一种脐橙破损检测的方法与流程

1.本发明涉及脐橙检测领域，尤其涉及一种脐橙破损检测的方法。


背景技术：

2.传统的脐橙检测中，一般通过脐橙分拣机使果实在流水线上转动，然后采用多个摄像机或线扫描摄像机采集果实的全部或大部分表面信息。然而这种图像采集方式容易对果实造成机械损伤；对果实图像采用串行采集方式，采集的速度慢；而且由于果实形状差异，使其在流水线上的姿态具有一定随机性，增加了后继处理的难度，不利于后期对脐橙图像的处理，进而影响脐橙特征的提取，导致检测结果不稳定、不精确。
3.因此，发明一种脐橙破损检测的方法，能够提高检测的结果精度就很有必要。


技术实现要素：

4.因此，本发明的目的在于提供一种脐橙破损检测的方法，用以解决传统脐橙检测中，检测结果的不稳定、不精确等问题。本发明通过机器学习算法来提升检测的有效性，且相对于大多数的脐橙检测算法，可以在提高检测效率的同时，适用于更多的应用场景。
5.为了实现上述目的，本发明采用如下技术方案：
6.一种脐橙破损检测的方法，包括以下步骤：
7.步骤1、采集脐橙图像，对图像预处理；
8.步骤2、脐橙特征提取：包括对脐橙表面颜色特征、表面缺陷特征和尺寸大小特征提取；
9.步骤3、建立优质脐橙样本库和劣质脐橙样本库，利用bp神经网络进行训练，得到训练好的脐橙破损检测模型；
10.步骤4、将步骤2得到的脐橙特征值输入训练好的脐橙破损检测模型，进行脐橙检测；
11.步骤5、输出最终检测结果，实现脐橙破损检测。
12.进一步的，所述步骤1中，图像预处理包括对采集到的脐橙图像进行去噪和背景分割，其中本发明采用5*5模板的中值滤波器对脐橙图像进行去噪，本发明采用阈值分割法将脐橙与背景分离，公式如下：
13.f(x，y)＝r(x，y)
ꢀꢀꢀꢀ
(1)
[0014][0015]
公式(2)中，f0(x，y)表示原始图像，f(x，y)表示r分量灰度图，tf、ts和tb均为阈值。
[0016]
进一步的，所述步骤2中，脐橙特征提取具体包括：
[0017]
步骤201、表面颜色特征提取，具体包括：
[0018]
按照脐橙质量分级标准即db36《赣南脐橙无公害果品质量标准》的要求，色泽与着色率是衡量脐橙质量的两个重要指标，本发明对脐橙表面颜色提取也即是对脐橙色泽与着色率的定量描述；
[0019]
通过统计处理后的脐橙图像所有像素h、s、r、g、b的平均值来描述脐橙着色率，表达式为：
[0020][0021]
公式(3)，x表示数据，n表示数据个数，表示这组数据的平均值；
[0022]
通过统计处理后的脐橙图像所有像素h、s、r、g、b的标准差来描述脐橙色泽，表达式为：
[0023][0024]
公式(4)，x表示数据，n表示数据个数，σ表示这组数据的标准差；
[0025]
步骤202、表面缺陷特征提取：脐橙常见的缺陷包括裂果、溃疡、病斑和腐烂，提取脐橙表面缺陷的基本思路是先统计正常表面和缺陷部分的颜色分量范围，计算其平均值找出正常与缺陷的分隔点再遍历所有像素点，与分隔点进行比较，大于分隔点的为正常像素点，否则为缺陷像素点，公式如下：
[0026][0027]sqx
＝px*n
qx
ꢀꢀꢀꢀ
(6)
[0028]
公式(5)中，f0(x，y)表示原始图像，t
rq
、t
gq
和t
bq
表示阈值；
[0029]
公式(6)中，px表示像素，n
qx
表示表面缺陷的像素总数；
[0030]
由公式(5)得到脐橙表面缺陷的图像，逐行扫描图像，统计缺陷像素点的的个数，由公式(6)得到表面缺陷特征；
[0031]
步骤203、尺寸大小特征提取：尺寸大小特征提取：对分割后的图像进行二值化处理，并对二值化处理后的图像中黑色区域内部的白色像素填充为黑色，对填充后的图像逐行扫描，记录黑色像素的个数，得到脐橙的尺寸大小，公式如下：
[0032]sdx
＝px*n
dx
ꢀꢀꢀꢀ
(7)
[0033]
公式(7)中，px表示像素，n
dx
表示尺寸大小的像素总数。
[0034]
进一步的，所述步骤3中，建立优质脐橙样本库和劣质脐橙样本库包括：
