CN113421297B - 一种草莓的形状对称性分析方法 - Google Patents
一种草莓的形状对称性分析方法 Download PDFInfo
- Publication number
- CN113421297B CN113421297B CN202110751139.XA CN202110751139A CN113421297B CN 113421297 B CN113421297 B CN 113421297B CN 202110751139 A CN202110751139 A CN 202110751139A CN 113421297 B CN113421297 B CN 113421297B
- Authority
- CN
- China
- Prior art keywords
- strawberries
- area
- color
- strawberry
- point
- 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.)
- Active
Links
- 235000021012 strawberries Nutrition 0.000 title claims abstract description 75
- 238000004458 analytical method Methods 0.000 title claims abstract description 27
- 240000009088 Fragaria x ananassa Species 0.000 title 1
- 241000220223 Fragaria Species 0.000 claims abstract description 164
- 238000000034 method Methods 0.000 claims abstract description 62
- 235000013399 edible fruits Nutrition 0.000 claims abstract description 58
- 238000011156 evaluation Methods 0.000 claims abstract description 48
- 230000004927 fusion Effects 0.000 claims abstract description 29
- 238000001514 detection method Methods 0.000 claims abstract description 12
- 230000000877 morphologic effect Effects 0.000 claims abstract description 12
- 238000009499 grossing Methods 0.000 claims abstract description 11
- 230000000007 visual effect Effects 0.000 claims abstract description 11
- 235000016623 Fragaria vesca Nutrition 0.000 claims description 90
- 235000011363 Fragaria x ananassa Nutrition 0.000 claims description 90
- 238000000605 extraction Methods 0.000 claims description 26
- 230000004044 response Effects 0.000 claims description 18
- 238000010586 diagram Methods 0.000 claims description 12
- 238000000926 separation method Methods 0.000 claims description 11
- 230000007797 corrosion Effects 0.000 claims description 7
- 238000005260 corrosion Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 6
- 230000008685 targeting Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 description 6
- 238000005070 sampling Methods 0.000 description 5
- 239000003550 marker Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 210000000746 body region Anatomy 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/68—Analysis of geometric attributes of symmetry
-
- 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
- G06T7/13—Edge detection
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/10024—Color image
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Sorting Of Articles (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
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
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IBin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IBin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PB和所述果肉区域的质心PS构建所述草莓的初始方向向量VD,VD=PS-PB;
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PS出发,沿着所述草莓的初始方向向量VD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CS,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CS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LS、RS,所述轮廓点集合LS、RS提取结束的标志为LS、RS的点重合或LS、RS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PS到所述轮廓点集合LS、RS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PS最远的索引点作为所述果肉区域的对称轴点CX,然后基于所述对称轴点CX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AL、AR;
Q8:构建草莓的几何相似性评价函数:以所述质心PS为起点,再依次选取对称轮廓AL、AR中的轮廓点,构建相对所述质心PS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Lstd的表达公式:Lstd=ht*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Φstd,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Φsoc如下:
其中,λ、κ分别为经验权重参数,最终采用评价函数Φsoc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CS。
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LS、RS。
由于步骤Q6中从边界点CS出发构建的对称轮廓点集合LS、RS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AL、AR距离TL(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Φstd。
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PS出发,利用DDA扫描线方法找到所述果肉区域的边界点CS,具体步骤如下:
S1:首先利用DDA扫描线方法找到向量VD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XP(i+1)=XP(i);
