高斯拉普拉斯算子检测马铃薯斑点缺陷研究
合集下载
相关主题
- 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)。
［2 ］
等组成 。 本光照箱内部为白色背景 ， 可以有效增强拍 照的漫反射 ， 减少反光 ， 更利于图像的降噪处理 ； 顶部 内置 32W ﹑直径为 26cm 的环形光源
［9 ］
色特征差异 ， 引用颜色直方图和多参数的方式可以将 其进行合理的分类 ， 准确率为 90% 。Noordam J C 等 利用 C 语 言 编 程 设 计 了 图 像 采 集 、 识别处理一体软 件， 可以检测到马铃薯的大小 、 形状 ， 并且可以识别到 绿皮 、 生 长 裂 缝 等 表 面 缺 陷， 识 别 率 超 过 了 90% 。 Barnes ， M
主要为马铃薯的干腐﹑结 指的是表面变暗的小区域 ，
2 2 g g 2 + 2 ； 规范化后高斯拉普拉斯变 x y 2 2 1 g g 2 2 1 － 2 + 2） = σ Δ g = － 2［ x y πσ
（ g）
缺陷识别图 Fig． 4
（ h） 图4
缺陷识别图 马铃薯缺陷识别
（ i）
陷进行识别 ， 利用图像的颜色和纹理进行训练 ， 利用 自适应增强算法可以实现缺陷与非缺陷的 鉴 别 。 王 泽京
［4 ］
G、 B3 个通道的色度标准差可 提出了基于 Ｒ 、
以识别出马铃薯的暗色缺陷 ， 针对绿皮的颜色特征提 出欧氏距离法检测绿皮缺陷 ； 马铃薯检测的准确率达 90% 。 李锦卫［5］ 等针对目标马铃 薯 缺 陷 的 颜 色 特 征
［1 ］
等利用支持向量机分类器对马铃薯外部缺陷和大小 进行排序和分类 ， 研究发现支持向量机法可以较准确 地检测马铃薯外部缺陷 。
1
1． 1
实验材料及流程 机器视觉系统 、
硬件部分 采用的机器视觉系统
［8 ］
（ 见图 1 ） 由 CCD 摄像机 、
环形光源﹑光照箱﹑载物台﹑图像采集卡及计算机 ， 利用马铃薯和苹果的颜
2 norm
g。
3 ） 在位置和尺度空间建立 3 × 3 的空间模板 ， 设 置 27 个像素点为一组 ， 如果一组中某点的灰度值拉 普拉斯响应值比其领域的 26 个立方空格灰度值的拉 普拉斯响应值都大或者都小 ， 则被检测为斑点 ， 如图 4 （ d） 、 （ e） 、 （ f ） 所示 。 4 ） 将检 测 出 的 缺 陷 进 行 标 记 ， （ h） 、 如图 4 （ g） 、 （ i ） 所示 。
将目标马铃薯与图像背景进行了准确分
将其两值之和 割 。 首先找到图像最大和最小灰度值 ， 进行对半均分得到的初始阈值作为图像的平均灰度 值 T， 用 T 分割图像得到两组图像 ， 再分别计算两组图 像的平均灰度值后计算下一个阈值 ； 依次迭代 ， 直至 下一次迭代的阈值与上一次相同则该阈值为图像的 最佳阈值 ， 可正确分割目标马铃薯与背景 ， 如图 3 （ j ） 、 （ k） 、 （ l ） 所示 。
［3 ］
； 摄像头安装
在暗箱顶部中央 ， 将马铃薯放置在载物台 ， 尽量放置 在环形光源下面 ； 拍照的设备为 CCD 照相机 ， 图片为 24 位真彩图像 ； 将 CCD 拍到的图像利用图像采集卡 传输到装有 MatLab 软件的计算机中进行后续处理。
等利用像 素 分 类 器 将 分 割 后 图 像 中 的 缺
