I利用機(jī)器視覺實現(xiàn)蘋果分級的系統(tǒng)設(shè)計作為一個水果生產(chǎn)大國，水果商品化是水果盈利的必備環(huán)節(jié)，而水果商品化非常重要的的一個重要部分就是水果的產(chǎn)后分級，本文選擇的水果研究對象為蘋果，利用機(jī)器視覺技術(shù)中檢測結(jié)果準(zhǔn)確、檢測效率高的特點，實現(xiàn)了基于機(jī)器視覺的水果分級系統(tǒng)設(shè)計。首先將樣品蘋果放置在同一背景、同一光照下進(jìn)行拍攝，以確保采集的蘋果樣本圖像的可靠性，然后將采集到的樣本圖像在計算機(jī)中實現(xiàn)系列圖像預(yù)處理操作，主要包括灰度化、平滑處理、二值化、噪點消除及圖像填充等過程，以提高后續(xù)提取圖像信息的準(zhǔn)確性及計算機(jī)識別時的效率性，其中灰度化選擇了加權(quán)平均值法，平滑處理選擇了中值濾波法，接著對比多種方法和模型，選取了最小外接圓法提取蘋果的大小特征、利用HSI模型提取蘋果的顏色特征、采用圓度值法提取蘋果形態(tài)特征，并融合這多個特征，與國家規(guī)定的水果分級標(biāo)準(zhǔn)相對照，得到蘋果的分類等級，最后通過MATLABGUI界面輸出最終的蘋果分級結(jié)果。經(jīng)實驗證明，本系統(tǒng)的分級準(zhǔn)確率可達(dá)90%及以上，且單個蘋果處理的時間不超過5s,該結(jié)果表明了本系統(tǒng)是可行和有效的。 2.2圖像的灰度化變換 42.3圖像的平滑處理 2.4圖像的二值化及噪點消除 92.5本章小結(jié) 3.2水果大小檢測分級和研究 1 4.2水果顏色的模型 5.2水果形態(tài)的檢測及分級標(biāo)準(zhǔn) 21 6.2水果分級系統(tǒng)的設(shè)計及結(jié)果 Ⅱ6.3本章小結(jié) 237.2研究展望 24 241第一章緒論我國一直是水果的大生產(chǎn)國，而蘋果的產(chǎn)量尤其巨國蘋果的產(chǎn)量在2013年到2017年中每年都呈現(xiàn)快速增長的趨勢，而由于自然災(zāi)害等的影響，2018年我國蘋果的產(chǎn)量急劇下降，幸運的是，在2019年，我國蘋果產(chǎn)量回升，恢復(fù)至424.25億噸，占世界蘋果產(chǎn)量的50%以上。在進(jìn)口方面，近幾年中我國蘋果進(jìn)口量保持在6萬噸以上，在出口方面，我國在2016年首次成為成為世界蘋果出口量最大的國家，在2018-2019年中，我國蘋果出口量仍然保持位居高位，在世界排名第二，2020年受到疫情的特殊影響，我國蘋果庫存量創(chuàng)下5年之最，由此可以推知其意但隨著各行各業(yè)的復(fù)工復(fù)產(chǎn)，預(yù)計出口量會大幅回升(康子淵，盛明澤，2022)。雖然我國蘋果出口量較其他國家而言并不少，但是這樣的蘋果出口量與我國蘋果的總產(chǎn)量量的3%左右，且出口的國家僅以周邊國家等欠發(fā)達(dá)國家為主，很大程度上依靠的是價格低廉的優(yōu)勢，相比與蘋果貿(mào)易大國，優(yōu)勢指數(shù)并不高，表現(xiàn)出的形勢為價低時出口量價高時出口量小(雷啟文，顧清瀾，2023)[1]。圖1-12015-2020年中國蘋果出口數(shù)量情況這一現(xiàn)象的出現(xiàn)主要是由于蘋果生長在自然環(huán)境下，受蘋果的形狀和外觀等都存在著差異，而目前，依據(jù)這些表現(xiàn)可以人們對水果的要求越來越高，因此，對水果進(jìn)行分級就人們?nèi)找嬖鲩L的的對優(yōu)質(zhì)水果的需要，也能夠不斷提高我國水果的競爭市場(陶景行，辛睿哲，2021)。由于傳統(tǒng)水果的分級是依靠人工實現(xiàn)，長時間下來人工分級顯示出許多弊端，分級過程中人工需要長期保持一種行為進(jìn)行工作，勞動強(qiáng)度2狀況、視力、顏色鑒別等的影響，導(dǎo)致水果分級作業(yè)效率低下，分級標(biāo)準(zhǔn)的客觀性水平也不夠高，同時隨著工業(yè)化以及大型農(nóng)業(yè)機(jī)械的發(fā)展，3我國的農(nóng)業(yè)勞動力正越來越少，勞動力的減少勢必會影響水果分級等各類農(nóng)業(yè)活動的發(fā)展，而機(jī)器視覺技術(shù)是一種利用機(jī)器進(jìn)行識別以及后續(xù)的不同的一種科學(xué)技術(shù)，它將所需識別或者分級的產(chǎn)品轉(zhuǎn)換輸至圖像處理系統(tǒng)中，足以說明利用該系統(tǒng)對此圖像信號進(jìn)行分析有準(zhǔn)確性、檢測效率高且具有可重復(fù)性(伍博遠(yuǎn)，宋靖，2024)[2]。果的大小、顏色、形態(tài)等特征，并將提取到的蘋果特征與國家的蘋果分級標(biāo)準(zhǔn)相對照，獲得蘋果的最終分級結(jié)果，成功實現(xiàn)蘋果的高效分級。通過使用級技術(shù)，利用其處理信息量大、處理速度快的特點以及不受主管因素的作用，實現(xiàn)蘋果的無損檢測，這對于未來農(nóng)業(yè)領(lǐng)域的智能化和信息化，都起著很大的促進(jìn)作用(崔明杰，駱第二章圖像的采集及預(yù)處理2.1引言蘋果圖像的采集及蘋果圖像的預(yù)處理主要由圖像獲取、圖像原等過程組成，圖像獲取時需要保證采集到的樣本外接環(huán)境的在對每個文本圖像進(jìn)行分檢之后，繼續(xù)進(jìn)行識別模塊的過程，這個過中不需要的信息，如特征提取、圖像分割、圖像匹配等，還可以有效的增加圖像中的有用信息的比例，最大程度的簡化數(shù)據(jù)，現(xiàn)有結(jié)果支持以下推論為正確執(zhí)行后續(xù)步驟打下堅實的基礎(chǔ)[17]。