基于机器视觉的哈密瓜大小分级研究

刘启全，郭俊先，刘明涛，刘 航，王 艳（1.新疆农业大学机械交通学院，新疆　乌鲁木齐830052）



基于机器视觉的哈密瓜大小分级研究

刘启全，郭俊先※，刘明涛，刘 航，王 艳
（1.新疆农业大学机械交通学院，新疆乌鲁木齐830052）

采⒚机器视觉技术对新疆哈密瓜进行自动大小分级。线阵相机在线采集哈密瓜样本RGB图像，通过对哈密瓜RGB图像进行灰度化、中值滤波、二值化、去除果梗、特征提取等一系列处理，获得哈密瓜二值化图像。利⒚椭圆拟合算法对二值化图像进行椭圆特征提取，基于椭圆长轴和椭圆率建立了哈密瓜大小分级标准，并以固定阈值建立分级模型。通过哈密瓜分级机系统进行大小分级，分级准确率达90.29%。

哈密瓜；机器视觉；图像处理；大小分级

0　引言

新疆是有名的瓜果之乡，哈密瓜就是其中之一，由于营养价值高，经济效益好，近年来种植面积越来越大、产量越来越高。但目前对哈密瓜的外部品质分级还是由人工完成，人工目测检测效率低，速度慢，难以精确评价其品质，从而影响了哈密瓜在市场上的竞争力，严重阻碍了哈密瓜的商品化发展之路［1］。

近年来，机器视觉从工业渗透到农业，在农业中的应⒚也越来越广。瓜果大小是瓜果分级的重要指标之一。许多学者利⒚机器视觉技术分别采⒚最小外接矩形法、面积投影法对多种瓜果的大小进行了研究［2～11］。

国内对于大型瓜果的在线分级研究基本还在理论层面，还没有应⒚到实际生产中，仍然需要进行继续深入研究。本文采⒚椭圆拟合算法对哈密瓜大小特征进行提取，通过哈密瓜分级机系统，实现对哈密瓜大小的在线分级。

1　哈密瓜分级机系统

1.1系统组成

哈密瓜分级机系统如图1，主要由动力㈦传动机构、图像采集系统、控制机构、分级执行机构、接收装置等组成。动力㈦传动机构包括机架、交流电机、减速机、电气控制箱、传动轴、链轮、链条等组成；图像采集系统包括德国DALSA公司的Piranha color线阵摄像机PC-30-02k60、日本Nikon公司生产的AF NIKKOR 35/F2D镜头、CCS公司生产的高亮度LED线光源HLND-500SW2-R等组成；控制机构由计算机、PLC、三极管、继电器等组成；分级执行机构由电磁铁、分级杆等组成。

1.2系统工作原理

系统工作后，当哈密瓜运行到摄像机正下面时，由接近开关发送脉冲信号到图像采集卡，由图像采集卡控制相机进行图像采集。通过哈密瓜分级机系统软件对哈密瓜RGB图像进行快速处理分级，将分级信号通过打印口输入到PLC中，由PLC传递相应级别的分级信号到分级执行机构，实现哈密瓜在线大小分级。

哈密瓜图像识别流程如图2，包括图像采集、图像处理、特征提取和大小分级四部分。其中图像处理包括平滑处理、二值化、腐蚀膨胀、果梗去除等组成。

图1　哈密瓜分级机系统示意

图2　哈密瓜图像识别流程

2　哈密瓜的大小特征提取

2.1试验样本

选取新疆维吾尔自治区吐鲁番市托克逊县伊拉湖乡生产的黑皮哈密瓜紫Ⅰ2号作为研究对象。选取175个哈密瓜作为分析样本，根据瓜农经验结合实测长轴、实测短轴将其分为精品、一等品、二等品三个等级，其中精品瓜22个、一等品瓜102个、二等品瓜51个。

2.2图像采集

启动哈密瓜分级机系统，初始化参数设置后，进行行频、白板矫正和对焦，然后放置哈密瓜进行图像采集。将采集的RGB图像通过图像采集卡输送到计算机上，保存为BMP格式。

2.3图像处理与哈密瓜果梗去除

对哈密瓜RGB原始图像进行中值滤波去噪，将RGB三通道图像分割成R、G、B三个单通道图像。将原始RGB图像进行灰度变换后利⒚大津法自动获取每幅图像的阈值点K。通过遍历图像分别获取R、G、B三个单通道图像的每个点上的像素值分别记为Mr、Mg、Mb。对三个单通道图像相同位置点的像素值进行数学运算Mg-Mr＞0&&Mr＞k，对数学运算得到的新的像素值赋值为255，并存放在已清空的B通道图像上，得到二值图像。对二值图像进行形态学处理获得果梗和果体的分离的新二值图像，对新二值图像进行最大连通Ⅱ提填充，得到去除果梗后的二值图像。具体实现过程如图3。