B 通道灰度化及迭代阈值分割法可以有效地识别马铃薯表皮的干腐、 结 痂 缺 陷 。 实 验 采 集 了 258 个 马 铃 薯 样 本 的 516 个 正 反 面 图 像 ， 正 确 识 别 率 94 % 以 上 。 结 果 表 明 ： 该 方 法 对 检 测 马 铃 薯 的 干 腐 及 结 痂 缺 陷 有 效 。 关键词： 高斯拉普拉斯算子； 马铃薯； 干腐； 结痂； 缺陷检测； B 通道灰度化； 迭代阈值分割法 中图分类号： TP391． 41 ； S11 文献标识码： A 文章编号： 1003 － 188X（ 2015 ） 07 － 0070 － 04
表1 Table 1 斑点马铃薯缺陷检测结果 Speck potato defect detection results 识别率 /% 95 94 95． 5 干腐 + 结痂马铃薯 正常马铃薯 76 49 97 96 总识别率 /%
r － 2σ = 0 该函数为圆对称函数 ， 通过变换尺度 σ 值可以检 测到不同大小的斑点 。 高斯拉普拉斯算子检测斑点的原理如下 ： 1 ） 将图像转换成灰度图像 ， 对于二维图像 ， 检测 图像不同点的灰度值 。 2 ） 计算图像在不同尺度 σ 下的离散拉普拉斯响 应值 Δ
Hardware system of machine vision
· 70·
2015 年 7 月 1． 2 实验材料
农 机 化 研 究
第7 期
证在消除噪声的同时还可以保持图像边缘的清晰 ， 从 （ h） 、 （ i ） 中可以看出图像更加柔和清晰 。 图 3 （ g） 、 利用阈值分割图像 是 最 具 代 表 性 的 一 种 分 割 方 法， 特别适用于目标和背景占据不同灰度级范围的图 像 。 根据马铃薯二值图像灰度直方图可看出 ， 背景灰 度和目标马铃薯灰度有明显差异 ， 本研究利用迭代阈 值分割法
（ a） 图2 Fig． 2 技术路线
原始图像
（ b）
原始图像
（ c）
原始图像
Technology roadmap
2
图像预处理
由于图像在拍摄与传输过程中会不可避免产生噪
（ d） B 通道灰度化 （ e） B 通道灰度化 （ f） B 通道灰度化
声， 且马铃薯表面的尘土也会影响缺陷识别 ， 所以必 消除图像噪声 ， 增强图像中有用 须进行图像预处理 ， 信息 ， 以利于后续马铃薯斑点的准确识别 。 预处理 需 将 图 像 灰 度 化 ， 研 究 发 现， 将采集的 ＲGB 图像 （ 见图 3 （ a ） 、 （ b） 、 （ c ） ） 进行 3 通道分割 ， B 通道的马铃薯目标图像与背景有明显灰度差 ， 而常规 灰度化背景与目标灰度差较小 ， 不利于目标马铃薯分 割， 所以选 择 B 通 道 进 行 灰 度 化 处 理 ， 如图 3 （ d） 、 （ e） 、 （ f ） 所示 。 利用图像平滑处理技术消除图像的随机噪声 ， 在 利用平滑技术的同时 ， 要求马铃薯图像在降噪处理的 过程中保持清晰的图像边缘线条 。 图像平滑 处 理 包 括空域滤波和频域滤波 。 空域滤波是对图像 中 每 个 像素为中心的领域进行一系列的计算 ， 然后将得到的 结果代替原来的像素值 。 频域滤波利用傅立 叶 变 化 将空域图 像 变 为 频 域 图 像 ， 在频域内对图像进行处 理， 最后通过傅立叶逆变换返回到空域 。 该预处理选 用空域滤波的中值滤波 ， 采用 3 × 3 中值滤波可以保
