CN116883370B - 一种农产品外观质量检测系统 - Google Patents

Abstract

本发明属于质量检测领域，公开了一种农产品外观质量检测系统，包括图像滤波模块，像滤波模块用于采用如下方式对农产品的外观图像对应的灰度图像进行滤波处理：计算灰度图像中的像素点的滤波对比值；基于滤波对比值获取灰度图像中的属于噪声的像素点；计算属于噪声的像素点的范围参数；基于范围参数对属于噪声的像素点进行中值滤波处理，得到滤波图像。本发明使得滤波范围能够随着属于噪声的像素点的属性的变化而自动变化，大幅度降低了滤波后得到的像素值偏大的情况的出现概率，有利于得到更准确的中值滤波结果，提高得到的图像特征的准确程度，使得外观质量检测结果更加准确。

Description

一种农产品外观质量检测系统

技术领域

本发明涉及质量检测领域，尤其涉及一种农产品外观质量检测系统。

背景技术

现有技术中，对农产品的外观进行质量检测的过程中，一般都是采用固定大小的滤波范围来进行中值滤波处理，在处理时，利用滤波范围内的像素点的灰度值的中值来作为滤波结果，例如申请号为CN201510411925.X的专利。但是，不同位置的属于噪声的像素点，其与周围的像素点之间的差异并不相同，采用固定大小的滤波范围进行中值滤波的方式，可能得到不够准确的滤波结果，例如，当滤波范围内的属于噪声的像素点的数量过多时，若滤波范围选择过小，由于较多的属于噪声的像素点参与了排序的过程，中值滤波的结果依然不够准确，导致获得的图像特征不够准确，依然会偏大，从而使得外观质量检测结果不够准确。

发明内容

本发明的目的在于公开一种农产品外观质量检测系统，解决在对农产品的外观进行检测时，如何获得更为准确的中值滤波结果，从而得到更为准确的外观质量检测结果的问题。

为了达到上述目的，本发明提供如下技术方案：

本发明提供了一种农产品外观质量检测系统，包括图像滤波模块，图像滤波模块用于采用如下方式对农产品的外观图像对应的灰度图像进行滤波处理：

计算灰度图像中的像素点的滤波对比值；

基于滤波对比值获取灰度图像中的属于噪声的像素点；

计算属于噪声的像素点的范围参数；

基于范围参数对属于噪声的像素点进行中值滤波处理，得到滤波图像。

优选地，滤波对比值的计算函数为：

filcom_a为像素点a的滤波对比值，grayval_a为像素点a的灰度值，migray_h为像素点a的h×h大小的邻域中的像素点的灰度值的最小值，h为大于等于3的奇数，η表示权重，η小于1且大于0，lrgnum_h为像素点h的灰度值像素点a的h×h大小的邻域中，满足如下不等式的像素点的数量：

grayval_ave-grayval_b≥H

H表示设定的灰度值，grayval_b表示像素点a的h×h大小的邻域中的像素点b的灰度值，grayval_ave表示像素点a的h×h大小的邻域中的像素点的灰度值的均值。

优选地，基于滤波对比值获取灰度图像中的属于噪声的像素点，包括：

对于像素点c，若c的滤波对比值满足如下不等式，则表示c为属于噪声的像素点：

filcom_c≥filthre

filthre表示预先设置的滤波对比值阈值。

优选地，计算属于噪声的像素点的范围参数，包括：

对于属于噪声的像素点d，其范围参数的计算函数如下：

rangcoef_d表示属于噪声的像素点d的范围参数，filcom_d表示属于噪声的像素点d的滤波对比值，filcom_max表示灰度图像中的像素点的滤波对比值的最大值，nfnois_d表示属于噪声的像素点d的h×h大小的邻域中所包含的属于噪声的像素点总数，Θ表示设定的范围参数的基准值，Θ为大于等于3的整数，λ₁和λ₂分别表示设定的第一参数和第二参数，λ₁+λ₂＝1。

优选地，基于范围参数对属于噪声的像素点进行中值滤波处理，得到滤波图像，包括：

分别对每个属于噪声的像素点进行如下处理，得到滤波图像：

对于属于噪声的像素点d，若rangcoef_d为偶数，则将rangcoef_d的数值加上1，得到正方形的滤波区域的边长；若rangcoef_d为奇数，则直接将rangcoef_d作为正方形的滤波区域的边长；