[0035]
建立优质脐橙样本库：采集超过200个优质的成熟脐橙样品，样品的最大横向直径范围为60-100mm，重量范围为120-360g；
[0036]
建立劣质脐橙样本库：采集超过50个劣质的脐橙样品，劣质的脐橙样品包括裂果、溃疡、病斑和腐烂的脐橙。
[0037]
进一步的，所述步骤3中，bp神经网络包括输入层、隐含层和输出层，本发明输入层有4个神经元：脐橙着色率、脐橙色泽、表面缺陷和尺寸大小，隐含层有60个神经元，输出层有1个神经元，即脐橙破损程度，其中隐含层中的神经元采用s型激活函数，激活函数为sigmoid函数，输出层采用的激活函数为sigmoid函数。
[0038]
本发明的有益效果：
[0039]
1、通过对采集到的脐橙图像进行预处理，即去噪和分割背景，去除了脐橙图像的噪声影响，通过设置多个阈值，更加完美地将脐橙与背景分离，有利于对后续的处理。
[0040]
2、通过提取脐橙的多个特征，即尺寸大小、表面缺陷和表面颜色，更加全面的描述了脐橙的品质，对脐橙的破损检测有着至关重要的作用。
[0041]
3、通过bp神经网络训练得到的脐橙破损检测模型，使得模型的检测效率大大提高，同时也具有更大的适用性。
附图说明
[0042]
图1为本发明的采集到的脐橙原始图。
[0043]
图2为本发明的分割后的脐橙图。
[0044]
图3为本发明的二值化处理后的脐橙图。
[0045]
图4为本发明的二值化处理后再进行填充后的脐橙图。
[0046]
图5为本发明的bp神经网络的结构图。
[0047]
图6为本发明的bp神经网络训练流程图。
[0048]
图7为基于本发明的一种脐橙破损检测的方法的流程图。
具体实施方式
[0049]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0050]
实施例1
[0051]
本实施例提供了一种脐橙破损检测的方法，包括如下步骤：
[0052]
步骤1、采集脐橙图像，对图像预处理；
[0053]
如图1和图2所示，作为本发明优选地实施例，图像预处理包括对采集到的脐橙图像进行去噪和背景分割，其中本发明采用5*5模板的中值滤波器对脐橙图像进行去噪，本发明采用阈值分割法将脐橙与背景分离，公式如下：
[0054]
f(x，y)＝r(x，y)
ꢀꢀꢀꢀ
(1)
[0055][0056]
公式(2)中，f0(x，y)表示原始图像，f(x，y)表示r分量灰度图，tf、ts和tb均为阈值。
[0057]
步骤2、脐橙特征提取：包括对脐橙表面颜色特征、表面缺陷特征和尺寸大小特征提取；
[0058]
步骤201、表面颜色特征提取，具体包括：
[0059]
按照脐橙质量分级标准即db36《赣南脐橙无公害果品质量标准》的要求，色泽与着色率是衡量脐橙质量的两个重要指标，本发明对脐橙表面颜色提取也即是对脐橙色泽与着色率的定量描述；
[0060]
通过统计处理后的脐橙图像所有像素h、s、r、g、b的平均值来描述脐橙着色率，表达式为：
[0061][0062]
公式(3)，x表示数据，n表示数据个数，表示这组数据的平均值；
[0063]
通过统计处理后的脐橙图像所有像素h、s、r、g、b的标准差来描述脐橙色泽，表达式为：
[0064][0065]
公式(4)，x表示数据，n表示数据个数，σ表示这组数据的标准差；
[0066]
步骤202、表面缺陷特征提取：脐橙常见的缺陷包括裂果、溃疡、病斑和腐烂，提取脐橙表面缺陷的基本思路是先统计正常表面和缺陷部分的颜色分量范围，计算其平均值找出正常与缺陷的分隔点再遍历所有像素点，与分隔点进行比较，大于分隔点的为正常像素点，否则为缺陷像素点，公式如下：
[0067][0068]sqx
＝px*n
qx
ꢀꢀꢀꢀ
(6)
[0069]
公式(5)中，f0(x，y)表示原始图像，t
rq
、t
gq
和t
bq
表示阈值；
[0070]
公式(6)中，px表示像素，n
qx
表示表面缺陷的像素总数；
[0071]
由公式(5)得到脐橙表面缺陷的图像，逐行扫描图像，统计缺陷像素点的的个数，由公式(6)得到表面缺陷特征；