S2:所述扫描线不断向两边延伸,直到满足T(XP(i),YP(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CS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IBin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IBin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IBin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IBin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PB和所述果肉区域的质心PS构建所述草莓的初始方向向量VD,VD=PS-PB;
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PS出发,沿着所述草莓的初始方向向量VD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CS,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CS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LS、RS,所述轮廓点集合LS、RS提取结束的标志为LS、RS的点重合或LS、RS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PS到所述轮廓点集合LS、RS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PS最远的索引点作为所述果肉区域的对称轴点CX,然后基于所述对称轴点CX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AL、AR;
Q8:构建草莓的几何相似性评价函数:以所述质心PS为起点,再依次选取对称轮廓AL、AR中的轮廓点,构建相对所述质心PS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Lstd的表达公式:Lstd=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Φstd,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Φsoc如下:
其中,λ、κ分别为经验权重参数,最终采用评价函数Φsoc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PS出发,利用DDA扫描线方法找到所述果肉区域的边界点CS,具体步骤如下:
S1:首先利用DDA扫描线方法找到向量VD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XP(i+1)=XP(i);
S2:所述扫描线不断向两边延伸,直到满足T(XP(i),YP(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CS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IBin中,所述碟形结构元件的尺寸为7像素。
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IBin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IBin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PB和所述果肉区域的质心PS构建所述草莓的初始方向向量VD,VD=PS-PB;
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PS出发,沿着所述草莓的初始方向向量VD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CS,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CS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LS、RS,所述轮廓点集合LS、RS提取结束的标志为LS、RS的点重合或LS、RS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PS到所述轮廓点集合LS、RS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PS最远的索引点作为所述果肉区域的对称轴点CX,然后基于所述对称轴点CX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AL、AR;
Q8:构建草莓的几何相似性评价函数:以所述质心PS为起点,再依次选取对称轮廓AL、AR中的轮廓点,构建相对所述质心PS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Lstd的表达公式:Lstd=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Φstd,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Φsoc如下:
其中,λ、κ分别为经验权重参数,最终采用评价函数Φsoc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PS出发,利用DDA扫描线方法找到所述果肉区域的边界点CS,具体步骤如下:
S1:首先利用DDA扫描线方法找到向量VD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XP(i+1)=XP(i);
S2:所述扫描线不断向两边延伸,直到满足T(XP(i),YP(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CS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IBin中,所述碟形结构元件的尺寸为7像素。
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IBin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IBin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PB和所述果肉区域的质心RS构建所述草莓的初始方向向量VD,VD=PS-PB;
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PS出发,沿着所述草莓的初始方向向量VD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CS,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CS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LS、RS,所述轮廓点集合LS、RS提取结束的标志为LS、RS的点重合或LS、RS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PS到所述轮廓点集合LS、RS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PS最远的索引点作为所述果肉区域的对称轴点CX,然后基于所述对称轴点CX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AL、AR;
Q8:构建草莓的几何相似性评价函数:以所述质心PS为起点,再依次选取对称轮廓AL、AR中的轮廓点,构建相对所述质心PS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Lstd的表达公式:Lstd=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Φstd,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Φsoc如下:
其中,λ、κ分别为经验权重参数,最终采用评价函数Φsoc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PS出发,利用DDA扫描线方法找到所述果肉区域的边界点CS,具体步骤如下:
S1:首先利用DDA扫描线方法找到向量VD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XP(i+1)=XP(i);
S2:所述扫描线不断向两边延伸,直到满足T(XP(i),YP(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CS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IBin中,所述碟形结构元件的尺寸为7像素。
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Φsoc、标准型评价函数Φstd、几何相似性评价函数Φshp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:
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;
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:
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:
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110751139.XA CN113421297B (zh) | 2021-07-02 | 2021-07-02 | 一种草莓的形状对称性分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110751139.XA CN113421297B (zh) | 2021-07-02 | 2021-07-02 | 一种草莓的形状对称性分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113421297A CN113421297A (zh) | 2021-09-21 |
CN113421297B true CN113421297B (zh) | 2023-06-27 |
Family
ID=77720101
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110751139.XA Active CN113421297B (zh) | 2021-07-02 | 2021-07-02 | 一种草莓的形状对称性分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113421297B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004118578A (ja) * | 2002-09-26 | 2004-04-15 | Osaka Industrial Promotion Organization | 輪郭線抽出方法、画像処理装置、及びコンピュータプログラム |
CN103514452A (zh) * | 2013-07-17 | 2014-01-15 | 浙江大学 | 一种水果形状检测方法及装置 |
CN106372635A (zh) * | 2016-08-24 | 2017-02-01 | 滁州学院 | 一种基于机器视觉的草莓外形品质判别方法 |
CN107750643A (zh) * | 2017-10-25 | 2018-03-06 | 重庆工商大学 | 草莓采摘机器人的视觉系统 |
CN108470339A (zh) * | 2018-03-21 | 2018-08-31 | 华南理工大学 | 一种基于信息融合的重叠苹果视觉识别与定位方法 |
CN108846862A (zh) * | 2018-04-26 | 2018-11-20 | 杭州电子科技大学 | 一种颜色先验知识导向的草莓机器手目标定位方法 |
CN109800619A (zh) * | 2017-11-16 | 2019-05-24 | 湖南生物机电职业技术学院 | 成熟期柑橘果实图像识别方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101540569B1 (ko) * | 2013-12-24 | 2015-07-31 | 주식회사 엘지실트론 | 웨이퍼의 형상 분석 방법 및 장치 |
CN106407983A (zh) * | 2016-09-12 | 2017-02-15 | 南京理工大学 | 图像主体的识别、矫正与配准方法 |
CN109948570B (zh) * | 2019-03-26 | 2020-11-03 | 大连大学 | 一种用于动态环境下的无人机实时检测方法 |
CN110349206B (zh) * | 2019-07-18 | 2023-05-30 | 科大讯飞(苏州)科技有限公司 | 一种人体对称性检测的方法和相关装置 |
-
2021
- 2021-07-02 CN CN202110751139.XA patent/CN113421297B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004118578A (ja) * | 2002-09-26 | 2004-04-15 | Osaka Industrial Promotion Organization | 輪郭線抽出方法、画像処理装置、及びコンピュータプログラム |
CN103514452A (zh) * | 2013-07-17 | 2014-01-15 | 浙江大学 | 一种水果形状检测方法及装置 |
CN106372635A (zh) * | 2016-08-24 | 2017-02-01 | 滁州学院 | 一种基于机器视觉的草莓外形品质判别方法 |
CN107750643A (zh) * | 2017-10-25 | 2018-03-06 | 重庆工商大学 | 草莓采摘机器人的视觉系统 |
CN109800619A (zh) * | 2017-11-16 | 2019-05-24 | 湖南生物机电职业技术学院 | 成熟期柑橘果实图像识别方法 |
CN108470339A (zh) * | 2018-03-21 | 2018-08-31 | 华南理工大学 | 一种基于信息融合的重叠苹果视觉识别与定位方法 |
CN108846862A (zh) * | 2018-04-26 | 2018-11-20 | 杭州电子科技大学 | 一种颜色先验知识导向的草莓机器手目标定位方法 |
Non-Patent Citations (3)
Title |
---|
基于RGB颜色相似度的成熟草莓图像分割;覃磊;孙开琼;李诗高;刘春苔;阮松;;浙江农业学报(第02期);第330-337页 * |
基于平滑轮廓对称轴法的苹果目标采摘点定位方法;王丹丹;徐越;宋怀波;何东健;;农业工程学报(第05期);第167-174页 * |
复杂背景黄瓜叶部病害图像分割方法;袁媛 等;农业机械学报(第10期);第233-237页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113421297A (zh) | 2021-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116721106B (zh) | 一种基于图像处理的型材瑕疵视觉检测方法 | |
CN102426649B (zh) | 一种简单的高准确率的钢印数字自动识别方法 | |
CN109523505B (zh) | 一种基于机器视觉的陶瓷砖表面花纹缺陷检测方法 | |
CN107610114A (zh) | 基于支持向量机的光学卫星遥感影像云雪雾检测方法 | |
CN108181316B (zh) | 一种基于机器视觉的竹条缺陷检测方法 | |
CN113793337B (zh) | 基于人工智能的机车配件表面异常程度评估方法 | |
WO2009045035A1 (en) | White and brown rice appearance characteristics measurement system and method | |
US8577150B2 (en) | System and method for removing specularity from an image | |
CN110717865B (zh) | 图片检测方法及装置 | |
CN111667475B (zh) | 一种基于机器视觉的大枣分级检测方法 | |
CN110749598A (zh) | 一种融合颜色、形状和纹理特征的蚕茧表面缺陷检测方法 | |
CN111161237A (zh) | 一种果蔬表面质检方法及其储存介质、分拣装置 | |
CN104156702B (zh) | 混合豆类自动分类识别方法 | |
CN112365450A (zh) | 基于图像识别的物品分类计数的方法、装置和存储介质 | |
CN108197662B (zh) | 一种实木地板分类方法 | |
CN110110810B (zh) | 一种鱿鱼质量等级识别分选方法 | |
CN110930425B (zh) | 基于邻域向量内积局部对比度图像增强的损伤目标检测方法 | |
CN113421297B (zh) | 一种草莓的形状对称性分析方法 | |
Bulanon et al. | A machine vision system for the apple harvesting robot | |
CN112037241B (zh) | 一种基于多光谱数据的作物混种区实时识别方法及系统 | |
CN113744326A (zh) | 一种在ycrcb颜色空间中基于种子区域生长法则的火灾检测方法 | |
CN111046783B (zh) | 一种改进分水岭算法的斜坡地质灾害边界提取方法 | |
CN114820597B (zh) | 一种基于人工智能的冶炼品缺陷检测方法、装置及系统 | |
CN115861304A (zh) | 一种基于图像处理的钢中带状组织检测方法及系统 | |
CN115018873A (zh) | 一种基于机器视觉的沉香质量检测方法 |
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 |