圖像預(yù)處理中對應(yīng)的作用分別如下所示(廖明軒，杜景瀾，2018):變換等方式(章澤霖，許睿哲，2019)。的應(yīng)用結(jié)合之后效果更加，在本文的研究框架下考慮了這一情形如圖像中的邊緣、輪廓等特征，經(jīng)過圖像增強(qiáng)后，這些特征將得到強(qiáng)調(diào)或者銳化，使這些特后續(xù)的觀察和處理都是有利的。經(jīng)過增強(qiáng)后的圖像，更適合應(yīng)用與特定的環(huán)境中，這是因為圖像增強(qiáng)不僅可以使圖像去噪，還能較好的保護(hù)圖像的特征，更加清晰的描述圖像中的信息，從而保證提供的信息特征的可靠和準(zhǔn)確，常用的圖像增強(qiáng)濾波增強(qiáng)、頻域增強(qiáng)、色彩增強(qiáng)等方式(胡啟銘，賀博遠(yuǎn)，2020)。糊、失真或者由于噪聲的混入，給定這些條件可以推知其情況而使圖像質(zhì)量下降的現(xiàn)象。圖像復(fù)原就是通過一些技術(shù)手段，消除由于圖像的模糊或噪聲的混入等而引起圖像質(zhì)量下4降的現(xiàn)象，恢復(fù)原始圖像質(zhì)量的過程。常見的圖像復(fù)原主要包括逆濾波、維納濾波、盲區(qū)卷積濾波、約束的最小二乘方濾波等復(fù)原方式(溫子墨，龐啟航，2021)[18][18。2.2圖像的灰度化變換方法常用的主要有下列幾種(何景云，嚴(yán)俊馳，2022):文件(編輯(查看(插入工具(桌面(窗口(幫助(自平均值法轉(zhuǎn)化之后的灰度圖像1.最大值法：該灰度化法是同時令R、G、B的三個值，等于其中數(shù)值最大的一個值，即R=G=B=max(R、G、B),由于R、文件(編輯(查看(插入工具(桌面(窗口(幫助(自平均值法轉(zhuǎn)化之后的灰度圖像文件(編輯(查看(插入工具(桌面(窗口(幫助(田最大值法轉(zhuǎn)化之后的灰度圖像5Y=0.59,Z=0.11時，灰度變化后的圖像是最符合人眼對顏色的感受191,利用加權(quán)平均值法處理后的灰度化圖像如圖2-3所示(林浩淼，鄭嘉言，2024):文件(編輯(查看(插入工具(桌面(窗口C幫助(加權(quán)平均值法轉(zhuǎn)化之后的灰度圖像圖2-3加權(quán)平均值法轉(zhuǎn)化的灰度圖本次設(shè)計是通過對rgb2gray函數(shù)直接調(diào)用，即人們根據(jù)用加權(quán)平均值法編寫的函數(shù)，實現(xiàn)了圖像的灰度化處理，通過函數(shù)的調(diào)用，依據(jù)該理論框架研究可推導(dǎo)出簡化了我們的操作過程，且實現(xiàn)的效果更符合人眼所觀察到的蘋果圖像。蘋果原始圖像、處理后的灰度文件(編輯(查看(插入工具(桌面(窗口(幫助(文件(編輯(查看(插入工具(桌面(窗口(幫助(田灰度化后的蘋果圖像圖2-5蘋果的灰度化圖像化圖像分別如圖2-4、2-5所示：文件(編輯(查看(插入工具(桌面(窗口C幫助(蘋果原始圖像圖2-4蘋果原始圖像6初始圖像的獲取過程中，難免受到傳輸設(shè)備和拍攝抖動等的影響外的噪聲干擾，這些噪聲對后續(xù)的特征提取和視覺效果都會產(chǎn)生難以度化處理后的圖像還需進(jìn)行平滑處理從而改善圖像質(zhì)量，憑借已低噪聲的干擾(薛睿哲，尹啟航，2018)[21]。目前，干擾噪聲消除的方法主要有兩種：頻域法和空域法，頻域法以低通濾波技傅里葉變換為技術(shù)基礎(chǔ)，空域法以模板卷積為技術(shù)基礎(chǔ)(高啟銘，陳景云，2019)。其中，頻域法是通過保留頻域中的低頻成分，濾除頻域中的高頻成分，從而理，實現(xiàn)干擾噪聲消除的目的，但是由于在頻域法處理的過程中，域和時域中進(jìn)行不斷的切換，所以處理起來速度較慢，在實際操作中不能夠廣泛應(yīng)用。這一結(jié)果與劉振教授、程曉天教授等在相關(guān)主題的研究中得到的結(jié)論基本一致，尤其是在研如數(shù)據(jù)收集與分析手段的采用，還深刻反映在核心發(fā)現(xiàn)與推論之中一步細(xì)化不僅驗證了前人的結(jié)論，還在一定程度上拓展了研究的深度和廣度。為理解研究主題的核心問題提供了新的視角和洞見。所以在實際的應(yīng)用中，通常選擇的平滑處理方式數(shù)在編譯器中的表達(dá)式為(李文博，王志遠(yuǎn)，2018):其中im1的數(shù)據(jù)來自源圖像，im2的數(shù)據(jù)來自取反后的圖像。排序窗□中的像素，取排序后的像素中值，然后再次移動窗□,對新窗□中的像素排序，獲得其中的中值像素點，不斷重復(fù)以上步驟，至所有像以平滑噪聲，還能保護(hù)圖像的邊緣信息，對信號邊緣的保護(hù)，從這些表現(xiàn)可以估摸出使圖像邊緣部分不會模糊，這種優(yōu)良性質(zhì)，是線性濾波方法所不具備的，在數(shù)字圖像步驟中的邊緣提取得到了廣泛的應(yīng)用，對于椒鹽噪此外，中值濾波不僅適用于軟件，在硬件中也易于實現(xiàn)，實現(xiàn)的算法也很簡單(張子凡，默認(rèn)值為3×3。