[0072]
步骤203、如图3和图4所示，尺寸大小特征提取：对分割后的图像进行二值化处理，并对二值化处理后的图像中黑色区域内部的白色像素填充为黑色，对填充后的图像逐行扫描，记录黑色像素的个数，得到脐橙的尺寸大小，公式如下：
[0073]sdx
＝px*n
dx
ꢀꢀꢀꢀ
(7)
[0074]
公式(7)中，px表示像素，n
dx
表示尺寸大小的像素总数；
[0075]
步骤3、建立优质脐橙样本库和劣质脐橙样本库，利用bp神经网络进行训练，得到训练好的脐橙破损检测模型；
[0076]
建立优质脐橙样本库：采集200个优质的成熟脐橙样品，样品的最大横向直径范围为60-100mm，重量范围为120-360g；
[0077]
建立劣质脐橙样本库：采集50个劣质的脐橙样品，劣质的脐橙样品包括裂果、溃疡、病斑和腐烂的脐橙；
[0078]
作为本发明优选地实施例，如图5所示，bp神经网络包括输入层、隐含层和输出层，本发明输入层有4个神经元：脐橙着色率、脐橙色泽、表面缺陷和尺寸大小，隐含层有60个神经元，输出层有1个神经元，即脐橙破损程度，其中隐含层中的神经元采用s型激活函数，激活函数为sigmoid函数，输出层采用的激活函数为sigmoid函数；如图6所示，训练过程如下：
[0079]
步骤ss1、网络初始化：初始化输入层、隐含层和输出层的神经元数n、l、m，初始化权值ω
ij
和ω
jk
，初始化输入层和输出层阈值aj和bk；
[0080]
步骤ss2、计算隐含层的输出，公式如下：
[0081][0082][0083]
公式(8)中，hj为隐含层的输出；
[0084]
公式(9)中，f(x)为激活函数；
[0085]
步骤ss3、计算输出层的输出，公式如下：
[0086][0087]
公式(10)中，ok为输出层的输出；
[0088]
步骤ss4、误差计算，公式如下：
[0089]ek
＝y
k-o
k k＝1，2，...，m
ꢀꢀ
(11)
[0090]
公式(11)中，yk为期望输出，ek为误差；
[0091]
步骤ss5、权值更新，公式如下：
[0092][0093]
ω
jk
＝ω
jk
h
jek j＝1，2，...，l；k＝1，2，...，m
ꢀꢀ
(13)
[0094]
公式(12)中，η为学习率；
[0095]
作为本发明优选地实施例，学习率η取值0.01；
[0096]
步骤ss6、阈值更新，公式如下：
[0097][0098]bk
＝bk ηe
k j＝1，2，...，l；k＝1，2，...，m
ꢀꢀ
(15)
[0099]
步骤ss7、判断迭代是否结束：判断相邻的两次误差之间的差别是否小于指定的值。
[0100]
作为本发明优选地实施例，bp神经网络的输出的是预测的脐橙破损程度，脐橙的实际破损程度作为期望输出。
[0101]
作为本发明优选地实施例，随机抽取优质脐橙样本库中80％的样品和劣质脐橙样本库中80％的样品作为训练集，进行步骤1和步骤2，提取得到脐橙特征值，将特征值转化成特征向量，输入bp神经网络进行训练，得到训练好的脐橙破损检测模型；
[0102]
再将剩下的优质脐橙样本库的样品和劣质脐橙样本库的样品作为测试集，进行步
骤1和步骤2，提取得到脐橙特征值，将特征值转化成特征向量，输入训练好的脐橙破损检测模型进行测试，最终得到检测的结果平均误差率不足7％。
[0103]
步骤4、将步骤2得到的脐橙特征值输入训练好的脐橙破损检测模型，进行脐橙检测；
[0104]
脐橙特征值包括：脐橙着色率特征值、脐橙色泽特征值、表面缺陷特征值和尺寸大小特征值，将它们整合成一个四维特征向量，例如：x(99，23.41，1.5，66)。
[0105]
步骤5、输出最终检测结果，实现脐橙破损检测。
[0106]
此完成了整个方法的流程。
[0107]
本发明未详述之处，均为本领域技术人员的公知技术。
[0108]
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。