割：提取所述草莓的果肉区域、果柄区域的颜色信息，所述果肉区域的颜色偏红色，接近果柄区域的颜色接近白色，所述果柄区域的颜色偏绿，然后构建基于超G的分隔方法，在前景区域目标二值图I^Bin中构建响应图F，再结合经验阈伯

所述响应图F中的像素坐标为(j，i)，所述草莓的果肉区域标记图T的判定公式为：

然后，对分离的果肉区域、果柄区域进行形态学处理，获得边缘相对平滑的所述果肉区域和所述果柄区域；

Q4：提取草莓的方向：利用所述果柄区域的质心P^B和所述果肉区域的质心R^S构建所述草莓的初始方向向量V^D，V^D＝P^S-P^B；

Q5：提取果肉区域的轮廓起始点：在所述草莓的果肉区域标记图T中，从所述质心P^S出发，沿着所述草莓的初始方向向量V^D并利用DDA扫描线方法进行扫描，直到找到所述果肉区域的边界点C^S，设为所述果肉区域的轮廓起始点；

Q6：提取果肉区域的轮廓点集合：从所述边界点C^S出发，分别沿两个方向将所述果肉区域的轮廓提取出来，构建轮廓点集合L^S、R^S，所述轮廓点集合L^S、R^S提取结束的标志为L^S、R^S的点重合或L^S、R^S的点集合扫描到了所述果柄区域；

Q7：调整轮廓点集合：计算所述质心P^S到所述轮廓点集合L^S、R^S中各轮廓点的距离，并进行高斯平滑，将平滑后的所述轮廓点集合中距离所述质心P^S最远的索引点作为所述果肉区域的对称轴点C^X，然后基于所述对称轴点C^X重新分割所述果肉区域的左右轮廓，即设调整后的对称轮廓为A^L、A^R；

Q8：构建草莓的几何相似性评价函数：以所述质心P^S为起点，再依次选取对称轮廓A^L、A^R中的轮廓点，构建相对所述质心P^S的左右轮廓点的距离列表，左右轮廓点的对数设为N，然后基于所述距离列表构建所述草莓的几何相似性评价函数，具体如下：

Q9：构建标准型评价函数：以类似三角形的草莓形状为标准形状，通过数据统计的方法获取标准形状并构建归一化的经验标准型，再以经验标准型为参照构建草莓形状相对经验标准型的相似性距离，拟合因子设为sr，再构建类标准型L^std的表达公式：L^std＝hⁱ*sr/H，其中H为采样高度数值，hⁱ为第i点采样高度，然后构建标准型评价函数Φ^std，具体如下：

Q10：采用线性融合的方式对所述草莓的对称性进行综合评价，构建评价函数Φ^soc如下：

其中，λ、κ分别为经验权重参数，最终采用评价函数Φ^soc对所述草莓的对称性进行评价。

作为优选，所述λ为0.6，所述κ为0.4。

作为优选，所述亮度权重β为0.4，所述颜色权重α为0.6。

作为优选，所述拟合因子sr为0.7。

作为优选，所述步骤Q5中，从所述质心P^S出发，利用DDA扫描线方法找到所述果肉区域的边界点C^S，具体步骤如下：

S1：首先利用DDA扫描线方法找到向量V^D所在的扫描线，计算出所述扫描线的斜率K，K＝Y/X，其中Y为扫描线在y轴上的值，X为扫描线在x轴上的值，再令i为扫描线上的点索引，则有如下情况：

当|K|≤1时，

当|K|≥1时，

当|K|不存在时，所述扫描线是一条垂直的线，则X^P(i+1)＝X^P(i)；

S2：所述扫描线不断向两边延伸，直到满足T(X^P(i)，Y^P(i))＝0条件，则所述扫描线找到了所述果肉区域的边缘，此处的坐标即为边界点C^S的位置。

作为优选，所述步骤Q3的形态学处理中，还包括采用碟形结构元件对所述草莓进行腐蚀膨胀处理。

作为优选，在400*400像素尺寸的所述前景区域目标二值图I^Bin中，所述碟形结构元件的尺寸为7像素。

作为优选，所述步骤Q3中，所述经验阈值

为0.55。

作为优选，所述步骤Q2中，R，G，B分别为所述响应图F的三个颜色通道，F＝2R-B-G。

实施例4

取待测草莓样本1、样本2，按照实施例3的步骤进行分析，获得融合评价函数Φ^soc、标准型评价函数Φ^std、几何相似性评价函数Φ^shp这3个评价结果，具体如下：

样品	Φsoc评价结果	Φshp评价结果	Φstd评价结果
				样品1	0.92	0.89	0.96
样品2	0.65	0.67	0.63

评价结果越接近1，则样品的对称性越好。

总之，以上所述仅为本发明的较佳实施例，凡依本发明申请专利的范围所作的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (8)

1.一种草莓的形状对称性分析方法，其特征在于：包括如下分析步骤：

Q1：取待测草莓，并横放在托盘（1）上，然后所述托盘（1）跟随传送带进入视觉检测系统（2），所述视觉检测系统（2）获取所述草莓的彩色图像并传输至上位机软件系统（3）进行计算分析；

