ubuntu及omap3530的马铃薯缺陷识别设计-软件开发(附件)
马铃薯在我国的种植面积已经越来越大，其作为主食材料的地位已经越来越明显，所以对马铃薯进行缺陷识别是一项很有意义的研究。在我国经济发展的同时，科学技术也在飞速发展，现在有很多的方法来检测识别马铃薯的缺陷，对马铃薯的销售及经济效益有了进一步的提升。
本文主要是利用机器视觉系统来做的，先利用采集好的图片进行灰度阈值处理得到RGB的各值。然后通过公式将RGB转换为HIS的值，并且通过FCM算法将亮度I分离，进行聚类，得到接近与真实聚类中心相似的初始聚类中心，并且利用imhist函数设定阈值，转为二值化，黑白取反。计算并找出图片中的白色区域，将其圈出。有多个白色区域，找出白色区域面积最大的，并以这个最大的面积进行判断土豆是好还是坏的依据。
采用这个方法主要有2个优点：一是计算量显著减少了，二是适用范围广范。它的缺点是单面拍摄不能反映全部的马铃薯是否存在缺陷，而且它并不能检测马铃薯内部的缺陷。
关键字：缺陷识别，图像处理，HIS颜色空间
目录
1 绪论 1
1.1国外的研究现状 1
1.2国内的研究现状 2
1.3 常用的方法 2
1.4本文的安排 3
2. 缺陷识别方法及颜色空间 3
2.1 缺陷识别的方法 3
2.2 颜色空间及颜色空间转换 5
2.3 颜色空间的转换 6
3.基于HIS颜色空间图像处理和C 均值聚类算法的方法 6
3.1模糊 C 均值聚类算法 7
3.2 色度空间的聚类 8
3.3．基于HIS的实际操作 9
4. UBUNTU的介绍 13
4.1 UBUNTU的安装 14
4.2 UBUNTU的调试 18
结论 1 *好棒文|www.hbsrm.com +Q: %3^5`1^9`1^6^0`7^2#
9
致谢 20
参考文献 21
1 绪论
中国的马铃薯资源极为丰富，每年的种植面积都在增加，现在已跃居世界第二的位置。为了提高马铃薯的经济效益，必须对马铃薯进行分级，对质量好的马铃薯进行深加工。在中国的情况是，马铃薯的加工企业由于受到了马铃薯产品质量差，加工的机器不先进等问题的约束，而这些问题又导致了我们加工的马铃薯并没有多大的经济效益[1]。所以，对马铃薯进行品级划分可以是优秀的马铃薯产生更高的经济效益，从而促进我经济发展。
1.1国外的研究现状
早期国外对水果的品质区分的方法主要是通过 CCD 相机进行图像采集，利用无损检测技术、采用计算机分析处理的方法对果品进行分析识别后得出综合结果。现在国际上的其中的一个研究热点就是对检测产品的内在的品质。马铃薯的缺陷检测系统除了高效的图像处理的方法外，还有其他的方法比如：光学的红外线检测，其他领域的超声波检测等等[2]。
如果我们采用机器视觉系统的方法来做缺陷识别，那么就需要有高品质的图像为前提，那怎么来获取这个图像呢？那就要采用高光谱和多光谱技术，用这个方法我们可以轻松快速得到高质量的图像。这众多的光学技术中，高光谱图像一枝独秀，因为它的光谱分辨率相当高，能够准确采集到果品缺陷、污点等的特征的光谱段，最近有较多的学者在研究这方面的课题。而多光谱技术是在以高光谱图像的结果为前提，并且多光谱技术能够快速、实时的采集信息，降低了软件识别的不确定性。金等学者使用392～795nm波段的高光谱图像对凤梨表皮的肥料残留物进行识别检测，研究表明，污秽的识别可使用2 波段法(黑、白)或3 波段法(紫，红，绿)，前者可用于商业分级设备[3]。高光谱图像技术还可在成熟度分级的领域应用，已知波长范围从400～820nm(间隔2.1nm)，用配置多滤光片的多光谱相机(738nm、940nm 和可见光段)，在光路上摆放不同的干涉滤波片可以产生不同的波长，这样就可以对苹果的表皮进行缺陷检测。英国的埃里克斯使用多光谱相机检测马铃薯，图像在两块 DSP 中并行运算，视觉系统检测的参数为尺寸、颜色、缺陷，检测速度大于4个/s。中国橘子的颜色识别正确率为96%，芒果缺陷识别正确率分别为95% 。
