CN113970552A - 一种结合激光散斑和Kmeans聚类算法的苹果无损检测方法 - Google Patents

一种结合激光散斑和Kmeans聚类算法的苹果无损检测方法 Download PDF

Info

Publication number
CN113970552A
CN113970552A CN202111128074.XA CN202111128074A CN113970552A CN 113970552 A CN113970552 A CN 113970552A CN 202111128074 A CN202111128074 A CN 202111128074A CN 113970552 A CN113970552 A CN 113970552A
Authority
CN
China
Prior art keywords
apple
apples
speckle
clustering algorithm
resonance frequency
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
CN202111128074.XA
Other languages
English (en)
Inventor
高峰利
杨佳明
王怀喜
龚幼平
张震
胡玉薇
李绍�
林锥
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.)
Beijing Jingyi Instrument & Meter General Research Institute Co ltd
Original Assignee
Beijing Jingyi Instrument & Meter General Research Institute Co ltd
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 Beijing Jingyi Instrument & Meter General Research Institute Co ltd filed Critical Beijing Jingyi Instrument & Meter General Research Institute Co ltd
Priority to CN202111128074.XA priority Critical patent/CN113970552A/zh
Publication of CN113970552A publication Critical patent/CN113970552A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Signal Processing (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明涉及一种结合激光散斑和Kmeans聚类算法的苹果无损检测方法，包括：1、采用激光散斑测量方法，获取N个苹果的散斑位移，计算N个苹果的共振频率；2、采用标准的Kmeans聚类算法，对N个苹果的共振频率进行中心聚类计算；3、获取待检测苹果的共振频率，根据步骤2的中心聚类结果判断待检测苹果的缺陷类别。本发明具有较强的泛化能力，基于计算机视觉的方法只能对预先标注的缺陷类型进行检测，而本发明对任何能引起苹果共振频率变化的缺陷类型都适用。通过选择高阶共振频率并结合降噪技术，使得本发明提出的新方法具有很强的抵抗噪声能力，适用于环境不可控的各种实际工况，这是有别于传统计算机视觉方法的突出优点。

