图像处理的苹果自动分级方法研究
摘要：长期以来，我国苹果后期的加工分级主要都是采取人工方式，这种分级方法劳动强度大、主观性强、效率低。研究依据国家苹果分级标准，对采集到的三个品种的苹果图像首先进行灰度变换、图像平滑、图像增强的预处理，采用大津法对苹果图像进行背景分割。接着采用外接矩形法和等效圆直径法对苹果的大小特征、颜色特征和表面缺陷特征参数进行提取。最终，设计了LIBSVM分类器，对苹果进行自动分级检测。实验结果表明，该苹果自动分级系统效果较好，苹果品种的分类识别率达86.67%，等级识别率达83.33%。
目录
摘要 1
关键词 1
Abstract 1
Key words 1
1 绪论 1
1.1 研究背景和意义 1
1.2 国内外研究状况 2
1.2.1 国外研究状况 2
1.2.2 国内研究状况 3
1.3 苹果的分级标准 3
1.3.1 苹果分级的大小标准 3
1.3.2 苹果分级的颜色标准 4
1.3.3 苹果表面缺陷分级标准 4
2 基于图像处理的苹果自动分级系统 4
2.1 Matlab系统简介 4
2.2 图像处理技术 5
2.3 苹果图像的采集 6
2.4 苹果图像背景的确定 6
2.5 系统简介 7
3 苹果图像的预处理方法 8
3.1 RGB模型 8
3.2 图像预处理 8
3.2.1 灰度变换 9
3.2.2 图像平滑 9
3.2.3 图像增强 11
3.3 图像分割 13
3.3.1 阈值分割法 13
3.3.2 大津法阈值选择 14
3.4 形态学处理 15
3.5 提取连通区域 16
4 苹果图像的特征提取 17
4.1 苹果大小特征提取 17
4.1.1 外接矩形法 17
4.1.2 等效圆直径法 18
4.2 苹果颜色特征提取 20
4.3 苹果表面缺陷特
*好棒文|www.hbsrm.com +Q: %3^5`1^9`1^6^0`7^2#
征提取 20
5 苹果分类 21
5.1 支持向量机 21
5.1.1 支持向量机模型 21
5.1.2 LIBSVM简介 22
5.2 LIBSVM的实现 22
6 系统实现及结果分析 25
致谢 27
参考文献 28
基于图像处理的苹果自动分级方法研究
引言
我国是农业大国，我国的农产品如何在稳固国内市场的基础上扩大国际市场，提高农产品的品质是关键。农产品品质的提高需要研究新型的分级技术。基于图像处理的分级技术具有非接触、高速度、高效率等特点，能够很好的满足农产品自动检测分级的需求，在实践中显示出广阔的应用前景。苹果是我国的主要果产品，基于图像处理的苹果自动分级技术的研究是现代计算机技术在农业生产过程中的具体应用，这对提高我国苹果品质、增加苹果产值有着很重要的意义。
1.绪论
1.1 研究背景和意义
苹果品种丰富，汁液风味优美，因此成为全世界人民最喜欢的鲜果之一，常年在全球鲜果供应市场中占有重要的地位。我国地大物博，是鲜果生产大国。自1993年至今，我国鲜果的栽培面积和总产量便一直位居全球第一。但是，在国际市场上，我国的苹果和先进生产国家相比，出口量少且出口价格低。我国生产的苹果品质不低，但是在农产品产后处理上，包括分级，我国缺乏经验，且长期采用人工处理方式。人工分级劳动强度大，主观性强且效率低。因此，基于图像处理的苹果自动分级方法的研究，可以有效的提高我国苹果的质量，增加国民满意度，提高我国苹果在国际市场上的利润水平和竞争力。
1.2 国内外研究状况
1.2.1 国外研究状况
在机器视觉方面，国外大都集中在农产品外部品质的检测和分类，目前，计算机技术已经逐步成熟，国外研究人员针对如何提高农产品分级速度和分级效率，做了大量的研究，已经取得了一定进展。
（1）颜色检测