在水果检测的其他领域中，红外光谱检测的方法作为新兴的龙头，红外光线是人们看不见的波段。20世纪60年代始，伴随计算机技术的发展而兴起的数字图像处理技术经过不断的完善、发展，现已基本成熟。数字图像处理的目的是通过对原图像的加工，使之满足追求更好视觉效果的需求，其处理的内容主要有增强、合成、传输和分割等，目前，数字图像处理技术己经被广泛应用到我们生活的方方面面，而图像分割作为他的重要组成部分也发挥着越来越重要的作用[4]。
1.2国内的研究现状
我国的水果自动分级研究比起国外是比较晚的，主要对水果的表面缺陷进行研究。针对水果的内部品质检测的研究还是较少的。
我国内的一些学者如应义斌、景寒松等使用机器视觉对黄花梨图像进行采集，对不同规则的果品的表面研究，并且使用傅里叶变化和傅里叶反变换来计算，得到了黄花梨的特征变化的形状[5]。
国内对机器视觉技术的研究还是比较晚的，机器视觉的整个系统是指用相当于人眼的机器视觉产品将被摄取物体采集后转换成图像的信号，接下来传送给已有的图像处理系统，通过图像处理系统的处理后，依据图像的灰度、像素分布、纹理、颜色等信息转变成数字化的信号；图像提取系统对这些数字化的信号进行各种运算来提取物体的感兴趣区域或者特征，从而根据检测和识别的结果来反馈给控制器，指导现场的设备进行动作[6]。机器视觉以摄像系统、计算机设备和传感器为工具，以数字图像处理技术、图像提取与分析技术、模式识别技术和人工智能技术为依托，将得到的图像信号处理、分析和识别、分类。
1.3 常用的方法
缺陷检测识别系统在我们生活中是比较常见的，比如利用机器视觉系统的一些机器，还有工业上的超声波无损检测，当然利用荧光粉检测的系统等。
机器视觉顾名思义也就是利用机器上的一些扫描技术代替人眼来做观测和判断，该技术现在广泛应用在产品质量检测，同时也用于不适合人的危险环境比如火山口等以及人眼视觉难以满足的场合比如微分子世界。机器视觉的整个系统是指用相当于人眼的机器视觉产品将被摄取物体采集后转换成图像的信号，接下来传送给已有的图像处理系统，通过图像处理系统的处理后，依据图像的灰度、像素分布、纹理、颜色等信息转变成数字化的信号；图像提取系统对这些数字化的信号进行各种运算来提取物体的感兴趣区域或者特征，从而根据检测和识别的结果来反馈给控制器，指导现场的设备进行动作。机器视觉技术的基本工具是摄像机，计算机及相关传感器做为工具，将数字图像处理技术、图像提取与分析技术、模式识别技术和人工智能技术为技术保障，将得到的图像信号处理、分析和识别、分类。机器视觉技术只需通过对图像被数字化处理的信息进行分析就可以得到目标物体的外观形状、尺寸、表面颜色、表面缺陷等具体信息，进而可以实现外观质量的综合检测和评价。机器视觉技术的出现和发展为产品表面质量检测与识别提供了十分有力的技术支持，它使得产品表面质量的检测和识别方式发生了根本性的转变，而且通过利用计算机实施多方面的自动识别技术和智能技术，极大地提高了检测与识别任务的自动化水平和智能化水平[7]。
（5）从中选择距离最远的点看做第 2 个初始中心；
（6）在中寻找离散分布大的点,并放入初始化中心点集,而且满足:；