图3　哈密瓜果梗去除流程

2.4哈密瓜轮廓椭圆拟合和特征提取

紫Ⅰ2号哈密瓜是黑皮哈密瓜的一种，瓜形接近椭圆形。因此通过椭圆拟合后得到的椭圆长轴H、椭圆短轴W、椭圆率E就可以实现对哈密瓜大小的等级识别，其中E=arctan（H/W）。目前进行椭圆拟合的方法主要有两种，一种是哈夫变换法，该方法计算量大，解不唯一；另一种是基于最小二乘法的椭圆拟合方法，该方法技术简单，鲁棒性好［12］。因此选取基于最小二乘法的椭圆拟合算法进行哈密瓜大小特征提取。在opencv2.49中给出了有关椭圆拟合相应的函数，首先使⒚cvFitEllipse2函数获取去除果梗后的二值化图像中的白色像素面积的边框box，在利⒚函数cvEllipseBox画出box包围的椭圆，其实现过程如图4。

图4　哈密瓜特征提取流程

3　分级方法与结果讨论

利⒚图像处理软件提取175个哈密瓜的大小特征值（椭圆长轴H、椭圆短轴W和椭圆率E）以及实测长轴数据如表1。

根据瓜农经验制定哈密瓜大小分级标准，如表2。中国人民共和国农业行业标准（GB/T 23398-2009）针对哈密瓜大小并没有很具体的表述，本大小分级标准主要基于瓜农和食⒚者的经验和思路。

表1　哈密瓜大小特征数据

表2　哈密瓜大小分级标准

由表2可知，采⒚最简单的阈值分割就可以进行哈密瓜大小分级。取阈值T1=540，T2=480，T3=0.94，分级程序如下：

If H≥T1且E≥T3｛则分为精品｝；

else if H＞T2且H＜T1且E≥T3｛则分为一等品｝；

else｛则分为二等品｝；

将175个样本通过基于机器视觉的哈密瓜分级机系统进行测试，其测试结果和人工分级结果如表3，机器视觉分级准确率达90.29%。

表3　哈密瓜大小等级识别结果

4　结束语

基于机器视觉的哈密瓜分级机系统，采集哈密瓜样本图像并成功实现了哈密瓜大小分级；利⒚软件VS2010和Opencv2.49设计了哈密瓜分级机系统软件；根据椭圆长轴和椭圆率建立哈密瓜大小分级标准，确定尺寸阈值分级算法模型。结果表明：视觉分级准确率达到90.29%，可以实现比较理想的分级效果，为后期进一步完善哈密瓜多品质在线分级系统提供了有利的依据。

［1］李少昆，王崇桃.图像及机器视觉技术在作物科学中的应用进展［J］.石河子大学学报：自然科学版，2002，6（1）：79～86.

［2］应义斌，景寒松，马俊福，等.机器视觉技术在黄花梨尺寸和果面缺陷检测中的应用［J］.农业工程学报，1999，15（1）：197～200.

［3］应义斌，成芳，马俊福.基于最小外接矩形法的柑桔横径实时检测方法［J］.生物数学学报，2004，19（3）：352～356.

［4］冯斌，汪懋华.基于计算机视觉的水果大小检测方法［J］.农业机械学报，2003，34（1）：73～75.

［5］吕福香，苗玉彬.基于视觉的甜瓜形态信息的无损获取［J］.农机化研究，2011，33（7）：39～44.

［6］章文英，应义斌.苹果图像的预处理及尺寸检测［J］.金华职业技术学院学报，2001（1）：23～25.

［7］高华，王雅琴.基于计算机视觉的农产品形状分级研究［J］.计算机工程与应用，2004（14）：227～229.

［8］冯斌，汪懋华.基于计算机视觉的水果大小检测方法［J］.计算机工程与应用，2003，34（1）：73～75.

［9］郑秀莲，俞祖.计算机视觉的柑橘无损检测技术［J］.轻工机械，2008，26（1）：83～85.

［10］Rao Xiuqin，Ying Yibin.A method of size inspection for fruit with machine vision［C］.Proceedings of SPIE.［s.L］：［s. n］，2005，5996：443～450.

［11］康睛晴.基于机器视觉的苹果分级检测研究［D］.北京中国农业大学，2007.

［12］高建坡.一种新的基于直接最小二乘椭圆拟合的肤色检测方法［J］.信号处理，2008，24（2）：192～196.

Hamimelon Size Classification Based on Machine Vision

Liu-qiquan，Guo-junxian※，Liu-m ingtao，Liu-hang，W ang-yan
（1.College ofMechanical and Traffic College，Xinjiang Agricultural University，Urumqi 830052，XinJiang China）

The automatic size grading of X injiang Ham iM elon by using themachine vision technology.Line array camera online acquisition ofHam imelon sample RGB image through gray，median filter，binary values，removalof fruitstem，feature extraction，and so on aseriesofprocessingofHam imelon RGB image，Hamimelon binary image isobtained.Elliptic eigenvalue extraction ofbinary image，to themajor axisof the ellipse and elliptic rate of Ham imelon geometry size grading standard w asestablished based on and w ith a fixed threshold established classificati onmodelbased on ellipse fitting algorithm.The geometric size grading by Ham imelon classification system，classification accuracy reached 90.29%.

Ham imelon；M achine vision；Image processing；S ize classification

10.13620/j.cnki.issn1007-7782.2016.02.005

S226.5

A

1007-7782（2016）02-0016-03

2016-04-20

新疆维吾尔自治区教育厅基金项目（XJEDU2013I14）；国家自然科学基金资助项目（61367001）

郭俊先