CN1844900A

CN1844900A - 基于激光图像的水果表面缺陷检测方法及装置

Info

Publication number: CN1844900A
Application number: CNA2006100502836A
Authority: CN
Inventors: 饶秀勤; 应义斌
Original assignee: Zhejiang University ZJU
Current assignee: Zhejiang University ZJU
Priority date: 2006-04-10
Filing date: 2006-04-10
Publication date: 2006-10-11
Anticipated expiration: 2026-04-10
Also published as: CN100427931C

Abstract

本发明公开了一种基于激光图像的水果表面缺陷检测方法及装置。由编码器，水果输送装置，屏蔽箱，激光投射器，摄像机，图像采集卡，计算机和水果表面缺陷检测软件。水果品质检测软件能实现激光图像获取、激光图像统计特征计算和水果表面状态推断功能。用水果激光图像的灰度平均值、标准差值和信息熵值推断激光照射表面是正常水果表面还是缺陷表面，从而完成对水果表面状态的检测。本发明的有益效果是：用激光照射水果后，水果正常表面和缺陷表面的激光图像差异明显，从而提高机器视觉系统的水果表面缺陷的检测能力。

Description

基于激光图像的水果表面缺陷检测方法及装置

技术领域

本发明涉及一种基于激光图像的水果表面缺陷检测方法及装置。

背景技术

水果在进入流通的前，先进行品质检测并按市场需求进行分级分类，便于按质论价，可提高水果的商品价值，增加农民收入。

机器视觉技术已应用于水果品质检测。在现有的机器视觉技术进行水果品质检测时，表面缺陷是一个难题。这是由于水果表面曲度的变化，在水果边缘，光线的反射方向与相机光轴的夹角较大，根据朗伯的光线反射定律，则从相机方向看，水果边缘的亮度较低，表现为水果边缘的灰度值较低，而水果表面缺陷通常以较低灰度的形式在水果图像中出现(Tao，Y.，and Z.Wen.1999.AdaptiveSpherical Image Transform For High-Speed Fruit Defect Detection.Trans.of ASAE.Vol.42(1)：241-246)，这样就导致了水果表面缺陷的检测困难。其次，水果的表面缺陷易与果梗和花萼部相混淆，果梗和花萼部通常为凹陷形，光线难以反射，在水果图像上形成低灰度区，被误判成缺陷。目前的解决方法有两个：一是将水果假设成标准的球体，根据球体对光线的反射规律对水果进行灰度校正，可基本解决表面缺陷的检出问题，但不能保证将果梗和花萼误判成缺陷(付峰，应义斌.球体图像灰度变换模型及其在柑桔图像校正中的应用。农业工程学报。2004，20(4).-117-120)；二是用普通CCD相机和中红外相机同时采集图像(Wen，Z.and Y.Tao.Fuzzy-based determination of model and parameters ofdual-wavelength vision system for on-line apple sorting.Optical Engineering.1998，Vol.37(1)：293-299)，检测时，苹果预先在冷库中贮存，送入检测系统后，苹果除果梗和花萼的表面因与输送系统接触而迅速升温，而果梗和花萼部由于凹陷而升温较慢，二者之间形成温差，利用中红外相机对温度敏感的特性得到水果的温度场图像，再与普通CCD相机得到的水果图像进行融合处理，就可将果梗和花萼与缺陷区别开来。这一方法的主要缺陷在于系统由于中红外相机的引入而显得过于昂贵。

发明内容

针对现有的机器视觉系统对水果表面缺陷难以检测的问题，本发明提供一种基于激光图像的水果表面缺陷检测方法及装置。采用激光照射水果后，水果正常表面和缺陷表面的激光图像呈现明显差异，这种差异有利于机器视觉系统对水果表面缺陷的检测。

本发明解决其技术问题所采用的技术方案是：

一、基于激光图像的水果表面缺陷检测方法：

分别获取激光照射水果正常表面和缺陷表面的水果激光图像，对这些水果激光图像的灰度值进行分析计算，得到水果激光图像的灰度平均值、标准差值和信息熵值；由于水果表面的差异，这些值之间存在明显差异，存在灰度值均值阈值、标准差值阈值和信息熵值阈值，将水果正常表面和缺陷表面区分开来。

对获取的水果激光图像的灰度值进行分析计算，得到水果激光图像的灰度平均值、标准差值和信息熵值：

激光图像灰度值的均值 g按下式计算：

\overset{&OverBar;}{g} = \frac{1}{N \times M} Σ_{i = 1}^{M} Σ_{j = 1}^{N} g (i, j) \cdot \cdot \cdot (1)

g——激光图像灰度值的均值

M——激光图像宽度

N——激光图像长度

激光图像灰度值的标准差S_d按下式计算：

Sd = \sqrt{\frac{1}{N \times M} Σ_{i = 1}^{M} Σ_{j = 1}^{N} {(g (i, j) - \overset{&OverBar;}{g})}^{2}} \cdot \cdot \cdot (2)