收稿日期 ： 2014 － 07 － 15 基金项目 ： 内蒙古自然科学基金项目 （ 2013MS0303 ） （E－ 作者简介 ： 郁志宏 （ 1966 － ） ， 女， 河北邢台人 ， 教授 ， 硕士生导师 ， mail ） yzhyqyzhyq@ 126． com 。 （ E － mail ） 女， 呼和浩特人 ， 硕士研究生 ， 通讯作者 ： 王福香 （ 1987 － ） ， 867193622@ qq． com 。 1． 载物台 2． 被测对象 3． 光照箱 4． 环形光源 5． CCD 摄像机 6． 图像采集卡 7． 计算机 图1 Fig． 1 机器视觉硬件系统
· 71·
2015 年 7 月
农 机 化 研 究
第7 期
色和灰度差别的区域 。 比如从远处看 ， 一棵树是一个 斑点 ， 一栋房子也是一个斑点 痂缺陷 。 y， 二维高斯函数 g （ x ， σ） =
2 斯变换为 Δ g =
2） 1 － （ x22+y e σ 的拉普拉 2 πσ
［11 ］
； 而马铃薯图像斑点
（ g）
中值滤波
（ h）
中值滤波
（ i）
中值滤波
（ j）
分割后 图3 Fig． 3
（ k）
分割后
（ l）
分割后
马铃薯预处理分割图
Pretreatment potato segmentation map
第 1 列为结痂和干腐缺陷， 第 2 列为结痂缺陷， 第 3 列为干腐缺陷
3
高斯拉普拉斯算子检测
图像斑点指的是在图像中与图像周围有着明显颜
［10 ］
本实验的对象为内蒙古呼和浩特市武川县的紫花 白马铃薯 ， 其特点是块茎呈椭圆形或圆形 ， 淡黄皮白 肉， 薯块大而整齐 ， 表皮光滑 。 1． 3 软件部分 利用 MatLab Ｒ2011a 软件编辑程序对马铃薯进行 干腐 、 结痂缺陷检测 。 1． 4 技术路线 技术路线如图 2 所示 。
求Δ
2
norm g 的最大值也就是求
g）
σ = 0
=0， 即
（ x + y － 2 σ ） ·e
2 2
2
2
2
－ 2σ
x2 +y2
黑， 与正常薯皮颜色有明显区别 ； 马铃薯的结痂缺陷 为分布在马铃薯表面的一些黑色斑点 ， 呈凸起状 ， 有 时候比较集中 ， 有时候比较分散 ， 但是结痂的存在同 样不利于马铃薯的直接加工 。 为了验证方法的准确性 ， 该研究选用了 258 个特 殊马铃薯 ， 采集 516 张图像 ， 其中包括 51 个健康马铃 61 个具有干腐特征马铃薯 ， 68 个具有结痂的马铃 薯， 78 个既有干腐又有结痂的马铃薯 ， 薯， 对于一个马铃 薯样本的正反两幅图像 ， 只要一幅图像有缺陷则识别 为缺陷马铃薯 。 对于干腐和结痂缺陷马铃薯 ， 由于缺 陷位置的随机性 、 缺陷大小的不同 ， 以及部分马铃薯 表皮具有灰尘或者其他杂质的存在 ， 造成高斯拉普拉 斯算子在缺陷识别时会存在误判 ， 需要将识别算法程 序进一步改进 。
正确识别个数
干腐马铃薯 结痂马铃薯
58 64
（ a）
原始图像
（ b）
原始图像
（ c）
原始图像
由表 1 可以看出： 结痂相比表中的其他缺陷而言， 识别率相对降低， 但其他缺陷识别过程中也存在一定 误差。主要原因是： 1 ） 马铃薯的结痂、 干腐缺陷有大小和颜色的区别， 对于一些结痂较小、 区域颜色灰度差异较小且分布比 较密集的时候， 高斯拉普拉斯算法会将这种分布密集
（ d）
缺陷分割图
（ e）
百度文库缺陷分割图
（ f）
缺陷分割图
的区域识别为正常薯皮马铃薯， 造成不能正确识别部 分结痂马铃薯； 对于结痂﹑干腐缺陷颜色不太明显， 且
· 72·
2015 年 7 月