该滤波区域的中心为属于噪声的像素点d；

获取滤波区域中的像素点的灰度值的中值，将该中值作为d的新的灰度值。

优选地，还包括摄像模块，摄像模块用于对农产品的外观进行拍摄，获得农产品的外观图像。

优选地，还包括灰度处理模块；

灰度处理模块用于对农产品的外观图像进行灰度化处理，得到灰度图像。

优选地，还包括图像分割模块；

图像分割模块用于对滤波图像进行分割，得到滤波图像中的农产品区域所对应的分割图像。

优选地，还包括特征提取模块；

特征提取模块用于获取分割图像中的图像特征。

优选地，还包括神经网络模块；

神经网络模块用于基于图像特征判断农产品的外观质量是否符合设定的要求。

与现有技术相比，本发明是基于范围参数来进行中值滤波处理，并不是采用固定大小的滤波范围来进行中值滤波处理，使得滤波范围能够随着属于噪声的像素点的属性的变化而自动变化，大幅度降低了滤波后得到的像素值偏大的情况的出现概率，有利于得到更准确的中值滤波结果，提高得到的图像特征的准确程度，使得外观质量检测结果更加准确。

附图说明

从下文给出的详细描述和附图中将更充分地理解本公开，附图仅以说明的方式给出，因此不限制本公开，并且其中：

图1为本发明的滤波处理过程的一种示意图。

图2为本发明的农产品外观质量检测系统的一种示意图。

图3为本发明的农产品外观质量检测系统的另一种示意图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

如图1所示的一种实施例，本发明提供了一种农产品外观质量检测系统，包括图像滤波模块，图像滤波模块用于采用如下方式对农产品的外观图像对应的灰度图像进行滤波处理：

计算灰度图像中的像素点的滤波对比值；

基于滤波对比值获取灰度图像中的属于噪声的像素点；

计算属于噪声的像素点的范围参数；

基于范围参数对属于噪声的像素点进行中值滤波处理，得到滤波图像。

与现有技术相比，本发明是基于范围参数来进行中值滤波处理，并不是采用固定大小的滤波范围来进行中值滤波处理，使得滤波范围能够随着属于噪声的像素点的属性的变化而自动变化，大幅度降低了滤波后得到的像素值偏大的情况的出现概率，有利于得到更准确的中值滤波结果，提高得到的图像特征的准确程度，使得外观质量检测结果更加准确。

优选地，滤波对比值的计算函数为：

filcom_a为像素点a的滤波对比值，grayval_a为像素点a的灰度值，migray_h为像素点a的h×h大小的邻域中的像素点的灰度值的最小值，h为大于等于3的奇数，η表示权重，η小于1且大于0，lrgnum_h为像素点h的灰度值像素点a的h×h大小的邻域中，满足如下不等式的像素点的数量：

grayval_ave-grayval_b≥H

H表示设定的灰度值，grayval_b表示像素点a的h×h大小的邻域中的像素点b的灰度值，grayval_ave表示像素点a的h×h大小的邻域中的像素点的灰度值的均值。

在上述实施方式中，像素点a的滤波对比值从像素点a与邻域中的像素点的灰度值的最小值之间的差值以及满足上述不等式的像素点的数量两个角度综合计算得到，当差值越大，lrgnum_h的值越大时，表示像素点a与领域中的像素点之间的差异越大，像素点a属于噪声的概率越大。从两个角度进行综合计算，能够提高滤波对比值的有效程度。另外，本发明没有将像素点a与邻域中的像素点的均值之间的差值计算得到滤波对比值，因为，当邻域中包含的属于噪声的像素点过多时，均值会偏大，此时，像素点a与均值之间的差值会偏小，从而导滤波对比值偏小，使得像素点a的滤波对比值大于滤波对比值阈值的概率偏小，从而能准确地判断出像素点a是否为属于噪声。另外，本发明还通过计算比灰度值的均值小的像素点的数量来计算滤波对比值，因为当差值越大时，lrgnum_h越大，表示像素点a与邻域中的像素点之间的灰度值的差距越大，能够更准得判断出像素点是否为噪声。

a的邻域指的是以a为中心的，边长为h的范围内的正方形区域。

优选地，基于滤波对比值获取灰度图像中的属于噪声的像素点，包括：

对于像素点c，若c的滤波对比值满足如下不等式，则表示c为属于噪声的像素点：

filcom_c≥filthre

filthre表示预先设置的滤波对比值阈值。

具体的，当像素点为噪声时，滤波对比值会显著大于非噪声的像素点，因此，通过设置滤波对比阈值能够准确地判断出像素点是否为噪声像素点。

优选地，计算属于噪声的像素点的范围参数，包括：

对于属于噪声的像素点d，其范围参数的计算函数如下：

rangcoef_d表示属于噪声的像素点d的范围参数，filcom_d表示属于噪声的像素点d的滤波对比值，filcom_max表示灰度图像中的像素点的滤波对比值的最大值，nfnois_d表示属于噪声的像素点d的h×h大小的邻域中所包含的属于噪声的像素点总数，Θ表示设定的范围参数的基准值，Θ为大于等于3的整数，λ₁和λ₂分别表示设定的第一参数和第二参数，λ₁+λ₂＝1。

