專(zhuān)利名稱(chēng)：基于類(lèi)球形亮度變換的水果表面缺陷檢測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，尤其涉及一種基于類(lèi)球形亮度變換的水果表面缺陷檢測(cè)方法。
背景技術(shù)：
根據(jù)水果的外部品質(zhì)進(jìn)行檢測(cè)和分級(jí)，是水果銷(xiāo)售、加工和貯存前的重要環(huán)節(jié)。通過(guò)機(jī)器視覺(jué)檢測(cè)技術(shù)對(duì)水果進(jìn)行分級(jí)不僅能夠提高水果質(zhì)量而且可以有效地減少人工檢測(cè)的勞動(dòng)量，提高檢測(cè)效率。目前，水果大小、顏色和外部缺陷檢測(cè)中前兩個(gè)已經(jīng)獲得了很好的解決，但根據(jù)外部缺陷進(jìn)行檢測(cè)分級(jí)仍然是難點(diǎn)。水果是一個(gè)類(lèi)球形的物體，根據(jù)朗伯反射定律，水果邊緣的光能量主要沿著反射光線的方向傳播，當(dāng)反射光線和相機(jī)的夾角較大，反射光線很難進(jìn)入相機(jī)，表現(xiàn)為亮度較低，而缺陷本身在圖像中也表現(xiàn)為低亮度，圖像處理時(shí)邊緣正常區(qū)域和中部缺陷區(qū)域容易混淆而造成誤分割。 Leemans等人(2004)采用K均值聚類(lèi)的方法提取RGB圖像中蘋(píng)果缺陷的特征，然后采用二次判別分析的方法實(shí)現(xiàn)缺陷的檢測(cè)(Leemans V, Destain M F. A real-timegrading method of apples based on features extracted from defects[J]. Journalof Food Engineering, 2004，61:83 89. )。Blasco等人(2007)利用無(wú)監(jiān)督區(qū)域增長(zhǎng)算法對(duì)柑橘類(lèi)水果表面缺陷進(jìn)行分割，利用3個(gè)CCD相機(jī)獲得的彩色圖像，根據(jù)不同區(qū)域之間的馬氏距離來(lái)評(píng)價(jià)區(qū)域之間的相似度從而檢測(cè)出缺陷(Blasco J, Aleixos N, Molto E. Computervision detection of peel defects in citrus by means of a region orientedsegmentation algorithm[J]. Journal ofFood Engineering，2007，81:535 543. )。Xing等人(2005)釆用400-1000mn高光譜圖像釆集系統(tǒng)獲得水果的圖像，利用主成分分析方法進(jìn)行降維，根據(jù)獲得的主成分圖像實(shí)現(xiàn)缺陷的識(shí)別(Xing J, Baerdemaeker J D. Bruisedetection on iJonagolcT apples using hyperspectral imaging[J] · PostharvestBiology and Technology, 2005，37:152 162. )。Tao 等人(1996)提出了自適應(yīng)球形灰度變換法，該方法補(bǔ)償了水果表面的曲率變化造成的反射亮度梯度，從而實(shí)現(xiàn)缺陷的單閾值分割(TaoY, Wen Z. An adaptive spherical image transform for high-speed fruit defectdetection [J]. Transactions of the ASAE, 1999，42 (I) : 241 246.)。應(yīng)義斌等人(2004)研究了球體的大小、表面顏色和圖像采集位置等因素對(duì)球體圖像顏色的亮度、色調(diào)和飽和度的影響，建立了攝像視區(qū)中心的球體圖像亮度校正模型，并應(yīng)用于柑橘圖像的亮度校正(付峰，應(yīng)義斌.