Description

一种结合激光散斑和Kmeans聚类算法的苹果无损检测方法
技术领域
本发明涉及无损检测领域，特别是涉及一种结合激光散斑和Kmeans聚类算法的苹果无损检测方法。
背景技术
对苹果的无损检测具有较大的应用价值，有助于实现苹果按品质分级，进而提高经济附加值。同时这也是一个有挑战性的科学问题，当前主流的苹果无损检测是基于计算机视觉的一大类方法，包括传统的人为提取苹果表皮特征的机器学习算法和目前较为前沿的基于深度学习的人工智能方法。这些视觉类的方法适合检测苹果表皮特征较明显的缺陷类型，例如腐烂、大磕碰等缺陷，而对于脱水等特征不显著的缺陷类型则效果欠佳。
从动力学的角度考察缺陷对苹果的影响，以脱水为例，苹果的果肉刚度因脱水而减小，即苹果发生软化，刚度变化直接导致苹果的共振频率发生偏移，如果能够检测苹果的频谱信息，则能够实现对苹果缺陷状态的间接测量。激光散斑技术就是这样一种能够将苹果的动力学特性关联到计算机可以处理的散斑颗粒图像位移场的有效技术，具有解决某些苹果缺陷检测问题的潜力。
发明内容
针对现有技术中存在的缺陷，本发明的目的在于提供一种结合激光散斑和Kmeans聚类算法的苹果无损检测方法,利用被果皮漫反射形成的激光散斑，获取果皮的振动特性，对共振频率进行Kmeans聚类分析，从而区分苹果硬化、正常、软化三种缺陷状态。
为达到以上目的，本发明采取的技术方案是：
一种结合激光散斑和Kmeans聚类算法的苹果无损检测方法，包括以下步骤：
步骤1、采用激光散斑测量方法，获取N个苹果的散斑位移，计算N个苹果的共振频率；
步骤2、采用标准的Kmeans聚类算法，对N个苹果的共振频率进行中心聚类计算；
步骤3、获取待检测苹果的共振频率，根据步骤2的中心聚类结果判断待检测苹果的缺陷类别。
步骤1包括如下步骤：
步骤11、记录初始时刻的散斑颗粒位置分布；
步骤12、记录后续任意时刻的散斑颗粒位置；
步骤13、通过散斑几何匹配计算任意m(m≥5)个散斑的散斑位移；
步骤14、将所获取的m个随时间变化的散斑位移分别进行傅立叶变换，将散斑位移由时间域转换到频域，得到m个原始频谱图；
步骤15、原始频谱图中同时包含了苹果的共振频率和环境噪声信号，在高频段进行降噪处理得到频谱曲线，寻找并记录共振频率位置，计算m个散斑对应的共振频率的平均值作为当前苹果的共振频率，将N个苹果的共振频率汇总为苹果共振频率表。
在上述方案的基础上，N≥200。
步骤2包括如下步骤：
采用标准的Kmeans聚类算法，设置聚类中心数量为3，对N个苹果的共振频率进行聚类分析，通过迭代优化，得到3个聚类中心，其中数值最大的为苹果硬化类别中心，数值居中的为苹果正常类别中心，数值最小的为苹果软化类别中心，形成缺陷类别中心表。
步骤3包括如下步骤：
寻找缺陷类别中心表中与待检测苹果的共振频率距离最近的聚类中心，则待检测苹果属于该聚类中心对应的缺陷类别。
本发明的有益效果：具有较强的泛化能力，基于计算机视觉的方法只能对预先标注的缺陷类型进行检测，而本发明对任何能引起苹果共振频率变化的缺陷类型都适用。通过选择高阶共振频率(常见物体包括苹果，具有无穷多阶共振频率)并结合降噪技术，使得本发明提出的新方法具有很强的抵抗噪声能力，适用于环境不可控的各种实际工况，这是有别于计算机视觉方法(计算机视觉方法要求目标物体保持低速运动以获取清晰图像)的突出优点。
附图说明
本发明有如下附图：
图1激光散斑方法设置示意图；
图2正常苹果与缺陷苹果(苹果硬化)的幅频响应曲线比较示意图；
图3激光散斑频谱图；
图4经降噪处理的激光散斑频谱图。
具体实施方式
以下结合附图1-4对本发明作进一步详细说明。
一种结合激光散斑和Kmeans聚类算法的苹果无损检测设备，包括：激光器1、反射镜I2、扩束镜3、分束镜4、反射镜II5、CCD相机6和图像处理系统7。
A、苹果缺陷与动力学特性之间的关系
健康的苹果硬度适中；而当苹果出现脱水、腐烂等缺陷时，苹果发生软化，此时从动力学角度可以认为苹果的刚度减弱，这会导致共振频率向低频端偏移；又如果苹果出现七星病、干疤、冰雹砸伤等缺陷时，苹果表皮将趋向于硬化，即苹果的刚度增强，共振频率向高频端偏移。由此可见，如果能够测量苹果的频谱特性，就可以反推苹果是否存在缺陷。
B、通过激光散斑技术获取苹果的实时振动信息
如图1所示，激光经过苹果表皮漫反射之后，从CCD的位置向苹果方向观察，发现在苹果附近空间随机分布大量的激光散斑颗粒，这些散斑颗粒与苹果表皮的物理特性、几何形状、力学特性紧密关联，其中散斑颗粒的位移与苹果表皮的位移成正比，由此可知，散斑与苹果的频谱特性等价，苹果的共振频率可以通过测量散斑而获得。
C、Kmeans聚类方法
通过人为挑选相当量(N一般不少于200)的苹果样本，将硬化、正常、软化的苹果数量按照近似1:1:1的比例进行配置，并通过激光散斑方法分别记录每个苹果对应的共振频率，采用Kmeans方法对所有的共振频率进行聚类，类心数量设置为3。通过迭代优化，最终得到的3个聚类中心即为与硬化、正常、软化相对应的类别中心，通过判断与哪一个聚类中心更近可以将任意新苹果归类到硬化、正常、软化中的一种，从而实现对苹果缺陷的无损检测。
总体过程为：1、苹果散斑位移测量，共振频率计算；2、苹果硬化、正常、软化对应的共振频率中心聚类计算；3、新苹果的无损检测。
步骤1、苹果散斑位移场测量，共振频率计算
采用如图1所示的激光散斑测量方法，获取由苹果漫反射引起的散斑位移，散斑位移的具体计算方法采用通用的激光散斑方法，主要步骤包括：记录初始时刻的散斑颗粒位置分布、记录后续任意时刻的散斑颗粒位置、通过散斑几何匹配计算任意5个散斑的相对初始时刻的位移(散斑位移)。
将所获取的5个随时间变化的散斑位移分别进行傅立叶变换，将散斑位移由时间域转换到频域，得到如图3所示的原始频谱图。此图中同时包含了苹果的共振频率等本征特性和环境噪声信号，在高频段进行降噪处理得到如图4所示的频谱曲线，寻找并记录共振频率位置，将5个共振频率的平均值作为当前苹果的共振频率，将300个苹果的共振频率汇总为如表1所示的苹果共振频率表。
表1苹果共振频率检测值
苹果ID 共振频率(Hz)
1 765.43
2 760.58
3 771.91
… …
300 766.87
步骤2、苹果硬化、正常、软化对应的共振频率中心聚类计算
采用标准的Kmeans聚类算法，设置聚类中心数量为3，对表1的数据进行聚类分析，得到3个聚类中心，如表2所示，其中数值最大的为苹果硬化类别中心(类别1)，数值居中的为苹果正常类别中心(类别2)，数值最小的为苹果软化类别中心(类别3)。
表2苹果缺陷类别中心
Figure BDA0003279525710000061
步骤3、新苹果的无损检测
采用如步骤1中描述的过程，获取新苹果的共振频率为762.33Hz，寻找表2中与其距离最近的聚类中心，可知该苹果属于类别3，即属于苹果软化类别。
以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的实质和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的保护范围。
本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (6)