在上述实施方式中，范围参数与滤波对比值、邻域中所包含的属于噪声的像素点总数有关，滤波对比值越大，nfnois_d的值越大，则范围参数越大，表示越多的像素点参与到d的滤波过程中，从而避免了出现采用固定大小的滤波范围进行中值滤波时出现的滤波范围内的属于噪声的像素点的数量过多时，滤波后的得到的灰度值依然偏大的问题的出现，获得了更加准确的中值滤波的结果。而当滤波对比值越小，nfnois_d的值越小时，滤波范围也会越小，从而减少参与中值滤波的像素点的数量，提高中值滤波的效率。

优选地，基于范围参数对属于噪声的像素点进行中值滤波处理，得到滤波图像，包括：

分别对每个属于噪声的像素点进行如下处理，得到滤波图像：

对于属于噪声的像素点d，若rangcoef_d为偶数，则将rangcoef_d的数值加上1，得到正方形的滤波区域的边长；若rangcoef_d为奇数，则直接将rangcoef_d作为正方形的滤波区域的边长；

该滤波区域的中心为属于噪声的像素点d；

获取滤波区域中的像素点的灰度值的中值，将该中值作为d的新的灰度值。

在上述实施方式中，由于邻域需要以像素点d为中心，因此，滤波区域的边长需要为奇数。

优选地，如图2所示，还包括摄像模块，摄像模块用于对农产品的外观进行拍摄，获得农产品的外观图像。

具体的，摄像模块可以是CCD相机等具有成像能力的设备。

优选地，对农产品的外观进行拍摄，获得农产品的外观图像，包括：

从预设的多个拍摄角度对农产品进行拍摄，获得农产品的在不同的拍摄角度下的外观图像。

在本发明中，拍摄角度可以是农产品的正前方、正后方、正左方、正右方、正上方和正下方。

其中，可以将农产品至于透明的载体上，从而实现对正下方的拍摄。另外，还可以通过调整农产品的位置，即将正上方调整至与载体接触，从而实现对农产品的正下方的拍摄。

优选地，如图3所示，还包括灰度处理模块；

灰度处理模块用于对农产品的外观图像进行灰度化处理，得到灰度图像。

具体的，可以通过最大值法、加权平均值法等算法来对农产品的外观图像进行灰度化处理，得到灰度图像。

优选地，还包括图像分割模块；

图像分割模块用于对滤波图像进行分割，得到滤波图像中的农产品区域所对应的分割图像。

具体的，得到的分割图像中不包含背景的像素点，减少了后续需提取图像特征的像素点的数量，提高图像特征提取的速度。

优选地，对滤波图像进行分割，得到滤波图像中的农产品区域所对应的分割图像，包括：

对滤波图像中的像素点进行前景强化处理，得到前景强化图像；

使用基于阈值分割的图像分割算法对前景强化图像进行分割，获得前景强化图像中的前景区域和背景区域，将前景区域作为农产品区域，由前景区域的像素点在滤波图像中对应的像素点组成分割图像。

具体的，进行前景强化处理，能够增加前景区域的像素点的灰度值，提高了前景区域与背景区域之间的灰度值的差异，有利于提高后续进行基于阈值分割的图像分割过程中得到更加准确的结果。而当得到图像分割结果之后，本发明是基于滤波图像来得到分割图像，而不是基于前景强化图像来得到分割图像，避免了前景强化图像中进行前景强化处理后得到的灰度值对正确地识别农产品的缺陷的影响。

优选地，对滤波图像中的像素点进行前景强化处理，得到前景强化图像，包括：

采用如下方式对滤波图像的每个像素点进行前景强化处理，得到前景强化图像：

S1，获取滤波图像中的像素点f在农产品图像中对应的像素点在RGB颜色空间中的红色分量、绿色分量、蓝色分量的数值value_R、value_G、value_B；

S2，判断value_R、value_G、value_B是否满足如下不等式，若是，进入S3，若否，进入S4：

value_R,std、value_G,std、value_B,std分别表示农产品的对比图像中的像素点红色分量、绿色分量、蓝色分量的数值；rthre、gthre、bthre分别表示预设的第一阈值、第二阈值、第三阈值；

S3，使用如下函数对滤波图像中的像素点f进行前景强化处理：

grayval_f＝(v₁+ψ)×s1+v₂×s2+v₃×s3

grayval_f为像素点f的灰度值，v₁、v₂、v₃为s1、s2、s3的权重，s1＝max{value_R,value_G,value_B}，s2和s3表示{value_R,value_G,value_B}中除了s1之外的另外两个元素，value_R、value_G、value_B的权重分别为0.298，0.577，0.115，ψ大于等于1.5×v₁；