球體圖像灰度變換模型及其在柑桔圖像校正中的應(yīng)用[J].農(nóng)業(yè)工程學(xué)報(bào)，2004，20 (4) :117 120. XGomez-Sanchis等人(2008)針對(duì)球形水果表面照度不均的問(wèn)題，假設(shè)水果為朗伯橢圓表面，利用數(shù)字高程模型開(kāi)發(fā)了一套自動(dòng)亮度校正算法(Gomez-SanchisJ, Molto E, Camps-Valls G, et. al. Automatic correction of the effects of the lightsource on spherical objects, an application to the analysis of hyperspectralimages of citrus fruits[J]. Journal of Food Engineering, 2008，85:191 200. X Haff等人(2011)針對(duì)高光譜圖像中彎曲表面造成的亮度不均的問(wèn)題，采用均勻的Teflon球體作為研究對(duì)象，研究了朗伯表面的光反射方式、光源到物體表面的距離和投影到探測(cè)器的弧面長(zhǎng)度變化對(duì)亮度的影響，并提出了補(bǔ)償算法(HaffR, S aranwong S，Kawano S. Methodsfor correcting morphological-based deficiencies in hyperspectral images ofround objects [J]. Journal ofNear Infrared Spectroscopy, 2011，19:431 441. X分析上述的研究，目前基于RGB圖像的缺陷檢測(cè)方法，存在算法復(fù)雜的問(wèn)題，需要事先進(jìn)行訓(xùn)練。而且采用高光譜進(jìn)行檢測(cè)，存在成本高的問(wèn)題。因此，大部分研究都尋求采用標(biāo)準(zhǔn)球建立亮度校正模型來(lái)對(duì)灰度圖像亮度進(jìn)行校正以實(shí)現(xiàn)缺陷的檢測(cè)，但實(shí)際生產(chǎn)中水果不一定表現(xiàn)為規(guī)則的球體，這就降低了此類(lèi)模型的適用范圍。

發(fā)明內(nèi)容
(一)要解決的技術(shù)問(wèn)題本發(fā)明要解決的技術(shù)問(wèn)題是因水果表面形狀彎曲造成的圖像亮度不均，造成的難以精確檢測(cè)水果表面缺陷的問(wèn)題。 (二)技術(shù)方案為了解決上述技術(shù)問(wèn)題，本發(fā)明提供一種基于類(lèi)球形亮度變換的水果表面缺陷檢測(cè)方法，該方法包括步驟SI.獲取水果的RGB圖像和NIR圖像；S2.從RGB圖像中提取R分量圖像；S3.從NIR圖像中形成二值化圖像，求出二值化圖像外接矩形最大寬度Y;S4.提取二值化圖像的邊緣像素；S5.通過(guò)R分量圖像與所述邊緣像素的點(diǎn)乘獲得R分量圖像的邊緣；S6.計(jì)算所述二值化圖像的邊緣像素的像素點(diǎn)個(gè)數(shù)M，將R分量圖像的邊緣的所有點(diǎn)的亮度之和除以像素點(diǎn)個(gè)數(shù)M獲得亮度平均值；S7.將R分量圖像的邊緣的所有點(diǎn)的亮度值均除以亮度平均值并乘以255，獲得變換后的亮度圖像R_correct ；S8.對(duì)變換后的圖像進(jìn)行累加，得到新的圖像New_image=New_image+R_correct,其中，New_image的初始值為O ;S9.將二值化圖像減去步驟S4中已經(jīng)提取出來(lái)的二值化圖像的邊緣像素獲得新的二值化圖像，即Binary=Binary_edge,并將循環(huán)次數(shù)加I,所述循環(huán)次數(shù)的初始值為I ;S10.