1.一种结合激光散斑和Kmeans聚类算法的苹果无损检测方法，其特征在于，包括以下步骤：
步骤1、采用激光散斑测量方法，获取N个苹果的散斑位移，计算N个苹果的共振频率；
步骤2、采用标准的Kmeans聚类算法，对N个苹果的共振频率进行中心聚类计算；
步骤3、获取待检测苹果的共振频率，根据步骤2的中心聚类结果判断待检测苹果的缺陷类别。
2.如权利要求1所述的结合激光散斑和Kmeans聚类算法的苹果无损检测方法，其特征在于：步骤1包括如下步骤：
步骤11、记录初始时刻的散斑颗粒位置分布；
步骤12、记录后续任意时刻的散斑颗粒位置；
步骤13、通过散斑几何匹配计算任意m个散斑的散斑位移；
步骤14、将所获取的m个随时间变化的散斑位移分别进行傅立叶变换，将散斑位移由时间域转换到频域，得到原始频谱图；
步骤15、原始频谱图中同时包含了苹果的共振频率和环境噪声信号，在高频段进行降噪处理得到频谱曲线，寻找并记录共振频率位置，计算m个散斑对应的共振频率的平均值作为当前苹果的共振频率，将N个苹果的共振频率汇总为苹果共振频率表。
3.如权利要求1所述的结合激光散斑和Kmeans聚类算法的苹果无损检测方法，其特征在于：N≥200。
4.如权利要求2所述的结合激光散斑和Kmeans聚类算法的苹果无损检测方法，其特征在于：m≥5。
5.如权利要求1所述的结合激光散斑和Kmeans聚类算法的苹果无损检测方法，其特征在于：步骤2包括如下步骤：
采用标准的Kmeans聚类算法，设置聚类中心数量为3，对N个苹果的共振频率进行聚类分析，通过迭代优化，得到3个聚类中心，其中数值最大的为苹果硬化类别中心，数值居中的为苹果正常类别中心，数值最小的为苹果软化类别中心，形成缺陷类别中心表。
6.如权利要求5所述的结合激光散斑和Kmeans聚类算法的苹果无损检测方法，其特征在于：步骤3包括如下步骤：
寻找缺陷类别中心表中与待检测苹果的共振频率距离最近的聚类中心，则待检测苹果属于该聚类中心对应的缺陷类别。
CN202111128074.XA 2021-09-26 2021-09-26 一种结合激光散斑和Kmeans聚类算法的苹果无损检测方法 Pending CN113970552A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111128074.XA CN113970552A (zh) 2021-09-26 2021-09-26 一种结合激光散斑和Kmeans聚类算法的苹果无损检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111128074.XA CN113970552A (zh) 2021-09-26 2021-09-26 一种结合激光散斑和Kmeans聚类算法的苹果无损检测方法

Publications (1)

Publication Number Publication Date
CN113970552A true CN113970552A (zh) 2022-01-25