使用中值濾波法得到的圖像如圖2-6所示：72-6中值濾波處理后的圖快速中值濾波是中值濾波的優(yōu)化算法，它利用窗口移動時，部分像素沒有移出窗故而仍然處于窗口移動前排好序的狀態(tài)，由此可以推知其意因此只用將新添加的像素插入原來的像素中，就可以實現(xiàn)排序的完成。由于有時我們并不需要一個完整的排列數(shù)序，找到部分所需排列像素的中值，就完成了中值濾波(陳思遠(yuǎn)，趙天磊，2020)。快速中值濾依據(jù)這些表現(xiàn)可以判斷出通過在直方圖的橫坐標(biāo)上設(shè)置一個可以左移動到橫坐標(biāo)兩邊的像素點相等的位置時，光標(biāo)對應(yīng)的像素點著移動窗□,讓直方圖得到更新，并再次移動橫坐標(biāo)上的光標(biāo)，找到橫坐標(biāo)上像素點相等的像素值，不斷重復(fù)這個過程。其中，我們需要注意，光標(biāo)的移動過程中，不能讓光標(biāo)移動到像素點為0的點上，當(dāng)光標(biāo)移動到像素點為0的點上時，在這個窗□中，很有可能無8鄰域平均法是將圖像中某些突變像素值，即噪聲點，使其數(shù)值等面著手。在理論探討部分，深入分析了該設(shè)計的核心原理及預(yù)設(shè)成果，并通過建立理論框架和邏輯推導(dǎo)為后續(xù)實驗奠定了理論基礎(chǔ)。隨后，在實際檢驗環(huán)節(jié)中，精心策劃了一系列測試來驗證方案的有效性與穩(wěn)定性，采用了嚴(yán)謹(jǐn)?shù)臄?shù)據(jù)采集和解析手段確保結(jié)果的準(zhǔn)確無誤。此外，為了考察方案在各種環(huán)境下的適用情況，本文還選取了幾種典型的使用案針對每個案例調(diào)整系統(tǒng)設(shè)置，不僅證實了方案的合理性和可行性，也為后續(xù)研究提供了重要參考。因而，使用鄰域平均法進(jìn)行平滑濾波后，一個明顯的結(jié)果就生一定程度的模糊，足以說明從而對后續(xù)的操作產(chǎn)生影響。故而有人限鄰域平均法(吳明杰，孫浩淼，2022):若圖像中某個像素點的灰度值在一定程度上大于其鄰域像素的平均值，就直接判定該像素點為噪聲，并且該使用鄰域平均法得到的圖像如圖2-8所示(鄭皓天，何啟航，2023):9文件(編輯(查看(插入工具(桌面(窗口C幫助(鄰域平均法處理后的圖圖2-8鄰域平均法處理后的圖像準(zhǔn)確程度，均值濾波模糊了圖像邊緣，目前MATLAB中沒有編譯好的快速中值濾波法，故而其調(diào)用沒有中值濾波法方便，所以結(jié)合程序?qū)嶋H執(zhí)行過程中的分級效率和便利性，最終選擇采用中值濾波法來實現(xiàn)灰度化處理后的平滑處理(黃俊馳，高逸，2024)。圖像的二值化，就是將圖像變成只有兩個值的過程，這兩個值分為0和1,是圖像處得到灰度化圖像的二值化閾值，接著將大于閾值的灰度值，統(tǒng)一設(shè)定為1,而對于小于閾值的灰度值，則統(tǒng)一設(shè)定為0。經(jīng)過二值化處理后的經(jīng)過圖像，其所包含的信息量將更加簡單，數(shù)據(jù)量也因此減少，還能突出感興趣的對象輪廓，更有利于提取圖像中的信息(林澤昊，唐振宇，2020)。如果希望獲取的二值圖效果更加理想，則可重新定義圖像區(qū)域，采用封閉連接的邊界重新設(shè)定一個不疊加的區(qū)域，對于區(qū)域中像素點灰度值大于或等于閥值的，在本文的研究框架下考慮了這一情形全部判定其為特定255,而對于灰度值小于閾值的像素點，則將其排出在區(qū)域之外，并且設(shè)定其灰度值為0,則可以期待產(chǎn)出的結(jié)果達(dá)到設(shè)計標(biāo)準(zhǔn)。這意味著，初始設(shè)定和參數(shù)選擇準(zhǔn)確，并且使用的模型或理論框架構(gòu)建得當(dāng)?shù)脑挘Y(jié)果的可靠性和有效性會較高。這不入，還需要科學(xué)合理的分析方法、先進(jìn)的技術(shù)工具以及恰當(dāng)?shù)难芯渴侄巍Ｍ瑫r，也要考量外部因素對研究結(jié)果的影響，確保整個過程具有可控性及可重復(fù)性，供保障。在編譯器中的表達(dá)式為(邱奕辰，余睿哲，2019):其中，I是原圖矩陣，不同的thresh值有著不同的效果，如thresh=0.5時，表示灰度值在128以下的所有像素點變成黑色，而所有灰度值在128的像素點都將變成白色。并通過imclose、imfill函數(shù)對圖像實現(xiàn)閉運算，交融圖像中的細(xì)長彎口和窄缺口，補(bǔ)齊蘋果圖像輪廓上的縫隙，實現(xiàn)噪點的消除和圖像填充，在編譯器中的表達(dá)式為：其中SE是單個結(jié)構(gòu)元素對象或者結(jié)構(gòu)元素對象的數(shù)組的表示(夏煜宸，魏宏毅，2021)。其中holes表示填充二值圖像中的空洞區(qū)域二值化、消除噪點和圖像的填充并后得到的圖像如圖2-9、2-10所示：×文件(編輯(查看(插入工具(桌面(窗口C幫助(二值化處理后的圖圖2-9二值化后的圖像文件(編輯(查看(插入工具(桌面(窗口C幫助(消除噪點及圖像填充圖2-10噪點消除及圖像填充圖像本章通過比較不同的灰度化、平滑處理的方法，最后通過加權(quán)平均值法，直接調(diào)用軟件中自帶的rgb2gray函數(shù)，實現(xiàn)圖像的灰度化處理，中值濾波法，即調(diào)用medfilt2函數(shù)對灰度化后的蘋果圖像進(jìn)行平滑處理，既對噪聲進(jìn)行了合理的處理，也使預(yù)處理后的圖像變的更加清晰，使用的便利性也是這幾種方法中最好的，給定這些條件可以推知其情況有效的保證了后續(xù)水果特征提取的準(zhǔn)確性，并通過二值化處理，即調(diào)用im2bw函數(shù)使整個圖像呈現(xiàn)出明顯的黑白效果，最后通過imclose、imfill函數(shù)進(jìn)行噪點的消除和圖像的填充處理，有利于后續(xù)工作的繼續(xù)開展(顧家明，錢文博，2018)。