判斷循環(huán)次數(shù)是否大于S3步驟得到的最大寬度Y的一半Y/2，如果不大于則返回步驟S4 ;否則終止循環(huán),獲得變換后的新圖像New_image ；S11、對(duì)步驟SlO得到的新圖像提取缺陷區(qū)域。優(yōu)選地，步驟Sll具體為采用單閾值分割的方法對(duì)步驟SlO得到的新圖像提取缺陷區(qū)域。優(yōu)選地，在步驟Sll進(jìn)行缺陷區(qū)域提取之前還采用高斯模糊濾波的方法對(duì)步驟SlO得到的新圖像進(jìn)行處理。優(yōu)選地，在步驟Sll之后還對(duì)所提取的缺陷區(qū)域進(jìn)行去噪處理。優(yōu)選地，通過(guò)形態(tài)學(xué)開(kāi)運(yùn)算進(jìn)行所述去噪處理。優(yōu)選地，步驟SI中，利用可見(jiàn)-近紅外雙CXD成像系統(tǒng)獲取水果的RGB圖像和NIR圖像。優(yōu)選地，步驟S3中利用單閾值分割的方法形成二值化圖像。(三)有益效果上述技術(shù)方案具有如下優(yōu)點(diǎn)基于水果R分量圖像，對(duì)表面亮度不均進(jìn)行變換，使水果表面缺陷分割簡(jiǎn)化為單閾值法檢測(cè)，克服了傳統(tǒng)基于RGB圖像缺陷檢測(cè)算法的復(fù)雜性，同時(shí)避免了對(duì)算法的頻繁訓(xùn)練，實(shí)現(xiàn)了對(duì)缺陷的精確檢測(cè)。本發(fā)明的檢測(cè)方法不受到水果大小和形狀的影響，較好地避免了亮度對(duì)結(jié)果造成的影響。由于該方法實(shí)現(xiàn)了單閾值對(duì)水果表面缺陷的一次性成功分割，因此在在線水果缺陷檢測(cè)中具有較大的應(yīng)用潛力。


圖I是朗伯反射模型圖；圖2是類(lèi)球形亮度變換方法示意圖； 圖3是本發(fā)明的方法流程圖；圖4是R分量圖像及剖面線；圖5是R分量圖像剖面圖；圖6是單閾值分割后的R分量二值圖像；圖7是亮度變換后圖像的剖面線；圖8是亮度變換后圖像的剖面圖；圖9是單閾值分割后的亮度圖。
具體實(shí)施例方式下面結(jié)合附圖和實(shí)施例，對(duì)本發(fā)明的具體實(shí)施方式
作進(jìn)一步詳細(xì)描述。以下實(shí)施例用于說(shuō)明本發(fā)明，但不用來(lái)限制本發(fā)明的范圍。本發(fā)明針對(duì)基于機(jī)器視覺(jué)的水果表皮缺陷檢測(cè)中存在的因表面亮度不均造成的缺陷檢測(cè)精度不高的問(wèn)題，采用RGB和中心波段為800nm的可見(jiàn)-近紅外雙CXD成像系統(tǒng)實(shí)現(xiàn)了一種類(lèi)球形亮度變換方法，基于該方法利用全局閾值實(shí)現(xiàn)水果表面缺陷的完整檢測(cè)分割。亮度變換過(guò)程中無(wú)須預(yù)先進(jìn)行建模。本發(fā)明的技術(shù)原理如下因?yàn)樗且粋€(gè)生物體，其表面存在彎曲，光照在上面會(huì)形成中間亮邊緣暗的分布?？梢詫⑺瓶醋饕粋€(gè)朗伯體，根據(jù)朗伯反射原理，球面上任意一點(diǎn)的亮度是與該點(diǎn)的法向量和該點(diǎn)與光源連線之間的角度Θ的余弦成正比的，SPId=IlX cos Θ(I)式中ID——反射光強(qiáng)度——入射光強(qiáng)度。在一般的基于機(jī)器視覺(jué)的水果缺陷檢測(cè)系統(tǒng)中，因?yàn)楣庠磳?duì)稱(chēng)布置于水果的側(cè)上方，相機(jī)處于水果的正上方，且相機(jī)到水果的物距遠(yuǎn)大于水果的尺寸，因此相機(jī)所獲得的圖像中水果表面各點(diǎn)亮度的差異主要由上述的夾角Θ決定。如圖I所示，水果邊緣區(qū)域反射光線與法向量的夾角θ2大于中間區(qū)域的夾角Q1，因而亮度也較低。如圖2所示，對(duì)于類(lèi)球形物體的水果，沿著半徑R的梯度方向，寬度為Ar的圓環(huán)區(qū)域A的亮度可以近似認(rèn)為是均勻的，該區(qū)域的平均亮度Ijnean可通過(guò)下式計(jì)算