1）利用快速亮度截留分割法对马铃薯进行处理，检测是否存在目标。
2）假设缺陷存在，应用十色模型分别计算出各缺陷的颜色比率。
3）对各目标的黑色、灰色、红色、绿色和紫色百分比率进行阈值判断：
a）假如黑色和白色的比率大于等于0.9%，那就说明是有缺陷的。
b）假如有红色存在，则那就说明是有缺陷的。
c）假如绿色比率大于等于 0.008%，那就说明是有缺陷的。
1 绪论 1
1.1国外的研究现状 1
1.2国内的研究现状 2
1.3 常用的方法 2
1.4本文的安排 3
2. 缺陷识别方法及颜色空间 3
2.1 缺陷识别的方法 3
2.2 颜色空间及颜色空间转换 5
2.3 颜色空间的转换 6
3.基于HIS颜色空间图像处理和C 均值聚类算法的方法 6
3.1模糊 C 均值聚类算法 7
3.2 色度空间的聚类 8
3.3．基于HIS的实际操作 9
4. UBUNTU的介绍 13
4.1 UBUNTU的安装 14
4.2 UBUNTU的调试 18
结论 1 *好棒文|www.hbsrm.com +Q: %3^5`1^9`1^6^0`7^2#
9
致谢 20
参考文献 21
1 绪论
中国的马铃薯资源极为丰富，每年的种植面积都在增加，现在已跃居世界第二的位置。为了提高马铃薯的经济效益，必须对马铃薯进行分级，对质量好的马铃薯进行深加工。在中国的情况是，马铃薯的加工企业由于受到了马铃薯产品质量差，加工的机器不先进等问题的约束，而这些问题又导致了我们加工的马铃薯并没有多大的经济效益[1]。所以，对马铃薯进行品级划分可以是优秀的马铃薯产生更高的经济效益，从而促进我经济发展。
1.1国外的研究现状
早期国外对水果的品质区分的方法主要是通过 CCD 相机进行图像采集，利用无损检测技术、采用计算机分析处理的方法对果品进行分析识别后得出综合结果。现在国际上的其中的一个研究热点就是对检测产品的内在的品质。马铃薯的缺陷检测系统除了高效的图像处理的方法外，还有其他的方法比如：光学的红外线检测，其他领域的超声波检测等等[2]。
如果我们采用机器视觉系统的方法来做缺陷识别，那么就需要有高品质的图像为前提，那怎么来获取这个图像呢？那就要采用高光谱和多光谱技术，用这个方法我们可以轻松快速得到高质量的图像。这众多的光学技术中，高光谱图像一枝独秀，因为它的光谱分辨率相当高，能够准确采集到果品缺陷、污点等的特征的光谱段，最近有较多的学者在研究这方面的课题。而多光谱技术是在以高光谱图像的结果为前提，并且多光谱技术能够快速、实时的采集信息，降低了软件识别的不确定性。金等学者使用392～795nm波段的高光谱图像对凤梨表皮的肥料残留物进行识别检测，研究表明，污秽的识别可使用2 波段法(黑、白)或3 波段法(紫，红，绿)，前者可用于商业分级设备[3]。高光谱图像技术还可在成熟度分级的领域应用，已知波长范围从400～820nm(间隔2.1nm)，用配置多滤光片的多光谱相机(738nm、940nm 和可见光段)，在光路上摆放不同的干涉滤波片可以产生不同的波长，这样就可以对苹果的表皮进行缺陷检测。英国的埃里克斯使用多光谱相机检测马铃薯，图像在两块 DSP 中并行运算，视觉系统检测的参数为尺寸、颜色、缺陷，检测速度大于4个/s。中国橘子的颜色识别正确率为96%，芒果缺陷识别正确率分别为95% 。