S_d——激光图像灰度值的标准差

M——激光图像宽度

N——激光图像长度

激光图像灰度值的信息熵值H按下式计算：

H = - Σ_{i = 1}^{q} P_{i} \log_{2} P_{i}

(P_i＞0) (3)

H——激光图像灰度值的信息熵值

q——激光图像灰度值的最大值，对于8位数字图像，q取255

P_i——激光图像上灰度值为i的像素点出现的频度

由于水果表面的差异，水果激光图像的灰度平均值、标准差值和信息熵值之间存在明显差异，存在灰度平均值阈值、标准差值阈值和信息熵值阈值，将水果正常表面和缺陷表面区分开来。

二、基于激光图像的水果表面缺陷检测装置：

将编码器装在水果输送装置上，通过导线与安装在计算机内的图像采集卡相连，屏蔽箱安装在水果输送装置的上方，摄像机位于屏蔽箱内，通过导线与安装在计算机内的图像采集卡相连，在计算机内设置水果表面缺陷检测软件；激光投射器安装在屏蔽箱的上方。

本发明具有的有益效果是：用激光照射水果后，水果正常表面和缺陷表面的激光图像差异明显，从而提高机器视觉系统的水果表面缺陷的检测能力。

附图说明

图1是本发明的结构示意图。

图2是水果缺陷表面检测软件流程图。

图3是脐橙正常表面的激光图像。

图4是脐橙缺陷表面的激光图像。

图5是脐橙不同表面的激光图像灰度值的均值对比图。

图6是脐橙不同表面的激光图像灰度值的标准差对比图。

图7是脐橙不同表面的激光图像灰度值的信息熵对比图。

图中：1、编码器，2、水果输送装置，3水果，4、屏蔽箱，5、激光投射器，6、摄像机，7、图像采集卡，8、计算机，9、水果表面缺陷检测软件。

具体实施方式

如图1所示，本发明包括编码器1，水果输送装置2，屏蔽箱4，激光投射器5，摄像机6，图像采集卡7，计算机8和水果表面缺陷检测软件9。将编码器1装在水果输送装置2上，通过导线与安装在计算机8内的图像采集卡7相连，屏蔽箱4安装在水果输送装置2的上方，摄像机6位于屏蔽箱4内，通过导线与安装在计算机8内的图像采集卡7相连，在计算机8内设置水果表面缺陷检测软件9；激光投射器5安装在屏蔽箱4的上方。

水果输送装置2采用中国发明专利“采用移位寄存器控制的机器视觉水果分级系统(ZL02160193.3)”中的输送装置2。

编码器1安装在水果输送装置2上，其连接方式采用中国发明专利“采用移位寄存器控制的机器视觉水果分级系统(ZL02160193.3)”中的输送装置2与编码器1的连接方式。

编码器1输出的同步脉冲信号接到图像采集卡7的触发信号输入端，屏蔽箱4安装在水果输送装置2的上方，激光投射器5和摄像机6均安装在屏蔽箱4内部上方，摄像机6的输出信号通过电缆接到图像采集卡7，图像采集卡7安装在计算机8的插槽；

激光投射器5采用半导体激光标线仪，其波长和图案可根据水果品种确定。

计算机8上安装水果品质检测软件9。

如图2所示，水果品质检测软件9能实现激光图像获取、激光图像统计特征计算和水果表面状态推断功能。

在用于编码器1产生的同步脉冲信号作用下，计算机8从摄像机6经图像采集卡7获取水果的激光图像；

对获取的水果激光图像的灰度值进行统计特征分析计算，得到水果激光图像的灰度平均值、标准差值和信息熵值。

激光图像灰度值的均值 g按下式计算：

\overset{&OverBar;}{g} = \frac{1}{N \times M} Σ_{i = 1}^{M} Σ_{j = 1}^{N} g (i, j) \cdot \cdot \cdot (1)

g——激光图像灰度值的均值

M——激光图像宽度

N——激光图像长度

激光图像灰度值的标准差S_d按下式计算：

Sd = \sqrt{\frac{1}{N \times M} Σ_{i = 1}^{M} Σ_{j = 1}^{N} {(g (i, j) - \overset{&OverBar;}{g})}^{2}} \cdot \cdot \cdot (2)

S_d——激光图像灰度值的标准差

M——激光图像宽度

N——激光图像长度

激光图像灰度值的信息熵值H按下式计算：

H = - Σ_{i = 1}^{q} P_{i} \log_{2} P_{i}

(P_i＞0) (3)

