MATLAB苹果的特征检测
MATLAB苹果的特征检测
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.
参考 框架源码：MATLAB水果分级GUI[色泽，面积，直径].zip-专业指导文档类资源-CSDN下载
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
参考源码;MATLAB水果分级GUI[色泽，面积，直径].zip-专业指导文档类资源-CSDN下载
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；
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。
参考文献：
[1] Tao Y, ChanceL, BaorenL .FullScale Fruit Vision Sorting System Design-Factors and Considerations[A]. Proceeding soft the FPAC Conference[C]. Chicago, Illinois.1995.14-22.
[2] 田捷,沙飞,张新生编著.实用图像分析与处理技术.北京:电子工业出版社,1995.127～129
[3] 宁素俭,李强,杨文志.计算机视觉轮廓的获取及其尺寸测量.农业机械学报,1996,27(2):44～49
[4] Wen Z, Tao Y. Dual-camera NIR/MIR imaging for stem-end/calyx identification in apple defect sorting. Transaction of ASAE, 2000, 43(2): 446-452
[5] Tao Y, Morrow CT, Heine man n P. Fourier-based separation technique for shape grading of potatoes using machine vision. Transaction of ASEA,1995,38(3):949～957