7第三章水果大小特征的提取3.1引言水果分級的一個重要標(biāo)準(zhǔn)就是水果的大小，因而，本次設(shè)計的水果的大小特征。目前，提取水果大小特征的方法已經(jīng)有很多，在的研究已經(jīng)比較成熟(謝天磊，馮子凡，2019)。3.2水果大小檢測分級和研究果的果徑大小，水果的果徑就是水果的直徑，于此水果的大小，從而完成水果的大小分級；二是通過提取水果的邊緣部分進(jìn)行單獨的傅里葉變換，由傅里葉變換得到的導(dǎo)出實現(xiàn)水果的果徑大小、果形等重要的特征值的計算級(潘一帆，楊思遠(yuǎn)，2020)。為削弱外部環(huán)境對方案成效的干擾，本研究在策劃及執(zhí)行流程中采納了多項措施來保障數(shù)據(jù)的精確度和方案的穩(wěn)固左右方案執(zhí)行質(zhì)量的外部要素。基于此探討，本文在方案構(gòu)思階段融的手段，借助模擬多樣化的外界環(huán)境條件來預(yù)估它們對方案成效的潛在作用，并依據(jù)這些預(yù)估調(diào)整方案的設(shè)計指標(biāo)，以提升其靈活性和耐抗性，投影面積法是根據(jù)采集到的二維水果原始圖像，對預(yù)處理后的蘋果圖像面積S進(jìn)行計算，通過大量的實驗數(shù)據(jù)，得到蘋果實際表面積和所求投影面積S之間的關(guān)系K,即蘋果實際的表面積等于投影面積S與K的乘積(羅志剛，蔡一鳴，2021)[28]。憑借已有成果可得出推導(dǎo)結(jié)果在前期圖像預(yù)處理的過程中，包含了圖像的二值化，這使得蘋果的圖像中的其中，BW是預(yù)處理中二值化后的圖像；B是利用bwarea函數(shù)計算的蘋果投影圖像的面積。由于K值需要我們通過大量數(shù)據(jù)的和實驗才能獲取最小外接矩形法是找到蘋果的最小外接矩形，首先需要確定蘋果的中心位置，并在中心位置出進(jìn)行固定，使水果以固定的旋轉(zhuǎn)度數(shù)轉(zhuǎn)動，旋轉(zhuǎn)的范圍在90度內(nèi)，旋轉(zhuǎn)的角度一般選擇3度，選擇一次，由此可以察覺就記錄本次旋轉(zhuǎn)過程中，外接矩形邊界在橫坐標(biāo)上的最大值x,縱坐標(biāo)上的最大值y,矩形的面積就等于4xy,通過每一次旋轉(zhuǎn)所記錄的坐標(biāo)值計算外接矩形的面積，所求的面積中面積最小的那個矩形即為所尋找的矩形，該最小外接矩形的長即為蘋果的果徑長度，將獲得的果徑長度與國家蘋果分3-1所示(韓嘉誠，馬浩淼，2022):文件(編輯(查看(插入工具(桌面(窗口C幫助(最小外接矩形法圖3-1最小外接矩形法最小外接圓法首先需要采集蘋果邊緣的像素點，找到所有像素點中距離最大的兩個點，記這兩個像素點之間的距離為dmax,接著求取兩個像素點的中點坐標(biāo)，并繼續(xù)尋找蘋果邊緣像素點上除最初兩個點外的離求出的中點最該點到中點像素點之間的距離d,若d<=0.5dmax,則該中點即為最小外接圓的圓心，若果二值化圖像的最小外接圓的圓心(朱啟航，林逸靖，2023)。在此背景下，本文針對原始數(shù)據(jù)的處理方式相較于以往的研究顯得更為簡潔且高效。本文處理手段，這一手段削減了多余的轉(zhuǎn)換環(huán)節(jié)，優(yōu)化了數(shù)據(jù)清洗與標(biāo)升了信息處理的速率與效能。采用此法，本文得以迅速籌備好分析減少了復(fù)雜處理流程可能帶來的誤差風(fēng)險。此外，經(jīng)過對不同渠道和種類的信息實施全面測試，本文進(jìn)一步確認(rèn)了本方案的穩(wěn)固性與可信度。設(shè)最小外接圓的半徑為R,邊緣輪廓上各個點到圓心的最小距離為Rmin,則(R-Rmin)的差值即為最小外接圓的圓度誤差31]。由此可以推知其意通過最小外接圓法得到的結(jié)果如圖3-2所示：文件編輯查看插；工具桌面窗□幫助圖3-2最小外接圓法通過對以上方法進(jìn)行比較，最終決定采用最小外接圓法來實現(xiàn)蘋果大小的特征提取，這是由于靜態(tài)圖像中，蘋果邊緣像素點的獲取較容易，進(jìn)而容易求得蘋果的中心坐標(biāo)及蘋果的半徑，根據(jù)蘋果的半徑即可求得蘋果的直徑，即果徑的大小，而投影面積法需要大量的數(shù)據(jù)和實驗才能確定K值；依據(jù)這些表現(xiàn)可以判斷出最小外接矩形法則計算量大，操作起來比較麻煩，效率不高，且提取到的最小外接矩形長寬不一定一致，故而得到的果徑值不夠精確。所以在本次設(shè)計中，選擇了最大果寬法來實現(xiàn)蘋果大小特征的獲取(何振宇，通過國家蘋果分級標(biāo)準(zhǔn)，得知對于蘋果的果徑大小分級如表3-1所示：等級大型果中型果小型果表3-1國家蘋果大小分級標(biāo)準(zhǔn)蘋果的分級模型可以表示如下：IfL>=th1;ElseifL>=th2;ElseifL>=th3;蘋果是優(yōu)等果蘋果是一等果蘋果是二等果蘋果是等外果本章通過對比幾種不同求取蘋果大小的方法，最終選擇最特征的提取，首先采集蘋果的邊緣像素點，并找出所有采集的像素點之間的距離最大的兩個點，接著求取其中點坐標(biāo)以及除此兩點外的另一個距離最遠(yuǎn)的像素點，最后通過比較，獲得蘋果圖像的最小外接圓及其半徑大小，足以說明進(jìn)而求得果徑的大小，并將提取到的果徑大小與國家的蘋果分級進(jìn)行對照，實現(xiàn)對蘋果大小的分級(李澤昊，趙睿哲，2020)。