H——激光图像灰度值的信息熵值

q——激光图像灰度值的最大值，对于8位数字图像，q取255

P_i——激光图像上灰度值为i的像素点出现的频度

下面以脐橙表面缺陷检测为例说明实施过程：

先按照前述的方法组成基于激光图像的水果表面缺陷检测方法及装置，然后将一批脐橙样本分别输入检测系统，获取如图3和图4像所示的脐橙正常表面的激光图像和脐橙缺陷表面的激光图像。对激光图像的灰度值按式(1)、式(2)、式(3)分别计算灰度平均值、标准差值和信息熵值，得到水果样本的有关图像统计特征值。

将样本的灰度平均值、标准差值和信息熵值分别制成如图5、图6、图7所示的脐橙不同表面的激光图像灰度值的均值对比图、脐橙不同表面的激光图像灰度值的标准差对比图和脐橙不同表面的激光图像灰度值的信息熵对比图。

下面对这些对比图进行分析：

图5是脐橙不同表面的激光图像灰度值的均值对比图，从图5可以看出，正常表面的激光图像灰度值的均值均大于35，而水果表面缺陷的激光图像灰度值的均值小于35(除12号样本外)，总有效率大于96％。此时，灰度平均值阈值是35。

图6是脐橙不同表面的激光图像灰度值的标准差对比图，从图6可以看出，正常表面的激光图像灰度值的标准差均大于600，而水果表面缺陷的激光图像灰度值的标准差小于500(除12号样本外)，总有效率也大于96％。此时，灰度标准差阈值是600。

是脐橙不同表面的激光图像灰度值的信息熵对比图，从图7可以看出，正常表面的激光图像灰度值的信息熵值均大于-10000，而水果表面缺陷的激光图像灰度值的信息熵值小于-10000(除12号样本外)，总有效率也大于96％。此时，信息熵值阈值是-10000。

因此脐橙表面激光图像灰度值的均值、标准差和信息熵值均能用于检测脐橙表面缺陷：

激光照射脐橙表面时，得到的激光图像的灰度值均值如果大于灰度均值阈值，则当前激光照射的表面为正常表面，否侧为缺陷表面；

激光照射脐橙表面时，得到的激光图像的灰度值标准差值如果大于标准差值阈值，则当前激光照射的表面为正常表面，否侧为缺陷表面；

激光照射脐橙表面时，得到的激光图像的灰度值信息熵值如果大于信息熵值阈值，则当前激光照射的表面为正常表面，否侧为缺陷表面；

这样，就将脐橙的表面缺陷检测出来了。

Claims

1.一种基于激光图像的水果表面缺陷检测方法，其特征在于：分别获取激光照射水果正常表面和缺陷表面的水果激光图像，对这些水果激光图像的灰度值进行分析计算，得到水果激光图像的灰度平均值、标准差值和信息熵值；由于水果表面的差异，这些值之间存在明显差异，存在灰度值均值阈值、标准差值阈值和信息熵值阈值，将水果正常表面和缺陷表面区分开来。

2.根据权利要求1所述的一种基于激光图像的水果表面缺陷检测方法，其特征在于：对获取的水果激光图像的灰度值进行分析计算，得到水果激光图像的灰度平均值、标准差值和信息熵值：

激光图像灰度值的均值 g按下式计算：

g = \frac{1}{N \times M} Σ_{i = 1}^{M} Σ_{j = 1}^{N} g (i, j) - - - (1)

g—激光图像灰度值的均值

M—激光图像宽度

N—激光图像长度

激光图像灰度值的标准差S_d按下式计算：

Sd = \sqrt{\frac{1}{N \times M} Σ_{i = 1}^{M} Σ_{j = 1}^{N} {(g (i, j) - \overset{&OverBar;}{g})}^{2}} - - - (2)

Sd—激光图像灰度值的标准差

M—激光图像宽度

N—激光图像长度

激光图像灰度值的信息熵值H按下式计算：

H = - Σ_{i = 1}^{q} P_{i} \log_{2} P_{i} - - (P_{i} > 0) - - - (3)

H—激光图像灰度值的信息熵值

q—激光图像灰度值的最大值，对于8位数字图像，q取255

P_i—激光图像上灰度值为i的像素点出现的频度

3.一种基于激光图像的水果表面缺陷检测装置，将编码器(1)装在水果输送装置(2)上，通过导线与安装在计算机(8)内的图像采集卡(7)相连，屏蔽箱(4)安装在水果输送装置(2)的上方，摄像机(6)位于屏蔽箱(4)内，通过导线与安装在计算机

(8)内的图像采集卡(7)相连，在计算机(8)内设置水果表面缺陷检测软件(9)；其特征在于：激光投射器(5)安装在屏蔽箱(4)的上方。