［7 ］ 斑、 腐烂 、 机械损伤的缺陷马铃薯 。 Navid Ｒazmjooy
列 。 内蒙古有着适宜马铃薯生长的优异条件 ： 气候冷 凉、 温差大 、 日照充足 、 土壤疏松 ， 有利于淀粉的积累 ， 非常适宜马铃薯的生长 。 马铃薯的食用价格很高 ， 但 由于其外部缺陷的存在 ， 会严重影响马铃薯的价值 ， 如干腐﹑结痂等缺陷对马铃薯的利用有严重的影响 。 伴随着图像处理技术的快速发展 ， 很多学者将其 应用于农产品的缺陷检测中 ， 利用颜色空间和差异等 特征 ， 结合计算机软件对缺陷进行识别 ， 提高了农产 品缺陷识别效率 。 Tao Y ， Heinemann P H
DOI:10.13427/j.cnki.njyi.2015.07.016
0
引言
其产量位国内前 马铃薯是内蒙古的重要农产品 ，
信息 ， 提出亮度截留分割和快速 G 通道缺陷识别法 ，
［6 ］ G、 B 三通道的像 总识别率为 94． 6% 。 刘韦 利用 Ｒ 、
素值特征并结合 Fisher 分类器可以准确的识别具有青
2015 年 7 月
农 机 化 研 究
第7 期
高斯拉普拉斯算子检测马铃薯斑点缺陷研究
郁志宏 ， 王福香
（ 内蒙古农业大学 机电工程学院，呼和浩特 摘 010018 ）
要： 提 出 一 种 用 高 斯 拉 普 拉 斯 算 子 的 方 法 对 马 铃 薯 斑 点 缺 陷 进 行 检 测 ， 也 称 为“LoG 斑 点 ” 检测， 该算法结合
缺陷识别图
化为 Δ
2 norm
g = σ2 （
Pretreatment potato original
第 1 列为结痂干腐缺陷； 第 2 列为结痂缺陷； 第 3 列为干腐缺陷
（ x2 +y2 ） x2 + y2 · e － 2σ 。 2 ］ 2σ
4
（ Δ
2 norm
结果与分析
马铃薯的干腐缺陷常为小面积的局部干腐 ， 且发
等组成 。 本光照箱内部为白色背景 ， 可以有效增强拍 照的漫反射 ， 减少反光 ， 更利于图像的降噪处理 ； 顶部 内置 32W ﹑直径为 26cm 的环形光源
［9 ］
色特征差异 ， 引用颜色直方图和多参数的方式可以将 其进行合理的分类 ， 准确率为 90% 。Noordam J C 等 利用 C 语 言 编 程 设 计 了 图 像 采 集 、 识别处理一体软 件， 可以检测到马铃薯的大小 、 形状 ， 并且可以识别到 绿皮 、 生 长 裂 缝 等 表 面 缺 陷， 识 别 率 超 过 了 90% 。 Barnes ， M
主要为马铃薯的干腐﹑结 指的是表面变暗的小区域 ，
2 2 g g 2 + 2 ； 规范化后高斯拉普拉斯变 x y 2 2 1 g g 2 2 1 － 2 + 2） = σ Δ g = － 2［ x y πσ
（ g）
缺陷识别图 Fig． 4
（ h） 图4
缺陷识别图 马铃薯缺陷识别
（ i）
陷进行识别 ， 利用图像的颜色和纹理进行训练 ， 利用 自适应增强算法可以实现缺陷与非缺陷的 鉴 别 。 王 泽京
［4 ］
G、 B3 个通道的色度标准差可 提出了基于 Ｒ 、
以识别出马铃薯的暗色缺陷 ， 针对绿皮的颜色特征提 出欧氏距离法检测绿皮缺陷 ； 马铃薯检测的准确率达 90% 。 李锦卫［5］ 等针对目标马铃 薯 缺 陷 的 颜 色 特 征
［1 ］
等利用支持向量机分类器对马铃薯外部缺陷和大小 进行排序和分类 ， 研究发现支持向量机法可以较准确 地检测马铃薯外部缺陷 。
1
1． 1
实验材料及流程 机器视觉系统 、