第四章水果顏色特征的提取4.1引言蘋果口感和品質(zhì)的一個重要判斷依據(jù)就是蘋果的顏色。色澤偏甜，含糖量多，屬于品質(zhì)優(yōu)等的蘋果，相反，著色率差的蘋果，其口感及品質(zhì)都較差。這和顧客在購買的過程中，更傾向于選擇色澤飽滿、著色度高的蘋果的實際情況是相吻合的。所以在本次設(shè)計過程中，蘋果顏色特征的提取是非常重要的(宋靖宇，孫啟明，2019)適彩色模型的選取在彩色圖像的處理過程中是非常關(guān)鍵的一步33。目前，常見的彩色模型面向硬件設(shè)備使用的最經(jīng)典、最常見的彩色模用的硬件設(shè)備，都以RGB模型為基礎(chǔ)來完成其工作。RGB顏色模型是建立在坐標(biāo)系中一個立方體模型，該坐標(biāo)系的縱橫豎三個坐標(biāo)軸分別代表R、G和B,即紅、綠、藍(lán)三種顏色，如圖4-1所示，原點坐標(biāo)(0,0,0)表示黑色，現(xiàn)有結(jié)果支持以下推論與原點相對的立方體上與原點相距最遠(yuǎn)的那個點(1,1,1)表示白色，RGB模型中，白光由紅光加綠光加藍(lán)然而，RGB顏色模型存在一個顯著的缺點，它與人的心理感知不相符，通過R、G、B所對應(yīng)的數(shù)值，我們無法得到相應(yīng)的數(shù)值所代表的顏色屬性，故而RGB模型不過直觀，RGB模型中的顏色分布不夠均勻，通過RGB顏色模型中兩個顏色點之間的距離，我們不能得到這兩種顏色之間的知覺差異，因此，這種顏色模型只能面向硬件設(shè)備(譚明杰，吳逸飛，2022)。在YCrCb模型中，Y是亮度分量的表示，Cr是紅色色度分量的表示，而Cb是藍(lán)色色盡管對亮度分量子采樣，給定這些條件可以推知其情況此時亮度分量將減少，但人眼也不其中RGB顏色模型轉(zhuǎn)成YCbCr顏色模型的公式為(許文博，鄭啟航，2023):YCbCr顏色模型轉(zhuǎn)成RGB顏色模型的公式為：二、面向視覺感知的彩色模型以上描述的是和人眼的視覺感知是不相似的面向硬件設(shè)備的彩色模型，方便，如即使已知一個RGB彩色模型，我們也無法用肉眼判定其R、G、B分量。因此人們發(fā)現(xiàn)了面向視覺感知的彩色模型，這些模型更接近我們?nèi)搜鄣母兄闆r，并且還存在獨立的設(shè)備顯示。常見的面向視覺感知的彩色模型如下所示(孔天磊，黃嘉誠，2024):HSI模型是面向視覺感知中常見的的顏色模型，其模型為雙菱錐結(jié)構(gòu)，如圖4-2所示：其中，色調(diào)H(Hue):是人對不同顏色的量不同，顏色不同，它還能表示如冷色、暖色等在一定范H分量的值對應(yīng)一個夾角，于此特定環(huán)境不難看出其端倪即R軸與指向該點的矢量之間的角度(嚴(yán)啟明，邱逸皓，2020)。本研究在此采納了既有的策略來構(gòu)建計算框架，并對其本文識別并剔除了繁瑣且非必要的環(huán)節(jié)，優(yōu)化了整個流程，最終打造出一個更加精簡高效的計算模型。此舉不僅縮減了資源消耗，還加快了處理速度，使得本方案在維持原有效能可以加入白光實現(xiàn)，越鮮艷的顏色其飽和度越大，反之三角形中，飽和度由內(nèi)向外增大，中心的飽和度最小，邊上的飽和度最大(姜一帆，余嘉誠，2019)。亮度I(Intensity):表示顏色的明亮程度，對應(yīng)于圖像的亮度和灰度，HSI模型中，中點向上變?yōu)榘咨罁?jù)該理論框架研究可推導(dǎo)出向下變?yōu)楹谏桨自搅粒胶谠桨?陸HSI模型建立的幾個重要依據(jù)如下：1.圖像中的彩色信息與I分量無關(guān)；2.人眼感受顏色的方式與H和S分量有著直接的關(guān)系的，3.實驗條件中，光源的純度和強(qiáng)度一定，故而圖像的S和I分量固定，所以彩色圖像特征提取只需提取H分量的特征，這幾個特點保證了HSI模型可以對彩色特性進(jìn)行檢測，并且保證了其分析的準(zhǔn)確(戴振宇，陳嘉誠，2022)。在本設(shè)計的優(yōu)化流程中，本文著重權(quán)衡了經(jīng)濟(jì)效率與方案的普及潛力，相較于原始構(gòu)想，在諸多層面實施了調(diào)整與優(yōu)化。首要之舉是在成本管控上，通過剔除冗余步驟、選用成本效益更佳的方案，顯著削減了總體執(zhí)行費用，提升了方案的性價比。此外，為了拓寬方案的適用范圍，本文在設(shè)計階段深入考量了地域與環(huán)境的差異性，保證其在多樣情境下均能穩(wěn)定運作，便于其他實體輕松采納與實施。2.HSB模型HSB彩色模型是基于對立色理論建立的，對立色理論起源于人們對對立色調(diào)的觀察，如紅和綠、黃和藍(lán)，人們通過觀察發(fā)現(xiàn)，當(dāng)相同量的對立色相加后，其所顯現(xiàn)的顏色能夠相互抵消，故而人們建立HSB彩色模型，其中H是色調(diào)的表示，S是飽和度的表示，B是亮度的表示，并且在HSB模型中，白色和黑色無色相，白色、黑色和灰色沒有飽和度01371。