Kazuhiro Nakano[1]( 1998年)利用两个神经网络来研究苹果颜色分级。其中一个神经网络模型是利用苹果区域的任一像素值分辨出鲜红色、色泽较差和青色，该分级效率达95%；另外一个神经网络是依据苹果区域的所有像素进行分级，划分为优等品、一等品和等外品，开发出了图像数据采集系统，这种系统分级效果不太理想。Payne[2]等(1992年)将RGB模型转换为HSI模型，并且利用R、G、B值设置了8个色调变量，进行了对青椒的分类识别。Kaxuhiro[3](1998年) 利用BP神经网络实现了基于颜色特征的鲜果自动分级，并攻克了由于鲜果果面曲率的差异导致反射梯度差异的难题。Shahin[4]等(1999年)采集到扁豆的彩色图像，利用神经网络构造出识别色彩的模型，实现了扁豆的自动分级，该分级方法正确率高达91%。Shachar. N[5]等(1999年)研究了计算机视觉分级系统，根据作物的颜色，该系统将西红柿、块根作物等进行分类识别，系统的分类识别率可达88%。
（2）大小及形状检测
Marchant等[6](1988年)利用三个68010单片系统分别对三个传送带上的图像进行处理了，建立土豆大小自动分级系统，分级速度高达每秒识别40个。Ingrid Paulus等[7](2000年)由傅里叶变换的前10个余弦值和10个正弦值描述了水果的大小，且关联性达到了0.97。Blasco等[8](2003年)研究出计算机视觉系统，可以有效的检测出橘子、苹果的大小，且准确率在91%到95%之间。
（3）缺陷检测
G.E.Rehkugler等[9](1988年，1990年)根据国家发布的苹果表面缺陷分级标准，运用了图像处理技术实现了苹果的分类识别，但是因为苹果表面缺陷种类繁多，所以该分级方法误差较大。Y.Tao[10](l995年)利用球形变换算法，对苹果表面损伤进行了检测。Tao等[11,12]（1996年）将采集的苹果图像进行去噪处理，然后计算出苹果表面缺陷，最终，通过缺陷变换及形状变换算法，保留了苹果表面的全部缺陷。
基于图像处理的鲜果品质检测和自动分级技术在国外已日趋成熟，取得了较大成就。1.2.2 国内研究状况
在国内，机器视觉技术在水果检测与自动分级领域，起步较晚，但是正在逐步发展，其中较为代表的研究如下:
目录
摘要 1
关键词 1
Abstract 1
Key words 1
1 绪论 1
1.1 研究背景和意义 1
1.2 国内外研究状况 2
1.2.1 国外研究状况 2
1.2.2 国内研究状况 3
1.3 苹果的分级标准 3
1.3.1 苹果分级的大小标准 3
1.3.2 苹果分级的颜色标准 4
1.3.3 苹果表面缺陷分级标准 4
2 基于图像处理的苹果自动分级系统 4
2.1 Matlab系统简介 4
2.2 图像处理技术 5
2.3 苹果图像的采集 6
2.4 苹果图像背景的确定 6
2.5 系统简介 7
3 苹果图像的预处理方法 8
3.1 RGB模型 8
3.2 图像预处理 8
3.2.1 灰度变换 9
3.2.2 图像平滑 9
3.2.3 图像增强 11
3.3 图像分割 13
3.3.1 阈值分割法 13
3.3.2 大津法阈值选择 14
3.4 形态学处理 15
3.5 提取连通区域 16
4 苹果图像的特征提取 17
4.1 苹果大小特征提取 17
4.1.1 外接矩形法 17
4.1.2 等效圆直径法 18
4.2 苹果颜色特征提取 20
4.3 苹果表面缺陷特
*好棒文|www.hbsrm.com +Q: %3^5`1^9`1^6^0`7^2#
征提取 20
5 苹果分类 21
5.1 支持向量机 21
5.1.1 支持向量机模型 21
5.1.2 LIBSVM简介 22
5.2 LIBSVM的实现 22
6 系统实现及结果分析 25
致谢 27
参考文献 28
基于图像处理的苹果自动分级方法研究
引言