在水果检测的其他领域中，红外光谱检测的方法作为新兴的龙头，红外光线是人们看不见的波段。20世纪60年代始，伴随计算机技术的发展而兴起的数字图像处理技术经过不断的完善、发展，现已基本成熟。数字图像处理的目的是通过对原图像的加工，使之满足追求更好视觉效果的需求，其处理的内容主要有增强、合成、传输和分割等，目前，数字图像处理技术己经被广泛应用到我们生活的方方面面，而图像分割作为他的重要组成部分也发挥着越来越重要的作用[4]。
1.2国内的研究现状
我国的水果自动分级研究比起国外是比较晚的，主要对水果的表面缺陷进行研究。针对水果的内部品质检测的研究还是较少的。
我国内的一些学者如应义斌、景寒松等使用机器视觉对黄花梨图像进行采集，对不同规则的果品的表面研究，并且使用傅里叶变化和傅里叶反变换来计算，得到了黄花梨的特征变化的形状[5]。
国内对机器视觉技术的研究还是比较晚的，机器视觉的整个系统是指用相当于人眼的机器视觉产品将被摄取物体采集后转换成图像的信号，接下来传送给已有的图像处理系统，通过图像处理系统的处理后，依据图像的灰度、像素分布、纹理、颜色等信息转变成数字化的信号；图像提取系统对这些数字化的信号进行各种运算来提取物体的感兴趣区域或者特征，从而根据检测和识别的结果来反馈给控制器，指导现场的设备进行动作[6]。机器视觉以摄像系统、计算机设备和传感器为工具，以数字图像处理技术、图像提取与分析技术、模式识别技术和人工智能技术为依托，将得到的图像信号处理、分析和识别、分类。
1.3 常用的方法
缺陷检测识别系统在我们生活中是比较常见的，比如利用机器视觉系统的一些机器，还有工业上的超声波无损检测，当然利用荧光粉检测的系统等。
机器视觉顾名思义也就是利用机器上的一些扫描技术代替人眼来做观测和判断，该技术现在广泛应用在产品质量检测，同时也用于不适合人的危险环境比如火山口等以及人眼视觉难以满足的场合比如微分子世界。机器视觉的整个系统是指用相当于人眼的机器视觉产品将被摄取物体采集后转换成图像的信号，接下来传送给已有的图像处理系统，通过图像处理系统的处理后，依据图像的灰度、像素分布、纹理、颜色等信息转变成数字化的信号；图像提取系统对这些数字化的信号进行各种运算来提取物体的感兴趣区域或者特征，从而根据检测和识别的结果来反馈给控制器，指导现场的设备进行动作。机器视觉技术的基本工具是摄像机，计算机及相关传感器做为工具，将数字图像处理技术、图像提取与分析技术、模式识别技术和人工智能技术为技术保障，将得到的图像信号处理、分析和识别、分类。机器视觉技术只需通过对图像被数字化处理的信息进行分析就可以得到目标物体的外观形状、尺寸、表面颜色、表面缺陷等具体信息，进而可以实现外观质量的综合检测和评价。机器视觉技术的出现和发展为产品表面质量检测与识别提供了十分有力的技术支持，它使得产品表面质量的检测和识别方式发生了根本性的转变，而且通过利用计算机实施多方面的自动识别技术和智能技术，极大地提高了检测与识别任务的自动化水平和智能化水平[7]。
（5）从中选择距离最远的点看做第 2 个初始中心；
（6）在中寻找离散分布大的点,并放入初始化中心点集,而且满足:；
1）利用快速亮度截留分割法对马铃薯进行处理，检测是否存在目标。
2）假设缺陷存在，应用十色模型分别计算出各缺陷的颜色比率。
3）对各目标的黑色、灰色、红色、绿色和紫色百分比率进行阈值判断：
a）假如黑色和白色的比率大于等于0.9%，那就说明是有缺陷的。
b）假如有红色存在，则那就说明是有缺陷的。
c）假如绿色比率大于等于 0.008%，那就说明是有缺陷的。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/dzxx/dzkxyjs/2036.html