S4，不对像素点f进行前景强化处理。

在本发明中，前景强化处理是基于像素点的三种颜色分量进行的，当像素点的三种颜色分量与对比图像中的像素点的颜色分量越接近，则表示该像素点属于农产品所在的区域的像素点的概率越大，此时，本发明对这种像素点进行相应的灰度值提升，从而使得后续在图像分割中，能够更加准确得到农产品区域的像素点。

以番茄为例，成熟后的番茄一般呈现红色，通过对大量的外观完整无损的，符合上市要求的番茄在同一个角度进行拍摄，获取拍摄得到的图像在RGB颜色空间中的各个分量的均值，从而得到该角度的番茄的对比图像。而在需要进行质量检测时，通过对得到的外观图像与对比图像之间进行对比，从而确定像素点属于番茄的区域的概率，只有三个分量均符合不等式的要求时，才能够进行前景强化处理。

优选地，还包括特征提取模块；

特征提取模块用于获取分割图像中的图像特征。

具体的，图像特征包括轮廓特征，边缘特征等。

优选地，还包括神经网络模块；

神经网络模块用于基于图像特征判断农产品的外观质量是否符合设定的要求。

具体的，神经网络模块主要是基于图像特征判断农产品的外观是否包含空洞、裂缝等缺陷，在不包含任何类型的缺陷时，农产品的外观质量符合设定的要求。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (8)

1.一种农产品外观质量检测系统，其特征在于，包括图像滤波模块，图像滤波模块用于采用如下方式对农产品的外观图像对应的灰度图像进行滤波处理：

计算灰度图像中的像素点的滤波对比值；

基于滤波对比值获取灰度图像中的属于噪声的像素点；

计算属于噪声的像素点的范围参数；

基于范围参数对属于噪声的像素点进行中值滤波处理，得到滤波图像；

计算属于噪声的像素点的范围参数，包括：

对于属于噪声的像素点d，其范围参数的计算函数如下：

rangcoef_d表示属于噪声的像素点d的范围参数，filcom_d表示属于噪声的像素点d的滤波对比值，filcom_max表示灰度图像中的像素点的滤波对比值的最大值，nfnois_d表示属于噪声的像素点d的h×h大小的邻域中所包含的属于噪声的像素点总数，Θ表示设定的范围参数的基准值，Θ为大于等于3的整数，λ₁和λ₂分别表示设定的第一参数和第二参数，λ₁+λ₂＝1；

基于范围参数对属于噪声的像素点进行中值滤波处理，得到滤波图像，包括：

分别对每个属于噪声的像素点进行如下处理，得到滤波图像：

对于属于噪声的像素点d，若rangcoef_d为偶数，则将rangcoef_d的数值加上1，得到正方形的滤波区域的边长；若rangcoef_d为奇数，则直接将rangcoef_d作为正方形的滤波区域的边长；

该滤波区域的中心为属于噪声的像素点d；

获取滤波区域中的像素点的灰度值的中值，将该中值作为d的新的灰度值。

2.根据权利要求1所述的一种农产品外观质量检测系统，其特征在于，滤波对比值的计算函数为：

filcom_a为像素点a的滤波对比值，grayval_a为像素点a的灰度值，migray_h为像素点a的h×h大小的邻域中的像素点的灰度值的最小值，h为大于等于3的奇数，η表示权重，η小于1且大于0，lrgnum_h为像素点h的灰度值像素点a的h×h大小的邻域中，满足如下不等式的像素点的数量：

grayval_ave-grayval_b≥H

H表示设定的灰度值，grayval_b表示像素点a的h×h大小的邻域中的像素点b的灰度值，grayval_ave表示像素点a的h×h大小的邻域中的像素点的灰度值的均值。

3.根据权利要求2所述的一种农产品外观质量检测系统，其特征在于，基于滤波对比值获取灰度图像中的属于噪声的像素点，包括：

对于像素点c，若c的滤波对比值满足如下不等式，则表示c为属于噪声的像素点：

filcom_c≥filthre

filthre表示预先设置的滤波对比值阈值。

4.根据权利要求1所述的一种农产品外观质量检测系统，其特征在于，还包括摄像模块，摄像模块用于对农产品的外观进行拍摄，获得农产品的外观图像。

5.根据权利要求1所述的一种农产品外观质量检测系统，其特征在于，还包括灰度处理模块；

灰度处理模块用于对农产品的外观图像进行灰度化处理，得到灰度图像。

6.根据权利要求5所述的一种农产品外观质量检测系统，其特征在于，还包括图像分割模块；

图像分割模块用于对滤波图像进行分割，得到滤波图像中的农产品区域所对应的分割图像。

7.根据权利要求6所述的一种农产品外观质量检测系统，其特征在于，还包括特征提取模块；

特征提取模块用于获取分割图像中的图像特征。

8.根据权利要求7所述的一种农产品外观质量检测系统，其特征在于，还包括神经网络模块；

神经网络模块用于基于图像特征判断农产品的外观质量是否符合设定的要求。