苹果的特征检测与MATLAB实现
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
苹果的特征检测与MATLAB实现
王术兰徐晓辉胡慧
摘要本文选取了可用于苹果分级的部分特征,并在Matlab上进行试验检测。该方法可以对苹果的外部缺陷、果梗、尺寸和形状进行全面的检测,在此基础上可对苹果进行高速和精确的分级。
关键词分级;缺陷;果梗
0引言
近年来,国外在利用计算机视觉技术进行水果品质检测方面做了大量研究,并获得了许多重要成果;在我国也有许多研究报导,但到目前为止都处于试验阶段,而且分析方法距实际应用还有一段距离。特别是在缺陷检测方面,目前采用的方法处理速度很慢,在实际在线工作时无法使用。国外学者(ChengX等)在识别缺陷时获得成功,但需要同时使用近红外和中红外摄像设备,这2种设备造价之昂贵,使得该方法的应用受到限制,无法在农业分级设备中广泛应用。因此,研究适合于生产的分级检测方法有重要意义。
1大小检测
对于苹果大小的检测,主要依靠求出的苹果面积作为判别依据。本课题所采用的苹果图片都只是单个苹果的图片。首先对图片进行灰度处理,使用的MATLAB函数是rgb2gray;其次使用函数im2bw把灰度图转换为二值图,阈值则取0.9,从而使苹果区域为黑色,其余区域为白色;然后对二值图取反,使黑白颜色区域颠倒,这时的苹果区域为白色;最后利用函数bwarea可以计算白色区域的像素点的个数total。利用total 与整幅图片的像素值(x*y)之比,再与图片的面积相乘,便可得出苹果相对图片的面积.利用这个面积我们可以进行筛选.
I=imread('图片名.jpg');
I2=rgb2gray(I);
BW=im2bw(I2,0.9);
total=bwarea(~BW)
figure,subplot(1,3,1),imshow(I);
subplot(1,3,2),imshow(I2);
subplot(1,3,3),imshow(BW);
如图1所示:
a原始图片 b灰度图片 c二值图片
图1 求苹果面积过程中的图像变换
2缺陷检测
对于苹果表面的缺陷(如疤瘌、黑斑等),本课题采用特征提取,即提取出坏损部位的轮廓,再进行填充求其面积,以其面积在图片中的比例作为判别依据。首先,对采集的原始图片(即彩色图片)进行灰度变换;接着用函数imadjust来调整灰度;对灰度图片进行一次中值滤波后,再对图片进行边缘检测;这时坏损的轮廓已经出现,但还有一些噪声存在,为滤掉噪声,要先对坏损的轮廓填充,采用BWfill=imfill(BW,'holes')语句,使缺陷部位的像素点为白色;其次是经过滤波,把噪声滤掉求缺陷的像素个数a,与图片总的像素个
数(x*y)的比b就是我们判断的依据,本程序设b=0。
I=imread('图片名.jpg');
I2=rgb2gray(I);
J=imadjust(I2,[0.1 0.3],[]);
B=medfilt2(J);
BW=edge(B,'sobel',0.1);
BWfill=imfill(BW,'holes');
BWfilt=medfilt2(BWfill);
BWfilt2=medfilt2(BWfilt);
BWfilt3=medfilt2(BWfilt2);
BWfilt4=medfilt2(BWfilt3);
BWfilt5=medfilt2(BWfilt4);
figure,subplot(1,3,1),imshow(I);
subplot(1,3,2),imshow(I2);
subplot(1,3,3),imshow(J);
figure,subplot(1,3,1),imshow(BW);
subplot(1,3,2),imshow(BWfill);
subplot(1,3,3),imshow(BWfilt5);
a=bwarea(BWfilt5);
[x,y]=size(I);
b=a/(x*y);
if (b>0)
fprintf('有缺陷');
else
fprintf('无缺陷');
end
a原始图片 b灰度图片 c灰度变换
d边缘检测 e轮廓填充 f滤波
图2检测苹果表面坏损过程中的图像变换
3果梗检测
对苹果梗的检测,主要是通过对苹果的轮廓线矩阵求差分实现的。利用图像处理技术对苹果的彩色图片进行灰度转换,经滤波后再边缘检测,提取出苹果的轮廓线,利用imcontour函数可以得出轮廓线的矩阵,再用diff函数对矩阵进行差分,把这些差分值累加,于是得到一个sum值。这个值就是我们判断果梗有无的依据。当有果梗时sum会在0到-5.0000e5(估测值)之间,而无果梗的sum值是正值,本程序大概定于8000
以上。
I=imread('图片名.jpg');
I2=rgb2gray(I);
B=medfilt2(I2);
B2=medfilt2(B);
B3=medfilt2(B2);
B4=medfilt2(B3);
B5=medfilt2(B4);
B6=medfilt2(B5);
BW=edge(B6,'sobel',0.1);
figure,subplot(1,4,1),imshow(I);
subplot(1,4,2),imshow(I2);
subplot(1,4,3),imshow(B6);
subplot(1,4,4),imshow(BW);
figure,[C,h]=imcontour(BW);
a=diff(C);
[x,y]=size(a);
sum=0;
for i=1:x
for j=1:y
sum=sum+a(i,j);
end
end
if (sum>8000||sum<-5.0000e+005)
fprintf('无果梗');
else
fprintf('有果梗');
end
a原始图片b灰度图片c滤波后的图片 d边缘检测 e数据轮廓线
图3检测果梗过程中的图像变换
4结论
通过在Matlab上实验分析,应用这些特征加以判断对水果进行分级,解决了苹果自动分级视觉信息处理中亟待进一步完善的问题——果梗判别,与此同时还能进行边缘检测,算法简单易行,再加上算法本身既适合于并行处理,又适合于硬件电路实现,为苹果自动分级系统的真正实施打下了坚实的基础。