硬件部分 采用的机器视觉系统
［8 ］
（ 见图 1 ） 由 CCD 摄像机 、
环形光源﹑光照箱﹑载物台﹑图像采集卡及计算机 ， 利用马铃薯和苹果的颜
2 norm
g。
3 ） 在位置和尺度空间建立 3 × 3 的空间模板 ， 设 置 27 个像素点为一组 ， 如果一组中某点的灰度值拉 普拉斯响应值比其领域的 26 个立方空格灰度值的拉 普拉斯响应值都大或者都小 ， 则被检测为斑点 ， 如图 4 （ d） 、 （ e） 、 （ f ） 所示 。 4 ） 将检 测 出 的 缺 陷 进 行 标 记 ， （ h） 、 如图 4 （ g） 、 （ i ） 所示 。
将目标马铃薯与图像背景进行了准确分
将其两值之和 割 。 首先找到图像最大和最小灰度值 ， 进行对半均分得到的初始阈值作为图像的平均灰度 值 T， 用 T 分割图像得到两组图像 ， 再分别计算两组图 像的平均灰度值后计算下一个阈值 ； 依次迭代 ， 直至 下一次迭代的阈值与上一次相同则该阈值为图像的 最佳阈值 ， 可正确分割目标马铃薯与背景 ， 如图 3 （ j ） 、 （ k） 、 （ l ） 所示 。
［3 ］
； 摄像头安装
在暗箱顶部中央 ， 将马铃薯放置在载物台 ， 尽量放置 在环形光源下面 ； 拍照的设备为 CCD 照相机 ， 图片为 24 位真彩图像 ； 将 CCD 拍到的图像利用图像采集卡 传输到装有 MatLab 软件的计算机中进行后续处理。
等利用像 素 分 类 器 将 分 割 后 图 像 中 的 缺
B 通道灰度化及迭代阈值分割法可以有效地识别马铃薯表皮的干腐、 结 痂 缺 陷 。 实 验 采 集 了 258 个 马 铃 薯 样 本 的 516 个 正 反 面 图 像 ， 正 确 识 别 率 94 % 以 上 。 结 果 表 明 ： 该 方 法 对 检 测 马 铃 薯 的 干 腐 及 结 痂 缺 陷 有 效 。 关键词： 高斯拉普拉斯算子； 马铃薯； 干腐； 结痂； 缺陷检测； B 通道灰度化； 迭代阈值分割法 中图分类号： TP391． 41 ； S11 文献标识码： A 文章编号： 1003 － 188X（ 2015 ） 07 － 0070 － 04
表1 Table 1 斑点马铃薯缺陷检测结果 Speck potato defect detection results 识别率 /% 95 94 95． 5 干腐 + 结痂马铃薯 正常马铃薯 76 49 97 96 总识别率 /%
r － 2σ = 0 该函数为圆对称函数 ， 通过变换尺度 σ 值可以检 测到不同大小的斑点 。 高斯拉普拉斯算子检测斑点的原理如下 ： 1 ） 将图像转换成灰度图像 ， 对于二维图像 ， 检测 图像不同点的灰度值 。 2 ） 计算图像在不同尺度 σ 下的离散拉普拉斯响 应值 Δ
Hardware system of machine vision
· 70·
2015 年 7 月 1． 2 实验材料
农 机 化 研 究
第7 期
证在消除噪声的同时还可以保持图像边缘的清晰 ， 从 （ h） 、 （ i ） 中可以看出图像更加柔和清晰 。 图 3 （ g） 、 利用阈值分割图像 是 最 具 代 表 性 的 一 种 分 割 方 法， 特别适用于目标和背景占据不同灰度级范围的图 像 。 根据马铃薯二值图像灰度直方图可看出 ， 背景灰 度和目标马铃薯灰度有明显差异 ， 本研究利用迭代阈 值分割法
（ a） 图2 Fig． 2 技术路线
原始图像
（ b）
原始图像