HSB的模型結(jié)構(gòu)如圖4-3所示：其中，H(Hue)色調(diào)：在標(biāo)準(zhǔn)色環(huán)上，按照角度值的不同進(jìn)行標(biāo)識，從0°-360°,每一個度數(shù)對應(yīng)一個顏色，如0°是紅色，30°是橙色。S(Saturation)飽和度：指顏色的純度，憑借已有成果可得出推導(dǎo)結(jié)果它表示總色彩中彩色成分的比例，從左向右，色立面上的飽和度逐次遞增，用百分比來進(jìn)行衡量，從左到右對應(yīng)從0%到100%,其中，灰色對應(yīng)左邊線0%,右邊線100%對應(yīng)完全飽和(葉宏毅，劉天，2023)。B(Brightness)亮度：顏色明暗程度的表示，從上至下，色立面上的亮度依次遞減，用百分比來度量，從上至下對應(yīng)從0%到100%,其中，白色對應(yīng)上邊線100%,黑色對應(yīng)下邊線0%。4.2.2蘋果顏色模型的選擇及實現(xiàn)由于圖像的彩色信息中，HSI顏色模型中的I分量與圖像中彩色信息無關(guān)，并且HSI在分級的實際過程中，首先利用采集到的蘋果圖像，接著根據(jù)轉(zhuǎn)化公式編寫的rgb2hsi函數(shù)進(jìn)行模型轉(zhuǎn)化，提取其中的HIS分量。在本次分級系統(tǒng)設(shè)計中，提取到的R、G、B分量如圖4-4所示：圖4-4蘋果的RGB分量圖轉(zhuǎn)換后的HSI分量如圖4-5所示：國圖4-5蘋果的HSI分量圖在蘋果的顏色等級劃分中，囊括了很多方面，其中，色度、紅區(qū)勻度三部分是最主要的，就色度而言，青蘋果的色蘋果的品質(zhì)較偏綠的好；蘋果紅區(qū)的比例是蘋果紅區(qū)面積大小的蘋果的含糖量，蘋果的紅區(qū)面積越大，從這些表現(xiàn)可以估摸出其I它是蘋果的紅區(qū)面積和蘋果總表面積比值的反映(湯皓志，胡嘉誠，2024)。蘋果顏色特征的提取方法是：首先將初始的RGB圖形用轉(zhuǎn)換公式編寫的rgb2hsi函數(shù)將其轉(zhuǎn)化為HSI模型，并提取其中的H分量，然后通過graythresh函數(shù)，提取合適的閾值比值即為蘋果的著色度。其中，國家蘋果顏色等級的劃分如表4-1所示：蘋果等級優(yōu)等品一等品二等品顏色紅或條紅90%以上紅或條紅75%以上紅或條紅55%以上4.4本章小結(jié)蘋果顏色特征的提取是蘋果分級中一個重要的因素，本章中式最接近的HSI模型，利用H分量獲取得到蘋果紅區(qū)的面積大小，再將求得的紅區(qū)面積大小與蘋果的實際表面積相比，由此可以推知其意所得的比值即為蘋果的著色度，最后按照國家蘋果顏色等級標(biāo)準(zhǔn)進(jìn)行劃分，得到蘋果的顏色等級。上述的優(yōu)化成果建立在對當(dāng)況的深刻剖析及對既有資源與技術(shù)的充分挖掘之上。與以往方案相比，此方案在眾多核心領(lǐng)域展露出了明顯優(yōu)越性。首要的是，它憑借融入更前衛(wèi)的設(shè)計思路錯誤率下降的雙重目標(biāo)，顯著增強(qiáng)了整體的可行比例。再者，從成本方案顯著削減了實施及維護(hù)的開銷，實現(xiàn)了資源利用的最大化，提升了經(jīng)濟(jì)產(chǎn)出。同時，它還優(yōu)化了系統(tǒng)的兼容與擴(kuò)展性能，確保能更靈活地應(yīng)對未來的發(fā)展趨勢及應(yīng)用需求的變第五章水果形態(tài)特征的提取5.1引言水果的形態(tài)一般從果形、果徑、色澤三方面進(jìn)行討論研究，根分級標(biāo)準(zhǔn)劃分為等外品、二等品、一等品、優(yōu)等品這幾種品質(zhì)。其中果徑和色澤在前文中已經(jīng)進(jìn)行了討論，現(xiàn)在將針對蘋果的果形進(jìn)行探索。依據(jù)這些表現(xiàn)可以判斷出蘋果的果形一般描述為圓形度、圓形指數(shù)，圓形度是指果實的圓形程中，果實被劃分的等級將越高，這和實際生活中，顧客更愿意購橢圓形、扁圓形等類型。在現(xiàn)階段的研究過程中，對果形的研究主要從圓形度上入手(彭啟航，徐逸天，2021)。5.2水果形態(tài)的檢測及分級標(biāo)準(zhǔn)通常，形態(tài)特征表示的方法有兩種，一種是區(qū)域特征，另一種是域特征主要針對整個形狀區(qū)域，而圖像的輪廓特征則只關(guān)系到物最小最大半徑比值法：該方法首先需要確定蘋素點到圓心的距離，選擇其中的最小值和最大值，將最小值和最大值相比，得到的比值在0-1之間，該值即為蘋果的圓形度，蘋果越圓，比值越靠近1.傅里葉形狀描述法：此方法的基本原理是邊界區(qū)具有的周作傅里葉變換，將二維問題變換為一維問題。足以說明經(jīng)過變換后，可以得到三種描述形狀的表達(dá)式，分別是質(zhì)心距離、曲率函數(shù)和復(fù)坐標(biāo)函數(shù)。此方法雖然形態(tài)特征的描述比較精確，但計算量相比而言較大，并不滿足流水圓度值法：該方法是通過求取蘋果的圓形的周長和面積，再根據(jù)周長和面積求的半徑，對于形狀規(guī)則的圓而言，根據(jù)周長和面積求出來的半徑是相等的，現(xiàn)有結(jié)果支持以下推論但由于大部分的蘋果并不是很標(biāo)準(zhǔn)的圓，所以由周長和面積求出來不相等，形狀越不規(guī)則的圓，求出來的半徑相差越大，所述蘋果的圓形度391,并通過周長和面積進(jìn)行推導(dǎo)，得到圓形度的公式如下所示：積S=πrs2,周長L=2πIL。