Family

ID=79587158

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111128074.XA Pending CN113970552A (zh) 2021-09-26 2021-09-26 一种结合激光散斑和Kmeans聚类算法的苹果无损检测方法

Country Status (1)

Country Link
CN (1) CN113970552A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103697829A (zh) * 2013-12-31 2014-04-02 合肥工业大学 基于空间相移的面内变形的快速测量系统及测量方法
CN105606610A (zh) * 2015-09-09 2016-05-25 南京农业大学 一种基于生物散斑技术无损检测苹果内部品质的方法
CN106778786A (zh) * 2016-12-29 2017-05-31 西京学院 基于对数频域分层梯度方向直方图的苹果病害识别方法
CN111213069A (zh) * 2018-07-27 2020-05-29 合刃科技（深圳）有限公司 基于相干光的避障装置及方法
CN112329705A (zh) * 2020-11-23 2021-02-05 博迈科海洋工程股份有限公司 一种大型结构物提升过程中最大变形量的监测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103697829A (zh) * 2013-12-31 2014-04-02 合肥工业大学 基于空间相移的面内变形的快速测量系统及测量方法
CN105606610A (zh) * 2015-09-09 2016-05-25 南京农业大学 一种基于生物散斑技术无损检测苹果内部品质的方法
CN106778786A (zh) * 2016-12-29 2017-05-31 西京学院 基于对数频域分层梯度方向直方图的苹果病害识别方法
CN111213069A (zh) * 2018-07-27 2020-05-29 合刃科技（深圳）有限公司 基于相干光的避障装置及方法
CN112329705A (zh) * 2020-11-23 2021-02-05 博迈科海洋工程股份有限公司 一种大型结构物提升过程中最大变形量的监测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ARIZAGA, R等: "Display of local activity using dynamical speckle patterns", 《OPTICAL ENGINEERING》, vol. 41, no. 2, XP055974942, DOI: 10.1117/1.1428739 *
石本义;毕昆;陈四海;王成;: "激光散斑技术在农产品检测中的应用", 中国农学通报, no. 02 *
黄伟锋;唐宇;姚鑫;陈亚勇;黄博烁;: "基于可见光波段成像的水果品质检测方法研究进展", 仲恺农业工程学院学报, no. 01 *

Similar Documents

Publication Publication Date Title
CN116843678B (zh) 一种硬碳电极生产质量检测方法
WO2021012315A1 (zh) 基于模糊匹配的时间序列异常模式识别方法及装置
CN102928435A (zh) 基于图像和超声信息融合的飞机蒙皮损伤识别方法及装置
CN109300483B (zh) 一种智能化音频异音检测方法
TW201807413A (zh) 刀具狀態檢測系統及其方法
CN109158954A (zh) 一种基于声信号检测的超声刀具磨损状态识别方法与系统
CN106442525A (zh) 用于核桃内部干瘪缺陷的在线检测方法
CN112907561A (zh) 一种基于深度学习的笔记本外观瑕疵检测方法
Qiaohua et al. Grape size detection and online gradation based on machine vision
CN113008984A (zh) 一种声纹检测水果成熟度分析仪器
CN204359750U (zh) 一种快速无损水果质地的检测装置
Song et al. An improved structural health monitoring method utilizing sparse representation for acoustic emission signals in rails
CN204613160U (zh) 一种禽蛋蛋壳裂纹检测装置
CN113970552A (zh) 一种结合激光散斑和Kmeans聚类算法的苹果无损检测方法
Yang et al. Early apple bruise recognition based on near-infrared imaging and grayscale gradient images
CN104833724A (zh) 一种禽蛋蛋壳裂纹检测方法与装置
Mohana et al. Stem-calyx recognition of an apple using shape descriptors
CN115438698A (zh) 一种基于图像处理的电力设备声音识别方法及系统
Verma et al. Improved signal preprocessing techniques for machine fault diagnosis
Rajan et al. Non-destructive classification of watermelon ripeness using acoustic cues
Pei et al. Research on cherry shape detection technology based on machine vision
KR102490553B1 (ko) 음향방출 신호를 이용한 비파괴 검사 방법
Kanali et al. Shape identification using a charge simulation retina model
CN117740378A (zh) 一种基于声发射监测的支铰滑动轴承故障诊断方法
Kurtulmuș et al. Identification of worm-damaged chestnuts using impact acoustics and support vector machine.

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