（ c）
原始图像
Technology roadmap
2
图像预处理
由于图像在拍摄与传输过程中会不可避免产生噪
（ d） B 通道灰度化 （ e） B 通道灰度化 （ f） B 通道灰度化
声， 且马铃薯表面的尘土也会影响缺陷识别 ， 所以必 消除图像噪声 ， 增强图像中有用 须进行图像预处理 ， 信息 ， 以利于后续马铃薯斑点的准确识别 。 预处理 需 将 图 像 灰 度 化 ， 研 究 发 现， 将采集的 ＲGB 图像 （ 见图 3 （ a ） 、 （ b） 、 （ c ） ） 进行 3 通道分割 ， B 通道的马铃薯目标图像与背景有明显灰度差 ， 而常规 灰度化背景与目标灰度差较小 ， 不利于目标马铃薯分 割， 所以选 择 B 通 道 进 行 灰 度 化 处 理 ， 如图 3 （ d） 、 （ e） 、 （ f ） 所示 。 利用图像平滑处理技术消除图像的随机噪声 ， 在 利用平滑技术的同时 ， 要求马铃薯图像在降噪处理的 过程中保持清晰的图像边缘线条 。 图像平滑 处 理 包 括空域滤波和频域滤波 。 空域滤波是对图像 中 每 个 像素为中心的领域进行一系列的计算 ， 然后将得到的 结果代替原来的像素值 。 频域滤波利用傅立 叶 变 化 将空域图 像 变 为 频 域 图 像 ， 在频域内对图像进行处 理， 最后通过傅立叶逆变换返回到空域 。 该预处理选 用空域滤波的中值滤波 ， 采用 3 × 3 中值滤波可以保
收稿日期 ： 2014 － 07 － 15 基金项目 ： 内蒙古自然科学基金项目 （ 2013MS0303 ） （E－ 作者简介 ： 郁志宏 （ 1966 － ） ， 女， 河北邢台人 ， 教授 ， 硕士生导师 ， mail ） yzhyqyzhyq@ 126． com 。 （ E － mail ） 女， 呼和浩特人 ， 硕士研究生 ， 通讯作者 ： 王福香 （ 1987 － ） ， 867193622@ qq． com 。 1． 载物台 2． 被测对象 3． 光照箱 4． 环形光源 5． CCD 摄像机 6． 图像采集卡 7． 计算机 图1 Fig． 1 机器视觉硬件系统
· 71·
2015 年 7 月
农 机 化 研 究
第7 期
色和灰度差别的区域 。 比如从远处看 ， 一棵树是一个 斑点 ， 一栋房子也是一个斑点 痂缺陷 。 y， 二维高斯函数 g （ x ， σ） =
2 斯变换为 Δ g =
2） 1 － （ x22+y e σ 的拉普拉 2 πσ
［11 ］
； 而马铃薯图像斑点
（ g）
中值滤波
（ h）
中值滤波
（ i）
中值滤波
（ j）
分割后 图3 Fig． 3
（ k）
分割后
（ l）
分割后
马铃薯预处理分割图
Pretreatment potato segmentation map
第 1 列为结痂和干腐缺陷， 第 2 列为结痂缺陷， 第 3 列为干腐缺陷
3
高斯拉普拉斯算子检测
图像斑点指的是在图像中与图像周围有着明显颜
［10 ］
本实验的对象为内蒙古呼和浩特市武川县的紫花 白马铃薯 ， 其特点是块茎呈椭圆形或圆形 ， 淡黄皮白 肉， 薯块大而整齐 ， 表皮光滑 。 1． 3 软件部分 利用 MatLab Ｒ2011a 软件编辑程序对马铃薯进行 干腐 、 结痂缺陷检测 。 1． 4 技术路线 技术路线如图 2 所示 。
求Δ
2
norm g 的最大值也就是求
g）
σ = 0
=0， 即
（ x + y － 2 σ ） ·e
2 2
2
2