權(quán)利要求
1.一種基于類(lèi)球形亮度變換的水果表面缺陷檢測(cè)方法，其特征在于，包括以下步驟 51.獲取水果的RGB圖像和NIR圖像； 52.從RGB圖像中提取R分量圖像； 53.從NIR圖像中形成二值化圖像，求出二值化圖像外接矩形最大寬度Y； 54.提取二值化圖像的邊緣像素； 55.通過(guò)R分量圖像與所述邊緣像素的點(diǎn)乘獲得R分量圖像的邊緣； 56.計(jì)算所述二值化圖像的邊緣像素的像素點(diǎn)個(gè)數(shù)M，將R分量圖像的邊緣的所有點(diǎn)的亮度之和除以像素點(diǎn)個(gè)數(shù)M獲得亮度平均值； 57.將R分量圖像的邊緣的所有點(diǎn)的亮度值均除以亮度平均值并乘以255，獲得變換后的亮度圖像R_correct ； 58.對(duì)變換后的圖像進(jìn)行累加，得到新的圖像New_image=New_image+R_correct,其中，New_image的初始值為O ; 59.將二值化圖像減去步驟S4中已經(jīng)提取出來(lái)的二值化圖像的邊緣像素獲得新的二值化圖像，即Binary=Binary_edge,并將循環(huán)次數(shù)加I,所述循環(huán)次數(shù)的初始值為I ; 510.判斷循環(huán)次數(shù)是否大于S3步驟得到的最大寬度Y的一半Y/2，如果不大于則返回步驟S4 ;否則終止循環(huán),獲得變換后的新圖像New_image ； 511、對(duì)步驟SlO得到的新圖像提取缺陷區(qū)域。
2.如權(quán)利要求I所述的方法，其特征在于，步驟Sll具體為采用單閾值分割的方法對(duì)步驟SlO得到的新圖像提取缺陷區(qū)域。
3.如權(quán)利要求I所述的方法，其特征在于，在步驟Sll進(jìn)行缺陷區(qū)域提取之前還采用高斯模糊濾波的方法對(duì)步驟Sio得到的新圖像進(jìn)行處理。
4.如權(quán)利要求I所述的方法，其特征在于，在步驟Sll之后還對(duì)所提取的缺陷區(qū)域進(jìn)行去噪處理。
5.如權(quán)利要求4所述的方法，其特征在于，通過(guò)形態(tài)學(xué)開(kāi)運(yùn)算進(jìn)行所述去噪處理。
6.如權(quán)利要求I所述的方法，其特征在于，步驟SI中，利用可見(jiàn)-近紅外雙CCD成像系統(tǒng)獲取水果的RGB圖像和NIR圖像。
7.如權(quán)利要求1飛中任一項(xiàng)所述的方法，其特征在于，步驟S3中利用單閾值分割的方法形成二值化圖像。
全文摘要
本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，公開(kāi)了一種基于類(lèi)球形亮度變換的水果表面缺陷檢測(cè)方法。本發(fā)明基于水果R分量圖像，對(duì)表面亮度不均進(jìn)行變換，使水果表面缺陷分割簡(jiǎn)化為單閾值法檢測(cè)，克服了傳統(tǒng)基于RGB圖像缺陷檢測(cè)算法的復(fù)雜性，同時(shí)避免了對(duì)算法的頻繁訓(xùn)練，實(shí)現(xiàn)了對(duì)缺陷的精確檢測(cè)。本發(fā)明的檢測(cè)方法不受到水果大小和形狀的影響，較好地避免了亮度對(duì)結(jié)果造成的影響。由于該方法實(shí)現(xiàn)了單閾值對(duì)水果表面缺陷的一次性成功分割，因此在在線水果缺陷檢測(cè)中具有較大的應(yīng)用潛力。
文檔編號(hào)G01N21/95GK102788806SQ20121025132
公開(kāi)日2012年11月21日 申請(qǐng)日期2012年7月19日 優(yōu)先權(quán)日2012年7月19日
發(fā)明者張馳, 李斌, 李江波, 王慶艷, 郭志明, 黃文倩 申請(qǐng)人:北京農(nóng)業(yè)智能裝備技術(shù)研究中心