在本文的研究框架下考慮了這一情形其中越與1越接近，圖5-1為本次設(shè)計樣本中的蘋果的圓度值：田圖5-1蘋果的圓度值特征蘋果形態(tài)的分級標(biāo)準(zhǔn)同樣按照國家頒布的分級標(biāo)準(zhǔn)，如表5-1所示：2蘋果等級優(yōu)等品一等品二等品圓形度5.3本章小結(jié)本章通過綜合考慮，選擇圓度值法來獲取蘋果的圓度值形態(tài)特征，能夠較好的描述蘋果的形狀，與傅里葉變換形狀描述法相比，圓度值法的計算更為簡便，運行結(jié)果快且結(jié)果準(zhǔn)第六章水果分級系統(tǒng)的研究6.1引言通過前面的圖像采集、圖像處理和特征提取的分步進(jìn)行，為蘋果了充足的準(zhǔn)備，蘋果的大小、顏色、形態(tài)這些都是蘋果的單一特行分級會導(dǎo)致結(jié)果的不準(zhǔn)確性和片面性，不能滿足蘋果分級的要合，綜合判斷蘋果的等級，才能保證得到的蘋果分級結(jié)果是準(zhǔn)確可靠的。而GUI(圖像用6.2水果分級系統(tǒng)的設(shè)計及結(jié)果本系統(tǒng)以GUI(圖形用戶界面)作為平臺，采用先進(jìn)的計算機(jī)技術(shù)，如模式識別、圖像處理、機(jī)器視覺等，實現(xiàn)蘋果的準(zhǔn)確分級。從上述分析可以看出，該方案相比于其他方案具有更好的性價比，同時在用戶體驗和交互性方面表現(xiàn)出色。該方案注重用戶需求的挖掘和滿足，通過優(yōu)化界面設(shè)計和交互流程，提供了更加直觀、便捷的操作體驗。用戶在使用過程中能夠快速上手，減少學(xué)習(xí)成本，同時也能獲得更好的反饋和響應(yīng)速度。此外，該方案還支持個性化定制，能夠根據(jù)不同用戶的需求提供定制化的解決方案，極大地提升了用戶滿意度和忠誠度。這種以用戶為中心的設(shè)計理念使其在市場競爭中更具優(yōu)勢。本系統(tǒng)設(shè)計的GUI界面如圖6-1所示，包括“打開圖像”、“圖像處理”、“開始分級”、“退出”四個按鈕，通過“打開圖像”按鈕來導(dǎo)入采集并經(jīng)過一定處理后的蘋果圖片，給定這些條件可以推知其情況導(dǎo)入后顯示在按鈕上面的框中；通過“圖像處理”按鈕，可實現(xiàn)圖顯示圖像處理后的圖像，產(chǎn)生的新界面如圖6-2所示；通過“開始分級”按鈕可實現(xiàn)蘋果按照大小、顏色和形態(tài)三個特征的分級，首先是提取蘋果的三個特征值分別寫入左下角對應(yīng)的特征框中，于此特定環(huán)境不難看出其端倪接著與右上角國家蘋果的分級標(biāo)準(zhǔn)對照，最后將最終的結(jié)果輸入到右下角的蘋果分級結(jié)果框中，顯示最終的分級結(jié)果；通過“退出”按鈕可實現(xiàn)GUI界面的關(guān)閉；界面中有一個進(jìn)度顯示框，當(dāng)每一個按鈕實現(xiàn)了其所包含的作用后，進(jìn)度顯示框?qū)@示對應(yīng)的操作已完成。最終的運行結(jié)果界面如圖6-3所示：t圖6-1蘋果分級系統(tǒng)的GUI設(shè)計界面文件(E)編輯(E)查看(V)插入(1)工具(①桌面面1.灰度圖2.中值濾波圖3.圖像二值化4.消除噪點及圖像填充圖6-2彈出的圖像預(yù)處理界面圖像預(yù)處理××國家蘋果分級標(biāo)準(zhǔn)國家蘋果分級標(biāo)準(zhǔn)品開始分級蘋果分級結(jié)果圖6-3蘋果分級系統(tǒng)的結(jié)果輸出界面果分級標(biāo)準(zhǔn)的設(shè)置我采用的是個人可設(shè)置的水果分換，方便不同的分級需求，依據(jù)該理論框架研究可推導(dǎo)出并自帶通過輸入蘋果的樣本圖像，得到最終的實驗結(jié)果，并與人工分級本系統(tǒng)的蘋果分級準(zhǔn)確率為90%及以上，且單個蘋果處理的時間不超過5s,這極大的提高了蘋果的分級效率，憑借已有成果可得出推導(dǎo)結(jié)果有效的節(jié)省了時間和勞動力，且本本章主要介紹了水果分級系統(tǒng)的GUI界面的設(shè)計內(nèi)容及實現(xiàn)的結(jié)果，主要包括圖像的打開、圖像預(yù)處理、蘋果分級等一列按鈕的編程實現(xiàn)，并通過國家蘋果分級標(biāo)準(zhǔn)的與提取到的蘋果特征值相比較，在分級結(jié)果框中顯示最終的蘋果分級結(jié)果，該界面清晰明第七章結(jié)論與展望本文的主要內(nèi)容是基于機(jī)器視覺的水果分級系統(tǒng)研究，由□量較小，所以選取的水果研究對象是蘋果，主要的操作過程包括蘋果圖像采集、蘋果圖像預(yù)處理、蘋果特征的提取及最終結(jié)果的輸出，為蘋果的分級奠定一(1)圖像的采集：購買一定數(shù)量的蘋果并將其處于同一背景、同一光照下進(jìn)行拍攝，以保證采集的蘋果樣本圖像的可靠性，由此可以察覺由于采集到的蘋果環(huán)境比較復(fù)雜且圖片分辨率較高，故而在圖像預(yù)處理前進(jìn)行了背景更換、圖片壓縮等處理，提高后續(xù)工作的效率；(2)圖像預(yù)處理：預(yù)處理是輸入圖像后的操作，也是特征量提取前的必要處理步驟，通過多種處理方法的比較和對照，首先采用加權(quán)平均值法對采集到的蘋果圖像進(jìn)行灰度化轉(zhuǎn)化，接著為了消除由于拍攝時抖動或傳輸設(shè)備等的影響而產(chǎn)生的干擾噪聲，采用中值濾波法繼續(xù)對圖像作平滑處理，然后為了方便提高計算機(jī)識別時的效率及圖像中信息的提函數(shù)，實現(xiàn)圖像的閉運算，融合圖像中的細(xì)長彎口和窄缺□的同時補(bǔ)齊輪廓上的縫隙。