Q2：彩色图像的前景区域提取：将原始的彩色图像进行RGB颜色空间的转换，将RGB颜色空间的颜色H和亮度V分量分离出来，利用颜色和亮度信息进行前景提取，具体的分离公式如下：

，

，

，

然后设定融合阈值，将颜色H和亮度V进行加权融合，得到新的待分灰度图像GI，其中亮度权重

，颜色的权重为/>

，具体融合计算公式如下：

，

通过融合计算后，再基于最大类间方差法OTSU对待分灰度图像GI进行分割，完成前景区域目标二值图

的提取，并设置标记为255；

Q3：果柄区域的分割：提取所述草莓的果肉区域、果柄区域的颜色信息，所述果肉区域的颜色偏红色，接近果柄区域的颜色接近白色，所述果柄区域的颜色偏绿，然后构建基于超G的分隔方法，在前景区域目标二值图

中构建响应图F，再结合经验阈值/>

，所述响应图F中的像素坐标为(j,i)，所述草莓的果肉区域标记图T的判定公式为：

（/>

=/>

，

然后，对分离的果肉区域、果柄区域进行形态学处理，获得边缘相对平滑的所述果肉区域和所述果柄区域；

Q4：提取草莓的方向：利用所述果柄区域的质心

和所述果肉区域的质心/>

构建所述草莓的初始方向向量/>

，/>

；

Q5：提取果肉区域的轮廓起始点：在所述草莓的果肉区域标记图

中，从所述质心/>

出发，沿着所述草莓的初始方向向量/>

并利用DDA扫描线方法进行扫描，直到找到所述果肉区域的边界点/>

，设为所述果肉区域的轮廓起始点，具体步骤如下：

S1：首先利用DDA扫描线方法找到向量

所在的扫描线，计算出所述扫描线的斜率K，K=Y/X，其中Y为扫描线在y轴上的值，X为扫描线在x轴上的值，再令i为扫描线上的点索引，则有如下情况：

；

；

当|K|不存在时，所述扫描线是一条垂直的线，则

；

S2：所述扫描线不断向两边延伸，直到满足

条件，则所述扫描线找到了所述果肉区域的边缘，此处的坐标即为边界点/>

的位置；

Q6：提取果肉区域的轮廓点集合：从所述边界点

出发，分别沿两个方向将所述果肉区域的轮廓提取出来，构建轮廓点集合/>

、/>

，所述轮廓点集合/>

、/>

提取结束的标志为/>

、/>

的点重合或/>

、/>

的点集合扫描到了所述果柄区域；

Q7：调整轮廓点集合：计算所述质心

到所述轮廓点集合/>

、/>

中各轮廓点的距离，并进行高斯平滑，将平滑后的所述轮廓点集合中距离所述质心/>

最远的索引点作为所述果肉区域的对称轴点/>

，然后基于所述对称轴点/>

重新分割所述果肉区域的左右轮廓，即设调整后的对称轮廓为/>

、/>

；

Q8：构建草莓的几何相似性评价函数：以所述质心

为起点，再依次选取对称轮廓/>

、

中的轮廓点，构建相对所述质心/>

的左右轮廓点的距离列表，左右轮廓点的对数设为N，然后基于所述距离列表构建所述草莓的几何相似性评价函数，具体如下：

；

Q9：构建标准型评价函数：以类似三角形的草莓形状为标准形状，通过数据统计的方法获取标准形状并构建归一化的经验标准型，再以经验标准型为参照构建草莓形状相对经验标准型的相似性距离，拟合因子设为sr，再构建类标准型

的表达公式：/>

，其中H为采样高度数值，/>

为第i点采样高度，然后构建标准型评价函数/>

，具体如下：

；

Q10：采用线性融合的方式对所述草莓的对称性进行综合评价，构建评价函数

如下：

，

其中，

分别为经验权重参数，最终采用评价函数/>

对所述草莓的对称性进行评价。

2.根据权利要求1所述的一种草莓的形状对称性分析方法，其特征在于：所述

为0.3~0.9，所述/>

为0.1~0.7。

3.根据权利要求1所述的一种草莓的形状对称性分析方法，其特征在于：所述亮度权重

为0.4，所述颜色权重/>

为0.6。

4.根据权利要求1所述的一种草莓的形状对称性分析方法，其特征在于：所述拟合因子sr为0.6~0.8。

5.根据权利要求1所述的一种草莓的形状对称性分析方法，其特征在于：所述步骤Q3的形态学处理中，还包括采用碟形结构元件对所述草莓进行腐蚀膨胀处理。

6.根据权利要求5所述的一种草莓的形状对称性分析方法，其特征在于：在400*400像素尺寸的所述前景区域目标二值图

中，所述碟形结构元件的尺寸为7像素。

7.根据权利要求1所述的一种草莓的形状对称性分析方法，其特征在于：所述步骤Q3中，所述经验阈值

为0.55。

8.根据权利要求1所述的一种草莓的形状对称性分析方法，其特征在于：所述步骤Q2中，R，G，B分别为所述响应图F的三个颜色通道，

。

Images