我国是农业大国，我国的农产品如何在稳固国内市场的基础上扩大国际市场，提高农产品的品质是关键。农产品品质的提高需要研究新型的分级技术。基于图像处理的分级技术具有非接触、高速度、高效率等特点，能够很好的满足农产品自动检测分级的需求，在实践中显示出广阔的应用前景。苹果是我国的主要果产品，基于图像处理的苹果自动分级技术的研究是现代计算机技术在农业生产过程中的具体应用，这对提高我国苹果品质、增加苹果产值有着很重要的意义。
1.绪论
1.1 研究背景和意义
苹果品种丰富，汁液风味优美，因此成为全世界人民最喜欢的鲜果之一，常年在全球鲜果供应市场中占有重要的地位。我国地大物博，是鲜果生产大国。自1993年至今，我国鲜果的栽培面积和总产量便一直位居全球第一。但是，在国际市场上，我国的苹果和先进生产国家相比，出口量少且出口价格低。我国生产的苹果品质不低，但是在农产品产后处理上，包括分级，我国缺乏经验，且长期采用人工处理方式。人工分级劳动强度大，主观性强且效率低。因此，基于图像处理的苹果自动分级方法的研究，可以有效的提高我国苹果的质量，增加国民满意度，提高我国苹果在国际市场上的利润水平和竞争力。
1.2 国内外研究状况
1.2.1 国外研究状况
在机器视觉方面，国外大都集中在农产品外部品质的检测和分类，目前，计算机技术已经逐步成熟，国外研究人员针对如何提高农产品分级速度和分级效率，做了大量的研究，已经取得了一定进展。
（1）颜色检测
Kazuhiro Nakano[1]( 1998年)利用两个神经网络来研究苹果颜色分级。其中一个神经网络模型是利用苹果区域的任一像素值分辨出鲜红色、色泽较差和青色，该分级效率达95%；另外一个神经网络是依据苹果区域的所有像素进行分级，划分为优等品、一等品和等外品，开发出了图像数据采集系统，这种系统分级效果不太理想。Payne[2]等(1992年)将RGB模型转换为HSI模型，并且利用R、G、B值设置了8个色调变量，进行了对青椒的分类识别。Kaxuhiro[3](1998年) 利用BP神经网络实现了基于颜色特征的鲜果自动分级，并攻克了由于鲜果果面曲率的差异导致反射梯度差异的难题。Shahin[4]等(1999年)采集到扁豆的彩色图像，利用神经网络构造出识别色彩的模型，实现了扁豆的自动分级，该分级方法正确率高达91%。Shachar. N[5]等(1999年)研究了计算机视觉分级系统，根据作物的颜色，该系统将西红柿、块根作物等进行分类识别，系统的分类识别率可达88%。
（2）大小及形状检测
Marchant等[6](1988年)利用三个68010单片系统分别对三个传送带上的图像进行处理了，建立土豆大小自动分级系统，分级速度高达每秒识别40个。Ingrid Paulus等[7](2000年)由傅里叶变换的前10个余弦值和10个正弦值描述了水果的大小，且关联性达到了0.97。Blasco等[8](2003年)研究出计算机视觉系统，可以有效的检测出橘子、苹果的大小，且准确率在91%到95%之间。
（3）缺陷检测
G.E.Rehkugler等[9](1988年，1990年)根据国家发布的苹果表面缺陷分级标准，运用了图像处理技术实现了苹果的分类识别，但是因为苹果表面缺陷种类繁多，所以该分级方法误差较大。Y.Tao[10](l995年)利用球形变换算法，对苹果表面损伤进行了检测。Tao等[11,12]（1996年）将采集的苹果图像进行去噪处理，然后计算出苹果表面缺陷，最终，通过缺陷变换及形状变换算法，保留了苹果表面的全部缺陷。
基于图像处理的鲜果品质检测和自动分级技术在国外已日趋成熟，取得了较大成就。1.2.2 国内研究状况
在国内，机器视觉技术在水果检测与自动分级领域，起步较晚，但是正在逐步发展，其中较为代表的研究如下:
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jsj/jsjkxyjs/2206.html