(3)特征提取：水果分級主要依據(jù)水果的大小、顏色、果形等特征，故而本次研究首先通過對比投影面積法、最小外接矩形法、最小外接圓法來獲取蘋果的大小特征，這是由最小外接圓法得到的果徑數(shù)值更精確所決定的，從這些表現(xiàn)可以估摸出接著通過對比RGB、YCbCr、HSI、HSB等各類顏色模型，最終選取與人感受顏色的方式最接近的HSI模型，利用其中的H分量獲取蘋果紅區(qū)面積的數(shù)值，將紅區(qū)面積與蘋果的實際面積相比，比值即為蘋果的著色度，即蘋果的顏色特征值，最后通過對比邊界特征法、傅里葉形狀描述法、圓度值法，選取計算更為簡便，運行結(jié)果快且結(jié)果準(zhǔn)確，符合分級的實時性要求的圓度值法實現(xiàn)蘋果果形特征的提取。(4)蘋果分級：即最終蘋果分級結(jié)果的輸出，通過MATLABGUI界面的設(shè)計，將提取到的多個蘋果特征進(jìn)行融合，查閱國家規(guī)定的蘋果分級標(biāo)準(zhǔn)，與提取到的蘋果果徑、紅色著色比、圓度值三個特征值進(jìn)行對比，輸出最終的蘋果分級結(jié)果，該界面操作簡單，簡潔明了，具有一定的使用價值。本文雖進(jìn)行了一定的蘋果分級算法的研究，取得了一定的研究成果，但是仍存在問題需要繼續(xù)探究，還有很多工作要做：(1)蘋果采集的環(huán)境過于簡單，這與實際作業(yè)下蘋果分級環(huán)境是不一致的，在實際的操作環(huán)境中才可以繼續(xù)改進(jìn)分級算法。(2)選擇分級的蘋果種類比較單一，且采集的蘋果樣本有限，因此需要建立更多的數(shù)據(jù)樣本，使分級系統(tǒng)得到不斷的完善。(3)提取的特征值有限，在未來的研究中，還可繼續(xù)對蘋果表面的缺陷情況等進(jìn)行研究，剔除分級中的壞果，從而提高該系統(tǒng)的工作效率。[3]陶景行，辛睿哲.基于機(jī)器視覺的蘋果品質(zhì)分級技術(shù)的研發(fā)[D].黑龍江大學(xué).[4]伍博遠(yuǎn)，宋靖，etal.MachineVisionforColorInspectionofPotatoesandApples[J].TransactionsoftheAsae,2021,38(5):1555-1561.[5]ArivazhaganS,ShebiahRN,NidhyanandhanFeatures.journalofemergingtrendsincomputing&informationsc[6]i.KavdirandD.E.Guyer.EvaluationofdifferentpatternrecognitiontBio薛睿哲，尹啟航temsEnginee尹啟航temusingmachinevision[J].ComputersandElectronicsinAgriculture,2016.[8]MizushimaA,LuR.AnimagesegmentationmachineandOtsu’smethod[J].Computersandelectronicsinagriculture,2013,94:29-37.JournalofKingSaudUniversity-ComputerandInformationScie[10]MoallemP,SerajoddinA,PourghassemH.Computervision-basedappleapplesbasedonsurfacefeatures[J].InformationProcessinginA[11]崔明杰，駱景云.計算機(jī)視覺在芒果品質(zhì)檢測中的應(yīng)用研究[J].農(nóng)機(jī)化研究，2019,041(009):190-193.[12]閻天佐，齊嘉言.基于圖像特征融合的蘋果在線分級方法[J].農(nóng)業(yè)工程學(xué)報，2017[13]舒俊熙，秦正陽.基于計算機(jī)視覺的血橙無損檢測與分級技術(shù)研究[D].西南大學(xué)，2016.[14]彭志誠，韓啟銘.基于決策樹支持向量機(jī)的蘋果表面缺陷識別[J].食品與機(jī)械，2017,33(09):131-135.[15]袁浩淼，唐啟航.基于機(jī)器視覺的蘋果在線分級系統(tǒng)平臺研究.[沈陽農(nóng)業(yè)大學(xué)碩士論文].沈陽：沈陽[16]孟睿德，姜子淳.基于機(jī)器視覺的水果外部品質(zhì)檢測技術(shù)研究[D].華南農(nóng)業(yè)大學(xué)，2017.4-5.[17]傅博涵，魏啟軒.基于噪聲評價的微光紅外圖像自適應(yīng)融合方法[J].海軍工程大學(xué)學(xué)報，2017,29(1):[18]廖明軒，杜景瀾.基于稀疏表示的圖像去噪算法優(yōu)化[J].計算機(jī)與數(shù)字工程，2015,43(11):2020~2023.[19]章澤霖，許睿哲，等.結(jié)合全變分的雙邊濾波圖像去噪方法研究[J].現(xiàn)代電子技術(shù)，2017(17):44-47.[20]胡啟銘，賀博遠(yuǎn).基于輪廓形狀和復(fù)雜網(wǎng)絡(luò)的圖像識別新方法[D].廣東工業(yè)大學(xué)，2016.[21]Nercessian,ShahanC,Panetta,etal.Non-LinearDir