2
－ 2σ
x2 +y2
黑， 与正常薯皮颜色有明显区别 ； 马铃薯的结痂缺陷 为分布在马铃薯表面的一些黑色斑点 ， 呈凸起状 ， 有 时候比较集中 ， 有时候比较分散 ， 但是结痂的存在同 样不利于马铃薯的直接加工 。 为了验证方法的准确性 ， 该研究选用了 258 个特 殊马铃薯 ， 采集 516 张图像 ， 其中包括 51 个健康马铃 61 个具有干腐特征马铃薯 ， 68 个具有结痂的马铃 薯， 78 个既有干腐又有结痂的马铃薯 ， 薯， 对于一个马铃 薯样本的正反两幅图像 ， 只要一幅图像有缺陷则识别 为缺陷马铃薯 。 对于干腐和结痂缺陷马铃薯 ， 由于缺 陷位置的随机性 、 缺陷大小的不同 ， 以及部分马铃薯 表皮具有灰尘或者其他杂质的存在 ， 造成高斯拉普拉 斯算子在缺陷识别时会存在误判 ， 需要将识别算法程 序进一步改进 。
正确识别个数
干腐马铃薯 结痂马铃薯
58 64
（ a）
原始图像
（ b）
原始图像
（ c）
原始图像
由表 1 可以看出： 结痂相比表中的其他缺陷而言， 识别率相对降低， 但其他缺陷识别过程中也存在一定 误差。主要原因是： 1 ） 马铃薯的结痂、 干腐缺陷有大小和颜色的区别， 对于一些结痂较小、 区域颜色灰度差异较小且分布比 较密集的时候， 高斯拉普拉斯算法会将这种分布密集
（ d）
缺陷分割图
（ e）
百度文库缺陷分割图
（ f）
缺陷分割图
的区域识别为正常薯皮马铃薯， 造成不能正确识别部 分结痂马铃薯； 对于结痂﹑干腐缺陷颜色不太明显， 且
· 72·
2015 年 7 月
［7 ］ 斑、 腐烂 、 机械损伤的缺陷马铃薯 。 Navid Ｒazmjooy
列 。 内蒙古有着适宜马铃薯生长的优异条件 ： 气候冷 凉、 温差大 、 日照充足 、 土壤疏松 ， 有利于淀粉的积累 ， 非常适宜马铃薯的生长 。 马铃薯的食用价格很高 ， 但 由于其外部缺陷的存在 ， 会严重影响马铃薯的价值 ， 如干腐﹑结痂等缺陷对马铃薯的利用有严重的影响 。 伴随着图像处理技术的快速发展 ， 很多学者将其 应用于农产品的缺陷检测中 ， 利用颜色空间和差异等 特征 ， 结合计算机软件对缺陷进行识别 ， 提高了农产 品缺陷识别效率 。 Tao Y ， Heinemann P H
DOI:10.13427/j.cnki.njyi.2015.07.016
0
引言
其产量位国内前 马铃薯是内蒙古的重要农产品 ，
信息 ， 提出亮度截留分割和快速 G 通道缺陷识别法 ，
［6 ］ G、 B 三通道的像 总识别率为 94． 6% 。 刘韦 利用 Ｒ 、
素值特征并结合 Fisher 分类器可以准确的识别具有青
2015 年 7 月
农 机 化 研 究
第7 期
高斯拉普拉斯算子检测马铃薯斑点缺陷研究
郁志宏 ， 王福香
（ 内蒙古农业大学 机电工程学院，呼和浩特 摘 010018 ）
要： 提 出 一 种 用 高 斯 拉 普 拉 斯 算 子 的 方 法 对 马 铃 薯 斑 点 缺 陷 进 行 检 测 ， 也 称 为“LoG 斑 点 ” 检测， 该算法结合
缺陷识别图
化为 Δ
2 norm
g = σ2 （
Pretreatment potato original
第 1 列为结痂干腐缺陷； 第 2 列为结痂缺陷； 第 3 列为干腐缺陷
（ x2 +y2 ） x2 + y2 · e － 2σ 。 2 ］ 2σ
4
（ Δ
2 norm
结果与分析
马铃薯的干腐缺陷常为小面积的局部干腐 ， 且发